改进的密度聚类精确自适应提取LiDAR电力线点云方法

原有邻域半径r_(Eps)与密度阈值p_(MinPts)两个参数的初始赋值导致电力线点云的提取结果存在不确定性,在密度聚类的基础上增添了点云簇类自适应判别方法,该方法避免人员重复测试初始参数的繁琐过程,采用C++语言完成了对该算法电力线精确提取及电力线拟合程序的开发与测试。结果表明:改进后的密度聚类法在电力线点云提取的损失率仅0.02%,三维重建残差为0.213 m;该方法大幅提高了电力线点云提取的准确性与便捷性,适用于高压电力走廊的电力巡检与三维重建等工作。

无人机LiDAR点云与无人机影像匹配点云分析比较

随着无人机技术的不断发展,无人机数码航测技术和无人机LiDAR技术在测量领域的应用越来越广泛。为分析无人机LiDAR点云和无人机影像匹配点云2种点云的差异,该文通过对西南某铁路一个测区在同一飞行高度的情况下同时进行无人机数码航摄及无人机LiDAR航摄2种方式航摄。对2种不同的摄影方式获取的点云进行比较,分析出2种方法获取点云在形态表现、滤波分类,以及利用2种点云制作DEM高程精度方面的差异,为实际工程航飞方式的选择提供一个参考。

基于LiDAR的道路景观需求研究——以郑州市三环内主干道为例

为研究人行、车行对城市主干道景观需求满足度,选择郑州市主干道为研究对象,通过背包式激光雷达获取道路景观三维点云数据,利用层次分析法构建评价体系并利用熵值法确定评价体系指标权重,在此基础上,采用k-means聚类分析划分道路评价等级。得出不同基础条件下,郑州市三环内主干道景观需求满足度及评价等级,并对道路景观结构进行相似性和差异性分析。该体系能够衡量城市主干道中蕴含的生态及安全风险,为今后城市主干道绿化景观改善提供科学依据。

一种改进的机载LiDAR数据构建DEM地面种子点选取方法

针对机载激光雷达(LiDAR)数据使用传统方法获取的地面种子点密度低,种子点之间空白区域的地形信息缺失,不利于后续提取地面点和构建高质量数字高程模型(DEM)的问题,本文提出了一种基于新的网格遍历规则的地面种子点选取方法。与传统方法中的起始网格在X和Y方向上每次移动1个规则网格宽度不同,该方法每次移动1/2个网格宽度,增加规则网格数量,获取的地面种子点个数相较于传统方法提高约200%,可补充种子点之间空白区域的地形信息,有利于提高后续点云数据处理的精度和相关产品的可靠性。

地面LIDAR在滑坡灾害三维实景建模中的应用

为快速获取邻近铁路滑坡体表面的三维坐标,实现对滑坡灾害快速响应和及时治理。以宝兰高铁上庄隧道出口滑坡为例,采用地面LIDAR技术,通过优化布设扫描站点,实现最大扫描范围并保证相邻站间的重叠度,以无靶标扫描方式获取滑坡体及周围地物的点云数据。在RiSCAN PRO软件中利用相邻扫描站间重叠点云进行拼接处理,点云拼接精度为6.9 mm,满足三维建模和地形图制作的精度要求。利用扫描站点坐标、测站全景影像,经过配准、坐标转换、纹理贴附、多边形拟合、曲面光滑等,建立可量测的三维实景模型,为辅助地形图制作和铁路滑坡灾害整治提供便利。研究表明,采用地面LIDAR技术以无靶标扫描方式快速建立铁路滑坡体三维实景模型,具有全天时、全天候、高精度、高密度、无接触的优势,打破了传统人工测量的局限性,提高作业效率,降低外业测量风险,可为同类型地质灾害数据获取及整治积累经验。

基于机载LiDAR点云数据的建筑物三维模型重建方法

以机载LiDAR点云数据为研究对象,提出一套建筑物三维模型重建方法。首先使用渐进三角网滤波算法分类地面点与非地面点,通过训练完成的随机森林模型完成建筑物点云提取;其次将方向作为约束条件,使用随机抽样一致(Random Sample Consensus,RANSAC)算法完成建筑物轮廓线提取并获取屋顶关键点信息;最后使用SharpGL工具包,以建筑物轮廓线与屋顶关键点信息为框架重建建筑物三维模型。以实测机载LiDAR点云数据为例进行实验,结果表明,本文方法能够提取得到完整的建筑物轮廓信息,并具有较高的建筑物模型重建精度。

基于机载LiDAR点云数据的建筑物三维模型重建方法研究

根据建筑物点云的分布特征,提出一种机载LiDAR点云建筑物三维模型重建方法。首先,利用布料模拟滤波算法剔除地面点,实现包含建筑物点云在内的非地面点提取,并利用最大类间方差法提取建筑物点云;其次,使用Alpha Shape算法提取建筑物点云中边缘点,并规则化处理建筑物轮廓线,通过屋顶分割算法提取建筑物屋顶信息;最后,使用SharpGL工具进行建筑物三维模型重建。以某地级市某地区机载LiDAR点云数据为例进行实验,结果表明该方法进行建筑物三维模型重建具有较高的精度与效率,适用于城镇复杂区域建筑物三维模型重建。

海量机载LiDAR点云改进滤波算法研究

为了提高机载LiDAR点云滤波算法在点云滤波中的精度与效率,本文在已有的多级移动曲面拟合滤波算法的基础上提出一种多级多窗口移动曲面拟合算法(WHMCFA)。该改进滤波算法能够有效解决HMCFA滤波算法中存在的曲面拟合精度低、粗差率高等问题。同时,为了提高LiDAR点云数据的滤波效率,在WHMCFA的基础上设计并实现PWHMCFA并行滤波算法。将本文改进滤波算法应用于机载LiDAR点云数据滤波处理中,结果表明,与传统滤波算法相比,本文提出改进滤波算法的滤波精度更高,滤波效果更好。

基于机载LiDAR大面积点云数据采集及其精度检测——以贵阳市六城区为例

通过机载激光雷达(Light Detection and Ranging,LiDAR)按1∶1 000的比例对贵阳市六城区、贵安新区直管区和双龙新区(约3 000 km^(2))进行数据采集。为验证该点云成果精度满足何种应用场景的需要,在该区域选择分布相对均匀的房角、草地、成林、灌木、水田、旱地、硬化地表、苗圃、果园9类共计724个地物地貌点进行实地平面与高程精度检测,完成对数据精度的统计分析。该点云数据的精度统计结果,为同类工作从业者提供一定的参考。

两种专业软件在无人机LIDAR点云数据处理中结合使用的效果与经验

激光雷达(Lidar)是以发射和接收激光束探测目标的位置、速度等特征量的雷达系统。该技术在国外的发展和应用已有十几年的历史。目前,该系统已经向小型化、轻便化发展,得到的数据经过相关软件数据处理后,可以生成高精度的测绘4D产品。点云分类是激光点云数据处理的重要环节,探索自动、高效、高精度的点云分类方法具有重要意义。飞马无人机管家和LIDAR360是两种各有特点的LIDAR点云数据处理软件,利用两种不同的LIDAR点云数据处理软件进行处理,可以做到扬长避短,进一步提高数据处理结果的质量。

机载LiDAR点云数据断面提取方法及应用

针对传统断面测绘工作劳动强度大、工作效率低、自动化程度低等特点,为解决传统商业软件提取断面时在沟、坎处误差较大的问题,提出点云前进搜索法与点云收缩迭代法提取断面。以机载LiDAR获取的点云数据为原始数据,基于提出的算法获取断面数据。为验证算法的准确性,采用GPS-RTK人工测绘方法获取相同位置断面数据,以此为参照对该算法结果进行验证,并将该方法与点云垂直偏移法提取的断面数据进行对比,结果表明,该方法提取的断面数据更接近GPS-RTK测得的断面数据,该方法可以为地形分析、工程设计、自然资源管理、土地利用规划和灾害风险评估等提供准确的空间数据支持,为决策者和规划者提供可靠的地理信息基础。

LiDAR技术在220kV架空高压线与水闸建筑物安全距离计算和分析中的应用

利用新型激光雷达测量手段,安全、高效、精准测量高压线位置,用于精准计算和分析高压线与建筑物安全距离,并通过数字模型模拟分析高压线极端条件下安全距离,并给出合理建议。

基于车载LiDAR的露天矿场景三维模型构建

三维模型是地质地形数据,可为地质勘探、储量计算及采矿设计提供依据,利用车载LiDAR对露天矿进行快速的三维建模,为露天矿设计和生产管理提供高效、直观的数据支撑。本文对车载激光LiDAR获得的点云数据进行去噪、滤波、地形特征点提取等处理,构建矿区地表三角网,并对三维模型作编辑,所建立的模型与原始点云的最大偏差为4.2 cm、平均偏差为0.02 cm、标准偏差为0.2 cm,模型质量高,该处理方法可完成露天矿场景三维建模。

无人机机载LiDAR在光伏发电项目大比例尺地形图测量中的应用

当前,光伏电站多建设在海拔高且高差大、植被多的地区,常规实时动态载波相位差分技术(RTK)测量方法效率较低,无人机倾斜摄影测量方法无法准确获取多植被区域的地面高程。基于此,提出一种在光伏发电项目大比例尺地形图测量中应用的无人机机载激光雷达(LiDAR)测量方法。首先从外业采集、内业数据处理两个方面介绍无人机机载LiDAR测量方法的技术流程,然后根据光伏发电项目应用实例数据对该测量方法的应用效果进行具体分析。研究结果表明:无人机机载LiDAR测量方法的植被穿透力强,可以快速获取植被下方高精度的地面点3D坐标,操作简单,且不需要布设大量像控点,外业采集的效率高;该测量方法的点云高程精度优于平面位置精度,可生产高精度数字高程模型(DEM)成果,直接提取等高线用于地形图成果绘制,内业数据处理的速度快。无人机机载LiDAR测量方法可以更好地满足在高山多植被地区的光伏发电项目建设的时间节点要求和精度要求,可以很好地应用于山区大高差的光伏发电项目大比例尺地形图测量作业。

基于机载LiDAR和高分辨率遥感影像融合的农村地籍测绘方法

农村地籍测绘是农村土地规划的重要依据,本文提出了基于机载激光雷达(LiDAR)和高分辨率遥感影像融合的农村地籍测绘方法。首先,对农村地籍进行机载LiDAR测绘,采集机载LiDAR点云数据并对其进行分块;其次,对农村地籍高分辨率遥感影像进行分割处理,并将机载LiDAR点云与遥感影像进行配准融合,生成农村地籍测绘图,实现基于机载LiDAR和高分辨率遥感影像融合的农村地籍测绘。经实验证明,使用本文设计的方法开展地籍测绘的面积误差不超过1%,测绘结果与实际结果的余弦相似度符合精度要求,可以精准地反映农村地籍形状、面积和轮廓等特征,具有较高的测绘精度。

机载LiDAR技术在矿区地表沉陷灾害监测中的应用

针对传统点位沉降监测的方法耗时耗力且难以大面积监测的问题,以某矿5302工作面为研究区域,利用无人机机载LiDAR技术获取2021年3月和2021年9月两期三维点云数据,通过点云解算、点云滤波、坐标转换等处理提取地面点云,采用Delaunay三角剖分算法进行DEM三角网构建,内插生成精度分别为0.071 m和0.128 m数字高程模型(DEM),通过ArcGIS进行矢量叠加和数据分析。将所提取的沉降结果分别与RTK测量数据和水准数据进行对比分析。实验结果表明,机载LiDAR可以很好地满足大范围沉降监测的需求,且能够较为精确反映沉陷区的沉陷状况,为沉降灾害的预防提供重要数据支撑。

基于机载LiDAR点云数据的历史文化街区重建方法研究

为了提高历史街区重建过程中建筑物轮廓与实际建筑物激光脚点的吻合精度,提出了一种基于机载LiDAR点云数据的历史文化街区重建方法。首先,对机载LiDAR点云数据作预处理,去除点云数据中的噪声。其次,利用区域生长算法对激光脚点作分割,完成建筑物点云数据的获取。之后,采用Alpha Shape算法提取建筑物特征信息,得到轮廓线,再通过管子算法将轮廓线规则化。针对多边形轮廓线,采用分类强制正交法对其作规则化。最后,通过平面拟合、直线拟合等方法,对历史文化街区进行三维重建。结果表明,所提出的重建方法在提取建筑物轮廓时,激光脚点吻合更精确,并且重建耗时为25 min,优于文献所提的2种方法。基于机载LiDAR点云数据的历史文化街区重建方法,可以在一定程度上提高历史文化街区的重建质量,并为其他历史文化街区的保护与更新提供借鉴。

机载LiDAR技术在黄河流域高精度精细DEM生产中的应用

在机载激光雷达(Light Detection and Ranging,LiDAR)测量技术生产和更新基础测绘成果中,本文选取沿黄河流域的永靖至黄河石林段,基于LiDAR点云数据,探索了一套高效生产高精度精细数字高程模型(Digital Elevation Model,DEM)的方法。试验结果表明,LiDAR点云数据生产DEM不仅地形精细表达程度高,而且相较传统模式生产的DEM平均中误差降低了0.6 m,摆脱了传统立体方式,优化了作业流程,工作效率提高了50%。该成果已成功应用于甘肃省2021年基础测绘1∶10000地形图更新项目。

结合物理与几何特性的机载LiDAR数据分类方法

机载LiDAR数据分类是根据数据特征为每个点指定类别标签。针对现有方法忽略全波形与点云在物理特性上的关联、缺乏对邻域几何和语义相关性的深入挖掘,从而导致捕获局部结构能力不足的问题,搭建了结合目标物理与几何特性的分类方法,实现了由全波形和点云组成的机载LiDAR数据端到端分类。首先,构建了特征融合模块,提取了全波形时序特征和点云几何特征,依据两种数据物理意义上的关联,通过双低秩矩阵实现了全波形与点云特征级融合。其次,构建了邻域特征增强模块,挖掘点对相关性,增强对局部几何结构的学习。最后基于层次化编解码结构搭建了分类网络。该网络在机载LiDAR数据集上测试,达到平均精度0.96、平均召回率0.90、平均F1分数0.92,证明了网络的有效性。

三维点云深度学习分类模型学习策略分析——以机载多光谱LiDAR点云为例

近年来,随着三维计算机视觉的发展,三维点云深度学习方法得到越来越多学者的关注。然而,目前大多数三维点云深度学习方法仅在标准数据集上进行精度和性能评估,这些方法在设计过程中通常会根据特定数据集设定特定的学习策略以达到最佳点云分类精度,从而影响模型的泛化能力。在三维点云深度学习方法的遥感应用中,往往会出现诸如复杂的网络模型方法并不一定取得更好的数据处理精度,以及原始网络模型学习策略并不一定获得最优结果等问题。对此,为了探究学习策略对三维点云深度学习方法在实际遥感应用的影响,文中以机载多光谱LiDAR点云分类应用为例,以深度学习经典模型PointNet++为主,在分析当前学习策略的基础上构建一套较为通用的深度学习策略,以提高点云分类精度的稳定性和鲁棒性。机载多光谱LiDAR点云分类实验表明,学习策略对于点云分类精度影响不容忽视,学习策略的调整可以有效地提高模型对海量三维点云分类能力。