车载LiDAR点云数据分割与半自动化建模方法

针对车载激光雷达(light detection and ranging,LiDAR)点云数据的不完整性问题,提出一种车载LiDAR点云数据分割以及基于分割后点云数据的半自动化建模方法。首先对点云数据进行标准格式转换及稀化;然后以不同地物的属性和几何特征为分割条件,分别建立道路、建筑物、树和路灯等附属设施的三维模型,并利用车载以及航空图像的纹理信息辅助建筑物的立面和顶面三维建模;最后以真实街景为实验区,基于拓普康IP-S2车载LiDAR点云数据,完成该街景的分割与建模。实验结果表明,该文提出的点云数据分割与街景地物重建方法比较简单,可实现道路和建筑物的半自动化分割;利用成熟的建模软件和方法,实现了建模的完整性和较强的可靠性。

车载LiDAR点云中的建筑物特征提取

针对车载LiDAR点云数据处理复杂、时间长的问题,本文以地物不同特征值作为建筑物自动提取算法的依据,通过点云数据预处理、聚类分析等一系列流程最终实现一般建筑物点云的自动提取。通过两个实验区点云数据的提取与相应的实际地物进行精度分析对比,结果表明本文算法对实例测区环境下的不同建筑物点云提取具有较好的有效性,满足数字城市三维建模的精度要求。

基于激光雷达的铁路轨道检测方法

利用激光雷达采集的距离信息,提出一种基于轨道横向与纵向几何特征的轨道检测方法。首先,在激光雷达的单次扫描数据中,根据轨道对周围环境的遮挡特性及高度跳变,完成对可能的轨顶关键点的检测;其次,构建轨道横截面模型,通过模型匹配的方式剔除前期的误检并确定最终轨道位置;最后,考虑轨道的纵向连续性和单轨之间的轨距、平行性特征,对轨顶检测点间进行关联形成轨道区段。研究结果表明:纵向单轨聚类及轨道横向关联可显著减少错误检测,最终轨道检测召回率为83.0%~97.5%,准确率为93.3%~97.9%。