基于车载LiDAR点云的高速立交桥中线提取方法研究

车载激光扫描(light detection and ranging,LiDAR)技术因其可快速高效获取道路及两侧的地理信息,在智慧道路中有很大的应用前景,其所采集的LiDAR点云,实现了“所见即所得”,但其数据量大和噪点多等特点导致道路中线提取相关方法还不够成熟。提出了一种面向高速立交桥中线提取的点云数据处理方法:采用多重滤波算法(梯度滤波、高斯滤波和双边滤波)过滤非路面点云,应用Alpha shapes算法识别道路边界,最终,引入B样条曲线拟合算法拟合道路中线。通过实例高速立交桥车载LiDAR数据验证了所提出方法的有效性和可行性。相关研究成果可服务于智慧道路改扩建和维养等领域。

车载激光点云数据精度的提高方法

车载LiDAR系统是继机载LiDAR系统后的又一新型测绘方式,在数据采集和处理中有着自身独特的方法。以StreetMapper360系统采集的一段厦门环岛路数据为例,分析了车载LiDAR系统的主要误差来源,随后从激光点云的数据采集、GPS/IMU数据后处理、安装误差角检校与地面控制点调整4个方面讲述了改善车载激光点云数据精度的方法,最后用地面检查点验证了点云成果数据的精度。

基于自投影注意力的城市道路点云智能识别

针对大规模城市道路点云环境中,道路典型地物识别效率不高的问题,提出了一种基于自投影注意力的三维点云模型U-RandLA,通过点云投影算法获取道路点云信息自投影图,采用二维图像卷积网络分支U-Proj提取该自投影图特征,生成注意力分布图,强化模型对典型地物的识别能力,提升了现有点云识别算法的重点区域感知能力;融合点云原始信息和具有大感受野的注意力分布图的特征,扩增模型初始感受野,解决现有算法感受野狭窄问题,提升对大尺度典型地物的信息提取能力。实验结果表明,U-RandLA模型对典型地物的平均识别准确率达到97.7%,物体平均交并比达到64.4%。帮助提升了实际项目的生产效率,已成功应用于浙江省、上海市、山东省、重庆市等城市道路部件的智能提取。