共查询到20条相似文献，搜索用时 31 毫秒
1.
车载激光扫描系统能够快速准确地获取街道环境的点云数据,但由于扫描点云的点密度高、数据量大、空间分布不均匀、地物相互遮挡及城市街道环境复杂等特点,难以直接从原始点云数据中提取出路坎点云。本文首先通过分析路坎点云的空间分布特征和局部几何特征,构建包含相对高程、法向量方向、多尺度高程差及多尺度高程方差的点云特征向量;然后,采用SVM提取城市街道环境车载激光扫描数据中的路坎点云,并对提取结果进行聚类去噪,优化路坎点云。最后,通过Street Mapper 360系统和Lynx Mobile Mapper V100 系统采集的4份不同城市街道环境车载激光扫描数据对本文方法进行验证,其中路坎点云提取结果的完整度均超过了94.99%、准确度均超过91.88%、精度亦均达到了90.55%以上。实验结果表明,本文方法能够精确地提取复杂城市街道环境中规则或不规则的路坎点云,且具有较强的稳健性,适用于各类复杂的城市街道环境。 相似文献
2.
针对城市三维激光点云中,道路与地面高程相差小、激光反射强度相近使得道路提取困难;广场、停车场等地物的高程、反射强度与道路极为相近,容易产生错误提取的问题。本文设计了一种描述道路条带信息的局部二进制特征（Stripe Local Binary Feature, SLBF）,结合LiDAR数据中的三维信息和多光谱信息获得基于强度、密度和平坦度等统计特征（Statistics-Based Feature, SBF）,并采用随机森林分类器实现了机载点云中道路面点云和非道路面点云的有效提取。通过欧式聚类精化道路点云和迭代腐蚀边界细化中心线,进而获得矢量化的道路中心线。以Waddenzee区域的多光谱机载点云数据进行实验验证,道路中心线提取结果的完整度达到94.15%,准确度达到97.95%,精度达到92.28%。实验结果表明,该方法可以有效地提取道路中心线,同时由于设计的特征具有不变性,能够适用于城市和林间小路等各种环境。 相似文献
3.
4.
基于改进的角度偏差法的采空区点云数据精简 总被引：1，自引：0，他引：1
在保证采空区几何特征不变的前提下,有必要对点云数据进行精简,提高三维建模及其应用的效率.介绍了点云数据精简算法的评价体系,探讨了空区探测系统扫测采空区的点云数据特点;在对比最小距离法、平均距离法、角度偏差法、弦高偏差法等采空区点云数据精简方法的基础上,提出了保留采空区几何特征更为有效的点云数据精简方法———改进的角度偏差法.通过对比精简前后的扫描线周长、面积及标准差等指标,认为该方法不但保持了扫描线的细节,而且使精简后扫描线上的点分布较均匀,为后续三维建模及应用打下良好基础. 相似文献
5.
针对目前无人机激光雷达点云滤波过程中存在的效率低、误分割和精度差等问题,本文在对点云三维坐标进行K-means聚类得到不同聚类结果的基础上,引入最大-最小标准化方法对不同聚类结果的点云回波强度原始值进行标准化,得到 0-1范围回波强度规则值。针对不同聚类结果选择不同范围的回波强度规则值得到对应地面点云,以提升研究区点云的滤波精度并减少其地面点云的数据量。同时,对比利用K-means聚类对三维坐标和回波强度原始值进行滤波的结果。结果表明：对研究区点云去噪、抽稀预处理后得到107 372个点云数,利用K-means方法对三维坐标和回波强度原始值进行聚类滤波得到地面点数为66 713个,占点云总数的62.133%。通过使用本文方法可剔除过分割地表植被点13 648个,得到地面点云占点云总数的49.422%。该方法能够较好地保持地形轮廓并降低地面点云的数据量,从而为后期快速建立高精度DEM奠定基础。 相似文献
6.
精确的三维道路信息,对于交通运输,城市规划,道路网建设,三维道路建模等具有重要意义.车载移动测量系统作为一项高新测绘技术能快速,准确地获取三维激光点云,适用于大场景的道路提取与建模.本文提出了一种从车载激光点云中快速精细化提取三维道路及其边界的方法.该方法首先利用车载激光点云的空间特征对点云进行自适应分段,然后利用先验知识与规则提取候选的道路及其边界,并根据道路边界的线状特征,对所提取的道路边界进行跟踪及矢量化,最后得到道路的参数.为了验证本方法的有效性,试验采用了3组不同道路场景的数据进行验证,结果表明提取结果的准确度,完整度及检测质量都达到了90%以上.定量与定性的结果分析表明,本文方法对于不同复杂场景下不同点密度的数据具有很好的适应性,能快速,鲁棒地提取大场景内的道路及其边界. 相似文献
7.
提出一种一体化聚类的滤波方法,从机载激光扫描数据中获取复杂城区的DTM。通过对激光点云数据构建八叉树,以节点满足平面判断条件进行双重距离聚类,对剩余点引入渐进三角网加密方法进行迭代判断,进而有效区分地面点和非地面点。最后,将本文滤波方法与经典滤波进行比较,得到可靠的DTM,验证了本文方法的有效性。 相似文献
8.
车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。 相似文献
9.
DEM即数字高程模型,是通过有限的地形高程数据实现对地面地形的数字化模拟。DEM具有许多生产方式,作为直接获取对象表面点三维坐标的现代对地观测技术,机载激光扫描在DEM构建方面具有很大优势。因此,本文研究了一种基于机载激光点云数据的DEM生成方法,该方法的关键在于机载点云的地面滤波处理。本文提出了一种改进的渐进三角网滤波方法,通过计算各点坡度以及邻域范围内的高差最大值,进行直方图统计分析,实现高度及角度阈值的自适应估计。将本文结果与人工滤波及布料滤波方法进行对比分析。实验结果表明,本文方法的结果更加贴近人工滤波处理效果,可有效提高DEM生成的精度。 相似文献
10.
在地面三维激光点云特征提取的过程中,由于三维点云数据采集仪器、采集方法及后期处理等因素影响,依靠传统的基于曲率、法线等几何特征及统计学算法提取出的点云特征数量较多且存在较大误差,若使用其直接作为特征点数据进行点云粗配准,很难提高点云粗配准的精度及速度。因此,本文在对点云数据实际空间分布结构分析的基础上,结合特征点提取算法、法向一致化算法、PCA（Principal Component Analysis）方法及特征点聚类等方法,提出了一种三维激光点云数据虚拟特征点拟合算法。该算法生成的虚拟特征点是由点云实际的特征点拟合得到,或是由位于被测物特征线上的特征点拟合生成的特征线计算得到,该虚拟特征点并不是扫描对象上实际存在的激光反射脚点。通过实验验证,虚拟特征点拟合算法可以较准确地拟合出由于设备及操作方法等原因而未被采集到的建筑物边角点数据,得到的虚拟特征点数据较实际特征点数据具有更少的数据量及更高的精度,使用拟合得到的虚拟特征点可以减少粗配准算法的计算量,提高粗配准算法的计算效率并能获得更精确及可靠的初始配准变换参数。 相似文献
11.
建筑物立面是城市地物的重要组成部分,而移动激光扫描是获取城市地物三维信息的重要手段之一。本文提出了一种基于移动激光扫描点云的建筑物立面半自动提取算法。该方法首先构建研究区水平网格;然后计算局部点云几何特征,并且将特征投影到水平网格生成点云特征图像;接着基于支持向量机（Support Vector Machine,SVM）对建筑物立面网格进行粗提取;最后使用网格属性（形状系数、网格面积、最大高程）对粗提取结果进行过滤,并将结果反投影到三维空间中得到精确的建筑物立面。以卡内基梅隆大学的移动激光扫描点云进行试验后表明,本算法能够较好地提取出建筑物立面,提取精度为84%,召回率为90%,数据修正后精度为88%,召回率为91%。通过与现有算法对比,本文提出的算法具有较高精度。 相似文献
12.
利用三维地面激光扫描技术进行边坡变形监测时,由于其监测的数据容易受树木、行人、行车、电线杆等外界因素的干扰,所得到的结果是一组含噪声较多的边坡沉降时间序列。通过卡尔曼滤波对初始监测数据进行去噪处理,可以平滑掉曲线上波动较大的尖点,得到更合理的沉降曲线,有效提高模型的预测精度。基于以上理论,本文采用三维激光扫描仪对西北某湿陷性黄土边坡进行扫描,将得到的点云数据采用重心法提取特征点的高程坐标,再对数据采用卡尔曼滤波算法进行滤波去噪处理,通过建立基于卡尔曼滤波算法的新预测模型来预测其沉降变形。通过工程实例表明:建立的新模型的拟合和预测精度要优于传统灰色预测模型,具有较好的借鉴意义,为以后三维激光扫描技术在边坡变形监测中的应用提供指导。 相似文献
13.
道路绿化带是城市园林绿地系统重要组成部分,具有重要的生态和环境服务功能,道路绿化带信息的精细分类与提取以及绿化带的动态分析对于道路信息化管理具有重要意义。本文提出基于车载LiDAR技术的道路绿化带自动提取与绿植地物精细分类算法。为验证算法有效性,选取北京市丰台区某路段作为实验区域,一期试验数据采集时间为2015年6月,二期试验数据采集时间为2015年9月。将车载LiDAR点云数据作为原始数据,对原始数据进行剪裁分块等预处理,提高算法运行速度。首先对每段道路点云数据进行地面、低矮地物与高地物分类,并将低矮地物与地面点进行组合;然后通过绿化带的点云特性与空间特征,精确提取出每段点云数据中的绿化带,根据所提取的绿化带确定分类范围,利用各类地物点云的特征差别,对绿化带内地物进行详细分类;最后对比同一区域内的多期绿化带数据,从而判断绿化带面积以及绿化带中的各种地物是否发生变化。为验证算法精度,采用人工交互的方式提取绿化带,并对绿化带内各类地物进行人工分类,以此作为参照将人工统计得到的信息与自动提取出的绿化带信息以及各个分类地物信息进行对比,试验区人工提取绿化带总面积为13 027 m 2,自动提取绿化带总面积为12 749 m 2,2组数据相差278 m 2,相对误差为0.02。自动分类算法在试验区场景中杆状地物的探测率为80%,树木的探测率81.81%,灌木探测率为73.91%。对比2期绿化带数据,发现面积缩减量为129.5 m 2,另外新增3株灌木。实验结果说明了本文所述算法的准确性。 相似文献
14.
由于水域内机载点云数据稀疏或缺失,在生产高精度DEM时需要对水域区域进行分别处理,人工操作工作量大,且难以保持水域内DEM高程的自然平缓过渡。目前将水域和其他区域分开处理的DEM数据生产方法,不仅增加了数据处理的难度和工作量,也会引入水域和其他区域的DEM接边误差,影响数据质量。为此,提出一种基于机载点云数据的高精度水域DEM快速生成方法。该方法首先利用水域边界与原始机载点云数据,通过分段插值拟合生成水域内点云数据;进而,将插值生成的水域点云数据与原始点云数据进行合并获得完整点云数据;最后,利用合并后的完整点云数据生产高精度DEM数据。通过实验分析发现,该方法能够实现水域与其他区域的DEM一体化生产,提升DEM数据处理自动化水平,且能保证水域DEM的高程精度与自然平滑过渡要求。 相似文献
15.
16.
机载LiDAR点云是获取高质量数字高程模型（Digital Elevation Model, DEM）的主要数据源，而地表粗糙度作为DEM的主要派生产品，在地学研究中发挥了重要作用，但点云密度和插值方法对DEM及地表粗糙度精度影响程度并没有明确结论。为此，本文利用不同地形条件下的林区机载LiDAR点云为实验对象，将原始点云随机缩减为不同的采样密度，利用5种常用插值方法（克里金（Ordinary Kriging, OK），径向基函数（Radial Basis Function, RBF），不规则三角网（Triangulated Irregular Network, TIN），自然邻域（Natural Neighbor, NN）和反距离加权（Inverse Distance Weighting, IDW））构建各个测区不同采样密度条件下的DEM，并通过空间特征和统计特征两方面对DEM及其地表粗糙度精度分析。结果表明：① DEM插值算法的精度随点云密度缩减而降低，且数据量缩减至原始数据量的30%后，不同算法精度区别较为明显，其中，RBF和OK精度最优，IDW精度最低；② DEM误差与地表粗糙度存在正相关，随数据密度降低，OK、RBF、IDW所得粗糙度与DEM误差的相关系数均降低，与TIN和NN的相关系数先降低后在30%处升高；③ 从插值生成的DEM中提取地表粗糙度，其误差随数据密度缩减而增大，其中IDW所得粗糙度的精度在密度为90%和70%时最高，而数据密度缩减至50%后，RBF能够更准确地捕捉到地形变化。 相似文献
17.
街道景观图是城市规划设计和城市管理的重要参考依据,车载点云数据能够提供沿街建筑的三维点信息,精度高,覆盖范围广泛,为街景立面整治提供了新的解决方案。为此,本文提出一种适用于车载点云的街景立面的自动提取方法,提取立面点云的具体步骤为：对原始数据去噪滤波;选取非地面点构建规则格网并二值化,依据语义特征筛选出建筑物点云;用POS数据拟合直线段帮助选取参考向量与参考平面;计算点云到参考面的距离,按距离分类点云数据,并对前述步骤中未分类点另行提取,合并面点集得到以沿街建筑物立面为主的街景立面点云。为了验证这一方法的可行性和有效性,采用点云数据进行实验,实验结果表明本方法在一定程度上提高了数据处理效率,能得到较理想的结果。 相似文献
18.
基于时间序列聚类方法分析北京出租车出行量的时空特征 总被引：1，自引：0，他引：1
受城市资源配置、区域功能分化的影响,城市中居民的出行往往呈现出特定的模式和规律,而这种出行模式的背后反映出城市的功能结构。城市车辆GPS导航的广泛使用,以及车辆轨迹数据的大量获取,为分析城市居民出行模式及理解城市功能结构提供了数据支撑。本文以道路分割城市得到的地块为研究单元,利用北京市一个月的出租车轨迹数据,对北京居民的出行模式及城市功能格局进行分析。在轨迹数据分析中,本文从轨迹数据中提取每个地块的出行量时间序列信息,然后采用结合时间序列距离度量和时间序列自身相关性的聚类方法,对出行量时间序列数据进行聚类分析,从而研究乘客出行的时空分布特征,最后结合北京市POI数据,探讨了不同区域乘客出行规律和区域功能类型的相互关系。结果表明,出租车出行量时间序列模式在工作日和周末间存在明显差异。此外,工作日的2个出行高峰与通常的通勤早晚高峰不同。由出行量所得的区域聚类结构,除具有重要交通枢纽功能的地块外,总体上以市中心为圆心大致呈同心圆分布,且距离市中心越远出行量越小。研究结果对于分析北京市居民出行行为、辅助城市交通规划具有一定的意义。 相似文献
19.
墙体、窗户等单元构件是建筑物重要组成部分,精细提取其几何参数及位置信息对于完整表达建筑物整体模型具有重要意义。针对单一点云数据源无法获取建筑物单元构件相关参数并完整表达室内外模型重建问题,本文提出一整套融合室内外多源点云数据的BIM模型重建技术。为验证方法的有效性,选取河南理工大学测绘与国土信息工程学院教学楼为实验区域,室内外数据采集时间为2019年5月。在对实验区域机载、车载和地面点云数据进行预处理的基础上,分别选取各点集共轭特征点,以高精度的地面点云为基准,将机载和车载点云融合到地面点云。为提高后期模型重建精度及处理效率,以点云间最小空间距离的方式剔除重叠区域冗余数据。对建筑物进行整体平面与立面剖切,将剖切面在CAD中进行跟踪绘制二维线划图,将二维线划图导入Revit软件中绘制轴网与标高,并利用提取到的墙体几何参数编辑墙体族类型进行BIM模型重建。根据提取到的窗户几何参数统计其类型并编辑窗户族,将其归为有规律性和无规律性两类,有规律性窗户单元找出其重复性规律及位置控制参数,无规律性窗户单元逐个放置,二者结合优化BIM模型。为验证模型重建精度,选取建筑物代表性立面,以人工实测立面边长为参照,将由点云数据提取到的相对应立面边长及模型边长与之对比分析,其误差集中分布在0.0~0.2 m之间,存在0.2 m以上误差,但大部分在0.3 m以下。实验结果证明了该方法的准确性。 相似文献
20.
河源区边界是重要的国家基础地理信息之一,但除长江、黄河等大江大河外的我国大部分其他中小流域仍缺乏确切的河源区边界信息,需要科学划定河源区边界以支持流域水生态保护相关政策的规划与实施。对此,本文在确立河源区划分原则、明确划分依据的基础上,提出了基于多特征指标和层次聚类分析法的河源区边界划定方法。以沁河流域为研究案例,首先利用均值变点分析法计算沁河流域子流域提取的最佳汇流累积量分位数阈值为0.15%,再基于子流域的多特征指标运用层次聚类分析法最终确定河源区范围边界,并将该方法应用于长江、黄河流域进行验证分析。结果表明：① 基于多特征指标和层次聚类分析提取的沁河流域河源区范围处于河底比降法、水文站点方法得到的源区范围面积之间;② 该方法在长江、黄河流域河源区划分结果的交并比分别达到85.40%和79.99%,侧面验证了本文方法进行河源区边界划分的合理性与适用性。基于多特征指标和层次聚类分析的河源区边界自动划分方法可以简捷高效地识别缺乏明确河源区边界信息的流域河源区范围,为我国河源区生态安全屏障识别、水资源保护相关政策的规划和实施提供科学支撑。 相似文献