没有合适的资源?快使用搜索试试~ 我知道了~
车载LiDAR点云的建筑物立面信息快速自动提取.docx
需积分: 0 1 下载量 105 浏览量
2022-11-03
18:32:10
上传
评论
收藏 1.25MB DOCX 举报
温馨提示
试读
136页
车载LiDAR点云的建筑物立面信息快速自动提取.docx
资源详情
资源评论
资源推荐
万方数据
国内图书分类号:TP751,P208
国际图书分类号:
西南交通大学
研究生学位论文
车载LiDAR点云的
建筑物立面信息快速自动提取
年 级 二OO七级 ____________
姓 名__________冯义从______________
申请学位级别 ______________________________
专 业地图制图学与地理信息工程 指导老师 岑敏仪教授
二零一四年九月十日
密级:公开
万方数据
Classified Index: TP751, P208
U.D.C:
Southwest Jiaotong University
Doctor Degree Dissertation
THE QUICKLY AUTOMATED EXTRACTION
OF BUILDING FACADES INFORMATION
FROM MOBILE LIDAR POINT CLOUDS
Grade: 2007
FENGYicong
Doctor
Geodesy and Surveying Engineering
Prof.CENMinyi
Sept. 10, 2014
Candidate:
Academic Degree Applied for:
Speciality:
Supervisor:
万方数据
西南交通大学
学位论文版权使用授权书
本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向 国家有关部
门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权西 南交通大学可以将本学位
论文的全部或者部分内容编入有关数据库进行检索,可以采用 影印、缩印或扫描等复制手段保存和汇
编本学位论文。
本学位论文属于
1. 保密口,在 年解密后适用本授权书;
2. 不保密X使用本授权书。
(请在以上方框内打“寸')
西南交通大学博士学位论文创新性声明
本人郑重声明:所呈交的学位论文,是在导师指导下独立进行研究工作所取得的成 果。除文中
已经注明引用的内容外,本文不包括任何其他个人或集体己发表或撰写过的 研究成果,对本文的研究
做出贞献的个人和集体,均己在文中作了明确的说明。本人完 全意识到本声明的法律后果由本人承担
。
本学位论文的主要创新点如下:
根据车载LiDAR (Light Detection and Ranging)点云呈三维离散性、高密度和数据 海量化特
点,在3D规则格网和线性八义树算法基础上,提出基于3D规则格网和哈希表 的线性八叉树索引算法
一3DGrid_Hash_Octree算法,通过实测数据试验证明 3DGrid_Hash_Octree算法在用于海量点云数
据的索引构建和邻域搜索时均具有高效性 (见第2章)。
学位论文作者签名:
日期: 於侏
日期:
小牛义—
万方数据
针对车载LiDAR点云地面点自适应滤波提取的难题,提出了地形自适应的地面点 滤波方法。它
首先通过提取疑似地面点达到降低数据处理量、降低数据空间维度的目的, 并结合地形起伏度动态计
算局部区域地形自适应因子,根据地形自适应因子动态调整区 域增长参数进行地面和非地面点的自动
分类。通过试验证明地形自适应的地面点滤波方 法可适用于城市区域点云的地面点和非地面点的自动
分类(见第3章)。
针对应用RANSAC (Random sample Consensus)算法提取车载LiDAR点云中建筑 物立面信
息时的共面点、过度分割和伪平面等问题,提出I-RANSAC算法。I-RANSAC 算法无需计算扫描点
的法向量,仅通过相似平面合并和固定距离临近球辅助判断等方法 解决上述问题。试验证明I-
RANSAC可实现建筑物立面信息中平面点云分割和自动提取, 可解决常规RANSAC算法在平面分割
过程中的共面点、过度分割和伪平面等问题。(见 第5章)。
学位论文作者签名:
沔
N久
日期:2V夺年,L月J日
西南交通大学博士研究生学位论文 第I页
万方数据
摘 要
车载LiDAR扫描测量由于高效率、高精度、高密度和实时获取三维空间坐标信息 等优势,已成
为“智慧城市”建设中三维数字城市模型信息采集的主要方式之一。车载 LiDAR获取的数字城市点
云具有三维离散性、高密度和海量性特点,测量对象包含地面 点、线杆、低矮灌木、树木、行人、建
筑物立面信息以及部分低矮建筑物的顶面、粗差 点等复杂信息。如何高效率、高精度地从点云数据中
自动提取建筑物立面信息,成为车 载LiDAR点云应用于数字城市建模的主要任务之一,也是目前车
载LiDAR点云数据后 处理的难题。
车载LiDAR点云数据中提取建筑物立面信息首先要建立点云数据索引,然后分离 出地物点和地
面点,再从地物点中识别建筑物数据,最后提取出建筑物立面信息。车载 LiDAR点云是三维离散分
布、海量化的数据,应用现有的常规八叉树、规则格网等进行 海量点云索引构建时效率较低。而且车
载LiDAR获取的城市点云数据中地面点与低矮 灌木交界、低矮浅丘等地形变化区域,应用基于扫描
线、固定坡度等现有滤波算法不能 随着地形的变化自动调整,难以准确区分地面点和非地面点。滤波
后的地物点,通常的 算法难以从含有建筑物、树木、线杆类、行人等多种多样的地物信息中自动准确
识别出 建筑物点云数据。即使是普遍认同的随机抽样一致性算法(Random sample Consensus ,
RANSAC)算法,在自动提取建筑物立面信息时,也容易出现平面分割过度、共面点归 属判断和伪平
面问题。
本文在车载LiDAR点云的建筑物立面信息快速自动提取研究中,首先汲取3D规则 格网和线性八
叉树优点,利用哈希表对八叉树结点存储进行优化,采用 3DGrid_Hash_Octree索引算法为车载
LiDAR点云后处理建立高效的索引基础,实现高 效构建海量的三维离散点云索引。然后在地面点和
地物点的分类过程中,根据城市地面 具有连续性、局部平整性的特点,改进坡度滤波算法的种子点选
取和区域增长规则,提 出地形自适应的地面点滤波算法进行地面点和地物点的自动滤波,解决了基于
扫描线、 固定坡度等现有滤波算法阈值不能随着地形的变化自动调整问题,提高了地面点和地物 点
自动分类的准确性。分类出地物点集后,再根据地物对象的自然特征、空间特征以及 拓扑关系,和同
类地物的扫描点密度、空间分布、空间形态等共性知识规则,通过建立 地物分类规则知识库和判别规
则,依据知识库进行建筑物、树木、线杆和行人等地物目 标的自动识别和分类,解决人工辅助地物分
类的低效率问题。最后通过分析平面过度分 割、共面点空间位置关系和伪平面产生的原因,改进常规
RANSAC算法为I-RANSAC 算法,根据平面法线和距离判断实现过度分割平面合并,应用固定距离
临近球辅助判断 共面点归属、消除伪平面,实现建筑物立面点云中平面信息的自动提取。
本文根据研究算法开发的车载LiDAR点云数据后处理软件,通过Trimble车载 LiDAR获取的实
测数据和必要的模拟数据,进行点云数据快速索引构建、地面点和地物 点自动滤波、地物自动识别分
类和建筑物立面信息的自动提取等实验。试验结果表明, 3DGrid_Hash_0ctree的索引构建效率和检
索效率比3DGrid_0ctree算法提高35%和55% 左右,解决了海量三维离散点云的索引快速构建和检索
剩余135页未读,继续阅读
zmsdbl
- 粉丝: 29
- 资源: 10
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0