没有合适的资源?快使用搜索试试~ 我知道了~
一种车载激光点云中杆目标自动提取方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 29 浏览量
2022-11-30
09:30:46
上传
评论
收藏 336KB DOCX 举报
温馨提示
试读
12页
一种车载激光点云中杆目标自动提取方法.docx
资源推荐
资源详情
资源评论
道路两侧的各种杆目标是城市建设与管理的重要基础设施,常见的杆目标包括行道
树、路灯、交通指示牌和广告牌等。杆目标的自动识别与提取在城市基础地理信息更新中
具有重要意义,可大幅提高数据更新效率,为智慧城市管理奠定基础。传统更新方法主要
以人工测量为主,效率低。车载移动测量系统可以在行驶过程中快速获取道路及两侧不同
地物的三维激光点云数据,为杆目标的快速自动提取提供了新的数据源
[1]
。
目前,杆目标与路边
[2]
、路面
[3-4]
、建筑物
[5]
等目标的提取是车载激光扫描数据目标分
类与提取研究中的热点
[6]
。针对杆目标提取,现有方法中,有些研究将杆目标与建筑立面
等其他目标的分类相结合; 有些研究进行了某类特种杆目标(如行道树或路灯)的提取,也有
研究进行了多类杆目标的同时提取,这些方法主要可以分为 4 类:①利用杆目标在扫描剖
面或水平剖面中的几何特征进行分类
[7-8]
。这类方法主要运用不同地物点云在剖面中的分布
特征,但对杆目标整体形态研究较少,无法较好地反映树冠、路灯灯头等杆目标上部点云
的形态,对不同杆目标适用性不强。②将点云投影到 xoy 平面建立二维格网,然后利用投
影点密度和高差等信息进行分类
[9-10]
。这类方法降低了数据维度,使处理简单化,应用较
多,但存在精度损失问题,格网大小的选择对提取结果影响较大。③将离散点云建立体
素,利用体素的空间上下文关系和体素内部特性提取杆目标
[11-12]
。这类方法充分利用了杆
目标整体形态特征,但是无法对体素内的点云进行细致的形态分析,容易受到邻近地物噪
点的影响,且对地形起伏大的数据适用性不强。④将离散点云分割成不同点云块,利用几
何特征和语义模型等从点云块中分类出杆目标
[13-14]
。这类方法利用杆目标的空间几何特征
对其进行提取,可直接处理散乱点云,但分割点云时容易受到杆目标周围噪点的影响,且
计算量大。
总体而言,对于杆目标的提取,上述方法未能充分发掘利用车载激光扫描数据中杆目
标的空间形态特征及空间统计规律,导致目标识别时易引入邻近非杆地物噪声干扰,同时
在大规模数据处理时受地形起伏影响大。针对以上问题,本文提出一种通过识别激光扫描
线数据中杆柱状部分圆弧特征,进行杆目标精确提取的方法。该研究方法的核心在于:①
根据扫描线上不同目标的空间连续和离散分布特性进行去噪处理,减少非杆噪声干扰; ②
深入分析杆柱状部分在扫描线上的圆弧特征形态,建立圆弧模型进行识别; ③利用圆弧状
点集的空间分布及统计规律进行精细去噪,去除邻近类杆地物的噪声干扰,适应不同道路
环境。
1. 车载激光扫描数据中杆目标形态
本文研究数据由某车载移动测量系统获取,该系统采用倾斜激光线扫描模式采集数
据,扫描速度为 100 万点/s,断面扫描速度为 200 转/s,采集的扫描线上点间距可达 2
cm,相邻扫描线间距可达 5 cm。系统可精细扫描道路路面及两侧路缘石、行道树、绿化
带、路灯、广告牌和建筑物等。其中,对于不同杆目标的不同构成部分,扫描剖面形态差
异较大,表 1 为杆目标不同组成部分的扫描剖面形态和三维空间形态。
表 1 杆目标三维空间形态和扫描剖面形态
Table 1. 3D Spatial and Scanning Profile Characteristics of Pole-Like Object
对象
组成部分
扫描剖面形态
三维空间形态
树干
倾斜圆弧点集,相邻点间距稳定
近似竖直圆柱状
树木
树冠
离散分布,相邻点间距不稳定
团状散乱点集
人造杆柱状部分
倾斜圆弧点集,相邻点间距稳定
竖直圆柱状
路灯灯头
短直线点集,相邻点间距稳定
较短横杆状
广告牌面
倾斜长直线点集,相邻点间距稳定
立面形态分布
人造杆目标
交通监控横杆
短直线点集,相邻点间距稳定
较长横杆状
下载: 导出 CSV
| 显示表格
2. 杆目标自动提取方法
杆目标自动提取方法流程如图 1 所示。首先通过扫描线索引滤波去除原始点云中大
部分非杆柱状部分噪声; 然后基于 RANSAC(random sample consensus)算子搜索单条扫
描线上的圆弧状点集,并将孤立的圆弧状点集聚类成备选杆柱状部分圆弧集合; 进一步根
据圆弧状点集的三维特征统计规律去除备选杆柱状部分中的残余噪点; 最后基于格网索引
进行区域生长,搜索完整的杆目标。
图 1 杆目标自动提取流程
Figure 1. Flowchart of Automatic Extraction of Pole-Like Object
下载: 全尺寸图片 幻灯片
2.1 非柱状点集去噪
原始点云中的柱状点集包含纵向柱状点集、横向柱状点集以及倾斜柱状点集,例如灯
杆、信号灯横杆、树木支撑斜杆等; 非柱状点集主要有面状点集和离散点集,例如地面、
建筑立面和树冠等。在扫描线数据中,非柱状点集空间分布特征表现为两类:一是空间连
续分布,地面、车辆侧面、建筑物立面等面状点集在单条和相邻多条扫描线上分布具有连
续性; 二是空间离散分布,树叶和飞鸟等离散点集在单条和相邻多条扫描线上离散孤立分
布。
本文首先基于扫描线数据索引,根据空间相对分布关系进行聚类,去除面状点集和大
部分离散点集,去噪方法如下:首先利用文献[15]中点集合生长聚类的方法,从车载移动
测量系统下方的路面扫描点开始,将每条扫描线上的点聚类成不同点集{P
i
(i=1, 2, 3…)}; 然
后计算点集{P
i
(i=1, 2, 3…)}的首尾点三维空间距离 S
set
,当 S
set
值大于杆柱状部分的直径 R
时(由下文半径异常阈值 R
abnormal
推算,R=2R
abnormal
),认为点集{P
i
(i=1, 2, 3…)}对应面状目
剩余11页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3551
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
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