1 西安建筑科技大学资源工程学院，陕西 西安 710055
2 西安建筑科技大学西安市智慧工业感知、计算与决策重点实验室，陕西 西安 710055
针对露天矿无人矿卡运输作业中路况差、光照强和灰尘大等原因导致小尺寸落石检测困难和实时性差的问题，提出一种使用固态激光雷达检测露天矿非结构化运输道路小尺寸落石的方法。首先使用具有双回波技术的激光雷达进行数据采集，减少灰尘干扰并提取车辆前方可行驶区域；然后采用基于扇面的直线拟合地面分割算法分割地面，实现对有坡度的非结构化粗糙路面的彻底分割；之后引入八叉树的分层网格树模型进行邻域查找，提高邻域查找的速度，引入双色最近对构建图，快速生成聚类簇，引入自适应聚类半径ε，进行聚类并输出小尺寸落石的盒模型。实验结果表明：相较于使用k-d树加速的DBSCAN算法，所提方法的正检率提升9.61个百分点，检测时间缩短379.77 ms。
露天矿 无人驾驶 障碍物检测 激光雷达点云 密度聚类 激光与光电子学进展
2024, 61(8): 0812006
天津大学精密仪器与光电子工程学院光电信息技术教育部重点实验室，天津 300072
公路撒落物是影响行车安全、造成交通堵塞的重要因素，及时检测并清理公路撒落物十分重要。通过总结分析撒落物的特点，利用点云处理定位精度高和图像处理分类精度高的特点，提出一种基于图像与点云融合的公路撒落物检测算法。所提算法包括路面目标提取、点云与图像信息融合和撒落物目标分类等3个步骤。首先，通过激光雷达点云进行道路边缘检测、地面点云滤波和点云聚类，提取路面上的目标点云团簇；然后，将目标点云团簇投影到时间与空间对齐的视觉图像中，获取对应的图像感兴趣区域；最后，使用优化后的ResNet-50进行目标分类。所提算法的平均检测精确率为94.84%，召回率为91.92%，具有良好的检测效果。
图像处理 撒落物检测 目标分类 深度学习 激光雷达点云 视觉图像 激光与光电子学进展
2023, 60(10): 1010001
为了解决基于机载激光雷达(LiDAR)点云提取道路时多重特征阈值设定难、普适性低的问题, 采用了随机森林分类模型提取道路点云进而获得道路中心线的方法。首先使用渐进加密三角网滤波获取地面点云, 根据山区道路特性, 计算地面点云各点在邻域范围的坡度、粗糙度、高差方差、点密度及反射强度, 组成点的分类特征; 随后手动采集正负样本训练点云随机森林分类模型, 将地面点云通过模型分类得到初始道路点云; 再通过基于密度的噪声应用空间聚类算法去除噪声点精化道路点云; 最后矢量化道路点云获取道路中心线。结果表明, 以Entiat River地区山区LiDAR点云数据进行实验验证, 道路点云提取的正确率达到95.29%, 完整率达到92.96%, 提取质量达到88.88%。该方法能解决多重阈值难以确定的问题, 能较高精度地提取到山区道路点云, 进而获取有效道路中心线, 对山区道路信息的研究有一定的参考价值。
激光技术 山区道路 随机森林 激光雷达点云 基于密度的噪声应用空间聚类算法 laser technique mountain road random forest LiDAR point cloud DBSCAN algorithm
1 中北大学信息与通信工程学院，山西 太原 030051
2 雷丁大学系统工程学院，英国 雷丁RG6 6AU
基于多源遥感数据的城市树木提取方法对城市资源调查、健康状况评价及科学化管理具有重要意义。为了进一步提升树木提取精度，结合了激光雷达数据和正射影像数据的优势，提出了一种基于特征自动分割的树木提取算法。该算法对阴影区域进行识别提取，结合直方图减法思想，利用归一化差异植被指数（NDVI）和数字表面模型（DSM）局部熵特征之间的相互关系降低背景提取阈值。最后应用ISPRS Vaihingen数据集对所提算法进行验证，实验结果表明，所提算法在多组数据上具有较高的树木提取精度，具有一定的鲁棒性，适用于复杂环境场合。
遥感 树木提取 激光雷达点云 正射影像 自适应阈值 激光与光电子学进展
2022, 59(4): 0428005
上海交通大学电子信息与电气工程学院仪器科学与工程系, 上海 200240
针对机载LiDAR点云中几何结构复杂和不同地物尺度变化大导致小目标点云分类准确率低的问题,本文提出了一种基于通道注意力机制进行多尺度特征融合的卷积神经网络。首先,通过球形邻域计算点云的平面度、线性度、法向量以及本征熵等浅层几何特征,并将其与网络提取的深层次语义特征进行融合,增强模型对点云几何结构的感知能力;其次,设计基于通道注意力机制的多尺度特征融合模块,学习特征融合的权重系数,使网络可以自适应调整不同尺度目标的感受野大小,实现对不同尺度信息的筛选,进而提高小尺度目标的分类精度。实验结果表明,与其他模型相比,本文模型在ISPRS机载LiDAR点云上的平均F1分数为72.2%,且对电力线和汽车类别均取得了最高的分类精度,F1分数分别为64.3%和79.9%。
激光与光电子学进展
2021, 58(20): 2028004
河南理工大学测绘与国土信息工程学院, 河南 焦作 454000
针对基于深度学习的机载激光雷达(LiDAR)点云分类方法训练时间长、对样本数据需求量较大等问题,提出了一种整合迁移学习与全卷积神经网络(FCN)的小样本机载LiDAR点云分类方法。首先,对机载LiDAR点云的光谱信息进行补充,并提取点云数据的归一化高程、强度值和植被指数特征构建三通道点云特征图。然后,通过设置不同的邻域大小和投影方向,生成多尺度和多投影特征图,并采用密集连接网络DenseNet201预训练模型提取多尺度、多投影深度特征。最后,通过池化操作提取深度特征中的全局特征,用FCN进行初步分类后基于图割优化策略实现机载LiDAR点云的高精度分类。在标准测试数据集上的实验结果表明,在训练样本数量约占数据集1.4%的情况下,本方法的总体分类精度可达到89.91%。
遥感 机载激光雷达点云 光谱数据 迁移学习 小样本 图割优化 中国激光
2021, 48(16): 1610001
北京理工大学 光电学院 光电成像技术与系统教育部重点实验室, 北京 100081
为了提高激光点云配准精度与配准速度, 采用了基于天牛须算法改进的粒子群算法, 以点云分布熵为寻优目标,寻找最优空间变换矩阵的点云粗配准, 为点云精配准提供良好的初始条件。结果表明, 点云分布熵较传统的均值平方差评价方式有更快的计算速度, 基于天牛须算法改进的粒子群算法具有全局搜索能力强、计算速度快等特点, 与传统点云粗配准方法相比, 该方法配准速度提升了近25%;在点云数据量大的条件下, 表现出较快的配准速度。这一方法对如何提高激光点云配准速度具有参考意义。
激光技术, 激光雷达点云配准, 点云分布熵, 粒子群算法 laser technique LiDAR point cloud registration point cloud distribution entropy particle swarm optimization algorithm beetle antennae algorithm
1 湖北省电力勘测设计院有限公司，湖北 武汉 430040
2 武汉大学 遥感信息工程学院，湖北 武汉 430079
点云滤波是机载激光雷达点云数据处理的一个关键步骤。针对目前已有算法存在的单一方法在特定地形的点云滤波效果较好，而对于复杂或混合地形滤波效果不理想的现状，提出了一种基于点云网格地面显著性的点云滤波方法。该方法在点云以虚拟网格组织的基础上，使用扫描线高程分割的方式，计算各网格单元的地面显著性指标，依据地面显著性值对网格内的点云进行地形类别划分，对不同类别的网格单元，使用不同的滤波处理手段。该方法与其他经典方法相比，避免了迭代加密过程，在起伏区域使用曲面而非平面来代替局部地形，在不显著增加计算量的情况下，对于复杂和混合地形具有更好的适应性，能够生成可靠性较高的地面点集合。
激光雷达点云 滤波 地面显著性划分 插值 LiDAR point cloud filtering ground saliency division interpolation 红外与激光工程
2020, 49(8): 20190439
战略支援部队信息工程大学 地理空间信息学院, 河南 郑州 450001
为解决现有机载激光雷达点云分类方法存在难以在获得较高精度的点云分类结果的同时降低分类过程所需时间等问题, 提出了一种利用迁移学习的机载激光雷达点云分类方法。首先, 计算点云的归一化高程、强度和法向量三个特征, 通过设置不同邻域大小, 利用所提出的点云特征图生成策略生成多尺度点云特征图; 然后, 利用预训练的深度残差网络从每个点的多尺度点云特征图提取其多尺度深度特征; 最后, 为了实现快速地训练, 构建仅包含两层全连接神经网络模型, 再利用训练好的模型对点云进行分类。两组ISPRS提供的标准点云数据集的试验结果表明: 提出的方法所需训练时间少, 分类结果的整体精度为89.6%, 较ISPRS官网上所报道的最佳点云方法分类精度高4.4%。分类结果可为机载激光雷达点云的后续处理与应用提供可靠的信息。
迁移学习 特征图 分类 机载激光雷达点云 transfer learning feature image classification airborne LiDAR point cloud
