基于车载激光点云的高精地图矢量化成图

来源 :测绘通报 | 被引量 : 0次 | 上传用户:eric_nj
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对车载激光点云中对各特征物提取结果后矢量化成图时的自动化问题,本文基于双方向积分法实现了边缘检测及矢量化成图,旨在保证特征物基本特征的同时,也保证点云的绝对精度.将输入的特征点云进行离群点过滤,以保证外包框算法特征点云的准确度;将三维点云按照外包框算法投影至最优平面,为后续沿各方向积分提供输入;利用八邻域KD-tree算法求出样本特征点云的均值邻域半径,依据邻域半径对各方向积分提供积分域中的微分元;根据提供的微分元沿各方向进行积分,在该积分元内找到距平面最值的最优解;按照积分结果构建点云索引,并根据点云特征构建模型,最终得到高精地图的矢量化点云.试验证明了该方法在处理实际问题时的可行性.
其他文献
本文以武汉市主城区为研究对象,首先基于手机信令的居民出行OD数据识别商业中心的势力范围和腹地,并分析了研究区商业中心的空间特征;然后构建了影响腹地规模的指标体系;最后通过熵权法对影响因子赋权,计算得到各商业中心的综合水平.研究结果表明:①研究区商业中心呈多核心分布特征,其影响范围沿地铁分布,长江对其具有明显分隔作用;②POI多样性与商业中心腹地规模有较强相关性(0.8798),商业中心吸引力更多取决于其服务水平和交通发达程度;③汉街和街道口虽为区级商业中心,但由于位置较好、交通便捷,仍是附近居民消费、游憩
GPS-InSAR数据融合解算三维形变场模型易受观测值粗差影响,且基于方差分量估计的定权方法不具备抵御粗差能力,计算效率低下.鉴于此,本文提出了一种基于抗差垂直向方差分量估计的GPS-InSAR融合解算模型,利用方差分量估计方法及抗差估计理论,通过对观测值最优化分类并进行选权迭代,精确分配权重,进而有效计算三维形变场.试验结果表明,该方法能有效抵御观测值粗差不利影响,提高三维形变场反演精度,提升逐点式计算的三维形变场效率.
本文针对深度神经网络算法应用于机载激光点云进行大规模建筑物提取的问题,分别选取PointNet++和PointCNN两个网络模型进行了改进和对比.对于PointCNN,通过参数调整,使其更适合大场景信息提取.对于PointNet++,为了增加更多特征,加快大场景下网络模型的训练效率,在网络体系结构中添加了一种新的特征提取层——K-means层.另外,通过在测试数据集上的训练和验证发现,本文基于深度学习方法的分类较好地克服了点云的无序特性,能够更好地利用点之间的空间相关性,改进后两种模型的精度均达96%以上