论文部分内容阅读
激光扫描测量技术是一种新兴的非接触主动式的测绘技术，为目标三维空间信息的实时获取提供了一种精确有效的测量手段。车载移动测量系统具有快速、高分辨率等特点，在城市三维空间信息的获取以及建模中充当了越来越重要的角色。目前，国内外学者在车载点云数据处理的研究中取得了一定的研究成果，然而由于各种原因，车载点云的地物分类方法呈现多样化发展，各种方法的适应性不强，且自动化程度不高，需要进一步深入研究。本文在充分分析了车载LiDAR城市点云数据特点、数据结构的基础上，对城市主要地物的点云分类方法进行了研究，本文主要研究内容如下: (1)车载LiDAR点云数据分析。在论述了车载移动测量系统基本理论的基础上，分析了车载LiDAR点云数据的特点，结合当前车载扫描系统点云分类的难点，总结归纳了现有的车载LiDAR点云分类方法，为本文改进的方法提供理论依据。 (2)改进点云分割算法。在研究了现有的针对车载LiDAR点云分类方法的基础上，提出了一种基于最大网格密度的近邻聚类算法对点云进行分割。该方法是在对原始点云数据进行去噪滤波的基础上实现的，该算法首先对点云整体区域均匀格网化，以具有最大网格密度的单元网格为聚类中心，以引入权重比例系数的欧氏距离为约束条件实现推进式聚类，有效地解决了近邻聚类中初始聚类中心难以确定的问题。 (3)地物的识别分类。提取出经过分割算法处理后生成的的点云块，利用高程、法向量和投影点密度信息作为约束条件，对分割后的点云块实现了地物的识别，从而对点云实现地物分类。 针对不同车载点云数据进行了相关实验，实验结果表明该方法可以精确有效的实现地面、建筑物、植被等城市典型地物的分类，对灯杆、交通指示牌等独立地物亦能实现基本分类，但精度尚有不足，研究结果对车载点云的自动分类研究有一定的参考价值。