论文部分内容阅读
机载LiDAR是一种新型的主动式遥感技术,能够快速采集地表较大区域的高精度三维地形信息,已经在获取高分辨率DEM、城市地物提取和三维建模、森林植被调查、灾害监测等方面得到了广泛的应用。在机载LiDAR应用的各个领域,都将面临对LiDAR点云中的地面点和非地面点进行分类的关键环节,即滤波处理。由于地貌的复杂性和地物的多样性,在实际生产中滤波作业的自动化程度较低,因此,发展高效、准确及自动化程度高的机载LiDAR点云滤波算法一直是热点研究问题。汽车目标检测是智能交通、道路建设及旅游规划等方面的重要研究内容,机载LiDAR技术的出现为其自动检测提供了一种新的途径。为此,本文分析、探讨了机载LiDAR系统的数据特点及点云数据滤波技术,并针对机载LiDAR点云数据的汽车目标检测方法进行了深入研究。本论文的主要研究成果及创新点有以下几方面:1.在形态学滤波方法的基础上,提出了一种无需迭代的、基于形态学开重建的滤波方法(ORF),该方法首先对格网化DSM进行腐蚀运算获得标记图像,通过对标记图像反复进行测地膨胀运算实现开重建过程,然后利用白顶帽变换得到nDSM实现地物与地面点的分类,最后通过开运算进行质量控制完成滤波过程。使用ISPRS提供的15个不同复杂度测试数据进行实验,结果表明,该方法的Ⅰ类、Ⅱ类及总误差均值分别达到3.49%、5.64%和4.06%,整体滤波性能优于常规滤波算法。2.为改善单一形态学算子在滤波过程中的最大窗口选择问题,提高滤波的自动化程度,在顾及多种形态学算子优势互补特性和城区LiDAR不同地物数据特点的基础上,提出了一种融合序列形态学算子的城区滤波方法(SMOF)。该方法首先利用形态学开运算剔除极低粗差噪声和树木、汽车、电力线等小型地物,然后利用形态学梯度查找大型建筑物边缘,并利用连通性分析和二值形态学重建方法剔除大型建筑物,完成地面与地物点的分类工作。使用ISPRS提供的9个城区测试数据进行实验,结果表明,该方法的Ⅰ类、Ⅱ类及总误差均值分别达到6.90%、3.30%和5.44%,优于整体滤波性能较好的Axelsson算法和Sithole算法,证明了该滤波方法的有效性和准确性。3.针对形态学运算滤波中的最大窗口选择问题,提出一种自动化程度高的、基于迭代多尺度形态学开重建的城区滤波方法(IMORF)。该方法通过多尺度的方法自动获取开重建过程中的腐蚀窗口大小,利用反复迭代更换掩模影像的手段解决低矮地物的误判问题。使用ISPRS提供的9个不同复杂度城区测试数据进行实验,在统一的参数设置情况下,该方法的Ⅰ类、Ⅱ类及总误差均值分别达到3.10%、6.05%和4.11%,整体分类和自动识别性能优于常规滤波算法。4.提出了基于机载LiDAR高程数据的CarH方法检测汽车目标,该方法在形态学开重建滤波的基础上,根据汽车对象的形状特征及其高程属性完成检测工作。并在三个典型实验区的正确度和完整度的均值分别为85.2%和81.3%,基本满足实用性要求。5.在分析LiDAR点云强度信息的基础上,提出了一种基于机载LiDAR高程和强度数据的汽车目标检测方法(CarH INT方法)。该方法在形态学开重建滤波的基础上,合并利用Otsu方法对强度数据的分类结果,得到高强度地物点;然后根据汽车对象的形状特征及其高程属性完成检测工作。在三个典型实验区的正确度和完整度均值分别为93.3%和74.9%,能基本满足实用性要求。6.提出了一种航空影像辅助下基于机载LiDAR高程数据的汽车目标检测方法(CarH_IMG方法),该方法在形态学开重建滤波的基础上,去掉利用航空影像NDVI数据获取的植被信息,得到非植被地物数据,然后根据汽车对象的形状特征和高程信息完成汽车目标检测工作。在三个典型实验区的正确度和完整度均值分别达到95.9%和81.9%,能够满足不同场合下汽车目标检测的实用要求。