CN115995012B 一种顾及地形特征的LiDAR点云聚类简化方法 （山东科技大学）

WO2022142948A1,2022.0一种顾及地形特征的LiDAR点云聚类简化方法本发明公开了一种顾及地形特征的LiDAR点means算法将点云分割为初始点云簇，然后依据借助点云法向量信息以及邻接簇间边缘点的高及其派生品(包括平均坡度和地形粗糙度)精度2步骤2.首先依据各点云子簇内地形特征线位置信息步骤3.考虑到聚类简化方法导致的原始点云边界收缩问题，利用基于二维道格拉斯_将每个初始点云簇所在的TPI网格点中的最大值赋予该根据每个点云簇的地形复杂度即TPI值在所有点云簇中的占比，确定该初始点云簇进步骤2.3.若点云子簇不存在步骤2.1中的法向突变地形特征点以及步骤2.2中的断裂3先计算点云子簇内所有点的法向信息，再利用K_means方法依据法向量将点云子簇分若θC大于预设法向夹角阈值θth，则将两簇的邻接点标记为候选特征点，并将所有候选特征点中距离该点云子簇质心最近的点作为该点云子簇的若高程差值di均小于预设高程差阈值fb，则点云子簇与其近邻点云子簇不存在高程突i最大值所对应的边缘点Pcb作为该点云子簇的断裂地形特征点。从边界点集中选择其中任意一边界点作为原点，沿逆时针方向将所有边界点jjj)表示三维边界点集中第j个边界点的三维坐标；j+1j+1,zj+1)表示三维边界点集中其按相邻关系排序后的第j+1个边界点的三维坐45[0001]本发明属于点云简化技术领域，涉及一种顾及地形特征的LiDAR点云聚类简化方升了全空间和全时域的感知能力，尤其是以机载激光雷达技术(LiDAR)为代表的三维点云[0003]点云简化是海量地面机载LiDAR地面点云进行高效传输和多尺度应用的前提。因网下采样法利用原始点云构造三维体素栅格，将每个体素点集的质心作为该体素的采样点法的研究中，经典的最大Z容差方法从待评价点云中选取与当前TIN表面偏差最大的点，6[0008]本发明的目的在于提出一种顾及地形特征的LiDAR点云聚类简化方法，以解决目为多个初始点云簇；依据点云簇地形复杂度将每个初始点云簇进一步细分成多个点云子对目前机载LiDAR地面点云简化方法存在地形特征点识别不准确、地形细节特征易丢失等成的数字高程模型(DEM)精度及其派生品(包括平均坡度和地形粗糙度)精度均明显优于传7[0036]本发明述及了一种顾及地形特征的LiDAR点云聚类简化方法。该顾及地形特征的scale的取值越小地形复杂区细分簇数量越8[0057]根据每个点云簇的地形复杂度即TPI值在所有点云簇中的占比，确定该初始点云[0071]先计算点云子簇内所有点的法向信息，再利用K_means方法依据法向量将点云子选特征点中距离该点云子簇质心最近的点作为该点云子簇的法向突变地9[0075]K_means方法利用点云的三维坐标划分点云，高程差异明显的相邻点会被划分为[0076]可利用相邻点云子簇间邻接边缘点的高程差异识别位于高程突变区的断裂地形i最大值所对应的Pcb点作为该子簇的断裂地形特征点。[0087]选择其中任意一点作为原点，沿逆时针方向将所有边界维边界点集中其按相邻关系排序后的第j+1个[0090]Xj为第j个边界点在二维坐标中横坐标的位置，(Xj+1,Yj+1)表示第j+1个边界点在[0094]若最大值dmax小于预设高差dth，则将所有中间的边界点云删除[0106]为验证本发明方法的有效性和适用性，将本发明方法与开源PCL(pointcloud为了定量评估简化方法的性能，采用均方根误差(RMSE)和平均绝对误差(MAE)对比简化点云与原始点云生成DEM的差异。同时，使用平均坡度(F)和地形粗糙度(K)评估点云精简方[0120]图16(a)至图16(f)展示了不同简化比例下，五种方法的平均坡度和地形粗糙度。本发明方法和Max_Z方法平均坡度和地形粗糙度高于其他方法，但前者在保留地形骨架特保持能力。由于Max_Z方法在复杂地形处保留了较多的冗余点，增加了局部地形的起伏程平均RMSE较其他方法至少降低了12.1平均MAE至少降低了9.6相比传统的点云简化方法，本发明方法平均地形粗糙度和平均坡度与参考值更为吻合，前者提升了0.9%—