车载激光点云数据精度分析方法解剖

第４１卷第５期２０１８年５月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４１ꎬＮｏ.５Ｍａｙꎬ２０１８收稿日期:２０１７－０２－２０作者简介:薄怀志(１９８３－)ꎬ男ꎬ山东日照人ꎬ工程师ꎬ注册测绘师ꎬ学士ꎬ主要从事工程测量方面的应用研究工作ꎮ三种点云数据平面拟合方法的精度比较与分析薄怀志(山东省鲁南地质工程勘察院ꎬ山东兖州２７２１００)摘要:详细地介绍了基于最小二乘法㊁特征值法及总体最小二乘法的点云数据平面拟合方法ꎮ通过Ｍａｔｌａｂ编制其算法程序ꎬ对模拟的等精度与不等精度点云仿真数据进行计算ꎬ结合算例对比分析了３种方法的点云平面拟合效果ꎮ拟合结果表明:３种方法在等精度点云平面拟合中的效果较好ꎬ在不等精度点云平面拟合中的效果较差ꎬ且特征值法与总体最小二乘法的点云平面拟合精度远高于最小二乘法ꎮ关键词:点云数据ꎻ平面拟合ꎻ最小二乘法ꎻ特征值法ꎻ总体最小二乘法ꎻ精度分析中图分类号:Ｐ２０７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０１８)０５－０２０６－０３ＡｃｃｕｒａｃｙＣｏｍｐａｒｉｓｏｎａｎｄＡｎａｌｙｓｉｓｏｆＴｈｒｅｅＫｉｎｄｓｏｆＰｏｉｎｔＣｌｏｕｄＤａｔａＰｌａｎｅＦｉｔｔｉｎｇＭｅｔｈｏｄｓＢＯＨｕａｉｚｈｉ(ＬｕｎａｎＧｅｏ－ｅｎｇｉｎｅｅｒｉｎｇＥｘｐｌｏｒａｔｉｏｎＩｎｓｔｉｔｕｔｅꎬＹａｎｚｈｏｕ２７２１００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｉｎｔｈｉｓｐａｐｅｒꎬｔｈｅｍｅｔｈｏｄｏｆｐｌａｎｅｆｉｔｔｉｎｇｏｆｐｏｉｎｔｃｌｏｕｄｄａｔａｂａｓｅｄｏｎｌｅａｓｔｓｑｕａｒｅｓꎬｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｌｕｅａｎｄｔｏｔａｌｌｅａｓｔｓｑｕａｒｅｓｉｓｉｎｔｒｏｄｕｃｅｄｉｎｄｅｔａｉｌ.ＴｈｅａｌｇｏｒｉｔｈｍｉｓｐｒｏｇｒａｍｍｅｄｂｙＭａｔｌａｂꎬａｎｄｔｈｅｓｉｍｕｌａｔｅｄｄａｔａｓｕｃｈａｓｅｑｕａｌｐｒｅｃｉｓｉｏｎａｎｄｕｎｅｑｕａｌｐｒｅｃｉｓｉｏｎａｒｅｃａｌｃｕｌａｔｅｄ.Ｔｈｅｆｉｔｔｉｎｇｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｔｈｒｅｅｍｅｔｈｏｄｈａｖｅｇｏｏｄｅｆｆｅｃｔｉｎｔｈｅｆｉｔｔｉｎｇｏｆｔｈｅｓａｍｅｐｒｅｃｉｓｉｏｎｐｏｉｎｔｃｌｏｕｄｐｌａｎｅꎬａｎｄｔｈｅｅｆｆｅｃｔｉｓｐｏｏｒｉｎｔｈｅｕｎｅｑｕａｌｐｒｅｃｉｓｉｏｎｐｏｉｎｔｃｌｏｕｄｐｌａｎｅｆｉｔｔｉｎｇꎬａｎｄｔｈｅｐｒｅｃｉｓｉｏｎｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｌｕｅｍｅｔｈｏｄａｎｄｔｈｅｔｏｔａｌｌｅａｓｔｓｑｕａｒｅｓｍｅｔｈｏｄｉｓｍｕｃｈｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｔｈｅｌｅａｓｔｓｑｕａｒｅｓｍｅｔｈｏｄ.Ｋｅｙｗｏｒｄｓ:ｐｏｉｎｔｃｌｏｕｄｓꎻｐｌａｎｅｆｉｔｔｉｎｇꎻｌｅａｓｔｓｑｕａｒｅｓꎻｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｌｕｅｍｅｔｈｏｄꎻｔｏｔａｌｌｅａｓｔｓｑｕａｒｅｓꎻａｃｃｕｒａｃｙａｎａｌｙｓｉｓ０㊀引㊀言点云平面拟合作为散乱点云拟合算法的基础ꎬ国内外学者对其进行了大量的研究ꎬ并提出了各种点云平面拟合的方法ꎮ以往点云平面拟合常用的方法是最小二乘法[１]ꎬ是根据两个参数求取另一个参数的估值ꎬ最终完成平面参数的解算ꎮ然而在三维激光扫描仪获取点云数据时ꎬ由于仪器设备㊁外界环境㊁地物特性等因素的影响ꎬ使得获取的点云数据在Ｘ㊁Ｙ㊁Ｚ三个方向均存在误差ꎬ对此ꎬＦｅｒｎａｎｄ[２]提出的特征值法通过设置一个质量标准可以在很大程度上优化平面参数的解算ꎮ此外ꎬ顾及观测向量及系数矩阵均含有偶然误差ꎬ通过Ｇｏｌｕｂ[３]提出的总体最小二乘估计方法拟合得到的点云平面是最优的㊁无偏的ꎮ虽然国内外对这３种点云平面拟合的方法做了很多研究ꎬ但是ꎬ这３种点云平面拟合方法的适用范围与拟合精度并不相同ꎬ缺少对点云平面拟合方法的对比分析ꎮ本文针对这一问题ꎬ通过模拟的等精度与不等精度点云平面数据对比分析了最小二乘法㊁特征值法及总体最小二乘法的平面拟合效果ꎬ本文的研究对于三维建模具有重要的意义ꎮ１㊀常用点云平面拟合方法１.１㊀基于最小二乘法拟合点云平面通过传统最小二乘法对点云数据进行平面拟合时ꎬ可将误差只归因于一个方向上ꎬ本文假设误差只存在于Ｚ轴方向上ꎬ设点云拟合的平面方程为[４]:ｚ＝ａｘ＋ｂｙ＋ｃ(１)当观测点数目为ｎ时ꎬ以ｚ坐标为观测值ꎬ则其观测值方程为ｚ＋Ｖ＝ａｘ＋ｂｙ＋ｃ(２)将式(２)改写为误差方程Ｖ＝ＢＸ＾－ｌ(３)其中ꎬＢ＝ｘ１ｙ１１ｘ２ｙ２１⋮⋮⋮ｘｎｙｎ１éëêêêêêùûúúúúúꎬＸ＾＝ａｂｃéëêêêùûúúúꎬｌ＝ｚ１ｚ２⋮ｚｎéëêêêêêùûúúúúú根据最小二乘准则ＶＴＰＶ＝ｍｉｎꎬ通过式(４)进行等权平差解得参数值Ｘ＾ꎬ即Ｘ＾＝(ＢＴＢ)－１ＢＴｌ(４)将计算得到的平面参数值代入式(１)ꎬ可得到点云拟合的平面方程ꎮ１.２㊀基于特征值法拟合点云平面在实际工作中ꎬ我们所获得的点云数据事实上不仅仅在Ｚ轴上偏离真实位置ꎬ即在Ｘ㊁Ｙ㊁Ｚ３个方向上均存在误差[５]ꎬ而最小二乘法只将误差归因于一个方向上ꎬ为了解决这个问题ꎬ我们可以采用特征值法计算点云平面的拟合参数ꎬ设点云拟合平面的方程为:ａｘ＋ｂｙ＋ｃｚ＝ｄ(５)式中ꎬａ㊁ｂ㊁ｃ为拟合平面的单位法向量ꎬ即满足ａ２＋ｂ２＋ｃ２＝１ꎬｄ为坐标原点到该拟合平面的距离ꎮ设对某一平面扫描得到的ｎ个数据点的坐标为(ｘｉꎬｙｉꎬｚｉ)ꎬ则任意数据点至该拟合平面的距离为:ｄｉ＝ａｘｉ＋ｂｙｉ＋ｃｚｉ－ｄ(６)若要获得最佳拟合平面ꎬ则应在条件ａ２＋ｂ２＋ｃ２＝１下ꎬ满足ðｎｉ＝１ｄ２ｉ＝ｍｉｎꎮ因此ꎬ采用拉格朗日乘数法计算拟合平面参数的最优估值ꎮ首先解算齐次线性方程组式(７)ꎬ可得到拟合平面的参数ａ㊁ｂ㊁ｃꎮ(Ａ－λｍｉｎＩ)Ｘ＝０(７)式中ꎬＡ＝ðｉΔｘｉΔｘｉðｉΔｘｉΔｙｉðｉΔｘｉΔｚｉðｉΔｘｉΔｙｉðｉΔｙｉΔｙｉðｉΔｙｉΔｚｉðｉΔｘｉΔｚｉðｉΔｙｉΔｚｉðｉΔｚｉΔｚｉéëêêêêêêùûúúúúúúꎬＸ＝ａｂｃéëêêêùûúúúꎬλｍｉｎ＝ｍｉｎðｎｉ＝１ｄ２ｉ然后通过式(８)计算拟合平面的参数ｄꎮｄ＝ａðｎｉ＝１ｘｉｎ＋ｂðｎｉ＝１ｙｉｎ＋ｃðｎｉ＝１ｚｉｎ(８)将计算得到的ａ㊁ｂ㊁ｃ㊁ｄ代入式(５)ꎬ最终完成点云平面的拟合ꎮ１.３㊀基于总体最小二乘法拟合点云平面在上面的求解中ꎬ我们认为点云数据系数矩阵不存在误差ꎬ然而由于观测条件的限制ꎬ观测向量㊁系数矩阵都有可能存在误差ꎬ那么上述两种方法就不再是最优的ꎬ而是有偏的ꎬ因此ꎬ我们可以采用总体最小二乘法拟合点云平面ꎬ并通过奇异值分解法解算拟合平面的参数[６]ꎮ假设对某一平面扫描得到ｎ个点的坐标为(ｘｉꎬｙｉꎬｚｉ)ꎬ考虑到观测数据在ｘ㊁ｙ㊁ｚ方向上均存在误差ꎬ则将式(２)改写为ｚｉ＋Ｖｚｉ＝ａ(ｘｉ＋Ｖｘｉ)＋ｂ(ｙｉ＋Ｖｙｉ)＋ｃ(９)式中ꎬＶｘ㊁Ｖｙ㊁Ｖｚ分别为ｘ㊁ｙ㊁ｚ方向上的改正数ꎬ将上式整理可得(Ａ＋ＥＡ)Ｘ＝Ｌ＋ＥＬ(１０)式中ꎬＡ＝ｘ１ｙ１１ｘ２ｙ２１⋮⋮⋮ｘｎｙｎ１éëêêêêêùûúúúúúꎬＥＡ＝Ｖｘ１Ｖｙ１１Ｖｘ２Ｖｙ２１⋮⋮⋮ＶｘｎＶｙｎ１éëêêêêêùûúúúúúꎬＸ＝ａｂｃéëêêêùûúúúꎬＬ＝ｚ１ｚ２⋮ｚｎéëêêêêêùûúúúúúꎬＥＬ＝Ｖｚ１Ｖｚ２⋮Ｖｚｎéëêêêêêùûúúúúú将式(１０)表示为误差方程式的形式为(Ａ＋ＥＡ)Ｘ＝Ｌ＋ｅ(１１)可以改写为Ａ＋ＥＡＬ＋ｅ[]Ｘ－１éëêêùûúú＝(ＡＬ[]＋Ｅ)Ｘ－１éëêêùûúú＝０(１２)式中ꎬＥ＝ＥＡｅ[]ꎬ用其表示的限制约束条件为ｔｒ(ＥＥＴ)＝ｔｒ(ＥＡＥＴＡ＋ｅｅＴ)＝ｖｅｃ(ＥＡ)Ｔｖｅｃ(ＥＡ)＋ｅＴｅ＝ｍｉｎ(１３)对增广矩阵[ＡＬ]进行奇异值分解[ＡＬ]＝[Ｕ１Ｕ２]Σ０éëêêùûúúＶＴ＝Ｕ１ΣＶＴ(１４)式中ꎬＶＴ＝Ｖ１１Ｖ１２Ｖ２１Ｖ２２éëêêùûúúꎬＵ１＝Ｕ１１Ｕ１２[]ꎬΣ＝Σ１００Σ２éëêêùûúúＶ１２＝[ｖ１ꎬｍ＋１ｖ２ꎬｍ＋１ｖｍꎬｍ＋１]ＴꎬＶ２２＝[ｖｍ＋１ꎬｍ＋１]由矩阵逼近理论可知ꎬ参数的总体最小二乘估值为Ｘ＝－Ｖ１２Ｖ－１２２＝－１ｖｍ＋１ꎬｍ＋１Ｖ１２(１５)由于ｖｉ为矩阵[Ａ㊀Ｌ]Ｔ[Ａ㊀Ｌ]的特征向量ꎬ所以奇异值与特征向量满足关系ＡＴＡＡＴＬＬＴＡＬＴＬéëêêùûúúＸ－１éëêêùûúú＝σ２ｍ＋１Ｘ－１éëêêùûúú(１６)进一步可以计算得到单位权方差为σ２０(ＴＬＳ)＝σ２ｍ＋１/(ｎ－ｍ)(１７)２　模拟数据与试验由于工程实测数据十分复杂ꎬ在进行平面拟合前需要进行数据预处理ꎬ所以本文采用模拟平面Ｚ＝－５Ｘ－７０２第５期薄怀志:三种点云数据平面拟合方法的精度比较与分析７Ｙ＋１５的点云数据ꎬ用式(１８)生成等精度的观测数据ꎬ用式(１９)生成不等精度的观测数据ꎬ之后根据模拟的平面方程计算Ｚꎬ并在Ｚ上添加随机误差ꎬ两组模拟的平面数据如图１所示ꎮＸ(ｉ＋１)＝Ｘ(ｉ)＋０.１ˑｎｏｒｍｒｎｄ(１)Ｙ(ｊ＋１)＝Ｙ(ｉ)＋０.１ˑｎｏｒｍｒｎｄ(１){(１８)Ｘ(ｉ＋１)＝Ｘ(ｉ)＋０.１ˑｎｏｒｍｒｎｄ(０ꎬｒａｎｄ(１))Ｙ(ｊ＋１)＝Ｙ(ｉ)＋０.１ˑｎｏｒｍｒｎｄ(０ꎬｒａｎｄ(１)){(１９)分别采用最小二乘法㊁特征值法㊁总体最小二乘法对图１中的两组平面数据进行拟合ꎬ所求平面方程为Ｚ＝ａＸ＋ｂＹ＋ｃꎬ拟合结果见表１和表２ꎮ图１㊀两组模拟平面数据Ｆｉｇ.１㊀Ｔｗｏｓｅｔｓｏｆｓｉｍｕｌａｔｉｏｎｐｌａｎｅｄａｔａ表１㊀等精度平面数据拟合参数及精度Ｔａｂ.１㊀Ｅｑｕａｌｐｒｅｃｉｓｉｏｎｐｌａｎｅｄａｔａｆｉｔｔｉｎｇｐａｒａｍｅｔｅｒｓａｎｄａｃｃｕｒａｃｙ拟合方法ａ(ｍ)ｂ(ｍ)ｃ(ｍ)ｄ(ｍ)σ０(ｍ)ｍａｘ(ｄｉ)(ｍ)ｄ－(ｍ)最小二乘法－４.９９５－７.００２１５.０１６０.００００.０４９０.０１９０.００４特征值法０.５７７０.８０９０.１１５１.７３４０.００３０.０１９０.００４总体最小二乘法－４.９９６－７.００３１５.０２１０.００００.００３０.０１９０.００４表２㊀不等精度平面数据拟合参数及精度Ｔａｂ.２㊀Ｕｎｅｑｕａｌｐｒｅｃｉｓｉｏｎｐｌａｎｅｄａｔａｆｉｔｔｉｎｇｐａｒａｍｅｔｅｒｓａｎｄａｃｃｕｒａｃｙ拟合方法ａ(ｍ)ｂ(ｍ)ｃ(ｍ)ｄ(ｍ)σ０(ｍ)ｍａｘ(ｄｉ)(ｍ)ｄ－(ｍ)最小二乘法－４.９７８－６.９８６１４.９９５０.００００.０６２０.０２４０.００４特征值法０.５６９０.７９７０.１０５１.７２４０.００５０.０２４０.００４总体最小二乘法－４.９８９－６.９９７１５.００９０.００００.００５０.０２４０.００４㊀㊀分析表１与表２ꎬ可以看出最小二乘法对于两组模拟数据的拟合精度均远低于特征值法ꎬ因此ꎬ最小二乘法不适合用于点云数据的平面拟合ꎮ而从表１㊁表２中可以看出特征值法与总体最小二乘法精度相差不大ꎬ但是表２中特征值法与总体最小二乘法的拟合精度明显低于表１中两种方法的拟合精度ꎬ因此ꎬ两种方法在等精度点云平面拟合中的效果较好ꎬ在不等精度点云平面拟合中的效果较差ꎮ３㊀结束语本文详细地阐述了点云平面拟合的３种方法ꎬ在考虑观测向量误差的条件下探讨了最小二乘法拟合点云平面ꎬ在同时考虑观测向量误差与系数矩阵误差的等精度影响下探讨了基于特征值法与总体最小二乘法的点云平面拟合ꎮ最后ꎬ通过编制的Ｍａｔｌａｂ算法程序对模拟的点云数据进行计算ꎬ将平面拟合中误差作为拟合效果的指标ꎬ分析表明:最小二乘法的点云平面拟合精度最低ꎬ特征值法与总体最小二乘法的点云平面拟合精度差别并不明显ꎮ参考文献:[１]㊀ＡｃｈａｒｙａＰＫꎬＨｅｎｄｅｒｓｏｎＴＣ.Ｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎａｎｄｅｒ￣ｒｏｒａｎａｌｙｓｉｓｏｆｒａｎｇｅｄａｔａ[Ｃ]//ＲｏｂｏｔｉｃｓａｎｄＡｕｔｏｍａｔｉｏｎꎬ１９８８.Ｐｒｏｃｅｅｄｉｎｇｓ.１９８８ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ.ＩＥＥＥꎬ１９８８.[２]㊀ＦｅｒｎａｎｄｅｚＯ.Ｏｂｔａｉｎｉｎｇａｂｅｓｔｆｉｔｔｉｎｇｐｌａｎｅｔｈｒｏｕｇｈ３Ｄｇｅｏ￣ｒｅｆｅｒｅｎｃｅｄｄａｔａ[Ｊ].ＪｏｕｒｎａｌｏｆＳｔｒｕｃｔｕｒａｌＧｅｏｌｏｇｙꎬ２００５ꎬ２７(５):８５５－８５８.[３]㊀ＧｏｌｕｂＧＨꎬＬｏａｎＣＦＶ.ＡｎａｎａｌｙｓｉｓｏｆｔｈｅＴｏｔａｌＬｅａｓｔＳｑｕａｒｅｓｐｒｏｂｌｅｍ[Ｊ].ＳｉａｍＪｏｕｒｎａｌｏｎＮｕｍｅｒｉｃａｌＡｎａｌｙｓｉｓꎬ１９８０ꎬ１７(６):８８３－８９３.[４]㊀程效军ꎬ唐建波.基于最小二乘拟合的墙面平整度检测方法[Ｊ].遥感信息工程ꎬ２００７ꎬ３２(４):１９－２０.[５]㊀陈汉清ꎬ王乐洋.点云数据平面拟合的加权总体最小二乘方法[Ｊ].工程勘察ꎬ２０１５(１１):５９－６３.[６]㊀李明峰ꎬ欧江霞ꎬ檀丁ꎬ等.加权总体最小二乘点云平面拟合定权方法探讨[Ｊ].大地测量与地球动力学ꎬ２０１５ꎬ３５(３):４２８－４３２.[编辑:任亚茹]８０２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年。

激光点云分类的基本方法主要包括以下几个步骤：1.点云数据预处理：建立电力线三维结构特征指标体系。

基于原始点云数据，噪声、地面、建筑物等显著非电力线点的过滤机制，将更加准确地区分非电力线点，减少后续处理数据量，同时保证可能电力线点的完整筛选。

2.地面点过滤和DTM 生成：根据原始LiDAR 点云进行地面点过滤和DTM（数字地面模型）生成以提取所有非地面点。

3.电力线候选点滤波：根据电力线布设规范，选择地面一定高度（如4m）以上的非地面点作为电力线候选点。

4.多尺度邻域类型选取：使用给定点X 的局部三维空间形状结构进行电力线分类。

初步选取两类邻域：单一尺度邻域和多尺度邻域，并在每个尺度上分别选取球形邻域、柱状邻域和K 值邻域 3 种邻域类型。

每种邻域类型的限制参数为半径和K 值。

5.形状结构特征提取：结合LiDAR 点云数据中电力线与林木、建筑物等地物相互遮挡、混杂的问题和电力线快速自动化提取的需求，针对已有的基于结构形状的统计分析和图像处理分类方法中的不足，通过研究在不同复杂场景下电力线点云数据的形状结构特征，确定其关联参数。

6.SVM 分类：基于前述的候选电力线点云数据集及其三维形状结构关联参数，设计和研究基于机器学习监督分类的电力线智能分类模型。

设计机载LiDAR 点云数据的SVM（支持向量机）分类算法，以候选电力线点云的三维形状结构关联参数作为特征向量，以是否属于电力线点作为结果种类，构建电力线SVM 分类算法的训练样本和测试样本。

使用五重交叉对比分析来验证评估分类器的准确性。

这些方法在激光点云分类中各有优势，可以根据实际应用场景和需求进行选择和优化。

点云数据处理方法一、点云数据处理的重要性。

1.1 点云数据是啥呢？简单来说，就像是一堆散落在空间里的小点点，每个点都带着自己的信息，像位置啊、颜色之类的。

这东西可不得了，在好多领域都有用武之地。

比如说建筑行业，要搞个什么建筑模型，点云数据就能把建筑的样子精确地记录下来。

就像给建筑拍了一张超级详细的照片，连那些边边角角都不放过，这可比咱们肉眼看的准确多了。

1.2 还有汽车制造行业，点云数据处理就像是汽车的私人造型师。

汽车的外形设计、零部件的精准安装，都离不开它。

要是没有好好处理点云数据，那汽车造出来可能就这儿歪一点，那儿斜一点，就像一个人穿衣服歪歪扭扭的，不整齐，那可不行。

这足以见得点云数据处理是多么的重要，简直就是各个行业的得力助手。

二、点云数据处理的常见方法。

2.1 滤波处理。

这就好比是给点云数据来个大扫除。

在收集点云数据的时候啊，就像在一个大杂烩里捞东西，总会有些乱七八糟的杂质混进来。

滤波就是把那些没用的、干扰的数据点给去掉，只留下有用的。

就像咱们淘米一样，把沙子、稗子都弄出去，只留下白白净净的大米。

这样处理之后的数据就干净多了，后续处理起来也更得心应手。

2.2 特征提取。

这可是个技术活。

从点云数据里把那些有特点的部分找出来，就像在一群人中找那个最特别的人。

比如说在一个复杂的机械零件的点云数据里，找到那些关键的凸起、凹陷或者是孔的位置。

这就像是在寻宝，要通过仔细的观察和分析，把那些隐藏在数据里的“宝贝”——特征给挖掘出来。

2.3 配准方法。

这个有点像拼图。

有时候我们会从不同的角度或者用不同的设备获取点云数据，这些数据就像拼图的各个小块。

配准就是把这些小块准确地拼在一起，让它们组成一个完整的图像。

要是配准没做好，那就像拼图拼错了，整个图像看起来就会怪怪的。

三、点云数据处理面临的挑战。

3.1 数据量太大。

点云数据有时候多得像天上的星星一样数都数不过来。

这么大的数据量，处理起来就像要搬动一座大山一样困难。

点云数据获取与精度分析概述：点云数据是一种基于三维空间中的离散点集合的数据结构，广泛应用于计算机视觉、三维重建和环境感知等领域。

点云数据的获取与精度分析是点云处理中的两个重要环节，对点云数据的质量和可信度有着重要影响。

本文将对点云数据的获取方法和精度分析进行详细介绍。

一、点云数据的获取方法：1.激光测距：激光测距是一种常用的点云数据获取方法，通过激光束的发射和接收，利用激光的反射原理来获取目标物体的三维坐标信息。

激光测距的优点是测量范围广、分辨率高，适用于室内和室外环境。

常见的激光测距设备包括激光雷达和激光扫描仪。

2.摄像机标定：摄像机标定是一种通过摄像机获取点云数据的方法，通过对摄像机的内外参数进行标定，可以将摄像机拍摄到的二维图像转化为三维坐标。

摄像机标定的优点是设备成本低、易于操作，适用于近距离和低精度的应用场景。

3.RGB-D相机：RGB-D相机结合了摄像机和深度传感器的功能，可以同时获取彩色图像和深度数据，从而得到点云数据。

RGB-D相机的优点是数据获取速度快、精度高，适用于室内环境和近距离应用。

4. 点云数据集：除了实时采集点云数据，还可以使用已有的点云数据集进行研究和分析。

网上公开的点云数据集非常丰富，如KITTI、Stanford等，可以根据自己的需求选择适合的数据集进行研究。

二、点云数据的精度分析：点云数据的精度分析是对点云数据的准确性和可信度进行评估，常见的精度评估方法包括以下几种：1.重复性测试：通过多次采集同一目标的点云数据，对比不同数据之间的差异，评估系统的重复测量误差。

重复性测试可以在不同环境和参数设置下进行，以获得更全面的评估结果。

2.标定测试：通过已知尺寸的标定板或标定球，对点云采集设备进行标定测试，评估系统的测量准确性。

标定测试可以校正系统的误差，并提高点云数据的精度。

3.点云配准：点云配准是将多个采集到的点云数据进行匹配和融合，以提高点云数据的稳定性和准确性。

·51·常用激光雷达点云数据格式分析陈佳兵1，2，肖 龙3，夏晓亮3，李京兵1，2，张坤军1，2，魏荣灏1，2（1.浙江省水利河口研究院（浙江省海洋规划设计研究院），浙江 杭州 310020；2.浙江省水利防灾减灾重点实验室，浙江 杭州 310020；3.宁波市杭州湾大桥发展有限公司，浙江 宁波 315000）摘 要：传统的测绘技术采集处理大范围地理信息数据时效率较低，激光雷达作为一种主动遥感技术，快速获取地物目标三维信息的功能使其应用领域越发广泛，成为继GNSS 之后，测绘及地理信息领域的又一项变革性技术。

LAS 和E57是目前最为常用的激光雷达点云数据格式，对这2种格式具体文件结构及区别的分析具有重要意义。

关键词：激光雷达；点云数据；LAS ；E57；文件格式中图分类号：TN958.98 文献标志码：A 文章编号：1008-701X （2021）02-0051-03DOI ：10.13641/j .cnki .33-1162/tv .2021.02.012Analysis of Common Lidar Point Cloud Data FormatsCHEN Jiabing 1，2，XIAO Long 3，XIA Xiaoliang 3，LI Jingbing 1，2，ZHANG Kunjun 1，2，WEI Ronghao 1，2（1.Zhejiang Institute of Hydraulics & Estuary （Zhejiang Institute of Marine Planning and Design ），Hangzhou 310020，Zhejiang ，China ；2.Zhejiang Provincial Key Laboratory of Hydraulic Disaster Prevention and Mitigation ，Hangzhou 310020，Zhejiang ，China ；3.Ningbo Hangzhou Bay Bridge Development Co ., Ltd .,Ningbo 315000，Zhejiang ，China ）Abstract ：The traditional surveying and mapping technology has a low efficiency in collecting and processing large -scale geographic information data. As an active remote sensing technology ，Lidar has the function of quickly acquiring three -dimensional information of ground objects ，which makes it more widely used in the field of surveying and mapping and geographic information after GNSS. LAS and E57 are the most commonly used Lidar point cloud data formats at present. It is of great significance to analyze the specific file structure and differences between the two formats .Key words ：Lidar ；point cloud data ；LAS ；E57；file format收稿日期：2019-12-24作者简介：陈佳兵（1991—），男，工程师，硕士，主要从事海洋地球物理勘探及海洋测绘工作。

车载激光扫描数据的高速道路自动提取方法随着车载激光扫描技术的逐步普及，其在道路提取、地名标注、城市建设等领域已经取得了广泛应用。

在高速公路道路自动提取方面，车载激光扫描技术能够快速、准确地提取出高速公路的道路中心线、车道线以及路沿石等信息，后续还可以进行道路线型分析、车道宽度分析以及交通流量分析等工作。

本文将详细介绍车载激光扫描数据在高速公路道路自动提取方面的方法。

1. 数据获取与预处理车载激光扫描仪的安装位置应该尽量低，以便扫描到道路底部的重要信息，同时还应该考虑传感器的激光能量、发射频率等因素。

在采集激光数据时，应该选择适当的时间段和速度，保证数据的质量和稳定性。

获取完数据后，一些预处理工作还是必要的，例如去除树木、建筑物等遮挡物，去除噪点等。

2. 地面点云数据的分割地面点云是由于普通车载激光扫描系统所采集到的地物点中有比较稳定的地面点，因此将其与所有点进行分离可以大大提高后续的道路提取精度。

地面点云的分割可以采用RANSAC算法来实现，也可以使用一些更先进的方法，例如基于点云密度的Hough变换等。

分割完成后，我们就得到了分离出来地面点云以及其他非地面点云的两部分。

3. 地面法向量估计以及道路中心线提取接下来，在地面点云上进行法向量估计和曲率计算，以得到地面数据的曲线方向信息，然后根据曲率大小过滤掉不符合条件的点云，最后使用曲率不变形（Curvature Invariant Form，CIF）算法提取出道路中心线。

对于CIF算法，可以将其概括为以下三步：（1）选取曲率变化大的点作为道路中心线起点；（2）沿着具有最大曲率的方向找到下一个点，继续延伸直到结束点；（3）将延伸出来的道路中心线转化为直线段，消除其中一些噪点。

4. 车道线提取在道路中心线提取出来以后，需要在其周围进一步提取出车道线的信息。

由于车道线通常是以一定的距离并行于道路中心线的，因此，可以通过在道路中心线两侧横向搜索的方法来提取出车道线位置。

激光雷达数据处理中的点云分割算法研究激光雷达点云分割算法是激光雷达数据处理中的核心问题之一。

点云分割是将点云数据中点的集合划分为多个不同的部分，每个部分具有不同的特征和属性。

点云分割算法通常是激光雷达数据处理过程中非常复杂的一环，其精度和效率直接影响后续任务的结果。

目前，常见的点云分割算法主要分为以下几类：基于几何特征的分割算法、基于模型拟合的分割算法和基于深度学习的分割算法。

1. 基于几何特征的分割算法基于几何特征的分割算法是在点云数据的基础上寻找不同部分之间的几何差异来进行分割的。

这种方法的主要优点是计算速度快，易于理解和实现，但是对于复杂的场景下准确率比较低。

其中，最为典型的算法是基于欧几里得距离的聚类方法，如k-means、DBSCAN等。

这种算法可以将点云数据根据欧式距离进行分类，但是对于噪声、稀疏和错位的数据不具备鲁棒性，因此对于实际应用场景的要求比较高。

2. 基于模型拟合的分割算法基于模型拟合的分割算法是利用模型来描述点云的几何结构，并通过优化模型参数来实现点云分割的目的。

这种方法可以克服基于几何特征的方法的一些弊端，获得更高的准确性和鲁棒性，但是同时也存在计算量大的问题。

目前，基于模型拟合的分割算法主要有圆柱体模型、平面模型和球体模型的拟合方法。

这些模型通过拟合点云数据，分割出不同的几何特征，如分割出建筑物的墙、屋顶、地面等。

3. 基于深度学习的分割算法近年来，深度学习已经成为处理点云数据的一种有效方法。

点云分割算法也在深度学习的支持下取得了巨大的进步。

基于深度学习的方法是将点云数据作为输入，通过神经网络学习点云数据的特点，并预测点云中的不同部分。

目前，基于深度学习的点云分割算法主要分为两类：基于2D 卷积的方法和基于3D卷积的方法。

其中，基于3D卷积的方法，如PointNet、PointNet++、PointCNN等算法能够充分利用点云数据的空间信息，精度更高。

总的来说，点云分割算法是激光雷达数据处理中的关键问题。

技术专业汽车智能传感器装调与测试任务七激光雷达数据解析与点云聚类中德诺浩（北京）教育科技股份有限公司提出问题场景人物情节某国产自主品牌汽车试制车间小宋观察到在激光雷达工作时装调主机中的数据画面不断滚动，他希望了解这些激光雷达数据的含义，便去请教王师傅，王师傅将指导小王学习如何查看激光雷达的数据，以及这些数据是怎么使车辆发现前方障碍物的。

请你跟随小宋，一起学习掌握激光雷达更深入的技术技能吧。

1.什么是激光雷达数据流？2.什么是激光点云？3.激光雷达点云聚类的定义？车间班组长王师傅、实习试制装调技师小宋➢能根据设计文档正确操作装调主机，读取激光雷达数据流，并对激光雷达数据进行检查和解析。

➢能根据激光雷达装调文档规范操作计算机主机，完成激光雷达的点云聚类操作及参数调试。

知识学习激光雷达坐标系统➢激光雷达利用光的反射原理，根据激光从发射至接收反射的时间间隔，来测算出雷达与被测物体的实际间距，利用简单的三角函数，根据激光的发射角度计算出被测物体的位置信息，从而达到定位的作用知识学习激光雷达坐标系统➢激光雷达的三坐标如图所示。

在顶视图中，激光雷达电气接口朝向与Y轴方向共线。

空间中的探测点，即图中的数据点，相对于激光雷达的角度和距离通过计算测得后，投影到三坐标，使用图左下角的公式可以计算出数据点距离三坐标轴线的距离，通过进一步换算得到数据点距离车辆的距离。

激光雷达坐标系统知识学习激光雷达帧数据的组成与解析方法➢以16线激光雷达为例，其在垂直平面有16根的激光束。

激光雷达在采集三维数据时，每一步的旋转可在空间上采集16个点的三维数据。

此过程中，旋转频率也就是转速可进行设定，频率不同旋转的步进角度不同。

在垂直方向上的视角范围为-15度到+15度，每个激光束对应的垂直角度如表所示。

激光束ID 与垂直角对应表知识学习激光雷达帧数据的组成与解析方法➢激光雷达采用UDP协议传输数据，每一帧的数据长度固定为1248字节，其中分别为前42字节的前数据包标识、12组数据包、4字节时间戳和最后两字节雷达型号参数。

激光雷达点云数据点绘制方法激光雷达是一种主要用于获取环境三维信息的传感器，它可以通过发射激光束并测量其反射回来的时间来得到环境中物体的距离和形状信息。

激光雷达的输出数据一般为离散的点云数据，其中每个点都包含了该点的坐标和强度信息。

在绘制激光雷达点云数据之前，我们需要进行一些数据预处理。

首先，由于激光雷达输出的点云数据通常是以极坐标形式表示，我们需要将其转换为笛卡尔坐标系。

具体来说，每个点的坐标可以通过以下公式计算得到：```x = r * cos(θ) * sin(φ) # x坐标y = r * sin(θ) * sin(φ) # y坐标z = r * cos(φ) # z坐标```其中，r是点到雷达的距离，θ是水平方向的角度，φ是垂直方向的角度。

另外，为了提高点云数据的可视化效果，我们可以对点云进行一些滤波处理。

常见的滤波方法包括离群点剔除、体素滤波和法向滤波等。

通过滤波处理，我们可以去除一些无效或者噪声点，使得点云更加清晰和紧凑。

当数据预处理完成后，我们可以开始绘制激光雷达点云数据。

绘制点云数据一般使用三维可视化库，比如Matplotlib、Open3D等。

下面以Matplotlib为例，介绍一些绘制激光雷达点云数据的方法。

首先，我们需要导入相应的库和数据。

假设我们的点云数据包含了每个点的x、y、z坐标和强度信息，可以使用以下代码导入数据：```pythonimport numpy as npimport matplotlib.pyplot as plt#导入点云数据data = np.loadtxt('point_cloud.txt') # 假设点云数据保存在point_cloud.txt文件中x = data[:, 0] # x坐标y = data[:, 1] # y坐标z = data[:, 2] # z坐标intensity = data[:, 3] # 强度信息```接下来，我们可以使用Matplotlib的scatter函数绘制点云数据。

激光雷达点云处理技术的使用方法和数据分析激光雷达点云处理技术是一种应用广泛的三维数据处理技术，通过激光束扫描和回波信号接收，将目标物体的三维空间信息转换为大量的点云数据。

这些点云数据包含了目标物体的位置、形状和密度等信息，在地理信息系统、智能交通和机器人导航等领域有着广泛的应用。

为了有效利用激光雷达点云数据，我们首先需要进行数据处理和滤波。

点云数据通常包含了一些噪声和无效点，需要通过滤波算法去除这些干扰因素，得到准确的目标物体信息。

其中，最常用的滤波算法包括半径滤波、体素滤波和高斯滤波等。

半径滤波通过设置一个半径范围，将位于半径之外的点云数据滤除，保留位于半径范围内的有效数据。

体素滤波则将点云数据划分为一个个立方体网格，通过统计每个网格内的点云密度来去除异常点。

而高斯滤波则利用卷积操作，对点云数据进行平滑处理。

除了滤波算法外，我们还可以利用激光雷达点云数据进行目标物体的分割和识别。

目标物体分割是指将点云数据中属于同一目标物体的点集提取出来，实现目标物体的分离和定位。

常用的目标物体分割算法包括基于强度信息的分割、基于聚类的分割和基于区域生长的分割等。

基于强度信息的分割利用激光雷达回波信号的强度信息，将点云数据划分为属于目标物体和非目标物体的两部分。

而基于聚类的分割则将点云数据划分为多个簇，每个簇代表一个目标物体。

基于区域生长的分割则从种子点开始，逐步扩展生长，将与种子点相连通的点归为同一目标物体。

在目标物体分割的基础上，我们还可以通过激光雷达点云数据进行目标物体的识别。

目标物体识别是指将分割得到的目标物体与预定义的物体模型进行匹配，确定物体的类别和属性。

常用的目标物体识别算法包括基于形状描述子的识别、基于深度学习的识别和基于统计特征的识别等。

基于形状描述子的识别通过计算目标物体的形状特征，与预定义的形状模型进行匹配。

而基于深度学习的识别则利用深度神经网络模型，对目标物体进行分类和识别。

基于统计特征的识别则通过计算目标物体的统计特征，与预定义的统计模型进行匹配。

激光点云分类质量检查与解决方案探讨激光点云分类是目前计算机视觉和机器学习领域的热点之一，广泛应用于三维重建、目标检测和场景理解等领域。

然而，由于激光扫描设备的限制以及环境噪声的干扰，激光点云分类质量问题依然存在。

本文将讨论激光点云分类质量检查的方法，并提出解决方案。

首先，激光点云分类质量检查面临的主要问题之一是数据噪声。

在激光扫描过程中，可能会受到环境光线、物体表面反射和设备本身的噪声等因素的干扰，导致点云数据中存在大量的噪声点。

这些噪声点会对点云分类结果产生较大的负面影响。

为了解决这个问题，可以使用滤波算法对点云数据进行预处理，去除掉其中的噪声点。

常用的滤波算法包括高斯滤波、中值滤波和双边滤波等。

其次，激光点云分类质量检查还需要考虑点云数据的均匀性和完整性。

均匀性指的是点云数据在不同区域的密度分布是否一致，如果一些区域点云密度较大，而其他区域点云密度较小，可能会导致分类结果不准确。

完整性指的是点云数据是否覆盖了物体表面的所有部分，如果存在漏洞或遮挡，也会影响分类结果。

因此，可以使用点云的密度估计算法和点云注册算法对点云数据进行均匀化和完整性检查。

另外，激光点云分类质量检查还需考虑特征提取和分类算法的准确性。

在点云分类中，特征提取是关键步骤，通过提取点云数据中的特征信息来描述不同类别之间的差异。

目前，常用的点云特征包括法向量、曲率、高度等。

然而，由于点云数据的不规则性，特征提取可能存在一定的误差，从而影响分类结果。

解决这个问题的方案是使用更加准确和鲁棒的特征提取算法，并结合机器学习方法进行分类。

综上所述，激光点云分类质量检查与解决方案可以从数据噪声、均匀性和完整性、特征提取和分类算法准确性以及标注数据准确性等方面进行探讨。

通过使用滤波算法、密度估计算法、点云注册算法、准确和鲁棒的特征提取算法以及标注一致性检查方法等，可以提高激光点云分类的质量，使其在实际应用中更加可靠和准确。

融合激光点云的城市级高精度建模技术摘要：对于城市交通管理、道路维护等工作，高精度的道路三维信息具有重要的作用。

近年来，随着测绘软硬件设备的发展，越来越多的空间数据获取手段也在不断出现。

作为一种能够在短时间内快速、高效采集空间三维数据的测绘手段，车载激光扫描系统的出现为解决城市街道几何数据与纹理数据的获取提供了重要的技术支撑，自从其问世以来，便在各行业，尤其是测绘行业发挥着积极的作用。

本文对融合激光点云的城市级高精度建模技术进行分析，以供参考。

关键词：车载激光点云；倾斜摄影测量影像；融合建模引言城市化进程的加快及智慧城市、智能交通理念的发展，对现代化城市道路空间信息的应用需求变得更加丰富、快捷和高效，对道路数据的采集规则、采集方式及处理方法都提出了更高的要求。

传统道路地形图的获取主要利用全站仪、ＧＰＳ等测绘仪器设备，通过控制测量、碎部测量等获取道路平面坐标数据，其精度虽然可以得到保证，但其采集效率、采集范围和自动化程度都难以满足智能交通建设的实时更新的要求。

并且，传统道路地形图为二维、固定比例尺、分幅的地形图，不能全方位满足用户实际需要。

而三维激光扫描测量技术的出现，弥补了传统测量技术的不足，具有高精度、实时性、全自动等特点，成为道路三维数据采集的首选方法，助推了无人驾驶等领域的发展。

1道路车载激光点云数据采集基本原理及方法车载移动测量系统作为一种先进的数据采集手段，以移动车辆为搭载平台，通过时间同步器ＩＮＳ采集的姿态信息、ＧＮＳＳ获取的位置信息、三维激光扫描仪采集的道路周围地物的三维数据以及全景相机采集的高分辨率照片。

从而获取车辆行驶路径周围地物的三维空间数据，为道路的全息测绘提供了详实准确的数据源，为快速提取城市道路信息提供了新方法。

车载三维激光扫描仪在车辆行驶过程中可以自动准确地获取道路及其周围地物的三维点云数据，而搭载在车载移动平台上的全景相机则同时获取了影像数据。

基于车载扫描系统获取的点云数据为ＷＧＳ－８４坐标系的数据，首先需对车载点云数据进行转坐标，转换到地方坐标系下。