基于LiDAR点云和航空影像的城市三维重建

摘要

随着GIS的迅速发展和数字城市的快速建模的需要，对城市环境中各种三维信息的表达与处理变得日益迫切。近几年LiDAR(Light Detecting AndRanging)技术的出现，为解决这一问题提供了新的途径。机载LiDAR获取的数据是分布于对象表面的三维点坐标，其数据集(点云)是对象的数字表面模型(DSM)。由于机载LiDAR能够自动地获取高精度、高密度的地球表面3D坐标信息，已成为生成数字地面模型(DTM)和数字高程模型(DEM)的首选工具。 针对中、低密度的机载LiDAR数据和航空影像的城市三维重建工作，本文主要从以下几个方面开展研究： (1)机载LiDAR技术的发展使得对大规模地表非均匀点云构网成为研究的热点，本文在Delaunay三角网生长法的基础上改进，提出一种新的三角网生长算法。该算法先对大规模点云进行等格网分块，然后自适应确定搜索范围。构建过程中对生成的基线分组、排序，动态删除封闭点，提高了构建三角网的速度；在整个点集范围内进行搜索，避免了插值产生的误差和模块之间的拼接。最后对大规模LiDAR点云数据构网，表明了该算法的有效性。 (2)根据城市地形变化缓慢的特性，在三维Hough变换的基础上添加约束条件，快速生成地形的基准平面，然后根据点云TIN网格与基准平面的位置关系以及TIN三角形法线的方向提取地面点。为保持场景地形的边界，本文提出一种新的二维点云凸包生成算法，首先对点云进行分块和在多方向生成最远点而得到初始凸包，并在凸包交界的局部区域内搜索最优点来扩展初始凸包，从而提取LiDAR点云凸包。最后结合提取的地面点和场景的凸包生成最终的地形TIN模型，该方法对点集的密度要求低，提取城市地形的鲁棒性高。 (3)从航空或卫星影像中提取道路一直是研究的热点，基于动态规划的道路提取算法是最有效的算法之一。本文基于LiDAR点云数据特征改进了该算法的代价函数，进而提高了基于动态规划的道路提取算法的鲁棒性。为正确地融合航拍图像和LiDAR点云数据，本文提出了一种航拍图像和LiDAR点云数据的匹配算法。最后通过试验验证了算法的正确性。

目录

文摘

英文文摘

论文说明：图表目录

声明

致谢

第一章 绪 论

1.1 研究背景

1.2 国内外研究现状

1.2.1 TIN构建

1.2.2地形提取

1.2.3道路提取

1.2.4建筑物提取

1.3 问题提出

1.4 研究内容及组织结构

1.4.1研究内容

1.4.2组织结构

第二章 基于LiDAR点云的网格构建

2.1 Delaunay三角网构建简介

2.1.1 Delaunay概念

2.1.2 TIN构建算法思想

2.1.3本文算法的选取

2.2 TIN模型构建

2.2.1算法流程

2.2.2点云分块

2.2.3确定搜索范围

2.2.4基线排序

2.2.5排除封闭点

2.2.6处理边界点

2.2.7算法复杂度分析

2.2.8算法实验

2.3 本章小结

第三章城市地面提取

3.1 LiDAR地面点提取

3.1.1提取基准地面

3.1.2地面点提取

3.2 生成点云凸包

3.2.1点云分块

3.2.2删除内部点

3.2.3生成初始凸包

3.2.4生成最终凸包

3.3 地形生成

3.4 算法分析

3.5 本章小结

第四章 城市人造目标的识别与重建

4.1 城市道路提取

4.1.1动态规划介绍

4.1.2道路提取

4.1.3算法改进

4.1.4数据配准

4.1.5实验结果与分析

4.2 城市建筑物提取

4.2.1区域分割

4.2.2角点检测

4.2.3三维重建

4.3 本章小结

第五章 论文总结及展望

5.1 论文总结

5.2 论文展望

参考文献

硕士研究生在读期间完成的论文

硕士研究生在读期间参加的科研工作

硕士研究生在读期间获奖情况