1、車載移動測量系統(tǒng)數(shù)據(jù)配準(zhǔn)與分類畫技術(shù)南極測繪研究中心武漢大學(xué)中v彳.brhukHHnuclanwhw:;r一n.ijB2014年1月哈爾濱MIlilin蠱 p:s=s=s=r7主講人:一.概述2、概述(©二、基本原理三、全景影像與激光點云的配準(zhǔn)四、配準(zhǔn)量測精度驗證2五、基于知識及特征圖像的點云分類 2六、基于支持向量機(jī)的點云分類 2七、發(fā)展趨勢車載移動測量系統(tǒng)(VMMS,Vehiele borne Mobile Mapping System )集 成了激光掃描儀' CCD數(shù)碼相機(jī)' POS等多種傳感器，可以同時采集 具有空間坐標(biāo)信息的激光點云數(shù)據(jù)和豐富紋理信息的光學(xué)影

2、像數(shù)據(jù), 逐漸成為地理國情監(jiān)測和智慧城市建設(shè)的重要技術(shù)手段。英國的MDL日本 Topcon 的 IP-S2加拿大的OPTECH-Lynx一.概述英國的MDL日本 Topcon 的 IP-S2加拿大的OPTECH-Lynx一.概述德國IGI公司的StreetMapper中國 SSW-MMTS美國Google的全景測量車英國的MDL日本 Topcon 的 IP-S2加拿大的OPTECH-Lynx一.概述車載移動測量系統(tǒng)(VMMS)獲取的數(shù)據(jù)量大，但數(shù)據(jù)后處 理相對滯后，存在過多的人機(jī)交互，自動化程度低。針對 VMMS的光學(xué)影像和激光點云數(shù)據(jù)配準(zhǔn)及分類識別的關(guān)鍵 技術(shù)進(jìn)行研究，有助于推動城市信息獲取

3、的自動化和智能 化。英國的MDL日本 Topcon 的 IP-S2加拿大的OPTECH-Lynx一.概述1激光點云與光學(xué)圖像的配準(zhǔn)一.概述一.概述對激光點云與光學(xué)圖像之間的配準(zhǔn)研究可以歸納為以下四個基本 問題：配準(zhǔn)基元(Regi strat ion Pr init i ves):基于灰度區(qū)域和基于特征(點、直線、面等)相似性測度(Simi lar ity Measure):互信息、共線方程、法向距離等 變換函數(shù)(Transformation Function):剛性變換(選擇、平移、縮放等)和非剛性變換匹配策略(Matchi ng Strategy):梯度下降法、單純形算法、迭代最鄰近點等1.

4、激光點云與光學(xué)圖像的配準(zhǔn)以上這些方法在通用性、算法速度及結(jié)果的精確度等方面還有許多問題需要解決，并且大多數(shù)方法都只適用于城市中具有 較多規(guī)則形狀目標(biāo)的區(qū)域,不太適于對灰度或特征變化不明顯 的圖像進(jìn)行配準(zhǔn)。一.概述一.概述投影回歸的配準(zhǔn)方法一.概述2.車載激光點云數(shù)據(jù)分類一.概述一.概述國內(nèi)外對車載激光點云數(shù)據(jù)分類方法研究非常多，主要包括: 高程閾值分類法' 掃面線信息分類法' 投影點密度法、 法向量估計法、特征空間聚類法等。描點云數(shù)據(jù)分類成不同組的算法;Manandhar和Shibasaki提出了根據(jù)斷面掃描點的點位空間分布特征將激光掃JiShi Pu和George Vosse

5、lman提出了基于建筑物語義的點云數(shù)據(jù)特征提取方法;李必軍等提出了基于建筑物幾何特征的信息挖掘方法;史文中等提出了基于投影點密度的車載激光掃描距離圖像分割方法;閆利等提出了基于法向量模糊聚類的道路面點云數(shù)據(jù)濾波研究方法;2車載激光點云數(shù)據(jù)分類車載點云數(shù)據(jù)量大' 地理要素空間分布和局部幾何特征差異大 等特點，很難用一種策略將場景中的各種目標(biāo)同時進(jìn)行分類識 別。因此很多學(xué)者根據(jù)LiDAR點云數(shù)據(jù)的實際應(yīng)用需求專門研究 如何對某一種地物目標(biāo)進(jìn)行識別，如用于城市三維重建的建筑 物紋理面提取；用于道路環(huán)境建模的道路標(biāo)線提取；用于道路 導(dǎo)航定位的桿狀物提取等。一.概述一.概述基于知識和特征圖像基于

6、支持向量機(jī)一.概述技術(shù)流程r-/樹建龐楓按彩球麗伍陰國擁拼摂點云教據(jù)除聊確定屋測點微取忌近檄光點計耀呈測距闊計密怕占霧測值對配醸屋測廟度牛新:經(jīng)綿映射卓球形全杲:點云數(shù)協(xié)擠接!點云教據(jù)樋將讓彩骸與點云的光潟歸一紀(jì)整411二位因強(qiáng)生戰(zhàn)豈掙向屋機(jī)棧型;1二恒國燻蜃加分折欖型棗敢二就尋優(yōu)'1I強(qiáng)波施宿息分類槌取不冋條件分矣務(wù)船£1 .FJ分類結(jié)果履分折分婁結(jié)果履分折待征國惚分層生戰(zhàn)構(gòu)建點云特狂向星二二壷傳獨法二 基本原理VMMS工作原理同步控制單元二 基本原理VMMS工作原理各傳感器間數(shù)據(jù)流轉(zhuǎn)關(guān)系二 基本原理魚眼鏡頭成像原理二 基本原理魚眼鏡頭成像原理二 基本原理魚眼鏡頭成像原理光

7、學(xué)結(jié)構(gòu)變形壓縮成像公式y(tǒng)0 =2/tan(6?/2)tVo =他Jo =2/ sin(/2)f為=/ sin三.光學(xué)影像與激光點云的配準(zhǔn)三.光學(xué)影像與激光點云的配準(zhǔn)三.光學(xué)影像與激光點云的配準(zhǔn)距離測臺模塊知描控制模塊拎 X!|±侖 ©D I I A/巳器相位/時問I I反射強(qiáng)度計算機(jī)總線計 算微處理器存儲器機(jī)Z虛擬投影球面投影回歸思想生成光學(xué)影像回歸激光點云回歸三.光學(xué)影像與激光點云的配準(zhǔn)光學(xué)影像的投影回歸過程<1)値眼鏡頭 (2)光學(xué)結(jié)構(gòu)AY<3)爛擬球面等距投彩成像(12)球形全景(13)球面坐標(biāo)aa三.光學(xué)影像與激光點云的配準(zhǔn)aar (xx-xo)2+ (

8、v-y0)2 + (zr-z0)2 =r21(xixo)/(xxo 尸(y'yo)(yyo 尸(zizo).(zzo)三.光學(xué)影像與激光點云的配準(zhǔn)投影回歸方法的數(shù)學(xué)證明等距投影成像虛擬投影半球面球面紋理映射藝、分割圖像校正、Pn0pr刃 X球體坐標(biāo)方形圖像坐標(biāo)三.光學(xué)影像與激光點云的配準(zhǔn)配準(zhǔn)實驗4臺SIGMA 8皿魚眼鏡頭三.光學(xué)影像與激光點云的配準(zhǔn)配準(zhǔn)實驗> I海題3a糞鈾 w郴_ 丁孑' 尸.匕丫-y原始激光點云德國SICK LMS 511激光掃描儀點云柵格化點云球面投影前后對比三.光學(xué)影像與激光點云的配準(zhǔn)配準(zhǔn)實驗光學(xué)影勺局部激光點云配準(zhǔn)的局部效果圖四.配準(zhǔn)量測精度驗

9、證四.配準(zhǔn)量測精度驗證所用方法910n12°13Oq°20Ou23°8pP q°15每q6°5O16212。°190!8£角度逼近法四.配準(zhǔn)量測精度驗證驗證結(jié)果不同實驗條件得到的量測誤差角度分辨率距離10m20m30m1°W12cmW19cmW30cm0.5°W6cmW10cmW17cm0. 25°W3cmW5cmW8cm該配準(zhǔn)方法特點在全景影像和激光點云數(shù)據(jù)的匹配研究中，根據(jù)全景影像采集和 激光掃描的光傳播原理，引入“虛擬投影球面”的假設(shè)，提出了 一種基于光源歸一的投影回歸配準(zhǔn)方法，為光學(xué)影像

10、與點云數(shù)據(jù) 的配準(zhǔn)提供了新的視角。)五.基于知識及特征圖像的點云分類五.基于知識及特征圖像的點云分類五.基于知識及特征圖像的點云分類行道樹分類識別實驗五.基于知識及特征圖像的點云分類五.基于知識及特征圖像的點云分類點云降噪五.基于知識及特征圖像的點云分類分層生成特征圖像五.基于知識及特征圖像的點云分類五.基于知識及特征圖像的點云分類U3” ”包含樹干的黑白點云U包含樹冠的黑白點云包含樹干的特征圖彳包含樹冠的特征圖像五.基于知識及特征圖像的點云分類五.基于知識及特征圖像的點云分類二值圖像生成包含樹干的二值圖彳"st舍希心e包含樹冠的二值圖像五.點云特征圖像生成及自動分類二值圖像疊加分析

11、疊加后的二值圖像疊加分析后的二值圖彳五.點云特征圖像生成及自動分類濾波分析1234567891011121314豎向搜索豎向濾波五.點云特征圖像生成及自動分類1479122510133681114橫向搜索雙向濾波五.點云特征圖像生成及自動分類五.點云特征圖像生成及自動分類行道樹提取結(jié)果方法特點曙 、在行道樹點云的識別中，提出了基于知識和特征圖像的分層投影、 疊加分析的分類方法，即對樹干和樹冠分別進(jìn)行投影，以這兩個 基本特征為出發(fā)點，對二值特征圖像進(jìn)行分析，最后提取行道樹 點云數(shù)據(jù)，拓寬了點云分類識別的研究思路。六.基于支持向量機(jī)的點云分類基于支持向量機(jī)的點云分類支持向量機(jī)(SVM, Suppo

12、rt Vector Machine)利用分離超平面來作為分離訓(xùn)練數(shù)據(jù)的線性函數(shù)，進(jìn)而解決非線性分類問題。在 解決小樣本、非線性及高維模式識別問題中有其獨特的優(yōu)勢。點云特征點云原始特征：三維空間坐標(biāo)、回波強(qiáng)度、GPS時間、RGB顏色值F = X Y, Z, IntensityTimeB_1再結(jié)合上下文語義環(huán)境，構(gòu)建新的特征向量F = X乙 Intensity R. G, B. a. b. c. m. 8 8. cr, 18 18 /b六.基于支持向量機(jī)的點云分類六.基于支持向量機(jī)的點云分類支持向量機(jī)模型參數(shù)尋優(yōu)適應(yīng)度曲線 Acc uracylPSOmethod(總皴5.c2=1 7 終止代救“0

13、0 種群 ttpop=20)Io 33 V3040560706o"90103進(jìn)化代議粒子群優(yōu)化算法(PSO)參數(shù)1參數(shù)2適應(yīng)武曲線AccuwcytGamethod 肉It代裁=50 桝演旦DOD二20)遺傳算法時間(S)正確率()125, 998.7999. 75%42, 557.039& 40%六.基于支持向量機(jī)的點云分類不同算法適應(yīng)度的分類實驗PSO的行道樹識別結(jié)果六.基于支持向量機(jī)的點云分類GA的行道樹識別結(jié)果六.基于支持向量機(jī)的點云分類不同訓(xùn)練樣本的分類實驗項目特征向量訓(xùn)練樣本測試樣本nontreetreenontreetree第一次實驗17個特征10000200030001000第二次實驗17個特征10000500030001000第三次實驗17個特征100001000030001000 . 聯(lián)心"竹L艸轉(zhuǎn)y第一次實驗結(jié)果第二次實驗結(jié)果第三次實驗結(jié)果方法特點六.基于支持向量機(jī)的點云分類 不同特征向量的分類實驗 1方法特點方法特點使用7個原始特征的識別結(jié)果使用17個特征的識別結(jié)果方法特點方法特點方法特點結(jié)合激光點云原始特