為了解決從車載點云數(shù)據中提取要素信息效率慢、建模自動化程度不高的問題,基于SSW車載移動測量系統(tǒng)研究了針對路燈的自動化提取與建模方法。自動化提取大致分三步進行:提取參數(shù)調整、一級模型提取和二級模型提取。實驗表明,路燈分類提取達到了較高的精度。根據提取的矢量成果提供的位置和方向信息,實現(xiàn)了對實驗區(qū)域路燈的自動化建模,提高了內業(yè)數(shù)據處理的效率。 

【文章來源】：智能城市. 2020,6(07)

【文章頁數(shù)】：3 頁

【部分圖文】：

路燈自動化提取的成果示意圖

為了驗證該文研究方法的可行性,挑選了某街區(qū)的一段道路作為實驗區(qū)域。圖2為該區(qū)域點云數(shù)據場景的側視圖,包含了城市道路、行道樹、建筑物、路燈、交通標志牌、車輛行人等豐富的地物信息,非常適合用于該文的研究。經過一級模型提取中的雙線棍提取后,主要從地物點云數(shù)據中提取出來了三類粗立柱,即路燈、樹干和電線桿,如圖3。

經過一級模型提取中的雙線棍提取后,主要從地物點云數(shù)據中提取出來了三類粗立柱,即路燈、樹干和電線桿,如圖3。統(tǒng)計結果表明,該實驗區(qū)域的路燈高度在10 m左右,則將粗立柱中頂端距離路面9～14 m范圍內的立柱判定為路燈并向上進行生長。將待生長點的y值與本構件上所有點y值的均值之差設置為0.5 m,將路燈頂端生長部分的范圍設置在0.5～2 m之內,將路燈頂端生長部分的范圍設置在0.1～1 m之內,以此控制燈頭部分的點云,防止其他地物的點被誤生長出來。經統(tǒng)計,該路段長1 000 m左右,路兩側一共有路燈60個,提取56個,漏分了3個路燈,誤分了1個路燈,分類提取的精度達到了93.3%,可見提取路燈的效果較好。

【參考文獻】：
期刊論文
[1]大數(shù)據時代數(shù)字化城市管理智慧應用實踐[J]. 吳江壽,王洪深,張潔.  地理信息世界. 2015(03)
[2]展望智慧地球時代的測繪地理信息學——李德仁院士專訪[J]. 牛汝辰,鄧國臣.  測繪科學. 2014(01)
[3]車載LiDAR點云數(shù)據分割與半自動化建模方法[J]. 朱紅,張正鵬.  國土資源遙感. 2014(01)
[4]激光測量采集車在城市部件調查中的應用[J]. 徐建新,張光偉,羌鑫林,蔣瑩,高磊.  測繪與空間地理信息. 2013(S1)
[5]基于地物特征提取的車載激光點云數(shù)據分類方法[J]. 李婷,詹慶明,喻亮.  國土資源遙感. 2012(01)
[6]車載激光掃描數(shù)據的地物分類方法[J]. 譚賁,鐘若飛,李芹.  遙感學報. 2012(01)
[7]基于車載激光掃描數(shù)據的目標分類方法[J]. 吳芬芳,李清泉,熊卿.  測繪科學. 2007(04)

碩士論文
[1]面向快速建模的車載激光點云的城市典型地物分類方法研究[D]. 韋江霞.首都師范大學 2014



本文編號：3499636