基于深度學習的三維激光點云軌道對象語義分割與提取
發(fā)布時間:2022-07-13 15:13
鐵路不僅是國家的基礎設施之一,同時其作為全民性的交通工具,也是促使國民經(jīng)濟上升的必要內容之一。而鐵路的既有線勘測工程是鐵路維護修繕與增設二線的必要步驟之一。以鐵路中心線作為控制線的人工靜態(tài)測量傳統(tǒng)方法,存在安全系數(shù)較低、受限于鐵路運營狀態(tài)等問題,導致該方法的工作效率較低。而集三維激光掃描、全景相機和慣導定位定姿傳感器為一體的移動測量技術是近二十年來在測繪領域逐步發(fā)展起來的一項全新技術,該項技術利用了基于GNSS、INS、DMI與IMU等四項內容的導航技術獲取了激光掃描移動平臺的定位信息和姿態(tài)信息,結合平臺搭載的三維激光掃描儀、高清相機等設備獲取測圖場景帶地理參考信息的觀測數(shù)據(jù)。相較于傳統(tǒng)的人工靜態(tài)測繪方法,在數(shù)據(jù)采集效率、數(shù)據(jù)豐富程度、采集安全性等方面,基于移動測量技術的三維激光掃描移動測繪系統(tǒng)具有無可比擬的優(yōu)勢;在測量精度上,移動測量的精度也隨著GNSS、INS、相機、激光掃描儀等硬件和組合導航算法的發(fā)展而不斷提升。雖然三維激光掃描移動測繪系統(tǒng)解決了鐵路場景下三維激光點云數(shù)據(jù)采集階段所遇到的一些問題,但是在點云的分類與提取上仍存在不少難題。主要體現(xiàn)在目前現(xiàn)有的三維激光點云分割與提取方...
【文章頁數(shù)】:62 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
第一章 緒論
1.1 研究背景及意義
1.2 國內外研究現(xiàn)狀
1.3 研究目的、研究內容和技術框架
1.3.1 研究目標和研究思路
1.3.2 研究內容
1.4 論文組織結構
第二章 三維激光點云軌道提取技術
2.1 傳統(tǒng)三維點云物體檢測算法
2.1.1 三維激光雷達點云數(shù)據(jù)
2.1.2 傳統(tǒng)三維激光雷達點云的目標分類算法
2.2 深度學習算法
2.2.1 基于三維點云網(wǎng)格化的算法
2.2.2 PointNet算法
2.2.3 PointNet++算法
2.2.4 VoxelNet算法
2.2.5 PointCNN算法
2.3 軌道線提取算法
2.4 算法適應性評價
2.5 本章小結
第三章 基于深度學習的軌道對象分割分類技術
3.1 技術路線
3.2 軌道點云噪聲濾波
3.3 軌道對象點云識別方法
3.4 本章小結
第四章 基于鋼軌三維激光點云的軌道線提取
4.1 技術路線
4.2 鋼軌標準結構信息
4.3 基于鋼軌模型匹配的軌道線提取方法
4.3.1 點云投影算法
4.3.2 形狀匹配算法
4.4 本章小結
第五章 鋼軌語義分割與中心線提取原型系統(tǒng)實現(xiàn)與精度評估
5.1 實驗數(shù)據(jù)采集
5.2 原型系統(tǒng)設計與實現(xiàn)
5.3 軌道對象分割與分類
5.4 軌道線提取
5.5 結果精度評估
5.5.1 軌道對象分割與分類
5.5.2 軌道線提取
5.6 本章小結
第六章 結論與展望
6.1 本文主要研究工作及創(chuàng)新
6.1.1 研究總結
6.1.2 創(chuàng)新點
6.2 進一步研究展望
參考文獻
【參考文獻】:
期刊論文
[1]機載LiDAR點云濾波綜述[J]. 惠振陽,程朋根,官云蘭,聶運菊. 激光與光電子學進展. 2018(06)
[2]融合光譜特征和幾何特征的建筑物提取算法[J]. 何曼蕓,程英蕾,廖湘江,趙中陽. 激光與光電子學進展. 2018(04)
[3]基于強度與顏色信息的地面LiDAR點云聯(lián)合分類方法[J]. 程效軍,郭王,李泉,程小龍. 中國激光. 2017(10)
[4]海量散亂點云快速壓縮算法[J]. 方芳,程效軍. 武漢大學學報(信息科學版). 2013(11)
[5]SVM加權學習下的機載LiDAR數(shù)據(jù)多元分類研究[J]. 吳軍,劉榮,郭寧,劉麗娟. 武漢大學學報(信息科學版). 2013(01)
[6]GPS-RTK三維一體化既有線測繪方法的研究[J]. 張建民,劉曉明. 鐵道勘察. 2012(05)
[7]基于點云-模型匹配的激光雷達目標識別[J]. 譚志國,魯敏,胡延平,郭裕蘭,莊釗文. 計算機工程與科學. 2012(04)
[8]基于曲面分割的三維點云物體識別[J]. 魏永超,劉長華,杜冬. 光子學報. 2010(12)
[9]激光跟蹤測量系統(tǒng)在飛機型面測量中的應用[J]. 陳智勇,吳建軍,趙玉靜,符文貞. 機械設計與制造. 2009(12)
[10]地面三維激光掃描技術的發(fā)展與應用前景[J]. 戴升山,李田鳳. 現(xiàn)代測繪. 2009(04)
本文編號:3660270
【文章頁數(shù)】:62 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
第一章 緒論
1.1 研究背景及意義
1.2 國內外研究現(xiàn)狀
1.3 研究目的、研究內容和技術框架
1.3.1 研究目標和研究思路
1.3.2 研究內容
1.4 論文組織結構
第二章 三維激光點云軌道提取技術
2.1 傳統(tǒng)三維點云物體檢測算法
2.1.1 三維激光雷達點云數(shù)據(jù)
2.1.2 傳統(tǒng)三維激光雷達點云的目標分類算法
2.2 深度學習算法
2.2.1 基于三維點云網(wǎng)格化的算法
2.2.2 PointNet算法
2.2.3 PointNet++算法
2.2.4 VoxelNet算法
2.2.5 PointCNN算法
2.3 軌道線提取算法
2.4 算法適應性評價
2.5 本章小結
第三章 基于深度學習的軌道對象分割分類技術
3.1 技術路線
3.2 軌道點云噪聲濾波
3.3 軌道對象點云識別方法
3.4 本章小結
第四章 基于鋼軌三維激光點云的軌道線提取
4.1 技術路線
4.2 鋼軌標準結構信息
4.3 基于鋼軌模型匹配的軌道線提取方法
4.3.1 點云投影算法
4.3.2 形狀匹配算法
4.4 本章小結
第五章 鋼軌語義分割與中心線提取原型系統(tǒng)實現(xiàn)與精度評估
5.1 實驗數(shù)據(jù)采集
5.2 原型系統(tǒng)設計與實現(xiàn)
5.3 軌道對象分割與分類
5.4 軌道線提取
5.5 結果精度評估
5.5.1 軌道對象分割與分類
5.5.2 軌道線提取
5.6 本章小結
第六章 結論與展望
6.1 本文主要研究工作及創(chuàng)新
6.1.1 研究總結
6.1.2 創(chuàng)新點
6.2 進一步研究展望
參考文獻
【參考文獻】:
期刊論文
[1]機載LiDAR點云濾波綜述[J]. 惠振陽,程朋根,官云蘭,聶運菊. 激光與光電子學進展. 2018(06)
[2]融合光譜特征和幾何特征的建筑物提取算法[J]. 何曼蕓,程英蕾,廖湘江,趙中陽. 激光與光電子學進展. 2018(04)
[3]基于強度與顏色信息的地面LiDAR點云聯(lián)合分類方法[J]. 程效軍,郭王,李泉,程小龍. 中國激光. 2017(10)
[4]海量散亂點云快速壓縮算法[J]. 方芳,程效軍. 武漢大學學報(信息科學版). 2013(11)
[5]SVM加權學習下的機載LiDAR數(shù)據(jù)多元分類研究[J]. 吳軍,劉榮,郭寧,劉麗娟. 武漢大學學報(信息科學版). 2013(01)
[6]GPS-RTK三維一體化既有線測繪方法的研究[J]. 張建民,劉曉明. 鐵道勘察. 2012(05)
[7]基于點云-模型匹配的激光雷達目標識別[J]. 譚志國,魯敏,胡延平,郭裕蘭,莊釗文. 計算機工程與科學. 2012(04)
[8]基于曲面分割的三維點云物體識別[J]. 魏永超,劉長華,杜冬. 光子學報. 2010(12)
[9]激光跟蹤測量系統(tǒng)在飛機型面測量中的應用[J]. 陳智勇,吳建軍,趙玉靜,符文貞. 機械設計與制造. 2009(12)
[10]地面三維激光掃描技術的發(fā)展與應用前景[J]. 戴升山,李田鳳. 現(xiàn)代測繪. 2009(04)
本文編號:3660270
本文鏈接:http://sikaile.net/kejilunwen/jiaotonggongchenglunwen/3660270.html