精华内容
下载资源
问答
  • 行业分类-电信-信号自适应滤波方法和信号自适应滤波器.rar
  • 基于组合自适应滤波方法的行星齿轮箱故障特征增强
  • 运动模型误差的鼠尾窗加随机加权自适应滤波方法
  • 14 一种新的干涉相位图局部自适应滤波方法.pdf
  • 针对条纹图像在条纹方向数据同性、对滤波窗口形状、大小和方向比较敏感的特点,提出了方向自适应滤波方法。该方法首先运用重心法计算条纹的方向,并根据直线拟合的线性相关度调整滤波窗口的大小,以取得更为准确的...
  • 网络游戏-基于GA-BP神经网络的图像椒盐噪声自适应滤波方法.zip
  • 为此提出了一种新的基于梯度倒数加权平均算法的自适应滤波方法。该方法首先对电能质量采样信号点建立五个模板,依据检测点与五个模板均值的梯度变化规律,进行突变点判决。在传统梯度法的基础上,选择最佳模板,并用...
  • 介绍了一种利用ADALINE神经网络进行自适应滤波方法,根据自适应噪声抵消原理建立了ADALINE自适应神经滤波器模型,并使用该模型将发动机高压油管振动信号中的机体振动噪声滤除,提高了信噪比,为利用高压油管振动...
  • 本文针对具有时变时滞的基因调控网络,在存在外部噪声扰动的情况下,采用自适应滤波方法设计自适应律,通过构造Lyapunov - Krasovskii函数判断系统的随机稳定性,从而实现网络中未知参数和未知状态的估计。仿真结果...
  • 为了减少在用小波变换方法进行心电信号消噪时所产生的心电信息损失,本文在对心电信号进行离散正交小波变换的基础上,进行自适应滤波处理,即以具有最大QRS波能量的尺度上的高频细节信号作为自适应滤波器的参考输入...
  • 梁新合提出基于自适应最优邻域的散乱点云降噪算法。但该算法效率较低,为此提出用准柯西函数取代该算法所采用的高斯函数,提高了算法效率。实验结果表明,本文算法能在有效剔除点模型表面噪声的同时较好地保持表面的...
  • 本发明属于机载激光雷达数据处理技术领域,具体涉及机载激光雷达数据的处理发放,尤其是涉及一种提高机载激光雷达数据滤波精度的方法。背景技术:机载激光雷达(airbornelightdetectionandranging,lidar)结合了高...

    9efc336f82bc842a6d6f8e8cf7aec7ce.gif

    本发明属于机载激光雷达数据处理技术领域,具体涉及机载激光雷达数据的处理发放,尤其是涉及一种提高机载激光雷达数据滤波精度的方法。

    背景技术:

    机载激光雷达(airbornelightdetectionandranging,lidar)结合了高精度激光测距仪和定位定向系统,通过测量激光脉冲信号的传播时间自动获取涵盖地表的三维信息,即点云数据(pointcloud)。相较于传统的实地测量和摄影测量,lidar可以在林区、山区、沙漠等困难地形条件下,快速、高精度的获取地表三维信息,因此广泛地应用于高精度dem生成。

    然而原始点云数据不带有分类信息,其中可能包含了植被、建筑物、桥梁等非地面点,因此基于lidar点云的dem生成中需要自动化的提取地面点,即滤波处理。

    虽然现有滤波算法在相关数据测试和实际应用中取得了较为理想的效果,但还存在一些缺陷。首先现有算法精度容易受滤波参数影响。如需达到较好的滤波效果,需要人工根据坡度以及地形特征设置滤波参数。而在滤波过程中,仅利用一组滤波参数对非地面点进行滤除,忽视了滤波区域内坡度以及地形特征的差异性。所以滤波完后还需对局部区域进行更具针对性的处理,以便达到最佳的效果。

    技术实现要素:

    本发明的目的是克服现有技术的不足,提供一种针对机载激光雷达点云的自适应滤波方法。

    为了实现上述目的,本发明解决其技术问题所采用的技术方案是:一种针对机载激光雷达点云的自适应滤波方法,包括以下步骤:

    步骤1,机载激光雷达的调试和安装和机载激光雷达数据采集;

    步骤2,利用步骤1中的设备进行数据采集,对机载激光雷达生成的数据进行噪声点剔除处理,对点云数据中远高于或者远低于周围点的少数点进行识别并进行剔除;

    步骤3,对噪声剔除后的点云数据进行降采样处理,根据降采样数据计算坡度值,最终利用克里金内插对坡度计算结果进行升采样;

    步骤4,利用步骤2中处理后的点云数据进行格网化处理,判定每个格网中的最低点为地面点并利用这些点构建不规则三角网;对噪声剔除后的点云数据进行按照最大格网大小对全体点云数据进行划分,选取每个格网中的最低点作为地面点,利用这些地面点构建不规则三角网,然后对其余未判定的点进行类别判断;依次将其他点带入三角网中进行判断,确定待判定点对应的三角形,结合坡度以及三角形三个顶点的三维坐标计算待判定点对应的阈值:根据待判定点在不规则三角网中所对应三角形的三个顶点的三维坐标以及坡度值,计算最大迭代距离和最大迭代角两个阈值;

    步骤5,将计算的阈值结果与待判定点和不规则三角网中对应的三角形的三个顶点三维坐标计算求得的实际最大迭代距离以及最大迭代角进行比较,若实际值均小于阈值则将该点标记为地面点并加入到不规则三角网中,该迭代过程一直重复直到没有点被判定为地面点,则该数据即为经过自适应滤波的机载激光雷达点云数据。

    进一步,所述的步骤1中机载激光雷达的调试和安装和机载激光雷达数据采集的生成包括以下步骤:

    步骤1.1,在飞行载体上即飞机上搭载一套完整的lidar系统,该系统包括激光扫描测距系统、差分gps(dgps)、惯性测量单元(imu)和成像设备;

    步骤1.2,制定好完整飞行方案,并按照飞行方案对测区进行航飞;

    步骤1.3,根据激光传播时间以及机载激光雷达数据生成理论模型得到测区点云数据。

    进一步,所述的步骤2中的剔除处理包括以下步骤:

    步骤2.1,根据高程信息对全部点云数据进行统计,并按照从低到高进行排序;

    步骤2.2,将统计结果中最大高程以及最小高程的全部点云作为噪声剔除。

    进一步,所述的步骤3具体包括以下步骤:

    步骤3.1,对获取的点云数据按照最大格网大小进行降采样,根据每个格网对应的点数为n,其中每个点的高程为hi,根据以下公式计算每个格网对应高程:

    步骤3.2,在步骤3.1的处理结果中选取3×3的格网空间,按照z1到z9对其进行编号,设3.1中最大格网大小为s,根据以下公式计算坡度:

    fx=(z8-z2)/2s

    fy=(z6-z4)/2s

    步骤3.3,使用步骤3.2中计算求得的坡度值利用克里金内插对坡度数据进行内插处理。

    进一步,所述步骤4具体包括以下步骤:

    步骤4.1,确定待判定点的三维坐标以及该点对应于不规则三角网中的三角形;

    步骤4.2,根据待判定点p1的三维坐标x1,y1,z1以及三角形三个顶点p2,p3,p4的坐标x2,y2,z2、x3,y3,z3、x4,y4,z4,计算p1到三个顶点的距离,按照从低到高进行排列,假设该顺序为p2,p3,p4;

    步骤4.3,p1沿z轴于到平面p2p3p4的焦点为pproject,该焦点到直线p2p3的垂足为pline,其中最大迭代距离和最大迭代角的阈值由以下公式计算得到:

    lmax=pproject×tan(slope)

    本发明与现有技术相比,具有以下优点:

    由于本发明可以自适应的选择传统算法中不直观、经验性选择的滤波参数,大幅降低了人工参数选择难度、提高滤波算法的适应性;本发明同时有效降低滤波中地面点误判为非地面点的误判率以及非地面点误判为地面点的误判率,大幅提高了滤波整体精度。

    经本发明在不同区域数据进行滤波处理,并将处理结果同时与人工分类的标准结果进行对比,结果表明该发明可以取得很好的点云滤波效果。

    附图说明

    图1为本发明自适应滤波方法的流程图。

    具体实施方式

    下面通过实施例并结合附图,对本发明的技术方案作进一步具体的说明。

    实施例

    参照图1所示,本发明公开的一种针对机载激光雷达点云数据的全地形自适应滤波方法,包括如下步骤。

    步骤1,在飞行载体上即飞机上,搭载一套完整lidar系统,该系统包括激光扫描测距系统、差分gps(dgps)、惯性测量单元(imu)和成像设备。制定好完整飞行方案,并按照飞行方案对测区进行航飞,根据激光传播时间以及机载激光雷达系统机载激光雷达数据生成理论模型得到测区点云数据。

    步骤2,对机载激光雷达生成的数据进行噪声点剔除处理,对点云中远高于或者远低于周围点的少数点进行识别并进行剔除。具体步骤如下:

    步骤2.1,根据高程信息对全部点云数据进行统计,并按照从低到高进行排序;

    步骤2.2,将统计结果中最大高程以及最小高程的全部点云作为噪声剔除。

    步骤3,对噪声剔除后的点云进行降采样处理,根据降采样数据计算坡度值,最终利用克里金内插对坡度计算结果进行升采样。具体步骤如下:

    步骤3.1,对获取的点云数据按照最大格网大小进行降采样,根据每个格网对应的点数为n,其中每个点的高程为hi,根据公式(1)计算每个格网对应高程:

    步骤3.2,在步骤3.1的处理结果中选取3×3的格网空间,按照z1到z9对其进行编号,假设3.1中最大格网大小为s,根据公式(2)、(3)计算坡度:

    步骤3.3,使用步骤3.2中计算求得的坡度值利用克里金内插对坡度数据进行内插处理。

    步骤4,对其余未判定的点进行类别判断,在每次判定中先利用步骤3.2中计算求得的坡度值以及待判定点在不规则三角网中对应的三角形的三个顶点三维坐标计算最大迭代距离以及最大迭代角两个阈值。其中地形自适应阈值计算的步骤为:

    步骤4.1,确定待判定点的三维坐标以及该点对应于不规则三角网中的三角形;

    步骤4.2,根据待判定点p1的三维坐标x1,y1,z1以及三角形三个顶点p2,p3,p4的坐标x2,y2,z2、x3,y3,z3、x4,y4,z4,计算p1到三个顶点的距离,按照从低到高进行排列,假设该顺序为p2,p3,p4;

    步骤4.3,p1沿z轴于到平面p2p3p4的焦点为pproject,该焦点到直线p2p3的垂足为pline,其中最大迭代距离和最大迭代角的阈值由式(4)计算:

    lmax=pproject×tan(slope)

    步骤5,将计算的阈值与待判定点和不规则三角网中对应的三角形的三个顶点三维坐标计算求得的实际最大迭代距离以及最大迭代角进行比较,若实际值均小于阈值则将该点标记为地面点并加入到不规则三角网中,该迭代过程一直重复直到没有点被判定为地面点。

    在本发明中,将所有限于现阶段的研究水平、点云中的地面点和非地面点间的判断成为点云滤波。本发明针对点云滤波中地面点误分为非地面点以及非地面点误分为地面点导致滤波精度下降的问题,自动化提高机载激光雷达滤波精度。经本发明在不同区域数据进行滤波处理,并将处理结果同时与人工分类的标准结果进行对比,结果表明该发明可以取得很好的点云滤波效果。

    本发明公开的方法可以直接对原始机载激光雷达点云数据进行处理估计、统计基础坡度参数,并根据坡度参数自适应地对不同地形环境中的点云进行滤波处理,通过坡度对滤波中的参数继续自适应选择,从而达到提高机载激光雷达滤波精度的目的。

    以下为本发明应用于机载激光雷达数据进行滤波时的精度评价表。

    上述实施例仅例示性说明本发明的原理及其功效,以及部分运用的实施例,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。

    展开全文
  • 自适应滤波学习书籍,非常适合自适应波束形成学习。
  • TLMM_鲁棒滤波_估计_整体最小M估计自适应滤波算法_自适应滤波_鲁棒估计.zip
  • LMS自适应滤波算法,lms自适应滤波算法 收敛因子,C,C++源码
  • LMS自适应滤波算法,lms自适应滤波算法 收敛因子,C,C++源码.rar
  • TLMM_鲁棒滤波_估计_整体最小M估计自适应滤波算法_自适应滤波_鲁棒估计_源码.zip
  • 自适应滤波+时域自适应滤波和智能天线+龚耀寰编著.pdf自适应滤波+时域自适应滤波和智能天线+龚耀寰编著.pdf自适应滤波+时域自适应滤波和智能天线+龚耀寰编著.pdf
  • LMS自适应滤波算法是很常见的滤波算法。本代码包括常用的LMS自适应滤波算法,如基本LMS算法,解相关LMS算法,滤波型LMS算法,变换域LMS算法等。
  • 很好的一个陷波滤波器~~~~能非常好的限制60HZ工频信号,呵呵~~~有帮助的!
  • 最小均方(LMS)自适应滤波器、递推最小二乘(RLS)滤波器格型滤波器和无限冲激响应(IIR)滤波器等。这些自适应滤波技术的应用又包括:自适应噪声抵消、自适应谱线增强和陷波等。
  • 基于最大相关熵的自适应滤波算法,对冲击噪声具有很好的鲁棒性
  • 一种基于M估计函数的鲁棒的自适应滤波算法
  • 全面讲述天线阵列的分析方法,空域,自适应滤波方法
  • 添加噪声后,对比自适应中值滤波滤波效果。
  • 自适应中值滤波自编,matlab自编函数,自编函数自适应中值滤波
  • 变步长的LMS自适应滤波算法matlab程序
  • 自适应滤波(第二版)——时域自适应滤波和智能天线
  • 自适应滤波算法与实现;第一节 什么是数字信号 处理;数字信号处理基础;DSP 的定义;DSP 的定义;信号; 信号的最基本的参数;信号的最基本的参数;信号分类;连续信号和离散信号;模拟信号和数字信号;确定性信号和随机信号;...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 14,279
精华内容 5,711
关键字:

自适应滤波的方法