结合统计滤波与密度聚类的矿山地面点云提取算法

发布时间：2024-03-09 04:29

　　为了有效提取地面点云并提高运算效率,提出了一种结合统计滤波与密度聚类的矿山地面点云提取算法。首先,基于高效的KD-tree索引算法与统计特征思想进行统计特征的改进,并分析非地面点的空间分布特性;其次,结合二维特征密度空间的分布特性对密度空间进行聚类并分别提取地面点;最后,对各密度空间的提取结果进行求交,即可得到有效地面点。该方法的算法复杂度为o(n²)。实验表明:该算法具有较高的提取精度和效率;经测试,当近邻点为36时效果最好,总误差为0.00770,均方差为0.019633;同时,对510519个点的提取时间少于27s,约为传统方法耗时的1/7。此外选择了大面积矿山点云对该算法的普适性进行了验证。

【文章页数】：13 页

【部分图文】：

图1原始的点云

本文基于三维激光扫描仪RIEGLVZ-1000收集的德兴铜矿点云数据，研究矿山地面点云的提取算法，该数据的角度分辨率为0.0005°，100m的扫描精度为5mm，图1为2018年12月该矿区的部分点云数据，共510519个点，横纵方向扫描角设置为0.02°，受扫描角度的限制，及....

图2噪声的空间分布。（a）平面点云图；（b）邻点的距离图

图2(a）为平面点云图。该三种对象的简化二维模型如图2(b）所示，横坐标为点的个数，纵坐标为距离，以O、O1、O2这3点为例，圆点O代表小尺度障碍物噪声点，菱形点O1代表大尺度孤立点，三角点O2代表中尺度径向分布点，搜索其20个近邻点的位置，结果显示：大尺度孤立点的极差、方差及均....

图3算法流程图

以上对统计特征的分析是对目前传统统计方法的优化与改进，但也只是基础分析与应用。基于相同属性地物具有相同或相似的特征空间分布的原理，首要分析非研究对象的特征空间，并以此确定划分阈值。同时，为了更加细致地分析近邻点的统计特征变化情况，并以此剔除非研究对象点，本文结合统计滤波和二维特征....

图4邻域10个点的特征密度分布

点云去噪的首要目标是对10个二维特征密度空间进行分析，分析各组特征向量之间的非研究对象的剔除能力，分析结果如图4、图5、图6、图7所示，其中直线表示各组的点的拟合趋势线。图5邻域20个点的特征密度分布

本文编号：3922901