全波形激光雷达数据处理.pdf

发布时间：2022-05-29 发布人：admin 分类：说明书资料大小：9.43M 资料格式：pdf 举报版权申诉

pengchengwang-8957845-4744300845394745075.pdf-第1页.png

第1页 / 共85页

pengchengwang-8957845-4744300845394745075.pdf-第2页.png

第2页 / 共85页

pengchengwang-8957845-4744300845394745075.pdf-第3页.png

第3页 / 共85页

pengchengwang-8957845-4744300845394745075.pdf-第4页.png

第4页 / 共85页

pengchengwang-8957845-4744300845394745075.pdf-第5页.png

第5页 / 共85页

pengchengwang-8957845-4744300845394745075.pdf-第6页.png

第6页 / 共85页

pengchengwang-8957845-4744300845394745075.pdf-第7页.png

第7页 / 共85页

pengchengwang-8957845-4744300845394745075.pdf-第8页.png

第8页 / 共85页

英文文摘

第一章绪论

1.1 选题背景及意义

1.2 LiDAR系统技术原理和数据特点

1.2.1 LiDAR系统分类

1.2.2 国内外机载全波形激光雷达系统概况

1.3 全波形激光雷达数据处理研究现状

1.3.1 数据预处理

1.3.2 波形分解

1.3.3 组分分量纠正

1.3.4 点云数据分类

1.4 本文研究内容及结构

1.4.1 本文主要内容

1.4.2 本文创新点

1.4.3 论文结构

第二章激光雷达基础理论

2.1 全波形激光雷达系统概述

2.2 激光雷达能量传输方程

2.2.1 简单散射体方程

2.2.2 立体散射体方程

2.2.3 激光雷达波形方程

2.3 激光雷达工作原理

2.3.1 激光测距原理

2.3.2 激光雷达扫描方式

2.4 本章小结

第三章全波形激光雷达数据处理技术研究

3.1 波形预处理

3.1.1 不同类型目标的散射回波波形分析

3.1.2 回波波形的去噪平滑

3.2 波形建模

3.2.1 平面目标的波形建模

3.2.2 立体目标的波形建模

3.3 波形分解初始化

3.3.1 组分数估计

3.4 波形分解

3.4.1 基于EM算法的波形分解

3.4.2 基于反卷积波形分解

3.4.3 B样条用于波形分解

3.4.4 三种波形分解方法比较

3.5 实验分析

3.6 本章小结

第四章全波形激光雷达波形分解的遗失组分探测研究

4.1 遗失组分探测原理

4.1.1 赤池信息量准则

4.1.2 LM算法

4.1.3 有限混合模型

4.1.4 惩罚最小匹配距离

4.2 改进的遗失组分探测方法

4.2.1 基于AIC与LM探测算法

4.2.2 基于FMM与LM探测算法

4.3 实验分析

4.4 本章小结

第五章全波形激光雷达数据应用分析

5.1 全波形激光雷达回波中各组分分量

5.1.1 距离

5.1.2 强度

5.1.3 回波宽度

5.1.4 后向散射截面

5.1.5 归一化后向散射率

5.1.6 单次脉冲回波的组分数

5.2 多分量支持下的点云数据精细分类算法研究

5.2.1 基于不同组分分量组合的点云分类策略

5.2.2 IHSL变换去相关

5.2.3 模糊C均值算法

5.3 实测数据的分类实验分析

5.3.1 全波形组分分量的提取

5.3.2 组分分量支持的点云监督分类

5.3.3 基于FCM算法的点云自动分类

5.4 本章小结

第六章全文总结与展望

6.1 全文总结

6.2 工作展望

参考文献

攻读学位期间发表的学术论文

致谢

ABSTRACTABSTRACTLiDARisanadvancedactiveremotesensingtechnologythatcanquicklyobtainthe3Dinformationofthetarget，hasbeenwidelyappliedinmanyfieldsofremotesensing．Full—WaveformLiDARdatacanbedigitallypreservedinaverysmallsamplingintervalofthelaseremissionandthescatteringechopulse，throughthis，notonlytheinformationofthedistanceandechointensity，butalsothestructureoftheentireechowaveformcanbecollected．Theechowaveformcontainsahugeamountofinformationwhichcanprovidetheverticalstructureofsurfacefeaturetargets．Andtheadditionalinformationrefectingtheinherentcharacteristicsofthesurfacefeaturescanbealsoobtainedafterdataprocessing，astheessentialsupportingforthefollowingtargetsegmentationandrecognitionprocessing，3Dinformationextractionandmeasurement．Basedonthefull—waveformLiDARpointclouddata，thisarticleclassifiespointclouddatawithparameterswhichextractedfromcompositionalmodelafteraseriesofdataprocessing，includingwaveformpre-processing，waveformmodeling，waveformdecompositionandcomponentextraction．Themaincontentofthisarticleincludes1．Asetoffull-waveformLiDARdataprocessingworkflowisverified．Basedontheresearchoffull—waveformLiDARdataprocessingstate，asetoffeasiblefull-waveformLiDARdataprocessingworkflowissummarized，whichincludeswaveformpre-processing，waveformmodeling，waveformdecomposition，missedcomponentsdetectionandcomponentextractionThroughthetestdataprocessing，componentsparameterscanbeobtained，thefeasibilityofthewholeworkflowisverified．2．PresentamissedcomponentdetectionapproachcombinedtheFiniteMixedModelandLMalgorithm．WhileusingAICalgorithmtopredictcomponents

全波形激光雷达数据处理与应用技术研究number，therewillbetheinformationmissing，whichwillleadtothecomponentsmissinginthewaveformdecomposition，tosolvethismissingcomponentsproblem，thisarticlecomputestheoptimalsinglecomponentmixedmodulebyestimatingprobabilitydensityofsampleset，obtainsthenewoptimalcomponentandmixedweight，andfinallydeterminestheoriginalmoduleparameterofmissingcomponents．Theresultofexperimentshowsthatthismethodcouldguaranteethecompletecomponentdetectedofbackscatterechowaveform，atthesametime，theaccuracyandefficientofthewaveformdecompositionareimproved．3．Proposesafinepointcloudclassificationmethodsupportedbyfull-waveformcomponentsparameters．Tosolvethenormalpointcloudclassificationschemethatonlytakeadvantageofpointheightinformationandtopographictextures，thispaperintroducesthefull-waveformparametersintothepointcloudclassificationprocesstomeetthefineclassificationenquiries．Besides，therelationshipamongparameterswasanalyzedandade-correlationapproachbasedonIHSLtransformisbroughtuptotransformtheparameters．Afterthat，pointcloudautomaticclassificationprocessesbasedonFCMwereconductedbeforeandaftertransformation．Bycomparingtheclassificationresults，whichdemonstratedthefeasibilityandnecessityofparameters’de—correlationinhighprecisionandfinepointcloudclassificationprocess．Keywords：Full-WaveformLiDAR；WaveformDecomposition；componentsdetection，componentsabstraction；pointcloudclassificationIl

第一章绪论1．1选题背景及意义第一章绪论随着科学技术的发展，空间信息的应用逐渐深入，人们对数据的需求也越来越高，二维数据已经难以满足人们的需要。三维激光测量技术的出现和发展，为空间三维信息的测量获取和空间信息数字化发展提供了全新的手段。据统计，目前80％的信息属于地理信息，地理信息包括空问位置信息和属性信息，一般获取地理信息的手段有观察、统计、文件检索、地面测量、航空摄影测量、卫星测量和侦察、遥感等。激光雷达(LiDAR，LightDetectionAndRanging)，也叫激光雷达测量技术，是一种集成了激光测距技术、高动态姿态测量技术和高精度差分GPS定位技术的机载激光探测和测距系鲥11。激光雷达系统以飞机作为观测平台，以激光扫描系统作为传感器，通过记录发射和接收激光脉冲的时间差来计算目标和激光雷达之间的相对位置，从而计算出目标的三维空间坐标，并将量测值映射为空间中的三维点云。20世纪60年代，美国陆军工程兵团研发的SHOALS(ScanningHydrographicOperationalAirbomeLiDARSystem)，首先被应用于海道测量，并先后用在海深和水道测量上取得了实验的成功(AirborneLiDARBathymetry：theSHOALS)[21。随着全球定位系统(GPS，GlobalPositioningSystem)和惯性导航的快速发展，使得精确实时动态定位测姿成为了可能，大大的推动了激光雷达系统的发展和革新。到80年代，机载LiDAR发展迅速，美国航空航天管理局(NASA，NationalAeronauticsandSpaceAdministration)先后研制了大气海洋激光雷达系统(AOL，AirandOceanLaser)和机载地形测量(ATM，AirbomeTerrainMeasurement)设备等机载系统【3]。到90年代初，德国斯图加特大学将激光雷达技术与实时定位测姿系统集成，组成了机载激光雷达测量系统Acherman．19【4】。随后，机载激光

全波形激光雷达数据处理与应用技术研究雷达测量系统发展相当迅速，逐步实现了商业化。1993年，出现了第一个商用机载激光雷达系统【5】；1996年和1997年国际航空遥感会议上开始出现激光扫描系统的展示【61。1998年，卡尔加里大学通过集成激光扫描仪，GPS，INS和数据通信设备，研制了机载激光扫描三维数据获取系统，并进行试验取得了较好的成果‘训。三维激光雷达测量技术已经形成了颇具规模的产业。目前，机载激光雷达已经广泛应用于地面和大型建筑物的变形测量，农业土壤侵蚀、洪水预报、数字城市模型构建、森林监管、道路选线、电力线路勘察设计以及管理等领域。虽然传统的离散激光雷达可实现对目标的快速三维测量，但是传统激光雷达系统只记录若干次回波，获取的地物相关信息量有限【2】。2004年，奥地利Riegl公司生产了第一套技术成熟的机载小光斑全波形激光雷达测量系统LMS．Q560。相对于离散激光雷达系统而言，全波形激光雷达系统以非常小的采样间隔记录激光回波的全部信息并以数字化存储，其本质上是激光束传播方向上地物的各次回波信息的叠加，能提供丰富的垂直结构信息和地物的反射信息，因此，全波形激光雷达数据包含的信息量丰富，经过处理可以得到能够反映地物固有特性的潜在特征。国外研制的全波形激光雷达系统主要包括：瑞士TopEyeMark【71、奥地利RieglLMS—Q560／LMS．Q680i[81和加拿大OptechIncALTM3100[91等，并带有相应配套的处理软件，但这些软件所采用的核心算法都被视为黑匣子。近年来国内对全波形激光雷达系统的研究也开始起步，国家民口对地观测与导航技术领域及对地观测系统专项都将激光回波全波形数字化采集技术列入“十二五”规划中，将支撑我国自主产权的机载全波形激光雷达系统研制。与此同时，与硬件系统配套的全波形激光雷达数据预处理．处理．应用数据链必然随之成为研究热点。目前，国外学者对于全波形激光雷达机理、数据处理及应用的研究相对深入，研究成果验证了采用全波形数据对提高地物分类精度的有效性。在高精细点云分类、隐蔽目标识别等方面的研究未见报道。综上所述，随着我国自主产权的全波形激光雷达系统研制的开展，与硬件系统配套数据处理软件的研发需求引起广泛关注。本文紧扣激光雷达数据处理领域

第一章绪论的研究热点，基于机载全波形激光雷达工作机理，研究全波形激光雷达数据处理技术，发展激光雷达高精度分类理论与方法，实现高精度自动获取各激光点的地物类别信息，同时为后续目标分割与识别、三维信息提取与量测等处理的性能提升提供不可或缺的信息支撑。1．2LiDAR系统技术原理和数据特点1．2．1LiDAR系统分类目前激光雷达种类较多，按照不同方式有如下的分类：(1)按照平台分类：可分为地面固定式激光雷达、车载移动式激光雷达、机载激光雷达、船载激光雷达和星载激光雷达。(2)按激光发射波形分类：可分为脉冲激光雷达、连续波激光雷达和混合型激光雷达等。(3)按照激光介质分类：可分为固体激光雷达、气体激光雷达、半导体激光雷达和二极管激光泵浦固体激光雷达等。(4)按照激光雷达工作波段分类：可分为紫外激光雷达、可见光激光雷达和近红外激光雷达等。(5)根据回波记录方式分类：可分为离散激光雷达系统和全波形激光雷达系统。1．2．2国内外机载全波形激光雷达系统概况目前，国外生产机载激光雷达测量系统的单位很多，主要包括美国的Leica公司，奥地利Riegl公司，德国的IGI和TopoSys公司，加拿大Optech公司、瑞典的TopEye公司和荷兰的Fugro公司。这些单位的产品在测距精度、激光脉冲

全波形激光雷达数据处理与应用技术研究频率、激光波长、激光发散角等都各自不同。目前，世界上生产激光雷达扫描仪的厂商已经推出了全波形激光雷达扫描测量系统，相应的参数见表1—1所示。表1—1全波形激光雷达扫描仪主要参数袁1．3全波形激光雷达数据处理研究现状国内外对机载小光斑全波形激光雷达数据处理的相关研究起始较晚。2004年，奥地利Riegl公司生产了第一套商用机载小光斑全波形激光雷达测量系统LMS．Q560，全波形激光雷达能够以很小的采样间隔记录散射体的整个后向散射回波波形中所蕴含的丰富信息量立即引起了本研究领域学者的极大兴趣，开启了全波形激光雷达数据处理与应用研究时代。全波形激光雷达的波形，是指激光脉冲发射或接收脉冲的能量随着时间变化的函数。全波形激光雷达测量系统可对激光发射脉冲和经过同目标接触和相互作用并反射的后向散射回波脉冲均进行小时间间隔的强度采样，对强度进行数字量化，并记录下后向散射脉冲的强度值。后向散射回波波形是激光脉冲所照射的激光足印中所有目标对激光脉冲接触、相互作用并后向散射后的能量以及同系统噪声的叠加效果。目前，对于机载小光斑全波形激光雷达数据的处理及其应用技术的研究尚不成熟，还没有成体系的数据处理流程或规范。但是一般情况下，全波形激光雷达数据处理主要包括四个部分：波形数据预处理、波形分解、组分探测和组分分量4

第一章绪论提取及纠正。再根据不同的应用需求，将所获得的组分分量应用在不同的领域中。近年来，国内外学者在激光雷达数据处理和应用技术方面已经取得了不少研究成果。1．3．1数据预处理为了能够完整提取全波形激光雷达后向散射回波波形中的各个组分的详细信息，首先需要对后向散射回波波形进行噪声估计和粗差剔除。全波形激光雷达波形采样强度中的噪声主要包括系统暗电流和采样强度退化导致信息量丢失造成的振铃噪声。2005年瑞典国防研究机构激光系统研究部的A．Persson等人通过设定阈值的方法来去除后向散射回波波形中的噪声【l01。阈值是通过计算每个后向散射回波波形中采样强度的标准差中值(MAD，MedianAbsoluteDeviation)的方法来确定，低于阈值的采样强度将被认为是噪声去除。经过去噪后的后向散射回波波形便可用于波形分解。1．3．2波形分解目前对机载小光斑全波形激光雷达的后向散射回波波形的分解主要有两种主流思想，即波形建模采用期望最大化算法进行波形分解和基于反卷积的方法。(1)对回波中的组分建模，构建核函数，采用期望最大化算法进行波形分解。2005年维也纳工业大学的WolfgangWagner教授和H．Gross等人提出一种以基于高斯函数为核函数，采用期望最大化算法(EM，ExpectationMaximumalgorithm)对机载小光斑全波形激光雷达的后向散射回波波形进行波形分解，并提取了各组分的距离、振幅、回波宽度分量[11,12]；但是，当激光照射到的目标非平面，或为一倾斜的平面时，组分波形在形状上将不会是高斯函数，会发生变形，若仍采用高斯函数为核函数进行建模，在波形初始化及分解时就会产生较大误差。为此，2007年法国国家地理研究所A．Chauve等人采用广义高斯函数为核函数，并也采用EM算法对波形进行分解，额外提取了可指示波形形状的分量，有效解

全波形激光雷达数据处理与应用技术研究决了组分波形同核函数不相匹配的问题【13】。此外，在采用EM算法进行波形分解时要求的输入初始条件为后向散射回波波形中的组分数以及各组分的模型参数，就需要对回波波形中的组分数进行预估计。对于波形分解的初始化，2005年Persson等人提出了采用赤池信息量准则(AIC，Akaike’SInformationCriterion)对组分数进行估计，根据所预估计的组分数，可对模型进行初始化【l41。但当后向散射回波波形较复杂或去噪未彻底时，会存在遗失组分的情况。2009年，Chauve等人提出基于非线性最小二乘曲线拟合的列文伯格一马夸尔特算法(LM，Levenberg．Marquartalgorithm)，是一种可对激光脉冲后向散射回波波形进行增强探测的迭代算法[151，有效地探测回波中遗失的组分，能够保证后向散射回波波形中的组分能够被完整的探测和分解提取。(2)反卷积法。相比于上述思想，反卷积不但能够有效避开采用EM算法时对组分数以及各组分的模型初始状态参数需要严格初始化的硬性条件，而且若后向散射回波中的组分无法采用高斯函数来模建模时，按照上述方法将无法实现波形分解【l6】；2011年，维也纳工大AndreasRoncat等人针对反卷积所固有的病态问题，结合B样条后可得到较好的线性反卷积方法，故采用B样条辅助的反卷积方法对不同目标的后向散射截面进行测定。验证了此方法可以在存在噪声的情况下保持稳定，且数据处理速度优于高斯分解【171。2011年，美国罗切斯特技术研究所的J．Wu等人基于仿真的后向散射回波波形，通过实验分别验证Richardson．Lucy(I也)，维纳滤波和非负最+--乘这三种波形分解方法[181。通过恢复模拟的三维树木和草地，依据均方差、正确检测率、误判率、对噪声的敏感度是否有振铃效应等条件来比较上述三种方法。经过试验得出RL方法最好且可达到50％的正确匹配率，并且得出再利用反卷积方法进行波形分解时，发射脉冲的波形宽度对反卷积的影响最大，当发射脉冲的波形宽度越大时，波形分解的精度越小【19】。1．3．3组分分量纠正为了更好的利用全波形激光雷达强度信息进行目标参数反演，则需要对激光

分享到：

赞收藏

资料库

全波形激光雷达数据处理.pdf

相关推荐

开发技术

热门标签

最新资料