融合語義特征與GPS位置的地面激光點云拼接方法

浦 石,李京偉,郭四清

1.中國地質(zhì)大學(xué)(北京)土地科學(xué)技術(shù)學(xué)院,北京 100083;2.天地圖有限公司,北京 101399;3.廣州思拓力測繪科技有限公司,廣東廣州 510000

融合語義特征與GPS位置的地面激光點云拼接方法

浦 石1,李京偉2,郭四清3

1.中國地質(zhì)大學(xué)(北京)土地科學(xué)技術(shù)學(xué)院,北京 100083;2.天地圖有限公司,北京 101399;3.廣州思拓力測繪科技有限公司,廣東廣州 510000

提出一種融合語義特征與GPS位置的地面激光點云拼接方法,通過語義知識自動識別出原始三維點云中所包含的地面特征與建筑物立面特征,并使用這兩種面狀特征結(jié)合點云測站中心的GPS位置作為同名標(biāo)靶進(jìn)行點云初始拼接,隨后使用點到面最小距離約束下的ICP進(jìn)行點云精確拼接。試驗表明,本方法可以有效提高地面激光點云拼接的整體效率,尤其對于包含平面結(jié)構(gòu)(如馬路、建筑物)的場景具有良好的拼接效果。

拼接;激光點云;特征提取;分割

1 引 言

地面激光雷達(dá)掃描(terrestrial laser scanning)是一種近些年來飛速發(fā)展的主動式空間數(shù)據(jù)獲取技術(shù),可用于生成數(shù)字高程模型、數(shù)字線劃圖、三維城市模型等多種數(shù)字空間產(chǎn)品,在工程測量、數(shù)字城市建設(shè)、文物保護(hù)等領(lǐng)域具有重要的應(yīng)用。為了完成對被掃描物體或區(qū)域的完整覆蓋,往往需要在不同位置架設(shè)多個掃描站點。而每一站點的激光點云均處于彼此獨立的三維坐標(biāo)系下,無法直接用于后期處理,因此需要通過將不同站點的點云整合到統(tǒng)一的全局坐標(biāo)系,即三維點云的拼接。點云拼接是點云處理流程中的重要步驟,點云拼接的速度也直接影響點云數(shù)據(jù)處理的整體效率。

為了更好地解決點云拼接問題,學(xué)術(shù)界已提出了許多種點云拼接方法。從用于計算轉(zhuǎn)換矩陣的幾何特征模型分析,現(xiàn)有的拼接方法可大致分為基于點、基于線、基于面、基于影像4類。

1.1 基于點拼接

文獻(xiàn)[1]借鑒經(jīng)典圖像匹配SURF[2]的方法計算提取點云中的特征角點及其法向量,從而形成每一點云獨有的點特征簽名(point feature histogram signature)。通過對相鄰站數(shù)據(jù)的特征簽名進(jìn)行RANSAC(random sample consensus[3])統(tǒng)計匹配出兩個坐標(biāo)系的同名點對,并進(jìn)一步使用奇異值分解方法解算出6個未知參數(shù)。文獻(xiàn)[4—5]同樣使用類似的點特征方法進(jìn)行拼接。

1.2 基于線拼接

文獻(xiàn)[6]通過人工選定兩個點云中的同名直線段進(jìn)行拼接。文獻(xiàn)[4]使用自動匹配同名直線段拼接點云與影像。文獻(xiàn)[7]提出了融合面和曲線的最小二乘拼接方法。

1.3 基于面拼接

文獻(xiàn)[8]將傳統(tǒng)ICP中最小化對應(yīng)點總距離的方式變化為最小化點到對應(yīng)面的總距離,可達(dá)到比傳統(tǒng)ICP更好的收斂率。文獻(xiàn)[9]將點到面ICP中非線性最小二乘解算的過程簡化為線性最小二乘解算,在基本保證精度的情況下提高了算法效率。文獻(xiàn)[10]將點云中的特定特征擬合為圓柱、圓錐、圓球等常見幾何形狀,并利用同名物體的幾何參數(shù)變化計算坐標(biāo)系的6參數(shù)變換矩陣。文獻(xiàn)[11—12]中使用的幾何特征為點云中的平面特征。

1.4 基于影像拼接

文獻(xiàn)[13]提出了一種基于共線方程的改進(jìn)丹麥法選權(quán)迭代法,可實現(xiàn)任意角度光學(xué)影像和點云的精確配準(zhǔn)。文獻(xiàn)[14]使用與激光掃描儀同步拍攝的光學(xué)影像作為橋梁,借助計算機(jī)圖形領(lǐng)域相鄰影像匹配計算相對轉(zhuǎn)換矩陣的方式計算相鄰兩站的拼接參數(shù)。文獻(xiàn)[15]也使用了類似的拼接方式,但使用的是激光點云反射強(qiáng)度所生成的灰度影像。

以上現(xiàn)有方法大多需要基準(zhǔn)站和拼接站點云具有較多的同名特征,而全自動化的特征匹配對重疊區(qū)域的面積和特征類型具有嚴(yán)格要求,在實際作業(yè)中難以滿足。目前商業(yè)化點云拼接軟件如RiScan、Cyclone[16-17],所提供的拼接方法主要是通過同名點選取,即根據(jù)人工觀察判斷出每兩個相鄰站點云的同名點,并且需滿足至少4對和不可共面這兩個條件,過程十分漫長。本文針對現(xiàn)有拼接方法同名點選取效率低下的固有問題,提出一種融合點云語義特征與測站中心GPS位置的地面激光點云拼接算法。該方法對于角點特征不明顯的點云數(shù)據(jù)均有良好的適應(yīng)性,可大幅降低同名面特征的標(biāo)定時間,有效提高現(xiàn)有拼接過程的效率。

2 方法綜述

激光掃描可快速獲取空間場景的海量信息,但由于激光點其實是對現(xiàn)實世界的采樣,無法控制具體某個激光點落在某個精確的空間位置(如墻角)上。因此,即使對于兩站相鄰激光測站中的同名物體,也無法找到真正的“同名點”。例如在點間距均為5 cm的情況下,某一墻角的坐標(biāo)只能假定為其范圍在2.5 cm內(nèi)的某一激光點坐標(biāo)。此外,人工選點的操作方式也很難保證選擇的是最佳點。因此,基于同名點計算出的轉(zhuǎn)換矩陣難免帶有較大誤差,只能通過選擇多對同名點以進(jìn)行最小二乘平差。然而,目前主流激光掃描儀均已配備高精度的GPS設(shè)備,提供的掃描中心精確三維坐標(biāo)可以作為計算拼接轉(zhuǎn)換矩陣的一項特征。此外,激光掃描對于現(xiàn)實場景的采樣率非常高,足以記錄并恢復(fù)場景中的各種面。人類世界中包含地面、墻等大量平面特征。通過同一面上多個激光點擬合出的平面參數(shù)相對精確。使用同名“面特征”代替同名“點特征”,并結(jié)合測站中心的GPS位置,可以顯著提高拼接算法的精度及效率。文獻(xiàn)[18—19]提出了一種利用語義知識自動化識別地面激光點云中建筑物特征并進(jìn)行三維重建的方法。該方法同樣可以應(yīng)用在點云拼接中以提高算法的自動化程度。通過對點云分割片的語義化解讀,可以只保留對拼接有用的地面和墻體特征,從而將原始點云縮減為專門用于拼接的“特征子集”點云。對兩個“特征子集”點云進(jìn)行同名面片標(biāo)定的效率,將遠(yuǎn)遠(yuǎn)高于從所有點中進(jìn)行解讀及標(biāo)定的效率。

本文提出的點云拼接方法分為特征識別、初始拼接、精確拼接3個階段(見圖1)。首先,通過分割及語義識別判斷并提取出場景中的地面和墻體,并通過人工指定的方式標(biāo)定兩站間的同名面片;其次,結(jié)合測站中心的GPS位置估算出相鄰測站點云的初始平移向量及旋轉(zhuǎn)矩陣;最后,使用點到面迭代最近點(iterative closest point, ICP)[9-10]進(jìn)一步修正平移及旋轉(zhuǎn)參數(shù)以最小化兩站數(shù)據(jù)之間的誤差,從而達(dá)到站點的精確拼接。

3 特征識別

地面激光點云特征識別目的是從點云中自動識別提取出適合作為同名靶標(biāo)平面的墻體及地面部分激光點簇,分為點云分割與語義特征識別兩個步驟。首先,使用平面拓展法[20](見圖2)將點云按照空間共性將點云進(jìn)行平面分組,已形成可供進(jìn)一步信息提取的平面分割。隨后,將點云所獲得的場景特征按照類型分類為:地面、建筑物、植被、臨時物體(如車輛、行人)、桿狀物體(如交通桿、電線桿、路燈)。以上特征中,植被、臨時物體、桿狀物體均曲面較多且面積較小,不適合作為計算初始姿態(tài)的平面特征。地面是地面激光點云中的主要部分,建筑物的墻面也是點云數(shù)據(jù)中的常見特征。地面和墻面均為點云中的顯著平面特征,因此主要從此兩類面片中選擇用于計算初始姿態(tài)的同名平面。文獻(xiàn)[11]中給出了一種基于語義的特征識別方法。首先,通過知識總結(jié)出特征的語義化約束。隨后,計算出每一分割片可用于語義推理的特征描述符,即大小、位置、方向、拓?fù)潢P(guān)系。通過對特征描述符及特征約束的概率化對比,即可判斷出每一分割片所對應(yīng)的特征類型。圖2給出了一幅點云數(shù)據(jù)的分割效果及自動提取的墻體特征。

圖1 初始姿態(tài)計算流程圖Fig.1 Data flow of initial pose estimation

圖2 點云的分割與特征識別Fig.2 Segmentation and feature recognition from a laser point cloud

4 融合面特征和GPS位置的點云拼接

點云經(jīng)過特征識別處理后被簡化為只包含適合于作為同名特征的點云分割片。本方法首先借助人工標(biāo)定一到兩對同名面特征,并結(jié)合通過RTK測量的基準(zhǔn)站和拼接站中心GPS位置,計算出兩個測站的初始轉(zhuǎn)換矩陣,隨后使用點到面最小距離的ICP方法進(jìn)一步計算出精確拼接矩陣。

4.1 初始拼接

(1)旋轉(zhuǎn)。設(shè)基準(zhǔn)站一靶標(biāo)分割片的平面法向量為[PA1PB1PC1],其在拼接站同名靶標(biāo)分割片的平面法向量為[PA2PB2PC2]。拼接站對基準(zhǔn)站的旋轉(zhuǎn)方式為將拼接站坐標(biāo)系繞軸L旋轉(zhuǎn)α度,其中L為兩平面法向的叉乘向量,α滿足

(2)平移。設(shè)旋轉(zhuǎn)后基準(zhǔn)站內(nèi)兩靶標(biāo)分割片所在的平面的法向量為[A1B1C1]、[A2B2C2],則兩平面方程為

計算拼接站中心平移所依據(jù)的假設(shè)為:拼接站中心在基準(zhǔn)站的坐標(biāo)(X,Y,Z)距離基準(zhǔn)站中心(0,0,0)的距離約等于GPS位置的距離R;在基準(zhǔn)站坐標(biāo)系下(X,Y,Z)距第一個基準(zhǔn)靶標(biāo)平面的距離,等于在拼接站坐標(biāo)系中心距對應(yīng)同名標(biāo)靶平面的距離d1;在基準(zhǔn)站坐標(biāo)系下(X,Y, Z)距第二個基準(zhǔn)靶標(biāo)平面的距離,等于在拼接站坐標(biāo)系中心距對應(yīng)同名標(biāo)靶平面的距離d2。

將以上假設(shè)轉(zhuǎn)化為下列三元二次方程組

用兩個解分別計算兩站同名平面的距離,距離較近的為正確值,距離較遠(yuǎn)的為鏡像值。

當(dāng)b′2－4a′c′＝0時

當(dāng)b′2－4a′c′＜0時,方程無解,測站中心GPS位置測量錯誤時會發(fā)生該狀況,此時(X,Y, Z)應(yīng)滿足以下假設(shè)條件:①在線(4)上;②在過圓心(0,0,0)、垂直且與線(4)相交的直線上。

求解步驟為:

求過圓心且垂直于交線的平面

求平面(5)與線(4)的交點,即拼接站中心在基準(zhǔn)站坐標(biāo)系下的坐標(biāo)

4.2 精確拼接

經(jīng)過初始拼接后的拼接站坐標(biāo)系與基準(zhǔn)站坐標(biāo)系大致吻合,但由于受到平面曲率、平面擬合精度、RTK精度的影響,兩站數(shù)據(jù)之間仍存在一定誤差,須經(jīng)過迭代最近點ICP算法以進(jìn)一步精確拼接。本文采用的點到面ICP[6]是經(jīng)典ICP的一種變種方法,其遞歸收斂的最小距離為拼接站點到基準(zhǔn)站臨近三角格網(wǎng)的三維距離。

5 算法測試及結(jié)果分析

本試驗兩組數(shù)據(jù)所采用的激光掃描儀為國產(chǎn)第一代地面激光掃描儀Stonex X300[21]。該掃描儀具有300 m測距范圍,360°×90°可視范圍,掃描頻率最高達(dá)40 k Hz。除了配備激光掃描功能外,X300還配備有兩個1070萬像素的高清攝像頭(本次試驗中未使用相片),并可外置連接GPS/RTK設(shè)備。掃描測站的中心坐標(biāo)可通過置于掃描儀上的GPS坐標(biāo)減去連接桿高度獲得。算法由C＋＋語言開發(fā)實現(xiàn),運(yùn)行平臺為Windows 7 32位操作系統(tǒng),機(jī)器配置為Intel i5 750(2.67 GHz),內(nèi)存3 GB。

5.1 GPS位置結(jié)合兩對同名面拼接

本組測試數(shù)據(jù)的作業(yè)區(qū)域為河南省南樂縣王洪店村居民區(qū)。為了提高點云渲染及算法運(yùn)行效率,原始激光點云數(shù)據(jù)均已通過k-d樹抽稀處理至平均點間距5 cm。抽稀后基準(zhǔn)站點個數(shù)為506 083,拼接站點個數(shù)505 436。本測區(qū)由于處于村莊居民區(qū)內(nèi),平面特征較為明顯。本組測試數(shù)據(jù)初始拼接所選用的同名面為一對同名地面和一對同名墻面。兩站重疊區(qū)域距離大約10 m,在此重疊區(qū)域內(nèi)選取同名地面選取較為容易。但由于村莊建筑結(jié)構(gòu)較為單一,同名墻面的選取往往需要視覺對比周圍地物(如電線桿、大門形狀)以作出正確判斷。此外,此測區(qū)中狹長街道較多、路口較少,因此墻體特征一般只能選擇到平行于測站中心連線方向的墻體,而很少能夠找到垂直于測站中心連線方向的墻體。表1列出了使用本文方法以及Riscan軟件拼接模塊(tie point selection方法)進(jìn)行數(shù)據(jù)拼接的拼接速度以及中誤差對比。圖3(a)給出了本組測試數(shù)據(jù)的拼接結(jié)果,由于數(shù)據(jù)場景的復(fù)雜性,在使用Riscan的拼接過程中我們很難尋找到重疊區(qū)域的對應(yīng)物體,因此同名點對的選擇過程較長,且無法確保理想的同名點對選擇。

表1 第1組數(shù)據(jù)的拼接速度及精度Tab.1 Method efficiency for test case 1

5.2 GPS位置結(jié)合一對同名面拼接

本組測試數(shù)據(jù)的作業(yè)區(qū)域為廣東省廣州市某寫字樓區(qū)域。原始激光點云數(shù)據(jù)同樣已通過k-d樹抽稀處理至平均點間距3 cm。抽稀后基準(zhǔn)站點個數(shù)為228 590,拼接站點個數(shù)276 935。此測區(qū)由于建筑物結(jié)構(gòu)較復(fù)雜且地物特征多樣,因此同名平面特征的識別較5.1節(jié)容易,甚至某些大型貨車的側(cè)面也可作為同名面特征。由于每站掃描之前掃描儀均一經(jīng)過調(diào)平,因此RTK獲得測站中心GPS坐標(biāo)之后,只需選擇一對不處于水平方向的同名面特征即可。本組測試數(shù)據(jù)初始拼接所選用的同名平面為某一建筑物的墻面。表2列出了使用本文方法以及Riscan軟件拼接模塊(tie point selection方法)進(jìn)行數(shù)據(jù)拼接的拼接速度以及中誤差對比。圖3(b)給出了本組測試數(shù)據(jù)的拼接結(jié)果。本組測試數(shù)據(jù)場景較5.1節(jié)的數(shù)據(jù)簡單,因此選擇面狀特征和點狀特征均比較容易。與5.1節(jié)試驗相比,本方法對于拼接速度與精度的提升并不十分明顯。

表2 第2組數(shù)據(jù)的拼接速度與精度Tab.2 Method efficiency and accuracy for test case 2

5.3 分析與討論

以上測試數(shù)據(jù)的結(jié)果表明,首先,最終拼接質(zhì)量與選取一對或者兩對同名平面沒有太大關(guān)系。只要初始拼接能夠?qū)?shù)據(jù)大致逼近至ICP算法所能處理的范圍以內(nèi),則即使初始拼接步驟之后存在一定誤差也可以完成拼接。以本兩組數(shù)據(jù)為例,只要選取的同名面正確且兩組同名面不平行,則均可完成初始拼接并且誤差足夠使點到ICP達(dá)到正確收斂。但對于山區(qū)、農(nóng)田等平面特征稀缺的情況,可以預(yù)見到本方法所采取的語義特征識別將難以開展。其次,拼接中誤差與物體表面平滑程度有較大關(guān)系,這是因為在精確拼接階段算法收斂的約束為點到面的總距離最小,而凹凸不平的區(qū)域所擬合的平面距點本身就具有較大距離。再次,拼接效率主要取決于人工解讀場景的速度,而算法自動運(yùn)行的時間一般均在數(shù)秒之內(nèi)。在操作員熟練度相當(dāng)?shù)那闆r下,同名面判讀的效率主要取決于場景是否易于視覺判讀。如南樂數(shù)據(jù)由于對稱及相似結(jié)構(gòu)很多,造成一定程度上的人工判讀困難,而廣州數(shù)據(jù)由于建筑物外形獨特,且路面有汽車、裝飾等物體,操作員選定同名面片或者同名點均相對容易。如能將使用數(shù)碼相片對點云著色,相信可大幅提高點云特征的人工判讀速度。

圖3 基于GPS位置和同名平面特征的拼接Fig.3 Registration from GPS positions and planar features

6 結(jié) 論

本文給出了一種基于同名語義特征及測站GPS位置的拼接算法,可顯著提高含有規(guī)則平面結(jié)構(gòu)地面激光點云的拼接效率。與基于點特征的拼接方法相比,本文通過語義知識自動提取出地面特征和墻體特征作為面拼接所需的同名平面,從而克服了傳統(tǒng)方法中人工匹配同名特征效率低下甚至無法找到同名點的實際難題,以及自動匹配同名特征對數(shù)據(jù)重疊區(qū)域要求較高的固有弊端。通過對兩組地面激光點云數(shù)據(jù)拼接的試驗,表明本方法具有良好的拼接精度以及顯著的效率提升。為了進(jìn)一步提高拼接過程的速度,下一步將在以下幾個方面進(jìn)行深入研究:①豐富語義知識庫,使本方法可自動識別水塔、煙囪等曲面特征,從而利用此類同名特征進(jìn)行自動化拼接;②將指北針、傾斜補(bǔ)償器兩類芯片植入X300掃描儀,并通過算法實現(xiàn)基于GPS、指北針數(shù)據(jù)和傾角數(shù)據(jù)的全自動化點云數(shù)據(jù)拼接。

[1] RUSU R B.Semantic 3D Object Maps for Everyday Manipulation in Human Living Environments[J].KI-Künstliche Intelligenz,2010,24(4):345-348.

[2] BAY H,ESS A,TUYTELAARS T,et al.Speeded-up Robust Features(SURF)[J].Computer Vision and Image Understanding,2008,110:346-359.

[3] FISCHLER M A,BOLLESR C.Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography[J].Communications of the ACM,1981,24(6):381-395.

[4] BARNEA S,FILIN S.Keypoint Based Autonomous Registration of Terrestrial Laser Point-clouds[J].ISPRSJournal of Photogrammetry and Remote Sensing,2008,63(1): 19-35.

[5] STAMOS I,ALLEN P K.Geometry and Texture Recovery of Scenes of Large Scale[J].Computer Vision and Image Understanding,2002,88(2):94-118.

[6] HABIB A,GHANMA M,MORGAN M,et al.Photogrammetric and LiDAR Data Registration Using Linear Features[J].Photogrammetric Engineering and Remote Sensing,2005,71(6):699-707.

[7] GRUEN A,AKCA D.Least Squares 3D Surface and Curve Matching[J].ISPRS Journal of Photogrammetry and Remote Sensing,2005,59(3):151-174.

[8] BESL P J,MCKAY N D.A Method for Registration of 3-D Shape[J].IEEE Trans:Pattern Analysis and Machine Intelligence,1992,14(2):239-256.

[9] LOW K L.Linear Least-squares Optimization for Pointto-plane Icp Surface Registration[R].Chapel Hill: University of North Carolina,2004.

[10] RABBANI T,DIJKMAN S,HEUVEL F,et al.An Integrated Approach for Modelling and Global Registration of Point Clouds[J].ISPRS Journal of Photogrammetry and Remote Sensing,2007,61:355-370.

[11] BRENNER C,DOLD C,RIPPERDA N.Coarse Orientation of Terrestrial Laser Scans in Urban Environments[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2008,63:4-18.

[12] DOLD C,BRENNER C.Registration of Terrestrial Laser Scanning Data Using Planar Patches and Image Data[C]∥Proceedings of IAPRS.[S.l.]:IAPRS,2006:78-83.

[13] WANG Yanmin,HU Chunmei.A Robust Texture Image Registration Method for Terrestrial LiDAR Data[J].Acta Geodaetica et Cartographica Sinica,2012,41(2):266-272.(王晏民,胡春梅.一種地面激光雷達(dá)點云與紋理影像穩(wěn)健配準(zhǔn)方法[J].測繪學(xué)報,2012,41(2):266-272.)

[14] MANASIR K,FRASER C S.Registration of Terrestrial Laser Scanner Data Using Imagery[J].The Photogrammetric Record,2006,21(115):255-268.

[15] KANG Z,LI J,ZHANG L,et al.Automatic Registration of Terrestrial Laser Scanning Point Clouds Using Panoramic Reflectance Images[J].Sensors,2009,9(4): 2621-2646.

[16] RIEGL.Riscan Official Website[EB/OL].[2013-08-16].http:∥www.riegl.com.

[17] LEICA.Leica Cyclone Official Website[EB/OL].[2013-08-15].http:∥hds.leica-geosystems.com/en/Leica-Cyclone_6515.htm.

[18] PU S,VOSSELMAN G.Knowledge Based Reconstruction of Building Models from Terrestrial Laser Scanning Data[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2009,64(6):575-584.

[19] PU S.Building Fa?ade Reconstruction by Fusing Terrestrial Laser Points and Images[J].Sensors,2009,9(6): 4525-4542.

[20] VOSSELMAN G,GORTE B G H,SITHOLE G.Recognising Structure in Laser Scanner Point Clouds[J].Remote Sensing and Spatial Information Sciences,2004,46(8): 33-38.

[21] STONEX.Stonex X300 Official Website[EB/OL].[2013-08-20].http:∥www.situoli.com.

(責(zé)任編輯:宋啟凡)

Registration of Terrestrial Laser Point Clouds by Fusing Semantic Features and GPS Positions

PU Shi1,LI Jingwei2,GUO Siqing3
1.School of Land Science and Technology,China Geoscience University in Beijing,Beijing 100083,China;2.MapWorld Company Limited,Beijing 101399,China;3.Guangzhou Stonex Survey Technology Company Limited,Guangzhou 510000,China

A registration method is proposed for terrestrial laser point clouds by fusing semantic features and GPS positions.First,the semantic features such as ground and wall fa?ade are automatically recognized using knowledge,then together with GPS positions of the scan station,two point clouds can be roughly registered,and followed by a fine tuning using ICP which minimizes point to plane distance.Two test cases indicate that this method achieves higher registration efficiency for terrestrial laser point clouds, and is especially applicable to scenes containing planar structures such as roads and buildings.

registration;laser point clouds;feature extraction;segmentation

PU Shi(1983—),male,PhD,lecturer, majors in laser point cloud processing,3D recognition and reconstruction,and SLAM.

P232

A

1001-1595(2014)05-0545-06

國家自然科學(xué)基金青年項目(41001311)

2013-09-02

浦石(1983—),男,博士,講師,主要研究方向為激光雷達(dá)點云數(shù)據(jù)處理、三維特征識別與重建、未知環(huán)境定位與制圖技術(shù)等。

E-mail:pushi7＠gmail.com

PU Shi,LI Jingwei,GUO Siqing.Registration of Terrestrial Laser Point Clouds by Fusing Semantic Features and GPS Positions[J].Acta Geodaetica et Cartographica Sinica,2014,43(5):545-550.(浦石,李京偉,郭四清.融合語義特征與GPS位置的地面激光點云拼接方法[J].測繪學(xué)報,2014,43(5):545-550.)

10.13485/j.cnki.11-2089.2014.0075

修回日期:2013-12-16