2021-01-18_点云回波

激光雷达课程要点

简答：1. 什么是激光雷达？（1）总体认知：激光雷达是用激光器作为发射光源，采用光电探测技术手段探测目标的位置、速度等特征量的主动、无接触的遥感设备。（2）工作原理：向目标发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较,作适当处理后,就可获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数,从而对飞机、导弹等目标进行探测、跟踪和识别。（3）组成部分：由发射系统、接收系统、信息处理等部分组成。发射系统是各种形式的激光器，如二氧化碳激光器等组成；接收系统采用望远镜和各种形式的光电探测器，如光电倍增管、半导体光电二极管、雪崩光电二极管、红外和可见光多元探测器件等组合。激光雷达采用脉冲或连续波2种工作方式，探测方法按照探测的原理不同可以分为米氏散射、瑞利散射、多普勒等激光雷达。（4）激光雷达的特点： 激光雷达探测方式是主动式的，相对于普通雷达被动式，不轻易受地物回波、自然光、太阳高度角限制和影响，可以24h全天候作业。（5）常用波谱范围：1 （6）应用：激光扫描方法不仅是军内获取三维地理信息的主要途径，而且通过该途径获取的数据成果也被广泛应用于资源勘探、城市规划、农业开发、水利工程、土地利用、环境监测、交通通讯、防震减灾及国家重点建设项目等方面，为国民经济、社会发展和科学研究提供了极为重要的原始资料，并取得了显著的经济效益，展示出良好的应用前景。智能驾驶应用：生成车周围的点云，为了生成完整的点云，传感器必须非常快速地对整个环境采样，并返回到最近的接收器上，快速处理好数据。

2. 激光雷达组成部件？（1）激光雷达由激光发射机、激光接收机、信息处理系统、控制系统和操控显示终端组成。（2）发射激光系统：对于激光雷达整个系统来说，发射光学系统是最为重要的一部分，其中以激光器的性能为主，它的性能很大程度上激光器的探测性能，现阶段对于激光雷达来说532nm和1064nm的激光管最为常见，而激光器的种类有固体激光器和半导体激光器，随着输出功率的不断提高，半导体激光器因为宽的调谐范围，小巧的体积等优势是未来发展的主流方向。（3）激光接受机：激光雷达的接收单元由接受光学系统，光电探测器和回波检测处理电路等组成，其功能是完成信号能量汇聚，滤波，光电转换，放大和检测等功能。对激光雷达接收单元设计的基本要求是：高接收灵敏度，高回波探测器概率和低的虚警率。探测器是激光接收机的核心部件，由于雪崩光电二极管具有高的内部增益，体积小，可靠性高等优点，往往是首选探测器。（4）POS系统：用于定位

3. 激光雷达数据包含那些信息？（1）点云类：点云是通过机载激光发射器接收的信号进行处理所获得的表达地表三维形态的、离散的、密度不均匀的数据点集,能够以较高的精度反映地表的真实情况,如地面高低起伏,地表物体反射特征、大小、高矮,物体之间的相对距离关系等，可用于研究植被、农作物长势，地铁隧道变形监测，基于点云密度特征的智能车障碍物监测与跟踪，建筑物点云数据特征提取及三维建模等。（2）传播型：激光脉冲保留以下激光雷达点属性：强度、回波编号、回波数、点分类值、在飞行航线边缘的点、RGB（红、绿和蓝）值、GPS 时间、扫描角度和扫描方向。（3）量子型：广义定义：利用电磁波量子效应对感兴趣目标进行远距离探测的远程传感器系统均可称为量子雷达。量子技术与雷达探测技术的结合���来了量子雷达技术的诞生，该项技术有望提高雷达系统对目标的探测能力，在未来军事反隐身、空间探索等领域有着极大的应用前景。研究表明，相对于非纠缠的经典电磁波遥感探测系统，采用量子纠缠态电磁波探测目标的量子照射雷达可使雷达接收机处回波信噪比得到显著改善，从而全面增强雷达对目标的检测性能。同时，干涉量子雷达采用量子计量技术，使用高度纠缠的量子态对目标参数进行测量和估计，可以达到超灵敏度，即突破标准量子极限达到海森堡极限，极大地提高了雷达测距、测角分辨率及成像分辨率。

4. 常用的点云分类和分割方法有哪些？点云分割目的是将复杂场景点云划分为具有相似特征测度的匀质单元，特征测度的范围十分广泛，包含了通过点云几何信息反演的法向量、曲率、局部拟合残差等测度或者是强度、光谱及通过光谱信息反演的纹理等信息。点云分割方法分类：（1）根据分割测度特征空间基于空间域:利用点云法向量、曲率、图形拓扑以及颜色等相似性测度来进行分割，如区域增长、聚类分割方法。基于参数域:是利用在预定义先验分割模型的条件下采用Hough变换或Ransac方法来进行基于模型拟合的分割。（2）根据分割结果的表现形式基于边界的分割:基于边界的方法一般通过将点云转换为深度或密度影像，然后利用影像边界检测的方法来检测区域检测边界，或是直接针对点云或三角网数据根据特征形状算子、曲率极值特征点提取等方法来提取特征点并连接为特征边界线来达到分割目的。基于区域的分割:基于区域的分割方法主要包括了区域增长分割、聚类分割、扫描线分割、基于图结构或随机场以及基于参数拟合分割等分割方法。<1>区域增长分割：基于区域生长的点云分割是假设点云中某些在特征距离范围内的点属于同一曲面。区域增长主要包括两个基本步骤:（1）种子点或种子曲面选定(2)基于特征测度约束的增长。区域增长基于测度包括:点的空间距离、局部拟合平面参数、点法向量、曲率、强度等几何或光谱测度。点云区域增长分割步骤：（1）特征测度确定与估计:即用于约束区域生长过程的判定条件。（2）种子点选择:主要方法有人工交互选择、随机选择、根据法向量拟合残差自动选择或利用Hough变换来确定等方法。（3）区域增长分割:通过判断种子点的邻域点是否具有与种子点相似的特征测度，如果相似则将该邻域点标识为与种子点同一区域，并将该点作为新的种点。<2>基于特征聚类分割:模糊聚类分析是用来研究未知样本空间的分类问题,即在没有任何先验知识的前提下，根据数据内部的特征空间分布，在给定的相似性测度的约束下将数据聚合成不同的簇或类。基于特征聚类的点云方法主要分为两步:(1)基于点云属性的特征空间确定(2)特征空间聚类。常用聚类方法有：点云法向量模糊聚类分割、点云深度图像均值飘移聚类分割等。<3>基于模型集合模拟分割：基于模型拟合的点云分割方法主要是基于RANSAC以及Hough变换两种模型参数估计方法来进行点云分割。RANSAC算法是目前在计算机视觉领域应用非常广泛的稳健的模型参数估计算法，其最大的特点就是能够从包含有大量噪声点的样本中提取出精确的模型参数。基于RANSAC点云分割步骤：（1）预定义分割模型。每次分割只能分割出符合预定义模型的某一类曲面。由于采用了一种基于随机采样的迭代参数估计方法，一般只适合较为简单的如平面、圆柱面、球面等曲面模型的点云分割。（2）模型参数估计。在该步骤中, 将点云中未被标识的点作为采样样本��然后利用RANSAC提取样本中的最优模型参数。（3）模型内点标识。在设定了点到模型距离阈值的条件下，提取点云中符合该模型的内点标识为同一分割单元。如果点云中存在未被标识为分割的点，则重复2~3步骤直到所有点被标识为分割。（1）监督分类：卷积神经网络（2）非监督分类：K-Means,区域增长5. 激光雷达数据有哪些类型（从平台和数据两个方面阐述）？平台：（1）追求效率直接装到直升机或者固定翼飞机上，精度一般在10CM左右。（2）测区适合飞行，且对精度有要求，就用旋翼无人机，精度一般在5CM左右。（3）特定城区或者街道环境，选用车载模式激光雷达车载模式，100米以内精度达5CM。（4）背包式和手持式作为补充手段，填补最后的空白，处理后精度在10CM左右。数据：（1）波形数据：记录自出发点到目标点的波形数据。通常需要进行波形分解、地面和植被回波判识、波形指数计算, 进而基于波形指数建立森林参数的反演模型, 进行参数估计。随着数据存储能力和处理速度的提商,小光斑机载激光雷达系统现在已经可以通过数字化采样来存储整个反射波形,而不仅仅是由系统提取出来的3维坐标(即离散点云)。分析波形数据最重要的优点之一是可以在后处理过程中让使用者自己来提取3维坐标。（2）量子化离散点云数据：传统激光雷达，要通过提高能量和提高接收望远镜的面积来实现，但量子激光好在哪？我通过单光子的操作，可以降低它的噪声水平和提高它的工作效率。我们通过超导的办法，能够把它非常弱小的信号检测出来，我们的提取和检测都基本上做到极致，这就是基本上目前技术条件下，我们能想象出来的激光雷达极限。由此采集的离散的点云数据叫量子化离散点云数据。（3）多光谱激光数据：激光多光谱扫��成像探测方法不仅保持了激光探测所具有的较高的角度分辨率、距离分辨率和极高的抗干扰能力,而且利用激光多光谱扫描成像探测方法得到的数据图像中还包含了被探测物体的3D空间和光谱(频谱)信息,比通常的3-D 图像增加了光谱(频谱)维,故可以称为3D+1图像。而且,激光多光谱扫描成像是主动探测方式，也就是说得到的图像的频谱信息是由激光光源的频率成分决定的,这种主动的探测方式比以往的被动方式有更高的精确度,并可以获得被测物体表面及近表面物质材料的某些几何、物理和化学特性,进而可以有效地进行目标的伪装识别。（4）光电子激光雷达数据：微脉冲光子计数技术采用更加灵敏的探测手段, 能实现单光子级别的探测。仪器发射脉冲的展宽小且发射频率高, 能充分利用光子信息获取更高密度、更真实的数据。使用光子计数激光雷达则意味着植被散射单元多的区域内光子被记录的概率更高，有更多的光电子点云数据。

5. 目前有哪些新型的激光雷达设备？机载：莱卡AS60 AS40 无人机UAVmini 智喙”系列机载激光测量系统车载：中海达的HiScan-C SU1三维激光移动测量系统 中海达的HiScan-C SU1三维激光移动测量系统中海达的HiScan-Z SU2高精度三维激光移动测量系统 地级：手持：中海达的HiScan-P便携式三维激光移动测量系统 李德仁教授的船载：iAqua船载三维激光移动测量系统

6. 阐述激光雷达数据三维点云生成的原理？激光雷达LiDAR(Light Detection and Ranging)是激光探测及测距系统的简称，激光雷达点云数据就是由激光雷达扫描获取的。激光雷达利用激光对地球表面进行密集采样，通过分析激光的时间范围、激光的扫描角度、GPS位置和INS信息，将点数据后处理成高度精确的地理配准x,y,z坐标测量值，结合激光测量和摄影测量原理得到点云，包括三维坐标(XYZ) 、 激光反射强度(Intensity)和颜色信息(RGB), 在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云"(Point Cloud)。

7. 激光雷达技术在林业领域有何作用？机载激光雷达技术, 可以对地面的三维数据进行直接捕捉, 在林业数据估计等方面也有其优点。因此，激光雷达技术在林木蓄积量、获取树高、树林分布密度和生物量等森林数据的获取运用中起很大作用。机载：<1>运用机载激光雷达数据测量树高：通过计算来自地面和树冠顶部的激光回波的距离之差就是机载激光雷达系统测量树高的原理。作为反映立地质量和材积的重要数据, 关于树高信息的获取是非常有用的。<2>测量林分密度：经过识别树冠顶部来获取单位面积内的树木棵树就是林分密度。所以, 研究的重点就是树冠的分割。首先要用机载激光雷达数据形成树冠高模型, 然后, 选择变化的窗口在局部进行最大值的搜索, 将高程值中最大的激光点作为树冠顶部。<3>对林分生物量和蓄积量进行估测：研究一般认为机载激光雷达数据可以结合地面调查来勘测林区高科技分辨率的蓄积量以及树高。用局部最大值的方法获取冠幅和单株木树高是研究中的首要任务, 然后通过回归模型对胸高断面积和胸径的计算, 在现有的生物量和材积计算公式的基础上对材积和生物量进行分别计算, 最后的估测精度比仅用机载激光雷达数据进行测量的要高。星载：<1>全波形激光雷达：通常需要进行波形分解、地面和植被回波判识、波形指数计算, 进而基于波形指数建立森林参数的反演模型, 进行参数估计。全波形信号可分辨来自植被冠层、下木、地面的回波信号，重建了阔叶林的冠层垂直分布，广泛用于反演区域尺度的森林高度与生物量、生物多样性等参数。<2>光子计数激光雷达：使用光子计数激光雷达则意味着植被散射单元多的区域内光子被记录的概率更高。光子计数激光雷达数据在针叶林生物量估测方面的应用，光子计数激光雷达应用于稀树草原生态系统的潜力, 结果表明:得出的高度指标与离散型激光雷达计算得到的高度具有较好的相关性。<3>成像激光雷达:面阵激光雷达突破了单点探测、扫面成像的限制, 为获取高分辨率连续覆盖的植被三维信息提供了一种全新的技术手段。计划使用成像激光雷达技术实现全球5 m空间分辨率的地形和植被三维结构观测;能以较快的速度对选通距离内的目标物体同时成像,并利用距离-时间、增益-时间的映射关系实现场景内的距离细分;能进行森林郁闭度反演实验。课上：可以做分水岭分割，分析有多少树，每棵树的垂直结构，根据几何知道物种，判断树的长势情况（基于实测数据对激光雷达拟合的树的长势参数进行评估，如胸径、树高等）和健康状况。

8. 三维数据可以通过哪些方式生成？（1）全站仪：通过全站仪等传统手段或得三维数据。（2）空中三角测量：在立体摄影测量中，根据少量的野外控制点，在室内进行控制点加密，求得加密点的高程和平面位置的测量方法。（3）遥感影像：按成像方式分：航空摄影成像：数字摄影通过放置的焦平面的光敏元件，经光、电转换，以数字信号来记录物体的影像。航空扫描成像：依靠探测元件和扫描镜对目标物体以瞬时场为单位进行的逐点、逐行取样，以得到目标物的电磁辐射特性信息，形成一定谱段的信息。航空微波雷达成像：微波雷达是一种主动传感器，具有穿透云雾的能力，具有全天时、全天候的特点，对微波敏感物的识别具有重要意义。（4）倾斜摄影：倾斜���影不仅能够真实反映地物情况，还可以通过先进的定位技术嵌入精确的地理信息。（5）导航定位定向系统（简称：POS系统）：是通过全球导航卫星系统（GNSS）获取位置数据作为初始量，通过惯导系统获取姿态变化量，经过滤波等操作生成实时导航数据。应用POS系统，可获得移动平台位置和姿态的轨迹数据，实现直接地学定位。（6）GPS卫星定位系统：GPS定位系统靠车载终端内置SIM通过移动GPRS信号传输到后台来实现定位。可以远的地方定位人的行踪。

9. DEM,DSM, DTM,NDSM=DSM-DEM, BIM和 CHM（canopy height model）分别表示什么？DEM：数字高程模型（Digital Elevation Model)，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟（即地形表面形态的数字化表达），它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字地形模型(Digital Terrain Model，简称DTM)的一个分支，其它各种地形特征值均可由此派生。一般认为，DTM是描述包括高程在内的各种地貌因子，如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布，其中DEM是零阶单纯的单项数字地貌模型，其他如坡度、坡向及坡度变化率等地貌特性可在DEM的基础上派生。DSM：数字表面模型，DSM可以是地物表面的模拟，包括植被表面、房屋的表面，对DSM进行加工，去掉房屋、植被等信息，可以形成DEM。DTM：数字地面模型，以数字形式表示实际地形特征分布。数字地面模型是一个表示地面特征空间分布的数据库,一般用一系列地面点坐 标（x,y,z）及地表属性（目标类别、特征等）绗成数据阵列，以此组成数字地面模型。有时所指的地形特征点仅指地面点的高程，就将这种数字地形描述称为数字高程模型（digital elevation model，DEM）。NDSM：归一化数字表面模型，把所有地物拉在同一水平面，NDSM=DSM-DEM。BIM：BIM（Building Information Modeling）技术是一种应用于工程设计、建造、管理的数据化工具，通过对建筑的数据化、信息化模型整合，在项目策划、运行和维护的全生命周期过程中进行共享和传递，使工程技术人员对各种建筑信息作出正确理解和高效应对，为设计团队以及包括建筑、运营单位在内的各方建设主体提供协同工作的基础，在提高生产效率、节约成本和缩短工期方面发挥重要作用。这里引用美国国家BIM标准（NBIMS）对BIM的定义，定义由三部分组成：(1)BIM是一个设施（建设项目）物理和功能特性的数字表达；(2)BIM是一个共享的知识资源，是一个分享有关这个设施的信息，为该设施从概念到拆除的全生命周期中的所有决策提供可靠依据的过程；(3)在设施的不同阶段，不同利益相关方通过在BIM中插入、提取、更新和修改信息，以支持和反映其各自职责的协同作业。CHM（canopy height model）：冠层高度模型。首先由LIDAR点云数据生成冠层高度模型(Canopy Height Model,CHM),从CHM中估测单株木结构参数树的位置、树高、冠幅。

数据处理：1. 激光雷达点云数据如何栅格化？（1）确定所有点云里最小的和最大x,y，决定栅格化的起始位置和终点位置。（2）确定行、列号和格子大小。网格中的每个单元具有相同的空间维度。这些尺寸表示地面上的特定区域。如果你想从激光雷达数据中获得一个1m分辨率的光栅，你需要在激光雷达数据点上覆盖一个1m×1m的网格。网格大小如何定：通常拿到数据后，先选几平方米，求一下点的平均密度来估算一下格子大小。点云均匀时，选平均密度来定格子大小可以保留百分之70左右的原始点，大多数情况够用。行号：x的值减去x的最小值，除以格子边长，取整，再加1。列号也是如��。（3）遍历每一个点，确定每一个点落在哪个格网里。若同一个格网里有多个点，选最高（可以反应建筑物形态）、最低（可以生成DSM）或者平均值赋给该单元格。（4）若某个格网内没有点，则用临近点插值它的值。2. 如何平滑栅格化后的激光雷达点云数据？

3. 如何填补栅格化后的点云数据缺失？（1）反距离插值：反距离权重插值是一种常用而简便的空间插值方法，该方法以插值点与样本点之间的距离为权重进行加权平均，离插值点越近的样本点赋予的权重越大。（2）样条函数法：样条函数法式利用最小化表面曲率的数学函数来计算估计值，从而生成恰好经过输入点的平滑表面。样条函数类型：包括规则样条函数法和张力样条函数法。规则样条函数法生成一个平滑、渐变的表面，但是产生的插值结果可能会超出样本点的取值范围。张力样条函数法是根据要生成的现象的特征生成一个比较坚硬的表面，插值结果更接近限制在样本点的取值范围内。权重：规则样条函数法时权重值越大，生成的表面越光滑，所使用的典型值为0、0.001、0.001、0.1、0.5。张力样条函数法时权重值越大，生成的表面越粗糙，所使用的典型值为0、1、5、10。点数：参与插值运算的样本点的数目。（3）克里金法：克里金法（Kriging）是依据协方差函数对随机过程/随机场进行空间建模和预测（插值）的回归算法。泛克里金法仅用于数据的趋势已知并能合理而科学的描述。（4）自然邻域法：自然邻域法是根据插值点附近样本点的值和距离来计算预估表面值，也称为Sibson或区域占用插值（area-stealing）插值。该方法的基本属性是其具有局部性，仅使用查询点周围的样本子集，且保证插值高度在所使用的样本范围之内。不会推断表面趋势且不能生成输入样中未表示出的山峰、凹地、山脊、山谷等地形。生成的表面将通过样本点且在除样本点位置之外的其他所有位置均是平滑的。（5）趋势面法：趋势面法式通过全局多项式插值法将由数学函数（多项式）定义的平滑表面与输入采样点进行拟合。趋势表面会逐渐变化，并捕捉数据中的粗尺度模式。使用趋势面法可以获得表示感兴趣区域表面渐进趋势的平滑表面。

4. 提取点云数据的特征点，譬如建筑面片相交的边缘点、房屋角点等？首先利用RANSAC算法对屋顶面片进行提取和拟合,并用Alpha Shape算子（）进行轮廓提取,最后分析面片间的拓扑关系,提取建筑物屋顶特征点,结合DLG建筑物角点的平面坐标来反算建筑物顶部轮廓点,（1）面片分割：先合理地选几个种子点，形成一个面，然后计算其他点到这个面的距离，当距离小于阈值时，点加入这个面，然后重新拟合这个面。面片分割后得到各转角线的起点、终点。（2）曲线上某点斜率不连续的点（3）K-means（4）在建筑物信息提取当中,本文融合大比例尺数字线划图(DLG)和点云数据利用GIS的叠置分析和缓冲区分析方法进行建筑物信息提取。针对DLG的时效性的不足,本文利用遥感影像进行建筑物加密和检验。实验证明,DLG能够准确地从滤波后点云数据当中提取建筑物点。与其他建筑物信息提取方法相比,DLG提供的建筑物轮廓精度更高,建筑物点提取效率更高。

5. 试举一例，简述从激光雷达点云数据中重建建筑三维模型的方法？一．（基于模型驱动）（1）把不同的地物分开，云标注，边界检测算法，根据体度特征。（2）面片分割，得出各转角线的起点、终点。（3）拓扑关系，狄洛尼三角网到构建TIN二．（面-线-体）在建筑物重建过程当中,本文首先利用RANSAC算法对屋顶面片进行提取和拟合,并用Alpha Shape算子进行轮���提取,最后分析面片间的拓扑关系,提取建筑物屋顶特征点,结合DLG建筑物角点的平面坐标来反算建筑物顶部轮廓点,利用由地面点内插形成的DTM结合DLG建筑物角点反算建筑物底部轮廓点,从而进行建筑物重建。

6. 从三维点云中如何提取建筑的二维线划图DLG？三维点云转化成二维线画图有下述几个途径：一是直接量测点云模型上建筑的相关数据，按照传统古建筑测绘的方法绘制成图;二是截取点云的一部分形成点云“切片”，然后将“切片”导入相关软件经拟合后形成二维线画图;三是对建筑的某个面域制作相对于该面的正射投影“点云”图，对正射投影图匹配照片颜色信息后导入其他处理软件后进行“描摹”成二维线画图。除此之外，对于建筑组群需要制作连续正射影像图，对于特殊形体的建筑附属物可以通过等值线图来体现。

7. 如何从点云数据中获取测区的DEM或DSM数据产品？DSM：先栅格化，然后通过surf软件生成DSM。DEM：先滤波（去除因仪器和环境等因素造成的噪声点、即离群点，属于随机误差，通常用高差、点到三角网的距离、点到参数平面的最短距离来区分哪些是粗差点，滤波的困难：高粗差和低粗差如何区分出来并去除，以及地物复杂性的影响），去除各种地物，填补空洞（利用周围点的高程来插值），构建狄洛尼三角网，生成DEM。

8. 简述如何利用RANSAC 算法从三维点云中提取平面？RANSAC核心思想就是随机性和假设性，随机性用于减少计算，循环次数是利用正确数据出现的概率。而假设性，就是说随机抽出来的数据都认为是正确的，并以此去计算其他点，获得其他满足变换关系的点，然后利用投票机制，选出获票最多的那一个变换。我们来看一下具体的流程：1、在可以有（也可以没有，主要看应用场景）条件限制（比如选的子集里的点不能过远等）的情况下，随机选取子集，并假设为局内点。子集的大小，主要取决于要拟合模型的复杂度。2、用局内点拟合一个模型，此模型适应于假设的局内点，所有的未知参数都能从假设的局内点计算得出。3、 用2中得到的模型去测试整个数据中其他数据，如果某个点适用于估计的模型，认为它也是局内点，将局内点扩充。4、如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。5、用所有扩充后的局内点去重新估计模型。6、通过估计局内点与模型的错误率来评估模型。7、如果当前模型效果比最好模型更好而被选用为最好模型，否则抛弃当前模型。至此完成一个迭代，然后从第1步开始一个新的迭代。其实我们看完这个流程，其实RANSCA的思路通俗的说，就是在一定的条件下（不是没有限制的随机），去试，试的多了找到正确或者好的可能行就大了。整个思路很朴素，其实通过概率分析，其实他的得到好的结果的计算量，没有你想想的那么大，当然其还是有一定的概率会计算错。分割面片：RANSAC 算法的选点方式是从原始数据点中随机选出 3 个点作为种子点来获取平面参数的初始值，然后根据初始值寻找数据中其他的局内点。（1）尽可能选取点分布均匀、波动起伏较小，属于同一片面可能性较大的初始点，以确定平面初始参数。（2）确定平面模型参数的初始值后，判断准则的选择尤为关键。设定两个判断条件，一个是局内点的个数，另一个是拟合平面的标准差。局内点到平面的距离理论上应为零，但考虑到点云数据存在误差，实际上所得到的平面并不是严格意义上的平面，而是包含了一定“厚度”的拟合面片。算法分割的效果受阈值 δ 的影响，阈值过��会造成平面的过度分割，过大则会增大平面的腐蚀作用。机载 LiDAR 数据的高程相对精度约为 0． 15 ～ 0． 2 m，故 δ 一般取 0． 15 ～ 0． 2 m。如果某点到平面的距离小于δ，则认为是平面模型的局内点。统计局内点的个数，如果大于阈值Pmin，则面片分割成功。分割面片的最佳条件不仅需要考虑局内点的数量，同时还要顾及面片的标准差，即便局内点个数很多但标准差很大的面片也是分割不正确的面片，是“坏”的空间面片。

综合分析：1. 激光雷达如何助力无人驾驶？（1）3D建模进行环境感知。通过激光扫描可以得到汽车周围环境的3D模型，运用相关算法比对上一帧和下一帧环境的变化可以较为容易的探测出周围的车辆和行人。通过三维激光雷达数据获得路沿等信息，映射到2D网格与相机图像信息融合处理，可以获得路面的车道边界。将激光雷达与相机视觉检测的空间/时间数据融合，进行车道估计与跟踪，结合从地图数据生成的车道曲率约束和可参考的车道等信息，则可以获得高可信的车道估计。接收到激光雷达输出的原始点云数据之后，通过坐标转换形成点云的栅格化表述，并从中区分地面点的集合以及地面以上障碍点的集合，完成地面和障碍物分离，形成地面估计与分割。在非结构化的越野环境中行驶，还需考虑包括地面起伏、凸起障碍、负障碍物、水体等多种环境要素。（2）SLAM加强定位。在自主驾驶过程中需要一个厘米级的高精度地图，结合环境模型和传感器场景和交通状况感知，最后进行驾驶决策。这其中，激光雷达起到了地图采集、环境感知和辅助定位等功能。3D激光雷达的另一大特性是同步建图（SLAM），实时得到的全局地图通过和高精度地图中特征物的比对，可以实现导航及加强车辆的定位精度。��着自动驾驶的火热，激光雷达受到前所未有的追捧，因为其具有高精度、大信息量、不受可见光干扰的优势。目前尚存在的问题：（1）极端驾驶环境下，探视距离线性下降。由于激光雷达主要依靠激光的漫反射来实现的测距，决定了其在环境感知方面也不是万能的。雾霾天、大雨、大雪等极端天气对激光雷达的检测范围、识别时间等都有较大影响，虽然少量雨或雪可以通过算法的优化来进行信息过滤处理。在雨雪和雾天等情况下，空气中悬浮物会对激光发射和激光的反射检测等环节产生影响，从而影响其检测精度。雨或雾分布密度决定激光与之相撞概率，随着实验雨量增大，其最远探测距离线性下降。（2）影响激光雷达精度的外部因素颇多。影响激光雷达感知精度的外部因素包括天气，车辆自身的运动状态，随机扰动和传感器安装位置等。（3）现有激光雷达面临产品设计和供应链的挑战。（4）激光雷达的智能化挑战。如今都是智能化时代，激光雷达传感器如果能够结合传感器特点进行原始数据的预处理，提供云数据处理结果，从硬件到处理软件的一体化方案，有效降低用户门槛，提高应用广度，将会是比较大的挑战。改进方向：通过目前的市场现状，可以看出处于路线一的厂家（走ADAS的沃尔沃、奔驰等传统厂家）正努力通过投资、技术合作的方式弥补自身在自动化领域的技术缺陷，比如宝马与百度地图合作，Mobileye与英特尔、宝马的战略合作，甚至是奔驰、奥迪、宝马联合对Here地图进行收购。而处于第二条路线的“一步到位”型厂家也面临着恶劣天气激光雷达障碍、高精度地图依赖程度过高的问题，因此，如果两者能够进行互补，把传感器技术用到了极致配上激光雷达，或许无人驾驶就真正离我们不远了。

2. 微软���Kinect 设备，谷歌的Tango 平板都可以获取三维点云数据，试分析这些消费级的数据产品获取的点云数据有何用途？与我们的生活有何关联？（1）扫描场景及制图。一些厂商还展示了简单但实用的应用程序，包括制图、或是扫描现实场景来做一些室内设计，比如一款家具是否符合你房间的装修风格。（2）增强现实类游戏。游戏也是Project Tango的一个主要方向，我们在演示中看到了几款游戏，比如通过移动平板来猎杀僵尸，非常有趣。另外，还可以扫描现实场景作为游戏内容，也是一个不错的概念。（3）作为头戴显示器。开发商Durovis以推出头戴显示器配件而闻名，此前的Durovis Drive可以把iPhone等主流手机变成虚拟现实设备。套用这个概念，Durovis展示了如何将Project Tango平板作为虚拟显示器，通过一个头戴式配件实现。演示的项目为一个虚拟水族馆，在某种程度上说明了Project Tango的潜质。（4）另一个应用程序，《Measure》，则能让人们以极高的精度测量现实生活中和物体的距离。（5）能够知道我们如何在周围的空间移动是非常重要的。当我们的设备拥有了空间推理功能，一种全新的体验就此诞生。（6）尽管Kinect仍然存在一些缺陷，但其功能仍然非常强大，可以作为客厅中的通用遥控器，来取代以往配备大量按钮的传统通用遥控器。（7）Kinect 的成功源于消费者对于自然人机交互方式的渴望和认可。站在电视机前，用你的身体和声音来操控游戏机，不管是打球还是赛车，你只需要像在现实生活中那样摆出动作即可。这种全新的“体感”体验，无需借助任何手柄、遥杆，鼠标或者遥控器，正如 Kinect 的广告语所言——“You are the controller”(你就是遥控器)。它让每个人都能轻松成为 Kinect 的玩家，普通消费者享受游戏乐��的门槛被大大降低。（8）Kinect是一种3D体感摄影机(开发代号“Project Natal”)，同时它导入了即时动态捕捉、影像辨识、麦克风输入、语音辨识、社群互动等功能。（9）微软的Kinect不需要使用任何控制器，它依靠相机捕捉三维空间中玩家的运动。微软指出它会让系统更加简易操作来吸引大众。

3. 结合测绘专业，试举一例详细分析激光雷达点云和无人机航片空三解析得的点云之间的异同？试从数据获取平台、设备性价比、获取的数据质量等多方面阐述其优缺点？获取数据平台：激光雷达采集的点云数据是直接通过激光发射器获取的地面点点位数据。而无人机航片空三解析是在无人机上搭载相机获取像片，然后利用空三加密，指利用少量控制点的像方和物方坐标，解求出未知点的坐标。设备性价比：由于无人机相对便宜，可以在有需要的大型区域进行快速勘察。此外，使用配备了GPS、数码相机以及强大计算机的无人机，可以进行精度达1至2厘米的测量。大疆无人机的价格约为八九千，摄影机的价格也是几千到上万不等，总体性价比较高。而激光雷达价格昂贵，性价比较低。数据的质量：使用激光雷达测绘系统需要得到一定的激光器的位置坐标信息，可以利用GPS技术来获得，进而计算出每一个激光点的大地坐标，众多的激光点汇聚成激光点云，从而构成点云的图像。激光点云数据的密度比较高，精度非常大（高程精度可达0.15米到2米），这些数据能够直接体检激光点位的三维坐标特点，有效地建立数字化高程模型。　倾斜摄影是获取地物多角度影像，可生成地面真实纹理的全三维场景模型，模型真实、细致，精度高，衍生产品多。倾斜摄影精度较低，纹理好，无法过滤植被，模型画图（适合各类地物）；激光雷达精度精度高，���散，纹理一般，可以过滤植被，切片画图（适合房屋等人工建筑）。