基于影像和基于LiDAR都能获得DEM,请说明他们的区别并给出基于LiDAR获取DEM的主要方法

基于LiDAR获得DEM数据，通过对获取的三维激光点云数据进行去除噪声和滤波处理，可以直接得到DEM。但是机载激光雷达数据处理算法还不太成熟。

基于影像获得DEM数据，影像测量是通过立体像对，利用共线方程的原理间接获取DEM，周期较长，在一些特殊地区使用较为困难，人工干预工作量很大，并且成本较LiDAR的方法成本高。

也就是说 基于LiDAR获得的 没有地形条件的限制 成本低 作业时间短 人员工作量低 但缺点是 数据处理还不成熟

近日，深圳奥锐达科技有限公司（下称“奥锐达”）正式发布单光子面阵固态激光雷达技术方案（下称“方案”）。该方案创新性地融合VCSEL与SPAD技术架构，实现了分辨率和探测距离的显著突破，并在功耗、体积等工程化特性上有突出表现。

值得关注的是，奥锐达全固态激光雷达样件Ordarray的实测Demo视频也在奥锐达官网首次亮相。视频中展示了Ordarray实时重建百米级范围内的实时路况点云图过程。

图注：奥锐达全固态激光雷达样件Ordarray

V CSEL + SPAD 技术 ，实现 远距离 单光子 探测

在全固态激光雷达领域，目前主流的技术路线为包括OPA 光学相控阵技术、 Flash 快闪技术等。其中，OPA 光学相控阵技术技术难度高，成本居高不下；Flash快闪技术则因其发射面阵光源的物理特性，能量分散，探测距离则较为受限。

奥锐达的激光雷达采用创新性的VCSEL+SPAD技术方案。其中，多节可寻址VCSEL（Addressable VCSEL）通过可控的多光束扫描技术，对外发射VCSEL 激光器的点阵多光束光源；同时，探测器可以开启与发射相对应的区域，接收目标反射光；最终通过电子扫描，完成整个视场范围内的激光雷达点云获取。

图注：VCSEL+SPAD的可控多光束扫描技术图解

这种可控的多光束扫描光源被称为可寻址VCSEL（Addressable VCSEL）。相较于Flash方案，可寻址 VCSEL激光器的发射光峰值功率密度和信号信噪比均显著提高。这也意味着，在相同的功率下，奥锐达的激光雷达方案可以实现更远的探测距离。此外，这种扫描方式有助于芯片化和小型化，最大限度地减少了外围电路的复杂程度，实现全固态扫描。

在接收端，奥锐达的方案采用了SPAD（Single Photon Avalanche Diode, 即单光子雪崩二极管）阵列传感器，从而使得激光雷达具备单光子探测能力，探测灵敏度大幅提升。

实际探测过程中，奥锐达的激光雷达探测系统，可以在亚毫秒/毫秒级的时间段内，使用可寻址VCSEL光源打出去成百上千个光脉冲。从目标反射回来的激光脉冲信号被对应区域的SPAD像素接收，以一定的概率触发像素发生雪崩事件，完成光子计数。最终，系统通过排序累积形成能够完成接收脉冲信号波形重构的直方图，从而实现对目标的测距。

图注：智能汽车传感器示意图

TCSPC 动态调整， 合理分配系统能力

从技术角度出发，发射+接受脉冲光信号的次数越多，系统对波形的重建也越准确，测距能力也越强。但是，累积次数过多也会导致系统帧频的下降。

为此，奥锐达的激光雷达方案可以通过调整 TCSPC（Time-Correlated Single Photon Counting，时间相关单光子计数器）次数动态，来设置不同探测区域的测距性能。

在实际行车过程中，智能汽车对不同视角、不同环境下的测距需求是不同的。在需要更多深度信息的区域，Ordarray可以打上更多脉冲光信号；在边缘区域，Ordarray可合理降低信号的发射与接收频次，使得系统能力通过动态调整得到合理分配。

目前，奥锐达已经完成全套技术链路的验证。基于业界先进的标准CMOS半导体工艺制作的可量产的VCSEL激光器，SPAD阵列型传感器和芯片，奥锐达的单光子面阵激光雷达技术已经攻克了在较小体积和功耗条件下高帧率的激光发射、接收、信号处理的各项技术难关。

图注：Ordarray在静止与行驶状态下生成的点云图。

值得一提的是，基于单光子面阵雷达的特殊成像模式，Ordarray可同其他激光雷达、高清摄像头等高精度传感器协同工作，大幅降低旋转和混合固态式激光雷达与其它异构传感器数据标定融合的困难，使得智能汽车处理中枢完成多类传感器的数据前融合。在多传感器的加持下， Ordarray可以全面提升智能汽车对行人、障碍物和小型物体的检测能力，从而提升自动驾驶的安全冗余及容错率。

全固态模块化设计， 更 小巧 、更 灵活 、更 易 装车

目前，奥锐达已经成功实现大规模固态面阵激光雷达的集成设计。Ordarray采用全固态结构设计，机身内部没有任何机械旋转运动部件。这直接降低了车载激光雷达产品的体积、故障率，全线提升产品可靠性。

Ordarray还采用模块化创新设计，重构了发射模块、接收模块、信息处理模块等内部空间，以适配不同车型对于激光雷达的探测要求。奥锐达设计了多款接口完全兼容的收发镜头。按照不同的性能需求，只需要更换光学镜头，即可精准获取不同视场角及探测范围内的点云数据，从而大幅降低厂商的适配成本。

图注：奥锐达Ordarray的摄像头可以拆解更换，以适配不同需求。

为了解决固态激光雷达的量产难题，奥锐达结合多年3D视觉类产品大规模量产经验，自主研发机器视觉自动化装调方案，减少繁琐的人工校准等程序，从而轻松实现激光雷达装调，大幅提升激光雷达的可量产性。

针对固态激光雷达，奥锐达将在今年对技术和产品进行两轮迭代；在推进产品研发的同时，奥锐达车规级工厂和产线也提上议程，预计到2022年，符合 IATF 16949 标准的车规级产线将逐步投产。

图注：奥锐达通过自动化装调方案，提升产品可量产性。

深圳奥锐达科技有限公司是奥比中光科技集团股份有限公司的控股子公司。作为国内领先的车载3D视觉传感器方案提供商，奥锐达自2019年4月成立起一直致力于创新的激光雷达和车载3D摄像头底层核心元器件和新型架构的设计，公司产品包括面向移动机器人行业和汽车行业的激光雷达和车规级3D TOF摄像头。 @2019

三维计算视觉研究内容包括：

（1）三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有 最近点迭代算法 ICP 和各种全局匹配算法。

（2）多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多视几何的一些约束，相关研究目前很火，射影几何和多视图几何是视觉方法的基础。在摄影测量中类似的存在共线方程，光束平差法等研究。这里也将点云的多视匹配放在这里，比如人体的三维重建，点云的多视重建不仅强调逐帧的匹配，还需要考虑不同角度观测产生误差累积，因此也存在一个优化或者平差的过程在里面。通常是通过观测形成闭环进行整体平差实现，多视图重建强调整体优化。可以只使用图像，或者点云，也可以两者结合（深度图像）实现。重建的结果通常是Mesh网格。

（3）3D SLAM：点云匹配（最近点迭代算法 ICP、正态分布变换方法 NDT）+位姿图优化（ g2o 、LUM、ELCH、Toro、SPA）；实时3D SLAM算法 （LOAM）；Kalman滤波方法。3D SLAM通常产生3D点云，或者Octree Map。基于视觉（单目、双目、鱼眼相机、深度相机）方法的SLAM，比如orbSLAM，lsdSLAM

（4）目标识别：无人驾驶汽车中基于激光数据检测场景中的行人、汽车、自行车、以及道路和道路附属设施（行道树、路灯、斑马线等）。

（5）形状检测与分类：点云技术在逆向工程中有很普遍的应用。构建大量的几何模型之后，如何有效的管理，检索是一个很困难的问题。需要对点云（Mesh）模型进行特征描述，分类。根据模型的特征信息进行模型的检索。同时包括如何从场景中检索某类特定的物体，这类方法关注的重点是模型。

（6）语义分类：获取场景点云之后，如何有效的利用点云信息，如何理解点云场景的内容，进行点云的分类很有必要，需要为每个点云进行Labeling。可以分为基于点的方法，基于分割的分类方法。从方法上可以分为基于监督分类的技术或者非监督分类技术，深度学习也是一个很有希望应用的技术。

（7）立体视觉与立体匹配 ZNCC

（8）SFM（运动恢复结构）

1、点云滤波方法（数据预处理）：

双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。

VoxelGrid

2、关键点

ISS3D、Harris3D、NARF

SIFT3D、

3、特征和特征描述

法线和曲率计算 NormalEstimation 、特征值分析Eigen-Analysis、 EGI

PFH、FPFH、3D Shape Context、Spin Image

4、 点云匹配

ICP 、稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICP

NDT 3D 、Multil-Layer NDT

FPCS、KFPCS、SAC-IA

Line Segment Matching 、ICL

5、点云分割与分类

分割：区域生长、Ransac线面提取、NDT-RANSAC、

K-Means、Normalize Cut（Context based）

3D Hough Transform(线、面提取)、连通分析、

分类：基于点的分类，基于分割的分类；监督分类与非监督分类

6、SLAM图优化

g2o 、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation 、NDT

7、目标识别、检索

Hausdorff 距离计算（人脸识别）

8、变化检测

基于八叉树的变化检测

9 三维重建

泊松重建、Delaunay triangulations

表面重建，人体重建，建筑物重建，树木重建。

实时重建：重建植被或者农作物的4D（3D+时间）生长态势；人体姿势识别；表情识别；

10点云数据管理

点云压缩，点云索引（KD、Octree），点云LOD（金字塔），海量点云的渲染

点云驱动的计算机图形学主要研究应用

>

以上就是关于基于影像和基于LiDAR都能获得DEM,请说明他们的区别并给出基于LiDAR获取DEM的主要方法全部的内容，包括:基于影像和基于LiDAR都能获得DEM,请说明他们的区别并给出基于LiDAR获取DEM的主要方法、全固态激光雷达新配方，奥锐达推国产单光子面阵技术方案、点云数据处理等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！