CN103268609B - 一种有序提取地面的点云分割方法 - Google Patents
一种有序提取地面的点云分割方法 Download PDFInfo
- Publication number
- CN103268609B CN103268609B CN201310185363.2A CN201310185363A CN103268609B CN 103268609 B CN103268609 B CN 103268609B CN 201310185363 A CN201310185363 A CN 201310185363A CN 103268609 B CN103268609 B CN 103268609B
- Authority
- CN
- China
- Prior art keywords
- point
- ground
- depth transducer
- cloud
- row
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种有序提取地面的点云分割方法,包括以下步骤:S1:深度传感器对被测场景进行逐列扫描,设置列数j在第一列时j=0;S2:根据深度传感器坐标系下相邻点之间的角度变化关系,得到该列深度传感器深度信息中在截止点i前属于地面的部分和该列点的相对应的本地坐标;S3:依次在深度传感器坐标系和本地坐标系下,判断点i后的点是否属于地面;S4:判断被测场景中的每列深度传感器深度信息是否均已处理,如果是,则点云地面部分提取完成,进行步骤S5;反之令j=j-1,返回步骤S2;S5:对非地面点云进行基于距离的聚类分割,将场景中的物体彼此分离。本发明所公开的方法实现在多种路面情况下的点云分割,使得场景中个物体得已彼此分离。
Description
技术领域
本发明涉及点云分割领域,特别涉及一种有序提取地面的点云分割方法。
背景技术
利用深度传感器和位置姿态传感器基于固定站或移动平台获取周围场景的三维点云信息,近几年由于其重建精度高、重建视角好而得到了快速发展。由于扫描场景涉及各种不同类型的物体,如建筑物、地面、以及树木、行人、车辆等地面上物体,因此在点云建模之前需要通过点云分割将上述各部分彼此分开。之前方法处理点云分割均是将深度传感器采集到的数据认为是大量的无序离散点云,而忽视了在采集过程中深度传感器逐列依次扫描的有用信息。聚类分割方法具有时间复杂度低,易于实现的优点,尤其是基于距离的聚类方法更适用于空间点云分割,其基本思想是对于空间中的点,将其周围一定范围内的点和该点划分至同一聚类,直至该聚类无法继续扩充。但对于室外场景,必须将地面提取出来才可以应用聚类方法来进行聚类分割,否则地面的存在会使所有地面上的其他物体连在一起,无法完成分割。当前提取地面的方法采用随机抽样一致性算法(RANSAC),将地面作为当前场景中的最大平面而直接得到,但这忽视了地面的起伏,以及不可避免的坡路地面情况,也影响了接下来在此基础上进行的聚类分割来把地面上的各物体通过彼此点与点之间的距离聚类分开的效果。
发明内容
(一)要解决的技术问题
本发明所要解决的技术问题是:基于深度传感器和位置姿态传感器获取到的三维点云信息,如何提供一种有序提取地面的点云分割方法,以克服现有技术大场景中涉及的起伏路面和坡路情况的技术问题,更好地完成点云分割。
(二)技术方案
为了解决上述的技术问题,本发明提供了一种有序提取地面的点云分割方法,包括以下步骤:
S1:深度传感器对被测场景进行逐列扫描,设置列数j在第一列时j=0;
S2:根据深度传感器坐标系下相邻点之间的角度变化关系,得到该列深度传感器深度信息中在截止点i前属于地面的部分和该列点的相对应的本地坐标;
S3:依次在深度传感器坐标系和本地坐标系下,判断点i后的点是否属于地面;
S4:判断被测场景中的每列深度传感器深度信息是否均已处理,如果是,则点云地面部分提取完成,进行步骤S5;反之令j=j+1,返回步骤S2;
S5:对非地面点云进行基于距离的聚类分割,将场景中的物体彼此分离。
优选地,所述步骤S2判断截止i点位置的步骤包括:
S21:对被观测的每列深度传感器深度信息,设置点序号i在每列深度信息对应的点中第一个点i=0
S22:计算深度传感器坐标系下相邻两点之间的高度差值Δyi,i+1
水平差值Δxi,i+1,并得到对应角度差值
Δαi,i+1=tan-1(Δyi,i+1/Δxi,i+1);
S23:判断对应角度差值Δαi,i+1是否小于阈值αth,如果是,则该i点属于地面,令i=i+1,返回步骤S22;反之,进行步骤S24;
S24:计算深度传感器坐标系下该i点与其后面第二点i+2对应角度差值Δαi,i+2;
S25:判断对应角度差值Δαi,i+2是否小于阈值αth,如果是,则该i点属于地面,令i=i+1,返回步骤S22;反之,第i点即为地面部分的初步截止点,进行步骤S26;
S26:将该列深度传感器场景数据转换为本地坐标系下点云数据。
优选地,所述深度传感器对被测场景逐列扫描如果为由下而上扫描,则深度传感器采集到的每列数据中第一个点为起始点,最后一个点为终止点;如果为由上而下时,则所述的每列数据中第一个点为终止点,最后一个点为起始点。
优选地,所述阈值αth与所述深度传感器精度和采集场景的地面平整度有关。
优选地,所述步骤S3包括如下步骤:
S31:设置初步截止i点后的第一点为k点,k=i+1;
S32:在深度传感器坐标系下,计算k点分别与其后面两点及前面两点之间的角度θk,k+1,θk,k+2,θk,k-1,θk,k-2;
S33:判断θk,k+1,θk,k+2,θk,k-1,θk,k-2是否都小于阈值θth,如果是,进入步骤S34;反之,k该点被划分为非地面点;
S34:计算在本地坐标系下k点与初步截止i点在本地坐标系下的高度差值ΔZk,i和角度值
S35:若ΔZk,i<Zth且则k点属于地面;反之则k点属于非地面点;
S36:判断截止i点后的点是否全部处理,如果不是,则令k=k+1,返回步骤S32,直至全部处理;
其中,θth,Zth,为阈值。
优选地,所述深度传感器采集深度信息的方式是平移或旋转。
优选地,所述深度传感器为激光雷达。
(三)有益效果
本发明利用深度传感器采集的有序数据,提供了一种有序提取地面的点云分割方法,有效的解决了以往方法将地面最大平面化这一粗糙假设对分割地面产生的影响,逐列以点为单位进行处理,增加了所得地面的精度,很好地解决了大场景中涉及到的起伏路面及坡路情况,也为接下来的基于距离进行聚类分割打下了良好基础,最终实现在多种路面情况下的点云分割,使得场景中个物体得已彼此分离,算法复杂度低,并具有很强的鲁棒性。
附图说明:
图1是本发明的系统框图;
图2是本发明的系统采集到的原始点云数据;
图3是本发明的点云分割流程图;
图4是本发明实施例1深度传感器由下向上采集一列数据时的示意图;
图5是深度传感器采集到的一列数据在雷达坐标系下的二维显示;
图6是本发明实施例1中的获取截止点位置的子模块流程示意图;
图7是单列数据中相邻点间高度位置差,水平位置差及角度差示意图;
图8是本发明实施例1中的判断每列深度传感器数据截止点后部分是否属于地面子模块流程示意图;
图9是单列数据中被观察点与相邻的前后各两点之间的角度,与初步截止点之间的高度差及角度差示意图;
图10是实施例1依照本发明得到的点云非地面部分效果图;
图11是实施例1依照本发明得到的点云地面部分效果图;
图12是实施例1依照本发明得到的点云分割部分结果。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,系统由存储控制模块,深度传感器模块和位置姿态传感器模块组成,放置在系统平台上方。存储控制模块给出命令,使得深度传感器模块采集扫描到的场景的深度信息,同时,位置姿态传感器记录在各个时刻移动平台的位置、姿态和平台行进速度等信息。深度传感器坐标系下获取的深度信息,可以通过坐标变换,得到在位置姿态传感器坐标系下场景的三维信息,再通过坐标变换得到本地坐标系下场景的三维信息,由于采集的室外场景一般由大量的空间点组成,这些空间点的集合也称为点云。图2所示即为通过上述系统采集到的原始点云数据。
实施例一:
如图3所示,本实施例记载了一种有序提取地面的点云分割方法,包括以下步骤:
S1:深度传感器对被测场景进行逐列扫描,设置列数j在第一列时j=0.,
S2:根据深度传感器坐标系下相邻点之间的角度变化关系,得到该列深度传感器深度信息中在截止点i前属于地面的部分和该列点的相对应的本地坐标;
S3:依次在深度传感器坐标系和本地坐标系下,判断点i后的点是否属于地面;
S4:判断被测场景中的每列深度传感器深度信息是否均已处理,如果是,则点云地面部分提取完成,进行步骤S5;反之令j=j+1,返回步骤S2;
S5:对非地面点云进行基于距离的聚类分割,将场景中的物体彼此分离。
本实施例选用移动平台,深度传感器和位置姿态传感器均放置在移动平台上,深度传感器可选用激光雷达,并采用由下向上的扫描方式,位置姿态传感器可选用GPS或GPS/IMU组合导航系统。
深度传感器对被测场景逐列扫描为由下而上扫描,扫描得到的每列数据中第一个点为起始点,最后一个点为终止点。
深度传感器逐列地采集该时刻深度传感器扫描线对应环境的深度信息,随着移动平台行进,深度传感器采集下一列数据,每列数据有固定的采集顺序和点数,进而一列一列的点汇集成为被测场景中的一个面,一件物体等等,最终形成整个被扫描场景。由于深度传感器的逐列采集特点,深度传感器下采集的深度信息具有逐列,每列有序的特性。图4所示为深度传感器由下向上采集一列数据时的示意图,在该移动平台所在位置下,深度传感器依次采集到了地面、汽车,由于移动平台高于汽车,深度传感器又扫到了后面的部分地面和建筑物。深度传感器以固有的角度分辨率进行扫描,进而每两点间角度值固定,在已知点顺序的情况下,被测点与深度传感器之间的连线与水平坐标轴之间的夹角A可得,深度信息通过深度传感器获得,如图4中标注L。进而每个被测点的高度坐标和水平坐标可得。由于深度传感器由下向上采集数据,地面在大场景中一般位置较低、与地平面角度不会过大,因而一般情况下,一列数据中先采集的部分会存在一段点云完全属于地面。图5即是上述场景采集到的一列扫描数据,对应图4,其中a1到an1即为首先扫描到的地面部分,b1到bn2为汽车被扫描到的部分,c1到cn3为汽车之后的地面,d1到dn4为扫描到的一部分建筑物。其中an1之前的数据均为地面点,在此定义这种它之前的点都可以确认属于地面的点为初步截止点。初步截止点之后的点不确定是否属于地面。如图中c1到cn3部分虽然在初步截止点an1之后,但仍属于地面。
在选取该列中完全属于地面部分的初步截止点环节S2,利用深度传感器固有的角度分辨率信息A和得到的深度数据L(如图4示),可以获取到深度传感器扫描到的每一点在深度传感器二维平面上的高度位置信息和水平位置信息,选取深度传感器扫描位置为坐标原点,则第i点高度坐标和水平坐标分别为yi=Li·cosAi,xi=Li·siAi。
如图6和如图7所示,根据上述地面特性,判断截止i点位置,即上述步骤S2,包括如下步骤:
S21:对被观测的每列深度传感器深度信息,设置点序号i在每列深度信息对应的点中第一个点i=0;
S22:计算深度传感器坐标系下相邻两点之间的高度差值Δyi,i+1,
水平差值Δxi,i+1并得到对应角度差值
Δαi,i+1=tan-1(Δyi,i+1/Δxi,i+1);
S23:判断对应角度差值Δαi,i+1是否小于阈值αth,如果是,则该i点属于地面,令i=i+1,返回步骤S22;反之,进行步骤S24;
S24:计算深度传感器坐标系下该i点与其后面第二点i+2对应角度差值Δαi,i+2;
S25:判断对应角度差值Δαi,i+2是否小于阈值αth如果是,则该i点属于地面,令i=i+1,返回步骤S22;反之,第i点即为地面部分的初步截止点,进行步骤S26;
S26:将该列深度传感器场景数据转换为本地坐标系下点云数据。
初步截止点i得以判定后,该列深度传感器数据起始点至此初步截止点之间的点划分为地面点部分,剩余的点需要在初步截止点后数据依次是否属于地面的判定子环节S3中进一步考虑。从初步截止点之后的第一点k开始,从雷达坐标系下被观察点与临近点之间的角度和本地坐标系下被观察点与初步截止点之间的高度差值和角度关系两个方面,遍历剩余各点判定这些被观察点是否属于地面。详细流程如图8所示,符号说明如图9所示,即步骤S3,判断截止i点后的点是否属于地面包括如下步骤:
S31:设置初步截止i点后的第一点为k点,k=i+1;
S32:在深度传感器坐标系下,计算k点分别与其后面两点及前面两点之间的角度θk,k+1,θk,k+2,θk,k-1,θk,k-2;
S33:判断θk,k+1,θk,k+2,θk,k-1,θk,k-2是否都小于阈值θth,如果是,进入步骤S34;反之,k该点被划分为非地面点;
S34:计算在本地坐标系下k点与初步截止i点在本地坐标系下的高度差值ΔZk,i和角度值
S35:若ΔZk,i<Zth,且则k点属于地面;反之则k点属于非地面点;
S36:判断截止i点后的点是否全部处理,如果不是,则令k=k+1,返回步骤S32,直至全部处理;
其中,θth,Zth,为阈值。
图10,图11分别为实施例1分离出来的除去地面部分的效果图和地面部分效果图,图中可视,点云地面部分得到了很好的分割,其中涉及到的参数与深度传感器的精度有关,在实施例1中,高程精度2cm到4cm范围内,此时θth,Zth,的取值一般分别在65°,0.2m,5°左右,而最初判断初始截止点时使用的阈值αth除了与雷达高程的精度有关,还与采集场景的地面平整度有关,广场等比较平坦的路面,一般取在15°左右,如起伏较多的路面,需要25°左右。
地面提取完成后,原本整个场景的点云数据被分成了地面点云和非地面点云两部分。对非地面点云进行基于距离的聚类分割,将场景中的物体彼此分离。图12所示为场景中部分物体分割出来的结果,如图依次为侧面建筑物、树木、汽车和场景中央的主建筑物。
实施例二:
本实施例记载了一种有序提取地面的点云分割方法的技术方案与实施例一的技术方案基本相同,其区别在于:深度传感器对被测场景逐列扫描为由上而下,每列深度信息对应的点中第一个点为终止点,最后一个点为起始点。
实施例三:
本实施例记载了一种有序提取地面的点云分割方法。其平台选用固定站平台,深度传感器和位置姿态传感器放置在固定位置,通过深度传感器旋转采集周围场景的深度信息。深度传感器采用由下向上或由上向下的扫描方式,其采取的技术方案分别与实施例一和实施例二对应相同。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (7)
1.一种有序提取地面的点云分割方法,其特征在于,包括以下步骤:
S1:深度传感器对被测场景进行逐列扫描,设置列数j在第一列时j=0;
S2:根据深度传感器坐标系下相邻点之间的角度变化关系,得到该列深度传感器深度信息中在初步截止i点前属于地面的部分和该初步截止i点的位置;
S3:依次在深度传感器坐标系和本地坐标系下,判断点i后的点是否属于地面;
S4:判断被测场景中的每列深度传感器深度信息是否均已处理,如果是,则点云地面部分提取完成,进行步骤S5;反之令j=j+1,返回步骤S2;
S5:对非地面点云进行基于距离的聚类分割,将场景中的物体彼此分离。
2.根据权利要求1所述的点云分割方法,其特征在于,所述步骤S2判断初步截止i点位置的步骤包括:
S21:对被观测的每列深度传感器深度信息,设置点序号i在每列深度信息对应的点中第一个点i=0;
S22:计算深度传感器坐标系下相邻两点之间的高度差值Δyi,i+1,水平差值Δxi,i+1,并得到对应角度差值
Δαi,i+1=tan-1(Δyi,i+1/Δxi,i+1);
S23:判断对应角度差值Δαi,i+1是否小于阈值αth,如果是,则该i点属于地面,令i=i+1,返回步骤S22;反之,进行步骤S24;
S24:计算深度传感器坐标系下该i点与其后面第二点i+2对应角度差值Δαi,i+2;
S25:判断对应角度差值Δαi,i+2是否小于阈值αth,如果是,则该i点属于地面,令i=i+1,返回步骤S22;反之,第i点即为地面部分的初步截止点,进行步骤S26;
S26:将该列深度传感器场景数据转换为本地坐标系下点云数据。
3.根据权利要求2所述的点云分割方法,其特征在于,所述深度传感器对被测场景逐列扫描如果为由下而上扫描,则每列深度信息对应的点中第一个点为起始点,最后一个点为终止点;如果为由上而下时,则所述的每列深度信息对应的点中第一个点为终止点,最后一个点为起始点。
4.根据权利要求2所述的点云分割方法,其特征在于,所述阈值αth与所述深度传感器精度和采集场景的地面平整度有关。
5.根据权利要求2所述的点云分割方法,其特征在于,所述步骤S3包括如下步骤:
S31:设置初步截止i点后的第一点为k点,k=i+1;
S32:在深度传感器坐标系下,计算k点分别与其后面两点及前面两点之间的角度θk,k+1,θk,k+2,θk,k-1,θk,k-2;
S33:判断θk,k+1,θk,k+2,θk,k-1,θk,k-2是否都小于阈值θth,如果是,进入步骤S34;反之,k该点被划分为非地面点;
S34:计算在本地坐标系下k点与初步截止i点在本地坐标系下的高度差值ΔZk,i和角度值
S35:若ΔZk,i<Zth,且则k点属于地面;反之则k点属于非地面点;
S36:判断初步截止i点后的点是否全部处理,如果不是,则令k=k+1,返回步骤S32,直至全部处理;
其中,θth,Zth,为阈值。
6.根据权利要求1~5任一项所述的点云分割方法,其特征在于,所述深度传感器采集深度信息的方式是平移或旋转。
7.根据权利要求1~5任一项所述的点云分割方法,其特征在于,所述深度传感器为激光雷达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310185363.2A CN103268609B (zh) | 2013-05-17 | 2013-05-17 | 一种有序提取地面的点云分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310185363.2A CN103268609B (zh) | 2013-05-17 | 2013-05-17 | 一种有序提取地面的点云分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103268609A CN103268609A (zh) | 2013-08-28 |
CN103268609B true CN103268609B (zh) | 2016-04-20 |
Family
ID=49012236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310185363.2A Active CN103268609B (zh) | 2013-05-17 | 2013-05-17 | 一种有序提取地面的点云分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103268609B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9633483B1 (en) * | 2014-03-27 | 2017-04-25 | Hrl Laboratories, Llc | System for filtering, segmenting and recognizing objects in unconstrained environments |
CN104048645B (zh) * | 2014-06-25 | 2016-06-29 | 山东理工大学 | 线性拟合地面扫描点云整体定向方法 |
CN104048605B (zh) * | 2014-06-25 | 2017-01-11 | 山东理工大学 | 激光扫描测量标靶平差方程式构建方法 |
CN104143194B (zh) * | 2014-08-20 | 2017-09-08 | 清华大学 | 一种点云分割方法及装置 |
CN104596415B (zh) * | 2014-12-29 | 2017-06-09 | 中国神华能源股份有限公司 | 一种基于激光扫描单线确定堆体下边缘的方法和装置 |
CN105551082B (zh) * | 2015-12-02 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的路面识别方法及装置 |
CN106127770B (zh) * | 2016-06-27 | 2019-03-15 | 感知控股集团有限公司 | 轮廓测量方法及系统 |
CN106296816B (zh) * | 2016-08-01 | 2019-03-26 | 清华大学深圳研究生院 | 用于三维模型重建的无人机路径确定方法及装置 |
CN106530380B (zh) * | 2016-09-20 | 2019-02-26 | 长安大学 | 一种基于三维激光雷达的地面点云分割方法 |
CN108710818A (zh) * | 2018-03-09 | 2018-10-26 | 唐义 | 一种基于三维激光雷达的人数实时监测统计系统及方法 |
US10705534B2 (en) * | 2018-04-19 | 2020-07-07 | Faraday&Future Inc. | System and method for ground plane detection |
CN108648230A (zh) * | 2018-05-14 | 2018-10-12 | 南京阿凡达机器人科技有限公司 | 一种包裹尺寸测量方法、系统、储存介质及移动终端 |
CN109872329A (zh) * | 2019-01-28 | 2019-06-11 | 重庆邮电大学 | 一种基于三维激光雷达的地面点云快速分割方法 |
CN110033457B (zh) * | 2019-03-11 | 2021-11-30 | 北京理工大学 | 一种目标点云分割方法 |
CN111724429B (zh) * | 2019-03-21 | 2024-03-01 | 北京京东乾石科技有限公司 | 地面特征提取方法及装置 |
CN111090105B (zh) * | 2019-12-27 | 2021-11-19 | 吉林大学 | 一种车载激光雷达点云信号地面点分离方法 |
CN111709430B (zh) * | 2020-06-08 | 2021-10-15 | 大连理工大学 | 基于高斯过程回归的室外场景三维点云的地面提取方法 |
CN112414326B (zh) * | 2020-11-10 | 2022-05-20 | 浙江华睿科技股份有限公司 | 物体表面平整度的检测方法、装置、电子装置和存储介质 |
CN113985429A (zh) * | 2021-09-23 | 2022-01-28 | 天津大学 | 基于三维激光雷达的无人机环境扫描与重构方法 |
CN114372227B (zh) * | 2021-12-31 | 2023-04-14 | 浙江大学舟山海洋研究中心 | 鱿鱼白片智能切割计算方法、装置、设备及存储介质 |
US11751578B2 (en) | 2021-12-31 | 2023-09-12 | Ocean Research Center Of Zhoushan, Zhejiang University | Intelligent methods and devices for cutting squid white slices |
CN115375699B (zh) * | 2022-10-25 | 2023-03-24 | 杭州华橙软件技术有限公司 | 点云分割方法、移动机器人及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
CN102419794A (zh) * | 2011-10-31 | 2012-04-18 | 武汉大学 | 一种机载激光点云数据的快速滤波方法 |
CN103020342A (zh) * | 2012-12-04 | 2013-04-03 | 南京大学 | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2574207A1 (en) * | 2010-03-31 | 2013-04-03 | Ambercore Software Inc. | System and method for extracting features from data having spatial coordinates |
-
2013
- 2013-05-17 CN CN201310185363.2A patent/CN103268609B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
CN102419794A (zh) * | 2011-10-31 | 2012-04-18 | 武汉大学 | 一种机载激光点云数据的快速滤波方法 |
CN103020342A (zh) * | 2012-12-04 | 2013-04-03 | 南京大学 | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 |
Non-Patent Citations (1)
Title |
---|
车载LiDAR点云中建筑物里面位置边界的自动提取;魏征等;《武汉大学学报·信息科学版》;20121130;第37卷(第11期);1311-1315 * |
Also Published As
Publication number | Publication date |
---|---|
CN103268609A (zh) | 2013-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103268609B (zh) | 一种有序提取地面的点云分割方法 | |
CN102506824B (zh) | 一种城市低空无人机系统生成数字正射影像图的方法 | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN105160702A (zh) | 基于LiDAR点云辅助的立体影像密集匹配方法及系统 | |
CN102662179A (zh) | 基于机载激光雷达的三维优化选线方法 | |
Maset et al. | Photogrammetric 3D building reconstruction from thermal images | |
CN105068151B (zh) | 一种雨团识别及其特征参数的构建方法和装置 | |
CN103996220A (zh) | 一种智能交通中的三维重建方法及系统 | |
CN110889899B (zh) | 一种数字地表模型的生成方法及装置 | |
Gerke | Using horizontal and vertical building structure to constrain indirect sensor orientation | |
CN104392457A (zh) | 倾斜影像的连接点自动匹配方法及装置 | |
CN103324916A (zh) | 基于建筑轮廓的车载和航空LiDAR数据配准方法 | |
WO2013121340A1 (en) | Digital elevation model | |
CN104751479A (zh) | 基于tin数据的建筑物提取方法和装置 | |
Eckert et al. | Comparison of automatic DSM generation modules by processing IKONOS stereo data of an urban area | |
KR100911931B1 (ko) | 3차원 건물 모델 생성 방법 및 장치 | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
Fritsch et al. | Modeling facade structures using point clouds from dense image matching | |
Ronchetti et al. | DTM generation through UAV survey with a fisheye camera on a vineyard | |
Hesami et al. | Range segmentation of large building exteriors: A hierarchical robust approach | |
CN114972672B (zh) | 输电线路实景三维模型构建方法、装置、设备和存储介质 | |
Liang et al. | Multilevel solar potential analysis of building based on ubiquitous point clouds | |
Mayura et al. | Building detection from LIDAR point cloud data | |
Ni et al. | Semi-automatic extraction of digital surface model using ALOS/PRISM data with ENVI | |
Wu et al. | Voxel-based marked neighborhood searching method for identifying street trees using vehicle-borne laser scanning data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |