CN104200212A - 一种基于机载LiDAR数据的建筑物外边界线提取方法 - Google Patents
一种基于机载LiDAR数据的建筑物外边界线提取方法 Download PDFInfo
- Publication number
- CN104200212A CN104200212A CN201410290126.7A CN201410290126A CN104200212A CN 104200212 A CN104200212 A CN 104200212A CN 201410290126 A CN201410290126 A CN 201410290126A CN 104200212 A CN104200212 A CN 104200212A
- Authority
- CN
- China
- Prior art keywords
- point
- straight
- outline
- search
- vector
- 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.)
- Granted
Links
Landscapes
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机载LiDAR数据的建筑物外边界线提取方法,包括步骤:一、LiDAR点云数据获取;二、LiDAR点云数据处理:对建筑物点云数据进行处理,并提取出建筑物外边界线;对建筑物点云数据进行处理时,过程如下:201、建筑物外轮廓点提取;202、特征点提取;203、最小二乘法直线拟合及初始边界线获取;204、建筑物主方向及副方向确定;205、初始边界线规则化:根据所确定的主方向和副方向,对初始边界线中的多个直线段分别进行规则化处理;206、规则化边界线获取。本发明方法步骤简单、设计合理且实现方便、使用效果好,能简便、快速完成建筑物外边界线的提取过程,所得到外边界矢量规则化程度高。
Description
技术领域
本发明涉及一种外边界线提取方法,尤其是涉及一种基于机载LiDAR数据的建筑物外边界线提取方法。
背景技术
三维城市建模广泛应用在数字城市规划等GIS领域。而建筑物外边界线的提取更是建筑物模型重建的关键步骤。在传统摄影测量中,需要在立体相对中手工勾画建筑物外边界轮廓,费时费力,效率较低。
随着机载激光扫描技术的广泛应用,利用机载lidar数据提取建筑物外边界线(即轮廓线)的技术已经有了一定的发展。目前,机载激光扫描数据提取建筑物轮廓线的方法,主要分为基于栅格化的提取方法和基于点云数据空间结构的提取方法。其中,采用点云数据栅格化的方法是在点云分割的基础上,将建筑物点云集合栅格化处理成二值影像图,利用像素的膨胀腐蚀原理补充填满影像中的空洞,再利用图像的分割算法及边界线提取算法等图像分析手段实现轮廓线提取。如吴杭彬等采用数学形态学中的膨胀和腐蚀方法进行序贯运算,再将建筑物边缘矢量化得到每个地物所对应的矢量边缘和数据点;尤红建等对激光点云进行二次内插加密生成影像数据,以图像处理的方法提取建筑物轮廓。这种方法将lidar点云处理为灰度图像,处理速度块、方法简单明了,然而栅格化的处理过程会引入新的误差,无法得到精确的建筑物矢量边界。
另一种基于点云数据空间的提取方法更多倾向于构建空间Tin数据结构,利用三角网间的空间信息对点云进行聚类分析检测。在聚类后的点云三角网基础上利用长边限制的方法提取三角网外接凸包提取边界点,或者采用经典的Alpha Shape算法从无序点集中进行集合边界判定提取建筑物外边界点。例如:Maas等采用TIN构建点云空间拓扑关系,对所有三角面进行聚类分析检测平面屋顶;曾齐红等以屋顶Lidar的TIN的外围三角形边作为边界点;Lach和沈蔚采用Alpha Shapes算法从无序点击中提取建筑物外轮廓。这些方法都通过分析建筑物点云空间结构,建立三角网,得到了较为精确建筑物边界轮廓,但依旧存在以下缺点:第一、三角网结构较复杂,三角网的数量多为点云数量的2倍左右;当点云数据量较大时,三角网构网速度慢,且占用空间大。第二、利用长边限制的方法,只能提取比阈值长度长的三角网边界(当阈值无限大时,提取外接凸包);在建筑物拐角或凹边处就会造成细节的丢失。Alpha Shape算法能很好的检测符合建筑物外边界的三角网,但当建筑物内部出现空洞时,无法区分是外边界还是内部空洞,且提取到的外边界为离散的线段,不具有连续结构。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于机载LiDAR数据的建筑物外边界线提取方法,其方法步骤简单、设计合理且实现方便、使用效果好,能简便、快速完成建筑物外边界线的提取过程。
为解决上述技术问题,本发明采用的技术方案是:一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于该方法包括以下步骤:
步骤一、LiDAR点云数据获取:采用机载LiDAR测量系统获取待测区域的点云数据,并将所获取的点云数据传送至数据处理设备;所述点云数据中包括待测区域内多个建筑物的点云数据,每个建筑物的点云数据均包括该建筑物顶部的多个测点及各测点的三维坐标;
步骤二、LiDAR点云数据处理:采用所述数据处理设备分别对多个建筑物的点云数据进行处理,并提取出各建筑物的外边界线;多个建筑物的点云数据处理过程均相同;对待测区域内的任一个建筑物的点云数据进行处理时,过程如下:
步骤201、建筑物外轮廓点提取:调用外轮廓点提取模块,从当前所处理建筑物的二维数据集中,提取当前所处理建筑物的外轮廓点,并获得外轮廓点集合;所提取外轮廓点的数量为N个,所述外轮廓点集合中包含N个外轮廓点的二维数据,N个所述外轮廓点连接形成当前所处理建筑物的外轮廓线;
所述二维数据集包括当前所处理建筑物的点云数据中多个测点在X-Y平面直角坐标系上的二维坐标;
步骤202、特征点提取:采用道格拉斯-普扑克算法对步骤201中所述外轮廓线进行特征点提取,并从所述外轮廓点集合提取出S个特征点,S个特征点分别记作S1、S2、…、SS;
步骤203、最小二乘法直线拟合及初始边界线获取:对S个特征点中相邻两个特征点所在的直线分别进行拟合,并获得S条拟合直线;S条拟合直线相交形成的封闭曲线为当前所处理建筑物的初始边界线,所述初始边界线由多个直线段连接而成;
对S个特征点中相邻两个特征点Sa和Sb进行直线拟合时,先将特征点Sa和Sb以及步骤201中所述外轮廓点集合中特征点Sa和Sb之间的所有外轮廓点组成直线点集,再利用最小二乘法对所述直线点集进行直线拟合,获得特征点Sa和Sb所在的拟合直线;其中,a和b均为正整数且a≠b,a=1、2、…、S,b=1、2、…、S;
步骤204、建筑物主方向及副方向确定:先对步骤203中所述初始边界线中的多个直线段的方向向量进行确定,再对多个直线段的方向向量的权重分别进行计算,并将权重最大的直线段的方向向量作为当前所处理建筑物的主方向,将当前所处理建筑物的主方向的正交向量作为当前所处理建筑物的副方向;
步骤205、初始边界线规则化:对步骤203中所述初始边界线中的多个直线段分别进行规则化处理;
对所述初始边界线中任一个直线段进行规则化处理时,过程如下:
步骤2051、规则化方向确定:根据步骤204中所确定的主方向和副方向以及当前所处理直线段的方向向量,对当前所处理直线段的规则化方向进行确定:当当前所处理直线段的方向向量更靠近主方向时,以主方向作为规则化方向;反之,当当前所处理直线段的方向向量更靠近副方向时,以副方向作为规则化方向;
步骤2052、是否需进行规则化判断:计算当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L,并根据投影长度L对当前所处理直线段是否需进行规则化进行判断:当投影长度L≤L0时,进入步骤2053;否则,无需进行规则化处理,将当前所处理直线段所在的直线作为其规则化直线;其中,L0=0.5m~1m;
步骤2053、规则化处理:以当前所处理直线段的中点为起点,且以步骤2051中所确定的规则化方向为方向向量,生成当前所处理直线段的规则化直线;
步骤206、规则化边界线获取:步骤205中所述初始边界线中的多个直线段均规则化处理完成后,多个直线段的规则化直线相交形成的封闭曲线为当前所处理建筑物的规划化边界线。
上述一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征是:步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取后,所提取的特征点数量为M个,其中M为正整数且M≥S;M个特征点组成特征点集合,S个特征点分别记作S1、S2、…、SM,特征点S1又记作特征点SM+1;
特征点提取完成后,还需对所提取的M个特征点分别进行判定;其中,对M个特征点中任一个特征点Sh进行判定时,判断特征点Sh与直线Sh-1Sh+1之间的距离dh是否大于d0:当dh>d0时,在所述特征点集合中保留特征点Sh;否则,从所述特征点集合中删除特征点Sh,并将特征点Sh标记为非特征点;
直线Sh-1Sh+1为特征点Sh-1和Sh+1所在的直线,特征点Sh-1和Sh+1为与特征点Sh相邻的两个特征点;其中,h为正整数且h=1、2、…、M;
对M个特征点分别进行判定后,所述特征点集合中特征点的数量为S个。
上述一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征是:步骤201中N个所述外轮廓点,分别记作A0、A1、A2、…、AN-1;
步骤201中进行建筑物外轮廓点提取时,过程如下:
步骤2011、构建kd树:将当前所处理建筑物的点云数据中,多个测点在X-Y平面直角坐标系上的二维坐标构建kd树;
步骤2012、邻域搜索:利用步骤2011中所构建的kd树在X-Y平面上进行邻域搜索,找出当前所处理建筑物的所有外轮廓点,X-Y平面为X-Y平面直角坐标系所在的水平面;邻域搜索过程如下:
步骤20121、第一次搜索:以极值点A0作为本次搜索的搜索点O1且以X坐标轴的负半轴作为基准向量进行邻域搜索,并在当前搜索点O1的邻域内找出旋转角度最小的测点,所找出的测点为第一次搜索出的外轮廓点A1;
当前搜索点的邻域内任一测点Ci的旋转角度为由基准向量逆时针旋转至向量的旋转角度;极值点A0为当前所处理建筑物的点云数据中X轴坐标值最大、X轴坐标值最小、Y轴坐标值最大或Y轴坐标值最小的测点;
步骤20122、第j次搜索:以第j-1次搜索出的外轮廓点Aj-1作为本次搜索的搜索点Oj且以向量为基准向量进行邻域搜索,并按照步骤20121中所述的方法,在当前搜索点Oj的邻域内找出旋转角度最小的测点,所找出的测点为第j次搜索出的外轮廓点Aj;
其中,j为正整数且j≥2;当j=2时,Aj-2=A0;当j>2时,Aj-2为第j-2次搜索出的外轮廓点;
步骤20123、多次重复步骤20122,直至搜索出的外轮廓点为A0时,完成邻域搜索过程。
上述一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征是:步骤2012中进行邻域搜索过程中,将极值点A0和各次搜索到的外轮廓点均标记为已用点;
步骤20123中,多次重复步骤20122且完成第n次搜索后,获得第n次搜索出的外轮廓点An,并将外轮廓点An标记为已用点;之后,按照步骤20122中所述的方法,将An作为搜索点,进行第n+1次搜索,且当第n+1次搜索过程中搜索到的外轮廓点为标记的已用点时,将外轮廓点An标记为不可用点;然后,按照An-1、An-2、…、A1顺序,由先至后对标记为有用点的外轮廓点进行回滚搜索,过程如下:
步骤Ⅰ、第一次回滚搜索:对第(n-1)次搜索出的外轮廓点An-1进行回滚搜索,过程如下:
步骤Ⅰ-1、第一次邻域搜索:按照步骤20121中所述的方法,以外轮廓点An-1作为本次搜索的搜索点O11且以向量为基准向量进行邻域搜索;
步骤Ⅰ-2、第一次邻域搜索结果处理:步骤Ⅰ-1中搜索完成后,当在当前搜索点O11的邻域测点集合S'(n-1)中不能找出旋转角度最小的测点时,将外轮廓点An-1标记为不可用点,并进入步骤Ⅱ,进行下一次回滚搜索;
反之,当在邻域测点集合S'(n-1)中找出旋转角度最小的测点时,将所找出的测点作为回滚搜索过程中第一次搜索出的外轮廓点A11,且将外轮廓点A11标记为已用点,并判断外轮廓点A11是否为极值点A0:当外轮廓点A11为极值点A0时,完成回滚搜索过程;否则,进入步骤Ⅰ-3,进行下一次邻域搜索;
步骤2012中进行邻域搜索过程中,第(n-1)次搜索时,当前搜索点On-1的邻域内所有测点组成邻域测点集合S(n-1);所述邻域测点集合S(n-1)中的所有未标记的测点组成邻域测点集合S'(n-1);
步骤Ⅰ-3、第k次邻域搜索:以回滚搜索过程中第(k-1)次搜索出的外轮廓点A1(k-1)作为本次搜索的搜索点O1k且以向量为基准向量进行邻域搜索,并按照步骤20121中所述的方法,在当前搜索点O1k的邻域内找出旋转角度最小的测点,所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A1k;
其中,k为正整数且k≥2;当k=2时,A1(k-2)=O11,A1(k-1)=A11;当j>2时,A1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点;
步骤Ⅰ-3、第k次邻域搜索:以回滚搜索过程中第(k-1)次搜索出的外轮廓点A1(k-1)作为本次搜索的搜索点O1k且以向量为基准向量进行邻域搜索,并按照步骤20121中所述的方法,在当前搜索点O1k的邻域内找出旋转角度最小的测点,所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A1k,并将外轮廓点A1k标记为已用点;
其中,k为正整数且k≥2;当k=2时,A1(k-2)=O11,A1(k-1)=A11;当j>2时,A1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点;
步骤Ⅰ-4、第k次邻域搜索结果处理:步骤Ⅰ-3中搜索完成后,判断第k次搜索出的外轮廓点A1k是否为极值点A0:当外轮廓点A1k为极值点A0时,完成回滚搜索过程;否则,返回步骤Ⅰ-3,进行下一次邻域搜索;
步骤Ⅱ、第h次回滚搜索:按照步骤Ⅰ中所述的方法,对步骤2012中第(n-h+1)次搜索出的外轮廓点An-h+1进行回滚搜索,直至完成回滚搜索过程;其中,h为正整数且h≥2;
步骤2012中完成回滚搜索过程后,当前状态下所有标记为已用点的测点组成步骤201中所述外轮廓点集合,并且所有标记为已用点的测点总数量为N个。
上述一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征是:步骤20121中当前搜索点O1的邻域内任一测点Ci的旋转角度记作∠aCi,测点Ci的二维坐标为(XCi,YCi);第一次搜索时的基准向量为T1,且T1=(-1,0);对∠aCi进行计算时,先根据公式aCi=XCi×(-1)+YCi×0=-XCi,计算得出aCi:当aCi≥0时,根据公式∠aCi=arccos(aCi),计算得出∠aCi;当aCi<0时,根据公式∠aCi=90°-arccos(aCi),计算得出∠aCi;
步骤20122中当前搜索点Oj的邻域内任一测点Cp的旋转角度记作∠aCp,测点Cp的二维坐标为(XCp,YCp),第j次搜索时的基准向量记作(Xj,Yj);对∠aCp进行计算时,先根据公式aCp=XCp×Xj+YCi×Yj,计算得出aCp:当aCp≥0时,根据公式∠aCp=arccos(aCp),计算得出∠aCi;当aCp<0时,根据公式∠aCp=90°-arccos(aCp),计算得出∠aCi;
步骤2012中进行邻域搜索过程中,将极值点A0和各次搜索到的外轮廓点由先至后放入外轮廓点集合堆栈中,并将放入所述外轮廓点集合堆栈中的极值点A0和所有外轮廓点均标记为已用点;
步骤20123中,将外轮廓点An标记为不可用点的同时,还需将外轮廓点An从所述外轮廓点集合堆栈中弹出;
步骤Ⅰ-2中将外轮廓点A11标记为已用点的同时,还需将外轮廓点A11放入所述外轮廓点集合堆栈中;
步骤Ⅰ-3中将外轮廓点A1k标记为已用点的同时,还需将外轮廓点A1k所述外轮廓点集合堆栈中;
步骤2012中完成回滚搜索过程后,当前状态下所述外轮廓点集合堆栈内的所有测点组成所述外轮廓点集合。
上述一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征是:步骤201中N个所述外轮廓点,分别记作A0、A1、A2、…、AN-1;
步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取时,过程如下:
步骤2021、特征点指定:将步骤201中N个所述外轮廓点中任意相邻两个外轮廓点AD和AF指定为特征点,并将外轮廓点AD和AF均标记为特征点;其中D和F均为正整数且D≠F,D=1、2、…、N,F=1、2、…、N;
步骤2022、中间特征点获取:将外轮廓点AD和AF作为一个特征点对,从步骤201中所述外轮廓点集合中找出一个与特征点对AD与AF所在的直线ADAF的距离最远且未标记的外轮廓点,并将所找出的外轮廓点作为特征点对AD与AF的中间特征点,记作AE,且将外轮廓点AE标记为特征点;
步骤2023、特征点对获取:以步骤2022中获取的中间特征点AE重新组建特征点对;
以中间特征点AE重新组建特征点对时,将中间特征点AE分别与特征点AD和AF组成两个特征点对,两个特征点对分别为特征点对AD与AE和特征点对AE与AF;
步骤2024、中间特征点获取及判断处理:对步骤2023中组成的两个特征点对分别进行中间特征点获取及判断处理,且两个特征点对的中间特征点获取及判断处理方法均相同;
其中,对一个特征点对进行中间特征点获取及判断时,从步骤201中所述外轮廓点集合中找出一个与当前所处理特征点对所在的直线的距离最远且未标记的外轮廓点,并判断所找出的外轮廓点与当前所处理特征点对所在直线的距离d是否大于d0:当d>d0时,将所找出的外轮廓点作为当前所处理特征点对的中间特征点,并将该中间特征点标记为特征点,并进入步骤2025;否则,完成当前所处理特征点对的特征点提取过程;
其中,d0=30cm~50cm;
步骤2025、特征点对获取与中间特征点获取及判断处理:先按照步骤2023中所述的特征点对获取方法,以步骤2024中所获取的中间特征点重新组建特征点对;之后,按照步骤2024中所述的方法,对本步骤中所组建的所有特征点对分别进行中间特征点获取及判断处理;
步骤2026、多次重复步骤2025,直至完成所组建的所有特征点对的特征点提取过程。
上述一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征是:步骤203中对相邻两个特征点Sa和Sb进行直线拟合时,先将所述直线点集中所有测点的X轴坐标值组成X轴坐标集合,并将所述直线点集中所有测点的X轴坐标值组成Y轴坐标集合;之后,计算X轴坐标集合中多个X轴坐标值的方差,记作σX;同时,计算Y轴坐标集合中多个Y轴坐标值的方差,记作σY;然后,根据计算得出的σX和σY,选取拟合用的直线模型:当σX≥σY时,所选取的直线模型为y=kx+b;否则,当σX<σY时,所选取的直线模型为x=ky+b;最后,根据所述直线点集中所有测点的二维坐标,并利用所选取的直线模型进行直线拟合。
上述一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征是:步骤204中对多个直线段的方向向量进行确定时,多个所述直线段的方向向量确定方法均相同;对任一个直线段lQ的方向向量VQ进行确定时,根据公式 和公式 进行计算,方向向量VQ=(VQ.X,VQ.Y);式中,直线段lQ的两端点的二维坐标分别为(XQ1,YQ1)和(XQ2,YQ2);
对直线段lQ的方向向量的权重进行计算时,由先至后将直线段lQ的方向向量VQ,分别与所述初始边界线中其它各直线段的方向向量叠加后,获得直线段lQ的权重向量WQ,过程如下:
步骤2041、叠加顺序确定及角度差阈值c0设定:按照叠加先后顺序,对所述初始边界线中其它各直线段的方向向量进行排序;其中,角度差阈值c0=5°~10°,c⊥=90°-c0;
步骤2042、第一次叠加:将直线段lQ的方向向量VQ作为基准方向向量,先计算得出本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠Q1;再结合步骤2041中所设定的c0和c⊥,并根据计算得出的Δ∠Q1确定叠加方式:当Δ∠Q1更接近c0时,将基准方向向量与本次叠加的直线段的方向向量叠加;当Δ∠Q1更接近c⊥时,将基准方向向量与本次叠加直线段的方向向量的正交向量叠加;之后,按照所确定的叠加方式进行叠加,并将叠加后的向量作为下一次叠加的基准叠加向量;
步骤2043、第t次叠加:将第t-1次叠加后的向量作为本次叠加的基准叠加向量,先计算得出本次叠加直线段的方向向量与当前状态下的的基准叠加向量之间的角度差Δ∠Qt;再结合步骤2041中所设定的c0和c⊥,并根据计算得出的Δ∠Qt确定叠加方式:当Δ∠Qt更接近c0时,将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加;当Δ∠Qt更接近c⊥时,将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加;之后,按照所确定的叠加方式进行叠加,并将叠加后的向量作为下一次叠加的基准叠加向量;
步骤2044、多次重复步骤2043,直至完成方向向量VQ与所述初始边界线中其它各直线段的方向向量的全部叠加过程,且叠加过程完成后所得的向量为直线段lQ的权重向量WQ;
步骤204中权重最大的直线段为权重向量的长度最大的直线段。
上述一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征是:步骤2042中对本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠Q1进行计算时,根据公式Δ∠Q1=arccos(|VL1.X×VQ.X+VL1.Y×VQ.Y|)进行计算;本次叠加的直线段的方向向量为(VL1.X,VL1.Y),基准方向向量为(VQ.X,VQ.Y);
步骤2043中对本次叠加的直线段的方向向量与当前状态下的基准叠加向量之间的角度差Δ∠Qt进行计算时,根据公式Δ∠Qt=arccos(|VLt.X×Vt.X+VLt.Y×Vt.Y|)进行计算;本次叠加的直线段的方向向量为(VLt.X,VLt.Y),当前状态下的基准方向向量为(Vt.X,Vt.Y);
步骤2042中叠加后的向量记作(VQ'.X,VQ'.Y);将基准方向向量与本次叠加直线段的方向向量叠加时,VQ'.X=VL1.X+VQ.X,VQ'.Y=VL1.Y+VQ.Y;将基准方向向量与本次叠加直线段的方向向量的正交向量叠加时,VQ'.X=VL1⊥.X+VQ.X,VQ'.Y=VL1⊥.Y+VQ.Y;本次叠加直线段的方向向量的正交向量为(VL1⊥.X,VL1⊥.Y);
步骤2043中叠加后的向量记作(Vt'.X,Vt'.Y);将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加时,Vt'.X=VLt.X+Vt.X,Vt'.Y=VLt.Y+Vt.Y;将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加时,Vt'.X=VLt⊥.X+Vt.X,Vt'.Y=VLt⊥.Y+Vt.Y;本次叠加直线段的方向向量的正交向量为(VLt⊥.X,VLt⊥.Y)。
上述一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征是:步骤2052中对当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L进行计算时,先根据公式Δ∠θ=arccos(|VH.X×V主.X+VH.Y×V主.Y|)进行计算,当前所处理直线段的方向向量为(VH.X,VH.Y),主方向为(V主.X,V主.Y);之后,根据计算得出的Δ∠θ,对投影长度L进行计算:当步骤2051中所确定规则化方向为主方向时, 当步骤2051中所确定规则化方向为副方向时,
本发明与现有技术相比具有以下优点:
1、方法步骤简单、设计合理且实现方便。
2、使用操作简便且易于掌握,具体过程如下:首先,对滤波处理后的建筑物点云数据建立kd树,利用邻域搜索加逆时针旋转查找旋转角度最小的外部点,得到建筑物外轮廓点云;其次,根据外轮廓点云集合,用道格拉斯-普克算法提取拐点点云,拐点通过二次判定去除误差点;之后,对连续拐点间的点最小二乘拟合直线,连接相邻直线交点得到原始的外边界;然后,以外边界线段的方向向量为基准,计算出所有外边界线段与基准方向基准的角度,角度小于阈值时基准向量叠加外边界线段的方向向量,否则叠加外边界线段的方向向量的正交向量,这样通过计算,权重向量长度最长的向量的方向为建筑物的主方向,垂直方向为副方向;计算原始外边界与主方向或副方向的投影长度,小于长度阈值则按主方向或副方向规则化外边界线。
3、不借助传统遥感图像处理方法,避免了从点云内插成二值图像过程中带来的误差。在不构建三角网结构的基础上,直接分析点云的三维空间信息,降低了计算过程的复杂度和占用的空间,计算过程中只分析了一部分符合空间结构的点云,无需对所有点云数据进行分析、处理,因而处理效率高、速度快。
4、边界点搜索过程(即建筑物外轮廓点提取过程)中加入了回滚搜索方式,当认为某一外轮廓点提取错误时,会回滚到上一个外轮廓点重新搜索,增强了算法的鲁棒性。与传统回滚方式不同,在回滚过程中会标记检测错误的点,在后面的分析中不再考虑,这样保证了提取过程一定会得到唯一确定的结果。
5、改进了传统道格拉斯-普克拐点提取的方法,在二次判断检查的过程中,剔除了错误的拐点。同时,利用最小二乘法保证了拐点间的点也被考虑进边界提取的过程中,因而本发明为一种多种提取方式组合的组合式外边界提取方法,这种组合式提取方法最大程度地保证了边界点云的特征。
6、在不构建三角网的基础上,直接分析点云空间坐标,提取建筑物外轮廓点云,生成矢量边界线。
7、使用效果好,采用的主方向提取方法,利用长度作为权重,保证在最小程度改变外边界方向的前提下,规则化矢量边界,使生成的矢量边界线能最大程度地与点云套合。综上,本发明利用点云数据集合,解决了无法精确、快速提取建筑物外边界的问题,不需要构建三角网或者内插格网,运行效率高、速度快、占用空间小,并且得到的外边界矢量规则化程度高,符合建筑建模需求。
综上所述,本发明方法步骤简单、设计合理且实现方便、使用效果好,能简便、快速完成建筑物外边界线的提取过程,并且所得到的外边界矢量规则化程度高。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的装配示意图。
图2为所获取的建筑物点云图。
图3为采用本发明所提取的建筑物外轮廓点的点云图。
图4为采用本发明规则化的建筑物外边界线的结构示意图;
图5为将本发明规则化的建筑物外边界线与所获取点云叠加后的示意图。
具体实施方式
如图1所示的一种基于机载LiDAR数据的建筑物外边界线提取方法,包括以下步骤:
步骤一、LiDAR点云数据获取:采用机载LiDAR测量系统获取待测区域的点云数据,并将所获取的点云数据传送至数据处理设备。所述点云数据中包括待测区域内多个建筑物的点云数据,每个建筑物的点云数据均包括该建筑物顶部的多个测点及各测点的三维坐标。
步骤二、LiDAR点云数据处理:采用所述数据处理设备分别对多个建筑物的点云数据进行处理,并提取出各建筑物的外边界线;多个建筑物的点云数据处理过程均相同。
本实施例中,实际进行外边界线提取之前;先通过设置高程阈值对所述点云数据进行滤波,去除所述点云数据中需处理建筑物之外的其它地物的点云数据。同时,还需对滤波后的点云数据进行分类,找出待测区域内各建筑物的点云数据。
实际使用时,待测区域内的建筑物可以为一个整体式建筑物(如楼宇),也可以为一个整体式建筑物上的一个建筑部件(如楼宇的一个屋面)。本实施例中,如图2所示,所获取的点云数据为一个住宅小区的点云数据,点云密度为30点/m2,点间距约20cm。
对待测区域内的任一个建筑物的点云数据进行处理时,过程如下:
步骤201、建筑物外轮廓点提取:调用外轮廓点提取模块,从当前所处理建筑物的二维数据集中,提取当前所处理建筑物的外轮廓点,并获得外轮廓点集合。所提取外轮廓点的数量为N个,所述外轮廓点集合中包含N个外轮廓点的二维数据,N个所述外轮廓点连接形成当前所处理建筑物的外轮廓线,详见图3。
所述二维数据集包括当前所处理建筑物的点云数据中多个测点在X-Y平面直角坐标系上的二维坐标。
本实施例中,步骤201中N个所述外轮廓点,分别记作A0、A1、A2、…、AN-1。
本实施例中,步骤201中进行建筑物外轮廓点提取时,过程如下:
步骤2011、构建kd树:将当前所处理建筑物的点云数据中,多个测点在X-Y平面直角坐标系上的二维坐标构建kd树。
所构建的kd树是基于整个建筑物点云数据的二维坐标构建的数据结构,该数据结构根据输入的单个二维坐标能快速搜索到邻近的点集及距离,是一种二维平面的搜索机制。
步骤2012、邻域搜索:利用步骤2011中所构建的kd树在X-Y平面上进行邻域搜索,找出当前所处理建筑物的所有外轮廓点,X-Y平面为X-Y平面直角坐标系所在的水平面;邻域搜索过程如下:
步骤20121、第一次搜索:以极值点A0作为本次搜索的搜索点O1且以X坐标轴的负半轴作为基准向量进行邻域搜索,并在当前搜索点O1的邻域内找出旋转角度最小的测点,所找出的测点为第一次搜索出的外轮廓点A1。
当前搜索点的邻域内任一测点Ci的旋转角度为由基准向量逆时针旋转至向量的旋转角度;极值点A0为当前所处理建筑物的点云数据中X轴坐标值最大、X轴坐标值最小、Y轴坐标值最大或Y轴坐标值最小的测点。
步骤20122、第j次搜索:以第j-1次搜索出的外轮廓点Aj-1作为本次搜索的搜索点Oj且以向量为基准向量进行邻域搜索,并按照步骤20121中所述的方法,在当前搜索点Oj的邻域内找出旋转角度最小的测点,所找出的测点为第j次搜索出的外轮廓点Aj。
其中,j为正整数且j≥2;当j=2时,Aj-2=A0;当j>2时,Aj-2为第j-2次搜索出的外轮廓点。
步骤20123、多次重复步骤20122,直至搜索出的外轮廓点为A0时,完成邻域搜索过程。
综上,步骤201中进行建筑物外轮廓点提取时,先构建当前所处理建筑物的二分查找树(即kd树);再以极值点A0作为搜索点,以水平副方向作为基准方向,利用所构建的kd树逆时针搜索邻近点云,两测点间的方向与基准方向的逆时针旋转角度最小的测点作为第二个外轮廓点;之后,继续以第二个外轮廓点作为搜索点,与上一个外轮廓点之间的方向向量作为基准方向,搜索第三个外轮廓点;如此不断重复,直到搜回到起始点(极值点A0),这样形成由建筑物的多个外轮廓点组成的闭合线段,即建筑物的外轮廓线。
步骤20121和步骤20122中进行搜索时,当前搜索点的邻域均为以当前搜索点为中心且以R为搜索半径的圆形区域;其中,R=2d~3d,d为步骤一中所述点云数据的点间距。本实施例中,R=50cm,实际使用时,可以根据u具体需要,对R的取值大小进行相应调整。
本实施例中,步骤20121中当前搜索点O1的邻域内任一测点Ci的旋转角度记作∠aCi,测点Ci的二维坐标为(XCi,YCi);第一次搜索时的基准向量为T1,且T1=(-1,0);对∠aCi进行计算时,先根据公式aCi=XCi×(-1)+YCi×0=-XCi,计算得出aCi:当aCi≥0时,根据公式∠aCi=arccos(aCi),计算得出∠aCi;当aCi<0时,根据公式∠aCi=90°-arccos(aCi),计算得出∠aCi。
步骤20122中当前搜索点Oj的邻域内任一测点Cp的旋转角度记作∠aCp,测点Cp的二维坐标为(XCp,YCp),第j次搜索时的基准向量记作(Xj,Yj);对∠aCp进行计算时,先根据公式aCp=XCp×Xj+YCi×Yj,计算得出aCp:当aCp≥0时,根据公式∠aCp=arccos(aCp),计算得出∠aCi;当aCp<0时,根据公式∠aCp=90°-arccos(aCp),计算得出∠aCi。
本实施例中,步骤2012中进行邻域搜索过程中,将极值点A0和各次搜索到的外轮廓点均标记为已用点;
步骤20123中,多次重复步骤20122且完成第n次搜索后,获得第n次搜索出的外轮廓点An,并将外轮廓点An标记为已用点;之后,按照步骤20122中所述的方法,将An作为搜索点,进行第n+1次搜索,且当第n+1次搜索过程中搜索到的外轮廓点为标记的已用点时,将外轮廓点An标记为不可用点;然后,按照An-1、An-2、…、A1顺序,由先至后对标记为有用点的外轮廓点进行回滚搜索,过程如下:
步骤Ⅰ、第一次回滚搜索:对第(n-1)次搜索出的外轮廓点An-1进行回滚搜索,过程如下:
步骤Ⅰ-1、第一次邻域搜索:按照步骤20121中所述的方法,以外轮廓点An-1作为本次搜索的搜索点O11且以向量为基准向量进行邻域搜索。
步骤Ⅰ-2、第一次邻域搜索结果处理:步骤Ⅰ-1中搜索完成后,当在当前搜索点O11的邻域测点集合S'(n-1)中不能找出旋转角度最小的测点时,将外轮廓点An-1标记为不可用点,并进入步骤Ⅱ,进行下一次回滚搜索;
反之,当在邻域测点集合S'(n-1)中找出旋转角度最小的测点时,将所找出的测点作为回滚搜索过程中第一次搜索出的外轮廓点A11,且将外轮廓点A11标记为已用点,并判断外轮廓点A11是否为极值点A0:当外轮廓点A11为极值点A0时,完成回滚搜索过程;否则,进入步骤Ⅰ-3,进行下一次邻域搜索。
步骤2012中进行邻域搜索过程中,第(n-1)次搜索时,当前搜索点On-1的邻域内所有测点组成邻域测点集合S(n-1);所述邻域测点集合S(n-1)中的所有未标记的测点组成邻域测点集合S'(n-1)。
步骤Ⅰ-3、第k次邻域搜索:以回滚搜索过程中第(k-1)次搜索出的外轮廓点A1(k-1)作为本次搜索的搜索点O1k且以向量为基准向量进行邻域搜索,并按照步骤20121中所述的方法,在当前搜索点O1k的邻域内找出旋转角度最小的测点,所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A1k。
其中,k为正整数且k≥2;当k=2时,A1(k-2)=O11,A1(k-1)=A11;当j>2时,A1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点。
步骤Ⅰ-3、第k次邻域搜索:以回滚搜索过程中第(k-1)次搜索出的外轮廓点A1(k-1)作为本次搜索的搜索点O1k且以向量为基准向量进行邻域搜索,并按照步骤20121中所述的方法,在当前搜索点O1k的邻域内找出旋转角度最小的测点,所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A1k,并将外轮廓点A1k标记为已用点。
其中,k为正整数且k≥2;当k=2时,A1(k-2)=O11,A1(k-1)=A11;当j>2时,A1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点。
步骤Ⅰ-4、第k次邻域搜索结果处理:步骤Ⅰ-3中搜索完成后,判断第k次搜索出的外轮廓点A1k是否为极值点A0:当外轮廓点A1k为极值点A0时,完成回滚搜索过程;否则,返回步骤Ⅰ-3,进行下一次邻域搜索。
步骤Ⅱ、第h次回滚搜索:按照步骤Ⅰ中所述的方法,对步骤2012中第(n-h+1)次搜索出的外轮廓点An-h+1进行回滚搜索,直至完成回滚搜索过程;其中,h为正整数且h≥2。
步骤2012中完成回滚搜索过程后,当前状态下所有标记为已用点的测点组成步骤201中所述外轮廓点集合,并且所有标记为已用点的测点总数量为N个。
综上所述,步骤201中进行建筑物外轮廓点提取时,增设回滚搜索机制,因而能有效确保所提取外边界线的准确性和可操作性。
本实施例中,步骤2012中进行邻域搜索过程中,将极值点A0和各次搜索到的外轮廓点由先至后放入外轮廓点集合堆栈中,并将放入所述外轮廓点集合堆栈中的极值点A0和所有外轮廓点均标记为已用点。
步骤20123中,将外轮廓点An标记为不可用点的同时,还需将外轮廓点An从所述外轮廓点集合堆栈中弹出。
步骤Ⅰ-2中将外轮廓点A11标记为已用点的同时,还需将外轮廓点A11放入所述外轮廓点集合堆栈中。
步骤Ⅰ-3中将外轮廓点A1k标记为已用点的同时,还需将外轮廓点A1k所述外轮廓点集合堆栈中。
步骤2012中完成回滚搜索过程后,当前状态下所述外轮廓点集合堆栈内的所有测点组成所述外轮廓点集合。
步骤202、特征点提取:采用道格拉斯-普扑克算法对步骤201中所述外轮廓线进行特征点提取,并从所述外轮廓点集合提取出S个特征点,S个特征点分别记作S1、S2、…、SS。
本实施例中,步骤201中获得当前所处理建筑物的外轮廓线后,所获得N个外轮廓点A0、A1、A2、…、AN-1沿逆时针方向由前至后进行排列;之后,将外轮廓点A0和AN-1分别作为起始点和终止点,将步骤201中所得到的外轮廓线分割成一条折线段,之后再采用道格拉斯-普扑克算法对该折线段进行特征点提取,所提取的特征点为突变的测点,即拐点。
本实施例中,步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取时,过程如下:
步骤2021、特征点指定:将步骤201中N个所述外轮廓点中任意相邻两个外轮廓点AD和AF指定为特征点,并将外轮廓点AD和AF均标记为特征点;其中D和F均为正整数且D≠F,D=1、2、…、N,F=1、2、…、N。
本实施例中,AD=A0,AF=AN-1。
步骤2022、中间特征点获取:将外轮廓点AD和AF作为一个特征点对,从步骤201中所述外轮廓点集合中找出一个与特征点对AD与AF所在的直线ADAF的距离最远且未标记的外轮廓点,并将所找出的外轮廓点作为特征点对AD与AF的中间特征点,记作AE,且将外轮廓点AE标记为特征点。
步骤2023、特征点对获取:以步骤2022中获取的中间特征点AE重新组建特征点对。
以中间特征点AE重新组建特征点对时,将中间特征点AE分别与特征点AD和AF组成两个特征点对,两个特征点对分别为特征点对AD与AE和特征点对AE与AF。
步骤2024、中间特征点获取及判断处理:对步骤2023中组成的两个特征点对分别进行中间特征点获取及判断处理,且两个特征点对的中间特征点获取及判断处理方法均相同。
其中,对一个特征点对进行中间特征点获取及判断时,从步骤201中所述外轮廓点集合中找出一个与当前所处理特征点对所在的直线的距离最远且未标记的外轮廓点,并判断所找出的外轮廓点与当前所处理特征点对所在直线的距离d是否大于d0:当d>d0时,将所找出的外轮廓点作为当前所处理特征点对的中间特征点,并将该中间特征点标记为特征点,并进入步骤2025;否则,完成当前所处理特征点对的特征点提取过程。
其中,d0=30cm~50cm。
步骤2025、特征点对获取与中间特征点获取及判断处理:先按照步骤2023中所述的特征点对获取方法,以步骤2024中所获取的中间特征点重新组建特征点对;之后,按照步骤2024中所述的方法,对本步骤中所组建的所有特征点对分别进行中间特征点获取及判断处理。
步骤2026、多次重复步骤2025,直至完成所组建的所有特征点对的特征点提取过程。
本实施例中,步骤2024中对所找出的外轮廓点与当前所处理特征点对所在直线的距离d进行计算时,根据公式 其中所找出的外轮廓点的二维坐标为(An.X,An.y),当前所处理特征点对的两个特征点的二维坐标分别为(At.X,At.y)和(Af.X,Af.y),其中L'1=Af.y-At.y,L'2=At.x-Af.x,L'3=Af.x×At.y-At.x×Af.y。
步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取后,所提取的特征点数量为M个,其中M为正整数且M≥S;M个特征点组成特征点集合,S个特征点分别记作S1、S2、…、SM,特征点S1又记作特征点SM+1;
本实施例中,特征点提取完成后,还需对所提取的M个特征点分别进行判定;其中,对M个特征点中任一个特征点Sh进行判定时,判断特征点Sh与直线Sh-1Sh+1之间的距离dh是否大于d0:当dh>d0时,在所述特征点集合中保留特征点Sh;否则,从所述特征点集合中删除特征点Sh,并将特征点Sh标记为非特征点。
直线Sh-1Sh+1为特征点Sh-1和Sh+1所在的直线,特征点Sh-1和Sh+1为与特征点Sh相邻的两个特征点;其中,h为正整数且h=1、2、…、M。
对M个特征点分别进行判定后,所述特征点集合中特征点的数量为S个。
综上,步骤202中进行特征点提取时,先从外轮廓点集合中的第一个外轮廓点和最后一个外轮廓点作为特征点对,使外轮廓线形成一条折线段;之后,分别计算特征点对中的两个特征点之间的所有外轮廓点到两个特征点连线的距离,将距离最大且大于d0外轮廓点作为中间特征点,并将中间特征点分别与特征点对中的两个特征点组成两个特征点对;然后,对组成的特征点对再进行中间特征点获取,当中间特征点到特征点对中两个特征点连线的距离小于d0时结束。
由于道格拉斯-普扑克算法存在一定的限制性,主要原因在于外轮廓点集合中的第一个外轮廓点和最后一个外轮廓点(即指定的特征点)要求都不能为拐点,因而提取出的特征点并不都是拐点,因而需对提取出的特征点进行二次确认,即判定。实际进行判定时,根据所判断特征点的前后相邻两个特征点进行验证。
步骤203、最小二乘法直线拟合及初始边界线获取:对S个特征点中相邻两个特征点所在的直线分别进行拟合,并获得S条拟合直线;S条拟合直线相交形成的封闭曲线为当前所处理建筑物的初始边界线,所述初始边界线由多个直线段连接而成。
对S个特征点中相邻两个特征点Sa和Sb进行直线拟合时,先将特征点Sa和Sb以及步骤201中所述外轮廓点集合中特征点Sa和Sb之间的所有外轮廓点组成直线点集,再利用最小二乘法对所述直线点集进行直线拟合,获得特征点Sa和Sb所在的拟合直线;其中,a和b均为正整数且a≠b,a=1、2、…、S,b=1、2、…、S。
本实施例中,步骤203中对相邻两个特征点Sa和Sb进行直线拟合时,先将所述直线点集中所有测点的X轴坐标值组成X轴坐标集合,并将所述直线点集中所有测点的X轴坐标值组成Y轴坐标集合;之后,计算X轴坐标集合中多个X轴坐标值的方差,记作σX;同时,计算Y轴坐标集合中多个Y轴坐标值的方差,记作σY;然后,根据计算得出的σX和σY,选取拟合用的直线模型:当σX≥σY时,所选取的直线模型为y=kx+b;否则,当σX<σY时,所选取的直线模型为x=ky+b;最后,根据所述直线点集中所有测点的二维坐标,并利用所选取的直线模型进行直线拟合。
本实施例中,采用直线模型y=kx+b进行直线拟合时,k=[n*Σ(xg×yg)-Σxg×Σyg]/[n×Σyg 2-Σyg×Σyg],式中n为所述直线点集中的测点总数量,Σ(xg×yg)为所述直线点集中所有测点的X轴与Y轴坐标值的乘积之和,Σxg为所述直线点集中所有测点的X轴坐标值之和,Σyg为所述直线点集中所有测点的Y轴坐标值之和,Σyg 2为所述直线点集中所有测点的Y轴坐标值的平方之和。
步骤204、建筑物主方向及副方向确定:先对步骤203中所述初始边界线中的多个直线段的方向向量进行确定,再对多个直线段的方向向量的权重分别进行计算,并将权重最大的直线段的方向向量作为当前所处理建筑物的主方向,将当前所处理建筑物的主方向的正交向量作为当前所处理建筑物的副方向。
本实施例中,对步骤203中所述初始边界线中的多个直线段的方向向量进行确定时,沿逆时针方向由先至后对各直线段的方向向量进行确定。
本实施例中,步骤203中所述初始边界线由P个直线段组成,所述初始边界线中有P个顶点,P个顶点分别为S条拟合直线相交后的交点,P个顶点沿逆时针方向由先至后分别记作T1、T2、…、TP,P个直线段沿逆时针方向由先至后排列,其中P个直线段中第s条直线段记作直线段TsTs+1,其中s为正整数且s=1、2、…、P,其中顶点T1又记作TP+1,个直线段中第s条直线段的方向方向为TsTs+1。
本实施例中,步骤204中对多个直线段的方向向量进行确定时,多个所述直线段的方向向量确定方法均相同。对任一个直线段lQ的方向向量VQ进行确定时,根据公式和公式进行计算,方向向量VQ=(VQ.X,VQ.Y);式中,直线段lQ的两端点的二维坐标分别为(XQ1,YQ1)和(XQ2,YQ2)。
对直线段lQ的方向向量的权重进行计算时,由先至后将直线段lQ的方向向量VQ,分别与所述初始边界线中其它各直线段的方向向量叠加后,获得直线段lQ的权重向量WQ,过程如下:
步骤2041、叠加顺序确定及角度差阈值c0设定:按照叠加先后顺序,对所述初始边界线中其它各直线段的方向向量进行排序;其中,角度差阈值c0=5°~10°,c⊥=90°-c0。
步骤2042、第一次叠加:将直线段lQ的方向向量VQ作为基准方向向量,先计算得出本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠Q1;再结合步骤2041中所设定的c0和c⊥,并根据计算得出的Δ∠Q1确定叠加方式:当Δ∠Q1更接近c0时,将基准方向向量与本次叠加的直线段的方向向量叠加;当Δ∠Q1更接近c⊥时,将基准方向向量与本次叠加直线段的方向向量的正交向量叠加;之后,按照所确定的叠加方式进行叠加,并将叠加后的向量作为下一次叠加的基准叠加向量。
步骤2043、第t次叠加:将第t-1次叠加后的向量作为本次叠加的基准叠加向量,先计算得出本次叠加直线段的方向向量与当前状态下的的基准叠加向量之间的角度差Δ∠Qt;再结合步骤2041中所设定的c0和c⊥,并根据计算得出的Δ∠Qt确定叠加方式:当Δ∠Qt更接近c0时,将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加;当Δ∠Qt更接近c⊥时,将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加;之后,按照所确定的叠加方式进行叠加,并将叠加后的向量作为下一次叠加的基准叠加向量。
步骤2044、多次重复步骤2043,直至完成方向向量VQ与所述初始边界线中其它各直线段的方向向量的全部叠加过程,且叠加过程完成后所得的向量为直线段lQ的权重向量WQ。
步骤204中权重最大的直线段为权重向量的长度最大的直线段。
本实施例中,步骤2042中对本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠Q1进行计算时,根据公式Δ∠Q1=arccos(|VL1.X×VQ.X+VL1.Y×VQ.Y|)进行计算;本次叠加的直线段的方向向量为(VL1.X,VL1.Y),基准方向向量为(VQ.X,VQ.Y);
步骤2043中对本次叠加的直线段的方向向量与当前状态下的基准叠加向量之间的角度差Δ∠Qt进行计算时,根据公式Δ∠Qt=arccos(|VLt.X×Vt.X+VLt.Y×Vt.Y|)进行计算;本次叠加的直线段的方向向量为(VLt.X,VLt.Y),当前状态下的基准方向向量为(Vt.X,Vt.Y)。
本实施例中,步骤2042中叠加后的向量记作(VQ'.X,VQ'.Y);将基准方向向量与本次叠加直线段的方向向量叠加时,VQ'.X=VL1.X+VQ.X,VQ'.Y=VL1.Y+VQ.Y;将基准方向向量与本次叠加直线段的方向向量的正交向量叠加时,VQ'.X=VL1⊥.X+VQ.X,VQ'.Y=VL1⊥.Y+VQ.Y;本次叠加直线段的方向向量的正交向量为(VL1⊥.X,VL1⊥.Y);
步骤2043中叠加后的向量记作(Vt'.X,Vt'.Y);将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加时,Vt'.X=VLt.X+Vt.X,Vt'.Y=VLt.Y+Vt.Y;将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加时,Vt'.X=VLt⊥.X+Vt.X,Vt'.Y=VLt⊥.Y+Vt.Y;本次叠加直线段的方向向量的正交向量为(VLt⊥.X,VLt⊥.Y)。
步骤205、初始边界线规则化:对步骤203中所述初始边界线中的多个直线段分别进行规则化处理。
对所述初始边界线中任一个直线段进行规则化处理时,过程如下:
步骤2051、规则化方向确定:根据步骤204中所确定的主方向和副方向以及当前所处理直线段的方向向量,对当前所处理直线段的规则化方向进行确定:当当前所处理直线段的方向向量更靠近主方向时,以主方向作为规则化方向;反之,当当前所处理直线段的方向向量更靠近副方向时,以副方向作为规则化方向。
步骤2052、是否需进行规则化判断:计算当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L,并根据投影长度L对当前所处理直线段是否需进行规则化进行判断:当投影长度L≤L0时,进入步骤2053;否则,无需进行规则化处理,将当前所处理直线段所在的直线作为其规则化直线。其中,L0=0.5m~1m。
步骤2053、规则化处理:以当前所处理直线段的中点为起点,且以步骤2051中所确定的规则化方向为方向向量,生成当前所处理直线段的规则化直线。
本实施例中,步骤205中进行初始边界线规则化之前,先找出步骤203中所述初始边界线中方向向量相同的所有直线段,并将方向向量相同的所有直线段合并为一条直线;进行规则化处理时,仅需对合并后的直线进行规则化处理。实际进行规则化处理时,合并后直线的中点坐标为取方向向量相同的所有直线段的平均值。
本实施例中,步骤2052中对当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L进行计算时,先根据公式Δ∠θ=arccos(|VH.X×V主.X+VH.Y×V主.Y|)进行计算,当前所处理直线段的方向向量为(VH.X,VH.Y),主方向为(V主.X,V主.Y);之后,根据计算得出的Δ∠θ,对投影长度L进行计算:当步骤2051中所确定规则化方向为主方向时,当步骤2051中所确定规则化方向为副方向时,
综上,实际进行规划化处理时,当前所处理直线段的中点坐标保持不变,方向向量改为主方向或副方向。
步骤206、规则化边界线获取:步骤205中所述初始边界线中的多个直线段均规则化处理完成后,多个直线段的规则化直线相交形成的封闭曲线为当前所处理建筑物的规划化边界线,详见图4。
结合图5,可以看出,除部分弧线或者大角度的线段外,本发明得到的建筑物外边界线在规则化的前提下,覆盖了全部点云的外边界,使用效果非常好。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (10)
1.一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于该方法包括以下步骤:
步骤一、LiDAR点云数据获取:采用机载LiDAR测量系统获取待测区域的点云数据,并将所获取的点云数据传送至数据处理设备;所述点云数据中包括待测区域内多个建筑物的点云数据,每个建筑物的点云数据均包括该建筑物顶部的多个测点及各测点的三维坐标;
步骤二、LiDAR点云数据处理:采用所述数据处理设备分别对多个建筑物的点云数据进行处理,并提取出各建筑物的外边界线;多个建筑物的点云数据处理过程均相同;对待测区域内的任一个建筑物的点云数据进行处理时,过程如下:
步骤201、建筑物外轮廓点提取:调用外轮廓点提取模块,从当前所处理建筑物的二维数据集中,提取当前所处理建筑物的外轮廓点,并获得外轮廓点集合;所提取外轮廓点的数量为N个,所述外轮廓点集合中包含N个外轮廓点的二维数据,N个所述外轮廓点连接形成当前所处理建筑物的外轮廓线;
所述二维数据集包括当前所处理建筑物的点云数据中多个测点在X-Y平面直角坐标系上的二维坐标;
步骤202、特征点提取:采用道格拉斯-普扑克算法对步骤201中所述外轮廓线进行特征点提取,并从所述外轮廓点集合提取出S个特征点,S个特征点分别记作S1、S2、…、SS;
步骤203、最小二乘法直线拟合及初始边界线获取:对S个特征点中相邻两个特征点所在的直线分别进行拟合,并获得S条拟合直线;S条拟合直线相交形成的封闭曲线为当前所处理建筑物的初始边界线,所述初始边界线由多个直线段连接而成;
对S个特征点中相邻两个特征点Sa和Sb进行直线拟合时,先将特征点Sa和Sb以及步骤201中所述外轮廓点集合中特征点Sa和Sb之间的所有外轮廓点组成直线点集,再利用最小二乘法对所述直线点集进行直线拟合,获得特征点Sa和Sb所在的拟合直线;其中,a和b均为正整数且a≠b,a=1、2、…、S,b=1、2、…、S;
步骤204、建筑物主方向及副方向确定:先对步骤203中所述初始边界线中的多个直线段的方向向量进行确定,再对多个直线段的方向向量的权重分别进行计算,并将权重最大的直线段的方向向量作为当前所处理建筑物的主方向,将当前所处理建筑物的主方向的正交向量作为当前所处理建筑物的副方向;
步骤205、初始边界线规则化:对步骤203中所述初始边界线中的多个直线段分别进行规则化处理;
对所述初始边界线中任一个直线段进行规则化处理时,过程如下:
步骤2051、规则化方向确定:根据步骤204中所确定的主方向和副方向以及当前所处理直线段的方向向量,对当前所处理直线段的规则化方向进行确定:当当前所处理直线段的方向向量更靠近主方向时,以主方向作为规则化方向;反之,当当前所处理直线段的方向向量更靠近副方向时,以副方向作为规则化方向;
步骤2052、是否需进行规则化判断:计算当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L,并根据投影长度L对当前所处理直线段是否需进行规则化进行判断:当投影长度L≤L0时,进入步骤2053;否则,无需进行规则化处理,将当前所处理直线段所在的直线作为其规则化直线;其中,L0=0.5m~1m;
步骤2053、规则化处理:以当前所处理直线段的中点为起点,且以步骤2051中所确定的规则化方向为方向向量,生成当前所处理直线段的规则化直线;
步骤206、规则化边界线获取:步骤205中所述初始边界线中的多个直线段均规则化处理完成后,多个直线段的规则化直线相交形成的封闭曲线为当前所处理建筑物的规划化边界线。
2.按照权利要求1所述的一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于:步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取后,所提取的特征点数量为M个,其中M为正整数且M≥S;M个特征点组成特征点集合,S个特征点分别记作S1、S2、…、SM,特征点S1又记作特征点SM+1;
特征点提取完成后,还需对所提取的M个特征点分别进行判定;其中,对M个特征点中任一个特征点Sh进行判定时,判断特征点Sh与直线Sh-1Sh+1之间的距离dh是否大于d0:当dh>d0时,在所述特征点集合中保留特征点Sh;否则,从所述特征点集合中删除特征点Sh,并将特征点Sh标记为非特征点;
直线Sh-1Sh+1为特征点Sh-1和Sh+1所在的直线,特征点Sh-1和Sh+1为与特征点Sh相邻的两个特征点;其中,h为正整数且h=1、2、…、M;
对M个特征点分别进行判定后,所述特征点集合中特征点的数量为S个。
3.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于:步骤201中N个所述外轮廓点,分别记作A0、A1、A2、…、AN-1;
步骤201中进行建筑物外轮廓点提取时,过程如下:
步骤2011、构建kd树:将当前所处理建筑物的点云数据中,多个测点在X-Y平面直角坐标系上的二维坐标构建kd树;
步骤2012、邻域搜索:利用步骤2011中所构建的kd树在X-Y平面上进行邻域搜索,找出当前所处理建筑物的所有外轮廓点,X-Y平面为X-Y平面直角坐标系所在的水平面;邻域搜索过程如下:
步骤20121、第一次搜索:以极值点A0作为本次搜索的搜索点O1且以X坐标轴的负半轴作为基准向量进行邻域搜索,并在当前搜索点O1的邻域内找出旋转角度最小的测点,所找出的测点为第一次搜索出的外轮廓点A1;
当前搜索点的邻域内任一测点Ci的旋转角度为由基准向量逆时针旋转至向量的旋转角度;极值点A0为当前所处理建筑物的点云数据中X轴坐标值最大、X轴坐标值最小、Y轴坐标值最大或Y轴坐标值最小的测点;
步骤20122、第j次搜索:以第j-1次搜索出的外轮廓点Aj-1作为本次搜索的搜索点Oj且以向量为基准向量进行邻域搜索,并按照步骤20121中所述的方法,在当前搜索点Oj的邻域内找出旋转角度最小的测点,所找出的测点为第j次搜索出的外轮廓点Aj;
其中,j为正整数且j≥2;当j=2时,Aj-2=A0;当j>2时,Aj-2为第j-2次搜索出的外轮廓点;
步骤20123、多次重复步骤20122,直至搜索出的外轮廓点为A0时,完成邻域搜索过程。
4.按照权利要求3所述的一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于:步骤2012中进行邻域搜索过程中,将极值点A0和各次搜索到的外轮廓点均标记为已用点;
步骤20123中,多次重复步骤20122且完成第n次搜索后,获得第n次搜索出的外轮廓点An,并将外轮廓点An标记为已用点;之后,按照步骤20122中所述的方法,将An作为搜索点,进行第n+1次搜索,且当第n+1次搜索过程中搜索到的外轮廓点为标记的已用点时,将外轮廓点An标记为不可用点;然后,按照An-1、An-2、…、A1顺序,由先至后对标记为有用点的外轮廓点进行回滚搜索,过程如下:
步骤Ⅰ、第一次回滚搜索:对第(n-1)次搜索出的外轮廓点An-1进行回滚搜索,过程如下:
步骤Ⅰ-1、第一次邻域搜索:按照步骤20121中所述的方法,以外轮廓点An-1作为本次搜索的搜索点O11且以向量为基准向量进行邻域搜索;
步骤Ⅰ-2、第一次邻域搜索结果处理:步骤Ⅰ-1中搜索完成后,当在当前搜索点O11的邻域测点集合S'(n-1)中不能找出旋转角度最小的测点时,将外轮廓点An-1标记为不可用点,并进入步骤Ⅱ,进行下一次回滚搜索;
反之,当在邻域测点集合S'(n-1)中找出旋转角度最小的测点时,将所找出的测点作为回滚搜索过程中第一次搜索出的外轮廓点A11,且将外轮廓点A11标记为已用点,并判断外轮廓点A11是否为极值点A0:当外轮廓点A11为极值点A0时,完成回滚搜索过程;否则,进入步骤Ⅰ-3,进行下一次邻域搜索;
步骤2012中进行邻域搜索过程中,第(n-1)次搜索时,当前搜索点On-1的邻域内所有测点组成邻域测点集合S(n-1);所述邻域测点集合S(n-1)中的所有未标记的测点组成邻域测点集合S'(n-1);
步骤Ⅰ-3、第k次邻域搜索:以回滚搜索过程中第(k-1)次搜索出的外轮廓点A1(k-1)作为本次搜索的搜索点O1k且以向量为基准向量进行邻域搜索,并按照步骤20121中所述的方法,在当前搜索点O1k的邻域内找出旋转角度最小的测点,所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A1k;
其中,k为正整数且k≥2;当k=2时,A1(k-2)=O11,A1(k-1)=A11;当j>2时,A1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点;
步骤Ⅰ-3、第k次邻域搜索:以回滚搜索过程中第(k-1)次搜索出的外轮廓点A1(k-1)作为本次搜索的搜索点O1k且以向量为基准向量进行邻域搜索,并按照步骤20121中所述的方法,在当前搜索点O1k的邻域内找出旋转角度最小的测点,所找出的测点为回滚搜索过程中第k次搜索出的外轮廓点A1k,并将外轮廓点A1k标记为已用点;
其中,k为正整数且k≥2;当k=2时,A1(k-2)=O11,A1(k-1)=A11;当j>2时,A1(k-2)为回滚搜索过程中第(k-2)次搜索出的外轮廓点;
步骤Ⅰ-4、第k次邻域搜索结果处理:步骤Ⅰ-3中搜索完成后,判断第k次搜索出的外轮廓点A1k是否为极值点A0:当外轮廓点A1k为极值点A0时,完成回滚搜索过程;否则,返回步骤Ⅰ-3,进行下一次邻域搜索;
步骤Ⅱ、第h次回滚搜索:按照步骤Ⅰ中所述的方法,对步骤2012中第(n-h+1)次搜索出的外轮廓点An-h+1进行回滚搜索,直至完成回滚搜索过程;其中,h为正整数且h≥2;
步骤2012中完成回滚搜索过程后,当前状态下所有标记为已用点的测点组成步骤201中所述外轮廓点集合,并且所有标记为已用点的测点总数量为N个。
5.按照权利要求4所述的一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于:步骤20121中当前搜索点O1的邻域内任一测点Ci的旋转角度记作∠aCi,测点Ci的二维坐标为(XCi,YCi);第一次搜索时的基准向量为T1,且T1=(-1,0);对∠aCi进行计算时,先根据公式aCi=XCi×(-1)+YCi×0=-XCi,计算得出aCi:当aCi≥0时,根据公式∠aCi=arccos(aCi),计算得出∠aCi;当aCi<0时,根据公式∠aCi=90°-arccos(aCi),计算得出∠aCi;
步骤20122中当前搜索点Oj的邻域内任一测点Cp的旋转角度记作∠aCp,测点Cp的二维坐标为(XCp,YCp),第j次搜索时的基准向量记作(Xj,Yj);对∠aCp进行计算时,先根据公式aCp=XCp×Xj+YCi×Yj,计算得出aCp:当aCp≥0时,根据公式∠aCp=arccos(aCp),计算得出∠aCi;当aCp<0时,根据公式∠aCp=90°-arccos(aCp),计算得出∠aCi;
步骤2012中进行邻域搜索过程中,将极值点A0和各次搜索到的外轮廓点由先至后放入外轮廓点集合堆栈中,并将放入所述外轮廓点集合堆栈中的极值点A0和所有外轮廓点均标记为已用点;
步骤20123中,将外轮廓点An标记为不可用点的同时,还需将外轮廓点An从所述外轮廓点集合堆栈中弹出;
步骤Ⅰ-2中将外轮廓点A11标记为已用点的同时,还需将外轮廓点A11放入所述外轮廓点集合堆栈中;
步骤Ⅰ-3中将外轮廓点A1k标记为已用点的同时,还需将外轮廓点A1k所述外轮廓点集合堆栈中;
步骤2012中完成回滚搜索过程后,当前状态下所述外轮廓点集合堆栈内的所有测点组成所述外轮廓点集合。
6.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于:步骤201中N个所述外轮廓点,分别记作A0、A1、A2、…、AN-1;
步骤202中采用道格拉斯-普扑克算法对所述外轮廓线进行特征点提取时,过程如下:
步骤2021、特征点指定:将步骤201中N个所述外轮廓点中任意相邻两个外轮廓点AD和AF指定为特征点,并将外轮廓点AD和AF均标记为特征点;其中D和F均为正整数且D≠F,D=1、2、…、N,F=1、2、…、N;
步骤2022、中间特征点获取:将外轮廓点AD和AF作为一个特征点对,从步骤201中所述外轮廓点集合中找出一个与特征点对AD与AF所在的直线ADAF的距离最远且未标记的外轮廓点,并将所找出的外轮廓点作为特征点对AD与AF的中间特征点,记作AE,且将外轮廓点AE标记为特征点;
步骤2023、特征点对获取:以步骤2022中获取的中间特征点AE重新组建特征点对;
以中间特征点AE重新组建特征点对时,将中间特征点AE分别与特征点AD和AF组成两个特征点对,两个特征点对分别为特征点对AD与AE和特征点对AE与AF;
步骤2024、中间特征点获取及判断处理:对步骤2023中组成的两个特征点对分别进行中间特征点获取及判断处理,且两个特征点对的中间特征点获取及判断处理方法均相同;
其中,对一个特征点对进行中间特征点获取及判断时,从步骤201中所述外轮廓点集合中找出一个与当前所处理特征点对所在的直线的距离最远且未标记的外轮廓点,并判断所找出的外轮廓点与当前所处理特征点对所在直线的距离d是否大于d0:当d>d0时,将所找出的外轮廓点作为当前所处理特征点对的中间特征点,并将该中间特征点标记为特征点,并进入步骤2025;否则,完成当前所处理特征点对的特征点提取过程;
其中,d0=30cm~50cm;
步骤2025、特征点对获取与中间特征点获取及判断处理:先按照步骤2023中所述的特征点对获取方法,以步骤2024中所获取的中间特征点重新组建特征点对;之后,按照步骤2024中所述的方法,对本步骤中所组建的所有特征点对分别进行中间特征点获取及判断处理;
步骤2026、多次重复步骤2025,直至完成所组建的所有特征点对的特征点提取过程。
7.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于:步骤203中对相邻两个特征点Sa和Sb进行直线拟合时,先将所述直线点集中所有测点的X轴坐标值组成X轴坐标集合,并将所述直线点集中所有测点的X轴坐标值组成Y轴坐标集合;之后,计算X轴坐标集合中多个X轴坐标值的方差,记作σX;同时,计算Y轴坐标集合中多个Y轴坐标值的方差,记作σY;然后,根据计算得出的σX和σY,选取拟合用的直线模型:当σX≥σY时,所选取的直线模型为y=kx+b;否则,当σX<σY时,所选取的直线模型为x=ky+b;最后,根据所述直线点集中所有测点的二维坐标,并利用所选取的直线模型进行直线拟合。
8.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于:步骤204中对多个直线段的方向向量进行确定时,多个所述直线段的方向向量确定方法均相同;对任一个直线段lQ的方向向量VQ进行确定时,根据公式和公式进行计算,方向向量VQ=(VQ.X,VQ.Y);式中,直线段lQ的两端点的二维坐标分别为(XQ1,YQ1)和(XQ2,YQ2);
对直线段lQ的方向向量的权重进行计算时,由先至后将直线段lQ的方向向量VQ,分别与所述初始边界线中其它各直线段的方向向量叠加后,获得直线段lQ的权重向量WQ,过程如下:
步骤2041、叠加顺序确定及角度差阈值c0设定:按照叠加先后顺序,对所述初始边界线中其它各直线段的方向向量进行排序;其中,角度差阈值c0=5°~10°,c⊥=90°-c0;
步骤2042、第一次叠加:将直线段lQ的方向向量VQ作为基准方向向量,先计算得出本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠Q1;再结合步骤2041中所设定的c0和c⊥,并根据计算得出的Δ∠Q1确定叠加方式:当Δ∠Q1更接近c0时,将基准方向向量与本次叠加的直线段的方向向量叠加;当Δ∠Q1更接近c⊥时,将基准方向向量与本次叠加直线段的方向向量的正交向量叠加;之后,按照所确定的叠加方式进行叠加,并将叠加后的向量作为下一次叠加的基准叠加向量;
步骤2043、第t次叠加:将第t-1次叠加后的向量作为本次叠加的基准叠加向量,先计算得出本次叠加直线段的方向向量与当前状态下的的基准叠加向量之间的角度差Δ∠Qt;再结合步骤2041中所设定的c0和c⊥,并根据计算得出的Δ∠Qt确定叠加方式:当Δ∠Qt更接近c0时,将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加;当Δ∠Qt更接近c⊥时,将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加;之后,按照所确定的叠加方式进行叠加,并将叠加后的向量作为下一次叠加的基准叠加向量;
步骤2044、多次重复步骤2043,直至完成方向向量VQ与所述初始边界线中其它各直线段的方向向量的全部叠加过程,且叠加过程完成后所得的向量为直线段lQ的权重向量WQ;
步骤204中权重最大的直线段为权重向量的长度最大的直线段。
9.按照权利要求8所述的一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于:步骤2042中对本次叠加的直线段的方向向量与基准方向向量之间的角度差Δ∠Q1进行计算时,根据公式Δ∠Q1=arccos(|VL1.X×VQ.X+VL1.Y×VQ.Y|)进行计算;本次叠加的直线段的方向向量为(VL1.X,VL1.Y),基准方向向量为(VQ.X,VQ.Y);
步骤2043中对本次叠加的直线段的方向向量与当前状态下的基准叠加向量之间的角度差Δ∠Qt进行计算时,根据公式Δ∠Qt=arccos(|VLt.X×Vt.X+VLt.Y×Vt.Y|)进行计算;本次叠加的直线段的方向向量为(VLt.X,VLt.Y),当前状态下的基准方向向量为(Vt.X,Vt.Y);
步骤2042中叠加后的向量记作(VQ'.X,VQ'.Y);将基准方向向量与本次叠加直线段的方向向量叠加时,VQ'.X=VL1.X+VQ.X,VQ'.Y=VL1.Y+VQ.Y;将基准方向向量与本次叠加直线段的方向向量的正交向量叠加时,VQ'.X=VL1⊥.X+VQ.X,VQ'.Y=VL1⊥.Y+VQ.Y;本次叠加直线段的方向向量的正交向量为(VL1⊥.X,VL1⊥.Y);
步骤2043中叠加后的向量记作(Vt'.X,Vt'.Y);将当前状态下的基准叠加向量与本次叠加的直线段的方向向量叠加时,Vt'.X=VLt.X+Vt.X,Vt'.Y=VLt.Y+Vt.Y;将当前状态下的基准叠加向量与本次叠加直线段的方向向量的正交向量叠加时,Vt'.X=VLt⊥.X+Vt.X,Vt'.Y=VLt⊥.Y+Vt.Y;本次叠加直线段的方向向量的正交向量为(VLt⊥.X,VLt⊥.Y)。
10.按照权利要求1或2所述的一种基于机载LiDAR数据的建筑物外边界线提取方法,其特征在于:步骤2052中对当前所处理直线段在步骤2051中所确定规则化方向上的投影长度L进行计算时,先根据公式Δ∠θ=arccos(|VH.X×V主.X+VH.Y×V主.Y|)进行计算,当前所处理直线段的方向向量为(VH.X,VH.Y),主方向为(V主.X,V主.Y);之后,根据计算得出的Δ∠θ,对投影长度L进行计算:当步骤2051中所确定规则化方向为主方向时,当步骤2051中所确定规则化方向为副方向时,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410290126.7A CN104200212B (zh) | 2014-06-25 | 2014-06-25 | 一种基于机载LiDAR数据的建筑物外边界线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410290126.7A CN104200212B (zh) | 2014-06-25 | 2014-06-25 | 一种基于机载LiDAR数据的建筑物外边界线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104200212A true CN104200212A (zh) | 2014-12-10 |
CN104200212B CN104200212B (zh) | 2016-05-18 |
Family
ID=52085502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410290126.7A Expired - Fee Related CN104200212B (zh) | 2014-06-25 | 2014-06-25 | 一种基于机载LiDAR数据的建筑物外边界线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200212B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137412A (zh) * | 2015-08-19 | 2015-12-09 | 重庆大学 | 一种2d激光雷达距离图像中线段特征精确拟合方法 |
CN105512665A (zh) * | 2015-12-11 | 2016-04-20 | 中国测绘科学研究院 | 一种机载激光雷达点云数据边缘提取方法 |
WO2016106960A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种对地建筑群遥感图像频谱特性约束的去噪方法 |
CN106570468A (zh) * | 2016-10-25 | 2017-04-19 | 中国人民解放军空军工程大学 | 一种重建LiDAR原始点云建筑物轮廓线的方法 |
CN106772433A (zh) * | 2017-04-11 | 2017-05-31 | 南京林业大学 | 基于机载激光雷达数据的建筑线画图生成方法 |
CN107103603A (zh) * | 2017-05-18 | 2017-08-29 | 北京道亨时代科技有限公司 | 一种倾斜测量场景的地物提取方法 |
CN107289893A (zh) * | 2016-03-31 | 2017-10-24 | 中国二十冶集团有限公司 | 大型结构异形体施工的测量及精度控制方法 |
CN107993242A (zh) * | 2017-12-14 | 2018-05-04 | 天津大学 | 基于机载LiDAR点云数据缺失区域边界提取方法 |
CN108765434A (zh) * | 2018-01-15 | 2018-11-06 | 中国人民解放军陆军装甲兵学院 | 基于增材再制造点云模型的轮廓提取方法 |
CN108931786A (zh) * | 2018-05-17 | 2018-12-04 | 北京智行者科技有限公司 | 路沿检测装置和方法 |
CN109272569A (zh) * | 2018-08-03 | 2019-01-25 | 广东工业大学 | 一种autocad建筑二维图快速提取并生成楼层轮廓线的方法 |
CN109752731A (zh) * | 2019-01-10 | 2019-05-14 | 北京佳讯飞鸿电气股份有限公司 | 一种单向旋转门异物检测方法 |
CN110047133A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种面向点云数据的列车边界提取方法 |
CN110930422A (zh) * | 2018-09-20 | 2020-03-27 | 长沙智能驾驶研究院有限公司 | 物体外框确定方法、装置、计算机设备和可读存储介质 |
CN110971898A (zh) * | 2018-09-30 | 2020-04-07 | 华为技术有限公司 | 点云编解码方法和编解码器 |
CN111115300A (zh) * | 2020-03-31 | 2020-05-08 | 上海驭矩信息科技有限公司 | 一种自动化集装箱装卸装置及方法 |
CN111325684A (zh) * | 2020-02-01 | 2020-06-23 | 武汉大学 | 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 |
CN111612888A (zh) * | 2020-05-15 | 2020-09-01 | 北京工业大学 | 一种文物建筑图形的自动生成方法、系统及存储介质 |
CN112950740A (zh) * | 2019-12-10 | 2021-06-11 | 中交宇科(北京)空间信息技术有限公司 | 高精地图道路中心线的生成方法、装置、设备及存储介质 |
CN117952766A (zh) * | 2024-03-26 | 2024-04-30 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种用于林木数据的定向监管方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
CN101978395A (zh) * | 2008-04-23 | 2011-02-16 | 株式会社博思科 | 建筑物屋顶轮廓识别装置、建筑物屋顶轮廓识别方法及建筑物屋顶轮廓识别程序 |
US20120027298A1 (en) * | 2010-07-27 | 2012-02-02 | Aerotec, Llc | Method and Apparatus for Direct Detection, Location, Analysis, Identification, and Reporting of Vegetation Clearance Violations |
CN102930540A (zh) * | 2012-10-26 | 2013-02-13 | 中国地质大学(武汉) | 城市建筑物轮廓检测的方法及系统 |
CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
-
2014
- 2014-06-25 CN CN201410290126.7A patent/CN104200212B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101978395A (zh) * | 2008-04-23 | 2011-02-16 | 株式会社博思科 | 建筑物屋顶轮廓识别装置、建筑物屋顶轮廓识别方法及建筑物屋顶轮廓识别程序 |
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
US20120027298A1 (en) * | 2010-07-27 | 2012-02-02 | Aerotec, Llc | Method and Apparatus for Direct Detection, Location, Analysis, Identification, and Reporting of Vegetation Clearance Violations |
CN102930540A (zh) * | 2012-10-26 | 2013-02-13 | 中国地质大学(武汉) | 城市建筑物轮廓检测的方法及系统 |
CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016106960A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种对地建筑群遥感图像频谱特性约束的去噪方法 |
CN105137412B (zh) * | 2015-08-19 | 2017-10-20 | 重庆大学 | 一种2d激光雷达距离图像中线段特征精确拟合方法 |
CN105137412A (zh) * | 2015-08-19 | 2015-12-09 | 重庆大学 | 一种2d激光雷达距离图像中线段特征精确拟合方法 |
CN105512665A (zh) * | 2015-12-11 | 2016-04-20 | 中国测绘科学研究院 | 一种机载激光雷达点云数据边缘提取方法 |
CN105512665B (zh) * | 2015-12-11 | 2018-10-30 | 中国测绘科学研究院 | 一种机载激光雷达点云数据边缘提取方法 |
CN107289893A (zh) * | 2016-03-31 | 2017-10-24 | 中国二十冶集团有限公司 | 大型结构异形体施工的测量及精度控制方法 |
CN106570468A (zh) * | 2016-10-25 | 2017-04-19 | 中国人民解放军空军工程大学 | 一种重建LiDAR原始点云建筑物轮廓线的方法 |
CN106570468B (zh) * | 2016-10-25 | 2019-11-22 | 中国人民解放军空军工程大学 | 一种重建LiDAR原始点云建筑物轮廓线的方法 |
CN106772433B (zh) * | 2017-04-11 | 2019-01-18 | 南京林业大学 | 基于机载激光雷达数据的建筑线划图生成方法 |
CN106772433A (zh) * | 2017-04-11 | 2017-05-31 | 南京林业大学 | 基于机载激光雷达数据的建筑线画图生成方法 |
CN107103603A (zh) * | 2017-05-18 | 2017-08-29 | 北京道亨时代科技有限公司 | 一种倾斜测量场景的地物提取方法 |
CN107993242A (zh) * | 2017-12-14 | 2018-05-04 | 天津大学 | 基于机载LiDAR点云数据缺失区域边界提取方法 |
CN107993242B (zh) * | 2017-12-14 | 2022-06-03 | 天津大学 | 基于机载LiDAR点云数据缺失区域边界提取方法 |
CN108765434B (zh) * | 2018-01-15 | 2022-05-24 | 中国人民解放军陆军装甲兵学院 | 基于增材再制造点云模型的轮廓提取方法 |
CN108765434A (zh) * | 2018-01-15 | 2018-11-06 | 中国人民解放军陆军装甲兵学院 | 基于增材再制造点云模型的轮廓提取方法 |
CN108931786A (zh) * | 2018-05-17 | 2018-12-04 | 北京智行者科技有限公司 | 路沿检测装置和方法 |
CN109272569A (zh) * | 2018-08-03 | 2019-01-25 | 广东工业大学 | 一种autocad建筑二维图快速提取并生成楼层轮廓线的方法 |
CN109272569B (zh) * | 2018-08-03 | 2023-07-11 | 广东工业大学 | 一种autocad建筑二维图快速提取并生成楼层轮廓线的方法 |
CN110930422A (zh) * | 2018-09-20 | 2020-03-27 | 长沙智能驾驶研究院有限公司 | 物体外框确定方法、装置、计算机设备和可读存储介质 |
CN110930422B (zh) * | 2018-09-20 | 2023-03-21 | 长沙智能驾驶研究院有限公司 | 物体外框确定方法、装置、计算机设备和可读存储介质 |
CN110971898B (zh) * | 2018-09-30 | 2022-04-22 | 华为技术有限公司 | 点云编解码方法和编解码器 |
CN110971898A (zh) * | 2018-09-30 | 2020-04-07 | 华为技术有限公司 | 点云编解码方法和编解码器 |
CN109752731A (zh) * | 2019-01-10 | 2019-05-14 | 北京佳讯飞鸿电气股份有限公司 | 一种单向旋转门异物检测方法 |
CN110047133A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种面向点云数据的列车边界提取方法 |
CN112950740A (zh) * | 2019-12-10 | 2021-06-11 | 中交宇科(北京)空间信息技术有限公司 | 高精地图道路中心线的生成方法、装置、设备及存储介质 |
CN111325684B (zh) * | 2020-02-01 | 2022-04-26 | 武汉大学 | 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 |
CN111325684A (zh) * | 2020-02-01 | 2020-06-23 | 武汉大学 | 一种半自动高空间分辨率遥感影像不同形状建筑物提取方法 |
WO2021196938A1 (zh) * | 2020-03-31 | 2021-10-07 | 上海驭矩信息科技有限公司 | 一种自动化集装箱装卸装置及方法 |
CN111115300A (zh) * | 2020-03-31 | 2020-05-08 | 上海驭矩信息科技有限公司 | 一种自动化集装箱装卸装置及方法 |
CN111115300B (zh) * | 2020-03-31 | 2020-06-30 | 上海驭矩信息科技有限公司 | 一种自动化集装箱装卸装置及方法 |
US11748891B2 (en) | 2020-03-31 | 2023-09-05 | Shanghai Master Matrix Information Technology Co., Ltd. | Automatic container loading and unloading apparatus and method |
CN111612888A (zh) * | 2020-05-15 | 2020-09-01 | 北京工业大学 | 一种文物建筑图形的自动生成方法、系统及存储介质 |
CN111612888B (zh) * | 2020-05-15 | 2023-10-27 | 北京工业大学 | 一种文物建筑图形的自动生成方法、系统及存储介质 |
CN117952766A (zh) * | 2024-03-26 | 2024-04-30 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种用于林木数据的定向监管方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104200212B (zh) | 2016-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200212A (zh) | 一种基于机载LiDAR数据的建筑物外边界线提取方法 | |
CN104036544B (zh) | 一种基于机载LiDAR数据的建筑物屋顶重建方法 | |
Xia et al. | A fast edge extraction method for mobile LiDAR point clouds | |
CN110717983B (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
Vo et al. | Octree-based region growing for point cloud segmentation | |
CN101726255B (zh) | 从三维激光点云数据中提取感兴趣建筑物的方法 | |
CN103236064B (zh) | 一种基于法向量的点云自动配准方法 | |
Xiao et al. | Three-dimensional point cloud plane segmentation in both structured and unstructured environments | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN104463872A (zh) | 基于车载LiDAR点云数据的分类方法 | |
CN103247041B (zh) | 一种基于局部采样的多几何特征点云数据的分割方法 | |
CN102136155B (zh) | 基于三维激光扫描数据的物体立面矢量化方法和系统 | |
CN107392875A (zh) | 一种基于k近邻域划分的点云数据去噪方法 | |
Wang et al. | Window detection from mobile LiDAR data | |
CN103020342A (zh) | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 | |
CN104063702A (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN106570468A (zh) | 一种重建LiDAR原始点云建筑物轮廓线的方法 | |
CN104732587A (zh) | 一种基于深度传感器的室内3d语义地图构建方法 | |
CN102521884A (zh) | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 | |
CN103605135A (zh) | 一种基于断面剖分的道路特征提取方法 | |
Galvanin et al. | Extraction of building roof contours from LiDAR data using a Markov-random-field-based approach | |
CN110363771B (zh) | 一种基于三维点云数据的隔离护栏形点提取方法及装置 | |
Takai et al. | Accurate registration of MMS point clouds of urban areas using trajectory | |
Yang et al. | A skeleton-based hierarchical method for detecting 3-D pole-like objects from mobile LiDAR point clouds | |
Wen et al. | Research on 3D point cloud de-distortion algorithm and its application on Euclidean clustering |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20171129 Address after: 710199 Shenzhou four road, space base, Xi'an, Shaanxi Province, No. 216 Patentee after: China coal survey & Remote Sensing Group Co Ltd Address before: Xi'an City, Shaanxi province 710054 Changsheng Street No. 78 Patentee before: Sian Coal & Aeronautics Information Industry Co., Ltd. |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160518 Termination date: 20210625 |
|
CF01 | Termination of patent right due to non-payment of annual fee |