CN104463871B - 基于车载LiDAR点云数据的街景面片提取及优化方法 - Google Patents
基于车载LiDAR点云数据的街景面片提取及优化方法 Download PDFInfo
- Publication number
- CN104463871B CN104463871B CN201410751955.0A CN201410751955A CN104463871B CN 104463871 B CN104463871 B CN 104463871B CN 201410751955 A CN201410751955 A CN 201410751955A CN 104463871 B CN104463871 B CN 104463871B
- Authority
- CN
- China
- Prior art keywords
- dough sheet
- rectangle
- rectangle frame
- max
- point cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 229910052814 silicon oxide Inorganic materials 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005267 amalgamation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于车载LiDAR点云数据的街景面片提取及优化方法,包括以下步骤:LiDAR点云数据的面片提取,将LiDAR点云数据划分成若干个小立方体块,并将各个小立方体块拟合,得到符合预设要求的面片;对面片进行合并,合并后的面片进行面片增长,对增长后的面片再进行合并,最后对得到的面片进行几何纠正,并消除噪声面片。本发明实用性广,即使点云数据质量较差也能得到较好的结果。
Description
技术领域
本发明涉及车载LiDAR点云数据处理技术领域,特别是涉及一种基于车载LiDAR点云数据的街景面片提取及优化方法。
背景技术
随着街景地图的发展,实景对象的面片信息提取相关问题是当前亟待解决的问题。车载激光扫描系统的发展使得实景对象的立面提取越来越多地使用车载LiDAR数据,但利用车载LiDAR数据时仍然存在几个主要问题:点云数据处理时间长,计算量大;场景复杂,目标丰富;建筑物立面层次结构复杂,立面细节特征丰富。针对这些问题的存在,基于点云数据的面片优化是关键步骤之一。
目前三维点云平面检测常用的方法有三种,基于随机抽样一致性算法(RANdomSAmple Consensus,RANSAC)、基于霍夫变换的算法、区域增长法,基于这三种方法也出现了很多改进算法。
基于随机抽样一致性算法:是一种模型参数估计方法,将其应用到点云的平面检测,并在随机采样过程中引入最小采样半径来限制采样范围,解决了外点密度和分布变化带来的模型估计不稳定问题,并且采用随机子集对估计到的模型进行评价,减少了运算量,在保持形状模型检测精度的同时提高了计算速度。
基于霍夫变换的方法:首先对参数空间(霍夫空间)离散化得到一系列子空间,即累加器,然后对每个累加器投票,对票数进行统计,峰值累加器所对应的图像空间中的平面即为检测到的最佳平面。然而累加器的设计存在共同的缺陷,即累加器的大小不一致和峰值可辨性差,导致检测到的平面模型不准确,而且此方法耗占较大的存储空间。
区域增长法:是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止。区域生长方法是一种比较普遍的方法,在没有先验知识可以利用时,能取得最佳的性能,可以用来分割比较复杂的图像,但是,区域增长是一种迭代的方法,空间和时间开销都比较大。
以上三种方法在大数据时内存开销大、计算时间长,对数据质量要求较高。
发明内容
本发明要解决的技术问题在于针对现有技术中的上述缺陷,提供一种充分利用点云空间分布特征来优化面片,降低错误率,提高精度的基于车载LiDAR点云数据的街景面片提取及优化方法。
本发明解决其技术问题所采用的技术方案是:
提供一种基于车载LiDAR点云数据的街景面片提取及优化方法,其特征在于,包括以下步骤:
步骤1:LiDAR点云数据的面片提取,基于八叉树结构,将LiDAR点云数据划分成若干个小立方体块,并将各个小立方体块拟合,得到符合预设要求的面片;
步骤2:对步骤1中得到的面片进行合并,对每一个面片,构建邻接表,计算所有相邻面片法向量之间的夹角,若某相邻的面片P1和P2的夹角θ<θth,则将其进行合并,得到新的面片P′,计算合并后面片的面精度的下降值,若符合事先给定的阈值范围,则合并面片P1和P2,得到新面片P′,并更新邻接表;重复步骤2,直至没有可以再进行合并的面片;
步骤3:对步骤2中合并后的面片进行面片增长,将步骤2中得到的面片视为种子面片,以最小单元为增长单元,26邻域进行增长;对增长后的面片再按照步骤2的方法进行合并,得到最后合并的面片;
步骤4:对步骤3中得到的面片进行几何纠正,并消除噪声面片。
本发明所述的方法中,步骤4中对面片进行几何纠正具体包括:
根据面片包含的点,求得面片的最小包围矩形框的角点坐标;
对交叉的最小包围矩形框,在交叉处对边界进行进一步的优化,具体为将所有矩形框投影到XOY平面上,在二维空间中,对每条线段两端进行扩展,扩展长度为l;判断扩展后的线段是否相交,若相交,则计算相交线段L1和L2对应的矩形框R1和R2在Z轴方向的距离h,公式如下:
h=(h1max-h2max+h1min-h2min)/2
其中h1max,h1min和h2max,h2min分别为对应的矩形框R1和R2中四个角点中z坐标最大和最小值;若h小于给定的阈值hth,则求得相交点坐标,并执行下一步,否则,继续判断下一对相交线段;分别计算交点坐标到两条线段的端点的水平距离,记为d1begin,d1end和d2begin,d2end,并求得d1min=min(d1begin,d1end)和d2min=min(d2begin,d2end)。分别判断d1min和d2min是否小于给定距离阈值dth,若小于,则结合交点坐标信息,切除交点到相应端点之间的矩形框。
本发明所述的方法中,步骤4中,消除噪声面片包括以下步骤:
获取每个站点对应的点云和面片信息;
利用移动测量车记录下的每个站点在世界坐标系下的三维坐标,将预先获取的电力线点云Xwire按照距离分配到每一个站点上,得到每个站点Si上对应的电力线点云
对每一个站点Si上的面片集合Pi中的所有面片进行分析;如果面片 对应的点云分布较为稀疏,或者点云的数量小于某一阈值δth,则认为该面片可能为一个电力线片面;
在Si对应的电力线点云中进行搜索,得到出在面片范围内且到平面的距离小于D1米的点的个数Nwire,再计算出面片的单位宽度范围内平均的点云个数Nw=Nwire/w,w表示面片的宽度,如果Nw>D2,则认为该面片是电力线面片,将其删除。
本发明所述的方法中,消除噪声面片还包括对矩形框进行合并,针对之前的面片合并做进一步的合并优化,基于面片的几何关系,优化合并结果,具体包括以下步骤:
将所有的矩形框按照其面积进行排序得到排序之后的矩形框集合Psort,然后从Psort中依次找出当前最大的矩形框
对找到其对应的站点Si,将[Si-3,Si+3]范围内的站点的矩形框作为当前附近的矩形框;
将这些矩形框按照其与之间的位置关系分成水平方向和竖直方向的两类,对与之间平面夹角小于θ,且距离小于D的面片进行分析:首先对水平方向的矩形框进行合并分析,先将待分析旋转到与当前矩形框平行,然后将旋转之后的矩形框投影到平面上,得到一个二维矩形Rhyp,计算出该矩形与四个顶点在该平面上构成的矩形Rcur之间的重叠区域Rol以及两者的最小包围矩形Rmer,如果Rol>λ1Rhyp则将删除;如果Rmer>λ2(Rcur+Rhyp),则将合并到中,取矩形Rmer作为合并之后的矩形框(λ1,λ2为设定的参数);对于竖直方向的矩形框,只要其旋转之后在沿面片宽的方向上不超过(λ为设定的参数),则将其与矩形框合并,取两者的最小包围矩形作为合并之后的矩形框。
本发明所述的方法中,步骤3中,面片增长具体包括步骤:
计算邻接最小单元中所有点(个数为M)到种子面片的距离d,统计距离d小于给定阈值dth的点的个数,记为N;若N大于给定的阈值Nth并且大于r×M(0<r<1),r为给定的参数,则进行增长,同时重新估计面片参数,并更新邻接表;否则,不增长;并进行循环迭代,直至所有面片处理完;
逐步增大dth的值,增大幅度为d′,并进行循环迭代,直至dth小于给定的最大阈值d′th,则停止迭代。
本发明所述的方法中,步骤2中面精度的下降值计算和根据阈值范围进行面片合并,具体包括以下步骤:
若某相邻的面片P1和P2的夹角θ<θth,则将其进行合并,采用RASNAC算法重新估计得到新的面P′,并计算面P′的方差,记为σ′;分别记面片P1和P2的方差为σ1和σ2,并记σmax=max(σ1,σ2)。通过方差,计算合并后面精度的下降值σd=σ′-σmax。若σd<max(3·σmax,σth),其中σth为事先给定的阈值,则合并面h1和P2,得到新面P′,并更新邻接表;若σd>max(3·σmax,σth),则不进行合并操作。
本发明产生的有益效果是:本发明通过基于车载LiDAR点云数据提取街景面片,并优化结果,包括对面片矩形框的几何纠正,如交叉,倾斜等情况;对噪声面片进行消除,如噪声点的干扰,电力线面片等,完成这些操作,实验证明即使点云数据质量较差也能得到较好的结果。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例点云建筑物面片提取及优化流程图;
图2是本发明实施例基于八叉树的面片提取、面片增长及面片合并示意图;
图3是本发明实施例交叉面片处理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的基于车载LiDAR点云数据的街景面片提取及优化方法,如图1所示,包括以下步骤:
步骤1,LiDAR点云数据的面片提取,共包括初始面片提取、面片合并、面片增长三个步骤。
步骤1.1,初始面片提取,目前提取面片的常用方法包括,基于随机抽样一致性算法(RANdom SAmple Consensus,RANSAC)、基于霍夫变换的算法、区域增长法,以及基于这三种方法提出的很多改进算法。本发明面片提取过程如下:
步骤1.1.1,基于八叉树结构来处理数据,假设三维点云数据最大包围立方盒为B,根据该立方盒的大小将其切分成若干个大小为M×M(M=2N)的小立方体,记为Bi,此处即首先分成8个立方体,考虑到立方体太大无法拟合成面片,并且拟合的面片也不准确,故根据先验知识将立方体继续划分n层,得到合适大小的立方体Bi。
步骤1.1.2,针对每个小立方体Bi,采用最小二乘的方法拟合得到面Pi,并计算得到每个点到面Pi的距离dij,同时求得最大距离dmax。
若dmax<dth,hth为给定的阈值,则面Pi符合要求;
若dmax>dth,且dmax<λdth,λ为预先设置的参数,则采用RANSAC算法对该立方体进行重新拟合,得到新的面Pi;
若dmax>dth,则对该立方体按照八叉树结构进行均匀分割,得到8块新的立方体,重复迭代此步骤;
步骤1.1.3,对于步骤1.1.2中的前两种情况,即dmax<dth或dmax<λdth,计算该立方体中包含的点云的曲率平均值Rmean。
若Rmean<Rth,Rth给定的阈值,则保留该立方体;
若Rmean>Rth,则对该立方体进行均匀分割,得到8块新的立方体,重复迭代步骤1.1.2和步骤1.1.3。
步骤1.1.4,直至每个立方体都被拟合成面或者已经为最小单元(大小为w),则停止迭代。
步骤1.2,面片合并。
步骤1.2.1,对每一个面片,构建邻接表。
步骤1.2.2,根据邻接表,计算所有相邻面片法向量之间的夹角,并将所有夹角从小到大进行排序,同时,将组成夹角的两个面片依次排序。设置阈值θth,若某相邻的面片P1和P2的夹角θ<θth,则将其进行合并,采用RASNAC算法重新估计得到新的面P′,并计算面P′的方差,记为σ′。分别记面片P1和P2的方差为σ1和σ2,并记σmax=max(σ1,σ2)。通过方差,计算合并后面精度的下降值σd=σ′-σmax。若σd<max(3·σmax,σth),其中σth为事先给定的阈值,则合并面P1和P2,得到新面P′,并更新邻接表;若σd>max(3·σmax,σth),则不进行合并操作。
步骤1.2.3,重复1.2.2步骤,直至没有可以再进行合并的面片。
步骤1.3,面片增长(如图2所示)
步骤1.3.1,对步骤1.2中得到的所有初始面片按照大小(包含最小单元的个数)从大到小进行排序。
步骤1.3.2,针对每个初始面片,将其视为种子面片,以最小单元为增长单元,26邻域进行增长。计算邻接最小单元中所有点(个数为M)到种子面片的距离d,统计距离d小于给定阈值dth的点的个数,记为N。若N大于给定的阈值Nth并且大于r×M(0<r<1),r为给定的参数,则进行增长,同时重新估计面片参数,并更新邻接表;否则,不增长。对步骤1.3.2进行循环迭代,直至所有面片处理完。
步骤1.3.3,逐步增大dth的值,增大幅度为d′,并重复步骤1.3.2,直至dth小于给定的最大阈值d′th,则停止迭代。
步骤1.3.4,对增长后的面片执行步骤1.2,如图2所示,即进行合并,得到合并后的面片。
步骤2,面片后处理,共包括面片粗滤除、面片矩形框获取及精细化、交叉矩形框优化、面片噪声去除四个步骤。
步骤2.1,面片粗滤除。本发明所需的面片为街景竖立面,而步骤1所得的面片中,存在较多的较小的面片以及水平面片,需要进行滤除。假设所有的面片集合为Pi,针对每个面片,计算其宽度W,高度H,面积S,点的个数N及法向量与Z轴夹角A,若符合下式条件,则保留;否则,滤除。
其中Wth,Hth,Sth,Rth及Ath为给定的合理阈值。
步骤2.2,面片矩形框获取。本发明实施例中,面片最终用矩形框进行表达,因此,需要根据面片包含的点,求得其最小包围矩形框,具体过程如下:
步骤2.2.1,针对每一个面P,其法向量为(nx,ny,nz),假设其包含的点云集三维坐标分别为和其中N为点的个数。首先将所有点投影到面P,得到新的点集和设点(xp,yp,zp)为面P上任意一点,则公式如下:
x′i=xi+nx×D,y′i=yi+ny×D,z′i=zi+nz×D,
其中D为点(xi,yi,zi)到面P的距离,其计算公式如下:
D=nx(xp-xi)+ny(yp-yi)+nz(zp-zi)
步骤2.2.2,绕Z轴旋转,使面法向量在XOY平面上的投影分量和Y轴平行,并求得3×3旋转矩阵Rz。
步骤2.2.3,基于该旋转矩阵,求取旋转后的点集和计算公式如下:
步骤2.2.4,求取点集(Xr,Yr,Zr)中的最大最小点 其中设故矩形框的四个角点坐标分别为
步骤2.2.5,将四个顶点旋转到原坐标系中,得到最终的矩形框角点坐标,旋转矩阵为Rz的逆矩阵R′z。
步骤2.3,矩形框精细化。在步骤2.2中,由于所求的矩形框为最小包围盒,很多地方没有点云,却处于矩形框的范围内,因此,需要进行进一步的精细化,即拆分矩形框,具体过程如下:
步骤2.3.1,针对每一个面片,进行步骤2.2.1,步骤2.2.2和步骤2.2.3,得到旋转后的点集。沿X轴方向,对点集进行切块,切块宽度为wx,并分别求得每一块中点最大的z坐标。
步骤2.3.2,对切块进行聚合,即考虑相邻切块最大z坐标差值的绝对值,若小于给定的阈值zth,则合并切块。当合并完成后,将宽度小于wth的切块合并到邻接切块中。
步骤2.3.3,针对每一个切块,执行步骤2.2.4和步骤2.2.5,完成矩形框的精细化,得到所有矩形框n为矩形框个数。
步骤2.4,交叉矩形框优化。在获得的所有矩形框中,存在矩形框交叉的问题,为了保证矩形框的紧密性以及合理性,在交叉处需要对边界进行进一步的优化,具体过程如下:
步骤2.4.1,如图3所示,将所有矩形框投影到XOY平面上,即将矩形框投影为一系列的线段n为线段个数。在二维空间中,对每条线段两端进行扩展,扩展长度为l。
步骤2.4.2,判断扩展后的线段是否相交,若相交,则计算相交线段L1和L2对应的矩形框R1和R2在Z轴方向的距离h,公式如下:
h=(h1max-h2max+h1min-h2min)/2
其中h1max,h1min和h2max,h2min分别为对应的矩形框R1和R2中四个角点中z坐标最大和最小值。若h小于给定的阈值hth,则求得相交点坐标,并执行下一步,否则,继续判断下一对相交线段。
步骤2.4.3,分别计算交点坐标到两条线段(假设为L1和L2)的四个端点的水平距离,记为d1begin,d1end和d2begin,d2end,并求得d1min=min(d1begin,d1end)和d2min=min(d2begin,d2end)。分别判断d1min和d2min是否小于给定距离阈值dth,若小于,则结合交点坐标信息,切除交点到相应端点之间的矩形框。
步骤3,面片噪声去除,包括电力线面去除和面片合并,具体过程如下:
步骤3.1,获取每个站点对应的点云和面片信息。
利用移动测量车记录下的每个站点在世界坐标系下的三维坐标,将电力线点云Xwire按照距离分配到每一个站点上,得到每个站点Si上对应的电力线点云
步骤3.2,电力线面片去除。
对每一个站点Si上的面片集合Pi中的所有面片进行分析。如果面片 对应的点云分布较为稀疏,或者点云的数量小于某一阈值δth,则认为该面片可能为一个电力线片面。接着在Si对应的电力线点云中进行搜索,得到出在面片范围内且到平面的距离小于D1米的点的个数Nwire,再计算出面片的单位宽度范围内平均的点云个数Nw=Nwire/w,w表示面片的宽度,如果Nw>D2,则认为该面片是电力线面片,将其删除。
步骤3.3,矩形框合并,针对步骤1.2的面片合并做进一步的合并优化,基于面片的几何关系,优化合并结果,具体过程如下:
步骤3.3.1,将所有的矩形框按照其面积进行排序得到排序之后的矩形框集合Psort,然后从Psort中依次找出当前最大的矩形框
步骤3.3.2,对找到其对应的站点Si,将[Si-3,Si+3]范围内的站点的矩形框作为当前附近的矩形框。
步骤3.3.3,将这些矩形框按照其与之间的位置关系分成水平方向和竖直方向的两类。只需对与之间平面夹角小于θ,且距离小于D的面片进行分析:首先对水平方向的矩形框进行合并分析,先将待分析旋转到与当前矩形框平行,然后将旋转之后的矩形框投影到平面上,得到一个二维矩形Rhyp,计算出该矩形与四个顶点在该平面上构成的矩形Rcur之间的重叠区域Rol以及两者的最小包围矩形Rmer,如果Rol>λ1Rhyp则将删除;如果Rmer>λ2(Rcur+Rhyp),则将合并到中,取矩形Rmer作为合并之后的矩形框(λ1,λ2为设定的参数)。对于竖直方向的矩形框,只要其旋转之后在沿面片宽的方向上不超过(λ为设定的参数),则将其与矩形框合并,取两者的最小包围矩形作为合并之后的矩形框。
本发明综合现有技术,基于车载LiDAR点云数据提取街景面片,并优化结果,包括对面片矩形框的几何纠正,如交叉,倾斜等情况;对噪声面片进行消除,如噪声点的干扰,电力线面片等,完成这些操作,实验证明即使点云数据质量较差也能得到较好的结果。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于车载LiDAR点云数据的街景面片提取及优化方法,其特征在于,包括以下步骤:
步骤1:LiDAR点云数据的面片提取,将LiDAR点云数据划分成若干个小立方体块,并将各个小立方体块拟合,得到符合预设要求的面片;
步骤2:对步骤1中得到的面片进行合并,对每一个面片,构建邻接表,计算所有相邻面片法向量之间的夹角,若某相邻的面片P1和P2的夹角θ<θth,则将其进行合并,得到新的面片P′,计算合并后面片的面精度的下降值,若符合事先给定的阈值范围,则得到新的面片P′,并更新邻接表;重复步骤2,直至没有可以再进行合并的面片;
步骤3:对步骤2中合并后的面片进行面片增长,将步骤2中得到的面片视为种子面片,以最小单元为增长单元,26邻域进行增长;对增长后的面片再按照步骤2的方法进行合并,得到最后合并的面片;
步骤4:对步骤3中得到的面片进行几何纠正,并消除噪声面片;
步骤4中对面片进行几何纠正具体包括:
根据面片包含的点,求得面片的最小包围矩形框的角点坐标;
对交叉的最小包围矩形框,在交叉处对边界进行进一步的优化,具体为将所有矩形框投影到XOY平面上,在二维空间中,对每条线段两端进行扩展,扩展长度为l;判断扩展后的线段是否相交,若相交,则计算相交线段L1和L2对应的矩形框R1和R2在Z轴方向的距离h,公式如下:
h=(h1max-h2max+h1min-h2min)/2
其中h1max,h1min和h2max,h2min分别为对应的矩形框R1和R2中四个角点中z坐标最大和最小值;若h小于给定的阈值hth,则求得相交点坐标,并执行下一步,否则,继续判断下一对相交线段;分别计算交点坐标到两条线段的端点的水平距离,记为d1begin,d1end和d2begin,d2end,并求得d1min=min(d1begin,d1end)和d2min=min(d2begin,d2end)分别判断d1min和d2min是否小于给定距离阈值dth,若小于,则结合交点坐标信息,切除交点到相应端点之间的矩形框。
2.根据权利要求1所述的方法,其特征在于,步骤4中,消除噪声面片包括以下步骤:
获取每个站点对应的点云和面片信息;
利用移动测量车记录下的每个站点在世界坐标系下的三维坐标,将预先获取的电力线点云Xwire按照距离分配到每一个站点上,得到每个站点Si上对应的电力线点云
对每一个站点Si上的面片集合Pi中的所有面片进行分析;如果面片对应的点云分布较为稀疏,或者点云的数量小于某一阈值δth,则认为该面片可能为一个电力线片面;
在Si对应的电力线点云中进行搜索,得到出在面片范围内且到平面的距离小于D1米的点的个数Nwire,再计算出面片的单位宽度范围内平均的点云个数Nw=Nwire/w,w表示面片的宽度,如果Nw>D2,则认为该面片是电力线面片,将其删除。
3.根据权利要求1所述的方法,其特征在于,消除噪声面片还包括对矩形框进行合并,具体包括以下步骤:
将所有的矩形框按照其面积进行排序得到排序之后的矩形框集合Psort,然后从Psort中依次找出当前最大的矩形框
对找到其对应的站点Si,将[Si-3,Si+3]范围内的站点的矩形框作为当前附近的矩形框;
将这些矩形框按照其与之间的位置关系分成水平方向和竖直方向的两类,对与之间平面夹角小于θ,且距离小于D的面片进行分析:首先对水平方向的矩形框进行合并分析,先将待分析旋转到与当前矩形框平行,然后将旋转之后的矩形框投影到平面上,得到一个二维矩形Rhyp,计算出该矩形与四个顶点在该平面上构成的矩形Rcur之间的重叠区域Rol以及两者的最小包围矩形Rmer,如果Rol>λ1Rhyp则将删除;如果Rmer>λ2(Rcur+Rhyp),则将合并到中,取矩形Rmer作为合并之后的矩形框(λ1,λ2为设定的参数);对于竖直方向的矩形框,只要其旋转之后在沿面片宽的方向上不超过λ为设定的参数,则将其与矩形框合并,取两者的最小包围矩形作为合并之后的矩形框。
4.根据权利要求1所述的方法,其特征在于,步骤3中,面片增长具体包括步骤:
计算邻接最小单元中所有点到种子面片的距离d,接最小单元中所有点的个数为M,统计距离d小于给定阈值dth的点的个数,记为N;若N大于给定的阈值Nth并且大于r×M,0<r<1,r为给定的参数,则进行增长,同时重新估计面片参数,并更新邻接表;否则,不增长;并进行循环迭代,直至所有面片处理完;
逐步增大dth的值,增大幅度为d′,并进行循环迭代,直至dth小于给定的最大阈值d′th,则停止迭代。
5.根据权利要求1所述的方法,其特征在于,步骤2中面精度的下降值计算和根据阈值范围进行面片合并,具体包括以下步骤:
若某相邻的面片P1和P2的夹角θ<θth,则将其进行合并,采用RASNAC算法重新估计得到新的面片P′,并计算面片P′的方差,记为σ′;分别记面片P1和P2的方差为σ1和σ2,并记σmax=max(σ1,σ2);通过方差,计算合并后面精度的下降值σd=σ′-σmax,若σd<max(3·σmax,σth),其中σth为事先给定的阈值,得到新的面片P′,并更新邻接表;若σd>max(3·σmax,σth),则不进行合并操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410751955.0A CN104463871B (zh) | 2014-12-10 | 2014-12-10 | 基于车载LiDAR点云数据的街景面片提取及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410751955.0A CN104463871B (zh) | 2014-12-10 | 2014-12-10 | 基于车载LiDAR点云数据的街景面片提取及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463871A CN104463871A (zh) | 2015-03-25 |
CN104463871B true CN104463871B (zh) | 2018-01-12 |
Family
ID=52909853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410751955.0A Active CN104463871B (zh) | 2014-12-10 | 2014-12-10 | 基于车载LiDAR点云数据的街景面片提取及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463871B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732544B (zh) * | 2015-04-01 | 2017-07-11 | 郑州辰维科技股份有限公司 | 一种快速查找形状目标点的方法 |
CN104952107A (zh) * | 2015-05-18 | 2015-09-30 | 湖南桥康智能科技有限公司 | 基于车载LiDAR点云数据的桥梁三维重建方法 |
CN106327558B (zh) * | 2015-07-08 | 2019-11-19 | 深圳市腾讯计算机系统有限公司 | 点云立面提取方法和装置 |
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 |
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 |
CN108133516A (zh) * | 2018-01-17 | 2018-06-08 | 视缘(上海)智能科技有限公司 | 一种3d城市场景自动重建方法 |
CN110119751B (zh) * | 2018-02-06 | 2021-07-20 | 北京四维图新科技股份有限公司 | 激光雷达点云目标分割方法、目标匹配方法、装置及车辆 |
CN110136072B (zh) * | 2018-02-08 | 2021-02-09 | 北京大学 | 点云噪声的去除方法、去噪系统、计算机设备及存储介质 |
CN108510516A (zh) * | 2018-03-30 | 2018-09-07 | 深圳积木易搭科技技术有限公司 | 一种散乱点云的三维线段提取方法及系统 |
CN110033459B (zh) * | 2019-03-28 | 2020-04-10 | 武汉大学 | 顾及地物完整性的大规模点云快速分块方法 |
CN111091594B (zh) * | 2019-10-17 | 2023-04-11 | 如你所视(北京)科技有限公司 | 多点云平面融合方法及装置 |
CN111080664B (zh) * | 2019-12-30 | 2022-03-08 | 合肥联宝信息技术有限公司 | 一种数据处理方法、装置及计算机存储介质和计算机 |
CN111291662B (zh) * | 2020-01-21 | 2022-06-07 | 武汉大学 | 一种基于平面选择的车载点云杆状物提取方法 |
CN111539949B (zh) * | 2020-05-12 | 2022-05-13 | 河北工业大学 | 一种基于点云数据的锂电池极片表面缺陷检测方法 |
CN112650790B (zh) * | 2020-12-28 | 2023-10-13 | 北京字节跳动网络技术有限公司 | 目标点云平面确定方法,装置,电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887597A (zh) * | 2010-07-06 | 2010-11-17 | 中国科学院深圳先进技术研究院 | 建筑物三维模型构建方法及系统 |
CN101908234A (zh) * | 2010-07-16 | 2010-12-08 | 浙江大学 | 一种用户可控的高度规整三角网格生成方法 |
CN102890830A (zh) * | 2011-07-19 | 2013-01-23 | 北京邮电大学 | 基于三角面片模型的拓扑面分离方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8188999B2 (en) * | 2008-06-17 | 2012-05-29 | Qualcomm Incorporated | Method and apparatus for organizing object geometry for spatial and memory coherency and optimal rendering |
-
2014
- 2014-12-10 CN CN201410751955.0A patent/CN104463871B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887597A (zh) * | 2010-07-06 | 2010-11-17 | 中国科学院深圳先进技术研究院 | 建筑物三维模型构建方法及系统 |
CN101908234A (zh) * | 2010-07-16 | 2010-12-08 | 浙江大学 | 一种用户可控的高度规整三角网格生成方法 |
CN102890830A (zh) * | 2011-07-19 | 2013-01-23 | 北京邮电大学 | 基于三角面片模型的拓扑面分离方法 |
Non-Patent Citations (1)
Title |
---|
融合机载与地面LIDAR数据的建筑物三维重建研究;张志超;《中国优秀博士学位论文全文数据库信息科技辑》;20101015;第22,29-30,60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463871A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463871B (zh) | 基于车载LiDAR点云数据的街景面片提取及优化方法 | |
CN110781827B (zh) | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 | |
CN111932688B (zh) | 一种基于三维点云的室内平面要素提取方法、系统及设备 | |
CN109993783A (zh) | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 | |
CN104463872B (zh) | 基于车载LiDAR点云数据的分类方法 | |
CN105096268B (zh) | 一种点云去噪平滑方法 | |
CN110570428A (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 | |
CN111986115A (zh) | 激光点云噪声和冗余数据的精准剔除方法 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
CN109118574A (zh) | 一种基于三维特征提取的快速逆向建模方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN107123164A (zh) | 保持锐利特征的三维重建方法及系统 | |
CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
CN106846272A (zh) | 一种点云模型的去噪精简方法 | |
CN108510516A (zh) | 一种散乱点云的三维线段提取方法及系统 | |
CN108961271A (zh) | 一种彩色3d点云超体素凹凸分割算法 | |
CN109816664A (zh) | 一种三维点云分割方法及装置 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN103208123A (zh) | 图像分割方法与系统 | |
CN106204557A (zh) | 一种基于扩展高斯球与m估计的非完备数据对称特征的提取方法 | |
CN111667574B (zh) | 从倾斜摄影模型自动重建建筑物规则立面三维模型的方法 | |
CN111814888A (zh) | 一种面向飞机蒙皮对缝的三维扫描线点云间隙阶差提取方法 | |
CN108920765A (zh) | 一种基于建筑物三维线段模型的假设平面拟合方法 | |
CN112907601B (zh) | 一种基于特征变换的隧道拱架点云自动提取方法及装置 | |
CN113093216A (zh) | 一种激光雷达和相机融合的不规则物体测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |