CN105701862A - 一种基于点云的地物关键点提取方法 - Google Patents
一种基于点云的地物关键点提取方法 Download PDFInfo
- Publication number
- CN105701862A CN105701862A CN201410701188.2A CN201410701188A CN105701862A CN 105701862 A CN105701862 A CN 105701862A CN 201410701188 A CN201410701188 A CN 201410701188A CN 105701862 A CN105701862 A CN 105701862A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- key point
- point
- cloud data
- 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.)
- Pending
Links
Abstract
本发明公开了一种基于点云的地物关键点提取方法,涉及地理信息与三维建模领域,包括如下步骤:工程化组织管理:将采集得到的点云数据进行工程化组织管理;数据预处理:对点云数据进行预处理,得到精准的点云数据;滤波分类:按照不同类别的地物特征进行地物点云数据滤波分类;关键点提取:对滤波分类后的地物点云数据进行关键点提取。本发明的优越性为:可以对地上、地表建构筑物进行点云数据采集,实现将不同采集方式获得的多组点云数据进行配准后得到精准的点云数据;通过相应的阈值设置可以高效准确的进行地物自动分类及关键点提取。
Description
技术领域
本发明涉及地理信息与三维建模领域,特别涉及一种通过将采集得到的点云数据进行阈值设置进而高效准确的进行地物自动分类,在此基础上进行地物关键点提取的方法。
背景技术
最近几年,虚拟现实(简称VR)已经广泛的应用在产品设计、军事、建筑、规划等领域,通过虚拟现实的手段可以以三维场景来展现历史情境和现有环境。
传统的三维场景制作主要通过3Dmax结合平面图完成,采用该方法建设的三维场景模型存在以下缺点和不足:在山地景区等地形起伏大或复杂环境条件下,因缺少详细的高程数据支持或由于人工调整工作量大,易导致虚拟场景与实际偏差大,使最终展现效果难以达到预期目标。
随着技术的发展,三维点云数据以其直观、高精度的优势在三维场景建设中应用日益广泛,在当前国内外相当一部分城市得到了应用。然而由于点云数据为海量数据,直接利用现有技术无法将点云数据和模型数据源直接对接,同时也易受到计算机硬件的影响,往往需要投入大量的人力和物力进行数据处理。
目前还没有一种可以将不同采集方式获得的多组点云数据进行精度优化,进而将精准的点云数据在不损失地物结构信息的情况下最大化的减少数据量,最终使建模人员能够直接点云数据进行精细化三维建模的方法。为此,如何实现基于海量的点云数据的关键点提取成为了本领域科技人员急待解决的问题。
发明内容
本发明实施例提供一种基于点云的地物关键点提取方法,本发明可以在点云数据采集时将不同采集方式获得的多组点云数据进行精度优化后得到精准的点云数据。后将精准的点云数据在不损失地物结构信息的情况下,最大化的减少数据量。同时,建模人员能够直接利用提取的关键点点云数据进行精细化三维建模。基于点云数据和模型数据这两种数据源的对接,使直接利用点云数据进行高精细三维建模成为了可能。
本发明实施例提供一种基于点云的地物关键点提取方法,包括如下步骤:
工程化组织管理:将采集得到的点云数据进行工程化组织管理;
数据预处理:对点云数据进行预处理,得到精准的点云数据;
滤波分类:按照不同类别的地物特征进行地物点云数据进行滤波分类;
关键点提取:对滤波分类后的地物点云信息进行关键点提取。
一种基于点云的地物关键点提取方法,所述该方法还包括格式转换步骤,其中:
格式转换:将提取后的关键点数据进行格式化转换,形成与建模软件相兼容的数据。
一种基于点云的地物关键点提取方法,所述该方法还包括自动化建模步骤,其中:
自动化建模:利用提取的关键点数据进行模型构建。
一种基于点云的地物关键点提取方法,所述工程化组织管理具体步骤为:将不同采集方式采集到不同精度的点云数据分别进行区域划分并进行工程化组织管理。
一种基于点云的地物关键点提取方法,所述数据预处理具体步骤为:
1)对工程化管理后的点云数据进行精度优化,具体为利用精度较高的点云数据对精度较低的点云数据进行精度优化;
2)将优化后的点云数据进行滤波,去除冗余和无效的点云信息。
一种基于点云的地物关键点提取方法,所述滤波分类具体步骤为:
1)对去噪优化后的点云数据中进行地面点分类,得到精准的地面点云集数据;
2)在地面点信息的基础上对地物点进行分类,得到不同地物点云集数据;其中地物点类别基于实际需求确定,根据地物空间分布特征采用自适应聚类分析方法进行分类;
3)将得到的不同地物点云集数据分类存储。
一种基于点云的地物关键点提取方法,所述关键点提取具体步骤为:
1)对分类后的地物信息逐一进行关键点提取,其中关键点提取主要基于各类地物形态学特征进行;首先基于平立面一致性策略将同一地物点云集数据划分为不同区域,然后通过区域增长策略检测三维空间内的几何突变,完成地物边界点提取,最后将提取到的边界点分别投影至不同平面进行对比分析,根据几何形态基于拓扑形态学分析方法提取能反映地物边界特征的点云集作为地物关键点集;
2)采用人工干预方式对提取后关键点的有效性进行验证;
3)输出验证后的地物关键点为特征点云数据集。
一种基于点云的地物关键点提取方法,所述将不同采集方式采集到不同精度的点云数据分别进行区域划分并按照划分的区域进行工程化组织管理的具体步骤为:
1)通过架设在不同平台上的数据采集设备获取目标区域内地物点云数据,得到不同精度、不同密度、不同方位的原始数据;
2)以精度较高的点云数据为参考,从中提取纠正点,根据纠正点建立纠正模型;
3)将多幅纠正模型中的共同纠正点进行拼接,获取整体纠正模型。
一种基于点云的地物关键点提取方法,所述自动化建模包括如下步骤:
1)利用关键点构建面片拟合及分割;
2)对分割后的面片进行规则化处理,输出体框模型。
一种基于点云的地物关键点提取方法,所述点云数据是通过移动平台、固定式和卫星系统进行采集获得,所述移动平台可为:车辆、船舶、机车、移动式扫描仪和火车;所述地物信息包括:交通设施、房屋建筑、桥梁、道路及其附属设施与沿线公共设施。
由此可见:本发明实施例中的基于点云的地物关键点自适应提取方法可以满足:
1、可以对地上、地表建构筑物进行点云数据采集,实现将不同采集方式获得的多组点云数据进行精度对比后得到精准的点云数据。
2、通过相应的阈值设置可以高效准确的进行地物自动分类。
3、在不损失地物结构信息的情况下提取地物关键点,进而最大化的减少数据量。
4、提供了一种建模人员能够直接利用海量点云数据进行精细化三维建模的方法。基于点云数据和模型数据这两种数据源的对接,使直接利用点云数据进行高精细三维建模成为了可能。
附图说明
图1为本发明的实施例1提供的基于点云的地物关键点自适应提取方法的流程示意图;
图2为本发明的实施例2提供的基于点云的地物关键点自适应提取方法的流程示意图;
图3为本发明的实施例3提供的基于点云的地物关键点自适应提取方法的流程示意图;
图4为本发明的实施例提供的点云数据的地物关键点自适应提取方法中数据预处理的流程示意图;
图5为本发明的实施例提供的点云数据的地物关键点自适应提取方法中滤波分类的流程示意图;
图6为本发明的实施例提供的点云数据的地物关键点自适应提取方法中的关键点提取的流程示意图;
图7为本发明的实施例提供的点云数据的地物关键点自适应提取方法中的将点云数据进行区域划分,并按照区域进行工程化组织管理的流程示意图;
图8为本发明的实施例提供的点云数据的地物关键点自适应提取方法中自动化建模的流程示意图;
图9为本发明的实施例4提供的基于点云的地物关键点自适应提取方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合附图以及具体实施例来详细说明本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
实施例1:
图1为本实施例提供的基于点云的地物关键点自适应提取方法的流程示意图,如图所示,该方法如下步骤:
工程化组织管理:将采集得到的点云数据进行工程化组织管理;
数据预处理:对点云数据进行预处理,得到精准的点云数据;
滤波分类:按照不同类别的地物特征进行地物点云数据进行滤波分类;
关键点提取:对滤波分类后的地物点云信息进行关键点提取。
具体实施例中所述工程化组织管理具体步骤为:将不同采集方式采集到不同精度的点云数据分别进行区域划分并进行工程化组织管理。
如图4所示的一种基于点云的地物关键点提取方法,所述数据预处理具体步骤为:
1)对工程化管理后的点云数据进行精度优化,具体为利用精度较高的点云数据对精度较低的点云数据进行精度优化;
2)将优化后的点云数据进行滤波,去除冗余和无效的点云信息。
如图5所示的一种基于点云的地物关键点提取方法,所述滤波分类具体步骤为:
1)对去噪优化后的点云数据中进行地面点分类,得到精准的地面点云集数据;
2)在地面点信息的基础上对地物点进行分类,得到不同地物点云集数据;其中地物点类别基于实际需求确定,根据地物空间分布特征采用自适应聚类分析方法进行分类;
3)将得到的不同地物点云集数据分类存储。
如图6所示的一种基于点云的地物关键点提取方法,所述关键点提取具体步骤为:
1)对分类后的地物信息逐一进行关键点提取,其中关键点提取主要基于各类地物形态学特征进行;
具体实施例中:首先基于平立面一致性策略将同一地物点云集数据划分为不同区域,然后通过区域增长策略检测三维空间内的几何突变,完成地物边界点提取,最后将提取到的边界点分别投影至不同平面进行对比分析,根据几何形态基于拓扑形态学分析方法提取能反映地物边界特征的点云集作为地物关键点集。
2)采用人工干预方式对提取后关键点的有效性进行验证;
3)输出(保存)验证后的地物关键点为特征点云数据集。
如图7所示的一种基于点云的地物关键点提取方法,所述将不同采集方式采集到不同精度的点云数据分别进行区域划分并按照划分的区域进行工程化组织管理的具体步骤为:
1)通过架设在不同平台上的数据采集设备获取目标区域内地物点云数据,得到不同精度、不同密度、不同方位的原始数据;
2)以精度较高的点云数据为参考,从中提取纠正点,根据纠正点建立纠正模型;
3)将多幅纠正模型中的共同纠正点进行拼接,获取整体纠正模型。
具体实施例中所述点云数据是通过移动平台、固定式和卫星系统进行采集获得,所述移动平台可为:车辆、船舶、机车、移动式扫描仪和火车。
具体实施例中所述地物信息包括:交通设施、房屋建筑、桥梁、道路及其附属设施与沿线公共设施。
下面以一个更具体的一个细节方面的例子来对上述内容加以说明。
如图1所示,在本实施例为:将点云信息进行采集,并将采集后的点云数据进行地物关键点提取的一种方法。
首先利用移动平台进行点云数据采集。对所采集的路线进行规划,由于考虑到不同时段GNSS信号差异及地物遮挡因素,为保证获取最优的数据成果,采用飞行器和车辆作为移动平台,在移动平台上架设数据采集设备采集数据,同时根据所需精度与测量区域内观测环境架设GNSS基站,且基站覆盖半径为30公里。此外,在移动平台存在数据采集盲区的区域利用地面激光扫描设备进行数据补充采集,在移动平台开始采集前,先对移动平台上架设的采集设备进行设备检校,获取准确的检校参数。
在具体实施例中:分别采用飞行器从空中对需要采集的区域进行数据采集,采用车辆沿测区内道路对需要采集的区域进行数据采集,通过地面激光扫描设备对固定点位区周边区域进行数据采集。
在具体实施例中:分别采用飞行器和车辆作为移动平台。在飞行器上安装有一台数据采集设备,其采集设备的采集角度为50度。在车辆上安装有两台数据采集设备,其数据采集设备的采集角度均为360度,两台数据采集设备的采集角度的交叉点范围为75度。地面激光扫描设备数据采集角度为360度。
然后进行外业扫描测量:
由地面GNSS基站对卫星信号进行接收、存储;地面GNSS基站上需在搭载有数据采集设备的移动平台进行数据采集作业前10分钟开始工作,数据采集作业结束后15分钟结束工作。
由于考虑到不同时段GNSS信号差异及地物遮挡因素,为保证获取最优的数据成果,在以车辆为移动平台进行数据采集时分别对双向车道进行单向的两次测量;考虑到数据覆盖完整性要求,特选取行车道和应急车道分别作为路线进行测量数据采集。由于考虑到白天车道上车辆较多,特选取在夜间进行测量数据采集。
由于考虑到天气及成果精度要求因素,为保证获取最优的数据成果,在以飞行器为移动平台进行数据采集时为提高单个脉冲能量,降低激光发射脉冲频率至50kHz,为保证扫描线边缘数据精度,限定扫描角度为40度进行测量数据采集。
通过车辆和飞行器和地面激光扫描设备获取到3组目标区域不同方位的原始三维数据,这三组原始三维数据的精度、密度不同。
将三组原始数据分别进行预处理。
首先对飞行器上搭载的数据采集设备采集到的原始数据进行匹配优化处理;使测区内航带间、子测区间点云数据匹配满足要求,然后进行点云冗余数据去除,最后将去除冗余后的数据进行滤波去噪处理,得到精准的点云数据并存储。
然后对车辆上搭载的数据采集设备采集到的原始数据进行匹配优化处理;使两台采集设备获取的点云匹配满足要求,然后综合利用两次测量采集到的点云数据进行冗余去除,得到本次采集范围内的有效数据;最后将上述数据进行滤波去噪处理,得到精准的点云数据并存储。
最后将固定式地面激光扫描设备采集到的原始数据进行匹配优化处理;使多个连续测站采集的点云数据匹配满足要求,最后将匹配后的数据进行滤波去噪处理,得到精准的点云数据并存储。
具体实施例中:对获取的原始数据进行数据平差处理。
具体实施例中:对获取的原始数据进行数据接边处理优化。
具体实施例中:对获取的原始数据进行数据匹配处理。
具体实施例中:对获取的原始数据分别进行数据平差处理、数据接边处理优化、数据匹配处理中的两种进行处理。
具体实施例中:对获取的原始数据分别进行数据平差处理、数据接边处理优化和数据匹配处理。
按照规划路线,将500平方公里范围内的数据进行区域划分,数据采集设备以车辆为载体采集的数据沿行进路线按150米*150米格网进行分幅管理,数据采集设备以飞行器为载体采集的数据按1公里*1公里格网进行分幅管理,固定式地面激光扫描设备采集的数据以点间距3毫米采样的基础上按3米*3米格网进行分幅管理,然后进行数据纠正,纠正后按500米*500米格网进行管理。具体实施例中:首先,按照划分的区域,将该区域内的数据根据轨迹线的解算精度或控制点判定通过飞行器、车辆和固定式地面激光扫描设备获取的三组点云数据的精度,并以精度较高的点云数据作为参考,对另外两组数据精度较低的点云数据进行纠正分析,提取纠正点,并根据纠正点生成纠正模型;然后,根据纠正模型对另外两组点云数据中精度较差的数据进行纠正分析;最后,通过构建数字表面模型检查数据融合精度。
当出现就该500平方公里范围内通过车辆或飞行器在不同时期进行数据采集的情况时。首先,根据点云数据采集日期判定通过构建数字表面模型确定相同区域点云数据的变化情况。然后,提取变化区域内的现势性高的点云数据,并利用其对同区域原有数据进行替换,最后通过构建数字表面模型检查数据融合精度,得到测区范围内最具现势性的数据。
在具体实施例中:采用自适应空间聚类分析手段,对城市部件点云数据集进行类别细分处理,获取同一物体点云集数据;
其中,自适应空间聚类分析手段,具体为:
1)根据分块标准,对城市部件点云数据进行分块,获取分块城市部件点云数据、点云样本划分矩阵和聚类中心点集;
其中分块标准具体为:分块的城市部件点云数据的大小不超过第一阈值,第一阈值的取值根据实际应用中的具体应用情况进行设定,具体实现时,本发明实施例对此不做限制。
在待聚类的点云样本集合中,随机选择聚类数目相同个数的样本点作为聚类中心点,其余待聚类样本点根据距各个类中心点的直线空间距离,划分给最近的中心点。再通过点云的个数,聚类中心点的数据,样本与聚类中心点之间的直线空间距离得到点云数据到聚类中心点的距离总、空间数据点的重权值,获得目标函数与聚类中心点集与样本划分矩阵之间的关联,样本划分矩阵与积累中心点集的关联。因此,使自适应方法来解决此类问题,在这里可以直接对聚类中心点进行编码。如果采用自然编码方案可以获得样本集中的样本。
2)设置自适应空间聚类的相关参数;
其中,相关参数包括最大迭代次数、群体大小、交叉概率和变异概率等。
3)根据城市部件空间分布特征,选择一个最小阈值Min和一个最大阈值Max;
其中,最小阈值Min和一个最大阈值Max作为空间聚类划分进行综合评价的区间值。
4)对分块城市部件点云数据进行初始化,根据最小阈值Min和最大阈值Max,选择K个中心点作为聚类点,计算每个样本点与聚类点的三维空间距离,基于三维空间距离对分块城市部件点云数据进行划分,采用三维空间距离值之和对样本分类的情况进行评价,获取评价值;
其中,Min≤K≤Max。
5)根据评价值,将样本分类中的权重中心点作为新的聚类划分的中心点;
6)判断迭代次数是否小于最大迭代次数,如果是,执行步骤4);如果否,停止迭代,输出点云样本划分矩阵、聚类中心点集和评价值,将K+1值作为中心聚类点,执行步骤4);
判断K值是否达到Max值,如果是,停止自适应空间聚类解算,以目标函数的评价参数作为参考,选择最小值的聚类集合,作为点云分类的结果,获取同一物体点云集数据,如果否,继续进行自适应空间聚类解算,得到自适应空间聚类分析数据,获取同一物体点云集数据。
将滤波后的点云集数据进行分类存储。再将点云集数据进行关键点提取,具体步骤为:
1)对分类后的地物信息逐一进行关键点提取,其中关键点提取主要基于各类地物形态学特征进行;首先基于平立面一致性策略将同一地物点云集数据划分为不同区域,然后通过区域增长策略检测三维空间内的几何突变,完成地物边界点提取,最后将提取到的边界点分别投影至不同平面进行对比分析,根据几何形态基于拓扑形态学分析方法提取能反映地物边界特征的点云集作为地物关键点集;
2)采用人工干预方式对提取后关键点的有效性进行验证;
3)输出(保存)验证后的地物关键点为特征点云数据集。
具体实施例中:通过车辆和飞行器和地面激光扫描设备获取到3组目标区域不同方位的原始三维数据,这三组原始三维数据的精度、密度不同。
将三组原始数据分别进行预处理。
首先对飞行器上搭载的数据采集设备采集到的原始数据进行匹配优化处理;使测区内航带间、子测区间点云数据匹配满足要求,然后进行航带间点云冗余数据去除,最后将去除冗余后的数据进行滤波去噪处理,得到精准的点云数据并存储。
然后对车辆上搭载的数据采集设备采集到的原始数据进行匹配优化处理;使两台采集设备获取的点云匹配满足要求,然后综合利用两次测量采集到的点云数据进行冗余去除,得到本次采集范围内的有效数据;最后将上述数据进行滤波去噪处理,得到精准的点云数据并存储。
最后将固定式地面激光扫描设备采集到的原始数据进行匹配优化处理;使多个连续测站采集的点云数据匹配满足要求,最后将匹配后的数据进行滤波去噪处理,得到精准的点云数据并存储。
具体实施例中:对获取的原始数据进行数据平差处理。
具体实施例中:对获取的原始数据进行数据接边处理优化。
具体实施例中:对获取的原始数据进行数据匹配处理。
具体实施例中:对获取的原始数据分别进行数据平差处理、数据接边处理优化、数据匹配处理中的两种进行处理。
具体实施例中:对获取的原始数据分别进行数据平差处理、数据接边处理优化和数据匹配处理。
按照规划路线,将500平方公里范围内的数据进行区域划分,数据采集设备以车辆为载体采集的数据沿行进路线按150米*150米格网进行分幅管理,数据采集设备以飞行器为载体采集的数据按1公里*1公里格网进行分幅管理,固定式地面激光扫描设备采集的数据以点间距3毫米采样的基础上按3米*3米格网进行分幅管理,然后进行数据纠正,纠正后按500米*500米格网进行管理。具体实施例中:首先,按照划分的区域,将该区域内的数据根据轨迹线的解算精度或控制点判定通过飞行器、车辆和固定式地面激光扫描设备获取的三组点云数据的精度,并以精度较高的点云数据作为参考,对另外两组数据精度较低的点云数据进行纠正分析,提取纠正点,并根据纠正点生成纠正模型;然后,根据纠正模型对另外两组点云数据中精度较差的数据进行纠正分析;最后,通过构建数字表面模型检查数据融合精度。
当出现就该500平方公里范围内通过车辆或飞行器在不同时期进行数据采集的情况时。首先,根据点云数据采集日期判定通过构建数字表面模型确定相同区域点云数据的变化情况。然后,提取变化区域内的现势性高的点云数据,并利用其对同区域原有数据进行替换,最后通过构建数字表面模型检查数据融合精度,得到测区范围内最具现势性的数据。
通过以上方法可以在不影响交通流的情况下高效获取路面及路面两侧的房屋建筑、树木高度、道路沿线的公共设施结构精确的二维和三维信息,为今后道路及其周边设施勘测和城市基础设施建设提供更精准的信息。
实施例2:
图2为本实施例提供的基于点云的道路信息自动提取方法的流程示意图,如图所示,该方法如下步骤:
工程化组织管理:将采集得到的点云数据进行工程化组织管理;
数据预处理:对点云数据进行预处理,得到精准的点云数据;
滤波分类:按照不同类别的地物特征进行地物点云数据进行滤波分类;
关键点提取:对滤波分类后的地物点云信息进行关键点提取;
格式转换:将提取后的关键点数据进行格式转换,形成与建模软件相兼容的数据。
具体实施例中所述工程化组织管理具体步骤为:将不同采集方式采集到不同精度的点云数据分别进行区域划分并进行工程化组织管理。
如图4所示的一种基于点云的地物关键点提取方法,所述数据预处理具体步骤为:
1)对工程化管理后的点云数据进行精度优化,具体为利用精度较高的点云数据对精度较低的点云数据进行精度优化;
2)将优化后的点云数据进行滤波,去除冗余和无效的点云信息。
如图5所示的一种基于点云的地物关键点提取方法,所述滤波分类具体步骤为:
1)对去噪优化后的点云数据中进行地面点分类,得到精准的地面点云集数据;
2)在地面点信息的基础上对地物点进行分类,得到不同地物点云集数据;其中地物点类别基于实际需求确定,根据地物空间分布特征采用自适应聚类分析方法进行分类;
3)将得到的不同地物点云集数据分类存储。
如图6所示的一种基于点云的地物关键点提取方法,所述关键点提取具体步骤为:
1)对分类后的地物信息逐一进行关键点提取,其中关键点提取主要基于各类地物形态学特征进行;首先基于平立面一致性策略将同一地物点云集数据划分为不同区域,然后通过区域增长策略检测三维空间内的几何突变,完成地物边界点提取,最后将提取到的边界点分别投影至不同平面进行对比分析,根据几何形态基于拓扑形态学分析方法提取能反映地物边界特征的点云集作为地物关键点集;
2)采用人工干预方式对提取后关键点的有效性进行验证;
3)输出(保存)验证后的地物关键点为特征点云数据集。
如图7所示的一种基于点云的地物关键点提取方法,所述将不同采集方式采集到不同精度的点云数据分别进行区域划分并按照划分的区域进行工程化组织管理的具体步骤为:
1)通过架设在不同平台上的数据采集设备获取目标区域内地物点云数据,得到不同精度、不同密度、不同方位的原始数据;
2)以精度较高的点云数据为参考,从中提取纠正点,根据纠正点建立纠正模型;
3)将多幅纠正模型中的共同纠正点进行拼接,获取整体纠正模型。
具体实施例中所述点云数据是通过移动平台、固定式和卫星系统进行采集获得,所述移动平台可为:车辆、船舶、机车、移动式扫描仪和火车。
具体实施例中所述地物信息包括:交通设施、房屋建筑、桥梁、道路及其附属设施与沿线公共设施。
在具体实施例中,工程关于格式转换为:将提取得到的地物关键点以ASCII文本存储,使之可以输入至3Dmax、CAD、Polyworks、Cyclone、Rhino等常规三维建模软件中,为其直接快速应用。
通过以上方法可以高效获取地上空间中的建构筑物等公共设施结构精确的二维和三维信息,为今后地下空间的数据获取、城市规划、管理和构建智慧城市提供更精准的信息和数据依据。
实施例3:
图3为本实施例提供的基于点云的道路信息自动提取方法的流程示意图,如图所示,该方法如下步骤:
工程化组织管理:将采集得到的点云数据进行工程化组织管理;
数据预处理:对点云数据进行预处理,得到精准的点云数据;
滤波分类:按照不同类别的地物特征进行点云数据滤波分类;
关键点提取:对滤波分类后的地物点云信息进行关键点提取。
格式转换:将提取后的关键点数据进行格式转换,形成与建模软件相兼容的数据。
自动化建模:利用提取的关键点数据进行模型构建。
具体实施例中所述工程化组织管理具体步骤为:将不同采集方式采集到不同精度的点云数据分别进行区域划分并进行工程化组织管理。
如图4所示的一种基于点云的地物关键点提取方法,所述数据预处理具体步骤为:
1)对工程化管理后的点云数据进行精度优化,具体为利用精度较高的点云数据对精度较低的点云数据进行精度优化;
2)将优化后的点云数据进行滤波,去除冗余和无效的点云信息。
如图5所示的一种基于点云的地物关键点提取方法,所述滤波分类具体步骤为:
1)对去噪优化后的点云数据中进行地面点分类,得到精准的地面点云集数据;
2)在地面点信息的基础上对地物点进行分类,得到不同地物点云集数据;其中地物点类别基于实际需求确定,根据地物空间分布特征采用自适应聚类分析方法进行分类;
3)将得到的不同地物点云集数据分类存储。
如图6所示的一种基于点云的地物关键点提取方法,所述关键点提取具体步骤为:
1)对分类后的地物信息逐一进行关键点提取,其中关键点提取主要基于各类地物形态学特征进行;首先基于平立面一致性策略将同一地物点云集数据划分为不同区域,然后通过区域增长策略检测三维空间内的几何突变,完成地物边界点提取,最后将提取到的边界点分别投影至不同平面进行对比分析,根据几何形态基于拓扑形态学分析方法提取能反映地物边界特征的点云集作为地物关键点集;
2)采用人工干预方式对提取后关键点的有效性进行验证;
3)输出(保存)验证后的地物关键点为特征点云数据集。
如图7所示的一种基于点云的地物关键点提取方法,所述将不同采集方式采集到不同精度的点云数据分别进行区域划分并按照划分的区域进行工程化组织管理的具体步骤为:
1)通过架设在不同平台上的数据采集设备获取目标区域内地物点云数据,得到不同精度、不同密度、不同方位的原始数据;
2)以精度较高的点云数据为参考,从中提取纠正点,根据纠正点建立纠正模型;
3)将多幅纠正模型中的共同纠正点进行拼接,获取整体纠正模型。
在具体实施例中,工程关于格式转换为:将提取得到的地物关键点以ASCII文本存储,使之可以输入至3Dmax、CAD、Polyworks、Cyclone、Rhino等常规三维建模软件中,为其直接快速应用。
如图8所示的一种基于点云的地物关键点提取方法,所述自动化建模包括如下步骤:
1)利用关键点构建面片拟合及分割;
2)对分割后的面片进行规则化处理,输出体框模型。
具体实施例中所述建立三维模型面片之间的空间关系,计算两两面片之间相邻,相切,相离,包含,相交的不同状态,针对不同状态进行对应处理,消除模型内部面、捏合歧义点,生成没有内部面片的建筑物模型。此方法可消除后期在模型纹理贴图过程中的闪面,漏面,缝隙等模型拓扑不一致的现象。
具体实施例中所述点云数据是通过移动平台、固定式和卫星系统进行采集获得,所述移动平台可为:车辆、船舶、机车、移动式扫描仪和火车。
具体实施例中所述地物信息包括:交通设施、房屋建筑、桥梁、树木信息、道路及其附属设施与沿线公共设施。
通过以上方法可以高效获取地下空间中的管道、管线、地下建构筑物等公共设施结构精确的二维和三维信息,同时可以将点云数据直接用于地上、地表的三维模型构建,为今后地下空间的数据获取、城市规划、管理和构建智慧城市提供更精准的信息和数据依据。
实施例4:
图9为本实施例提供的基于点云的道路信息自动提取方法的流程示意图,如图所示,该方法如下步骤:
工程化组织管理:将采集得到的点云数据进行工程化组织管理;
数据预处理:对点云数据进行预处理,得到精准的点云数据;
滤波分类:按照不同类别的地物特征进行点云数据滤波分类;
关键点提取:对滤波分类后的地物点云信息进行关键点提取;
自动化建模:利用提取的关键点数据进行模型构建。
具体实施例中所述工程化组织管理具体步骤为:将不同采集方式采集到不同精度的点云数据分别进行区域划分并进行工程化组织管理。
如图4所示的一种基于点云的地物关键点提取方法,所述数据预处理具体步骤为:
1)对工程化管理后的点云数据进行精度优化,具体为利用精度较高的点云数据对精度较低的点云数据进行精度优化;
2)将优化后的点云数据进行滤波,去除冗余和无效的点云信息。
如图5所示的一种基于点云的地物关键点提取方法,所述滤波分类具体步骤为:
1)对去噪优化后的点云数据中进行地面点分类,得到精准的地面点云集数据;
2)在地面点信息的基础上对地物点进行分类,得到不同地物点云集数据;其中地物点类别基于实际需求确定,根据地物空间分布特征采用自适应聚类分析方法进行分类;
3)将得到的不同地物点云集数据分类存储。
如图6所示的一种基于点云的地物关键点提取方法,所述关键点提取具体步骤为:
1)对分类后的地物信息逐一进行关键点提取,其中关键点提取主要基于各类地物形态学特征进行;首先基于平立面一致性策略将同一地物点云集数据划分为不同区域,然后通过区域增长策略检测三维空间内的几何突变,完成地物边界点提取,最后将提取到的边界点分别投影至不同平面进行对比分析,根据几何形态基于拓扑形态学分析方法提取能反映地物边界特征的点云集作为地物关键点集;
2)采用人工干预方式对提取后关键点的有效性进行验证;
3)输出(保存)验证后的地物关键点为特征点云数据集。
如图7所示的一种基于点云的地物关键点提取方法,所述将不同采集方式采集到不同精度的点云数据分别进行区域划分并按照划分的区域进行工程化组织管理的具体步骤为:
1)通过架设在不同平台上的数据采集设备获取目标区域内地物点云数据,得到不同精度、不同密度、不同方位的原始数据;
2)以精度较高的点云数据为参考,从中提取纠正点,根据纠正点建立纠正模型;
3)将多幅纠正模型中的共同纠正点进行拼接,获取整体纠正模型。
如图8所示的一种基于点云的地物关键点提取方法,所述自动化建模包括如下步骤:
1)利用关键点构建面片拟合及分割;
2)对分割后的面片进行规则化处理,输出体框模型。
具体实施例中所述建立三维模型面片之间的空间关系,计算两两面片之间相邻,相切,相离,包含,相交的不同状态,针对不同状态进行对应处理,消除模型内部面、捏合歧义点,生成没有内部面片的建筑物模型。此方法可消除后期在模型纹理贴图过程中的闪面,漏面,缝隙等模型拓扑不一致的现象。
具体实施例中所述点云数据是通过移动平台、固定式和卫星系统进行采集获得,所述移动平台可为:车辆、船舶、机车、移动式扫描仪和火车。
具体实施例中所述地物信息包括:交通设施、房屋建筑、桥梁、道路及其附属设施与沿线公共设施。
通过以上方法可以高效获取空间中的建构筑物等公共设施结构精确的二维和三维信息,同时可以将点云数据直接用于地上和地表三维模型构建,为今后地下空间的数据获取、城市规划、管理和构建智慧城市提供更精准的信息和数据依据。
由此可见:本发明实施例中的基于点云的地物关键点自适应提取方法可以满足:
1、可以对地上、地表建构筑物进行点云数据采集,实现将不同采集方式获得的多组点云数据进行精度对比后得到精准的点云数据。
2、通过相应的阈值设置可以高效准确的进行地物自动分类。
3、在不损失地物结构信息的情况下提取地物关键点,进而最大化的减少数据量;
提供了一种建模人员能够直接利用海量点云数据进行精细化三维建模的方法。
4、基于点云数据和模型数据这两种数据源的对接,使直接利用点云数据进行高精细三维建模成为了可能。
虽然通过实施例描绘了本发明实施例,本领域普通技术人员知道,本发明有许多变形和变化而不脱离本发明的精神,希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。
Claims (10)
1.一种基于点云的地物关键点提取方法,其特征在于,包括如下步骤:
工程化组织管理:将采集得到的点云数据进行工程化组织管理;
数据预处理:对点云数据进行预处理,得到精准的点云数据;
滤波分类:按照不同类别的地物特征进行地物点云数据滤波分类;
关键点提取:对滤波分类后的地物点云信息进行关键点提取。
2.根据权利要求1所述的一种基于点云的地物关键点提取方法,其特征在于,所述该方法还包括格式转换步骤,其中:
格式转换:将提取后的关键点数据进行格式转换,形成与建模软件相兼容的数据。
3.根据权利要求1所述的一种基于点云的地物关键点提取方法,其特征在于,所述该方法还包括自动化建模步骤,其中:
自动化建模:利用提取的关键点数据进行模型构建。
4.根据权利要求1所述的一种基于点云的地物关键点提取方法,其特征在于,所述工程化组织管理具体步骤为:将不同采集方式采集到不同精度的点云数据分别进行区域划分并进行工程化组织管理。
5.根据权利要求1所述的一种基于点云的地物关键点提取方法,其特征在于,所述数据预处理具体步骤为:
1)对工程化管理后的点云数据进行精度优化,具体为利用精度较高的点云数据对精度较低的点云数据进行精度优化;
将优化后的点云数据进行滤波,去除冗余和无效的点云信息。
6.根据权利要求1所述的一种基于点云的地物关键点提取方法,其特征在于,所述滤波分类具体步骤为:
1)对去噪优化后的点云数据中进行地面点分类,得到精准的地面点云集数据;
2)在地面点信息的基础上对地物点进行分类,得到不同地物点云集数据;其中地物点类别基于实际需求确定,根据地物空间分布特征采用自适应聚类分析方法进行分类;
3)将得到的不同地物点云集数据分类存储。
7.根据权利要求1所述的一种基于点云的地物关键点提取方法,其特征在于,所述关键点提取具体步骤为:
1)对分类后的地物信息逐一进行关键点提取,其中关键点提取主要基于各类地物形态学特征进行,首先基于平立面一致性策略将同一地物点云集数据划分为不同区域,然后通过区域增长策略检测三维空间内的几何突变,完成地物边界点提取,最后将提取到的边界点分别投影至不同平面进行对比分析,根据几何形态基于拓扑形态学分析方法提取能反映地物边界特征的点云集作为地物关键点集;
2)采用人工干预方式对提取后关键点的有效性进行验证;
3)输出验证后的地物关键点为特征点云数据集。
8.根据权利要求1、4所述的一种基于点云的地物关键点提取方法,其特征在于,所述将不同采集方式采集到不同精度的点云数据分别进行区域划分并按照划分的区域进行工程化组织管理的具体步骤为:
1)通过架设在不同平台上的数据采集设备获取目标区域内地物点云数据,得到不同精度、不同密度、不同方位的原始数据;
2)以精度较高的点云数据为参考,从中提取纠正点,根据纠正点建立纠正模型;
3)将多幅纠正模型中的共同纠正点进行拼接,获取整体纠正模型。
9.根据权利要求3所述的一种基于点云的地物关键点提取方法,其特征在于所述自动化建模包括如下步骤:
利用关键点构建面片拟合及分割;
对分割后的面片进行规则化处理,输出体框模型。
10.根据权利要求1所述的一种基于点云的地物关键点提取方法,其特征在于,所述点云数据是通过移动平台、固定式和卫星系统进行采集获得,所述移动平台可为:车辆、船舶、机车、移动式扫描仪和火车;所述地物信息包括:交通设施、房屋建筑、桥梁、道路及其附属设施与沿线公共设施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410701188.2A CN105701862A (zh) | 2014-11-28 | 2014-11-28 | 一种基于点云的地物关键点提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410701188.2A CN105701862A (zh) | 2014-11-28 | 2014-11-28 | 一种基于点云的地物关键点提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105701862A true CN105701862A (zh) | 2016-06-22 |
Family
ID=56294695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410701188.2A Pending CN105701862A (zh) | 2014-11-28 | 2014-11-28 | 一种基于点云的地物关键点提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701862A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651786A (zh) * | 2016-11-04 | 2017-05-10 | 中科宇图科技股份有限公司 | 河岸区域点云数据的处理方法 |
CN106803266A (zh) * | 2017-02-20 | 2017-06-06 | 广东工业大学 | 一种船体复杂外板点云肋骨线提取方法及装置 |
CN107169682A (zh) * | 2017-06-30 | 2017-09-15 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于机载激光点云不同时段树障的快速巡检方法 |
CN108132979A (zh) * | 2017-12-13 | 2018-06-08 | 交通运输部规划研究院 | 一种基于遥感图像的港口地物监测方法及系统 |
CN108388723A (zh) * | 2018-02-09 | 2018-08-10 | 吕若丹 | 板桥桥梁点云的部件自动检测方法及系统 |
CN108765475A (zh) * | 2018-05-25 | 2018-11-06 | 厦门大学 | 一种基于深度学习的建筑物三维点云配准方法 |
CN108959173A (zh) * | 2018-07-06 | 2018-12-07 | 北京数字绿土科技有限公司 | 一种激光雷达点云数据的解算方法及装置 |
CN110051083A (zh) * | 2019-04-25 | 2019-07-26 | 东莞弓叶互联科技有限公司 | Eva发泡鞋底打磨方法及设备 |
CN111476885A (zh) * | 2020-04-03 | 2020-07-31 | 广东省文物考古研究所 | 考古多元数据融合方法、装置、设备和存储介质 |
CN111553410A (zh) * | 2020-04-27 | 2020-08-18 | 哈尔滨工程大学 | 基于关键点局部曲面特征直方图和空间关系的点云识别方法 |
CN111881030A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种基于可理解特征变异的智能交通数据测试样本生成方法 |
CN113506227A (zh) * | 2021-07-08 | 2021-10-15 | 江苏省地质测绘院 | 避免车载点云数据纠正点无效采集的方法及系统 |
CN113901968A (zh) * | 2021-12-08 | 2022-01-07 | 华北理工大学 | 一种基于机器学习的铁路点云特征提取方法 |
CN117058358A (zh) * | 2023-10-12 | 2023-11-14 | 之江实验室 | 一种场景边界检测方法和移动平台 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
KR20110124892A (ko) * | 2010-05-12 | 2011-11-18 | 삼성전자주식회사 | 움직임 보상 3차원 필터링 방법 및 장치 |
CN103017739A (zh) * | 2012-11-20 | 2013-04-03 | 武汉大学 | 基于激光雷达点云与航空影像的真正射影像的制作方法 |
CN103745018A (zh) * | 2014-02-11 | 2014-04-23 | 天津市星际空间地理信息工程有限公司 | 一种多平台点云数据融合方法 |
-
2014
- 2014-11-28 CN CN201410701188.2A patent/CN105701862A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
KR20110124892A (ko) * | 2010-05-12 | 2011-11-18 | 삼성전자주식회사 | 움직임 보상 3차원 필터링 방법 및 장치 |
CN103017739A (zh) * | 2012-11-20 | 2013-04-03 | 武汉大学 | 基于激光雷达点云与航空影像的真正射影像的制作方法 |
CN103745018A (zh) * | 2014-02-11 | 2014-04-23 | 天津市星际空间地理信息工程有限公司 | 一种多平台点云数据融合方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651786A (zh) * | 2016-11-04 | 2017-05-10 | 中科宇图科技股份有限公司 | 河岸区域点云数据的处理方法 |
CN106651786B (zh) * | 2016-11-04 | 2019-05-14 | 中科宇图科技股份有限公司 | 河岸区域点云数据的处理方法 |
CN106803266A (zh) * | 2017-02-20 | 2017-06-06 | 广东工业大学 | 一种船体复杂外板点云肋骨线提取方法及装置 |
CN107169682A (zh) * | 2017-06-30 | 2017-09-15 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于机载激光点云不同时段树障的快速巡检方法 |
CN108132979B (zh) * | 2017-12-13 | 2018-12-14 | 交通运输部规划研究院 | 一种基于遥感图像的港口地物监测方法及系统 |
CN108132979A (zh) * | 2017-12-13 | 2018-06-08 | 交通运输部规划研究院 | 一种基于遥感图像的港口地物监测方法及系统 |
CN108388723A (zh) * | 2018-02-09 | 2018-08-10 | 吕若丹 | 板桥桥梁点云的部件自动检测方法及系统 |
CN108388723B (zh) * | 2018-02-09 | 2018-11-23 | 吕若丹 | 板桥桥梁点云的部件自动检测方法及系统 |
CN108765475B (zh) * | 2018-05-25 | 2021-11-09 | 厦门大学 | 一种基于深度学习的建筑物三维点云配准方法 |
CN108765475A (zh) * | 2018-05-25 | 2018-11-06 | 厦门大学 | 一种基于深度学习的建筑物三维点云配准方法 |
CN108959173B (zh) * | 2018-07-06 | 2022-02-11 | 北京数字绿土科技有限公司 | 一种激光雷达点云数据的解算方法及装置 |
CN108959173A (zh) * | 2018-07-06 | 2018-12-07 | 北京数字绿土科技有限公司 | 一种激光雷达点云数据的解算方法及装置 |
CN110051083A (zh) * | 2019-04-25 | 2019-07-26 | 东莞弓叶互联科技有限公司 | Eva发泡鞋底打磨方法及设备 |
CN111476885A (zh) * | 2020-04-03 | 2020-07-31 | 广东省文物考古研究所 | 考古多元数据融合方法、装置、设备和存储介质 |
CN111476885B (zh) * | 2020-04-03 | 2023-10-03 | 广东省文物考古研究所 | 考古多源数据融合方法、装置、设备和存储介质 |
CN111553410A (zh) * | 2020-04-27 | 2020-08-18 | 哈尔滨工程大学 | 基于关键点局部曲面特征直方图和空间关系的点云识别方法 |
CN111553410B (zh) * | 2020-04-27 | 2022-10-28 | 哈尔滨工程大学 | 基于关键点局部曲面特征直方图和空间关系的点云识别方法 |
CN111881030A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种基于可理解特征变异的智能交通数据测试样本生成方法 |
CN111881030B (zh) * | 2020-07-23 | 2022-01-28 | 深圳慕智科技有限公司 | 基于可理解特征变异的智能交通数据测试样本生成方法 |
CN113506227A (zh) * | 2021-07-08 | 2021-10-15 | 江苏省地质测绘院 | 避免车载点云数据纠正点无效采集的方法及系统 |
CN113901968A (zh) * | 2021-12-08 | 2022-01-07 | 华北理工大学 | 一种基于机器学习的铁路点云特征提取方法 |
CN117058358A (zh) * | 2023-10-12 | 2023-11-14 | 之江实验室 | 一种场景边界检测方法和移动平台 |
CN117058358B (zh) * | 2023-10-12 | 2024-03-22 | 之江实验室 | 一种场景边界检测方法和移动平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701862A (zh) | 一种基于点云的地物关键点提取方法 | |
CN103745018B (zh) | 一种多平台点云数据融合方法 | |
CN103020342B (zh) | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 | |
CN103017739B (zh) | 基于激光雷达点云与航空影像的真正射影像的制作方法 | |
CN104376595B (zh) | 一种基于机载LiDAR和GIS协同的三维道路生成方法 | |
KR101859947B1 (ko) | 무인 항공기를 이용한 재해위험 저수지의 정밀안전진단평가를 위한 데이터베이스 구축 시스템 및 방법 | |
CN102096072B (zh) | 一种城市部件自动化测量方法 | |
CN106887020A (zh) | 一种基于LiDAR点云的道路纵横断面获取方法 | |
CN107273902B (zh) | 一种从机载LiDAR数据自动提取电塔点云的方法 | |
CN113487730B (zh) | 一种基于激光雷达点云数据的城市三维自动建模方法 | |
CN103679655A (zh) | 一种基于坡度与区域生长的LiDAR点云滤波方法 | |
CN103324916B (zh) | 基于建筑轮廓的车载和航空LiDAR数据配准方法 | |
CN106680798B (zh) | 一种机载lidar航带重叠区冗余辨识及消除方法 | |
CN105787921A (zh) | 利用机载LiDAR数据重建大型复杂立交桥三维模型的方法 | |
CN104484882A (zh) | 一种基于机载LiDAR数据的城市区域电力线检测方法 | |
CN103020966A (zh) | 一种基于建筑物轮廓约束的航空与地面LiDAR数据自动配准方法 | |
CN103196368A (zh) | 基于车载激光扫描数据的单株树三维绿量自动估算方法 | |
Hammoudi et al. | Extracting wire-frame models of street facades from 3D point clouds and the corresponding cadastral map | |
CN114332366A (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
CN112418245A (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
CN104463164A (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
Chen et al. | 3D model-based terrestrial laser scanning (TLS) observation network planning for large-scale building facades | |
CN116486289A (zh) | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 | |
CN103065295A (zh) | 一种基于建筑物角点自修正的航空与地面LiDAR数据高精度自动配准方法 | |
Africani et al. | Integration of LIDAR data into a municipal GIS to study solar radiation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160622 |