CN106056659B - 车载激光扫描点云中建筑物角点空间位置自动提取方法 - Google Patents
车载激光扫描点云中建筑物角点空间位置自动提取方法 Download PDFInfo
- Publication number
- CN106056659B CN106056659B CN201610368081.XA CN201610368081A CN106056659B CN 106056659 B CN106056659 B CN 106056659B CN 201610368081 A CN201610368081 A CN 201610368081A CN 106056659 B CN106056659 B CN 106056659B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- straightway
- angle
- laser scanning
- coordinate
- 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.)
- Expired - Fee Related
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 230000032798 delamination Effects 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 241001212149 Cathetus Species 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims 2
- 238000005259 measurement Methods 0.000 description 4
- NNLZBVFSCVTSLA-HXUQBWEZSA-N 3-deoxy-alpha-D-manno-oct-2-ulopyranosonic acid Chemical compound OC[C@@H](O)[C@H]1O[C@@](O)(C(O)=O)C[C@@H](O)[C@H]1O NNLZBVFSCVTSLA-HXUQBWEZSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车载激光扫描点云中建筑物角点空间位置自动提取方法。首先根据局部建筑物的高度获取局部范围内在竖直方向上的空间分层点云,对空间分层点云进行平面投影,根据空间分层点云的范围与空间分层点云的平面坐标,将离散的激光扫描点云投影到平面;运用平面上单位像素中激光扫描点云的数量定义像素的亮度值,转换成平面投影图像;然后对平面投影图像中亮度较高的区域进行直线检测,提取出具有直线特性的线段,对这些线段分类合并;然后分析提取线段的相对位置关系与相交角度,筛选出相交产生符合建筑物角点特征的线段,并求取线段相交角点在平面投影图像中的坐标,最后根据角点在平面投影图像中的坐标计算角点目标的空间位置信息。
Description
技术领域
本发明属于车载激光扫描点云数据处理技术领域,具体涉及一种车载激光扫描点云中建筑物角点空间位置自动提取方法。
背景技术
建筑物角点的测量是地形图、地籍图测量中重要工作之一,目前建筑物角点位置信息主要通过传统人工测量方法获得,更新周期长、资源损耗大,已经无法满足城市建设和管理的数据需求。车载移动激光测量系统作为一种先进的测量手段,具有快速、不与测量物接触、实时、动态、主动、高密度及高精度等特点。基于车载移动激光测量系统的建筑物角点提取方法主要有投影图像法、特征聚类和扫描线法,然而这些方法没有充分挖掘建筑物点云数据的形态特征,适应性不高,容易受车载激光扫描点云数据中噪声点的影响。
发明内容
本发明的目的在于提出一种车载激光扫描点云中建筑物角点空间位置自动提取方法,以便从海量车载激光扫描点云数据中快速、自动提取建筑物角点的空间位置信息。
为了实现上述目的,本发明采用如下技术方案:
车载激光扫描点云中建筑物角点空间位置自动提取方法,包括如下步骤:
a、根据局部建筑物的高度自动获取局部范围内在竖直方向上的空间分层点云数据,对空间分层点云进行平面投影;根据空间分层点云的范围与空间分层点云的平面坐标将离散的车载激光扫描点云投影到平面,用单位像素中激光扫描点云的数量定义像素的亮度值,转换成平面投影图像,并自动获取最优空间分层点云;
b、对最优空间分层点云生成的平面投影图像进行阈值分割,去掉亮度低的点,即将最优空间分层点云中平面内投影方向上较稀疏的激光扫描点云去掉;
c、对平面投影图像中亮度较高的区域进行直线检测,提取出有直线特性的线段;
d、提取出的直线线段分类合并,去掉冗余和不符合建筑物墙壁的线段;
e、分析分类合并后的线段的相对位置关系和相交角度,筛选出相交产生符合建筑物角点特征的线段,并求这些线段相交产生的角点在平面投影图像中的坐标;
f、根据角点在平面投影图像中的坐标计算角点目标的空间位置信息。
优选地,所述步骤a具体为:
a1、竖直方向空间分层点云自动提取
根据实际建筑物空间高度分布对现有的激光扫描点云进行提取:
首先对激光扫描点云按照竖直方向整体分层,每5米分一个点云层,获取局部范围内在竖直方向上的一系列空间分层点云数据;
依次对上述空间分层点云进行平面投影、生成基于点数的平面投影图像,即:
a2、平面投影
以激光扫描点云的xy轴对应的平面为投影面,激光扫描点云的z轴方向的负方向为投影方向,对激光扫描点云进行投影,将建筑物、道路和杆状地物投影到投影坐标系下;
a3、生成基于点数的平面投影图像
根据当前激光扫描点云的范围,设任意一个激光扫描点云坐标为(Xp,Yp,Zp),当前激光扫描点云范围为{MinX,MinY,MinZ,MaxX,MaxY,MaxZ},对应平面投影图像的像素坐标为(xp,yp),缩放精度为s;则任意一个激光扫描点云坐标(Xp,Yp,Zp)对应平面投影图像的像素坐标(xp,yp)分别是:xp=(Xp-MinX)*s,yp=(Yp-MinY)*s;
单位像素内点的亮度是落在单位像素内激光扫描点云个数的亮度叠加,设每有一个激光扫描点云转换成像素点(xp,yp),则该点亮度值增加30%;
遍历当前所有的激光扫描点云数据,计算其对应的平面投影图像坐标,并进行亮度叠加,得到基于点数的平面投影图像;
a4、自动获取最优空间分层点云
对生成的N个平面投影图像进行粗略的直线检测、块状区域检测和离散点检测,选取直线分布较多、离散点与块状区域较少的区域作为最优空间分层点云,进行下一步角点提取。
优选地,所述步骤d具体为:
d1、直线线段分类
首先进行粗分组:遍历所有直线段lk,1≤k≤N1,N1为直线段集合的项数,求其与平面投影图像坐标X轴正方向的夹角αk,其中αk单位是度°;在直线段集合L中任取一条直线段lx,其与X轴正方向的夹角为αx,与直线段集合L中的其他直线段lk的X轴方向的夹角αk做比较,其中αx单位也是度°,1≤k≤N1,k≠x,如果有|αx-αk|<3°,且lx与lk的端点的最小距离小于1*s,则将lk与lx归为一组,遍历完毕得到一组新的包括lx在内的夹角相差3°内的直线段集合,设新的直线段集合为Lx;直线段集合L=L-Lx,继续在直线段集合L中取一条新的ly,1≤y≤N1-Len(Lx),其中Len(Lx)为集合Lx的项数;重复上述过程得到一组新的包括ly在内的夹角相差3°内且端点相距较近的直线段集合Ly;按照上述过程对直线段集合L中剩余的直线段做分组,得到一系列的直线段集合:L1,L2,L3...LN2;
d2、对上述直线段集合的每一项Lj进一步细分组,1≤j≤N2:计算Lj中直线段与平面投影图像坐标X轴正方向的夹角的平均值βj;在直线段集合Lj中任取一条ljx,计算该线段的中点pjx;遍历Lj组内的其他直线段lju,计算线段的中点pju;基于pju和βj构建一条直线lju',计算点pjx与lju'的垂距dju;设置垂距阈值dth=0.25*s;如果有dju<dth,则将lju与ljx归为一组,遍历完毕得到一组包括ljx在内的垂距小于阈值的直线段集合,设该直线段集合为Ljx;则剩余直线段集合Lj=Lj-Ljx;继续在直线段集合Lj中取一条新的ljy,重复上述过程得到一组新的包括ljy在内的垂距小于垂距阈值的直线段集合Ljy;按照上述过程对Lj中剩余的直线段做分组,最终将Lj转换为一系列的直线段集合:Lj1,Lj2,Lj3...Ljm;
Lj的每一组按照上述的细分组的方法转换为直线段集合Lju',1≤u'≤m',m'为Lju'的项数;
d3、将每一组直线段进行单一化处理,转为一条直线段;
遍历Lju'的每一项,即一组直线段:计算Lju'中直线段斜率的平均值Sju';
如果|Sju'|<1,则基于X轴进行单一化处理:遍历Lju'中所有直线段的端点坐标p(x,y),获得X轴坐标值最小的坐标Pju'min和X轴坐标值最大的坐标Pju'max,创建为唯一的直线段lju′′;
否则基于Y轴进行单一化处理:遍历Lju'中所有直线段的端点坐标p(x,y),获得Y轴坐标值最小的坐标Pju'min和Y轴坐标值最大的坐标Pju'max,创建为唯一直线段lju′′;
最终得到单一化处理后的唯一直线段lju′′组成的集合L'。
优选地,所述步骤e具体为:
e1、在直线段集合L′中任取一条直线段lx',依次与直线段集合L'中的其他直线段l'做比较:如果两直线段对应直线的夹角δ>δth,其中,δ为锐角或直角,δth为垂直夹角阈值,且lx'与l'的端点的最小距离小于指定距离dth,则计算两直线段对应直线的交点p';遍历完毕得到一组交点集合Px,将lx'从集合L'中移除;在新的集合L'中任取一条直线段ly',重复上述过程计算得到一组交点集合Py;按照上述过程继续对L′中剩余的直线段进行判断和求交,得到一系列的交点组的集合P1,P2,P3...Pn;
e2、将交点组的集合P1,P2,P3...Pn各组的点Pr组成唯一的点集合P',1≤r≤n。
本发明具有如下优点:
本发明方法根据激光扫描点云数据,自动获取空间分层数据,并自动选取最优空间分层数据进行平面投影,通过分析杆建筑物与角点的特征,对基于点数的平面投影图像进行直线的提取,从而获取角点的空间位置信息,不易受数据噪声点的影响,自动化程度高,更大程度上充分利用了激光扫描点云的形态特征,达到了较好的提取效果。
附图说明
图1为本发明中车载激光扫描点云中建筑物角点空间位置自动提取方法的流程示意图。
具体实施方式
本发明的基本思想是:通过研究点车载激光扫描点云生成的基于点数的平面投影图像,运用图像处理的方式,结合建筑物墙壁与角点的几何形态与特征,提出一种车载激光扫描点云中建筑物角点空间位置自动提取方法。
结合图1所示,车载激光扫描点云中建筑物角点空间位置自动提取方法包括如下步骤:
a、根据局部建筑物的高度自动获取局部范围内在竖直方向上的空间分层点云数据,对空间分层点云进行平面投影;根据空间分层点云的范围与空间分层点云的平面坐标将离散的车载激光扫描点云投影到平面,用单位像素中激光扫描点云的数量定义像素的亮度值,转换成平面投影图像,并自动获取最优空间分层点云;
该步骤a具体为:
a1、竖直方向空间分层点云自动提取
根据实际建筑物空间高度分布对现有的激光扫描点云进行提取:
首先对激光扫描点云按照竖直方向整体分层,每5米分一个点云层,获取局部范围内在竖直方向上的一系列空间分层点云数据;
依次对上述空间分层点云进行平面投影、生成基于点数的平面投影图像,即:
a2、平面投影
以激光扫描点云的xy轴对应的平面为投影面,激光扫描点云的z轴方向的负方向为投影方向,对激光扫描点云进行投影,将建筑物、道路和杆状地物投影到投影坐标系下;
a3、生成基于点数的平面投影图像
根据当前激光扫描点云的范围,设任意一个激光扫描点云坐标为(Xp,Yp,Zp),当前激光扫描点云范围为{MinX,MinY,MinZ,MaxX,MaxY,MaxZ},对应平面投影图像的像素坐标为(xp,yp),缩放精度为s;则任意一个激光扫描点云坐标(Xp,Yp,Zp)对应平面投影图像的像素坐标(xp,yp)分别是:xp=(Xp-MinX)*s,yp=(Yp-MinY)*s;
单位像素内点的亮度是落在单位像素内激光扫描点云个数的亮度叠加,设每有一个激光扫描点云转换成像素点(xp,yp),则该点亮度值增加30%;
遍历当前所有的激光扫描点云数据,计算其对应的平面投影图像坐标,并进行亮度叠加,得到基于点数的平面投影图像;
a4、自动获取最优空间分层点云
对生成的N个平面投影图像进行粗略的直线检测、块状区域检测和离散点检测,选取直线分布较多、离散点与块状区域较少的区域作为最优空间分层点云,进行下一步角点提取。
b、对最优空间分层点云生成的平面投影图像进行阈值分割,去掉亮度低的点,即将最优空间分层点云中平面内投影方向上较稀疏的激光扫描点云去掉;
该步骤b具体为:
采用自适应阈值的方法进行图像分割,通过计算像素点周围区域的加权平均,然后减去一个常数来得到自适应阈值;
对得到的平面投影图像进行阈值分割得到亮度较大的区域,该区域即对应激光扫描点云中垂直于xy平面的单位范围内竖直方向有较多点的数据,符合建筑物墙壁竖直方向上有较多点的特征。
c、对平面投影图像中亮度较高的区域进行直线检测,提取出有直线特性的线段;
该步骤c具体为:
c1、图像细化
对阈值分割后的平面投影图像进行图像细化处理,排除掉同一位置多条直线对角点提取的影响;
c2、直线检测
对阈值分割后的平面投影图像进行直线检测,这些直线有可能是建筑物墙壁,记录下这些直线段的端点信息,设直线段的集合为L,直线段分别为l1、l2、l3……ln,即L∈l1,l2,l3...ln。
d、提取出的直线线段分类合并,去掉冗余和不符合建筑物墙壁的线段;
该步骤d具体为:
d1、直线线段分类
首先进行粗分组:遍历所有直线段lk,1≤k≤N1,N1为直线段集合的项数,求其与平面投影图像坐标X轴正方向的夹角αk,其中αk单位是度°;在直线段集合L中任取一条直线段lx,其与X轴正方向的夹角为αx,与直线段集合L中的其他直线段lk的X轴方向的夹角αk做比较,其中αx单位也是度°,1≤k≤N1,k≠x,如果有|αx-αk|<3°,且lx与lk的端点的最小距离小于1*s,则将lk与lx归为一组,遍历完毕得到一组新的包括lx在内的夹角相差3°内的直线段集合,设新的直线段集合为Lx;直线段集合L=L-Lx,继续在直线段集合L中取一条新的ly,1≤y≤N1-Len(Lx),其中Len(Lx)为集合Lx的项数;重复上述过程得到一组新的包括ly在内的夹角相差3°内且端点相距较近的直线段集合Ly;按照上述过程对直线段集合L中剩余的直线段做分组,得到一系列的直线段集合:L1,L2,L3...LN2;
d2、对上述直线段集合的每一项Lj进一步细分组,1≤j≤N2:计算Lj中直线段与平面投影图像坐标X轴正方向的夹角的平均值βj;在直线段集合Lj中任取一条ljx,计算该线段的中点pjx;遍历Lj组内的其他直线段lju,计算线段的中点pju;基于pju和βj构建一条直线lju',计算点pjx与lju'的垂距dju;设置垂距阈值dth=0.25*s;如果有dju<dth,则将lju与ljx归为一组,遍历完毕得到一组包括ljx在内的垂距小于阈值的直线段集合,设该直线段集合为Ljx;则剩余直线段集合Lj=Lj-Ljx;继续在直线段集合Lj中取一条新的ljy,重复上述过程得到一组新的包括ljy在内的垂距小于垂距阈值的直线段集合Ljy;按照上述过程对Lj中剩余的直线段做分组,最终将Lj转换为一系列的直线段集合:Lj1,Lj2,Lj3...Ljm;
Lj的每一组按照上述的细分组的方法转换为直线段集合Lju',1≤u'≤m',m'为Lju'的项数;
d3、将每一组直线段进行单一化处理,转为一条直线段;
遍历Lju'的每一项,即一组直线段:计算Lju'中直线段斜率的平均值Sju';
如果|Sju'|<1,则基于平面投影图像坐标X轴进行单一化处理:
遍历Lju'中所有直线段的端点坐标p(x,y),获得X轴坐标值最小的坐标Pju'min和X轴坐标值最大的坐标Pju'max,创建为唯一的直线段lju′′;
否则基于Y轴进行单一化处理:遍历Lju'中所有直线段的端点坐标p(x,y),获得Y轴坐标值最小的坐标Pju'min和Y轴坐标值最大的坐标Pju'max,创建为唯一直线段lju′′;
最终得到单一化处理后的唯一直线段lju′′组成的集合L'。
e、分析分类合并后的线段的相对位置关系和相交角度,筛选出相交产生符合建筑物角点特征的线段,并求这些线段相交产生的角点在平面投影图像中的坐标;
该步骤e具体为:
e1、在直线段集合L′中任取一条直线段lx',依次与直线段集合L'中的其他直线段l'做比较:如果两直线段对应直线的夹角δ>δth,其中,δ为锐角或直角,δth为垂直夹角阈值,且lx'与l'的端点的最小距离小于指定距离dth,则计算两直线段对应直线的交点p';遍历完毕得到一组交点集合Px,将lx'从集合L'中移除;在新的集合L'中任取一条直线段ly',重复上述过程计算得到一组交点集合Py;按照上述过程继续对L'中剩余的直线段进行判断和求交,得到一系列的交点组的集合P1,P2,P3...Pn;
e2、将交点组的集合P1,P2,P3...Pn各组的点Pr组成唯一的点集合P',1≤r≤n。
f、根据角点在平面投影图像中的坐标计算角点目标的空间位置信息。
该步骤f具体为:
建筑物角点坐标设为Pr(xr,yr),则对应的激光扫描点云坐标(Xr,Yr,Zr)为:Xr=xr/s+MinX,Yr=yr/s+MinY,Z轴方向取对激光扫描点云进行空间分层时Z方向的中间值;求出的激光扫描点云坐标(Xr,Yr,Zr)即为建筑物角点的空间位置。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (4)
1.车载激光扫描点云中建筑物角点空间位置自动提取方法,其特征在于,包括如下步骤:
a、根据局部建筑物的高度自动获取局部范围内在竖直方向上的空间分层点云数据,对空间分层点云进行平面投影;根据空间分层点云的范围与空间分层点云的平面坐标将离散的车载激光扫描点云投影到平面,用单位像素中激光扫描点云数量定义像素的亮度值,转换成平面投影图像,并自动获取最优空间分层点云;
b、对最优空间分层点云生成的平面投影图像进行阈值分割,去掉亮度低的点,即将最优空间分层点云中平面内投影方向上较稀疏的激光扫描点云去掉;
c、对平面投影图像中亮度较高的区域进行直线检测,提取出有直线特性的线段;
d、提取出的直线线段分类合并,去掉冗余和不符合建筑物墙壁的线段;
e、分析分类合并后的线段的相对位置关系和相交角度,筛选出相交产生符合建筑物角点特征的线段,并求这些线段相交产生的角点在平面投影图像中的坐标;
f、根据角点在平面投影图像中的坐标计算角点目标的空间位置信息。
2.根据权利要求1所述的车载激光扫描点云中建筑物角点空间位置自动提取方法,其特征在于,所述步骤a具体为:
a1、竖直方向空间分层点云自动提取
根据实际建筑物空间高度分布对现有的激光扫描点云进行提取:
首先对激光扫描点云按照竖直方向整体分层,每5米分一个点云层,获取局部范围内在竖直方向上的一系列空间分层点云数据;
依次对上述空间分层点云进行平面投影、生成基于点数的平面投影图像,即:
a2、平面投影
以激光扫描点云的xy轴对应的平面为投影面,激光扫描点云的z轴方向的负方向为投影方向,对激光扫描点云进行投影,将建筑物、道路和杆状地物投影到投影坐标系下;
a3、生成基于点数的平面投影图像
根据当前激光扫描点云的范围,设任意一个激光扫描点云坐标为(Xp,Yp,Zp),当前激光扫描点云范围为{MinX,MinY,MinZ,MaxX,MaxY,MaxZ},对应平面投影图像的像素坐标为(xp,yp),缩放精度为s;则任意一个激光扫描点云坐标(Xp,Yp,Zp)对应平面投影图像的像素坐标(xp,yp)分别是:xp=(Xp-MinX)*s,yp=(Yp-MinY)*s;
单位像素内点的亮度是落在单位像素内激光扫描点云个数的亮度叠加,设每有一个激光扫描点云转换成像素点(xp,yp),则该点亮度值增加30%;
遍历当前所有的激光扫描点云数据,计算其对应的平面投影图像坐标,并进行亮度叠加,得到基于点数的平面投影图像;
a4、自动获取最优空间分层点云
对生成的N个平面投影图像进行粗略的直线检测、块状区域检测和离散点检测,选取直线分布较多、离散点与块状区域较少的区域作为最优空间分层点云,进行下一步角点提取。
3.根据权利要求2所述的车载激光扫描点云中建筑物角点空间位置自动提取方法,其特征在于,所述步骤d具体为:
d1、直线线段分类
首先进行粗分组:遍历所有直线段lk,1≤k≤N1,N1为直线段集合的项数,求其与平面投影图像坐标X轴正方向的夹角αk,其中αk单位是度°;在直线段集合L中任取一条直线段lx,其与X轴正方向的夹角为αx,与直线段集合L中的其他直线段lk的X轴方向的夹角αk做比较,其中αx单位是度°,1≤k≤N1,k≠x,如果有|αx-αk|<3°,且lx与lk的端点的最小距离小于1*s,则将lk与lx归为一组,遍历完毕得到一组新的包括lx在内的夹角相差3°内的直线段集合,设新的直线段集合为Lx;直线段集合L=L-Lx,继续在直线段集合L中取一条新的ly,1≤y≤N1-Len(Lx),其中Len(Lx)为集合Lx的项数;重复上述过程得到一组新的包括ly在内的夹角相差3°内且端点相距较近的直线段集合Ly;按照上述过程对直线段集合L中剩余的直线段做分组,得到一系列的直线段集合:
d2、对上述直线段集合的每一项Lj进一步细分组,1≤j≤N2:计算Lj中直线段与平面投影图像坐标X轴正方向的夹角的平均值βj;在直线段集合Lj中任取一条ljx,计算该线段的中点pjx;遍历Lj组内的其他直线段lju,计算线段的中点pju;基于pju和βj构建一条直线lju',计算点pjx与lju'的垂距dju;设置垂距阈值dth=0.25*s;如果有dju<dth,则将lju与ljx归为一组,遍历完毕得到一组包括ljx在内的垂距小于阈值的直线段集合,设该直线段集合为Ljx;则剩余直线段集合Lj=Lj-Ljx;继续在直线段集合Lj中取一条新的ljy,重复上述过程得到一组新的包括ljy在内的垂距小于垂距阈值的直线段集合Ljy;按照上述过程对Lj中剩余的直线段做分组,最终将Lj转换为一系列的直线段集合:Lj1,Lj2,Lj3...Ljm;
Lj的每一组按照上述细分组的方法转换为直线段集合Lju',1≤u'≤m',m'为Lju'的项数;
d3、将每一组直线段进行单一化处理,转为一条直线段;
遍历Lju'的每一项,即一组直线段:计算Lju'中直线段斜率的平均值Sju';
如果|Sju'|<1,则基于X轴进行单一化处理:遍历Lju'中所有直线段的端点坐标p(x,y),获得X轴坐标值最小的坐标Pju'min和X轴坐标值最大的坐标Pju'max,创建为唯一的直线段lju′′;
否则基于Y轴进行单一化处理:遍历Lju'中所有直线段的端点坐标p(x,y),获得Y轴坐标值最小的坐标Pju'min和Y轴坐标值最大的坐标Pju'max,创建为唯一直线段lju′′;
最终得到单一化处理后的唯一直线段lju′′组成的集合L'。
4.根据权利要求3所述的车载激光扫描点云中建筑物角点空间位置自动提取方法,其特征在于,所述步骤e具体为:
e1、在直线段集合L′中任取一条直线段lx',依次与直线段集合L'中的其他直线段l'做比较:如果两直线段对应直线的夹角δ>δth,其中,δ为锐角或直角,δth为垂直夹角阈值,且lx'与l'的端点的最小距离小于指定距离dth,则计算两直线段对应直线的交点p';遍历完毕得到一组交点集合Px,将lx'从集合L'中移除;在新的集合L'中任取一条直线段ly',重复上述过程计算得到一组交点集合Py;按照上述过程继续对L′中剩余的直线段进行判断和求交,得到一系列的交点组的集合P1,P2,P3...Pn;
e2、将交点组的集合P1,P2,P3...Pn各组的点Pr组成唯一的点集合P',1≤r≤n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610368081.XA CN106056659B (zh) | 2016-05-27 | 2016-05-27 | 车载激光扫描点云中建筑物角点空间位置自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610368081.XA CN106056659B (zh) | 2016-05-27 | 2016-05-27 | 车载激光扫描点云中建筑物角点空间位置自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056659A CN106056659A (zh) | 2016-10-26 |
CN106056659B true CN106056659B (zh) | 2018-09-21 |
Family
ID=57175774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610368081.XA Expired - Fee Related CN106056659B (zh) | 2016-05-27 | 2016-05-27 | 车载激光扫描点云中建筑物角点空间位置自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056659B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845412B (zh) * | 2017-01-20 | 2020-07-10 | 百度在线网络技术(北京)有限公司 | 障碍物识别方法及装置、计算机设备及可读介质 |
CN106920207B (zh) * | 2017-03-13 | 2020-05-19 | 哈尔滨工程大学 | 一种基于硬件实现的空间平台像平面投影点实时计算的方法 |
CN107977968B (zh) * | 2017-12-22 | 2021-03-19 | 长江勘测规划设计研究有限责任公司 | 基于建筑物阴影信息挖掘的建筑物分层检测方法 |
CN110136156B (zh) * | 2018-02-02 | 2020-12-01 | 北京三快在线科技有限公司 | 一种多边形区域检测方法及装置 |
CN108416785B (zh) * | 2018-03-26 | 2020-08-11 | 北京进化者机器人科技有限公司 | 面向封闭空间的拓扑分割方法及装置 |
CN111723797B (zh) * | 2019-03-22 | 2024-04-16 | 北京京东乾石科技有限公司 | 一种确定三维目标的包围框的方法及系统 |
CN110619663A (zh) * | 2019-08-28 | 2019-12-27 | 山东科技大学 | 一种基于三维激光点云的视频影像目标定位方法 |
CN110728288B (zh) * | 2019-10-12 | 2022-06-28 | 上海高仙自动化科技发展有限公司 | 一种基于三维激光点云的角点特征提取方法及其应用 |
CN111754515B (zh) * | 2019-12-17 | 2024-03-01 | 北京京东乾石科技有限公司 | 堆叠物品的顺序抓取方法和装置 |
CN111696115B (zh) * | 2020-04-29 | 2023-04-14 | 山东省国土测绘院 | 一种基于点云扫描线的斑马线角点提取方法及系统 |
CN114399550B (zh) * | 2022-01-18 | 2024-06-07 | 中冶赛迪信息技术(重庆)有限公司 | 一种基于三维激光扫描的汽车鞍座提取方法及系统 |
CN116051980B (zh) * | 2022-12-13 | 2024-02-09 | 北京乾图科技有限公司 | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751695A (zh) * | 2008-12-10 | 2010-06-23 | 中国科学院自动化研究所 | 点云数据的主曲率和主方向估计方法 |
CN104156988A (zh) * | 2014-08-05 | 2014-11-19 | 陕西汇图测绘地理信息有限公司 | 基于迭代最小外包矩形的城区建筑物轮廓规则化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8295589B2 (en) * | 2010-05-20 | 2012-10-23 | Microsoft Corporation | Spatially registering user photographs |
-
2016
- 2016-05-27 CN CN201610368081.XA patent/CN106056659B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751695A (zh) * | 2008-12-10 | 2010-06-23 | 中国科学院自动化研究所 | 点云数据的主曲率和主方向估计方法 |
CN104156988A (zh) * | 2014-08-05 | 2014-11-19 | 陕西汇图测绘地理信息有限公司 | 基于迭代最小外包矩形的城区建筑物轮廓规则化方法 |
Non-Patent Citations (2)
Title |
---|
Algorithm for Constructing Building Triangulation Based on Airborne LiDAR data of Urban;Tian Maoyi et al;《2012 7TH INTERNATIONAL CONFERENCE ON SYSTEM OF SYSTEMS ENGINEERING (SOSE)》;20120716;第41-43页 * |
LIDAR数据不规则建筑物的矢量化;曾静静 等;《测绘工程》;20110831;第20卷(第4期);第60-62页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106056659A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056659B (zh) | 车载激光扫描点云中建筑物角点空间位置自动提取方法 | |
CN106204547B (zh) | 从车载激光扫描点云中自动提取杆状地物空间位置的方法 | |
CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
CN107792115B (zh) | 一种利用三维激光点云自动提取既有线轨顶高程方法 | |
Rottensteiner et al. | Results of the ISPRS benchmark on urban object detection and 3D building reconstruction | |
CN106680798B (zh) | 一种机载lidar航带重叠区冗余辨识及消除方法 | |
CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
CN103605978A (zh) | 基于三维实景数据的城市违章建筑识别系统及方法 | |
Albers et al. | Automatic extraction and regularization of building outlines from airborne LiDAR point clouds | |
CN113920266A (zh) | 城市信息模型语义信息人工智能生成方法和系统 | |
WO2023060632A1 (zh) | 基于点云数据的街景地物多维度提取方法和系统 | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
Lee et al. | Extraction and regularization of various building boundaries with complex shapes utilizing distribution characteristics of airborne LIDAR points | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
CN104751479A (zh) | 基于tin数据的建筑物提取方法和装置 | |
CN114937130B (zh) | 一种地形图测绘方法、装置、设备及存储介质 | |
Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
JP5577312B2 (ja) | データ解析装置、データ解析方法、及びプログラム | |
CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN104614729A (zh) | 一种激光雷达航带高程匹配质量分析方法 | |
Matsumoto et al. | Extraction and shape reconstruction of guardrails using mobile mapping data | |
CN116051771A (zh) | 一种基于无人机倾斜摄影模型的光伏bim屋顶自动建模方法 | |
CN114092805B (zh) | 一种基于建筑模型的机器狗识别裂痕方法 | |
CN107246863A (zh) | 一种不规则断面隧道内壁影像投影展开方法 | |
Xue et al. | Research of vehicle monocular measurement system based on computer vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180921 |