CN106952242A - 一种基于体素的渐进不规则三角网点云滤波方法 - Google Patents
一种基于体素的渐进不规则三角网点云滤波方法 Download PDFInfo
- Publication number
- CN106952242A CN106952242A CN201610002816.7A CN201610002816A CN106952242A CN 106952242 A CN106952242 A CN 106952242A CN 201610002816 A CN201610002816 A CN 201610002816A CN 106952242 A CN106952242 A CN 106952242A
- Authority
- CN
- China
- Prior art keywords
- point
- voxel
- point cloud
- echo
- ground
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种激光雷达(LiDAR)点云滤波方法,特别是一种基于体素的渐进不规则三角网点云滤波,适用于机载和地基雷达点云数据处理,属于激光雷达点云数据处理技术领域。包括以下步骤:加载LiDAR点云数据;对LiDAR点云数据进行预处理,并将点云数据进行分段组织和管理;确定LiDAR点云体素化的数学表达式,并对点云进行体素化处理;确定LiDAR点云多回波信息,保留单回波和多回波中的末次回波点;确定LiDAR点云渐进不规则三角网的数学表达式,并对点云进行滤波处理;确定LiDAR点云多回波信息,保留单回波和多回波中的末次回波点。本发明具有适应于复杂的地形表面,对于浓密植被区域、陡坡、不规则断裂区的探测敏感,生成高精度数字高程模型(DEM)的优势。
Description
技术领域
本发明涉及一种激光雷达(LiDAR)点云滤波方法,特别是一种基于体素的渐进不规则三角网点云滤波,适用于机载和地基雷达点云数据处理,属于激光雷达点云数据处理技术领域。
背景技术
激光雷达(Light Detection And Ranging,LiDAR)是一项通过由传感器所发出的激光来测定传感器和目标物之间距离的主动遥感技术。LiDAR数据在三维空间中呈不规则分布的点集,在三维空间的分布形态呈现离散的“点云”。为了生成高精度的数字高程模型和后续对地物提取和三维重建,必须对点云数据进行滤波,滤波的目的是分离地面点和非地面点,实质是对点云的距离信息进行处理。
根据地面点特征和滤波的原理,LiDAR点云滤波方法可以分为基于形态学滤波、逐渐加密的滤波、基于表面滤波和基于聚类滤波四类。然而,完全地分离地面点和非地面点是相当困难的,尤其对于具有各种不同地形特征的较大区域,因此,开发高效的LiDAR点云数据滤波算法是当前很有挑战性的主题。
当前滤波处理面临的挑战主要是:
(1)复杂场景下的高精度数字地面模型(DEM)的获取,对于地形断裂处、浓密植被覆盖处、陡坡处,现有的滤波效果较差,不能满足生产需求;
(2)滤波处理过程仍处于半自动化的处理方式,滤波的自动化、智能化处理仍具有较大难度。
发明内容
针对现有滤波方法复杂地形下滤波效果低的不足,本发明提出一种基于体素的渐进三角网不规则滤波方法,具有对浓密森林覆盖地形、陡坡、点云不规则断裂因素敏感的优势。
本发明解决其技术问题采取的技术方案是:一种基于体素的渐进不规则三角网点云滤波方法,其特征是,点云数据被正确分离成地面点和非地面点,所述方法包括以下步骤:
步骤一,加载LiDAR点云数据;
步骤二,对LiDAR点云数据进行预处理,并将点云数据进行分段组织和管理;
步骤三,确定LiDAR点云体素化的数学表达式,并对点云进行体素化处理;
步骤四,确定LiDAR点云多回波信息,保留单回波和多回波中的末次回波点;
步骤五,确定LiDAR点云渐进不规则三角网的数学表达式,并对点云进行滤波处理;
步骤六,确定LiDAR点云多回波信息,保留单回波和多回波中的末次回波点。
优选的,在步骤二中,假定在(l*w)区域内地形是平坦的,那么可将原始数据划分成个体积为的体素,寻找每个体素内的最低点,设定高程阈值和坡度阈值,将满足阈值的点加入到初步地面点中,经过上述操作,明显的植被点被剔除,以体素为单位,按权重计算每个体素的高程均值,将待处理体素与周围8个体素进行对比,如果满足则将待处理体素内的所有点标记为地面点,如果满足待处理体素高程均值小于任一或任几个邻域体素高程均值且待处理体素内的最低点高程值小于邻域体素任一或任几个邻域体素最低点高程值,则设置高程阈值,将满足条件的点加入到地面点集中。改变体素的尺寸,重复上述操作,直到所有的地面点加入到地面点集中。其中,是所有领域体素的高程均值,是任意领域体素的高程均值;是待处理体素最低点高程值,是任意领域体素的最低点高程值。
优选的,在步骤三中, LiDAR系统能够记录单回波和多回波信息,地面点信息包含在单回波和多回波的末次回波当中,利用回波信息,可以进一步优化地面点的选取。
优选的,在步骤四中,利用步骤三中的地面点构建Delauney三角网,生成初始不规则三角面(TIN)根据点到三角形表面的距离和待处理点到三个定点的角度最大者(在三角形表面和连接候选点和三角形顶点的线)来区别TIN表面的点是否为地面点,如果角度和距离小于阈值,该点加入到地面点,反之,判断待处理点的镜像点的角度和距离,将镜像点角度和距离小于阈值的点,加入到地面点中。
优选的,在步骤五中,对获取的种子点,进一步分析回波信息,优化获得的地面点。
本发明的有益效果如下:
本发明提供了一种基于体素的渐进不规则三角网点云滤波方法,适应于复杂的地形表面;
本发明提出了一种基于采用体素化和多回波信息获取种子点,获得的种子点更多,更为真实,同时不引起地形变化;
本发明提出了再渐进不规则三角网点云滤波后利用多回波信息优化地面点,获取的地面点更为真实,生成的DEM精度更高。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的方法流程图;
图2为体素化模型示意图;
图3(a)为实验数据一的示意图;
图 3(b)为实验数据一的基于体素的渐进不规则三角网滤波结果的示意图;
图4(a)为实验数据二的示意图;
图 4(b)为实验数据二的基于体素的渐进不规则三角网滤波结果的示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
针对高精度点云滤波的需要,本发明提供了一种基于体素的渐进不规则三角网滤波发明,提高了点云滤波精度,可适用于复杂地形的地基和机载雷达数据处理。
如图1所示,本发明的一种基于体素的渐进三角网不规则滤波方法,所述方法包括以下步骤:
步骤一,加载LiDAR点云数据;
步骤二,对LiDAR点云数据进行预处理,并将点云数据进行分段组织和管理;
步骤三,确定LiDAR点云体素化的数学表达式,并对点云进行体素化处理;
步骤四,确定点云多回波信息,保留单回波和多回波中的末次回波点;
步骤五,确定点云渐进不规则三角网的数学表达式,并对点云进行滤波处理;
步骤六,确定点云多回波信息,保留单回波和多回波中的末次回波点。
进一步地,所述步骤二具体包括以下步骤:
按照点云数据的高程值h,以0.1m为间隔对整个高程范围分段,分别统计各高程段LiDAR点数目,删除频数小于限差的点,并将剩余点云的滤波状态标记为“未滤波”。
进一步地,所述步骤三具体包括以下步骤:
①假定在(l*w)区域内地形是平坦的,那么可将原始数据划分成个体积为的体素,如图2(a)所示。寻找每个体素内的最低点,设定高程阈值和坡度阈值,计算待处理点到体素内最低点的角度和距离,将满足阈值的点加入到初步地面点中;
②以体素为单位,按权重计算每个体素的高程均值,将待处理体素与周围8个体素进行对比,如图2(b)所示。如果满足则将待处理体素内的所有点标记为地面点,如果满足待处理体素高程均值小于任一或任几个邻域体素高程均值且待处理体素内的最低点高程值小于邻域体素任一或任几个邻域体素最低点高程值,则设置高程阈值,将满足条件的点加入到地面点集中。
其中,是体素内任意点的高程值,是体素内最大高程值,是体素内最小高程值,n为体素内点个数,是所有领域体素的高程均值,是任意领域体素的高程均值;是待处理体素最低点高程值,是任意领域体素的最低点高程值;
③确定迭次次数,如果满足大于或等于最大迭代次数,结束体素化过程,否则进入步骤④;
④改变体素的尺寸,重复步骤①和步骤②,合并所有体素化获取的地面点加入到地面点集中。
进一步地,所述步骤四具体包括以下步骤:
读取步骤三获取的地面点数据的回波信息,判断其回波信息是以下四种类型否属于单次回波和多次回波中的末次回波,将满足条件的点加入到地面种子点中。
为了验证一种基于体素的渐进不规则三角网滤波方法的有效性,使用两组点云数据进行处理分析,两组实验数据均不存在粗差点,数据的基本情况如下:
(1)实验数据一,实验数据一的情况如图3(a)所示。位于张掖市大野口水库上游约7KM的祁连山区,数据来源于寒区旱区科学数据中心(http://westdc.westgis.ac.cn),山地地形相对简单,测区内青海云杉分布茂密,林龄组成结构主要为成熟林,地表覆盖物主要为苔藓,含有塌陷坑。
(2)实验数据二,实验数据二的情况如图4(a)所示。位于山脊处一中断的陡坡,地形复杂,含有零星的低矮植被。
实验在相同实验平台下,实验平台的配置:Lenovo G480笔记本,CPU为Intel Corei5-3210M,RAM为4.00 GB,装配Windows 7系统。
两组实验数据的滤波结果分别如图3(b)和图4(b)所示,从滤波的目视效果看,实验一剔除了植被,实验二剔除了植被,对陡坡处地形信息保留较为真实。
对于滤波效果的定量评价,采用了三个指标,误分地面点误差、误分地物点误差和总误差。使用本发明的滤波方法,实验一误分地面点误差为2.81%,误分地物点误差为2.11%,总误差为1.69%;实验二误分地面点误差为2.81%,误分地物点误差为2.11%,总误差为1.69%。
可见,本发明专利的方法取得了良好的效果,可以实现地面点和地物点的准确滤波,对于浓密植被区域、陡坡、不规则断裂区的探测敏感。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视为本发明的保护范围。
Claims (5)
1.一种基于体素的渐进不规则三角网点云滤波方法,其特征是,点云数据被正确分离成地面点和非地面点,所述方法包括以下步骤:
步骤一,加载LiDAR点云数据;
步骤二,对LiDAR点云数据进行预处理,并将点云数据进行分段组织和管理;
步骤三,确定LiDAR点云体素化的数学表达式,并对点云进行体素化处理;
步骤四,确定LiDAR点云多回波信息,保留单回波和多回波中的末次回波点;
步骤五,确定LiDAR点云渐进不规则三角网的数学表达式,并对点云进行滤波处理;
步骤六,确定LiDAR点云多回波信息,保留单回波和多回波中的末次回波点。
2.根据权利要求1所述的一种基于体素的渐进不规则三角网点云滤波方法,其特征是,在步骤二中,假定在(l*w)区域内地形是平坦的,那么可将原始数据划分成个体积为的体素,寻找每个体素内的最低点,设定高程阈值和坡度阈值,将满足阈值的点加入到初步地面点中,经过上述操作,明显的植被点被剔除,以体素为单位,按权重计算每个体素的高程均值,将待处理体素与周围8个体素进行对比,如果满足则将待处理体素内的所有点标记为地面点,如果满足待处理体素高程均值小于任一或任几个邻域体素高程均值且待处理体素内的最低点高程值小于邻域体素任一或任几个邻域体素最低点高程值,则设置高程阈值,将满足条件的点加入到地面点集中;改变体素的尺寸,重复上述操作,直到所有的地面点加入到地面点集中;其中,是所有领域体素的高程均值,是任意领域体素的高程均值;是待处理体素最低点高程值,是任意领域体素的最低点高程值。
3.根据权利要求1所述的一种基于体素的渐进不规则三角网点云滤波方法,其特征是,在步骤三中, LiDAR系统能够记录单回波和多回波信息,地面点信息包含在单回波和多回波的末次回波当中,利用回波信息,可以进一步优化地面点的选取。
4.根据权利要求1所述的一种基于体素的渐进不规则三角网点云滤波方法,其特征是,在步骤四中,利用步骤三中的地面点构建Delauney三角网,生成初始不规则三角面(TIN)根据点到三角形表面的距离和待处理点到三个定点的角度最大者(在三角形表面和连接候选点和三角形顶点的线)来区别TIN表面的点是否为地面点,如果角度和距离小于阈值,该点加入到地面点,反之,判断待处理点的镜像点的角度和距离,将镜像点角度和距离小于阈值的点,加入到地面点中。
5.根据权利要求1所述的一种基于体素的渐进不规则三角网点云滤波方法,其特征是,在步骤五中,对获取的种子点,进一步分析回波信息,优化获得的地面点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610002816.7A CN106952242A (zh) | 2016-01-06 | 2016-01-06 | 一种基于体素的渐进不规则三角网点云滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610002816.7A CN106952242A (zh) | 2016-01-06 | 2016-01-06 | 一种基于体素的渐进不规则三角网点云滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106952242A true CN106952242A (zh) | 2017-07-14 |
Family
ID=59465312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610002816.7A Pending CN106952242A (zh) | 2016-01-06 | 2016-01-06 | 一种基于体素的渐进不规则三角网点云滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106952242A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814125A (zh) * | 2017-11-21 | 2019-05-28 | 通用汽车环球科技运作有限责任公司 | 用于确定激光雷达点的速度的系统和方法 |
CN110222742A (zh) * | 2019-05-23 | 2019-09-10 | 星际空间(天津)科技发展有限公司 | 基于分层多回波的点云分割方法、装置、存储介质及设备 |
CN110726998A (zh) * | 2019-10-24 | 2020-01-24 | 西安科技大学 | 一种激光雷达扫描测定矿区采煤塌陷盆地的方法 |
CN111861946A (zh) * | 2020-08-03 | 2020-10-30 | 中国科学院空天信息创新研究院 | 自适应多尺度车载激光雷达稠密点云数据滤波方法 |
CN114063616A (zh) * | 2021-11-11 | 2022-02-18 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN115834062A (zh) * | 2023-02-20 | 2023-03-21 | 浙江奥鑫云科技有限公司 | 一种用于数据托管服务的企业数据传输加密方法 |
CN116627164A (zh) * | 2023-04-13 | 2023-08-22 | 北京数字绿土科技股份有限公司 | 一种基于地形高度的无人机仿地飞行控制方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927557A (zh) * | 2014-05-08 | 2014-07-16 | 中北大学 | 基于分层模糊证据合成的lidar数据地物分类方法 |
-
2016
- 2016-01-06 CN CN201610002816.7A patent/CN106952242A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927557A (zh) * | 2014-05-08 | 2014-07-16 | 中北大学 | 基于分层模糊证据合成的lidar数据地物分类方法 |
Non-Patent Citations (6)
Title |
---|
PETER AXELSSON: "Processing of laser scanner data—algorithms and applications", 《ISPRS JOURNAL OF PHOTOGRAMMETRY & REMOTE SENSING》 * |
唐菲菲等: "城区机载LIDAR数据滤波方法研究", 《激光技术》 * |
唐菲菲等: "基于体素的森林地区机载LiDAR数据DTM提取", 《北京林业大学学报》 * |
唐菲菲等: "基于机载LiDAR数据获取森林地区DTM新方法", 《武汉大学学报 信息科学版》 * |
殷飞: "机载激光雷达数据滤波方法研究", 《万方学位论文数据库》 * |
龚威平等: "从机载LiDAR点云数据中快速提取建筑物的方法研究", 《城市勘测》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814125A (zh) * | 2017-11-21 | 2019-05-28 | 通用汽车环球科技运作有限责任公司 | 用于确定激光雷达点的速度的系统和方法 |
CN110222742A (zh) * | 2019-05-23 | 2019-09-10 | 星际空间(天津)科技发展有限公司 | 基于分层多回波的点云分割方法、装置、存储介质及设备 |
CN110222742B (zh) * | 2019-05-23 | 2022-12-02 | 星际空间(天津)科技发展有限公司 | 基于分层多回波的点云分割方法、装置、存储介质及设备 |
CN110726998A (zh) * | 2019-10-24 | 2020-01-24 | 西安科技大学 | 一种激光雷达扫描测定矿区采煤塌陷盆地的方法 |
CN110726998B (zh) * | 2019-10-24 | 2020-08-07 | 西安科技大学 | 一种激光雷达扫描测定矿区采煤塌陷盆地的方法 |
CN111861946A (zh) * | 2020-08-03 | 2020-10-30 | 中国科学院空天信息创新研究院 | 自适应多尺度车载激光雷达稠密点云数据滤波方法 |
CN111861946B (zh) * | 2020-08-03 | 2023-03-28 | 中国科学院空天信息创新研究院 | 自适应多尺度车载激光雷达稠密点云数据滤波方法 |
CN114063616A (zh) * | 2021-11-11 | 2022-02-18 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN114063616B (zh) * | 2021-11-11 | 2024-03-01 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN115834062A (zh) * | 2023-02-20 | 2023-03-21 | 浙江奥鑫云科技有限公司 | 一种用于数据托管服务的企业数据传输加密方法 |
CN116627164A (zh) * | 2023-04-13 | 2023-08-22 | 北京数字绿土科技股份有限公司 | 一种基于地形高度的无人机仿地飞行控制方法和系统 |
CN116627164B (zh) * | 2023-04-13 | 2024-04-26 | 北京数字绿土科技股份有限公司 | 一种基于地形高度的无人机仿地飞行控制方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952242A (zh) | 一种基于体素的渐进不规则三角网点云滤波方法 | |
Koreň et al. | Accuracy of tree diameter estimation from terrestrial laser scanning by circle-fitting methods | |
CN105551082B (zh) | 一种基于激光点云的路面识别方法及装置 | |
CN104463164B (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 | |
CN102944174B (zh) | 一种三维激光点云数据的去噪与精简方法及系统 | |
CN106570468B (zh) | 一种重建LiDAR原始点云建筑物轮廓线的方法 | |
CN102930509B (zh) | 一种机载激光点云数据的智能化滤波方法 | |
CN106990401B (zh) | 基于全波形机载激光雷达数据二类高程误差修正方法 | |
CN103413133A (zh) | 无序激光点云数据中自动提取电力线方法 | |
CN102521835B (zh) | 一种基于空间三维模板的点云数据树高提取方法 | |
CN105488770A (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN102608620B (zh) | 一种依据反射强度与地形形态的激光扫描点云植被过滤方法 | |
CN104299260A (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
Jin et al. | A point-based fully convolutional neural network for airborne lidar ground point filtering in forested environments | |
CN108986024B (zh) | 一种基于网格的激光点云规则排列处理方法 | |
CN108919295A (zh) | 机载LiDAR点云道路信息提取方法及装置 | |
CN103745436A (zh) | 基于区域预测的LiDAR点云数据形态学滤波方法 | |
CN104731916A (zh) | 数据挖掘中基于密度优化初始中心的k均值聚类方法 | |
CN105844224A (zh) | 一种车载LiDAR 道路点云快速有序化方法 | |
CN103871102A (zh) | 一种基于高程点和道路轮廓面的道路三维精细建模方法 | |
CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
CN111340862A (zh) | 一种基于多特征融合的点云配准方法、装置及存储介质 | |
Hui et al. | Multi-level self-adaptive individual tree detection for coniferous forest using airborne LiDAR | |
Wang et al. | Combining trunk detection with canopy segmentation to delineate single deciduous trees using airborne LiDAR data | |
CN110348478B (zh) | 一种基于形状分类与组合的室外点云场景中树木提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170714 |