CN107977992A - 一种基于无人机激光雷达的建筑物变化检测方法及装置 - Google Patents

一种基于无人机激光雷达的建筑物变化检测方法及装置 Download PDF

Info

Publication number
CN107977992A
CN107977992A CN201711266848.9A CN201711266848A CN107977992A CN 107977992 A CN107977992 A CN 107977992A CN 201711266848 A CN201711266848 A CN 201711266848A CN 107977992 A CN107977992 A CN 107977992A
Authority
CN
China
Prior art keywords
depth
model
area
unmanned plane
laser radar
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
Application number
CN201711266848.9A
Other languages
English (en)
Inventor
李清泉
张亮
朱家松
毛庆洲
高峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201711266848.9A priority Critical patent/CN107977992A/zh
Publication of CN107977992A publication Critical patent/CN107977992A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0608—Height gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了一种基于无人机激光雷达的建筑物变化检测方法及装置，所述方法包括：基于无人机激光雷达系统获取待检测区域的点云深度图，并基于预设的城市三维模型获取待检测区域的模型深度图；对所述点云深度图与所述模型深度图进行配准，并获取配准后的点云深度图与模型深度图的深度差值图；对所述深度差值图进行聚类分析以得到目标区域，并根据所述目标区域得到检测结果。本发明通过将基于无人机激光雷达系统获取的激光点云生成的点云深度图与基于城市三维建筑物模型生成的模型深度图进行比对，可实时自动检测出建筑变化的目标区域，使得建筑物变化的检测不受环境的影响，提高了检测的精度。

Description

一种基于无人机激光雷达的建筑物变化检测方法及装置
技术领域
本发明涉及建筑三维变化检测技术领域，特别涉及一种基于无人机激光雷达的建筑物变化检测方法及装置。
背景技术
随着我国城市化、工业化和信息化的进一步推进，建设用地开发利用的程度越来越大，违法占用土地、违规进行建筑的现象十分普遍，严重影响土地的合理有效利用及城市的可持续发展，给城市正常管理工作带来一定的阻碍。实时、动态、准确掌握城镇建设用地利用现状及建筑物变更状况，快速发现违法建筑并及时制止违法建设行为，是加强城市规划和土地资源动态管理、确保土地利用总体规划和城市总体规划顺利实施的必要前提条件。
基于遥感技术的城市变化检测技术是城市违法建筑和监测的基础。目前常用的方法是借助高分辨率无人机遥感影像或遥感卫星影像，从不同时间获取的影像中通过一定的算法自动检测并获取变化图斑，再结合外业核查变化图斑情况，从而实现对违法建筑和的智能监测。
目前已有许多学者提出了多种利用遥感影像进行变化检测的方法，并且各方法用于判断建筑物变化的特征主要包括地物光谱特征和影像纹理特征。基于光谱特征的变化检测一般包括地物光谱特征采集和光谱校正，但绝大多数光谱影像的空间分辨率不高，从而基于光谱特征不能检测出较小的变化区域。同时，光谱特征易受外界的影响，如季节的变化、天气的变化、植被状况变化等等，容易产生“伪变化信息”。基于纹理特征的变化检测需要经过纹理特征提取、傅里叶变换、主成分分析、阀值分割等一系列步骤，过程十分繁琐。同时，纹理特征易受阴影、光照等外界环境的干扰，造成“伪变化信息”。此外，所述光谱特征以及纹理特征均是直接从二维平面影像中提取出来的二维空间特征，而忽视了违法建筑在高程上的变化，造成建筑变化检测结果不准确。
因而现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的不足，提供一种基于无人机激光雷达的建筑物变化检测方法及装置，以解决现有建筑物变化检测方法存在的检测不准确的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
一种基于无人机激光雷达的建筑物变化检测方法，其包括：
基于无人机激光雷达系统获取待检测区域的点云深度图，并基于预设的城市三维模型获取待检测区域的模型深度图；
对所述点云深度图与所述模型深度图进行配准，并获取配准后的点云深度图与模型深度图的深度差值图；
对所述深度差值图进行聚类分析以得到目标区域，并根据所述目标区域得到检测结果。
所述基于无人机激光雷达的建筑物变化检测方法，其中，所述基于无人机激光雷达系统获取待检测区域的点云深度图，并基于预设的城市三维模型获取待检测区域的模型深度图具体包括：
采用无人机激光雷达系统获取待检测区域的三维激光点云，并在预设的城市三维模型中选取待检测区域的区域三维模型；
分别对三维激光点云以及区域三维模型进行网格划分，并分别获取各网格的深度值；
根据三维激光点云对应的网格的深度值生成点云深度图，并根据区域三维模型对应的网格的深度值生成模型深度图。
所述基于无人机激光雷达的建筑物变化检测方法，其中，所述对所述点云深度图与所述模型深度图进行配准具体包括：
在所述点云深度图中选取若干第一点，并在所述模型深度图中选取相应的若干第二点；
根据所述若干第一点和若干第二点计算点云深度图相对于模型深度图的配准参数，并根据所述配准参数对所述点云深度图进行配准。
所述基于无人机激光雷达的建筑物变化检测方法，其中，根据所述若干第一点和若干第二点计算点云深度图相对于模型深度图的配准参数的计算公式为：
XM＝R·XP+T
其中，XM表示模型深度图的所有第二点坐标集，XP表示点云深度图的所有第一点的坐标集，T表示点云深度图向模型深度图配准的二维平移向量，R表示点云深度图向模型深度图配准的旋转矩阵。
所述基于无人机激光雷达的建筑物变化检测方法，其中，所述获取配准后的点云深度图与模型深度图的深度差值图具体为：
对所述点云深度图与所述模型深度图进行逐像素求差，并根据计算得到的各像素差生成深度差值图。
所述基于无人机激光雷达的建筑物变化检测方法，其中，所述对所述深度差值图进行聚类分析以得到目标区域，并根据所述目标区域得到检测结果具体包括：
采用预设聚类方法对所述深度差值图进行聚类分析，以得到各候选区域；
根据预设区域在得到的所有各候选区域内选取目标区域，并根据选取得到的目标区域得到检测结果。
所述基于无人机激光雷达的建筑物变化检测方法，其中，所述根据预设区域在得到的所有各候选区域内选取目标区域，并根据选取得到的目标区域得到检测结果具体包括：
分别获取各候选区域的第一面积，并分别将各第一面积与预设区域的第二面积进行比较；
当第一面积大于等于第二面积时，将所述第一面积对应候选区域设置为目标区域，并根据选取得到的目标区域得到检测结果；
当所述第一面积小于第二面积时，丢弃所述第一面积对应的候选区域。
所述的基于无人机激光雷达的建筑物变化检测方法，其中，所述检测结果包括建筑物变化的面积以及高度。
一种存储介质，其特征在于，其存储有多条指令，所述指令适于由处理器加载并执行如上任一所述的基于无人机激光雷达的建筑物变化检测方法的步骤。
一种基于无人机激光雷达的建筑物变化检测装置，其包括：
处理器，适于实现各指令；以及
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行如上任一所述的基于无人机激光雷达的建筑物变化检测方法的步骤。
有益效果：与现有技术相比，本发明提供了一种应基于无人机激光雷达的建筑物变化检测方法及装置，所述方法包括：基于无人机激光雷达系统获取待检测区域的点云深度图，并基于预设的城市三维模型获取待检测区域的模型深度图；对所述点云深度图与所述模型深度图进行配准，并获取配准后的点云深度图与模型深度图的深度差值图；对所述深度差值图进行聚类分析以得到目标区域，并根据所述目标区域得到检测结果。本发明通过将基于无人机激光雷达系统获取的激光点云生成的点云深度图与基于城市三维建筑物模型生成的模型深度图进行比对，可实时自动检测出建筑变化的目标区域，使得建筑物变化的检测不受环境的影响，提高了检测的精度。此外，本发明可以得到实际变化区域的面积以及建筑物变化的高度，提高了检测的准确性。
附图说明
图1为本发明提供的基于无人机激光雷达的建筑物变化检测方法较佳实施例的流程图。
图2为本发明提供的基于无人机激光雷达的建筑物变化检测装置较佳实施例的结构原理图。
具体实施方式
本发明提供一种基于无人机激光雷达的建筑物变化检测方法及装置，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
下面结合附图，通过对实施例的描述，对发明内容作进一步说明。
请参照图1，图1为本发明提供的基于无人机激光雷达的建筑物变化检测方法的较佳实施例的流程图。所述方法包括：
S10、基于无人机激光雷达系统获取待检测区域的点云深度图，并基于预设的城市三维模型获取待检测区域的模型深度图。
具体地，所述无人机激光雷达系统为在无人机上装置激光雷达系统，并通过无人机航拍获取待检测区域的三维激光点云。当然，所述无人机对待检测区域进行航拍时，所述无人机的航拍高度保持一致。也就是说，在无人机航拍待检测区域时，所述无人机相对于地平面的飞行高度不变，这样可以提高根据所述三维激光点云得到的点云深度图的准确性。所述城市三维模型为预先建立的，其可以通过手工建模、无人机航拍或者卫星立体测图等方式获得。在本实施例中，根据城市三维模型得到的模型深度图为检测建筑物变化的依据，从而为了提供城市三维模型的实时性和准确，可以每间隔预设更新城市三维模型。
同时在本实施例中，通过无人机雷达激光系统获取到待检测区域的三维激光点云包括成千上万个三维点，各三维点均可以采用一个三维坐标(x，y，h)来表示(其中，x、y分别为水平面上的坐标，h表示高度)，并根据所述千上万个三维点可以形成待检测区域的点云深度图。但由于三维激光点云包含的三维点的数量过大，而直接以各三维点单元生成点云深度图，需要耗费大量的时间；并且在得到的点云深度图中，各像素点的变化范围较小，而影响点云深度图与模型深度图的比较。因此，可以在获取到三维激光点云后，可以将三维激光点云进行网格话后，并将网格化得到的各网格作为单元点，再以各单元点为像素生成点云深度图。
相应的，在本实施例中，所述基于无人机激光雷达系统获取待检测区域的点云深度图，并基于预设的城市三维模型获取待检测区域的模型深度图具体包括：
S11、采用无人机激光雷达系统获取待检测区域的三维激光点云，并在预设的城市三维模型中选取待检测区域的区域三维模型。
具体地，所述待检测区域可以为整座城市，也可以为城市的一部分。相应的，在预设的城市三维模型中选取待检测区域的区域三维模型可以为根据待检测区域与整座城市的位置关系在预设的城市三维模型中选取待检测区域对应的区域三维模型。
S12、分别对三维激光点云以及区域三维模型进行网格划分，并分别获取各网格的深度值。
具体地，所述对三维激光点云进行网格划分是以预设长度对单位对待检测区域进行网格化，以将待检测区域的划分为若干单元格，再根据网格化后的待检测区域将三维激光点云进行相应划分，以得各单元格对应的三维激光点云。然后，分别计算各单元格包含的三维点的高度，并将计算得到的高度记为该单元格的高度hg。在本实施例中，将各单元格的平均高度作为单元格的高度。当然，在实际应用中，可以将各单元格的最高高度/最低高度最为单元格高度。
同时在本实施例中，在将所述待检测区域网格化后，根据网格化后的待测区域将区域三维模型进行网格划分，并将计算划分后的各网格的高度，记为hm；并且所述区域三维模型的网格的高度计算方法与三维激光点云的网格的高度计算方法相应，以提高比较的准确性。
进一步，在获取到三维激光点云的各网格的高度后，将每个网格作为一个像素，计算每个网格的深度值，记为Dp。所述Dp的计算公式可以为：
其中，H表示无人机航拍高度。
相应的，采用同样的方法可以计算得到区域三维模型的各网格的深度值，记为DM。所述DM的计算公式可以为：
其中，H表示无人机航拍高度。
S13、根据三维激光点云对应的网格的深度值生成点云深度图，并根据区域三维模型对应的网格的深度值生成模型深度图。
具体地，所述深度值表示一个像素点的像素值，从而根据三维激光点云的网格的深度值得到点云深度图；相应的，根据区域三维模型对也得网格的深度值得到模型深度图。
S20、对所述点云深度图与所述模型深度图进行配准，并获取配准后的点云深度图与模型深度图的深度差值图。
具体地，由于三维激光点云以及区域三维模型均可存在一定的坐标误差，从而为了提高比较的精确度，在获取深度差值图之前可以以模型深度图的坐标系为基础，对所述点云深度图的坐标系进行变化以进行配准，以减少点云深度图的坐标系与模型深度图的坐标系之间的误差。
示例性的，所述对所述点云深度图与所述模型深度图进行配准具体包括：
S21、在所述点云深度图中选取若干第一点，并在所述模型深度图中选取相应的若干第二点。
具体地，所述第一点和第二点为同名点，即第一点和第二点处于待检测区域的同一位置。所述第一点的数量与第二点的数量相同，优选的，所述第一点的数量大于3。同时，在本实施例中，所述点云深度图以及模型深度图均是以网格化得到的网格为单元格的，相应的，所述第一点和第二点也分别表示为单元格。在实际应用中，所述同名点的选取可以通过手工点选，也可以利用s ift算子选取。
S22、根据所述若干第一点和若干第二点计算点云深度图相对于模型深度图的配准参数，并根据所述配准参数对所述点云深度图进行配准。
具体地，所述配准参数包括平移量以及旋转矩阵，即通过平移与旋转将第一点变化到第二点。相应的，所述第一点和第二点之间存在一个映射，即将同名的第一点映射至第二点。在本实施例中，所述第一点与第二点之间的映射关系可以表示为：
XM＝R·XP+T
其中，XM表示模型深度图的所有第二点坐标集，XP表示点云深度图的所有第一点的坐标集，T表示点云深度图向模型深度图配准的二维平移向量，R表示点云深度图向模型深度图配准的旋转矩阵。
进一步，在以模型深度图为基准对点云深度图进行配准后，根据点云深度图以及以及模型深度图获取两者的深度差值图。在本实施例中，所述获取配准后的点云深度图与模型深度图的深度差值图具体为：对所述点云深度图与所述模型深度图进行逐像素求差，并根据计算得到的各像素差生成深度差值图。
S30、对所述深度差值图进行聚类分析以得到目标区域，并根据所述目标区域得到检测结果。
具体地，所述聚类分析采用现有的聚类方法进行聚类分析，例如，采用八邻域或四邻域搜索的方法等。并且在聚类完成后，根据个聚类区域的面积确定目标区域，在根据深度差值图的面积与实际面积的对应关系来计算检测结果。
示例性的，所述对所述深度差值图进行聚类分析以得到目标区域，并根据所述目标区域得到检测结果具体包括：
S31、采用预设聚类方法对所述深度差值图进行聚类分析，以得到各候选区域。
S32、根据预设区域在得到的所有各候选区域内选取目标区域，并根据选取得到的目标区域得到检测结果。
具体地，所述预设聚类方法可以为八邻域或四邻域搜索的方法。所述预设区域在所述各候选区域内选取目标区域为将各候选区域与预设区域进行比较，根据比较结果选取目标区域。在确定目标区域后，根据深度差值图的面积与实际面积的换算公式计算实际变化面积以及实际变化高度。在本实施例中，所述深度差值图的面积与实际面积的换算公式为：
其中，为实际的变化面膜，S为目标区域的编辑，δ为网格化的单位长度。
所述深度差值与实际高度变化值的换算公式为：
其中，Δh为实际的高度变化值，H为航拍高度，ΔD＝DP-DM为点云深度图与模型深度图的深度差。
进一步，根据根据预设区域在得到的所有各候选区域内选取目标区域为将各候选区域的面积与预设区域的面积进行比较，以选取目标区域。相应的，所述根据预设区域在得到的所有各候选区域内选取目标区域，并根据选取得到的目标区域得到检测结果具体包括：
S321、分别获取各候选区域的第一面积，并分别将各第一面积与预设区域的第二面积进行比较；
S322、当第一面积大于等于第二面积时，将所述第一面积对应候选区域设置为目标区域，并根据选取得到的目标区域得到检测结果；
S323、当所述第一面积小于第二面积时，丢弃所述第一面积对应的候选区域。
基于上述基于无人机激光雷达的建筑物变化检测方法，本发明还提供了一种存储介质，其存储有多条指令，所述指令适于由处理器加载并执行如上任一所述的基于无人机激光雷达的建筑物变化检测方法的步骤
基于上述基于无人机激光雷达的建筑物变化检测方法，本发明还提供了一种基于无人机激光雷达的建筑物变化检测装置，如图2所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据基于无人机激光雷达的建筑物变化检测装置的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及基于无人机激光雷达的建筑物变化检测装置中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于无人机激光雷达的建筑物变化检测方法，其特征在于，其包括：
基于无人机激光雷达系统获取待检测区域的点云深度图，并基于预设的城市三维模型获取待检测区域的模型深度图；
对所述点云深度图与所述模型深度图进行配准，并获取配准后的点云深度图与模型深度图的深度差值图；
对所述深度差值图进行聚类分析以得到目标区域，并根据所述目标区域得到检测结果。
2.根据权利要求1所述基于无人机激光雷达的建筑物变化检测方法，其特征在于，所述基于无人机激光雷达系统获取待检测区域的点云深度图，并基于预设的城市三维模型获取待检测区域的模型深度图具体包括：
采用无人机激光雷达系统获取待检测区域的三维激光点云，并在预设的城市三维模型中选取待检测区域的区域三维模型；
分别对三维激光点云以及区域三维模型进行网格划分，并分别获取各网格的深度值；
根据三维激光点云对应的网格的深度值生成点云深度图，并根据区域三维模型对应的网格的深度值生成模型深度图。
3.根据权利要求1所述基于无人机激光雷达的建筑物变化检测方法，其特征在于，所述对所述点云深度图与所述模型深度图进行配准具体包括：
在所述点云深度图中选取若干第一点，并在所述模型深度图中选取相应的若干第二点；
根据所述若干第一点和若干第二点计算点云深度图相对于模型深度图的配准参数，并根据所述配准参数对所述点云深度图进行配准。
4.根据权利要求3所述基于无人机激光雷达的建筑物变化检测方法，其特征在于，根据所述若干第一点和若干第二点计算点云深度图相对于模型深度图的配准参数的计算公式为：
XM＝R·XP+T
其中，XM表示模型深度图的所有第二点坐标集，XP表示点云深度图的所有第一点的坐标集，T表示点云深度图向模型深度图配准的二维平移向量，R表示点云深度图向模型深度图配准的旋转矩阵。
5.根据权利要求1所述基于无人机激光雷达的建筑物变化检测方法，其特征在于，所述获取配准后的点云深度图与模型深度图的深度差值图具体为：
对所述点云深度图与所述模型深度图进行逐像素求差，并根据计算得到的各像素差生成深度差值图。
6.根据权利要求1所述基于无人机激光雷达的建筑物变化检测方法，其特征在于，所述对所述深度差值图进行聚类分析以得到目标区域，并根据所述目标区域得到检测结果具体包括：
采用预设聚类方法对所述深度差值图进行聚类分析，以得到各候选区域；
根据预设区域在得到的所有各候选区域内选取目标区域，并根据选取得到的目标区域得到检测结果。
7.根据权利要求6所述基于无人机激光雷达的建筑物变化检测方法，其特征在于，所述根据预设区域在得到的所有各候选区域内选取目标区域，并根据选取得到的目标区域得到检测结果具体包括：
分别获取各候选区域的第一面积，并分别将各第一面积与预设区域的第二面积进行比较；
当第一面积大于等于第二面积时，将所述第一面积对应候选区域设置为目标区域，并根据选取得到的目标区域得到检测结果；
当所述第一面积小于第二面积时，丢弃所述第一面积对应的候选区域。
8.根据权利要求1或6所述的基于无人机激光雷达的建筑物变化检测方法，其特征在于，所述检测结果包括建筑物变化的面积以及高度。
9.一种存储介质，其特征在于，其存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-8任一所述的基于无人机激光雷达的建筑物变化检测方法的步骤。
10.一种基于无人机激光雷达的建筑物变化检测装置，其特征在于，其包括：
处理器，适于实现各指令；以及
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-8任一所述的基于无人机激光雷达的建筑物变化检测方法的步骤。
CN201711266848.9A 2017-12-05 2017-12-05 一种基于无人机激光雷达的建筑物变化检测方法及装置 Pending CN107977992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711266848.9A CN107977992A (zh) 2017-12-05 2017-12-05 一种基于无人机激光雷达的建筑物变化检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711266848.9A CN107977992A (zh) 2017-12-05 2017-12-05 一种基于无人机激光雷达的建筑物变化检测方法及装置

Publications (1)

Publication Number Publication Date
CN107977992A true CN107977992A (zh) 2018-05-01

Family

ID=62009310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711266848.9A Pending CN107977992A (zh) 2017-12-05 2017-12-05 一种基于无人机激光雷达的建筑物变化检测方法及装置

Country Status (1)

Country Link
CN (1) CN107977992A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827306A (zh) * 2018-05-31 2018-11-16 北京林业大学 一种基于多传感器融合的无人机slam导航方法及系统
CN109343572A (zh) * 2018-12-20 2019-02-15 深圳市道通智能航空技术有限公司 一种无人机自主降落方法、装置及无人机
CN109509256A (zh) * 2018-06-21 2019-03-22 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
WO2020107174A1 (zh) * 2018-11-26 2020-06-04 深圳市大疆创新科技有限公司 地面点云地图精度评估方法、装置、系统及无人机
CN111323768A (zh) * 2020-02-26 2020-06-23 北京佳格天地科技有限公司 建筑物变化的识别方法、装置、终端及存储介质
CN111382637A (zh) * 2018-12-29 2020-07-07 深圳市优必选科技有限公司 行人检测跟踪方法、装置、终端设备及介质
CN112649813A (zh) * 2020-12-15 2021-04-13 北京星天地信息科技有限公司 重要场所室内安全检查的方法、检查设备、机器人及终端
CN112946679A (zh) * 2021-02-01 2021-06-11 王栋 一种基于人工智能的无人机测绘果冻效应检测方法及系统
CN113111887A (zh) * 2021-04-26 2021-07-13 河海大学常州校区 一种基于相机和激光雷达信息融合的语义分割方法及系统
CN113269236A (zh) * 2021-05-10 2021-08-17 青岛理工大学 基于多模型集成的装配体变化检测方法、设备和介质
CN113720325A (zh) * 2021-09-14 2021-11-30 阿里巴巴达摩院(杭州)科技有限公司 环境变化检测方法、装置、电子设备及计算机存储介质
CN113870192A (zh) * 2021-09-03 2021-12-31 佛山中科云图智能科技有限公司 一种基于高度变化检测的违建点获取方法和获取系统
CN117288115A (zh) * 2023-11-23 2023-12-26 中信重工开诚智能装备有限公司 一种基于激光点云的巡检机器人巷道形变检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201022708A (en) * 2008-12-11 2010-06-16 Univ Nat Central Method of change detection for building models
CN104049245A (zh) * 2014-06-13 2014-09-17 中原智慧城市设计研究院有限公司 基于LiDAR点云空间差异分析的城市建筑物变化检测方法
CN106875467A (zh) * 2015-12-11 2017-06-20 中国科学院深圳先进技术研究院 三维城市模型快速更新方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201022708A (en) * 2008-12-11 2010-06-16 Univ Nat Central Method of change detection for building models
US8462992B2 (en) * 2008-12-11 2013-06-11 National Central University Method of change detection for building models
CN104049245A (zh) * 2014-06-13 2014-09-17 中原智慧城市设计研究院有限公司 基于LiDAR点云空间差异分析的城市建筑物变化检测方法
CN106875467A (zh) * 2015-12-11 2017-06-20 中国科学院深圳先进技术研究院 三维城市模型快速更新方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张良: "基于多时相机载LiDAR数据的三维变化检测关键技术研究", 《中国博士学位论文全文数据库 基础科学辑》 *
王云: "基于光学图像和机载激光雷达的建筑物变化立体检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827306A (zh) * 2018-05-31 2018-11-16 北京林业大学 一种基于多传感器融合的无人机slam导航方法及系统
CN109509256A (zh) * 2018-06-21 2019-03-22 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
CN111465822A (zh) * 2018-11-26 2020-07-28 深圳市大疆创新科技有限公司 地面点云地图精度评估方法、装置、系统及无人机
WO2020107174A1 (zh) * 2018-11-26 2020-06-04 深圳市大疆创新科技有限公司 地面点云地图精度评估方法、装置、系统及无人机
CN109343572A (zh) * 2018-12-20 2019-02-15 深圳市道通智能航空技术有限公司 一种无人机自主降落方法、装置及无人机
CN109343572B (zh) * 2018-12-20 2021-07-30 深圳市道通智能航空技术股份有限公司 一种无人机自主降落方法、装置及无人机
CN111382637A (zh) * 2018-12-29 2020-07-07 深圳市优必选科技有限公司 行人检测跟踪方法、装置、终端设备及介质
CN111382637B (zh) * 2018-12-29 2023-08-08 深圳市优必选科技有限公司 行人检测跟踪方法、装置、终端设备及介质
CN111323768B (zh) * 2020-02-26 2023-12-12 北京佳格天地科技有限公司 建筑物变化的识别方法、装置、终端及存储介质
CN111323768A (zh) * 2020-02-26 2020-06-23 北京佳格天地科技有限公司 建筑物变化的识别方法、装置、终端及存储介质
CN112649813A (zh) * 2020-12-15 2021-04-13 北京星天地信息科技有限公司 重要场所室内安全检查的方法、检查设备、机器人及终端
CN112946679A (zh) * 2021-02-01 2021-06-11 王栋 一种基于人工智能的无人机测绘果冻效应检测方法及系统
CN112946679B (zh) * 2021-02-01 2023-12-22 王栋 一种基于人工智能的无人机测绘果冻效应检测方法及系统
CN113111887A (zh) * 2021-04-26 2021-07-13 河海大学常州校区 一种基于相机和激光雷达信息融合的语义分割方法及系统
CN113269236A (zh) * 2021-05-10 2021-08-17 青岛理工大学 基于多模型集成的装配体变化检测方法、设备和介质
CN113269236B (zh) * 2021-05-10 2022-04-01 青岛理工大学 基于多模型集成的装配体变化检测方法、设备和介质
CN113870192A (zh) * 2021-09-03 2021-12-31 佛山中科云图智能科技有限公司 一种基于高度变化检测的违建点获取方法和获取系统
CN113720325A (zh) * 2021-09-14 2021-11-30 阿里巴巴达摩院(杭州)科技有限公司 环境变化检测方法、装置、电子设备及计算机存储介质
CN113720325B (zh) * 2021-09-14 2024-05-17 阿里巴巴达摩院(杭州)科技有限公司 环境变化检测方法、装置、电子设备及计算机存储介质
CN117288115A (zh) * 2023-11-23 2023-12-26 中信重工开诚智能装备有限公司 一种基于激光点云的巡检机器人巷道形变检测方法

Similar Documents

Publication Publication Date Title
CN107977992A (zh) 一种基于无人机激光雷达的建筑物变化检测方法及装置
CN109829399B (zh) 一种基于深度学习的车载道路场景点云自动分类方法
CN110084195B (zh) 基于卷积神经网络的遥感图像目标检测方法
Yang et al. An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds
CN108491757B (zh) 基于多尺度特征学习的光学遥感图像目标检测方法
WO2020134082A1 (zh) 一种路径规划方法、装置和移动设备
CN104392486B (zh) 一种点云场景重建方法
CN108875595A (zh) 一种基于深度学习和多层特征融合的驾驶场景目标检测方法
CN107784663A (zh) 基于深度信息的相关滤波跟踪方法及装置
CN106650640A (zh) 一种基于激光雷达点云局部结构特征的负障碍物检测方法
Liu et al. An object-based conceptual framework and computational method for representing and analyzing coastal morphological changes
CN105550199A (zh) 一种基于多源地图的点位聚合方法及装置
CN103886216B (zh) 一种基于地质矢量信息的多点地质统计方法
CN111339947A (zh) 遥感影像模糊边界地物的提取方法及系统、存储介质、设备
CN107247926B (zh) 一种人体检测方法及装置
CN106842193A (zh) 道路检测信息的处理方法、装置和系统
CN111754618B (zh) 一种面向对象的实景三维模型多层次解译方法及系统
CN109766824B (zh) 基于模糊证据理论的主被动遥感数据融合分类方法
CN112528508B (zh) 电磁可视化方法和装置
Wang et al. The isotropic organization of DEM structure and extraction of valley lines using hexagonal grid
CN104318611A (zh) 一种基于激光扫描点云的三维树木重建方法
CN105447452A (zh) 一种基于地物空间分布特征的遥感亚像元制图方法
CN106780551A (zh) 一种三维运动目标检测方法和系统
CN104751479A (zh) 基于tin数据的建筑物提取方法和装置
Xu et al. Building height calculation for an urban area based on street view images and deep learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180501

RJ01 Rejection of invention patent application after publication