CN108256417A - 基于室外场景点云数据处理的违章建筑识别方法 - Google Patents
基于室外场景点云数据处理的违章建筑识别方法 Download PDFInfo
- Publication number
- CN108256417A CN108256417A CN201711248352.9A CN201711248352A CN108256417A CN 108256417 A CN108256417 A CN 108256417A CN 201711248352 A CN201711248352 A CN 201711248352A CN 108256417 A CN108256417 A CN 108256417A
- Authority
- CN
- China
- Prior art keywords
- point
- data
- point cloud
- building
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于室外场景点云数据的违章建筑识别方法。其实现方案包括:1.压缩已获得建设工程规划许可证且不包含违章建筑的场景的点云数据;2.滤除压缩后点云数据中的地面点,并对滤除地面点后的点云数据分割分类,将结果保存为前期数据;3.对待核查区域室外场景点云数据进行压缩,滤除压缩后的待核查区域点云数据中的地面点;4.将滤除地面点后的同区域场景点云数据分割分类,将结果保存为后期数据;5.对比同区域内前期数据和后期数据中建筑物的位置及大小差异,若建筑物的差异超过法律规定值,且其无最新建设工程规划许可证,则认定此类别建筑违章。本发明不需额外采集对应室外场景的二维图像或高程信息,即可识别出违章建筑。
Description
技术领域
本发明属于图形信息处理技术领域,具体涉及一种违章建筑识别方法,可用于数字化城市管理建设系统,加速城市现代化建设有序发展。
技术背景
违章建筑行为严重制约着城市现代化的有序发展,因此尽早发现违章建筑并对其实行拆违监控具有重要的意义。现有对违章建筑的识别主要为人工定期检查建筑物的许可证和基于图像数据信息处理的识别方法。基于图像数据信息处理识别违章建筑的方法可以代替人力从事危险、单调及重复性强的劳动,其方法总体分为两类。
第一类方法是将二维图像信息与高程信息结合,对人工建筑物进行提取,再与同区域的数字表面模型DSM等辅助数据进行数据对比,如使用基于高分辨率的2D图像和图像变化检测技术,将数字表面模型和提取的人工建筑物进行对比来识别违章建筑。这种方法计算结果较为精确但计算量较大,计算速度也有待提高。
第二类方法是先分析遥感图像的灰度信息,光谱信息,建筑物形态信息等,再进行二维影像中建筑物的变化检测,即对不同时相的遥感图像加工处理,但这种方法缺乏对识别建筑有效的高度信息,而且建筑物会受到其他自然目标的遮挡,有时建筑物的阴影灰度会与建筑物本身的灰度相近,因此识别准确率没有第一种方法高。
同时由于两类方法都是通过处理二维图像并结合辅助数据进行检测的,因而成本较高,使得其应用范围受到了限制。
发明内容
本发明的目的在于针对上述已有识别方法的缺点,提出一种基于室外场景点云数据的违章建筑判别方法,以降低成本、减小存储数据量、提高计算速度。
本发明的技术方案是通过压缩、分割、对比等方式处理室外场景点云数据,识别出未认证的违章建筑,其实现步骤包括如下:
(1)处理已获得建设工程规划许可证且不包含违章建筑的场景点云数据:
(1a)对已获得建设工程规划许可证的不包含违章建筑区域室外场景的点云原始数据进行压缩,滤除点云数据中的地面点;
(1b)对滤除地面点后剩下建筑物的点云数据分割分类,并将分类结果保存为前期数据;
(2)处理规定年限后待核查的同一区域场景点云数据:
(2a)压缩待核查的同一区域室外场景点云原始数据,滤除点云数据中的地面点;
(2b)对滤除地面点剩下的建筑物点云分割分类,并将分类结果保存为后期数据;
(3)将后期数据与前期数据相对比,即对比相同地理区域内前期数据和后期数据建筑物的位置及大小差异,若建筑物的差异超过法律规定值,且其无最新建设工程规划许可证,则认定此类别建筑违章。
本发明具有如下优点:
1)由于本发明只需通过处理单独的点云数据,即可对建筑进行分类识别,不需要额外增加数字地形模型DTM、数字表面模型DSM、二维图像等辅助数据信息,因此大大降低了识别违章建筑的复杂度和成本。
2)本发明通过处理三维点云数据进行识别,克服了二维图像较难识别视觉伪装后的建筑物,因此增加了识别的准确度。
附图说明
图1为本发明的实现流程图;
图2为本发明中压缩点云数据方式的示意图;
图3为本发明中对前期数据的原始点云数据压缩后的点云效果图;
图4为对图3数据滤除地面点后的点云效果图;
图5为本发明中对规定年限后待核查的同一区域场景点云数据分割分类的俯视效果图;
图6为本发明中对已获得建设工程规划许可证且不包含违章建筑的场景点云数据分割分类俯视效果图;
图7为对图5数据的分类结果用最小长方体框架框起的俯视效果图;
图8为本发明中将后期数据与前期数据对比后认定出的违章建筑。
具体实施方式
以下结合附图对本发明作详细描述:
本发明在Intel(R)Core(TM)i5-3470CPU@3.20GHz,3.60G内存的电脑上,采用Point Cloud Library库,对室外场景点云数据完成仿真实验。
参照图1,本发明的实现如下:
步骤1,对已获得建设工程规划许可证的不包含违章建筑区域室外场景的点云原始数据进行压缩。
(1.1)通过点云数据采集设备如无人机机载超声波雷达或激光雷达等对室外场景进行点云信息采集,将点云数据以空间点的形式记录下来,获得原始点云数据集Po,Po={po1,po2,...,poi,...,pon},poi表示原始点云数据集中第i个数据点,i=1,2...n,n为Po中的点云总数,每个数据点记录了自身所在位置的三维坐标值,即数据点可详细表示为poi(xi,yi,zi),其中xi,yi,zi分别为原始数据点poi的三轴坐标值;
(1.2)将点云集所在空间的坐标原点选择在使Po={po1,po2,...,poi,...,pon}中每个数据点的三轴坐标值都不小于零的位置,即使得(1.1)中poi(xi,yi,zi)的xi,yi,zi值均大于等于零;
(1.3)将原始点云数据集Po={po1,po2,...,poi,...,pon}所在空间划分为均匀的三维立方体网格,使任意数据点都包含在空间中某一个立方体网格区域内,每个立方体网格区域为一个体素,定义体素体积为Vf;
(1.4)对所有体素,用单个体素内所有数据点的中心替代这个体素内全部的数据点,如图2所示,用体素内数据点的中心替代的方式不仅比用重心点代替更加简单快捷,而且能够特征性地代表原始点云数据的分布规律,单个体素内所有数据点的中心pci的计算方式为:其中m代表单个体素内数据点的总个数,xi,yi,zi分别代表单个体素内数据点poi的三轴坐标,从而将点云数据集更新为其中为Pc中的点云总数,这种压缩方法可降低点云数据集的冗余度,通过这种方式压缩原始点云数据集后的点云效果,如图3所示。
步骤2,对经压缩后的原始点云数据集进行多尺度滤波,滤除点云数据中的地面点。
为降低违章建筑识别过程中的冗余计算量,压缩原始点云数据后需将其中的地面点滤除。
(2.1)为方便组织与处理点云数据,将点云数据集所在空间中生成规则的网格化模型,使任意数据点都包含在某个网格区域内,其中规则化网格模型尺寸边长的值大于点云之间的平均间隔大小;
(2.2)对于数据点p(xp,yp,zp),首先使用膨胀算子和腐蚀算子对数据点依次进行腐蚀和膨胀的开运算处理,再依据地形坡度参数s和逐渐增加的滤波窗口尺寸ωk设定开运算的阈值T:
其中,xp,yp,zp分别代表点p的三轴坐标,ω表示滤波窗口的区域范围,T0为最小高程差阈值,s为地形坡度参数,c为规则化网格模型的间距,Tmax为最大高程差阈值,ωk为第k次滤波的窗口尺寸,ωk-1为第k-1次滤波的窗口尺寸,滤波窗口的尺寸为逐渐增加的,其增长方式有两种,一是为线性增长ωk=2kb+1,二是指数增长ωk=2bk+1,其中b是初始滤波窗口的尺寸,由滤波窗口ωk的值可看出,当ωk增大时,开运算阈值T随之增大,增幅大小由地形坡度决定,本实例利用线性增长的方式增加滤波窗口的尺寸;
(2.3)将数据点滤波后的高度值与滤波前的高度值做差运算,得到高程差值Tc,将高程差值Tc与开运算阈值T进行比较,如果模型中某个格网内的点开运算前后的高程差值Tc小于对应的开运算阈值T,即Tc<T,则此数据点为地面点,否则为建筑物点,从而得到建筑物点云数据集:其中表示建筑物点云数据集中第个数据点,为建筑物数据点的总个数,滤除地面点后的建筑物点云效果,如图4所示。
步骤3,对滤除地面点后剩下建筑物的点云数据分割分类。
通常建筑物的侧面往往垂直于地表且屋顶形态较为平坦,将这种特征作为建筑物的主要特点,采用区域增长算法将建筑物点云分割分类,将具有相似特性的数据点集合起来构成同一类别区域,其步骤如下:
(3.1)选择输入的建筑物点云数据集中具有最小曲率的点作为种子点Sc{i};
(3.2)从最小曲率的种子点Sc{i}开始,寻找种子点的邻域点Pj,依据区域增长算法,将符合区域增长阈值与条件的点归类;
(3.2.1)初始化区域列表:
设定已分类区域列表R为空集,当前分类区域{Rc}为空集,当前类别种子点集{Sc}为空集,未分类的建筑物点云集为{A},种子点与邻域点的法线角度阈值为sθ、曲率阈值为sc;
(3.2.2)将满足区域增长阈值与条件的点归类:
首先,从未分类的建筑物点云集{A}中具有最小曲率的点Sc{i}出发,寻找满足区域增长的阈值与条件的邻域点Pj,将其加入当前分类区域{Rc}中,即寻找位于未分类的建筑物点云集{A}中与种子点Sc{i}的法向量夹角小于法线角度阈值sθ的邻域点Pj,并将此邻域点加入{Rc}中,即{Rc}={Rc}∪Pj;
然后,将未分类的建筑物点云集{A}中的Pj点去除,比较邻域点Pj与种子点Sc{i}的曲率值和曲率阈值sc间的大小,如果Pj与Sc{i}的曲率值小于sc,则将此邻域点Pj加入种子点集{Sc}中,即{Rc}={Rc}∪Pj;
(3.3)对种子点集Sc{i}中的每个种子点重复(3.2)步骤,当在下一次迭代计算中没有种子点出现时,本区域增长停止,得到最终建筑物点云数据分类后的集合:
其中Re代表第e类别的建筑物点云,代表最终分类的建筑类别数目,如图6所示,不同类别的建筑用不同颜色表示。
步骤4,将分类结果保存为前期数据。
(4.1)将已分类点云区域集合R中各类别的点云团分别用可包含本类点云的最小长方体框架框起,同时给R中每类点云增加唯一标识号BI,其中
(4.2)记录(4.1)中每个长方体框架的起始三维坐标点BIM(xI,yI,zI)与长方体的长宽高BIx,BIy,BIz,将其保存为前期数据,其中每个长方体框架的起始三维坐标点BIM为长方体框架8个顶点中z轴分量最大,且x轴分量与y轴分量均为最小值的点,分类结果俯视效果如图7所示。
步骤5,压缩规定年限后待核查的同一区域场景点云数据。
(5.1)通过点云数据采集设备对规定年限后待核查的场景进行点云信息采集,获得原始点云数据集:Po′={po1′,po2′,...,poi′′,...,pon′′},其中poi′′表示Po′中第i′个数据点,i′=1,2...,n′,n′为Po中的点云总数,Po′中每个数据点记录了数据点自身所在位置的三维坐标值,即数据点可详细表示为poi′′(xi′,yi′,zi′),其中xi′,yi′,zi′分别为数据点poi′′的三轴坐标值。
(5.2)将点云集所在空间的坐标原点选择在使Po′={po1′,po2′,...,poi′′,...,pon′′}中每个数据点的三轴坐标值都不小于零的位置;
(5.3)将点云集Po′所在立方体空间划分为均匀的三维立方体网格,使任意数据点都包含在空间中某一个立方体网格区域内,每个立方体网格区域为一个体素;
(5.4)对所有体素,用单个体素内所有数据点的中心替代这个体素内全部的数据点,从而进行压缩处理,得到压缩后的单个体素内所有数据点的中心
其中,m′代表单个体素内所有数据点的总个数,xi′,yi′,zi′分别代表单个体素内数据点poi′的三轴坐标;
将规定年限后待核查的同一区域场景点云数据集Po′更新为Pc′:
其中为Pc′中的点云总数。
步骤6,对步骤5所获取的点云数据进行多尺度滤波,滤除点云数据中的地面点。
(6.1)将点云数据集所在的空间生成规则的网格化模型,使任意数据点都包含在网格区域内,其中规则化网格模型尺寸边长的值大于点云之间的平均间隔大小;
(6.2)对于数据点p(xp,yp,zp),首先使用膨胀算子和腐蚀算子对数据点依次进行腐蚀和膨胀的开运算处理,再依据地形坡度参数s′和逐渐增加的滤波窗口尺寸ωk′设定开运算的阈值T′:
其中,xp,yp,zp分别代表点p的三轴坐标,ω表示滤波窗口的区域范围,T0′为最小高程差阈值,c′为规则化网格模型的间距,Tmax′为最大高程差阈值,ωk-1′为第k-1次滤波的窗口尺寸,滤波窗口的尺寸为逐渐增加的,其增长方式有两种,一是为线性增长ωk′=2kb′+1,二是指数增长ωk′=2b′k+1,其中b′是初始滤波窗口的尺寸,由滤波窗口ωk′的值可看出,当ωk′增大时,开运算阈值T′随之增大,增幅大小由地形坡度决定,本实例利用线性增长的方式增加滤波窗口的尺寸;
(6.3)将数据点滤波后的高度值与滤波前的高度值做差运算,得到高程差值Tc′,将高程差值Tc′与开运算阈值T′进行比较,如果模型中某个格网内的点开运算前后的高程差值Tc′小于对应的高程差阈值T′,即Tc′<T′,则此数据点为地面点,否则为建筑物点,从而得到建筑物点云数据集:其中表示P′中第个数据点,为建筑物数据点的总个数。
步骤7,将待核查区域场景点云中已滤除地面点剩下建筑物的点云数据分割分类。
采用区域增长算法将建筑物点云分割分类,将具有相似特性的数据点集合起来构成同一类别区域。
(7.1)选择输入的建筑物点云数据集中具有最小曲率的点作为种子点Sc′{i};
(7.2)从最小曲率的种子点Sc′{i}开始,寻找种子点的邻域点Pj′,依据区域增长算法,将符合区域增长阈值与条件的点归类;
(7.2.1)初始化区域列表:
设定已分类区域列表R′为空集,当前分类区域{Rc′}为空集,当前类别种子点集{Sc′}为空集,未分类的建筑物点云集为{A′},种子点与邻域点的法线角度阈值为sθ′、曲率阈值为
sc′;
(7.2.2)将满足区域增长阈值与条件的点归类:
首先,从未分类的建筑物点云集{A′}中具有最小曲率的点Sc′{i}出发,寻找满足区域增长的阈值与条件的邻域点Pj′,将其加入当前区域{Rc′}中,即寻找位于未分类的建筑物点云集{A′}中与种子点Sc′{i}的法向量夹角小于法线角度阈值sθ′的邻域点Pj′,并将此邻域点加入{Rc′}中,即{Rc′}={Rc′}∪Pj′;
然后,将未分类的建筑物点云集{A′}中的Pj′点去除,比较邻域点Pj′与种子点Sc′{i}的曲率和曲率阈值sc′间的大小,如果Pj′与Sc′{i}的曲率值小于sc′,则将此邻域点Pj′加入种子点集{Sc′}中,即{Sc′}={Sc′}∪Pj′。
(7.3)对种子点集Sc′{i}中的每个种子点重复(7.2)步骤,当在下一次迭代计算中没有种子点出现时,则本区域增长停止,得到最终建筑物点云数据分类后的集合为其中Re′′代表第e′类别的建筑物点云,代表最终分类的建筑类别数目,如图5所示,不同类别的建筑用不同颜色表示。
步骤8,将分类结果保存为后期数据。
(8.1)如图7所示,将已分类点云区域列表R′中各类别的点云团分别用可包含本类点云的最小长方体框架框起,同时给R′中每类点云增加唯一标识号BI′,其中
(8.2)记录(8.1)中每个长方体框架的起始三维坐标点BIM′(xI′,yI′,zI′)与长方体的长宽高BIx′,BIy′,BIz′,将其保存为后期数据,其中每个长方体框架的起始三维坐标点BIM′为长方体框架8个顶点中z轴分量最大,且x轴分量与y轴分量均为最小值的点。
步骤9,将后期数据与前期数据相对比。
(5.1)将前期数据中被长方体框架包含的点云团的起始三维坐标点BIM(xI,yI,zI)与后期数据中长方体框架的起始三维坐标点BIM′(xI′,yI′,zI′)进行对比:
若BIM与BIM′的欧氏距离|BIM′-BIM|大于法律规定值,且点云团所指建筑无最新建设工程规划许可证,则认定此类别建筑违章;
否则,此点云团所指建筑为合法建筑;
(5.2)将前期数据中被长方体框架包含的点云团的最小长方体长宽高BIx,BIy,BIz与后期数据中长方体框架的最小长方体长宽高BIx′,BIy′,BIz′进行对比:
若长方体框架的各边长变化值|BIx′-BIx|,|BIy′-BIy|,|BIz′-BIz|都小于等于法律规定值,则认定此点云团所指建筑为合法建筑;
若长方体框架的各边长变化值|BIx′-BIx|,|BIy′-BIy|,|BIz′-BIz|中任意值大于法律规定值,且点云团所指建筑无最新建设工程规划许可证,则认定此类别建筑违章,如图8所示;
图8中,方框框起的建筑即为通过处理室外场景点云数据所识别出的违章建筑,从识别效果来看,本发明能够有效并准确地识别到违章的建筑物,具有较强的抗干扰性和鲁棒性。
Claims (10)
1.一种基于室外场景点云数据的违章建筑判别方法,包括:
(1)处理已获得建设工程规划许可证且不包含违章建筑的场景点云数据:
(1a)对已获得建设工程规划许可证的不包含违章建筑区域室外场景的点云原始数据进行压缩,滤除点云数据中的地面点;
(1b)对滤除地面点后剩下建筑物的点云数据分割分类,并将分类结果保存为前期数据;
(2)处理规定年限后待核查的同一区域场景点云数据:
(2a)压缩待核查的同一区域室外场景点云原始数据,滤除点云数据中的地面点;
(2b)对滤除地面点剩下的建筑物点云分割分类,并将分类结果保存为后期数据;
(3)将后期数据与前期数据相对比,即对比相同地理区域内前期数据和后期数据建筑物的位置及大小差异,若建筑物的差异超过法律规定值,且其无最新建设工程规划许可证,则认定此类别建筑违章。
2.根据权利要求1所述的方法,其中所述步骤(1a)中对已获得建设工程规划许可证的不包含违章建筑区域室外场景的点云原始数据进行压缩,按如下步骤进行:
(1a1)将原始点云数据集Po={po1,po2,...,poi,...,pon}划分为均匀的三维立方体网格,其中poi表示原始点云数据集中第i个数据点,n为Po中的点云总数,poi(xi,yi,zi)中xi,yi,zi分别代表原始数据点poi的x,y,z坐标,每个立方体网格为一个体素,设置体素体积为Vf;
(1a2)对所有体素,用单个体素内所有数据点的中心替代这个体素内全部的数据点,即将点云数据集更新为其中pci表示原始点云数据集中每个体素内的中心点,为Pc中的点云总数,m代表单个体素内数据点的个数,xi,yi,zi分别代表单个体素内数据点poi的三轴坐标。
3.根据权利要求1所述的方法,其中所述步骤(1a)中滤除点云数据中的地面点,按如下步骤进行:
(1a3)在经压缩后的点云数据集Pc所在空间中生成规则的网格化模型,使任意数据点都包含在某个网格区域内;
(1a4)设定高程差阈值T并依据数据点的地形坡度和逐渐增加的滤波窗口尺寸对阈值T进行实时调节;
(1a5)对网格内的数据点进行开运算,将数据点开运算后的高度值与开运算前的高度值做差运算,得到高程差值Tc;
(1a6)将高程差值Tc与高程差阈值T进行比较:
如果Tc<T,则此数据点为地面点,否则为建筑物点,从而得到建筑物点云数据集P,其中表示建筑物点云数据集中第个数据点,为建筑物数据点的总个数。
4.根据权利要求1所述的方法,其中所述步骤(1b)中对滤除地面点后剩下建筑物的点云数据分割分类,按如下步骤进行:
(1b1)从输入的建筑物点云数据集P中选择具有最小曲率的点作为种子点;
(1b2)从最小曲率的种子点开始,寻找其邻域点Pj,依据区域增长算法,将符合区域增长阈值与条件的点归类,得到建筑物点云数据分类后的集合R,其中Re代表第e类别的建筑物点云,代表最终分类的建筑类别数目。
5.根据权利要求1所述的方法,其中所述步骤(1b)将分类结果保存为前期数据,按如下步骤进行:
(1b3)将建筑物点云数据分类后的集合R中各类别的点云分别用可包含本类点云的最小长方体框架框起,同时给R中每类点云增加唯一标识号BI,其中
(1b4)记录(1b3)中每个长方体框架的起始三维坐标点BIM(xI,yI,zI)与长方体框架的长宽高BIx,BIy,BIz,将其保存为前期数据,其中每个长方体框架的起始三维坐标点BIM(xI,yI,zI)为长方体框架8个顶点中z轴分量最大,且x轴分量与y轴分量均为最小值的点,xI,yI,zI分别为BIM的三轴坐标。
6.根据权利要求1所述的方法,其中所述步骤(2a)中压缩待核查的同一区域室外场景点云原始数据,按如下步骤进行:
(2a1)将规定年限后待核查的同一区域场景点云数据集Po′={po1′,po2′,...,poi′′,...,pon′′}划分为三维立方体网格,每个立方体网格为一个体素,其中poi′′表示Po′中第i′个数据点,i′=1,2...,n′,n′为Po中的点云总数,Po′中每个数据点记录了数据点自身所在位置的三维坐标值,即数据点可详细表示为poi′′(xi′,yi′,zi′),其中xi′,yi′,zi′分别为数据点poi′′的三轴坐标值;
(2a2)用体素内所有三维数据点的中心点替代这个体素内的所有的数据点,即将点云数据集更新为其中为Pc′中的点云总数,其中表示待核查区域场景点云数据集中每个体素内的中心数据点,m′代表单个体素内数据点的个数,xi′,yi′,zi′分别代表点poi′的三轴坐标。
7.根据权利要求1所述的方法,其中所述步骤(2a)中滤除点云数据中的地面点,按如下步骤进行:
(2a3)在压缩后的点云数据Pc′所在空间中生成规则的网格化模型,使任意数据点都包含在某个网格区域内;
(2a4)设定高程差阈值T′并依据数据点的地形坡度和逐渐增加的滤波窗口尺寸对阈值T′进行实时调节;
(2a5)对网格内的数据点进行开运算,将数据点开运算后的高度值与开运算前的高度值做差运算,得到高程差值Tc′;
(2a6)将高程差值Tc′与高程差阈值T′进行比较:
如果Tc′<T′,则此数据点为地面点,否则为建筑物点,从而得到建筑物点云数据集P′,其中表示P′中第个数据点,为建筑物数据点的总个数。
8.根据权利要求1所述的方法,其中所述步骤(2b)中对滤除地面点剩下的建筑物点云分割分类,按如下步骤进行:
(2b1)从输入的建筑物点云数据集P′中选择具有最小曲率的点作为种子点;
(2b2)从最小曲率的种子点开始,寻找其邻域点Pj′,依据区域增长算法,将符合区域增长阈值与条件的点归类,得到建筑物点云数据分类后的集合R′:
其中Re′′代表第e′类别的建筑物点云, 代表最终分类的建筑类别数目。
9.根据权利要求1所述的方法,其中所述步骤(2b)中将分类结果保存为后期数据,按如下步骤进行:
(2b3)将建筑物点云数据分类后的集合R′中各类别的点云团分别用可包含本类点云的最小长方体框架框起,同时给R′中每类点云增加唯一标识号BI′,其中
(2b4)记录(2b3)中每个长方体框架的起始三维坐标点BIM′(xI′,yI′,zI′)与长方体的长宽高BIx′,BIy′,BIz′,将其保存为后期数据,其中每个长方体框架的起始三维坐标点BIM′(xI′,yI′,zI′)为长方体框架8个顶点中z轴分量最大,且x轴分量与y轴分量均为最小值的点,xI′,yI′,zI′分别为BIM′的三轴坐标。
10.根据权利要求1所述的方法,其中所述步骤(3)中将后期数据与前期数据相对比,按如下步骤进行:
(3a)将前期数据中被长方体框架包含的点云团的起始三维坐标点BIM(xI,yI,zI)与后期数据中长方体框架的起始三维坐标点BIM′(xI′,yI′,zI′)进行对比:
若BIM与BIM′的欧氏距离|BIM′—BIM|大于法律规定值,且点云团所指建筑无最新建设工程规划许可证,则认定此类别建筑违章;
否则,此点云团所指建筑为合法建筑;
(3b)将前期数据中被长方体框架包含的点云团的最小长方体长宽高BIx,BIy,BIz与后期数据中长方体框架的最小长方体长宽高BIx′,BIy′,BIz′进行对比:
若长方体框架的各边长变化值|BIx′—BIx|,|BIy′—BIy|,|BIz′—BIz|中任意值大于法律规定值,且点云团所指建筑无最新建设工程规划许可证,则认定此类别建筑违章;
否则,此点云团所指建筑为合法建筑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711248352.9A CN108256417A (zh) | 2017-12-01 | 2017-12-01 | 基于室外场景点云数据处理的违章建筑识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711248352.9A CN108256417A (zh) | 2017-12-01 | 2017-12-01 | 基于室外场景点云数据处理的违章建筑识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256417A true CN108256417A (zh) | 2018-07-06 |
Family
ID=62720861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711248352.9A Pending CN108256417A (zh) | 2017-12-01 | 2017-12-01 | 基于室外场景点云数据处理的违章建筑识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256417A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN109444915A (zh) * | 2018-09-11 | 2019-03-08 | 成都优艾维智能科技有限责任公司 | 一种基于激光雷达数据的危险区域预判方法 |
CN111220993A (zh) * | 2020-01-14 | 2020-06-02 | 长沙智能驾驶研究院有限公司 | 目标场景定位方法、装置、计算机设备和存储介质 |
CN112069899A (zh) * | 2020-08-05 | 2020-12-11 | 深兰科技(上海)有限公司 | 一种路肩检测方法、装置及存储介质 |
CN112164049A (zh) * | 2020-09-28 | 2021-01-01 | 广东中科瑞泰智能科技有限公司 | 一种违建监测方法及装置 |
CN117152734A (zh) * | 2023-08-27 | 2023-12-01 | 上海盎维信息技术有限公司 | 基于标靶的影像识别方法、激光雷达及系统 |
CN112164049B (zh) * | 2020-09-28 | 2024-07-02 | 广东中科瑞泰智能科技有限公司 | 一种违建监测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840577A (zh) * | 2010-06-11 | 2010-09-22 | 西安电子科技大学 | 基于图切割的图像自动分割方法 |
CN103605978A (zh) * | 2013-11-28 | 2014-02-26 | 中国科学院深圳先进技术研究院 | 基于三维实景数据的城市违章建筑识别系统及方法 |
CN104318563A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于医学图像的器官骨架提取方法 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
CN104902255A (zh) * | 2015-03-05 | 2015-09-09 | 华东师范大学 | 一种基于体扫描三维显示系统的数据源生成方法 |
-
2017
- 2017-12-01 CN CN201711248352.9A patent/CN108256417A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840577A (zh) * | 2010-06-11 | 2010-09-22 | 西安电子科技大学 | 基于图切割的图像自动分割方法 |
CN103605978A (zh) * | 2013-11-28 | 2014-02-26 | 中国科学院深圳先进技术研究院 | 基于三维实景数据的城市违章建筑识别系统及方法 |
CN104318563A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于医学图像的器官骨架提取方法 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
CN104902255A (zh) * | 2015-03-05 | 2015-09-09 | 华东师范大学 | 一种基于体扫描三维显示系统的数据源生成方法 |
Non-Patent Citations (3)
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", 《中国优秀博士学位论文全文数据库》 * |
赵兴东等: "《矿用三维激光数字测量原理及其工程应用》", 31 January 2016, 冶金工业出版社 * |
陈蒙蒙等: "LiDAR点云与遥感影像结合提取建筑物轮廓", 《地理空间信息》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444915A (zh) * | 2018-09-11 | 2019-03-08 | 成都优艾维智能科技有限责任公司 | 一种基于激光雷达数据的危险区域预判方法 |
CN109444915B (zh) * | 2018-09-11 | 2020-11-03 | 成都优艾维智能科技有限责任公司 | 一种基于激光雷达数据的危险区域预判方法 |
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN109409437B (zh) * | 2018-11-06 | 2021-06-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN111220993A (zh) * | 2020-01-14 | 2020-06-02 | 长沙智能驾驶研究院有限公司 | 目标场景定位方法、装置、计算机设备和存储介质 |
CN111220993B (zh) * | 2020-01-14 | 2020-07-28 | 长沙智能驾驶研究院有限公司 | 目标场景定位方法、装置、计算机设备和存储介质 |
CN112069899A (zh) * | 2020-08-05 | 2020-12-11 | 深兰科技(上海)有限公司 | 一种路肩检测方法、装置及存储介质 |
CN112164049A (zh) * | 2020-09-28 | 2021-01-01 | 广东中科瑞泰智能科技有限公司 | 一种违建监测方法及装置 |
CN112164049B (zh) * | 2020-09-28 | 2024-07-02 | 广东中科瑞泰智能科技有限公司 | 一种违建监测方法及装置 |
CN117152734A (zh) * | 2023-08-27 | 2023-12-01 | 上海盎维信息技术有限公司 | 基于标靶的影像识别方法、激光雷达及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256417A (zh) | 基于室外场景点云数据处理的违章建筑识别方法 | |
US7995055B1 (en) | Classifying objects in a scene | |
Zou et al. | Tree classification in complex forest point clouds based on deep learning | |
Sahar et al. | Using aerial imagery and GIS in automated building footprint extraction and shape recognition for earthquake risk assessment of urban inventories | |
CN111527467A (zh) | 使用机器学习、图像分析和/或计算机视觉自动限定计算机辅助设计文件的方法和装置 | |
CN110992341A (zh) | 一种基于分割的机载LiDAR点云建筑物提取方法 | |
CN106157309A (zh) | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN110363299B (zh) | 面向露头岩层分层的空间案例推理方法 | |
CN103984947A (zh) | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 | |
CN113484875B (zh) | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 | |
Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
Özdemir et al. | Automatic extraction of trees by using multiple return properties of the lidar point cloud | |
CN103886335A (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
CN113781431A (zh) | 基于城市点云数据的绿视率计算方法 | |
Li et al. | Integrating multiple textural features for remote sensing image change detection | |
CN114241155A (zh) | 一种基于车载激光点云数据的城市树木三维可视化方法 | |
CN103927557A (zh) | 基于分层模糊证据合成的lidar数据地物分类方法 | |
CN113345092B (zh) | 一种实景三维模型的地面模型与非地面模型自动分离方法 | |
Naeini et al. | Improving the dynamic clustering of hyperspectral data based on the integration of swarm optimization and decision analysis | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
Koc-San et al. | Plastic and glass greenhouses detection and delineation from worldview-2 satellite imagery | |
Costantino et al. | Features and ground automatic extraction from airborne LiDAR data | |
CN116580168A (zh) | 建筑物白模的构建方法、装置、设备和存储介质 | |
CN110222742B (zh) | 基于分层多回波的点云分割方法、装置、存储介质及设备 |
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: 20180706 |