CN109064482A - 一种在三维倾斜摄影数据场景中自动获取房屋轮廓的方法及装置 - Google Patents
一种在三维倾斜摄影数据场景中自动获取房屋轮廓的方法及装置 Download PDFInfo
- Publication number
- CN109064482A CN109064482A CN201810931516.6A CN201810931516A CN109064482A CN 109064482 A CN109064482 A CN 109064482A CN 201810931516 A CN201810931516 A CN 201810931516A CN 109064482 A CN109064482 A CN 109064482A
- Authority
- CN
- China
- Prior art keywords
- point
- angle
- building
- data
- trace
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Abstract
本发明适用于数据建模技术领域,提供一种在三维倾斜摄影数据场景中自动获取房屋轮廓的方法及装置,所述方法包括:框选建筑物范围,并在建筑物上选定锚点,筛选出的顶点点集投影至水平面,构成二维平面的数据条带,对所述数据条带采用边界跟踪算法对建筑物轮廓进行初步提取,对初步提取到的跟踪点中,针对每个跟踪点,计算其与相邻的两个跟踪点形成的夹角,若夹角显著,则判断当前跟踪点为角点;对得到的角点进行细化得到新增角点,根据提取出的最终角点,顺序连接得到建筑的轮廓线。在本发明中,计算机自动跟踪建筑物轮廓,自动提取角点,输出建筑物轮廓,且计算结果存储量小,计算时间快,同时算法稳定性高,节约人力时间资源。
Description
技术领域
本发明属于数据建模技术领域,尤其涉及一种在三维倾斜摄影数据场景中自动获取房屋轮廓的方法及装置。
背景技术
倾斜摄影测量数据是城市三维建模的重要数据,倾斜摄影测量数据建模输出的三维模型是连续的三角网,没有对建筑物与等地物单独进行区分;而倾斜摄影测量数据的应用上,需要对单独的等地物进行选中,属性赋值,属性查询等操作,因此高效率精确的获取建筑物的轮廓以实现建筑物单体化是一个目前非常值得研究的应用问题。
目前在实际软件应用中,在精确获取房屋轮廓的技术中,多采用人工半自动方法,需要人工点选建筑物的每个墙角,输出建筑物轮廓;或是采用DSM深度图提取等值线,线转面后删除问题面,根据面积阈值删除面积过小的矢量面并将碎多边形合并为一个个建筑物轮廓;也有利用凸包算法提取出建筑物边界并排序,再用分组的D-P算法进行建筑物角点提取。
现有的技术是纯人工采集,需要采集员手动去浏览城市建筑物,目视建筑物边界及转角,操作鼠标在每个转角按方向顺序点击选择角点,并将所有角点连接确定出建筑物轮廓;城市三维模型中,往往有成千上万栋建筑,人工采集费时费力,操作重复枯燥繁琐,对采集员自身的技术水平和细心程度也有较高的要求;同时随着采集员工作时长的增大,采集速度和准确率都会随着人体疲劳而下降,效率降低,稳定性不高。
发明内容
鉴于上述问题,本发明的目的在于提供一种在三维倾斜摄影数据场景中自动获取房屋轮廓的方法及装置,旨在解决现有技术中数据需要人工采集,使得采集工作时间长,采集效率低,稳定性不高等技术问题。
本发明采用如下技术方案:
所述在三维倾斜摄影数据场景中自动获取房屋轮廓的方法,包括如下步骤:
步骤S1、框选建筑物范围,并在建筑物上选定锚点,所述建筑物是由倾斜摄影测量数据建立的三维城市模型,且三维城市模型由连续的三角网构成;
步骤S2、筛选出框选建筑物范围内的三角网的顶点后,进一步筛选出顶点高程值与锚点高程值在一定偏差范围内的点集,筛选出的顶点点集投影至水平面,构成二维平面的数据条带;
步骤S3、对所述数据条带采用边界跟踪算法对建筑物轮廓进行初步提取,提取出跟踪点;
步骤S4、对初步提取到的跟踪点中,针对每个跟踪点,计算其与相邻的两个跟踪点形成的夹角,若夹角显著,则判断当前跟踪点为角点;对得到的角点进行细化得到新增角点;
步骤S5、根据提取出的最终角点,顺序连接得到建筑的轮廓线,所述最终角点包括由跟踪点提取的角点以及细化得到的新增角点。
进一步的,所述步骤S1中选定的锚点落在建筑物具有一定高度的垂直墙面上。
进一步的,所述步骤S3具体包括下述步骤:
将锚点在水平面的投影点作为第一个起始点,以该起始点为圆心,设定步长与容差范围,在数据条带中筛选出所有与起始点距离在容差范围内的数据点,并计算这些数据点相对于起始点的夹角,称之为数据点夹角;
对第一起始点的圆周角均等分,根据计算出的数据点夹角所落入的夹角范围进行统计,获取包含数据点最多的夹角范围,同时选择该夹角范围相邻的夹角范围中数据点较多的一个夹角范围,将选择得到的这两个夹角范围称为跟踪角度范围,且定为边界点跟踪方向,如果该容差范围内没有数据点,则扩大容差范围,直至容差范围存在数据点;
对所述跟踪角度范围的所有数据点求取重心,将跟踪角度范围内距离该重心最近的数据点作为得到的跟踪点,对得到的跟踪点作为新的起始点继续计算,直至新的跟踪点落在锚点投影点的范围内,则代表建筑物轮廓跟踪完毕。
进一步的,步骤S4中,所述角点细化具体方式为:
筛选出角点中对应跟踪点序列号是连续的角点,这些角点为待细化处理的角点,在待细化处理的角点中,将序列号低的角点与其前一个序列号的角点连线,序列号高的角点与其后一个序列号的角点连线,求取两条直线的交点,该交点即定为新增角点。
另一方面,所述在三维倾斜摄影数据场景中自动获取房屋轮廓的装置,包括如下单元:
输入单元:用于建立三维城市模型,框选建筑范围,选取建筑物起始锚点;
数据条带获取单元:筛选出框选建筑物范围内的三角网的顶点后,进一步筛选出顶点高程值与锚点高程值在一定偏差范围内的点集,筛选出的顶点点集投影至水平面,构成二维平面的数据条带;
跟踪点提取单元:用于对所述数据条带采用边界跟踪算法对建筑物轮廓进行初步提取,提取出跟踪点;
角点获取单元:用于对初步提取到的跟踪点中,针对每个跟踪点,计算其与相邻的两个跟踪点形成的夹角,若夹角显著,则判断当前跟踪点为角点;对得到的角点进行细化得到新增角点;
输出单元:用于提取出的最终角点,顺序连接得到建筑的轮廓线。
本发明的有益效果是:本发明算法的主要思路是,首先在三维城市模型中框选建筑物范围,并在建筑物上选定锚点,其次构建二维平面的数据带,采用跟踪算法对建筑物轮廓提取跟踪点,对初步提取的跟踪点初步及细化判断角点,最后顺序连接最终的角点得到建筑物轮廓线,在实际操作过程中,人工操作只需框选建筑物大致所在范围,以及给定锚点,无需其他操作,可节约人工操作时间,在本发明中,计算机自动跟踪建筑物轮廓,自动提取角点,输出建筑物轮廓,且计算结果存储量小,计算时间快,同时算法稳定性高,节约人力时间资源。
附图说明
图1是在三维倾斜摄影数据场景中自动获取房屋轮廓的方法流程图;
图2是建筑物建模图;
图3是建筑物实物图;
图4是建筑物模型中锚点所在平面的示意图;
图5是三维坐标轴内建筑物模型中顶点的点集示意图;
图6是跟踪算法的流程图;
图7是跟踪算法的原理图;
图8是角点的初步提取原理图;
图9是角点细化原理图;
图10是实物图中部分提取的角点图;
图11是在三维倾斜摄影数据场景中自动获取房屋轮廓的装置示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
如图1所示,本发明实施例提供的在三维倾斜摄影数据场景中自动获取房屋轮廓的方法,包括如下步骤:
步骤S1、框选建筑物范围,并在建筑物上选定锚点,所述建筑物是由倾斜摄影测量数据建立的三维城市模型,且三维城市模型由连续的三角网构成;
在本步骤中,如图2所示,三维城市模型由连续的三角网构成,为了缩小数据的跟踪查找范围,如图3所示,需要手动框选出建筑物的大致范围,并且为了得到精确的算法结果,一般情况下,选定的锚点落在建筑物具有一定高度的垂直墙面上,此外,在锚点高程偏差范围内,建筑物整体的墙面窗户关闭,并且无空调外机的高度为佳。在此过程中,操作者只需要框选建筑物大致的所在范围,以及选定锚点,无需其他操作,节约人工操作时间。
步骤S2、筛选出框选建筑物范围内的三角网的顶点后,进一步筛选出顶点高程值与锚点高程值在一定偏差范围内的点集,筛选出的顶点点集投影至水平面,构成二维平面的数据条带;
如图4所示,黑色方框内是与锚点的高程偏差范围,将该范围内的三角网顶点提取出来,如图5所示,在建筑物模型上构建X、Y、Z坐标系三维立体图,在坐标系上对应的黑色方框内的点即为筛选出顶点高程值与锚点高程值在一定偏差范围内的点集,将筛选出的点集投影至二维平面内,构成二维平面的数据条带。
步骤S3、对所述数据条带采用边界跟踪算法对建筑物轮廓进行初步提取,提取出跟踪点;
本步骤中,在三维城市模型建筑物轮廓提取中采用二维图像处理的思维,对步骤2中计算出数据条带,采用边界跟踪算法对建筑物轮廓进行初步提取出跟踪点;
如图6所示,边界跟踪点算法具体流程,将锚点在水平面的投影点作为第一个起始点,以该起始点为圆心,设定步长与容差范围,在本发明实施例中,如图7所示,以起点为圆心,步长为半径画圆,再以起点为圆心,以步长容差长度为半径画两圆,步长选定为0.5米,容差为0.2米,形成数据条带,在数据条带中筛选出所有与起始点距离在容差范围内的数据点,即内圆与外圆之间的数据点,并计算这些数据点相对于起始点的角度,称之为数据点夹角;
对第一起始点的圆周角均等分,在本发明中使用36等分,为了便于观察,图7中分为16等分,根据计算出的数据点夹角所落入的夹角范围进行统计,即在两等分线之间的数据点,相邻两等分线之间形成一个夹角范围,获取包含数据点最多的夹角范围,同时选择该夹角范围相邻的夹角范围中数据点较多的一个夹角范围,将选择得到的这两个夹角范围称为跟踪角度范围,且定为边界点跟踪方向,如果该容差范围内没有数据点,则扩大容差范围,在本实施例中,最多扩大五次,直至容差范围存在数据点;
对所述跟踪角度范围的所有数据点求取重心,将跟踪角度范围内距离该重心最近的数据点作为得到的跟踪点,对得到的跟踪点作为新的起始点继续计算,直至新的跟踪点最终落在锚点投影点的附近一定范围内,则代表建筑物轮廓跟踪完毕。
步骤S4、对初步提取到的跟踪点中,针对每个跟踪点,计算其与相邻的两个跟踪点形成的夹角,若夹角显著,则判断当前跟踪点为角点;对得到的角点进行细化得到新增角点;
在本发明中,对跟踪点进行角点提取,可以减少在三维城市模型建筑物中获取建筑物轮廓的数据量,减少储存量,如图8所示,将每相邻的两个跟踪点之间连线,计算出每一个跟踪点与相邻两个跟踪点形成的夹角,若夹角范围在30度到150度之间,则认为夹角显著,判断当前跟踪点为角点。
在本算法中,由于跟踪算法中设计的步长不一定是建筑物边长的整数倍,会出现两个连续的角点在实际的建筑物墙角连接,为捕捉到准确的建筑物角点,针对此种情况,需要对步骤S4中角点获取进一步细化,提取遗漏角点,步骤S4中,如图9所示,所述角点细化具体方式为:
筛选出角点中对应跟踪点序列号是连续的角点,这些角点为待细化处理的角点,在待细化处理的角点中,将序列号低的角点与其前一个序列号的角点连线,序列号高的角点与其后一个序列号的角点连线,求取两条直线的交点,该交点即定为新增角点。
在本实施例图9中,假设序列号11和12是跟踪点的序列号,并且这两个连续序列号的跟踪点是初步提取的角点,将序列号低的角点11与前一个序列号6的角点连线,将序列号高的角点12与后一个序列号16的角点连线,两条直线延长线的角点即为新增的角点。
步骤S5、根据提取出的最终角点,顺序连接得到建筑的轮廓线,所述最终角点包括由跟踪点提取的角点以及细化得到的新增角点。
如图10所示,与图3实物图相比,计算得到了与锚点处于同一高程的点为提取的角点,依次将提取出的角点连接,即得到建筑的轮廓。
综上,本发明方法使用自动采集功能,能够在三维城市模型的轮廓提取中,自动识别建筑物角点,大大减少了原有操作中重复枯燥的内容,节省了大量的时间,大大减少人力成本;同时算法稳定性高,不受时间,人员等外界环境影响;在城市规划较好的建筑物群的轮廓提取中,有着极高的准确率,能大大提升建筑轮廓提取的效率。
实施例二:
如图11所示,本发明提供一种在三维倾斜摄影数据场景中自动获取房屋轮廓的装置,用于完成本发明提供的在在三维倾斜摄影数据场景中自动获取房屋轮廓的方法,所述在三维倾斜摄影数据场景中自动获取房屋轮廓的装置包括如下单元:
输入单元:用于建立三维城市模型,框选建筑范围,选取建筑物起始锚点;
数据条带获取单元:筛选出框选建筑物范围内的三角网的顶点后,进一步筛选出顶点高程值与锚点高程值在一定偏差范围内的点集,筛选出的顶点点集投影至水平面,构成二维平面的数据条带;
跟踪点提取单元:用于对所述数据条带采用边界跟踪算法对建筑物轮廓进行初步提取,提取出跟踪点;
角点获取单元:用于对初步提取到的跟踪点中,针对每个跟踪点,计算其与相邻的两个跟踪点形成的夹角,若夹角显著,则判断当前跟踪点为角点;对得到的角点进行细化得到新增角点;
输出单元:用于提取出的最终角点,顺序连接得到建筑的轮廓线。
上述各个功能单元、功能模块对应实现了实施例一中各步骤,具体实现过程这里不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种在三维倾斜摄影数据场景中自动获取房屋轮廓的方法,其特征在于,所述方法包括如下步骤:
步骤S1、框选建筑物范围,并在建筑物上选定锚点,所述建筑物是由倾斜摄影测量数据建立的三维城市模型,且三维城市模型由连续的三角网构成;
步骤S2、筛选出框选建筑物范围内的三角网的顶点后,进一步筛选出顶点高程值与锚点高程值在一定偏差范围内的点集,筛选出的顶点点集投影至水平面,构成二维平面的数据条带;
步骤S3、对所述数据条带采用边界跟踪算法对建筑物轮廓进行初步提取,提取出跟踪点;
步骤S4、对初步提取到的跟踪点中,针对每个跟踪点,计算其与相邻的两个跟踪点形成的夹角,若夹角显著,则判断当前跟踪点为角点;对得到的角点进行细化得到新增角点;
步骤S5、根据提取出的最终角点,顺序连接得到建筑的轮廓线,所述最终角点包括由跟踪点提取的角点以及细化得到的新增角点。
2.如权利要求1所述在三维倾斜摄影数据场景中自动获取房屋轮廓的方法,其特征在于,所述步骤S1中选定的锚点落在建筑物具有一定高度的垂直墙面上。
3.如权利要求2所述在三维倾斜摄影数据场景中自动获取房屋轮廓的方法,其特征在于,所述步骤S3具体包括下述步骤:
将锚点在水平面的投影点作为第一个起始点,以该起始点为圆心,设定步长与容差范围,在数据条带中筛选出所有与起始点距离在容差范围内的数据点,并计算这些数据点相对于起始点的夹角,称之为数据点夹角;
对第一起始点的圆周角均等分,根据计算出的数据点夹角所落入的夹角范围进行统计,获取包含数据点最多的夹角范围,同时选择该夹角范围相邻的夹角范围中数据点较多的一个夹角范围,将选择得到的这两个夹角范围称为跟踪角度范围,且定为边界点跟踪方向,如果该容差范围内没有数据点,则扩大容差范围,直至容差范围存在数据点;
对所述跟踪角度范围的所有数据点求取重心,将跟踪角度范围内距离该重心最近的数据点作为得到的跟踪点,对得到的跟踪点作为新的起始点继续计算,直至新的跟踪点落在锚点投影点的范围内,则代表建筑物轮廓跟踪完毕。
4.如权利要求3所述在三维倾斜摄影数据场景中自动获取房屋轮廓的方法,其特征在于,步骤S4中,所述角点细化具体方式为:
筛选出角点中对应跟踪点序列号是连续的角点,这些角点为待细化处理的角点,在待细化处理的角点中,将序列号低的角点与其前一个序列号的角点连线,序列号高的角点与其后一个序列号的角点连线,求取两条直线的交点,该交点即定为新增角点。
5.一种在三维倾斜摄影数据场景中自动获取房屋轮廓的装置,其特征在于,所述装置包括:
输入单元:用于建立三维城市模型,框选建筑范围,选取建筑物起始锚点;
数据条带获取单元:筛选出框选建筑物范围内的三角网的顶点后,进一步筛选出顶点高程值与锚点高程值在一定偏差范围内的点集,筛选出的顶点点集投影至水平面,构成二维平面的数据条带;
跟踪点提取单元:用于对所述数据条带采用边界跟踪算法对建筑物轮廓进行初步提取,提取出跟踪点;
角点获取单元:用于对初步提取到的跟踪点中,针对每个跟踪点,计算其与相邻的两个跟踪点形成的夹角,若夹角显著,则判断当前跟踪点为角点;对得到的角点进行细化得到新增角点;
输出单元:用于提取出的最终角点,顺序连接得到建筑的轮廓线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810931516.6A CN109064482B (zh) | 2018-08-16 | 2018-08-16 | 一种三维倾斜摄影场景中自动获取房屋轮廓的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810931516.6A CN109064482B (zh) | 2018-08-16 | 2018-08-16 | 一种三维倾斜摄影场景中自动获取房屋轮廓的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064482A true CN109064482A (zh) | 2018-12-21 |
CN109064482B CN109064482B (zh) | 2021-10-22 |
Family
ID=64686055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810931516.6A Active CN109064482B (zh) | 2018-08-16 | 2018-08-16 | 一种三维倾斜摄影场景中自动获取房屋轮廓的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064482B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435833A (zh) * | 2021-06-11 | 2021-09-24 | 泰瑞数创科技(北京)有限公司 | 智慧社区的城市三维模型协同管理方法与系统 |
CN113985383A (zh) * | 2021-12-27 | 2022-01-28 | 广东维正科技有限公司 | 一种房屋外轮廓测绘方法、装置、系统和可读介质 |
CN116109522A (zh) * | 2023-04-10 | 2023-05-12 | 北京飞渡科技股份有限公司 | 一种基于图神经网络的轮廓矫正方法、装置、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020342A (zh) * | 2012-12-04 | 2013-04-03 | 南京大学 | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 |
US20130332065A1 (en) * | 2012-06-12 | 2013-12-12 | Trx Systems, Inc. | Fusion Of Sensor And Map Data Using A Contraint Based Optimization |
CN106528555A (zh) * | 2015-09-10 | 2017-03-22 | 中国科学院上海高等研究院 | 一种快速构建建筑物三维模型的系统 |
CN107103603A (zh) * | 2017-05-18 | 2017-08-29 | 北京道亨时代科技有限公司 | 一种倾斜测量场景的地物提取方法 |
-
2018
- 2018-08-16 CN CN201810931516.6A patent/CN109064482B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130332065A1 (en) * | 2012-06-12 | 2013-12-12 | Trx Systems, Inc. | Fusion Of Sensor And Map Data Using A Contraint Based Optimization |
CN103020342A (zh) * | 2012-12-04 | 2013-04-03 | 南京大学 | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 |
CN106528555A (zh) * | 2015-09-10 | 2017-03-22 | 中国科学院上海高等研究院 | 一种快速构建建筑物三维模型的系统 |
CN107103603A (zh) * | 2017-05-18 | 2017-08-29 | 北京道亨时代科技有限公司 | 一种倾斜测量场景的地物提取方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435833A (zh) * | 2021-06-11 | 2021-09-24 | 泰瑞数创科技(北京)有限公司 | 智慧社区的城市三维模型协同管理方法与系统 |
CN113435833B (zh) * | 2021-06-11 | 2022-05-03 | 泰瑞数创科技(北京)有限公司 | 智慧社区的城市三维模型协同管理方法与系统 |
CN113985383A (zh) * | 2021-12-27 | 2022-01-28 | 广东维正科技有限公司 | 一种房屋外轮廓测绘方法、装置、系统和可读介质 |
CN116109522A (zh) * | 2023-04-10 | 2023-05-12 | 北京飞渡科技股份有限公司 | 一种基于图神经网络的轮廓矫正方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109064482B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717983B (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
CN110340891B (zh) | 基于点云模板匹配技术的机械臂定位抓取系统及方法 | |
CN105844629B (zh) | 一种大场景城市建筑物立面点云自动分割方法 | |
CN101329771B (zh) | 一种基于图像序列的城市街区的快速建模方法 | |
KR100609786B1 (ko) | 도화원도를 이용한 3차원 건물 모델링 방법 | |
CN109064482A (zh) | 一种在三维倾斜摄影数据场景中自动获取房屋轮廓的方法及装置 | |
CN106570468A (zh) | 一种重建LiDAR原始点云建筑物轮廓线的方法 | |
CN107091636B (zh) | 一种无人机测量植被面积及长度的方法 | |
CN107134008A (zh) | 一种基于三维重建下的动态物体识别的方法及系统 | |
CN104077806A (zh) | 基于城市建筑三维模型的自动分体提取方法 | |
CN105574933A (zh) | 物体全方位轮廓精确绘制方法 | |
CN104751479A (zh) | 基于tin数据的建筑物提取方法和装置 | |
CN108225334A (zh) | 一种基于三维实景数据的定位方法及装置 | |
Tseng et al. | Extraction of building boundary lines from airborne lidar point clouds | |
CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN107066975A (zh) | 基于深度传感器的视频识别与跟踪系统及其方法 | |
Bauer et al. | Segmentation of building models from dense 3D point-clouds | |
Kada et al. | Sub-surface growing and boundary generalization for 3D building reconstruction | |
Cefalu et al. | Image based 3D Reconstruction in Cultural Heritage Preservation. | |
CN112785596B (zh) | 基于dbscan聚类的点云图螺栓分割和高度测量方法 | |
CN104156966B (zh) | 一种基于移动终端的伪3d实时虚拟试衣方法 | |
US20210225082A1 (en) | Boundary detection using vision-based feature mapping | |
CN116051980B (zh) | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 | |
CN112906124A (zh) | 一种土方量计算方法、装置、设备和介质 | |
Zlatanova et al. | Knowledge-based automatic 3D line extraction from close range images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 430223 Wuda science and Technology Park, Jiangxia Avenue, Miaoshan community, Donghu Development Zone, Wuhan City, Hubei Province Patentee after: Geospace Information Technology Co.,Ltd. Address before: 430223 Wuda science and Technology Park, Jiangxia Avenue, Miaoshan community, Donghu Development Zone, Wuhan City, Hubei Province Patentee before: WUDA GEOINFORMATICS Co.,Ltd. |