CN109241978A - 地基三维激光点云中平面片的快速提取方法 - Google Patents

地基三维激光点云中平面片的快速提取方法 Download PDF

Info

Publication number
CN109241978A
CN109241978A CN201810964826.8A CN201810964826A CN109241978A CN 109241978 A CN109241978 A CN 109241978A CN 201810964826 A CN201810964826 A CN 201810964826A CN 109241978 A CN109241978 A CN 109241978A
Authority
CN
China
Prior art keywords
point
ground
planar chip
neighborhood
vector
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
Application number
CN201810964826.8A
Other languages
English (en)
Other versions
CN109241978B (zh
Inventor
曹如军
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.)
Xian Heng International Technology Co ltd
Original Assignee
Zhongke Light Painting (shanghai) Technology Co Ltd
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 Zhongke Light Painting (shanghai) Technology Co Ltd filed Critical Zhongke Light Painting (shanghai) Technology Co Ltd
Priority to CN201810964826.8A priority Critical patent/CN109241978B/zh
Publication of CN109241978A publication Critical patent/CN109241978A/zh
Application granted granted Critical
Publication of CN109241978B publication Critical patent/CN109241978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种从地基三维激光点云数据中自动提取平面片的方法，包括步骤：对地基三维激光点云数据进行降采样；2)点属性计算及量化；3)参数域聚类选择种子点；4)空间域平面片聚类；5)最小二乘平面参数估计及面片边界计算。本发明无需人工干预，抗噪声、鲁棒性好、计算性能优异，且非常容易并行化，可用于从大范围、海量的点云数据中快速提取平面片，满足建筑物室内外三维建模的实时处理要求及处理精度要求。

Description

地基三维激光点云中平面片的快速提取方法
技术领域
本发明涉及计算机视觉(三维重建)技术领域，具体是一种从地基三维激光点云数据中自动提取平面片的方法。
背景技术
建筑物(构筑物)是城市中最常见、最主要的地物特征(统称为建筑物)，建筑物内部(室内)更是人们生产、生活、或娱乐等活动的主要场所。区别于机载激光雷达所获取的城市表面三维点云(3D Point Cloud)，地基激光扫描系统(terrestrial laser scanning,简称为TLS)可以获取更多、更详细的建筑立面信息，可以有效、精确、快速、真实地重建数字城市三维精细模型；对建筑物室内三维建模，TLS更是一种有效的数据采集工具。TLS生产的三维点云数据除提供直观视觉特征、满足简单的量算等需求外，更可用于进行三维自动建模。数字城市三维建模过程中，最常见的是建筑物三维建模，其(室内外)表面大多由平面(平面片)构成。因此，从三维点云数据中自动化、高精度地提取平面片具有重要现实意义；此外，三维建模过程中的非平面表面，通常也是由若干小平面片模拟(逼近)。
从三维点云数据中提取平面片过程的实质是将属于同一平面片的三维离散点聚类分割，其基本原则是基于点的空间邻接性及属性相似性。常用的(从三维点云)平面区域提取方法可分为两大类：空间域提取方法，和属性(参数)域提取方法。在空间域进行平面片提取的一般步骤是，首先选择初始种子点(或种子面片)，再从种子点进行区域增长[参见文献1.Vosselman G,Gorte B.2004.Recognising structure in laser scanner pointclouds[J].International archives of photogrammetry,remote sensing and spatialinformation sciences,XXXVI-8/W2:33-38.2.Sun S,Salvaggio C.2013.Aerial 3DBuilding Detection and Modeling From Airborne LiDAR Point Clouds[J].IEEEJournal of Selected Topics in Applied Earth Observations and Remote Sensing,6(3):1440-1449.3.Lari Z,Habib A.2014.An adaptive approach for the segmentationand extraction of planar and linear/cylindrical features from laser scanningdata[J].ISPRS Journal of Photogrammetry and Remote Sensing,93(7):192-212.]，将具有相似平面属性的邻接点加入到该平面片中，直到没有新的邻接点加入为止。如果种子点选择不当，则容易形成错误的平面片提取，也即鲁棒性不足。
在属性域进行平面片聚类分割，一种常用的方法是用霍夫(Hough)变换检测三维空间中的平面[参见文献4.Vosselman G,Dijkman E.2001.3D building modelreconstruction from point clouds and ground plans[J].International Archivesof Photogrammetry and Remote Sensing,XXXIV-3/W4:37-43.]，再进行空间邻接性分析来跟踪平面片边界，并分离出共面但不邻接的其他平面片。三维欧氏空间中的平面，包含四个参数，即，其Hough属性空间是四维的(可以通过增加约束将其变换为三维属性空间)，在编程实现时需要大量的计算机内存，性能较低，难以并行处理多个平面片。
对于地基激光扫描数据(三维点云)而言，由设备特性、扫描方式等导致其数据采样点多(从数十到数千点/米2)、点(密度)分布不均(近测站点密，距离越远则越稀疏)，另外数据中包括大量的竖直面片(墙等)。这些特征也导致常用的平面片提取方法(如机载LiDAR点云平面片提取方法等[参见文献5.Sampath A,Shan J.2010.Segmentation andReconstruction of Polyhedral Building Roofs From Aerial Lidar Point Clouds[J].IEEE Transactions on Geoscience and Remote Sensing,48(3):1554-1567.])，通常不能直接应用于TLS点云数据。
以本发明为核心的系统，用于从地基三维激光点云中快速提取平面片，并以此基础生产建筑物室内外三维模型，应用于智慧城市或数字城市的数据基础设施建设(三维建模、数据更新等)、室内定位、虚拟购物、安全应急等，服务于城市科学化、精细化管理与运营。
本发明的主要目的是解决现有地基三维点云平面片提取技术的不足，即，依赖于种子点的选择(鲁棒性不足)、计算效率低、以及难以处理密度分布不均匀的点云数据集等。
本发明提出一个鲁棒性好、效率高的地基三维点云平面片提取方法，易于计算机编程(并行化)实现。相较于已有方法(技术)，本发明的创造性主要体现如下：(1)将密度分布不均匀的数据降采样，在减少数据量的同时使点云分布相对均匀；(2)使用k-邻近(knearest neighbor,kNN)及球邻近结合的邻域计算扫描点的属性(法向量)；(3)在空间域进行区域增长的过程中，利用属性相似性约束，将区域增长范围限制在具有相似属性的子集中。这些创新减少了计算机内存占用，有效地提升了地基三维点云平面片提取方法的性能，增强了方法的鲁棒性，对地基点云，地基与机载，或多源数据集成的三维重建具有重要意义。
发明内容
针对上述现有技术的不足，本发明提出一种从地基三维激光点云数据中自动提取平面片的方法，运算速度快，计算效率高，提取结果准确率高。
本发明的技术解决方案如下：
一种从地基三维激光点云数据中自动提取平面片的方法，其特点在于该方法包括下列步骤：
1)对地基三维激光点云数据进行降采样：
①使用地基激光扫描系统获得关注的建筑物的地基三维激光点云数据，对所述的地基三维激光点云数据进行随机取样，采样点数N的范围为3000≤N≤20000，
②计算采样点的k-距图(k-distance graph，即，采样点到其k个最近点的平均距离)，以采样点的平均点距估计整个数据集的平均点密度；
③利用金字塔进行降采样，即，对数据集进行八叉树网格划分，选择与平均点距最接近的单元格(八叉树层级)作为基准采样单元，再计算或选择与单元格中心最接近的点；
2)点属性计算及量化：
①估计点的法向量时，采用kNN与球邻域结合的方法，确定数据点的邻域，按下列公式构造邻域协方差矩阵C，对三维激光扫描点p，由其邻域Np所确定的协方差矩阵(3×3矩阵)为：
其中为邻域点向量均值，设C的三个特征值按升序排列，λ0≤λ1≤λ2，则最小特征值λ0对应的特征向量v0，通常被认为是点所在的曲面的单位法向量，则该点的平面度为：
Fp＝λ0/(λ0+λ1+λ2)
Fp越小，点p是平面点的可能性越大；
3)参数域聚类选择种子点：
选择出平面点后，所计算的单位法向量v0作为待提取平面片的属性(聚类)参数，利用法向量的统计直方图选择种子点，即峰值。
①构造法向量直方图，采用的量化步长为0.04～0.06,将向量的每个分量量化为离散值后构建法向量直方图；
②使用棋盘距离或无穷范数距离定义“属性相似性”，即：
其中，dT为给定阈值(确定平面法向角偏度容差限，与数据精度、量化步长有关)，法向量直方图上的给定点q，由相似性定义所确定的邻域内的所有点都与q相似；③通过所述的法向量直方图的峰值选择聚类种子点；
4)空间域平面片聚类：
所有的未处理的点集S按照其法向量的属性划分为候选集S1与非候选集S2，其中S1中的每个元素与直方图的峰值(种子点)属性相似，其他未处理点则构成非候选集。在候选集S1中，直接使用点的“球邻域”所确定的空间邻接点进行空间域区域增长(平面片聚类)；
5)最小二乘平面参数估计及面片边界计算：
经过区域增长聚类后的平面点集合，属于同一平面片的点具有相同的标号，平面方程则用所有这些平面片点进行最小二乘拟合，拟合方程的形式如下：
a x+b y+c z+d＝0
使用矩形奇异值分解求解其最小二乘解，方程形式为：
A p＝0
其中，A＝[x y z 1]，p＝[a,b,c,d]，且||p||2＝1，x＝[x0x1..xk…]T,y＝[y0y1..yk…]T,z＝[z0z1..zk…]T，即x,y,z,1为列向量；
提取的平面片点在所拟合的平面上投影后，采用改进凸包算法或α-shape算法对这些点进行边界跟踪(具体自动跟踪方法可见[参见文献6.Sampath A,ShanJ.2007.Building Boundary Tracing and Regularization from Airborne Lidar PointClouds[J].Photogrammetric Engineering&Remote Sensing,73(7):805-812.]或α-shape算法[参见文献7.Cazals F,Giesen J,Pauly M,et al.2005.Conformal Alpha Shapes:Symposium on Point-Based Graphics(2005),Stony Brook,NY,USA[C].TheEurographics Association,June 21-22,2005.]),生成3D空间中的多边形平面片。
与现有技术相比，本发明的技术效果
1、无需人工干预，抗噪声、鲁棒性好、计算性能优异，且非常容易并行化。可用于从大范围、海量的点云数据中快速提取平面片，满足建筑物室内外三维建模的实时处理要求及处理精度要求。
2、已在杭州市某区域(约3平方公里)室外场景三维建模，以及若干变电站室内外一体化三维建模等进行实验，取得了较好的经济、社会效益。
3、运算速度快，计算效率高，提取结果准确率高，有效地克服了其他已有方法的缺陷(外点敏感、鲁棒性差、效率较低、计算复杂等)。基于本发明的思想，除应用于从地基三维激光扫描点云中快速提取平面片外，还可应用于其他类似场景，如倾斜影像密集匹配三维点云、kinect或类似设备点云、机载激光扫描点云等。
附图说明
图1是本发明方法处理流程框图
图2平面上点的不同邻域示意图：(a)圆邻域与k-最邻近邻域(k＝4)，(b)Delaunay三角形邻域或Voronoi邻域
具体实施方式
下面结合实施例和附图对本发明作进一步说明，但不应以此限制本发明的保护范围。
本发明用于从地基三维激光点云数据中自动提取平面片的方法，是参数域与空间域结合的方法，即，在参数域中选择种子点，再用这些种子点在空间域进行区域增长，从而自动提取各平面片。主要步骤包括，(1)数据降采样(sub-sample)；(2)点属性(法向量)计算及量化；(3)参数域聚类选择种子点，及空间域增长分割平面片；(4)最小二乘平面参数估计及面片边界计算。
请参阅图1，图1是本发明方法处理流程框图：
1、地基点云数据降采样
由于地基激光扫描数据(三维点云)数据量大(采样点多，每平米分布数十到数千点，单测站点数通常为千万量级)，点分布不均匀(近测站点密，远离测站稀疏)，需要对数据进行预处理，使点云分布相对均匀，以便于计算。
数据降采样正是以此为目的。具体处理步骤包括：点密度估计和数据降采样。考虑数据量级，本发明对点云数据进行随机取样(取样点数一般为激光脚点数的千分之一，但通常不少于三千点，不多于两万点)，计算采样点的k-距图(k-distancegraph，即，采样点到其k个最近点的平均距离)，以采样点的平均点距估计整个数据集的平均点密度。降采样则利用金字塔(八叉树)进行降采样，即，对数据集进行八叉树网格划分，选择与平均点距最接近的单元格(八叉树层级)作为基准采样单元，再计算(选择)与单元格中心最接近的点。
2、属性参数计算
对三维点云而言，其中的点仅是空间表面的某种采样，在恢复出由这些采样点所代表的空间表面的特性时，需要基于某种局部邻域对这些参数值进行估计。常用以确定三维空间中曲面几何性质的属性，包括位置(向量)及法向(切平面法向)。一般情况下，由不同的邻域(图2)所估计出的点的属性不同[参见文献1,4,5]。
本发明估计点的法向量时，采用kNN与球邻域结合的方法，这样有效地克服了kNN或球邻域对不均匀分布的点云数据不够稳定、性能较低的缺陷。确定数据点的邻域后，则构造邻域协方差矩阵C，求解C的特征值及特征向量，并计算点的平面度。对三维激光扫描点p，由其邻域Np所确定的协方差矩阵(3×3矩阵)为：
其中为邻域点均值(向量)。设C的三个特征值按升序排列，λ0≤λ1≤λ2，则最小特征值λ0所对应的特征向量(单位向量)，通常被认为是点(所在的曲面)的单位法向量。点的平面度为：
Fp＝λ0/(λ0+λ1+λ2)
Fp越小，点p是平面点的可能性越大。
(1)平面片提取
选择出平面点后，所计算的单位法向量作为待提取平面片的属性(聚类)参数。考虑到数据噪声，采样的测量误差，地物的表面非光滑性(粗糙度)等，仅单个点的法向量用作种子点是不够稳定的。因此，聚类种子点的选择必须具有统计意义的显著性。本发明则利用法向量的统计直方图选择种子点(峰值)。
构造法向量直方图，需要将向量的每个分量量化为离散值。量化步长需要合理选择，以平衡(或满足)平面检测的精度以及可靠性要求。步长越小，参数量化精度越高，所对应提取的平面参数就越精确，但也更容易受噪声或外点影响。相应地，步长越小，量化累加器数组也越大，其占用的计算机内存也越大。本发明采用的量化步长为0.04～0.06,所对应的量化角小于5°。
考虑到数据获取精度，量化步长以及计算误差等，本发明使用棋盘距离(Chebyshev，或无穷范数距离)定义“属性相似性”。即：
也即，若两向量属性分量差值的最大值小于给定阈值，则相似。法向量直方图上的给定点q，由相似性定义所确定的邻域内的所有点都与q相似。
选择聚类种子点(直方图峰值)后，开始空间域平面片聚类(区域增长)过程。聚类过程则基于属性相似性及空间邻接性。
定义相似属性后，所有的(未处理)点集S按照其法向量的属性(分量)划分为两个集合，即，候选集S1与非候选集S2。其中S1中的每个元素与直方图的峰值(种子点)属性相似，其他未处理点则构成非候选集。基于空间邻接性的平面片区域增长过程，则限制在候选集S1中，而非整个待处理集合S中，这样有效地提高了空间聚类性能。其中的空间邻接性则直接使用点的“球邻域”，即，在给定阈值半径范围内的邻接点，其阈值与点密度(平均点距)有关。
(2)平面片参数计算
经过区域增长聚类后的平面点集合，属于同一平面片的点具有相同的标号，平面方程则用所有这些平面片点进行最小二乘拟合，拟合方程的形式如下：
a x+b y+c z+d＝0
使用矩形奇异值分解(SVD)求解其最小二乘解，方程形式为：
A p＝0
其中，A＝[x y z 1]，p＝[a,b,c,d]，且||p||2＝1(注x＝[x0x1..xk…]T,y＝[y0y1..yk…]T,z＝[z0z1..zk…]T,即x,y,z,1为列向量)。
提取的平面片点在所拟合的平面上投影后，对这些点进行边界跟踪,生成3D空间中的平面片“多边形”。边界跟踪方法采用改进凸包算法。
以下以某建筑物室内激光扫描示例数据为实施例加以说明。
三维激光点云数据使用杭州中科天维科技有限公司生产的TW-A500地基脉冲式三维扫描仪采集，其角分辨率为12.65"(垂直)、3.16"(水平)，扫描视场为360×300°,数据精度为5mm@100m。原始数据包括位置、强度、颜色等信息，该示例数据包括近40万个扫描点。该建筑物除室内设施外，还包括墙面、地面，以及近似圆柱面的拱顶等。
利用本发明的方法对数据进行点密度估计、数据降采样后的效果，经过点密度估计、金字塔降采样后，数据点的分布相对均匀，且数据点数下降为原始数据的五分之一左右(约8万点)。对各个激光脚点进行kNN与球邻域结合的邻接点选择，构造邻域协方差矩阵，并求解点的平面度及法向，选择出平面点。将所计算的法向量构造法向直方图，用直方图局部峰值作为平面片空间区域增长的种子点，再将具有相似属性的空间邻接点依次加入到平面片(点集)中，聚类(标号)分割出各平面片点集。最后将各平面片点集进行最小二乘拟合，计算平面方程，并将各平面片点集投影到对应的拟合平面上，跟踪提取出相应的平面片多边形。本发明方法所提取的平面片，作为中间步骤结果，进一步提交给后续的三维重建等相关步骤。
以上实施例仅用于说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求所述为准。

Claims (1)

1.一种从地基三维激光点云数据中自动提取平面片的方法，其特征在于该方法包括下列步骤：
1)对地基三维激光点云数据进行降采样：
①使用地基激光扫描系统获得关注的建筑物的地基三维激光点云数据，对所述的地基三维激光点云数据进行随机取样，采样点数N的范围为3000≤N≤20000，
②计算采样点的k-距图(k-distance graph，即，采样点到其k个最近点的平均距离)，以采样点的平均点距估计整个数据集的平均点密度；
③利用金字塔进行降采样，即，对数据集进行八叉树网格划分，选择与平均点距最接近的单元格(八叉树层级)作为基准采样单元，再计算或选择与单元格中心最接近的点；
2)点属性计算及量化：
①估计点的法向量时，采用kNN与球邻域结合的方法，确定数据点的邻域，按下列公式构造邻域协方差矩阵C，对三维激光扫描点p，由其邻域Np所确定的协方差矩阵(3×3矩阵)为：
其中为邻域点向量均值，设C的三个特征值按升序排列，λ0≤λ1≤λ2，则最小特征值λ0对应的特征向量v0，通常被认为是点所在的曲面的单位法向量，则该点的平面度为：
Fp＝λ0/(λ0+λ1+λ2)
Fp越小，点p是平面点的可能性越大；
3)参数域聚类选择种子点：
选择出平面点后，所计算的单位法向量v0作为待提取平面片的属性(聚类)参数，利用法向量的统计直方图选择种子点，即峰值。
①构造法向量直方图，采用的量化步长为0.04～0.06,将向量的每个分量量化为离散值后构建法向量直方图；
②使用棋盘距离或无穷范数距离定义“属性相似性”，即：
其中，dT为给定阈值，法向量直方图上的给定点q，由相似性定义所确定的邻域内的所有点都与q相似；
③通过所述的法向量直方图的峰值选择聚类种子点；
4)空间域平面片聚类：
所有的未处理的点集S按照其法向量的属性划分为候选集S1与非候选集S2，其中S1中的每个元素与直方图的峰值(种子点)属性相似，其他未处理点则构成非候选集。在候选集S1中，直接使用点的“球邻域”所确定的空间邻接点进行空间域区域增长；
5)最小二乘平面参数估计及面片边界计算：
经过区域增长聚类后的平面点集合，属于同一平面片的点具有相同的标号，平面方程则用所有这些平面片点进行最小二乘拟合，拟合方程的形式如下：
a x+b y+c z+d＝0
使用矩形奇异值分解求解其最小二乘解，方程形式为：
A p＝0
其中，A＝[x y z 1]，p＝[a,b,c,d]，且||p||2＝1，x＝[x0x1..xk…]T,y＝[y0y1..yk…]T,z＝[z0z1..zk…]T，即x,y,z,1为列向量；
提取的平面片点在所拟合的平面上投影后，采用改进凸包算法或α-shape算法对这些点进行边界跟踪,生成3D空间中的多边形平面片。
CN201810964826.8A 2018-08-23 2018-08-23 地基三维激光点云中平面片的快速提取方法 Active CN109241978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810964826.8A CN109241978B (zh) 2018-08-23 2018-08-23 地基三维激光点云中平面片的快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810964826.8A CN109241978B (zh) 2018-08-23 2018-08-23 地基三维激光点云中平面片的快速提取方法

Publications (2)

Publication Number Publication Date
CN109241978A true CN109241978A (zh) 2019-01-18
CN109241978B CN109241978B (zh) 2021-09-07

Family

ID=65068065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810964826.8A Active CN109241978B (zh) 2018-08-23 2018-08-23 地基三维激光点云中平面片的快速提取方法

Country Status (1)

Country Link
CN (1) CN109241978B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517193A (zh) * 2019-06-28 2019-11-29 西安理工大学 一种海底声呐点云数据处理方法
CN111091614A (zh) * 2019-11-04 2020-05-01 国网内蒙古东部电力有限公司检修分公司 一种变电站三维实景模型建立方法及系统
CN112616058A (zh) * 2019-10-03 2021-04-06 腾讯美国有限责任公司 视频编码或解码方法、装置、计算机设备和存储介质
CN112669442A (zh) * 2020-12-11 2021-04-16 埃洛克航空科技（北京）有限公司 三维模型局部空间平面估计的方法
CN114494366A (zh) * 2022-01-19 2022-05-13 中铁第一勘察设计院集团有限公司 一种影像与点云配准的道路坑槽提取方法
CN115451846A (zh) * 2022-07-22 2022-12-09 中国人民解放军63891部队 一种基于tls的大型抛物面天线口径测量及计算方法
CN115953604A (zh) * 2023-03-13 2023-04-11 泰安市金土地测绘整理有限公司 一种不动产地理信息测绘数据采集方法
CN117132478A (zh) * 2023-04-25 2023-11-28 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103202A (zh) * 2010-12-01 2011-06-22 武汉大学 一种融合影像的机载激光雷达数据半监督分类方法
US20120075342A1 (en) * 2010-09-24 2012-03-29 Maha El Choubassi Augmenting image data based on related 3d point cloud data
CN103514598A (zh) * 2013-07-20 2014-01-15 北京航空航天大学 一种建筑sfm点云的自动分割方法
CN106780524A (zh) * 2016-11-11 2017-05-31 厦门大学 一种三维点云道路边界自动提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120075342A1 (en) * 2010-09-24 2012-03-29 Maha El Choubassi Augmenting image data based on related 3d point cloud data
CN102103202A (zh) * 2010-12-01 2011-06-22 武汉大学 一种融合影像的机载激光雷达数据半监督分类方法
CN103514598A (zh) * 2013-07-20 2014-01-15 北京航空航天大学 一种建筑sfm点云的自动分割方法
CN106780524A (zh) * 2016-11-11 2017-05-31 厦门大学 一种三维点云道路边界自动提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RUJUN CAO等: "Roof plane extraction from airborne lidar point clouds", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517193A (zh) * 2019-06-28 2019-11-29 西安理工大学 一种海底声呐点云数据处理方法
CN110517193B (zh) * 2019-06-28 2022-04-12 西安理工大学 一种海底声呐点云数据处理方法
CN112616058A (zh) * 2019-10-03 2021-04-06 腾讯美国有限责任公司 视频编码或解码方法、装置、计算机设备和存储介质
CN111091614B (zh) * 2019-11-04 2023-09-15 国网内蒙古东部电力有限公司检修分公司 一种变电站三维实景模型建立方法及系统
CN111091614A (zh) * 2019-11-04 2020-05-01 国网内蒙古东部电力有限公司检修分公司 一种变电站三维实景模型建立方法及系统
CN112669442A (zh) * 2020-12-11 2021-04-16 埃洛克航空科技（北京）有限公司 三维模型局部空间平面估计的方法
CN114494366A (zh) * 2022-01-19 2022-05-13 中铁第一勘察设计院集团有限公司 一种影像与点云配准的道路坑槽提取方法
CN114494366B (zh) * 2022-01-19 2024-04-30 中铁第一勘察设计院集团有限公司 一种影像与点云配准的道路坑槽提取方法
CN115451846A (zh) * 2022-07-22 2022-12-09 中国人民解放军63891部队 一种基于tls的大型抛物面天线口径测量及计算方法
CN115451846B (zh) * 2022-07-22 2024-04-09 中国人民解放军63891部队 一种基于tls的大型抛物面天线口径测量及计算方法
CN115953604A (zh) * 2023-03-13 2023-04-11 泰安市金土地测绘整理有限公司 一种不动产地理信息测绘数据采集方法
CN115953604B (zh) * 2023-03-13 2023-05-30 泰安市金土地测绘整理有限公司 一种不动产地理信息测绘数据采集方法
CN117132478A (zh) * 2023-04-25 2023-11-28 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法
CN117132478B (zh) * 2023-04-25 2024-05-17 兰州交通大学 一种基于法向量二范数特征参数的轨道点云去噪方法

Also Published As

Publication number Publication date
CN109241978B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN109241978A (zh) 地基三维激光点云中平面片的快速提取方法
Yang et al. An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds
Zhu et al. Facade reconstruction using multiview spaceborne TomoSAR point clouds
Bonczak et al. Large-scale parameterization of 3D building morphology in complex urban landscapes using aerial LiDAR and city administrative data
CN106157309B (zh) 一种基于虚拟种子点的机载LiDAR地面点云滤波方法
Yang et al. Semiautomated building facade footprint extraction from mobile LiDAR point clouds
Elmqvist et al. Terrain modelling and analysis using laser scanner data
Ramiya et al. Segmentation based building detection approach from LiDAR point cloud
Wang et al. Segmentation of LiDAR point clouds for building extraction
Yang et al. Automated extraction of building outlines from airborne laser scanning point clouds
Gross et al. Extraction of lines from laser point clouds
CN110794413B (zh) 线性体素分割的激光雷达点云数据电力线检测方法和系统
CN113066162B (zh) 一种用于电磁计算的城市环境快速建模方法
CN114332366A (zh) 数字城市单体房屋点云立面3d特征提取方法
CN111323788B (zh) 建筑物变化的监测方法、装置及计算机设备
Li et al. Feature extraction and modeling of urban building from vehicle-borne laser scanning data
CN109191484B (zh) 一种从机载激光雷达点云中快速提取平面片的方法
CN107993242B (zh) 基于机载LiDAR点云数据缺失区域边界提取方法
He Automated 3D building modelling from airborne LiDAR data
Ural et al. Min-cut based segmentation of airborne lidar point clouds
Soderman et al. Three-dimensional environment models from airborne laser radar data
CN116579949A (zh) 适用于城市多噪声环境下机载点云地面点滤波方法
Tian et al. A Process-Oriented Method for Rapid Acquisition of Canopy Height Model From RGB Point Cloud in Semiarid Region
Li et al. Extraction and Analysis of Three‐Dimensional Morphological Features of Centimeter‐Scale Rocks in Zhurong Landing Region
Ghosh et al. Heuristical feature extraction from LiDAR data and their visualization

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
TR01 Transfer of patent right

Effective date of registration: 20231027

Address after: Room E10, No. 889 Jiangcheng Road, Shangcheng District, Hangzhou City, Zhejiang Province, 310002

Patentee after: XIAN HENG INTERNATIONAL TECHNOLOGY CO.,LTD.

Address before: 201800 room 1102, 811 Pingcheng Road, Juyuan New District, Jiading District, Shanghai

Patentee before: ZHONGKE GUANGHUI (SHANGHAI) TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right