CN109949326B - 基于背包式三维激光点云数据的建筑物轮廓线提取方法 - Google Patents
基于背包式三维激光点云数据的建筑物轮廓线提取方法 Download PDFInfo
- Publication number
- CN109949326B CN109949326B CN201910218994.7A CN201910218994A CN109949326B CN 109949326 B CN109949326 B CN 109949326B CN 201910218994 A CN201910218994 A CN 201910218994A CN 109949326 B CN109949326 B CN 109949326B
- Authority
- CN
- China
- Prior art keywords
- straight line
- data
- point cloud
- line
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims description 28
- 238000012847 principal component analysis method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241001596784 Pegasus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于背包式三维激光点云数据的建筑物轮廓线自动提取方法,具体包括以下步骤:点云数据切片、点云数据去噪、局部直线拟合、直线数据分类、全局直线拟合、全局轮廓线构造、局部数据特征点搜索和全局轮廓线与局部特征点融合,本发明中采用背包三维激光扫描系统可在人员能通过的地方进行数据获取,作业方式更为灵活且获取的数据更完整,工作效率较高且成本较低;采用kd树对点云数据逐点进行邻域搜索、主成分分析法和模糊C均值算法,实现了建筑物轮廓高精度自动提取;利用单位特征向量准确拟合出局部直线的斜率;基于拟合直线与X轴的夹角数据进行聚类能够实现不同斜率直线数据的精确分类。
Description
技术领域
本发明涉及地理信息技术领域,具体是涉及一种基于背包式三维激光点云数据的建筑物轮廓线提取方法。
背景技术
随着“数字城市”等概念的逐渐深入,城市空间信息已经成为了当今社会中不可或缺的重要资源,建筑物作为城市最重要的组成部分,基于遥感数据中实现建筑物及其轮廓线的高精度快速提取,将为“数字城市”提供重要的基础数据,同时也是一个目前研究领域的难点之一。
测绘行业测量建筑物轮廓线时采用的方法主要有导线测量、三角测量等,测量过程中需要布设控制点和逐点测量轮廓线特征点,然后利用绘图软件手动绘图,最终获取建筑物轮廓线划图,这种方法工作效率和自动化程度较低。随着遥感技术的快速发展,人们逐渐采用摄影测量和机载激光技术实现建筑物轮廓线的自动提取,但是摄影测量必然会面临诸如图像亮度剧烈变化、阴影、透视失真等问题,从而增大轮廓线提取的难度,降低提取轮廓线的精度。三维激光扫描技术几乎不存在上述问题,但是机载三维激光扫描技术获取的点云数据密度较低,一平米内只有几个点,无法获取轮廓线的细节尺度信息,并且目前使用的机载激光雷达载具多为有人机,成本较高不利于推广。现有专利CN106056614A公开了一种地面激光点云数据的建筑物分割与轮廓线提取方法,包括对点云进行竖直投影、生成二维灰度图像、利用Otsu算法分割建筑物点云、主成分分析、最佳邻域计算、轮廓线提取等6个步骤;该发明实现了从原始点云中快速、准确地分割出建筑物点云,并且全自动地完成建筑物轮廓线点云的提取。现有专利CN107767382B公开了一种静态三维地图建筑物轮廓线的自动提取方法及系统,涉及地理信息技术领域,该发明根据地图分辨率分块加载三维模型、帧缓存大小,采用深度缓冲区分割算法,获取单个建筑物对象的颜色缓冲区,利用Canny算子对其进行边缘检测,然后进行边缘处理和直线段之间的连接,再基于图论以线段作为顶点,线段的连接概率作为弧的权值,通过知觉组织方法对线段进行编组,提取建筑物模型的轮廓,该发明能从任意视角可靠、迅速地自动提取静态三维地图中建筑物轮廓。
随着卫星导航定位、惯性导航、激光扫描、近景摄像等多传感器集成技术与同步定位与制图(SLAM)技术的快速发展,背包式移动三维激光扫描系统应运而生。作为目前最热门的测绘新技术,设备通过人员背载进行数据扫描,人员可通过的地方都可进行数据采集,采集过程快速、便捷、低成本,为建筑物轮廓线的自动提取提供了全新的解决方案。背包式移动三维激光扫描系统作为一种新兴的测绘设备,其在国内外的应用还处于起步阶段,相关的应用研究相对较少,因此本发明旨在针对背包式三维激光点云数据的特点,提供一种行之有效的建筑物轮廓线自动提取方法,实现建筑物轮廓线的高精度自动提取。
发明内容
本发明为改善现有测绘行业利用导线测量、三角测量等方法测量建筑物轮廓线过程中工作效率和自动化程度低的问题,提出了一种基于背包式三维激光扫描系统点云数据实现建筑物轮廓线的高精度自动提取方法,采用以下技术方案:
一种基于背包式三维激光点云数据的建筑物轮廓线自动提取方法,包括以下步骤:
S1、点云数据切片:设置切片点云厚度,获取代表建筑物水平轮廓且完整性高的切片点云数据;
S2、点云数据去噪:针对所述切片点云数据,采用主成分分析方法进行去噪;
S3、局部直线拟合:利用kd树对去噪后的切片点云数据逐点进行邻域搜索,然后根据邻域数据的XY信息结合主成分分析法进行局部直线拟合;
S4、直线数据分类:利用模糊C均值算法对局部拟合直线与X轴的夹角数据进行聚类,然后将所述切片点云数据分为两类;
S5、全局直线拟合:将每类切片点云数据中的直线进行分离,然后设置阈值,将直线端点距离与阈值比较后拟合出直线方程;
S6、全局轮廓线构造:计算每类中的直线与另一类直线的交点,然后根据所述交点对每条直线进行分段,最后根据线段的端点之间的距离关系对线段端点按顺序连接获取全局轮廓线;
S7、局部数据特征点搜索:利用kd树搜索邻域中同时包含两类数据的点,然后利用DBSCAN(Density-based spatial clustering of applications with noise)算法对搜索结果进行聚类,最后通过局部直线拟合计算出局部特征点坐标;
S8、全局轮廓线和局部特征点融合:以全局轮廓线为基础,计算局部特征点到全局轮廓线数据的距离,将满足阈值的局部特征点加入对应直线中,然后按照直线端点与局部特征点的位置关系进行排序后依次连接,最终实现建筑物轮廓线的自动提取。
具体地,所述S2中主成分分析方法,包括以下步骤:
S21、计算第一主成分的方差贡献率n,采用如下公式:
其中λ为每个激光点邻域范围内数据协方差矩阵的特征值且λ1>λ2,
S22、设置阈值,将方差贡献率n小于阈值的数据去除。
具体地,所述步骤S3局部直线拟合的具体方法为根据每个激光点邻域点云数据XY坐标的第一主成分对应的单位特征向量e1=[e11 e12]来拟合直线的斜率k和直线与X轴的夹角p,计算公式如下:
k=e12/e11
p=arctan(k)。
具体地,所述步骤S4中还包括将每个点的对应类别标记为0或1。
具体地,所述步骤S5中将每类切片点云数据中的直线进行分离具体包括以下步骤:以X最小值对应的点作为起始点构造直线,将与构造直线的距离小于阈值的数据作为直线数据,所述阈值为15cm,然后以剩余数据的X最小值对应的点作为起始点构造新的直线并识别直线数据。
具体地,所述步骤S5中直线端点距离与阈值比较后拟合的具体步骤包括:
1)直线的两个端点距离大于阈值,所述阈值为1m,则以两个端点邻域的中值构造直线;
2)直线的两个端点为孤立点,则忽略该点,以新的端点拟合直线;
3)直线的两个端点距离小于阈值,所述阈值为1m,则以直线数据的中值和平行线分离过程的斜率拟合直线。
具体地,所述步骤S6还包括分段后的各线段的直线方程与原始直线相同,然后重新搜索各直线端点。
具体地,所述步骤S7中利用DBSCAN(Density-based spatial clustering ofapplications with noise)算法对搜索结果进行聚类,聚类结果中每个类别的数据中均包含轮廓线特征点。
具体地,所述步骤S7中还包括根据直线斜率对每个类别内部的特征点进行连接。
具体地,所述步骤S8中对于局部特征点和全局轮廓线特征点之间的距离小于阈值的特征点,以局部特征点取代全局轮廓线特征点,然后基于全局轮廓线特征点的拓扑关系构造最终的轮廓线。
本发明具有以下有益效果:
一、背包三维激光扫描系统可在人员能通过的地方进行数据获取,作业方式更为灵活且获取的数据更完整,在移动过程中快速获取建筑物的三维点云数据,工作效率较高且成本较低;
二、本发明中采用kd树对点云数据逐点进行邻域搜索、主成分分析法和模糊C均值算法,实现了建筑物轮廓高精度自动提取;
三、利用单位特征向量准确计算拟合局部直线的斜率;基于拟合直线与X轴的夹角数据进行聚类能够实现不同斜率直线数据的精确分类。
附图说明
图1为本发明的建筑物轮廓自动提取方法流程图;
图2为实施例中独立建筑物数据与切片位置;
图3为切片点云数据图;
图4为切片点云数据去噪结果图;
图5(a)为类别1对应点云数据图,图5(b)为类别2对应点云数据图;
图6(a)为全局轮廓特征点图,图6(b)为局部轮廓特征点图,图6(c)为最终轮廓线提取结果图;
图7为实施例中小区轮廓线提取结果图;
图8为特征点误差统计图。
具体实施例
本实施例将某小区作为研究对象,采用Leica Pegasus移动实景测量背包对该小区进行数据采集,获取目标建筑物的点云数据和照片,然后利用硬件配套IE软件进行GNSS格式转换、轨迹解算和预检查,然后利用配套的Infinity软件建立坐标系,最后利用配套的AutoP软件进行SLAM解算(修改轨迹)并导出LAS格式点云数据。
首先选取一栋独立建筑物进行轮廓线提取来阐述本发明所提方法的处理过程,图2为该独立建筑物数据与切片位置:
一种基于背包式三维激光点云数据的建筑物轮廓线自动提取方法,包括以下步骤:
S1、点云数据切片:在点云数据处理软件Trimble RealWorks中进行点云数据切片,切片过程需考虑具有代表性的建筑物位置进行切片,设置切片点云厚度,获取代表建筑物水平轮廓且完整性高的切片点云数据,如图3所示;
S2、点云数据去噪:针对所述切片点云数据,采用主成分分析方法进行去噪,由于建筑物边界均为直线,因此边界线数据的几何分布特征明显,均为沿某个直线方向集中分布,所以局部边界线数据XY坐标信息的第一主成分的方差贡献率较高,可以将其作为关键参数来区分边界线与噪声数据,包括以下步骤:
S21、计算第一主成分的方差贡献率n,采用如下公式:
其中λ为每个激光点邻域范围内数据协方差矩阵的特征值且λ1>λ2,
S22、设置阈值为0.8,将方差贡献率n小于0.8的数据去除;
去噪结果如图4所示,图4中绝大部分噪声被删除且建筑物边界数据变化不大;
S3、局部直线拟合:利用kd树对去噪后的切片点云数据逐点进行邻域搜索,然后根据邻域数据的XY信息结合主成分分析法进行局部直线拟合;主成分分析法中的协方差矩阵的单位特征向量能够反映数据的几何分布特征,而对于沿直线分布的数据,其第一主成分对应的单位特征向量能够反映出直线的斜率,因此可根据每个激光点邻域点云数据XY坐标的第一主成分对应的单位特征向量e1=[e11 e12]来拟合直线的斜率k和直线与X轴的夹角p,计算公式如下:
k=e12/e11
p=arctan(k);
S4、直线数据分类:建筑物轮廓线主要由两组平行线构成,考虑到直线斜率随夹角的变化呈非线性变化,所以利用模糊C均值算法对局部拟合直线与X轴的夹角数据进行聚类,然后将所述切片点云数据分为两类,每个点对应的类别标记为0或1;各类别点云数据如图5(a)和图5(b)所示,各类别点云数据中包含任何噪声较少,分类结果良好,实验结果表明,局部点云数据协方差矩阵的单位特征向量能够准确描述点云数据的几何分布特征,即可以利用单位特征向量准确计算拟合局部直线的斜率;基于拟合直线与X轴的夹角数据进行聚类能够实现不同斜率直线数据的精确分类;
S5、全局直线拟合:对每类切片点云数据中的直线进行分离,然后设置阈值(1m),将直线端点距离与阈值(1m)比较后拟合出直线方程;具体地,以X最小值对应的点作为起始点构造直线,将与构造直线的距离小于阈值(15cm)的数据作为直线数据,然后以剩余数据的X最小值对应的点作为起始点构造新的直线并识别直线数据,然后根据分离的直线数据拟合直线,若直线的两个端点距离大于阈值(1m),则以两个端点邻域的中值构造直线;若直线的两个端点为孤立点,则忽略该点,以新的端点拟合直线;若直线的两个端点距离小于阈值(1m),则以直线数据的中值和平行线分离过程的斜率拟合直线;
S6、全局轮廓线构造:计算每类中的直线与另一类直线的交点,然后根据所述交点对每条直线进行分段,分段后的各线段的直线方程与原始直线相同,然后重新搜索各直线端点,最后根据线段的端点之间的距离关系对线段端点按顺序连接获取全局轮廓线;
S7、局部数据特征点搜索:利用kd树搜索邻域中同时包含两类数据的点,然后利用模糊C均值算法对搜索结果进行聚类,聚类结果中每个类别的数据中均包含轮廓线特征点,最后通过局部直线拟合计算出局部特征点坐标,根据直线斜率对每个类别内部的特征点进行连接;
S8、全局轮廓线和局部特征点融合:以全局轮廓线为基础,首先对于局部特征点和全局轮廓线特征点之间的距离小于阈值的特征点,以局部特征点取代全局轮廓线特征点,然后基于全局轮廓线特征点的拓扑关系构造最终的轮廓线,计算局部特征点到全局轮廓线数据的距离,将满足阈值的局部特征点加入对应直线中,然后按照直线端点与局部特征点的位置关系进行排序后依次连接,最终实现建筑物轮廓线的自动提取。
独立建筑物轮廓线提取结果如图6(a)-图6(c)所示,图6(a)为基于全局直线拟合的特征点提取结果,共识别特征点20个,已识别的特征点均为轮廓线较大尺度位置特征点,而图6(a)中标记的三个位置的特征点无法被识别出来,这是因为这些位置的尺度较小,全局直线拟合过程无法识别细节尺度位置的直线。图6(b)为基于局部搜索的特征点提取结果,共识别特征点26个,图6(a)中标记的三个位置的特征点均成功被识别出来,图6(b)中标记的三个位置虽然细节尺度较大,但是由于数据缺失严重,这些位置的特征点并未被识别出来。图6(c)为最终轮廓线提取结果图,获取了建筑物完整的轮廓线。综上所述,局部搜索算法能够搜索到更细节尺度的特征点,但是对于不完整的数据无法保证识别轮廓线的完整性,全局搜索算法虽然无法搜索到较细节尺度的特征点,但是受数据完整性的影响较小,二者结合之后能够弥补两种方法各自的不足,最终获取完整的轮廓线。
完整小区的轮廓线提取结果如图7所示,共35栋建筑的轮廓线被提取出来,随机从中选取10个特征点与测量点进行对比并计算坐标绝对误差。误差统计结果如图8所示,图中所有点的误差均小于0.1m,均方根误差RMSE为0.058m。
上述详细说明是针对本发明其中之一可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本发明技术方案的范围内。
Claims (10)
1.一种基于背包式三维激光点云数据的建筑物轮廓线提取方法,包括以下步骤:
S1、点云数据切片:设置切片点云厚度,获取代表建筑物水平轮廓且完整性高的切片点云数据;
S2、点云数据去噪:针对所述切片点云数据,采用主成分分析方法进行去噪;
S3、局部直线拟合:利用kd树对去噪后的切片点云数据逐点进行邻域搜索,然后根据邻域数据的XY信息结合主成分分析法进行局部直线拟合;
S4、直线数据分类:利用模糊C均值算法对局部拟合直线与X轴的夹角数据进行聚类,然后将所述切片点云数据分为两类;
S5、全局直线拟合:对每类切片点云数据中的直线进行分离,然后设置阈值,将直线端点距离与阈值比较后拟合出直线方程;
S6、全局轮廓线构造:计算每类中的直线与另一类直线的交点,然后根据所述交点对每条直线进行分段,最后根据线段的端点之间的距离关系对线段端点按顺序连接获取全局轮廓线;
S7、局部数据特征点搜索:利用kd树搜索邻域中同时包含两类数据的点,然后利用DBSCAN算法对搜索结果进行聚类,最后通过局部直线拟合计算出局部特征点坐标;
S8、全局轮廓线和局部特征点融合:以全局轮廓线为基础,计算局部特征点到全局轮廓线数据的距离,将满足阈值的局部特征点加入对应直线中,然后按照直线端点与局部特征点的位置关系进行排序后依次连接,最终实现建筑物轮廓线的自动提取。
3.根据权利要求1所述的一种基于背包式三维激光点云数据的建筑物轮廓线提取方法,其特征在于,所述步骤S3局部直线拟合的具体方法为根据每个激光点邻域点云数据XY坐标的第一主成分对应的单位特征向量e1=[e11 e12]来拟合直线的斜率k和直线与X轴的夹角p,计算公式如下:
k=e12/e11
p=arctan(k)。
4.根据权利要求1所述的一种基于背包式三维激光点云数据的建筑物轮廓线提取方法,其特征在于,所述步骤S4中还包括将每个点的对应类别标记为0或1。
5.根据权利要求1所述的一种基于背包式三维激光点云数据的建筑物轮廓线提取方法,其特征在于,所述步骤S5中将每类切片点云数据中的直线进行分离具体包括以下步骤:以X最小值对应的点作为起始点构造直线,将与构造直线的距离小于阈值的数据作为直线数据,然后以剩余数据的X最小值对应的点作为起始点构造新的直线并识别直线数据。
6.根据权利要求5所述的一种基于背包式三维激光点云数据的建筑物轮廓线提取方法,其特征在于,所述步骤S5中直线端点距离与阈值比较后拟合的具体步骤包括:
1)直线的两个端点距离大于阈值,则以两个端点邻域的中值构造直线;
2)直线的两个端点为孤立点,则忽略该点,以新的端点拟合直线;
3)直线的两个端点距离小于阈值,则以直线数据的中值和平行线分离过程的斜率拟合直线。
7.根据权利要求1所述的一种基于背包式三维激光点云数据的建筑物轮廓线提取方法,其特征在于,所述步骤S6还包括分段后的各线段的直线方程与原始直线相同,然后重新搜索各直线端点。
8.根据权利要求1所述的一种基于背包式三维激光点云数据的建筑物轮廓线提取方法,其特征在于,所述步骤S7中利用DBSCAN算法对搜索结果进行聚类,聚类结果中每个类别的数据中均包含轮廓线特征点。
9.根据权利要求1所述的一种基于背包式三维激光点云数据的建筑物轮廓线提取方法,其特征在于,所述步骤S7中还包括根据直线斜率对每个类别内部的特征点进行连接。
10.根据权利要求1所述的一种基于背包式三维激光点云数据的建筑物轮廓线提取方法,其特征在于,所述步骤S8中对于局部特征点和全局轮廓线特征点之间的距离小于阈值的特征点,以局部特征点取代全局轮廓线特征点,然后基于全局轮廓线特征点的拓扑关系构造最终的轮廓线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218994.7A CN109949326B (zh) | 2019-03-21 | 2019-03-21 | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218994.7A CN109949326B (zh) | 2019-03-21 | 2019-03-21 | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949326A CN109949326A (zh) | 2019-06-28 |
CN109949326B true CN109949326B (zh) | 2020-09-08 |
Family
ID=67010819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910218994.7A Active CN109949326B (zh) | 2019-03-21 | 2019-03-21 | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949326B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705595B (zh) * | 2019-09-04 | 2022-02-25 | 苏州工业园区测绘地理信息有限公司 | 一种基于背包式三维激光点云数据的停车位自动提取方法 |
CN110879978A (zh) * | 2019-11-13 | 2020-03-13 | 广西中煤地质有限责任公司 | 一种无人机倾斜摄影三维模型的建筑轮廓线自动提取方法 |
CN110954002A (zh) * | 2019-12-19 | 2020-04-03 | 株洲菲斯罗克光电技术有限公司 | 一种光纤直径测量方法 |
CN113033592A (zh) * | 2019-12-25 | 2021-06-25 | 山东理工大学 | 基于斜率差分布的形状匹配与物体识别方法 |
CN111444927B (zh) * | 2020-03-26 | 2023-05-26 | 广州市炜城智能科技有限公司 | 一种应用激光技术的多维形态鉴别动植物有害生物方法 |
CN111337030B (zh) * | 2020-05-19 | 2020-09-08 | 北京数字绿土科技有限公司 | 一种基于背负式的激光雷达扫描系统、导航定位方法 |
CN112446343B (zh) * | 2020-12-07 | 2024-03-15 | 园测信息科技股份有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
CN112649813B (zh) * | 2020-12-15 | 2022-02-08 | 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 |
CN112560747A (zh) * | 2020-12-23 | 2021-03-26 | 苏州工业园区测绘地理信息有限公司 | 基于车载点云数据的车道边界交互式提取方法 |
CN113762067B (zh) * | 2021-07-21 | 2024-03-26 | 上海圭目机器人有限公司 | 一种机场板块的识别方法 |
CN113963010A (zh) * | 2021-07-27 | 2022-01-21 | 成都睿铂科技有限责任公司 | 一种物体轮廓线提取方法及系统 |
CN113985383B (zh) * | 2021-12-27 | 2022-05-31 | 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 |
CN114999087A (zh) * | 2022-05-24 | 2022-09-02 | 深圳康佳电子科技有限公司 | 一种保护隐私的监控方法、装置、介质及终端 |
CN115546421B (zh) * | 2022-12-02 | 2023-03-24 | 中南大学 | 一种点线双域互增强建筑几何轮廓线重建方法 |
CN117091521B (zh) * | 2023-10-19 | 2023-12-22 | 靖江市黄埔机械部件制造有限公司 | 一种制动器焊接设备自动输送上料厚度检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034104A (zh) * | 2010-12-10 | 2011-04-27 | 中国人民解放军国防科学技术大学 | 三维点云中基于随机采样一致性的特征线检测方法 |
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 |
CN105844629A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种大场景城市建筑物立面点云自动分割方法 |
CN107146280A (zh) * | 2017-05-09 | 2017-09-08 | 西安理工大学 | 一种基于切分的点云建筑物重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170078593A1 (en) * | 2015-09-16 | 2017-03-16 | Indoor Reality | 3d spherical image system |
-
2019
- 2019-03-21 CN CN201910218994.7A patent/CN109949326B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034104A (zh) * | 2010-12-10 | 2011-04-27 | 中国人民解放军国防科学技术大学 | 三维点云中基于随机采样一致性的特征线检测方法 |
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 |
CN105844629A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种大场景城市建筑物立面点云自动分割方法 |
CN107146280A (zh) * | 2017-05-09 | 2017-09-08 | 西安理工大学 | 一种基于切分的点云建筑物重建方法 |
Non-Patent Citations (2)
Title |
---|
Semiautomated Building Facade Footprint Extraction From Mobile LiDAR Point Clouds;Bisheng Yang et al.;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20121227;第10卷(第4期);第766-770页 * |
基于点云数据的主成分分析重构表面算法;张贺等;《黑龙江工程学院学报(自然科学版)》;20100331;第24卷(第1期);第39-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109949326A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949326B (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
Monnier et al. | Trees detection from laser point clouds acquired in dense urban areas by a mobile mapping system | |
CN107679441B (zh) | 基于多时相遥感影像阴影提取城市建筑物高度的方法 | |
CN113168717B (zh) | 一种点云匹配方法及装置、导航方法及设备、定位方法、激光雷达 | |
CN110717983A (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 | |
CN109238239B (zh) | 基于航空摄影的数字测量三维建模方法 | |
CN110542908A (zh) | 应用于智能驾驶车辆上的激光雷达动态物体感知方法 | |
CN102074047A (zh) | 一种高精细城市三维建模方法 | |
JP7156515B2 (ja) | 点群アノテーション装置、方法、及びプログラム | |
Soheilian et al. | 3D road marking reconstruction from street-level calibrated stereo pairs | |
Ozturk et al. | A low-cost approach for determination of discontinuity orientation using smartphone images and application to a part of Ihlara Valley (Central Turkey) | |
CN114547866B (zh) | 基于bim-无人机-机械狗的预制构件智能检测方法 | |
Yadav et al. | Identification of trees and their trunks from mobile laser scanning data of roadway scenes | |
AU2022259832A1 (en) | Target detection in a point cloud | |
CN117272191B (zh) | 一种城市地下空间智能测绘方法及系统 | |
Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
Demir | Automated detection of 3D roof planes from Lidar data | |
Lucks et al. | Improving trajectory estimation using 3D city models and kinematic point clouds | |
CN110617800A (zh) | 基于民航客机的应急遥感监测方法、系统及存储介质 | |
Xiao | Detecting changes in trees using multi-temporal airborne LIDAR point clouds | |
TWI597405B (zh) | System and method for monitoring slope with tree displacement | |
JP7236377B2 (ja) | 物体検出装置および物体検出方法 | |
JP7271413B2 (ja) | 物体検出装置および物体検出方法 | |
Ryu et al. | Landmark Localization for Drone Aerial Mapping Using GPS and Sparse Point Cloud for Photogrammetry Pipeline Automation | |
CN117310772B (zh) | 一种基于地图信息视距或非视距检测的电磁目标定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 215000 surveying and mapping geographic information building, 101 Suhong Middle Road, Suzhou Industrial Park, Jiangsu Province Patentee after: Yuance Information Technology Co.,Ltd. Address before: 215000 surveying and mapping geographic information building, 101 Suhong Middle Road, Suzhou Industrial Park, Jiangsu Province Patentee before: SUZHOU INDUSTRIAL PARK SURVEYING MAPPING AND GEOINFORMATION Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |