CN110021072A - 面向全息测绘的多平台点云智能处理方法 - Google Patents
面向全息测绘的多平台点云智能处理方法 Download PDFInfo
- Publication number
- CN110021072A CN110021072A CN201910266150.XA CN201910266150A CN110021072A CN 110021072 A CN110021072 A CN 110021072A CN 201910266150 A CN201910266150 A CN 201910266150A CN 110021072 A CN110021072 A CN 110021072A
- Authority
- CN
- China
- Prior art keywords
- cloud
- point cloud
- platform
- segmentation
- feature
- 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
- G06T15/00—3D [Three Dimensional] image rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种面向全息测绘的多平台点云智能处理方法,包括海量点云数据的组织及调度;点云数据质量控制及改善,实现无控制点条件下点云位置一致性的自动化改正;多平台激光点云数据高精度融合,包括进行近邻点云查找,全局匹配能量方程构建和二分图的最小代价匹配;地物目标自动化提取,包括通过地物目标几何语义一致性提取,实现全类型地物目标高精度提取及矢量化;基于格式塔法则的地物目标多细节层次模型重建,包括通过格式塔法数学模型和拓扑关系图,建立起建地物目标的多细节层次三维模型。本发明实现了基于多平台点云数据的全息测绘产品生产过程,操作简单,容易实现,能大大减少数据处理人工工作量,提高了工作生产效率和产品更新周期。
Description
技术领域
本发明涉及对智能化全息测绘关键技术,包括多平台激光点云数据组织管理、质量改善、基准统一、地物目标自动化提取以及实景模型重建等处理,属于激光点云自动化处理以及新型基础测绘领域。
背景技术
随着“数字地球”的深入人心,以及“智慧城市”的快速发展,人们对全面、准确、实时的地理信息数据,特别是高精度的三维地理信息需求越来越旺盛。以地图和影像为代表的二维空间数据表达已经远远不能满足人们对真实三维空间认知的需要,如何准确、快速地获取三维地理信息成为测绘地理信息领域的根本任务和迫切需求。随着激光扫描技术的快速发展,点云成为继地图和影像后的第三类空间数据,为三维现实世界精确刻画提供了崭新的表达方式,在全球变化、智慧城市、全球制图、智能交通等国家重大需求中起到十分重要的作用。
激光扫描系统能够在高速移动状态下获取道路以及道路两侧建筑物、树木、交通标牌等地物表面的精确三维信息,具有数据采集速度快、自动化程度高、受天气影响小、数据内容丰富等传统测绘手段无可比拟的优势,对于提高测绘产品生产效率及自动化水平具有十分重要的作用。本发明针对智能化全息测绘自动化程度低、生产周期长等不足,以及激光扫描数据的自动化处理的关键技术难点和瓶颈,以机载、车载、地面式和便携式(背包)等多平台点云和影像为数据源,以实现城市场景全要素提取和实景模型自动化重建为目标,重点攻克海量点云和影像数据的组织及调度、点云数据的质量控制及改善、多平台激光点云数据高精度融合、地物目标自动化提取、地物目标自动矢量化、地物目标实景模型重建等方法,研制了面向全息测绘产品的激光扫描数据的自动化处理与建模系统,实现了基于多平台点云数据的“全要素提取”、“一测多用”、“智能化、自动化”全息测绘生产体系,推进激光扫描技术在测绘领域的广泛应用。
发明内容
本发明提出了一种面向全息测绘的多平台点云智能处理新方法,包括海量点云数据的组织及调度、点云数据质量控制及改善、多平台激光点云数据高精度融合、地物目标自动化提取和地物目标模型重建。
本发明提供一种面向全息测绘的多平台点云智能处理方法,包括以下步骤:
1)基于多平台采集的点云数据和影像,采用高效索引实现海量点云数据的组织及调度;
2)点云数据质量控制及改善,实现无控制点条件下点云位置一致性的自动化改正;
3)多平台激光点云数据高精度融合,包括进行近邻点云查找,全局匹配能量方程构建和二分图的最小代价匹配;
4)地物目标自动化提取,包括通过地物目标几何语义一致性提取,实现全类型地物目标高精度提取及矢量化;
5)基于格式塔法则的地物目标多细节层次模型重建,包括为实现地物目标多细节层次的构建,建立包含邻接性、封闭性、相似性和连续性的格式塔法数学模型,以步骤4中地物目标自动化提取所得面片为基础,构建融合视觉感知规则属性和面元间空间关系的拓扑关系图,所述视觉感知规则属性包括邻接性和相似性;通过格式塔法数学模型和拓扑关系图,建立起建地物目标的多细节层次三维模型。
而且,步骤1)实现方式如下,
包括首先使用八叉树对点云进行空间划分,生成索引缓存;然后依据点云数据的空间组成结构与位置关系,构建LOD索引树,并使用OpenGL技术对点云进行显示;最后使用多线程技术与Out-Of-Core内外存调度,实现海量点云数据的快速可视化。
而且,步骤2)包括以下子步骤,
2.1)依据轨迹点的加速度、角速度寻找速度和角度变化显著的点,并据此提取分段点;
2.2)寻找已有分段点在重访轨迹上的对应点作为新的分段点,沿轨迹均匀筛选分段点,包括首先每隔距离D1筛选细分段点对,然后每隔距离D2筛选粗分段点对,D1小于D2;
2.3)依据分段点云包围盒探测重访分段,提取重访分段的二进制形状上下文特征并进行同名特征匹配,利用同名特征对重访粗分段进行两两配准,将配准结果传递给细分段,并据此重新进行重访细分段的同名特征匹配,利用同名特征对重访细分段进行两两配准,再利用迭代最近点算进行精配准,并依据特征点对数量及重叠度剔除不可靠的两两配准结果;
2.4)依据重访分段两两配准结果及相邻分段间的转换关系构建目标函数,依据同名点的欧氏距离构建数据项,分段间转换关系构建平滑项,依据重访分段的同名特征数量设定权重,最后采用增量更新算法实现目标函数的全局最小化,从而实现全局最优的点云位置一致性的自动化改正。
而且,所述目标函数如下,
其中,前一项为依据同名点欧氏距离残差构建的数据项,C和T分别表示同名特征的集合与其对应的转换矩阵集合,(Fi,f′i)表示一对同名特征,和分别表示与Fi和F′i关联的转换矩阵,和分别表示Fi和F′i转换后的特征,表示同名特征转换后的距离残差;后一项为相邻点云转换参数变换后的距离残差构建的平滑项,S和||分别表示车辆行驶轨迹上的分段和分段个数,和表示相邻分段Si和Si+1间同名点及其个数,和是中第j对同名点,表示分段Si的位姿转换矩阵, 表示相邻分段Si和Si+1中同名点利用矩阵和转换后的距离残差。
而且,步骤3)中,所述地物目标几何语义一致性提取,实现如下,
利用顾及特征和欧氏距离约束的多尺度超体素快速生成技术,实现大规模点云数据从“点”到“超体素”的抽象;
创建融合特征相似性、空间平滑性和实体紧致性的全局能量方程;.
把点云分割和识别转换为全局能量最优化问题,并采用增量更新算法实现能量方程的全局最小化,实现多类型道路要素的协同分割与识别。
而且,步骤5)中,通过格式塔法数学模型和拓扑关系图,建立起建地物目标的多细节层次三维模型,包括以下子步骤,
5.1)将步骤4)中提取的面片,根据面片在拓扑关系图中的父节点,将第一层的面片划分成不同的子集合,即具有相同父节点的面片被分配到相同的子集合;
5.2)遍历各子集合,判断其中任意两面片在平面上是否相邻,如果相邻则两面片组成面片对;
5.3)遍历各子集合中所有的面片对,确定其拓扑关系:
对面片对中的两面片进行求交,从而得到相交线,如果相交线一定邻域内存在两面片内的点云,则两面片为相交关系;否则,两面片之间是阶跃关系;最后,判断其中一面片是否包含于另一面片中,如果存在包含关系,则在相交或阶跃关系的基础上再标记出包含关系。
而且,所述多平台采集的点云数据和影像,包括机载、车载、地面式和便携式采集的点云数据及影像。
本发明实现了基于多平台点云数据的全息测绘产品生产过程,推进激光扫描技术在测绘领域的应用。该方法采用计算机软件方式支持自动运行流程,操作简单,容易实现,能大大减少数据处理的人工工作量,提高了工作生产效率和产品更新周期,在智慧城市、智能交通、基础测绘等领域具有广泛的应用前景。
和现有技术相比,本发明的区别和优点是:
1)提出一种新的海量点云、影像、矢量数据高效索引技术,提高了索引建立的效率和鲁棒性;
2)研究了一种点云数据质量自动化控制及改善技术,实现了无控制点条件下点云位置一致性的自动化改正;
3)发展了一种多平台激光点云数据高精度、层次化融合方法,显著提高了现有点云配准方法的自动化水平;
4)创建了地物目标几何语义一致性提取方法,实现了兼顾精准几何边界和正确语义标识的目标地物结构化提取;
5)构建了基于格式塔法则的地物目标多细节层次模型重建方法,实现了地物目标按需多尺度的模型重建,提高了模型重建的精度和自动化水平。
可见,本发明综合以上技术,实现了基于多平台点云数据的“全要素提取”、“一测多用”、“智能化、自动化”全息测绘生产体系,能够有力推进激光扫描技术在测绘领域的广泛应用。
附图说明
图1是本发明实施例的整体技术路线示意图;
图2是本发明实施例的海量点云、影像数据的高效管理及快速可视化技术路线图;
图3是本发明实施例多细节层次建筑物点云数据对应的拓扑关系示意图。
具体实施方式
以下结合实施例和附图详细说明本发明技术方案。
本发明提出了一种面向全息测绘的多平台点云智能处理新方法,以机载、车载、地面式和便携式(背包)等多平台点云和影像为数据源,以实现城市场景全要素提取和实景模型自动化重建为目标进行研制。该方法包括5个关键的部分:海量点云数据的组织及调度、点云数据质量控制及改善、多平台激光点云数据高精度融合、地物目标自动化提取、地物目标模型重建等,提高了点云数据处理的自动化程度,提高了生产效率,且方法简单、容易实现,整体设计思路支持云平台实现:利用云存储的方式实现二维矢量、二维影像以及三维点云数据的分布式存储,利用云计算的方式实现变化检测、点云分割、数据质量改善、多源数据融合、多细节层次建模等点云数据处理,最后利用云服务的方式应用于污染/爆炸扩散、噪声模拟、建筑物信息模型应用、太阳能潜力估计、高精导航地图、电力走廊巡检等智能化的应用。
本发明技术方案采用计算机软件方式支持自动运行流程,其流程如图1所示。本发明技术方案主要包括数据层、处理层和表达/应用层。在数据层,实现多平台点云数据采集和预处理,首先利用车载激光扫描系统采集所有路段的点云和影像数据,然后利用背包、无人机、地面激光等采集重点区域的点云和影像数据,最后利用传感器的标定参数实现点云和影像数据的物理映射,获得包含坐标值x、y、z,反射强度I,颜色信息R、G、B的彩色激光点云。在处理层主要实现激光点云数据的质量控制及改善、多平台点云数据快速、鲁棒配准、全类型地物目标高精度提取及矢量化(三维特征层)等步骤。在表达/应用层通过地物目标几何基元提取、地物目标语义单元检测、几何-语义-关系一致性表达及等实现地物目标的多细节层次模型重建。
实施例具体实现流程包括以下步骤:
1)海量点云数据的组织及调度:首先使用八叉树对点云进行空间划分,生成索引缓存;然后依据点云数据的空间组成结构与位置关系,构建LOD索引树,并使用OpenGL技术对点云进行显示;最后使用多线程技术与Out-Of-Core内外存调度,实现海量点云数据的快速可视化。
为实现多平台点云数据采集和预处理,本发明提出海量点云、影像、矢量数据高效索引。
实施例中,对海量点云数据,使用八叉树,对点云进行空间划分,生成索引缓存,并构建LOD树。生成索引缓存后,依据点云数据的空间组成结构与位置关系,构建LOD索引树。然后使用OpenGL技术对点云进行显示。利用建立索引阶段生成的LOD索引树,在内存中构建场景LOD树。使用多线程技术与Out-Of-Core内外存调度,记录当前视点的位置,并使用后台线程预加载进入视口的点云缓存。当已加载的点云远离视口后,同样使用后台线程对其进行卸载,这样可以保证内存中只加载当前需要浏览的点云数据,从而实现海量点云数据的快速可视化,技术路线如图2所示。
2)点云数据质量控制及改善,实施例为实现无控制点条件下点云位置一致性的自动化改正,执行过程可分为以下子步骤:
2.1)依据轨迹点的加速度、角速度寻找速度和角度变化显著的点,并据此提取分段点;
2.2)寻找已有分段点在重访轨迹上的对应点作为新的分段点,沿轨迹均匀筛选分段点,包括首先每隔距离D1筛选细分段点对,然后每隔距离D2筛选粗分段点对,D1小于D2;
2.3)依据分段点云包围盒探测重访分段,提取重访分段的二进制形状上下文特征(Donget.al,2017)并进行同名特征匹配,利用同名特征对重访粗分段进行两两配准,将配准结果传递给细分段,并据此重新进行重访细分段的同名特征匹配,利用同名特征对重访细分段进行两两配准,再利用迭代最近点算法(Besl and McKay,1992)进行精配准,并依据特征点对数量及重叠度剔除不可靠的两两配准结果;
Dong,Z.,Yang,B.,Liu,Y.,Liang,F.,Li,B.,Zang,Y.,2017.A novel binaryshape contextfor3d local surface description.ISPRS J.Photogramm.RemoteSens.130,431–452.
Besl,Paul J.,McKay,Neil D.,1992.Method for Registration of 3-DShapes.InternationalSociety for Optics and Photonics,Robotics-DL Tentative,pp.586–606
2.4)依据重访分段两两配准结果及相邻分段间的转换关系构建目标函数,依据同名点的欧氏距离构建数据项,分段间转换关系构建平滑项,依据重访分段的同名特征数量设定权重。最后采用增量更新算法实现目标函数的全局最小化,从而实现全局最优的点云位置一致性的自动化改正。增量更新算法可参考文献:Boykov,Y.,Veksler,O.,Zabih,R.,2001.Fast approximate energy minimization via graphcuts.IEEE Trans.Pattern Anal.Mach.Intell.23(11),1222–1239.本发明不予赘述。
目标函数:
其中,前一项为依据同名点欧氏距离残差构建的数据项,C和T分别表示同名特征的集合与其对应的转换矩阵集合,(Fi,F′i)表示一对同名特征,和分别表示与Fi和F′i关联的转换矩阵,和分别表示Fi和F′i转换后的特征,表示同名特征转换后的距离残差;后一项为相邻点云转换参数变换后的距离残差构建的平滑项,S和|S|分别表示车辆行驶轨迹上的分段和分段个数,和表示相邻分段Si和Si+1间同名点及其个数,和是中第j对同名点,表示分段Si的位姿转换矩阵, 表示相邻分段Si和Si+1中同名点利用矩阵和转换后的距离残差。
实施例中,依据轨迹点的加速度、角速度寻找速度和角度变化显著的点,并据此提取分段点,同时保证交叉路口附近的完整性;然后寻找已有分段点在重访轨迹上的对应点组成分段点对;最后,沿轨迹均匀筛选分段点对,首先每隔20m左右筛选细分段点对,然后每隔100m左右筛选粗分段点对。再依据分段点云包围盒探测重访分段,粗分段利用特征点对进行粗配准,将配准结果传递给细分段,并据此重新进行特征匹配,细分段利用特征点对进行粗配准,再进行精配准,依据特征点对数量及重叠度剔除不可靠的两两配准结果,实施例中最小特征点对数量阈值T1为40,最小重叠度阈值T2为0.2,剔除掉数量小于T1的结果和重叠度小于T2的结果。最后依据重访分段两两配准结果及相邻分段间的转换关系构建目标函数,依据同名点的欧氏距离构建数据项,分段间转换关系构建平滑项,依据重访分段的同名特征数量设定权重。
3)多平台激光点云数据高精度融合
3.1)近邻点云查找:对于任意点云PCi计算其跟其它点云PCj的整体聚合描述子相似性,并按照相似性从大到小的顺序对其它点云索引进行排序,把相似性前Γ(Γ取值为4)的点云作为点云PCi的Γ近邻点云,如公式1:
其中,Vi和Vj是点云PCi和PCj对应的整体聚合描述子,K是整体聚合描述子的维数,Vi(k)、Vj(k)分别为Vi和Vj的第k维特征。
3.2)全局匹配能量方程构建:对关键点的空间距离与特征距离进行动态加权,构建两点云之间的全局匹配能量方程,如公式2:
其中,E表示能量方程的取值,M、分别表示匹配和未匹配的点集,S、T分别表示源点云和目标点云,p、q分别为目标和源点云中的关键点,ED(p,q)、FD(p,q)为p和q的欧式距离和特征距离,和是欧式距离和特征距离的权值;e是数学常量,t是迭代次数,m是迭代速率(实施例中m优选取值为5),随着迭代进行,t变大,欧氏距离权值变大,特征距离权值变小;为未匹配点集的惩罚项。
3.3)二分图的最小代价匹配:以关键点的动态加权距离作为边的权重构建二分图,基于3.2)所得全局匹配能量方程利用改进的KM算法求解该二分图的最小代价匹配,得到当前状态下的最优对应点集,实现点云配准。
改进的KM算法可参考文献:Munkres,J.,1957,Algorithms for the assignmentand transportation problems,Journal of the Society of Industrial and AppliedMathematics 5(1)(1957)32–38.本发明不予赘述。
4)地物目标自动化提取:本步骤实现全类型地物目标高精度提取及矢量化
本发明提出地物目标几何语义一致性提取,实现如下:
首先,利用顾及特征和欧氏距离约束的多尺度超体素快速生成技术,实现大规模点云数据从“点”到“超体素”的抽象,如公式3:
其中,D是点到超体素中心的加权距离,点属于加权距离最小的超体素;Df和Ds分别为点到超体素中心的特征距离和空间欧式距离;R是超体素生成时采用的半径,λ和μ是控制空间距离和特征距离的权值,λ取0.4,μ取值0.6。
然后,创建融合特征相似性、空间平滑性和实体紧致性的全局能量方程,如公式4:
其中,FS为全局能量方程的取值,S、lS、Ψ分别为分割区域、分割区域对应的类别、所有分割区域的集合;fS和分别表示分割区域S与类别lS的特征,为类别lS的特征标准差;和为fS和之间的KL散度和归一化KL散度;和表示fS和第fk维的特征,FD为特征的维数。
最后,把点云分割和识别转换为全局能量最优化问题,并采用增量更新算法实现能量方程的全局最小化,实现多类型道路要素的协同分割与识别。增量更新算法可参考文献:Boykov,Y.,Veksler,O.,Zabih,R.,2001.Fastapproximate energy minimization via graph cuts.IEEE Trans.PatternAnal.Mach.Intell.23(11),1222–1239.本发明不予赘述。
5)基于格式塔法则的地物目标多细节层次模型重建
这是本发明独创的技术,格式塔法则总结了人类视觉认知规则、模式和语义的若干规律。在对视觉感知元素分组的规律中,该法则解释了人类视觉系统把握物体整体的模式,即当多个被感知的元素具有一个或多个相同属性时,人们倾向于将这些元素聚集在一起,从而形成一个较大的视觉元素。为实现地物目标多细节层次的构建,本发明建立了包含邻接性、封闭性、相似性和连续性的格式塔法数学模型:
邻接性是指在空间上彼此接近的面元更倾向于组成同一组,即使形状,大小和对象完全不同,如果它们靠近,它们也会倾向于分为一组。本发明中其数学模型定义为邻接面元之间的欧式几何距离。
封闭性是指屋顶空间基元彼此相属、能够构成封闭实体的各部分趋于组成一个整体,即视觉系统会自动尝试将敞开的图形关闭起来,从而将其感知为完整的物体而不是分散的碎片。其数学模型定义为所有面元在指定的投影平面上,其边界会形成一个封闭的前后连接的凸包边界。
相似性是指拥有相同视觉特性(比如形状,大小,朝向,凸凹性等)的基元平面,其更倾向于一个分组。其数学模型定义通过邻接面元之间的视觉凸凹性进行表达。
连续性是指能够形成连续形状的屋顶基元,趋向于组合为一个分组;这些组合在一起多个基元可以形成为一个凸形的多面体。即视觉倾向于感知连续的形式而不是离散的碎片,从而感知整个物体的对象。连续性约束能够感知对象的整体,有利于保证屋顶基元结构的完整。
根据上述格式塔视觉规则及其数学模型,本发明提出,以步骤4进行地物目标自动化所提取面元(即面片)为基础,构建融合视觉感知规则属性(邻接性和相似性)和面元间空间关系的拓扑关系图;通过建立起格式塔法则(邻接性、封闭性、相似性和连续性)的数学转换模型,并将其作用于以下的步骤5.1-5.3以建立起建地物目标的多细节层次三维模型。其详细的描述步骤如下:
5.1)将步骤4)中提取的面片,根据面片在拓扑关系图中的父节点,将第一层的面片划分成不同的子集合,即具有相同父节点的面片被分配到相同的子集合;
5.2)遍历各子集合,判断其中任意两面片在平面上是否相邻,如果相邻则两面片组成面片对;
5.3)遍历各子集合中所有的面片对,确定其拓扑关系:
对面片对中的两面片进行求交,从而得到相交线,如果相交线一定邻域内存在两面片内的点云,则两面片为相交关系;否则,两面片之间是阶跃关系;最后,判断其中一面片是否包含于另一面片中,如果存在包含关系,则在相交或阶跃关系的基础上再标记出包含关系。
实施例中,首先,根据面片在拓扑关系图中的父节点,将第一层的面片划分成不同的子集合,即具有相同父节点的面片被分配到相同的子集合,如图3所示,第一层内面片被划分成4个子集合父节点为父节点为父节点为父节点为父节点为然后,遍历各子集合,判断其中任意两面片在平面上是否相邻,如果相邻则两面片组成面片对(例如:子集合中存在两组面片对);然后遍历各子集合中所有的面片对,确定其拓扑关系,对面片对中的两面片进行求交,从而得到相交线,如果相交线一定邻域内存在两面片内的点云,则两面片为相交关系;否则,两面片之间是阶跃关系。最后,判断其中一面片是否包含于另一面片中,如果存在包含关系,则在相交或阶跃关系的基础上再标记出包含关系,如图3中面片对
图3中关系含义:
Intersection:相交
Step:阶跃
Intersectionandinclusion:相交和包含
Stepandinclusion:阶跃和包含。
基于本发明,可以快捷稳健地实现基于多平台点云数据的智能化全息测绘产品生产体系。运行本发明所提供方法的硬件平台也应当在保护范围内。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
Claims (8)
1.一种面向全息测绘的多平台点云智能处理方法,其特征在于:包括以下步骤:
1)基于多平台采集的点云数据和影像,采用高效索引实现海量点云数据的组织及调度;
2)点云数据质量控制及改善,实现无控制点条件下点云位置一致性的自动化改正;
3)多平台激光点云数据高精度融合,包括进行近邻点云查找,全局匹配能量方程构建和二分图的最小代价匹配;
4)地物目标自动化提取,包括通过地物目标几何语义一致性提取,实现全类型地物目标高精度提取及矢量化;
5)基于格式塔法则的地物目标多细节层次模型重建,包括为实现地物目标多细节层次的构建,建立包含邻接性、封闭性、相似性和连续性的格式塔法数学模型,以步骤4中地物目标自动化提取所得面片为基础,构建融合视觉感知规则属性和面元间空间关系的拓扑关系图,所述视觉感知规则属性包括邻接性和相似性;通过格式塔法数学模型和拓扑关系图,建立起建地物目标的多细节层次三维模型。
2.根据权利要求1所述面向全息测绘的多平台点云智能处理方法,其特征在于:步骤1)实现方式如下,
包括首先使用八叉树对点云进行空间划分,生成索引缓存;然后依据点云数据的空间组成结构与位置关系,构建LOD索引树,并使用OpenGL技术对点云进行显示;最后使用多线程技术与Out-Of-Core内外存调度,实现海量点云数据的快速可视化。
3.根据权利要求1所述面向全息测绘的多平台点云智能处理方法,其特征在于:步骤2)包括以下子步骤,
2.1)依据轨迹点的加速度、角速度寻找速度和角度变化显著的点,并据此提取分段点;
2.2)寻找已有分段点在重访轨迹上的对应点作为新的分段点,沿轨迹均匀筛选分段点,包括首先每隔距离D1筛选细分段点对,然后每隔距离D2筛选粗分段点对,D1小于D2;
2.3)依据分段点云包围盒探测重访分段,提取重访分段的二进制形状上下文特征并进行同名特征匹配,利用同名特征对重访粗分段进行两两配准,将配准结果传递给细分段,并据此重新进行重访细分段的同名特征匹配,利用同名特征对重访细分段进行两两配准,再利用迭代最近点算进行精配准,并依据特征点对数量及重叠度剔除不可靠的两两配准结果;
2.4)依据重访分段两两配准结果及相邻分段间的转换关系构建目标函数,依据同名点的欧氏距离构建数据项,分段间转换关系构建平滑项,依据重访分段的同名特征数量设定权重,最后采用增量更新θ-expansion算法实现目标函数的全局最小化,从而实现全局最优的点云位置一致性的自动化改正。
4.根据权利要求3所述面向全息测绘的多平台点云智能处理方法,其特征在于:所述目标函数如下,
其中,前一项为依据同名点欧氏距离残差构建的数据项,C和T分别表示同名特征的集合与其对应的转换矩阵集合,(Fi,Fi′)表示一对同名特征,和分别表示与Fi和Fi′关联的转换矩阵,和分别表示Fi和Fi′转换后的特征,表示同名特征转换后的距离残差;后一项为相邻点云转换参数变换后的距离残差构建的平滑项,S和|S|分别表示车辆行驶轨迹上的分段和分段个数,和表示相邻分段Si和Si+1间同名点及其个数,和是中第j对同名点,表示分段Si的位姿转换矩阵, 表示相邻分段Si和Si+1中同名点利用矩阵和转换后的距离残差。
5.根据权利要求1所述面向全息测绘的多平台点云智能处理方法,其特征在于:步骤3)中,所述地物目标几何语义一致性提取,实现如下,
利用顾及特征和欧氏距离约束的多尺度超体素快速生成技术,实现大规模点云数据从“点”到“超体素”的抽象;
创建融合特征相似性、空间平滑性和实体紧致性的全局能量方程;.
把点云分割和识别转换为全局能量最优化问题,并采用增量更新θ-expansion算法实现能量方程的全局最小化,实现多类型道路要素的协同分割与识别。
6.根据权利要求1或2或3或4或5所述面向全息测绘的多平台点云智能处理方法,其特征在于:步骤5)中,通过格式塔法数学模型和拓扑关系图,建立起建地物目标的多细节层次三维模型,包括以下子步骤,
5.1)将步骤4)中提取的面片,根据面片在拓扑关系图中的父节点,将第一层的面片划分成不同的子集合,即具有相同父节点的面片被分配到相同的子集合;
5.2)遍历各子集合,判断其中任意两面片在平面上是否相邻,如果相邻则两面片组成面片对;
5.3)遍历各子集合中所有的面片对,确定其拓扑关系:
对面片对中的两面片进行求交,从而得到相交线,如果相交线一定邻域内存在两面片内的点云,则两面片为相交关系;否则,两面片之间是阶跃关系;最后,判断其中一面片是否包含于另一面片中,如果存在包含关系,则在相交或阶跃关系的基础上再标记出包含关系。
7.根据权利要求1或2或3或4或5所述面向全息测绘的多平台点云智能处理方法,其特征在于:所述多平台点云,包括机载、车载、地面式和便携式数据源点云。
8.根据权利要求6所述面向全息测绘的多平台点云智能处理方法,其特征在于:所述多平台采集的点云数据和影像,包括机载、车载、地面式和便携式采集的点云数据及影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266150.XA CN110021072B (zh) | 2019-04-03 | 2019-04-03 | 面向全息测绘的多平台点云智能处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266150.XA CN110021072B (zh) | 2019-04-03 | 2019-04-03 | 面向全息测绘的多平台点云智能处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110021072A true CN110021072A (zh) | 2019-07-16 |
CN110021072B CN110021072B (zh) | 2020-08-07 |
Family
ID=67190557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910266150.XA Active CN110021072B (zh) | 2019-04-03 | 2019-04-03 | 面向全息测绘的多平台点云智能处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110021072B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080653A (zh) * | 2019-11-06 | 2020-04-28 | 广西大学 | 一种用区域分割和分组随机精简法精简多视角点云的方法 |
CN112419505A (zh) * | 2020-12-07 | 2021-02-26 | 苏州工业园区测绘地理信息有限公司 | 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 |
CN112561975A (zh) * | 2020-12-16 | 2021-03-26 | 武汉大学 | 基于层次化闭合环约束的多视点云全局优化配准方法 |
CN112731048A (zh) * | 2020-12-08 | 2021-04-30 | 深圳供电局有限公司 | 电压暂降检测方法、装置、计算机设备和可读存储介质 |
WO2021232463A1 (zh) * | 2020-05-19 | 2021-11-25 | 北京数字绿土科技有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
CN113778096A (zh) * | 2021-09-15 | 2021-12-10 | 上海景吾智能科技有限公司 | 室内机器人的定位与模型构建方法及系统 |
CN115018893A (zh) * | 2022-08-09 | 2022-09-06 | 武汉追月信息技术有限公司 | 一种建筑细部结构自动单体化方法、系统及可读存储介质 |
CN118041918A (zh) * | 2024-04-12 | 2024-05-14 | 天城智创(天津)科技有限公司 | 一种用于数字化可视平台的分布式信息化数据传输方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615191A (zh) * | 2009-07-28 | 2009-12-30 | 武汉大学 | 海量点云数据的存储与实时可视化方法 |
EP2339481A1 (en) * | 2009-12-03 | 2011-06-29 | National Digital Research Centre | Enablement of three-dimensional hosting, indexing, analysing and querying structure for spatial systems |
CN102682103A (zh) * | 2012-04-28 | 2012-09-19 | 北京建筑工程学院 | 一种面向海量激光雷达点云模型的三维空间索引方法 |
CN103426165A (zh) * | 2013-06-28 | 2013-12-04 | 吴立新 | 一种地面激光点云与无人机影像重建点云的精配准方法 |
CN103606188A (zh) * | 2013-11-15 | 2014-02-26 | 南京师范大学 | 基于影像点云的地理信息按需采集方法 |
CN104063893A (zh) * | 2014-04-14 | 2014-09-24 | 北京师范大学 | 基于格式塔心理学准则和多标签图割最小化的城市建筑可视化的方法 |
CN108038907A (zh) * | 2017-11-21 | 2018-05-15 | 泰瑞数创科技(北京)有限公司 | 城市信息模型语义信息自动生成方法和系统 |
CN109410307A (zh) * | 2018-10-16 | 2019-03-01 | 大连理工大学 | 一种场景点云语义分割方法 |
US20190079193A1 (en) * | 2017-09-13 | 2019-03-14 | Velodyne Lidar, Inc. | Multiple Resolution, Simultaneous Localization and Mapping Based On 3-D LIDAR Measurements |
-
2019
- 2019-04-03 CN CN201910266150.XA patent/CN110021072B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615191A (zh) * | 2009-07-28 | 2009-12-30 | 武汉大学 | 海量点云数据的存储与实时可视化方法 |
EP2339481A1 (en) * | 2009-12-03 | 2011-06-29 | National Digital Research Centre | Enablement of three-dimensional hosting, indexing, analysing and querying structure for spatial systems |
CN102682103A (zh) * | 2012-04-28 | 2012-09-19 | 北京建筑工程学院 | 一种面向海量激光雷达点云模型的三维空间索引方法 |
CN103426165A (zh) * | 2013-06-28 | 2013-12-04 | 吴立新 | 一种地面激光点云与无人机影像重建点云的精配准方法 |
CN103606188A (zh) * | 2013-11-15 | 2014-02-26 | 南京师范大学 | 基于影像点云的地理信息按需采集方法 |
CN104063893A (zh) * | 2014-04-14 | 2014-09-24 | 北京师范大学 | 基于格式塔心理学准则和多标签图割最小化的城市建筑可视化的方法 |
US20190079193A1 (en) * | 2017-09-13 | 2019-03-14 | Velodyne Lidar, Inc. | Multiple Resolution, Simultaneous Localization and Mapping Based On 3-D LIDAR Measurements |
CN108038907A (zh) * | 2017-11-21 | 2018-05-15 | 泰瑞数创科技(北京)有限公司 | 城市信息模型语义信息自动生成方法和系统 |
CN109410307A (zh) * | 2018-10-16 | 2019-03-01 | 大连理工大学 | 一种场景点云语义分割方法 |
Non-Patent Citations (3)
Title |
---|
Y.BOYKOV 等: "Fast approximate energy minimization via graph cuts", 《PROCEEDINGS OF THE SEVENTH IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
ZHENDONG 等: "A novel binary shape context for 3D local surface description", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
刘娟 等: "车载LiDAR测量技术在高速公路改扩建勘测中的应用", 《北京测绘》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080653A (zh) * | 2019-11-06 | 2020-04-28 | 广西大学 | 一种用区域分割和分组随机精简法精简多视角点云的方法 |
CN111080653B (zh) * | 2019-11-06 | 2022-09-20 | 广西大学 | 一种用区域分割和分组随机精简法精简多视角点云的方法 |
WO2021232463A1 (zh) * | 2020-05-19 | 2021-11-25 | 北京数字绿土科技有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
CN112419505A (zh) * | 2020-12-07 | 2021-02-26 | 苏州工业园区测绘地理信息有限公司 | 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 |
CN112419505B (zh) * | 2020-12-07 | 2023-11-10 | 苏州工业园区测绘地理信息有限公司 | 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 |
CN112731048A (zh) * | 2020-12-08 | 2021-04-30 | 深圳供电局有限公司 | 电压暂降检测方法、装置、计算机设备和可读存储介质 |
CN112561975B (zh) * | 2020-12-16 | 2022-06-03 | 武汉大学 | 基于层次化闭合环约束的多视点云全局优化配准方法 |
CN112561975A (zh) * | 2020-12-16 | 2021-03-26 | 武汉大学 | 基于层次化闭合环约束的多视点云全局优化配准方法 |
CN113778096A (zh) * | 2021-09-15 | 2021-12-10 | 上海景吾智能科技有限公司 | 室内机器人的定位与模型构建方法及系统 |
CN113778096B (zh) * | 2021-09-15 | 2022-11-08 | 杭州景吾智能科技有限公司 | 室内机器人的定位与模型构建方法及系统 |
CN115018893A (zh) * | 2022-08-09 | 2022-09-06 | 武汉追月信息技术有限公司 | 一种建筑细部结构自动单体化方法、系统及可读存储介质 |
CN115018893B (zh) * | 2022-08-09 | 2022-11-25 | 武汉追月信息技术有限公司 | 一种建筑细部结构自动单体化方法、系统及可读存储介质 |
CN118041918A (zh) * | 2024-04-12 | 2024-05-14 | 天城智创(天津)科技有限公司 | 一种用于数字化可视平台的分布式信息化数据传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110021072B (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110021072A (zh) | 面向全息测绘的多平台点云智能处理方法 | |
Xia et al. | Geometric primitives in LiDAR point clouds: A review | |
Chen et al. | Topologically aware building rooftop reconstruction from airborne laser scanning point clouds | |
CN107025685B (zh) | 拓扑感知下的机载建筑屋顶点云建模方法 | |
Sun et al. | Aerial 3D building detection and modeling from airborne LiDAR point clouds | |
CN108734728A (zh) | 一种基于高分辨序列图像的空间目标三维重构方法 | |
CN110120097A (zh) | 大场景机载点云语义建模方法 | |
Ji et al. | A novel simplification method for 3D geometric point cloud based on the importance of point | |
CN106017472A (zh) | 全局路线规划方法、全局路线规划系统及无人机 | |
CN112598796A (zh) | 基于广义点云的三维建筑物信息模型构建与自动更新的方法 | |
Saglam et al. | Boundary constrained voxel segmentation for 3D point clouds using local geometric differences | |
Özdemir et al. | Aerial point cloud classification with deep learning and machine learning algorithms | |
CN115661374B (zh) | 一种基于空间划分和模型体素化的快速检索方法 | |
Han et al. | Urban scene LOD vectorized modeling from photogrammetry meshes | |
Hu et al. | Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization | |
Yan et al. | Sparse semantic map building and relocalization for UGV using 3D point clouds in outdoor environments | |
Khoche et al. | Semantic 3d grid maps for autonomous driving | |
Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
Sun et al. | Geographic, geometrical and semantic reconstruction of urban scene from high resolution oblique aerial images. | |
Tian et al. | Lidar super-resolution based on segmentation and geometric analysis | |
Lu et al. | A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment | |
Demir | Automated detection of 3D roof planes from Lidar data | |
Cárdenas-Donoso et al. | Modeling of the 3d tree skeleton using real-world data: a survey | |
Lei et al. | Automatic identification of street trees with improved RandLA-Net and accurate calculation of shading area with density-based iterative α-shape | |
Zhang et al. | Accurate real-time SLAM based on two-step registration and multimodal loop detection |
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 |