CN111105496A - 一种基于机载激光雷达点云数据的高精dem构建方法 - Google Patents
一种基于机载激光雷达点云数据的高精dem构建方法 Download PDFInfo
- Publication number
- CN111105496A CN111105496A CN201911305739.2A CN201911305739A CN111105496A CN 111105496 A CN111105496 A CN 111105496A CN 201911305739 A CN201911305739 A CN 201911305739A CN 111105496 A CN111105496 A CN 111105496A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- dem
- elevation
- point
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims description 13
- 230000001788 irregular Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000028257 Joubert syndrome with oculorenal defect Diseases 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T17/05—Geographic models
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种基于机载激光雷达点云数据的高精DEM构建方法，首先进行点云数据预处理，为点云数据质量检查和点云数据大地定向；然后采用改进的三角网迭代加密滤波法，将每个待判定点赋予一个与距离相关的优先级，保证优先级最高的激光点优先判断，用于地面点云与非地面点云的分离；再使用已知高程点，构建邻近三角形并进行线性内插处理；最后采用逻辑分析法与高程误差分析法对DEM精度进行评价，实现基于机载激光雷达点云数据的高精DEM构建。本发明采用改进三角网迭代加密滤波法获得地面点云，再基于随机森林回归法内插DEM提供精密度，最后通过逻辑分析法与高程误差分析法，对LiDAR点云数据生成的DEM数据进行了精度评价。
Description
技术领域
本发明属于激光雷达点云数据构建技术领域，具体涉及一种基于机载激光雷达点云数据的高精DEM构建方法。
背景技术
目前，数字高程模型(DEM)的获取方法主要包括传统地面测量法、地形图等高线扫描数字化、航空摄影测量法、星载合成孔径雷达干涉(InSAR)和机载激光雷达技术等。其中，激光雷达是一种主动式遥感测量设备，具有作业周期短、精度高、成本低等优点，是当前获取高精度DEM的一种新技术。
国内主要使用大型机载激光雷达系统获取DEM，但激光雷达系统对飞行器的要求很高，且价格昂贵，因此应用领域较狭窄。近年来，随着无人机技术的迅速发展，轻巧型激光雷达系统可搭载在无人旋翼机上，广泛应用于地理信息采集等领域；虽然激光雷达系统可直接测量三维坐标，但点云数据的离散特性不能连续表征地表信息。
发明内容
基于上述现有技术的不足，本发明提出了一种基于机载激光雷达点云数据的高精DEM构建方法。
本发明是通过如下技术方案来实现的。
一种基于机载激光雷达点云数据的高精DEM构建方法，所述方法为：
1)首先进行点云数据预处理，参考现行GBT 24356-2009《测绘成果质量检查与验收》及相关规范，在满足误差允许的情况下实现点云数据质量检查，避免出现地物扭曲、接边匹配误差影响后续数据处理精度与后续产品的质量。
2)然后采用改进的三角网迭代加密滤波法，将每个待判定点赋予一个与距离相关的优先级，保证优先级最高(距三角形顶点最近)的激光点优先判断，用于地面点云与非地面点云的分离；三角网迭代加密滤波在迭代加密时，采取随机选取待定点的方式，若待定点满足加密要求，则待定点判定为地面点，并更新TIN，再判定下一个待定点；在地形起伏时，低矮植被可能会被误判断为地面点，地面点可能会被误判为非地面点。因此，采用改进三角网迭代加密滤波，将每个待判定点赋予一个与距离相关的优先级，保证优先级最高的激光点优先判断，分离地面点云和非地面点云；
3)再使用已知高程点，构建邻近三角形并进行线性内插处理；高程可以表示地表垂直方向上的形态变化，等高线是常用的高程表示模型，表示为一条条互不交叉的闭合线段，通过连续的曲面函数来模拟地表形态；当使用有序数列对地表进行数字化模拟时，此高程模型称为DEM。
较佳地，本发明通过不规则三角网(TriangulatedIrregularNetwork，TIN)模型将点云数据构建成DEM；使用Delaunay三角剖分算法拟合点云数据，首先形成初始三角形，然后寻找最邻近点构成共边图形，直到构建的图形将整个区域覆盖为止。该方法有三个特点，包括不论从哪三个点开始构建图形网，得到的模拟面都是相同的；每一个图形的外接圆都不含有其他的点；最小角特性，即共边三角形所形成的不含有优角的四边形，两个三角形中最小的两个值不会改变；其具体定义是在平面上有不全共线的两点欧氏距离和两点构成的Voronoi图，比到任意三都近时，此时的Voronoi图即为一个点的内核，连接所有相邻内核；
4)最后采用逻辑分析法与高程误差分析法对DEM精度进行评价，实现基于机载激光雷达点云数据的高精DEM构建。
较佳地，所述点云数据大地定向要通过多个坐标系间的几何关系来确定，包括激光扫描仪的参考坐标系、瞬时激光束坐标系、空中平台坐标系、目标所在水平参考坐标系与垂直坐标系和惯性导航仪的参考坐标系与WGS-84坐标系。
较佳地，不规则三角网模型构建完成后，对所述不规则三角网模型进行线性内插处理，线性内插对于点云庞大的数据量来说，可以极大的提高高程插值效率，减少插值函数运行时出现的误差；线性内插处理方法如下：
1)在确定目标点高程时，先检索目标点所在的三角形，确定各点的坐标(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，并得到如下目标点方程：
2)令两个点与另一顶点间的坐标差值为(x21,y21,z21)、(x31,y31,z31)，则有：
x21＝x2-x1,x31＝x3-x1,
y21＝y2-y1,y31＝y3-y1,
z21＝z2-z1,z31＝z3-z1；
进而有目标点的高程h为：
较佳地，所述逻辑分析法的评价指标包括：
①等高线是否存在逻辑错误：即是否存在与等高线特性相悖的情况(例如其的不相交特性，一条高线不能相交、等高线不能打折，等高线必须闭合等，不能有不合理的伪节点和悬挂点等)；
②坡度异常值：对DEM生成的坡度图进行检查，检查坡度异常高的值，对坡度大于50°的地区进行详细检查；
③水系与等高线的逻辑关系：指叠加等高线层与河流层时，河流的位置在等高线的外凸连线上，且等高线不能两次跨越河流。
较佳地，高程误差分析法的评价指标包括：
①中误差(即均方根误差，RootMeanSquareError，RMSE)，是指通过统计的方法，客观评价DEM高程的偏移量；假设检验点的高程为Rk(k＝1,2,3……)，与检验点有相同空间坐标的底面点高程为Zk，则DEM的中误差为：
②平均绝对误差(MeanAbsoluteError，MAE)，是指模拟值与实际高程偏差的绝对值的平均，其公式为：
③平均误差(MeanRelativeError，MRE)，是指实测高程与DEM高程的误差的平均值，其公式为：
这三类指标可以衡量DEM产品的整体质量水平，其数值与DEM精度呈负相关，即三类指标的数值越小，DEM的精度越高。
机载激光雷达系统是先进的主动式空间遥测系统，其配有全球定位系统、惯性导航系统以及激光扫描仪等先进设备，并且在地面还有众多为其提供数据校正的参考站与移动网络，机载激光雷达系统在各个领域中都取得了突破性进展。
本发明首次提出采用改进三角网迭代加密滤波法获得地面点云，再基于随机森林回归法内插DEM提供精密度，最后通过逻辑分析法与高程误差分析法，对LiDAR点云数据生成的DEM数据进行了精度评价。点云数据作为新一代空间信息数据，极高的精度为各类生产生活提供了准确可靠的副产品，突破了传统摄影测量的瓶颈。加之社会进步，对精细化空间信息的需求日益增多，也推动LiDAR发展。
附图说明
图1为本发明的流程图；
图2为本发明使用Delaunay三角剖分算法拟合点云数据图；
图3为机载激光雷达定位的示意图。
具体实施方式
现在参考附图描述本发明的实施例。
如图1所示，一种基于机载激光雷达点云数据的高精DEM构建方法，所述方法为：
1)首先进行点云数据预处理，为点云数据质量检查和点云数据大地定向；参考现行GBT 24356-2009《测绘成果质量检查与验收》及相关规范，在满足误差允许的情况下实现点云数据质量检查，避免出现地物扭曲、接边匹配误差影像后续数据处理精度与后续产品的质量。
2)然后采用改进的三角网迭代加密滤波法，将每个待判定点赋予一个与距离相关的优先级，保证优先级最高(距三角形顶点最近)的激光点优先判断，用于地面点云与非地面点云的分离；三角网迭代加密滤波在迭代加密时，采取随机选取待定点的方式，若待定点满足加密要求，则待定点判定为地面点，并更新TIN，再判定下一个待定点；在地形起伏时，低矮植被可能会被误判断为地面点，地面点可能会被误判为非地面点。因此，采用改进三角网迭代加密滤波，将每个待判定点赋予一个与距离相关的优先级，保证优先级最高的激光点优先判断，分离地面点云和非地面点云；
3)再使用已知高程点，构建邻近三角形并进行线性内插处理；高程可以表示地表垂直方向上的形态变化，等高线是常用的高程表示模型，表示为一条条互不交叉的闭合线段，通过连续的曲面函数来模拟地表形态；当使用有序数列对地表进行数字化模拟时，此高程模型称为DEM。
本发明通过不规则三角网(TriangulatedIrregularNetwork，TIN)模型将点云数据构建成DEM；使用Delaunay三角剖分算法拟合点云数据，首先形成初始三角形，然后寻找最邻近点构成共边图形，直到构建的图形将整个区域覆盖为止。该方法有三个特点，包括不论从哪三个点开始构建图形网，得到的模拟面都是相同的；每一个图形的外接圆都不含有其他的点；最小角特性，即共边三角形所形成的不含有优角的四边形，两个三角形中最小的两个值不会改变；其具体定义是在平面上有不全共线的两点欧氏距离和两点构成的Voronoi图，比到任意三都近时，此时的Voronoi图即为一个点的内核，连接所有相邻内核，如图2所示；
4)最后采用逻辑分析法与高程误差分析法对DEM精度进行评价，实现基于机载激光雷达点云数据的高精DEM构建。
具体地，所述点云数据大地定向要通过多个坐标系间的几何关系来确定，包括激光扫描仪的参考坐标系、瞬时激光束坐标系、空中平台坐标系、目标所在水平参考坐标系与垂直坐标系和惯性导航仪的参考坐标系与WGS-84坐标系。在任意时间内，激光脉冲形成位置为(xSL,ySL,zSL)T的激光点，同时测得此时激光扫描仪与激光点的斜距为ρ，则有
(xSL,ySL,zSL)T＝(0,0,ρ)T
激光束坐标系转换到激光扫描仪坐标系时，需要将其坐标绕x轴逆时针旋转扫描夹角θi，通过转换矩阵Rl可以得知其在传感器坐标下的位置是(xL,yL,zL)T，公式如下：
(xL,yL,zL)T＝Rl(xSL,ySL,zSL)T
激光扫描仪坐标系与惯性导航仪坐标系间存在着不可避免的偏心量
激光点在惯性导航仪坐标系内的坐标如下，
其中，Rm为激光扫描仪与惯性导航仪间x、y、z方向上的安装误差角的转移矩阵乘积。
同理，惯性导航仪与GPS天线之间的空间信息也存在差异
与三个方向上的偏差矩阵Rn，所以在当地水平坐标系下的激光点坐标为
当地的水平坐标系、垂直坐标系与WGS-84坐标系间还存在着偏差，前两者的偏差旋转矩阵为Rg，后两者的偏差旋转矩阵为Rw，结合天线在WGS-84坐标信息
则激光点在WGS-84坐标系下的坐标为
机载激光雷达定位的向量表示模型如下：
PWGS-84＝Rw·Rg·Rn(RmRl·r+tl-tg)+APCWGS-84
其中，PWGS-84表示数据在地心坐标下的位置信息；r为瞬时激光坐标系下的位置向量；APCWGS-84表示GPS天线在大地坐标系内的位置向量。
通过分析机载GPS与CORS获取的数据，可以得到瞬时的差分位置信息(DGPS)；IMU数据与DGPS数据联合解算，参照GPS天线获取的偏心分量，可以得到校正的位置信息；将其与机载LiDAR获取的原始数据相结合，通过计算修正偏差，就可以完成对原始激光数据的大地定向，使激光数据具有了WGS-84大地坐标信息，如图3所示。
具体地，本发明不规则三角网模型构建完成后，对所述不规则三角网模型进行线性内插处理，线性内插对于点云庞大的数据量来说，可以极大的提高高程插值效率，减少插值函数运行时出现的误差；线性内插处理方法如下：
1)在确定目标点高程时，先检索目标点所在的三角形，确定各点的坐标(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，并得到如下目标点方程：
2)令两个点与另一顶点间的坐标差值为(x21,y21,z21)、(x31,y31,z31)，则有：
x21＝x2-x1,x31＝x3-x1,
y21＝y2-y1,y31＝y3-y1,
z21＝z2-z1,z31＝z3-z1；
进而有目标点的高程h为：
下面对本发明中DEM评价分析做进一步说明。
行数字地形分析的前提是获取精确的数字高程模型，然而由于地形起伏变化与获取过程中的系统误差等因素，数字高程模型的数据质量在空间上呈不均匀分布。因此，需要对整个区域的数字高程模型精度进行评价和分析，较为准确的分析出DEM高程与实际高程之间的误差，并以此来评价数字高程模型的数据质量。已有很多的学者对于空间数据质量的评价体系进行了研究，如空间信息的误差、信息表达的完整性与空间分辨率等，并且也是评价数字高程模型精度必不可少的指标，为更准确地模拟与分析各种地学过程提供基础数据。数字高程模型对地表形态与结构的模拟精度非常重要，决定了数字地形分析结果的准确性。为了准确的进行DEM精度评价，不仅需要高程差异的统计，还需要等高线分析、水系分析与地形可视化分析等辅助分析手段。
在地貌更新编辑完成后，需要进行质量检查，包括图形检查、属性检查和等高线检查，从而发现等高线是否相交，高程点与等高线矛盾，高程点是否落入水面或房屋面，高程点和等高线的属性矛盾等不合理错误，并对应进行修改，使等高线光滑美观，使高程点达到高精度和高质量，从而满足标准要求，实现数据的高精度和高质。
高程误差统计可以对DEM的精度进行估算，但受限于实地采样的高成本，数量较少的地面实测高程数据不能很好的反应高程误差在空间上的分布情况。为此可视化误差分析正被广泛使用，其可以更形象与直观的定性评价DEM精度与误差的空间分布情况。但可视化误差分析的理论体系还不完善，现阶段主要以DEM反演等高线与地图特征法为主，但这类方法都没有与数字高程模型的属性信息相结合。在应用领域中，常使用等高线对DEM整体的精度情况进行评价，等高线由DEM数据内插得到，此方法可以定性的评价DEM整体精度。同时，结合实地测量的高程数据，进行点对点的高程误差计算，通过各类高程误差统计模型进行精度评价。
进一步地，本发明采用逻辑分析与高程误差分析方法对DEM精度进行评价，具体如下：
所述逻辑分析法的评价指标包括：
①等高线是否存在逻辑错误：即是否存在与等高线特性相悖的情况(例如其的不相交特性，一条高线不能相交、等高线不能打折，等高线必须闭合等，不能有不合理的伪节点和悬挂点等)；
②坡度异常值：对DEM生成的坡度图进行检查，检查坡度异常高的值，对坡度大于50°的地区进行详细检查；
③水系与等高线的逻辑关系：指叠加等高线层与河流层时，河流的位置在等高线的外凸连线上，且等高线不能两次跨越河流；
所述高程误差分析法的评价指标包括：
①中误差(即均方根误差，RootMeanSquareError，RMSE)，是指通过统计的方法，客观评价DEM高程的偏移量；假设检验点的高程为Rk(k＝1,2,3......)，与检验点有相同空间坐标的底面点高程为Zk，则DEM的中误差为：
②平均绝对误差(MeanAbsoluteError，MAE)，是指模拟值与实际高程偏差的绝对值的平均，其公式为：
③平均误差(MeanRelativeError，MRE)，是指实测高程与DEM高程的误差的平均值，其公式为：
这三类指标可以衡量DEM产品的整体质量水平，其数值与DEM精度呈负相关，即三类指标的数值越小，DEM的精度越高。
以上所揭露的为本发明的优选实施例，不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。
Claims (6)
1.一种基于机载激光雷达点云数据的高精DEM构建方法，其特征在于，所述方法为：
1)首先进行点云数据预处理，为点云数据质量检查和点云数据大地定向；
2)然后采用改进的三角网迭代加密滤波法，将每个待判定点赋予一个与距离相关的优先级，保证优先级最高的激光点优先判断，用于地面点云与非地面点云的分离；
3)再使用已知高程点，构建邻近三角形并进行线性内插处理；
4)最后采用逻辑分析法与高程误差分析法对DEM精度进行评价，实现基于机载激光雷达点云数据的高精DEM构建。
2.根据权利要求1所述的一种基于机载激光雷达点云数据的高精DEM构建方法，其特征在于，所述点云数据大地定向要通过多个坐标系间的几何关系来确定，包括激光扫描仪的参考坐标系、瞬时激光束坐标系、空中平台坐标系、目标所在水平参考坐标系与垂直坐标系和惯性导航仪的参考坐标系与WGS-84坐标系。
3.根据权利要求1所述的一种基于机载激光雷达点云数据的高精DEM构建方法，其特征在于，所述方法通过不规则三角网模型将点云数据构建成DEM。
4.根据权利要求3所述的一种基于机载激光雷达点云数据的高精DEM构建方法，其特征在于，不规则三角网模型构建完成后，对所述不规则三角网模型进行线性内插处理，线性内插处理方法如下：
1)在确定目标点高程时，先检索目标点所在的三角形，确定各点的坐标(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，并得到如下目标点方程：
2)令两个点与另一顶点间的坐标差值为(x21,y21,z21)、(x31,y31,z31)，则有：
x21＝x2-x1,x31＝x3-x1,
y21＝y2-y1,y31＝y3-y1,
z21＝z2-z1,z31＝z3-z1；
进而有目标点的高程h为：
5.根据权利要求1所述的一种基于机载激光雷达点云数据的高精DEM构建方法，其特征在于，所述逻辑分析法的评价指标包括：
①等高线是否存在逻辑错误：即是否存在与等高线特性相悖的情况；
②坡度异常值：对DEM生成的坡度图进行检查，检查坡度异常高的值，对坡度大于50°的地区进行详细检查；
③水系与等高线的逻辑关系：指叠加等高线层与河流层时，河流的位置在等高线的外凸连线上，且等高线不能两次跨越河流。
6.根据权利要求1所述的一种基于机载激光雷达点云数据的高精DEM构建方法，其特征在于，高程误差分析法的评价指标包括：
①中误差，是指通过统计的方法，客观评价DEM高程的偏移量；假设检验点的高程为Rk(k＝1,2,3……)，与检验点有相同空间坐标的底面点高程为Zk，则DEM的中误差为：
②平均绝对误差，是指模拟值与实际高程偏差的绝对值的平均，其公式为：
③平均误差，是指实测高程与DEM高程的误差的平均值，其公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911305739.2A CN111105496A (zh) | 2019-12-19 | 2019-12-19 | 一种基于机载激光雷达点云数据的高精dem构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911305739.2A CN111105496A (zh) | 2019-12-19 | 2019-12-19 | 一种基于机载激光雷达点云数据的高精dem构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111105496A true CN111105496A (zh) | 2020-05-05 |
Family
ID=70422719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911305739.2A Pending CN111105496A (zh) | 2019-12-19 | 2019-12-19 | 一种基于机载激光雷达点云数据的高精dem构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105496A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111551956A (zh) * | 2020-06-28 | 2020-08-18 | 重庆地质矿产研究院 | 基于机载激光雷达的一种地质灾害探测识别方法 |
| CN111999733A (zh) * | 2020-08-11 | 2020-11-27 | 中国海洋大学 | 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统 |
| CN112132967A (zh) * | 2020-10-23 | 2020-12-25 | 中建一局集团第二建筑有限公司 | 一种山区洪水模拟方法、存储介质及设备 |
| CN112381940A (zh) * | 2020-11-27 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 |
| CN113034685A (zh) * | 2021-03-18 | 2021-06-25 | 北京百度网讯科技有限公司 | 激光点云与高精地图的叠加方法、装置及电子设备 |
| CN113109831A (zh) * | 2021-03-26 | 2021-07-13 | 国家电网有限公司 | 一种使用激光雷达对输电线路进行巡检的数据处理方法 |
| CN113344866A (zh) * | 2021-05-26 | 2021-09-03 | 长江水利委员会水文局长江上游水文水资源勘测局 | 一种点云综合精度评价方法 |
| CN113503940A (zh) * | 2021-07-09 | 2021-10-15 | 武汉新烽光电股份有限公司 | 一种提升三维激光雷达水位计精度的方法及装置 |
| CN113804154A (zh) * | 2021-08-30 | 2021-12-17 | 东南大学 | 基于卫星和无人机遥感的路面沉陷检测方法及装置 |
| CN114764846A (zh) * | 2021-01-15 | 2022-07-19 | 国家基础地理信息中心 | 一种数字高程异常数据的转换方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927788A (zh) * | 2014-04-14 | 2014-07-16 | 北京工业大学 | 基于城市竖向规划的建筑地物分层dem模型制作方法 |
| CN104898106A (zh) * | 2014-12-04 | 2015-09-09 | 武汉天擎空间信息技术有限公司 | 一种面向复杂地形机载激光雷达数据的地面点提取方法 |
| CN105527621A (zh) * | 2016-01-23 | 2016-04-27 | 中国测绘科学研究院 | 基于虚拟共轭点的国产激光雷达系统的严密自检校算法 |
| CN107167815A (zh) * | 2017-04-28 | 2017-09-15 | 上海华测导航技术股份有限公司 | 一种公路公路地面线数据的自动生成系统及方法 |
| CN110032771A (zh) * | 2019-03-18 | 2019-07-19 | 辽宁工程技术大学 | 一种顾及局部细节特征的露天煤矿dem精确裁剪方法 |
| CN110223390A (zh) * | 2019-06-12 | 2019-09-10 | 辽宁工程技术大学 | 一种基于直线体素遍历原理的多段线嵌入tin算法 |
-
2019
- 2019-12-19 CN CN201911305739.2A patent/CN111105496A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927788A (zh) * | 2014-04-14 | 2014-07-16 | 北京工业大学 | 基于城市竖向规划的建筑地物分层dem模型制作方法 |
| CN104898106A (zh) * | 2014-12-04 | 2015-09-09 | 武汉天擎空间信息技术有限公司 | 一种面向复杂地形机载激光雷达数据的地面点提取方法 |
| CN105527621A (zh) * | 2016-01-23 | 2016-04-27 | 中国测绘科学研究院 | 基于虚拟共轭点的国产激光雷达系统的严密自检校算法 |
| CN107167815A (zh) * | 2017-04-28 | 2017-09-15 | 上海华测导航技术股份有限公司 | 一种公路公路地面线数据的自动生成系统及方法 |
| CN110032771A (zh) * | 2019-03-18 | 2019-07-19 | 辽宁工程技术大学 | 一种顾及局部细节特征的露天煤矿dem精确裁剪方法 |
| CN110223390A (zh) * | 2019-06-12 | 2019-09-10 | 辽宁工程技术大学 | 一种基于直线体素遍历原理的多段线嵌入tin算法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘奕辉: ""基于机载激光雷达点云数据的DEM构建研究"" * |
| 杨书娟: ""螺旋式扫描激光雷达数据的DEM内插算法"" * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111551956A (zh) * | 2020-06-28 | 2020-08-18 | 重庆地质矿产研究院 | 基于机载激光雷达的一种地质灾害探测识别方法 |
| CN111999733B (zh) * | 2020-08-11 | 2022-06-03 | 中国海洋大学 | 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统 |
| CN111999733A (zh) * | 2020-08-11 | 2020-11-27 | 中国海洋大学 | 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统 |
| CN112132967A (zh) * | 2020-10-23 | 2020-12-25 | 中建一局集团第二建筑有限公司 | 一种山区洪水模拟方法、存储介质及设备 |
| CN112381940A (zh) * | 2020-11-27 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 |
| CN114764846A (zh) * | 2021-01-15 | 2022-07-19 | 国家基础地理信息中心 | 一种数字高程异常数据的转换方法及装置 |
| CN114764846B (zh) * | 2021-01-15 | 2024-06-18 | 国家基础地理信息中心 | 一种数字高程异常数据的转换方法及装置 |
| CN113034685A (zh) * | 2021-03-18 | 2021-06-25 | 北京百度网讯科技有限公司 | 激光点云与高精地图的叠加方法、装置及电子设备 |
| CN113034685B (zh) * | 2021-03-18 | 2022-12-06 | 北京百度网讯科技有限公司 | 激光点云与高精地图的叠加方法、装置及电子设备 |
| CN113109831A (zh) * | 2021-03-26 | 2021-07-13 | 国家电网有限公司 | 一种使用激光雷达对输电线路进行巡检的数据处理方法 |
| CN113344866A (zh) * | 2021-05-26 | 2021-09-03 | 长江水利委员会水文局长江上游水文水资源勘测局 | 一种点云综合精度评价方法 |
| CN113503940A (zh) * | 2021-07-09 | 2021-10-15 | 武汉新烽光电股份有限公司 | 一种提升三维激光雷达水位计精度的方法及装置 |
| CN113804154A (zh) * | 2021-08-30 | 2021-12-17 | 东南大学 | 基于卫星和无人机遥感的路面沉陷检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111105496A (zh) | 一种基于机载激光雷达点云数据的高精dem构建方法 | |
| CN111598823B (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
| CN102506824B (zh) | 一种城市低空无人机系统生成数字正射影像图的方法 | |
| Lo Brutto et al. | UAV platforms for cultural heritage survey: first results | |
| CN103324916B (zh) | 基于建筑轮廓的车载和航空LiDAR数据配准方法 | |
| Gonzalez-Aguilera et al. | Automated urban analysis based on LiDAR-derived building models | |
| CN107527328B (zh) | 一种兼顾精度与速度的无人机影像几何处理方法 | |
| CN103217688B (zh) | 一种基于不规则三角网机载激光雷达点云平差计算方法 | |
| 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 | |
| CN114998536A (zh) | 基于新型基础测绘的模型生成方法、装置及存储介质 | |
| CN110046563B (zh) | 一种基于无人机点云的输电线路断面高程修正方法 | |
| CN109100719B (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
| CN106526593A (zh) | 基于sar严密成像模型的子像素级角反射器自动定位方法 | |
| CN102298793A (zh) | 一种获取文物三维图形数据的方法 | |
| CN114283070B (zh) | 融合无人机影像与激光点云的地形断面制作方法 | |
| Gonçalves et al. | Monitoring Local Shoreline Changes by Integrating UASs, Airborne LiDAR, Historical Images and Orthophotos. | |
| Bybee et al. | Method for 3-D scene reconstruction using fused LiDAR and imagery from a texel camera | |
| CN114488094A (zh) | 一种车载多线激光雷达与imu外参数自动标定方法及装置 | |
| Mao et al. | Precision evaluation and fusion of topographic data based on UAVs and TLS surveys of a loess landslide | |
| CN111006645A (zh) | 基于运动与结构重建的无人机测绘方法 | |
| Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
| CN110310370B (zh) | 一种gps与srtm点面融合的方法 | |
| Höhle | The assessment of the absolute planimetric accuracy of airborne laserscanning | |
| CN110148218B (zh) | 一种大批量机载LiDAR点云数据整体优化的方法 | |
| Saponaro et al. | Influence of co-alignment procedures on the co-registration accuracy of multi-epoch SFM points clouds |
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: 20200505 |