CN111158015A - 机载激光雷达点云数据误分地面点的检测方法和系统 - Google Patents
机载激光雷达点云数据误分地面点的检测方法和系统 Download PDFInfo
- Publication number
- CN111158015A CN111158015A CN201911408199.0A CN201911408199A CN111158015A CN 111158015 A CN111158015 A CN 111158015A CN 201911408199 A CN201911408199 A CN 201911408199A CN 111158015 A CN111158015 A CN 111158015A
- Authority
- CN
- China
- Prior art keywords
- points
- ground
- point
- max
- clustering
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Astronomy & Astrophysics (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种机载激光雷达点云数据误分地面点的检测方法和系统,其中检测方法包括:1、获得初步分类的激光雷达点云,将所有地面点、每个地面点邻域内的非地面点、低植被点组成数据集P,设置三维欧几里得聚类的固定参数,所述参数包括:搜索半径R的最大值Rmax和最小值Rmin、搜索半径R的步长△R、聚类最大点数阈值Nmax;2、令搜索半径从Rmax以步长△R减少到Rmin,多次对数据集P进行三维欧几里得聚类,利用不在聚类内的地面点构建KD树索引供查询地面高程,利用聚类边界点和周围地面的高程差,将误分为地面点的数据检测出来。该方法通过从大到小更新三维欧几里得聚类的搜索半径和聚类最小点数阈值,从不同尺度检测被误分为地面点的非地面点,提高地面点提取的准确度。
Description
技术领域
本发明属于机载激光雷达点云处理技术领域,具体涉及一种检测被误分为地面点的非地面点的方法和系统。
背景技术
机载LiDAR(Light Detection And Ranging,激光雷达)是当前测绘领域效率最高、发展最快的大面积测绘手段之一。通过使用激光器发射和接收高能激光脉冲来测距,GNSS(Global Navigation Satellite System,全球导航卫星系统)接收机给出激光器实时位置,INS(Inertial Navigation System,惯性导航系统)给出激光器实时三维姿态,可利用向量公式和坐标转换计算出散射面的三维坐标。借助机械扫描装置,机载LiDAR可以实现大面积面状测量。目前,机载LiDAR的发射频率普遍高达数百KHZ以上乃至2000KHZ。这意味着,在不考虑多回波和无回波的情况下,一秒钟激光雷达可采集数十万乃至数百万点。因此,机载LiDAR可以在短时间内获得海量的点,称为点云。
经过初步处理的机载LiDAR点云中,除点坐标外,还提供的点属性包括回波强度、第几次回波、数据采集时间等。但是,缺乏语义信息,不能给出激光脉冲打到的散射面的物理性质,不知道测量是地面、建筑物还是植被、鸟等。而在构建DEM(Digital ElevationModel,数字高程模型)时必须采用位于地面上的点,在构建三维建筑物模型时必须采用位于建筑物上的点,在进行森林制图时必须采用位于树木上的点。所以,对点云进行分类,确定点位于哪种基本地物类型上,是机载LiDAR数据处理中最重要的基础工作之一。
在点云分类中,地面点分类是其它地物分类的基础。其它地物一般位于地面上,与地面的高差是其它地物分类所需的特征之一。分出的地面点可用于构建DEM、生成等高线、辅助DOM(Digital Orthophoto Map,数字正射影像)生产、进行可视域分析、提取树高信息等。
目前研究人员已经提出了很多提取地面点的方法,常用的机载LiDAR数据处理软件中也内置了提取地面点的方法,较流行的方法包括Terrasolid内置的基于迭代三角网加密的方法和PCL内置的渐进的形态学方法等。但是,所有方法都不能保证提取到的地面点100%准确,或多或少存在误分的情况。在用户对于数据不是非常了解的情况下,设置的参数未必能保证得到较准确的分类结果。例如,在使用默认参数的情况下,Terrasolid经常把大面积、离地不是很高的建筑物分为地面点。在建筑物结构比较复杂时,一些较低的屋顶可能被分为地面。此外,一些依山而建、一侧或两侧靠山的建筑物可能被分为地面点。
在发生错误提取地面点的情况,尤其是有大片的建筑物点等被错分为地面点后,亟需将这些错误的地面点纠正为非地面点。目前,对于误分地面点检测和纠正的研究很少。专利CN109657525A提出了一种针对滤波后残存误差点进行快速修正的方法,需要利用一元四次方程进行曲线拟合。该专利适用于较孤立分布的残差点,不适合于有大面积、连续分布的误分地面点的情况。
发明内容
发明目的:本发明旨在检测被误分为地面点的非地面点,提高地面点提取的准确度。
技术方案:本发明一方面公开了一种机载激光雷达点云数据误分为地面点的检测方法,包括:
(1)获取对测区机载激光雷达点云初步分类后的数据,将所有地面点、每个地面点邻域内的非地面点、低植被点组成数据集P;设置三维欧几里得聚类的固定参数,所述参数包括:搜索半径R的最大值Rmax和最小值Rmin、搜索半径R的变化步长△R、聚类最大点数阈值Nmax;
(2)令搜索半径R从Rmax以步长△R减少到小于Rmin,多次对数据集P进行三维欧几里得聚类,基于聚类边界点和周围地面的高程差,从多个聚类尺度将误分为地面点的非地面点检测出来。
另一方面,本发明还公开了实现上述检测方法的检测系统,包括:
聚类参数设置模块,用于获取对测区机载激光雷达点云初步分类后的数据,将所有地面点、每个地面点邻域内的非地面点、低植被点组成数据集P;设置三维欧几里得聚类的固定参数;
误分地面点检测模块,用于更新欧几里得聚类的变化参数,对数据集P进行多次欧几里得聚类,从多个聚类尺度将误分为地面点的数据检测出来。
有益效果:本发明公开的机载激光雷达点云数据误分地面点的检测方法具有以下有益效果:1、通过从大到小更新三维欧几里得聚类的搜索半径和聚类最小点数阈值,可以从不同尺度检测所有误分地面点,提高了检测的准确度,也使得该方法不仅适用于检测误分的大建筑物,也适用于检测误分的小建筑物;2、降低了机载LiDAR点云处理中地面点提取对参数设置的要求,使得即使参数设置不是那么有效,出现误提取,也可以通过本发明提出的方法得到相对较准确的地面点,明显降低手工分类的工作量;3、本发明对输入数据要求不高,处理流程较为灵活。点云是否分块,点数多寡、尺度数目对本方法的效果没有明显影响。即使出于简化计算提高效率的目的,只用一个尺度,也可以取得不错的效果;4、本发明理论简单易行,计算效率高。对于300万点,3个尺度的计算,一般可以在十秒内完成。
附图说明
图1非地面点误分为地面点示意图;
图2为本发明机载激光雷达点云数据误分地面点的检测方法的流程图;
图3为欧几里得聚类的示意图;
图4为栅格的边界像素示意图;
图5为聚类边界点示意图;
图6为计算边界点与周围地面高差的示意图;
图7为本发明机载激光雷达点云数据误分地面点的检测系统的组成图;
图8为本发明的效果图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
如图2所示,本发明公开了一种机载激光雷达点云数据误分地面点的检测方法,目的是将类似于图1-(a)的情况(明显高于周围地面的点聚类也被分为地面点)纠正为图1(b)的情况(明显高于周围地面的点聚类被检测出来并纠正为非地面点),包括:
步骤1、获取对测区机载激光雷达点云初步分类后的数据,将所有地面点、每个地面点邻域内的非地面、低植被点组成数据集P;
数据集P为后续步骤处理的数据,这里将地面点邻域内的非地面点和低植被点也包括进来,是由于:如果误分地面点和其它类的点(如低矮植被点)混杂分布,会导致聚类搜索半径难以确定(太大的搜索半径会导致含有误分地面点的大屋顶在聚类中和准确地面分到一个聚类内,小的搜索半径会导致聚类点数过少或聚类不成功),则将这些非地面点也加入待处理数据集中,以免聚类不完全。
设置三维欧几里得聚类的固定参数;如图3所示,欧几里得聚类的结果是使不同聚类之间的最小距离d大于等于搜索半径R。欧几里得聚类算法的参数包括:搜索半径R、聚类最小点数阈值Nmin、聚类最大点数阈值Nmax,这些参数值影响到聚类的结果。在本发明中,固定设置的参数包括:搜索半径R的最大值Rmax和最小值Rmin、搜索半径R的变化步长△R、聚类最大点数阈值Nmax。搜索半径R和聚类最小点数阈值Nmin在整个检测过程中不断减小,属于变化参数。
R的最小值Rmin与激光脉冲脚点密度负相关,本实施例中,D是激光脉冲脚点的密度,单位是m-2,可以由航飞设计方案获得;如果R小于Rmin,可能会导致聚类点数过少,一个屋顶被分为多个聚类等。Rmax为建筑物最小离地高度ΔBmin和相邻建筑物之间的最小水平距离ΔWmin中的最小值,即Rmax=min(△Bmin,△Wmin);本实施例中,Rmax取值2.0m。如果R大于Rmax,可能会将多个屋顶、屋顶与树木、地面等聚到一类。
搜索半径R的步长ΔR的值限制在(0,Rmax-Rmin]内,可以取一个固定值,如0.5m,也可以为了得到固定的尺度数目,如3个、4个等,根据Rmax-Rmin确定。要得到M个(M大于1)尺度,ΔR的值可以按照计算。大于1的正整数M为预设的尺度总数,为了提高处理的速度,可以使用较小的M或较大的ΔR,本实施例中,M=3。
设置聚类最大点数阈值Nmax的目的是避免将一些面积很大,准确分类的地面点也加入聚类。Nmax与可能误分为地面点的建筑物屋顶的最大面积Amax正相关,本实施例中Nmax=AmaxD;其中Amax为建筑物屋顶最大面积。
步骤2、令搜索半径从Rmax以步长△R减少到Rmin,多次对数据集P中的点进行三维欧几里得聚类,从多个聚类尺度将误分为地面点的数据检测出来,具体步骤为:
(2.1)初始化搜索半径R=Rmax;
R越大,得到的聚类点数可能越多,尺度越小,对小的误分地面点越不敏感;R越小,得到的聚类点数越少,尺度越大,对小的误分地面点越敏感。所以,在使用较大的R时宜设置较大的Nmin,在使用较小的R时宜设置较小的Nmin,本实施例中聚类最小点数阈值Nmin的计算式为:
Nmin=AminDR2(1)
其中D是激光脉冲脚点的密度,Amin为建筑物屋顶最小面积;初始化误分地面点集合Q为空集,进入步骤2.3;
(2.2)更新搜索半径R为R-△R,根据式(1)更新聚类最小点数阈值Nmin;
(2.3)如果当前搜索半径R≥Rmin,清空地面点集合S;对数据集P进行三维欧几里得聚类;对得到的聚类逐一判断,如果一个聚类中没有地面点(例如聚类完全由低植被点构成),则将此聚类中的点从数据集P中删除;
在欧几里得聚类的结果中,由于聚类中点数的限制,会有一些落在超大面积的地面上的地面点没有被划分到任何聚类中,这些点不大可能是误分的地面点,准确度较高,可以大致确定为地面点。逐一判断P中的点,将不在本次聚类后任一聚类内的地面点加入集合S中;对集合S中的地面点建立地面点索引,本实施例中采用二维KD树索引。
对剩下的每一个聚类L,提取聚类L的边界点;本实施例采用以下步骤提取聚类L的边界点:
A1、计算聚类L中点的最小X坐标Xmin、最大X坐标Xmax、最小Y坐标Ymin、最大Y坐标Ymax;将以(Xmin,Ymin)、(Xmax,Ymax)为对角顶点的矩形区域划分为Nrow行、Ncol列、格网大小为R的栅格Grid,其中:
Nrow=int(Ymax-Ymin)/R+1
Ncol=int(Xmax-Xmin)/R+1
R为三维欧几里得聚类的当前搜索半径,int(·)为取整函数;栅格内所有像素的值初始化为false。
A3、遍历栅格Grid的像素,如果一个像素的四邻域的值均为true,则此像素不是边界像素;否则此像素为边界像素;不具备四邻域的像素均为边界像素;如图4所示,带有编号的像素为边界像素。落在边界像素内的点是聚类L的边界点,如图5所示,图中黑色点为聚类边界点,白色点为非边界点。
计算每个边界点与周围地面的高程差△H,步骤为:
如图6所示,黑色点为边界点,白色点为地面点,位于边界点周围;灰色点为非聚类边界点。设边界点的坐标为(X,Y,H),周围地面的高程H1为集合S中在XY面上距离(X,Y)最近的地面点的高程;
高程差为△H=H-HT。
计算高程差△H大于高程差阈值ΔH1的边界点占聚类L边界点总数的比值Phigh,如果Phigh大于预设的比例阈值Phigh_T,则所述聚类中的地面点均为非地面点,加入集合Q中,并从数据集P移除;
Phigh=Nhigh/Nto3al
其中Nhigh为聚类L边界点中,高程差△H大于高程差阈值ΔH1的数量;Ntotal为聚类L中边界点的总数。
ΔH1可取常见的建筑物最低离地高度,本实施例中取值为2.5m。
如果数据集P不为空,跳转至步骤(2.2)更新搜索半径和聚类最小点数阈值,继续检测数据集P中是否还有误分地面点,直至R<Rmin,则集合Q中的点为检测到的误分为地面点的非地面点。
本实施例还公开了实现上述机载激光雷达点云数据误分地面点的检测方法的系统,如图7所示,包括:
聚类参数设置模块,用于根据步骤1获取对测区机载激光雷达点云初步分类后的数据,将所有地面点、每个地面点邻域内的非地面点、低植被点组成数据集P;;设置三维欧几里得聚类的固定参数;
误分点检测模块,用于根据步骤2更新欧几里得聚类的变化参数,对数据集P进行多次聚类,从多个聚类尺度将误分为地面点的数据检测出来。
图8为本发明的效果图;其中图8-(a)为测区的高分辨率光学影像,8-(b)为测区输入点云,其中存在很多大建筑物上的点被误分为地面点,图8-(c)为在图8-(b)的基础上采用2.0m的搜索半径的处理结果,对比图8-(b)和图8-(c),很明显,图8-(b)中很多被误分的地面点,如图像上部和下部的大厂房屋顶的点,在图8-(c)中被检测出来,分为类1;图8-(d)为在图8-(c)的基础上采用1.5m搜索半径的处理结果,对比二者,图像左上部从上往下数第三栋建筑物屋顶在图8-(c)中被误分为地面点,在图8-(d)中将其检测出来并分为类1。该结果表明,采用大的搜索半径对于提取大面积的误分地面点非常有效,在此基础上再使用小的搜索半径有助于提取小面积的误分地面点。
本发明提供了一种基于多尺度欧几里得聚类对机载LiDAR点云进行误分地面点检测的方法。具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰。这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。例如,本发明中构建地面点的KD树索引是为了给后续地面高程查询提供方便。无论是建立KD树索引还是八叉树索引均可。
Claims (10)
1.机载激光雷达点云数据误分地面点的检测方法,其特征在于,包括:
(1)获取对测区机载激光雷达点云初步分类后的数据,将所有地面点、每个地面点邻域内的非地面点、低植被点组成数据集P;设置三维欧几里得聚类的固定参数,所述参数包括:搜索半径R的最大值Rmax和最小值Rmin、搜索半径R的变化步长△R、聚类最大点数阈值Nmax;
(2)令搜索半径R从Rmax以步长△R减小到Rmin,多次对数据集P进行三维欧几里得聚类,基于聚类边界点和周围地面的高程差,从多个尺度将误分为地面点的非地面点检测出来。
3.根据权利要求1所述的机载激光雷达点云数据误分地面点的检测方法,其特征在于,所述步骤(2)具体步骤为:
(2.1)初始化搜索半径R=Rmax;计算聚类最小点数阈值Nmin:
Nmin=AminDR2 (1)
其中D是激光脉冲脚点的密度,Amin为建筑物屋顶最小面积;初始化误分地面点集合Q为空集,进入步骤(2.3);
(2.2)更新搜索半径R为R-△R,根据式(1)更新聚类最小点数阈值Nmin;
(2.3)如果当前搜索半径R>Rmin,清空地面点集合S;对数据集P进行三维欧几里得聚类;抛弃不含地面点的聚类;逐一判断P中的点,将不在本次聚类后任一聚类的地面点加入集合S;由集合S的点构建地面点索引;对剩下的每一个聚类,提取所述聚类的边界点,计算每个边界点与周围地面的高程差;计算所述高程差大于高程差阈值的边界点占所述聚类边界点总数的比值Phigh,如果Phigh大于预设的比例阈值,则所述聚类中的地面点均为非地面点,加入集合Q中,并从数据集P移除;
如果数据集P不为空,跳转至步骤(2.2)更新搜索半径和聚类最小点数阈值,继续检测数据集P中是否还有误分地面点,直至R<Rmin,则集合Q中的点为检测到的误分为地面点的数据。
4.根据权利要求3所述的机载激光雷达点云数据误分地面点的检测方法,其特征在于,提取聚类L的边界点,包括步骤:
A1、计算聚类L中点的最小X坐标Xmin、最大X坐标Xmax、最小Y坐标Ymin、最大Y坐标Ymax;将以(Xmin,Ymin)、(Xmax,Ymax)为对角顶点的矩形区域划分为Nrow行、Ncol列、格网大小为R的栅格Grid,其中:
Nrow=int(Ymax-Ymin)/R+1
Ncol=int(Xmax-Xmin)/R+1
R为三维欧几里得聚类的当前搜索半径,int(·)为取整函数。
A3、遍历栅格Grid的像素,如果一个像素的四邻域的值均为true,则此像素不是边界像素;否则此像素为边界像素;不具备四邻域的像素均为边界像素;落在边界像素内的点是聚类L的边界点。
5.根据权利要求3所述的机载激光雷达点云数据误分地面点的检测方法,其特征在于,计算聚类边界点与周围地面的高程差ΔH,步骤为:
设边界点的坐标为(X,Y,H),周围地面的高程HT为集合S中在XY面上距离(X,Y)最近的地面点的高程;
△H=H-HT。
6.机载激光雷达点云数据误分地面点的检测系统,其特征在于,包括:
聚类参数设置模块,用于获取对测区机载激光雷达点云初步分类后的数据,将所有地面点、每个地面点邻域内的非地面点、低植被点组成数据集P;设置三维欧几里得聚类的固定参数;
误分点检测模块,用于更新欧几里得聚类的变化参数,对数据集P进行多次聚类,从多个聚类尺度将误分为地面点的数据检测出来。
8.根据权利要求6所述的机载激光雷达点云数据误分地面点的检测系统,其特征在于,所述误分点检测模块采用以下步骤检测误分为地面点的数据:
(2.1)初始化搜索半径R=Rmax;计算聚类最小点数阈值Nmin:
Nmin=AminDR2 (1)
其中D是激光脉冲脚点的密度,Amin为建筑物屋顶最小面积;初始化误分地面点集合Q为空集,进入步骤(2.3);
(2.2)更新搜索半径R为R-△R,根据式(1)更新聚类最小点数阈值Nmin;
(2.3)如果当前搜索半径R>Rmin,清空地面点集合S;对数据集P进行三维欧几里得聚类;抛弃不含地面点的聚类;逐一判断P中的点,将不在本次聚类后任一聚类的地面点加入集合S;对集合S内的点构建地面点索引;
对剩余的每一个聚类,提取所述聚类的边界点;计算每个边界点与周围地面的高程差;计算所述高程差大于高程差阈值的边界点占所述聚类边界点总数的比值Phigh,如果Phigh大于预设的比例阈值,则所述聚类中的地面点均为非地面点,加入集合Q中,并从数据集P移除;
如果数据集P不为空,跳转至步骤(2.2)更新搜索半径和聚类最小点数阈值,继续检测数据集P中是否还有误分地面点,直至R<Rmin,则集合Q中的点为检测到的误分为地面点的数据。
9.根据权利要求8所述的机载激光雷达点云数据误分地面点的检测系统,其特征在于,所述误分点检测模块采用如下步骤提取聚类L的边界点:
A1、计算聚类L中点的最小X坐标Xmin、最大X坐标Xmax、最小Y坐标Ymin、最大Y坐标Ymax;将以(Xmin,Ymin)、(Xmax,Ymax)为对角顶点的矩形区域划分为Nrow行、Ncol列、格网大小为R的栅格Grid,其中:
Nrow=int(Ymax-Ymin)/R+1
Ncol=int(Xmax-Xmin)/R+1
R为三维欧几里得聚类的当前搜索半径,int(·)为取整函数。
A3、遍历栅格Grid的像素,如果一个像素的四邻域的值均为true,则此像素不是边界像素;否则此像素为边界像素;不具备四邻域的像素均为边界像素;落在边界像素内的点是聚类L的边界点。
10.根据权利要求8所述的机载激光雷达点云数据误分地面点的检测系统,其特征在于,所述误分点检测模块采用如下步骤计算聚类边界点与周围地面的高程差ΔH:
设边界点的坐标为(X,Y,H),周围地面的高程HT为集合S中在XY面上距离(X,Y)最近的地面点的高程;
△H=H-HT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911408199.0A CN111158015B (zh) | 2019-12-31 | 2019-12-31 | 机载激光雷达点云数据误分地面点的检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911408199.0A CN111158015B (zh) | 2019-12-31 | 2019-12-31 | 机载激光雷达点云数据误分地面点的检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111158015A true CN111158015A (zh) | 2020-05-15 |
CN111158015B CN111158015B (zh) | 2020-11-24 |
Family
ID=70559760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911408199.0A Active CN111158015B (zh) | 2019-12-31 | 2019-12-31 | 机载激光雷达点云数据误分地面点的检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111158015B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462347A (zh) * | 2020-12-28 | 2021-03-09 | 长沙理工大学 | 基于密度聚类的激光雷达点云快速分类滤波算法 |
CN113589319A (zh) * | 2021-10-08 | 2021-11-02 | 中南大学 | 一种迭代极小值激光雷达点云滤波方法 |
CN114492619A (zh) * | 2022-01-22 | 2022-05-13 | 电子科技大学 | 一种基于统计和凹凸性的点云数据集构建方法及装置 |
CN115877373A (zh) * | 2023-02-20 | 2023-03-31 | 上海几何伙伴智能驾驶有限公司 | 结合激光雷达信息实现点云雷达聚类参数设计的方法 |
CN117849760A (zh) * | 2024-03-07 | 2024-04-09 | 云南云金地科技有限公司 | 一种激光雷达点云数据处理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050473A (zh) * | 2014-05-20 | 2014-09-17 | 中国人民解放军理工大学 | 一种基于矩形邻域分析的道路数据提取方法 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
CN106937531A (zh) * | 2014-06-14 | 2017-07-07 | 奇跃公司 | 用于产生虚拟和增强现实的方法和系统 |
CN108052624A (zh) * | 2017-12-15 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 点云数据处理方法、装置及计算机可读存储介质 |
CN109657525A (zh) * | 2017-10-12 | 2019-04-19 | 西南科技大学 | 一种针对传统LiDAR滤波误差的快速修正方法 |
CN110441791A (zh) * | 2019-08-14 | 2019-11-12 | 深圳无境智能机器人有限公司 | 一种基于前倾2d激光雷达的地面障碍物检测方法 |
CN110580705A (zh) * | 2019-11-08 | 2019-12-17 | 江苏省测绘工程院 | 一种基于双域图信号滤波检测建筑物边缘点的方法 |
US20190383941A1 (en) * | 2018-06-17 | 2019-12-19 | Foresight Al, Inc. | Identification of local motions in point cloud data |
-
2019
- 2019-12-31 CN CN201911408199.0A patent/CN111158015B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050473A (zh) * | 2014-05-20 | 2014-09-17 | 中国人民解放军理工大学 | 一种基于矩形邻域分析的道路数据提取方法 |
CN106937531A (zh) * | 2014-06-14 | 2017-07-07 | 奇跃公司 | 用于产生虚拟和增强现实的方法和系统 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
CN109657525A (zh) * | 2017-10-12 | 2019-04-19 | 西南科技大学 | 一种针对传统LiDAR滤波误差的快速修正方法 |
CN108052624A (zh) * | 2017-12-15 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 点云数据处理方法、装置及计算机可读存储介质 |
US20190383941A1 (en) * | 2018-06-17 | 2019-12-19 | Foresight Al, Inc. | Identification of local motions in point cloud data |
CN110441791A (zh) * | 2019-08-14 | 2019-11-12 | 深圳无境智能机器人有限公司 | 一种基于前倾2d激光雷达的地面障碍物检测方法 |
CN110580705A (zh) * | 2019-11-08 | 2019-12-17 | 江苏省测绘工程院 | 一种基于双域图信号滤波检测建筑物边缘点的方法 |
Non-Patent Citations (1)
Title |
---|
方军: "《融合LiDAR数据和高分辨率遥感影像的地物分类方法研究》", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462347A (zh) * | 2020-12-28 | 2021-03-09 | 长沙理工大学 | 基于密度聚类的激光雷达点云快速分类滤波算法 |
CN112462347B (zh) * | 2020-12-28 | 2023-08-15 | 长沙理工大学 | 基于密度聚类的激光雷达点云快速分类滤波算法 |
CN113589319A (zh) * | 2021-10-08 | 2021-11-02 | 中南大学 | 一种迭代极小值激光雷达点云滤波方法 |
CN114492619A (zh) * | 2022-01-22 | 2022-05-13 | 电子科技大学 | 一种基于统计和凹凸性的点云数据集构建方法及装置 |
CN115877373A (zh) * | 2023-02-20 | 2023-03-31 | 上海几何伙伴智能驾驶有限公司 | 结合激光雷达信息实现点云雷达聚类参数设计的方法 |
CN115877373B (zh) * | 2023-02-20 | 2023-04-28 | 上海几何伙伴智能驾驶有限公司 | 结合激光雷达信息实现点云雷达聚类参数设计的方法 |
CN117849760A (zh) * | 2024-03-07 | 2024-04-09 | 云南云金地科技有限公司 | 一种激光雷达点云数据处理方法 |
CN117849760B (zh) * | 2024-03-07 | 2024-05-14 | 云南云金地科技有限公司 | 一种激光雷达点云数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111158015B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111158015B (zh) | 机载激光雷达点云数据误分地面点的检测方法和系统 | |
CN107272019B (zh) | 基于激光雷达扫描的路沿检测方法 | |
Rottensteiner et al. | The ISPRS benchmark on urban object classification and 3D building reconstruction | |
US9530055B2 (en) | On-ground or near-ground discrete object detection method and system | |
CN111209828B (zh) | 从机载激光雷达点云中提取建筑物屋顶点的方法和系统 | |
CN105547244B (zh) | 一种结合立体像对的激光高度计高程控制点生成方法 | |
CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
CN116148808A (zh) | 一种基于点云描述符的自动驾驶激光重定位方法和系统 | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
Salah et al. | Evaluation of the self‐organizing map classifier for building detection from lidar data and multispectral aerial images | |
Zhang et al. | Filtering photogrammetric point clouds using standard lidar filters towards dtm generation | |
CN114283213A (zh) | 联合LiDAR点云与光学图像的房屋自适应矢量化方法 | |
CN111359913A (zh) | 一种通过激光雷达分选矿石的方法 | |
CN113096181B (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
CN111507341B (zh) | 一种目标边界框的调整方法、装置、设备及存储介质 | |
CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
Zhang et al. | Change detection between digital surface models from airborne laser scanning and dense image matching using convolutional neural networks | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及系统 | |
CN112907574B (zh) | 一种飞行器的降落点寻找方法、装置、系统及存储介质 | |
CN111340136B (zh) | 机载激光雷达点云中建筑物点分类扩张方法和系统 | |
Dos Santos et al. | Building detection from lidar data using entropy and the k-means concept | |
Opitz et al. | Point clouds segmentation of mixed scenes with archeological standing remains: A multi-criteria and multi-scale iterative approach | |
CN113763308A (zh) | 一种地面检测方法、装置、服务器及介质 | |
Narwade et al. | Automatic road extraction from airborne LiDAR: A review |
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 |