CN111323788A - 建筑物变化的监测方法、装置及计算机设备 - Google Patents

建筑物变化的监测方法、装置及计算机设备 Download PDF

Info

Publication number
CN111323788A
CN111323788A CN202010060604.0A CN202010060604A CN111323788A CN 111323788 A CN111323788 A CN 111323788A CN 202010060604 A CN202010060604 A CN 202010060604A CN 111323788 A CN111323788 A CN 111323788A
Authority
CN
China
Prior art keywords
building
time phase
monitored
monitoring
target
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
CN202010060604.0A
Other languages
English (en)
Other versions
CN111323788B (zh
Inventor
曹诗颂
杜明义
张朝胤
蔡一乐
彭自强
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.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202010060604.0A priority Critical patent/CN111323788B/zh
Publication of CN111323788A publication Critical patent/CN111323788A/zh
Application granted granted Critical
Publication of CN111323788B publication Critical patent/CN111323788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0608—Height gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种建筑物变化的监测方法、装置及计算机设备，涉及计算机技术领域，可以解决目前建筑物变化的监测方式存在局限性，监测精度低，难以满足建筑物变化监测需求的问题。其中方法包括：获取待监测区域前后时相的机载激光雷达LiDAR数据；依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；利用所述非地面点提取所述待监测区域对应前后时相的建筑物轮廓；基于所述建筑物轮廓确定所述建筑物的状态变化信息。本申请适用于对建筑物变化的监测。

Description

建筑物变化的监测方法、装置及计算机设备
技术领域
本申请涉及计算机技术领域，尤其涉及到一种建筑物变化的监测方法、装置及计算机设备。
背景技术
地球上有一半的人口生活在城市区域。作为人类主导的区域，大城市每年有大量的建筑物被拆除，新建或者改造。一方面，构建用以描述建筑物变化轨迹的模型是进行地理数据库中的地图和三维模型更新的关键步骤；另一方面，建筑的新建、改造和拆除不可避免地会改变城市空间的三维形态特征和景观格局的变化，这种变化显著影响着城区的局地气候和城区能量收支平衡。因而，从不同尺度进行建筑物类型、三维形态参数及景观格局的变化检测逐渐成为城市遥感重要的研究热点。
目前大部分利用高度进行建筑物变化监测的研究，主要通过ZY-3高分辨率多视角立体像对影像进行2D多层次变化监测，但是，ZY-3立体像对生成的 nDSMs由于精度问题难以获取城区建筑物真实的高度信息，监测精度低，因而难以满足城区建筑物3D的变化监测需求。
发明内容
有鉴于此，本申请提供了一种建筑物变化的监测方法、装置及计算机设备，主要目的在于解决目前建筑物变化的监测方式存在局限性，监测精度低，难以满足建筑物变化监测需求的问题。
根据本申请的一个方面，提供了一种建筑物变化的监测方法，该方法包括：
获取待监测区域前后时相的机载激光雷达LiDAR数据；
依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；
利用所述非地面点提取所述待监测区域对应前后时相的建筑物轮廓；
基于所述建筑物轮廓确定所述建筑物的状态变化信息。
根据本申请的另一个方面，提供了一种建筑物变化的监测装置，该装置包括：
获取模块，用于获取待监测区域前后时相的机载激光雷达LiDAR数据；
分离模块，用于依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；
提取模块，用于利用所述非地面点提取所述待监测区域对应前后时相的建筑物轮廓；
确定模块，用于基于所述建筑物轮廓确定所述建筑物的状态变化信息。
根据本申请的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述建筑物变化的监测方法。
根据本申请的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述建筑物变化的监测方法。
借由上述技术方案，本申请提供的一种建筑物变化的监测方法、装置及计算机设备，与目前利用ZY-3高分辨率多视角立体像进行2D多层次变化检测的方式相比，本申请可依据待监测区域前后时相的机载激光雷达LiDAR数据，分别确定出待监测区域在前后时相的建筑物轮廓，之后分别基于建筑物轮廓提取出前一时相和后一时相的建筑物信息，通过建筑物信息的对比，最终确定出建筑物的状态变化信息。在本申请中，从多维度分别获取待监测区域的建筑物信息，可实现对建筑物状态变化的多维度监测，使监测结果更为准确、全面。并且在本申请中，利用LiDAR数据能够准确获取城区建筑物真实的高度信息，可实现多层次城区建筑物变化监测从二维走向三维，使监测结果更能满足用户需求，提高了建筑物变化监测的精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本地申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种建筑物变化的监测方法的流程示意图；
图2示出了本申请实施例提供的另一种建筑物变化的监测方法的流程示意图；
图3示出了本申请实施例提供的一种建筑物变化的监测的原理示意图；
图4示出了本申请实施例提供的一种建筑物变化的监测装置的结构示意图；
图5示出了本申请实施例提供的另一种建筑物变化的监测装置的结构示意图。
具体实施方式
下文将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
针对目前在监测建筑物变化时，准确性低，难以满足建筑物变化监测需求的问题，本申请实施例提供了一种建筑物变化的监测方法，如图1所示，该方法包括：
101、获取待监测区域前后时相的机载激光雷达LiDAR数据。
其中，在数字化城市中，可视化是其中一项重要的研究内容，因此城市表面信息的提取显得十分重要，建筑物作为城市表面信息的一部分，在可视化中不可忽视，利用LiDAR点云数据提取建筑物是直接可靠的方法。
102、依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点。
其中，LiDAR数据中可包含非地面点和地面点，在具体的应用场景中，为了准确提取出建筑物信息，需要从LiDAR数据中分离出非地面点，以便利用非地面点进行建筑物轮廓的提取。
103、利用非地面点提取待监测区域对应前后时相的建筑物轮廓。
对于本实施例，在具体的应用场景中，可分别利用前后时相的非地面点，计算待监测区域点云的平坦度、法线方向方差和nDSM的GLCM纹理特征，之后将这三个特征融合于一个能量最小化的提取框架中，为了保证提取到的结果跟周围的像素保持一致，可使用图切算法进行建筑物的标记，在完成两期建筑物的标记工作后，即确定出前后时相的建筑物轮廓。
104、基于建筑物轮廓确定建筑物的状态变化信息。
其中，状态变化信息可包括建筑物变化类型、建筑物2D/3D形态参数变化、景观格局指数变化，其中建筑物变化类型可包括：由植被变化为建筑物、由裸土变化为建筑物或建筑物由矮层变化为高层、由建筑物变化为植被、由建筑物变化为裸土或建筑物由高层变化为矮层、建筑物无变化或者变化很小。
通过本实施例中建筑物变化的监测方法，可依据待监测区域前后时相的机载激光雷达LiDAR数据，分别确定出待监测区域在前后时相的建筑物轮廓，之后分别基于建筑物轮廓提取出前一时相和后一时相的建筑物信息，通过建筑物信息的对比，最终确定出建筑物的状态变化信息。在本申请中，从多维度分别获取待监测区域的建筑物信息，可实现对建筑物状态变化的多维度监测，使监测结果更为准确、全面。并且在本申请中，利用LiDAR数据能够准确获取城区建筑物真实的高度信息，可实现多层次城区建筑物变化监测从二维走向三维，使监测结果更能满足用户需求，提高了建筑物变化监测的精度。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种建筑物变化的监测方法，如图2 所示，该方法包括：
201、获取待监测区域前后时相的机载激光雷达LiDAR数据。
其中，相比于高分辨率的立体影像，LiDAR数据的获取不会受到人为和自然物体的照明差异、视角变化以及增加的光谱模糊度影响，因而它应用于城区微弱建筑物变化的监测具有巨大的优势。在具体的应用场景中，可通过机载LiDAR航摄飞行的方式，通过激光扫描仪发射、接收光束，对地面进行现状扫描，与此同时，动态GPS系统确定传感器的空间位置(经纬度)，IMU 测量飞机的实时姿态数据，即滚动、仰俯和航偏角，之后经后期地面数据处理后，即可获取得到地面的三维数据。
202、依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点。
对于本实施例，在具体的应用场景中，为了提取出非地面点，以便依据非地面点进行建筑物信息的分析，实施例步骤202具体可以包括：对前后时相的LiDAR数据进行预处理，获取得到目标LiDAR数据；利用LiDAR数据生成数字表面模型DSM；基于插值算法和目标LiDAR数据生成数字地形模型DTM；计算DSM和DTM的差值，并将差值确定为nDSM数据；基于nDSM 数据对目标LiDAR数据进行高程阈值分割，以便提取出非地面点。
相应的，对前后时相的LiDAR数据进行预处理，获取得到目标LiDAR 数据，具体包括：对LiDAR数据进行去噪处理，滤除异常数据；对去噪处理后的LiDAR数据进行点云分布的一致性处理，滤除点云密度小于预设密度阈值的LiDAR数据，获取得到目标LiDAR数据。
其中，可对两期点云使用PCL 1.6的“统计异常值移除”过滤操作，然后修改体素网格过滤程序被执行用以去除掉LiDAR数据中的异常数据。为了保证两期点云的一致性，需要保证两期点云拥有一致的点云密度，具体可通过设定一个统一的预设密度阈值，将点云密度小于预设密度阈值的LiDAR数据滤除，进一步将剩余的LiDAR数据确定为目标LiDAR数据，其中，预设密度阈值的数值可根据实际应用场景进行设定。
在具体的应用场景中，由于LiDAR接收信号来源于目标表面的放射，故可由LiDAR数据直接生成数字表面模型DSM。由于DSM中包含大量的建筑物点、树木点和其他非地面点，为了更准确地提取出建筑物点，需要把数据点分成非地面点和地面点。为此，需要首先生成数字地形模型DTM，之后可采用Vosselman提出的以形态学理论为基础的坡度滤波算法，通过滤波处理，滤掉地面点，最后使用插值算法生成DTM。其中，插值算法可为逐点内插法，即以内插点为中心，确定一个邻域范围，用落在邻城范围内的采样点计算内插点的高程值。在完成对DTM的提取后，可通过对DSM进行规则化，得到规则化的nDSM，具体可采用从原始的DSM中减去DTM来实现。
203、利用图切算法确定非地面点中各个像素点与周围像素点的一致性程度。
对于本实施例，可利用图切算法确定一致性程度，对于图切算法中的第二项光滑条是代表着某个像素与周围像素的一致性程度，本申请可使用DSM 来衡量计算这种一致性程度，因为建筑物区域的高度差异较小，但是建筑物区域与周边的非建筑物之间的差异较为明显。其中，平滑成本的计算公式为：
Figure BDA0002374337200000061
其中，hp和hq是像素p和q的高度；常数ε是用来保证上式中，分母是大于0的，在具体的应用场景中，可令ε＝0.2m；参数β是用来控制平滑条的权重，它与城市环境有关，如果建筑物较为复杂和高大，则需要更多的考虑到平滑条，那么β的取值就高，反之，则需要设置一个较小的β。在具体的应用场景中，可将研究区划分多个区域，并且为了更好的提取分类结果，可为不同的区域设置不同的β。
204、根据一致性程度，识别并滤除非相关像素点。
对于本实施例，在确定出各个像素点与周围像素点的一致性程度后，可基于一致性程度的大小，来识别和滤除非相关地物点。具体可通过设定一个预设阈值，将预设阈值作为确定地物点为有效地物点的最小一致性程度值，当判定计算出的一致性程度值大于或等于该预设阈值时，判定该像素点为有效地物点；当判定计算出的一致性程度值小于该预设阈值时，判定该像素点为非相关地物点，为了排除干扰，需要将其滤除。
205、利用滤除后的非地面点计算待监测区域对应前后时相点云的平坦度、法线方向方差和nDSM的GLCM纹理特征。
对于本实施例，在具体的应用场景中，为了计算出前后时相点云的平坦度、法线方向方差和nDSM的GLCM纹理特征，实施例步骤205具体可以包括：依据K最临界临近法和前后时相的非地面点构建协方差矩阵；利用协方差矩阵的特征值分别计算待监测区域在前一时相的第一平坦度，和在后一时相的第二平坦度；依据非地面点的法线和处置方向的夹角构建直方图；分别将直方图的变异平方系数确定为待监测区域在前一时相的第一法线方向方差，和在后一时相的第二法线方向方差；利用大于预设阈值的nDSM分别计算待监测区域在前一时相的第一GLCM纹理特征，和在后一时相的第二 GLCM纹理特征。
其中，第一平坦度为将待监测区域在前一时相的像素点输入至协方差矩阵中，获取到对应的特征值，之后利用该特征值计算得到的平坦度数值，即待监测区域在前一时相时的平坦度信息；第二平坦度为将待监测区域在后一时相的像素点输入至协方差矩阵中，获取到对应的特征值，之后利用该特征值计算得到的平坦度数值，即待监测区域在后一时相时的平坦度信息；第一法线方向方差为待监测区域在前一时相的像素点，对应直方图的变异平方系数；第二法线方向方差为待监测区域在后一时相的像素点，对应直方图的变异平方系数；第一GLCM纹理特征对应表示待监测区域在前一时相的GLCM 同质性；第二GLCM纹理特征对应表示待监测区域在后一时相的GLCM同质性。
在具体的应用场景中，由于建筑是由规则平面组成的，然而植被等是由无规律的平面组成的。因此，建筑的点云特征通常由局部的平坦度决定的。建筑区域的点云局部特征表现为平坦度较高，而植被等区域的点云局部特征表现为起伏度较高。
对于本实施例，在构建协方差矩阵时，可让PN＝{Pi|i＝1,2,3,...,n}表示非地面点；Pi＝(xi,yi,zi)表示其中的样本点；NP＝{pj|pj∈PN；pj|k_nearest_of_pi}表示pi 点的k最邻近点集，在本申请中，可令k＝15，即可以定义3*3的协方差矩阵如下：
Figure BDA0002374337200000071
其中，P表示其中的样本点，|NP|为Np中点的个数，
Figure BDA0002374337200000072
为Np中点的中心点。
对于本实施例，在具体的应用场景中，可令λ0、λ1以及λ2(0≤λ0≤λ1≤λ2) 为上述协方差矩阵的特征值。那么，Pi点的平坦度则可以用下式表示：
fF＝λ0/(λ0+λ1+λ2)
其中，fF是Pi点的平坦度，fF越小，就说明Pi点是建筑点，反之则是植被点。地物点的fF生成之后，可利用插值算法，其中，cell assignment type使用average；Void fillmethod使用natural neighbor，生成0.5m的fF。
在具体的应用场景中，法线方向方差也可被用来从植被中区分建筑物。原因是对于植被区域的法线向量基本都是分散的而且无规律的众多方向；而建筑物区域的法相向量通常都是固定在少数方向上。具体可通过点集的法线和垂直方向的夹角来构建直方图，以便进一步直观确定出法相方差。
其中，直方图的变异平方系数fn的计算方法可如下式所示：
Figure BDA0002374337200000081
fn指的是每个bin的法线方向频数除以整个点集的平均法线频数，fn越大，则说明这个点越有可能是建筑物区域的点，反之则是植被区域的点；n指的是方向bin的数量，这个通常取值5-10，本申请中n的取值可为6；ni指的是每个方向bin的点数；Np指的是参与计算点集的点的数量；每个点pi的fn特征的计算，可选择多个最邻近pi点的点云组成计算点集。同样也可使用Flatness 的方法，将点的特征转换成grid特征。
在具体的应用场景中，除了平坦度以及法线方向方差，另外一个特征也可被用来进行建筑物提取，即nDSM的GLCM纹理特征，在nDSM图像中，通常植被的纹理信息较为丰富，建筑物显示出一个简单的纹理。其中，nDSM 的GLCM纹理特征的计算方法如下：
Figure BDA0002374337200000082
其中，fth是nDSM的GLCM纹理特征，fth越大，就说明是一个简单的纹理，则其越有可能是一个建筑物；i，j是nDSM的灰度；n是灰度的最大值； d，θ分别是生成GLCM的步长以及方向，P(i,j,d,θ)是联合条件概率密度，比如，给定d，θ之后，当灰度i当做起始点，那么灰度j出现的概率。fth计算的滑动窗口大小可设定为5，d可设置为1，θ设置为四个0°，45°，90°，以及135°，最后四个方向的平均值即为fth。
在具体的应用场景中，待监测区域可被划分成为多个区域来进行特征求解与建筑物的标记，由于研究区不同的区域有不同的高度差别，故可使用 nDSM来进行fth的求解，即将研究区非地面区域归一化到1-60m，将 nDSM>60m的区域直接设定为建筑区域。同时，考虑到计算效率，可只计算非地面区域的GLCM。
206、依据平坦度、法线方向方差和nDSM的GLCM纹理特征标记前后时相的建筑物轮廓。
对于本实施例，在具体的应用场景中，实施例步骤206具体可以包括：为第一平坦度、第二平坦度、第一法线方向方差、第二法线方向方差和第一 GLCM纹理特征、第二GLCM纹理特征分别配置对应的归一化参数和权重值；利用归一化参数计算对应前一时相的第一特征值和对应后一时相的第二特征值；依据第一特征值和权重值，计算待监测区域在前一时相中各个非地面点的第一能量函数值，及在后一时相中各个非地面点的第二能量函数值；利用第一能量函数值和第二能量函数值分别确定待监测区域在前后时相的建筑物轮廓。
其中，第一特征值为将待监测区域对应前一时相的第一平坦度、第一法线方向方差和第一GLCM纹理特征分别代入至归一化函数中，计算出来的三个特征值；第二特征值为将待检测区域对应后一时相的第二平坦度、第二法线方向方差和第二GLCM纹理特征分别代入至归一化函数中，计算出来的三个特征值。
在具体的应用场景中，为了计算出平坦度、法线方向方差和GLCM纹理特征对应的特征值，需要预先根据实际需求为其分别配置对应的归一化参数，其中，可分别将第一平坦度和第二平坦度对应的fF，第一法线方向方差和第二法线方向方差对应的fn和第一GLCM纹理特征、第二GLCM纹理特征对应的fth的归一化参数k值设置为-35、2.0和0.2，同样将fF，fn和fth的归一化参数x0值分别设置为0.06、0.8和18。相应的，为了准确计算出各个地物点的能量函数值，故需要参照贡献程度，分别为平坦度，法线方向方差和 GLCM纹理特征配置相等或不均等的权重，其中，第一平坦度和第二平坦度所配置的权重相同，第一法线方向方差和第二法线方向方差所配置的权重相同，第一GLCM纹理特征和第二GLCM纹理特征所配置的权重相同，具体权重可根据实际情况进行分配。
相应的，可利用logistic函数对同一时相中平坦度、法线方向方差和 GLCM纹理特征对应的三个特征值进行归一化处理，其中特征值的计算公式如下：
Figure BDA0002374337200000101
其中，x0是特征阈值，参数k控制与逻辑函数有关的曲线的陡度，对结果影响不大；f(x)分别对应fF，fn和fth的已知计算结果，k、x0分别对应设定的两个已知归一化参数，x为计算出的第一特征值或第二特征值。
在具体的应用场景中，因为平坦度、法线方向方差和GLCM纹理特征都是描述了一个灰度的特征，它们没有考虑到结构信息。因此，本申请可将上述三个特征值融合到一个能量最小化的提取框架中，使用图切算法进行建筑物的标记，因为它可以保证提取的结果跟周围的像素保持一致。图切算法的核心目标是找到一个标签为每个地物点通过如下的能量函数，进一步确定出建筑物轮廓：
Figure BDA0002374337200000102
其中，上式的第一项
Figure 1
是关于数据成本，上式的第二项
Figure 2
是关于平滑；其中
Figure 3
是用来测量标签
Figure 4
是有多契合节点p，其中，1p包括{building,non-building}，本申请的Dp(lp)计算方法如下式：
Figure BDA0002374337200000111
上式中，fF，fn，以及fth分别为平坦度、法线方向方差和GLCM纹理特征归一化之后的特征值；λfF，λfn以及λfth分别为F，fn，以及fth的权重值，在本实施例中，可将其分别设置为0.25、0.5和0.25。
207、基于建筑物轮廓确定建筑物的状态变化信息。
对于本实施例，在具体的应用场景中，实施例步骤207具体可以包括：基于建筑物轮廓确定目标建筑物所在的目标时相；若判定目标时相为后一时相，则计算在后一时相中待监测区域的第一目标坡度和第一目标体积，及前一时相中待监测区域的第一坡度和第一体积；若判定第一坡度大于或等于第一预设阈值，且第一坡度和第一目标坡度的差值大于第二预设阈值，则判定建筑物的轨迹变化类型为由植被变化为建筑物；若判定第一坡度小于第一预设阈值，且第一目标体积大于第一体积，则判定建筑物的轨迹变化类型为由裸土变化为建筑物或建筑物由矮层变化为高层；若判定目标时相为前一时相，则计算在前一时相中待检测区域的第二目标坡度和第二目标体积，及后一时相中待检测区域的第二坡度和第二体积；若判定第二坡度大于或等于第一预设阈值，且第二坡度和第二目标坡度的差值大于第二预设阈值，则判定建筑物的轨迹变化类型为由建筑物变化为植被；若判定第二坡度小于第一预设阈值，且第二目标体积大于第二体积，则判定建筑物的轨迹变化类型为由建筑物变化为裸土或建筑物由高层变化为矮层。
对于本实施例，在获取到前后时相的建筑物轮廓后，可首先依据像素点的标记结果，提取出目标建筑物，确定目标建筑物对应的目标时相，进而以目标时相对应的建筑物轮廓作为评价标准，判定另一时相中待监测区域的环境信息，进一步确定出待监测区域内建筑物的轨迹变化类型。其中，第一预设阈值用于表示建筑物和植物之间的坡度临界值，即第一预设阈值为用于判定出待监测区域中为植物的最小坡度，当确定坡度大于该第一预设阈值时，则判定待监测区域中为植物，反之则判定为建筑物。在具体的应用场景中，可将第一预设阈值设置为53°，用来区分建筑和植被。此外，当物体从建筑物到植被或从植被到建筑物时，观察到明显的变化。所以，还加了一个限制条件，即当两个时相的坡度变化超过第二预设阈值时，才能判定为由植被变化为建筑物或由建筑物变化为植被，在具体的应用场景中，第二预设阈值可设置为10°。此外，在依据第一预设阈值判定出另一时相中待监测区域中同样也为建筑物时，还可进一步依据建筑物体积变化来确定建筑物的状态变化，即当确定另一时相中建筑物的体积小于目标时相中的目标体积时，可判定建筑物的轨迹变化类型为建筑物和裸土、建筑物高低层之间的变化。
相应的，实施例步骤207具体还可以包括：基于建筑物轮廓和nDSM确定待监测区域对应前一时相的第一2D/3D形态参数和第一景观格局指数，以及对应后一时相的第二2D/3D形态参数和第二景观格局指数；计算第一2D/3D 形态参数与第二2D/3D形态参数，以及第一景观格局指数与第二景观格局指数之间的参数差值。
其中，建筑物的状态变化信息还可从格网尺度和街区尺度进行监测，通过前后时相中同种参数的差值确定建筑物的状态变化信息。格网尺度的变化监测分析不同于建筑物变化轨迹的识别，在格网尺度，主要考虑2D/3D的建筑物形态参数变化，该步骤首先需要将标记影像划分成为一系列的格网，获取各个格网内的参数数据，进而实现对建筑物的形态参数监测。待分析的形态参数可包括建筑面积(A)、建筑体积(V)、迎风面积指数(FAI)、平面面积指数(PAI)、天空视域因子(OdSVF、IdSVF)、以及格网视域因子 (GSVF)等。在城市街区尺度，重点关注建筑物的景观格局指数变化，一般来说，城市块尺度的景观参数分析是城市管理和规划最为重要的参考，可通过三种类别构建块来进行景观参数的分析，包括区域边缘，形状和聚合三个参数类。其中，区域边缘参数包括最大斑块指数(LPI)、边缘密度(ED)、平均斑块面积(MPA)；形状参数包括斑块面积的标准差(SDPA)、平均形状指数 (MSI)、形状指数标准偏差(SDSI)；聚合参数包括平均最近邻居距离(MNN)、平均最近邻居距离(SDMNN)的SD、斑块密度(PD)、凝聚力指数(CI)等。
在具体的应用场景中，对建筑物变化的监测流程可如图3所示，即首先获取待监测区域的前时相LiDAR点云数据和后时相LiDAR点云数据，在获取到点云数据后，需要首先对前后时相的LiDAR数据进行预处理，即依次去除离群值、过滤体素网格、过滤掉接地点，进一步筛选出非地面点和接地点，之后基于点云的插值算法利用所有的点云点生成DSM以及仅仅使用地面点生成相应的DTM，利用DSM减去DTM，获取得到研究区两期的nDSM，利用nDSM可制作出两期数据的非地面掩膜，之后利用多时相nDSM和非地面点(地物点)进行特征提取，获取得到平整度、法向方差和灰度共生矩阵 GLCM，之后以归一化的形式将这三个特征结合，通过图切算法进行多时相建筑物标注，进一步根据标注结果确定建筑物的状态变化信息。
通过上述建筑物变化的监测方法，可先获取待监测区域的前后时相的 LiDAR点云数据，之后对前后时相的LiDAR数据进行预处理，即依次去除离群值、过滤体素网格、过滤掉接地点，进一步筛选出非地面点，之后利用研究区两期的nDSM和地物点进行特征提取，获取得到平整度、法向方差和灰度共生矩阵GLCM，以归一化的形式将这三个特征结合，通过图切算法标注建筑物轮廓，在建筑物轮廓的基础上，利用“Bi-阈值法”，即前后时相建筑物的带状坡度体积阈值，实现对前后时相五种建筑物类型的变化轨迹捕获，并且还可提取出前后时相的2D/3D形态参数和景观格局指数，通过参数的对比，从格网尺度和街区尺度对建筑物的状态变化信息进行监测。在本申请中，从多维度分别获取待监测区域的图像特征，可准确定位出建筑物的框架，以便准确判定出建筑物的变化信息。并且在本申请中，利用LiDAR数据能够准确获取城区建筑物真实的高度信息，可实现多层次城区建筑物变化监测从二维走向三维，提高建筑物变化检测监测的精度，使监测结果更能满足用户需求。
进一步的，作为图1和图2所示方法的具体体现，本申请实施例提供了一种建筑物变化的监测装置，如图4所示，该装置包括：获取模块31、分离模块32、提取模块33、确定模块34；
获取模块31，可用于获取待监测区域前后时相的机载激光雷达LiDAR数据；
分离模块32，可用于依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；
提取模块33，可用于利用建筑物变化的监测非地面点提取建筑物变化的监测待监测区域对应前后时相的建筑物轮廓；
确定模块34，可用于基于建筑物变化的监测建筑物轮廓确定建筑物变化的监测建筑物的状态变化信息。
在具体的应用场景中，为了减少点云的噪声点，如图5所示，本装置还包括：处理模块35；
处理模块35，可用于对前后时相的建筑物变化的监测LiDAR数据进行预处理，获取得到目标LiDAR数据；
分离模块32，具体可用于利用建筑物变化的监测LiDAR数据生成数字表面模型DSM；基于插值算法和建筑物变化的监测目标LiDAR数据生成数字地形模型DTM；计算建筑物变化的监测DSM和建筑物变化的监测DTM的差值，并将建筑物变化的监测差值确定为nDSM数据；基于建筑物变化的监测 nDSM数据对建筑物变化的监测目标LiDAR数据进行高程阈值分割，以便提取出非地面点。
相应的，为了提取出建筑物变化的监测待监测区域对应前后时相的建筑物轮廓，提取模块33，具体可用于利用图切算法确定建筑物变化的监测非地面点中各个像素点与周围像素点的一致性程度；根据建筑物变化的监测一致性程度，识别并滤除非相关像素点；利用滤除后的建筑物变化的监测非地面点计算建筑物变化的监测待监测区域对应前后时相点云的平坦度、法线方向方差和nDSM的GLCM纹理特征；依据建筑物变化的监测平坦度、建筑物变化的监测法线方向方差和建筑物变化的监测nDSM的GLCM纹理特征标记前后时相的建筑物轮廓。
在具体的应用场景中，为了计算出建筑物变化的监测待监测区域对应前后时相点云的平坦度、法线方向方差和nDSM的GLCM纹理特征，提取模块 33，具体可用于依据K最临界临近法和前后时相的非地面点构建协方差矩阵；利用建筑物变化的监测协方差矩阵的特征值分别计算建筑物变化的监测待监测区域在前一时相的第一平坦度，和在后一时相的第二平坦度；依据建筑物变化的监测非地面点的法线和处置方向的夹角构建直方图；分别将建筑物变化的监测直方图的变异平方系数确定为建筑物变化的监测待监测区域在前一时相的第一法线方向方差，和在后一时相的第二法线方向方差；利用大于预设阈值的建筑物变化的监测nDSM分别计算建筑物变化的监测待监测区域在前一时相的第一GLCM纹理特征，和在后一时相的第二GLCM纹理特征。
相应的，为了基于平坦度、建筑物变化的监测法线方向方差和建筑物变化的监测nDSM的GLCM纹理特征提取出前后时相的建筑物轮廓，提取模块 33，具体可用于为建筑物变化的监测第一平坦度、建筑物变化的监测第二平坦度、建筑物变化的监测第一法线方向方差、建筑物变化的监测第二法线方向方差和建筑物变化的监测第一GLCM纹理特征、建筑物变化的监测第二 GLCM纹理特征分别配置对应的归一化参数和权重值；利用建筑物变化的监测归一化参数计算对应前一时相的第一特征值和对应后一时相的第二特征值；依据建筑物变化的监测第一特征值和建筑物变化的监测权重值，计算建筑物变化的监测待监测区域在前一时相中各个非地面点的第一能量函数值，及在后一时相中各个非地面点的第二能量函数值；利用建筑物变化的监测第一能量函数值和建筑物变化的监测第二能量函数值分别确定建筑物变化的监测待监测区域在前后时相的建筑物轮廓。
在具体的应用场景中，为了确定出建筑物的轨迹变化类型，确定模块34，具体可用于基于建筑物变化的监测建筑物轮廓确定目标建筑物所在的目标时相；若判定建筑物变化的监测目标时相为后一时相，则计算在后一时相中建筑物变化的监测待监测区域的第一目标坡度和第一目标体积，及前一时相中建筑物变化的监测待监测区域的第一坡度和第一体积；若判定建筑物变化的监测第一坡度大于或等于第一预设阈值，且建筑物变化的监测第一坡度和建筑物变化的监测第一目标坡度的差值大于第二预设阈值，则判定建筑物变化的监测建筑物的轨迹变化类型为由植被变化为建筑物；若判定建筑物变化的监测第一坡度小于建筑物变化的监测第一预设阈值，且建筑物变化的监测第一目标体积大于建筑物变化的监测第一体积，则判定建筑物变化的监测建筑物的轨迹变化类型为由裸土变化为建筑物或建筑物由矮层变化为高层；若判定建筑物变化的监测目标时相为前一时相，则计算在前一时相中建筑物变化的监测待检测区域的第二目标坡度和第二目标体积，及后一时相中建筑物变化的监测待检测区域的第二坡度和第二体积；若判定建筑物变化的监测第二坡度大于或等于建筑物变化的监测第一预设阈值，且建筑物变化的监测第二坡度和建筑物变化的监测第二目标坡度的差值大于建筑物变化的监测第二预设阈值，则判定建筑物变化的监测建筑物的轨迹变化类型为由建筑物变化为植被；若判定建筑物变化的监测第二坡度小于建筑物变化的监测第一预设阈值，且建筑物变化的监测第二目标体积大于建筑物变化的监测第二体积，则判定建筑物变化的监测建筑物的轨迹变化类型为由建筑物变化为裸土或建筑物由高层变化为矮层。
相应的，为了基于待监测区域前后时相的2D/3D形态参数和景观格局指数，从格网尺度和街区尺度确定建筑物的状态变化信息，确定模块34，具体可用于基于建筑物变化的监测建筑物轮廓和建筑物变化的监测nDSM确定建筑物变化的监测待监测区域对应前一时相的第一2D/3D形态参数和第一景观格局指数，以及对应后一时相的第二2D/3D形态参数和第二景观格局指数；计算建筑物变化的监测第一2D/3D形态参数与建筑物变化的监测第二2D/3D 形态参数，以及建筑物变化的监测第一景观格局指数与建筑物变化的监测第二景观格局指数之间的参数差值。
需要说明的是，本实施例提供的一种建筑物变化的监测装置所涉及各功能单元的其它相应描述，可以参考图1至图2中的对应描述，在此不再赘述。
基于上述如图1和图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1 和图2所示的建筑物变化的监测方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景的方法。
基于上述如图1、图2所示的方法，以及图4、图5所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的建筑物变化的监测方法。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
非易失性可读存储介质中还可以包括操作系统、网络通信模块。操作系统是建筑物变化监测的实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现非易失性可读存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，与目前现有技术相比，本申请可先获取待监测区域的前后时相的LiDAR点云数据，之后对前后时相的LiDAR数据进行预处理，即依次去除离群值、过滤体素网格、过滤掉接地点，进一步筛选出非地面点，之后利用研究区两期的nDSM和地物点进行特征提取，获取得到平整度、法向方差和灰度共生矩阵GLCM，以归一化的形式将这三个特征结合，通过图切算法标注建筑物轮廓，在建筑物轮廓的基础上，利用“Bi-阈值法”，即前后时相建筑物的带状坡度体积阈值，实现对前后时相五种建筑物类型的变化轨迹捕获，并且还可提取出前后时相的2D/3D形态参数和景观格局指数，通过参数的对比，从格网尺度和街区尺度对建筑物的状态变化信息进行监测。在本申请中，从多维度分别获取待监测区域的图像特征，可准确定位出建筑物的框架，以便准确判定出建筑物的变化信息。并且在本申请中，利用LiDAR 数据能够准确获取城区建筑物真实的高度信息，可实现多层次城区建筑物变化监测从二维走向三维，提高建筑物变化检测监测的精度，使监测结果更能满足用户需求。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种建筑物变化的监测方法，其特征在于，包括：
获取待监测区域前后时相的机载激光雷达LiDAR数据；
依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；
利用所述非地面点提取所述待监测区域对应前后时相的建筑物轮廓；
基于所述建筑物轮廓确定所述建筑物的状态变化信息。
2.根据权利要求1所述的方法，其特征在于，所述依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点，具体包括：
对前后时相的所述LiDAR数据进行预处理，获取得到目标LiDAR数据；
利用所述LiDAR数据生成数字表面模型DSM；
基于插值算法和所述目标LiDAR数据生成数字地形模型DTM；
计算所述DSM和所述DTM的差值，并将所述差值确定为nDSM数据；
基于所述nDSM数据对所述目标LiDAR数据进行高程阈值分割，以便提取出非地面点。
3.根据权利要求2所述的方法，其特征在于，所述利用所述非地面点提取所述待监测区域对应前后时相的建筑物轮廓，具体包括：
利用图切算法确定所述非地面点中各个像素点与周围像素点的一致性程度；
根据所述一致性程度，识别并滤除非相关像素点；
利用滤除后的所述非地面点计算所述待监测区域对应前后时相点云的平坦度、法线方向方差和nDSM的GLCM纹理特征；
依据所述平坦度、所述法线方向方差和所述nDSM的GLCM纹理特征标记前后时相的建筑物轮廓。
4.根据权利要求3所述的方法，其特征在于，所述利用滤除后的所述非地面点计算所述待监测区域对应前后时相点云的平坦度、法线方向方差和nDSM的GLCM纹理特征，具体包括：
依据K最临界临近法和前后时相的非地面点构建协方差矩阵；
利用所述协方差矩阵的特征值分别计算所述待监测区域在前一时相的第一平坦度，和在后一时相的第二平坦度；
依据所述非地面点的法线和处置方向的夹角构建直方图；
分别将所述直方图的变异平方系数确定为所述待监测区域在前一时相的第一法线方向方差，和在后一时相的第二法线方向方差；
利用大于预设阈值的所述nDSM分别计算所述待监测区域在前一时相的第一GLCM纹理特征，和在后一时相的第二GLCM纹理特征。
5.根据权利要求4所述的方法，其特征在于，所述依据所述平坦度、所述法线方向方差和所述nDSM的GLCM纹理特征标记前后时相的建筑物轮廓，具体包括：
为所述第一平坦度、所述第二平坦度、所述第一法线方向方差、所述第二法线方向方差和所述第一GLCM纹理特征、所述第二GLCM纹理特征分别配置对应的归一化参数和权重值；
利用所述归一化参数计算对应前一时相的第一特征值和对应后一时相的第二特征值；
依据所述第一特征值和所述权重值，计算所述待监测区域在前一时相中各个非地面点的第一能量函数值，及在后一时相中各个非地面点的第二能量函数值；
利用所述第一能量函数值和所述第二能量函数值分别确定所述待监测区域在前后时相的建筑物轮廓。
6.根据权利要求5所述的方法，其特征在于，所述基于所述建筑物轮廓确定所述建筑物的状态变化信息，具体包括：
基于所述建筑物轮廓确定目标建筑物所在的目标时相；
若判定所述目标时相为后一时相，则计算在后一时相中所述待监测区域的第一目标坡度和第一目标体积，及前一时相中所述待监测区域的第一坡度和第一体积；
若判定所述第一坡度大于或等于第一预设阈值，且所述第一坡度和所述第一目标坡度的差值大于第二预设阈值，则判定所述建筑物的轨迹变化类型为由植被变化为建筑物；
若判定所述第一坡度小于所述第一预设阈值，且所述第一目标体积大于所述第一体积，则判定所述建筑物的轨迹变化类型为由裸土变化为建筑物或建筑物由矮层变化为高层；
若判定所述目标时相为前一时相，则计算在前一时相中所述待检测区域的第二目标坡度和第二目标体积，及后一时相中所述待检测区域的第二坡度和第二体积；
若判定所述第二坡度大于或等于所述第一预设阈值，且所述第二坡度和所述第二目标坡度的差值大于所述第二预设阈值，则判定所述建筑物的轨迹变化类型为由建筑物变化为植被；
若判定所述第二坡度小于所述第一预设阈值，且所述第二目标体积大于所述第二体积，则判定所述建筑物的轨迹变化类型为由建筑物变化为裸土或建筑物由高层变化为矮层。
7.根据权利要求5所述的方法，其特征在于，所述基于所述建筑物轮廓确定所述建筑物的状态变化信息，具体还包括：
基于所述建筑物轮廓和所述nDSM确定所述待监测区域对应前一时相的第一2D/3D形态参数和第一景观格局指数，以及对应后一时相的第二2D/3D形态参数和第二景观格局指数；
计算所述第一2D/3D形态参数与所述第二2D/3D形态参数，以及所述第一景观格局指数与所述第二景观格局指数之间的参数差值。
8.一种建筑物变化的监测装置，其特征在于，包括：
获取模块，用于获取待监测区域前后时相的机载激光雷达LiDAR数据；
分离模块，用于依据点云滤波算法从预处理后的LiDAR数据中分离出非地面点；
提取模块，用于利用所述非地面点提取所述待监测区域对应前后时相的建筑物轮廓；
确定模块，用于基于所述建筑物轮廓确定所述建筑物的状态变化信息。
9.一种非易失性可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的建筑物变化的监测方法。
10.一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的建筑物变化的监测方法。
CN202010060604.0A 2020-01-19 2020-01-19 建筑物变化的监测方法、装置及计算机设备 Active CN111323788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010060604.0A CN111323788B (zh) 2020-01-19 2020-01-19 建筑物变化的监测方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010060604.0A CN111323788B (zh) 2020-01-19 2020-01-19 建筑物变化的监测方法、装置及计算机设备

Publications (2)

Publication Number Publication Date
CN111323788A true CN111323788A (zh) 2020-06-23
CN111323788B CN111323788B (zh) 2022-04-15

Family

ID=71168772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010060604.0A Active CN111323788B (zh) 2020-01-19 2020-01-19 建筑物变化的监测方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN111323788B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113513988A (zh) * 2021-07-12 2021-10-19 广州小鹏自动驾驶科技有限公司 一种激光雷达标靶检测方法、装置、车辆、存储介质
CN115265400A (zh) * 2022-09-29 2022-11-01 山东乾元泽孚科技股份有限公司 一种建筑工程数字化形变测量方法及系统
CN116258967A (zh) * 2023-05-09 2023-06-13 深圳市森歌数据技术有限公司 一种基于改进SNUNet-CD的城市违建变化检测方法
CN117308821A (zh) * 2023-11-28 2023-12-29 江苏华辉建筑装饰工程有限公司 一种基于扫描仪的建筑装饰造型精度检验方法及系统
CN118465783A (zh) * 2024-04-19 2024-08-09 二十一世纪空间技术应用股份有限公司 基于卫星三维影像的建筑物变化检测方法及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103969656A (zh) * 2014-05-08 2014-08-06 北京数字绿土科技有限公司 基于机载激光雷达的建筑物建模方法和装置
CN108197583A (zh) * 2018-01-10 2018-06-22 武汉大学 基于图割优化和影像结构特征的建筑物变化检测方法
CN111931559A (zh) * 2020-06-22 2020-11-13 云南电网有限责任公司带电作业分公司 一种输电线路走廊区域内树种的分类方法
CN112183434A (zh) * 2020-10-12 2021-01-05 南方电网能源发展研究院有限责任公司 建筑物变化检测方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103969656A (zh) * 2014-05-08 2014-08-06 北京数字绿土科技有限公司 基于机载激光雷达的建筑物建模方法和装置
CN108197583A (zh) * 2018-01-10 2018-06-22 武汉大学 基于图割优化和影像结构特征的建筑物变化检测方法
CN111931559A (zh) * 2020-06-22 2020-11-13 云南电网有限责任公司带电作业分公司 一种输电线路走廊区域内树种的分类方法
CN112183434A (zh) * 2020-10-12 2021-01-05 南方电网能源发展研究院有限责任公司 建筑物变化检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭庆华等: "激光雷达在森林生态系统监测模拟中的应用现状与展望", 《科学通报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113513988A (zh) * 2021-07-12 2021-10-19 广州小鹏自动驾驶科技有限公司 一种激光雷达标靶检测方法、装置、车辆、存储介质
CN113513988B (zh) * 2021-07-12 2023-03-31 广州小鹏自动驾驶科技有限公司 一种激光雷达标靶检测方法、装置、车辆、存储介质
CN115265400A (zh) * 2022-09-29 2022-11-01 山东乾元泽孚科技股份有限公司 一种建筑工程数字化形变测量方法及系统
CN116258967A (zh) * 2023-05-09 2023-06-13 深圳市森歌数据技术有限公司 一种基于改进SNUNet-CD的城市违建变化检测方法
CN116258967B (zh) * 2023-05-09 2023-08-04 深圳市森歌数据技术有限公司 一种基于改进SNUNet-CD的城市违建变化检测方法
CN117308821A (zh) * 2023-11-28 2023-12-29 江苏华辉建筑装饰工程有限公司 一种基于扫描仪的建筑装饰造型精度检验方法及系统
CN117308821B (zh) * 2023-11-28 2024-02-06 江苏华辉建筑装饰工程有限公司 一种基于扫描仪的建筑装饰造型精度检验方法及系统
CN118465783A (zh) * 2024-04-19 2024-08-09 二十一世纪空间技术应用股份有限公司 基于卫星三维影像的建筑物变化检测方法及相关设备

Also Published As

Publication number Publication date
CN111323788B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN111323788B (zh) 建筑物变化的监测方法、装置及计算机设备
Zeybek et al. Point cloud filtering on UAV based point cloud
Du et al. Automatic building extraction from LiDAR data fusion of point and grid-based features
US7983474B2 (en) Geospatial modeling system and related method using multiple sources of geographic information
Wang et al. A region-growing approach for automatic outcrop fracture extraction from a three-dimensional point cloud
Yang et al. Automated extraction of street-scene objects from mobile lidar point clouds
Ramiya et al. Segmentation based building detection approach from LiDAR point cloud
CN110866531A (zh) 一种基于三维建模的建筑物特征提取方法、系统及存储介质
Neubert et al. Evaluation of remote sensing image segmentation quality–further results and concepts
CN111458691B (zh) 建筑物信息的提取方法、装置及计算机设备
Xiao et al. Building segmentation and modeling from airborne LiDAR data
Song et al. Extraction and reconstruction of curved surface buildings by contour clustering using airborne LiDAR data
Kang et al. The change detection of building models using epochs of terrestrial point clouds
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
Bandyopadhyay et al. Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery
Hao et al. A hierarchical region-merging algorithm for 3-D segmentation of individual trees using UAV-LiDAR point clouds
Dong et al. A framework for automated assessment of post-earthquake building damage using geospatial data
Gujski et al. Machine learning clustering for point clouds optimisation via feature analysis in Cultural Heritage
Polat et al. An investigation of tree extraction from UAV-based photogrammetric dense point cloud
CN116994029A (zh) 一种用于多源数据的融合分类方法及系统
Comert et al. Object based building extraction and building period estimation from unmanned aerial vehicle data
Pahlavani et al. 3D reconstruction of buildings from LiDAR data considering various types of roof structures
CN110363863A (zh) 一种神经网络的输入数据生成方法和系统
Dos Santos et al. Building detection from lidar data using entropy and the k-means concept
Lee et al. Investigation of topographic characteristics of parcels using UAV and machine learning

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