CN111539890B - 一种结合语义分析的多尺度地面滤波方法 - Google Patents
一种结合语义分析的多尺度地面滤波方法 Download PDFInfo
- Publication number
- CN111539890B CN111539890B CN202010333188.7A CN202010333188A CN111539890B CN 111539890 B CN111539890 B CN 111539890B CN 202010333188 A CN202010333188 A CN 202010333188A CN 111539890 B CN111539890 B CN 111539890B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- ground
- scale
- point cloud
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结合语义分析的多尺度地面滤波方法，首先基于点云数据设定尺度层级，采用高斯滤波的方式去除点云噪声点；采用移动选点和非移动选点结合，以及竖直方向选点和主方向选点结合的方式选取控制点，并拟合初始曲面；对拟合的初始曲面进行精细化处理，并参考上一步拟合结果结合格网大小对选取的控制点进行赋权；根据预先设置的阈值判断精细化处理后曲面中的地面点和地物点；进一步对点云进行平面检测来优化分类结果。该方法可以实现错综复杂的地面‑非地面物体结构的点云滤波，提高了滤波精度，具有良好的应用前景。
Description
技术领域
本发明涉及测绘科学技术领域，尤其涉及一种结合语义分析的多尺度地面滤波方法。
背景技术
随着多平台激光雷达和多角度影像密集匹配技术的快速发展，大量快速可得的点云数据为高分辨率高精度的地形表面三维重建提供了有效可靠的数据支撑，点云数据处理已成为国际研究和工业界的热点问题，如何从点云数据中分离地面与非地面点，即点云数据滤波是众多后续应用的首要步骤，因此一直是热点前沿问题。
在实际生产实践中，由于地表结构的多样性和复杂性，同一套滤波参数难以适应错综复杂的地形特征，当前国内外点云处理的主流商业软件，如TerraScan、LasTools等，其自动处理精度难以达到实际生产需求，通常采用半自动滤波加人工交互后处理的方法进行滤波处理，需要耗费大量的人力、物力，并且由于人为主观因素影响，有时还需要诸如真正射影像等信息辅助处理，并可能出现不同程度的误差，极大的影响了生产效率。因此，自动、高效、稳健的点云滤波技术成为学术界和工业界面临的重大挑战。
现有技术中的点云滤波需要假设在局部邻域内的最低点为地面点，通过建立临时的地面结构，通过一定阈值参数对地面点进行加密，并区分地面-非地面点，该方法主要存在缺陷包括：一方面地形起伏变化、城市结构形态复杂；另一方面多平台激光雷达和多角度影像密集匹配产生的点云数据，无论在点云密度还是数据特性上均有较大差异；而现有的滤波算法通常对同一区域采用一套参数，难以适应错综复杂的地面-非地面物体结构，并且通常对参数变化较为敏感，导致误分类问题严重。
发明内容
本发明的目的是提供一种结合语义分析的多尺度地面滤波方法，该方法可以实现错综复杂的地面-非地面物体结构的点云滤波，提高了滤波精度，具有良好的应用前景。
本发明的目的是通过以下技术方案实现的：
一种结合语义分析的多尺度地面滤波方法，所述方法包括：
步骤1、基于点云数据设定尺度层级，采用高斯滤波的方式去除点云噪声点；
步骤2、采用移动选点和非移动选点结合，以及竖直方向选点和主方向选点结合的方式选取控制点，并拟合初始曲面；
步骤3、对拟合的初始曲面进行精细化处理，并参考上一步拟合结果结合格网大小对选取的控制点进行赋权；
步骤4、根据预先设置的阈值判断精细化处理后曲面中的地面点和地物点；
步骤5、进一步对点云进行平面检测来优化分类结果。
由上述本发明提供的技术方案可以看出，上述方法可以实现错综复杂的地面-非地面物体结构的点云滤波，提高了滤波精度，具有良好的应用前景。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的结合语义分析的多尺度地面滤波方法流程示意图；
图2为本发明实施例所述真实三维点云数据的平面图；
图3为按照本发明实施例所述方法分类处理后的地面点平面示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的结合语义分析的多尺度地面滤波方法流程示意图，所述方法包括：
步骤1、基于点云数据设定尺度层级，采用高斯滤波的方式去除点云噪声点；
在该步骤中，所设定的不同尺度层级用levell表示，其中l＝0～L；最小尺度层级为level0级，最大尺度层级为levelL级。
步骤2、采用移动选点和非移动选点结合，以及竖直方向选点和主方向选点结合的方式选取控制点，并拟合初始曲面；
在该步骤中，具体按照尺度从大到小使用移动格网来选取控制点，控制点为格网最低点，根据格网的大小对每一个控制点赋予一个可信度权值；具体实现中，采用移动选取控制点的方式，移动步长为10米，这里使用数据结构中的单调队列将移动选取控制点的复杂度优化到线性复杂度，最后非移动的添加格网大小为16米的控制点，由于16米大小足够小，考虑到运行速度，这一步采用非移动的方式选取控制点；
然后选取格网主方向上的最低点作为控制点；该过程是为了改善山坡拟合的结果，使用此方法更容易选到山头点；具体实现中，现在计算格网主方向采用的方法是使用vcglib计算8米格网最低点的法向量，再以64大小的格网计算格网内所有8米格网最低点的法向量的平均法向量，求出格网内平均法向量上的最低点作为控制点，此步骤需要去掉法向近似于竖直方向的控制点，这里设置为单位法向z轴大于0.95的点；
对选取的控制点进行薄板样条插值拟合，形成初始曲面，并添加一个合适的平滑度权值。
具体实现中，上述所赋予的可信度权值函数的表达式为：
0.03*e^(levell*levell)；
其中，levell是随着格网大小的不断细分，从0到2。
另外，对选取的控制点进行薄板样条插值拟合的过程为：
薄板样条的插值函数形式如下：
Φ(x)＝c+aTx+wTs(x)
s(x)＝(σ(x-x1),σ(x-x2),…,σ(x-xn))T
其中，c∈R1×1，a∈RD×1，w∈RN×1；
从中可以看出，该函数的输出值是一个标量，也就是说如果要针对多个维度进行插值，需要求解多个插值函数。该插值函数总共存在N+D+1个参数，而每个观测点都能提供一个如下的约束，共N个约束条件。
yk＝Φ(xk)
在添加D+1个约束条件：
令：
则约束条件构成的方程组可以改写为：
当Γ非奇异时，这个方程组有唯一解，因此可获得参数矩阵：
将其中的S矩阵(i,i)位置上添加一个权值λ＝regularization*(a*a)+_P[i]*(a*a)。其中regularization为我们设置的平滑度，a为所有点之间距离的平均值，即为：p为控制点的个数，_P[i]为第i个点的残差权值。
具体实现中，上述拟合初始曲面的结果存在两个版本：版本一、使用原始点云坐标进行插值；版本二、使用结构化的点云坐标进行插值。
步骤3、对拟合的初始曲面进行精细化处理，并参考上一步拟合结果结合格网大小对选取的控制点进行赋权；
在该步骤中，赋权的权值函数可以为(1-0.1*levell)*e^(d/3)(levell从3到6，d为真实点和上一步计算出的插值点的高度差)。
如果当前的控制点与上一步的插值点相差较大，则认为上一步的结果是相对可靠的，这个函数可以保证正差值较大的时候，权值会急剧增加(权值增加，可信度降低)；而负差值的时候权值会很低，则认为更可信。
具体实现中，由于薄板样条插值曲面拟合中心区域是比较可靠的，边缘区域是不太可靠的，故可以每次选取3*3个格网进行局部拟合，并更新中心部分的拟合点的插值。另外，若出现格网内没有点的情况，则需要利用结构化版本的插值插入一个虚拟点。
步骤4、根据预先设置的阈值判断精细化处理后曲面中的地面点和地物点；
在该步骤中，若真实点与插值点的高程差在预先设置的阈值范围内，则判断为地面点；否则判断为地物点或噪声点。具体实现中，可以选取阈值为1米。
步骤5、进一步对点云进行平面检测来优化分类结果。
在该步骤中，若一个平面内绝大多数点都是地面点(地物点)，那么将平面内的点都归为地面点(地物点)，若地面点和地物点个数相差不大，则不做修改。这里的比例的阈值设置为0.41。
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
如图2所示为本发明实施例所述真实三维点云数据的平面图，如图3所示为按照本发明实施例所述方法分类处理后的地面点平面示意图，由图2和3的对比可知：本发明实施例所述结合语义分析的多尺度地面滤波方法基于薄板样条插值和平面检测，对每个控制点增加了残差权值，增加了曲面整体的平滑度权值；同时在选取控制点时，采用了多尺度分层选点，且使用移动格网和固定格网相结合，整体拟合和局部拟合相结合的方式，实现了错综复杂的地面-非地面物体结构的点云滤波，提高了滤波精度，具有良好的应用前景。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种结合语义分析的多尺度地面滤波方法，其特征在于，所述方法包括：
步骤1、基于点云数据设定尺度层级，采用高斯滤波的方式去除点云噪声点；
步骤2、采用移动选点和非移动选点结合，以及竖直方向选点和主方向选点结合的方式选取控制点，并拟合初始曲面；
步骤3、对拟合的初始曲面进行精细化处理，并参考上一步拟合结果结合格网大小对选取的控制点进行赋权；
步骤4、根据预先设置的阈值判断精细化处理后曲面中的地面点和地物点；
步骤5、进一步对点云进行平面检测来优化分类结果。
2.根据权利要求1所述的结合语义分析的多尺度地面滤波方法，其特征在于，在步骤1中，所设定的不同尺度层级用levell表示，其中l＝0～L；最小尺度层级为level0级，最大尺度层级为levelL级。
3.根据权利要求1所述的结合语义分析的多尺度地面滤波方法，其特征在于，所述步骤2的过程具体为：
按照尺度从大到小使用移动格网来选取控制点，控制点为格网最低点，根据格网的大小对每一个控制点赋予一个可信度权值；
然后选取格网主方向上的最低点作为控制点；
对选取的控制点进行薄板样条插值拟合，形成初始曲面，并添加一个合适的平滑度权值。
4.根据权利要求3所述的结合语义分析的多尺度地面滤波方法，其特征在于，
所赋予的可信度权值函数的表达式为：0.03*e^(levell*levell)；
其中，levell是随着格网大小的不断细分，从0到2。
5.根据权利要求3所述的结合语义分析的多尺度地面滤波方法，其特征在于，所述对选取的控制点进行薄板样条插值拟合的过程为：
薄板样条的插值函数形式如下：
Φ(x)＝c+aTx+wTs(x)
s(x)＝(σ(x-x1),σ(x-x2),…,σ(x-xn))T
其中，c∈R1×1，a∈RD×1，w∈RN×1；
该插值函数总共存在N+D+1个参数，而每个观测点都能提供一个如下的约束，共N个约束条件：
yk＝Φ(xk)
然后添加D+1个约束条件：
令：
则约束条件构成的方程组改写为：
当Γ非奇异时，这个方程组有唯一解，因此获得参数矩阵为：
将其中的S矩阵(i,i)位置上添加一个权值λ＝regularization*(a*a)+_P[i]*(a*a)；
其中regularization为设置的平滑度，a为所有点之间距离的平均值，即为：p为控制点的个数，_P[i]为第i个点的残差权值；
上述拟合初始曲面的结果存在两个版本：版本一、使用原始点云坐标进行插值；版本二、使用结构化的点云坐标进行插值。
6.根据权利要求1所述的结合语义分析的多尺度地面滤波方法，其特征在于，在步骤3中，进行赋权的权值函数表示为(1-0.1*levell)*e^(d/3)；
其中，levell从3到6，d为真实点和上一步计算出的插值点的高度差。
7.根据权利要求1所述的结合语义分析的多尺度地面滤波方法，其特征在于，所述步骤4的过程具体为：
若真实点与插值点的高程差在预先设置的阈值范围内，则判断为地面点；否则判断为地物点或噪声点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010333188.7A CN111539890B (zh) | 2020-04-24 | 2020-04-24 | 一种结合语义分析的多尺度地面滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010333188.7A CN111539890B (zh) | 2020-04-24 | 2020-04-24 | 一种结合语义分析的多尺度地面滤波方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539890A CN111539890A (zh) | 2020-08-14 |
| CN111539890B true CN111539890B (zh) | 2023-10-31 |
Family
ID=71975442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010333188.7A Active CN111539890B (zh) | 2020-04-24 | 2020-04-24 | 一种结合语义分析的多尺度地面滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539890B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118090A (zh) * | 2015-05-19 | 2015-12-02 | 西南交通大学 | 一种自适应复杂地形结构的点云滤波方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10650531B2 (en) * | 2018-03-16 | 2020-05-12 | Honda Motor Co., Ltd. | Lidar noise removal using image pixel clusterings |
-
2020
- 2020-04-24 CN CN202010333188.7A patent/CN111539890B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118090A (zh) * | 2015-05-19 | 2015-12-02 | 西南交通大学 | 一种自适应复杂地形结构的点云滤波方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于多尺度虚拟格网的LiDAR点云数据滤波改进方法;黄作维;刘峰;胡光伟;;光学学报(第08期);全文 * |
| 多级移动曲面拟合的自适应阈值点云滤波方法;朱笑笑;王成;习晓环;王濮;田新光;杨学博;;测绘学报(第02期);全文 * |
| 机载LiDAR点云滤波综述;惠振阳;程朋根;官云兰;聂运菊;;激光与光电子学进展(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539890A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
| CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
| Jin et al. | A point-based fully convolutional neural network for airborne LiDAR ground point filtering in forested environments | |
| CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
| CN106886980B (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
| CN109448087B (zh) | 一种盾构隧道表面点云数据分段方法 | |
| CN110503721B (zh) | 基于加权径向基函数插值的断裂地形保持方法 | |
| CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
| CN101923637B (zh) | 一种移动终端及其人脸检测方法和装置 | |
| CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
| CN110335352B (zh) | 一种机载激光雷达点云的双基元多分辨率层次滤波方法 | |
| CN110807781A (zh) | 一种保留细节与边界特征的点云精简方法 | |
| CN109872330A (zh) | 一种改进狮群优化的二维Otsu快速图像分割方法 | |
| CN108765434A (zh) | 基于增材再制造点云模型的轮廓提取方法 | |
| CN102800114B (zh) | 一种基于Poisson-disk采样的数据点云精简方法 | |
| CN111881919B (zh) | 一种基于追踪式格网剖分的线要素智能化简方法与装置 | |
| CN111539890B (zh) | 一种结合语义分析的多尺度地面滤波方法 | |
| Albeaik et al. | Virtual cities: 3d urban modeling from low resolution lidar data | |
| He et al. | An energy minimization approach to automated extraction of regular building footprints from airborne LiDAR data | |
| AU2010200146A1 (en) | Extraction processes | |
| CN115455666B (zh) | 在网格天气预报中实现涡旋去除和涡旋移动的方法及装置 | |
| CN114840896B (zh) | 一种基于城市道路bim的内涝积水模拟分析方法 | |
| CN115619953A (zh) | 一种面向崎岖地形的移动机器人地形建图方法及系统 | |
| Sun et al. | Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China | |
| Yuan et al. | DEM generation from airborne LIDAR data |
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 |