CN111598823A - 多源移动测量点云数据空地一体化融合方法、存储介质 - Google Patents

多源移动测量点云数据空地一体化融合方法、存储介质 Download PDF

Info

Publication number
CN111598823A
CN111598823A CN202010422717.0A CN202010422717A CN111598823A CN 111598823 A CN111598823 A CN 111598823A CN 202010422717 A CN202010422717 A CN 202010422717A CN 111598823 A CN111598823 A CN 111598823A
Authority
CN
China
Prior art keywords
point cloud
cloud data
rod
different platforms
shaped object
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
CN202010422717.0A
Other languages
English (en)
Other versions
CN111598823B (zh
Inventor
陈琳海
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 Greenvalley Technology Co ltd
Original Assignee
Beijing Greenvalley Technology Co ltd
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 Greenvalley Technology Co ltd filed Critical Beijing Greenvalley Technology Co ltd
Priority to CN202010422717.0A priority Critical patent/CN111598823B/zh
Priority to PCT/CN2020/092817 priority patent/WO2021232463A1/zh
Publication of CN111598823A publication Critical patent/CN111598823A/zh
Application granted granted Critical
Publication of CN111598823B publication Critical patent/CN111598823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明涉及一种多源移动测量点云数据空地一体化融合方法、存储介质及终端，所述融合方法包括：通过聚类判断的方式从不同平台采集的点云数据中提取出建筑物轮廓点云数据A，以及通过三维格网化的二维分析从不同平台采集的点云数据中提取出杆状物点云数据B；对从不同平台提取出的建筑物轮廓点云数据A或杆状物点云数据B的特征进行匹配，判断是否为同一个建筑物轮廓或同一个杆状物；根据特征匹配结果通过平差计算对不同平台采集的点云数据进行配准，得到配准融合结果。本发明的优点在于：采用对象级别的特征进行不同平台的点云配准，适用性更强，精度更高，而且将多平台采集点云数据融合管理，实现了多时空和多平台数据的一体化。

Description

多源移动测量点云数据空地一体化融合方法、存储介质
技术领域
本发明涉及巡检勘测技术领域，尤其涉及一种多源移动测量点云数据空地一体化融合方法、存储介质及终端。
背景技术
激光雷达是一种快速获取物体表面三维点云数据的技术，已成为高时空分辨率三维对地观测的一种主要技术手段，在基础测绘、智慧城市、资源调查、高精度地图等领域发挥越来越重要的作用。从数据获取平台而言，包括卫星平台、机载平台、车载平台、地面/背负式平台等等。
目前通过激光雷达获取三维点云数据的技术大多使用的是单一平台进行点云数据获取，由于单一视角、单一平台的观测范围有限且空间基准不一致，为了获取目标区域全方位的空间信息，不仅需要进行站间/条带间的点云数据融合，还需要进行多平台(如机载、车载、地面等)的点云数据融合，以弥补单一视角、单一平台带来的数据缺失，实现大范围场景完整、精细的数字现实描述；不同平台点云数据的融合需要同名特征进行关联，目前已有的方法常用特征为法向量、关键点、点特征直方图等低阶特征，但是由于不同平台扫描视角不同、覆盖范围不同、扫描得到的点云数据点密度存在巨大差异，所提取的低阶特征受点分布、点密度影响大，算法精度不高、鲁棒性差。
申请号为CN201410047608.X的中国专利公布了“一种多平台点云数据融合方法”的发明专利，要点是对滤波去噪后的点云数据进行精度分析，以精度最高的点云数据为依据，对其余数据进行精度纠正，具体实施方式是将预处理后的点云数据进行精度对比，并以精度较高的点云数据为依据，对精度较低的数据进行纠正分析，获取点云数据转换模型，并进行纠正融合，其具体处理步骤为：1)根据点云数据的采集日期通过构建数字表面模型确定相同区域点云数据的变化情况；2)根据检测后点云数据变化范围提取纠正点，生成更新模型；3)根据更新模型对精度较差的点云数据进行更新；4)通过构建数字表面模型检查数据融合精度)；该技术方案主要是基于不同采用时间的点云数据变化情况进行数据模模型的更新，再根据更新的模型对精度差的点云数据进行更新，虽然能够对精度差的点云数据进行更新，但是也会导致整体模型一定程度的失真，而且其与本发明基于多种对象级别的特别融合的方法存在本质区别。
申请号为CN201910266150.X的中国专利公布了“面向全息测绘的多平台点云智能处理方法”的发明专利申请，要点是多平台激光点云数据高精度融合，其具体为：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方式，但是其整体方法比较复杂，计算量大，而且其与本发明基于多种对象级别的特别融合的方法也存在本质区别。因此，如何解决目前根据不同平台获取的三维点云数据进行融合配准存在的缺陷，是现阶段需要解决的问题。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种多源移动测量点云数据空地一体化融合方法、存储介质及终端，解决了目前根据不同平台获取的三维点云数据进行融合配准时存在的不足，以及目前采用低阶特征进行配准存在的不足。
本发明的目的通过以下技术方案来实现：一种多源移动测量点云数据空地一体化融合方法，所述融合方法包括：
通过聚类判断的方式从不同平台采集的点云数据中提取出建筑物轮廓点云数据A，以及通过三维格网化的二维分析从不同平台采集的点云数据中提取出杆状物点云数据B；
对从不同平台提取出的建筑物轮廓点云数据A或杆状物点云数据B的特征进行匹配，判断是否为同一个建筑物轮廓或同一个杆状物；
根据特征匹配结果通过平差计算对不同平台采集的点云数据进行配准，得到配准融合结果。
所述融合方法还包括在提取所述建筑物轮廓点云数据A和所述杆状物点云数据B之前，通过多种不同平台采集同一区域内的点云数据的步骤。
所述通过聚类判断的方式从不同平台采集的点云数据中提取出建筑物轮廓点云数据A的步骤包括以下内容：
将点云投影到三维坐标系中得到一个投影基础面，且该投影基础面与任意一个坐标平面垂直；
对该投影基础面上的投影点按照一定间隔划分成不同投影面点云块集；
根据每个投影面点云块集的最高点计算相邻投影面点云块集的高差，并根据计算结果判断这两个投影面点云块集是否属于同一聚类；
通过随机采样一致性算法拟合各个聚类的投影点云，从每个聚类的投影点云中提取出建筑物轮廓线线段，并记录该建筑物轮廓线线段的起点和终点坐标。
所述某个投影面点云块集的最高点为与所述投影基础面平行的坐标轴方向距离最远的投影点云；如果相邻投影面点云块集的高差小于标准值，则说明这两个投影面点云块集为连续地物，属于一个聚类。
所述通过三维格网化的二维分析从不同平台采集的点云数据中提取出杆状物点云数据B的步骤包括以下内容：
对不同平台采集的点云数据进行三维格网化，通过连通性分析对网格进行分割聚类，根据对面积小于阈值的聚类区域以及对截面形状和主轴长度的筛选，得到潜在的杆状物类别和非杆状物类别；
计算潜在的杆状物类别中每个聚类的质心坐标，并以该质心坐标为圆点设置一内半径和一外半径，在内半径中包含有该聚类的所有点云，内半径和外半径组成的圆环范围内无任何点云；
设置一个杆状物的最小高度阈值，如果潜在的杆状物类型中某个聚类的点云的高度数据大于最小高度阈值，则判断为杆状物并记录该杆状物的起点和终点坐标，提取出该杆状物的线段。
所述对截面形状和主轴长度的筛选包括：判断截面形状是否为圆形，如果是，则说明为杆状物；判断主轴的长度是否小于指定值，如果是，则说明为杆状物。
所述对从不同平台提取出的建筑物轮廓点云数据A或杆状物点云数据B的特征进行匹配，判断是否为同一个建筑物轮廓或同一个杆状物包括：
从不同平台提取的特征分别记为LA＝{LAi,i＝1,2,…,m}和LB＝{LBi,i＝1,2,…,n}，并从LA和LB中分别选择两个建筑物轮廓线或者杆状物记为LA1,LA2,LB1和LB2；
计算两个建筑物轮廓线或者杆状物的角度、距离和长度差；
并判断计算结果是否满足条件，如果满足条件，则说明这两个建筑物轮廓线或者杆状物为不同平台内的同一建筑物或者杆状物。
所述根据特征匹配结果通过平差计算对不同平台采集的点云数据进行配准得到配准融合结果包括：
提取将判断为同一建筑物或者杆状物的所述两个建筑物轮廓线或者杆状物的三维坐标信息计算出旋转参数、平移参数和缩放参数；
以任意一个平台采集的点云的三维坐标为目标坐标系，通过对另一个平台采集的点云原始坐标系进行旋转、平移和缩放变换后使得原始坐标系中点云的三维坐标与目标坐标系中点云的三维坐标重合，进而实现不同平台点云数据的配准融合。
一种存储介质，其特征在于：所述存储介质内存储有计算机程序，所述计算机程序运行时执行一种多源移动测量点云数据空地一体化融合方法的步骤。
一种终端，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于多源移动测量点云数据空地一体化融合的控制程序，所述基于多源移动测量点云数据空地一体化融合的控制程序运行时执行一种多源移动测量点云数据空地一体化融合方法的步骤。
本发明具有以下优点：一种多源移动测量点云数据空地一体化融合方法、存储介质及终端，根据从不同平台采集的数据对同一时空区域内的建筑物轮廓线和杆状物等对象级别的特征进行提取以及特征匹配，实现是否同一个建筑物轮廓或同一个杆状物的判断，最后通过平差计算对不同平台采集的点云数据进行配准，得到配准融合结果，使得最后得到的结果精度更高，且能够适用更多的场合；而且将多平台采集点云数据融合管理，实现了多时空和多平台数据的一体化。
附图说明
图1为本发明方法的流程示意图；
图2为本发明提取建筑物轮廓点云数据A的流程示意图；
图3为本发明提取杆状物点云数据B的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的描述，但本发明的保护范围不局限于以下所述。
如图1所示，一种多源移动测量点云数据空地一体化融合方法，所述融合方法包括：
通过将激光雷达扫描仪搭载在无人机、车辆等多种不同平台采集同一空间区域内的点云数据；
通过聚类判断的方式从不同平台采集的点云数据中提取出建筑物轮廓点云数据A，以及通过三维格网化的二维分析从不同平台采集的点云数据中提取出杆状物点云数据B；
对从不同平台提取出的建筑物轮廓点云数据A或杆状物点云数据B的特征进行匹配，判断是否为同一个建筑物轮廓或同一个杆状物；
根据特征匹配结果通过平差计算对不同平台采集的点云数据进行配准，得到配准融合结果。
进一步地，如图2所示，所述通过聚类判断的方式从不同平台采集的点云数据中提取出建筑物轮廓点云数据A的步骤包括以下内容：
(1)将点云投影到三维坐标系中得到一个投影基础面，且该投影基础面与XOY坐标平面垂直；
(2)对该投影基础面上的投影点按照1.5倍平均点间距为间隔划分成不同投影面点云块集；
(3)根据每个投影面点云块集的最高点计算相邻投影面点云块集的高差，并根据计算结果判断这两个投影面点云块集是否属于同一聚类；
其中，某个投影面点云块集的最高点为垂直XOY坐标平面的YOZ坐标平面沿着Z轴方向距离最远的投影点云；如果相邻投影面点云块集的高差小于标准值，则说明这两个投影面点云块集为连续地物，属于一个聚类，否则，则作为一个新的类别。
(4)通过随机采样一致性算法拟合各个聚类的投影点云，从每个聚类的投影点云中提取出建筑物轮廓线线段，并记录该建筑物轮廓线线段的起点和终点坐标。
进一步地，如图3所示，所述通过三维格网化的二维分析从不同平台采集的点云数据中提取出杆状物点云数据B的步骤包括以下内容：
(1)对不同平台采集的点云数据进行三维格网化，通过连通性分析对网格进行分割聚类，根据对面积小于阈值的聚类区域以及对截面形状和主轴长度的筛选，得到潜在的杆状物类别和非杆状物类别；
(2)计算潜在的杆状物类别中每个聚类的质心坐标，并以该质心坐标为圆点设置一内半径和一外半径，在内半径中包含有该聚类的所有点云，内半径和外半径组成的圆环范围内无任何点云；此步骤其实是对上一步结果的优化，因为如果是杆状物的话，其截面形状为一个圆形(即可以通过一个圆心和半径包含所有点)，如果其周围范围还有其他点，说明拟合出来的可能是植被或者其他地物。
(3)设置一个杆状物的最小高度阈值，如果潜在的杆状物类型中某个聚类的点云的高度数据大于最小高度阈值，则判断为杆状物并记录该杆状物的起点和终点坐标(或者可以记录杆状物的直径)，提取出该杆状物的线段。如图3所示，通过三维格网化的二维分析从不同平台采集的点云数据中提取出杆状物点云数据B的步骤是一种复杂的程序执行步骤(其具体涉及了点云数据三维格网化处理，根据截面形状，主轴长度等参数判断评估、判断为杆状物等等步骤)，然而其仍然是隶属于步骤S2的附属步骤，其是重要的技术保护点之一。
一般而言将最小杆状物的高度设为最小高度阈值，只有点云数据的高度大于最小高度阈值即可判断为潜在杆状物。
进一步地，所述对截面形状和主轴长度的筛选包括：判断截面形状是否为圆形，如果是，则说明为杆状物；判断主轴的长度是否小于指定值，如果是，则说明为杆状物。
进一步地，所述对从不同平台提取出的建筑物轮廓点云数据A或杆状物点云数据B的特征进行匹配，判断是否为同一个建筑物轮廓或同一个杆状物包括：
S31、从不同平台提取的特征分别记为LA＝{LAi,i＝1,2,…,m}和LB＝{LBi,i＝1,2,…,n}，并从LA和LB中分别选择两个建筑物轮廓线或者杆状物记为LA1,LA2,LB1和LB2；
S32、计算两个建筑物轮廓线或者杆状物的角度、距离和长度差；这个步骤是把两个平台数据中的同一个建筑物轮廓或者同一个杆状物匹配起来，每个轮廓线可以当做空间中一条线段，判断每对轮廓线的(即空间中每对线段)角度、距离和长度差是否满足一定条件，若满足，则认为这两对轮廓线是同一个。
在本发明实施例的上述技术方案中，可以实现两个平台数据中的同一个建筑物轮廓或者同一个杆状物的特征匹配；对于满足上述匹配条件的两个建筑物轮廓线，通过上述匹配方式可以判断这是基于两个不同平台内的同一个建筑物或者同一个杆状物；在具体技术方案中，上述提取建筑物轮廓和提取杆状物的步骤都会在车载和机载点云中分别进行提取，所以会得到不同平台扫描的同一个建筑物的轮廓、同一个杆状物的坐标。提取建筑物轮廓线得到的结果为轮廓线线段，记录的是线段的起点和终点坐标；杆状物提取结果也为线段，记录的是起点和终点坐标，也可以记录杆状物的直径。特征匹配后相当于得到了一系列同名点，根据这些同名点可以建立数学模型，所以说特征匹配是为后续建立数学模型的技术基础。
进一步地，所述根据特征匹配结果通过平差计算对不同平台采集的点云数据进行配准得到配准融合结果包括：
S41、提取将判断为同一建筑物或者杆状物的所述两个建筑物轮廓线或者杆状物的三维坐标信息计算出旋转参数、平移参数和缩放参数；
S42、以任意一个平台采集的点云三维坐标为目标坐标系，通过对另一个平台采集的点云原始坐标系进行旋转、平移和缩放变换后使得原始坐标系中点云的三维坐标与目标坐标系中点云的三维坐标重合，进而实现不同平台点云数据的配准融合。
举例说明，假设空间一点P在原始坐标下的坐标为(x，y，z)，其在目标坐标系下的坐标为(X，Y，Z)，那么将它绕z，y，x轴旋转γ，β，α角的旋转矩阵分别为：
Figure BDA0002497506900000061
从而得到坐标变换的旋转矩阵为：
Figure BDA0002497506900000071
Figure BDA0002497506900000072
然后将旋转后的坐标系平移x0，y0，z0，使原始坐标系的原点与目标坐标系的原点重合，最后加入一个尺度缩放因子λ，完成P从原始坐标系到目标坐标系的变换；在本申请的实施例中，利用上述设计算法方式可实现完成P从原始坐标系到目标坐标系的变换，上述处理过程也是本申请实施例的技术保护点之一。
关于本申请的技术方案的需要说明的是：本发明实施例所应用的多源移动测量点云数据空地一体化融合方法，其采用对象级别的特征进行不同平台的点云配准，可以根据从不同平台采集的数据对同一时空区域内的建筑物轮廓线和杆状物等对象级别的特征进行提取以及特征匹配，实现是否同一个建筑物轮廓或同一个杆状物的判断，最后通过平差计算对不同平台采集的点云数据进行配准，得到配准融合结果，使得最后得到的结果精度更高，且能够适用更多的场合。
不同平台点云配准需要通过同名特征，目前常用的特征为法向量、关键点、点特征直方图等低阶特征，其计算方式为对于每个点，设置搜索方式和邻域范围，通过邻域范围内的点进行计算，而不同平台扫描方式不同，得到的点云密度、点分布情况各不相同，所以基于这些计算的特征进行配准得到的结果受数据情况影响较大。然而在本发明提供的具体技术方案中，采用对象级别的特征作为同名特征，不论是车载或者背包扫描均可以获取到这些对象的点云，受点密度、点云分布的影响较小，基于这些特征进行配准，结果更加可靠。另外本发明实施例提供的多源移动测量点云数据空地一体化融合方法，其可将多平台采集点云数据融合管理，实现了多时空、多平台数据一体化。
本发明另一实施例包括一种存储介质，其特征在于：所述存储介质内存储有计算机程序，所述计算机程序运行时执行一种多源移动测量点云数据空地一体化融合方法的步骤。
本发明又一实施例包括一种终端，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于多源移动测量点云数据空地一体化融合的控制程序，所述基于多源移动测量点云数据空地一体化融合的控制程序运行时执行一种多源移动测量点云数据空地一体化融合方法的步骤。
本发明采用对象级别的特征作为同名特征，不论是车载或者背包扫描均可以获取到这些对象的点云，受点密度、点云分布的影响较小，基于这些特征进行配准，结果更加可靠。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种多源移动测量点云数据空地一体化融合方法，其特征在于：所述融合方法包括：
通过聚类判断的方式从不同平台采集的点云数据中提取出建筑物轮廓点云数据A，以及通过三维格网化的二维分析从不同平台采集的点云数据中提取出杆状物点云数据B；
对从不同平台提取出的建筑物轮廓点云数据A或杆状物点云数据B的特征进行匹配，判断是否为同一个建筑物轮廓或同一个杆状物；
根据特征匹配结果通过平差计算对不同平台采集的点云数据进行配准，得到配准融合结果。
2.根据权利要求1所述的一种多源移动测量点云数据空地一体化融合方法，其特征在于：所述融合方法还包括在提取所述建筑物轮廓点云数据A和所述杆状物点云数据B之前，通过多种不同平台采集同一区域内的点云数据的步骤。
3.根据权利要求2所述的一种多源移动测量点云数据空地一体化融合方法，其特征在于：所述通过聚类判断的方式从不同平台采集的点云数据中提取出建筑物轮廓点云数据A的步骤包括以下内容：
将点云投影到三维坐标系中得到一个投影基础面，且该投影基础面与任意一个坐标平面垂直；
对该投影基础面上的投影点按照一定间隔划分成不同投影面点云块集；
根据每个投影面点云块集的最高点计算相邻投影面点云块集的高差，并根据计算结果判断这两个投影面点云块集是否属于同一聚类；
通过随机采样一致性算法拟合各个聚类的投影点云，从每个聚类的投影点云中提取出建筑物轮廓线线段，并记录该建筑物轮廓线线段的起点和终点坐标。
4.根据权利要求3所述的一种多源移动测量点云数据空地一体化融合方法，其特征在于：所述某个投影面点云块集的最高点为与所述投影基础面平行的坐标轴方向距离最远的投影点云；如果相邻投影面点云块集的高差小于标准值，则说明这两个投影面点云块集为连续地物，属于一个聚类。
5.根据权利要求4所述的一种多源移动测量点云数据空地一体化融合方法，其特征在于：所述通过三维格网化的二维分析从不同平台采集的点云数据中提取出杆状物点云数据B的步骤包括以下内容：
对不同平台采集的点云数据进行三维格网化，通过连通性分析对网格进行分割聚类，根据对截面二维面积小于阈值的聚类区域以及对截面形状和主轴长度的筛选，得到潜在的杆状物类别和非杆状物类别；
计算潜在的杆状物类别中每个聚类的质心坐标，并以该质心坐标为圆点设置一内半径和一外半径，在内半径中包含有该聚类的所有点云，内半径和外半径组成的圆环范围内无任何点云；
设置一个杆状物的最小高度阈值，如果潜在的杆状物类型中某个聚类的点云的高度数据大于最小高度阈值，则判断为杆状物并记录该杆状物的起点和终点坐标，提取出该杆状物的线段。
6.根据权利要求5所述的一种多源移动测量点云数据空地一体化融合方法，其特征在于：所述对截面形状和主轴长度的筛选包括：判断截面形状是否为圆形，如果是，则说明为杆状物；判断主轴的长度是否小于指定值，如果是，则说明为杆状物。
7.根据权利要求6所述的一种多源移动测量点云数据空地一体化融合方法，其特征在于：所述对从不同平台提取出的建筑物轮廓点云数据A或杆状物点云数据B的特征进行匹配，判断是否为同一个建筑物轮廓或同一个杆状物包括：
从不同平台提取的特征分别记为LA＝{LAi,i＝1,2,…,m}和LB＝{LBi,i＝1,2,…,n}，并从LA和LB中分别选择两个建筑物轮廓线或者杆状物记为LA1,LA2,LB1和LB2；
计算两个建筑物轮廓线或者杆状物的角度、距离和长度差；
并判断计算结果是否满足条件，如果满足条件，则说明这两个建筑物轮廓线或者杆状物为不同平台内的同一建筑物或者杆状物。
8.根据权利要求7所述的一种多源移动测量点云数据空地一体化融合方法，其特征在于：所述根据特征匹配结果通过平差计算对不同平台采集的点云数据进行配准得到配准融合结果包括：
提取将判断为同一建筑物或者杆状物的所述两个建筑物轮廓线或者杆状物的三维坐标信息计算出旋转参数、平移参数和缩放参数；
以任意一个平台采集的点云的三维坐标为目标坐标系，通过对另一个平台采集的点云的原始坐标系进行旋转、平移和缩放变换后使得原始坐标系中点云的三维坐标与目标坐标系中点云的三维坐标重合，进而实现不同平台点云数据的配准融合。
9.一种存储介质，其特征在于：所述存储介质内存储有计算机程序，所述计算机程序运行时执行如权利要求1-8中任意一项所述的一种多源移动测量点云数据空地一体化融合方法的步骤。
10.一种终端，其特征在于：包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于多源移动测量点云数据空地一体化融合的控制程序，所述基于多源移动测量点云数据空地一体化融合的控制程序运行时执行如权利要求1-8中任意一项所述的一种多源移动测量点云数据空地一体化融合方法的步骤。
CN202010422717.0A 2020-05-19 2020-05-19 多源移动测量点云数据空地一体化融合方法、存储介质 Active CN111598823B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010422717.0A CN111598823B (zh) 2020-05-19 2020-05-19 多源移动测量点云数据空地一体化融合方法、存储介质
PCT/CN2020/092817 WO2021232463A1 (zh) 2020-05-19 2020-05-28 多源移动测量点云数据空地一体化融合方法、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010422717.0A CN111598823B (zh) 2020-05-19 2020-05-19 多源移动测量点云数据空地一体化融合方法、存储介质

Publications (2)

Publication Number Publication Date
CN111598823A true CN111598823A (zh) 2020-08-28
CN111598823B CN111598823B (zh) 2023-07-25

Family

ID=72182579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010422717.0A Active CN111598823B (zh) 2020-05-19 2020-05-19 多源移动测量点云数据空地一体化融合方法、存储介质

Country Status (2)

Country Link
CN (1) CN111598823B (zh)
WO (1) WO2021232463A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051304A (zh) * 2021-04-02 2021-06-29 中国有色金属长沙勘察设计研究院有限公司 一种雷达监测数据与三维点云融合的计算方法
CN113506227A (zh) * 2021-07-08 2021-10-15 江苏省地质测绘院 避免车载点云数据纠正点无效采集的方法及系统
CN113989447A (zh) * 2021-10-14 2022-01-28 重庆数字城市科技有限公司 一种三维模型室内外一体化构建方法及系统
CN115063557A (zh) * 2022-08-18 2022-09-16 北京山维科技股份有限公司 一种基于倾斜模型的建筑物智能提取方法及装置
CN115965756A (zh) * 2023-03-13 2023-04-14 安徽蔚来智驾科技有限公司 地图构建方法、设备、驾驶设备和介质

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519711B (zh) * 2022-02-22 2024-07-02 中冶赛迪信息技术(重庆)有限公司 一种库区钢卷测量方法、系统、介质及电子终端
CN114841965B (zh) * 2022-04-30 2023-08-01 中建三局第一建设工程有限责任公司 钢结构形变检测方法、装置、计算机设备及存储介质
CN115049925B (zh) * 2022-06-07 2024-04-16 中国电建集团中南勘测设计研究院有限公司 田块田坎提取方法、电子设备及存储介质
CN114818591B (zh) * 2022-07-01 2022-09-09 南京维拓科技股份有限公司 一种快速生成工装器件避空的方法
CN115222988B (zh) * 2022-07-17 2024-06-18 桂林理工大学 激光雷达点云数据城市地物PointEFF精细分类方法
CN115131520B (zh) * 2022-09-01 2022-12-20 武汉天际航信息科技股份有限公司 基于三维点云的建筑施工监测方法、装置、设备和产品
CN117011739A (zh) * 2022-09-23 2023-11-07 腾讯科技（深圳）有限公司 图像中杆状物识别方法、装置、计算机设备和存储介质
CN115423835B (zh) * 2022-11-02 2023-03-24 中汽创智科技有限公司 杆状物点云数据处理方法、装置、电子设备及存储介质
CN115422387B (zh) * 2022-11-04 2023-02-24 山东矩阵软件工程股份有限公司 基于多维点云融合数据的点云数据处理方法及系统
CN116152151A (zh) * 2022-11-12 2023-05-23 重庆数字城市科技有限公司 一种建筑变形信息提取方法及系统
CN115937461B (zh) * 2022-11-16 2023-09-05 泰瑞数创科技(北京)股份有限公司 多源融合模型构建及纹理生成方法、装置、介质及设备
CN115661212B (zh) * 2022-12-30 2023-06-06 清华大学 基于计算机视觉的建筑结构改扩建安全排查方法与装置
CN115908519B (zh) * 2023-02-24 2023-05-09 南京航空航天大学 一种大型复合材料构件三维测量配准误差控制方法
CN116664575B (zh) * 2023-07-31 2023-11-03 厦门微图软件科技有限公司 一种基于点云配准的缺陷检测方法、装置以及设备
CN116878396B (zh) * 2023-09-06 2023-12-01 国网山西省电力公司超高压输电分公司 一种基于远程激光的弧垂测量方法及系统
CN117830676B (zh) * 2024-03-06 2024-06-04 国网湖北省电力有限公司 基于无人机的输电线路施工风险识别方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411778A (zh) * 2011-07-28 2012-04-11 武汉大学 一种机载激光点云与航空影像的自动配准方法
CN103020966A (zh) * 2012-12-04 2013-04-03 南京大学 一种基于建筑物轮廓约束的航空与地面LiDAR数据自动配准方法
CN103020342A (zh) * 2012-12-04 2013-04-03 南京大学 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法
CN103324916A (zh) * 2013-06-07 2013-09-25 南京大学 基于建筑轮廓的车载和航空LiDAR数据配准方法
CN104463894A (zh) * 2014-12-26 2015-03-25 山东理工大学 一种多视角三维激光点云全局优化整体配准方法
CN105513127A (zh) * 2015-12-25 2016-04-20 武汉大学 基于密度峰值聚类的杆状物规则化三维建模方法及系统
CN105844629A (zh) * 2016-03-21 2016-08-10 河南理工大学 一种大场景城市建筑物立面点云自动分割方法
CN106022381A (zh) * 2016-05-25 2016-10-12 厦门大学 基于车载激光扫描点云的路灯杆自动提取技术
CN107527038A (zh) * 2017-08-31 2017-12-29 复旦大学 一种三维地物自动提取与场景重建方法
CN109614857A (zh) * 2018-10-31 2019-04-12 百度在线网络技术（北京）有限公司 基于点云的杆状物识别方法、装置、设备及存储介质
US20200027266A1 (en) * 2018-07-17 2020-01-23 Uti Limited Partnership Building contour generation from point clouds

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745018B (zh) * 2014-02-11 2017-02-08 星际空间（天津）科技发展有限公司 一种多平台点云数据融合方法
CN104021586A (zh) * 2014-05-05 2014-09-03 深圳市城市管理监督指挥中心 基于北斗定位的空地一体城市生态文明管理系统及方法
GB2550567A (en) * 2016-05-20 2017-11-29 Nokia Technologies Oy Point Cloud Matching Method
CN109829386B (zh) * 2019-01-04 2020-12-11 清华大学 基于多源信息融合的智能车辆可通行区域检测方法
CN110021072B (zh) * 2019-04-03 2020-08-07 武汉大学 面向全息测绘的多平台点云智能处理方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411778A (zh) * 2011-07-28 2012-04-11 武汉大学 一种机载激光点云与航空影像的自动配准方法
CN103020966A (zh) * 2012-12-04 2013-04-03 南京大学 一种基于建筑物轮廓约束的航空与地面LiDAR数据自动配准方法
CN103020342A (zh) * 2012-12-04 2013-04-03 南京大学 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法
CN103324916A (zh) * 2013-06-07 2013-09-25 南京大学 基于建筑轮廓的车载和航空LiDAR数据配准方法
CN104463894A (zh) * 2014-12-26 2015-03-25 山东理工大学 一种多视角三维激光点云全局优化整体配准方法
CN105513127A (zh) * 2015-12-25 2016-04-20 武汉大学 基于密度峰值聚类的杆状物规则化三维建模方法及系统
CN105844629A (zh) * 2016-03-21 2016-08-10 河南理工大学 一种大场景城市建筑物立面点云自动分割方法
CN106022381A (zh) * 2016-05-25 2016-10-12 厦门大学 基于车载激光扫描点云的路灯杆自动提取技术
CN107527038A (zh) * 2017-08-31 2017-12-29 复旦大学 一种三维地物自动提取与场景重建方法
US20200027266A1 (en) * 2018-07-17 2020-01-23 Uti Limited Partnership Building contour generation from point clouds
CN109614857A (zh) * 2018-10-31 2019-04-12 百度在线网络技术（北京）有限公司 基于点云的杆状物识别方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄礼辉 等: "一种基于数学形态学的点云地物提取方法", 铁道勘察 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051304A (zh) * 2021-04-02 2021-06-29 中国有色金属长沙勘察设计研究院有限公司 一种雷达监测数据与三维点云融合的计算方法
CN113051304B (zh) * 2021-04-02 2022-06-24 中国有色金属长沙勘察设计研究院有限公司 一种雷达监测数据与三维点云融合的计算方法
CN113506227A (zh) * 2021-07-08 2021-10-15 江苏省地质测绘院 避免车载点云数据纠正点无效采集的方法及系统
CN113989447A (zh) * 2021-10-14 2022-01-28 重庆数字城市科技有限公司 一种三维模型室内外一体化构建方法及系统
CN115063557A (zh) * 2022-08-18 2022-09-16 北京山维科技股份有限公司 一种基于倾斜模型的建筑物智能提取方法及装置
CN115063557B (zh) * 2022-08-18 2022-11-08 北京山维科技股份有限公司 一种基于倾斜模型的建筑物智能提取方法及装置
CN115965756A (zh) * 2023-03-13 2023-04-14 安徽蔚来智驾科技有限公司 地图构建方法、设备、驾驶设备和介质

Also Published As

Publication number Publication date
CN111598823B (zh) 2023-07-25
WO2021232463A1 (zh) 2021-11-25

Similar Documents

Publication Publication Date Title
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
CN112595258B (zh) 基于地面激光点云的地物轮廓提取方法
CN111709981A (zh) 特征线融合的激光点云与模拟图像的配准方法
Cheng et al. 3D building model reconstruction from multi-view aerial imagery and lidar data
CN114332366B (zh) 数字城市单体房屋点云立面3d特征提取方法
CN103324916B (zh) 基于建筑轮廓的车载和航空LiDAR数据配准方法
CN109919237B (zh) 点云处理方法及装置
CN111383335B (zh) 一种众筹照片与二维地图结合的建筑物三维建模方法
CN109100719B (zh) 基于星载sar影像与光学影像的地形图联合测图方法
CN114119863A (zh) 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法
Su et al. Extracting wood point cloud of individual trees based on geometric features
CN114241217B (zh) 一种基于圆柱特征的树干点云高效提取方法
CN113963259A (zh) 基于点云数据的街景地物多维度提取方法和系统
Guo et al. Extraction of dense urban buildings from photogrammetric and LiDAR point clouds
CN112446844A (zh) 一种基于点云特征提取与配准融合方法
CN116518864A (zh) 一种基于三维点云对比分析的工程结构全场变形检测方法
Li et al. New methodologies for precise building boundary extraction from LiDAR data and high resolution image
CN117387580B (zh) 一种基于倾斜摄影大比例尺地形图的测绘方法及系统
Carneiro et al. Digital urban morphometrics: automatic extraction and assessment of morphological properties of buildings
CN107993242B (zh) 基于机载LiDAR点云数据缺失区域边界提取方法
CN113989447A (zh) 一种三维模型室内外一体化构建方法及系统
CN114136208A (zh) 一种无损估算立木材积的低成本树木结构自动重建方法
Rebelo et al. Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies
CN116977580A (zh) 一种基于机载LiDAR的山区大比例尺DEM制作方法
CN113344866B (zh) 一种点云综合精度评价方法

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
CB02 Change of applicant information

Address after: Room 2301-2308, third floor, building 2, incubator, Zhongguancun Software Park, Dongbeiwang, Haidian District, Beijing 100094

Applicant after: Beijing Digital Green Earth Technology Co.,Ltd.

Address before: Room 2301-2308, third floor, building 2, incubator, Zhongguancun Software Park, Dongbeiwang, Haidian District, Beijing 100094

Applicant before: BEIJING GREENVALLEY TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant