CN111738945B - 一种基于矿山的点云数据预处理方法 - Google Patents
一种基于矿山的点云数据预处理方法 Download PDFInfo
- Publication number
- CN111738945B CN111738945B CN202010540871.8A CN202010540871A CN111738945B CN 111738945 B CN111738945 B CN 111738945B CN 202010540871 A CN202010540871 A CN 202010540871A CN 111738945 B CN111738945 B CN 111738945B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- grid
- ground points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000007781 pre-processing Methods 0.000 title claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000009499 grossing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 241000592183 Eidolon Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明的目的是针对于现有点云数据处理的滤波技术中存在的问题，本发明提出了一种基于矿山的点云数据预处理方法，属于点云数据处理技术领域。该方法包括点云数据的获取，点云数据的滤波和点云数据的配准。本发明的方法能够自动优化设置体素栅格法的下采样体素大小参数，不仅可以保持点云形状特征以及降低点云的数据量，也可以实现以最少的点云点数保持点云形状特征，且可利用极限学习机实现非地面点的准确去除。
Description
技术领域
本发明属于点云数据处理技术领域，具体涉及一种基于矿山的点云数据预处理方法。
背景技术
目前，在露天矿山的监测方面，广泛使用的RTK(Real Time Kinematic)、全站仪等点式测量方法存在采样点较少且周期较长的缺点。三维激光扫描、无人机等面式测量方法的推广，大大缩短测量周期，拥有较广的测量面积。点云数据预处理包含获取、滤波、特征提取、配准、曲面重建等。现有滤波方法包含：利用体素栅格法(Voxel Grid)下采样，利用高度等方法进行非地面点与地面点的区分，等等。
上述滤波方法主要存在以下缺点：
1)现有的利用体素栅格法(Voxel Grid)下采样方法，人为设置采样体素大小参数，无法自动设置从而实现以最少的点数保持点云形状特征；
2)对于现有的利用高度等方法进行非地面点与地面点的区分方法，无法准确地进行非地面点与地面点的区分。
发明内容
本发明的目的是针对于现有点云数据处理的滤波技术中存在的以上问题，本发明提出了一种基于矿山的点云数据预处理方法。本发明的方法能够自动优化设置体素栅格法(VoxelGrid滤波)中的下采样体素大小参数，且可利用极限学习机(ELM)实现非地面点的去除。
为实现上述目的，本发明的一种基于矿山的点云数据预处理方法，包括如下步骤：
步骤1、点云数据的获取
采用无人机对目标进行航测，并将获取的点云数据转换为PCD(Point CloudData)数据格式，从而便于利用PCL库编程；
步骤2、点云数据的滤波
步骤2.1、点云数据下采样
对体素栅格法中的采样体素大小参数进行自动优化设置，从而实现以最少的点数保持点云形状特征；
步骤2.1.1、设置初始采样体素大小X，将按照采样体素大小进行体素栅格法的点云再进行Moving Least Squares平滑(MLS)从而形成表面S；
步骤2.1.2、设置点面距离阈值m，统计原始点云数据各点到表面S的点面距离大于阈值m的点数A与原始点云数据的比例参数M＝A/N；其中，记原始点云数据的点数为N；
步骤2.1.3、设置采样体素大小以一定间隔增加X＝X+Z，并设置比例参数M的阈值为Y，然后执行步骤2.1.1～2.1.2，不断迭代循环直到满足比例参数M的阈值Y，从而得到最优的采样体素大小；
步骤2.1.4、按照最优的采样体素大小对应的参数，对原始点云数据进行体素栅格法，实现以最少的点数保持点云形状特征；
步骤2.2、去除离散点(去噪)
对步骤2.1.4得到的点云数据通过设定搜索半径d与阈值k，利用半径滤波(RadiusOutlier Remova)去除离散点；或者通过设定邻域点数k与标准差的倍数std，利用统计滤波(Statistical Outlier Remova)去除离散点；
步骤2.3、替换非地面点
设置合适的参数作为输入变量，提出利用极限学习机(ELM)实现去除非地面点的思路；
步骤2.3.1、对经2.2处理后的点云数据格网化(3D格网)，并设定初始格网宽度d；
步骤2.3.2、选择典型区域，在该区域内选择任意格网，以该网格内点云的最低高度作为该格网的高度H，并与其八邻域的格网高度hi(i＝1，2，...，8)进行比较，并设置高度差阈值ΔH；同时，检测该格网八个方向的梯度fi(i＝1，2，...，8)，fi＝|H-hi|/d(i＝1，2，...，8)，并设置梯度阈值Δf；从而区分出地面点与非地面点；
步骤2.3.3、为了进一步精确区分地面点和非地面点，对于步骤2.3.2得到的地面点设置格网宽度阈值D，格网宽度d按照一定间隔不断增加并循环执行步骤2.3.2，直至d不小于格网宽度阈值D；
步骤2.3.4、从步骤2.3.3获取的典型区域的地面点与非地面点中选取部分点作为训练样本，选取其余部分作为测试样本；使用极限学习机(ELM)进行分类，区分出经2.2处理后的点云数据中所有的地面点与非地面点；
步骤2.3.5、在区分所有的地面点与非地面点之后，对于非地面点，利用非地面点附近八邻域的地面点高度求平均值，替换为该非地面点的高度；
步骤2.4、点云平滑
通过MLS(Moving Least Squares)方法进行点云重采样，从而平滑点云数据；
步骤3、点云数据的配准
点云数据的配准包括粗配准与精配准，采用改进的SIFT-ICP点云配准算法进行点云数据的配准。
进一步的，上述点云数据预处理方法，所述步骤2.1.3中，不断迭代循环直到满足比例参数M的阈值Y为使M≥Y。
进一步的，上述点云数据预处理方法，所述步骤2.3.2具体的方法为：
1)选择典型区域，在该区域内选择任意格网，以该网格内点云的最低高度作为该格网的高度H；
2)设置高度差阈值ΔH，H与其八邻域的格网高度hi(i＝1，2，...，8)进行比较，如果|H-hi|＜ΔH(i＝1，2，...，8)，则标记该格网为地面点，记下三维坐标(x，y，z)与高度差|H-hi|(i＝1，2，...，8)，并计算地面点八个方向的梯度fi(i＝1，2，...，8)，且fi＝|H-hi|/d(i＝1，2，...，8)；反之，则标定为疑似非地面点，记下三维坐标(x，y，z)与高度差|H-hi|(i＝1，2，...，8)；
3)检测疑似非地面点八个方向的梯度fi(i＝1，2，...，8)，且fi＝|H-hi|/d(i＝1，2，...，8)；设置梯度阈值Δf，对于所有fi(i＝1，2，...，8)，如果fi＜Δf(i＝1，2，...，8)，则标记该格网为地面点，记下三维坐标(x，y，z)与梯度fi(i＝1，2，...，8)；反之，则标定为非地面点，记下三维坐标(x，y，z)与梯度fi(i＝1，2，...，8)；
4)计算步骤2)和3)得到的地面点的梯度fi＝|H-hi|/d(i＝1，2，...，8)，记下三维坐标(x，y，z)与梯度fi(i＝1，2，...，8)。
与现有技术相比，本发明的优势在于：
1、对于改进的体素栅格法，不仅可以保持点云形状特征以及降低点云的数据量，也可以实现以最少的点云点数保持点云形状特征；
2、利用极限学习机的优点来优化去除非地面点的方法。
附图说明
图1为实施例方法的流程示意图；
图2为txt数据格式的点云数据示意图；
图3为Cloud Compare软件显示的所有点云数据示意图；
图4为改进的体素栅格法的流程示意图；
图5为利用极限学习机实现去除非地面点的思路的流程示意图。
具体实施方式
实施例1
本实施例的方法基于点云数据预处理(获取、滤波、配准)，侧重点在于滤波，着重实现自动优化设置体素栅格法中的采样体素大小参数，而且利用极限学习机实现非地面点的去除，为点云数据滤波处理提供了新思路。
图1为本文方法的流程示意图。
一种基于矿山的点云数据预处理方法，具体步骤为：
步骤1、点云数据的获取
使用中国生产的大疆精灵4RTK对矿区进行无人机航测，飞行高度为100米，设置好预定飞行路线。
获取的点云数据为txt数据格式，每点包含三维坐标(XYZ)与颜色信息(RGB)。经Cloud Compare软件打开点云数据，可以看到三维坐标(XYZ)与颜色信息(RGB)，如图2。
经Cloud Compare软件打开点云数据，也可以看到所有点云数据组成的三维图形，如图3。
利用PCL库编程，把点云数据从txt数据格式转换为PCD(Point Cloud Data)数据格式，便于利用PCL库进行点云数据处理。同时，利用pcl：：visualization模块(pcl：：visualization：：PCLVisualizer类)可视化显示点与数据。
步骤2、点云数据的滤波
点云数据的滤波包含下采样、去除离散点(去噪)、去除非地面点、平滑。
步骤2.1、点云数据下采样
体素栅格法可以对点云数据下采样，其优点在于保持点云形状特征以及降低点云的数据量，有利于后续的点云配准等操作。但是，采样体素大小可人为设为任意尺寸(例如：sor.setLeafSize(0.3f，0.3f，0.3f)；)，无法自动获取准确的采样体素大小，从而实现以最少的点数保持点云形状特征。虽然可以人为设置下采样后的点云点数，但仅仅凭借人为经验是无法得到最佳的点云点数。
改进的体素栅格法的流程示意图如图4。
1)设置初始的采样体素大小：这里设置为最小的尺寸X(范围为[0.1，0.3])，在循环程序中按照一定尺寸间隔Z(范围为[0.01，0.1])不断增加，即X＝X+Z。按照较小的采样体素进行体素栅格法，可以较好地保持点云形状特征，但是点云数据量较大。通过不断增加采样体素大小，确定保持点云形状特征的最少点云数据量。
2)体素栅格法：依据设置好的采样体素大小X，对原始点云数据进行下采样。
3)利用Moving Least Squares平滑(MLS)进行表面重建：对下采样后的点云进行MLS平滑，形成表面S。
4)求解点面距离：记原始点云数据的点数为N，依次对原始点云数据中的每一个点，求解该点至表面S的点面距离。设置点面距离阈值m，如果实际点面距离大于阈值m，则记录该点并统计点数A(A是每个循环的点数的累计)。具体操作而言，m依据比例参数M＝A/N和比例参数M＝A/N的阈值Y之间的关系确定，A在增大随之而来的“M在循环中不断增大”，从而m在增大，当然M停止时刻则就是m的最终数值。
5)确定最终的采样体素大小：设比例参数M＝A/N，以及设置比例参数M的阈值为Y(范围为[0％，5％])(Y实质是错误率，一般设置在5％以内，进行下采样，必然不能100％保留所有细小特征，所以会牺牲部分非关键的细小特征)，其中M在循环中不断增大。如果M＜Y，则记录此时的采样体素大小X，并按照一定尺寸间隔Z增加，即X＝X+Z，继续在循环程序中执行(2)至(5)，不断迭代循环直到满足比例参数M的阈值Y，从而得到最优的采样体素大小。
如果对原始点云数据进行步骤3)，则下采样后的点云数据每一个点与对原始点云数据进行MLS平滑后的表面S1的点面距离都是0，因为下采样后的点云数据每一点都在表面S1上。反之，由于在某个采样体素大小时，下采样后的点云数据由于缺少某些关键特征的点，经过MLS平滑后的表面S就无法保持原有的部分点云形状特征，则与之对应的原始点云数据的点和表面S该区域的点面距离就会较大，通过点面距离阈值的判断，确定最终的采样体素大小。
如果M＝Y，则此时的采样体素大小就是最终的采样体素大小。
如果M＞Y，则前一个循环的采样体素大小就是最终的采样体素大小。
6)体素栅格法：依据最终的的采样体素大小X，对原始点云数据进行下采样，实现自动获取准确的采样体素大小X，从而实现以最少的点数保持点云形状特征。
步骤2.2、去除离散点(去噪)：
对经过步骤2.1下采样后的点云数据通过设定搜索半径d与阈值k，利用半径滤波(Radius Outlier Remova)去除离散点；也可以通过设定邻域点数k与标准差的倍数std，利用统计滤波(Statistical Outlier Remova)去除离散点。
步骤2.3、替换非地面点
在露天采场，车辆、输电线等设施作为非地面点会对采场三维建模产生影响，需要剔除；同时，采场多边坡、陡坎等，需要顾及地形变化。
设置合适的参数作为输入变量，提出利用极限学习机实现去除非地面点的思路。
利用极限学习机实现去除非地面点的思路的流程示意图如图5。
1)对点云数据格网化(3D格网)，设定初始格网宽度d(范围为[0.1，0.3])。
2)选择典型区域(可以从图或者点云中明显观察到含有非地面点的区域)，检测格网内每个点云数据的高度，选择最低高度作为该格网的高度H。
3)检测任意格网的高度H，并与其八邻域的格网高度hi(i＝1，2，...，8)比较。设置高度差阈值ΔH(一般矿山卡车高度在7-8米，电线杆高度一般在8-12米，则需要根据点云采集参数确定表示非地面点的点云高度，以下以12为例)，对于所有8个高度hi(i＝1，2，...，8)而言，如果|H-hi|＜ΔH(i＝1，2，...，8)，则标记该格网为地面点，记下三维坐标(x，y，z)(网格中心点的三维坐标)与高度差|H-hi|(i＝1，2，...，8)；反之，则标定为疑似非地面点，记下三维坐标(x，y，z)与高度差|H-hi|(i＝1，2，...，8)。
4)检测疑似非地面点八个方向的梯度fi(i＝1，2，...，8)，且fi＝|H-hi|/d(i＝1，2，...，8)。设置梯度阈值Δf(原则上垂直的梯度接近于无穷大，但是，具体到具体数值，一般设置数值较大的，例如10，100等，本例取值范围为[12,120])，对于所有fi(i＝1，2，...，8)，如果fi＜Δf(i＝1，2，...，8)，则标记该格网为地面点，记下三维坐标(x，y，z)与梯度fi(i＝1，2，...，8)；反之，则标定为非地面点，记下三维坐标(x，y，z)与梯度fi(i＝1，2，...，8)。
5)同时，计算步骤2)和3)地面点的梯度fi＝|H-hi|/d(i＝1，2，...，8)，记下三维坐标(x，y，z)与梯度fi(i＝1，2，...，8)。
6)设置格网宽度阈值D(D的数值较大，由于有的非地面点的宽度大于格网的大小范围d，对于较小的格网宽度d则会把非地面点误判为地面点，当非地面点的宽度小于格网的大小范围d，才能对其进行判断，才能把所有不同类型的非地面点判别出来，本例取值范围为[0.9，1.0])，当d≥D时停止循环。否则，设置格网宽度的增加间隔为Δd(取值范围为[0.01，0.1])，则d＝d+Δd，继续执行(2)至(5)。
7)从获取的典型区域的地面点与非地面点中选取部分作为训练样本，选取其余部分作为测试样本。使用极限学习机进行分类，区分出点云数据中所有的地面点与非地面点。ELM的输入变量是各个训练样本点的三维坐标(x，y，z)、高度差|H-hi|(i＝1，2，...，8)、梯度fi(i＝1，2，...，8)，输出是0与1(0代表地面点，1代表非地面点)与三维坐标(x，y，z)。
8)在区分所有的地面点与非地面点之后，利用非地面点附近八邻域的地面点高度H求平均值，替换为该非地面点的高度H。
步骤2.4、点云平滑：
由于经过步骤2.3处理过的点云数据密度不规则，需要进行平滑处理。
通过MLS(Moving Least Squares)方法对步骤2.3处理的数据进行点云重采样，从而平滑点云数据。在MLS方法中，采用n阶多项式进行插值，即利用mls.setPolynomialOrder(n)；设置n阶多项式进行插值，利用mls.setComputeNormals(true)；存储计算的法线。
步骤3、点云数据的配准：
点云数据的配准包括粗配准与精配准，采用改进的SIFT-ICP点云配准算法进行点云数据的配准(东北大学王森《基于地面三维激光扫描的露天矿采剥工程量计算方法研究》)。
Claims (2)
1.一种基于矿山的点云数据预处理方法，其特征在于，包括如下步骤：
步骤1、点云数据的获取
采用无人机对目标进行航测，并将获取的点云数据转换为PCD数据格式；
步骤2、点云数据的滤波
步骤2.1、点云数据下采样
步骤2.1.1、设置初始采样体素大小X，将按照采样体素大小进行体素栅格法的点云再进行Moving Least Squares平滑从而形成表面S；
步骤2.1.2、设置点面距离阈值m，统计原始点云数据各点到表面S的点面距离大于阈值m的点数A与原始点云数据的比例参数M＝A/N；其中，记原始点云数据的点数为N；
步骤2.1.3、设置采样体素大小X＝X+Z以预设间隔Z增加，并设置比例参数M的阈值为Y，然后执行步骤2.1.1～2.1.2，不断迭代循环直到满足比例参数M的阈值Y，从而得到最优的采样体素大小；
步骤2.1.4、按照最优的采样体素大小对应的参数，对原始点云数据进行体素栅格法，实现以最少的点数保持点云形状特征；
步骤2.2、去除离散点
对步骤2.1.4得到的点云数据通过设定搜索半径d与阈值k，利用半径滤波去除离散点；或者通过设定邻域点数k与标准差的倍数std，利用统计滤波去除离散点；
步骤2.3、替换非地面点
步骤2.3.1、对经步骤2.2处理后的点云数据格网化，并设定初始格网宽度d；
步骤2.3.2、选择典型区域，在该区域内选择任意格网，以选择的格网内点云的最低高度作为该格网的高度H，并与其八邻域的格网高度hi，i＝1，2，……，8，进行比较，并设置高度差阈值ΔH；同时，检测该格网八个方向的梯度fi，i＝1，2，……，8，fi＝|H-hi|/d，i＝1，2，……，8，并设置梯度阈值Δf；从而区分出地面点与非地面点；
具体的方法为：
1)选择典型区域，在该区域内选择任意格网，以该格网内点云的最低高度作为该格网的高度H；
2)设置高度差阈值ΔH，H与其八邻域的格网高度hi，i＝1，2，……，8，进行比较，如果|H-hi|＜ΔH，i＝1，2，……，8，则标记该格网为地面点，记下三维坐标x，y，z与高度差|H-hi|，i＝1，2，……，8，并计算地面点八个方向的梯度fi，i＝1，2，……，8，且fi＝|H-hi|/d，i＝1，2，……，8；反之，则标定为疑似非地面点，记下三维坐标x，y，z与高度差|H-hi|，i＝1，2，……，8；
3)检测疑似非地面点八个方向的梯度fi，i＝1，2，……，8，且fi＝|H-hi|/d，i＝1，2，……，8；设置梯度阈值Δf，对于所有fi，i＝1，2，……，8，如果fi＜Δf，i＝1，2，……，8，则标记该格网为地面点，记下三维坐标x，y，z与梯度fi，i＝1，2，……，8；反之，则标定为非地面点，记下三维坐标x，y，z与梯度fi，i＝1，2，……，8；
4)计算步骤2)和3)得到的地面点的梯度fi＝|H-hi|/d，i＝1，2，……，8，记下三维坐标x，y，z与梯度fi，i＝1，2，……，8；
步骤2.3.3、为了精确区分地面点和非地面点，对于步骤2.3.2得到的地面点设置格网宽度阈值D，格网宽度d按照预设间隔Δd不断增加，即d＝d+Δd，并循环执行步骤2.3.2，直至d≥D；
步骤2.3.4、从步骤2.3.3获取的典型区域的地面点与非地面点中选取部分点作为训练样本，选取其余部分作为测试样本；使用极限学习机进行分类，区分出经2.2处理后的点云数据中所有的地面点与非地面点；
步骤2.3.5、在区分所有的地面点与非地面点之后，对于非地面点，利用非地面点附近八邻域的地面点高度求平均值，替换为该非地面点的高度；
步骤2.4、点云平滑
通过Moving Least Squares方法对步骤2.3处理后的数据进行点云重采样，从而平滑点云数据；
步骤3、点云数据的配准
点云数据的配准包括粗配准与精配准，采用改进的SIFT-ICP点云配准算法进行点云数据的配准。
2.根据权利要求1所述的基于矿山的点云数据预处理方法，其特征在于，所述步骤2.1.3中，不断迭代循环直到满足比例参数M的阈值Y为使M≥Y。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010540871.8A CN111738945B (zh) | 2020-06-15 | 2020-06-15 | 一种基于矿山的点云数据预处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010540871.8A CN111738945B (zh) | 2020-06-15 | 2020-06-15 | 一种基于矿山的点云数据预处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738945A CN111738945A (zh) | 2020-10-02 |
| CN111738945B true CN111738945B (zh) | 2023-11-10 |
Family
ID=72649119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010540871.8A Active CN111738945B (zh) | 2020-06-15 | 2020-06-15 | 一种基于矿山的点云数据预处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738945B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446907B (zh) * | 2020-11-19 | 2022-09-06 | 武汉中海庭数据技术有限公司 | 一种单线点云与多线点云配准的方法及装置 |
| CN112731440B (zh) * | 2020-12-25 | 2023-10-13 | 中国铁道科学研究院集团有限公司 | 高速铁路边坡形变检测方法及装置 |
| CN113674425B (zh) * | 2021-10-25 | 2022-02-15 | 深圳市信润富联数字科技有限公司 | 点云采样方法、装置、设备及计算机可读存储介质 |
| US11521138B1 (en) * | 2022-06-27 | 2022-12-06 | Freeport Minerals Corporation | System and method for adjusting leaching operations based on leach analytic data |
| CN116012613B (zh) * | 2023-01-04 | 2024-01-16 | 北京数字绿土科技股份有限公司 | 一种基于激光点云的露天矿的土方量变化测算方法和系统 |
| CN117433440B (zh) * | 2023-10-24 | 2024-08-09 | 中南大学 | 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 |
| CN118279500B (zh) * | 2024-06-03 | 2024-08-23 | 山东科技大学 | 一种机载激光雷达的点云数据可视化处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103148804A (zh) * | 2013-03-04 | 2013-06-12 | 清华大学 | 一种基于激光扫描的室内未知结构识别方法 |
| CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
| CN109345620A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 融合快速点特征直方图的改进icp待测物体点云拼接方法 |
| CN110569749A (zh) * | 2019-08-22 | 2019-12-13 | 江苏徐工工程机械研究院有限公司 | 一种矿山道路的边界线及可行驶区域检测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9846975B2 (en) * | 2016-02-18 | 2017-12-19 | Skycatch, Inc. | Generating filtered, three-dimensional digital ground models utilizing multi-stage filters |
| CN109188448B (zh) * | 2018-09-07 | 2020-03-06 | 百度在线网络技术（北京）有限公司 | 点云非地面点过滤方法、装置及存储介质 |
-
2020
- 2020-06-15 CN CN202010540871.8A patent/CN111738945B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103148804A (zh) * | 2013-03-04 | 2013-06-12 | 清华大学 | 一种基于激光扫描的室内未知结构识别方法 |
| CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
| CN109345620A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 融合快速点特征直方图的改进icp待测物体点云拼接方法 |
| CN110569749A (zh) * | 2019-08-22 | 2019-12-13 | 江苏徐工工程机械研究院有限公司 | 一种矿山道路的边界线及可行驶区域检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于地面三维激光扫描的露天矿采剥工程量计算方法;王森 等;《金属矿山》;第134-139页 * |
| 天-空-地协同的露天矿边坡智能监测技术及典型应用;刘善军 等;《煤炭学报》;第45卷(第6期);第2266-2277页 * |
| 露天采场验收测量的SIFT-ICP点云配准方法;何群 等;《矿山测量》;第46卷(第6期);第68-72页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738945A (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738945B (zh) | 一种基于矿山的点云数据预处理方法 | |
| CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
| CN104376595B (zh) | 一种基于机载LiDAR和GIS协同的三维道路生成方法 | |
| CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
| CN110363855B (zh) | 堆石坝透明化建模方法 | |
| CN114998338A (zh) | 一种基于激光雷达点云的矿山开采量计算方法 | |
| CN112800379B (zh) | 一种modis遥感积雪信息的处理方法和装置 | |
| CN113379919A (zh) | 一种基于无人机rgb相机的植被冠层高度快速提取方法 | |
| CN115655098A (zh) | 高密度激光点云技术用于电网工程挖填土石方测算方法 | |
| CN109242786B (zh) | 一种适用于城市区域的自动化形态学滤波方法 | |
| CN116681873B (zh) | 基于数字高程模型快速更新的影像正射纠正方法及系统 | |
| CN116012613B (zh) | 一种基于激光点云的露天矿的土方量变化测算方法和系统 | |
| CN117218063A (zh) | 基于施工阶段吊篮空间位置变化的桥体施工进度监测方法 | |
| CN104704396A (zh) | 处理重力梯度数据的方法 | |
| CN113723531B (zh) | 面向全运行周期的矿区地表形变实时/准实时监测方法 | |
| CN114418965A (zh) | 一种基于激光雷达技术的露头裂缝识别方法 | |
| CN113313689A (zh) | 一种路面构造深度测量方法、系统、设备及存储介质 | |
| CN112613464A (zh) | 一种基于无人机影像匹配点云的高原梯田提取方法 | |
| CN112862844A (zh) | 基于车载点云数据的道路边界交互式提取方法 | |
| CN117079166B (zh) | 一种基于高空间分辨率遥感图像的边缘提取方法 | |
| Hosseini et al. | Filtering of lidar point cloud using a strip based algorithm in residential mountainous areas | |
| CN117708368A (zh) | 一种道路定测中的加桩号确定方法 | |
| Nizar et al. | Reconstruction of buildings from airborne laser scanning data | |
| Xu et al. | Filtering of LIDAR Points by a Hierarchical Smoothing Method | |
| Arachchige et al. | Automatic Building Facade Detection in Mobile Laser Scanner point 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |