CN111932574B - 基于多层次语义特征的建筑立面点云提取系统及方法 - Google Patents

基于多层次语义特征的建筑立面点云提取系统及方法 Download PDF

Info

Publication number
CN111932574B
CN111932574B CN202010906483.7A CN202010906483A CN111932574B CN 111932574 B CN111932574 B CN 111932574B CN 202010906483 A CN202010906483 A CN 202010906483A CN 111932574 B CN111932574 B CN 111932574B
Authority
CN
China
Prior art keywords
point cloud
grid
point
building
interest
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
Application number
CN202010906483.7A
Other languages
English (en)
Other versions
CN111932574A (zh
Inventor
向泽君
滕德贵
袁长征
龙川
胡波
李超
张恒
苟永刚
王大涛
胡小林
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.)
Chongqing Institute Of Surveying And Mapping Science And Technology Chongqing Map Compilation Center
Original Assignee
Chongqing Survey Institute
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 Chongqing Survey Institute filed Critical Chongqing Survey Institute
Priority to CN202010906483.7A priority Critical patent/CN111932574B/zh
Publication of CN111932574A publication Critical patent/CN111932574A/zh
Application granted granted Critical
Publication of CN111932574B publication Critical patent/CN111932574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205Re-meshing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/176Urban or other man-made structures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10044Radar image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30181Earth observation
    • G06T2207/30184Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于多层次语义特征的建筑立面点云提取系统及方法,使用数据读取模块读取原始点云数据;使用点云处理模块对原始点云数据进行预处理,定义单点语义特征,设置单点语义特征阈值,得到待分类点、高层建筑立面点并投影到二维平面;定义格网语义特征,设置格网语义特征阈值,使用图像处理模块得到兴趣格网;基于兴趣格网生成点云格网特征图像;定义区域语义特征、设置各区域语义特征阈值得到建筑立面区域;使用数据输出模块根据建筑立面区域与高层建筑立面点对应点云,计算得到建筑立面点云。本发明可以解决现有技术中存在的对城市建筑物立面点云进行提取时,对点云数据质量要求高、提取精度较低、算法适应性较弱的技术问题。

Description

基于多层次语义特征的建筑立面点云提取系统及方法
技术领域
本发明涉及建筑物立面提取技术领域,具体涉及一种基于多层次语义特征的建筑立面点云提取系统及方法。
背景技术
建筑物立面点云提取是实现数字城市三维模型重建的前提和基础,提取出来的建筑立面空间信息是数字城市基础时空大数据的重要组成部分,在建构筑物模型重建、城市形态分析、建筑立面改造等方面具有重要作用。建筑物立面点云数据是目标表面形态的三维数字化表达,三维激光扫描作为一种新的测量技术手段,可快速获取具有三维坐标及颜色、强度、纹理等属性的海量点云,极大提升了空间地理信息的获取能力,成为建筑立面信息的重要获取手段。
现有技术CN105844629B提供了一种大场景城市建筑物立面点云自动分割方法,包括如下步骤:(1)将机载LiDAR点云数据与车载LiDAR点云数据融合配准;(2)从经步骤(1)配准后的机载LiDAR点云数据中提取机载LiDAR建筑物屋顶点云数据;(3)基于步骤(2)提取出的机载LiDAR点云数据对单栋建筑物屋顶点云数据进行分割;(4)对经步骤(3)分割后的单栋建筑物进行轮廓线追踪;(5)对步骤(4)中获得的轮廓线进行简化和规则化处理;(6)基于经步骤(5)简化和规则化处理后的轮廓线对建筑物立面点云进行粗分割;(7)对经过步骤(6)粗分割的建筑物立面点云进行精细分割。
但上述技术方案需要依赖于建筑物屋顶数据,而因为在城市中的无人机飞行空域申请较为复杂,所以在目前的实际测绘项目中,使用车载移动扫描仪或架站式固定扫描仪比使用机载扫描更为方便。但是,用车载移动扫描仪或架站式固定扫描仪获取的点云往往没有屋顶信息,因此该方案不适用于车载移动扫描仪或架站式固定扫描仪获取的点云。
发明内容
针对现有技术存在的不足,本发明提出一种基于多层次语义特征的建筑立面点云提取系统及方法,以解决现有技术中存在的对城市建筑物立面点云进行提取时,需要获取建筑物屋顶点云数据,对点云数据质量要求高、点云提取精度较低、算法适应性较弱的技术问题。
本发明采用的技术方案是:
第一方面,提供了一种基于多层次语义特征的建筑立面点云提取系统,包括:数据读取模块、点云处理模块、图像处理模块、数据输出模块;
数据读取模块用于读取原始点云数据;
点云处理模块用于对原始点云数据进行预处理,用于基于单点语义特征对预处理点云数据进行分类,还用于进行点云平面投影、格网划分;
图像处理模块用于基于格网语义特征生成点云格网特征图像,还用于基于区域语义特征得到建筑立面区域;
数据输出模块用于根据所述高层建筑立面点和所述建筑立面区域,计算得出建筑立面点云。
第二方面,提供了一种基于多层次语义特征的建筑立面点云提取系统的方法,使用第一方面提供的一种基于多层次语义特征的建筑立面点云提取系统,对建筑立面点云进行提取;
在第二种可实现方式中,包括以下步骤:
使用数据读取模块读取原始点云数据;
使用点云处理模块对原始点云数据进行预处理,得到预处理点云数据;
定义单点语义特征,设置单点语义特征阈值,使用点云处理模块对预处理点云数据剔除不满足单点语义特征阈值要求的点,得到待分类点、高层建筑立面点;
使用点云处理模块将待分类点、高层建筑立面点投影到二维平面;
使用点云处理模块在二维平面按预设尺寸划分格网,计算各格网行列编号;
定义格网语义特征,设置格网语义特征阈值,使用图像处理模块剔除不满足格网语义特征阈值要求的地面点及地物点,将满足格网语义特征阈值要求的格网定义为兴趣格网;
使用图像处理模块基于兴趣格网生成点云格网特征图像,进行兴趣格网连通性分析,相互连通的兴趣格网为一个兴趣区域;
定义区域语义特征,设置各区域语义特征阈值,使用图像处理模块将满足阈值要求的区域作为建筑立面区域;
使用数据输出模块,根据建筑立面区域对应点云与高层建筑立面点对应点云,计算得到建筑立面点云。
结合第二种可实现方式,在第三种可实现方式中,对原始点云数据进行预处理,具体包括:
通过裁剪、滤波的方式剔除点云数据中的噪点;
按预设采样间隔进行重采样。
结合第二种可实现方式,在第四种可实现方式中,单点语义特征为每个点的高程值,单点语义特征阈值包括低点阈值与高点阈值;
基于以下公式进行点云初步分类:
Figure BDA0002661651620000031
在上式中,Pz为高程值,Zlow为低点阈值,Zhigh为高点阈值。
结合第二种可实现方式,在第五种可实现方式中,格网语义特征为格网内点云密度、高差,格网语义特征阈值包括密度阈值和高差阈值;
基于以下公式选取建筑物立面对应兴趣格网:
Figure BDA0002661651620000032
在上式中,GD为点云密度,GH为高差,GD_th为点密度阈值,GH_th为高差阈值。
结合第二种可实现方式,在第六种可实现方式中,区域语义特征包括每个兴趣区域凸包范围内兴趣格网数量、兴趣格网占凸包范围内所有格网数量比例、区域内点云法向量垂直角标准差。
结合第六种可实现方式,在第七种可实现方式中,对每个兴趣区域采用安德鲁算法计算凸包,每个兴趣区域凸包范围内兴趣格网数量ACJ、兴趣格网占凸包范围内所有格网数量比例ARJ满足以下公式:
ACJ=S,
Figure BDA0002661651620000041
在上式中,S为兴趣区域中包含的兴趣格网数量,T为对应凸包范围内包含的所有格网数量。
结合第二种可实现方式,在第八种可实现方式中,采用邻域分析方法进行兴趣格网连通性分析。
结合第二种可实现方式,在第九种可实现方式中,
使用图像处理模块将满足阈值要求的区域作为建筑立面区域时,基于以下公式得到建筑立面区域:
Figure BDA0002661651620000042
在上式中,AC_th为兴趣格网数量语义阈值,ARJ为兴趣格网比例语义阈值,AN_th为垂直角标准差语义阈值。
结合第二种可实现方式,在第十种可实现方式中,数据输出模块计算得到建筑立面点云,计算方法是对所述建筑立面区域对应点云与高层建筑立面点对应点云取并集。
由上述技术方案可知,本发明的有益技术效果如下:
1.将高程值作为点云单点语义特征,格网点云密度、高差作为格网语义特征,兴趣格网数量、兴趣格网比例以及法向量垂直角标准差作为区域语义特征,构建了点云多层次语义特征集合。综合考虑地物点云的单点特征、局部特征以及整体特征进行建筑立面提取,提高了提取结果的精度。
2.在实际工程中,可结合不同建筑物的实际情况,包括地面高差、建筑栋数、建筑物或建筑物群的高度等,根据不同点云空间特征设置适当的语义阈值,能对不同场景的建筑物进行实现精确提取,本发明的技术方案对使用场景的适应性较强。
3.将三维点云投影到二维平面,采用图像处理方法进行处理,算法效率高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明的方法流程图;
图2为本发明的系统架构图;
图3为单点语义特征、格网语义特征和区域语义特征对应关系图;
图4为建筑物原始形态示意图;
图5为低层建筑区点云提取效果对比图;
图6为高层建筑区点云提取效果对比图;
图7为超高层建筑区点云提取效果对比图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
本发明提供一种基于多层次语义特征的建筑立面点云提取系统,包括:数据读取模块、点云处理模块、图像处理模块、数据输出模块;
数据读取模块用于读取原始点云数据;
点云处理模块用于对原始点云数据进行预处理,用于基于单点语义特征对预处理点云数据进行分类,还用于进行点云平面投影、格网划分;
图像处理模块用于基于格网语义特征生成点云格网特征图像,还用于基于区域语义特征得到建筑立面区域;
数据输出模块用于根据所述高层建筑立面点和所述建筑立面区域,计算得出建筑立面点云。
本发明提供还提供了一种使用基于多层次语义特征的建筑立面点云提取系统,对建筑立面点云进行提取的方法。
以下对实施例1工作原理进行详细说明:
在本实施例中,多层次的语义特征,具体是指:将高程值作为点云单点语义特征,格网点云密度、高差作为格网语义特征,兴趣格网数量、兴趣格网比例以及法向量垂直角标准差作为区域语义特征。单点语义特征、格网语义特征和区域语义特征合在一起,构建了点云多层次语义特征集合,可以针对不同场景点云灵活设置参数阈值,提高算法的适应性。单点语义特征、格网语义特征和区域语义特征三者之间的对应关系如图3所示。
基于多层次语义特征的建筑立面点云提取系统的系统架构图如图2所示,对建筑立面点云进行提取,如图1所示,具体按照以下步骤实施:
1、使用数据读取模块读取原始点云数据
使用数据读取模块对原始点云数据进行读取。原始点云数据的采集方法不作限定,在本实施例中举例说明,使用三维激光扫描获得原始点云数据。三维激光扫描可选用机载激光雷达、车载激光扫描仪、地面式激光扫描仪。原始点云数据为三维数据。
2、使用点云处理模块对原始点云数据进行预处理
通过裁剪、滤波的方式剔除点云数据中的噪点,减少对后续数据处理的干扰;按预设的采样间隔进行重采样,减少过密点云对算法的干扰,同时提高运算效率;在本实施例中,采样间隔设为0.05-0.1米。经过预处理的数据为预处理点云数据。预处理点云数据同样为三维数据。
3、定义单点语义特征,设置单点语义特征阈值,使用点云处理模块对预处理点云数据进行分类,剔除不满足单点语义特征阈值要求的点,得到待分类点、高层建筑立面点
将点云中每个点P的高程值Pz作为该点的单点语义特征,单点语义特征阈值包括低点阈值与高点阈值,具体取值见表1。通过设置低点阈值Zlow剔除低于该值的非建筑点云;设置高点阈值Zhigh提取高于该值的建筑立面点,满足下式公式(1)
Figure BDA0002661651620000071
通过本步骤,剔除低于建筑物的点,得到待分类点、高层建筑立面点,待分类点、高层建筑立面点为三维点云数据。
4、使用点云处理模块将待分类点、高层建筑立面点投影到二维平面
将通过步骤2得到的待分类点以及高层建筑立面点,从三维数据投影到二维XOY平面,投影计算公式如下式公式(2):
Figure BDA0002661651620000072
上述公式(2)中X、Y、Z为点云投影前的坐标,X’、Y’、Z’为点云投影后的坐标,h为投影面的高程,在本实施例中h取值为0。在本实施例中,将三维点云投影到二维平面,采用图像处理方法进行处理,算法效率高。
5、使用点云处理模块在二维平面按预设尺寸划分格网,计算各格网行列编号
投影后,使用点云处理模块在二维平面按预设尺寸d进行格网划分,设目标区域的平面坐标最小值、最大值分别为Xmin、Ymin、Xmax、Ymax,则格网的行列数R、C满足下式公式(3):
Figure BDA0002661651620000081
如图3(b)所示,进行格网划分后会得到多个格网。要计算某一个点具体在哪个格网中,采用以下方法:某一个点为i,i的坐标为(xi,yi,zi),设i对应所在的格网为格网I,则格网I的行列号ri、ci满足下式公式(4):
Figure BDA0002661651620000082
上述公式(4)中floor表示小于该值的最大整数,且行列号从0开始计数。
在本实施例中,划分后的格网为方形,每个格网内有一个或多个点。
6、定义格网语义特征,设置格网语义特征阈值,使用图像处理模块剔除不满足格网语义特征阈值要求的地面点及地物点,将满足格网语义特征阈值要求的格网定义为兴趣格网
将格网内点云密度、高差作为格网语义特征,格网语义特征阈值包括密度阈值和高差阈值,具体取值见表1。在进行基于格网语义特征的二次提取时,设格网I内的点数为N,对应三维点云坐标为(XIi,YIi,ZIi),i=1,2,...,N,则该格网的点密度语义GDI、高差语义GHI分别为:
GDI=N/d2 (5)
GHI=max1≤i≤NZIi-min1≤i≤NZIi (6)
设置点密度阈值GD_th和高差阈值GH_th,并基于以下公式(7)选取建筑物立面对应兴趣格网:
Figure BDA0002661651620000083
剔除密度小、高差小的地面点及地物点,将满足阈值要求的格网定义为兴趣格网。在本实施例中,被剔除的密度小、高差小的地物点,主要是高度较低的植被,包括树木、草丛等。
7、使用图像处理模块基于兴趣格网生成点云格网特征图像,进行兴趣格网连通性分析,相互连通的兴趣格网为一个兴趣区域
将兴趣格网像素值设为255,非兴趣格网像素值设为0,得到点云格网特征图像;采用邻域分析方法进行兴趣格网连通性检测,将相互连通的兴趣格网定义为兴趣区域。在本实施例中,通过本步骤可以得到多个兴趣区域。
8、定义区域语义特征,设置各区域语义特征阈值,使用图像处理模块将满足阈值要求的区域作为建筑立面区域
将每个兴趣区域凸包范围内兴趣格网数量、兴趣格网占凸包范围内所有格网数量比例以及区域内点云法向量垂直角标准差作为区域语义特征。对每个兴趣区域采用安德鲁算法计算凸包;在本实施例中,凸包就是在给定二维平面上的点集中,将最外层的点连接起来构成的凸多边形。设区域J包含的兴趣格网数量为S,对应凸包范围内包含的所有格网数量为T,则该区域兴趣格网数量语义ACJ、兴趣格网比例语义ARJ分别为:
ACJ=S (8)
Figure BDA0002661651620000092
对平面投影位于兴趣区域内的三维点云进行法向量估计并计算垂直角,垂直角定义为法向量与Z轴正方向的夹角;统计垂直角标准差语义ANJ,然后设置各语义特征阈值AC_th、AR_th及AN_th,具体取值见表1。
基于以下公式(10)得到建筑立面区域:
Figure BDA0002661651620000091
9、使用数据输出模块将建筑立面区域对应点云与高层建筑立面点对应点云取并集,得到建筑立面点云
将建筑立面区域对应的三维点云与步骤2提取的高层建筑立面点对应的点云取并集,即得到满足多层次语义特征的建筑立面点云。
在本实施例中,针对不同高程值的建造物,各种阈值的具体取值参见下表表1:
表1阈值参数表
Figure BDA0002661651620000101
上表中的阈值,是本技术方案实施时优选的一种阈值。在实际工程中,可结合不同建筑物的实际情况,包括地面高差、建筑栋数、建筑物或建筑物群的高度等,根据不同点云空间特征设置适当的语义阈值,能对不同场景的建筑物进行实现精确提取,本发明的技术方案对使用场景的适应性较强。
对于采用本实施例技术方案,提取的建筑物原始形态如图4所示,和现有技术对比,提取后的效果图见图5、图6、图7,提取结果数据对比分析见表2。
表2提取结果对比分析
Figure BDA0002661651620000102
Figure BDA0002661651620000111
/>
通过上表表2的数据对比分析可知:本算法在效率、提取精度以及对不同场景点云的适应性方面,明显优于现有技术。从图5、图6、图7的提取结果可以看出,本算法对三个数据集均提取到了较为完整的建筑立面点云,相较于图4建筑物原始形态,仅在点云过于稀疏的立面和挡墙处(图5(b)A、B处;图6(b)C、D处;图7(b)E、F、G处)有少量缺失,同时提取结果中错分点少,比现有技术的提取效果更好。
通过本实施例的技术方案,将高程值作为点云单点语义特征,格网点云密度、高差作为格网语义特征,兴趣格网数量、兴趣格网比例以及法向量垂直角标准差作为区域语义特征,构建了点云多层次语义特征集合。综合考虑地物点云的单点特征、局部特征以及整体特征进行建筑立面提取,提高了提取结果的精度。最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (8)

1.一种基于多层次语义特征的建筑立面点云提取系统,其特征在于,包括:数据读取模块、点云处理模块、图像处理模块、数据输出模块;
所述数据读取模块用于读取原始点云数据;
所述点云处理模块用于对原始点云数据进行预处理,用于基于单点语义特征对预处理点云数据进行分类,还用于进行点云平面投影、格网划分;所述单点语义特征为每个点的高程值;
所述图像处理模块用于基于格网语义特征生成点云格网特征图像,还用于基于区域语义特征得到建筑立面区域;所述格网语义特征为格网内点云密度、高差;所述区域语义特征包括每个兴趣区域凸包范围内兴趣格网数量、兴趣格网占凸包范围内所有格网数量比例和区域内点云法向量垂直角标准差;
所述数据输出模块用于对建筑立面区域对应点云与高层建筑立面点对应点云取并集,计算得出建筑立面点云。
2.一种基于多层次语义特征的建筑立面点云提取系统的方法,其特征在于:使用权利要求1所述系统对建筑立面点云进行提取,包括以下步骤:
使用数据读取模块读取原始点云数据;
使用点云处理模块对原始点云数据进行预处理,得到预处理点云数据;
定义单点语义特征,所述单点语义特征为每个点的高程值;设置单点语义特征阈值,使用点云处理模块对预处理点云数据剔除不满足单点语义特征阈值要求的点,得到待分类点、高层建筑立面点;
使用点云处理模块将待分类点、高层建筑立面点投影到二维平面;
使用点云处理模块在二维平面按预设尺寸划分格网,计算各格网行列编号;
定义格网语义特征,所述格网语义特征为格网内点云密度、高差;设置格网语义特征阈值,使用图像处理模块剔除不满足格网语义特征阈值要求的地面点及地物点,将满足格网语义特征阈值要求的格网定义为兴趣格网;
使用图像处理模块基于兴趣格网生成点云格网特征图像,进行兴趣格网连通性分析,相互连通的兴趣格网为一个兴趣区域;
定义区域语义特征,所述区域语义特征包括每个兴趣区域凸包范围内兴趣格网数量、兴趣格网占凸包范围内所有格网数量比例和区域内点云法向量垂直角标准差;设置各区域语义特征阈值,使用图像处理模块将满足阈值要求的区域作为建筑立面区域;
使用数据输出模块,对所述建筑立面区域对应点云与高层建筑立面点对应点云取并集,计算得到建筑立面点云。
3.根据权利要求2所述的一种基于多层次语义特征的建筑立面点云提取系统的方法,其特征在于,对原始点云数据进行预处理,具体包括:
通过裁剪、滤波的方式剔除点云数据中的噪点;
按预设采样间隔进行重采样。
4.根据权利要求2所述的一种基于多层次语义特征的建筑立面点云提取系统的方法,其特征在于:所述单点语义特征阈值包括低点阈值与高点阈值;
基于以下公式进行点云初步分类:
Figure FDA0004184824410000021
在上式中,PZ为高程值,Zlow为低点阈值,Zhigh为高点阈值。
5.根据权利要求2所述的一种基于多层次语义特征的建筑立面点云提取系统的方法,其特征在于:所述格网语义特征阈值包括密度阈值和高差阈值;
基于以下公式选取建筑物立面对应兴趣格网:
Figure FDA0004184824410000022
在上式中,GD为点云密度,GH为高差,GD_th为点密度阈值,GH_th为高差阈值。
6.根据权利要求2所述的一种基于多层次语义特征的建筑立面点云提取系统的方法,其特征在于:对每个兴趣区域采用安德鲁算法计算凸包,每个兴趣区域凸包范围内兴趣格网数量ACJ、兴趣格网占凸包范围内所有格网数量比例ARJ通过以下公式计算:
Figure FDA0004184824410000031
在上式中,S为兴趣区域中包含的兴趣格网数量,T为对应凸包范围内包含的所有格网数量。
7.根据权利要求2所述的一种基于多层次语义特征的建筑立面点云提取系统的方法,其特征在于:采用邻域分析方法进行兴趣格网连通性分析。
8.根据权利要求2所述的一种基于多层次语义特征的建筑立面点云提取系统的方法,其特征在于:使用图像处理模块将满足阈值要求的区域作为建筑立面区域时,基于以下公式得到建筑立面区域:
Figure FDA0004184824410000032
在上式中,AC_th为兴趣格网数量语义阈值,ARJ为兴趣格网比例语义阈值,AN_th为垂直角标准差语义阈值。
CN202010906483.7A 2020-09-01 2020-09-01 基于多层次语义特征的建筑立面点云提取系统及方法 Active CN111932574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010906483.7A CN111932574B (zh) 2020-09-01 2020-09-01 基于多层次语义特征的建筑立面点云提取系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010906483.7A CN111932574B (zh) 2020-09-01 2020-09-01 基于多层次语义特征的建筑立面点云提取系统及方法

Publications (2)

Publication Number Publication Date
CN111932574A CN111932574A (zh) 2020-11-13
CN111932574B true CN111932574B (zh) 2023-05-23

Family

ID=73309605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010906483.7A Active CN111932574B (zh) 2020-09-01 2020-09-01 基于多层次语义特征的建筑立面点云提取系统及方法

Country Status (1)

Country Link
CN (1) CN111932574B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435344B (zh) * 2020-11-27 2024-06-14 广东电网有限责任公司肇庆供电局 一种点云数据处理方法、装置及终端设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204547A (zh) * 2016-06-29 2016-12-07 山东科技大学 从车载激光扫描点云中自动提取杆状地物空间位置的方法
CN110120097A (zh) * 2019-05-14 2019-08-13 南京林业大学 大场景机载点云语义建模方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9396545B2 (en) * 2010-06-10 2016-07-19 Autodesk, Inc. Segmentation of ground-based laser scanning points from urban environment
CN104049245B (zh) * 2014-06-13 2017-01-25 中原智慧城市设计研究院有限公司 基于LiDAR点云空间差异分析的城市建筑物变化检测方法
CN104463872B (zh) * 2014-12-10 2018-01-12 武汉大学 基于车载LiDAR点云数据的分类方法
US20200027266A1 (en) * 2018-07-17 2020-01-23 Uti Limited Partnership Building contour generation from point clouds
CN110570428B (zh) * 2019-08-09 2023-07-07 浙江合信地理信息技术有限公司 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统
CN110827398B (zh) * 2019-11-04 2023-12-26 北京建筑大学 基于深度神经网络的室内三维点云自动语义分割方法
CN111209828B (zh) * 2019-12-31 2020-09-25 飞燕航空遥感技术有限公司 从机载激光雷达点云中提取建筑物屋顶点的方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204547A (zh) * 2016-06-29 2016-12-07 山东科技大学 从车载激光扫描点云中自动提取杆状地物空间位置的方法
CN110120097A (zh) * 2019-05-14 2019-08-13 南京林业大学 大场景机载点云语义建模方法

Also Published As

Publication number Publication date
CN111932574A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN106022381B (zh) 基于车载激光扫描点云的路灯杆自动提取方法
CN113034689B (zh) 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质
CN109389163B (zh) 一种基于地形图的无人机影像分类系统及方法
CN111898688B (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
CN109241978B (zh) 地基三维激光点云中平面片的快速提取方法
CN111325138B (zh) 一种基于点云局部凹凸特征的道路边界实时检测方法
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
CN107767389A (zh) 一种基于机载激光点云数据的输电线自动提取方法
CN112883878B (zh) 一种基于三维格网的变电站场景下的点云自动分类方法
CN107679458B (zh) 一种基于K-Means的道路彩色激光点云中道路标线的提取方法
CN111354083B (zh) 一种基于原始激光点云的递进式建筑物提取方法
CN112241661A (zh) 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法
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
Hu et al. A fast and simple method of building detection from LiDAR data based on scan line analysis
Zheng et al. Building recognition of UAV remote sensing images by deep learning
CN113096181B (zh) 设备位姿的确定方法、装置、存储介质及电子装置
Li et al. Feature extraction and modeling of urban building from vehicle-borne laser scanning data
CN111932574B (zh) 基于多层次语义特征的建筑立面点云提取系统及方法
WO2023060632A1 (zh) 基于点云数据的街景地物多维度提取方法和系统
CN111895907B (zh) 一种电塔点云提取方法、系统及设备
CN116071530B (zh) 一种基于机载激光点云的建筑物屋顶体素化分割方法
CN112381029B (zh) 一种基于欧氏距离的机载LiDAR数据建筑物提取方法
CN114924260A (zh) 一种多激光雷达点云配准方法
CN115578654A (zh) 一种基于点云的输电线杆塔类型识别方法及系统
Liu et al. Target detection from 3D point-cloud using Gaussian function and CNN

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240318

Address after: No. 6 Qingzhu East Road, Dazhulin Street, Yubei District, Chongqing, 400000

Patentee after: Chongqing Institute of Surveying and Mapping Science and Technology (Chongqing Map Compilation Center)

Country or region after: China

Address before: 401121 No. 6, Qingzhu East Road, Yubei District, Chongqing

Patentee before: CHONGQING SURVEY INSTITUTE

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240320

Address after: No. 6 Qingzhu East Road, Dazhulin Street, Yubei District, Chongqing, 400000

Patentee after: Chongqing Institute of Surveying and Mapping Science and Technology (Chongqing Map Compilation Center)

Country or region after: China

Address before: 401121 No. 6, Qingzhu East Road, Yubei District, Chongqing

Patentee before: CHONGQING SURVEY INSTITUTE

Country or region before: China