CN112099046A - 基于多值体素模型的机载lidar三维平面检测方法 - Google Patents
基于多值体素模型的机载lidar三维平面检测方法 Download PDFInfo
- Publication number
- CN112099046A CN112099046A CN202010971377.7A CN202010971377A CN112099046A CN 112099046 A CN112099046 A CN 112099046A CN 202010971377 A CN202010971377 A CN 202010971377A CN 112099046 A CN112099046 A CN 112099046A
- Authority
- CN
- China
- Prior art keywords
- voxel
- voxels
- valued
- plane
- value
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Graphics (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开一种基于多值体素模型的机载LIDAR三维平面检测方法,该方法首先将机载LIDAR点云数据规则化为多值体素模型;然后利用平面的光滑特性从多值体素模型DSM数据中搜寻小曲率体素作为种子,并标记与其三维连通且法向量方向一致的连通区域为平面;再次将多值体素模型非DSM数据中位于连通区域缓冲区范围内的反射强度值满足统计特性的体素标记为平面;最后将平面连通区域进行了合并,避免了点云密度不均匀等原因导致将一个真实平面被分割成多个平面连通区域的可能性。该方法给出了机载LIDAR点云数据的多值体素模型构建方案及其在此基础上的平面检测方案,有助于基于多值体素模型理论的机载LIDAR点云数据处理及应用的发展。
Description
技术领域
本发明属于遥感数据处理技术领域,具体涉及一种基于多值体素模型的机载LIDAR三维平面检测方法。
背景技术
平面特征包含丰富的结构、语义信息,在实际场景中广泛存在,如建筑物屋顶、墙面、沥青路面及自然地面等。该特征的准确检测对于场景识别、三维重建等实际应用具有重要意义。机载激光雷达(Light Detection And Ranging,LIDAR)可直接获取地物目标高密度、高精度的三维点云数据。该数据可为三维平面结构的自动检测提供丰富的信息。经典的基于机载LIDAR数据的三维平面特征检测方法可分为以下两类:基于拟合的方法和基于聚类增长的方法。其中,前者将问题转换为一个平面拟合问题,利用表面检测(如随机采样一致性(Random Sample Consensus,RANSAC)和霍夫变换等)技术实现平面目标点集分割及检测。霍夫变换的方法首先对种子及其邻域点进行霍夫变换将其映射至霍夫空间(或参数空间),进而对参数空间进行离散化构建累加器,然后统计累加器峰值,峰值累加器所对应的平面即为检测到的最佳平面,重复上述过程直至处理完所有种子点。RANSAC的方法则先从点云中随机抽取一定数量的点作为一个样本集,然后利用该样本集进行平面拟合,进而用样本的余集对拟合的平面模型进行评价,循环以上过程,直至所拟合平面的评价达到最优标准,满足该平面模型的点即认为是内点(平面点)。后者则利用点云特征寻找具有同质性的点云集合,常用的算法有区域增长算法(基于种子点集及平坦性、表面平滑度等区域增长准则实现平面点集分割)。可见,上述方法均采用离散点云的数据结构形式,而离散点云虽然包含了原始LiDAR数据的3D信息,但其并未明晰表达激光点间的邻域和拓扑信息,由此导致基于点云的平面特征检测算法设计困难、效率较低。因此,将原始点云数据规则化为更为简单的真3D数据结构,并基于该结构设计简单、高效的平面特征检测算法是十分必要的。有鉴于此,本发明提出了一种基于多值体素模型的机载LIDAR三维平面检测方法。
发明内容
针对现有技术的不足,本发明提出一种基于多值体素模型的机载LIDAR三维平面检测方法。
一种基于多值体素模型的机载LIDAR三维平面检测方法,包括以下步骤:
步骤1:读取原始机载LIDAR点云数据,形成原始机载LIDAR点云数据集;
步骤2:将原始机载LIDAR点云数据集规则化为多值体素模型;
步骤2.1:从原始机载LIDAR点云数据集中剔除高程异常数据及强度异常数据,得到剔除异常数据集,过程如下:
步骤2.1.1:统计原始机载LIDAR点云数据集中各个激光点高程值的频次,并以直方图的形式可视化显示统计结果;
步骤2.1.2:根据高程值的频次直方图统计结果,目视确定与真实地形及地物对应的最高高程阈值The和最低高程阈值Tle;
步骤2.1.3:针对原始机载LIDAR点云数据集中各个激光点,若其高程值高于最高高程阈值The或低于最低高程阈值Tle,则该激光点为高程异常数据,进行剔除,否则保留该激光点,获得剔除高程异常数据集;
步骤2.1.4:统计剔除高程异常数据集中各激光点的强度值的频次,并以直方图的形式可视化显示统计结果;
步骤2.1.5:根据强度值的频次直方图统计结果,目视确定与真实地形及地物对应的最高强度阈值Thi和最低强度阈值Tli;
步骤2.1.6:针对剔除高程异常数据集中各个激光点,若其强度值高于最高强度阈值Thi或低于最低强度阈值Thi,则该激光点为强度异常数据,进行剔除,否则保留该激光点,最终获得剔除高程及强度异常数据集。
步骤2.2:将剔除异常数据集规则化为多值体素模型,过程如下:
步骤2.2.1:用剔除异常数据集的轴向平行包围盒表示数据集的空间范围;
步骤2.2.2:根据剔除异常数据集中激光点的平均点间距确定体素在x、y、z方向上的分辨率(Δx,Δy,Δz),即体素大小;
步骤2.2.3:依据体素分辨率(Δx,Δy,Δz)对轴向平行包围盒进行划分,得到三维格网,每一个3D格网单元即为体素;
步骤2.2.4:将剔除异常数据集中各个激光点映射到三维格网中,进而采用主成分分析法计算各体素中包含的激光点的法向量和曲率,并将激光点的法向量和曲率及激光点的反射强度均值为各体素赋值,得到多值体素模型。
所述将激光点的法向量和曲率及激光点的反射强度均值为各体素附值的具体过程如下所示:
将含有激光点的体素赋值为激光点法向量、曲率和反射强度均值,不含有激光点的体素赋值为0,得到各体素值。
步骤3:基于三维连通区域构建理论,对多值体素模型DSM数据进行平面体素检测;
步骤3.1:基于平面的平滑特性,从多值体素模型中搜寻曲率值小的体素作为种子体素集合Vp,其中,p=1,2,…;
步骤3.2:对任一未标记的种子体素Vp,p=1,2,…,采用深度优先策略搜索多值体素模型中与种子体素Vp三维连通且法向量夹角小于阈值θs的所有未标记体素,并标记为Lt(L为标签,t为标记标签的索引,t=1,2,…),直至标记完所有未标记的种子体素的三维连通区域,完成基于多值体素模型DSM数据的三维平面检测,具体包含如下步骤:
3.2.1:初始化一个空栈,将Vp存入栈中;
3.2.2:从栈顶弹出一个栈顶元素,获取与该栈顶元素三维连通且法向量夹角小于阈值θs的所有未标记的体素,均标记为平面体素并存入栈中;
3.2.3:判断栈是否为空,若是,则多值体素模型中所有平面体素均被标记,否则,返回步骤3.2.2。
步骤4:基于缓冲区分析理论,对多值体素模型非DSM数据进行平面体素检测;
步骤4.1:将检测所得的由平面体素构成的三维连通区域投影至XY平面,进而对各平面连通区域进行边缘检测;
步骤4.2:对各边缘轮廓进行直线提取,过程如下:
步骤4.2.1:随机选取边缘轮廓内某一未标记体素及其相邻未标记体素,确定直线方程;
步骤4.2.2:计算其余轮廓体素到直线的距离,若小于阈值,则判断该体素为“内点”,否则为外点。若直线的“内点”个数大于n,n为直线提取内点数阈值,则提取该直线,并对内点进行标记。
步骤4.2.3:重复步骤4.2.1和4.2.2,直到所有剩余轮廓体素都参与运算完毕,直线段体素检测结束。
步骤4.3:在水平面上,以任一直线轮廓为中心,以一个体素为宽度向内侧和外侧建立缓冲区;
步骤4.4:对多值体素模型非DSM数据中的位于缓冲区内部的任一非0值体素,若其反射强度值位于缓冲区内部体素反射强度值均值的正负2倍标准差范围内,则将该体素判做平面体素,否则为非平面体素。
步骤5:将检测所得的由平面体素构成的三维连通区域根据共面条件进行合并,完成三维平面检测。
步骤5.1:计算各三维连通区域内部体素的坐标均值、法向量均值,并将其作为各区域的质心坐标、法向量;
步骤5.2:若区域间同时满足下述两个条件,则认为满足条件的区域共面,合并共面区域:
(1)区域间法向量间夹角小于某一阈值;
(2)区域法向量与质心间向量夹角接近直角;
所述质心间向量由所述质心坐标相减得到。
本发明的有益效果:本发明提出一种基于多值体素模型的机载LIDAR三维平面检测方法,该方法首先将机载LIDAR点云数据规则化为多值体素模型;然后利用平面的光滑特性从多值体素模型DSM数据中搜寻小曲率体素作为种子,并标记与其三维连通且法向量方向一致的连通区域为平面;再次将多值体素模型非DSM数据中位于连通区域缓冲区范围内的反射强度值满足统计特性的体素标记为平面。最后,把平面连通区域进行了合并,避免了点云密度不均匀等原因导致将一个真实平面被分割成多个平面连通区域的可能性。该方法以计算几何为理论基础,综合利用了机载LIDAR数据的几何、光谱特征,将传统的平面特征点聚类转换为基于体素的三维连通区域构建,给出了机载LIDAR点云数据的多值体素模型构建方案及其在此基础上的平面检测方案,有助于基于多值体素模型理论的机载LIDAR点云数据处理及应用的发展。
附图说明
图1为本发明具体实施方式中基于多值体素模型的机载LIDAR三维平面检测方法的流程图;
图2(a)为本发明具体实施方式中原始机载LIDAR点云数据Area2点云数据;
图2(b)为本发明具体实施方式中原始机载LIDAR点云数据Area2点云数据对应的图像;
图3为本发明具体实施方式中将原始机载LIDAR点云数据规则化为多值体素模型的流程图;
图4为本发明具体实施方式中的激光点投影计算凸壳及面积原理图;
图5为本发明具体实施方式中对多值体素模型DSM数据进行平面体素检测的流程图;
图6为本发明具体实施方式中对多值体素模型非DSM数据进行平面体素检测的流程图;
图7为本发明具体实施方式中Area2中非0值体素的曲率频次直方图;
图8(a)为本发明具体实施方式中的18邻域尺度示意图;
图8(b)为本发明具体实施方式中的26邻域尺度示意图;
图8(c)为本发明具体实施方式中的56邻域尺度示意图;
图8(d)为本发明具体实施方式中的80邻域尺度示意图;
图8(e)为本发明具体实施方式中的124邻域尺度示意图;
图9(a)为本发明具体实施方式中应用本发明方法所得的建筑物检测结果;
图9(b)为本发明具体实施方式中应用本发明方法所得的平面检测结果。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种基于多值体素模型的机载LIDAR三维平面检测方法,如图1所示,包括以下步骤:
步骤1:读取原始机载LIDAR点云数据,形成原始机载LIDAR点云数据集。
本实施方式中,采用国际摄影测量与遥感协会(International Society forPhotogrammetry and Remote Sensing,ISPRS)第III/4工作组提供的专门用于目标分类算法测试的城区样本数据作为实验数据(Area2,如图2(a)和图2(b)所示,图2(a)为数据集中的机载LiDAR点云,并按照高程进行显示;图2(b)所示为对应区域的数字航空影像),以检验方法的有效性和可行性。实验数据由Leica ALS50机载激光扫描系统于2008年8月获取(航高500米,视场角45°)。该数据场景为包含被树木围绕的高层城市住宅建筑物的居民区,点云数据密度为4点/m2,对应的平均点间距约为0.8m。该实验区域以高层建筑为主,大部分屋顶面为水平面,且被树林环绕。
本实施方式中,定义原始机载LIDAR点云数据P={pi(xi,yi,zi),i=1,...,n},其中,i是原始机载LIDAR点云数据的索引,n是原始机载LIDAR点云数据的个数,pi是第i个原始机载LIDAR点云数据,其坐标为(xi,yi,zi)。
步骤2:将原始机载LIDAR点云数据集规则化为多值体素模型,具体流程如图3所示。
步骤2.1:从原始机载LIDAR点云数据集中剔除异常数据,得到剔除异常数据集。
步骤2.1.1:统计原始机载LIDAR点云数据集中各个激光点高程值的频次,并以直方图的形式可视化显示统计结果;
步骤2.1.2:确定与真实地形及地物对应的最高高程阈值The和最低高程阈值Tle;
步骤2.1.3:针对原始机载LIDAR点云数据集中各个激光点,若其高程值高于最高高程阈值The或低于最低高程阈值Tle,则该激光点为高程异常数据,进行剔除,否则保留该激光点,获得剔除高程异常数据集;
步骤2.1.4:统计剔除高程异常数据集中各激光点的强度值的频次,并以直方图的形式可视化显示统计结果;
步骤2.1.5:确定与真实地形及地物对应的最高强度阈值Thi和最低强度阈值Tli;
步骤2.1.6:针对剔除高程异常数据集中各个激光点,若其强度值高于最高强度阈值Thi或低于最低强度阈值Thi,则该激光点为强度异常数据,进行剔除,否则保留该激光点,最终获得剔除高程及强度异常数据集。
本实施方式中,最高高程阈值The、最低高程阈值Tle、最高强度阈值Thi和最低强度阈值Tli均为常数,其取值需根据原始机载LIDAR点云数据的空间及强度分布情况确定。
本实施方式中,剔除异常数据集记做Q={qi'(xi',yi',zi'),i'=1,...,t},其中,i'是剔除异常数据集中数据的索引,t是剔除异常数据集中数据的个数,qi'是剔除异常数据集中第i'个数据,其坐标为(xi',yi',zi')。
步骤2.2:将剔除异常数据集规则化为多值体素模型。
步骤2.2.1:用剔除异常数据集的轴向平行包围盒表示数据集的空间范围;
本实施方式中,剔除异常数据集Q的空间范围可由其轴向平行包围盒(Axis-Aligned Bounding Box,AABB)确定。AABB={(x,y,z)|xmin≤x≤xmax,ymin≤y≤ymax,zmin≤z≤zmax},其中,(xmax,ymax,zmax)和(xmin,ymin,zmin)分别代表剔除异常数据集中x、y和z坐标的最大和最小值,xmax=max{xi',i'=1,...,t},xmin=min{xi',i'=1,...,t},ymax=max{yi',i'=1,...,t},ymin=min{yi',i'=1,...,t},zmax=max{zi',i'=1,...,t},zmin=min{zi',i'=1,...,t}。
步骤2.2.2:根据剔除异常数据集中激光点的平均点间距确定体素在x、y、z方向上的分辨率(Δx,Δy,Δz),即体素大小。
本实施方式中,体素在x、y、z方向上的分辨率Δx、Δy、Δz的计算公式如式(1)所示:
其中,Sxy={(xi',yi'),i'=1,...,t}为去除异常数据集Q在XOY平面上的投影所得二维点集,C(Sxy)是点集Sxy的凸壳,A(C(Sxy))是凸壳C(Sxy)面积,如图4所示。
步骤2.2.3:依据体素分辨率(Δx,Δy,Δz)对轴向平行包围盒进行划分,得到三维格网,每一个3D格网单元即为体素。
本实施方式中,基于体素分辨率(Δx,Δy,Δz)就可以将轴向平行包围盒划分为三维格网,用三维矩阵表示。设V是三维矩阵中的体素集合,如式(2)所示:
V={vj(rj,cj,lj),j=1,…,m}, (2)
其中,j是体素索引;m是体素数;vj是第j个体素的体素值;(rj,cj,lj)是第j个体素在体素阵列中的坐标(行、列和层号)。
步骤2.2.4:将剔除异常数据集中各个激光点映射到三维格网,进而采用主成分分析法计算各体素中包含的激光点的法向量和曲率,并将上述特征值及体素内激光点的反射强度均值作为体素值,得到多值体素模型。
本实施方式中,将剔除异常数据集Q中各个激光点依式(3)映射到3D格网,进而根据格网单元中包含的激光点反射强度及其法向量和曲率特征为各体素赋值。其中,含有激光点的体素赋值为其内的激光点反射强度及其法向量、曲率特征均值;不含有激光点的体素赋值为0,得到各体素值。由此,得到多值体素模型,完成对剔除异常数据集的规则化。
本实施方式中,依据局部表面拟合的方法计算各激光点qi′的法向量及曲率,方法如下:首先,基于qi′及其周围k个激光点构造协方差矩阵,其中,表示激光点qi′邻域点集的三维质心,j′表示激光点qi′k邻域内的激光点的索引;然后,令求解协方差矩阵的特征值λ0、λ1、λ2(λ0<λ1<λ2)和对应的特征向量u0、u1、u2,此处,把最小特征值λ0对应的特征向量u0作为该点的法向量。最后,求解曲率σ,激光点qi′在该点邻域内沿曲面法线u0的变化度(即曲率)
本实施方式中,k需根据原始机载LIDAR点云数据的空间分布情况确定,此处取20。
步骤3:基于三维连通区域构建理论,对多值体素模型DSM数据进行平面体素检测,具体流程如图5所示。
步骤3.1:基于平面的平滑特性,从多值体素模型中搜寻曲率值小的体素作为种子体素集合Vp,其中,p=1,2,…。
本实施方式中,将多值体素模型中曲率值小于Tc的体素均作为平面种子体素。其中,曲率阈值Tc为常数,其取值需根据原始机载LIDAR点云数据的空间分布情况确定。例如,可首先可视化显示所有非0值体素的曲率频次直方图,如图7所示。然后,目视确定曲率阈值Tc,此处Tc=0.0003。最后,将多值体素模型中曲率值小于Tc的体素均作为平面种子体素,所得即为种子体素集合Vp,其中,p=1,2,…。
步骤3.2:对任一未标记的种子体素Vp,p=1,2,…,采用深度优先策略搜索多值体素模型中与种子体素Vp三维连通且法向量夹角小于阈值θs的所有未标记体素,并标记为Lt(L为标签,t为标记标签的索引,t=1,2,…),直至标记完所有未标记的种子体素的三维连通区域,完成基于多值体素模型DSM数据的三维平面检测。
步骤3.2.1:初始化一个空栈,将Vp存入栈中。
步骤3.2.2:从栈顶弹出一个栈顶元素,获取与该栈顶元素三维连通且法向量夹角小于阈值θs的所有未标记的体素,标记为平面体素并存入栈中。
本实施方式中,所述与栈顶元素三维连通是指:与该栈顶元素(为某一平面体素)6、18、26、56连通或其它邻域尺度的连通,如图8(a)、图8(b)、图8(c)、图8(d)和图8(e)所示;所述法向量间夹角计算公式见式(4)。
步骤3.2.3:判断栈是否为空,若是,则多值体素模型中所有平面体素均被标记,否则,返回步骤3.2.2。
步骤4:基于缓冲区分析理论,对多值体素模型非DSM数据进行平面体素检测。如图6所示。
步骤4.1:将检测所得的由平面体素构成的三维连通区域投影至XY平面,进而对各平面连通区域进行边缘检测;
步骤4.2:对各边缘轮廓进行直线提取;
步骤4.2.1:随机选取边缘轮廓内某一未标记体素及其相邻未标记体素,确定直线方程;
步骤4.2.2:计算其余轮廓体素到直线的距离,若小于某一阈值,则判断该体素为“内点”,否则为外点。若某一直线的“内点”个数大于n,n为直线提取内点数阈值,则提取该直线,并对内点进行标记。本实施例中n=6。
步骤4.2.3:重复步骤4.2.1和4.2.2,直到所有剩余轮廓体素都参运算完毕,直线段体素检测结束。
步骤4.3:在水平面上,以任一直线轮廓为中心,以一个体素为宽度向内侧和外侧建立缓冲区;
步骤4.4:对多值体素模型非DSM数据中的位于缓冲区内部的任一非0值体素,若其反射强度值位于缓冲区内部体素反射强度值均值的正负2倍标准差范围内,则将该体素判做平面体素,否则为非平面体素。
步骤5:将检测所得的平面三维连通区域根据共面条件进行合并,完成三维平面检测。
步骤5.1:计算各三维连通区域内部体素的坐标均值、法向量均值,并将其作为各区域的质心坐标、法向量。
步骤5.2:若区域间同时满足下述两个条件,则认为满足条件的区域共面,合并共面区域:
(1)区域间法向量间夹角小于某一阈值;
(2)区域法向量与质心间向量夹角接近直角;
所述质心间向量由所述质心坐标相减得到。
本实施方式中,ISPRS第III/4工作组仅提供了诸如建筑物、自然地面、沥青地面及植被等目标的标准数据而未提供平面标准数据(被准确分类为平面点集和非平面点集的实验数据),无法对提出方法进行定量精度评价。因此,提出如下方案定量的评价提出的方法的精度:鉴于实际场景中的平面特征多位于建筑物、自然和沥青路面中,但是依靠手工提取的方式判别的自然和沥青路面内的平面目标并不准确,无法将其用作标准数据,此处为了保证标准数据的准确性,仅将建筑物标准数据用作平面标准数据,然后用软件将本文提出的方法检测的平面特征中的建筑物加以分离,将二者对比定量评价提出的方法的准确性。另外,本发明提出的平面检测方法的成果是以体素形式表示的,而参考数据中的平面则是以离散的LIDAR激光点云数据表达的。为和标准数据做对比以评价本发明提出的方法精度,首先统计本方法所检测的平面体素内包含的原始机载LIDAR激光点,然后和参考数据进行比对进而用正确率(正确检测的平面激光点数占检测结果中平面激光点总数的比例)、完整度(正确检测的平面激光点数占标准数据中平面激光点总数的比例)、质量及Kappa系数来定量评价本发明所提出的平面检测方法的有效性。
表1为本实施例中,邻域尺度分别为18、26、56、80及124时,应用本发明方法对测试数据进行平面检测,对应的平面检测结果的Kappa系数。该表中的数据旨在考查不同邻域尺度对平面检测结果的影响,并由此确定最优邻域尺度。
表1不同邻域尺度的平面检测结果的精度
由表1可知,18、26、56、80及124邻域的平均Kappa系数分别为84.481%、84.911%、91.599%、91.242%和90.912%。这说明:(1)56邻域对应最大的Kappa系数,因此,从Kappa系数指标来看,56邻域是最佳邻域尺度;(2)邻域尺度的增加并不意味着检测精度的必然提高。本发明提出方法的思想是,地面信息可以通过基于多值体素模型中定义的三维连通性和法向量方向一致性来传播。以18邻域为例,其邻域尺度较小,更容易受点云分布密度不均的影响,若平面区域中存在连续的空白体素,则会导致平面检测精度较低。随着邻域尺度的扩大,更多的体素被纳入连通区域,一类误差的概率会降低,这可以解释为何26邻域比18邻域产生了更好的检测结果。但是,若邻域尺度过大,则过多的邻域体素被纳入连通区域内,随之而来,二类误差出现的概率增加,从而导致算法准确性的降低。这可以解释为何80、124邻域对比56邻域的精度反而有所下降。
本实施方式中,应用本发明方法所得的平面检测结果如图9(a)和图9(b)所示,其中,图9(a)为建筑物检测结果,图9(b)为平面检测结果。
表2为本实施例中,应用本发明方法以参考数据为标准对测试数据的56邻域尺度下的算法检测结构进行的定量评价。
表2平面检测结果的精度
由表2可知:平面检测的平均完整度、正确率、质量及Kappa系数分别为96.85%、93.866%、91.084%及91.599%。从而验证了本发明提出的方法的有效性。
本发明提供的基于多值体素模型的机载LIDAR三维平面检测方法,以3D连通区域构建理论为基础,使得点云数据中的目标信息检测从点云聚类等传统方式转换成基于体素空间邻域关系及几何特征的搜索标记方式,很好地利用了三维体素数据中各体素间隐含的邻域关系,有助于基于体素理论的机载LIDAR点云数据处理及应用的发展。本方法对平面的检测结果其完整度可达到95%以上,正确率可达93%以上,可有效实现对平面的检测。
最后应说明的是:以上各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权利要求所限定的范围。统方式转换成基于体素空间邻域关系及几何特征的搜索标记方式,很好地利用了三维体素数据中各体素间隐含的邻域关系,有助于基于体素理论的机载LIDAR点云数据处理及应用的发展。本方法对平面的检测结果其完整度可达到95%以上,正确率可达93%以上,可有效实现对平面的检测。
Claims (10)
1.一种基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,包括如下步骤:
步骤1:读取原始机载LIDAR点云数据,形成原始机载LIDAR点云数据集;
步骤2:将原始机载LIDAR点云数据集规则化为多值体素模型;
步骤3:基于三维连通区域构建理论,对多值体素模型DSM数据进行平面体素检测;
步骤4:基于缓冲区分析理论,对多值体素模型非DSM数据进行平面体素检测;
步骤5:将检测所得的由平面体素构成的三维连通区域根据共面条件进行合并,完成三维平面检测。
2.根据权利要求1所述的基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,所述步骤2的过程如下:
步骤2.1:从原始机载LIDAR点云数据集中剔除高程异常数据及强度异常数据,得到剔除异常数据集;
步骤2.2:将剔除异常数据集规则化为多值体素模型。
3.根据权利要求2所述的基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,所述步骤2.1的过程如下:
步骤2.1.1:统计原始机载LIDAR点云数据集中各个激光点高程值的频次,并以直方图的形式可视化显示统计结果;
步骤2.1.2:根据高程值的频次直方图统计结果,目视确定与真实地形及地物对应的最高高程阈值The和最低高程阈值Tle;
步骤2.1.3:针对原始机载LIDAR点云数据集中各个激光点,若其高程值高于最高高程阈值The或低于最低高程阈值Tle,则该激光点为高程异常数据,进行剔除,否则保留该激光点,获得剔除高程异常数据集;
步骤2.1.4:统计剔除高程异常数据集中各激光点的强度值的频次,并以直方图的形式可视化显示统计结果;
步骤2.1.5:根据强度值的频次直方图统计结果,目视确定与真实地形及地物对应的最高强度阈值Thi和最低强度阈值Tli;
步骤2.1.6:针对剔除高程异常数据集中各个激光点,若其强度值高于最高强度阈值Thi或低于最低强度阈值Thi,则该激光点为强度异常数据,进行剔除,否则保留该激光点,最终获得剔除高程及强度异常数据集。
4.根据权利要求2所述的基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,所述步骤2.2的过程如下:
步骤2.2.1:用剔除异常数据集的轴向平行包围盒表示数据集的空间范围;
步骤2.2.2:根据剔除异常数据集中激光点的平均点间距确定体素在x、y、z方向上的分辨率(Δx,Δy,Δz),即体素大小;
步骤2.2.3:依据体素分辨率(Δx,Δy,Δz)对轴向平行包围盒进行划分,得到三维格网,每一个3D格网单元即为体素;
步骤2.2.4:将剔除异常数据集中各个激光点映射到三维格网中,进而采用主成分分析法计算各体素中包含的激光点的法向量和曲率,并将激光点的法向量和曲率及激光点的反射强度均值为各体素赋值,得到多值体素模型。
5.根据要求要求4所述的基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,所述将激光点的法向量和曲率及激光点的反射强度均值为各体素附值的具体过程如下所示:
将含有激光点的体素赋值为激光点法向量、曲率和反射强度均值,不含有激光点的体素赋值为0,得到各体素值。
6.根据要求要求1所述的基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,所述步骤3的步骤如下:
步骤3.1:基于平面的平滑特性,从多值体素模型中搜寻曲率值小的体素作为种子体素集合Vp,其中,p=1,2,…;
步骤3.2:对任一未标记的种子体素Vp,p=1,2,…,采用深度优先策略搜索多值体素模型中与种子体素Vp三维连通且法向量夹角小于阈值θs的所有未标记体素,并标记为Lt(L为标签,t为标记标签的索引,t=1,2,…),直至标记完所有未标记的种子体素的三维连通区域,完成基于多值体素模型DSM数据的三维平面检测。
7.根据要求要求6所述的基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,所述步骤3.2包含如下步骤:
3.2.1:初始化一个空栈,将Vp存入栈中;
3.2.2:从栈顶弹出一个栈顶元素,获取与该栈顶元素三维连通且法向量夹角小于阈值θs的所有未标记的体素,均标记为平面体素并存入栈中;
3.2.3:判断栈是否为空,若是,则多值体素模型中所有平面体素均被标记,否则,返回步骤3.2.2。
8.根据要求要求1所述的基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,所述步骤4的过程如下:
步骤4.1:将检测所得的由平面体素构成的三维连通区域投影至XY平面,进而对各平面连通区域进行边缘检测;
步骤4.2:对各边缘轮廓进行直线提取;
步骤4.3:在水平面上,以任一直线轮廓为中心,以一个体素为宽度向内侧和外侧建立缓冲区;
步骤4.4:对多值体素模型非DSM数据中的位于缓冲区内部的任一非0值体素,若其反射强度值位于缓冲区内部体素反射强度值均值的正负2倍标准差范围内,则将该体素判做平面体素,否则为非平面体素。
9.根据要求要求8所述的基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,所述步骤4.2的过程如下:
步骤4.2.1:随机选取边缘轮廓内某一未标记体素及其相邻未标记体素,确定直线方程;
步骤4.2.2:计算其余轮廓体素到直线的距离,若小于阈值,则判断该体素为“内点”,否则为外点;若直线的“内点”个数大于n,n为直线提取内点数阈值,则提取该直线,并对内点进行标记;
步骤4.2.3:重复步骤4.2.1和4.2.2,直到所有剩余轮廓体素都参与运算完毕,直线段体素检测结束。
10.根据要求要求1所述的基于多值体素模型的机载LIDAR三维平面检测方法,其特征在于,所述步骤5的过程如下:
步骤5.1:计算各三维连通区域内部体素的坐标均值、法向量均值,并将其作为各区域的质心坐标、法向量;
步骤5.2:若区域间同时满足下述两个条件,则认为满足条件的区域共面,合并共面区域:
(1)区域间法向量间夹角小于某一阈值;
(2)区域法向量与质心间向量夹角接近直角;
所述质心间向量由所述质心坐标相减得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010971377.7A CN112099046B (zh) | 2020-09-16 | 2020-09-16 | 基于多值体素模型的机载lidar三维平面检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010971377.7A CN112099046B (zh) | 2020-09-16 | 2020-09-16 | 基于多值体素模型的机载lidar三维平面检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112099046A true CN112099046A (zh) | 2020-12-18 |
CN112099046B CN112099046B (zh) | 2023-05-16 |
Family
ID=73759135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010971377.7A Active CN112099046B (zh) | 2020-09-16 | 2020-09-16 | 基于多值体素模型的机载lidar三维平面检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112099046B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819753A (zh) * | 2021-01-12 | 2021-05-18 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
TWI745204B (zh) * | 2020-12-28 | 2021-11-01 | 國家中山科學研究院 | 基於深度學習之高效率光達物件偵測方法 |
CN115797418A (zh) * | 2022-09-27 | 2023-03-14 | 湖南科技大学 | 一种基于改进icp的复杂机械零件测量点云配准方法及系统 |
CN116071550A (zh) * | 2023-02-09 | 2023-05-05 | 安徽海博智能科技有限责任公司 | 一种激光雷达灰尘点云过滤方法 |
CN117745728A (zh) * | 2024-02-21 | 2024-03-22 | 法奥意威(苏州)机器人系统有限公司 | 点云平面检测方法、装置、电子设备和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
CN108109139A (zh) * | 2017-12-18 | 2018-06-01 | 辽宁工程技术大学 | 基于灰度体元模型的机载lidar三维建筑物检测方法 |
CN109785261A (zh) * | 2019-01-11 | 2019-05-21 | 辽宁工程技术大学 | 一种基于灰度体元模型的机载lidar三维滤波方法 |
CN111008989A (zh) * | 2019-12-24 | 2020-04-14 | 辽宁工程技术大学 | 一种基于多值体元的机载多光谱lidar三维分割方法 |
-
2020
- 2020-09-16 CN CN202010971377.7A patent/CN112099046B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
CN108109139A (zh) * | 2017-12-18 | 2018-06-01 | 辽宁工程技术大学 | 基于灰度体元模型的机载lidar三维建筑物检测方法 |
CN109785261A (zh) * | 2019-01-11 | 2019-05-21 | 辽宁工程技术大学 | 一种基于灰度体元模型的机载lidar三维滤波方法 |
CN111008989A (zh) * | 2019-12-24 | 2020-04-14 | 辽宁工程技术大学 | 一种基于多值体元的机载多光谱lidar三维分割方法 |
Non-Patent Citations (1)
Title |
---|
王丽英,王圣,李玉: "强度体元基元下的记载LiDAR3D滤波", 《地球信息科学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI745204B (zh) * | 2020-12-28 | 2021-11-01 | 國家中山科學研究院 | 基於深度學習之高效率光達物件偵測方法 |
CN112819753A (zh) * | 2021-01-12 | 2021-05-18 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
CN112819753B (zh) * | 2021-01-12 | 2021-11-30 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
CN115797418A (zh) * | 2022-09-27 | 2023-03-14 | 湖南科技大学 | 一种基于改进icp的复杂机械零件测量点云配准方法及系统 |
CN116071550A (zh) * | 2023-02-09 | 2023-05-05 | 安徽海博智能科技有限责任公司 | 一种激光雷达灰尘点云过滤方法 |
CN116071550B (zh) * | 2023-02-09 | 2023-10-20 | 安徽海博智能科技有限责任公司 | 一种激光雷达灰尘点云过滤方法 |
CN117745728A (zh) * | 2024-02-21 | 2024-03-22 | 法奥意威(苏州)机器人系统有限公司 | 点云平面检测方法、装置、电子设备和可读存储介质 |
CN117745728B (zh) * | 2024-02-21 | 2024-05-24 | 法奥意威(苏州)机器人系统有限公司 | 点云平面检测方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112099046B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109139B (zh) | 基于灰度体元模型的机载lidar三维建筑物检测方法 | |
CN112099046B (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
CN112489212B (zh) | 一种基于多源遥感数据的建筑物智能化三维测图方法 | |
CN110969624B (zh) | 一种激光雷达三维点云分割方法 | |
Lari et al. | An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data | |
CN105844602B (zh) | 一种基于体元的机载lidar点云三维滤波方法 | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
CN110490888B (zh) | 基于机载激光点云的高速公路几何特征矢量化提取方法 | |
CN111340875B (zh) | 一种基于三维激光雷达的空间移动目标检测方法 | |
CN103258203B (zh) | 遥感影像的道路中线自动提取方法 | |
CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
CN106324581B (zh) | 一种基于体元的机载lidar建筑物检测方法 | |
CN111008989B (zh) | 一种基于多值体元的机载多光谱lidar三维分割方法 | |
CN109766824B (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
CN116452852A (zh) | 一种高精度矢量地图的自动生成方法 | |
CN113989685B (zh) | 基于超级体元的机载多光谱LiDAR数据土地覆盖分类的方法 | |
CN112200083A (zh) | 一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法 | |
CN115657049A (zh) | 一种隧道车载激光雷达定位纠偏方法及系统 | |
CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
CN109785261B (zh) | 一种基于灰度体元模型的机载lidar三维滤波方法 | |
CN117292181A (zh) | 基于3d点云处理的钣金件孔组分类及全尺寸测量方法 | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及系统 | |
CN115588178B (zh) | 一种高精地图要素自动化提取的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |