CN112348867B - 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 - Google Patents
基于LiDAR点云数据的城市高精度三维地形构建方法及系统 Download PDFInfo
- Publication number
- CN112348867B CN112348867B CN202011298095.1A CN202011298095A CN112348867B CN 112348867 B CN112348867 B CN 112348867B CN 202011298095 A CN202011298095 A CN 202011298095A CN 112348867 B CN112348867 B CN 112348867B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional
- semantic
- dimensional point
- urban
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 28
- 238000002372 labelling Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000012876 topography Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于LiDAR点云数据的城市高精度三维地形构建方法及系统,包括建立城市场景下的三维点云语义分割分类体系和标注样本库;建立城市场景下的三维点云混合尺度体素块;实现三维点云的特征学习,包括针对划分的多个混合尺度,使用多个权值共享的三维卷积网络,将三维点云的细节结构和周围地表背景信息融合,得到三维点云的混合尺度特征向量;实现三维点云的语义要素分割,包括训练特征学习网络,对待建模区域的三维点云进行推理预测;实现语义几何共生约束的地表点插值,弥补应滤除的非地表点造成的空洞;构建城市三维地形模型。本发明提升语义分割结果精度和城市三维地形的精细程度,满足海绵城市建设和城市内涝分析等应用需求。
Description
技术领域
本发明属于地形测绘技术领域,具体涉及一种基于LiDAR点云数据的城市高精度三维地形构建方法及系统。
背景技术
城市是自然地形与人工地形交融在一起的,城市区域通常呈现突变地形与渐变地形交错的状态。现有的城市DEM数据生产技术是面向自然地形设计的,三维地形数据以1:2000至1:500的DEM为主,而且现势性较差,更新成本高。当前城市高精度三维地形的应用存在以下不足:(1)难以满足海绵城市规划等需求,海绵城市建设需要精确的三维地形来划分汇水区,并计算地表径流方向,进而计算汇流量和产流量,而城市渐变地形在DEM数据中无法表达出来,目前全国大多数城市都缺乏可以支持海绵城市建设的高精度三维地形数据;(2)城市内涝预测与分析时,突变地形与渐变地形交错,渍水点的淹水深度等信息缺乏高精度三维地形数据来测算。目前的DEM生产技术工艺和流程难以完成高精度城市三维地形构建任务,迫切需要研究面向城市地形特征的三维地形建模技术。
发明内容
本发明解决的技术问题是:克服上述现有技术的不足,提供一种基于LiDAR点云数据的城市高精度三维地形构建方案。
为实现上述目的,本发明的技术方案包括一种基于LiDAR点云数据的城市高精度三维地形构建方法,基于LiDAR所得三维点云实现城市三维地形构建,实现方式包括以下步骤:
步骤1,建立城市场景下的三维点云语义分割分类体系和标注样本库,所述三维点云语义分割分类体系设置多种语义类别,包括自然地表、人工地表和其他类别;
步骤2,建立城市场景下的三维点云混合尺度体素块,包括将标注样本库的三维点云数据和城市场景下待建模区域的三维点云数据进行混合尺度格网化处理,依据高斯模型确定多个混合尺度,按照不同尺度的格网边长划分体素,并标注每个体素块内的点密度信息;
步骤3,实现三维点云的特征学习,包括对于标注样本库中的三维点云,针对步骤2划分的多个混合尺度,使用多个权值共享的三维卷积网络,将三维点云的细节结构和周围地表背景信息融合,得到三维点云的混合尺度特征向量;
步骤4,实现三维点云的语义要素分割,包括训练特征学习网络,通过训练的结果对待建模区域的三维点云的各个点所属类别进行推理预测;
步骤5,实现语义几何共生约束的地表点插值,包括根据步骤4预测的点云类别信息,取自然地表和人工地表两类点作为地表点;进行几何语义共生约束的插值,弥补应滤除的非地表点造成的空洞;
步骤6,构建城市三维地形模型,包括根据步骤5所得结果使用Delaunay三角网的规则构建三维地表模型。
而且,步骤2的实现过程包括以下子步骤,
步骤2.1,对于所有给定的三维点云中的任意点P,以点P为中心点建立邻域立方体;
步骤2.2,建立点云数据的物方空间坐标系;
步骤2.3,基于高斯模型划分混合尺度体素,设置不同大小的体素边长r1,r2,...,rS,满足ri<ri+1,i=1,2,...,S-1,其中S为混合尺度的个数;体素边长由高斯分布公式决定,计算方式如下,
其中,(x0,y0,z0)为邻域立方体中心点坐标,(xi,yi,zi)为第i个尺度的格网的边界坐标;λ表示缩放因子,e为自然常数;
步骤2.4,体素内点密度标注。
而且,步骤3的实现过程包括以下子步骤,
步骤3.1,将第s尺度上体素化后的点云邻域块记录为VS,s∈1,2,...,S;
步骤3.2,利用步骤2.4得到的体素标注作为初始特征,对于每个尺度s,采用卷积网络Fs实现特征学习;所述卷积网络Fs由多层三维卷积变换和非线性激活函数构成,将三维点云映射到特征空间;综合每层输出得到最终第s尺度上Fs的最终输出特征向量;
步骤3.3,将三维点云的各点在第s尺度上的特征向量进行融合,最终构成混合尺度特征向量
而且,步骤4的实现过程包括以下子步骤,
步骤4.1,以步骤1得到的标注样本库为训练样本,根据步骤3.3得到的混合尺度特征向量训练语义要素分割网络;
步骤4.2,根据步骤4.1的网络训练结果,对待建模区域三维点云的各个点所属类别进行推理预测。
而且,步骤5的实现过程包括以下子步骤,
步骤5.1,顾及语义几何约束的广义距离计算包括考虑语义几何共生约束,同时考虑各个采样点间的欧式几何距离和语义距离,计算广义距离d(x,xc)如下,
d(x,xc)=w1dEuclidean(x,xc)+w2dSemantic(x,xc)
其中,x为待插值点,xc为实际采样点;dEuclidean、dSemantic分别为x与xc之间的欧氏几何距离和语义距离,w1、w2则分别为对应的权重系数;
步骤5.2,三维点云插值核权重计算,包括将步骤5.1得到的d(x,xs)带入权函数,得到插值核的权值;
步骤5.3,根据步骤5.2计算得到的插值权重,对滤除非地表点的空洞区域进行几何语义共生约束的插值。
另一方面,本发明还提供一种基于LiDAR点云数据的城市高精度三维地形构建系统,用于实现如上所述的一种基于LiDAR点云数据的城市高精度三维地形构建方法。
而且,用于基于LiDAR所得三维点云实现城市三维地形构建,包括以下模块,
第一模块,用于建立城市场景下的三维点云语义分割分类体系和标注样本库,所述三维点云语义分割分类体系设置多种语义类别,包括自然地表、人工地表和其他类别;
第二模块,用于建立城市场景下的三维点云混合尺度体素块,包括将标注样本库的三维点云数据和城市场景下待建模区域的三维点云数据进行混合尺度格网化处理,依据高斯模型确定多个混合尺度,按照不同尺度的格网边长划分体素,并标注每个体素块内的点密度信息;
第三模块,用于实现三维点云的特征学习,包括对于标注样本库中的三维点云,针对第二模块划分的多个混合尺度,使用多个权值共享的三维卷积网络,将三维点云的细节结构和周围地表背景信息融合,得到三维点云的混合尺度特征向量;
第四模块,用于实现三维点云的语义要素分割,包括训练特征学习网络,通过训练的结果对待建模区域的三维点云的各个点所属类别进行推理预测;
第五模块,用于实现语义几何共生约束的地表点插值,包括根据第四模块预测的点云类别信息,取自然地表和人工地表两类点作为地表点;进行几何语义共生约束的插值,弥补应滤除的非地表点造成的空洞;
第六模块,用于构建城市三维地形模型,包括根据第五模块所得结果使用Delaunay三角网的规则构建三维地表模型。
或者,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于LiDAR点云数据的城市高精度三维地形构建方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于LiDAR点云数据的城市高精度三维地形构建方法。
对比现有技术,本发明技术方案具有下列优点和积极效果:
(1)通过高斯模型实现三维点云混合尺度体素的格网空间化,并通过三维卷积网络学习混合尺度的共享特征得到特征向量,可以同时满足城市场景下点云的突变细节结构的精细刻画和复杂的邻域背景信息的补充,从而提升城市场景下LiDAR点云语义分割结果的精度。
(2)对栏杆、汽车、行人、植被等应滤除的非地表点造成的空洞进行插值弥补,考虑语义几何共生约束,从而提升城市三维地形的精细程度。
本发明生成的地表三维模型的格网分辨率能够达到优于0.5米,满足高程检查点的点位中误差小于0.17米,能满足海绵城市建设和城市内涝分析等应用需求。
附图说明
图1为本发明实施例的总体流程图。
图2为本发明实施例的三维点云的特征学习示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及具体实施方式对本发明作进一步的详细描述。应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
LiDAR表示激光雷达。LiDAR获得的点云数据具有很高的测量精度,可提供不受阴影和光照条件限制的高精度地表高程信息、空间信息、回波强度信息。本发明专利基于LiDAR数据,提出一种城市高精度三维地形构建方法,以便于城市三维地形数据精度能满足海绵城市建设和城市内涝分析等应用需求。
参见图1,本发明实施例提供一种基于LiDAR数据的城市高精度三维地形构建方法,具体步骤如下:
步骤1,建立城市场景下的三维点云语义分割分类体系和标注样本库,用于三维点云特征学习的监督训练。
实施例中,语义类别优选设置为包括自然地表,人工地表,植被,建筑物,车辆,行人,路灯,栏杆,其他等9类,具体实施时也可依据实际场景的地物类别进行分类。标注样本库中的三维点云是通过三维激光扫描仪得到的城市场景下地面设站的点云数据,以预设一定大小的三维窗口将点云数据裁切成数据块,每个数据块中的点云个数抽稀为预设的固定值,再通过Cloudcompare等点云处理软件标注每个点的语义类别标签。
步骤2,建立城市场景下的三维点云混合尺度体素块。实现方式为,分别对标注样本库的三维点云数据和城市场景下待建模区域的三维点云数据进行混合尺度格网化处理,基于高斯模型划分体素并对每个体素进行点密度标注,以便于在城市场景内环境异质性的影响下能取得更优的效果。
实施例中,步骤2优选采用的实现方式如下,
步骤2.1,建立邻域立方体。对于所有给定的三维点云中的任意点P,以点P为中心点建立邻域立方体[x0-0.5R,x0+0.5R]×[y0-0.5R,y0+0.5R]×[z0-0.5R,z0+0.5R],其中,(x0,y0,z0)为中心点坐标,R为邻域立方体的边长。
步骤2.2,建立点云数据的物方空间坐标系。
步骤2.3,基于高斯模型划分混合尺度体素。设置一系列不同大小的体素边长r1,r2,...,ri用于控制三维体素的尺度大小,满足ri<ri+1,i=1,2,...,S-1,其中S为混合尺度的个数。体素边长由高斯分布公式决定,计算方式为:
其中,(x0,y0,z0)为邻域立方体中心点坐标,(xi,yi,zi)为第i个尺度的格网的边界坐标,λ表示缩放因子,取值与点云的分辨率相关,e为自然常数,i是尺度排序的计数变量。
步骤2.4,体素内点密度标注。将每个体素中三维点云的点的个数与体素边长三次方的比值作为该体素的标注。
具体实施时,步骤2.1中尺度个数S优选在范围3~5内取值,以减小时间和计算内存的消耗,最小尺度上体素的边长应该略大于三维激光扫描仪得到的三维点云的分辨率。
步骤3,三维点云的特征学习,示意图参见图2。对于标注样本库中的三维点云,针对步骤2划分的S个混合尺度,使用多个权值共享的三维卷积网络,将三维点云的小尺度细节结构和周围地表信息融合,得到三维点云的混合尺度特征向量。
实施例中,步骤3优选采用的实现方式如下,
步骤3.1,通过步骤2已将三维点云中的各点进行混合尺度离散化,本步骤将第s尺度上体素化后的点云邻域块记录为Vs。实施例中取S=5。
步骤3.2,利用步骤2.4得到的体素密度标注作为初始特征,对于每个尺度s,采用卷积网络Fs实现特征学习。卷积网络Fs由多层三维卷积变换和Relu函数构成,将三维点云映射到特征空间。
实施例中,每个卷积网络Fs包含L层隐藏层,每层包括三维卷积变换和Relu函数,第l∈1,2,...,L层的特征Hs,l表示为:
其中,l∈1,2,...,L,s∈1,2,...,S,t∈1,2,...,ql;Hs,0即步骤3.1得到的第s尺度上体素化后的点云邻域块VS的原始密度标注,表示第s个尺度第l层第t个特征的三维卷积核,/>表示第s个尺度第l-1层的隐藏层第t个特征,ql为隐藏层Hs,l的特征个数,t为隐藏层Hs,l的特征标号,*表示卷积运算,bs,l为对应偏置项,Relu()表示非线性激活函数。优选地,L建议取值为5。即隐藏层的个数设置为5可取得较好的效果,避免网络层数的加深带来的计算负担。卷积核的大小通常设置为3×3×3。
第s尺度上卷积网络Fs的最终输出特征向量为:
其中,表示第s个尺度第l层的第t个特征,l∈1,2,...,L。
步骤3.3,将三维点云的各点P(x,y,z)在第s∈1,2,...,S尺度上的特征向量进行融合,最终构成混合尺度特征向量可通过concat操作实现融合。
步骤4,城市场景下三维点云的语义要素分割。依据步骤3的特征学习网络的训练结果,对待建模区域的三维点云各个点的类别进行推理。
实施例中,步骤4优选采用的实现方式如下,
步骤4.1,以步骤1得到的标注样本库为训练样本,根据步骤3.3得到的混合尺度特征向量训练语义要素分割网络。训练时,使用Softmax回归计算各个三维点属于各类别的概率,具体表示为:
其中,Softmax()表示归一化指数函数计算,计算方式属于监督学习领域常规方式,表示属于第k个类别的概率,k即类别的计数单位。
具体实施时,类别概率判断依据是:根据该体素中点的数目最多的类别作为该体素的标签。如果体素中属于某些类别的点个数相同,则选取类别点重心最靠近体素中心点的类别作为标签。优选地,损失函数采用交叉熵损失函数。
步骤4.2,根据步骤4.1的网络训练结果,对将待建模区域的三维点云的各个点所属类别进行预测。
步骤5,语义几何共生约束的地表点插值。根据步骤4.2得到的待建模区域的三维点云的语义类别信息,取自然地表和人工地表两类点作为地表点。构建语义几何共生约束的双保真模型实现地表点的插值,弥补栏杆、汽车、行人、植被等应滤除的非地表点造成的空洞。
实施例中,步骤5优选采用的实现方式如下,
步骤5.1,顾及语义几何约束的广义距离计算。考虑语义几何共生约束,同时考虑各个采样点间的欧式几何距离和语义距离,计算广义距离d(x,xc),具体表示如下:
d(x,xc)=w1dEuclidean(x,xc)+w2dSemantic(x,xc)
其中,x为待插值点,xc为实际采样点。dEuclidean、dSemantic分别为x与xc之间的欧氏几何距离和语义距离,w1、w2则分别为对应的权重系数。
具体实施时,欧氏距离由x与xc的真实坐标直接计算得到,语义距离采用三个等级对兼容度进行刻画,即兼容(语义距离为0)、半兼容(软边界,语义距离为0.5)、不兼容(也称硬边界,语义距离为1),例如属于建筑物的采样点不应该参与路面点的插值计算,故其语义距离为1。
各个距离的系数权重w1、w2按照优先等级存在相互影响与制约的关系。其中,等级最高的为语义距离,当x与xs之间的语义距离为0时,如x与xs同属于建筑,此时几何距离可认为是噪声影响的结果,为保证同一属性面片间的光滑性,几何距离的权重w2置为0;当x与xs之间的语义距离为0.5时(软边界),内插时同侧采样点的影响应该比异侧采样点的影响大。因此,x与xs之间还需考虑到其几何距离的影响,即可置w1=w2≠0;当x与xs之间的语义距离为1时(硬边界),w1、w2均为无穷大(可视为不考虑该点的影响)。
步骤5.2,三维点云插值核权重计算。将步骤5.1的广义距离d(x,xc)带入权函数得到顾及几何语义约束的插值核的权值。权函数/>采用高斯函数:
其中,σ表示数据的标准方差。
步骤5.3,根据步骤5.2计算得到的插值权重,对滤除非地表点的空洞区域的待插值点进行几何语义共生约束的插值。
步骤6,构建城市三维地形模型。采用步骤5生成的内插点,按照Delaunay三角网的规则构建三维地表模型。
具体实施时,为保证运算速度,可以先进行数据的分块索引,再进行Delaunay三角网构建。Delaunay三角网构建属于常规的技术方法,本发明不再赘述。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种基于LiDAR点云数据的城市高精度三维地形构建系统,包括以下模块,
第一模块,用于建立城市场景下的三维点云语义分割分类体系和标注样本库,所述三维点云语义分割分类体系设置多种语义类别,包括自然地表、人工地表和其他类别;
第二模块,用于建立城市场景下的三维点云混合尺度体素块,包括将标注样本库的三维点云数据和城市场景下待建模区域的三维点云数据进行混合尺度格网化处理,依据高斯模型确定多个混合尺度,按照不同尺度的格网边长划分体素,并标注每个体素块内的点密度信息;
第三模块,用于实现三维点云的特征学习,包括对于标注样本库中的三维点云,针对第二模块划分的多个混合尺度,使用多个权值共享的三维卷积网络,将三维点云的细节结构和周围地表背景信息融合,得到三维点云的混合尺度特征向量;
第四模块,用于实现三维点云的语义要素分割,包括训练特征学习网络,通过训练的结果对待建模区域的三维点云的各个点所属类别进行推理预测;
第五模块,用于实现语义几何共生约束的地表点插值,包括根据第四模块预测的点云类别信息,取自然地表和人工地表两类点作为地表点;构建语义几何共生约束的双保真模型实现地表点的插值,以弥补应滤除的非地表点造成的空洞;
第六模块,用于构建城市三维地形模型,包括根据第五模块所得结果使用Delaunay三角网的规则构建三维地表模型。
在一些可能的实施例中,提供一种基于LiDAR点云数据的城市高精度三维地形构建系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于LiDAR点云数据的城市高精度三维地形构建方法。
在一些可能的实施例中,提供一种基于LiDAR点云数据的城市高精度三维地形构建系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于LiDAR点云数据的城市高精度三维地形构建方法。
至此,本专利所使用的一种基于LiDAR点云数据的城市高精度三维地形构建方法具体实施过程介绍完毕。
Claims (9)
1.一种基于LiDAR点云数据的城市高精度三维地形构建方法,其特征在于:基于LiDAR所得三维点云实现城市三维地形构建,实现方式包括以下步骤:
步骤1,建立城市场景下的三维点云语义分割分类体系和标注样本库,所述三维点云语义分割分类体系设置多种语义类别,包括自然地表、人工地表和其他类别;
步骤2,建立城市场景下的三维点云混合尺度体素块,包括将标注样本库的三维点云数据和城市场景下待建模区域的三维点云数据进行混合尺度格网化处理,依据高斯模型确定多个混合尺度,按照不同尺度的格网边长划分体素,并标注每个体素块内的点密度信息;
步骤3,实现三维点云的特征学习,包括对于标注样本库中的三维点云,针对步骤2划分的多个混合尺度,使用多个权值共享的三维卷积网络,将三维点云的细节结构和周围地表背景信息融合,得到三维点云的混合尺度特征向量;
步骤4,实现三维点云的语义要素分割,包括训练特征学习网络,通过训练的结果对待建模区域的三维点云的各个点所属类别进行推理预测;
步骤5,实现语义几何共生约束的地表点插值,包括根据步骤4预测的点云类别信息,取自然地表和人工地表两类点作为地表点;进行几何语义共生约束的插值,弥补应滤除的非地表点造成的空洞;
步骤6,构建城市三维地形模型,包括根据步骤5所得结果使用Delaunay三角网的规则构建三维地表模型。
2.根据权利要求1所述一种基于LiDAR点云数据的城市高精度三维地形构建方法,其特征在于:步骤2的实现过程包括以下子步骤,
步骤2.1,对于所有给定的三维点云中的任意点P,以点P为中心点建立邻域立方体;
步骤2.2,建立点云数据的物方空间坐标系;
步骤2.3,基于高斯模型划分混合尺度体素,设置不同大小的体素边长r1,r2,...,rS,满足ri<ri+1,i=1,2,...,S-1,其中S为混合尺度的个数;体素边长由高斯分布公式决定,计算方式如下,
其中,(x0,y0,z0)为邻域立方体中心点坐标,(xi,yi,zi)为第i个尺度的格网的边界坐标;λ表示缩放因子,e为自然常数;
步骤2.4,体素内点密度标注。
3.根据权利要求2所述一种基于LiDAR点云数据的城市高精度三维地形构建方法,其特征在于:步骤3的实现过程包括以下子步骤,
步骤3.1,将第s尺度上体素化后的点云邻域块记录为VS,s∈1,2,...,S;
步骤3.2,利用步骤2.4得到的体素标注作为初始特征,对于每个尺度s,采用卷积网络Fs实现特征学习;所述卷积网络Fs由多层三维卷积变换和非线性激活函数构成,将三维点云映射到特征空间;综合每层输出得到最终第s尺度上Fs的最终输出特征向量;
步骤3.3,将三维点云的各点在第s尺度上的特征向量进行融合,最终构成混合尺度特征向量
4.根据权利要求3所述一种基于LiDAR点云数据的城市高精度三维地形构建方法,其特征在于:步骤4的实现过程包括以下子步骤,
步骤4.1,以步骤1得到的标注样本库为训练样本,根据步骤3.3得到的混合尺度特征向量训练语义要素分割网络;
步骤4.2,根据步骤4.1的网络训练结果,对待建模区域三维点云的各个点所属类别进行推理预测。
5.根据权利要求1或2或3或4所述一种基于LiDAR点云数据的城市高精度三维地形构建方法,其特征在于:步骤5的实现过程包括以下子步骤,
步骤5.1,顾及语义几何约束的广义距离计算包括考虑语义几何共生约束,同时考虑各个采样点间的欧式几何距离和语义距离,计算广义距离d(x,xc)如下,
d(x,xc)=w1dEuclidean(x,xc)+w2dSemantic(x,xc)
其中,x为待插值点,xc为实际采样点;dEuclidean、dSemantic分别为x与xc之间的欧氏几何距离和语义距离,w1、w2则分别为对应的权重系数;
步骤5.2,三维点云插值核权重计算,包括将步骤5.1得到的d(x,xs)带入权函数,得到插值核的权值;
步骤5.3,根据步骤5.2计算得到的插值权重,对滤除非地表点的空洞区域进行几何语义共生约束的插值。
6.一种基于LiDAR点云数据的城市高精度三维地形构建系统,其特征在于:用于实现如权利要求1-5任一项所述的一种基于LiDAR点云数据的城市高精度三维地形构建方法。
7.根据权利要求6所述基于LiDAR点云数据的城市高精度三维地形构建系统,其特征在于:用于基于LiDAR所得三维点云实现城市三维地形构建,包括以下模块,
第一模块,用于建立城市场景下的三维点云语义分割分类体系和标注样本库,所述三维点云语义分割分类体系设置多种语义类别,包括自然地表、人工地表和其他类别;
第二模块,用于建立城市场景下的三维点云混合尺度体素块,包括将标注样本库的三维点云数据和城市场景下待建模区域的三维点云数据进行混合尺度格网化处理,依据高斯模型确定多个混合尺度,按照不同尺度的格网边长划分体素,并标注每个体素块内的点密度信息;
第三模块,用于实现三维点云的特征学习,包括对于标注样本库中的三维点云,针对第二模块划分的多个混合尺度,使用多个权值共享的三维卷积网络,将三维点云的细节结构和周围地表背景信息融合,得到三维点云的混合尺度特征向量;
第四模块,用于实现三维点云的语义要素分割,包括训练特征学习网络,通过训练的结果对待建模区域的三维点云的各个点所属类别进行推理预测;
第五模块,用于实现语义几何共生约束的地表点插值,包括根据第四模块预测的点云类别信息,取自然地表和人工地表两类点作为地表点;进行几何语义共生约束的插值,弥补应滤除的非地表点造成的空洞;
第六模块,用于构建城市三维地形模型,包括根据第五模块所得结果使用Delaunay三角网的规则构建三维地表模型。
8.根据权利要求6所述基于LiDAR点云数据的城市高精度三维地形构建系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-5任一项所述的一种基于LiDAR点云数据的城市高精度三维地形构建方法。
9.根据权利要求6所述基于LiDAR点云数据的城市高精度三维地形构建系统,其特征在于:包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-5任一项所述的一种基于LiDAR点云数据的城市高精度三维地形构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298095.1A CN112348867B (zh) | 2020-11-18 | 2020-11-18 | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298095.1A CN112348867B (zh) | 2020-11-18 | 2020-11-18 | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348867A CN112348867A (zh) | 2021-02-09 |
CN112348867B true CN112348867B (zh) | 2024-04-12 |
Family
ID=74363048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011298095.1A Active CN112348867B (zh) | 2020-11-18 | 2020-11-18 | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348867B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066161B (zh) * | 2021-03-12 | 2022-04-29 | 武汉大学 | 一种城市电波传播模型的建模方法 |
CN113345092B (zh) * | 2021-05-06 | 2022-07-05 | 武汉大学 | 一种实景三维模型的地面模型与非地面模型自动分离方法 |
CN114387289B (zh) * | 2022-03-24 | 2022-07-29 | 南方电网数字电网研究院有限公司 | 输配电架空线路三维点云语义分割方法和装置 |
CN115272493B (zh) * | 2022-09-20 | 2022-12-27 | 之江实验室 | 一种基于连续时序点云叠加的异常目标检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829399A (zh) * | 2019-01-18 | 2019-05-31 | 武汉大学 | 一种基于深度学习的车载道路场景点云自动分类方法 |
EP3591616A1 (en) * | 2018-07-03 | 2020-01-08 | Promaton Holding B.V. | Automated determination of a canonical pose of a 3d dental structure and superimposition of 3d dental structures using deep learning |
EP3620130A1 (en) * | 2018-09-04 | 2020-03-11 | Promaton Holding B.V. | Automated orthodontic treatment planning using deep learning |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10445928B2 (en) * | 2017-02-11 | 2019-10-15 | Vayavision Ltd. | Method and system for generating multidimensional maps of a scene using a plurality of sensors of various types |
-
2020
- 2020-11-18 CN CN202011298095.1A patent/CN112348867B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3591616A1 (en) * | 2018-07-03 | 2020-01-08 | Promaton Holding B.V. | Automated determination of a canonical pose of a 3d dental structure and superimposition of 3d dental structures using deep learning |
EP3620130A1 (en) * | 2018-09-04 | 2020-03-11 | Promaton Holding B.V. | Automated orthodontic treatment planning using deep learning |
CN109829399A (zh) * | 2019-01-18 | 2019-05-31 | 武汉大学 | 一种基于深度学习的车载道路场景点云自动分类方法 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
Non-Patent Citations (3)
Title |
---|
基于地面激光雷达点云数据的单木三维建模综述;黄洪宇;陈崇成;邹杰;林定;;林业科学;20130415(04);全文 * |
基于地面激光雷达点云数据的森林树高、胸径自动提取与三维重建;骆钰波;黄洪宇;唐丽玉;陈崇成;张浩;;遥感技术与应用;20190420(02);全文 * |
大规模三维城市建模进展;单杰;李志鑫;张文元;;测绘学报;20191215(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112348867A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348867B (zh) | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 | |
CN105957342B (zh) | 基于众包时空大数据的车道级道路测图方法及系统 | |
CN104376595B (zh) | 一种基于机载LiDAR和GIS协同的三维道路生成方法 | |
CN103703490B (zh) | 用于产生三维特征数据的设备以及用于产生三维特征数据的方法 | |
CN111815776A (zh) | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 | |
CN110059608A (zh) | 一种物体检测方法、装置、电子设备和存储介质 | |
CN108805350B (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
CN112418245B (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
CN110021072B (zh) | 面向全息测绘的多平台点云智能处理方法 | |
CN111324848B (zh) | 移动激光雷达测量系统车载轨迹数据优化方法 | |
CN106920278B (zh) | 一种基于Reeb图的立交桥三维建模方法 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN114332348B (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
CN110889794A (zh) | 一种市政道路征地房屋统计方法 | |
CN112396039B (zh) | 一种基于邻域关系的火星栅格地形地图生成方法 | |
Huber et al. | Fusion of LIDAR data and aerial imagery for automatic reconstruction of building surfaces | |
CN112132952B (zh) | 一种基于剖分框架的立体网格地图的构建方法 | |
CN114565616A (zh) | 一种非结构化道路状态参数估计方法及系统 | |
CN114659530A (zh) | 用于智能机器人路径规划的网格模型地图构建方法 | |
CN114283070B (zh) | 融合无人机影像与激光点云的地形断面制作方法 | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
Wang et al. | Quantification of uncertainty and its applications to complex domain for autonomous vehicles perception system | |
Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 |
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 |