CN112396133A - 基于多尺度空间的城市区域空地一体融合点云分类方法 - Google Patents
基于多尺度空间的城市区域空地一体融合点云分类方法 Download PDFInfo
- Publication number
- CN112396133A CN112396133A CN202110073521.XA CN202110073521A CN112396133A CN 112396133 A CN112396133 A CN 112396133A CN 202110073521 A CN202110073521 A CN 202110073521A CN 112396133 A CN112396133 A CN 112396133A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- hyper
- scale
- voxel
- ground integrated
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于多尺度空间的城市区域空地一体融合点云分类方法,所述方法包括:获取空地一体融合点云数据;对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构;采用分类器对所述点簇进行分类训练,得到点云分类结果。本发明实施例通过对点云数据进行分割和动态区域增长的平面提取,以及采用分类器对点簇进行分类,得到精准的分类结果,为后续进行点云统计做准备。
Description
技术领域
本发明涉及地理信息系统技术领域,尤其涉及的是基于多尺度空间的城市区域空地一体融合点云分类方法。
背景技术
随着数据采集技术的发展,三维点云已经成为城市精细建模等诸多城市空间信息应用的基础数据。在复杂的城市环境中,航空平台获取的点云可较好地记录建筑物屋顶信息,但由于遮挡问题在建筑物下立面常存在数据缺失,且点云密度较低;地面车载平台获取的点云包含丰富的道路两侧信息,但受观测角度限制,数据采集高度有限,缺少建筑物顶部信息。为实现覆盖完整的三维城市制图与建模,空地平台点云的融合处理、集成应用已经成为当前国内外研究的热点问题。
无论激光雷达(LiDAR)点云还是摄影测量点云,准确的点云分类是其后续空间信息提取与应用的基础。现有三维场景的分割与分类算法大多针对单一航空平台或地面平台获取的点云数据,输入点云密度较为均匀。然而,空地平台融合三维点云受观测条件的限制,存在点云密度分布不均,空间实体不同部位采样密集差异极大的问题,对传统点云分类方法造成极大困难,严重阻碍空地平台融合点云数据的后续应用。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于多尺度空间的城市区域空地一体融合点云分类方法,旨在解决现有技术中空地平台融合三维点云受观测条件的限制,存在点云密度分布不均,空间实体不同部位采样密集差异极大的问题,对传统点云分类方法造成极大困难,严重阻碍空地平台融合点云数据的后续应用的问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种基于多尺度空间的城市区域空地一体融合点云分类方法,其中,所述方法包括:
获取空地一体融合点云数据;
对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;
对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构;
采用分类器对所述点簇进行分类训练,得到点云分类结果。
在一种实现方式中,其中,所述对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素包括:
将所述空地一体融合点云数据划分为若干密度相近的区域D;
根据预设的点云数据分辨率,构建八叉树并对所述八叉树进行遍历计算,得到第一超体素种子节点和第一超体素种子节点的相邻节点;
根据所述第一超体素种子节点,所述相邻节点和所述区域D,生成多尺度超体素。
在一种实现方式中,其中,所述将所述空地一体融合点云数据划分为若干密度相近的区域D具体为:
搜索所述空地一体融合点云数据中每个点云数据的临近K个点云数据,并计算每个点云数据与临近K个点云数据的平均距离;
根据k均值聚类法和所述平均距离,将所述空地一体融合点云数据划分为若干密度相近的区域D。
在一种实现方式中,其中,所述根据所述第一超体素种子节点,所述相邻节点和所述区域D,生成多尺度超体素包括:
获取所述第一超体素种子节点和所述相邻节点之间的欧氏距离、第一法向量和所述区域D的第一均一区域密度;
当所述欧氏距离小于预设第一阈值,所述第一法向量的夹角小于预设第二阈值,并且所述第一均一区域密度相同时,则以所述第一超体素种子节点为中心合并所述相邻节点,生成多尺度超体素。
在一种实现方式中,其中,所述对所述多尺度超体素进行动态区域增长的平面提取,得到点簇包括:
获取所述多尺度超体素的平面率;
根据所述平面率,得到多尺度超体素的第二超体素种子节点和所述第二超体素种子节点的第二相邻节点和第二均一区域密度;
优化所述第一法向量,得到第二法向量;
将所述第二超体素种子节点和所述第二相邻节点满足动态设置的边界阈值时,以所述第二超体素种子节点为中心合并所述第二相邻节点,生成点簇,其中,所述动态设置的边界阈值包含所述第二法向量,所述平面率和所述第二均一区域密度。
在一种实现方式中,其中,所述获取所述多尺度超体素的平面率包括:
获取所述多尺度超体素的质心;
获取所述多尺度超体素包含的点云三维特征值;
根据所述质心和所述点云三维特征值,得到多尺度超体素的平面率。
在一种实现方式中,其中,所述采用分类器对所述点簇进行分类训练,得到点云分类结果包括:
获取所述点簇的分类特征向量;
将所述分类特征向量输入到随机森林分类器,得到点簇分类数据;
对所述点簇分类数据进行类别标记。
在一种实现方式中,其中,所述点簇的分类特征向量包括:
最大高程、最小高程、最大高度差、二维平面投影面积、周长、协方差特征、点特征直方图、点簇特征值、点簇垂直分布特征、点簇平面拟合度。
第二方面,本发明实施例还提供一种基于多尺度空间的城市区域空地一体融合点云分类装置,其中,所述装置包括:空地一体融合点云数据获取单元,用于获取空地一体融合点云数据;
多尺度超体素获取单元,用于对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;
点簇获取单元,用于对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构;
点云分类结果获取单元,用于采用分类器对所述点簇进行分类训练,得到点云分类结果。
第三方面,本发明实施例还提供一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于多尺度空间的城市区域空地一体融合点云分类方法。
第四方面,本发明实施例还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上述中任意一项所述的基于多尺度空间的城市区域空地一体融合点云分类方法。
本发明的有益效果:本发明实施例首先获取空地一体融合点云数据;然后对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;接着对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构,最后采用分类器对所述点簇进行分类训练,得到点云分类结果;可见,本发明实施例中通过对点云数据进行分割和动态区域增长的平面提取,以及采用分类器对点簇进行分类,得到精准的分类结果,为后续进行点云统计做准备。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于多尺度空间的城市区域空地一体融合点云分类方法流程示意图。
图2为本发明实施例提供的超体素分割流程图。
图3为本发明实施例提供的平面区域增长流程图。
图4为本发明实施例提供的基于多尺度空间的城市区域空地一体融合点云分类装置的原理框图。
图5为本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了基于多尺度空间的城市区域空地一体融合点云分类方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
由于现有技术中,三维场景的分割与分类算法大多针对单一航空平台或地面平台获取的点云数据,输入点云密度较为均匀。然而,空地平台融合三维点云受观测条件的限制,存在点云密度分布不均,空间实体不同部位采样密集差异极大的问题,对传统点云分类方法造成极大困难,严重阻碍空地平台融合点云数据的后续应用。
为了解决现有技术的问题,本实施例提供了基于多尺度空间的城市区域空地一体融合点云分类方法,通过上述方法,可以得到精准的分类结果,为后续进行点云统计做准备。具体实施时,先获取空地一体融合点云数据;对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;然后对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构;接着采用分类器对所述点簇进行分类训练,得到点云分类结果。本发明实施例通过对点云数据进行分割和动态区域增长的平面提取,以及采用分类器对点簇进行分类,得到精准的分类结果,为后续进行点云统计做准备。
举例说明
实际中,采用多尺度的空间表达方法,将点云空间划分为密度相近的自适应分辨率超体素,保持空间实体的局部几何结构特征,并记录它们的邻接关系。然后针对城市场景中大量存在平面结构这一先验信息,采用动态区域增长方法,将相邻的超体素合并为平面结构。最后,将生成的平面结构和超体素统一表达为点簇,计算点簇局部和全局特征,并使用随机森林分类器进行监督分类。提高分类效率的同时,提升分类结果中同质区域和平面区域的分类效果。在本实施例中,首先获取空地一体融合点云数据;然后对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;接着对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构,最后采用分类器对所述点簇进行分类训练,得到点云分类结果;可见,本发明实施例中通过对点云数据进行分割和动态区域增长的平面提取,以及采用分类器对点簇进行分类,得到精准的分类结果,为后续进行点云统计做准备。
示例性方法
本实施例提供一种基于多尺度空间的城市区域空地一体融合点云分类方法,该方法可以应用于(地理信息系统技术领域)智能终端。具体如图1所示,所述方法包括:
步骤S100、获取空地一体融合点云数据;
实际中,可以从不同平台采集的点云数据来获取空地一体融合点云数据;
本实施例提供一种基于多尺度空间的城市区域空地一体融合点云分类方法,该方法可以应用于(地理信息系统技术领域)智能终端。具体如图1所示,所述方法包括:
步骤S200、对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;
在本实施例中,通过逐点领域分析将原始点云,也即空地一体融合点云数据划分为密度均一的子区域,然后进行多尺度区域增长自适应的多分辨率超体素,也即多尺度超体素。
为了得到多尺度超体素,所述对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素包括如下步骤:
步骤S201、将所述空地一体融合点云数据划分为若干密度相近的区域D;
步骤S202、根据预设的点云数据分辨率,构建八叉树并对所述八叉树进行遍历计算,得到第一超体素种子节点和第一超体素种子节点的相邻节点;
步骤S203、根据所述第一超体素种子节点,所述相邻节点和所述区域D,生成多尺度超体素。
此外,将所述空地一体融合点云数据划分为若干密度相近的区域D具体为如下步骤:搜索所述空地一体融合点云数据中每个点云数据的临近K个点云数据,其中,K个点云数据是与该点云数据的距离最近的,并计算每个点云数据与临近K个点云数据的平均距离;根据k均值聚类法和所述平均距离,将所述空地一体融合点云数据划分为若干密度相近的区域D。
具体地,对每一个点搜索它的最临近k点,并计算该点与这个k个点的平均距离d,该指标可反映点云的局部密度。
以每个点的d值为特征,使用k均值聚类法将原始空地一体化点云划分为若干密度相近的区域D。
以期望使用的最小分辨率r,构建八叉树并记录每个节点包含的点数目n。
遍历所有叶子节点以判断n是否小于给定预先设置的八叉树叶子节点最小点数阈值nmin。如果是,这个八叉树叶子节点及其姊妹节点将被删除。
重复以上步骤,直至所有叶子节点包含的点数目n均不小于nmin。超体素最终的种子点,也即第一超体素种子节点就是每个叶子节点中所有点的中心,其对应的分辨率由叶子节点的深度决定。
最后,通过八叉树节点之间(超体素种子节点)的邻接关系进行扩张生成超体素即可,并通过节点的邻接关系得到超体素之间的邻接关系。在扩张过程中,本实施例采用7维特征向量(x,y,z,nx,ny,nz,D)作为相似性测度,其中(x,y,z)代表空间位置,(nx,ny,nz)代表法向量,D为上一步中计算的密度均一区域标签。在本实施例中,所述根据所述第一超体素种子节点,所述相邻节点和所述区域D,生成多尺度超体素包括如下步骤:获取所述第一超体素种子节点和所述相邻节点之间的欧氏距离、第一法向量和所述区域D的第一均一区域密度;当所述欧氏距离小于预设第一阈值,其中,预设第一阈值是表示距离的常数;所述第一法向量的夹角小于预设第二阈值,其中,预设第二阈值是表示角度的常数;并且所述第一均一区域密度相同时,则以所述第一超体素种子节点为中心合并所述相邻节点,生成多尺度超体素。对于一个扩张中的第一超体素种子节点和一个待检验的相邻节点,也即叶子节点,若其包含的第一超体素种子节点和所述相邻节点之间的最小欧式距离小于预设第一阈值,法向量夹角小于预设第二阈值,且密度标签一致,则认为他们相似度较高,可进行合并操作,具体合并操作如图2所示,得到多尺度超体素。
本实施例提供一种基于多尺度空间的城市区域空地一体融合点云分类方法,该方法可以应用于(地理信息系统技术领域)智能终端。具体如图1所示,所述方法包括:
步骤S300、对所述多尺度超体素进行动态区域增长的平面提取,得到点簇。
具体地,在获取多尺度超体素之后,本发明采用动态区域增长算法,将属于同一平面且相邻的第一超体素种子节点和所述相邻节点合并为一个平面对象。
为了得到点簇,所述对所述多尺度超体素进行动态区域增长的平面提取,得到点簇包括如下步骤:
步骤S301、获取所述多尺度超体素的平面率;
步骤S302、根据所述平面率,得到多尺度超体素的第二超体素种子节点和所述第二超体素种子节点的第二相邻节点和第二均一区域密度;
步骤S303、优化所述第一法向量,得到第二法向量;
步骤S304、将所述第二超体素种子节点和所述第二相邻节点满足动态设置的边界阈值时,以所述第二超体素种子节点为中心合并所述第二相邻节点,生成点簇,其中,所述动态设置的边界阈值包含所述第二法向量,所述平面率和所述第二均一区域密度。其中,所述获取所述多尺度超体素的平面率包括:获取所述多尺度超体素的质心;获取所述多尺度超体素包含的点云三维特征值;根据所述质心和所述点云三维特征值,得到多尺度超体素的平面率。
具体地,计算每个超体素的质心及其包含点云的三维特征值,计算其包含的所有点云的三维分布特征值λ1,λ2,λ3(λ1>λ2>λ3),通过公式(1)估算超体素的平面性,其中ap值越大,平面性越高。作为平面区域增长的种子点,要求ap大于0.8;
然后,计算超体素的法向量,并通过超体素之间的邻接关系进行法向量优化。本发明优化所述第一法向量,得到第二法向量;通过如下方程进行法向量优化:
式中,p,q代表相互邻接的两个多尺度超体素(以邻域N表示);和分别代表
p,q两点的优化后第二法向量;是的初始值。为权系数, 为法向角度偏
差容忍阈值。上式中第一项惩罚邻域内的点具有相差较大的法向量,第二项惩罚法向量与
其初始值偏离太远,比例因子λ控制这两项之间的权重关系。通过求解公式(3),可得到邻域
内一致性较高的优化法向量,也即第二法向量。
选取平面性高的超体素作为第二超体素种子节点,以第二超体素种子节点和所述第二超体素种子节点的第二相邻节点的邻接关系为线索进行扩张。在扩张过程中,需判断:1)第二相邻节点与第二超体素种子节点法向量的一致性;2)将第二相邻节点纳入该第二超体素种子节点后,超体素簇的平面性是否足够高,也即满足平面率要求。为此,本发明实施例对点云密度较低区域采用较为宽松的法向量一致性阈值和平面性阈值,也即第二法向量一致性要满足预设第一阈值,第二法向量的平面率也要满足预设第二阈值,要求平面率ap大于0.8。在一种实现方式中,增强建筑物基元提取的完整性;在另一种实现方式中,在密度较高区域的第二超体素种子节点采用更为严格的阈值,提高点云中细部平面结构提取的准确性,具体平面区域增长流程图如图3所示。
本实施例提供一种基于多尺度空间的城市区域空地一体融合点云分类方法,该方法可以应用于(地理信息系统技术领域)智能终端。具体如图1所示,所述方法包括:
步骤S400、采用分类器对所述点簇进行分类训练,得到点云分类结果。
具体地,以多尺度超体素或多尺度超体素构成的平面结构为基本单元(点簇),使用机器学习方法进行监督分类,得到点云分类结果。
为了得到点云分类结果,所述采用分类器对所述点簇进行分类训练,得到点云分类结果包括如下步骤:
步骤S401、获取所述点簇的分类特征向量;
步骤S402、将所述分类特征向量输入到随机森林分类器,得到点簇分类数据;
步骤S403、对所述点簇分类数据进行类别标记。
具体地,将合并为同一平面结构的多尺度超体素构成点簇,并将未合并的多尺度超体素单独构成若干点簇,用于后续点云分类;未合并为平面结构的多尺度超体素,单独作为一个点簇参与分类。
计算点簇的分类特征向量,可用的特征包括但不限于:最大高程、最小高程、最大高度差、二维平面投影面积、周长、协方差特征、点特征直方图、点簇特征值、点簇垂直分布特征、点簇平面拟合度等等。使用标记好的训练数据集对随机森林分类器进行训练,得到分类器的配置文件之后,使用分类器对数据进行类别标记。
由于使用了平面结合和多尺度超体素共同构成点云分类的最小单元,应用于空地一体的城市地区点云数据时,可有效保持建筑物表面、地面等人造结构的完整性,同时兼顾树木等非规则的抽象表达需求。在减少分类单元数量,提高分类效率的同时,实现更高的分类精度。
示例性设备
如图4中所示,本发明实施例提供一种基于多尺度空间的城市区域空地一体融合点云分类装置,该装置包括:空地一体融合点云数据获取单元501,多尺度超体素获取单元502,点簇获取单元503,点云分类结果获取单元504,其中:
空地一体融合点云数据获取单元501,用于获取空地一体融合点云数据;
多尺度超体素获取单元502,用于对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;
点簇获取单元503,用于对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构;
点云分类结果获取单元504,用于采用分类器对所述点簇进行分类训练,得到点云分类结果。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图5所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多尺度空间的城市区域空地一体融合点云分类方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏,该智能终端的温度传感器是预先在智能终端内部设置,用于检测内部设备的运行温度。
本领域技术人员可以理解,图5中的原理图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:获取空地一体融合点云数据;
对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;
对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构;
采用分类器对所述点簇进行分类训练,得到点云分类结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种基于多尺度空间的城市区域空地一体融合点云分类方法,所述方法包括:获取空地一体融合点云数据;对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构;采用分类器对所述点簇进行分类训练,得到点云分类结果。本发明实施例通过对点云数据进行分割和动态区域增长的平面提取,以及采用分类器对点簇进行分类,得到精准的分类结果,为后续进行点云统计做准备。
应当理解的是,本发明公开了一种基于多尺度空间的城市区域空地一体融合点云分类方法,应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于多尺度空间的城市区域空地一体融合点云分类方法,其特征在于,所述方法包括:
获取空地一体融合点云数据;
对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素;
对所述多尺度超体素进行动态区域增长的平面提取,得到点簇;其中,所述点簇为超体素或超体素构成的平面结构;
采用分类器对所述点簇进行分类训练,得到点云分类结果。
2.根据权利要求1所述的基于多尺度空间的城市区域空地一体融合点云分类方法,其特征在于,所述对所述空地一体融合点云数据进行多尺度超体素分割,得到多尺度超体素包括:
将所述空地一体融合点云数据划分为若干密度相近的区域D;
根据预设的点云数据分辨率,构建八叉树并对所述八叉树进行遍历计算,得到第一超体素种子节点和第一超体素种子节点的相邻节点;
根据所述第一超体素种子节点,所述相邻节点和所述区域D,生成多尺度超体素。
3.根据权利要求2所述的基于多尺度空间的城市区域空地一体融合点云分类方法,其特征在于,所述将所述空地一体融合点云数据划分为若干密度相近的区域D具体为:
搜索所述空地一体融合点云数据中每个点云数据的临近K个点云数据,并计算每个点云数据与临近K个点云数据的平均距离;
根据k均值聚类法和所述平均距离,将所述空地一体融合点云数据划分为若干密度相近的区域D。
4.根据权利要求2所述的基于多尺度空间的城市区域空地一体融合点云分类方法,其特征在于,所述根据所述第一超体素种子节点,所述相邻节点和所述区域D,生成多尺度超体素包括:
获取所述第一超体素种子节点和所述相邻节点之间的欧氏距离、第一法向量和所述区域D的第一均一区域密度;
当所述欧氏距离小于预设第一阈值,所述第一法向量的夹角小于预设第二阈值,并且所述第一均一区域密度相同时,则以所述第一超体素种子节点为中心合并所述相邻节点,生成多尺度超体素。
5.根据权利要求4所述的基于多尺度空间的城市区域空地一体融合点云分类方法,其特征在于,所述对所述多尺度超体素进行动态区域增长的平面提取,得到点簇包括:
获取所述多尺度超体素的平面率;
根据所述平面率,得到多尺度超体素的第二超体素种子节点和所述第二超体素种子节点的第二相邻节点和第二均一区域密度;
优化所述第一法向量,得到第二法向量;
将所述第二超体素种子节点和所述第二相邻节点满足动态设置的边界阈值时,以所述第二超体素种子节点为中心合并所述第二相邻节点,生成点簇,其中,所述动态设置的边界阈值包含所述第二法向量,所述平面率和所述第二均一区域密度。
6.根据权利要求5所述的基于多尺度空间的城市区域空地一体融合点云分类方法,其特征在于,所述获取所述多尺度超体素的平面率包括:
获取所述多尺度超体素的质心;
获取所述多尺度超体素包含的点云三维特征值;
根据所述质心和所述点云三维特征值,得到多尺度超体素的平面率。
7.根据权利要求1所述的基于多尺度空间的城市区域空地一体融合点云分类方法,其特征在于,所述采用分类器对所述点簇进行分类训练,得到点云分类结果包括:
获取所述点簇的分类特征向量;
将所述分类特征向量输入到随机森林分类器,得到点簇分类数据;
对所述点簇分类数据进行类别标记。
8.根据权利要求7所述的基于多尺度空间的城市区域空地一体融合点云分类方法,其特征在于,所述点簇的分类特征向量包括:
最大高程、最小高程、最大高度差、二维平面投影面积、周长、协方差特征、点特征直方图、点簇特征值、点簇垂直分布特征、点簇平面拟合度。
9.一种智能终端,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-8中任意一项所述的方法。
10.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1-8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110073521.XA CN112396133B (zh) | 2021-01-20 | 2021-01-20 | 基于多尺度空间的城市区域空地一体融合点云分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110073521.XA CN112396133B (zh) | 2021-01-20 | 2021-01-20 | 基于多尺度空间的城市区域空地一体融合点云分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396133A true CN112396133A (zh) | 2021-02-23 |
CN112396133B CN112396133B (zh) | 2021-05-25 |
Family
ID=74625410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110073521.XA Active CN112396133B (zh) | 2021-01-20 | 2021-01-20 | 基于多尺度空间的城市区域空地一体融合点云分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396133B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446343A (zh) * | 2020-12-07 | 2021-03-05 | 苏州工业园区测绘地理信息有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
CN114821541A (zh) * | 2022-06-23 | 2022-07-29 | 深圳大学 | 一种基于网格模型的道路面损伤检测方法及相关设备 |
CN115205690A (zh) * | 2022-09-14 | 2022-10-18 | 深圳大学 | 基于mls点云数据的行道树单体化提取方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140098094A1 (en) * | 2012-10-05 | 2014-04-10 | Ulrich Neumann | Three-dimensional point processing and model generation |
US20150003723A1 (en) * | 2013-06-27 | 2015-01-01 | Chevron U.S.A. Inc. | System and method of detecting objects in scene point cloud |
CN109215112A (zh) * | 2018-08-13 | 2019-01-15 | 西安理工大学 | 一种单侧点云模型的标注方法 |
CN110110802A (zh) * | 2019-05-14 | 2019-08-09 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
CN111932688A (zh) * | 2020-09-10 | 2020-11-13 | 深圳大学 | 一种基于三维点云的室内平面要素提取方法、系统及设备 |
-
2021
- 2021-01-20 CN CN202110073521.XA patent/CN112396133B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140098094A1 (en) * | 2012-10-05 | 2014-04-10 | Ulrich Neumann | Three-dimensional point processing and model generation |
US20150003723A1 (en) * | 2013-06-27 | 2015-01-01 | Chevron U.S.A. Inc. | System and method of detecting objects in scene point cloud |
CN109215112A (zh) * | 2018-08-13 | 2019-01-15 | 西安理工大学 | 一种单侧点云模型的标注方法 |
CN110110802A (zh) * | 2019-05-14 | 2019-08-09 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
CN111932688A (zh) * | 2020-09-10 | 2020-11-13 | 深圳大学 | 一种基于三维点云的室内平面要素提取方法、系统及设备 |
Non-Patent Citations (1)
Title |
---|
李云莉: "面向城市车载激光点云数据的建筑物分类及结构线提取研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446343A (zh) * | 2020-12-07 | 2021-03-05 | 苏州工业园区测绘地理信息有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
CN112446343B (zh) * | 2020-12-07 | 2024-03-15 | 园测信息科技股份有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
CN114821541A (zh) * | 2022-06-23 | 2022-07-29 | 深圳大学 | 一种基于网格模型的道路面损伤检测方法及相关设备 |
CN114821541B (zh) * | 2022-06-23 | 2022-10-04 | 深圳大学 | 一种基于网格模型的道路面损伤检测方法及相关设备 |
CN115205690A (zh) * | 2022-09-14 | 2022-10-18 | 深圳大学 | 基于mls点云数据的行道树单体化提取方法及装置 |
CN115205690B (zh) * | 2022-09-14 | 2022-12-06 | 深圳大学 | 基于mls点云数据的行道树单体化提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112396133B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396133B (zh) | 基于多尺度空间的城市区域空地一体融合点云分类方法 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
Ge et al. | Enhanced subpixel mapping with spatial distribution patterns of geographical objects | |
CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
CN113538264B (zh) | 一种点云数据的去噪方法、装置及存储介质 | |
CN108764157B (zh) | 基于法向量高斯分布的建筑物激光脚点提取方法及系统 | |
CN113012063B (zh) | 一种动态点云修复方法、装置及计算机设备 | |
CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
CN111340723A (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 | |
CN114387506A (zh) | 输电杆塔监测方法、装置、计算机设备、存储介质 | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
CN116091771A (zh) | 一种复杂机匣腔体点云分割方法、装置及设备 | |
CN114463338A (zh) | 一种基于图割与后处理的建筑物激光脚点自动提取方法 | |
CN112489207B (zh) | 一种空间约束的密集匹配点云平面基元提取方法 | |
CN116266359A (zh) | 目标物的跟踪方法、装置、计算机设备和存储介质 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
CN113409332A (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN116363319B (zh) | 一种建筑物屋顶的建模方法、建模装置、设备及介质 | |
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 | |
CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
CN116310849A (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
CN116842818A (zh) | 基于鹈鹕优化算法的结构面产状分组方法 | |
CN115661398A (zh) | 一种用于实景三维模型的建筑物提取方法、装置及设备 | |
CN112767424A (zh) | 一种基于室内三维点云空间自动剖分方法 | |
Ye et al. | Gaussian Mixture Model of Ground Filtering Based on Hierarchical Curvature Constraints for Airborne Lidar 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 |