CN112630793A - 一种确定平面异常点的方法和相关装置 - Google Patents
一种确定平面异常点的方法和相关装置 Download PDFInfo
- Publication number
- CN112630793A CN112630793A CN202011375546.7A CN202011375546A CN112630793A CN 112630793 A CN112630793 A CN 112630793A CN 202011375546 A CN202011375546 A CN 202011375546A CN 112630793 A CN112630793 A CN 112630793A
- Authority
- CN
- China
- Prior art keywords
- plane
- point
- cloud data
- equation
- point cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 60
- 235000012149 noodles Nutrition 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开了一种确定平面异常点的方法和相关装置，该方法包括：利用激光雷达扫描房屋，获得房屋的点云数据；基于点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；基于点云数据中每个点与每个主平面方程的距离，将点云数据划分至多个主平面方程获得对应的多个目标主平面点集；针对每个目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；将每个目标主平面点集中除多个次平面点集之外的点确定为平面异常点。该方法以精准的平面分割确定平面异常点，使得确定的平面异常点更加精准。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种确定平面异常点的方法和相关装置。
背景技术
在房屋工程质量检验阶段，其中比较重要的一项检测是对房屋墙面平整度进行实测实量。随着边缘端算力的发展和点云扫描技术的进步，使用点云数据对房屋墙面平整度进行实测实量，可以代替人工使用靠尺对房屋墙面平整度进行实地测量。
但是，发明人经过研究发现，使用点云数据对房屋墙面平整度进行实测实量的方法仅仅用于判断房屋墙面的平整度是否合格，并无法基于此精准地确定平面异常点；即，无法判断房屋墙面的异常点，从而影响房屋工程质量检验阶段的检验结果。
发明内容
有鉴于此，本申请实施例提供一种确定平面异常点的方法和相关装置，以精准的平面分割确定平面异常点，使得确定的平面异常点更加精准。
第一方面，本申请实施例提供了一种确定平面异常点的方法，所述方法包括：
获取激光雷达扫描房屋得到的点云数据；
基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；
基于所述点云数据中每个点与每个所述主平面方程的距离，将所述点云数据划分至多个所述主平面方程获得对应的多个目标主平面点集；
针对每个所述目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；
将每个所述目标主平面点集中除对应的多个所述次平面点集之外的点确定为平面异常点。
可选的，所述基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程，包括：
在所述点云数据中随机抽取一个第一随机点，并获得所述第一随机点的第一近邻点集；
基于所述点云数据、所述第一近邻点集和所述第一随机抽样一致性算法获得第一平面方程；
若所述第一平面方程符合所述第一平面成面条件，将所述第一平面方程确定为所述主平面方程；
在所述点云数据中去除所述主平面方程所对应的主平面点集，以更新所述点云数据；
循环执行上述步骤直至更新后的点云数据中点数量小于第一预设点数量或者循环次数达到第一预设循环次数。
可选的，所述基于所述点云数据、所述第一近邻点集和所述预定义随机抽样一致性算法获得第一平面方程，包括：
在所述第一近邻点集中随机抽取三个第一近邻点，并获得三个所述第一近邻点形成的第一候选平面方程；
统计所述点云数据中每个点与所述第一候选平面方程的距离小于第一预设距离所对应的点数量作为第一附属点数量；
循环执行上述步骤直至确定最多第一附属点数量所对应的第一候选平面方程为所述第一平面方程。
可选的，所述基于所述点云数据中每个点与每个所述主平面方程的距离，将所述点云数据划分至多个所述主平面方程获得对应的多个目标主平面点集，具体为：
基于所述点云数据中每个点与每个所述主平面方程的距离，针对每个点，将所述点划分至最小距离所对应的主平面方程，以及小于等于第二预设距离的距离所对应的主平面方程，获得对应的多个所述目标主平面点集。
可选的，所述针对每个所述目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程和对应的多个次平面点集，包括：
针对每个所述目标主平面点集，在所述目标主平面点集中随机抽取一个第二随机点，并获得所述第二随机点的第二近邻点集；
基于所述目标主平面点集、所述第二近邻点集和所述第二随机抽样一致性算法获得第二平面方程；
若所述第二平面方程符合所述第二面成面条件，将所述第二平面方程确定为所述次平面方程；
在所述目标主平面点集中去除所述次平面方程对应的次平面点集，以更新所述目标主平面点集；
循环执行上述步骤直至更新后的目标主平面点集中点数量小于第二预设点数量或者循环次数达到第二预设循环次数。
可选的，所述基于所述目标主平面点集、所述第二近邻点集和所述第二随机抽样一致性算法获得第二平面方程，包括：
在所述第二近邻点集中随机抽取三个第二近邻点，并获得三个所述第二近邻点形成的第二候选平面方程；
统计所述目标主平面点集中每个点与所述第二候选平面方程的距离小于第三预设距离所对应的点数量作为第二附属点数量；
循环执行上述步骤直至确定最多第二附属点数量所对应的第二候选平面方程为所述第二平面方程。
可选的，还包括：
针对每个所述次平面点集，基于所述次平面点集中每个点与所对应的次平面方程的距离，将大于等于预设异常点距离的距离所对应的点确定为所述平面异常点。
可选的，所述第一平面成面条件包括第一点数量条件、第一点密度条件和第一粗糙度条件；所述第二平面成面条件包括第二点数量条件、第二点密度条件和第二粗糙度条件。
可选的，还包括：
对所述点云数据进行将采样处理获得目标点云数据；
对应地，所述基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程，具体为：
基于所述目标点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程。
第二方面，本申请实施例提供了一种确定平面异常点的装置，所述装置包括：
第一获得单元，用于利用激光雷达扫描房屋，获得所述房屋的点云数据；
第一确定单元，用于基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；
第二获得单元，用于基于所述点云数据中每个点与每个所述主平面方程的距离，将所述点云数据划分至多个所述主平面方程获得对应的多个目标主平面点集；
第二确定单元，用于针对每个所述目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；
第三确定单元，用于将每个所述目标主平面点集中除对应的多个所述次平面点集之外的点确定为平面异常点。
可选的，所述第一确定单元包括：
第一获得子单元，用于在所述点云数据中随机抽取一个第一随机点，并获得所述第一随机点的第一近邻点集；
第二获得子单元，用于基于所述点云数据、所述第一近邻点集和所述第一随机抽样一致性算法获得第一平面方程；
第一确定子单元，用于若所述第一平面方程符合所述第一平面成面条件，将所述第一平面方程确定为所述主平面方程；
第一更新子单元，用于在所述点云数据中去除所述主平面方程所对应的主平面点集，以更新所述点云数据；
第一循环子单元，用于循环执行上述步骤直至更新后的点云数据中点数量小于第一预设点数量或者循环次数达到第一预设循环次数。
可选的，所述第二获得子单元包括：
第一获得模块，用于在所述第一近邻点集中随机抽取三个第一近邻点，并获得三个所述第一近邻点形成的第一候选平面方程；
第一统计模块，用于统计所述点云数据中每个点与所述第一候选平面方程的距离小于第一预设距离所对应的点数量作为第一附属点数量；
第一循环模块，用于循环执行上述步骤直至确定最多第一附属点数量所对应的第一候选平面方程为所述第一平面方程。
可选的，所述第二获得单元具体用于：
基于所述点云数据中每个点与每个所述主平面方程的距离，针对每个点，将所述点划分至最小距离所对应的主平面方程，以及小于等于第二预设距离的距离所对应的主平面方程，获得对应的多个所述目标主平面点集。
可选的，所述第二确定单元包括：
第三获得子单元，用于针对每个所述目标主平面点集，在所述目标主平面点集中随机抽取一个第二随机点，并获得所述第二随机点的第二近邻点集；
第四获得子单元，用于基于所述目标主平面点集、所述第二近邻点集和所述第二随机抽样一致性算法获得第二平面方程；
第二确定子单元，用于若所述第二平面方程符合所述第二面成面条件，将所述第二平面方程确定为所述次平面方程；
第二更新子单元，用于在所述目标主平面点集中去除所述次平面方程对应的次平面点集，以更新所述目标主平面点集；
第二循环子单元，用于循环执行上述步骤直至更新后的目标主平面点集中点数量小于第二预设点数量或者循环次数达到第二预设循环次数。
可选的，所述第四获得子单元包括：
第二获得模块，用于在所述第二近邻点集中随机抽取三个第二近邻点，并获得三个所述第二近邻点形成的第二候选平面方程；
第二统计模块，用于统计所述目标主平面点集中每个点与所述第二候选平面方程的距离小于第三预设距离所对应的点数量作为第二附属点数量；
第二循环模块，用于循环执行上述步骤直至确定最多第二附属点数量所对应的第二候选平面方程为所述第二平面方程。
可选的，所述装置还包括：
第四确定单元，用于针对每个所述次平面点集，基于所述次平面点集中每个点与所对应的次平面方程的距离，将大于等于预设异常点距离的距离所对应的点确定为所述平面异常点。
可选的，所述第一平面成面条件包括第一点数量条件、第一点密度条件和第一粗糙度条件；所述第二平面成面条件包括第二点数量条件、第二点密度条件和第二粗糙度条件。
可选的，所述装置还包括：
第三获得单元，用于对所述点云数据进行将采样处理获得目标点云数据；
对应地，所述第一确定单元具体用于：
基于所述目标点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程。
第三方面，本申请实施例提供了一种终端设备，所述终端设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述第一方面任一项所述的确定平面异常点的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面任一项所述的确定平面异常点的方法。
与现有技术相比，本申请至少具有以下优点：
采用本申请实施例的技术方案，利用激光雷达扫描房屋，获得房屋的点云数据；基于点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；基于点云数据中每个点与每个主平面方程的距离，将点云数据划分至多个主平面方程获得对应的多个目标主平面点集；针对每个目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；将每个目标主平面点集中除多个次平面点集之外的点确定为平面异常点。先通过第一随机抽样一致性算法和第一平面成面条件计算主平面方程，并通过点与主平面方程之间的距离确定点与主平面方程的从属关系，再通过第二随机抽样一致性算法和第二平面成面条件计算主平面方程下的次平面方程，以精准的平面分割确定平面异常点，使得确定的平面异常点更加精准。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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申请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它的附图。
图1为本申请实施例中一种应用场景所涉及的系统框架示意图；
图2为本申请实施例提供的一种确定平面异常点的方法的流程示意图；
图3为本申请实施例提供的一种确定平面异常点的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
现阶段，虽然使用点云数据对房屋墙面平整度进行实测实量，以代替人工使用靠尺对房屋墙面平整度进行实地测量；但是，使用点云数据对房屋墙面平整度进行实测实量的方法仅仅用于判断房屋墙面的平整度是否合格，并无法基于此精确地确定平面异常点；即，无法判断房屋墙面的异常点，从而影响房屋工程质量检验阶段的检验结果。
为了解决这一问题，在本申请实施例中，利用激光雷达扫描房屋，获得房屋的点云数据；基于点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；基于点云数据中每个点与每个主平面方程的距离，将点云数据划分至多个主平面方程获得对应的多个目标主平面点集；针对每个目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；将每个目标主平面点集中除多个次平面点集之外的点确定为平面异常点。先通过第一随机抽样一致性算法和第一平面成面条件计算主平面方程，并通过点与主平面方程之间的距离确定点与主平面方程的从属关系，再通过第二随机抽样一致性算法和第二平面成面条件计算主平面方程下的次平面方程，以精准的平面分割确定平面异常点，使得确定的平面异常点更加精准。
举例来说，本申请实施例的场景之一，可以是应用到如图1所示的场景中，该场景包括激光雷达101和处理器102，激光雷达101扫描房屋得到点云数据，处理器102采用本申请实施例所提供的实施方式实现房屋墙面异常点的确定。
首先，在上述应用场景中，虽然将本申请实施例提供的实施方式的动作描述由处理器102执行；但是，本申请实施例在执行主体方面不受限制，只要执行了本申请实施例提供的实施方式所公开的动作即可。
其次，上述场景仅是本申请实施例提供的一个场景示例，本申请实施例并不限于此场景。
下面结合附图，通过实施例来详细说明本申请实施例中确定平面异常点的方法和相关装置的具体实现方式。
示例性方法
参见图2，示出了本申请实施例中一种确定平面异常点的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：
步骤201：获取激光雷达扫描房屋得到的点云数据。
在本申请实施例中，为了得到精准的实际房屋三维信息，需要利用激光雷达扫描房屋得到表示实际房屋三维信息的点云数据，以便处理器获取到该激光雷达扫描房屋得到的点云数据。
步骤202：基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程。
在本申请实施例中，步骤201获得点云数据之后，需要通过该点云数据得到多个大平面作为多个主平面。因此，可以基于得到主平面的主平面方程计算需求，预先设定第一随机抽样一致性算法和第一平面成面条件；利用该第一随机抽样一致性算法处理该点云数据，并结合该第一平面成面条件，以确定该点云数据所对应的多个主平面方程。
在步骤202具体实施时，首先，需要从点云数据中随机抽取一个点作为第一随机点，并近邻查询该第一随机点周围的多个点形成第一近邻点集；其次，利用第一随机抽样一致性算法处理该点云数据和该第一近邻点集，以得到该第一随机点周围最佳的平面方程作为第一平面方程；然后，利用第一平面成面条件检验该第一平面方程是否可以表示大平面，若是，将该第一平面方程作为主平面方程；最后，将主平面方程所对应的主平面点集从点云数据中去除，以实现点云数据的更新。在此基础上，循环执行上述步骤直至满足预设的第一循环终止条件，即，更新后的点云数据中点数量小于第一预设点数量或者循环次数达到第一预设循环次数，从而得到多个主平面方程。因此，在本申请实施例一种可选的实施方式中，所述步骤202例如可以包括以下步骤：
步骤A：在所述点云数据中随机抽取一个第一随机点，并获得所述第一随机点的第一近邻点集。
步骤B：基于所述点云数据、所述第一近邻点集和所述第一随机抽样一致性算法获得第一平面方程。
其中，第一随机抽样一致性算法的目标是：基于点云数据和第一随机点的第一近邻点集，找到使得点面距离小于第一预设距离的点数量最多的候选面；因此，在步骤B具体实施时，首先，从第一近邻点集中随机抽取三个点作为三个第一近邻点，计算三个第一近邻点所形成的第一候选平面方程；然后，计算点云数据中每个点到该第一候选平面方程的距离，以便统计小于第一预设距离所对应的点数量，记为第一附属点数量。在此基础上，循环执行上述步骤直至找到最多第一附属点数量，将其所对应的第一候选平面方程作为第一平面方程。即，在本申请实施例一种可选的实施方式中，所述步骤B例如可以包括以下步骤：
步骤B1：在所述第一近邻点集中随机抽取三个第一近邻点，并获得三个所述第一近邻点形成的第一候选平面方程。
步骤B2：统计所述点云数据中每个点与所述第一候选平面方程的距离小于第一预设距离所对应的点数量作为第一附属点数量。
步骤B3：循环执行上述步骤B1-步骤B2直至确定最多第一附属点数量所对应的第一候选平面方程为所述第一平面方程。
步骤C：若所述第一平面方程符合所述第一平面成面条件，将所述第一平面方程确定为所述主平面方程。
需要说明的是，第一平面成面条件表示大平面的成面条件，需要限定形成大平面的点所对应的点数量、点密度和粗糙度；因此，在本申请实施例一种可选的实施方式中，所述第一平面成面条件包括第一点数量条件、第一点密度条件和第一粗糙度条件。作为一种示例，第一平面成面条件是指点数量大于等于点数量n1、点密度大于等于点密度d1，粗糙度小于等于粗糙度r2。
步骤D：在所述点云数据中去除所述主平面方程所对应的主平面点集，以更新所述点云数据。
步骤E：循环执行上述步骤A-步骤D直至更新后的点云数据中点数量小于第一预设点数量或者循环次数达到第一预设循环次数。
在本申请实施例中，步骤201获取的点云数据的数据量巨大，为了提高执行步骤202确定多个主平面方程的速度，以节省时间，还可以对步骤201获取的点云数据进行将采样处理，以得到将采样后的点云数据作为目标点云数据，该目标点云数据相较于点云数据的数据量较小；在执行步骤202时，利用目标点云数据代替点云数据，从而能够更快地确定多个主平面方程。因此，在本申请实施例一种可选的实施方式中，例如还可以包括步骤L：对所述点云数据进行将采样处理获得目标点云数据；对应地，所述步骤202例如具体可以为：基于所述目标点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程。
步骤203：基于所述点云数据中每个点与每个所述主平面方程的距离，将所述点云数据划分至多个所述主平面方程获得对应的多个目标主平面点集。
在本申请实施例中，在步骤202确定多个主平面方程后，需要确定点云数据中每个点与多个主平面方程表示的多个主平面之间的从属关系，则需要计算得到点云数据中每个点与每个所述主平面方程的距离，通过最小距离和距离阈值——第二预设距离，确定点云数据中每个点既属于与其距离最小的主平面方程表示的主平面，也属于与其距离小于等于第二预设距离的主平面方程表示的主平面。因此，在本申请实施例一种可选的实施方式中，所述基步骤203例如具体可以为：基于所述点云数据中每个点与每个所述主平面方程的距离，针对每个点，将所述点划分至最小距离所对应的主平面方程，以及小于等于第二预设距离的距离所对应的主平面方程，获得对应的多个所述目标主平面点集。
步骤204：针对每个所述目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集。
在本申请实施例中，步骤203获得目标主平面点集之后，需要通过每个目标主平面点集得到多个小平面，作为其表示的主平面的多个次平面。因此，可以基于次平面的次平面方程计算需求，预先设定第二随机抽样一致性算法和第二平面成面条件；利用该第二随机抽样一致性算法处理目标主平面点集，并结合该第二平面成面条件，以确定目标主平面点集所对应的多个次平面方程。
参见上述步骤202的具体实施方式，在步骤204具体实施时，首先，需要从目标主平面点集中随机抽取一个点作为第二随机点，并近邻查询该第二随机点周围的多个点形成第二近邻点集；其次，利用第二随机抽样一致性算法处理该目标主平面点集和该第二近邻点集，以得到该第二随机点周围最佳的平面方程作为第二平面方程；然后，利用第二平面成面条件检验该第二平面方程是否可以表示小平面，若是，将该第二平面方程作为次平面方程；最后，将次平面方程所对应的次平面点集从目标主平面点集中去除，以实现目标主平面点集的更新。在此基础上循环执行上述步骤直至满足预设的第二循环终止条件，即，更新后的目标主平面点集中点数量小于第二预设点数量或者循环次数达到第二预设循环次数，从而得到多个次平面方程。因此，在本申请实施例一种可选的实施方式中，所述步骤204例如可以包括以下步骤：
步骤F：针对每个所述目标主平面点集，在所述目标主平面点集中随机抽取一个第二随机点，并获得所述第二随机点的第二近邻点集。
步骤G：基于所述目标主平面点集、所述第二近邻点集和所述第二随机抽样一致性算法获得第二平面方程。
其中，需要说明的是，第二随机抽样一致性算法的目标是：基于目标主平面点集和第二随机点的第二近邻点集，找到使得点面距离小于第三预设距离的点数量最多的候选面；因此，在步骤G具体实施时，首先，从第二近邻点集中随机抽取三个点作为三个第二近邻点，计算三个第二近邻点所形成的第二候选平面方程；然后，计算目标主平面点集中每个点到该第二候选平面方程的距离，以便统计小于第三预设距离所对应的点数量，记为第二附属点数量。在此基础上，循环执行上述步骤直至找到最多第二附属点数量，将其所对应的第二候选平面方程作为第二平面方程。即，在本申请实施例一种可选的实施方式中，所述步骤G例如可以包括以下步骤：
步骤G1：在所述第二近邻点集中随机抽取三个第二近邻点，并获得三个所述第二近邻点形成的第二候选平面方程。
步骤G2：统计所述目标主平面点集中每个点与所述第二候选平面方程的距离小于第三预设距离所对应的点数量作为第二附属点数量。
步骤G3：循环执行上述步骤G1-G2直至确定最多第二附属点数量所对应的第二候选平面方程为所述第二平面方程。
步骤H：若所述第二平面方程符合所述第二面成面条件，将所述第二平面方程确定为所述次平面方程。
需要说明的是，第二平面成面条件表示小平面的成面条件，需要限定形成小平面的点所对应的点数量、点密度和粗糙度。因此，在本申请实施例一种可选的实施方式中，所述第二平面成面条件包括第二点数量条件、第二点密度条件和第二粗糙度条件。作为一种示例，第二平面成面条件是指点数量大于等于点数量n2、点密度大于等于点密度d2，粗糙度小于等于粗糙度r2。
步骤I：在所述目标主平面点集中去除所述次平面方程对应的次平面点集，以更新所述目标主平面点集。
步骤J：循环执行上述步骤F-步骤I直至更新后的目标主平面点集中点数量小于第二预设点数量或者循环次数达到第二预设循环次数。
步骤205：将每个所述目标主平面点集中除对应的多个所述次平面点集之外的点确定为平面异常点。
在本申请实施例中，在步骤204确定个次平面方程所对应的多个次平面点集后；针对每个目标主平面点集，计算目标主平面点集与多个次平面点集之间的差集，该差集中各个点是在主平面下确定多个次平面后剩余的点，表示并非多个次平面的附属点，则可将每个目标主平面点集中除对应的多个次平面点集之外的点确定作为平面异常点。
此外，在本申请实施例中，还可以预先设定一个异常点距离，记为预设异常点距离，用于表示点附属于平面的点面距离的上限，则可以先计算次平面点集中每个点与所对应的次平面方程的距离，筛选大于等于预设异常点距离的距离所对应的点确定为平面异常点。因此，在本申请实施例一种可选的实施方式中，例如还可以包括步骤K：针对每个所述次平面点集，基于所述次平面点集中每个点与所对应的次平面方程的距离，将大于等于预设异常点距离的距离所对应的点确定为所述平面异常点。
通过本实施例提供的各种实施方式，利用激光雷达扫描房屋，获得房屋的点云数据；基于点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；基于点云数据中每个点与每个主平面方程的距离，将点云数据划分至多个主平面方程获得对应的多个目标主平面点集；针对每个目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；将每个目标主平面点集中除多个次平面点集之外的点确定为平面异常点。先通过第一随机抽样一致性算法和第一平面成面条件计算主平面方程，并通过点与主平面方程之间的距离确定点与主平面方程的从属关系，再通过第二随机抽样一致性算法和第二平面成面条件计算主平面方程下的次平面方程，以精准的平面分割确定平面异常点，使得确定的平面异常点更加精准。
示例性装置
参见图3，示出了本申请实施例中一种确定平面异常点的装置的结构示意图。在本实施例中，所述装置例如具体可以包括：
第一获得单元301，用于利用激光雷达扫描房屋，获得所述房屋的点云数据；
第一确定单元302，用于基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；
第二获得单元303，用于基于所述点云数据中每个点与每个所述主平面方程的距离，将所述点云数据划分至多个所述主平面方程获得对应的多个目标主平面点集；
第二确定单元304，用于针对每个所述目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；
第三确定单元305，用于将每个所述目标主平面点集中除对应的多个所述次平面点集之外的点确定为平面异常点。
在本申请实施例一种可选的实施方式中，所述第一确定单元302包括：
第一获得子单元，用于在所述点云数据中随机抽取一个第一随机点，并获得所述第一随机点的第一近邻点集；
第二获得子单元，用于基于所述点云数据、所述第一近邻点集和所述第一随机抽样一致性算法获得第一平面方程；
第一确定子单元，用于若所述第一平面方程符合所述第一平面成面条件，将所述第一平面方程确定为所述主平面方程；
第一更新子单元，用于在所述点云数据中去除所述主平面方程所对应的主平面点集，以更新所述点云数据；
第一循环子单元，用于循环执行上述步骤直至更新后的点云数据中点数量小于第一预设点数量或者循环次数达到第一预设循环次数。
在本申请实施例一种可选的实施方式中，所述第二获得子单元包括：
第一获得模块，用于在所述第一近邻点集中随机抽取三个第一近邻点，并获得三个所述第一近邻点形成的第一候选平面方程；
第一统计模块，用于统计所述点云数据中每个点与所述第一候选平面方程的距离小于第一预设距离所对应的点数量作为第一附属点数量；
第一循环模块，用于循环执行上述步骤直至确定最多第一附属点数量所对应的第一候选平面方程为所述第一平面方程。
在本申请实施例一种可选的实施方式中，所述第二获得单元303具体用于：
基于所述点云数据中每个点与每个所述主平面方程的距离，针对每个点，将所述点划分至最小距离所对应的主平面方程，以及小于等于第二预设距离的距离所对应的主平面方程，获得对应的多个所述目标主平面点集。
在本申请实施例一种可选的实施方式中，所述第二确定单元304包括：
第三获得子单元，用于针对每个所述目标主平面点集，在所述目标主平面点集中随机抽取一个第二随机点，并获得所述第二随机点的第二近邻点集；
第四获得子单元，用于基于所述目标主平面点集、所述第二近邻点集和所述第二随机抽样一致性算法获得第二平面方程；
第二确定子单元，用于若所述第二平面方程符合所述第二面成面条件，将所述第二平面方程确定为所述次平面方程；
第二更新子单元，用于在所述目标主平面点集中去除所述次平面方程对应的次平面点集，以更新所述目标主平面点集；
第二循环子单元，用于循环执行上述步骤直至更新后的目标主平面点集中点数量小于第二预设点数量或者循环次数达到第二预设循环次数。
在本申请实施例一种可选的实施方式中，所述第四获得子单元包括：
第二获得模块，用于在所述第二近邻点集中随机抽取三个第二近邻点，并获得三个所述第二近邻点形成的第二候选平面方程；
第二统计模块，用于统计所述目标主平面点集中每个点与所述第二候选平面方程的距离小于第三预设距离所对应的点数量作为第二附属点数量；
第二循环模块，用于循环执行上述步骤直至确定最多第二附属点数量所对应的第二候选平面方程为所述第二平面方程。
在本申请实施例一种可选的实施方式中，所述装置还包括：
第四确定单元，用于针对每个所述次平面点集，基于所述次平面点集中每个点与所对应的次平面方程的距离，将大于等于预设异常点距离的距离所对应的点确定为所述平面异常点。
在本申请实施例一种可选的实施方式中，所述第一平面成面条件包括第一点数量条件、第一点密度条件和第一粗糙度条件；所述第二平面成面条件包括第二点数量条件、第二点密度条件和第二粗糙度条件。
在本申请实施例一种可选的实施方式中，所述装置还包括：
第三获得单元，用于对所述点云数据进行将采样处理获得目标点云数据；
对应地，所述第一确定单元302具体用于：
基于所述目标点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程。
通过本实施例提供的各种实施方式，利用激光雷达扫描房屋，获得房屋的点云数据；基于点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；基于点云数据中每个点与每个主平面方程的距离，将点云数据划分至多个主平面方程获得对应的多个目标主平面点集；针对每个目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；将每个目标主平面点集中除多个次平面点集之外的点确定为平面异常点。先通过第一随机抽样一致性算法和第一平面成面条件计算主平面方程，并通过点与主平面方程之间的距离确定点与主平面方程的从属关系，再通过第二随机抽样一致性算法和第二平面成面条件计算主平面方程下的次平面方程，以精准的平面分割确定平面异常点，使得确定的平面异常点更加精准。
此外，本申请实施例还提供了一种终端设备，所述终端设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述方法实施例所述的确定平面异常点的方法。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述方法实施例所述的确定平面异常点的方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。
Claims (12)
1.一种确定平面异常点的方法，其特征在于，包括：
获取激光雷达扫描房屋得到的点云数据；
基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；
基于所述点云数据中每个点与每个所述主平面方程的距离，将所述点云数据划分至多个所述主平面方程获得对应的多个目标主平面点集；
针对每个所述目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；
将每个所述目标主平面点集中除对应的多个所述次平面点集之外的点确定为平面异常点。
2.根据权利要求1所述的方法，其特征在于，所述基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程，包括：
在所述点云数据中随机抽取一个第一随机点，并获得所述第一随机点的第一近邻点集；
基于所述点云数据、所述第一近邻点集和所述第一随机抽样一致性算法获得第一平面方程；
若所述第一平面方程符合所述第一平面成面条件，将所述第一平面方程确定为所述主平面方程；
在所述点云数据中去除所述主平面方程所对应的主平面点集，以更新所述点云数据；
循环执行上述步骤直至更新后的点云数据中点数量小于第一预设点数量或者循环次数达到第一预设循环次数。
3.根据权利要求2所述的方法，其特征在于，所述基于所述点云数据、所述第一近邻点集和所述预定义随机抽样一致性算法获得第一平面方程，包括：
在所述第一近邻点集中随机抽取三个第一近邻点，并获得三个所述第一近邻点形成的第一候选平面方程；
统计所述点云数据中每个点与所述第一候选平面方程的距离小于第一预设距离所对应的点数量作为第一附属点数量；
循环执行上述步骤直至确定最多第一附属点数量所对应的第一候选平面方程为所述第一平面方程。
4.根据权利要求1所述的方法，其特征在于，所述基于所述点云数据中每个点与每个所述主平面方程的距离，将所述点云数据划分至多个所述主平面方程获得对应的多个目标主平面点集，具体为：
基于所述点云数据中每个点与每个所述主平面方程的距离，针对每个点，将所述点划分至最小距离所对应的主平面方程，以及小于等于第二预设距离的距离所对应的主平面方程，获得对应的多个所述目标主平面点集。
5.根据权利要求1所述的方法，其特征在于，所述针对每个所述目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程和对应的多个次平面点集，包括：
针对每个所述目标主平面点集，在所述目标主平面点集中随机抽取一个第二随机点，并获得所述第二随机点的第二近邻点集；
基于所述目标主平面点集、所述第二近邻点集和所述第二随机抽样一致性算法获得第二平面方程；
若所述第二平面方程符合所述第二面成面条件，将所述第二平面方程确定为所述次平面方程；
在所述目标主平面点集中去除所述次平面方程对应的次平面点集，以更新所述目标主平面点集；
循环执行上述步骤直至更新后的目标主平面点集中点数量小于第二预设点数量或者循环次数达到第二预设循环次数。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标主平面点集、所述第二近邻点集和所述第二随机抽样一致性算法获得第二平面方程，包括：
在所述第二近邻点集中随机抽取三个第二近邻点，并获得三个所述第二近邻点形成的第二候选平面方程；
统计所述目标主平面点集中每个点与所述第二候选平面方程的距离小于第三预设距离所对应的点数量作为第二附属点数量；
循环执行上述步骤直至确定最多第二附属点数量所对应的第二候选平面方程为所述第二平面方程。
7.根据权利要求1所述的方法，其特征在于，还包括：
针对每个所述次平面点集，基于所述次平面点集中每个点与所对应的次平面方程的距离，将大于等于预设异常点距离的距离所对应的点确定为所述平面异常点。
8.根据权利要求1-6任意一项所述的方法，其特征在于，所述第一平面成面条件包括第一点数量条件、第一点密度条件和第一粗糙度条件；所述第二平面成面条件包括第二点数量条件、第二点密度条件和第二粗糙度条件。
9.根据权利要求1-6任意一项所述的方法，其特征在于，还包括：
对所述点云数据进行将采样处理获得目标点云数据；
对应地，所述基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程，具体为：
基于所述目标点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程。
10.一种确定平面异常点的装置，其特征在于，包括：
第一获得单元，用于利用激光雷达扫描房屋，获得所述房屋的点云数据；
第一确定单元，用于基于所述点云数据、第一随机抽样一致性算法和第一平面成面条件，确定多个主平面方程；
第二获得单元，用于基于所述点云数据中每个点与每个所述主平面方程的距离，将所述点云数据划分至多个所述主平面方程获得对应的多个目标主平面点集；
第二确定单元，用于针对每个所述目标主平面点集，基于第二随机抽样一致性算法和第二平面成面条件，确定多个次平面方程所对应的多个次平面点集；
第三确定单元，用于将每个所述目标主平面点集中除对应的多个所述次平面点集之外的点确定为平面异常点。
11.一种终端设备，其特征在于，所述终端设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-9任一项所述的确定平面异常点的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-9任一项所述的确定平面异常点的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375546.7A CN112630793B (zh) | 2020-11-30 | 2020-11-30 | 一种确定平面异常点的方法和相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375546.7A CN112630793B (zh) | 2020-11-30 | 2020-11-30 | 一种确定平面异常点的方法和相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112630793A true CN112630793A (zh) | 2021-04-09 |
| CN112630793B CN112630793B (zh) | 2024-05-17 |
Family
ID=75307012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011375546.7A Active CN112630793B (zh) | 2020-11-30 | 2020-11-30 | 一种确定平面异常点的方法和相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112630793B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113670234A (zh) * | 2021-06-21 | 2021-11-19 | 盎锐（上海）信息科技有限公司 | 用于实测实量的显示方法、测量系统及激光雷达 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140192050A1 (en) * | 2012-10-05 | 2014-07-10 | University Of Southern California | Three-dimensional point processing and model generation |
| US20150063683A1 (en) * | 2013-08-28 | 2015-03-05 | Autodesk, Inc. | Building datum extraction from laser scanning data |
| US20170193312A1 (en) * | 2014-03-27 | 2017-07-06 | Georgia Tech Research Corporation | Systems and Methods for Identifying Traffic Control Devices and Testing the Retroreflectivity of the Same |
| CN106981088A (zh) * | 2016-01-18 | 2017-07-25 | 宫超 | 使用三维扫描技术获取自动抹墙过程中目标平面的方法 |
| CN108171780A (zh) * | 2017-12-28 | 2018-06-15 | 电子科技大学 | 一种基于激光雷达构建室内真实三维地图的方法 |
| CN109785247A (zh) * | 2018-12-18 | 2019-05-21 | 歌尔股份有限公司 | 激光雷达异常点云数据的修正方法、装置及存储介质 |
| US20190205695A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for determining matching relationship between point cloud data |
| CN110148144A (zh) * | 2018-08-27 | 2019-08-20 | 腾讯大地通途（北京）科技有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
| CN110221276A (zh) * | 2019-05-31 | 2019-09-10 | 文远知行有限公司 | 激光雷达的标定方法、装置、计算机设备和存储介质 |
| CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
| US20200081124A1 (en) * | 2018-09-07 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and device for filtering out non-ground points from point cloud, and storage medium |
| CN110930124A (zh) * | 2019-11-29 | 2020-03-27 | 深圳集智数字科技有限公司 | 一种确定施工进度的方法、装置及设备 |
| CN111125287A (zh) * | 2019-12-25 | 2020-05-08 | 深圳集智数字科技有限公司 | 一种确定目标地图范围的方法和相关装置 |
| CN111179428A (zh) * | 2019-12-31 | 2020-05-19 | 武汉中海庭数据技术有限公司 | 一种基于锁定平面的地物制作方法和装置 |
| WO2020102944A1 (zh) * | 2018-11-19 | 2020-05-28 | 深圳市大疆创新科技有限公司 | 点云处理方法、设备及存储介质 |
| WO2020112733A1 (en) * | 2018-11-28 | 2020-06-04 | Sony Corporation | Online calibration of 3d scan data from multiple viewpoints |
| WO2020114320A1 (zh) * | 2018-12-03 | 2020-06-11 | 深圳市华讯方舟太赫兹科技有限公司 | 点云聚类方法、图像处理设备及具有存储功能的装置 |
| CN111928811A (zh) * | 2020-09-22 | 2020-11-13 | 上海钛米机器人股份有限公司 | 地面检测方法、装置、设备及存储介质 |
| 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 |
-
2020
- 2020-11-30 CN CN202011375546.7A patent/CN112630793B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140192050A1 (en) * | 2012-10-05 | 2014-07-10 | University Of Southern California | Three-dimensional point processing and model generation |
| US20150063683A1 (en) * | 2013-08-28 | 2015-03-05 | Autodesk, Inc. | Building datum extraction from laser scanning data |
| US20170193312A1 (en) * | 2014-03-27 | 2017-07-06 | Georgia Tech Research Corporation | Systems and Methods for Identifying Traffic Control Devices and Testing the Retroreflectivity of the Same |
| CN106981088A (zh) * | 2016-01-18 | 2017-07-25 | 宫超 | 使用三维扫描技术获取自动抹墙过程中目标平面的方法 |
| CN108171780A (zh) * | 2017-12-28 | 2018-06-15 | 电子科技大学 | 一种基于激光雷达构建室内真实三维地图的方法 |
| US20190205695A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for determining matching relationship between point cloud data |
| CN110148144A (zh) * | 2018-08-27 | 2019-08-20 | 腾讯大地通途（北京）科技有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
| US20200081124A1 (en) * | 2018-09-07 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and device for filtering out non-ground points from point cloud, and storage medium |
| WO2020102944A1 (zh) * | 2018-11-19 | 2020-05-28 | 深圳市大疆创新科技有限公司 | 点云处理方法、设备及存储介质 |
| WO2020112733A1 (en) * | 2018-11-28 | 2020-06-04 | Sony Corporation | Online calibration of 3d scan data from multiple viewpoints |
| WO2020114320A1 (zh) * | 2018-12-03 | 2020-06-11 | 深圳市华讯方舟太赫兹科技有限公司 | 点云聚类方法、图像处理设备及具有存储功能的装置 |
| CN109785247A (zh) * | 2018-12-18 | 2019-05-21 | 歌尔股份有限公司 | 激光雷达异常点云数据的修正方法、装置及存储介质 |
| CN110221276A (zh) * | 2019-05-31 | 2019-09-10 | 文远知行有限公司 | 激光雷达的标定方法、装置、计算机设备和存储介质 |
| CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
| CN110930124A (zh) * | 2019-11-29 | 2020-03-27 | 深圳集智数字科技有限公司 | 一种确定施工进度的方法、装置及设备 |
| CN111125287A (zh) * | 2019-12-25 | 2020-05-08 | 深圳集智数字科技有限公司 | 一种确定目标地图范围的方法和相关装置 |
| CN111179428A (zh) * | 2019-12-31 | 2020-05-19 | 武汉中海庭数据技术有限公司 | 一种基于锁定平面的地物制作方法和装置 |
| 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 |
| CN111928811A (zh) * | 2020-09-22 | 2020-11-13 | 上海钛米机器人股份有限公司 | 地面检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 周春霖;朱合华;李晓军;: "随机抽样一致性平面拟合及其应用研究", 计算机工程与应用, no. 07, 1 March 2011 (2011-03-01) * |
| 杨军建;吴良才;: "基于RANSAC算法的稳健点云平面拟合方法", 北京测绘, no. 02, 25 April 2016 (2016-04-25) * |
| 舒敏;刘科;: "由粗到精的机载点云建筑物屋面分割", 激光与红外, no. 12, 20 December 2019 (2019-12-20) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113670234A (zh) * | 2021-06-21 | 2021-11-19 | 盎锐（上海）信息科技有限公司 | 用于实测实量的显示方法、测量系统及激光雷达 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112630793B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nishikawa et al. | Concrete crack detection by multiple sequential image filtering | |
| CN105474377A (zh) | 代表性目标子集的选择及使用 | |
| CN109035363B (zh) | 一种快速迭代的线圆最优拟合方法 | |
| US10600501B2 (en) | System and methods for identifying a base call included in a target sequence | |
| CN112630793A (zh) | 一种确定平面异常点的方法和相关装置 | |
| KR20190143456A (ko) | 반도체 웨이퍼들 상의 패턴들의 높이 차이의 측정 | |
| JP2007065900A (ja) | 隆線方向抽出装置、隆線方向抽出方法、隆線方向抽出プログラム | |
| JP5438466B2 (ja) | 画像処理装置および画像処理方法 | |
| CN101629812B (zh) | 一种焊接接头成形组织特征的测量方法 | |
| CN112101229B (zh) | 点云数据特征点提取方法、装置、计算机设备及存储介质 | |
| JP5093604B2 (ja) | フィレット面認識方法、フィレット面認識プログラム及び計測情報処理装置 | |
| CN113657303B (zh) | 房间结构识别方法、装置、终端设备和可读存储介质 | |
| CN113689526B (zh) | 地图中无效区域的划分方法及装置、电子设备 | |
| JP2007316950A (ja) | 画像処理方法及び装置及びプログラム | |
| KR101364375B1 (ko) | 3차원 데이터로부터 특정 객체를 추출하는 시스템 및 방법. | |
| CN111368120A (zh) | 目标指纹库构建方法、装置、电子设备及存储介质 | |
| JP2017053812A (ja) | ３次元測定装置、照明装置、パターン生成装置、および方法 | |
| KR102484969B1 (ko) | 인장시험에서 디지털 이미지 해석 기법 및 평균 지점 기법을 이용하여 고 변형 구간에서 인장시편의 진응력-진변형률 인장 곡선을 획득하는 방법 | |
| JP2009048292A (ja) | 画像計測アルゴリズムにおける特徴抽出方法 | |
| JP2014158110A (ja) | 伝搬特性推定装置及び伝搬特性推定方法 | |
| CN111507639B (zh) | 理财风险分析方法及装置 | |
| CN117492409B (zh) | 一种五轴倾斜单角度取零点坐标的方法、系统及介质 | |
| KR102056810B1 (ko) | 하이 오더 메쉬 구조를 갖는 그래픽 모델의 메쉬 품질 향상을 위한 그래픽 처리 장치 및 방법 | |
| CN112434839B (zh) | 一种配电变压器重过载风险的预测方法及电子设备 | |
| JPWO2018198298A1 (ja) | パラメータ推定装置、パラメータ推定方法、及びプログラム |
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 |