CN112967230A - 一种考虑局部点云密度的自适应阈值3d变化检测方法 - Google Patents
一种考虑局部点云密度的自适应阈值3d变化检测方法 Download PDFInfo
- Publication number
- CN112967230A CN112967230A CN202110165587.1A CN202110165587A CN112967230A CN 112967230 A CN112967230 A CN 112967230A CN 202110165587 A CN202110165587 A CN 202110165587A CN 112967230 A CN112967230 A CN 112967230A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- neighborhood
- density
- local
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种考虑局部点云密度的自适应阈值3D变化检测方法,它包括S101:获取两帧不同时相的3D点云数据,一帧3D点云数据作为目标点云,另一帧3D点云数据作为参考点云;S102:计算目标点云和参考点云中对应点的欧氏距离;S103:计算目标点云的全局k‑邻域平均距离和局部点云密度;S104:在获得全局k‑邻域平均距离和局部点云密度的基础上,结合欧氏距离对目标点云进行变化检测。本发明可计算出目标点云中每个点的自适应距离阈值,克服了固定阈值或者点云平均距离阈值进行变化检测的不足,提高了点云3D变化检测的有效性。
Description
技术领域
本申请涉及摄影测量与遥感技术领域,具体涉及一种考虑局部点云密度的自适应阈值3D 变化检测方法。
背景技术
随着社会与科技的发展,城市场景的变化检测已经成为摄影测量和遥感领域中的研究重点以及研究热点之一。及时、准确地监测城市环境中的动态变化信息,在城市地理空间信息的管理与更新、城市规划、城市精细化管理以及灾害救援等工作具有非常重要的应用。3D变化检测是将2D变化检测扩展到三维空间进行,获得场景的3D变化信息。随着智慧城市的不断发展,对城市3D模型的建立与管理的需求越来越高。
随着三维激光扫描技术的出现和不断进步以及点云数据处理方法的不断改善,通过航空激光扫描仪(airbone laser scanning,ALS)或者移动点云数据(mobile laserscanning,MLS) 已经开始逐步用来进行3D建筑物等的变化检测。
目前基于点云的3D变化检测方法主要有:
(1)基于高程差的3D变化检测:该方法首先将多时相的点云数据转换成DSM(Digital Surface Model,数字表面模型),然后再根据不同时相DSM之间的高程差异检测城市环境下建筑物的变化。这类方法简单,易实现,适用于建筑物的变化检测中,但是易受噪声的影响,并且只能检测地物高度上的变化,而对地物侧面的变化无法进行检测。
(2)基于分类后的比较法:该方法在将点云数据转换成DSM之后,再进行图像分类,将点云数据分类为建筑物、树木等地物,然后分别对不同的地物进行变化检测。该方法易实现,并且在图像分类过程中可以融入3D信息,有助于提高分类精度,适用于城市建筑物的变化检测。但是变化检测的好坏在很大程度上依赖于图像分类结果。
(3)基于3D距离差值的变化检测方法:通过两个时相下的3D点云之间的距离进行比较。在前后两个时相的点云数据进行配准之后,计算两个点云中对应点的3D欧氏距离,并通过设定的阈值,提取点云中的变化区域。基于3D距离差值的方法能够直接获得点云的3D变化信息,但是该方法对点云密度变化非常敏感。
此外,阈值的确定也是该方法的关键技术之一,其选取对变化检测结果影响很大。现有已有方法主要是采取经验性的固定阈值或者是点云的平均距离作为阈值,而没有考虑点云内部的不均匀性。
发明内容
本发明的目的在于,提供一种考虑局部点云密度的自适应阈值3D变化检测方法,消除点云密度的不均匀性对检测结果的影响,克服了固定阈值或者点云平均距离阈值进行变化检测的不足,提高检测结果可靠性,用于城市3D模型的更新,建筑检测等领域。
本发明采用的技术方案是:一种考虑局部点云密度的自适应阈值3D变化检测方法,包括如下步骤:
S101:获取两帧不同时相的3D点云数据,一帧3D点云数据作为目标点云,另一帧3D点云数据作为参考点云;
S102:计算所述目标点云和参考点云中对应点的欧氏距离;
S103:构建所述目标点云的全局k-邻域,计算所述目标点云的全局k-邻域平均距离和局部点云密度;
S104:在获得全局k-邻域平均距离和局部点云密度的基础上,结合欧氏距离对目标点云进行变化检测。
进一步地,所述步骤102的具体方法为:
(1)从目标点云中,选取目标点云中的任一点p1i;
(2)遍历参考点云,寻找点p1i的最近距离点p2j,作为点p1i的最近邻匹配点;
(3)计算点p1i和其最近邻匹配点p2j的欧氏距离d(p1i,p2j)。
进一步地,所述步骤103的具体方法为:
(1)确定邻域点的个数k;
(2)遍历目标点云,按照与点p1i的距离由小到大进行筛选,寻找点p1i的k个最近距离点集,作为点p1i的k个邻域点;
(3)根据点p1i和k个邻域点,计算点p1i的k-邻域平均距离;
(4)根据目标点云中所有点的k-邻域平均距离,计算目标点云全局k-邻域平均距离;
(5)计算点p1i和k个邻域点所组成的局部区域的点云密度,并将所述点云密度归一化至[0,1]区间。
进一步地,所述步骤104的具体方法为:
(1)根据全局k-邻域平均距离和局部点云密度确定点p1i的距离阈值Tik;
(2)利用欧氏距离d(p1i,p2j)和距离阈值p1i进行变化检测,判断点p1i是否为变化点;
(3)循环以上步骤,直至目标点云中的所有点均已完成检测,并输出目标点云的变化区域。
进一步地,点p1i的k-邻域平均距离记为dik,具体表达式如下:
进一步地,目标点云全局k-邻域平均距离记为dk,具体表达式如下:
进一步地,点p1i和k个邻域点所组成的局部区域的点云密度记为Iik,具体表达式如下:
进一步地,所述点云密度Iik归一化至[0,1]区间后记为lik,具体表达式为:
其中,max(Iik)为点p1i和k个邻域点所组成的局部区域的最大点云密度。
进一步地,所述距离阈值Tik的具体表达式如下:
Tik=(λ-lik)dik
其中,λ为常数,λ的取值为1~3。
进一步地,判断点p1i是否为变化点的具体方法为:当点p1i与其在参考点云中的最近邻点p2j的欧氏距离d(p1i,p2j)≥Tik时,点p1i为变化点,记为1;当d(p1i,p2j)<Tik,则点p1i未发生变化,记为0。
本发明的有益效果在于,通过计算出目标点云中每个点的k-邻域平均距离,克服固定阈值或者点云平均距离阈值进行变化检测的不足,提高了点云3D变化检测的有效性;考虑到点云内部的不均匀性对变化检测的影响,结合局部点云密度和全局k-邻域平均距离计算得到目标点云中每个点的自适应距离阈值,进一步提高变化检测的精度;判断点p1i是否为变化点时,将变化点记为1,未变化点记为0,便于后期对点云数据进行可视化编程,使目标点云的变化区域更加直观地显示出来。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例的算法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明并不限于下面公开的具体实施例的限制。
除非另作定义,此处使用的技术术语或者科学术语应当为本申请所述领域内具有一般技能的人士所理解的通常意义。本专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也相应地改变。
如图1所示:一种考虑局部点云密度的自适应阈值3D变化检测方法,包括如下步骤:
S101:通过激光扫描仪扫描获取两帧不同时相3D点云数据,将后一帧3D点云数据作为目标点云,前一帧3D点云数据作为参考点云;
S102:计算所述目标点云和参考点云中对应点的欧氏距离,具体方法为:
(1)从目标点云中,选取目标点云中的任一点p1i;
(2)遍历参考点云,寻找点p1i的最近距离点p2j,作为点p1i的最近邻匹配点;
(3)计算点p1i和其最近邻匹配点p2j的欧氏距离d(p1i,p2j),具体计算公式如下:
其中,x1i、y1i、z1i分别为点p1i的x轴、y轴、z轴坐标值,x2j、y2j、z2j分别为点p2j的 x轴、y轴、z轴坐标值。
S103:构建所述目标点云的全局k-邻域,计算所述目标点云的全局k-邻域平均距离和局部点云密度,具体方法为:
(1)确定邻域点的个数k;在本发明实施例中,k=50。
(2)遍历目标点云,按照与点p1i的距离由小到大进行筛选寻找点p1i的k个最近距离点集,作为点p1i的k个邻域点;
(3)根据点p1i和k个邻域点,计算点p1i的k-邻域平均距离dik,具体表达式如下:
(4)根据目标点云中所有点的k-邻域平均距离,计算目标点云全局k-邻域平均距离dk,具体表达式如下:
(5)计算点p1i和k个邻域点所组成的局部区域的点云密度Iik,具体表达式如下:
在获得局部点云密度Iik之后,采用公式(5)将局部点云密度Iik归一化至[0,1]区间。所述点云密度Iik归一化至[0,1]区间后记为lik,具体表达式为:
其中,max(Iik)为点p1i和k个邻域点所组成的局部区域的最大点云密度。
S104:在获得全局k-邻域平均距离和局部点云密度的基础上,结合欧氏距离对目标点云进行变化检测,具体方法为:
(1)根据全局k-邻域平均距离和局部点云密度确定点p1i的距离阈值Tik。根据点云密度的总体特征可知,lik越大,表示该局部区域的点云密度越高。点云密度越高,距离阈值应该越小,以减小点云密度对检测结果的影响。距离阈值Tik具体表达式为:
Tik=(λ-lik)dik (6)
其中,λ为常数,所述λ的取值通常为1~3,lik由公式(5)计算得出,dk由公式(3) 计算得出。在本发明实施例中,所述λ的取值为2。
(2)利用欧氏距离d(p1i,p2j)和距离阈值p1i进行变化检测,判断点p1i是否为变化点。其中,欧氏距离d(p1i,p2j)根据公式(1)计算得出。判断点p1i是否为变化点的具体方法为:当点p1i与其在参考点云中的最近邻点p2j的欧氏距离d(p1i,p2j)≥Tik时,点p1i为变化点,记为1;当d(p1i,p2j)<Tik,则点p1i未发生变化,记为0。
(3)循环以上步骤,直至目标点云中的所有点均已完成检测,并输出目标点云的变化区域。
本发明实施例通过计算目标点云中每个点的k个邻近点的平均距离,得出目标点云中每个点的全局k-邻域平均距离dk,以克服固定阈值或者点云平均距离阈值进行变化检测的不足,提高点云3D变化检测的有效性;考虑点云内部的不均匀性对变化检测的影响,将局部点云密度和全局k-邻域平均距离结合起来计算得到目标点云中每个点的自适应距离阈值,消除云密度对检测结果的影响,进一步提高变化检测的精度;判断点p1i是否为变化点时,将变化点记为1,未变化点记为0,便于后期对点云数据进行可视化编程,使目标点云的变化区域更加直观地显示出来。本发明实施例所述的方法可获得更加准确的目标点云区域的3D变化信息,便于进行城市3D模型的更新、建筑物和基础设施的监测与管理等工作。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种考虑局部点云密度的自适应阈值3D变化检测方法,其特征在于,包括如下步骤:
S101:获取两帧不同时相的3D点云数据,一帧3D点云数据作为目标点云,另一帧3D点云数据作为参考点云;
S102:计算所述目标点云和参考点云中对应点的欧氏距离;
S103:构建所述目标点云的全局k-邻域,计算所述目标点云的全局k-邻域平均距离和局部点云密度;
S104:在获得全局k-邻域平均距离和局部点云密度的基础上,结合欧氏距离对目标点云进行变化检测。
2.根据权利要求1所述的一种考虑局部点云密度的自适应阈值3D变化检测方法,其特征在于,所述步骤102的具体方法为:
(1)从目标点云中,选取目标点云中的任一点p1i;
(2)遍历参考点云,寻找点p1i的最近距离点p2j,作为点p1i的最近邻匹配点;
(3)计算点p1i和其最近邻匹配点p2j的欧氏距离d(p1i,p2j)。
3.根据权利要求1所述的一种考虑局部点云密度的自适应阈值3D变化检测方法,其特征在于,所述步骤103的具体方法为:
(1)确定邻域点的个数k;
(2)遍历目标点云,按照与点p1i的距离由小到大进行筛选,寻找点p1i的k个最近距离点集,作为点p1i的k个邻域点;
(3)根据点p1i和k个邻域点,计算点p1i的k-邻域平均距离;
(4)根据目标点云中所有点的k-邻域平均距离,计算目标点云全局k-邻域平均距离;
(5)计算点p1i和k个邻域点所组成的局部区域的点云密度,并所述点云密度归一化至[0,1]区间。
4.根据权利要求1所述的一种考虑局部点云密度的自适应阈值3D变化检测方法,其特征在于,所述步骤104的具体方法为:
(1)根据全局k-邻域平均距离和局部点云密度确定点p1i的距离阈值Tik;
(2)利用欧氏距离d(p1i,p2j)和距离阈值p1i进行变化检测,判断点p1i是否为变化点;
(3)循环以上步骤,直至目标点云中的所有点均已完成检测,并输出目标点云的变化区域。
9.根据权利要求4所述的一种考虑局部点云密度的自适应阈值3D变化检测方法,其特征在于,所述距离阈值Tik的具体表达式如下:
Tik=(λ-lik)dik
其中,λ为常数,λ的取值为1~3。
10.根据权利要求4所述的一种考虑局部点云密度的自适应阈值3D变化检测方法,其特征在于,判断点p1i是否为变化点的具体方法为:当点p1i与其在参考点云中的最近邻点p2j的欧氏距离d(p1i,p2j)≥Tik时,点p1i为变化点,记为1;当d(p1i,p2j)<Tik,则点p1i未发生变化,记为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165587.1A CN112967230A (zh) | 2021-02-06 | 2021-02-06 | 一种考虑局部点云密度的自适应阈值3d变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165587.1A CN112967230A (zh) | 2021-02-06 | 2021-02-06 | 一种考虑局部点云密度的自适应阈值3d变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112967230A true CN112967230A (zh) | 2021-06-15 |
Family
ID=76274930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110165587.1A Pending CN112967230A (zh) | 2021-02-06 | 2021-02-06 | 一种考虑局部点云密度的自适应阈值3d变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967230A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035207A (zh) * | 2018-07-03 | 2018-12-18 | 电子科技大学 | 密度自适应的激光点云特征检测方法 |
US20190080503A1 (en) * | 2017-09-13 | 2019-03-14 | Tata Consultancy Services Limited | Methods and systems for surface fitting based change detection in 3d point-cloud |
CN109559339A (zh) * | 2018-11-21 | 2019-04-02 | 上海交通大学 | 基于图像控制点配准的刚性表面接触过程分析方法与系统 |
CN110335234A (zh) * | 2019-04-28 | 2019-10-15 | 武汉大学 | 一种基于古文物LiDAR点云的三维变化检测方法 |
US10861175B1 (en) * | 2020-05-29 | 2020-12-08 | Illuscio, Inc. | Systems and methods for automatic detection and quantification of point cloud variance |
CN112106370A (zh) * | 2018-03-20 | 2020-12-18 | Pcms控股公司 | 基于优先化排序的变换而优化动态点云的系统和方法 |
CN112130168A (zh) * | 2020-09-11 | 2020-12-25 | 北京埃福瑞科技有限公司 | 一种用于折返控制的列车位置状态检测方法及系统 |
-
2021
- 2021-02-06 CN CN202110165587.1A patent/CN112967230A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190080503A1 (en) * | 2017-09-13 | 2019-03-14 | Tata Consultancy Services Limited | Methods and systems for surface fitting based change detection in 3d point-cloud |
CN112106370A (zh) * | 2018-03-20 | 2020-12-18 | Pcms控股公司 | 基于优先化排序的变换而优化动态点云的系统和方法 |
CN109035207A (zh) * | 2018-07-03 | 2018-12-18 | 电子科技大学 | 密度自适应的激光点云特征检测方法 |
CN109559339A (zh) * | 2018-11-21 | 2019-04-02 | 上海交通大学 | 基于图像控制点配准的刚性表面接触过程分析方法与系统 |
CN110335234A (zh) * | 2019-04-28 | 2019-10-15 | 武汉大学 | 一种基于古文物LiDAR点云的三维变化检测方法 |
US10861175B1 (en) * | 2020-05-29 | 2020-12-08 | Illuscio, Inc. | Systems and methods for automatic detection and quantification of point cloud variance |
CN112130168A (zh) * | 2020-09-11 | 2020-12-25 | 北京埃福瑞科技有限公司 | 一种用于折返控制的列车位置状态检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
LORENZ WELLHAUSEN ET AL: "Reliable real-time change detection and mapping for 3D LiDARs", 《2017 IEEE INTERNATIONAL SYMPOSIUM ON SAFETY, SECURITY AND RESCUE ROBOTICS (SSRR)》 * |
刘春成: "基于点云数据的柱状目标变化检测", 《北京建筑大学硕士论文》 * |
王志明 等: "机载LiDAR技术支持下的荒漠地区1:10000地形图测绘与研究——以内蒙古阿拉善地区为例", 《测绘通报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Two-step adaptive extraction method for ground points and breaklines from lidar point clouds | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
CN109919944B (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
Zhou et al. | A fast and accurate segmentation method for ordered LiDAR point cloud of large-scale scenes | |
CN114565900A (zh) | 基于改进YOLOv5和双目立体视觉的目标检测方法 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及系统 | |
Kang et al. | The change detection of building models using epochs of terrestrial point clouds | |
JP6781432B2 (ja) | 電波伝搬シミュレーションモデルの作成方法、作成システム、作成装置および作成プログラム | |
CN114547866B (zh) | 基于bim-无人机-机械狗的预制构件智能检测方法 | |
WO2011085435A1 (en) | Classification process for an extracted object or terrain feature | |
CN109101892A (zh) | 基于栅格和密度聚类算法的激光雷达目标物检测方法 | |
CN113487631B (zh) | 基于lego-loam的可调式大角度探测感知及控制方法 | |
CN117132508B (zh) | 基于gis+bim技术的数字孪生数据驱动方法及系统 | |
CN114494881A (zh) | 基于剖分网格的遥感影像变化检测方法、装置、终端 | |
WO2011085433A1 (en) | Acceptation/rejection of a classification of an object or terrain feature | |
CN112967230A (zh) | 一种考虑局部点云密度的自适应阈值3d变化检测方法 | |
Rufei et al. | Research on a pavement pothole extraction method based on vehicle-borne continuous laser scanning point cloud | |
CN113532424B (zh) | 一种获取多维信息的一体化设备与协同测量方法 | |
Zhu et al. | Potentials of RGB-D cameras in as-built indoor environment modeling | |
CN115880325A (zh) | 基于点云维度和空间距离聚类的建筑物轮廓自动提取方法 | |
Zhu et al. | A filtering strategy for interest point detecting to improve repeatability and information content | |
CN117171856B (zh) | 一种基于手持Lidar的公路铁路数字信息建模方法 | |
Li et al. | Pavement pothole detection based on 3d laser point cloud |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210615 |