CN112989470B - 一种基于点云数据的室内空间布局提取方法 - Google Patents
一种基于点云数据的室内空间布局提取方法 Download PDFInfo
- Publication number
- CN112989470B CN112989470B CN202110326020.8A CN202110326020A CN112989470B CN 112989470 B CN112989470 B CN 112989470B CN 202110326020 A CN202110326020 A CN 202110326020A CN 112989470 B CN112989470 B CN 112989470B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- included angle
- horizontal plane
- dimensional point
- voxel
- 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
- 238000000605 extraction Methods 0.000 title abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000009435 building construction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005034 decoration Methods 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
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Civil Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提出了一种基于点云数据的室内空间布局提取方法。本发明输入三维点云、计算三维点云的主方向,并将三维点云旋转至主方向得到旋转后三维点云;根据旋转后三维点云计算室内场景的三维空间内外分布图;分割属于内部的体素集得到房间的布局;对标记为不同房间的各体素子集进行聚类得到楼层的分布。本发明能够处理不同来源的三维点云数据,对于多楼层、倾斜屋顶等复杂室内场景的数据同样有效。
Description
技术领域
本发明涉及三维点云数据处理领域,尤其涉及一种利用室内场景获取的点云自动提取室内空间布局的方法。
背景技术
建立室内环境的数字化描述对建造施工、室内应急以及机器人应用领域具有重要作用。一方面建筑信息模型(Building Information Modeling,BIM)被越来越多的设计建造商所采用,但是随着时代快速发展,室内装饰也呈现快速更迭的趋势,缺乏具有现势性的BIM数据;另一方面,大量已经存在的建筑缺乏BIM。因此,建筑的运营管理维护方越来越需要具有现势性的BIM。很多技术可用来获取室内环境的三维数据,例如激光扫描、深度相机、多传感器集成等技术,这些技术获取的数据形式中,点云是一种非常典型的数据,且越来越受到建造施工以及室内机器人领域的重视。当前大多数利用点云数据自动建立室内三维模型的方法存在诸多限制条件:单一房间、单一楼层、屋顶水平、墙面互相垂直等。在多楼层多房间的室内场景中,经过楼层和房间分割处理后的点云数据可以显著降低建模难度、并极大的减少后续自动建模的计算量。室内机器人领域多采用二维栅格图来规划机器人路径,栅格图中区分空间占用和不占用两类。其他领域则尝试直接从点云数据中得到房间的布局,例如根据点云获取时扫描仪的位置进行标记和分割,或将屋顶部分的点云切割投影至水平面得到栅格图进而采用与机器人领域类似的方法进行处理。显然,这些方法不仅忽略了室内房间的三维空间特性,而且过多依赖于场景的假设,没有这些假设,方法无法得到令人满意的房间分割结果。此外,楼层的分割多采用点云分布直方图,其前提依然是屋顶和地面的水平以及其良好的可视性。但这类方法对于跨层、地面遮挡过多等场景无能为力。
发明内容
本发明目的在于探寻一种利用三维点云数据自动生成室内空间布局的方法,既可得到房间分割的结果,又可得到楼层的布局,为解决上述问题,研究室内场景和三维点云的特点,并提出科学合理的室内空间布局提取方法,为三维点云数据应用于室内结构建模、BIM数据生产提供新的解决方案。
本发明的技术方案为一种基于点云数据的室内空间布局提取方法,包括以下步骤:
步骤1:输入三维点云、计算三维点云的主方向,并将三维点云旋转至主方向得到旋转后三维点云:
步骤2:根据旋转后三维点云计算室内场景的三维空间内外分布图;
步骤3:分割属于内部的体素集得到房间的布局;
步骤4:对标记为不同房间的各体素子集进行聚类得到楼层的分布;
作为优选,步骤1所述三维点云的定义为:
datak(xk,yk,zk),k∈[1,K]
其中,K为三维点云中点的数量,datak(xk,yk,zk)为三维点云中第k个点,(xk,yk,zk)为三维点云中第k个点的空间坐标;
步骤1所述计算三维点云的主方向,具体为:
步骤1.1:所述输入的三维点云的Z轴方向朝上,且与室内场景的上方向一致,计算三维点云中每个点的法向以及XY水平面的夹角;
所述三维点云的法向为:
(nxk,nyk,nzk),k∈[1,K]
其中,(nxk,nyk,nzk)为三维点云中第k个点的法向;
所述三维点云中每个点的的夹角为:XY_θk,k∈[1,K]
其中,XY_θk为三维点云中第k个点的XY水平面的夹角;
步骤1.2:XY水平面的夹角由0至180度均匀划分为多个XY水平面的夹角区域,在每个XY水平面的夹角区域范围内,结合所述三维点云中每个点的夹角,统计每个XY水平面的夹角区域内三维点云中点的数量、每个XY水平面的夹角区域内三维点云中点、每个XY水平面的夹角区域内三维点云中点的法向;
所述每个XY水平面的夹角区域内三维点云中点的数量为:
(NUM1,NUM2,...,NUMn)
所述每个XY水平面的夹角区域内三维点云中点为:
ij∈[1,K],i∈[1,N],j∈[1,NUMi]
所述每个XY水平面的夹角区域内三维点云中点的法向为:
ij∈[1,K],i∈[1,N],j∈[1,NUMi]
步骤1.4:在多个水平面的夹角区域搜索三维点云中点的数量最大的水平面的夹角区域,将三维点云中点的数量最大的水平面的夹角区域定义为最大点数的水平面的夹角区域,计算最大点数的水平面的夹角区域的平均平面法向角度,将最大点数的水平面的夹角区域的平均平面法向角度对应的法向方向作为X轴方向,在距离平均平面法向角度平均平面法向角度一定角度范围内水平面的夹角区域进一步搜索三维点云中点的数量最大的水平面的夹角区域,并定义为最大点数的水平面的夹角子区域,计算最大点数的水平面的夹角子区域的平均平面法向角度,将最大点数的水平面的夹角子区域的平均平面法向角度对应的法向方向作为Y轴方向;
所述最大点数的水平面的夹角区域为:datamm mm∈[1,N];
所述最大点数的水平面的夹角区域的平均平面法向为:
将θmm对应的法向方向作为X轴方向;
所述距离平均平面法向角度平均平面法向角度一定角度范围内水平面的夹角区域为:
datamn,mn∈[1,N]
所述最大点数的水平面的夹角子区域的平均平面法向角度为:
将θmn对应的法向方向作为Y轴方向;
则XY轴水平面方向相对于原始水平面坐标的角度为:
θ=(θmm+θmn-π/2)/2
步骤1所述将三维点云旋转至主方向得到旋转后三维点云,具体为:
P'i=T4×4·Pi
作为优选,所述步骤2具体如下:
步骤2.2:检索每个体素到上下前后左右6个方向的遮挡情况
从体素vi沿某个方向出发,一直到体素格网边界一直没有遇到包含点的体素
步骤2.3:根据遮挡情况设计决策树、或通过能量优化方程求解方式判定每个体素属于室内或室外,得到室内场景的三维空间内外分布图Oc={voci|voci∈{0,1},i=1,...,Nv};
作为优选,所述步骤3具体如下:
步骤3.1:从室内场景的三维空间内外分布图分离属于内部的体素集合
Ocin={voci|voci=0,i∈[1,Nv]};
步骤3.2:采用三维分割方法处理标记为内部的体素集,得到各个体素子集,各体素子集分别对应一个房间 为三维分割方法为体素voci指定的房间标记rj,Nr为分割结果中体素子集的数量即房间的数量,从而得到了房间的布局。
作为优选,所述步骤4具体如下:
步骤4.1:聚合标记为各房间的内部体素,形成各房间的体素子集;
步骤4.2:各体素子集中体素所在的房间最低高度采用投票策略决定房间最低高度特征值,各体素子集中体素所在的房间最高高度采用投票策略决定房间最高高度特征值;
所述房间最低高度特征值计算方式如下
从标记为rj的体素子集中选出体素所在高度最低nl个值HLj1,...,HLjnl,设HLj1<HLj2<...<HLjnl,并统计各高度对应的体素数量其中数量最大值为jLmax∈[1,jnl],对应的高度则为HLjmax,jmax∈[1,jnl],FjHL=HLjmax,FjHL为房间最低高度特征值;
所述房间最高高度特征值计算方式如下
从标记为rj的体素子集中选出体素所在高度最高nl个值HHj1,...,HHjnl,设HHj1<HHj2<...<HHjnl,并统计各高度对应的体素数量其中数量最大值为对应的高度则为HHjmax(jmax∈[1,jnl]),FjHH=HHjmax,FjHH为房间最高高度特征值;
步骤4.3:根据体素子集的特征进行聚类,得到楼层分布。
本发明所述的方法一方面能够处理不同来源的点云数据,包括地面三维激光扫描仪单站或多站配准拼接的点云数据、多视影像几何计算得到的点云数据、深度相机及集成激光-姿态传感器和摄像头的室内移动测量系统获取的点云数据等,另一方面能够处理单一楼层、多楼层、水平屋顶和倾斜屋顶的复杂室内场景的点云数据。
本发明具有如下积极效果:
本发明提出了一种利用三维点云自动提取室内空间布局的自动优化流程;本发明能够处理不同来源的三维点云数据,对于多楼层、倾斜屋顶等复杂室内场景的数据同样有效。
附图说明
图1:为本发明实施例的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例对本发明技术方案进行具体描述。
如图1所示,本发明提供了一种基于点云数据的室内空间布局提取方法,包括以下步骤:
步骤1:输入三维点云、计算三维点云的主方向,并将三维点云旋转至主方向得到旋转后三维点云:
步骤1所述三维点云的定义为:
datak(xk,yk,zk),k∈[1,K]
其中,K为三维点云中点的数量,datak(xk,yk,zk)为三维点云中第k个点,(xk,yk,zk)为三维点云中第k个点的空间坐标;
步骤1所述计算三维点云的主方向,具体为:
步骤1.1:所述输入的三维点云的Z轴方向朝上,且与室内场景的上方向一致,计算三维点云中每个点的法向以及XY水平面的夹角;
所述三维点云的法向为:
(nxk,nyk,nzk),k∈[1,K]
其中,(nxk,nyk,nzk)为三维点云中第k个点的法向,K为三维点云中点的数量;
所述三维点云中每个点的的夹角为:XY_θk,k∈[1,K]
其中,XY_θk为三维点云中第k个点的XY水平面的夹角;
步骤1.2:XY水平面的夹角由0至180度均匀划分为多个XY水平面的夹角区域,在每个XY水平面的夹角区域范围内,结合所述三维点云中每个点的夹角,统计每个XY水平面的夹角区域内三维点云中点的数量、每个XY水平面的夹角区域内三维点云中点、每个XY水平面的夹角区域内三维点云中点的法向;
所述每个XY水平面的夹角区域内三维点云中点的数量为:
(NUM1,NUM2,...,NUMN)
所述每个XY水平面的夹角区域内三维点云中点为:
ij∈[1,K],i∈[1,N],j∈[1,NUMi]
所述每个XY水平面的夹角区域内三维点云中点的法向为:
ij∈[1,K],i∈[1,N],j∈[1,NUMi]
步骤1.4:在多个水平面的夹角区域搜索三维点云中点的数量最大的水平面的夹角区域,将三维点云中点的数量最大的水平面的夹角区域定义为最大点数的水平面的夹角区域,计算最大点数的水平面的夹角区域的平均平面法向角度,将最大点数的水平面的夹角区域的平均平面法向角度对应的法向方向作为X轴方向,在距离平均平面法向角度平均平面法向角度一定角度范围内水平面的夹角区域进一步搜索三维点云中点的数量最大的水平面的夹角区域,并定义为最大点数的水平面的夹角子区域,计算最大点数的水平面的夹角子区域的平均平面法向角度,将最大点数的水平面的夹角子区域的平均平面法向角度对应的法向方向作为Y轴方向;
所述最大点数的水平面的夹角区域为:datamm mm∈[1,N];
所述最大点数的水平面的夹角区域的平均平面法向为:
将θmm对应的法向方向作为X轴方向;
所述距离平均平面法向角度平均平面法向角度一定角度范围内水平面的夹角区域为:
datamn,mn∈[1,N]
所述最大点数的水平面的夹角子区域的平均平面法向角度为:
将θmn对应的法向方向作为Y轴方向;
则XY轴水平面方向相对于原始水平面坐标的角度为:
θ=(θmm+θmn-π/2)/2
步骤1所述将三维点云旋转至主方向得到旋转后三维点云,具体为:
P'i=T4×4·Pi
步骤2:根据旋转后三维点云计算室内场景的三维空间内外分布图:
步骤2.2:检索每个体素到上下前后左右6个方向的遮挡情况
从体素vi沿某个方向出发,一直到体素格网边界一直没有遇到包含点的体素
步骤2.3:根据遮挡情况设计决策树、或通过能量优化方程求解方式判定每个体素属于室内或室外,得到室内场景的三维空间内外分布图Oc={voci|voci∈{0,1},i=1,...,Nv};
步骤3:分割属于内部的体素集,得到房间的布局。
步骤3.1:从室内场景的三维空间内外分布图分离属于内部的体素集合
Ocin={voci|voci=0,i∈[1,Nv]};
步骤3.2:采用三维分割方法处理标记为内部的体素集,得到各个体素子集,各体素子集分别对应一个房间 为三维分割方法为体素voci指定的房间标记rj,Nr为分割结果中体素子集的数量即房间的数量,从而得到了房间的布局。
步骤4:对标记为不同房间的各体素子集进行聚类,得到楼层的分布。
步骤4.1:聚合标记为各房间的内部体素,形成各房间的体素子集;
步骤4.2:各体素子集中体素所在的房间最低高度采用投票策略决定房间最低高度特征值,各体素子集中体素所在的房间最高高度采用投票策略决定房间最高高度特征值;
所述房间最低高度特征值计算方式如下
从标记为rj的体素子集中选出体素所在高度最低nl个值HLj1,...,HLjnl,设HLj1<HLj2<...<HLjnl,并统计各高度对应的体素数量其中数量最大值为jLmax∈[1,jnl],对应的高度则为HLjmax,jmax∈[1,jnl],FjHL=HLjmax,FjHL为房间最低高度特征值;
所述房间最高高度特征值计算方式如下
从标记为rj的体素子集中选出体素所在高度最高nl个值HHj1,...,HHjnl,设HHj1<HHj2<...<HHjnl,并统计各高度对应的体素数量其中数量最大值为(jHmax∈[1,jnl]),对应的高度则为HHjmax(jmax∈[1,jnl]),FjHH=HHjmax,FjHH为房间最高高度特征值;
步骤4.3:根据体素子集的特征进行聚类,得到楼层分布。
具体实施时,本领域技术人员可采用计算机软件方式支持实现流程。
本发明提供了本领域技术人员能够实现的技术方案。以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变换或变型,因此所有等同的技术方案,都落入本发明的保护范围。
Claims (1)
1.一种基于点云数据的室内空间布局提取方法,其特征在于,
包括以下步骤:
步骤1:输入三维点云、计算三维点云的主方向,并将三维点云旋转至主方向得到旋转后三维点云:
步骤2:根据旋转后三维点云计算室内场景的三维空间内外分布图;
步骤3:分割属于内部的体素集得到房间的布局;
步骤4:对标记为不同房间的各体素子集进行聚类得到楼层的分布;
步骤1所述三维点云的定义为:
datak(xk,yk,zk),k∈[1,K]
其中,K为三维点云中点的数量,datak(xk,yk,zk)为三维点云中第k个点,(xk,yk,zk)为三维点云中第k个点的空间坐标;
步骤1所述计算三维点云的主方向,具体为:
步骤1.1:所述输入的三维点云的Z轴方向朝上,且与室内场景的上方向一致,计算三维点云中每个点的法向以及XY水平面的夹角;
所述三维点云的法向为:
(nxk,nyk,nzk),k∈[1,K]
其中,(nxk,nyk,nzk)为三维点云中第k个点的法向;
所述三维点云中每个点的夹角为:XY_θk,k∈[1,K]
其中,XY_θk为三维点云中第k个点的XY水平面的夹角;
步骤1.2:XY水平面的夹角由0至180度均匀划分为多个XY水平面的夹角区域,在每个XY水平面的夹角区域范围内,结合所述三维点云中每个点的夹角,统计每个XY水平面的夹角区域内三维点云中点的数量、每个XY水平面的夹角区域内三维点云中点、每个XY水平面的夹角区域内三维点云中点的法向;
所述每个XY水平面的夹角区域内三维点云中点的数量为:
(NUM1,NUM2,...,NUMK)
所述每个XY水平面的夹角区域内三维点云中点为:
ij∈[1,K],i∈[1,N],j∈[1,NUMi]
所述每个XY水平面的夹角区域内三维点云中点的法向为:
ij∈[1,K],i∈[1,N],j∈[1,NUMi]
步骤1.4:在多个水平面的夹角区域搜索三维点云中点的数量最大的水平面的夹角区域,将三维点云中点的数量最大的水平面的夹角区域定义为最大点数的水平面的夹角区域,计算最大点数的水平面的夹角区域的平均平面法向角度,将最大点数的水平面的夹角区域的平均平面法向角度对应的法向方向作为X轴方向,在距离平均平面法向角度平均平面法向角度一定角度范围内水平面的夹角区域进一步搜索三维点云中点的数量最大的水平面的夹角区域,并定义为最大点数的水平面的夹角子区域,计算最大点数的水平面的夹角子区域的平均平面法向角度,将最大点数的水平面的夹角子区域的平均平面法向角度对应的法向方向作为Y轴方向;
所述最大点数的水平面的夹角区域为:datamm mm∈[1,N];
所述最大点数的水平面的夹角区域的平均平面法向为:
将θmm对应的法向方向作为X轴方向;
所述距离平均平面法向角度一定角度范围内水平面的夹角区域为:
datamn,mn∈[1,N]
所述最大点数的水平面的夹角子区域的平均平面法向角度为:
将θmn对应的法向方向作为Y轴方向;
则XY轴水平面方向相对于原始水平面坐标的角度为:
θ=(θmm+θmn-π/2)/2
步骤1所述将三维点云旋转至主方向得到旋转后三维点云,具体为:
P′i=T4×4·Pi
所述步骤2具体如下:
步骤2.2:检索每个体素到上下前后左右6个方向的遮挡情况
从体素vi沿某个方向出发,一直到体素格网边界一直没有遇到包含点的体素,该方向遮挡值为0,否则为1;
步骤2.3:根据遮挡情况设计决策树、或通过能量优化方程求解方式判定每个体素属于室内或室外,得到室内场景的三维空间内外分布图
Oc={voci|voci∈{0,1},i=1,...,Nv};
所述步骤3具体如下:
步骤3.1:从室内场景的三维空间内外分布图分离属于内部的体素集合
Ocin={voci|voci=0,i∈[1,Nv]};
步骤3.2:采用三维分割方法处理标记为内部的体素集,得到各个体素子集,各体素子集分别对应一个房间 为三维分割方法为体素voci指定的房间标记rj,Nr为分割结果中体素子集的数量即房间的数量,从而得到了房间的布局;
所述步骤4具体如下:
步骤4.1:聚合标记为各房间的内部体素,形成各房间的体素子集;
步骤4.2:各体素子集中体素所在的房间最低高度采用投票策略决定房间最低高度特征值,各体素子集中体素所在的房间最高高度采用投票策略决定房间最高高度特征值;
所述房间最低高度特征值计算方式如下:
从标记为rj的体素子集中选出体素所在高度最低nl个值HLj1,...,HLjnl,设HLj1<HLj2<...<HLjnl,并统计各高度对应的体素数量其中数量最大值为对应的高度则为HLjmax,jmax∈[1,jnl],
FjHL=HLjmax,FjHL为房间最低高度特征值;
所述房间最高高度特征值计算方式如下:
从标记为rj的体素子集中选出体素所在高度最高nl个值HHj1,...,HHjnl,设HHj1<HHj2<...<HHjnl,并统计各高度对应的体素数量其中数量最大值为对应的高度则为HHjmax,jmax∈[1,jnl];
FjHH=HHjmax,FjHH为房间最高高度特征值;
步骤4.3:根据体素子集的特征进行聚类,得到楼层分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326020.8A CN112989470B (zh) | 2021-03-26 | 2021-03-26 | 一种基于点云数据的室内空间布局提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326020.8A CN112989470B (zh) | 2021-03-26 | 2021-03-26 | 一种基于点云数据的室内空间布局提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989470A CN112989470A (zh) | 2021-06-18 |
CN112989470B true CN112989470B (zh) | 2022-06-07 |
Family
ID=76333812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110326020.8A Active CN112989470B (zh) | 2021-03-26 | 2021-03-26 | 一种基于点云数据的室内空间布局提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989470B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935082B (zh) * | 2021-08-31 | 2024-08-27 | 重庆大学 | 一种基于点云数据和bim模型的工程结构数字化预拼装方法 |
CN115048688A (zh) * | 2022-04-01 | 2022-09-13 | 湖州电力设计院有限公司 | 一种基于可移动式屋面的gis室平面优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005995A (zh) * | 2015-07-29 | 2015-10-28 | 武汉大学 | 一种计算三维点云模型骨骼的方法 |
CN107194913A (zh) * | 2017-04-21 | 2017-09-22 | 北京农业信息技术研究中心 | 一种作物群体最适研究尺度检测方法及装置 |
US9934590B1 (en) * | 2015-06-25 | 2018-04-03 | The United States Of America As Represented By The Secretary Of The Air Force | Tchebichef moment shape descriptor for partial point cloud characterization |
CN110189412A (zh) * | 2019-05-13 | 2019-08-30 | 武汉大学 | 基于激光点云的多楼层室内结构化三维建模方法及系统 |
CN111368733A (zh) * | 2020-03-04 | 2020-07-03 | 电子科技大学 | 一种基于标签分布学习的三维手部姿态估计方法、存储介质及终端 |
-
2021
- 2021-03-26 CN CN202110326020.8A patent/CN112989470B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9934590B1 (en) * | 2015-06-25 | 2018-04-03 | The United States Of America As Represented By The Secretary Of The Air Force | Tchebichef moment shape descriptor for partial point cloud characterization |
CN105005995A (zh) * | 2015-07-29 | 2015-10-28 | 武汉大学 | 一种计算三维点云模型骨骼的方法 |
CN107194913A (zh) * | 2017-04-21 | 2017-09-22 | 北京农业信息技术研究中心 | 一种作物群体最适研究尺度检测方法及装置 |
CN110189412A (zh) * | 2019-05-13 | 2019-08-30 | 武汉大学 | 基于激光点云的多楼层室内结构化三维建模方法及系统 |
CN111368733A (zh) * | 2020-03-04 | 2020-07-03 | 电子科技大学 | 一种基于标签分布学习的三维手部姿态估计方法、存储介质及终端 |
Non-Patent Citations (1)
Title |
---|
Pengcheng Zhao等.Panoramic Image and Three-Axis Laser Scanner Integrated Approach for Indoor 3D Mapping.《remote sensing》.2018, * |
Also Published As
Publication number | Publication date |
---|---|
CN112989470A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
CN111915730B (zh) | 一种顾及语义从点云自动生成室内三维模型的方法及系统 | |
CN110111414B (zh) | 一种基于三维激光点云的正射影像生成方法 | |
Ochmann et al. | Automatic reconstruction of parametric building models from indoor point clouds | |
CN107292276B (zh) | 一种车载点云聚类方法及系统 | |
Borrmann et al. | The 3d hough transform for plane detection in point clouds: A review and a new accumulator design | |
CN106127791B (zh) | 一种航空遥感影像的建筑物轮廓线提取方法 | |
CN112989470B (zh) | 一种基于点云数据的室内空间布局提取方法 | |
CN110827398B (zh) | 基于深度神经网络的室内三维点云自动语义分割方法 | |
CN110782524A (zh) | 基于全景图的室内三维重建方法 | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
CN111598770A (zh) | 一种基于三维数据和二维图像的物体检测方法和装置 | |
CN113920134A (zh) | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 | |
CN103514598B (zh) | 一种建筑sfm点云的自动分割方法 | |
CN113192174B (zh) | 建图方法、装置及计算机存储介质 | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN110967020B (zh) | 一种面向港口自动驾驶的同时制图与定位方法 | |
CN112396655A (zh) | 一种基于点云数据的船舶目标6d位姿估计方法 | |
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 | |
CN113985435A (zh) | 一种融合多激光雷达的建图方法及系统 | |
CN113536959A (zh) | 一种基于立体视觉的动态障碍物检测方法 | |
Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
CN104077603A (zh) | 类地重力场环境下室外场景单目视觉空间识别方法 |
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 |