CN113409332B - 一种基于三维点云的建筑物平面分割方法 - Google Patents
一种基于三维点云的建筑物平面分割方法 Download PDFInfo
- Publication number
- CN113409332B CN113409332B CN202110652652.3A CN202110652652A CN113409332B CN 113409332 B CN113409332 B CN 113409332B CN 202110652652 A CN202110652652 A CN 202110652652A CN 113409332 B CN113409332 B CN 113409332B
- Authority
- CN
- China
- Prior art keywords
- points
- plane
- point
- boundary
- adjacent
- 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.)
- Expired - Fee Related
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明为一种基于三维点云的建筑物平面分割方法，其将区域生长算法与基于边界点的距离算法相结合，首先，利用区域生长算法对建筑物平面进行粗分割，并从原始建筑物点云中去除粗提取的平面点得到剩余点云数据。然后，利用在切面上的点与其相邻点之间形成的向量之间夹角的最大值来提取粗平面的边界点。最后，根据剩余点到提取的粗平面边界点的距离阈值，得到两平面相交的角点，将粗提取的平面点与对应的角点相结合，得到最优的平面分割。在不引起过度分割的前提下，本发明对同一平面上的不同目标能进行精确分割。本发明还可以精确地提取出区域生长算法无法分离的两个平面相交的角点。
Description
技术领域
本发明属于三维点云分割领域，涉及一种基于三维点云数据的建筑物平面分割方法。
背景技术
随着我国城镇化的快速发展、城市人口的高速增长以及智慧城市建设的迅猛需求， 三维建筑物模型已成为“数字城市”的重要组成部分，在城市规划、环境模拟、文化遗产保护 等领域得到广泛的应用。建筑物平面包含丰富和直观的细节信息，是建筑物三维建模不可或 缺的组成部分。建筑物平面点云分割是实现数字城市三维模型重建的前提和基础，如何高效 率、高精度地从点云数据中提取建筑物平面信息，成为建筑物三维重建的重要任务之一。建 筑物平面数据的主要通过三种方法获取：航空摄影测量、深度相机和激光雷达扫描仪，这些 方法可以提供建筑物平面的稠密点云数据。通过航空摄影测量可以获得建筑物平面特征的详 细纹理图案。深度相机可以记录物体到相机的距离。激光雷达扫描仪不仅可以获取在不同位 置物体的高密度、高精度几何结构信息，还可以提供高质量点云数据的三维建筑物模型。
传统分割算法根据点云的一些基本特性如几何特征、颜色信息等设计特征描述子， 然后基于这些特征描述子建立特征滤波器进行分割。传统的方法主要包括：1)霍夫变换 (Hough Transform)：Hough变换主要用于检测具有给定特征的几何形状(如直线、平面和 圆)。2)随机采样一致性算法(RANSAC)：RANSAC算法通过估计数学模型参数来检测平面，进行点云数据平面分割。3)区域增长算法：区域增长算法是检测平面、圆和其他参数 化形状的经典方法。该算法的基本思想是首先在分割区域中随机找出一个种子像素，将其作为初始点，然后将邻近区域中与种子像素具有相似特征的像素聚集在初始点区域中得到一个 新像素，将得到的新像素作为新的种子像素进行生长，直到附近邻域中没有种子像素特征相 似的像素为止。虽然，区域生长算法可以分割建筑平面。但会造成两平面相交点的缺失，而 RANSAC算法会引起平面的过度分割。Hough变换算法由于每个点需要参与多次投票，计 算量大、占用内存多且计算复杂度和存储量随参数和数据量的增加呈指数增长。因此，大多 数研究将区域生长算法与其他方法相结合来检测建筑平面，虽然这些方法可以提取建筑平面 点云数据，但操作复杂。
发明内容
为了从三维点云数据中能精确对建筑物平面进行分割，本发明将区域生长算法与基 于边界点的距离算法相结合，提出了一种基于三维点云的建筑物平面分割方法。
本发明所采用的技术方案是：一种基于三维点云的建筑物平面分割方法，其特征在 于，包括以下步骤：
步骤1：利用区域生长算法对建筑平面进行粗分割，并从原始建筑物点中去除粗提取平面点得到剩余点数据。
步骤2：利用在切面上的点与其相邻点之间形成的向量之间夹角的最大值来提取粗 平面的边界点。
步骤3：根据剩余点到提取的粗平面边界点的距离阈值，得到两平面相交的角点，将粗提取的平面点与对应的角点相结合，得到最优的平面分割。
对于建筑物平面分割算法，由于Hough变换的计算量大、占用内存多，RANSAC 算法容易产生过度分割，而区域生长算法容易缺失两平面的相交点。本发明将区域生长算法 与基于边界点的距离算法相结合，提出一种建筑物平面点云分割算法。与RANSAC算法相 比，该方法不仅可以在不产生过度分割的情况下对同一平面上的不同目标进行分割，还可以获取区域增长算法无法提取两个平面相交的角点。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例的边界点提取图，(a)原始数据、(b)边界点提取结果；
图3为本发明实施例中cottage的原始点云；
图4为本发明实施例中pantry的原始点云；
图5为本发明实施例中cottage的平面分割结果图；
图6为本发明实施例中pantry的平面分割结果图。
具体实施方式
下面将结合附图对本发明作进一步的详细描述，所描述的实例仅旨在便于对本发明 的理解，并不用于限定本发明。
请见图1，本发明提供了一种基于三维点云的建筑物平面分割方法，本发明的具体步骤如下：
1.平面的粗提取
区域生长是一种基于空间邻近性和同质性的分割算法。本发明采用区域生长算法对 建筑平面进行粗提取。法向量和曲率是曲面的基本特征，是进行曲面特征识别的重要基础。 利用区域生长算法进行平面的粗提取，需要估计采样点的法向量和曲率来获得平面分割。本 发明利用由相邻点组成的曲面估计点的法向量和曲率，并利用主成分分析或由相邻点生成的 协方差矩阵的特征向量和特征值计算点的法向量。pi为平面上任意一点，则对应的协方差矩阵 C为:
式中，n为pi的相邻点个数，ps为相邻点的 中心。pi的法向量为：
其中λj为协方差矩阵的第j个特征值，
为第j 个特征向量。法向量是对应于最小特征值的特征向量。由于特征值λ0<λ1<λ2代表一个点随三 个主要方向的变化程度，故pi的曲率σ可近似为：
其中λ0,λ1,λ2为协方差矩 阵的特征值。
区域生长分割算法的具体流程：1)计算所有点的曲率，并将最小曲率点添加到种子点集。 2)计算当前种子点及其相邻点的法向量。如果当前种子点的相邻点不仅满足该点的法向量与当 前种子点法向量的夹角值，而且其曲率值小于设置的曲率值，则该相邻点到该种子点序列。3) 删除当前的种子点，将相邻的点视为新的种子点，继续区域的生长。4)这个过程将继续下去， 直到种子点序列为空为止。
2.边界点提取
粗提取平面的边界点是根据切平面上点与其相邻点所形成的向量夹角的最大值来提取 的。在得到所有点的法向量后，利用点与其邻点在切平面上形成的向量的最大夹角准则来判断其 是否位于平面的边界上。需要提取适当数量的边界点来计算剩余点到粗提取平面边界点的距离。 如果角度阈值太小，很多内部点将被视为边界点。如果角度阈值太大，可能会丢失一些边界点(如 图2)。
粗提取平面的边界点提取过程：1)计算由一个点及其邻近点构成的曲面的法向量。切平 面是由法向量计算出来的。2)将这些点投影到切平面上。3)计算这些相邻点在切平面上构成的 向量之间的夹角。4)若相邻向量之间的最大夹角大于设定的阈值，则视为边界点；否则，视为 内点。
3.最优平面获取
获得边界点后，利用剩余点到粗提取平面边界点的距离阈值提取两个平面相交的共面点。 剩余点从建筑的原始点中去除粗提取平面点后得到。剩余点用P(x,y,z)表示。粗提取平面的边 界点表示为Q(l,m,n)。剩余点到边界点的距离d(P,Q)为：
最后根据剩余点到提取的粗平面边界点的距离阈值，得到两平面相交的角点，将粗提取 的平面点与对应的角点相结合，得到最优的平面分割。图3和图4为建筑物原始点云数据，图5 和图6为本发明的平面分割结果。
以上所述仅为本发明的一种实施方式，不是全部或唯一的实施方式，本领域的普通技术 人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，对本发明技术方案采取 的任何等效的变换，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为 准。
Claims (4)
1.一种基于三维点云数据的建筑物平面分割方法，其特征在于如下步骤：
步骤1：利用区域生长算法对建筑物平面进行粗分割，并从原始建筑物点中去除粗提取的平面点得到剩余点云数据；
步骤2：计算提取粗平面的点云数据的法向量，然后将粗平面的点云数据投影在切平面上，利用在切面上的点与该点在切平面上的相邻点之间形成的向量之间的夹角的最大值来提取粗平面的边界点；
步骤3：根据剩余点到提取的粗平面边界点的距离阈值，得到两平面相交的共面点，该共面点可以弥补区域生长算法引起的缺失的两平面相交点数据；将粗提取的平面点与对应的共面点相结合，得到最优的平面分割。
2.根据权利要求1所述的基于三维点云数据的建筑物平面分割方法，其特征在于，步骤1进一步包括：
采用区域生长算法对建筑平面进行粗提取，算法的思想是选择曲率最小的点作为初始种子点，该种子点的相邻点不仅满足其法向量与当前种子点的法向量之间的夹角值，而且其曲率值小于设定的阈值，则将该相邻点添加到种子点序列；具体流程如下:
(1)计算所有点的曲率，并将最小曲率点添加到种子点集；
(2)计算当前种子点及其相邻点的法向量，如果当前种子点的相邻点不仅满足该点的法向量与当前种子点法向量的夹角值，而且其曲率值小于设置的阈值，则将该相邻点添加到种子点序列；
(3)删除当前的种子点，将相邻的点视为新的种子点，继续区域的生长；
(4)这个过程将继续下去，直到种子点序列为空为止。
3.根据权利要求1所述的基于三维点云数据的建筑物平面分割方法，其特征在于，步骤2进一步包括：在得到所有点的法向量后，根据切平面上的点与该点在切平面上的相邻点形成的向量的最大夹角准则来判断其是否位于平面的边界上；利用适当数量的边界点来计算剩余点到粗提取平面边界点的距离，如果角度阈值太小，很多内部点将被视为边界点；如果角度阈值太大，可能会丢失一些边界点；粗提取平面的边界点提取过程如下:
(1)计算由一个点及其邻近点构成的曲面的法向量并计算其切平面；
(2)将这些点投影到切平面上；
(3)计算切平面上的点与该点在切平面上的相邻点构成的向量之间的夹角；
(4)若相邻向量之间的最大夹角大于设定的阈值，则视为边界点；否则，将其视为内点。
4.根据权利要求1所述的基于三维点云数据的建筑物平面分割方法，其特征在于，步骤3进一步包括：获得边界点后，利用剩余点到粗提取平面边界点的距离阈值提取两个平面相交的共面点，该共面点可以弥补区域生长算法引起的缺失的两平面相交点数据；将粗提取的平面点与相应的共面点相结合，得到最优的平面分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652652.3A CN113409332B (zh) | 2021-06-11 | 2021-06-11 | 一种基于三维点云的建筑物平面分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652652.3A CN113409332B (zh) | 2021-06-11 | 2021-06-11 | 一种基于三维点云的建筑物平面分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113409332A CN113409332A (zh) | 2021-09-17 |
| CN113409332B true CN113409332B (zh) | 2022-05-27 |
Family
ID=77683586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110652652.3A Expired - Fee Related CN113409332B (zh) | 2021-06-11 | 2021-06-11 | 一种基于三维点云的建筑物平面分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113409332B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119940B (zh) * | 2021-12-07 | 2024-07-16 | 成都信息工程大学 | 基于ransac和角点提取的障碍物点云凸包分割方法 |
| EP4279863A1 (en) * | 2022-05-20 | 2023-11-22 | Hexagon Technology Center GmbH | Image-based method of defining a scanning area |
| CN116128886A (zh) * | 2023-04-18 | 2023-05-16 | 深圳市其域创新科技有限公司 | 一种点云数据分割方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
| CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139379B (zh) * | 2015-07-30 | 2018-01-12 | 滁州学院 | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 |
| CN106056614A (zh) * | 2016-06-03 | 2016-10-26 | 武汉大学 | 一种地面激光点云数据的建筑物分割与轮廓线提取方法 |
| CN106780524B (zh) * | 2016-11-11 | 2020-03-06 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
| CA3030513A1 (en) * | 2018-01-19 | 2019-07-19 | Sofdesk Inc. | Automated roof surface measurement from combined aerial lidar data and imagery |
| CN109325998B (zh) * | 2018-10-08 | 2023-06-30 | 香港理工大学 | 一种基于点云数据的室内3d建模方法、系统及相关装置 |
| CN110956690A (zh) * | 2019-11-19 | 2020-04-03 | 广东博智林机器人有限公司 | 一种建筑信息模型生成方法和系统 |
| CN110992341A (zh) * | 2019-12-04 | 2020-04-10 | 沈阳建筑大学 | 一种基于分割的机载LiDAR点云建筑物提取方法 |
-
2021
- 2021-06-11 CN CN202110652652.3A patent/CN113409332B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
| CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113409332A (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
| CN110443836B (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
| WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
| CN107038717B (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
| CN106780524B (zh) | 一种三维点云道路边界自动提取方法 | |
| CN109685080B (zh) | 基于霍夫变换与区域生长的多尺度平面提取方法 | |
| CN114332366B (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
| Micusik et al. | Descriptor free visual indoor localization with line segments | |
| CN111340723B (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 | |
| CN106408581B (zh) | 一种快速的三维点云直线提取方法 | |
| CN109615581B (zh) | 一种融合扩展高斯球和颜色几何特征的三维碎片的拼接复原方法 | |
| CN109685821A (zh) | 基于高质量体素的区域生长3d岩体点云平面提取方法 | |
| CN111311650A (zh) | 一种点云数据的配准方法、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 | |
| CN109712143B (zh) | 一种基于超像素多特征融合的快速图像分割方法 | |
| CN115049925B (zh) | 田块田坎提取方法、电子设备及存储介质 | |
| CN115564926A (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
| CN109523582B (zh) | 一种顾及法向量和多尺度稀疏特征的点云粗配准方法 | |
| CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
| CN111161267A (zh) | 一种三维点云模型的分割方法 | |
| CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
| CN109242854A (zh) | 一种基于flic超像素分割的图像显著性检测方法 | |
| Liu et al. | Application of three-dimensional laser scanning in the protection of multi-dynasty ceramic fragments | |
| CN115965712A (zh) | 一种建筑物二维矢量图构建方法、系统、设备及存储介质 | |
| CN113838069B (zh) | 基于平面度约束的点云分割方法和系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220527 |