CN113449644A - 机载激光点云城市普通建筑轮廓提取方法 - Google Patents
机载激光点云城市普通建筑轮廓提取方法 Download PDFInfo
- Publication number
- CN113449644A CN113449644A CN202110729419.0A CN202110729419A CN113449644A CN 113449644 A CN113449644 A CN 113449644A CN 202110729419 A CN202110729419 A CN 202110729419A CN 113449644 A CN113449644 A CN 113449644A
- Authority
- CN
- China
- Prior art keywords
- point
- outline
- curve
- building
- points
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明涉及建筑轮廓提取技术领域,具体地说,涉及一种机载激光点云城市普通建筑轮廓提取方法,其包括以下步骤:一、使用alpha‑shape算法提取出建筑物点云的有序边界点集;二、提取出初级轮廓;三、根据边界点类型划分算法,将有序边界点集划分为3类点集集合;四、将斜直线点集集合和曲线点集集合内的点视为被遮挡的边界点,采用IMBR方法获得建筑正交轮廓;五、提取斜直线点集集合对应的建筑轮廓,获得斜直线轮廓线段集合;六、提取曲线点集集合对应的建筑轮廓,获得曲线轮廓线段集合;七、合并,获得建筑物的最终轮廓。本发明能较佳的提取建筑轮廓。
Description
技术领域
本发明涉及建筑轮廓提取技术领域,具体地说,涉及一种机载激光点云城市普通建筑轮廓提取方法。
背景技术
当前的建筑轮廓提取方法中,大多数是提取建筑物的直线轮廓,然后进行轮廓正交化;或者对非直角轮廓线段不做处理,从而适应非直角的建筑物轮廓。目前能处理曲线轮廓的方法较少。迭代CD-Spline算法适用性更强,能自动选择最合适的曲线方程阶数。但是这种方法需要首先确定建筑的拐角点,将边界点划分为多段点集,然后进行变次样条曲线拟合。而建筑边界点集特征点的识别不精确会导致点集分组错误,从而影响后续轮廓拟合的正确性。
发明内容
本发明的内容是提供一种机载激光点云城市普通建筑轮廓提取方法(GBOE方法),其能够克服现有技术的某种或某些缺陷。
根据本发明的一种机载激光点云城市普通建筑轮廓提取方法,其包括以下步骤:
一、使用alpha-shape算法提取出建筑物点云的有序边界点集P={Pi},Pi为边界点;
二、根据递归最小边界矩形算法提取出初级轮廓outline0;
三、根据边界点类型划分算法,将有序边界点集P划分为3类点集集合:平行于outline0某条线段的平行点集集合{PP};与outline0所有线段都不平行的斜直线点集集合{PO};曲线点集集合{PC};
四、将斜直线点集集合{PO}和曲线点集集合{PC}内的点视为被遮挡的边界点,采用IMBR方法获得建筑正交轮廓outline(PP);
五、提取斜直线点集集合{PO}对应的建筑轮廓,获得斜直线轮廓线段集合{LSi};
六、提取曲线点集集合{PC}对应的建筑轮廓,获得曲线轮廓线段集合{Curvei};
七、合并outline(PP)、{LSi}、{Curvei},获得建筑物的最终轮廓outline。
作为优选,步骤三中,边界点划分的步骤如下:
1)以outline0的左下角顶点为原点,以顶点相邻的outline0线段为坐标轴,构建右手平面直角坐标系UV。
2)以没被划分类型的点为起点。将起点加入临时点集Ptemp,并开始往两侧生长。生长终止的条件是待加入的点到U-axis的距离与Ptemp到U-axis的距离均值的差值大于误差阈值Tw(根据点云的平面精度确定)。将Ptemp作为子集加入到{PP}。
3)重复步骤2),直至遍历P内所有点。
4)将U-axis替换为V-axis,重复步骤2)-步骤3)。至此,得到边界点集P内的平行点集集合{PP},剩余点被划分为多个未知类型的点集集合{PU}。
5)使用最小二乘对PUi进行直线拟合,得到拟合误差eLine;如果eLine≤Tw,PUi为斜直线点集;否则使用B-Spline对PUi进行曲线拟合,得到拟合误差eBSpline。如果eBSpline≤Tw,PUi为曲线点集;否则使用有序RANSAC算法对PUi进行斜直线拆分,得到多个斜直线点集。
6)重复步骤5),直至{PU}内的所有子集被划分为斜直线点集或曲线点集。
7)如果相邻的两个曲线点集PCi和PCi+1中间只存在一个平行点集PPj,将PPj、PCi和PCi+1合并为临时点集Pmerge。使用B-Spline对临时点集Pmerge进行拟合,如果拟合误差eBSpline<Tw,则将合并结果Pmerge视为子集加入{PC}。同时从{PC}中删除PCi和PCi+1,从{PP}中删除PPj。
作为优选,步骤六中,提取曲线点集集合{PC}对应的建筑轮廓包括以下步骤:
a)根据点到对应线段垂距最小的原则,确定曲线点集PCi的起点p和终点q在outline(PP)中的对应的线段side(p)和side(q);
b)结合线段side(p)和side(q),使用附加线段限制的B-Spline拟合方法对点集PCi进行拟合,得到起始端点在side(p)上,结束端点在side(q)上的曲线线段Curvei,即PCi的轮廓线段;
c)重复步骤a)-b)直到{PC}中的所有子集都处理完成,获得曲线轮廓线段集合{Curvei}。
作为优选,使用附加线段限制的B-Spline拟合方法对点集PCi进行拟合如下:
假设给定n+1个控制点CP={CP0,CP1,...,CPn}和一个节点向量U={u0,u1,...,un},p次B-Spline的定义如下式:
假设点集Q={Q0,Q1,...Qm}是待拟合的曲线点集,其中Qi=[xi yi]T;B-Spline的控制点坐标可根据最小二乘原理进行确定,如下式所示:
根据最小二乘估计曲线点集Q={Q0,Q1,...Qm}的控制点,得到的B-Spline的起点在Q0附近、终点在Qm附近;曲线点集的Q0和Qm到正交轮廓outline(PP)的距离都大于距离阈值Td,所以B-Spline与outline(PP)不会相交;
曲线点集Q的起点Q0和终点Qm在正交轮廓outline(PP)中的对应的边是side(Q0)和side(Qm);为了使Q的B-Spline与side(Q0)和side(Qm)相交,可以令B-Spline的起点位于side(Q0)上,终点位于side(Qm)上;由于B-Spline可以使起点与首控制点重合,终点与尾控制点重合,因此可以添加首、尾控制点位于side(Q0)和side(Qm)上的限制条件令B-Spline与outline(PP)相交;
附加直线限制的B-Spline拟合方法的函数模型可写为:
附加了首、尾控制点位于直线上的限制条件之后,计算得到的B-Spline的首、尾控制点肯定位于线段side(Q0)、side(Qm)上;B-Spline的起点和终点与首控制点和尾控制点重合,所以B-Spline与outline(PP)相交。
本发明通过将建筑物边界点划分为3种不同类型的边界点,对3种不同类型的边界点分别进行处理,根据不同类型点集采用不同的轮廓拟合方法,有效提高了建筑物轮廓的精度。
本发明解决了IMBR算法采用锯齿形正交线段来拟合建筑物斜直线轮廓和曲线轮廓的不足。
本发明避免了迭代CD-Spline算法所需的特征点提取步骤,提取精度得到提高。CD-Spline算法需要准确特征点才能获得准确的边界,而精确提取特征点是比较困难,提取错误导致把直线线段和曲线线段混在一起以曲线拟合的不足。
本发明继承了IMBR算法保证直角轮廓正交性的优点。
本发明可通过改变距离阈值Td来适应不同比例尺地形图对建筑轮廓提取的要求。
附图说明
图1为实施例1中一种机载激光点云城市普通建筑轮廓提取方法的流程图;
图2为实施例1中边界点类型划分结果示意图;
图3为实施例1中建筑正交轮廓outline(PP)示意图;
图4为实施例1中建筑轮廓outline示意图;
图5为实施例1中平行点集示意图;
图6为实施例1中复杂点集拆分示意图;
图7为实施例1中与outline(PP)不相交的B-Spline示意图;
图8为实施例1中典型建筑的试验数据示意图;
图9为实施例1中边界点划分结果示意图;
图10为实施例1中曲线点集拼接的效果示意图;
图11为实施例1中GBOE方法、IMBR算法、迭代CD-Spline算法提取的建筑轮廓示意图;
图12为实施例1中迭代CD-Spline算法提取的错误轮廓示意图;
图13为实施例1中轮廓直角顶点统计示例示意图;
图14为实施例1中曲线拟合的对比示意图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
在改进的最小边界矩形(improved minimum bounding rectangle,IMBR)算法的基础上,引入边界点类型划分方法,提出了机载激光点云城市普通建筑轮廓提取(GeneralBuilding Outline Extraction,GBOE)方法。
根据建筑点云提取其对应的轮廓是GBOE方法的研究内容,所以该方法的起算数据是单栋建筑点云。如图1所示,GBOE方法的流程如下:
1)使用alpha-shape算法提取出建筑物点云的有序边界点集P={Pi},Pi为边界点;
2)根据递归最小边界矩形(recursive minimum bounding rectangle,RMBR)算法提取出初级轮廓outline0;
3)根据边界点类型划分算法,将有序边界点集P划分为3类点集集合,如图2所示:平行于outline0某条线段的平行点集集合{PP};与outline0所有线段都不平行的斜直线点集集合{PO};曲线点集集合{PC};
边界点类型划分即把有序边界点集P划分为平行点集集合{PP}、斜直线点集集合{PO}以及曲线点集集合{PC},为后续的分类提取轮廓提供数据。边界点划分的步骤如下:
a、以outline0的左下角顶点为原点,以顶点相邻的outline0线段为坐标轴,构建右手平面直角坐标系UV。
b、以没被划分类型的点为起点。将起点加入临时点集Ptemp,并开始往两侧生长。生长终止的条件是待加入的点到U-axis的距离与Ptemp到U-axis的距离均值的差值大于误差阈值Tw(根据点云的平面精度确定)。将Ptemp作为子集加入到{PP}。
c、重复步骤b,直至遍历P内所有点。
d、将U-axis替换为V-axis,重复步骤b-步骤c。至此,得到边界点集P内的平行点集集合{PP},如图5所示,绿色区域点集与V-axis平行,红色区域点集与U-axis平行,剩余点被划分为多个未知类型的点集集合{PU}。
e、使用最小二乘对PUi进行直线拟合,得到拟合误差eLine。如果eLine≤Tw,PUi为斜直线点集;否则使用B-Spline对PUi进行曲线拟合,得到拟合误差eBSpline。如果eBSpline≤Tw,PUi为曲线点集;否则使用有序RANSAC算法对PUi进行斜直线拆分,得到多个斜直线点集。
有序RANSAC算法,要求提取的斜直线点集是有序排列的,不能出现点序号跳变。图6中黑色直线表示RANSAC拟合的直线,但它包含了两段点集。两段点集中间存在其他点,产生了点集序号的跳变,因此只保留点数较多的点集。剩余点集继续进行直线提取,直至提取不出直线。
使用有序RANSAC算法,图6中的点集被划分为3个斜直线点集。图5中的未知类型点集PU2被拆分为两个斜直线点集。
f、重复步骤e,直至{PU}内的所有子集被划分为斜直线点集或曲线点集。
g、如果相邻的两个曲线点集PCi和PCi+1中间只存在一个平行点集PPj,将PPj、PCi和PCi+1合并为临时点集Pmerge。使用B-Spline对临时点集Pmerge进行拟合,如果拟合误差eBSpline<Tw,则将合并结果Pmerge视为子集加入{PC}。同时从{PC}中删除PCi和PCi+1,从{PP}中删除PPj。
4)将斜直线点集集合{PO}和曲线点集集合{PC}内的点视为被遮挡的边界点,采用IMBR方法获得建筑正交轮廓outline(PP);如图3所示,图中,建筑轮廓使用线段sidej或者顶点vj的集合表示,下标j表示线段或顶点的序号;
5)提取斜直线点集集合{PO}对应的建筑轮廓:
a)根据点到对应线段垂距最小的原则,确定斜直线点集POi的起点p和终点q在outline(PP)中的对应线段side(p)和side(q);
b)若side(p)和side(q)是同一条线段,则POi是误判的斜直线点集,不进行斜直线线段拟合,跳至步骤d);
c)分别求POi的拟合直线linei与side(p)和side(q)的交点,这2个交点确定的斜直线线段即为POi的轮廓线段,记为LSi;
d)重复步骤a)-c),直到{PO}中的所有子集都处理完成,获得斜直线轮廓线段集合{LSi}。
6)提取曲线点集集合{PC}对应的建筑轮廓:
a)根据点到对应线段垂距最小的原则,确定曲线点集PCi的起点p和终点q在outline(PP)中的对应的线段side(p)和side(q);
b)结合线段side(p)和side(q),使用附加线段限制的B-Spline拟合方法对点集PCi进行拟合,得到起始端点在side(p)上,结束端点在side(q)上的曲线线段Curvei,即PCi的轮廓线段;
c)重复步骤a)-b)直到{PC}中的所有子集都处理完成,获得曲线轮廓线段集合{Curvei}。
7)合并outline(PP)、{LSi}、{Curvei},获得建筑物的最终轮廓outline,如图4所示。
附加直线限制的曲线轮廓提取
曲线轮廓提取即根据曲线点集提取建筑轮廓的曲线线段。此过程分两步:
1)根据点到对应线段垂距最小的原则,在正交轮廓outline(PP)中得到曲线点集起点p和终点q的对应线段side(p)和side(q)。
搜寻对应线段存在2种情况:a)side(p)和side(q)是相邻的边,如图2中的实例,曲线子集的side(p)为side1,side(q)为side2;b)side(p)和side(q)是同一条边,即曲线线段与同一条边相交。
2)根据线段side(p)和side(q)和曲线点集,提取出与side(p)和side(q)相交的曲线线段。
提取曲线线段采用与附加直线限制的B-Spline拟合方法,该方法可以保证拟合的曲线一定与side(p)和side(q)相交,进而保证了建筑轮廓的连续性。
假设给定n+1个控制点CP={CP0,CP1,...,CPn}和一个节点向量U={u0,u1,...,un},p次B-Spline的定义如下式:
假设点集Q={Q0,Q1,...Qm}是待拟合的曲线点集,其中Qi=[xi yi]T;B-Spline的控制点坐标可根据最小二乘原理进行确定,如下式所示:
根据最小二乘估计曲线点集Q={Q0,Q1,...Qm}的控制点,得到的B-Spline的起点在Q0附近、终点在Qm附近;曲线点集的Q0和Qm到正交轮廓outline(PP)的距离都大于距离阈值Td,所以B-Spline与outline(PP)不会相交,如图7(a)所示;
曲线点集Q的起点Q0和终点Qm在正交轮廓outline(PP)中的对应的边是side(Q0)和side(Qm);为了使Q的B-Spline与side(Q0)和side(Qm)相交,可以令B-Spline的起点位于side(Q0)上,终点位于side(Qm)上;由于B-Spline可以使起点与首控制点重合,终点与尾控制点重合,因此可以添加首、尾控制点位于side(Q0)和side(Qm)上的限制条件令B-Spline与outline(PP)相交;
附加直线限制的B-Spline拟合方法的函数模型可写为:
附加了首、尾控制点位于直线上的限制条件之后,计算得到的B-Spline的首、尾控制点肯定位于线段side(Q0)、side(Qm)上;B-Spline的起点和终点与首控制点和尾控制点重合,所以B-Spline与outline(PP)相交,如图7(b)所示。
对比试验
试验中,使用1:2000的比例尺精度,即建筑轮廓线段长度小于1.0m的不用表示。所以GBOE方法和IMBR算法的距离阈值Td设置为1.0m。在使用迭代CD-Spline算法提取建筑轮廓时,道格拉斯-普克的距离Tdist设置为1.0m,相邻点的角度差值Tang设置为30°,曲线次数迭代的限差α设置为10%。
试验数据
试验数据来自于荷兰的AHN3点云数据集。点密度约为10pts/m2,平面精度的随机误差为5cm,系统误差为8cm,高程精度的随机误差为5cm,系统误差为5cm。
从AHN3点云数据集中选取4栋典型建筑:所有线段都是正交的直角建筑B1(图8(a))、包含2条斜直线线段的斜直线建筑B2(图8(b))、包含1条曲线线段的曲线建筑B3(图8(c))、包含3条斜直线线段和1条曲线线段的综合建筑B4(图8(d))。
以人工提取的建筑轮廓作为算法评价的依据。
采用以上建筑点云,对GBOE方法提取建筑轮廓的效果进行测试,同时与IMBR算法、迭代CD-Spline算法进行对比。
点集类型划分结果
边界点类型划分是否正确直接影响最终提取的建筑轮廓是否正确。4栋典型建筑的边界点划分结果见图9。
建筑B1的轮廓由正交直线组成,建筑B3的轮廓中存在1条曲线,建筑B4的轮廓中存在1条曲线和3条斜直线。边界点划分结果显示这3栋建筑的边界点划分完全正确。
建筑B2的轮廓存在两条斜直线,边界点划分结果显示这两条斜直线的点集被正确划分(图9(b)中的PO0和PO1)。但点集划分结果中的PO2和PO3属于平行点集,被误判为斜直线点集。此种点集类型误判的错误无法在边界点划分算法中有效解决。只能在斜直线轮廓线段提取时通过判断点集对应的正交轮廓线段side(p)和side(q)是否相同来确定是否对点集进行斜直线拟合,从而避免此类误判点集对轮廓结果造成影响。
建筑B3的曲线点集进行了曲线点集合并。在曲线点集进行合并之前,B3的曲线点集PC0被划分为3个点集(图10(a))。PC0和PC1是曲线点集,PP10被误判为平行点集。3个点集满足曲线点集合并的条件,所以将PC0、PP10、PC1合并后的点集加入曲线点集集合{PC},同时将原始的PC0、PP10、PC1从点集中剔除。曲线点集合并保证了曲线点集的完整性。
建筑轮廓结果
使用GBOE方法、IMBR算法、迭代CD-Spline算法提取4栋典型建筑的建筑轮廓。建筑轮廓结果(图11)中灰色点是建筑点云,亮紫色线段是提取的建筑轮廓,绿色点是建筑轮廓的顶点。
图11的建筑轮廓结果可直观地看到GBOE方法所提取的建筑轮廓与建筑点云吻合,建筑的斜直线轮廓和曲线轮廓也能正确表示。IMBR算法只能提取直角建筑的轮廓,对于建筑轮廓中的斜直线或曲线部分,IMBR算法以锯齿形轮廓代替(图11(b2))。与IMBR算法相比,GBOE方法提取的建筑轮廓精度更高。
迭代CD-Spline算法也能提取建筑的斜直线轮廓和曲线轮廓,但存在一些明显的错误。例如建筑B2的一个特征点因为相邻点夹角小于角度阈值Tang而被漏提取,导致斜直线轮廓和相邻的正交直线轮廓被拟合成一条直线轮廓(图12(a))。建筑B3的凹型正交直线轮廓内的两个特征点漏提取了一个,导致此正交直线轮廓被错误拟合成两条斜直线轮廓(图12(b))。建筑B4的正交直线轮廓被错误拟合成一条曲线轮廓(图12(c)),其根本原因也在于特征点的漏提取。
GBOE方法通过边界点类型划分算法将建筑边界点精确划分为3类(3.2.2中已给出结果并做了论述),在此基础上分类处理不同类型的轮廓线段。在准确划分边界点类型的前提下,GBOE方法提取的建筑轮廓与人工提取的建筑轮廓一致,未出现与迭代CD-Spline算法类似的错误轮廓。与迭代CD-Spline算法相比,GBOE方法提取的建筑轮廓精度更高。
轮廓正交性分析
统计4栋建筑轮廓拐角的角度,对3种算法所提取的建筑轮廓的正交性进行定量评价。轮廓拐角由两条相邻的线段以及一个顶点构成,如果拐角是直角,则称对应的顶点是直角顶点。可以通过统计算法提取的直角顶点的正确率、召回率来评价算法是否能保证轮廓的正交性。
若人工判定的直角顶点被算法提取出来,则称该直角顶点被正确提取,用TP(TruePositive)表示;若人工判定的直角顶点没有被算法提取出来,则称该直角顶点被漏提取,用FN(False Negative)表示;若算法提取出的直角顶点被人工判定为非直角顶点,则称为误提取,用FP(False Positive)表示
对3种算法提取的建筑轮廓直角顶点进行统计,统计结果见图13和表1。
表1建筑轮廓直角顶点统计
表1的统计结果显示GBOE方法和IMBR算法的直角顶点的召回率均为100.0%,说明这两种算法可以正确提取直角建筑的轮廓。但IMBR算法的准确率只有55.4%。这是由于IMBR算法使用锯齿轮廓代替斜直线和曲线,产生大量误提取的直角顶点。而迭代CD-Spline算法的直角顶点的召回率只有14.6%,说明绝大部分的正交轮廓没有被正确提取。
迭代CD-Spline算法提取的建筑轮廓的正交性较差,其原因有2个:
1)边界点集特征点漏提取。特征点的漏提取会导致属于多条直线轮廓的边界点被作为整体进行拟合,得到一条错误的曲线轮廓(图12(c))。进而造成直角顶点的漏提取,也就是说正交的直线轮廓没被正确提取出来。
2)参与轮廓拟合的边界点数量不足。在建筑物正交轮廓线段比较短的情况下,轮廓线段上的边界点较少,而且受到点云平面误差等因素的影响。此时仅根据少量边界点进行拟合,得到的直线线段大概率会与实际轮廓线段存在角度偏差,从而导致提取的轮廓线段之间的夹角不为90°(图11(a3)))。
GBOE方法和IMBR算法的基础是最小边界矩形,通过矩形的交并运算得到建筑轮廓。因此MBR类型算法提取的建筑轮廓一定是正交的,这是该类型算法的固有优势。
GBOE方法将识别出的曲线点集和斜直线点集视为被遮挡点,使用IMBR算法提取建筑轮廓。GBOE算法避免了使用锯齿轮廓来拟合曲线轮廓和斜直线轮廓,解决了IMBR算法存在的直角顶点误提取问题。
轮廓类型正确性分析
建筑轮廓类型正确性是指算法提取的建筑轮廓的线段类型与实际建筑轮廓线段类型是否相同。以建筑轮廓线段类型的正确率、召回率、F1-score对3种算法提取的建筑轮廓的正确性进行定量评价。
人工提取的建筑轮廓中共包含95条线段。其中正交直线线段88条,斜直线线段5条,曲线线段2条。算法提取的建筑轮廓类型的F1-score越高,说明算法提取的建筑轮廓类型正确性越高。
建筑轮廓线段类型正确性的统计结果如表2所示。
表2轮廓线段类型正确性统计
统计结果显示GBOE方法的建筑轮廓类型的F1-score为100.0%,优于IMBR算法的74.1%和迭代CD-Spline算法的82.8%。
IMBR算法提取的斜直线或曲线轮廓是锯齿形的,这是IMBR算法本身的算法原理决定的,即默认建筑轮廓线段是正交的。所以当建筑是非直角建筑,存在斜直线或曲线轮廓时,IMBR算法不能正确提取其建筑轮廓。IMBR算法的锯齿形错误轮廓导致该算法的建筑轮廓类型的正确性最差。
GBOE方法的边界点类型划分方法能够从有序边界点集中精确划分出曲线点集和斜直线点集(见图9),然后分类提取建筑轮廓。GBOE方法解决了IMBR算法以锯齿形轮廓表示曲线轮廓和斜直线轮廓的问题。GBOE方法的建筑轮廓类型的正确性是3种算法中最高的。
迭代CD-Spline算法也可提取建筑的斜直线轮廓和曲线轮廓。但该算法需要根据道格拉斯-普克及相邻点的夹角提取出边界点集中的特征点,特征点识别的正确性对后续的轮廓提取会造成极大的影响。
对GBOE方法和迭代CD-Spline算法提取的B4建筑的曲线轮廓结果(图14)进行比较。GBOE方法提取出了完整的曲线轮廓。迭代CD-Spline算法提取的特征点将曲线分为4段,其中只有1段被拟合为曲线,其余3段被拟合为斜直线。所以对于曲线轮廓,GBOE方法提取的建筑轮廓类型的正确性更高。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (4)
1.机载激光点云城市普通建筑轮廓提取方法,其特征在于:包括以下步骤:
一、使用alpha-shape算法提取出建筑物点云的有序边界点集P={Pi},Pi为边界点;
二、提取出初级轮廓outline0;
三、根据边界点类型划分算法,将有序边界点集P划分为3类点集集合:平行于outline0某条线段的平行点集集合{PP};与outline0所有线段都不平行的斜直线点集集合{PO};曲线点集集合{PC};
四、将斜直线点集集合{PO}和曲线点集集合{PC}内的点视为被遮挡的边界点,采用IMBR方法获得建筑正交轮廓outline(PP);
五、提取斜直线点集集合{PO}对应的建筑轮廓,获得斜直线轮廓线段集合{LSi};
六、提取曲线点集集合{PC}对应的建筑轮廓,获得曲线轮廓线段集合{Curvei};
七、合并outline(PP)、{LSi}、{Curvei},获得建筑物的最终轮廓outline。
2.根据权利要求1所述的机载激光点云城市普通建筑轮廓提取方法,其特征在于:步骤三中,边界点划分的步骤如下:
1)以outline0的左下角顶点为原点,以顶点相邻的outline0线段为坐标轴,构建右手平面直角坐标系UV;
2)以没被划分类型的点为起点;将起点加入临时点集Ptemp,并开始往两侧生长;生长终止的条件是待加入的点到U-axis的距离与Ptemp到U-axis的距离均值的差值大于误差阈值Tw;将Ptemp作为子集加入到{PP};
3)重复步骤2),直至遍历P内所有点;
4)将U-axis替换为V-axis,重复步骤2)-步骤3);至此,得到边界点集P内的平行点集集合{PP},剩余点被划分为多个未知类型的点集集合{PU};
5)使用最小二乘对PUi进行直线拟合,得到拟合误差eLine;如果eLine≤Tw,PUi为斜直线点集;否则使用B-Spline对PUi进行曲线拟合,得到拟合误差eBSpline;如果eBSpline≤Tw,PUi为曲线点集;否则使用有序RANSAC算法对PUi进行斜直线拆分,得到多个斜直线点集;
6)重复步骤5),直至{PU}内的所有子集被划分为斜直线点集或曲线点集;
7)如果相邻的两个曲线点集PCi和PCi+1中间只存在一个平行点集PPj,将PPj、PCi和PCi+1合并为临时点集Pmerge;使用B-Spline对临时点集Pmerge进行拟合,如果拟合误差eBSpline<Tw,则将合并结果Pmerge视为子集加入{PC};同时从{PC}中删除PCi和PCi+1,从{PP}中删除PPj。
3.根据权利要求2所述的机载激光点云城市普通建筑轮廓提取方法,其特征在于:步骤六中,提取曲线点集集合{PC}对应的建筑轮廓包括以下步骤:
a)根据点到对应线段垂距最小的原则,确定曲线点集PCi的起点p和终点q在outline(PP)中的对应的线段side(p)和side(q);
b)结合线段side(p)和side(q),使用附加线段限制的B-Spline拟合方法对点集PCi进行拟合,得到起始端点在side(p)上,结束端点在side(q)上的曲线线段Curvei,即PCi的轮廓线段;
c)重复步骤a)-b)直到{PC}中的所有子集都处理完成,获得曲线轮廓线段集合{Curvei}。
4.根据权利要求3所述的机载激光点云城市普通建筑轮廓提取方法,其特征在于:使用附加线段限制的B-Spline拟合方法对点集PCi进行拟合如下:
给定n+1个控制点CP={CP0,CP1,...,CPn}和一个节点向量U={u0,u1,...,un},p次B-Spline的定义如下式:
点集Q={Q0,Q1,...Qm}是待拟合的曲线点集,其中Qi=[xi yi]T;B-Spline的控制点坐标可根据最小二乘原理进行确定,如下式所示:
根据最小二乘估计曲线点集Q={Q0,Q1,...Qm}的控制点,得到的B-Spline的起点在Q0附近、终点在Qm附近;曲线点集的Q0和Qm到正交轮廓outline(PP)的距离都大于距离阈值Td,所以B-Spline与outline(PP)不会相交;
曲线点集Q的起点Q0和终点Qm在正交轮廓outline(PP)中的对应的边是side(Q0)和side(Qm);为了使Q的B-Spline与side(Q0)和side(Qm)相交,可以令B-Spline的起点位于side(Q0)上,终点位于side(Qm)上;由于B-Spline可以使起点与首控制点重合,终点与尾控制点重合,因此可以添加首、尾控制点位于side(Q0)和side(Qm)上的限制条件令B-Spline与outline(PP)相交;
附加直线限制的B-Spline拟合方法的函数模型可写为:
附加了首、尾控制点位于直线上的限制条件之后,计算得到的B-Spline的首、尾控制点肯定位于线段side(Q0)、side(Qm)上;B-Spline的起点和终点与首控制点和尾控制点重合,所以B-Spline与outline(PP)相交。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110729419.0A CN113449644A (zh) | 2021-06-29 | 2021-06-29 | 机载激光点云城市普通建筑轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110729419.0A CN113449644A (zh) | 2021-06-29 | 2021-06-29 | 机载激光点云城市普通建筑轮廓提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113449644A true CN113449644A (zh) | 2021-09-28 |
Family
ID=77814173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110729419.0A Pending CN113449644A (zh) | 2021-06-29 | 2021-06-29 | 机载激光点云城市普通建筑轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449644A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232353A1 (en) * | 2006-11-10 | 2009-09-17 | University Of Maryland | Method and system for markerless motion capture using multiple cameras |
CN105405117A (zh) * | 2015-10-16 | 2016-03-16 | 凌云光技术集团有限责任公司 | 基于图像轮廓的角点提取方法及装置 |
CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
CN112802041A (zh) * | 2021-02-05 | 2021-05-14 | 北京工业大学 | 一种基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法 |
CN113487730A (zh) * | 2021-09-06 | 2021-10-08 | 中国电子科技集团公司第二十八研究所 | 一种基于激光雷达点云数据的城市三维自动建模方法 |
-
2021
- 2021-06-29 CN CN202110729419.0A patent/CN113449644A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232353A1 (en) * | 2006-11-10 | 2009-09-17 | University Of Maryland | Method and system for markerless motion capture using multiple cameras |
CN105405117A (zh) * | 2015-10-16 | 2016-03-16 | 凌云光技术集团有限责任公司 | 基于图像轮廓的角点提取方法及装置 |
CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
CN112802041A (zh) * | 2021-02-05 | 2021-05-14 | 北京工业大学 | 一种基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法 |
CN113487730A (zh) * | 2021-09-06 | 2021-10-08 | 中国电子科技集团公司第二十八研究所 | 一种基于激光雷达点云数据的城市三维自动建模方法 |
Non-Patent Citations (7)
Title |
---|
XUEBIN QIN ET AL.: "Accurate Outline Extraction of Individual Building From Very High-Resolution Optical Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
李百寿等: "一种MBR约束下的高分光学影像直角建筑物提取与标绘方法", 《测绘通报》 * |
杨贵宝等: "基于Snake和动态规划优化的屋顶轮廓提取算法", 《内蒙古大学学报(自然科学版)》 * |
程亮等: "LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法", 《测绘学报》 * |
童礼华等: "地面LiDAR数据中建筑轮廓和角点提取", 《中国图象图形学报》 * |
郭可义等: "基于特征线匹配的建筑轮廓线提取算法仿真", 《计算机仿真》 * |
顾步云等: "一种新的截面轮廓特征点识别与分段曲线类型判别算法", 《机械科学与技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
WO2017020723A1 (zh) | 一种字符分割方法、装置及电子设备 | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN110598541B (zh) | 一种提取道路边缘信息的方法及设备 | |
CN112200117A (zh) | 表格识别方法及装置 | |
CN111681300B (zh) | 轮廓素描线组成的目标区域获取方法 | |
CN111783721A (zh) | 一种激光点云的车道线提取方法及电子设备 | |
CN107610174B (zh) | 一种鲁棒的基于深度信息的平面检测方法及系统 | |
CN115115607A (zh) | 一种基于图像分析的图像形状特征提取识别方法 | |
Zhang et al. | Robust procedural model fitting with a new geometric similarity estimator | |
CN111696059B (zh) | 一种车道线光滑连接处理方法和装置 | |
CN114092491A (zh) | 一种建筑户型语义分割图矢量化方法及装置 | |
CN116363319B (zh) | 一种建筑物屋顶的建模方法、建模装置、设备及介质 | |
CN113449644A (zh) | 机载激光点云城市普通建筑轮廓提取方法 | |
CN114882192B (zh) | 一种建筑立面的分割方法、装置、电子设备以及存储介质 | |
CN107220987A (zh) | 一种基于主成分分析的建筑物屋顶边缘快速检测方法 | |
CN115471849A (zh) | 一种手写汉字图像评估方法及系统 | |
CN115797649A (zh) | 一种复杂背景下的裂缝提取方法 | |
CN114399428A (zh) | 面状人工要素降维处理方法 | |
CN111860625B (zh) | 一种古木建筑斗栱自动化类别识别方法及系统 | |
CN115620169B (zh) | 基于区域一致性的建筑物主角度修正方法 | |
CN115423053B (zh) | 适用于翼型切面的非结构流场数据的分类方法及相关设备 | |
CN115616610B (zh) | 船舶通过桥梁的检测方法、装置、计算机设备及存储介质 | |
CN116797741B (zh) | 一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 | |
CN113140021B (zh) | 矢量线生成方法、系统及计算机可读存储介质 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Xing Tingsong Inventor after: Peng Jintao Inventor after: Song Zhibin Inventor after: Zhang Tonggang Inventor after: Kan Yuhui Inventor before: Xing Tingsong Inventor before: Peng Jintao Inventor before: Song Zhibin Inventor before: Zhang Tonggang Inventor before: Kan Yu |