CN114764871B - 一种基于机载激光点云的城市建筑物属性提取方法 - Google Patents
一种基于机载激光点云的城市建筑物属性提取方法 Download PDFInfo
- Publication number
- CN114764871B CN114764871B CN202210672480.0A CN202210672480A CN114764871B CN 114764871 B CN114764871 B CN 114764871B CN 202210672480 A CN202210672480 A CN 202210672480A CN 114764871 B CN114764871 B CN 114764871B
- Authority
- CN
- China
- Prior art keywords
- laser
- point cloud
- point
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于机载激光点云的城市建筑物属性提取方法。本发明利用布料滤波算法提取机载激光点云非地面点,分别计算每个非地面激光点的几何特征、高度特征、属性特征并利用随机森林分类器将非地面点云逐点标记为建筑物点、植被点;然后给定三维距离阈值、高度距离阈值、强度差异阈值对标记为建筑物的激光点进行区域生长并得到多个建筑物点云聚类;对每个建筑物点云聚类经过平面拟合得到建筑物结构高度以及建筑物结构的轮廓信息。本发明利用机载激光点云自动获取大规模城市建筑物层高及轮廓信息,获得城市建筑不同高度、不同结构的精细尺度建筑物结构信息,为城市地理数据库提供数据支持。
Description
技术领域
本发明属于激光扫描数据处理技术领域,尤其涉及一种基于机载激光点云的城市建筑物属性提取方法。
背景技术
三维激光扫描可以对地球表面进行采样,同时获取地物表面的三维坐标和一定属性信息,可以以数字形式刻画现实世界,成为重要三维数据获取方式,成功应用于多种地理信息应用中。机载三维激光扫描系统由于其自上而下的采集方式,可以快速获取大范围、精细化的城市地物要素的三维坐标,并获取城市建筑物地物结构,可以服务于建筑物建模、地物要素数据库更新等。
城市建筑物信息对城市应用息息相关,能够获取精细的、及时更新的建筑物信息对城市管理部门都至关重要。建筑物提取与数字重建可以为城市监管、基础数据库更新等应用提供数据支持。当前研究与实际生产多以卫星图像或机载航空影像作为数据源,但二维影像数据由于角度干扰、光谱变化等原因,难以有效识别并提取建筑物信息,三维激光点云数据可以补充几何结构信息,有效获取建筑物结构及层高等信息。
随着城市的发展以及城镇化进程的推进,城市中建筑物的也更加复杂。因此如何快速、自动、大范围地获取城市建筑物属性成为城市智能管理、地理数据库信息更新的难点。同时,准确的建筑物提取可以为城市规划、地理信息数据库更新、违建检测等应用提供数据支持。机载点云能够精确捕捉地面物体的三维几何形态与结构。因此,城市地物要素属性信息获取重要的数据源。
根据影像或点云利用传统方式,以人工交互方式进行手工提取建筑物的过程费时费力。除此之外,城市场景地物要素多样,与建筑物距离较近的植被点会干扰建筑物点云识别过程。因此,针对城市建筑物提取,提出一种无需人工作业基于机载激光点云的自动化建筑物识别以及属性提取方法。本方法利用三维激光点云基于点云分类以及聚类方法,提取建筑物结构并计算层高及建筑物轮廓。
发明内容
本发明以自动化建筑物提取为目标,以机载激光雷达点云作为数据源,结合点云分类与聚类算法提取建筑物点云,并计算建筑物结构轮廓以及层高信息。
本发明的技术方案提供一种基于机载激光点云的城市建筑物属性提取方法,包括以下步骤:
步骤1,对机载激光点云进行噪声剔除得到去噪后机载激光点云,将去噪后机载激光点云的每个激光点利用布料滤波算法得到去噪后机载激光点云的每个激光点的类别标签标记为地面点、非地面点;筛选出去噪后机载激光点云的类别标签为地面点的利用地面点的每个激光点构建地面点云,筛选出去噪后机载激光点云的类别标签为非地面点的每个激光点构建非地面点云,将地面点云通过邻近插值的方式拟合得到数字地面模型;
步骤2,根据非地面点云中每个激光点的几何信息和非地面点云中每个激光点的属性信息,计算非地面点云中每个激光点的几何特征、高度特征、属性特征;根据非地面点云中每个激光点的几何特征、高度特征、属性特征利用随机森林分类器将非地面点云中每个激光点的类别标签依次标记为建筑物点、植被点;筛选出非地面点云的类别标签为建筑物点的每个激光点构建建筑物点云;
步骤3,将建筑物点云中两个激光点间的三维距离阈值、建筑物点云中两个激
光点间的高度距离阈值、建筑物点云中两个激光点间的强度差异阈值共作为区域生
长的约束条件,将建筑物点云中每个激光点通过区域生长算法得到多个建筑物点云聚类;
步骤4,对每个建筑物点云聚类依次进行平面拟合计算得到每个建筑物点云聚类的建筑物结构高度,根据已知的建筑物单层高度和以已获取的建筑物聚类的高度信息,求得对应的层数信息。将每个建筑物点云聚类投影到二维平面得到每个建筑物点云聚类的二维平面区域,将每个建筑物点云聚类的二维平面区域通过散点轮廓alpha-shape方法提取得到每个建筑物结构轮廓;
作为优选,步骤1所述机载激光三维点云的定义为:
其中,K为机载激光三维点云中激光点的数量,为三维点
云中第k个点,为第k个点的反射强度信息,为第k个点的回波次数信息,
为三维点云中第k个点分别对应的空间直角坐标系X、Y、Z轴的坐标值,其中Z值竖直向上,X、
Y、Z轴两两垂直;
作为优选,步骤2所述计算非地面点云中每个激光点的几何特征,具体方法为:
其中,为第i个激光点对应的球形邻域内的邻域激光点个数,t为其球形邻
域内的第t个邻域激光点,,为邻域激光点由空间坐标组成的向
量,为邻域激光点X轴对应的坐标值,为邻域激光点Y轴对应的坐标值,为邻域
激光点Z轴对应的坐标值;,为第i个激光点球形邻域内所有激
光点空间坐标平均值组成的向量,为第i个激光点球形邻域内所有激光点在X轴的
坐标平均值,为第i个激光点球形邻域内所有激光点在Y轴的坐标平均值,为第i
个激光点球形邻域内所有激光点在Z轴的坐标平均值;
步骤2所述计算非地面点云中每个激光点的高度特征,具体方法为:
给定球形邻域半径,竖直高度,以非地面点云中第i个激光点为圆柱中
心,构建半径为的圆柱邻域,步骤2种所述非地面点云中第i个激光点对应的高程特
征由圆柱邻域内由高程极差、高程标准差以及高程峰度构成,具
体计算方式如下:
其中,第i个激光点对应的圆柱邻域内邻域激光点的个数,为第
i个激光点圆柱邻域内所有激光点对应的最大的Z轴坐标值、为第i个激光点圆柱
邻域内所有激光点对应的最小的Z轴坐标值、为第i个激光点圆柱邻域内所有激光点对
应的Z轴的平均值。
步骤2所述计算非地面点云中每个激光点的属性特征,具体方法为:
作为优选,所述步骤3具体如下:
本发明优点在于,可以利用机载激光点云自动获取大规模城市建筑物层高及轮廓信息。本技术通过逐点分类方法获取建筑物激光点,其次根据强度、高度、距离约束关系,获得高度一致的建筑物点云聚类,然后对每一个建筑物点云聚类进行高度拟合与轮廓提取。与已有建筑物提取方法相比,本技术可以获得城市建筑不同高度、不同结构的精细尺度建筑物结构信息,可以为城市地理数据库提供支持。
附图说明
图1:是本发明实施例的整体流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施示例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明的技术方案针对机载激光点云建筑物结构与属性获取任务,结合点云分类以及聚类过程实现建筑物结构提取,基于平面拟合以及alpha-shape方法,实现城市建筑物结构的属性获取。本发明的整体技术流程由图1所示。本方法分为4个关键步骤:对机载激光点云进行去噪,利用布料滤波算法识别非地面点;计算机载点云的几何和属性信息,并利用随机森林分类器将非地面点云标记为建筑物点和植被点;联合高度、强度信息作为约束对点云做区域生长,生成建筑物结构化目标;对逐个建筑物结构化目标点云进行平面拟合计算建筑物结构高度计算层高,并将点云投影到二维平面,基于 alpha-shape方法提取建筑物结构轮廓。
本发明第一实施例,包括以下步骤:
一种基于机载激光点云的城市建筑物属性提取方法,包括以下步骤:
步骤1,对机载激光点云进行噪声剔除得到去噪后机载激光点云,将去噪后机载激光点云的每个激光点利用布料滤波算法得到去噪后机载激光点云的每个激光点的类别标签标记为地面点、非地面点;筛选出去噪后机载激光点云的类别标签为地面点的利用地面点的每个激光点构建地面点云,筛选出去噪后机载激光点云的类别标签为非地面点的每个激光点构建非地面点云,将地面点云通过邻近插值的方式拟合得到数字地面模型;
步骤1所述机载激光三维点云的定义为:
其中,K为机载激光三维点云中激光点的数量,为三维点
云中第k个点,为第k个点的反射强度信息,为第k个点的回波次数信息,
为三维点云中第k个点分别对应的空间直角坐标系X、Y、Z轴的坐标值,其中Z值竖直向上,X、
Y、Z轴两两垂直;
步骤2,根据非地面点云中每个激光点的几何信息和非地面点云中每个激光点的属性信息,计算非地面点云中每个激光点的几何特征、高度特征、属性特征;根据非地面点云中每个激光点的几何特征、高度特征、属性特征利用随机森林分类器将非地面点云中每个激光点的类别标签依次标记为建筑物点、植被点;筛选出非地面点云的类别标签为建筑物点的每个激光点构建建筑物点云;
步骤2所述计算非地面点云中每个激光点的几何特征,具体方法为:
其中,为第i个激光点对应的球形邻域内的邻域激光点个数,t为其球形
邻域内的第t个邻域激光点,,为邻域激光点由空间坐标组成的
向量,为邻域激光点X轴对应的坐标值,为邻域激光点Y轴对应的坐标值,为
邻域激光点Z轴对应的坐标值;,为第i个激光点球形邻域内
所有激光点空间坐标平均值组成的向量,为第i个激光点球形邻域内所有激光点在
X轴的坐标平均值,为第i个激光点球形邻域内所有激光点在Y轴的坐标平均值,为第i个激光点球形邻域内所有激光点在Z轴的坐标平均值;
步骤2所述非地面点云中每个激光点的几何特征由各向异性特征、平面性特征、球性特征、线性特征构成;
步骤2所述计算非地面点云中每个激光点的高度特征,具体方法为:
给定球形邻域半径,竖直高度,以非地面点云中第i个激光点为圆柱中
心,构建半径为的圆柱邻域,步骤2种所述非地面点云中第i个激光点对应的高程特
征由圆柱邻域内由高程极差、高程标准差以及高程峰度构成,具体
计算方式如下:
其中,第i个激光点对应的圆柱邻域内邻域激光点的个数,
为第i个激光点圆柱邻域内所有激光点对应的最大的Z轴坐标值、为第i个激光点圆
柱邻域内所有激光点对应的最小的Z轴坐标值、为第i个激光点圆柱邻域内所有激光点
对应的Z轴的平均值。
步骤2所述计算非地面点云中每个激光点的属性特征,具体方法为:
步骤3,将建筑物点云中两个激光点间的三维距离阈值、建筑物点云中两个
激光点间的高度距离阈值、建筑物点云中两个激光点间的强度差异阈值共作为
区域生长的约束条件,将建筑物点云中每个激光点通过区域生长算法得到多个建筑物点云
聚类;
步骤4,对每个建筑物点云聚类依次进行平面拟合计算得到每个建筑物点云聚类的建筑物结构高度,根据已知的建筑物单层高度和以已获取的建筑物聚类的高度信息,求得对应的层数信息。将每个建筑物点云聚类投影到二维平面得到每个建筑物点云聚类的二维平面区域,将每个建筑物点云聚类的二维平面区域通过散点轮廓alpha-shape方法提取得到每个建筑物结构轮廓;
本发明第二实施例中,包括以下步骤:
步骤1,对机载激光点云进行噪声剔除,利用布料滤波算法分离地面点和非地面点,并拟合出数字地面模型(Digital Terrain Model,DTM)。
步骤1实现如下:
1)给定点的邻域计算点个数,标准差倍数,利用点云统计滤波器进行
机载点云噪声去除,计算并统计点对应邻域内个点的平均距离。实施例中,邻域点计算
个数取30,标准差倍数取2。当点的距离超出平均距离个标准差,被标记
为离群点,去除所有离群点,得到噪声剔除后的机载点云。
2)为获取地面上建筑物点云以及建筑物高度信息,采用布料滤波算法,区分地面
点与非地面点。给定格网分辨率,实施例中取3m。布料滤波算法首先对输入的机
载激光点云进行高程上的翻转,并假设“布料”受重力落下且覆盖当前地形,通过比较原始
点云点和生成的“布料”曲面之间的距离,实现从激光点云中提取地面点过程。提取地面后
即可拟合DTM,并标记出非地面点云。
步骤2,利用机载点云的几何和属性信息,分别计算点在不同形状大小的邻域内几何、高度、属性三类特征。基于三类特征利用随机森林分类器将非地面点云标记为建筑物点和植被点。
实施例中,步骤2实现如下:
本技术流程基于监督学习方法利用点云不同邻域形状大小的特征对非地面点云进行逐点分类。采取的特征包括基于几何特征、高度特征、属性的三类点云特征。并将非地面点分别标记为植被点和建筑物点
点的局部几何特征描述局部点云形态,可以作为有效区分建筑物与植被的分类特
征。对于点,给定球形邻域半径,其球形邻域内的所有点可以构建协方差矩阵。实施例中,球形邻域半径取值为3m,由协方差矩阵得到特征值。由特征值构成的特征即可描述点云局部范围内的几何特征与分
布形式。本技术流程采用的基于特征值的点云特征是各向异性、平面性、球性
、线性,其计算公式分别如下:
由于机载点云自上下而扫的采集方式以及激光点云具有穿透性的特点,植被、树
木等地物不仅会被捕捉到最上层的表面点,植被的整体结构也会被点记录,因此其在竖直
方向上的点的分布形式与建筑物地物部分有所区别。因此本技术流程增加基于点圆柱邻域
内的高程分布相关特征作为给定分类特征。给定水平圆形半径,点的竖直方向距离高,构成点的圆柱邻域。实施例中,水平圆形半径取值为3m,竖直方向距离高取
值为5m。圆柱邻域内点的高程特征可以由高程极差、高程标准差以及高程峰
度表示,其计算方式分别如下:
机载点云除三维坐标信息外,其附带的强度、回波次数信息也是区分地物目标的
重要特征。本技术流程将点的强度信息以及回波次数均可作为属性相关的特征。
为避免局部异常及噪声,点在半径的球形邻域内的点的平均强度和平均回波次数作为属性特征。
采用监督学习的方式对非地面点云进行分类,本技术流程基于已标记的点云数据采用随机森林分类器进行点的分类过程,将非地面点标记为植被点与建筑物点。
步骤3,联合点云高度、强度信息作为约束利用区域生长算法,形成点云聚类,生成建筑物结构化目标。
实施例中,步骤3实现如下:
为应对复杂的建筑物单体属性提取,本技术流程将建筑物点云聚类为具有高度一
致的建筑物结构化目标,以得到更加精准的建筑物属性提取结果。利用区域生长算法,对建
筑物进行聚类。将两点间的三维距离阈值、两点间高度距离阈值将以及强度差异
阈值共同作为区域生长的约束条件。实施例中,两点间的三维距离阈值取值为
5m、两点间高度距离阈值取值为2m,强度差异阈值取值为30。均满足、、阈值约束条件的将被聚类为同一目标,最终由建筑物点云聚类为高度一致的建筑物
结构化目标点云。
步骤4,对逐个建筑物结构化目标点云进行平面拟合计算建筑物结构高度,给定建筑物单层高度确定建筑物结构层高。逐个建筑物结构化目标点云投影到二维平面,基于散点轮廓alpha-shape方法提取建筑物结构轮廓。
实施例中,步骤4实现如下:
1)计算建筑物结构的高度,首先联合步骤一中已提取的DTM,将点云的高程值与对
应格网的DTM值做差进行改正,以获取建筑物点云的相对高程值。建筑物结构化目标点云也
会存在细小结构的干扰,因此需要提取建筑物结构的主体高度。对于已提取的建筑物结构
化目标点云,本技术方案采取随机采样一致性方法(Random Sample Consensus,RANSAC),
完成对建筑物结构的主体高度提取。随机采样一致性方法是数据存在大量噪声干扰下,提
取出特定成分的方法。本技术方案此方法将建筑物结构化目标点云划分为平面的内点和外
点,仅对平面的内点进行高度计算。给定层高,实施例中,层高取值为
2.8m,计算结构化目标点云平均高程。
2)将每个建筑物结构化目标点云投影到XOY平面上,保留点云二维坐标信息,构成二维点集Q。利用alpha-shape方法检测建筑物结构化目标的边界,通过判断单个建筑物结构化目标点云二维点集中的边界点,由边界点构成建筑结构的点云。
alpha-shape方法过程由以下步骤得到:给定alpha算法半径值,实施例中,半径
值取1.5m。对于点集Q中的任一点,滚动圆半径,在点集Q中搜索距离点p两倍内所
有点,组成点集S。逐次取S中一点,作为点,根据和以及半径,求出两圆心
、。若点集S中除外剩余点若到两圆心距离均大于半径值,将点判断为边界点。
否则逐次取S中其他点作为,剩余点到圆心不全大于半径值,则点为非边界点。逐
点进行判断后获取的有序建筑物结构边界点集将作为建筑物结构化目标的轮廓。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,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,还可以做出替换或变形,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 (1)
1.一种基于机载激光点云的城市建筑物属性提取方法,其特征在于,包括以下步骤:
步骤1,对机载激光点云进行噪声剔除得到去噪后机载激光点云,将去噪后机载激光点云的每个激光点利用布料滤波算法滤波处理得到去噪后机载激光点云,并得到去噪后机载激光点云中每个激光点的类别标签标记为地面点、非地面点;筛选出去噪后机载激光点云中激光点类别标签为地面点的激光点构建地面点云,筛选出去噪后机载激光点云中激光点类别标签为非地面点的激光点构建非地面点云,将地面点云通过邻近插值的方式拟合得到数字地面模型;
步骤2,根据非地面点云中每个激光点的几何信息和非地面点云中每个激光点的属性信息,计算非地面点云中每个激光点的几何特征、高度特征、属性特征;根据非地面点云中每个激光点的几何特征、高度特征、属性特征利用随机森林分类器进行分类,非地面点云中每个激光点的类别标签标记为建筑物点、植被点;筛选出非地面点云的类别标签为建筑物点的激光点构建建筑物点云;
步骤3,通过建筑物点云中两个激光点间的三维距离阈值、建筑物点云中两个激光点间的高度距离阈值、建筑物点云中两个激光点间的强度差异阈值构建区域生长的约束条件,将建筑物点云中每个激光点通过区域生长算法进行聚类得到多个建筑物点云聚类;
步骤4,对每个建筑物点云聚类依次进行平面拟合计算得到每个建筑物点云聚类的建筑物结构高度,根据已知的建筑物单层高度和已获取的建筑物聚类的高度信息,计算对应的层数信息;将每个建筑物点云聚类投影到二维平面得到每个建筑物点云聚类的二维平面区域,将每个建筑物点云聚类的二维平面区域通过散点轮廓alpha-shape方法提取得到每个建筑物结构轮廓;
步骤1所述机载激光三维点云的定义为:
pk(xk,yk,zk,Ik,RNk),k∈[1,K]
其中,K为机载激光三维点云中激光点的数量,pk(xk,yk,zk,Ik,RNk)为三维点云中第k个点,Ik为第k个点的反射强度信息,RNk为第k个点的回波次数信息,xk,yk,zk为三维点云中第k个点分别对应的空间直角坐标系X、Y、Z轴的坐标值,其中Z轴竖直向上,X、Y、Z轴两两垂直;
步骤2所述计算非地面点云中每个激光点的几何特征,具体方法为:
将非地面点云中第i个激光点定义为pi,i∈[1,N],N为非地面点云中激光点的数量;
其中,为第i个激光点对应的球形邻域内的邻域激光点个数,t为其球形邻域内的第t个邻域激光点,ρi,t=[xi,t,yi,t,zi,t],ρi,t为邻域激光点由空间坐标组成的向量,xi,t为邻域激光点X轴对应的坐标值,yi,t为邻域激光点Y轴对应的坐标值,zi,t为邻域激光点Z轴对应的坐标值; 为第i个激光点球形邻域内所有激光点空间坐标平均值组成的向量,为第i个激光点球形邻域内所有激光点在X轴的坐标平均值,为第i个激光点球形邻域内所有激光点在Y轴的坐标平均值,为第i个激光点球形邻域内所有激光点在Z轴的坐标平均值;
将非地面点云中第i个激光点的协方差矩阵Mi通过主成分分析方法得到非地面点云中第i个激光点对应的第一特征值λ1,i、非地面点云中第i个激光点对应的第二特征值λ2,i、非地面点云中第i个激光点对应的第三特征值λ3,i;
第i个激光点pi的各向异性Aλ,i特征、平面性Pλ,i特征、球性Sλ,i特征、线性Lλ,i特征计算公式分别如下:
步骤2所述计算非地面点云中每个激光点的高度特征,具体方法为:
将非地面点云中第i个激光点定义为pi,i∈[1,N],N为非地面点云中激光点的数量;
给定球形邻域半径Rc,竖直高度Lc,以非地面点云中第i个激光点pi为圆柱中心,构建半径为Rc的圆柱邻域步骤2中所述非地面点云中第i个激光点对应的高程特征由圆柱邻域内由高程极差Hd,i、高程标准差HSTD,i以及高程峰度Hskw,i构成,具体计算方式如下:
Hd,i=zmax,i-zmin,i
其中,第i个激光点对应的圆柱邻域内邻域激光点的个数,zmax,i为第i个激光点圆柱邻域内所有激光点对应的最大的Z轴坐标值、zmin,i为第i个激光点圆柱邻域内所有激光点对应的最小的Z轴坐标值、为第i个激光点圆柱邻域内所有激光点对应的Z轴的平均值;
步骤2所述计算非地面点云中每个激光点的属性特征,具体方法为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210672480.0A CN114764871B (zh) | 2022-06-15 | 2022-06-15 | 一种基于机载激光点云的城市建筑物属性提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210672480.0A CN114764871B (zh) | 2022-06-15 | 2022-06-15 | 一种基于机载激光点云的城市建筑物属性提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114764871A CN114764871A (zh) | 2022-07-19 |
CN114764871B true CN114764871B (zh) | 2022-09-13 |
Family
ID=82364565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210672480.0A Active CN114764871B (zh) | 2022-06-15 | 2022-06-15 | 一种基于机载激光点云的城市建筑物属性提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764871B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880325A (zh) * | 2022-12-07 | 2023-03-31 | 重庆市地理信息和遥感应用中心 | 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 |
CN116071530B (zh) * | 2023-03-07 | 2023-07-28 | 青岛市勘察测绘研究院 | 一种基于机载激光点云的建筑物屋顶体素化分割方法 |
CN116167668B (zh) * | 2023-04-26 | 2023-07-14 | 山东金至尊装饰工程有限公司 | 基于bim的绿色节能建筑施工质量评价方法及系统 |
CN117437364B (zh) * | 2023-12-20 | 2024-04-26 | 深圳大学 | 基于残缺点云数据的建筑三维结构提取方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683131A (zh) * | 2015-11-10 | 2017-05-17 | 星际空间(天津)科技发展有限公司 | 一种城市部件自动化测量方法 |
CN113763308A (zh) * | 2020-09-23 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种地面检测方法、装置、服务器及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10332309B2 (en) * | 2015-09-23 | 2019-06-25 | Here Global B.V. | Method and apparatus for identifying buildings in textured 3D mesh data and generating 3D building models |
CN106570468B (zh) * | 2016-10-25 | 2019-11-22 | 中国人民解放军空军工程大学 | 一种重建LiDAR原始点云建筑物轮廓线的方法 |
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 |
CN111487643B (zh) * | 2020-04-13 | 2021-06-08 | 中国科学院空天信息创新研究院 | 一种基于激光雷达点云和近红外影像的建筑物检测方法 |
CN113343840B (zh) * | 2021-06-02 | 2022-03-08 | 合肥泰瑞数创科技有限公司 | 基于三维点云的对象识别方法及装置 |
-
2022
- 2022-06-15 CN CN202210672480.0A patent/CN114764871B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683131A (zh) * | 2015-11-10 | 2017-05-17 | 星际空间(天津)科技发展有限公司 | 一种城市部件自动化测量方法 |
CN113763308A (zh) * | 2020-09-23 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种地面检测方法、装置、服务器及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114764871A (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114764871B (zh) | 一种基于机载激光点云的城市建筑物属性提取方法 | |
CN110781827B (zh) | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 | |
CN110570428B (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 | |
CN106199557B (zh) | 一种机载激光雷达数据植被提取方法 | |
CN106650640B (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
CN111898688B (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
Sohn et al. | Using a binary space partitioning tree for reconstructing polyhedral building models from airborne lidar data | |
GB2532948A (en) | Objection recognition in a 3D scene | |
CN112099046B (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
CN114119863A (zh) | 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法 | |
CN114241217B (zh) | 一种基于圆柱特征的树干点云高效提取方法 | |
CN113963259A (zh) | 基于点云数据的街景地物多维度提取方法和系统 | |
CN113281782A (zh) | 一种基于无人驾驶车的激光雷达雪点滤除方法 | |
Li et al. | Feature extraction and modeling of urban building from vehicle-borne laser scanning data | |
Yao et al. | Automated detection of 3D individual trees along urban road corridors by mobile laser scanning systems | |
CN114283213A (zh) | 联合LiDAR点云与光学图像的房屋自适应矢量化方法 | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及系统 | |
CN112381029B (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
Tian et al. | A Process-Oriented Method for Rapid Acquisition of Canopy Height Model From RGB Point Cloud in Semiarid Region | |
CN115063698A (zh) | 斜坡地表变形裂缝自动识别与信息提取方法及系统 | |
Liu et al. | The classification of airborne LiDAR building point clouds based on multi‐scale and multi‐level cloth simulation | |
Liu et al. | Automatic stem mapping using single-scan terrestrial laser scanning data and Mean Shift clustering |
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 |