CN114898118A - 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 - Google Patents

基于多源点云的输电线路房屋拆迁量自动统计方法及系统 Download PDF

Info

Publication number
CN114898118A
CN114898118A CN202210622514.5A CN202210622514A CN114898118A CN 114898118 A CN114898118 A CN 114898118A CN 202210622514 A CN202210622514 A CN 202210622514A CN 114898118 A CN114898118 A CN 114898118A
Authority
CN
China
Prior art keywords
house
point cloud
point
points
cloud data
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
Application number
CN202210622514.5A
Other languages
English (en)
Inventor
陈正宇
张春涛
徐君民
李欣
王宁
赵祥伟
陈杰
谢朋朋
王威
刘正林
周伟
高迎雁
滕杰
高磊
王娟
杨晓慧
张亮
孙敦权
朱号东
廖伟圣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Energy Engineering Group Jiangsu Power Design Institute Co Ltd
Original Assignee
China Energy Engineering Group Jiangsu Power Design Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Energy Engineering Group Jiangsu Power Design Institute Co Ltd filed Critical China Energy Engineering Group Jiangsu Power Design Institute Co Ltd
Priority to CN202210622514.5A priority Critical patent/CN114898118A/zh
Publication of CN114898118A publication Critical patent/CN114898118A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了房屋拆迁量统计技术领域的一种基于多源点云的输电线路房屋拆迁量自动统计方法及系统。方法包括采集输电线路范围内的多源点云数据，并进行预处理，获得第一点云数据；去除第一点云数据中的地面点和非房屋物点；基于DBSCAN密度聚类实现房屋点云的单体化处理，获取屋顶点云数据；从屋顶点云数据中识别出房屋轮廓线，进而得到房屋角点坐标；基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内的房屋，根据房屋角点坐标、房屋层数，计算房屋拆迁面积。本发明在不需要现场工测的前提下，实现房屋拆迁量的自动统计，能够快速高效的获取输电线路房屋拆迁量，大大减少了勘测现场外业强度，缩短了生产周期，极大的减少了勘察设计的生产成本。

Description

基于多源点云的输电线路房屋拆迁量自动统计方法及系统
技术领域
本发明属于房屋拆迁量统计技术领域，具体涉及一种基于多源点云的输电线路房屋拆迁量自动统计方法及系统。
背景技术
电网建设不可避免地涉及房屋拆迁的问题，与房屋拆迁量相关的测量工作，贯穿了电网建设的整个流程：初步设计和可行性研究阶段，房屋拆迁量是评价各方案优劣的一项重要经济指标；施工图阶段，需要精确测量房屋拆迁面积。近年来，为适应电网建设新的需求，更的为电网建设服务，电力勘测设计部门逐步引进了一些新的技术手段，机载激光雷达测量技术便是其中较为先进的技术手段之一。机载激光雷达测量技术在电力勘测设计中主要用于优化选线，应用面相对比较狭窄，没有充分发挥激光雷达的优势。
目前输电线路工程房屋拆迁量统计主要有两种方式：①通过全站仪或者高精度GNSS直接去现场进行测量，得到房屋各角点的坐标，并调查房屋的层数。这种方式得到的测量数据比较准确，但外业测量工作量非常大，内业量数据处理比较繁琐，测量成果往往存在一定的偏差，但一般可以满足实际应用需要。②在卫星影像上借助数字化平台对房屋信息进行数字化工作，然后计算各房屋的面积，该方法房屋层数仍然需要去现场调查。这种方式大大减少了外业工作量，但还需要去现场进行测量工作。其数据成果精度主要与卫星影像的质量有关，与传统的工程测量方式成果质量会有所偏低。
发明内容
为解决现有技术中的不足，本发明提供一种基于多源点云的输电线路房屋拆迁量自动统计方法及系统，能够快速高效的获取输电线路房屋拆迁量，大大减少了勘测现场外业强度，缩短了生产周期，极大的减少了勘察设计的生产成本。
为达到上述目的，本发明所采用的技术方案是：
第一方面，提供一种基于多源点云的输电线路房屋拆迁量自动统计方法，包括：采集输电线路范围内的多源点云数据，并进行预处理，获得第一点云数据；去除第一点云数据中的地面点和非房屋物点，提取房屋点云；基于DBSCAN密度聚类实现房屋点云的单体化处理，获取屋顶点云数据；从屋顶点云数据中识别出房屋轮廓线，进而得到房屋角点坐标；基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内的房屋，根据房屋角点坐标、房屋层数，计算房屋拆迁面积，实现房屋拆迁量的自动统计。
进一步地，所述多源点云数据包括机载激光雷达点云数据和影像密集点云数据。
进一步地，所述预处理包括对多源点云数据进行去噪、配准和裁剪。
进一步地，所述去除第一点云数据中的地面点和非房屋物点，提取房屋点云，包括：基于梯度变化的移动曲面滤波算法去除第一点云数据中的地面点，具体为：移动曲面滤波依靠一个不断移动的窗口，窗口由窗格组成，计算获得每个窗格内的高程最小值Pmin，计算公式为：
Pmin＝min(xp,yp)(Zp) (1)
其中，(xp,yp)表示窗口内某点的平面坐标，Zp则表示点(xp,yp)的真实高程值；在滤波时将地面整体作为一个二次曲面，曲面方程为：
Z＝Ax2+By2+Cxy+Dx+Ey+F (2)
其中，A，B，C，D，E，F为方程参数，x，y表示某点的平面坐标，Z表示该点根据曲面方程计算得到的拟合高程值；
计算目标点真实高程值与拟合高程值的差值，差值小于阈值的判断为地面点，反之则为非地面点；
在滤波过程中加入梯度信息，检测梯度变化明显的点，并剔除不符合设定要求的点，梯度
Figure BDA0003677370720000031
计算公式为：
Figure BDA0003677370720000032
使用反距离加权法重新分配邻近点对中心点的权重，增加窗格中心点高程值的可信度；最后计算窗口中剩余点真实高程值与拟合高程值进行对比，将差值大于自适应阈值的点划分为非地面点，小于自适应阈值的点划分为地面点，从而完成地面点与非地面点的分离；基于法向量粗糙度去除第一点云数据中的非房屋物点，具体为：将目标点以及其邻域点的XYZ坐标构成协方差矩阵C，协方差矩阵为：
Figure BDA0003677370720000033
其中，cov(x,y)表示X与Y方向的协方差，计算公式为：
Figure BDA0003677370720000034
其中，N表示邻域内三维点的数量，i表示每个点的索引值，
Figure BDA0003677370720000035
表示所有点X坐标值的平均值；然后求取该矩阵的三个特征值λ1，λ2，λ3以及对应的三个特征向量，排序得到最小特征值λmin，并将其对应的特征向量定义为该局部面元的法向量；假设两法向量表达式为(xi,yi,zi)，(xj,yj,zj)，则法向量之间的夹角θ为：
Figure BDA0003677370720000036
通过计算目标点法向量与邻域内法向量夹角的方差，判断该目标点属于植被点或房屋点。
进一步地，所述房屋层数的确定方法，包括：对滤波得到的地面点进行空间插值，生成规则网格的数字高程模型，假定距离某一插值点最近的n个离散点对其有影响，该插值点处的值可表示为：
Figure BDA0003677370720000041
其中，Zp为插值点的高程值；zi为第i个点高程值，di为第i个离散点与插值点的距离；利用屋顶点云计算房屋中心区域的坡度，利用屋顶点云和DEM计算房屋中心区域的平均对地高度和最低对地高度，其中房屋中心区域的尺寸采用一个阈值，以保证中心区域偏离房屋边缘一定的距离；然后根据坡度值的大小判断房屋是平顶房还是尖顶房，如果是平顶房，则以平均对地高度作为房屋的有效高度；如果是尖顶房，则以最低对地高度作为房屋的有效高度；在获取房屋高度的基础上，利用某一地区层高的阈值，即可获得房屋的层数。
进一步地，所述从屋顶点云数据中识别出房屋轮廓线，包括：基于Delaunay三角网的Alpha-shape算法，提取房屋的轮廓；然后使用角度分析和RANSAC算法获取轮廓线的初始关键点，再以最长线段为主方向调整其他轮廓线段，最后求交获得闭合的精确房屋轮廓线。
进一步地，所述关键点的提取方法，包括：采用基于主方向的强制正交算法，根据建筑物的主方向来确定外轮廓；选择边界轮廓线中最长的线段作为房屋主方向；以该直线为基准调整其余线段，使其垂直或者平行于主方向，使得同一轮廓点云中的线段两两之间为垂直或者平行关系；最后相邻线段求交即可得到规则化后的边界关键点，在规则化后的边界关键点的基础上，即可获得房屋的每个角点。
进一步地，房屋拆迁面积的计算方法为：
Figure BDA0003677370720000051
其中，Xi，Yi表示第i个房屋角点的平面坐标。
第二方面，提供一种基于多源点云的输电线路房屋拆迁量自动统计系统，包括：数据采集模块，用于采集输电线路范围内的多源点云数据，并进行预处理，获得第一点云数据；房屋提取模块，用于去除第一点云数据中的地面点和非房屋物点，提取房屋点云；单体化处理模块，用于基于DBSCAN密度聚类实现房屋点云的单体化处理，获取屋顶点云数据；房屋轮廓提取模块，用于从屋顶点云数据中识别出房屋轮廓线，进而得到房屋角点坐标；拆迁量统计模块，用于基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内的房屋，根据房屋角点坐标、房屋层数，计算房屋拆迁面积，实现房屋拆迁量的自动统计。
与现有技术相比，本发明所达到的有益效果：
(1)本发明通过采集输电线路范围内的多源点云数据，并进行预处理，获得第一点云数据；去除第一点云数据中的地面点和非房屋物点，提取房屋点云；基于DBSCAN密度聚类实现房屋点云的单体化处理，获取屋顶点云数据；从屋顶点云数据中识别出房屋轮廓线，进而得到房屋角点坐标；基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内的房屋，根据房屋角点坐标、房屋层数，计算房屋拆迁面积，在不需要现场工测的前提下，实现房屋拆迁量的自动统计，能够快速高效的获取输电线路房屋拆迁量，大大减少了勘测现场外业强度，缩短了生产周期，极大的减少了勘察设计的生产成本；
(2)本发明有助于进一步对输电线路路径进行优化升级，从而选择出最优的路径方案，减少房屋拆迁成本。
附图说明
图1是本发明实施例提供的一种基于多源点云的输电线路房屋拆迁量自动统计方法的主要流程示意图；
图2是本发明实施例中使用的DBSCAN示意图，其中A、B、C、D为中心点；
图3是本发明实施例中房屋角点提取过程示意图，其中，(a)是原始点云示意图；(b)是房屋点云示意图；(c)是房屋轮廓粗提取示意图；(d)是房屋轮廓精提取示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1所示，一种基于多源点云的输电线路房屋拆迁量自动统计方法，包括：采集输电线路范围内的多源点云数据，并进行预处理，获得第一点云数据；去除第一点云数据中的地面点和非房屋物点，提取房屋点云；基于DBSCAN密度聚类实现房屋点云的单体化处理，获取屋顶点云数据；从屋顶点云数据中识别出房屋轮廓线，进而得到房屋角点坐标；基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内的房屋，根据房屋角点坐标、房屋层数，计算房屋拆迁面积，实现房屋拆迁量的自动统计。
S1、采集输电线路范围内的多源点云数据，并进行预处理，获得第一点云数据。多源点云数据的采集与预处理：实现包括激光雷达或影像密集点云等多源点云数据的野外采集，基于无人机管家等软件对多源点云数据进行去噪、配准等预处理操作。
在野外数据采集工作结束后，无论是机载激光雷达点云数据还是影像密集点云数据，都需要进行相应的预处理：
1)去噪：野外数据采集过程中不可避免的会有噪声产生，因此需要对原始点云数据进行去除噪点操作。
2)配准：野外采集的数据坐标系统往往是基于WGS84坐标系统，为了与设计坐标系统匹配需要进行坐标转换工作。
3)裁剪：野外采集的数据带宽通常较大，为了提高后续运算的效率，需要进行裁剪。
S2、去除第一点云数据中的地面点和非房屋物点，提取房屋点云。房屋点云提取：多源点云数据中不仅有房屋点云，还有地面点云、房屋点云、植被点云、杆塔点云等数据，因此房屋拆迁量自动统计的第一步的便是房屋点云的自动提取。房屋点云提取主要分为剔除地面点云和剔除植被等非房屋点云两步。
(1)剔除地面点云
地面点云的剔除主要基于梯度变化的移动曲面滤波算法。基于梯度变化的移动曲面滤波算法在滤波过程中不仅可以保持高精度还有良好的运算效率。移动曲面滤波依靠一个不断移动的窗口，窗口由窗格组成，计算获得每个窗格内的高程最小值。如当窗口大小为3*3时，采用式(1)寻找并计算每一个窗格内的高程最小值Pmin：
Pmin＝min(xp,yp)(Zp) (1)
其中，(xp,yp)表示窗口内某点的平面坐标，Zp则表示点(xp,yp)的真实高程值；该方法在滤波时将地面整体作为一个二次曲面，利用微分思想在极小的空间范围内，该复杂曲面的局部面元可近似为二次平面，曲面方程如式(2)所示：
Z＝Ax2+By2+Cxy+Dx+Ey+F (2)
其中，A，B，C，D，E，F为方程参数，x，y表示某点的平面坐标，Z表示该点根据曲面方程计算得到的拟合高程值；将窗口中剩余其他所有的点带入二维曲面方程，计算目标点真实高程值与拟合高程值的差值，差值小于阈值的判断为地面点，反之则为非地面点；传统滤波方法通过计算邻域空间特征完成地面点的分离，但是遇到植被与房屋紧邻的情况下，地物“粘连”现象较多，出现了地面误判为房屋以及房屋误判为地面点的现象。为进一步精确区分房屋点和非房屋点，本发明在滤波过程中加入梯度信息，检测梯度变化明显的点，并剔除不符合设定要求的点(将较低点予以剔除，扩大房屋与植被、地面等非房屋类的边界)，梯度模板采用拉普拉斯窗口与点云进行卷积运算，大小为3*3，梯度
Figure BDA0003677370720000081
计算公式为：
Figure BDA0003677370720000082
使用反距离加权法重新分配邻近点对中心点的权重，增加窗格中心点高程值的可信度；最后计算窗口中剩余点真实高程值与拟合高程值进行对比，将差值大于自适应阈值的点划分为非地面点，小于自适应阈值的点划分为地面点，从而完成地面点与非地面点的分离。
(2)剔除植被等非房屋点
基于法向量粗糙度去除第一点云数据中的非房屋物点，采用分析以目标点为中心的局部面元法向量与邻域内其他法向量夹角的方法，通过计算角度方差并设置阈值，将方差大于阈值的点判定为植被点，否则判定为房屋点。
法向量采用主成分分析对三维数据信息进行降维。房屋平面内的点可看作三维点的XYZ坐标在三个不同方向上的随机变化，数值变化最剧烈、分布范围最广即方差最大方向的定义为第一主成分，按照从大到小顺序分别定义为第二主成分、第三主成分。因此数值分布范围最窄、方差最小的即可看做法向量所在的方向。在解析几何中，将目标点以及其邻域点的XYZ坐标构成协方差矩阵C，协方差矩阵为：
Figure BDA0003677370720000091
其中，cov(x,y)表示X与Y方向的协方差，计算公式为：
Figure BDA0003677370720000092
其中，N表示邻域内三维点的数量，i表示每个点的索引值，
Figure BDA0003677370720000094
表示所有点X坐标值的平均值；然后求取该矩阵的三个特征值λ1，λ2，λ3以及对应的三个特征向量，排序得到最小特征值λmin，并将其对应的特征向量定义为该局部面元的法向量；假设两法向量表达式为(xi,yi,zi)，(xj,yj,zj)，则法向量之间的夹角θ为：
Figure BDA0003677370720000093
通过计算目标点法向量与邻域内法向量夹角的方差，判断该目标点属于植被点或房屋点。
法向量分析剔除非房屋点算法的实现过程如下：
输入：非地面点Pno-ground
输出：房屋物点Pbuilding，非房屋点Pno-building
算法：
(1)导入滤波后提取的非地面点Pno-ground；
(2)随机选择点云一个点作为种子点，搜索半径r范围内的点Pneighbor，并压入栈；
(3)构建局部点协方差矩阵C，求取最小特征值及最小特征向量；
(4)遍历栈内所有邻域点，对每一个邻域点构建各自协方差矩阵，求得所有邻域点法向量；
(5)计算中心点法向量与邻域内所有法向量夹角以及角度方差，将大于阈值的点划分为植被点，保存至非房屋点Pno-building，小于阈值的点划分为房屋点Pbuilding；
(6)从非地面点Pno-ground剩余点中随机选择一个点，重复步骤(2)～(5)，直到所有的非地面点都被访问处理。
S3、基于DBSCAN密度聚类实现房屋点云的单体化处理，获取屋顶点云数据。如图2所示，基于DBSCAN密度聚类的方法，设置合适参数阈值，采用深度优先策略对点邻域进行搜索，将房屋点云分割成互相独立的屋顶面片，实现对房屋进行单体化处理。
DBSCAN是一种十分常用的聚类方法。算法基于密度对不同类别样本进行聚类，将邻域内拥有足够多点的中心点作为一个核心，并不断向外扩张。算法效果主要受到由两个参数的影响：1、邻域半径eps；2、核心点包含的最小点数min_points。若某一个核心点p在另一个核心点q的eps邻域内，则称两个核心点直接密度可达；若两核心点e和f通过多个核心点直接密度可达相连，那么称e和f密度可达。
该算法具体处理过程为：首先随机选取一个未处理的点；若该点属于核心点，则寻找所有与该点密度可达的点，这些点构成一个点簇并标记为同一类别；若该点不属于核心点则重新选取下一个核心点；循环上述步骤直到所有点已被处理。过程中的邻近搜索研究同样采用建立k-d树的方法开展ANN搜索。DBSCAN对参数的设置十分敏感，不同的参数可能会带来不同的结果，因此人为影响因素较大。DBSCAN算法伪代码如下所示：
Figure BDA0003677370720000111
S4、从屋顶点云数据中识别出房屋轮廓线，进而得到房屋角点坐标。
如图3所示，房屋轮廓线自动提取：基于Delaunay三角网的Alpha-shape算法，使用Alpha-shape算法规则在三角网中通过判断三角形边与Alpha圆的关系，逐步提取房屋物的大致轮廓；然后对粗提取结果进行纠正，即精提取，由于边界存在“锯齿”现象，因此首先使用角度分析和RANSAC算法获取轮廓线的初始关键点，然后以最长线段为主方向调整其他轮廓线段，最后求交获得闭合的精确房屋轮廓线。
Alpha-shape算法用于在平面中分析生成一系列点集的“凸包”。常用于从散乱点云中获取边界点。算法大致思想为：任意选择两点，过两点画一个半径为α的圆，如果圆内不包含其他点则认为两点为边界点，如果半径设置过大，则得到一个包含屋顶点云的“凸包”；而半径设置过小，则面片中可能所有点都被判定为边界点。
Delaunay三角网中使用Alpha-shape原理，任意选择一条三角形的边开始判断，若边的长度大于半径α的2倍，则删除该三角形；若过一条线段的两点，半径为α的圆内包含其他点，则删除该三角形；将符合上述规则的三角形全部删除后剩下边即为该三角形的边缘线，也是该点云的粗提取边界线。
针对轮廓线“锯齿”现象，需要提取关键点进行轮廓线规则化。本发明采用使用角度分析获取轮廓线的初始关键点，然后以最长线段为主方向调整其他轮廓线段，最后求交获得闭合的精确房屋轮廓线。关键点提取算法具体过程如下所示：
输入：房屋轮廓点云
输出：关键点
算法：
(1)导入房屋轮廓点云；
(2)从房屋轮廓点云中任意选择一点开始计算，选择另一个点作为起始点计算该点与前后相邻两点所形成的向量夹角，若夹角大于阈值a，则认为该点是关键点，否则从下一个顺序点重复上述操作；
(3)将获得的关键点重新参与计算，重新进行步骤2迭代操作，角度分析一般进行2-3次，即可完成初始关键点的获取；
(4)将初始关键点投影到二维平面，基于主成分分析算法进行角度分析，相邻关键点之间的间隔点进行最小二乘算法直线拟合，并按顺序进行数据存储；对拟合得到的相邻直线进行求交处理，从而获取该轮廓点云的所有关键点数据；
(5)对其他的房屋轮廓点云，重复上述(2)～(4)操作，直到所有的轮廓点云都处理完成。
一般的，建筑拐点两边的轮廓应互相垂直，而关键点之间形成的线段夹角并非如此，因此需要进一步将轮廓线规则化处理。采用基于主方向的强制正交算法，根据建筑物的主方向来确定外轮廓。选择边界轮廓线中最长的线段作为房屋主方向；以该直线为基准调整其余线段，使其垂直或者平行于主方向，使得同一轮廓点云中的线段两两之间为垂直或者平行关系；最后相邻线段求交即可得到规则化后的边界关键点。
假设主方向线段为lmain，如果线段l1与主方向近似垂直，首先求l1中心点在主方向线段lmain上的垂足h，垂足坐标计算公式如式(7)(8)所示。
Figure BDA0003677370720000131
Figure BDA0003677370720000132
其中，(xh,yh,zh)为垂足点坐标，(x1,y1,z1)，(x2,y2,z2)为主方向的两点，(xl,yl,zl)为线段l1的中心点坐标，连接l1中心点与垂足h并求取该线段l1所在的直线方程。
如果线段l2与主方向近似平行，按照式(9)求取与主方向线段平行且过l2中心点坐标的直线方程。
Figure BDA0003677370720000141
其中，(xmiddle,ymiddle,zmiddle)为线段l2中心点坐标，
Figure BDA0003677370720000142
分别为主方向在xyz轴三个方向上的方向向量，t为参数。
对于特殊情况，例如建筑拐点两边实际上也并非垂直，本发明对需要规则化的线段加以限制，当两线段夹角在一定阈值范围内时，则对其进行规则化，否则不予处理。在轮廓线规则化的基础上，即可获得房屋的每个角点。
S5、基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内的房屋，根据房屋角点坐标、房屋层数，计算房屋拆迁面积，实现房屋拆迁量的自动统计。
房屋拆迁量自动统计：结合屋顶点云与DEM(Digital Elevation Model，数字高程模型)数据，利用已有阈值实现房屋层数的自动判定；基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内房屋，根据其层高，自动计算其面积，实现房屋拆迁量的自动统计。
(1)房屋层数自动识别：
对滤波得到的地面点云进行空间插值，生成规则网格的DEM。本发明采用反距离加权(IDW)法，这是一种常用而简单的空间插值方法，其基本思想是，距离所估算的网格点距离越近的点对该网格点的影响越大，进而该离散点赋予的权重就越大。假定距离某一插值点最近的n个离散点对其有影响,该插值点处的值可表示为：
Figure BDA0003677370720000143
其中，zp为插值点的高程值；di为第i个离散点与插值点的距离。
利用屋顶点云计算房屋中心区域的坡度，利用屋顶点云和DEM计算房屋中心区域的平均对地高度和最低对地高度，其中房屋中心区域的尺寸采用一个阈值，以保证中心区域偏离房屋边缘一定的距离；然后根据坡度值的大小判断房屋是平顶房还是尖顶房，如果是平顶房，则以平均对地高度作为房屋的有效高度；如果是尖顶房，则以最低对地高度作为房屋的有效高度；在获取房屋高度的基础上，利用某一地区层高的阈值，即可获得房屋的层数。
(2)基于缓冲分析拆迁面积自动统计：
在输电线路设计过程中拆迁线为房屋到中心线的垂距为一确定阈值Q，即当房屋的任意一角点到中心线的垂距小于Q时，则该房屋为拆迁房屋。基于输电线路中心线建立距中心线距离为一定阈值的平行条带多边形，通过缓冲区分析方法可以筛选出拟拆迁房屋。当房屋有1个角点落入平行条带多边形，则该房屋为拟拆迁房屋。利用房屋角点坐标计算房屋拆迁面积，对于多层房屋的拆迁面积为房屋地面面积乘层高。对于输电线路不同耐张段有不同的拆迁范围的情况，可以根据耐张段将输电线路分为不同的部分，设置多个缓冲区进行分段计算时。
对于任意n边形，按角点坐标计算房屋拆迁面积的通用公式为：
Figure BDA0003677370720000151
其中，Xi，Yi表示第i个房屋角点的平面坐标。
本发明一方面在不需要现场工测的前提下，能够快速高效的获取输电线路房屋拆迁量，大大减少了勘测现场外业强度，缩短了生产周期，极大的减少了勘察设计的生产成本；另一方面，在快速高效获取房屋拆迁量的前提上，有助于进一步对输电线路路径进行优化升级，从而选择出最优的路径方案，减少房屋拆迁成本。
实施例二：
基于实施例一所述的一种基于多源点云的输电线路房屋拆迁量自动统计方法，本实施例提供一种基于多源点云的输电线路房屋拆迁量自动统计系统，包括：数据采集模块，用于采集输电线路范围内的多源点云数据，并进行预处理，获得第一点云数据；房屋提取模块，用于去除第一点云数据中的地面点和非房屋物点，提取房屋点云；单体化处理模块，用于基于DBSCAN密度聚类实现房屋点云的单体化处理，获取屋顶点云数据；房屋轮廓提取模块，用于从屋顶点云数据中识别出房屋轮廓线，进而得到房屋角点坐标；拆迁量统计模块，用于基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内的房屋，根据房屋角点坐标、房屋层数，计算房屋拆迁面积，实现房屋拆迁量的自动统计。
本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种基于多源点云的输电线路房屋拆迁量自动统计方法，其特征在于，包括：
采集输电线路范围内的多源点云数据，并进行预处理，获得第一点云数据；
去除第一点云数据中的地面点和非房屋物点，提取房屋点云；
基于DBSCAN密度聚类实现房屋点云的单体化处理，获取屋顶点云数据；
从屋顶点云数据中识别出房屋轮廓线，进而得到房屋角点坐标；
基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内的房屋，根据房屋角点坐标、房屋层数，计算房屋拆迁面积，实现房屋拆迁量的自动统计。
2.根据权利要求1所述的基于多源点云的输电线路房屋拆迁量自动统计方法，其特征在于，所述多源点云数据包括机载激光雷达点云数据和影像密集点云数据。
3.根据权利要求1所述的基于多源点云的输电线路房屋拆迁量自动统计方法，其特征在于，所述预处理包括对多源点云数据进行去噪、配准和裁剪。
4.根据权利要求1所述的基于多源点云的输电线路房屋拆迁量自动统计方法，其特征在于，所述去除第一点云数据中的地面点和非房屋物点，提取房屋点云，包括：
基于梯度变化的移动曲面滤波算法去除第一点云数据中的地面点，具体为：
移动曲面滤波依靠一个不断移动的窗口，窗口由窗格组成，计算获得每个窗格内的高程最小值Pmin，计算公式为：
Pmin＝min(xp,yp)(Zp) (1)
其中，(xp,yp)表示窗口内某点的平面坐标，Zp则表示点(xp,yp)的真实高程值；
在滤波时将地面整体作为一个二次曲面，曲面方程为：
Z＝Ax2+By2+Cxy+Dx+Ey+F (2)
其中，A，B，C，D，E，F为方程参数，x，y表示某点的平面坐标，Z表示该点根据曲面方程计算得到的拟合高程值；
计算目标点真实高程值与拟合高程值的差值，差值小于阈值的判断为地面点，反之则为非地面点；
在滤波过程中加入梯度信息，检测梯度变化明显的点，并剔除不符合设定要求的点，梯度
Figure FDA0003677370710000021
计算公式为：
Figure FDA0003677370710000022
使用反距离加权法重新分配邻近点对中心点的权重，增加窗格中心点高程值的可信度；最后计算窗口中剩余点真实高程值与拟合高程值进行对比，将差值大于自适应阈值的点划分为非地面点，小于自适应阈值的点划分为地面点，从而完成地面点与非地面点的分离；
基于法向量粗糙度去除第一点云数据中的非房屋物点，具体为：
将目标点以及其邻域点的XYZ坐标构成协方差矩阵C，协方差矩阵为：
Figure FDA0003677370710000023
其中，cov(x,y)表示X与Y方向的协方差，计算公式为：
Figure FDA0003677370710000024
其中，N表示邻域内三维点的数量，i表示每个点的索引值，
Figure FDA0003677370710000025
表示所有点X坐标值的平均值；然后求取该矩阵的三个特征值λ1，λ2，λ3以及对应的三个特征向量，排序得到最小特征值λmin，并将其对应的特征向量定义为该局部面元的法向量；假设两法向量表达式为(xi,yi,zi)，(xj,yj,zj)，则法向量之间的夹角θ为：
Figure FDA0003677370710000031
通过计算目标点法向量与邻域内法向量夹角的方差，判断该目标点属于植被点或房屋点。
5.根据权利要求4所述的基于多源点云的输电线路房屋拆迁量自动统计方法，其特征在于，所述房屋层数的确定方法，包括：
对滤波得到的地面点进行空间插值，生成规则网格的数字高程模型，假定距离某一插值点最近的n个离散点对其有影响，该插值点处的值可表示为：
Figure FDA0003677370710000032
其中，Zp为插值点的高程值；zi为第i个点高程值，di为第i个离散点与插值点的距离；利用屋顶点云计算房屋中心区域的坡度，利用屋顶点云和DEM计算房屋中心区域的平均对地高度和最低对地高度，其中房屋中心区域的尺寸采用一个阈值，以保证中心区域偏离房屋边缘一定的距离；然后根据坡度值的大小判断房屋是平顶房还是尖顶房，如果是平顶房，则以平均对地高度作为房屋的有效高度；如果是尖顶房，则以最低对地高度作为房屋的有效高度；在获取房屋高度的基础上，利用某一地区层高的阈值，即可获得房屋的层数。
6.根据权利要求1所述的基于多源点云的输电线路房屋拆迁量自动统计方法，其特征在于，所述从屋顶点云数据中识别出房屋轮廓线，包括：基于Delaunay三角网的Alpha-shape算法，提取房屋的轮廓；然后使用角度分析和RANSAC算法获取轮廓线的初始关键点，再以最长线段为主方向调整其他轮廓线段，最后求交获得闭合的精确房屋轮廓线。
7.根据权利要求6所述的基于多源点云的输电线路房屋拆迁量自动统计方法，其特征在于，所述关键点的提取方法，包括：采用基于主方向的强制正交算法，根据建筑物的主方向来确定外轮廓；选择边界轮廓线中最长的线段作为房屋主方向；以该直线为基准调整其余线段，使其垂直或者平行于主方向，使得同一轮廓点云中的线段两两之间为垂直或者平行关系；最后相邻线段求交即可得到规则化后的边界关键点，在规则化后的边界关键点的基础上，即可获得房屋的每个角点。
8.根据权利要求1所述的基于多源点云的输电线路房屋拆迁量自动统计方法，其特征在于，房屋拆迁面积的计算方法为：
Figure FDA0003677370710000041
其中，Xi，Yi表示第i个房屋角点的平面坐标。
9.一种基于多源点云的输电线路房屋拆迁量自动统计系统，其特征在于，包括：
数据采集模块，用于采集输电线路范围内的多源点云数据，并进行预处理，获得第一点云数据；
房屋提取模块，用于去除第一点云数据中的地面点和非房屋物点，提取房屋点云；
单体化处理模块，用于基于DBSCAN密度聚类实现房屋点云的单体化处理，获取屋顶点云数据；
房屋轮廓提取模块，用于从屋顶点云数据中识别出房屋轮廓线，进而得到房屋角点坐标；
拆迁量统计模块，用于基于缓冲区分析方法确定拟拆迁的房屋，对于拆迁线内的房屋，根据房屋角点坐标、房屋层数，计算房屋拆迁面积，实现房屋拆迁量的自动统计。
CN202210622514.5A 2022-06-02 2022-06-02 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 Pending CN114898118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210622514.5A CN114898118A (zh) 2022-06-02 2022-06-02 基于多源点云的输电线路房屋拆迁量自动统计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210622514.5A CN114898118A (zh) 2022-06-02 2022-06-02 基于多源点云的输电线路房屋拆迁量自动统计方法及系统

Publications (1)

Publication Number Publication Date
CN114898118A true CN114898118A (zh) 2022-08-12

Family

ID=82725435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210622514.5A Pending CN114898118A (zh) 2022-06-02 2022-06-02 基于多源点云的输电线路房屋拆迁量自动统计方法及系统

Country Status (1)

Country Link
CN (1) CN114898118A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309566A (zh) * 2023-05-17 2023-06-23 深圳大学 基于点云的粘连人造杆状物单体化提取方法及相关设备
CN116912446A (zh) * 2023-09-13 2023-10-20 南京邮电大学 基于自闭合正交多边形的遥感建筑物样本快速采集方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309566A (zh) * 2023-05-17 2023-06-23 深圳大学 基于点云的粘连人造杆状物单体化提取方法及相关设备
CN116309566B (zh) * 2023-05-17 2023-09-12 深圳大学 基于点云的粘连人造杆状物单体化提取方法及相关设备
CN116912446A (zh) * 2023-09-13 2023-10-20 南京邮电大学 基于自闭合正交多边形的遥感建筑物样本快速采集方法
CN116912446B (zh) * 2023-09-13 2023-12-08 南京邮电大学 基于自闭合正交多边形的遥感建筑物样本快速采集方法

Similar Documents

Publication Publication Date Title
CN110287932B (zh) 基于深度学习图像语义分割的道路阻断信息提取方法
CN111299815B (zh) 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法
CN111192284B (zh) 一种车载激光点云分割方法及系统
CN110443810B (zh) 基于快速邻接体素查询的点云平面分割方法
CN114898118A (zh) 基于多源点云的输电线路房屋拆迁量自动统计方法及系统
CN112465948B (zh) 一种保留空间特征的车载激光路面点云抽稀方法
CN105488770A (zh) 一种面向对象的机载激光雷达点云滤波方法
CN110807781B (zh) 一种保留细节与边界特征的点云精简方法
Cheng et al. Building boundary extraction from high resolution imagery and lidar data
CN111598780B (zh) 一种适用于机载LiDAR点云的地形自适应插值滤波方法
CN106091923A (zh) 基于三维激光扫描技术的工业螺栓圆孔的中心点快速测定方法
CN109961470B (zh) 一种基于激光点云的活立木叶属性精准估测方法
CN110765962A (zh) 一种基于三维点云轮廓分维值的植物识别分类方法
CN111260668A (zh) 一种电力线提取方法、系统及终端
CN114663373A (zh) 一种用于零件表面质量检测的点云配准方法及装置
CN115496796A (zh) 一种通过激光点云测算树干体积的方法和系统
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
CN113902688A (zh) 基于改进区域生长法的非均匀点云面域分割方法
CN111060922B (zh) 基于机载激光雷达点云空间分布特征的树木点云提取方法
CN111881964A (zh) 一种基于Delaunay三角网的线性建筑物模式识别方法与系统
CN112785596A (zh) 基于dbscan聚类的点云图螺栓分割和高度测量方法
CN115410036A (zh) 一种高压架空输电线路关键要素激光点云自动分类方法
CN112381029B (zh) 一种基于欧氏距离的机载LiDAR数据建筑物提取方法
Su et al. The estimation of tree height based on LiDAR data and QuickBird imagery
CN117132478B (zh) 一种基于法向量二范数特征参数的轨道点云去噪方法

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