CN115294485B - 一种市政工程测量定位方法及系统 - Google Patents

一种市政工程测量定位方法及系统 Download PDF

Info

Publication number
CN115294485B
CN115294485B CN202211205394.5A CN202211205394A CN115294485B CN 115294485 B CN115294485 B CN 115294485B CN 202211205394 A CN202211205394 A CN 202211205394A CN 115294485 B CN115294485 B CN 115294485B
Authority
CN
China
Prior art keywords
municipal engineering
super
image
angle
matching
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
Application number
CN202211205394.5A
Other languages
English (en)
Other versions
CN115294485A (zh
Inventor
赵光
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.)
Nantong Zhihexiang Intelligent Equipment Co ltd
Original Assignee
Nantong Zhihexiang Intelligent Equipment 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 Nantong Zhihexiang Intelligent Equipment Co ltd filed Critical Nantong Zhihexiang Intelligent Equipment Co ltd
Priority to CN202211205394.5A priority Critical patent/CN115294485B/zh
Publication of CN115294485A publication Critical patent/CN115294485A/zh
Application granted granted Critical
Publication of CN115294485B publication Critical patent/CN115294485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种市政工程测量定位方法及系统，涉及人工智能领域，利用摄影测量学通过无人机对市政工程进行勘测。包括：获取市政工程每个角度的无运动物体市政工程图像；对每个角度的无运动物体市政工程图像进行超像素分割和特征点提取，根据每个超像素块中特征点的角度情况确定每个超像素块的分布规则程度进行匹配；对所有角度的无运动物体市政工程图像都完成匹配，根据匹配结果对市政工程三维模型进行构建；根据得到的市政工程的三维模型对市政工程进行测量。本发明先对运动物体进行剔除，然后对各个特征点计算匹配优先度，避免误匹配现象的出现，保证测量结果的准确性，可以更加快速，准确地得到市政工程的测量结果。

Description

一种市政工程测量定位方法及系统
技术领域
本申请涉及人工智能领域，具体涉及一种市政工程测量定位方法及系统。
背景技术
市政工程建设主要以道路、桥梁、排水管线、园区场站等基础配套设施建设为主，其中对城市各项公用设施的设计、施工、竣工和运营管理各阶段的需要所进行的测量工作称为市政工程测量。大比例尺带状地形图的测绘是市政工程测量的主要内容和重要任务之一，为规划设计、工程建设、工程投资概预算、土地征用房屋拆迁、绿地利用、环境和文物保护等提供详细的测量图纸。
传统的工程测量技术都是采用2+1维成图方式展示，这种方法需要考虑全站仪、经纬仪、水平仪等常用专业仪器，这些常用仪器一般都需要保证点对点之间相互通视，因此传统的工程测量方法不仅需要人工进行测量，还会受到地形的影响，使用的局限性较多，效率低，且容易产生误差。此外，虽然这种从上往下俯瞰的地图模式在一定程度上也能显示工程测量的实际情况，但是由于人更擅长三维视角和三维思维来了解事物，而三维数据在表达，分析与模拟等方面具有独特的直观性与丰富的信息特性，因而三维模型在工程测绘工作中得到越来越广泛的应用。而由于市政工程分布面积较广，所以通常使用航空摄影测量技术进行三维重建，从而实现市政工程的准确测量。
现有技术中的图像匹配过程中由于图像中存在运动物体或者特征点的描述子较为相似时，容易产生误匹配，降低匹配的准确度，进而导致对市政工程的测量结果不准确。
发明内容
针对上述技术问题，本发明提供了一种市政工程测量定位方法及系统。
第一方面，本发明实施例提供了一种市政工程测量定位方法，包括：
步骤一：获取多角度的无运动物体市政工程图像；
步骤二：计算所有角度下的无运动物体市政工程图像中各超像素块的匹配优先级，包括：
对无运动物体市政工程图像进行超像素分割；
计算每个超像素块中两个特征点之间的欧式距离以及两个特征点与水平向右方向的夹角构建，根据不同欧式距离的数量以及与水平向右方向不同夹角的数量计算每个超像素块的分布规则程度；
根据每个超像素块的分布规则程度以及该超像素块中特征点之间的分布情况计算每个超像素块中每个特征点的匹配优先级；
步骤三：对无运动物体市政工程图像进行匹配，包括：
S301：计算下一角度的无运动物体市政工程图像中的每个超像素块与当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块的相似度；
S302：将下一角度的无运动物体市政工程图像中的各个超像素块按照与当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块相似度进行由高到低的顺序排序；
S303：对排序后的每个超像素块中的特征点根据特征点的匹配优先度进行的超像素块内特征点的匹配；
S304：更新当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块，重复步骤S301-S303对所有超像素块中的特征点对进行匹配；
步骤四：重复步骤S2-S3，对所有角度的无运动物体市政工程图像的特征点进行立体匹配，根据特征点匹配的结果结合相机的内外参数恢复三维场景的信息得到市政工程的三维模型，根据市政工程的三维模型对市政工程进行测量。
下一角度的无运动物体市政工程图像中的每个超像素块与当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块的相似度的计算公式如下：
Figure DEST_PATH_IMAGE001
式中：
Figure 67094DEST_PATH_IMAGE002
为下一角度的无运动物体市政工程图像中第
Figure 481895DEST_PATH_IMAGE003
个超像素块与当前角度的 无运动物体市政工程图像中最大匹配优先级的超像素块的相似度，
Figure 247945DEST_PATH_IMAGE003
表示下一角度的无运 动物体市政工程图像中超像素块的序号，
Figure 748196DEST_PATH_IMAGE004
为下一角度的无运动物体市政工程图像中 第
Figure 762289DEST_PATH_IMAGE003
个超像素块的中心点坐标，
Figure 31596DEST_PATH_IMAGE005
为当前角度的无运动物体市政工程图像中最大匹配优 先级的超像素块的中心点坐标，
Figure 974407DEST_PATH_IMAGE006
为下一角度的无运动物体市政工程图像中第
Figure 24271DEST_PATH_IMAGE003
个超像素 块的分布规则程度，
Figure 576475DEST_PATH_IMAGE007
为当前角度的无运动物体市政工程图像中匹配优先级最大的超像素 块的分布规则程度；
其中，每个超像素块的匹配优先级为：根据每个超像素块中特征点的数量与分布规则程度的乘积按照从高到低的顺序进行排序得到每个超像素块的匹配优先级。
对所有角度的无运动物体市政工程图像的特征点进行立体匹配的方法为：
以特征点描述子之间的欧式距离作为特征点之间的相似性度量，将两个超像素块中的各个特征点根据超像素块中每个特征点的匹配优先级进行暴力匹配，将同一物理空间点在两幅不同图像中对应的特征点对应起来。
计算超像素块中每个特征点的匹配优先级的方法为：根据每个超像素块的分布规则程度以及超像素块中每个特征点之间的角度关系对该超像素块中每个特征点的匹配优先级进行确定；
每个特征点的匹配优先级的计算公式如下：
Figure 467333DEST_PATH_IMAGE008
式中：
Figure DEST_PATH_IMAGE009
表示第
Figure 141897DEST_PATH_IMAGE010
个超像素块中的第
Figure 118205DEST_PATH_IMAGE011
个特征点的匹配优先级，
Figure 474100DEST_PATH_IMAGE012
为第
Figure 718000DEST_PATH_IMAGE010
个超像素块 中特征点的数量，
Figure 501148DEST_PATH_IMAGE013
为第
Figure 982331DEST_PATH_IMAGE010
个超像素块中特征点的序号，
Figure 610758DEST_PATH_IMAGE014
为第
Figure 240323DEST_PATH_IMAGE010
个超像素块的匹配优先级，
Figure 695837DEST_PATH_IMAGE015
为第
Figure 879694DEST_PATH_IMAGE010
个超像素块中的第
Figure 577391DEST_PATH_IMAGE011
个特征点的坐标，
Figure 562927DEST_PATH_IMAGE016
为第
Figure 422299DEST_PATH_IMAGE010
个超像素块中的第
Figure 359031DEST_PATH_IMAGE013
个特征点 的坐标。
超像素块的匹配优先级的计算公式如下：
Figure 594840DEST_PATH_IMAGE017
式中：
Figure 169303DEST_PATH_IMAGE014
为第
Figure 465155DEST_PATH_IMAGE010
个超像素块的匹配优先级，
Figure 623604DEST_PATH_IMAGE018
为特征点对
Figure 158710DEST_PATH_IMAGE019
在分布矩阵中 的频率，
Figure 86214DEST_PATH_IMAGE020
为两个特征点与水平向右方向形成的第
Figure 552968DEST_PATH_IMAGE021
个夹角，
Figure 464292DEST_PATH_IMAGE022
表示两个特征点之间的第
Figure 543369DEST_PATH_IMAGE023
种距离，
Figure 590959DEST_PATH_IMAGE024
表示该超像素块中特征点不同夹角的数量，
Figure 228614DEST_PATH_IMAGE025
表示该超像素块中不同距离值的数 量。
分布矩阵的构建方法为：
计算每个超像素块中两两特征点之间的欧式距离
Figure 128699DEST_PATH_IMAGE026
以及两两特征点形成的直线与 水平向右方向的夹角
Figure 510002DEST_PATH_IMAGE027
，统计相同的欧式距离以及夹角的数量，构建
Figure 412099DEST_PATH_IMAGE028
的分布矩阵，其中
Figure 220655DEST_PATH_IMAGE024
表示该超像素块中特征点不同的夹角的数量，
Figure 342457DEST_PATH_IMAGE025
表示该超像素块中不同的距离值的数量， 矩阵中第
Figure 527451DEST_PATH_IMAGE021
行第
Figure 284054DEST_PATH_IMAGE023
列的元素
Figure 24696DEST_PATH_IMAGE029
表示矩阵中两个特征点与水平方向夹角为
Figure 397909DEST_PATH_IMAGE020
，欧式距离为
Figure 121014DEST_PATH_IMAGE022
的特征点对的数量。
无运动物体市政工程图像的获取过程为：通过帧间差分法获取市政工程中同一个角度的连续采集的图像的帧间差分图像，对帧间差分图像进行连通域分析，若帧间差分图像中所有连通域的最大异常程度大于等于异常阈值时，采集的图像中还存在运动物体，继续采集图像重复上述步骤直至帧间差分图像中所有连通域的最大异常程度小于异常阈值时停止迭代，将此时采集的图像作为当前角度的无运动物体市政工程图像。
第二方面，本发明实施例提供了一种市政工程测量定位系统，包括：
图像采集单元：采集市政工程的各个角度的连续图像，直至图像中不存在运动物体时停止采集，得到每个角度的无运动物体市政工程图像；
图像分析单元：对得到的每个角度的无运动物体市政工程图像进行超像素分割和特征点提取，根据无运动物体市政工程图像中每个超像素块中特征点的角度情况确定每个超像素块的分布规则程度，根据匹配优先级进行匹配；
模型构建单元：对当前角度的无运动物体市政工程图像与下一角度的无运动物体市政工程图像根据匹配优先级进行匹配，重复匹配过程直至所有角度的无运动物体市政工程图像都完成匹配，根据匹配结果对市政工程三维模型进行构建；
工程测量单元：根据得到的市政工程的三维模型对市政工程进行测量。
相比于现有技术，本发明实施例的有益效果在于：
本发明在采集过程中先对运动物体进行剔除，然后对各个特征点分配一个匹配优先度，从而避免误匹配现象的出现，保证市政工程测量结果的准确性。本发明可以更加快速，准确且直观地得到市政工程的测量结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种市政工程测量定位方法提供的方法流程图；
图2为本发明实施例一种市政工程测量定位方法提供的对无运动物体市政工程图像进行匹配的流程图。
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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
实施例1
本发明实施例提供了一种市政工程测量定位方法，如图1所示，包括：
步骤一：获取多角度的无运动物体市政工程图像：
S101、获取当前角度的无运动物体市政工程图像
由于市政工程测量时主要的测量目标是城市内的公共设施，但是实际的采集过程中，图像中不可避免存在运动物体，由于这些物体无法描述市政工程中各项设施的固有特征，且可能会出现相邻角度的图像中特征点找不到匹配点的情况，影响图像匹配的准确度，对应三维重建的结果存在误差，进而导致市政工程测量结果的准确性。
因此在无人机采集了市政工程的图像后，对采集的图像进行分析，直至图像中没有运动物体角度，可以有效降低因运动物体造成的误差结果，提高市政工程测量的准确性。
步骤二：计算所有角度下的无运动物体市政工程图像中各超像素块的匹配优先级，包括：
S102、获取无运动物体市政工程图像中的超像素块及特征点
图像的匹配过程是一张图像上的特征点在另一张图像上的特征点中选取最相似特征点的过程，在此过程中，是特征点对之间的逐一匹配过程，所需计算量较大，通过对图像进行超像素块的分割，另一张图像中首先选取一个最相似的区域可以大大提高匹配的速度，因此本实施例先使用超像素分割算法对图像进行区域划分。
S103、构建无运动物体市政工程图像中每个超像素块的分布矩阵
根据无运动物体市政工程图像中每个超像素块里特征点的分布情况，根据超像素块中特征点的角度情况以及特征点之间的角度信息，构建无运动物体市政工程图像中每个超像素块的分布矩阵，超像素块的分布矩阵能够更明显的反映出各超像素块的特征点分布情况。
S104、计算每个特征点的匹配优先级
相对于对每个特征点依次进行匹配，对于特征较为明显的区域优先进行匹配可以更快的得到准确的匹配结果。而特征点匹配是根据单个特征点的描述子进行匹配的，当存在多个特征点的描述子与当前特征点的描述子较为相似时，更容易产生误匹配，但是相对于根据单个像素点的描述子进行匹配，根据一个区域中的多个特征点进行匹配可以避免因上述情况产生的误匹配，此外，当一个区域内的特征点越密集，表示此处的特征越明显，所以对于特征点密度较高的角度进行优先匹配，不仅可以实现图像的快速匹配，还可以进一步保证匹配的准确度。
步骤三：对无运动物体市政工程图像进行匹配，包括：
S105、计算连续角度的无运动物体市政工程图像中超像素块的相似度
由于分布的规则程度是根据特征点在物体表面的分布情况进行评估的，当图像角度发生变化后(注：图像的采集过程是连续采集的，采集角度的变化是连续的，不会发生突变)，由于建筑物的结构并不会发生变化，因此这些特征点的分布规则程度不会发生变化，因此特征点分布的规则程度不仅仅可以用来评估各个超像素块的匹配优先度，也可以用来表征一定区域内特征点的分布角度关系。
S106、对连续角度的无运动物体市政工程图像进行匹配
为了可以使市政工程测量结果更加准确，相机在采集过程中，角度偏移一般较小，因此在下一个角度采集的图像中，当前图像中的超像素块在下一个角度采集的图像中角度偏移较小，因此需要根据当前图像中最大优先度的超像素块与下一张图像各个块的角度以及分布相似度进行相似区域的选择。
步骤四：根据市政工程的三维模型对市政工程进行测量，包括：
S107、对市政工程进行测量
根据对所有角度的无运动物体市政工程图像进行匹配的匹配结果构建市政工程三维模型，通过去除运动物体得到的无运动物体市政工程图像得到的市政工程三维模型更加准确，然后根据市政工程三维模型对市政工程进行精确测量。
实施例2
本发明实施例提供了一种市政工程测量定位方法，如图1所示，具体内容包括：
步骤一：获取多角度的无运动物体市政工程图像：
S201、获取当前角度的无运动物体市政工程图像
由于市政工程测量时主要的测量目标是城市内的公共设施，但是实际的采集过程中，图像中不可避免存在运动物体，由于这些物体无法描述市政工程中各项设施的固有特征，且可能会出现相邻角度的图像中特征点找不到匹配点的情况，影响图像匹配的准确度，对应三维重建的结果存在误差，进而导致市政工程测量结果的准确性。
因此在无人机采集了市政工程的图像后，对采集的图像进行分析，直至图像中没有运动物体角度，可以有效降低因运动物体造成的误差结果，提高市政工程测量的准确性。
本实施例期望采集的图像中尽可能避免运动物体的出现，但是尽管可以设置图像采集的时间，如清晨，可以有效避开人流和车流，但是要想实现图像中不存在运动物体难度较大，因此需要对采集的图像进行判断，对图像中存在的运动物体进行剔除。
当图像中存在运动物体时，本实施例中需要使无人机悬停并连续采集多张图像，要想实现城市三维模型的重建，需要在各个角度采集图像，从而产生大量的图像，如果每个角度再采集多张图像，会产生更多的数据量，但是并非每个角度采集的图像中均存在运动物体，这也就意味着无人机并不需要每个角度均需要采集连续多张的图像，因此首先需要对图像中是否存在运动物体进行判断。
具体过程如下：
1.无人机每次先在各个角度连续采集两张图像，并进行灰度化处理，然后将所得两张灰度图像作差，即计算对应角度像素点的灰度值差值，以所得差值作为对应像素点的灰度值，得到采集图像的帧间差异图像；
2.由于无人机是悬停的，当图像中不存在运动物体时，得到的帧间差异图像中各个像素点的灰度值为0。由于不排除图像中可能存在噪声点或者小区域内的小幅度变化(如树叶的抖动)，帧间差异图像中可能存在像素点的灰度值不为0的情况，但是相较于这两种情况产生的异常像素点，人或者车辆等运动物体运动快且影响范围较广，其对市政工程测量结果的准确性干扰也更大，因此由噪声或者微小幅度变化产生的异常像素点可以忽略不计，判断图像中是否存在运动物体的具体过程如下：
1)对帧间差异图像进行开运算处理，去除离散异常点，获取处理后图像灰度值的 方差，设置异常阈值
Figure 499168DEST_PATH_IMAGE030
，当方差小于阈值时，认为其不存在运动物体，无人机结束悬停， 采集下一个角度的图像。
2)对帧间差异图像进行连通域分析，得到多个连通域，每个连通域均为一个异常区域，由于帧间差异图像中灰度值是两张图像作差得来，灰度值的大小可以表示采集的两张图像对应角度的差异程度，因此根据各个连通域内像素点的灰度值的累加和，以该累加和归一化后的结果作为该连通域的异常程度，此时连通域中像素点的个数越多，灰度差异越大，该连通域的异常程度越大；
3)当所有连通域中最大异常程度大于等于异常阈值
Figure 649526DEST_PATH_IMAGE031
时，认为图像中存在运动物 体，持续采集该角度的图像；
4)重复上述步骤，直到连续采集的图像中不存在运动物体为止。
步骤二：计算所有角度下的无运动物体市政工程图像中各超像素块的匹配优先级，包括：
S202、获取无运动物体市政工程图像中的超像素块及特征点
图像的匹配过程是一张图像上的特征点在另一张图像上的特征点中选取最相似特征点的过程，在此过程中，是特征点对之间的逐一匹配过程，所需计算量较大，通过对图像进行超像素块的分割，另一张图像中首先选取一个最相似的区域可以大大提高匹配的速度，因此本实施例先使用超像素分割算法对图像进行区域划分。
使用SIFT算子对无运动物体市政工程图像进行特征点的提取，此时每个特征点均具有一个描述子，用以描述该点特征；
使用SLIC算法对无运动物体市政工程图像进行超像素分割，设置超像素块的个数 为
Figure 244456DEST_PATH_IMAGE032
。
S203、构建无运动物体市政工程图像中每个超像素块的分布矩阵
根据无运动物体市政工程图像中每个超像素块里特征点的分布情况，根据超像素块中特征点的角度情况以及特征点之间的角度信息，构建无运动物体市政工程图像中每个超像素块的分布矩阵，超像素块的分布矩阵能够更明显的反映出各超像素块的特征点分布情况。
计算各个超像素块中各个特征点之间的欧式距离
Figure 505673DEST_PATH_IMAGE026
以及与水平向右正方向的夹角 度数
Figure 3913DEST_PATH_IMAGE027
，由此构建一个
Figure 325173DEST_PATH_IMAGE028
的分布矩阵，其中
Figure 407398DEST_PATH_IMAGE024
表示该超像素块中特征点夹角的个数，
Figure 708192DEST_PATH_IMAGE025
表 示该超像素块中距离值的个数，矩阵中第
Figure 559473DEST_PATH_IMAGE021
行第
Figure 317213DEST_PATH_IMAGE023
列的元素
Figure 647920DEST_PATH_IMAGE033
表示矩阵中两个特征点与 水平方向夹角为
Figure 250939DEST_PATH_IMAGE034
，欧式距离为
Figure 222306DEST_PATH_IMAGE022
的特征点对出现的频率为
Figure 386834DEST_PATH_IMAGE033
。
S204、计算每个特征点的匹配优先级
相对于对每个特征点依次进行匹配，对于特征较为明显的区域优先进行匹配可以更快的得到准确的匹配结果。而特征点匹配是根据单个特征点的描述子进行匹配的，当存在多个特征点的描述子与当前特征点的描述子较为相似时，更容易产生误匹配，但是相对于根据单个像素点的描述子进行匹配，根据一个区域中的多个特征点进行匹配可以避免因上述情况产生的误匹配，此外，当一个区域内的特征点越密集，表示此处的特征越明显，所以对于特征点密度较高的角度进行优先匹配，不仅可以实现图像的快速匹配，还可以进一步保证匹配的准确度。
1.超像素块的匹配优先级的计算公式如下：
Figure 443651DEST_PATH_IMAGE017
式中：
Figure 584783DEST_PATH_IMAGE014
为第
Figure 410656DEST_PATH_IMAGE010
个超像素块的匹配优先级，
Figure 11664DEST_PATH_IMAGE018
为特征点对
Figure 24620DEST_PATH_IMAGE019
在分布矩阵中 的频率，
Figure 766180DEST_PATH_IMAGE020
为两个特征点与水平向右方向形成的第
Figure 479183DEST_PATH_IMAGE021
个夹角，
Figure 749627DEST_PATH_IMAGE022
表示两个特征点之间的第
Figure 249879DEST_PATH_IMAGE023
种距离，
Figure 517435DEST_PATH_IMAGE024
表示该超像素块中特征点不同夹角的数量，
Figure 317901DEST_PATH_IMAGE025
表示该超像素块中不同距离值的数 量。
其中
Figure 791870DEST_PATH_IMAGE035
为矩阵的熵，用以描述矩阵中频率分布的散乱 程度，该值越大，频率分布越混乱，对应规则程度
Figure 169630DEST_PATH_IMAGE014
越高。
2.由于
Figure 551195DEST_PATH_IMAGE012
以及
Figure 471747DEST_PATH_IMAGE014
均是相对于整个超像素块而言进行评估的，但是一个超像素块中 可能存在多个特征点，因此本发明将
Figure 710092DEST_PATH_IMAGE036
作为该超像素块中各个特征点的初始优先程度，则 第
Figure 477279DEST_PATH_IMAGE010
个超像素块中第
Figure 98753DEST_PATH_IMAGE011
个特征点的优先程度
Figure 906434DEST_PATH_IMAGE009
可表示为：
Figure 220741DEST_PATH_IMAGE008
式中：
Figure 277821DEST_PATH_IMAGE009
表示第
Figure 234145DEST_PATH_IMAGE010
个超像素块中的第
Figure 693070DEST_PATH_IMAGE011
个特征点的匹配优先级，
Figure 647120DEST_PATH_IMAGE012
为第
Figure 388899DEST_PATH_IMAGE010
个超像素块 中特征点的数量，
Figure 617755DEST_PATH_IMAGE013
为第
Figure 868870DEST_PATH_IMAGE010
个超像素块中特征点的序号，
Figure 259400DEST_PATH_IMAGE014
为第
Figure 727290DEST_PATH_IMAGE010
个超像素块的匹配优先级，
Figure 589198DEST_PATH_IMAGE015
为第
Figure 553874DEST_PATH_IMAGE010
个超像素块中的第
Figure 115306DEST_PATH_IMAGE011
个特征点的坐标，
Figure 300518DEST_PATH_IMAGE016
为第
Figure 136756DEST_PATH_IMAGE010
个超像素块中的第
Figure 96884DEST_PATH_IMAGE013
个特征点 的坐标。
Figure 829217DEST_PATH_IMAGE037
用以评估第
Figure 271699DEST_PATH_IMAGE011
个特征点的周围密度，当特征点 与其他特征点的距离越小，该值越大，表示该特征点处于该超像素块中特征点更密集的角 度，因而该点的匹配优先度应该更高，因此以该值作为第
Figure 616355DEST_PATH_IMAGE010
个超像素块中的第
Figure 929525DEST_PATH_IMAGE011
个特征点的 优先度权重，其与整个超像素块的初始优先度相乘后所得结果即可表示该特征点的优先 度。
3.首先根据
Figure 832759DEST_PATH_IMAGE036
对所有超像素块的优先度从大到小进行排序，再根据最大优先度 所对应的超像素块中所有特征点的优先度从大到小进行排序，由此得到当前图像中各个特 征点的匹配顺序。
步骤三：对无运动物体市政工程图像进行匹配，包括：
对无运动物体市政工程图像进行匹配的过程为：
S301：计算下一角度的无运动物体市政工程图像中的每个超像素块与当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块的相似度；
S302：将下一角度的无运动物体市政工程图像中的各个超像素块按照与当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块相似度进行由高到低的顺序排序；
S303：对排序后的每个超像素块中的特征点根据特征点的匹配优先度进行的超像素块内特征点的匹配；
S304：更新当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块，重复步骤S301-S303对所有超像素块中的特征点对进行匹配；
对无运动物体市政工程图像进行匹配的过程流程图如图2所示，具体操作过程如下所述：
S205、计算连续角度的无运动物体市政工程图像中超像素块的相似度
由于分布的规则程度是根据特征点在物体表面的分布情况进行评估的，当图像角度发生变化后(注：图像的采集过程是连续采集的，采集角度的变化是连续的，不会发生突变)，由于建筑物的结构并不会发生变化，因此这些特征点的分布规则程度不会发生变化，因此特征点分布的规则程度不仅仅可以用来评估各个超像素块的匹配优先度，也可以用来表征一定区域内特征点的分布角度关系。
为了可以使市政工程测量结果更加准确，相机在采集过程中，角度偏移一般较小，因此在下一个角度采集的无运动物体市政工程图像中，当前角度的无运动物体市政工程图像中的超像素块在下一个角度采集的无运动物体市政工程图像中角度偏移较小，因此需要根据当前角度的无运动物体市政工程图像中最大优先度的超像素块与下一张图像各个块的角度以及分布相似度进行相似区域的选择。
Figure 732844DEST_PATH_IMAGE038
式中：
Figure 114147DEST_PATH_IMAGE002
为下一角度的无运动物体市政工程图像中第
Figure 281823DEST_PATH_IMAGE003
个超像素块与当前角度的 无运动物体市政工程图像中最大匹配优先级的超像素块的相似度，
Figure 343843DEST_PATH_IMAGE003
表示下一角度的无运 动物体市政工程图像中超像素块的序号，
Figure 964180DEST_PATH_IMAGE004
为下一角度的无运动物体市政工程图像中 第
Figure 149174DEST_PATH_IMAGE003
个超像素块的中心点坐标，
Figure 672821DEST_PATH_IMAGE005
为当前角度的无运动物体市政工程图像中最大匹配优 先级的超像素块的中心点坐标，
Figure 652279DEST_PATH_IMAGE006
为下一角度的无运动物体市政工程图像中第
Figure 25491DEST_PATH_IMAGE003
个超像素 块的匹配优先级，
Figure 483017DEST_PATH_IMAGE007
为当前角度的无运动物体市政工程图像中匹配优先级最大的超像素块 的匹配优先级。
S206、对连续角度的无运动物体市政工程图像进行匹配
为了可以使市政工程测量结果更加准确，相机在采集过程中，角度偏移一般较小，因此在下一个角度采集的图像中，当前图像中的超像素块在下一个角度采集的图像中角度偏移较小，因此需要根据当前图像中最大优先度的超像素块与下一张图像各个块的角度以及分布相似度进行相似区域的选择。
提取当前角度的无运动物体市政工程图像的最大匹配优先级的超像素块，将下一角度的无运动物体市政工程图像中的各个超像素块按照与当前角度的无运动物体市政工程图像的最大匹配优先级的超像素块的相似度由高到低的顺序进行超像素块内特征点的匹配；
完成第一次匹配后，对当前角度的无运动物体市政工程图像的最大匹配优先级进行更，计算未匹配超像素块中的最大匹配优先级的超像素块与下一角度的其余超像素块的相似度；
重复上述步骤，直至所采集的所有角度的无运动物体市政工程图像全部完成匹配停止。
步骤四：根据市政工程的三维模型对市政工程进行测量，包括：
S207、对市政工程进行测量
根据对所有角度的无运动物体市政工程图像进行匹配的匹配结果构建市政工程三维模型，通过去除运动物体得到的无运动物体市政工程图像得到的市政工程三维模型更加准确，然后根据市政工程三维模型对市政工程进行精确测量。
将下一角度的无运动物体市政工程图像中的每个超像素块按照与当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块的相速度由高到低的顺序对超像素块内的特征点进行匹配，在此过程中，以特征点描述子之间的欧式距离作为特征点之间的相似性度量，描述子之间的距离越小，认为特征点的相似性越高，将两个超像素块中的各个特征点对根据超像素块中每个特征点的匹配优先级进行暴力匹配，由此将同一物理空间点在两幅不同图像中对应的特征点对应起来。
通过最先匹配的两张角度的无运动物体市政工程图像的本质矩阵确定相机位姿（后续对无运动物体市政工程图像的匹配过程中使用PNP算法恢复相机位姿即可），结合匹配的特征点对使用三角测量法恢复出特征点的三维信息。
重复上述步骤，对每一角度的无运动物体市政工程图像进行特征点对的三维信息的恢复，实现对市政工程的三维建模。
对所有角度的无运动物体市政工程图像进行立体匹配，通过本质矩阵确定相机位姿，结合匹配的特征点对，使用三角测量法结合相机的内外参数恢复出特征点的三维信息，根据三维场景信息得到市政工程的三维模型，根据市政工程的三维模型对市政工程进行测量。
基于与上述方法相同的发明构思，本实施例还提供了一种市政工程测量定位系统，本实施例中一种市政工程测量定位系统包括图像采集单元、图像分析单元、模型构建单元和工程测量单元，所述图像采集单元、图像分析单元、模型构建单元和工程测量单元，以实现如一种市政工程测量定位方法的实施例中所描述的利用无人机采集市政工程的各个角度的连续图像进行分析处理得到每个角度的无运动物体市政工程图像；对每个角度的无运动物体市政工程图像进行超像素分割和特征点提取，根据每个超像素块中特征点的角度情况确定每个超像素块的分布规则程度进行匹配；对所有角度的无运动物体市政工程图像都完成匹配，根据匹配结果对市政工程三维模型进行构建；根据得到的市政工程的三维模型对市政工程进行测量。
由于一种市政工程测量定位方法及系统实施例中已经对利用无人机采集市政工程的各个角度的连续图像进行分析处理得到每个角度的无运动物体市政工程图像；对每个角度的无运动物体市政工程图像进行超像素分割和特征点提取，根据每个超像素块中特征点的角度情况确定每个超像素块的分布规则程度进行匹配；对所有角度的无运动物体市政工程图像都完成匹配，根据匹配结果对市政工程三维模型进行构建；根据得到的市政工程的三维模型对市政工程进行测量方法进行了说明，此处不再赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种市政工程测量定位方法，其特征在于，包括：
步骤一：获取多角度的无运动物体市政工程图像；
步骤二：计算所有角度下的无运动物体市政工程图像中各超像素块的匹配优先级，包括：
对无运动物体市政工程图像进行超像素分割；
计算每个超像素块中两个特征点之间的欧式距离以及两个特征点与水平向右方向的夹角构建，根据不同欧式距离的数量以及与水平向右方向不同夹角的数量计算每个超像素块的分布规则程度；
根据每个超像素块的分布规则程度以及该超像素块中特征点之间的分布情况计算每个超像素块中每个特征点的匹配优先级；
步骤三：对无运动物体市政工程图像进行匹配，包括：
S301：计算下一角度的无运动物体市政工程图像中的每个超像素块与当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块的相似度；
S302：将下一角度的无运动物体市政工程图像中的各个超像素块按照与当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块相似度进行由高到低的顺序排序；
S303：对排序后的每个超像素块中的特征点根据特征点的匹配优先度进行的超像素块内特征点的匹配；
S304：更新当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块，重复步骤S301-S303对所有超像素块中的特征点对进行匹配；
步骤四：重复步骤二到步骤三，对所有角度的无运动物体市政工程图像的特征点进行立体匹配，根据特征点匹配的结果结合相机的内外参数恢复三维场景的信息得到市政工程的三维模型，根据市政工程的三维模型对市政工程进行测量。
2.根据权利要求1所述的一种市政工程测量定位方法，其特征在于，所述下一角度的无运动物体市政工程图像中的每个超像素块与当前角度的无运动物体市政工程图像中最大匹配优先级的超像素块的相似度的计算公式如下：
Figure 236941DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
为下一角度的无运动物体市政工程图像中第
Figure 394384DEST_PATH_IMAGE004
个超像素块与当前角度的无运 动物体市政工程图像中最大匹配优先级的超像素块的相似度，
Figure 830044DEST_PATH_IMAGE004
表示下一角度的无运动物 体市政工程图像中超像素块的序号，
Figure DEST_PATH_IMAGE005
为下一角度的无运动物体市政工程图像中第
Figure 975592DEST_PATH_IMAGE004
个 超像素块的中心点坐标，
Figure 863914DEST_PATH_IMAGE006
为当前角度的无运动物体市政工程图像中最大匹配优先级 的超像素块的中心点坐标，
Figure DEST_PATH_IMAGE007
为下一角度的无运动物体市政工程图像中第
Figure 120321DEST_PATH_IMAGE004
个超像素块的 分布规则程度，
Figure 676067DEST_PATH_IMAGE008
为当前角度的无运动物体市政工程图像中匹配优先级最大的超像素块的 分布规则程度；
其中，每个超像素块的匹配优先级为：根据每个超像素块中特征点的数量与分布规则程度的乘积按照从高到低的顺序进行排序得到每个超像素块的匹配优先级。
3.根据权利要求1所述的一种市政工程测量定位方法，其特征在于，所述对所有角度的无运动物体市政工程图像的特征点进行立体匹配的方法为：
以特征点描述子之间的欧式距离作为特征点之间的相似性度量，将两个超像素块中的各个特征点根据超像素块中每个特征点的匹配优先级进行暴力匹配，将同一物理空间点在两幅不同图像中对应的特征点对应起来。
4.根据权利要求3所述的一种市政工程测量定位方法，其特征在于，计算每个超像素块中每个特征点的匹配优先级的方法为：根据每个超像素块的分布规则程度以及超像素块中每个特征点之间的角度关系对该超像素块中每个特征点的匹配优先级进行确定；
每个特征点的匹配优先级的计算公式如下：
Figure 556298DEST_PATH_IMAGE010
式中：
Figure DEST_PATH_IMAGE011
表示第
Figure 125993DEST_PATH_IMAGE012
个超像素块中的第
Figure DEST_PATH_IMAGE013
个特征点的匹配优先级，
Figure 687555DEST_PATH_IMAGE014
为第
Figure 97808DEST_PATH_IMAGE012
个超像素块中特 征点的数量，
Figure DEST_PATH_IMAGE015
为第
Figure 913055DEST_PATH_IMAGE012
个超像素块中特征点的序号，
Figure 448072DEST_PATH_IMAGE016
为第
Figure 937960DEST_PATH_IMAGE012
个超像素块的匹配优先级，
Figure DEST_PATH_IMAGE017
为第
Figure 45462DEST_PATH_IMAGE012
个超像素块中的第
Figure 267496DEST_PATH_IMAGE013
个特征点的坐标，
Figure 617706DEST_PATH_IMAGE018
为第
Figure 81923DEST_PATH_IMAGE012
个超像素块中的第
Figure 201189DEST_PATH_IMAGE015
个特征点的坐 标。
5.根据权利要求3所述的一种市政工程测量定位方法，其特征在于，所述超像素块的匹配优先级的计算公式如下：
Figure DEST_PATH_IMAGE019
式中：
Figure 266228DEST_PATH_IMAGE016
为第
Figure 602269DEST_PATH_IMAGE012
个超像素块的匹配优先级，
Figure 106062DEST_PATH_IMAGE020
为特征点对
Figure DEST_PATH_IMAGE021
在分布矩阵中的频 率，
Figure 283097DEST_PATH_IMAGE022
为两个特征点与水平向右方向形成的第
Figure DEST_PATH_IMAGE023
个夹角，
Figure 17573DEST_PATH_IMAGE024
表示两个特征点之间的第
Figure DEST_PATH_IMAGE025
种距 离，
Figure 280058DEST_PATH_IMAGE026
表示该超像素块中特征点不同夹角的数量，
Figure DEST_PATH_IMAGE027
表示该超像素块中不同距离值的数量。
6.根据权利要求5所述的一种市政工程测量定位方法，其特征在于，所述分布矩阵的构建方法为：
计算每个超像素块中两两特征点之间的欧式距离
Figure 23761DEST_PATH_IMAGE028
以及两两特征点形成的直线与水平 向右方向的夹角
Figure DEST_PATH_IMAGE029
，统计相同的欧式距离以及夹角的数量，构建
Figure 789722DEST_PATH_IMAGE030
的分布矩阵，其中
Figure 22995DEST_PATH_IMAGE026
表 示该超像素块中特征点不同的夹角的数量，
Figure 569514DEST_PATH_IMAGE027
表示该超像素块中不同的距离值的数量，矩阵 中第
Figure 680690DEST_PATH_IMAGE023
行第
Figure 956950DEST_PATH_IMAGE025
列的元素
Figure DEST_PATH_IMAGE031
表示矩阵中两个特征点与水平方向夹角为
Figure 298808DEST_PATH_IMAGE022
，欧式距离为
Figure 332623DEST_PATH_IMAGE024
的 特征点对的数量。
7.根据权利要求1所述的一种市政工程测量定位方法，其特征在于，所述无运动物体市政工程图像的获取过程为：通过帧间差分法获取市政工程中同一个角度的连续采集的图像的帧间差分图像，对帧间差分图像进行连通域分析，若帧间差分图像中所有连通域的最大异常程度大于等于异常阈值时，采集的图像中还存在运动物体，继续采集图像重复上述步骤直至帧间差分图像中所有连通域的最大异常程度小于异常阈值时停止迭代，将此时采集的图像作为当前角度的无运动物体市政工程图像。
8.一种市政工程测量定位系统，执行如权利要求1-7任一所述的一种市政工程测量定位方法，包括：图像采集单元、图像分析单元、模型构建单元和工程测量单元，其特征在于：
图像采集单元：采集市政工程的各个角度的连续图像，直至图像中不存在运动物体时停止采集，得到每个角度的无运动物体市政工程图像；
图像分析单元：对得到的每个角度的无运动物体市政工程图像进行超像素分割和特征点提取，根据无运动物体市政工程图像中每个超像素块中特征点的角度情况确定每个超像素块的分布规则程度，根据匹配优先级进行匹配；
模型构建单元：对当前角度的无运动物体市政工程图像与下一角度的无运动物体市政工程图像根据匹配优先级进行匹配，重复匹配过程直至所有角度的无运动物体市政工程图像都完成匹配，根据匹配结果对市政工程三维模型进行构建；
工程测量单元：根据得到的市政工程的三维模型对市政工程进行测量。
CN202211205394.5A 2022-09-30 2022-09-30 一种市政工程测量定位方法及系统 Active CN115294485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211205394.5A CN115294485B (zh) 2022-09-30 2022-09-30 一种市政工程测量定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211205394.5A CN115294485B (zh) 2022-09-30 2022-09-30 一种市政工程测量定位方法及系统

Publications (2)

Publication Number Publication Date
CN115294485A CN115294485A (zh) 2022-11-04
CN115294485B true CN115294485B (zh) 2023-01-06

Family

ID=83833158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211205394.5A Active CN115294485B (zh) 2022-09-30 2022-09-30 一种市政工程测量定位方法及系统

Country Status (1)

Country Link
CN (1) CN115294485B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943736A (zh) * 2022-07-21 2022-08-26 山东嘉翔汽车散热器有限公司 一种汽车散热翅片生产质量检测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9870615B2 (en) * 2017-07-19 2018-01-16 Schwalb Consulting, LLC Morphology identification in tissue samples based on comparison to named feature vectors
CN109949348B (zh) * 2019-01-22 2023-04-18 天津大学 一种基于超像素运动统计的误匹配去除方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943736A (zh) * 2022-07-21 2022-08-26 山东嘉翔汽车散热器有限公司 一种汽车散热翅片生产质量检测方法及系统

Also Published As

Publication number Publication date
CN115294485A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN107038717B (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
CN105844629B (zh) 一种大场景城市建筑物立面点云自动分割方法
CN106529469B (zh) 基于自适应坡度的无人机载LiDAR点云滤波方法
CN108197583B (zh) 基于图割优化和影像结构特征的建筑物变化检测方法
CN110533722A (zh) 一种基于视觉词典的机器人快速重定位方法及系统
CN104156984B (zh) 一种不均匀杂波环境下多目标跟踪的概率假设密度方法
CN109345617B (zh) 一种基于长条带多站点云的链式高精度拼接与平差方法
CN111598780B (zh) 一种适用于机载LiDAR点云的地形自适应插值滤波方法
CN110795978B (zh) 路面点云数据提取方法、装置、存储介质及电子设备
CN112085778A (zh) 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统
CN110636248B (zh) 目标跟踪方法与装置
CN111105459A (zh) 描述子地图生成方法、定位方法、装置、设备和存储介质
CN108287845A (zh) 一种道路信息自动提取方法和装置、及混合导航系统
CN112150549B (zh) 一种基于地面纹理的视觉定位方法、芯片及移动机器人
CN115294485B (zh) 一种市政工程测量定位方法及系统
CN116958485A (zh) 一种可视域分析方法及装置
CN117053779A (zh) 一种基于冗余关键帧去除的紧耦合激光slam方法及装置
CN113052193A (zh) 机器人重定位方法及系统
CN115661398A (zh) 一种用于实景三维模型的建筑物提取方法、装置及设备
CN114429530A (zh) 自动提取建筑物三维模型的方法、系统、存储介质及设备
CN106055669A (zh) 一种数据离散化方法及系统
CN113688816A (zh) 一种改进orb特征点提取的视觉里程计的计算方法
CN111951350A (zh) 一种夷平面级数与高度的自动判别方法
CN110264508B (zh) 一种基于凸四边形原则的消影点估计方法
Yu et al. A cue line based method for building modeling from LiDAR and satellite imagery

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