CN115830248A - 一种基于无人机环绕规划的超高精细三维模型建立方法 - Google Patents

一种基于无人机环绕规划的超高精细三维模型建立方法 Download PDF

Info

Publication number
CN115830248A
CN115830248A CN202310145326.2A CN202310145326A CN115830248A CN 115830248 A CN115830248 A CN 115830248A CN 202310145326 A CN202310145326 A CN 202310145326A CN 115830248 A CN115830248 A CN 115830248A
Authority
CN
China
Prior art keywords
cloud data
point cloud
building
laser point
model
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.)
Granted
Application number
CN202310145326.2A
Other languages
English (en)
Other versions
CN115830248B (zh
Inventor
周磊
徐彦中
王卫玲
宋羽
王贵祥
王静
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.)
JINAN INSTITUTE OF SURVEY & MAPPING
Original Assignee
JINAN INSTITUTE OF SURVEY & MAPPING
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 JINAN INSTITUTE OF SURVEY & MAPPING filed Critical JINAN INSTITUTE OF SURVEY & MAPPING
Priority to CN202310145326.2A priority Critical patent/CN115830248B/zh
Publication of CN115830248A publication Critical patent/CN115830248A/zh
Application granted granted Critical
Publication of CN115830248B publication Critical patent/CN115830248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于无人机环绕规划的超高精细三维模型建立方法，属于建筑物三维建模技术领域，方法包括：S1、获取并对关于地面物体的激光点云数据进行预处理；S2、对经过预处理得到的激光点云数据，对点云中的坐标点进行聚类处理，从中去除干扰坐标点，得到代表地面建筑物对象的激光点云数据；S3、确定代表地面建筑物对象的激光点云数据中的不同坐标点所组成的各个几何平面，依据形式化的各个几何平面之间的位置关系从系统模型数据库中查找相应的建筑物屋顶模型；S4、系统生成从建筑物屋顶模型底部至地面模型之间的建筑物墙面模型，并对完整的建筑物模型进行纹理贴图处理。使用本发明进行建筑物三维建模，建模精细、建模速度快。

Description

一种基于无人机环绕规划的超高精细三维模型建立方法
技术领域
本发明属于建筑物三维建模技术领域，具体涉及一种基于无人机环绕规划的超高精细三维模型建立方法。
背景技术
伴随着计算机应用技术的不断发展，出现了越来越多对于真实场景下的大规模建筑物群的三维建模需求，举例如建立城市三维模型，用来对城市建筑物的高度和区域分布特点等进行调查，而在建立建筑物的三维模型之前，通常需要获取关于建筑物的激光雷达点云数据，其可以由无人机搭载激光雷达仪器在空中对建筑物进行扫描得到，依据激光雷达点云数据能够计算出建筑物上每个被测点的实际位置数据，进而能够实现对于建筑物三维模型的建立，但现有技术中基于激光点云构建建筑物三维模型的方法一般存在建模步骤复杂，建模速度慢的问题，因此研究一种能够实现基于激光雷达点云数据的简单、快速，并且精细的建筑物建模方法是十分必要的。
发明内容
针对上述提出的技术问题，本发明提供一种基于无人机环绕规划的超高精细三维模型建立方法，本发明基于地面物体的激光点云数据，对其进行高度值的划分以及聚类处理，从而得到代表地面建筑物对象的激光点云数据，接着确定激光点云数据中的不同坐标点所组成的各个几何平面，并提取各个几何平面之间的位置关系，依据各个几何平面之间的位置关系从系统模型数据库中查找相应的建筑物屋顶模型，完成对建筑物屋顶的快速建模，最后生成建筑物墙面模型，并对完整的建筑物模型进行纹理贴图处理。
为了实现上述的发明目的，给出如下所述的一种基于无人机环绕规划的超高精细三维模型建立方法，通过以下步骤来实现：
步骤一、获取关于地面物体的激光点云数据，并对该激光点云数据进行预处理，来对其所代表的地面物体对象进行初步识别；
步骤二、对于经过预处理得到的激光点云数据，继续对激光点云数据中的坐标点进行聚类处理，从而去除激光点云数据中的干扰坐标点，得到代表地面建筑物对象的激光点云数据；
步骤三、基于代表地面建筑物对象的激光点云数据，确定激光点云数据中的不同坐标点所组成的各个几何平面，并提取各个几何平面之间的位置关系，同时对该位置关系进行形式化的表述，接着依据形式化的所述各个几何平面之间的位置关系从系统模型数据库中查找相应的建筑物屋顶模型，进而完成对建筑物屋顶的快速建模；
步骤四、在建筑物屋顶模型建立完成的基础上，系统生成从建筑物屋顶模型底部至地面模型之间的建筑物墙面模型，从而得到完整的建筑物模型，并基于系统预先采集到的建筑物在实际场景下的图像数据对完整的建筑物模型进行纹理贴图处理。
作为本发明的一种优选技术方案，步骤三中确定激光点云数据中的不同坐标点所组成的各个几何平面，具体包括如下步骤：
第一步、在激光点云数据中任意选取一坐标点
Figure SMS_1
，
Figure SMS_5
同时在该坐标点的邻域内任意选取其他三个坐标点，分别为
Figure SMS_6
，
Figure SMS_3
，
Figure SMS_4
，
Figure SMS_7
，及
Figure SMS_8
，
Figure SMS_2
；
第二步、分别计算
Figure SMS_9
，
Figure SMS_10
，接着计算
Figure SMS_11
，并得到
Figure SMS_12
，其中，
Figure SMS_13
，
Figure SMS_14
，
Figure SMS_15
；
第三步、对于激光点云数据中的任意其他坐标点
Figure SMS_16
，
Figure SMS_17
，所有满足条件
Figure SMS_18
的坐标点与坐标点
Figure SMS_19
，
Figure SMS_20
，
Figure SMS_21
，及
Figure SMS_22
一起共同组成一个几何平面。
与现有技术相比，本发明的有益效果如下：
本发明的一种基于无人机环绕规划的超高精细三维模型建立方法，首先获取并对关于地面物体的激光点云数据进行预处理，然后对经过预处理得到的激光点云数据，继续对点云中的坐标点进行聚类处理，并从中去除干扰坐标点，得到代表地面建筑物对象的激光点云数据；接着确定代表地面建筑物对象的激光点云数据中的不同坐标点所组成的各个几何平面，并依据各个几何平面之间的位置关系从系统模型数据库中查找相应的建筑物屋顶模型，最后系统生成从建筑物屋顶模型底部至地面模型之间的建筑物墙面模型，并对完整的建筑物模型进行纹理贴图处理。本发明解决了现有技术中基于激光雷达点云数据构建建筑物三维模型的方法存在的建模步骤复杂，建模速度慢的问题，使用本发明进行建筑物三维建模，具有建模精细、建模速度快的优点。
附图说明
图1为本发明的一种基于无人机环绕规划的超高精细三维模型建立方法的流程图；
图2为本发明的获取代表地面建筑物对象的激光点云数据的流程图；
图3为本发明的确定激光点云数据中坐标点所组成的各个几何平面的流程图。
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仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
参考如图1所示，本发明提供一种基于无人机环绕规划的超高精细三维模型建立方法，具体通过执行如下的步骤来实现：
步骤一、获取关于地面物体的激光点云数据，并对该激光点云数据进行预处理，来对其所代表的地面物体对象进行初步识别。
步骤二、对于经过预处理得到的激光点云数据，继续对激光点云数据中的坐标点进行聚类处理，从而去除激光点云数据中的干扰坐标点，得到代表地面建筑物对象的激光点云数据。
步骤三、基于代表地面建筑物对象的激光点云数据，确定激光点云数据中的不同坐标点所组成的各个几何平面，并提取各个几何平面之间的位置关系，同时对该位置关系进行形式化的表述，接着依据形式化的所述各个几何平面之间的位置关系从系统模型数据库中查找相应的建筑物屋顶模型，进而完成对建筑物屋顶的快速建模。
步骤四、在建筑物屋顶模型建立完成的基础上，系统生成从建筑物屋顶模型底部至地面模型之间的建筑物墙面模型，从而得到完整的建筑物模型，并基于系统预先采集到的建筑物在实际场景下的图像数据对完整的建筑物模型进行纹理贴图处理。
进一步的，在步骤一中，对所述激光点云数据进行预处理具体包括，计算激光点云数据中的坐标点所代表的实际高度值，并依据不同类别的地面物体对象在实际中的高度值范围对激光点云数据中的坐标点进行高度值的划分，上述的地面物体对象包含地面、树木、车辆、及建筑物。
具体的，关于地面物体的激光雷达点云数据由无人机搭载激光雷达系统得到，无人机基于需要进行建模的区域，事先设计对于建模区域的环绕规划路线，以保证获取关于建模区域内的建筑物的完整的激光雷达点云数据，激光雷达系统包括激光器和一个接收系统，激光器产生并发射一束光脉冲，打在物体上并反射回来，最终被接收器所接收，接收器能准确地测量光脉冲从发射到被反射回的传播时间，鉴于光速是已知的，传播时间即可以被转换为距离值，结合激光器的高度，激光扫描角度，就可以准确地计算出每个地面被测点的三维坐标，又考虑到地面上常见的物体对象，举例如地面、树木、车辆、及建筑物等，他们都具有不同的实际高度，因此能够按照不同的地面物体对象在实际中的高度值范围对激光点云数据中的坐标点进行高度值的划分，举例如建筑物在实际中的高度值范围在一百米以内，树木在实际中的高度值范围在十米以内，进而能够初步确定代表地面建筑物对象的激光点云数据的数据范围，减少在后续的建模步骤中需要处理的点云数据量。
进一步的，参考如图2所示，在步骤二中，获得代表地面建筑物对象的激光点云数据，具体包括如下步骤：
第一步、从激光点云数据中任意选取一坐标点，将其作为聚类的中心点，计算激光点云数据中其他坐标点到该中心点的欧式距离值，并判断该欧式距离值与系统预先设定的距离阈值之间的大小关系；
第二步、当所述欧式距离值小于等于系统预先设定的距离阈值时，将与该欧式距离值相对应的坐标点划分到上述的中心点所代表的坐标点类别中，当所述欧式距离值大于系统预先设定的距离阈值时，将与该欧式距离值相对应的坐标点作为新的聚类的中心点；
第三步、分别计算激光点云数据中其他坐标点到上述的两个中心点的欧式距离值，当该欧式距离值均大于系统预先设定的距离阈值时，将与该欧式距离值相对应的坐标点作为新的聚类的中心点，否则将与该欧式距离值相对应的坐标点划分到与其距离更近的中心点所代表的坐标点类别中；
第四步、根据上述步骤类推，直到完成对激光点云数据中所有坐标点的聚类处理，并从聚类处理后的激光点云数据中删除孤立的坐标点，以及其中的坐标点个数少于预设的个数阈值的坐标点类别，进而得到代表地面建筑物对象的激光点云数据。
具体的，考虑到基于经过上述步骤一处理后的激光点云数据，系统只是初步确定了代表地面建筑物对象的激光点云数据的数据范围，这些数据中仍然可能存在着一些干扰坐标点，干扰坐标点将会对后续步骤中关于建筑物屋顶的建模造成影响，导致建筑物建模的准确度降低，因此为了明确代表地面建筑物对象的激光点云数据的具体的坐标点，还需要对经过步骤一处理后的激光点云数据进行进一步的聚类处理，并从中去除干扰点，通过这样的方法能够在后续的建模步骤中确定那些代表地面建筑物对象的激光点云数据的坐标点，提高建筑物建模的准确度。
进一步的，参考如图3所示，在步骤三中，确定激光点云数据中的不同坐标点所组成的各个几何平面，具体包括如下步骤：
第一步、在激光点云数据中任意选取一坐标点
Figure SMS_25
，
Figure SMS_27
同时在该坐标点的邻域内任意选取其他三个坐标点，分别为
Figure SMS_29
，
Figure SMS_24
，
Figure SMS_26
，
Figure SMS_28
，及
Figure SMS_30
，
Figure SMS_23
；
第二步、分别计算
Figure SMS_31
，
Figure SMS_32
，接着计算
Figure SMS_33
，并得到
Figure SMS_34
，其中，
Figure SMS_35
，
Figure SMS_36
，
Figure SMS_37
；
第三步、对于激光点云数据中的任意其他坐标点
Figure SMS_38
，
Figure SMS_39
，所有满足条件
Figure SMS_40
的坐标点与坐标点
Figure SMS_41
，
Figure SMS_42
，
Figure SMS_43
，及
Figure SMS_44
一起共同组成一个几何平面。
具体的，通过上述的第二步中的计算过程，能够确定激光点云数据中的坐标点
Figure SMS_47
，
Figure SMS_50
，
Figure SMS_52
，及
Figure SMS_46
所在的平面，接着在上述的第三步中，通过判断激光点云数据中的任意其他坐标点e是否满足条件
Figure SMS_49
，能够找出其他所有的也在由坐标点
Figure SMS_51
，
Figure SMS_53
，
Figure SMS_45
，及
Figure SMS_48
所确定的平面内的坐标点，因此按照上述的方法，在步骤三中能够最终确定激光点云数据中的不同坐标点所组成的各个几何平面，这些几何平面与组成建筑物屋顶的各个平面图形相互对应，从而提取各个几何平面之间的位置关系，同时对该位置关系进行形式化的表述，接着依据形式化的各个几何平面之间的位置关系从系统模型数据库中查找相应的建筑物屋顶模型，完成对建筑物屋顶的快速建模。
进一步的，步骤三中提取激光点云数据中的不同坐标点所组成的各个几何平面之间的位置关系，并对该位置关系进行形式化的表述，该过程具体包括将所述各个几何平面分别作为顶点来构建一个无向图，当不同的两个几何平面之间存在一条公共边时，连接无向图中对应的两个顶点，并分别计算该两个几何平面的法向量，同时将该两个几何平面的法向量的夹角数据作为无向图中对应边的属性信息。
进一步的，步骤三中依据激光点云数据中坐标点所确定的各个几何平面之间的形式化的位置关系从系统模型数据库中查找相应的建筑物屋顶模型，具体包括将形式化的各个几何平面之间的位置关系与组成系统模型数据库中建筑物屋顶模型的各个几何平面之间的形式化的位置关系进行相似性匹配，当该相似性匹配结果大于系统设定的阈值时，则从系统模型数据库中选择相应的建筑物屋顶模型。其中，对组成系统模型数据库中建筑物屋顶模型的各个几何平面之间的形式化的位置关系的提取过程与对激光点云数据中坐标点所确定的各个几何平面之间的形式化的位置关系的提取过程保持一致。
进一步的，在步骤四中，经过上述的步骤一至步骤三，系统已经完成了对建筑物屋顶模型的建立，步骤四在建筑物屋顶模型的基础上，由系统生成从建筑物屋顶模型底部至地面模型之间的建筑物墙面模型，从而得到完整的建筑物模型，并基于系统预先采集到的建筑物在实际场景下的图像数据对完整的建筑物模型进行纹理贴图处理，达到增加建筑物模型真实感的目的，也提高了三维建模的精细化程度，其中，建筑物在实际场景下的图像数据也可以由无人机搭载摄像装置来获取。
综上所述，本发明首先获取并对关于地面物体的激光点云数据进行预处理，然后对经过预处理得到的激光点云数据，继续对点云中的坐标点进行聚类处理，并从中去除干扰坐标点，得到代表地面建筑物对象的激光点云数据；接着确定代表地面建筑物对象的激光点云数据中的不同坐标点所组成的各个几何平面，并依据各个几何平面之间的位置关系从系统模型数据库中查找相应的建筑物屋顶模型，最后系统生成从建筑物屋顶模型底部至地面模型之间的建筑物墙面模型，并对完整的建筑物模型进行纹理贴图处理。本发明解决了现有技术中基于激光雷达点云数据构建建筑物三维模型的方法存在的建模步骤复杂，建模速度慢的问题，使用本发明进行建筑物三维建模，具有建模精细、建模速度快的优点。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上上述的实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上上述的实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上上述的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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于无人机环绕规划的超高精细三维模型建立方法，其特征在于，包括如下的步骤：
S1、获取关于地面物体的激光点云数据，并对该激光点云数据进行预处理，来对其所代表的地面物体对象进行初步识别；
S2、对于经过预处理得到的激光点云数据，继续对激光点云数据中的坐标点进行聚类处理，从而去除激光点云数据中的干扰坐标点，得到代表地面建筑物对象的激光点云数据；
S3、基于代表地面建筑物对象的激光点云数据，确定激光点云数据中的不同坐标点所组成的各个几何平面，并提取各个几何平面之间的位置关系，同时对该位置关系进行形式化的表述，接着依据形式化的所述各个几何平面之间的位置关系从系统模型数据库中查找相应的建筑物屋顶模型，进而完成对建筑物屋顶的快速建模；
S4、在建筑物屋顶模型建立完成的基础上，系统生成从建筑物屋顶模型底部至地面模型之间的建筑物墙面模型，从而得到完整的建筑物模型，并基于系统预先采集到的建筑物在实际场景下的图像数据对完整的建筑物模型进行纹理贴图处理；
S3中确定激光点云数据中的不同坐标点所组成的各个几何平面，具体包括如下步骤：
S31、在激光点云数据中任意选取一坐标点
Figure QLYQS_1
，
Figure QLYQS_4
同时在该坐标点的邻域内任意选取其他三个坐标点，分别为
Figure QLYQS_6
，
Figure QLYQS_3
，
Figure QLYQS_5
，
Figure QLYQS_7
，及
Figure QLYQS_8
，
Figure QLYQS_2
；
S32、分别计算
Figure QLYQS_9
，
Figure QLYQS_10
，接着计算
Figure QLYQS_11
，并得到
Figure QLYQS_12
，其中，
Figure QLYQS_13
，
Figure QLYQS_14
，
Figure QLYQS_15
；
S33、对于激光点云数据中的任意其他坐标点
Figure QLYQS_16
，
Figure QLYQS_17
，所有满足条件
Figure QLYQS_18
的坐标点与坐标点
Figure QLYQS_19
，
Figure QLYQS_20
，
Figure QLYQS_21
，及
Figure QLYQS_22
一起共同组成一个几何平面。
2.根据权利要求1所述的一种基于无人机环绕规划的超高精细三维模型建立方法，其特征在于，S1中对所述激光点云数据进行预处理包括，计算激光点云数据中的坐标点所代表的实际高度值，并依据不同类别的地面物体对象在实际中的高度值范围对激光点云数据中的坐标点进行高度值的划分，所述地面物体对象包含地面、树木、车辆、及建筑物。
3.根据权利要求1所述的一种基于无人机环绕规划的超高精细三维模型建立方法，其特征在于，S2中获得代表地面建筑物对象的激光点云数据，具体包括如下步骤：
S21、从激光点云数据中任意选取一坐标点，将其作为聚类的中心点，计算激光点云数据中其他坐标点到该中心点的欧式距离值，并判断该欧式距离值与系统预先设定的距离阈值之间的大小关系；
S22、当所述欧式距离值小于等于系统预先设定的距离阈值时，将与该欧式距离值相对应的坐标点划分到上述的中心点所代表的坐标点类别中，当所述欧式距离值大于系统预先设定的距离阈值时，将与该欧式距离值相对应的坐标点作为新的聚类的中心点；
S23、分别计算激光点云数据中其他坐标点到上述的两个中心点的欧式距离值，当该欧式距离值均大于系统预先设定的距离阈值时，将与该欧式距离值相对应的坐标点作为新的聚类的中心点，否则将与该欧式距离值相对应的坐标点划分到与其距离更近的中心点所代表的坐标点类别中；
S24、根据上述步骤类推，直到完成对激光点云数据中所有坐标点的聚类处理，并从聚类处理后的激光点云数据中删除孤立的坐标点，以及其中的坐标点个数少于预设的个数阈值的坐标点类别，进而得到代表地面建筑物对象的激光点云数据。
4.根据权利要求1所述的一种基于无人机环绕规划的超高精细三维模型建立方法，其特征在于，S3中提取激光点云数据中的不同坐标点所组成的各个几何平面之间的位置关系，并对该位置关系进行形式化的表述，该过程具体包括将所述各个几何平面分别作为顶点来构建一个无向图，当不同的两个几何平面之间存在一条公共边时，连接无向图中对应的两个顶点，并分别计算该两个几何平面的法向量，同时将该两个几何平面的法向量的夹角数据作为无向图中对应边的属性信息。
5.根据权利要求1所述的一种基于无人机环绕规划的超高精细三维模型建立方法，其特征在于，S3中依据激光点云数据中坐标点所确定的各个几何平面之间的形式化的位置关系从系统模型数据库中查找相应的建筑物屋顶模型，具体包括将形式化的各个几何平面之间的位置关系与组成系统模型数据库中建筑物屋顶模型的各个几何平面之间的形式化的位置关系进行相似性匹配，当该相似性匹配结果大于系统设定的阈值时，则从系统模型数据库中选择相应的建筑物屋顶模型。
6.根据权利要求5所述的一种基于无人机环绕规划的超高精细三维模型建立方法，其特征在于，对组成系统模型数据库中建筑物屋顶模型的各个几何平面之间的形式化的位置关系的提取过程与对激光点云数据中坐标点所确定的各个几何平面之间的形式化的位置关系的提取过程保持一致。
CN202310145326.2A 2023-02-21 2023-02-21 一种基于无人机环绕规划的超高精细三维模型建立方法 Active CN115830248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310145326.2A CN115830248B (zh) 2023-02-21 2023-02-21 一种基于无人机环绕规划的超高精细三维模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310145326.2A CN115830248B (zh) 2023-02-21 2023-02-21 一种基于无人机环绕规划的超高精细三维模型建立方法

Publications (2)

Publication Number Publication Date
CN115830248A true CN115830248A (zh) 2023-03-21
CN115830248B CN115830248B (zh) 2023-05-02

Family

ID=85522018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310145326.2A Active CN115830248B (zh) 2023-02-21 2023-02-21 一种基于无人机环绕规划的超高精细三维模型建立方法

Country Status (1)

Country Link
CN (1) CN115830248B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060061566A1 (en) * 2004-08-18 2006-03-23 Vivek Verma Method and apparatus for performing three-dimensional computer modeling
CN109887082A (zh) * 2019-01-22 2019-06-14 武汉大学 一种基于点云数据的室内建筑三维建模方法及装置
CN111815776A (zh) * 2020-02-04 2020-10-23 山东水利技师学院 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060061566A1 (en) * 2004-08-18 2006-03-23 Vivek Verma Method and apparatus for performing three-dimensional computer modeling
CN109887082A (zh) * 2019-01-22 2019-06-14 武汉大学 一种基于点云数据的室内建筑三维建模方法及装置
CN111815776A (zh) * 2020-02-04 2020-10-23 山东水利技师学院 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法
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 (2)

* Cited by examiner, † Cited by third party
Title
JIE SHAO等: "Seed point set-based building roof extraction from airborne LiDAR point clouds using a top-down strategy" *
肖康;康冰锋;: "LiDAR在数字城市三维建模中的应用" *

Also Published As

Publication number Publication date
CN115830248B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN112347550B (zh) 耦合式室内三维语义建图及建模方法
WO2022188663A1 (zh) 一种目标检测方法及装置
US20210358153A1 (en) Detection methods, detection apparatuses, electronic devices and storage media
CN111179274B (zh) 地图地面分割方法、装置、计算机设备和存储介质
CN116310115B (zh) 一种基于激光点云构建建筑物三维模型的方法及系统
CN113936198A (zh) 低线束激光雷达与相机融合方法、存储介质及装置
CN111209291A (zh) 一种利用众包感知地图更新高精度地图的方法及系统
US8270730B2 (en) Target orientation
CN110544308B (zh) 变电站建模方法、装置、计算机设备和存储介质
CN112200915B (zh) 一种基于靶标三维模型纹理影像的前后形变量检测方法
CN113706710A (zh) 基于fpfh特征差异的虚拟点多源点云融合方法及系统
CN113325389A (zh) 一种无人车激光雷达定位方法、系统及存储介质
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
CN115546519A (zh) 一种提取伪图像特征的图像和毫米波雷达目标的匹配方法
CN117132630A (zh) 一种基于二阶空间兼容性度量的点云配准方法
CN116823885A (zh) 一种基于金字塔池化注意力机制的端到端单目标跟踪方法
CN111736167B (zh) 一种获取激光点云密度的方法和装置
CN115797665B (zh) 基于图像特征的图像和单帧毫米波雷达目标的匹配方法
CN115830248B (zh) 一种基于无人机环绕规划的超高精细三维模型建立方法
CN117291840A (zh) 巡逻机器人的点云噪声过滤方法、装置、介质及设备
CN117253205A (zh) 一种基于移动测量系统的道路面点云快速提取方法
CN116452764A (zh) 一种融合地形信息的机载激光雷达点云分级抽稀方法
CN113313629B (zh) 交叉路口自动识别方法、系统及其模型保存方法、系统
CN115588178A (zh) 一种高精地图要素自动化提取的方法
CN115147471A (zh) 一种基于曲率密度特征的激光点云自动配准方法

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
GR01 Patent grant
GR01 Patent grant