CN116580147A - 一种基于激光点云的道路路面三维快速重建方法 - Google Patents
一种基于激光点云的道路路面三维快速重建方法 Download PDFInfo
- Publication number
- CN116580147A CN116580147A CN202310407751.4A CN202310407751A CN116580147A CN 116580147 A CN116580147 A CN 116580147A CN 202310407751 A CN202310407751 A CN 202310407751A CN 116580147 A CN116580147 A CN 116580147A
- Authority
- CN
- China
- Prior art keywords
- road
- line
- pavement
- marking
- point cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- UDHXJZHVNHGCEC-UHFFFAOYSA-N Chlorophacinone Chemical compound C1=CC(Cl)=CC=C1C(C=1C=CC=CC=1)C(=O)C1C(=O)C2=CC=CC=C2C1=O UDHXJZHVNHGCEC-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Geometry (AREA)
- Road Repair (AREA)
Abstract
本发明涉及一种基于激光点云的道路路面三维快速重建方法,属于三维重建技术领域,首先通过点云聚类生长方法提取路面和路边点云,获取道路路面空间矢量特征数据,然后将道路边线格式化转化为建模语言能读取的文本格式,以结点自适应三角形重建算法自动建立路面模型。针对路面上精细化的标识线数量众多、种类繁杂且制作错误率高的问题,提出一种路面高程投影约束的标识线体模型构建方法,通过转换标识线闭合线为面,执行一致命令,设置投影距离和间隔距离,将标识线投影至路面,并挤出标识线体模型完成标识线重建。本发明解决了建模时因高程不易控制造成建模误差较大的问题,具有较高的建模精度和效率,克服了手工建模的缺点。
Description
技术领域
本发明涉及一种基于激光点云的道路路面三维快速重建方法,属于三维重建技术领域。
背景技术
随着数字交通的快速发展,对道路基础设施三维数字化建设提出了新的要求。目前最常见的道路三维模型是在设计阶段创建的BIM模型,往往与实际施工情况不符,不能很好地支撑后续管理服务,同时一些存量的道路路网也缺少BIM设计数据。因此,如何快速获取并智能化处理道路三维数据,实现大范围道路交通基础设施三维重建至关重要。
现有道路基础设施三维重建方法,主要包括以下几种:
基于无人机倾斜摄影的三维建模技术:覆盖范围广、建模成本低,模型纹理真实。但会因拍摄过程中地物遮挡及拍摄盲区造成模型拉花、空洞等质量问题,对细小地物建模能力不足。
传统手工建模技术:建模技术成熟,应用广泛。但费时费力,特别是对弯道和斜坡路面建模时,人工工作量更大;另外,路面上标识线数量众多、种类繁杂,制作错误率高,难以实现大范围道路交通基础设施快速数字化。
发明内容
针对现有技术的不足,本发明提供一种基于激光点云的道路路面三维快速重建方法。
本发明的技术方案如下:
本发明针对人工建立不同类型路面三维模型费时费力的问题,对直道、弯道、坡道三种不同类型的道路进行三维立体线形设计,确定特殊位置处的点密度,提出一种线结点自适应三角网重建算法,首先通过点云聚类生长方法提取路面和路边点云,获取道路路面空间矢量特征数据,然后将道路边线格式化转化为建模语言能读取的文本格式,以结点自适应三角形重建算法自动建立路面模型。针对路面上精细化的标识线数量众多、种类繁杂且制作错误率高的问题,提出一种路面高程投影约束的标识线体模型构建方法,通过转换标识线闭合线为面,执行一致命令,设置投影距离和间隔距离,将标识线投影至路面,并挤出标识线体模型完成标识线重建。本发明解决了建模时因高程不易控制造成建模误差较大的问题,具有较高的建模精度和效率,克服了手工建模的缺点。
一种基于激光点云的道路路面三维快速重建方法,包括步骤如下:
步骤1、通过使用点云数据处理软件中的渐进式点云数据处理算法提取路面点云、道路边线及路面标识线三维矢量特征数据,详细步骤如下:
1-1)对原始激光点云数据进行RANSAC路面分类处理,提取路面点云;
1-2)使用凹包检测聚类生长算法提取道路两侧边线,保存为空间矢量特征数据,详细步骤如下:
1-2-1.利用Ransac平面拟合将滤波后的路面进行路边位置局部平面拟合,去除噪声;
1-2-2.利用凹包算法进行路面数据边界线提取;
1-2-3.利用Ransac直线与曲线拟合,将边界线拟合分割成多段,保留路面边界线部分,完成道路边界线提取。
1-3)使用标线模板匹配提取方法获取路面标识线,保存为空间矢量特征数据。
步骤2、针对直道、弯道、坡道三种不同类型的道路进行三维立体线形设计,基于道路边线及路面标识线空间矢量特征数据,自适应确定道路特殊位置处的结点密度,并格式化为建模语言能读取的文本格式,详细步骤如下:
2-1)基于不同类型道路的数据结构,设计对应的三维线形,直道道路线形图为长方形,弯道道路线形图为扇环,坡道道路的线形图为平行四边形,将道路端点设为结点,道路边线上设有至少两个结点,两个相邻的结点中间一点为检验点,检验点与两端结点连线的夹角为转折角;
2-2)根据路面变化程度,设置相邻结点最大距离dmax,最大转折角αmax,选择道路左边线起点A0作为起始结点;一般情况下,坡度变化小于3°的路段相邻结点最大距离设置为10m,坡度变化大于3°的路段相邻结点最大距离设置为5m。
2-3)以起始结点A0为圆心,dmax为半径作圆交边线于待定结点A1;
2-4)提取A0与A1的中间点作为检验点A0-1,计算向量与/>间的夹角α,若α<αmax,则保留结点A1;若α>αmax,则继续提取A0与A0-1的中间点作为新的检验点,计算夹角α′并与αmax比较,直至相邻向量夹角小于αmax为止,保留满足条件的待定结点为新结点;
2-5)以新结点作为起始结点,重复步骤2-3)-2-4),直至该矢量线结点选取完成,道路右边线自适应结点选取同理;
2-6)结点自适应选取完成后,将左右两侧结点分别保存至maxscript脚本语言能读取的TXT文本中,文本从左至右依次为点号、X坐标、Y坐标、Z坐标;
2-7)基于提取的路面标识线空间矢量特征,其结点处于标识线的拐点处,直接转化为建模所需的DXF文件。
步骤3、基于3DSmax maxscript脚本语言创建新数组,读取道路路边三维坐标点,以三角形连接方式自动重建路面模型,新建样条线,按规则逐个添加道路边线点,遍历完成后将样条线转为可编辑多边形,详细步骤如下:
3-1)新建数组array1,按点号依次读取左侧道路边线点数据,新建数组array2,读取右侧道路边线点数据;
3-2)创建样条线line,依次添加点A0、A1、B0构成三角形,添加A1、B0、B1构成三角形,然后闭合样条线,A代表道路左边线,B代表道路右边线;
3-3)点号依次递进,添加点A1、A2、B1,添加A2、B1、B2闭合样条线,依此遍历至最后一组数据An、Bn、Bn-1,直至完成路面重建;
3-4)、添加路面标识线图层,采用一种路面高程投影约束的标识线体模型构建方法。具体步骤如下:
3-4-1)添加标识线特征图层;
3-4-2)在视口中将图层中的闭合线转为面;
3-4-3)选中标线模型,执行一致命令,设置投影距离和间隔距离,点击拾取包裹对象为路面模型,将标识线投影到路面,挤出标识线体模型,为路面标线设置纯白色材质,完成标识线重建。
基于三维激光扫描的建模技术具有获取速度快、成果精度高、抗干扰能力强的特点,可以迅速获取被测目标精准的三维空间信息,为三维建模提供了更加准确的数据。国内外对于车载激光点云的道路特征提取研究也相对成熟,已有TopoDOT、MultiPointCloud、PCC等基于点云数据的特征提取软件,为道路基础设施快速数字化提供特征数据。
本发明的有益效果在于:
1、与传统手工建模方式相比,该方法基于三维激光扫描数据进行建模,最大可能的保留了道路的原始形态,模型更接近实际状态,标线位置准确,建模精度较高。基于激光点云数据,运用点云数据处理方法对道路进行路面分类,输出道路路面与路边线,进一步使用标识线提取方法获取路面标识线三维矢量特征数据。
2、本申请对不同道路进行三维立体线性设计,提出线结点自适应三角网重建算法并提出一种路面高程投影约束的标识线体模型构建方法,能够快速高精度的构建路面模型。
3、本发明基于车载激光点云数据提取路面及标识线空间矢量特征数据,借助三维建模脚本语言进行路面及标识线重建,避免了手工交互捕捉错误导致返工的问题,自动化程度较高,解决了传统建模时费时费力的问题。
4、本申请利用点云聚类生长方法提取路面和路边点云,获取道路路面空间矢量特征数据,并将格式转换为建模语言能读取的文本格式,以结点自适应三角形重建算法自动构建路面模型,能够保留路面特征,生成自适应三角网。对于标识线,则采取一种高程投影约束的标识线体模型构建方法,将提取的标识线投影至路面,解决了标识线数量众多、种类繁杂且制作错误率高的问题。
5、本发明对道路边线结点密度进行设计,采用自适应结点三角形重建,解决了因路面两侧高程不一致造成的模型高程不易控制、建模误差较大的问题,提高了建模效率。
附图说明
图1为本发明技术方法流程示意图;
图2为不同类型道路线形图;
图3为自适应结点选取;
图4为结点自适应三角形重建;
图5为路面模型示意图;
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明,但不限于此。
实施例1:
一种基于激光点云的道路路面三维快速重建方法,包括步骤如下:
步骤1、通过使用点云数据处理软件中的渐进式点云数据处理算法提取路面点云、道路边线及路面标识线三维矢量特征数据,详细步骤如下:
1-1)对原始激光点云数据进行RANSAC路面分类处理,提取路面点云;
1-2)使用凹包检测聚类生长算法提取道路两侧边线,保存为空间矢量特征数据,详细步骤如下:
1-2-1.利用Ransac平面拟合将滤波后的路面进行路边位置局部平面拟合,去除噪声;
1-2-2.利用凹包算法进行路面数据边界线提取;
1-2-3.利用Ransac直线与曲线拟合,将边界线拟合分割成多段,保留路面边界线部分,完成道路边界线提取。
1-3)使用标线模板匹配提取方法获取路面标识线,保存为空间矢量特征数据。
步骤2、针对直道、弯道、坡道三种不同类型的道路进行三维立体线形设计,基于道路边线及路面标识线空间矢量特征数据,自适应确定道路特殊位置处的结点密度,并格式化为建模语言能读取的文本格式,详细步骤如下:
2-1)基于不同类型道路的数据结构,设计对应的三维线形,如图2所示,直道道路线形图为长方形,弯道道路线形图为扇环,坡道道路的线形图为平行四边形,将道路端点设为结点,道路边线上设有至少两个结点,两个相邻的结点中间一点为检验点,检验点与两端结点连线的夹角为转折角;
2-2)如图3所示,根据路面变化程度,设置相邻结点最大距离dmax,最大转折角αmax,选择道路左边线起点A0作为起始结点;一般情况下,坡度变化小于3°的路段相邻结点最大距离设置为10m,坡度变化大于3°的路段设置为5m。
2-3)以起始结点A0为圆心,dmax为半径作圆交边线于待定结点A1;
2-4)提取A0与A1的中间点作为检验点A0-1,计算向量与/>间的夹角α,若α<αmax,则保留结点A1;若α>αmax,则继续提取A0与A0-1的中间点作为新的检验点,计算夹角α′并与αmax比较,直至相邻向量夹角小于αmax为止,保留满足条件的待定结点为新结点;
2-5)以新结点作为起始结点,重复步骤2-3)-2-4),直至该矢量线结点选取完成,道路右边线自适应结点选取同理;
2-6)结点自适应选取完成后,将左右两侧结点分别保存至maxscript脚本语言能读取的TXT文本中,文本从左至右依次为点号、X坐标、Y坐标、Z坐标;
2-7)基于提取的路面标识线空间矢量特征,其结点处于标识线的拐点处,直接转化为建模所需的DXF文件。
步骤3、基于3DSmax maxscript脚本语言创建新数组,读取道路路边三维坐标点,以三角形连接方式自动重建路面模型,新建样条线,按规则逐个添加道路边线点,遍历完成后将样条线转为可编辑多边形,详细步骤如下:
3-1)新建数组array1,按点号依次读取左侧道路边线点数据,新建数组array2,读取右侧道路边线点数据;
3-2)创建样条线line,依次添加点A0、A1、B0构成三角形,添加A1、B0、B1构成三角形,然后闭合样条线,A代表道路左边线,B代表道路右边线;
3-3)点号依次递进,添加点A1、A2、B1,添加A2、B1、B2闭合样条线,依此遍历至最后一组数据An、Bn、Bn-1,直至完成路面重建;以直行道路为例,原理如图4所示;
3-4)、添加路面标识线图层,采用一种路面高程投影约束的标识线体模型构建方法。具体步骤如下:
3-4-1)添加标识线特征图层;
3-4-2)在视口中将图层中的闭合线转为面;
3-4-3)选中标线模型,执行一致命令,设置投影距离和间隔距离,点击拾取包裹对象为路面模型,将标识线投影到路面,挤出标识线体模型,为路面标线设置纯白色材质,完成标识线重建,效果如图5所示。
Claims (7)
1.一种基于激光点云的道路路面三维快速重建方法,其特征在于,包括步骤如下:
步骤1、通过使用点云数据处理软件中的渐进式点云数据处理算法提取路面点云、道路边线及路面标识线三维矢量特征数据;
步骤2、针对直道、弯道、坡道三种不同类型的道路进行三维立体线形设计,基于道路边线及路面标识线空间矢量特征数据,自适应确定道路特殊位置处的结点密度,并格式化为建模语言能读取的文本格式;
步骤3、基于3DSmax maxscript脚本语言创建新数组,读取道路路边三维坐标点,以三角形连接方式自动重建路面模型,新建样条线,按规则逐个添加道路边线点,遍历完成后将样条线转为可编辑多边形,完成路面重建。
2.根据权利要求1所述的基于激光点云的道路路面三维快速重建方法,其特征在于,步骤1的详细步骤如下:
1-1)对原始激光点云数据进行RANSAC路面分类处理,提取路面点云;
1-2)使用凹包检测聚类生长算法提取道路两侧边线,保存为空间矢量特征数据,
1-3)使用标线模板匹配提取方法获取路面标识线,保存为空间矢量特征数据。
3.根据权利要求2所述的基于激光点云的道路路面三维快速重建方法,其特征在于,步骤1-2)的详细步骤如下:
1-2-1.利用Ransac平面拟合将滤波后的路面进行路边位置局部平面拟合,去除噪声;
1-2-2.利用凹包算法进行路面数据边界线提取;
1-2-3.利用Ransac直线与曲线拟合,将边界线拟合分割成多段,保留路面边界线部分,完成道路边界线提取。
4.根据权利要求1所述的基于激光点云的道路路面三维快速重建方法,其特征在于,步骤2的详细步骤如下:
2-1)基于不同类型道路的数据结构,设计对应的三维线形,直道道路线形图为长方形,弯道道路线形图为扇环,坡道道路的线形图为平行四边形,将道路端点设为结点,道路边线上设有至少两个结点,两个相邻的结点中间一点为检验点,检验点与两端结点连线的夹角为转折角;
2-2)根据路面变化程度,设置相邻结点最大距离dmax,最大转折角αmax,选择道路左边线起点A0作为起始结点;
2-3)以起始结点A0为圆心,dmax为半径作圆交边线于待定结点A1;
2-4)提取A0与A1的中间点作为检验点A0-1,计算向量与/>间的夹角α,若α<αmax,则保留结点A1;若α>αmax,则继续提取A0与A0-1的中间点作为新的检验点,计算夹角α′并与αmax比较,直至相邻向量夹角小于αmax为止,保留满足条件的待定结点为新结点;
2-5)以新结点作为起始结点,重复步骤2-3)-2-4),直至该矢量线结点选取完成,道路右边线自适应结点选取同理;
2-6)结点自适应选取完成后,将左右两侧结点分别保存至maxscript脚本语言能读取的TXT文本中,文本从左至右依次为点号、X坐标、Y坐标、Z坐标;
2-7)基于提取的路面标识线空间矢量特征,其结点处于标识线的拐点处,直接转化为建模所需的DXF文件。
5.根据权利要求4所述的基于激光点云的道路路面三维快速重建方法,其特征在于,步骤2-2)中,坡度变化小于3°的路段相邻结点最大距离设置为10m,坡度变化大于3°的路段设置为5m。
6.根据权利要求1所述的基于激光点云的道路路面三维快速重建方法,其特征在于,步骤3的详细步骤如下:
3-1)新建数组array1,按点号依次读取左侧道路边线点数据,新建数组array2,读取右侧道路边线点数据;
3-2)创建样条线line,依次添加点A0、A1、B0构成三角形,添加A1、B0、B1构成三角形,然后闭合样条线,A代表道路左边线,B代表道路右边线;
3-3)点号依次递进,添加点A1、A2、B1,添加A2、B1、B2闭合样条线,依此遍历至最后一组数据An、Bn、Bn-1,直至完成路面重建;
3-4)、添加路面标识线图层,采用一种路面高程投影约束的标识线体模型构建方法。
7.根据权利要求6所述的基于激光点云的道路路面三维快速重建方法,其特征在于,步骤3-4)的具体步骤如下:
3-4-1)添加标识线特征图层;
3-4-2)在视口中将图层中的闭合线转为面;
3-4-3)选中标线模型,执行一致命令,设置投影距离和间隔距离,点击拾取包裹对象为路面模型,将标识线投影到路面,挤出标识线体模型,为路面标线设置纯白色材质,完成标识线重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407751.4A CN116580147A (zh) | 2023-04-17 | 2023-04-17 | 一种基于激光点云的道路路面三维快速重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407751.4A CN116580147A (zh) | 2023-04-17 | 2023-04-17 | 一种基于激光点云的道路路面三维快速重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116580147A true CN116580147A (zh) | 2023-08-11 |
Family
ID=87534929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310407751.4A Pending CN116580147A (zh) | 2023-04-17 | 2023-04-17 | 一种基于激光点云的道路路面三维快速重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671173A (zh) * | 2023-11-22 | 2024-03-08 | 北京四维远见信息技术有限公司 | 基于激光点云的道路建模方法、装置和电子设备 |
-
2023
- 2023-04-17 CN CN202310407751.4A patent/CN116580147A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671173A (zh) * | 2023-11-22 | 2024-03-08 | 北京四维远见信息技术有限公司 | 基于激光点云的道路建模方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325837B (zh) | 一种基于地面三维激光点云的边坡dem生成方法 | |
CN116310192B (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
CN112418245B (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
CN114332366B (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
CN109900338B (zh) | 一种路面坑槽体积测量方法及装置 | |
CN113487730B (zh) | 一种基于激光雷达点云数据的城市三维自动建模方法 | |
CN107680168B (zh) | 三维重建中基于平面拟合的网格简化方法 | |
CN108171720A (zh) | 一种基于几何统计信息的倾斜摄影模型对象边界探测方法 | |
CN114332291B (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN116580147A (zh) | 一种基于激光点云的道路路面三维快速重建方法 | |
CN114332348A (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
CN113868476A (zh) | 一种基于局部密度的八叉树点云预处理方法 | |
CN111858810A (zh) | 一种面向道路dem构建的建模高程点筛选方法 | |
CN111161267A (zh) | 一种三维点云模型的分割方法 | |
CN111199549A (zh) | 基于叶片型面测量点云的叶型提取方法 | |
CN113763529B (zh) | 一种基于三维扫描的变电站建模方法 | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN115655098A (zh) | 高密度激光点云技术用于电网工程挖填土石方测算方法 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
CN111323026B (zh) | 一种基于高精度点云地图的地面过滤方法 | |
CN114049387B (zh) | 一种基于3d点云的树木骨架提取方法 | |
CN113469907B (zh) | 一种基于叶片型面特征的数据简化方法及系统 | |
CN114926599A (zh) | 一种地形曲面轻量化方法 | |
CN110097642B (zh) | 一种基于半边结构的模型网格补全的方法 |
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 |