CN116580168A - 建筑物白模的构建方法、装置、设备和存储介质 - Google Patents
建筑物白模的构建方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116580168A CN116580168A CN202310565368.1A CN202310565368A CN116580168A CN 116580168 A CN116580168 A CN 116580168A CN 202310565368 A CN202310565368 A CN 202310565368A CN 116580168 A CN116580168 A CN 116580168A
- Authority
- CN
- China
- Prior art keywords
- building
- task
- partition
- point cloud
- point
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 39
- 241000221696 Sclerotinia sclerotiorum Species 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000005192 partition Methods 0.000 claims abstract description 225
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 235000002245 Penicillium camembertii Nutrition 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims description 40
- 239000004744 fabric Substances 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241000219122 Cucurbita Species 0.000 description 1
- 235000009852 Cucurbita pepo Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000002093 peripheral effect Effects 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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种建筑物白模的构建方法、装置、设备和存储介质，该方法包括：获取机载LiDAR点云数据，并根据预设的分区标准将机载LiDAR点云数据划分成至少两种任务分区；采用与各任务分区相匹配的预处理策略对各任务分区中的点云进行预处理；通过滤波处理算法由预处理后的各任务分区中筛选出非地面点云；基于预处理后的各任务分区中筛选出非地面点云，构建各所述任务分区的建筑物白模。在本公开中，针对不同种类的任务分区分别采用了与之相匹配的预处理策略对其进行预处理，从而使得预处理结果更加精准，进而可以提高建筑物白模构建的精度。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种建筑物白模的构建方法、装置、设备和存储介质。
背景技术
实景三维是对人类赖以生存、生产和生活的自然物理空间进行真实、立体、时序化反映和表达的数字虚拟空间，是国家新型基础设施建设的重要组成部分，也是新型基础测绘标准化产品。而建筑物白模(即建筑物单体化三维模型)是实景三维的重要组成部分，也是实景三维数据生产过程中工作量最大的部分，建筑物白模构建的精度将直接影响实景三维建模的效果。因此，如果提高建筑物白模的精度是本领技术人员亟待解决的结束问题。
发明内容
有鉴于此，本公开提出了一种建筑物白模的构建方法、装置、设备和存储介质，可以提高建筑物白模的构建精度。
根据本公开的第一方面，提供了一种建筑物白模的构建方法，包括：
获取机载LiDAR点云数据，并根据预设的分区标准将所述机载LiDAR点云数据划分成至少两种任务分区；
采取与各所述任务分区相匹配的预处理策略对各所述任务分区中的点云进行预处理；
通过滤波处理算法由预处理后的各所述任务分区中筛选出非地面点云；
基于预处理后的各任务分区中筛选出非地面点云，构建各所述任务分区的建筑物白模。
在一种可能的实现方式中，分区标准包括：第一分区标准和第二分区标准中的至少一种；
所述第一分区标准用于根据所述机载LiDAR点云数据覆盖范围内的地形，将所述机载LiDAR点云数据划分为多种地形任务分区；
所述第二分区标准用于根据所述机载LiDAR点云数据覆盖范围内的建筑物密度，将所述机载LiDAR点云数据划分为多种建筑物密度任务分区。
在一种可能的实现方式中，在通过所述滤波处理算法由预处理后的任务分区中筛选出非地面点云时，包括：
通过不同方向不同尺度的多次布料模拟算法，确定预处理后的任务分区中的地面种子点；
基于所述地面种子点，确定所述任务分区中的地面点云；
基于所述地面点云，由所述任务分区中筛选出非地面点云。
在一种可能的实现方式中，在各所述任务分区中筛选出非地面点云之后，还包括：
由所述非地面点云中筛选出所述任务分区中的建筑物点云；
基于所述建筑物点云，构建各所述任务分区的建筑物白模。
在一种可能的实现方式中，在基于所述任务分区中的建筑物点云，构建所述任务分区的建筑物白模时，包括：
基于所述建筑物点云，构建屋顶矢量图框；
基于所述屋顶矢量图框，构建屋顶结构图和立面结构图；
将所述屋顶结构图与所述立面结构图进行合并，得到所述任务分区的建筑物白模。
在一种可能的实现方式中，在基于所述建筑物点云，构建屋顶矢量图框时，包括：
由所述建筑物点云中分割出单栋建筑物点云；
基于所述单栋建筑物点云，确定单栋建筑物的屋顶轮廓线；
基于所述屋顶轮廓线，构建所述单栋建筑物的屋顶矢量图框。
在一种可能的实现方式中，所述的预处理策略包括：滤除噪声点、滤除航带重叠点以及平滑滤波中的至少一种。
根据本公开的第二方面，提供了一种建筑物白模的构建装置，包括：
数据获取模块，用于获取机载LiDAR点云数据，并根据预设的分区标准将所述机载LiDAR点云数据划分成至少两种任务分区；
预处理模块，用于采用与各所述任务分区相匹配的预处理策略对各所述任务分区中的点云进行预处理；
数据筛选模块，用于通过滤波处理算法由预处理后的各所述任务分区中筛选出非地面点云；
模型构建模块，用于基于预处理后的各任务分区中筛选出非地面点云，构建各所述任务分区的建筑物白模。
根据本公开的第三方面，提供了一种建筑物白模的构建设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行本公开第一方面所述的方法。
根据本公开的第四方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现本公开第一方面所述的方法。
本实施例中提供了一种建筑物白模的构建方法，包括：获取机载LiDAR点云数据，并根据预设的分区标准将机载LiDAR点云数据划分成至少两种任务分区；采用与各任务分区相匹配的预处理策略对各任务分区中的点云进行预处理；通过滤波处理算法由预处理后的各任务分区中筛选出非地面点云；基于预处理后的各任务分区中筛选出非地面点云，构建各所述任务分区的建筑物白模。在本公开中，针对不同种类的任务分区分别采用了与之相匹配的预处理策略对其进行预处理，从而使得预处理结果更加精准，进而可以提高建筑物白模构建的精度。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的建筑物白模构建方法的流程图；
图2示出根据本公开一实施例的单栋建筑物屋顶结构线示意图；
图3示出根据本公开一实施例的屋顶矢量框图示意图；
图4示出根据本公开一实施例的三维屋顶结构示意图；
图5示出根据本公开一实施例的立面框图示意图；
图6示出根据本公开一实施例的三维建筑物立面结构示意图；
图7示出根据本公开一实施例的建筑物白模构建方法的示例流程图；
图8示出根据本公开一实施例的屋顶结构图的构建流程图；
图9示出根据本公开一实施例的建筑物白模构建装置的示意性框图；
图10示出根据本公开一实施例的建筑物白模构建设备的示意性框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
<方法实施例>
图1示出根据本公开一实施例的建筑物白模构建方法的流程图。如图1所示，该方法可以包括步骤S1100-S1400。
S1100，获取机载LiDAR点云数据，并根据预设的分区标准将机载LiDAR点云数据划分成至少两种任务分区。
该机载LiDAR点云数据，可以通过配置在无人机上的激光雷达系统获取，也可以通过配置在其它航空器上的激光雷达系统获取，此不作具体限定。该机载LiDAR点云数据中的每一个点至少包括点标识信息和三维位置坐标信息，其中，该点标识信息用于唯一标识一个点数据，该三维位置坐标用于表征激光脚点所在的空间位置。
在获取到机载LiDAR点云数据后，将根据预设的分区标准将机载LiDAR点云数据划分成至少两种任务分区，这样，后续便可以针对不同种类的任务分区设置不同预处理策略，从而提高预处理的精度。
在一种可能的实现方式中，该分区标准可以包括第一分区标准和第二分区标准中的至少一种。
该第一分区标准用于根据机载LiDAR点云数据覆盖范围内的地形，将机载LiDAR点云数据划分为多种地形任务分区。举例来说，第一分区标准中涉及的地形种类可以包括山区和平原两种，则根据第一分区标准可以将机载LiDAR点云数据划分为多个山区任务分区和多个平原任务分区。其中，在将LiDAR点云数据划分为多个山区任务分区和多个平原任务分区时，可以基于预设的高程差阈值实现。具体地，将点云间最大高程差大于高程差阈值的区域划分为山区任务分区，将点云间最大高程差小于等于高程差阈值的区域划分为平原任务分区。该高程差阈值需要综合任务精度要求以及航摄数据采集效率综合进行确定。优先地，可以将该高程差阈值设置为400m，在该实施例中，将点云间最大高程差大于400m的区域划分出来作为山区任务分区，将点云间最大高程差小于等于400m的区域划分出来作为平原任务分区。
该第二分区标准用根据机载LiDAR点云数据覆盖范围内的建筑物密度，将机载LiDAR点云数据划分为多种建筑物密度任务分区。举例来说，第二分区标准中涉及的建筑物密度种类包括建筑物密集和非建筑物密集两种，则根据第二分区标准可以将机载LiDAR点云数据划分为多个建筑物密集区和多个非建筑物密集区。在一种可能的实现方式中，可以基于人工判断的方式将机载LiDAR点云数据划分为建筑物密集区和非建筑物密集区。具体地，先获取基于机载LiDAR点云数据覆盖范围内的可见光影像数据或者历史遥感数据；然后通过人工判读的方式确定哪些区域的建筑物密度大于预设的密度阈值，并将建筑物密度大于密度阈值的区域分割出来作为建筑物密集区，同时，将剩余的区域作为非建筑物密集区。优先地，该密度阈值可以设置为50％，在该优先实施例中，将LiDAR点云数据中建筑物密度大于50％的区域分割出来作为建筑物密集区，其它区域作为非建筑密集区。
在分区标准包括第一分区标准和第二分区标准时，可以先根据第一分区标准将机载LiDAR点云数据划分多种地形任务分区，然后再根据第二分区标准将各地形任务分区细化为多种建筑物密度任务分区。举例来说，在第一分区标准涉及的地形种类包括山区和平原两种，第二分区标准涉及的建筑物密度种类包括建筑物密集和非建筑物密集两种时，将根据第一分区标准将机载LiDAR点云数据划分为多个山区任务分区和多个平原任务分区，然后根据第二分区标准将各山区任务分区细分为山区建筑物密集任务分区和山区非建筑物密集任务分区，将各平原任务分区细分为平原建筑物密集分区和平原非建筑物密集分区，即通过本实施例中的分区标准可以将LiDAR点云数据划分山区建筑物密集任务分区、山区非建筑物密集任务分区、平原建筑物密集分区以及平原非建筑物密集分区四种不同的任务分区，其中，各种任务分区的数量可以是一个，也可以是多个，在此不作具体限定。
S1200，采用与各任务分区相匹配的预处理策略对各任务分区中的点云进行预处理。
在一种可能的实现方式中，预处理策略可以包括：滤除噪声点、滤除航带重叠点以及平滑滤波中的至少一种。
在一种可能的实现方式中，在滤除任务分区中的噪声点时，可以基于指定维度的值域实现。具体地，遍历任务分区中的每个点，判断该点在指定维度上的取值是否在值域范围内，滤除取值不在值域范围内的点，遍历结束，留下的点即构成去躁后的点云。其中，该值域范围通过人工判读的方式进行确定。具体地，在加载任务分区的点云数据后，先通过人工判读的方式识别出该任务分区中的真实点云以及漂浮在真实点云上部的噪点；然后确定出该任务分区中真实点云在指定维度上的取值范围，并将该取值范围作为该值域范围。此处需要说明的是，针对不同种类的任务分区，真实点云在指定维度上的取值范围差别很大，比如，山区任务分区中真实点云在指定维度上的取值范围要远远大于平原任务分区中真实点云指定维度上的取值范围，因此，如果按照山区任务分区设定值域范围，将无法有效去除平原任务分区中的噪点。而在本申请中为了提高噪点滤除的有效性，将点云划分为多种类型的任务分区，从而针对各中任务分区中实际噪点的分布情况针对性地设置该值域范围，便可以有效去除任务分区中的噪点，以高噪点滤波效果。在滤除任务分区中的噪声点后，可以避免噪声点对建筑物白模构建的影响，从而提高建筑物白模构建的精度。
在一种可能的实现方式中，在滤除任务分区中的航带重叠点时，可以基于预设的点密度阈值实现。具体地，将任务分区划分为多个子区域，遍历该任务分区中的每个子区域；对于当前遍历到的子区域，计算子区域的点密度，判断子区域的点密度是否大于点密度阈值，在判断子区域的点密度大于点密度阈值的情况下，采用预设的采样算法对当前子区域的点云进行处理，以滤除当前子区域的航带重叠点；遍历结束，留下的点即构成去除航带重叠点后的点云。在滤除任务分区的航带重叠点后，可以有效减少航带重叠区域的数据冗余，从而提高建筑物白模的构建效率。
在一种可能的实现方式中，该点密度阈值可以根据当前任务分区的采样密度值进行确定。优选地，该密度阈值可以设置为等于当前任务分区的采样密度值。举例来说，当前任务分区的采样密度值为16个/平米，则可以将该密度阈值设置为16个/平米。在本公开中针对不同的任务分区设置不同的点密度阈值，相较于针对整个LiDAR点云设置统一的点密度阈值来说，点密度阈值的设置更加精准，从而可以有效的滤除航带重叠点。
在一种可能的实现方式中，该采样算法可以基于多项式平滑点云及法线估计的曲面重建算法来实现，这样不仅可以有效滤除航带间重叠点，还可以使当前任务分区中的点云分布更加规整，从而可以更加精准地表达地物点。
在一种可能的实现方式中，在对任务分区点云进行平滑滤波处理时，可以基于算数平均法实现。具体地，针对任务分区中的每个点，计算其附近采样点的三维坐标均值，并将计算出的三维坐标平均值作为该点平滑处理后的三维坐标。通过平滑滤波处理可以有效去除因遮挡等问题造成的离群点，以进一步提高建筑物白模的构建精度。
此处需要说明的是，不同种类任务分区的噪声点不一样、点云密度不一样、出现遮挡的情况不一样、离散点的类型和分布情况也存在差异，因此，针对不同的任务分区，其预处理策略的重点就存在差异。如果不做任务分区，把多种任务分区的点云混在一起进行预处理很有可能出现把A区的某一种无效点云滤除后，会把B区另外一种有效点云也滤除，会出现摁住葫芦浮起瓢的情况，进而影响到预处理的效果。
此处还需要说明的是，任务分区拆分越细，预处理的效果就会越好，因此，用户可以根据建筑物白模的构建精度要求，对任务分区进行更细的划分，在此不作具体限定。
S1300，通过滤波处理算法由预处理后的各任务分区中筛选出非地面点云。为了简化描述，在下文中统一将预处理后的任务分区简称为任务分区。
在一种可能的实现方式中，在通过滤波处理算法由任务分区中筛选出非地面点云时，可以包括以下步骤：
第一，通过不同方向不同尺度的多次布料模拟算法，确定任务分区中的地面种子点。通过不同方向、不同尺度的多次布料模拟可以增加潜在地面种子点的数量，从而提高地面种子点识别的准确性。
在一种可能的实现方式中，采用了三种不同的方向、三种不同的尺度的9次布料模拟滤波算法，确定任务分区中的地面种子点。具体地，在第一方向上进行第一尺度的布料模拟滤波算法，确定任务分区中的第一地面种子点。在第一方向上进行第二尺度的布料模拟滤波算法，确定任务分区中的第二地面种子点。在第一方向上进行第三尺度的布料模拟滤波算法，确定任务分区中的第三地面种子点。在第二方向上分别进行上述三种不同的尺度的布料模拟滤波算法，以确定任务分区中的第四地面种子点、第五地面种子点和第六地面种子点。在第三方向上分别进行上述三种不同的尺度的布料模拟滤波算法，以确定任务分区中的第七地面种子点、第八地面种子点和第九地面种子点。最后，将第一地面种子点至第九地面种子点中点号重叠的种子点进行合并，并将合并后的地面种子点作为任务分区中最终的、无冗余的地面种子点。
在一种可能的实现方式中，不同的方向通过旋转角进行表征。其中，第一方向对应的旋转角度可以是0度，即未对任务分区中的点云数据进行旋转，也就是说，在获取到任务分区的点云后，直接对任务分区的点云进行不同尺度下的地面种子点识别。该第二方向对应的旋转角度可以是30度，也就是说，在获取到任务分区的点云后，先以任务分区的中心点为旋转中心，在水平面上按照30度角对任务分区中的点云进行旋转，然后在基于旋转30度后的点云进行不同尺度下的地面种子点识别。该第三方向对应的旋转角度可以是60度，也就是说，在获取到任务分区的点云后，先以任务分区的中心点为旋转中心，在水平面上按照60度角对任务分区中的点云进行旋转，然后在基于旋转60度后的点云进行不同尺度下的地面种子点识别。
在一种可能的实现方式中，第一尺度可以是3.0(单位：m)，即在一个尺寸为3米的框内查询种子点。第二尺度可以是4.0(单位：m)，即在一个尺寸为4米的框内查询种子点。第二尺度可以是5.0(单位：m)，即在一个尺度为5米的框内查询种子点。
第二，基于地面种子点，确定任务分区中的地面点云。具体地，基于所有地面种子点构建用于模拟任务分区地面的TIN网格，并将位于TIN网格上的点云作为任务分区中的地面点云。
第三，基于地面点云，由任务分区中筛选出非地面点云。具体地，可以由任务分区中提取出地面点云，并将剩余的点云作为任务分区中的非地面点云。
此处需要说明的是，非地面点云中除了建筑物点云外，还包括植被等非建筑物点云，因此，为了避免非建筑物点云对建筑物白模构建精度的影响，在一种可能的实现方式中，在任务分区中筛选出非地面点云之后，还包括：由任务分区的非地面点云中筛选出该任务分区中的建筑物点云，并基于筛选出的建筑物点云构建任务分区中的建筑物白模。
在一种可能的实现方式中，在由任务分区的非地面点云中筛选出该任务分区中的建筑物点云时，基于预设的点云分类列表实现。具体地，该点云分类列表中包括建筑物、植被和其它中的至少一种类别，且针对每种类别分别配置有相应的分类参数，这样，便可以根据各种类别的分类参数将非地面点云划分为建筑物点云、植被点云和其它点云等不同类别的非地面点云，并将建筑物点云提取出来作为非地面点云中的建筑物点云。举例来说，该分类参数可以包括第一阈值、第二阈值以及能否构建平面中的至少一种，在该实施例中，可以将点云中点到地面的高度超过第一阈值且可以用来构建平面的点筛选出来作为建筑物点云，将点到地面的高度超度第二阈值但该点无法用来构建平面的点筛选出来作为植被点，点云中剩余的其他点则作为其它点云。此处需要说明的是，该分类参数是根据任务分区的种类进行区分设置的。
进一步地，在基于预设的点云分类列表将非地面点云划分为建筑物点云、植被点云和其它点云等不同类别的非地面点云之后，还可以包括将分类错误的点云类重新归类到准确类别的操作。具体地，不同类别非地面点云分别采用不同的颜色进行标识，这样，用户便可以直观地了解各类别点云的分布情况，并基于各类别点云的分布情况识别出分类错误的点云，并将分类错误的点云类重新归类到准确类别中。在将分类错误的点云类重新归类到准确类别后，在进行建筑物点云的提取，从而提升建筑物点云提取的准确性。
S1400，基于预处理后的各任务分区中筛选出的非地面点云，构建各任务分区的建筑物白模。其中，在本公开中，建筑物白模可以是LOD2级建筑物白模，也可以是其它等级的建筑物白模，在此不作具体限定。
此处需要说明的是，在本申请中即可以直接基于任务分区中的非地面点云构建任务分区的建筑物白模，也可以基于由非地面点云中筛选出的建筑物点云构建任务分区的建筑物白模，且基于非地面点云和基于建筑物点云构建建筑物白模的步骤均相同，因此，下面将以基于建筑物点云构建建筑物白模为例，对构建建筑物白模的过程进行说明。
在一种可能的实现方式中，在基于任务分区中的建筑物点云，构建任务分区的建筑物白模时，可以包括以下步骤：S1310，基于建筑物点云，构建屋顶矢量图框。S1320，基于屋顶矢量图框，构建屋顶结构图和立面结构图；S1330，将屋顶结构图和立面结构图进行合并，得到任务分区的建筑物白模。
在一种可能的实现方式中，S1310基于建筑物点云，构建屋顶矢量框图，可以具体包括步骤S1311-S1313：
S1311，由建筑物点云中分割出单栋建筑物点云。具体可以包括步骤S1311-1至S1311-2。
S1311-1，采用密度聚类方法对建筑物点云进行聚类，以通过聚类的方式将各单栋建筑物点云识别出来。具体步骤包括：步骤11，初始化两个参数：邻域半径∈与最小点集个数Min_pts；步骤12，根据给定的邻域半径∈和最小点集个数Min_pts确定建筑物点云中的所有的核心对象；步骤13，以任一核心对象为出发点，找到由其密度可达的样本，生成聚类簇；步骤14，迭代重复以上步骤11至步骤13直到所有的核心对象处理结束，得到多个聚类簇，其中，每个聚类“簇”即为一个单栋建筑物点云。
S1311-2，对建筑物点云中识别出的各单栋建筑物点云进行分割，以得到多个单栋建筑点云。
在一种可能的实现方式中，在对建筑物点云中识别出的各单栋建筑物点云进行分割时，可以基于区域生长算法实现。具体可以包括以下步骤：
步骤21，定义生长准则，其中，该生长准则中包括法向量夹角阈值、曲率阈值和点到平面的距离准则中的至少一种。该点到平面的距离准则可以是每个点都从属于距离它最近的生长区域。
步骤22，获取其中一个聚类簇，建立该聚类簇kd-tree。
步骤23，遍历该聚类簇中的各点，以计算出各点的法向量和曲率。
具体地，对于当前遍历到的点(即当前点)：
1)基于kd-tree搜索该当前点的空间邻接点集。
2)基于当前点的空间邻接点集，采用RANSAC算法，拟合出当前点对应的最佳平面pl。
3)基于最佳平面pl计算当前点的法向量和曲率；具体地，计算最佳平面pl的法线量，并将最佳平面pl的法线量作为当前点的法向量；计算各空间邻接点到最佳平面pl的平均垂直距离，并将该平均垂直距离作为当前点的曲率。此处需要说明的是，位于最佳平面pl上的空间邻接点以及与最佳平面pl的距离小于当前点与最佳平面pl的距离的空间邻接点为真空间邻接点，而除真空间邻接点以外的空间邻接点为伪空间邻接点，由此可知，当前点的法向量实际上均是基于构成最佳平面pl的真空间邻接点计算得到的，因此，可以当前点的法向量计算更加精确；进一步地，当前点的曲率为各空间邻接点到最佳平面pl的平均垂直距离，也就是说，当前点的曲率是具有实际的物理含义的，因此，可以对不同点的曲率进行准确的排序比较。
遍历结束，便可以得到该聚类簇中各点的法向量和曲率。
步骤24，基于各点的曲率和法向量以及定义的生长准则，开始区域生长，以通过区域生长的方式将该聚类簇对应的单栋建筑物点云分割出来。具体地步骤可以包括：
步骤24-1，按照曲率大小对该聚类簇中各点进行排序。
步骤24-2，选取曲率最小的为初始种子点，搜索当前种子点的空间邻接点，将并满足生成准则的空间邻接点加入到当前区域。
具体地，先判断空间邻接点是否属于已经分割的面片：
在不属于已分割面片的情况下，计算空间邻接点的法线与当前种子点的法线之间的夹角，并将夹角小于法向量夹角阈值的空间邻接点加入到当前分割面片。
在属于已分割面片的情况下，则判断到其从属分割面片的距离是否小于到当前分割面片的距离，若不小于，则将其添加至当前分割面片中，并将其从原从属的分割面片中去除。通过该平面竞争策略可以保证每个点都从属于距离它最近的分割面片，从而可以提高面片分割的准确性。举例来说，当前分割面片Sc中的点标识为红色，已分割完成的前一分割面片Sc-1中的点标识为蓝色，对于当前种子点的其中一个空间邻接点pn1已经在初次生长中被加入到前一分割面片Sc-1中，此时，将计算该空间邻接点pni到前一分割面片Sc-1的距离并计为Ac-1，同时计算该空间邻接点pni到当前分割面片Sc距离并计为Ac，在Ac-1大于Ac时，则将空间邻接点pni由前一分割面片Sc-1中取出，并加入到当前分割面片Sc中，并将空间邻接点pni标识颜色由蓝色修改为红色。
步骤24-3，检查每一个空间邻接点的曲率，在空间邻接点的曲率小于曲率阈值时，将该空间邻接点加入到种子点序列中，并删除当前种子点，以新的种子点继续生长。
步骤24-4，重复以上生长过程，直到种子点序列被清空，此时完成该聚类簇的区域生长，从而将该聚类簇对应的单栋建筑物点云分割出来。
步骤25，重复上述步骤22-步骤24，直到将各聚类簇对应的单栋建筑物点云全部分割出来。
S1312，基于单栋建筑物点云，确定单栋建筑物的屋顶轮廓线。
在一种可能的实现方式中，在基于单栋建筑物点云，确定单栋建筑物的屋顶轮廓时，可以基于Alpha-shape算法实现。具体可以包括以下步骤：
步骤31，将三维点云投影到预设平面上，并从投影点中任意寻找一点P0作为初始点，以阈值2a为半径，搜索该半径内所有的点并构成一个点集R1，从R1中任取一新点P1，与P0构成一个圆，将该圆的圆心记为C0。
步骤32，计算点集R1中所有点到点C0的距离，如果所有距离都大于a，那么将P0与P1定义为轮廓点，并转至步骤34，如果存在距离小于a的点，转至步骤33。
步骤33，对R1内下一点重复步骤31至步骤32，直到所有点都被判定。
步骤34，对点集中的所有未判定的点重复上述步骤，直到点云中所有点都被判定完成时，确定出单栋建筑物的所有屋顶轮廓点。
步骤35，将最外围的屋顶轮廓点进行连接，得到单栋建筑物的屋顶轮廓线。
S1313，基于单栋建筑物的屋顶轮廓线，构建单栋建筑物的屋顶矢量图框。具体可以包括以下步骤：
步骤41，构建屋顶不同面片之间的邻接关系图。
此处需要说明的是，在得到单栋建筑物的屋顶轮廓线之后，建筑物屋顶的外围轮廓线便已经确定，但是屋顶是平顶、斜顶、人字顶还是异形结构，尚未确定，因此，需要进一步分析屋顶不同面片之间的邻近关系，以基于屋顶面片之间的邻接关系来生成单栋建筑物的屋顶矢量图框。
在一种可能的实现方式中，构建屋顶不同面片之间的邻接关系图时，可以包括以下步骤：
步骤41-1，遍历步骤14输出各聚类簇。其中，每个聚类簇对应一个屋顶面片。
步骤41-2，对于当前遍历到的聚类簇(即当前聚类簇)，遍历该聚类簇中的每一点。
步骤41-3，对于当前遍历到的点(即当前点)，通过kd-tree查询其空间邻接点，并判断空间邻接点所属的聚类与当前点所属的聚类是否相同，在聚类不同的情况下，建立聚类不同的空间邻接点与当前点之间的连接关系。
步骤41-4，在当前聚类簇中的每一点遍历结束后，得到当前聚类簇的邻接关系图(即其中一个屋顶面片的邻接关系图)。
步骤41-5，在各聚类簇遍历结束后，得到各聚类簇的邻接关系图(即各屋顶面片的邻接关系图)，并综合各聚类簇的邻接关系图，得到各聚类之间的邻接关系图(即得到各屋顶面片之间的邻接关系图)。
步骤42，基于屋顶不同面片之间的邻接关系图，采用几何计算方法生成单栋建筑物的屋顶结构线。其中，屋顶结构线可以包括屋脊线和屋谷线。在一些具体的实施例中，生成的单栋建筑物屋顶结构线可以如图2所示。
具体地，由邻接关系图中依次获取相邻的两个面片Pi和Pj，计算Pi和Pj的夹角IncludedAngle：如果IncludedAngle小于等于10°，则认为Pi和Pj平行，对于计算出的平行屋顶面片不作处理。如果IncludedAngle大于10°，则认为Pi和Pj相交，此时，采用几何计算方法计算出Pi和Pj的交线L。重复上述步骤，直到把屋顶所有相交面片的相交线全部计算完成，形成完整的屋顶结构矢量线。
步骤43，基于提取的建筑物屋顶结构线结合屋顶轮廓线构建出屋顶矢量图框。具体地，获取单栋建筑物的屋顶结构线以及屋顶轮廓线，并对屋顶结构线和屋顶轮廓线进行叠加求交，便可以得到如图3所示的屋顶矢量框图。
在得到屋顶矢量框图后便可以基于屋顶矢量框图生成4所示的三维屋顶结构。进一步地，将屋顶矢量框图垂直投影至地面，便可以得到如图5所示的立面框图，基于得到立面框图后，便可以得到如图6所示的三维建筑物立面结构图，最后，将三维屋顶结构图和三维建筑物立面结构图进行合并，即可得到单栋建筑物的建筑物白模。
在一种可能的实现方式中，针对每个任务分区还可以再继续划分为以街区为最小单元的分块点云，然后采用与各分块相匹配的预处理策略对各分块点云进行预处理，并基于预处理后的分块点云进行该分块内的建筑物白模的构建，这样，不但可以使建筑物白模的构建更加精准，还可以使得每个街区的建筑物白模位于同一文件中，方便同一街区内建筑物白模的查询。
本实施例中提供了一种建筑物白模的构建方法，包括：获取机载LiDAR点云数据，并根据预设的分区标准将机载LiDAR点云数据划分成至少两种任务分区；采用与各任务分区相匹配的预处理策略对各任务分区中的点云进行预处理；通过滤波处理算法由预处理后的各任务分区中筛选出非地面点云；基于预处理后的各任务分区中筛选出非地面点云，构建各所述任务分区的建筑物白模。在本公开中，针对不同种类的任务分区分别采用了与之相匹配的预处理策略对其进行预处理，从而使得预处理结果更加精准，进而可以提高建筑物白模构建的精度。
<方法示例>
图7示出根据本公开一实施例的建筑物白模构建方法的示例流程图。如图7所示，该方法包括步骤S2100-S2700。
S2100，获取机载LiDAR点云数据。
S2200，根据机载LiDAR点云数据覆盖范围内的地形和建筑物密度，将机载LiDAR点云数据划分为山区建筑物密集任务分区、山区非建筑物密集任务分区、平原建筑物密集分区以及平原非建筑物密集分区四种不同的任务分区。
S2300，采用与任务分区相匹配的预处理策略对任务分区的点云进行预处理操作。
S2400，通过滤波处理算法对预处理后的任务分区中点云进行精细分类，以得到地面点云和非地面点云(即专题要素点云)。
S2500，进一步对任务分区中的非地面点云进行分类，以将非地面点云划分为建筑物点云以及其他非地面点云。
S2600，提取任务分区中的建筑物点云，并基于建筑物点云进行建筑物屋顶的识别和重构以得到屋顶结构图，以及对建筑物立面进行识别和重构，以得到立面结构图。
具体地，在基于建筑物点云进行建筑物屋顶的识别和重构以得到屋顶结构图时，可以参照如图8所示的流程：首先对建筑物点云进行分割，得到多个单栋建筑物点云；其次，采用Alpha-shape算法提取单栋建筑物的屋顶轮廓线；接着，基于单栋建筑物点云的kd-tree，构建屋顶不同面片之间的邻接关系图；接着，基于屋顶不同面片之间的邻接关系图，采用几何计算方法提取单栋建筑物的屋顶结构线；最后，基于提取的建筑物屋顶结构线结合屋顶轮廓线构建出屋顶矢量图框，并基于屋顶矢量图框生成三维屋顶结构。
S2700，将得到的屋顶结构图和立面结构图进行合并得到，最终的LOD2级的建筑物白模。
<装置实施例>
图9示出根据本公开一实施例的建筑物白模构建装置的示意性框图。如图9所示，该建筑物白模构建装置100包括：
数据获取模块110，用于获取机载LiDAR点云数据，并根据预设的分区标准将机载LiDAR点云数据划分成至少两种任务分区；
预处理模块120，用于采用与各任务分区相匹配的预处理策略对各任务分区中的点云进行预处理；
数据筛选模块130，用于通过滤波处理算法由预处理后的各任务分区中筛选出非地面点云；
模型构建模块140，用于基于预处理后的各任务分区中筛选出非地面点云，构建各所述任务分区的建筑物白模。
<设备实施例>
图10示出根据本公开一实施例的建筑物白模构建设备的示意性框图。如图10所示，该建筑物白模构建设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中，处理器210被配置为执行可执行指令时实现前面任一所述的建筑物白模构建方法。
此处，应当指出的是，处理器210的个数可以为一个或多个。同时，在本公开实施例的建筑物白模构建设备200中，还可以包括输入装置230和输出装置240。其中，处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器220作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的建筑物白模构建方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块，从而执行建筑物白模构建设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
<存储介质实施例>
根据本公开的第四方面，还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令被处理器210执行时实现前面任一所述的建筑物白模构建方法。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种建筑物白模的构建方法，其特征在于，包括：
获取机载LiDAR点云数据，并根据预设的分区标准将所述机载LiDAR点云数据划分成至少两种任务分区；
采用与各所述任务分区相匹配的预处理策略对各所述任务分区中的点云进行预处理；
通过滤波处理算法由预处理后的各任务分区中筛选出非地面点云；
基于预处理后的各任务分区中筛选出的非地面点云，构建各所述任务分区的建筑物白模。
2.根据权利要求1所述的方法，其特征在于，分区标准包括：第一分区标准和第二分区标准中的至少一种；
所述第一分区标准用于根据所述机载LiDAR点云数据覆盖范围内的地形，将所述机载LiDAR点云数据划分为多种地形任务分区；
所述第二分区标准用于根据所述机载LiDAR点云数据覆盖范围内的建筑物密度，将所述机载LiDAR点云数据划分为多种建筑物密度任务分区。
3.根据权利要求1所述的方法，其特征在于，在通过所述滤波处理算法由预处理后的任务分区中筛选出非地面点云时，包括：
通过不同方向不同尺度的多次布料模拟算法，确定预处理后的任务分区中的地面种子点；
基于所述地面种子点，确定所述任务分区中的地面点云；
基于所述地面点云，由所述任务分区中筛选出非地面点云。
4.根据权利要求1所述的方法，其特征在于，在各所述任务分区中筛选出非地面点云之后，还包括：
由所述非地面点云中筛选出所述任务分区中的建筑物点云；
基于所述建筑物点云，构建各所述任务分区的建筑物白模。
5.根据权利要求4所述的方法，其特征在于，在基于所述任务分区中的建筑物点云，构建所述任务分区的建筑物白模时，包括：
基于所述建筑物点云，构建屋顶矢量图框；
基于所述屋顶矢量图框，构建屋顶结构图和立面结构图；
将所述屋顶结构图与所述立面结构图进行合并，得到所述任务分区的建筑物白模。
6.根据权利要求5所述的方法，其特征在于，在基于所述建筑物点云，构建屋顶矢量图框时，包括：
由所述建筑物点云中分割出单栋建筑物点云；
基于所述单栋建筑物点云，确定单栋建筑物的屋顶轮廓线；
基于所述屋顶轮廓线，构建所述单栋建筑物的屋顶矢量图框。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述的预处理策略包括：滤除噪声点、滤除航带重叠点以及平滑滤波中的至少一种。
8.一种建筑物白模的构建装置，其特征在于，包括：
数据获取模块，用于获取机载LiDAR点云数据，并根据预设的分区标准将所述机载LiDAR点云数据划分成至少两种任务分区；
预处理模块，用于采用与各所述任务分区相匹配的预处理策略对各所述任务分区中的点云进行预处理；
数据筛选模块，用于通过滤波处理算法由预处理后的各任务分区中筛选出非地面点云；
模型构建模块，用于基于预处理后的各任务分区中筛选出非地面点云，构建各所述任务分区的建筑物白模。
9.一种建筑物白模的构建设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1至7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565368.1A CN116580168A (zh) | 2023-05-18 | 2023-05-18 | 建筑物白模的构建方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565368.1A CN116580168A (zh) | 2023-05-18 | 2023-05-18 | 建筑物白模的构建方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116580168A true CN116580168A (zh) | 2023-08-11 |
Family
ID=87533648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310565368.1A Pending CN116580168A (zh) | 2023-05-18 | 2023-05-18 | 建筑物白模的构建方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116580168A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036393A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
-
2023
- 2023-05-18 CN CN202310565368.1A patent/CN116580168A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036393A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
| CN117036393B (zh) * | 2023-10-09 | 2023-12-19 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109993783B (zh) | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 | |
| CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
| CN110111414B (zh) | 一种基于三维激光点云的正射影像生成方法 | |
| CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
| CN104463872B (zh) | 基于车载LiDAR点云数据的分类方法 | |
| Yang et al. | Hierarchical extraction of urban objects from mobile laser scanning data | |
| Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
| Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
| EP2064657B1 (en) | Geospatial modeling system providing building roof type identification features and related methods | |
| CN108010092A (zh) | 一种基于低空摄影测量的城市高密度区太阳能利用潜力评估方法 | |
| CN116310192A (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
| CN105513127A (zh) | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 | |
| CN110379004B (zh) | 一种对倾斜摄影成果进行地物分类及单体化提取的方法 | |
| CN113920134B (zh) | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 | |
| CN107833273B (zh) | 基于三维仿真模型的倾斜摄影三维模型对象化应用方法 | |
| US9460520B2 (en) | Method and arrangement for identifying a difference between a first 3D model of an environment and a second 3D model of the environment | |
| EP4086846A1 (en) | Automatic detection of a calibration standard in unstructured lidar point clouds | |
| CN110827302A (zh) | 基于深度图卷积网络的点云目标提取方法及装置 | |
| CN111754618A (zh) | 一种面向对象的实景三维模型多层次解译方法及系统 | |
| CN114332134B (zh) | 一种基于密集点云的建筑物立面提取方法和装置 | |
| CN113012063B (zh) | 一种动态点云修复方法、装置及计算机设备 | |
| KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
| CN116580168A (zh) | 建筑物白模的构建方法、装置、设备和存储介质 | |
| CN108256417A (zh) | 基于室外场景点云数据处理的违章建筑识别方法 |
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 |