CN117173424B - 一种点云坡面边缘线识别方法、系统及可读存储介质 - Google Patents
一种点云坡面边缘线识别方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN117173424B CN117173424B CN202311441977.2A CN202311441977A CN117173424B CN 117173424 B CN117173424 B CN 117173424B CN 202311441977 A CN202311441977 A CN 202311441977A CN 117173424 B CN117173424 B CN 117173424B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- slope
- traversing
- cluster
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012876 topography Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013461 design Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例提供的一种点云坡面边缘线识别方法、系统及可读存储介质，该方法包括确定坡面地形点云；针对所述坡面地形点云中的每个点，确定各点的特征指标，特征指标包括K邻近点、法向量、表面曲率、以及点半径；将坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1；按序对目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇；基于经纬线扫描法，确定每个点云簇的轮廓点；基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别。该方案的实施能够提高坡面边缘线识别准确度。
Description
技术领域
本申请涉及点云数据处理技术领域，具体而言，涉及一种点云坡面边缘线识别方法、系统及可读存储介质。
背景技术
点云坡面边缘线识别是一种常见的计算机视觉任务，用于检测和提取坡面的边缘线信息。这个任务通常包含以下几个步骤：1、数据采集和点云处理：可以通过激光扫描、摄像头或其他传感器进行采集。然后对采集到的点云数据进行处理。2、地面提取：根据点云数据的特点，可以采用一些拟合平面的方法来提取地面，这一步的目标是将地面点从点云中分离出来，以便进行后续处理。3、坡面边缘线识别：在得到地面点云后，需要使用一些边缘线提取算法，例如，Canny边缘检测、直线拟合来识别坡面的边缘线。尽管点云坡面边缘线识别已经有了很多成熟的技术和方法，但仍然存在一些问题，例如，点云噪声和不完整性、以及场景的复杂性和地面形状的多样性，都会影响点云坡面边缘线识别准确度。因此，有必要设计具备更佳鲁棒性的算法来应对复杂场景。
发明内容
本申请实施例的目的在基于提供一种点云坡面边缘线识别方法、系统及可读存储介质，可以提高点云坡面边缘线识别准确度。
本申请实施例还提供了一种点云坡面边缘线识别方法，包括以下步骤：
S1、确定坡面地形点云；
S2、针对所述坡面地形点云中的每个点，确定各点的特征指标，所述特征指标包括K邻近点、法向量、表面曲率、以及点半径；
S3、将所述坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1；
S4、按序对所述目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇；
S5、基于经纬线扫描法，确定每个点云簇的轮廓点；
S6、基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别。
第二方面，本申请实施例还提供了一种点云坡面边缘线识别系统，所述系统包括点云获取模块、点云处理模块、点云聚类模块、轮廓点扫描模块、轮廓线拟合模块，其中：
所述点云获取模块，用于确定坡面地形点云；
所述点云处理模块，用于针对所述坡面地形点云中的每个点，确定各点的特征指标，所述特征指标包括K邻近点、法向量、表面曲率、以及点半径；
所述点云处理模块，还用于将所述坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1；
所述点云聚类模块，用于按序对所述目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇；
所述轮廓点扫描模块，用于基于经纬线扫描法，确定每个点云簇的轮廓点；
所述轮廓线拟合模块，用于基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别。
第三方面，本申请实施例还提供了一种可读存储介质，所述可读存储介质中包括点云坡面边缘线识别方法程序，所述点云坡面边缘线识别方法程序被处理器执行时，实现如上述任一项所述的一种点云坡面边缘线识别方法的步骤。
由上可知，本申请实施例提供的一种点云坡面边缘线识别方法、系统及可读存储介质，包括：确定坡面地形点云；针对坡面地形点云中的每个点，确定各点的特征指标，特征指标包括K邻近点、法向量、表面曲率、以及点半径；将坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1；按序对目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇；基于经纬线扫描法，确定每个点云簇的轮廓点；基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别。该方案的实施，有助于对坡面的结构和形态进行分析和评估，能够提高坡面边缘线识别准确度，方便更加准确地感知和理解坡面形态，对于工程设计和施工规划、地质灾害预测和风险评估具有重要意义。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种点云坡面边缘线识别方法的流程图；
图2为坡面地形点云示意图；
图3为曲面聚类之后形成的点云示意图；
图4为点云坡面边缘线识别示意图；
图5为第二蒙版图片示意图；
图6为形成的骨骼线图像；
图7为本申请实施例提供的一种点云坡面边缘线识别系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种点云坡面边缘线识别方法的流程图。该方法包括以下步骤：
步骤S1，确定坡面地形点云。
具体的，当前实施例中所选用的数据源可以是三维倾斜模型或点云。需要说明的是，若数据源是三维倾斜模型时，需要通过点云采样转换方式，将其转换为点云之后，再执行后续的点云处理步骤，最终转换形成的点云可参考图2。
在其中一个实施例中，可以通过激光扫描、摄像头或其他传感器进行点云数据的采集。然后，再对采集到的点云数据进行预处理，例如去除离群点、滤波和配准等操作。
步骤S2，针对所述坡面地形点云中的每个点，确定各点的特征指标，所述特征指标包括K邻近点、法向量、表面曲率、以及点半径。
为了便于理解步骤S2，示例性的，针对点A：
1）点A的K邻近点包括点云中距离点A最近的K个点，其中，K的取值可以手动进行设置，当前不对K的取值进行限定（本实施例中K的取值默认设置为20）。
2）点A的法向量包括属于点A的K邻近点所在平面的法向量，这一指标主要用于衡量点的方向。
3）点A的表面曲率包括点A到对应K邻近点所在平面的距离，这一指标用于衡量点偏离平面的距离，可近似为曲面在该点处的弯曲程度。
4）点A的点半径包括属于点A的K邻近点与点A之间距离的中位数，这一指标用于衡量该点所在平面的大小，可近似为将曲面拟合成圆形的半径。
步骤S3，将所述坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1。
具体的，当前实施例中，将按照表面曲率对点云中的每个点进行排序，并确定各点的遍历优先级，其中，相应点的遍历优先级越高，则越先对其进行遍历，遍历过程中，将通过区域增长的方法进行点云聚类，以得到得到对应独立坡面的点云簇。
步骤S4，按序对所述目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇。
具体的，在使用区域增长算法时，具体会先将点云中的点分成不同的区域，从而识别出具有相似特性的区域。具体实施过程中，主要是基于点与点之间的相似性原则，将相似度高的点聚集在一起，从而形成连续的区域。最终聚类形成的点云簇可参考图3进行理解
步骤S5，基于经纬线扫描法，确定每个点云簇的轮廓点。
具体的，经纬线扫描的过程中，会先将点云簇转换到XOY平面，接着再计算其最小包围盒；接着，再基于该最小包围盒，计算出点云在x轴方向和y轴方向的最小值和最大值（x_min，x_max）、（y_min，y_max），并以此确定经纬线扫描范围；最后，需要再在所确定的经纬线扫描范围内，通过相应的处理方式（具体可参考后续步骤），进行轮廓点的识别。
步骤S6，基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别。
具体的，在得到每个曲面点云的轮廓点之后，即可根据轮廓点拟合出轮廓线（即边缘线），以此实现点云坡面边缘线的识别。最终，拟合形成的边缘线可参考图4进行理解。
由上可知，本申请公开的一种点云坡面边缘线识别方法，包括：确定坡面地形点云；针对坡面地形点云中的每个点，确定各点的特征指标，特征指标包括K邻近点、法向量、表面曲率、以及点半径；将坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1；按序对目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇；基于经纬线扫描法，确定每个点云簇的轮廓点；基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别。该方案的实施，有助于对坡面的结构和形态进行分析和评估，能够提高坡面边缘线识别准确度，方便更加准确地感知和理解坡面形态，对于工程设计和施工规划、地质灾害预测和风险评估具有重要意义。
在其中一个实施例中，在确定获取到对应三维倾斜模型的第一数据源时，步骤S1中，所述确定坡面地形点云，包括：
步骤S11，按照预设的点云采样规则，在所述三维倾斜模型上进行采样，并在采样结束时，得到对应点云的第二数据源。
步骤S12，基于所述第二数据源，确定坡面地形点云。
基于步骤S11~步骤S12需要说明的是，当前实施例中将采用点云采样的方式将获取到的三维倾斜模型转换为点云数据。
在其中一个实施例中，本申请具体是采用的均匀采样方式，按照预设的间隔距离在三维倾斜模型上进行采点，并在采点结束后，得到对应点云的第二数据源。
示例性的，本申请预每间隔0.01m，便在获取到的三维倾斜模型上进行采样，当前这一间隔距离也可以通过用户手动输入的方式进行设置，或预先按照经验值设定好，在需要进行采样时，直接调用该参数即可。
在其中一个实施例中，步骤S3中，所述将所述坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1，包括：
步骤S31，获取所述坡面地形点云中的每个点的表面曲率。
步骤S32，按照表面曲率，将每个点进行由低至高或由高至低的排序，得到目标点云cloud1，其中，点的表面曲率取值越低，其对应的遍历优先级则越高，反之，则越低。
基于步骤S31~步骤S32需要说明的是，针对所述坡面地形点云中的所有点，会对该点云中的各点按照表面曲率进行排序，进而得到目标点云cloud1。需要说明的是，表面曲率取值低的点将放到前面进行计算，即把弯曲度较高的点，放到后面，优先以低弯曲度的点作为面的种子点，以及优先添加该低弯曲度的点到候选曲面。
上述实施例中，考虑到低弯曲度的点代表地形在该处的变化比较平缓，在曲面分割的过程中，将该作为该曲面的种子点，可信度更高，能够提高分割效果。
在其中一个实施例中，步骤S4中，所述通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇，包括：
步骤S41，将遍历点P1作为种子点seed，遍历种子点seed的K邻近点集Pset。
步骤S42，遍历过程中，针对遍历点P2，在确定其满足以下三项条件时，将遍历点P2加入临时曲面cluster中：
1）遍历点P2的法向量、以及种子点seed的法向量之间的夹角设定角度阈值angle。
2）遍历点P2到临时曲面cluster的距离小于设定偏离距离阈值distance。
3）遍历点P2到种子点seed的距离、以及遍历点P2和种子点seed半径的比值均小于设定半径阈值radiu。
具体的，针对从K邻近点集Pset中遍历到的遍历点P2，将基于以上三项条件判断该遍历点P2是否属于种子点seed的相似点，若是，则将其加入临时曲面cluster中，以及将其加入已处理容器processed中，以避免重复遍历，提高遍历效率。
步骤S43，遍历结束后，基于临时曲面cluster确定对应独立坡面的点云簇。
具体的，随着遍历，临时曲面cluster中的点也会随之增加，此时需要确保临时曲面cluster中所有的点都已作为种子点seed，并对对应的K邻近点进行了判断。经多次遍历之后，直到目标点云cloud1中所有的点都被处理完成，即可生成由多个点云簇构成的点云clusters。如图3所示，其示意的是曲面聚类之后的点云，其中，每一个小段表示一个点云簇。
上述实施例中，可灵活设置角度阈值、偏离距离阈值、以及种子点半径阈值，通过调整这三种参数，可以设计得到不同弯曲程度以及具备紧密效果的分割结果，提高点云聚类效果。
在其中一个实施例中，步骤S5中，各个点云簇的轮廓点，分别通过以下步骤确定：
步骤S51，将点云簇旋转到XOY平面，得到旋转点云簇Pset1。
具体的，当前实施例中，将先计算出点云簇旋转到XOY平面所需要的旋转矩阵Mat，在基于该旋转矩阵Mat将点云簇旋转到XOY平面。
步骤S52，在XOY平面，计算所述旋转点云簇Pset1的最小包围盒。
具体的，最小包围盒也叫最小外接矩形，最小包围盒求解算法是一种求解离散点集最优包围空间的算法，该算法的基本思想是用体积稍大且特性简单的几何体（简称包围盒）来近似地替代复杂的几何对象。
当前实施例中，具体会通过找到点云所在平面的主方向和边界点来计算最小包围盒，其中，主方向是点云在三维空间中的主要方向，边界点是点云表面上离最小包围盒边界最近的点。
步骤S53，基于所述最小包围盒确定所述旋转点云簇Pset1在x轴方向的前N个最小值和最大值（x_min,x_max），以及在y轴方向的前N个最小值和最大值（y_min,y_max）。
具体的，在找到旋转点云簇Pset1的最小包围盒之后，即可根据边界点的坐标位置，确定旋转点云簇Pset1在x轴方向的前N个最小值和前N个最大值（x_min,x_max），以及在y轴方向的前N个最小值和前N个最大值（y_min,y_max）。
步骤S54，基于（x_min,x_max）、（y_min,y_max），按照设定的步长d进行经、纬线的扫描，并基于扫描结果生成点云簇的轮廓点。
具体的，当前实施例中将基于（x_min,x_max）、（y_min,y_max），按照设定的步长d进行经、纬线的扫描，其中，针对扫描所确定的x、y极值，将进一步进行点索引的记录，为后续生成轮廓点提供数据基础。
需要说明的是，当前技术的轮廓点分割技术的使用情况是提取出点云中弯曲度变化较大或和邻近点距离变化较大的点，实际提取的包括外轮廓和内部拐点，本申请由于前期已经对于点云整体进行了曲面分割，此处需要得到的是子点云簇的精准外边缘轮廓值，通过设定的步长和N值，可以得到不同粗细程度的子点云簇外边缘。
在其中一个实施例中，步骤S51中，所述将点云簇旋转到XOY平面，得到旋转点云簇Pset1，包括：
步骤S511，将点云簇看做一个平面，并通过PCA方法计算这一平面的平面法向量。
步骤S512，根据所述平面法向量，计算点云簇旋转到XOY平面所需的旋转矩阵Mat。
步骤S513，基于所述旋转矩阵Mat将点云簇转换到XOY平面，得到旋转点云簇Pset1。
基于步骤S511~步骤S513需要说明的是，通过PCA方法对点云平面进行协方差矩阵分解后，将返回三个特征向量，代表着点云在三个相互垂直方向的差异度，对其进行排序后，最小的方向就是平面的法向量。要想把点云从全局坐标系下转换到XOY平面，只需要将点云按照旋转矩阵Mat进行变换即可。
在其中一个实施例中，步骤S54中，所述基于（x_min,x_max）、（y_min,y_max），按照设定的步长d进行经、纬线的扫描，并基于扫描结果生成点云簇的轮廓点，包括：
步骤S541，从x_min开始到x_max结束，过程中，按照设定的步长d，扫描得到‘(x_max-x_min)/d+1’根经线。
步骤S542，记录每根经线上最大的前n个y值的点索引，以及最小的前n个y值的点索引。
步骤S543，从y_min开始到y_max结束，过程中，按照设定的步长d，扫描得到‘(y_max-y_min)/d+1’根纬线。
步骤S544，记录每根纬线上最大的前n个x值的点索引，以及最小的前n个x值的点索引。
步骤S545，基于记录的各个点索引，生成点云簇的轮廓点。
在其中一个实施例中，步骤S6中，针对每个轮廓面，所述基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别，包括：
步骤S61，计算轮廓面在XOY平面的最小包围盒。
具体的，最小包围盒的计算可以参考前述内容，当前不做赘述。
步骤S62，基于所述最小包围盒，按照预设的分辨率生成相应的第一蒙版图片。
具体的，基于所述最小包围盒，将按照预设的分辨率设计生成一张对应的第一蒙版图片。例如，对于一个x,y方向长度分别为3.2米和3.5米的点云，在预设的分辨率为0.01的情况下，将生成一张分辨率为320*350的第一蒙版图片。
步骤S63，针对所述轮廓面中每个点，确定相应点映射到所述第一蒙版图片的点坐标，并以预设的半径、以所述点坐标为圆心，在所述第一蒙版图片上进行圆的绘制，得到第二蒙版图片。
具体的，当前实施例中，需要先确定轮廓面中的每个点映射到第一蒙版图片上的点坐标，之后，再以设定的半径r，以点坐标为圆心在所述第一蒙版图片上进行圆的绘制。需要说明的是，当在第一蒙版图片上完成所有点的绘制后，会在该图片上形成一条由多个圆串联组成的曲线，如图5所示。
步骤S64，基于所述第二蒙版图片进行边缘线的拟合，以实现点云坡面边缘线的识别。
具体的，当前实施例中，在所述第一蒙版图片上形成一条如图5所示的曲线，得到第二蒙版图片后，将结合opencv开源算法，求得曲线的骨骼线。具体步骤包括：
a）对第二蒙版图片进行腐蚀得到图像erode。
b）对图像erode进行开运算得到图像open。
c）计算图像erode和图像open的差，即可得到开运算去除的部分。将其加入到骨骼线中。
d）循环执行a）~c）步骤的操作，即可得到最终需要的骨骼线图像，如图6所示。
进一步的，基于上述步骤d）中求得的的骨骼线图像，通过opencv开源算法中的findcontour方法，可以得到该轮廓轮廓曲线的拟合线串，形如N个点连线拟合的轮廓线串（pt0,pt1,pt2,…ptn）。其中，对于每个小曲面得到的轮廓曲线，将其进行汇总，即可得到所有的坡面轮廓线，如图4所示。
请参考图7，本申请公开的一种点云坡面边缘线识别系统，该系统包括点云获取模块、点云处理模块、点云聚类模块、轮廓点扫描模块、轮廓线拟合模块，其中：
所述点云获取模块，用于确定坡面地形点云。
所述点云处理模块，用于针对所述坡面地形点云中的每个点，确定各点的特征指标，所述特征指标包括K邻近点、法向量、表面曲率、以及点半径。
所述点云处理模块，还用于将所述坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1。
所述点云聚类模块，用于按序对所述目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇。
所述轮廓点扫描模块，用于基于经纬线扫描法，确定每个点云簇的轮廓点。
所述轮廓线拟合模块，用于基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别。
在其中一个实施例中，该系统中的各模块还用于执行上述实施例的任一可选的实现方式中的方法。
由上可知，本申请公开的一种点云坡面边缘线识别系统，包括：确定坡面地形点云；针对坡面地形点云中的每个点，确定各点的特征指标，特征指标包括K邻近点、法向量、表面曲率、以及点半径；将坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1；按序对目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇；基于经纬线扫描法，确定每个点云簇的轮廓点；基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别。该方案的实施，有助于对坡面的结构和形态进行分析和评估，能够提高坡面边缘线识别准确度，方便更加准确地感知和理解坡面形态，对于工程设计和施工规划、地质灾害预测和风险评估具有重要意义。
本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random AccessMemory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable ProgrammableRead Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory,简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
上述可读存储介质，包括：确定坡面地形点云；针对坡面地形点云中的每个点，确定各点的特征指标，特征指标包括K邻近点、法向量、表面曲率、以及点半径；将坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1；按序对目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇；基于经纬线扫描法，确定每个点云簇的轮廓点；基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别。该方案的实施，有助于对坡面的结构和形态进行分析和评估，能够提高坡面边缘线识别准确度，方便更加准确地感知和理解坡面形态，对于工程设计和施工规划、地质灾害预测和风险评估具有重要意义。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种点云坡面边缘线识别方法，其特征在于，包括以下步骤：
S1、确定坡面地形点云；
S2、针对所述坡面地形点云中的每个点，确定各点的特征指标，所述特征指标包括K邻近点、法向量、表面曲率、以及点半径；
S3、将所述坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1；
S4、按序对所述目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇；
S5、基于经纬线扫描法，确定每个点云簇的轮廓点；
S6、基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别；
步骤S4中，所述通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇，包括：
S41、将遍历点P1作为种子点seed，遍历种子点seed的K邻近点集Pset；
S42、遍历过程中，针对遍历点P2，在确定其满足以下三项条件时，将遍历点P2加入临时曲面cluster中：
1）遍历点P2的法向量、以及种子点seed的法向量之间的夹角设定角度阈值angle；
2）遍历点P2到临时曲面cluster的距离小于设定偏离距离阈值distance；
3）遍历点P2到种子点seed的距离、以及遍历点P2和种子点seed半径的比值均小于设定半径阈值radiu；
S43、遍历结束后，基于临时曲面cluster确定对应独立坡面的点云簇。
2.根据权利要求1所述的方法，其特征在于，在确定获取到对应三维倾斜模型的第一数据源时，步骤S1中，所述确定坡面地形点云，包括：
S11、按照预设的点云采样规则，在所述三维倾斜模型上进行采样，并在采样结束时，得到对应点云的第二数据源；
S12、基于所述第二数据源，确定坡面地形点云。
3.根据权利要求1所述的方法，其特征在于，步骤S3中，所述将所述坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1，包括：
S31、获取所述坡面地形点云中的每个点的表面曲率；
S32、按照表面曲率，将每个点进行由低至高或由高至低的排序，得到目标点云cloud1，其中，点的表面曲率取值越低，其对应的遍历优先级则越高，反之，则越低。
4.根据权利要求1所述的方法，其特征在于，步骤S5中，各个点云簇的轮廓点，分别通过以下步骤确定：
S51、将点云簇旋转到XOY平面，得到旋转点云簇Pset1；
S52、在XOY平面，计算所述旋转点云簇Pset1的最小包围盒；
S53、基于所述最小包围盒确定所述旋转点云簇Pset1在x轴方向的前N个最小值和最大值（x_min,x_max），以及在y轴方向的前N个最小值和最大值（y_min,y_max）；
S54、基于（x_min,x_max）、（y_min,y_max），按照设定的步长d进行经、纬线的扫描，并基于扫描结果生成点云簇的轮廓点。
5.根据权利要求4所述的方法，其特征在于，步骤S51中，所述将点云簇旋转到XOY平面，得到旋转点云簇Pset1，包括：
S511、将点云簇看做一个平面，并通过PCA方法计算这一平面的平面法向量；
S512、根据所述平面法向量，计算点云簇旋转到XOY平面所需的旋转矩阵Mat；
S513、基于所述旋转矩阵Mat将点云簇转换到XOY平面，得到旋转点云簇Pset1。
6.根据权利要求4所述的方法，其特征在于，步骤S54中，所述基于（x_min,x_max）、（y_min,y_max），按照设定的步长d进行经、纬线的扫描，并基于扫描结果生成点云簇的轮廓点，包括：
S541、从x_min开始到x_max结束，过程中，按照设定的步长d，扫描得到‘(x_max-x_min)/d+1’根经线；
S542、记录每根经线上最大的前n个y值的点索引，以及最小的前n个y值的点索引；
S543、从y_min开始到y_max结束，过程中，按照设定的步长d，扫描得到‘(y_max-y_min)/d+1’根纬线；
S544、记录每根纬线上最大的前n个x值的点索引，以及最小的前n个x值的点索引；
S545、基于记录的各个点索引，生成点云簇的轮廓点。
7.根据权利要求1所述的方法，其特征在于，步骤S6中，针对每个轮廓面，所述基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别，包括：
S61、计算轮廓面在XOY平面的最小包围盒；
S62、基于所述最小包围盒，按照预设的分辨率生成相应的第一蒙版图片；
S63、针对所述轮廓面中每个点，确定相应点映射到所述第一蒙版图片的点坐标，并以预设的半径、以所述点坐标为圆心，在所述第一蒙版图片上进行圆的绘制，得到第二蒙版图片；
S64、基于所述第二蒙版图片进行边缘线的拟合，以实现点云坡面边缘线的识别。
8.一种点云坡面边缘线识别系统，其特征在于，所述系统包括点云获取模块、点云处理模块、点云聚类模块、轮廓点扫描模块、轮廓线拟合模块，其中：
所述点云获取模块，用于确定坡面地形点云；
所述点云处理模块，用于针对所述坡面地形点云中的每个点，确定各点的特征指标，所述特征指标包括K邻近点、法向量、表面曲率、以及点半径；
所述点云处理模块，还用于将所述坡面地形点云中的每个点，按照表面曲率进行排序后，得到目标点云cloud1；
所述点云聚类模块，用于按序对所述目标点云cloud1中各点进行遍历，遍历过程中，通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇；
所述轮廓点扫描模块，用于基于经纬线扫描法，确定每个点云簇的轮廓点；
所述轮廓线拟合模块，用于基于轮廓点进行边缘线的拟合，以实现点云坡面边缘线的识别；
所述点云聚类模块通过区域增长的方法，基于遍历点P1的特征指标进行点云聚类，得到对应独立坡面的点云簇，具体实现为：
将遍历点P1作为种子点seed，遍历种子点seed的K邻近点集Pset；
遍历过程中，针对遍历点P2，在确定其满足以下三项条件时，将遍历点P2加入临时曲面cluster中：
1）遍历点P2的法向量、以及种子点seed的法向量之间的夹角设定角度阈值angle；
2）遍历点P2到临时曲面cluster的距离小于设定偏离距离阈值distance；
3）遍历点P2到种子点seed的距离、以及遍历点P2和种子点seed半径的比值均小于设定半径阈值radiu；
遍历结束后，基于临时曲面cluster确定对应独立坡面的点云簇。
9.一种可读存储介质，其特征在于，所述可读存储介质中包括点云坡面边缘线识别方法程序，所述点云坡面边缘线识别方法程序被处理器执行时，实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311441977.2A CN117173424B (zh) | 2023-11-01 | 2023-11-01 | 一种点云坡面边缘线识别方法、系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311441977.2A CN117173424B (zh) | 2023-11-01 | 2023-11-01 | 一种点云坡面边缘线识别方法、系统及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173424A CN117173424A (zh) | 2023-12-05 |
| CN117173424B true CN117173424B (zh) | 2024-01-26 |
Family
ID=88939732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311441977.2A Active CN117173424B (zh) | 2023-11-01 | 2023-11-01 | 一种点云坡面边缘线识别方法、系统及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173424B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118212595B (zh) * | 2024-05-21 | 2024-07-19 | 四川凉山水洛河电力开发有限公司 | 一种边坡崩塌落石监测方法 |
| CN118429550B (zh) * | 2024-07-05 | 2024-09-03 | 先临三维科技股份有限公司 | 三维重建方法、系统、电子设备及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201507016D0 (en) * | 2015-04-24 | 2015-06-10 | Isis Innovation | A method of detecting objects within a 3D environment |
| CN107516098A (zh) * | 2017-07-30 | 2017-12-26 | 华南理工大学 | 一种基于边缘曲率角的目标轮廓三维信息提取方法 |
| CN109752701A (zh) * | 2019-01-18 | 2019-05-14 | 中南大学 | 一种基于激光点云的道路边沿检测方法 |
| CN110222642A (zh) * | 2019-06-06 | 2019-09-10 | 上海黑塞智能科技有限公司 | 一种基于全局图聚类的平面建筑构件点云轮廓提取方法 |
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、系统及计算机存储介质 |
| CN113298833A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 目标物点云特征线面提取方法及系统 |
| WO2022062519A1 (zh) * | 2020-09-22 | 2022-03-31 | 上海钛米机器人股份有限公司 | 地面检测方法、装置、设备及存储介质 |
| WO2022121177A1 (zh) * | 2020-12-07 | 2022-06-16 | 速度时空信息科技股份有限公司 | 一种基于扫描线的道路点云的提取方法 |
| WO2022141116A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 三维点云分割方法和装置、可移动平台 |
| CN115049925A (zh) * | 2022-06-07 | 2022-09-13 | 中国电建集团中南勘测设计研究院有限公司 | 田块田坎提取方法、电子设备及存储介质 |
| CN116109601A (zh) * | 2023-02-20 | 2023-05-12 | 重庆邮电大学 | 一种基于三维激光雷达点云的实时目标检测方法 |
| CN116580048A (zh) * | 2023-07-12 | 2023-08-11 | 武汉峰岭科技有限公司 | 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统 |
| CN116883754A (zh) * | 2023-07-20 | 2023-10-13 | 成都市勘察测绘研究院(成都市基础地理信息中心) | 一种面向地面LiDAR点云的建筑物信息提取方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067810A (zh) * | 2006-05-05 | 2007-11-07 | 鸿富锦精密工业（深圳）有限公司 | 点云格式解析系统及方法 |
| US8670591B2 (en) * | 2012-03-01 | 2014-03-11 | Exelis, Inc. | Foliage penetration based on 4D LIDAR datasets |
-
2023
- 2023-11-01 CN CN202311441977.2A patent/CN117173424B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201507016D0 (en) * | 2015-04-24 | 2015-06-10 | Isis Innovation | A method of detecting objects within a 3D environment |
| CN107516098A (zh) * | 2017-07-30 | 2017-12-26 | 华南理工大学 | 一种基于边缘曲率角的目标轮廓三维信息提取方法 |
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN109752701A (zh) * | 2019-01-18 | 2019-05-14 | 中南大学 | 一种基于激光点云的道路边沿检测方法 |
| CN110222642A (zh) * | 2019-06-06 | 2019-09-10 | 上海黑塞智能科技有限公司 | 一种基于全局图聚类的平面建筑构件点云轮廓提取方法 |
| WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、系统及计算机存储介质 |
| WO2022062519A1 (zh) * | 2020-09-22 | 2022-03-31 | 上海钛米机器人股份有限公司 | 地面检测方法、装置、设备及存储介质 |
| WO2022121177A1 (zh) * | 2020-12-07 | 2022-06-16 | 速度时空信息科技股份有限公司 | 一种基于扫描线的道路点云的提取方法 |
| WO2022141116A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 三维点云分割方法和装置、可移动平台 |
| CN113298833A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 目标物点云特征线面提取方法及系统 |
| CN115049925A (zh) * | 2022-06-07 | 2022-09-13 | 中国电建集团中南勘测设计研究院有限公司 | 田块田坎提取方法、电子设备及存储介质 |
| CN116109601A (zh) * | 2023-02-20 | 2023-05-12 | 重庆邮电大学 | 一种基于三维激光雷达点云的实时目标检测方法 |
| CN116580048A (zh) * | 2023-07-12 | 2023-08-11 | 武汉峰岭科技有限公司 | 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统 |
| CN116883754A (zh) * | 2023-07-20 | 2023-10-13 | 成都市勘察测绘研究院(成都市基础地理信息中心) | 一种面向地面LiDAR点云的建筑物信息提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机载激光雷达点云数据的道路标识线提取;袁晨鑫等;《北京测绘》;第36卷(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173424A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117173424B (zh) | 一种点云坡面边缘线识别方法、系统及可读存储介质 | |
| US7995055B1 (en) | Classifying objects in a scene | |
| JP6216508B2 (ja) | ３ｄシーンにおける３ｄ物体の認識および姿勢決定のための方法 | |
| Brolly et al. | Algorithms for stem mapping by means of terrestrial laser scanning | |
| Sahar et al. | Using aerial imagery and GIS in automated building footprint extraction and shape recognition for earthquake risk assessment of urban inventories | |
| CN102804231B (zh) | 三维场景的分段平面重建 | |
| CN111795704A (zh) | 一种视觉点云地图的构建方法、装置 | |
| CN109146948A (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
| CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
| Özdemir et al. | Automatic extraction of trees by using multiple return properties of the lidar point cloud | |
| CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
| Wang | Automatic extraction of building outline from high resolution aerial imagery | |
| Xia et al. | Semiautomatic construction of 2-D façade footprints from mobile LIDAR data | |
| CN112581511B (zh) | 基于近似直立扫描点云快速配准的三维重建方法及系统 | |
| CN114998395A (zh) | 一种有效的堤岸三维数据变化检测方法及系统 | |
| CN113345072A (zh) | 一种多视角遥感地形影像点云重建方法及系统 | |
| Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
| Tran et al. | 3D point cloud registration based on the vector field representation | |
| Jung et al. | Progressive modeling of 3D building rooftops from airborne Lidar and imagery | |
| JP2006031390A5 (zh) | ||
| CN117576172B (zh) | 基于改进关键点的配准方法和装置 | |
| Santiesteban et al. | A method for detection and modeling of the human spine based on principal curvatures | |
| WO2020197495A1 (en) | Method and system for feature matching | |
| Yi et al. | Automatic detection of cross-shaped targets for laser scan registration | |
| CN118072029B (zh) | 一种改进泰森多边形约束的车载点云单木分割方法及系统 |
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 |