CN117253205A - 一种基于移动测量系统的道路面点云快速提取方法 - Google Patents
一种基于移动测量系统的道路面点云快速提取方法 Download PDFInfo
- Publication number
- CN117253205A CN117253205A CN202310290160.3A CN202310290160A CN117253205A CN 117253205 A CN117253205 A CN 117253205A CN 202310290160 A CN202310290160 A CN 202310290160A CN 117253205 A CN117253205 A CN 117253205A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- voxel
- voxels
- data set
- cloud data
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 12
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 5
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明适用于点云数据处理技术领域,提供了一种基于移动测量系统的道路面点云快速提取方法,所述方法包括:对点云数据集进行预处理,以对点云数据进行精简和去噪;对点云数据集进行超体素分割,得到包含有多个体素的超体素数据集,所述体素用于表征组成道路表面的块状体;根据激光扫描系统的轨迹数据的投影选择种子体素,以预设的参数阈值作为约束条件对超体素数据集进行迭代聚类,完成对道路面的提取,能够准确、快速提取复杂场景下的道路面点云数据,在数据处理的速度、鲁棒性方面也表现良好,为进一步的道路三维信息处理、应用及有关工程建设提供了良好的研究方向。
Description
技术领域
本发明属于点云数据处理技术领域,尤其涉及一种基于移动测量系统的道路面点云快速提取方法。
背景技术
车载移动测量系统(Mobile Measuring System,MMS)将三维激光、全球导航卫星系统(Global Navigation Satellite System,GNSS)惯性导航系统(Inertial NavigationSystem,INS)以及全景相机等多个传感器集成到车载/机载平台中,实现了目标信息的准确、快速获取,具有实时性、高精度、高密度、非接触式以及自动化等特点,目前已在智能驾驶、城市规划、移动机器人等领域得到广泛的应用。近年来,我国公路建设的快速发展,原有公路的改扩建成为了建设部门的一项重要任务,亟需快速、精准的测量手段代替传统的全站仪、GNSS-RTK等技术。移动测量系统的出现使其在道路三维几何重建、路面损伤识别、道路标记和交通标志提取等方面得到了广泛且有效的应用。对于大多数道路,都需要提取路面的点云。然而,多数道路场景复杂、目标丰富,造成了MMS采集数据高达200万个点/秒或约62GB/km,且点云数据密度分布不均、非结构化强。因此,如何从MMS数据中准确且高效地自动化提取道路面仍具有较大挑战。
目前,传统的点云分割算法的制定主要从几何约束和统计规则出发。一些点云聚类方法虽然在其他场景下得到了较好的分割效果,但在车载点云数据的实际应用过程中仍然存在着诸多问题。如精度、效率等达不到实际的生产工作的要求。且由于我国高速公路地面起伏变化较大、目标丰富,造成了车载移动测量系统的工作场景复杂,而大部分算法的参数难以满足系统的实际需求。
近年来,一些学者采用使用传统的聚类方法如基于欧式聚类的算法、基于模型拟合的随机采样一致性(RANSAC)算法从车载移动测量采集的点云数据中提取道路面,但该方法所应用的数据集一般为平坦规则的城市道路数据集,在带有坡度或者不平坦的高速公路场景下分割效果较差;另外一些学者结合传统机器学习及深度学习的方法,如BP神经网络、支持向量机、Pointnet、Pointnet++、PointCNN和SO-Net等,实现了车载移动测量系统的点云目标识别与提取,但是该类方法往往需要大量的先验数据进行训练且分类精度依赖基础的特征设计与选择。随着场景的变换与复杂度的提升,直接使用这些基础特征进行要素提取往往存在欠分割或者过分割的现象。
发明内容
本发明实施例的目的在于提供一种基于移动测量系统的道路面点云快速提取方法,旨在解决背景技术中确定的现有技术存在的问题。
本发明实施例是这样实现的,一种基于移动测量系统的道路面点云快速提取方法,所述方法包括:
对点云数据集进行预处理,以对点云数据进行精简和去噪;
对点云数据集进行超体素分割,得到包含有多个体素的超体素数据集,所述体素用于表征组成道路表面的块状体;
根据激光扫描系统的轨迹数据的投影选择种子体素,以预设的参数阈值作为约束条件对超体素数据集进行迭代聚类,完成对道路面的提取。
本发明实施例能够准确、快速提取复杂场景下的道路面点云数据,在数据处理的速度、鲁棒性方面也表现良好,为进一步的道路三维信息处理、应用及有关工程建设提供了良好的研究方向。
附图说明
图1为本发明实施例提供的一种移动测量系统的点云道路的快速提取方法的流程图;
图2为本发明实施例提供的移动测量系统的点云道路的快速提取方法的示意图;
图3为本发明实施例提供的预处理前后的点云数据示意图;
图4为本发明实施例提供的根据激光扫描系统的轨迹数据的投影选择种子体素的流程图;
图5为本发明实施例提供的对点云数据集进行预处理的流程图;
图6为本发明实施例提供的对点云数据集进行超体素分割的流程图;
图7为本发明另一实施例提供的对点云数据集进行超体素分割的流程图;
图8为本发明实施例提供的对超体素数据集进行迭代聚类的流程图;
图9为本发明实施例提供的为点云数据集超体素分割的示意图;
图10为本发明实施例提供的确定的待选种子体素示意图;
图11为本发明实施例提供的确定的种子体素示意图;
图12为本发明实施例提供的高程不同的候选种子体素示意图;
图13为本发明实施例提供的原始点云数据和超体素分割后的点云数据示意图;
图14为本发明实施例提供的平坦道路场景下的点云提取结果示意图;
图15为本发明实施例提供的带坡度道路场景下的点云提取结果示意图。
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。
如图1和2所示,在一个实施例中,提出了一种移动测量系统的点云道路的快速提取方法,具体可以包括以下步骤:
步骤S100,对点云数据集进行预处理,以对点云数据进行精简和去噪。
本发明实施例中,在通过车载移动测量系统采集点云数据时,得到的点云数据集中通常包含有上千万个点,另外由于环境的影响,扫描时会产生大量噪声,故需要预处理对数据进行精简和去噪。
步骤S200,对点云数据集进行超体素分割,得到包含有多个体素的超体素数据集,所述体素用于表征组成道路表面的块状体。
本发明实施例中,超体素分割可以将具有相似特征属性的点云聚类成一个区域,从而减少三维空间中对三维数据操作的计算量,图9为点云数据集超体素分割的示意图,图13a中所示为原始点云数据,图13b中所示为点云数据集超体素分割后的结果。
步骤S300,根据激光扫描系统的轨迹数据的投影选择种子体素,以预设的参数阈值作为约束条件对超体素数据集进行迭代聚类,完成对道路面的提取。
如图4所示,所述根据激光扫描系统的轨迹数据的投影选择种子体素的步骤,具体包括:
步骤S301,获取激光扫描系统的轨迹数据。
本发明实施例中,激光扫描系统的轨迹数据是指在通过车载激光扫描系统对道路进行扫描时的车辆的位置数据,其为:
ptr=(xtri,ytri,ztri)∈R3,i=1,2,...,N
其中,N为轨迹点的总数。
步骤S302,将所述轨迹数据导入全局坐标系的XY平面上。
本发明实施例中,将轨迹数据导入全局坐标系的XY平面上实际即为将轨迹数据投影到二维平面上,这样做的好处就是,使得后续的种子体素的选择上更加准确,因为道路两边的杂物(比如存在苗木、灌木等)较多,采用投影的方式能减少道路两边杂物对种子体素选择的干扰。
本发明实施例中,在投影之后,可以确定一系列的待选种子体素,待选种子体素的提取公式如下:
Vcandidate seeding={Vj∈V|V.xA,j≤xtri≤V.xB,j and V.yA,j≤ytri≤V.yB,j}
其中,j=1,2,...,k,k是八叉树结构中的体素总数;V.xA,j,V.yA,j,V.xB,j和V.yB,j是体素Vj的相对角(A和B)的x和y坐标,如图10所示,其为确定的待选种子体素示意图。
步骤S303,选择包含最多点数的体素来作为种子体素。种子体素为多个,如图11所示,其为确定的种子体素示意图。种子体素代表结合轨迹数据与道路面点云数据得到的体素集。
在一个实施例中,如图5所示,步骤S100具体可以包括以下步骤:
步骤S101,计算点云数据集内每个点和与其邻近点的平均距离。
本发明实施例中,邻近点的定义为与当前点的距离在设定的阈值内。
步骤S102,根据点云数据集内全部点之间平均距离的平均值与标准差,确定距离阈值。
本发明实施例中,所述距离阈值dmax为:dmax=μ+σ·α,其中,μ为平均距离的平均值,σ为标准差,α为比例系数,其由邻近点的数量m决定。
步骤S103,当点的平均距离大于设定的距离阈值时,舍弃当前点,否则保留当前点。
步骤S104,对点云数据进行抽稀处理。
本发明实施例中,经过对点云数据进行基于距离阈值的筛选之后,对点云数据的筛选结果,如图3所示,其中,图3a为处理前的点云数据,图3b为处理后的点云数据。但是点云数据仍然存在数量过大、数据信息冗余、数据难以处理、提取信息受到干扰等等问题,因此本发明实施例还对过量的点云数据进行抽稀处理。点云数据的抽稀可以通过Matlab软件来实现,也可以通过现有技术中的其他方式,本发明实施例在此不进行具体的限定。
在一个实施例中,如图6所示,步骤S200具体可以包括以下步骤:
步骤S201,采用八叉树数据结构构建体素模型。
本发明实施例中采用八叉树数据结构将三维空间细分为一些小的体素,体素网格本身具有固有的空间结构,因此允许快速、容易地搜索到相邻的体素,相对于现有技术中的k-d树方式,有助于避免在初始点数据上执行大量耗时的近邻搜索,以提高本实施例所述方法的运行效率。
步骤S202,对点云数据集进行迭代分割,直至满足体素终止条件。
本发明实施例中,定义经过预处理后的点云数据集为Pi=(xi,yi,zi)∈R3,i=1,2,...,n,其中n是点云的数量。
采用八叉树数据结构,将初始包围盒递归为更小的立方体(即体素)。包含整个输入数据的初始包围盒可以定义为原点O(xmin,ymin,zmin)和x,y,z方向的长度,公式如下:
Δx=Δy=Δz=max[|xmax-xmin|,|ymax-ymin|,|zmax-zmin|]
式中,其中(xmin,ymin,zmin)和(xmax,ymax,zmax)分别为点云的x,y,z坐标的最小值和最大值。
本发明实施例中,所述体素终止条件为残差大小或者最小体素大小中的任意一个达到设定阈值时,即可触发体素终止条件。
本发明实施例将残差阈值和最小体素大小作为终止条件,以使得体素栅格足够精细,可以显示点云的局部曲面特征,有效改善点云特征向量的计算时间及相似区域融合速度。
步骤S203,输出超体素数据集。
在一个实施例中,如图7所示,步骤S200之后还执行:
步骤S204,采用主成分分析法确定每个体素的法向量。
本发明实施例中,法向量是由协方差矩阵CV确定的最小特征值所对应的特征向量,如下式所示:
式中,是点pi=(xi,yi,zi)在体素内的中心点,也可以认为是体素质心。将协方差矩阵的特征值分解得到如下:
其中,λ1>λ2>λ3>0为特征值,v1、v2、v3分别为λ1、λ2、λ3对应的特征向量,分别代表目标点的3个主方向,其中最小的特征值对应的特征向量就为所求点的法向量。
步骤S205,确定每个体素的残差,所述残差用于表征点到拟合曲面垂直距离的均方根。
本发明实施例中,残差被定义为点到拟合曲面垂直距离的均方根,如下式所示:
式中,di为pi到拟合平面的正交距离,其由法向量和质心定义。
在一个实施例中,如图8所示,所述以预设的参数阈值作为约束条件对超体素数据集进行迭代聚类,完成对道路面的提取的步骤,具体包括:
步骤S304,计算相邻体素的高程差。
本发明实施例中,如图12所示,其为高程不同的候选种子体素。所述高程差即两个相邻体素在Z轴方向上的高度差Δh,即:
步骤S305,检索相邻体素的特征向量,判定所述相邻体素是否满足预设的聚类阈值条件,所述聚类阈值条件为残差、坡度及曲率。
本发明实施例中,所述法向量偏差可以通过前述步骤计算得到的体素的法向量计算得到,高程差可以通过前述步骤直接得到,而残差被定义为点到拟合曲面垂直距离的均方根,也可以通过前述步骤得到。
步骤S306,当所述相邻体素满足预设的聚类阈值条件时,合并相似区域并输出聚类结果。
本发明上述实施例提供了一种基于移动测量系统的道路面点云快速提取方法,首先对车载移动测量系统采集的点云数据进行预处理,去除噪声点和离群点,删除冗余数据,为后续道路面点云提取提供支持和保障;其次采用八叉树数据结构将三维空间细分为一些小的体素,由于体素网格本身具有固有的空间结构,因此允许快速、容易地搜索到相邻的体素,有助于避免在初始点数据上执行大量耗时的k-d树近邻搜索,以提高运行效率;然后进行超体素过分割,将残差阈值和最小体素大小作为终止条件,以便体素栅格足够精细,可以显示点云的局部曲面特征,有效改善点云特征向量的计算时间及相似区域融合速度;然后根据激光扫描系统的轨迹数据的投影选择种子体素,充分利用轨道信息对区域生长的种子选择方式进行优化以提高道路面的提取精度;最后以约束条件进行融合超体素的区域生长算法来提取道路面点云。
如图14、图15实验数据的提取结果所示,本实施例提供的基于融合超体素的区域生长算法的高速公路点云道路面自动化提取方法能够准确提取复杂场景下的道路面点云数据,在数据处理的速度、鲁棒性方面也表现良好,为进一步的道路三维信息处理、应用及有关工程建设提供了一种良好的研究方法,表1为平坦道路面和带有坡度的道路面上的点云提取时的参数设置情况。
表1两种典型公路场景下的参数设置
参数 | 平坦道路数据集 | 坡度道路数据集 |
体素大小/m | 0.2 | 0.2 |
坡度阈值/% | 5 | 5 |
曲率阈值/m | 0.03 | 0.03 |
残差阈值/m | 0.05 | 0.05 |
平滑阈值/° | 10 | 10 |
以上所述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。
以上所述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)
1.一种基于移动测量系统的道路面点云快速提取方法,其特征在于,所述方法包括:
对点云数据集进行预处理,以对点云数据进行精简和去噪;
对点云数据集进行超体素分割,得到包含有多个体素的超体素数据集,所述体素用于表征组成道路表面的块状体;
根据激光扫描系统的轨迹数据的投影选择种子体素,以预设的参数阈值作为约束条件对超体素数据集进行迭代聚类,完成对道路面的提取。
2.根据权利要求1所述的方法,其特征在于,所述对点云数据集进行预处理,以对点云数据进行精简和去噪的步骤,具体包括:
计算点云数据集内每个点和与其邻近点的平均距离;
根据点云数据集内全部点之间平均距离的平均值与标准差,确定距离阈值;
当点的平均距离大于设定的距离阈值时,舍弃当前点,否则保留当前点;
对点云数据进行抽稀处理。
3.根据权利要求1所述的方法,其特征在于,所述对点云数据集进行超体素分割,得到包含有多个体素的超体素数据集,所述体素用于表征组成道路表面的块状体的步骤,具体包括:
采用八叉树数据结构构建体素模型;
对点云数据集进行迭代分割,直至满足体素终止条件;
输出超体素数据集。
4.根据权利要求3所述的方法,其特征在于,所述对点云数据集进行超体素分割,得到包含有多个体素的超体素数据集,所述体素用于表征组成道路表面的块状体的步骤之后,还执行:
采用主成分分析法确定每个体素的法向量;
确定每个体素的残差,所述残差用于表征点到拟合曲面垂直距离的均方根。
5.根据权利要求4所述的方法,其特征在于,所述以预设的参数阈值作为约束条件对超体素数据集进行迭代聚类,完成对道路面的提取的步骤,具体包括:
计算相邻体素的高程差;
检索相邻体素的特征向量,判定所述相邻体素是否满足预设的聚类阈值条件,所述聚类阈值条件为残差、坡度及曲率;
当所述相邻体素满足预设的聚类阈值条件时,合并相似区域并输出聚类结果。
6.根据权利要求1所述的方法,其特征在于,所述根据激光扫描系统的轨迹数据的投影选择种子体素的步骤,具体包括:
获取激光扫描系统的轨迹数据;
将所述轨迹数据导入全局坐标系的XY平面上;
选择包含最多点数的体素来作为种子体素。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2023100943457 | 2023-02-07 | ||
CN202310094345 | 2023-02-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117253205A true CN117253205A (zh) | 2023-12-19 |
Family
ID=89125355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310290160.3A Pending CN117253205A (zh) | 2023-02-07 | 2023-03-23 | 一种基于移动测量系统的道路面点云快速提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253205A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854061A (zh) * | 2024-03-07 | 2024-04-09 | 山东大学 | 基于三维点云的隧道掌子面迹线裂隙提取方法及系统 |
-
2023
- 2023-03-23 CN CN202310290160.3A patent/CN117253205A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854061A (zh) * | 2024-03-07 | 2024-04-09 | 山东大学 | 基于三维点云的隧道掌子面迹线裂隙提取方法及系统 |
CN117854061B (zh) * | 2024-03-07 | 2024-05-10 | 山东大学 | 基于三维点云的隧道掌子面迹线裂隙提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
CN106780524B (zh) | 一种三维点云道路边界自动提取方法 | |
WO2021143778A1 (zh) | 一种基于激光雷达的定位方法 | |
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN110717983A (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
CN108764157B (zh) | 基于法向量高斯分布的建筑物激光脚点提取方法及系统 | |
WO2010042466A1 (en) | Apparatus and method for classifying point cloud data based on principal axes | |
CN112099046B (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
Wei et al. | Automatic coarse registration of point clouds using plane contour shape descriptor and topological graph voting | |
CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
CN115049925A (zh) | 田块田坎提取方法、电子设备及存储介质 | |
CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
CN114463338B (zh) | 一种基于图割与后处理的建筑物激光脚点自动提取方法 | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN107993242B (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
CN112070787B (zh) | 基于对立推理理论的航空三维点云平面分割方法 | |
Elkhrachy | Feature extraction of laser scan data based on geometric properties | |
Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
CN113077473B (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
CN116012613B (zh) | 一种基于激光点云的露天矿的土方量变化测算方法和系统 | |
CN112581511A (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 | |
Ruiz et al. | Automatic extraction of road intersections from images based on texture characterisation | |
CN116485821A (zh) | 一种建筑物点云分割与矢量轮廓线提取方法及装置 |
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 |