WO2018151629A1 - Способ и система автоматического построения трехмерных моделей городов - Google Patents

Способ и система автоматического построения трехмерных моделей городов Download PDF

Info

Publication number
WO2018151629A1
WO2018151629A1 PCT/RU2018/050007 RU2018050007W WO2018151629A1 WO 2018151629 A1 WO2018151629 A1 WO 2018151629A1 RU 2018050007 W RU2018050007 W RU 2018050007W WO 2018151629 A1 WO2018151629 A1 WO 2018151629A1
Authority
WO
WIPO (PCT)
Prior art keywords
points
objects
data
point cloud
cloud
Prior art date
Application number
PCT/RU2018/050007
Other languages
English (en)
French (fr)
Inventor
Олег Анатольевич ИЛЬИЧЕВ
Сергей Юрьевич ГЕВОРКОВ
Дмитрий Леонидович ИВАНЧЕНКО
Алексей Васильевич ПАВЛЮЧЕНКОВ
Original Assignee
Общество с ограниченной ответственностью "ХЕЛЬГИ ЛАБ"
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 Общество с ограниченной ответственностью "ХЕЛЬГИ ЛАБ" filed Critical Общество с ограниченной ответственностью "ХЕЛЬГИ ЛАБ"
Publication of WO2018151629A1 publication Critical patent/WO2018151629A1/ru

Links

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
    • G06T17/05—Geographic models
    • 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

Definitions

  • the claimed solution relates to the field of information processing methods, in particular to a method and system for constructing three-dimensional city models based on laser scanning information and photographic images.
  • a known technology for the recognition and construction of three-dimensional models of building facades based on information obtained from clouds of laser scanning points with subsequent processing of an intermediate model and superimposing a photographic image on a three-dimensional frame (3D All The Way: Semantic Segmentation of Urban Scenes From Start to End in 3D // Andelo Martinovic et al.).
  • This method is also used for the semantic separation of three-dimensional urban models, to determine similar objects, based on a trained algorithm that allows you to recognize and mark similar objects, in particular, building facades.
  • the known method is limited by the type of recognizable objects, and also does not have sufficient determination accuracy, while using the known method it is impossible to construct a ZO model of the city on the basis of separately identified city objects.
  • the technical problem that can be solved using the claimed solution is the creation of a new way to build a model of the city with increased accuracy of object recognition.
  • the technical result is to increase the accuracy of building a three-dimensional model of the city, by ensuring the construction of a model of the city on the basis of separately
  • the claimed result is achieved due to the implementation of the method of automatic construction of three-dimensional city models, containing stages in which:
  • the laser scan data is data obtained during ground surveying, aerial surveying, or a combination thereof.
  • the primary data further comprises semantic data and / or panoramic photographs.
  • primary geo-referenced photographic data is obtained using ground and / or air and / or space photography.
  • the semantic data contains metadata of urban objects.
  • the nearest neighboring points are determined for each cloud point.
  • planes are constructed by estimating model parameters based on random samples of RANSAC (Random sample consensus).
  • the level of their location is determined.
  • clusters are first formed that characterize groups of connected points lying in a predetermined limit above the level of points that characterize the horizontal surface of the earth on which urban objects are located.
  • connected points lying below and above the mentioned limit are added to the formed clusters.
  • a comparison is made of the presence of clusters that are inherent to only one point cloud.
  • identified clusters that are inherent to only one point cloud are removed from a single point cloud at the stage of cleaning.
  • the claimed solution is also implemented due to the system of automatic construction of three-dimensional city models, containing at least one processor and at least one memory containing machine-readable instructions that, when executed by at least one processor, perform the above-described method for automatically building three-dimensional city models.
  • FIG. 1 illustrates the main steps performed in the implementation of the claimed method.
  • FIG. 2 illustrates the steps for performing a point cloud cleaning process.
  • FIG. 3 illustrates the steps for sequentially recognizing urban objects.
  • FIG. 4 illustrates a point cloud obtained by laser scanning.
  • FIG. 5 illustrates an example of constructing normals to cloud points.
  • FIG. 6 illustrates the definition of point clusters.
  • FIG. 7 - FIG. 8 illustrates an example of determining points characterizing a surface of an arrangement of urban objects.
  • FIG. 9 illustrates an example of the claimed system.
  • the claimed system of automatic construction of city models is a software and hardware platform that allows, based on data obtained from various sources, for example, ground and / or airborne laser scanning, photopanning, Earth remote sensing data ( Remote Sensing), fully automatically build three-dimensional models of cities in a fairly short time.
  • the resulting models can be exported to various GIS and CAD systems for their further display and modification.
  • a three-dimensional model of a city means a combination of urban objects (buildings, structures, fences, poles, etc.), terrain, and other entities mathematically described in conventional ST formats (3DS, OBJ, etc.). Such descriptions for each object can contain geometry (sets of vertices, relations, normals, etc.) and materials (textures).
  • primary (initial) data are obtained for subsequent processing.
  • Point clouds in generally accepted formats, las
  • geo-referenced photo images and semantic information are used as initial data for constructing CIMP models.
  • photo materials ground-based data can be used. photographing, shooting from unmanned and manned aerial vehicles, satellites. Semantic data may include the contours of houses, number of storeys, the available coordinates of objects, etc.
  • step (102) data from various sources is combined (laser scanning, photo image, etc.).
  • this procedure is aimed at the formation of a single cloud of points from isolated clouds obtained during laser scanning.
  • the survey equipment uses professional GPS / GLONASS receivers that work together with a network of base stations, as well as inertial units.
  • the positioning error can still be more than 1 meter. This leads to the appearance in the clouds of points of a significant echo from different driveways - the same object is represented by several similar sets of reflections.
  • information methods are used for characteristic areas of space obtained from clouds of points or photographs. The most important task of compiling data from various sources is the calculation of such areas.
  • Such areas may be, for example, compact recognized objects, such as poles. Since the positioning error is rarely more than 3 meters, and the distance between real poles is almost always greater than this threshold, identification can be carried out. Since at each moment of time it is known with what azimuth and at what distance from the car the reflection from the column was obtained, using several reference points, you can adjust the track of the machine so that the selected reference objects, and therefore the whole scene, have the smallest shifts from different driveways. Another potential information opportunity is provided by photographs. In automatic mode, photos from different driveways search for characteristic images. Further, since the photo is geo-referenced, it is possible to adjust the track for some such images with similar algorithms.
  • GeoTIFF GeoTIFF
  • the spatial data (geodata) for recognition are represented by vector layers in Shapefile format containing coordinates (WGS84 coordinate system Web Mercator projection): the boundaries of buildings, roads, and other objects.
  • Various semantic related information can also be used - metadata, which can be storeys, floor plans of buildings, etc.
  • the points of a single point cloud (Fig. 4, pos. (200)) are determined, which characterize the surface of the location of urban objects or the so-called "land”.
  • Points characterizing the "earth” describe a horizontal surface in a cloud of laser scanning points on which urban objects stand, in particular they can be: roadbed, sidewalks, lawns, etc.
  • the ground level (Fig. 7 - Fig. 8) can vary, its value is calculated as the minimum height of measurements in this coordinate averaged and processed by a middle filter, to get rid of small holes and irregularities. To do this, the entire horizontal plane (which is specified by the XY coordinates) of the point cloud is divided into a fine grid - of the order of 10x10 cm. For each such cell, an attempt is made to determine the ground level.
  • the level of each cell is aligned with a median filter relative to the level of neighboring cells in a square of 70x70 (i.e. three in each direction).
  • the ground level of this cell is the median among the levels of neighboring cells.
  • cluster formation is performed.
  • the initial clusters are formed at a given height, for example, 0.5-1.5 meters or another specified limit (0.3-1.3, 0.4-1.4, etc.), which characterizes the groups of connected points of a single point cloud. Points above and below are added to the originally constructed clusters later. This restriction allows you to get rid of the connectedness on the grass and other low objects, as well as on wires or tree branches. It is believed that two points belong to the same cluster if the distance between them is less than 20 cm. After determining the initial clusters, they are added according to the same principle points above 1.5 and below 0.5 meters above the ground. At the same time, points that do not belong to any of the already constructed clusters form new clusters. In FIG.
  • step (105) shows an example of building clusters (202) for objects from a single point cloud (200) shown in FIG. 4.
  • step (105) the resulting single point cloud is cleaned.
  • the determination of non-stationary (moving) objects step 1051
  • the corresponding points characterizing these objects are deleted.
  • clusters are selected that are visible only on one of them. Such clusters are recognized as moving and are removed from the clouds.
  • step 1052 simply individual points or sets of several points that are not connected in any way with points characterizing the surface of the location of urban objects or other clusters are deleted (step 1052).
  • Other cleaning methods are also used, for example, according to geometric characteristics.
  • step (1053) long sequences of single points above the carriageway belonging to the wires are deleted. These are connected sets of points with a thickness of 1-2 points and a length of units or tens of meters.
  • step (106) based on the data obtained during the cleaning of a single point cloud, sequential recognition of city objects is performed.
  • the input data for this is the previously cleared single cloud of laser scanning points and other prepared data, for example, panoramas, semantic data, air and space photographing tiles.
  • the output is geo-referenced models of individual objects with geometry and textures, road contours, and other individual entities.
  • a series of sub-steps are performed.
  • normals to the points of the resulting single point cloud are constructed.
  • the points in the plane (1062) are combined and the terrain (1063) is built based on aerial photography.
  • the laser points are grouped by location and time of the survey.
  • the nearest neighboring points are taken and planes are built using the RANSAC method. The normal vector of the plane that passes through the largest number of neighboring points is considered the normal to this point.
  • the points of the cloud (200) are split along a planar grid.
  • the neighboring points belonging to the plane described by this pair are searched.
  • the point of a point cloud with the maximum number of neighboring points on the plane is taken as the basis for the plane, and all the mentioned neighboring points are removed from further processing, after which the process is repeated.
  • neighbors in the plane are meant cloud points that lie in a plane containing the current point 130 and perpendicular to its normal. After all the planes are found, an attempt is made to combine these planes with planes from neighboring cells.
  • Planes are combined only if the distance L between them is not greater than a given value, for example, 20-30 centimeters. This principle allows you to divide among themselves houses, standing on the same line.
  • the terrain is constructed using photogrammetric algorithms based on images obtained during aerial photography.
  • reliefs of individual objects can be constructed, for example, part of a building (roof, facade, etc.).
  • urban objects are determined (sub-step 1064). Objects of different types are searched sequentially in the processed source data, while those sets of points in the clouds or portions of images that have been correlated with any object are marked and do not participate in further processing.
  • scripts for detecting objects in the following sequence are automatically executed: buildings and structures, fences, poles, billboards, signs and traffic lights, bus stops, and other objects. The sequence can be changed manually or automatically for best recognition results. Separate parts of the process can also be removed or isolated, for example, you can configure the script to skip a specific type of object (poles, billboards, fences, etc.).
  • Each recognition script has default settings, according to which the platform performs automatic recognition. There is also the possibility of creating a settings template for each search algorithm, which can then be used by default.
  • a settings template for each search algorithm which can then be used by default.
  • To recognize a building based on cartographic and semantic data the contour of the building and, possibly, its approximate height are determined.
  • An array belonging to the desired object is extracted from the cleaned single cloud of points, and the necessary textures are selected from aerial photography.
  • an intelligent alignment system is used that allows you to “attract” the necessary data sections even when shifting several meters.
  • the highlighted information is checked for a number of key features that identify the object as a building.
  • Such signs are: the presence of extended vertical flat surfaces along the boundaries of the object, the presence of window cavities in the clouds of points, the height of the object above the surrounding relief, the presence of a characteristic roof when shooting from the air and some others.
  • the fence is defined as an extended plane adjacent to the ground, with a height of no more than a given limit.
  • a number of additional features can be used as data preventing the erroneous detection of third-party objects as fences: the absence in the space region of the contours of houses, as well as other adjacent objects, the absence of an additional relief on the plane, a uniform average texture color, etc.
  • the algorithm for determining the pillars consists of three stages. 1. The selection of cylindrical vertically oriented objects
  • the points are divided by a grid of square meters. For the points of each square and its neighbors, three neighboring points are randomly selected several times and a cylinder is constructed through these points. If in the grid element the centers of such cylinders lie in the same plane coordinate, this place is marked as a vertically oriented cylinder. For each such place, signs are constructed for the learning algorithm, namely:
  • the adaptive boosting algorithm (ADABOOST) is provided with features of objects and classification.
  • the algorithm builds a recognition cascade. In our case, two separate cascades are built - the first rough, sifting out 95% of the objects. The second is more accurate, it eliminates another 99%.
  • This approach is used for further error correction - if with the help of this algorithm a missing object is found, it is most likely to be in the objects after the first stage. This reduces the number of viewed objects in general, without compromising the accuracy of object detection.
  • Traffic sign recognition occurs in the optical range.
  • auxiliary source data a specially prepared database with a lot of real images of signs on the ground is used.
  • the algorithm consists of constructing the characteristic features of the image and training the adaptive boosting cascade using examples from the existing character base.
  • point clouds to eliminate errors of the second kind, secondary signs are controlled: linear dimensions, distance from the roadway, installation height, etc.
  • Traffic light recognition simultaneously takes place in a point cloud and ground photo panorama.
  • a column of certain parameters with a characteristic traffic light box is detected in the cloud.
  • circles are searched with the specified colors.
  • cartographic data about the roadway and intersections are used.
  • a billboard is defined as a plane located at a certain height with certain linear dimensions.
  • objects-applicants are also checked for the absence of other objects located nearby, especially fences and buildings.
  • Secondary signs are also checked, for example, the presence of a pillar as a support, the presence of an advertising texture with sharp drops in the middle color.
  • a public transport stop is detected by the presence of perpendicular planes of a certain size, visible from above a horizontal plane a characteristic texture, as well as the presence of additional signs: the presence of a “sign” object of a certain type and a broken yellow band in the optical image. Also controlled are the distance from the roadway and a number of other factors.
  • this recognition method has the possibility of learning by analyzing a library of real images, as well as by setting several geometric parameters characterizing the size and position of objects.
  • the training module is built according to an iterative scheme and it is possible to retrain the algorithms, indicating to it the errors of the first and second kinds after checking the recognition results of the next stage.
  • step (1065) for each identified object in step (1064), at least the geographical coordinates in WGS84 (longitude, latitude and height) and linear dimensions are determined. Additionally, the following can be defined: - The area of the object planes (for polygonal objects);
  • step (107) For the objects identified in step (106), the construction of polygonal three-dimensional models in step (107), containing textures in a graphic format, for example, JPGHJIH JPEG obtained from photographs, is performed.
  • the obtained spatial data can be exported to geographic files of vector formats SHAPEFILE, KML or GeoJSON for presentation in various GIS, in three-dimensional models in 3DS or OBJ formats for use in CAD systems and in other ways.
  • step (108) after recognizing and building models of urban objects, individual objects are combined into a single three-dimensional model, which, for the convenience of displaying and working with it, can be divided into separate fragments and recorded in several files.
  • the output formats are standard and allow working with the model in third-party ST-graphics applications.
  • the resulting data contains both the geometry of individual objects and their texture.
  • FIG. 9 illustrates an example system (300) for implementing the inventive method (100).
  • the claimed system (300) includes the following components.
  • RAM Random access memory
  • the storage medium (303) can be a hard disk (HDD), solid-state drive (SSD), flash memory (NA D-flash, EEPROM, Secure Digital, etc.), an optical disk (CD, DVD, Blue Ray ), mini disk or their combination.
  • I / O interfaces (304) are standard ports and devices for pairing devices and transmitting data, selected based on the required configuration of the system (300), in particular: USB (2.0, 3.0, USB-C, micro, mini), Ethernet, PCI, AGP, COM, LPT, PS / 2, SATA, FireWire, Lightning, etc.
  • I / O facilities (305) are also selected from a well-known range of different devices, for example, a keyboard, touchpad, touch display, monitor, projector, mouse, joystick, trackball, light pen, stylus, sound output devices (speakers, headphones, built-in speakers buzzer) etc.
  • Data transmission tools (306) are selected from devices designed to implement the communication process between different devices via wired and / or wireless communication, in particular, such devices can be: GSM modem, Wi-Fi transceiver, Bluetooth or BLE module, GPS module, Glonass module, NFC, Ethernet module, etc.
  • System components (300) are interfaced via a common data bus (307).
  • System (300) in the preferred embodiment is a server platform that provides the necessary calculations when implementing the aforementioned method of building a city model (SO).
  • SO city model
  • private versions of the system (300) can be implemented on the basis of mobile devices, for example, a laptop, smartphone or tablet.
  • the information on the implementation of the claimed invention set forth in these materials of the application should not be construed as information limiting other, private embodiments of the claimed invention that do not go beyond the disclosure of information in the materials presented, and which should be obvious to a person skilled in the art having the usual qualifications for which the claimed technical solution is designed.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Processing Or Creating Images (AREA)

Abstract

Заявленное решение относится к области способов обработки информации, в частности к способу и системе для построения трехмерных моделей городов, на основании информации лазерного сканирования и фотографических изображений. Техническим результатом является повышение точности построения трехмерной модели города, за счет обеспечения построения модели города на основании отдельно распознанных городских объектов, полученных из предварительно очищенных данных лазерного сканирования. Заявленный результат достигается за счет реализации способа автоматического построения трехмерных моделей городов, основывающегося на обработке данных из различных источников, в частности данных лазерного сканирования и фотографических данных, формировании единого облака точек, очистки данного облака точек, последовательного выявления городских объектов, построение трёхмерных моделей выявленных объектов и их последующее объединение для построения единой трехмерной модели города.

Description

СПОСОБ И СИСТЕМА АВТОМАТИЧЕСКОГО ПОСТРОЕНИЯ ТРЕХМЕРНЫХ
МОДЕЛЕЙ ГОРОДОВ
ОБЛАСТЬ ТЕХНИКИ
Заявленное решение относится к области способов обработки информации, в частности к способу и системе для построения трехмерных моделей городов, на основании информации лазерного сканирования и фотографических изображений.
УРОВЕНЬ ТЕХНИКИ
На сегодняшний день известны различные решения, направленные на распознавание различных объектов по фотографической информации, а также данным, полученным в ходе лазерного сканирования.
Известна технология распознавания и построения трехмерных моделей фасадов зданий на основе информации, получаемой из облаков точек лазерного сканирования с последующей обработкой промежуточной модели и наложению на трехмерный каркас фотографического изображения (3D All The Way: Semantic Segmentation of Urban Scenes From Start to End in 3D // Andelo Martinovic et al.). Данный способ используется также для семантического разделения трехмерных городских моделей, для определения схожих объектов, на основе обучаемого алгоритма, позволяющего распознавать и отмечать схожие объекты, в частности, фасады зданий.
Известный способ ограничен типом распознаваемых объектов, а также не обладает достаточной точностью определения, при этом с помощью известного способа невозможно построить ЗОмодель города на основании отдельно выявленных городских объектов.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
Технической проблемой, решаемой с помощью заявленного решения, является создание нового способа построения модели города, обладающего повышенной точностью распознавания объектов.
Техническим результатом является повышение точности построения трехмерной модели города, за счет обеспечения построения модели города на основании отдельно
распознанных городских объектов, полученных из предварительно очищенных данных лазерного сканирования. Заявленный результат достигается за счет реализации способа автоматического построения трехмерных моделей городов, содержащего этапы, на которых:
- получают набор первичных данных, содержащие городские объекты, причем данные представляют собой по меньшей мере данные облака точек, полученные в ходе лазерного сканирования, и геопривязанных фотографических данных;
- выполняют сведение обособленных облаков точек лазерного сканирования из набора первичных данных в единое облако точек;
- определяют точки в упомянутом едином облаке точек, которые характеризуют горизонтальную поверхность земли, на которой расположены городские объекты; - определяют кластеры, характеризующие обособленные группы точек, связанные между собой;
- осуществляют очистку упомянутого единого облака точек, в ходе которой удаляют точки облака лазерного сканирования, характеризующие нестационарные объекты, объекты, охарактеризованные одной или несколькими точками, которые не связаны с точками единого облака, характеризующим горизонтальную поверхность земли, на которой расположены городские объекты, или кластерами, и протяженные группы точек малой плотности;
- осуществляется построение нормалей к каждой из точек очищенного единого облака точек;
- осуществляется построение плоскостей для совокупностей точек облака точек;
- осуществляется построение рельефа местности по построенным упомянутым нормалям и упомянутым плоскостям;
- выполняют последовательное распознавание статичных городских объектов на основании данных, полученных из очищенного единого облака данных лазерного сканирования и фотографических данных;
- для каждого обнаруженного городского объекта определяют, по меньшей мере, географические координаты и линейные размеры;
- осуществляют построение трехмерной модели каждого из обнаруженных упомянутых городских объектов;
- выполняют объединение упомянутых трехмерных моделей в единую трехмерную модель города.
В частном варианте реализации способа данные лазерного сканирования являются данными, полученными в ходе наземной съемки, воздушной съемки или их сочетания. В другом частном варианте реализации способа первичные данные дополнительно содержат семантические данные и/или панорамные фотоизображения.
В другом частном варианте реализации способа первичные геопривязанные фотографические данные получают с помощью наземной и/или воздушной и/или космической фотосъемки.
В другом частном варианте реализации способа семантические данные содержат метаданные городских объектов.
В другом частном варианте реализации способа на этапе построения нормалей точек облака, для каждой точки облака определяются ближайшие соседствующие точки. В другом частном варианте реализации способа для каждой точки, для которой определены соседствующие точки, строятся плоскости методом оценки параметров модели на основе случайных выборок RANSAC (Random sample consensus).
В другом частном варианте реализации способа для точек, характеризующих горизонтальную поверхность земли, на которой расположены городские объекты, определяют уровень их расположения.
В другом частном варианте реализации способа на этапе определения кластеров вначале формируют кластеры, характеризующие группы связанных точек, лежащих в заданном пределе выше уровня точек, характеризующих горизонтальную поверхность земли, на которой расположены городские объекты. В другом частном варианте реализации способа к сформированным кластерам добавляются связные точки, лежащие ниже и выше упомянутого предела.
В другом частном варианте реализации способа при объединении облаков точек выполняется сравнение наличия кластеров, которые присущи только одному облаку точек. В другом частном варианте реализации способа выявленные кластеры, которые присущи только одному облаку точек, удаляться из единого облака точек на этапе очистки.
Заявленное решение реализуется также за счет системы автоматического построения трехмерных моделей городов, содержащей по меньшей мере один процессор и по меньшей мере одну память, содержащую машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором выполняют вышеописанный способ автоматического построения трехмерных моделей городов. КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Фиг. 1 иллюстрирует основные этапы, выполняемые при реализации заявленного способа. Фиг. 2 иллюстрирует этапы выполнения процесса очистки облака точек. Фиг. 3 иллюстрирует этапы последовательного распознавания городских объектов. Фиг. 4 иллюстрирует облако точек, полученное в ходе лазерного сканирования. Фиг. 5 иллюстрирует пример построения нормалей к точкам облака. Фиг. 6 иллюстрирует определение кластеров точек.
Фиг. 7 - Фиг. 8 иллюстрируют пример определения точек, характеризующих поверхность расположения городских объектов. Фиг. 9 иллюстрирует пример заявленной системы.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
Заявленная система автоматического построение моделей городов(СиПМГ), а также реализующий ее способ, представляют собой программно-аппаратную платформу, позволяющую на основании данных, полученных из различных источников, например, наземного и/или воздушного лазерного сканирования, фотопанорамирования, данных дистанционного зондирования Земли (ДЗЗ), полностью в автоматическом режиме строить трехмерные модели городов за достаточно короткое время. Полученные модели могу быть экспортированы в различные ГИС и CAD-системы для дальнейшего их отображения и изменения. Под трехмерной моделью города понимается совокупность городских объектов (зданий, сооружений, ограждений, столбов и т.д), рельефа, других сущностей, математически описанных в общепринятых ЗБ-форматах (3DS, OBJ и т.п.). Такое описания для каждого объекта может содержать геометрию (наборы вершин, связей, нормалей и пр.) и материалы (текстуры).
Согласно Фиг. 1 при реализации заявленного способа (100) построения модели городов на этапе (101) получаются первичные (исходные) данные для последующей обработки. В качестве исходных данных для построения моделей СиПМГ используются облака точек (в общепринятых форматах, las), геопривязанные фотоизображения, семантическая информация. В качестве фотоматериалов могут применяться данные наземной фотосъемки, съемки с беспилотных и пилотируемых воздушных летательных аппаратов, спутников. Семантические данные могут включать в себя контуры домов, этажность, имеющиеся координаты объектов и пр.
На этапе (102) выполняется совмещение данных из различных источников (лазерное сканирование, фотоизображение и т.п.). В частности, данная процедура направлена на формирование единого облака точек из обособленных облаков, полученных в ходе лазерного сканирования.
При проведении съемки и лазерного сканирования, как наземного, так и воздушного, на съемочной аппаратуре используются профессиональные GPS/GLONASS приемники, работающие вместе с сетью базовых станций, а также инерциальные блоки. Однако в условиях города ошибка позиционирования все равно может составлять более 1 метра. Это приводит к появлению в облаках точек значимого эха от разных проездов - один и тот же объект представляется несколькими схожими множествами отражений. Для уточнения трека используется методы сведения по характерным областям пространства, полученным из облаков точек или фотографий. Самая важная задача сведения данных из различных источников - вычисление таких областей.
Такими областями могут быть, например, компактные распознанные объекты, такие как столбы. Поскольку ошибка позиционирования редко составляет более 3-х метров, а расстояние между реальными столбами почти всегда больше этого порога, идентификацию удается провести. Так как в каждый момент времени известно с каким азимутом и на каком расстоянии от машины было получено отражение от столба, то пользуясь несколькими опорными точками, можно скорректировать трек машины так, чтобы выбранные опорные объекты, а следовательно, и вся сцена имели наименьшие сдвиги от разных проездов. Другую потенциальную возможность для сведения предоставляют фотографии. В автоматическом режиме на фото с разных проездов ведется поиск характерных изображений. Далее поскольку фотография является геопривязанной, удается скорректировать трек по некоторым таким изображениям аналогичными алгоритмами.
В дополнении к первоначальным данным, для анализа территорий с воздуха, могут использоваться совмещенные геопривязанные мозаики аэро- или космо-снимков в форматах jpg/tiff с указанием координат отдельных тайлов, так же возможно использование снимков в формате GeoTIFF. Пространственные данные (геоданные) для распознавания представлены векторными слоями в формате Shapefile, содержащими координаты (система координат WGS84 проекция Web Mercator): границ зданий, дорог, и пр. объектов. Также может быть использована различная семантическая связанная информация - метаданные, которыми может выступать этажность, поэтажные планы зданий и т.п. На этапе (103) выполняется определение точек единого облака точек (Фиг. 4, поз. (200)), характеризующих поверхность расположения городских объектов или, так называемую,"землю". Для повышения точности определения городских объектов перед запуском алгоритмов их распознавания необходимо предварительно разделить все точки единого облака точек на "землю" и кластеры - группы точек, связанных между собой, но не связанных с точками других кластеров иначе как посредством "земли".
Точки, характеризующие "землю", описывают горизонтальную поверхность в облаке точек лазерного сканирования, на которой стоят городские объекты, в частности ими могут быть: дорожное полотно, тротуары, газоны, и пр. Уровень земли (Фиг. 7 - Фиг. 8) может различаться, его значение рассчитывается как минимальная высота измерений в данной координате усредненная и обработанная срединным фильтром, для избавления от мелких ям и неровностей. Для этого вся горизонтальная плоскость (которая задается координатами XY) облака точек разбивается на мелкую сетку - порядка 10x10 см. Для каждой такой ячейки делается попытка определить уровень "земли". Среди точек, которые попадают в объемную ячейку 10x10 и используются для определения минимума, примерно 2% самых нижних точек отбрасывается, чтобы исключить влияние паразитных помех, например, точек, которые отразились в луже и таким образом получили высоту -2 метра относительно истинного уровня поверхности расположения городских объектов ("земли"). Минимальная высота оставшихся точек принимается за уровень "земли" в данной ячейке. Далее уровень каждой ячейки выравнивается медианным фильтром относительно уровня соседних ячеек в квадрате 70x70 (т.е. по три в каждую сторону). Уровнем земли данной ячейки принимается медиана среди уровней соседствующих ячеек.
На этапе (104) выполняется формирование кластеров. Изначальные кластеры формируются на заданной высоте, например, 0.5-1.5 метра или другой заданный предел (0.3-1.3, 0.4-1.4 и т.п.), который характеризует группы связанных точек единого облака точек. Точки выше и ниже добавляются к первоначально построенным кластерам позднее. Такое ограничение позволяет избавиться от связанности по траве и прочим низким объектам, а также по проводам или ветвям деревьев. Считается, что две точки принадлежат одному и тому же кластеру, если расстояние между ними меньше 20 см.После определения изначальных кластеров, к ним по тому же принципу прибавляются точки лежащие выше 1.5 и ниже 0.5 метра над землей. При этом точки, не принадлежащие ни одному из уже построенных кластеров, образуют новые кластеры. На Фиг. 6 показан пример построения кластеров (202) для объектов из единого облака точек (200), представленного на Фиг. 4. Далее на этапе (105) выполняется очистка полученного единого облака точек. Согласно Фиг. 2 вначале осуществляется определение нестационарных (движущихся) объектов (этап 1051), например, автомобилей, пешеходов, животных и т.п. Для ускорения процессов обработки облаков точек и снижения вероятности ошибок происходит удаление соответствующих точек, характеризующих данные объекты. Для этого после сведения путем сравнения облаков от разных проездов выбираются кластеры, которые видны только на одном из них. Такие кластеры признаются перемещаемыми и из облаков удаляются.
Удаляются также просто отдельные точки или множества из нескольких точек, никак не связанные с точками, характеризующими поверхность расположения городских объектов, или другими кластерами (этап 1052). Применяются и другие методы чистки, например, по геометрическим признакам. Так на этапе (1053) удаляются длительные последовательности единичных точек над проезжей частью, принадлежащие проводам. Это связные множества точек толщиной в 1-2 точки и протяженностью в единицы или десятки метров. После этого на этапе (106) на основании данных полученных в ходе чистки единого облака точек выполняется последовательное распознавание городских объектов. Входящими данными для этого является полученное ранее очищенное единое облако точек лазерного сканирования и иные подготовленные данные, например, панорамы, семантические данные, тайлы воздушного и космического фотографирования. На выходе получаются геопривязанные модели отдельных объектов с геометрией и текстурами, контуры дорог и другие отдельные сущности.
Согласно Фиг. 3 для выполнения распознавания городских объектов на этапе (106) выполняется ряд подэтапов. На первом подэтапе (1061) выполняется построение нормалей к точкам полученного единого облака точек. Согласно Фиг. 5 к каждой из точек облака (200) выполняется построение нормалей (201), объединение точек в плоскости (1062) и построение рельефа (1063) на базе воздушной съемки. Для определения нормалей (201) и плоскостей (этап 1062) точки лазера группируются по расположению и времени съемки. Далее, для каждой точки облака (200) берутся ближайшие соседствующие точки и строятся плоскости методом RANSAC. Вектор нормали плоскости, которая проходит через наибольшее количество соседствующих точек, считается нормалью к данной точке.
Для построения плоскостей (этап 1062), точки облака (200) разбиваются по планарной сетке. В каждой ячейке этой сетки, для каждой точки и соответствующей ей нормали ищутся соседствующие точки, принадлежащие плоскости, описываемой этой парой. Точка облака точек с максимальным количеством соседствующих точек по плоскости, принимается основой для плоскости, причем все упомянутые соседствующие точки изымаются из дальнейшей обработки, после чего процесс повторяется. Под «соседями по плоскости» понимаются точки облака, которые лежат в плоскости, содержащей текущую точку 130 и перпендикулярной ее нормали. После того как все плоскости найдены, идет попытка объединить эти плоскости с плоскостями из соседних ячеек. Плоскости объединяются только если расстояние L между ними не больше заданной величины, например, 20-30 сантиметров. Данный принцип позволяет разделить между собой дома, стоящие на одной линии. На подэтапе (1063) осуществляется построение рельефа местности с помощью фотограмметричеких алгоритмов на базе снимков, полученных в ходе аэросъемки. Дополнительно на упомянутом подэтапе (1063) может выполняться построение рельефов отдельных объектов, например, части здания (крыша, фасад и т.п.).
Далее определяются городские объекты (подэтап 1064). Объекты разных типов ищутся в обработанных исходных данных последовательно, при этом те множества точек в облаках или участки изображений, которые были соотнесены с каким-либо объектом, помечаются и в дальнейшей обработке не участвуют. При реализации способа автоматически выполняются скрипты обнаружения объектов в такой последовательности: здания и сооружения, ограждения, столбы, билборды, знаки и светофоры, автобусные остановки, иные объекты. Последовательность может меняться вручную или автоматически для достижения наилучших результатов распознавания. Также могут удаляться или обособляться отдельные части процесса, например, можно настроить скрипт на пропуск конкретного типа объектов (столбы, билборды, ограды и т.п.).
Каждый скрипт распознавания имеет настройки по умолчанию, в соответствии с которыми платформа осуществляет автоматическое распознавание. Существует так же возможность создания шаблона настроек для каждого алгоритма поиска, которые могут потом использоваться по умолчанию . Для распознавания здания на основании картографических и семантических данных определяется контур здания и, возможно, его ориентировочная высота. Из очищенного единого облака точек выделяется массив, принадлежащий искомому объекту, а из воздушной съемки - необходимые текстуры. Для устранения расхождений в позиционировании объекта на картах, в облаке точек, и панорамах применяется интеллектуальная система совмещения, которая позволяет «притягивать» необходимые участки данных даже при сдвиге в несколько метров.
Выделенная информация проверяется на ряд ключевых признаков, идентифицирующих объект как здание. Такими признаками выступают: наличие протяженных вертикальных плоских поверхностей по границам объекта, наличие оконных впадин в облаках точек, высота объекта над окружающим рельефом, наличие характерной крыши на съемке с воздуха и некоторых других.
Ограждение определяется как протяженная плоскость, примыкающая к земле, высотой не более заданного ограничения. В качестве данных, препятствующих ошибочному детектированию сторонних объектов как ограждений, может использоваться ряд дополнительных признаков: отсутствие в области пространства контуров домов, а также других примыкающих объектов, отсутствие дополнительного рельефа на плоскости, равномерный средний цвет текстуры и т.п.
В общем случае алгоритм определения столбов состоит из трех этапов. 1. Выделение цилиндрических вертикально ориентированных объектов
2. Обучение алгоритма адаптивного бустинга
3. Классификация найденных объектов с помощью построенного алгоритма
На первом этапе, точки разбиваются по сетке квадратных метров. Для точек каждого квадрата и его соседей несколько раз случайным образом выбираются три соседние точки и через эти точки строится цилиндр. В случае если в элементе сетки центры таких цилиндров лежат в одной и той же плоскостной координате, это место помечается как вертикально ориентированный цилиндр. Для каждого такого места строятся признаки для алгоритма обучения, а именно:
A) радиус и кривизна поверхности; Б) распределение точек по удалению от центра цилиндра;
B) распределение точек в плоскости XY; Г) распределение точек по вертикали;
Д) расстояния до трека автомобиля;
Е) средний цвет точек, зафиксированный на трех ближайших панорамах;
Ж) средний коэффициент отражения. На втором этапе, алгоритму адаптивного бустинга (ADABOOST) предоставляются признаки объектов и классификация. Алгоритм строит каскад распознавания. В нашем случае строятся два отдельных каскада - первый грубый, отсеивающий 95% объектов. Второй более точный, он отсеивает еще порядка 99%. Такой подход применяется для дальнейшей коррекции ошибок - если с помощью данного алгоритма находится пропущенный объект, он с большой вероятностью есть в объектах после первого каскада. Это уменьшает количество просматриваемых объектов в целом, не снижая точности обнаружения объектов.
Распознавание дорожных знаков происходит в оптическом диапазоне. В качестве вспомогательных исходных данных используется специально подготовленная база с множеством реальных изображений знаков на местности. Алгоритм состоит из построения характерных черт изображения и обучения каскада адаптивного бустинга на примерах из существующей базы знаков. В облаках точек для исключения ошибок второго рода контролируются вторичные признаки: линейные размеры, удаленность от проезжей части, высота установки и т.п. Распознавание светофора одновременно проходит в облаке точек и наземной фотопанораме. В облаке детектируется столб определенных параметров с характерной «коробкой» светофора. В оптической фотографии происходит поиск окружностей с заданными цветами. Для отсечения ошибочных объектов используются картографические данные о проезжей части и перекрестках. Билборд определяется как плоскость, расположенная на определенной высоте с определенными линейными размерами. Для исключения ошибок второго рода объекты- претенденты также проверяются на отсутствие рядом расположенных других объектов, прежде всего ограждений и зданий. Также проверяются второстепенные признаки, например, наличие столба в качестве опоры, наличие рекламной текстуры с резкими перепадами среднего цвета.
Остановка общественного транспорта детектируется по наличию перпендикулярных плоскостей определенного размера, видимой сверху горизонтальной плоскости характерной текстуры, а также наличию дополнительных признаков: присутствия объекта «знак» определенного типа и ломанной желтой полосы в оптическом изображении. Также контролируются удаленность от проезжей части и ряд других факторов.
С помощью выполнения распознавания статичных городских объектов на этапе (106) реализуется возможность распознавания иных объектов, не заложенных изначально в процесс распознавания. Для этого данный способ распознавания имеет возможность обучения с помощью анализа библиотеки реальных изображений, а также с помощью задания нескольких геометрических параметров, характеризующих размеры и положение объектов. Модуль обучения построен по итерационной схеме и позволяется дообучать алгоритмы, указывая ей на ошибки первого и второго родов после проверки результатов распознавания очередного этапа.
На подэтапе ( 1065) для каждого выявленного объекта на этапе (1064) определяются, по меньшей мере, географические координаты в WGS84 (долгота, широта и высота) и линейные размеры. Дополнительно могут быть определены: - Площадь плоскостей объекта (для полигональных объектов);
- Тип объекта (с подтипами для некоторых классов объектов, например, дорожные знаки).
Для выявленных на этапе (106) объектов выполняется построение полигональных трехмерных моделей на этапе (107), содержащих текстуры в графическом формате, например, JPGHJIH JPEG, полученные с фотоснимков. Полученные пространственные данные могут быть экспортированы в географические файлы векторных форматов SHAPEFILE, KML или GeoJSON для представления в различных ГИС, в трехмерные модели в форматах 3DS или OBJ для использования в CAD-системах и другим образом.
Далее на этапе (108) после распознавания и построения моделей городских объектов отдельные объекты объединяются в единую трехмерную модель, которая для удобства отображения и работы с ней может быть разбита на отдельные фрагменты и записана в нескольких файлах. Форматы выходных данных стандартны и позволяют работать с моделью в приложениях ЗБ-графики сторонних разработчиков. Результирующие данные содержат как геометрию отдельных объектов, так и их текстуры. Перед компиляцией модели есть возможность задать набор входящих туда объектов. Так, например, может быть построена модель только из зданий и сооружений с рельефом местности или только из дорог с дорожными знаками. Это позволяет облегчить работу с данными при решение конкретных практических задач.
На Фиг. 9 представлен пример системы (300), предназначенной для реализации заявленного способа (100). Заявленная система (300) включает в себя следующие компоненты.
Оперативную память (ОЗУ) (302), предназначенную для оперативного хранения команд, исполняемых одним или более процессорами (301).
Средство хранения данных (303) может представлять собой жесткий диск (HDD), твердотельный накопитель (SSD), флэш-память (NA D-flash, EEPROM, Secure Digital и т.п.), оптический диск (CD, DVD, Blue Ray), мини диск или их совокупности.
Интерфейсы ввода/вывода (В/В) (304) представляют собой стандартные порты и средства сопряжения устройств и передачи данных, выбираемые исходя из необходимой конфигурации исполнения системы (300), в частности: USB (2.0, 3.0, USB-C, micro, mini), Ethernet, PCI, AGP, COM, LPT, PS/2, SATA, FireWire, Lightning и т.п. Средства В/В (305) также выбираются из известного спектра различных устройств, например, клавиатура, тачпад, сенсорный дисплей, монитор, проектор, манипулятор мышь, джойстик, трекбол, световое перо, стилус, устройства вывода звука (колонки, наушники, встроенные динамики, зуммер) и т.п.
Средства передачи данных (306) выбираются из устройств, предназначенных для реализации процесса коммуникации между различными устройствами посредством проводной и/или беспроводной связи, в частности, таким устройствами могут быть: GSM модем, Wi-Fi приемопередатчик, Bluetooth или BLE модуль, GPS модуль, Глонасс модуль, NFC, Ethernet модуль и т.п.
Компоненты системы (300) сопряжены посредством общей шины передачи данных (307). Система (300) в предпочтительном варианте представляет собой серверную платформу, обеспечивающую необходимые вычисления при реализации вышеупомянутого способа построения модели города(ЮО). При частных вариантах исполнения система (300) может быть реализована на базе мобильных устройств, например, ноутбук, смартфон или планшет. Изложенные в настоящих материалах заявки сведения об осуществлении заявленного изобретения не должны трактоваться как сведения, ограничивающие иные, частные варианты осуществления заявленного изобретения, не выходящие за пределы раскрытия информации в представленных материалах, и которые должны являться очевидными для специалиста в данной области техники, имеющим обычную квалификацию, на которых рассчитано заявленное техническое решение.

Claims

ФОРМУЛА ИЗОБРЕТЕНИЯ
1. Способ автоматического построения трехмерных моделей городов, содержащий этапы, на которых:
- получают набор первичных данных, содержащие городские объекты, причем данные представляют собой по меньшей мере данные облака точек, полученные в ходе лазерного сканирования, и геопривязанных фотографических данных;
- выполняют сведение обособленных облаков точек лазерного сканирования из набора первичных данных в единое облако точек;
- определяют точки в упомянутом едином облаке точек, которые характеризуют горизонтальную поверхность земли, на которой расположены городские объекты;
- определяют кластеры, характеризующие обособленные группы точек, связанные между собой;
- осуществляют очистку упомянутого единого облака точек, в ходе которой удаляют точки облака лазерного сканирования, характеризующие нестационарные объекты, объекты, охарактеризованные одной или несколькими точками, которые не связаны с точками единого облака точек, характеризующих горизонтальную поверхность земли, на которой расположены городские объекты, или кластерами, и протяженные группы точек малой плотности;
- осуществляется построение нормалей к каждой из точек очищенного единого облака точек;
- осуществляется построение плоскостей для совокупностей точек облака точек;
- осуществляется построение рельефа местности по построенным упомянутым нормалям и упомянутым плоскостям;
- выполняют последовательное распознавание статичных городских объектов на основании данных, полученных из очищенного единого облака данных лазерного сканирования и фотографических данных;
- для каждого обнаруженного городского объекта определяют, по меньшей мере, географические координаты и линейные размеры;
- осуществляют построение трехмерной модели каждого из обнаруженных упомянутых городских объектов;
- выполняют объединение упомянутых трехмерных моделей в единую трехмерную модель города.
2. Способ по п.1, характеризующийся тем, что данные лазерного сканирования являются данными, полученными в ходе наземной съемки, воздушной съемки или их сочетания.
3. Способ по п.1, характеризующийся тем, что первичные данные дополнительно содержат семантические данные и/или панорамные фотоизображения.
4. Способ по п.1, характеризующийся тем, что первичные геопривязанные фотографические данные получают с помощью наземной и/или воздушной и/или космической фотосъемки.
5. Способ по п.З, характеризующийся тем, что семантические данные содержат метаданные городских объектов.
6. Способ по п.1, характеризующийся тем, что на этапе построения нормалей точек облака, для каждой точки облака определяются ближайшие соседствующие точки.
7. Способ по п.6, характеризующийся тем, что для каждой точки, для которой определены соседствующие точки, строятся плоскости методом оценки параметров модели на основе случайных выборок RANSAC (Random sample consensus).
8. Способ по п.1, характеризующийся тем, что для точек, характеризующих горизонтальную поверхность земли, на которой расположены городские объекты, определяют уровень их расположения.
9. Способ по п.8, характеризующийся тем, что на этапе определения кластеров вначале формируют кластеры, характеризующие группы связанных точек, лежащих в заданном пределе выше уровня точек, характеризующих горизонтальную поверхность земли, на которой расположены городские объекты.
10. Способ по п.9, характеризующийся тем, что к сформированным кластерам добавляются связные точки, лежащие ниже и выше упомянутого предела.
11. Способ по п.1, характеризующийся тем, что при объединении облаков точек выполняется сравнение наличия кластеров, которые присущи только одному облаку точек.
12. Способ по п.11, характеризующийся тем, что выявленные кластеры, которые присущи только одному облаку точек, удаляются из единого облака точек на этапе очистки.
13. Система автоматического построения трехмерных моделей городов, содержащая по меньшей мере один процессор и по меньшей мере одну память, содержащую машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором выполняют способ автоматического построения трехмерных моделей городов по любому из п. п. 1-12.
PCT/RU2018/050007 2017-02-14 2018-02-07 Способ и система автоматического построения трехмерных моделей городов WO2018151629A1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2017104719 2017-02-14
RU2017104719A RU2638638C1 (ru) 2017-02-14 2017-02-14 Способ и система автоматического построения трехмерных моделей городов

Publications (1)

Publication Number Publication Date
WO2018151629A1 true WO2018151629A1 (ru) 2018-08-23

Family

ID=60718863

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2018/050007 WO2018151629A1 (ru) 2017-02-14 2018-02-07 Способ и система автоматического построения трехмерных моделей городов

Country Status (2)

Country Link
RU (1) RU2638638C1 (ru)
WO (1) WO2018151629A1 (ru)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047036A (zh) * 2019-04-22 2019-07-23 重庆交通大学 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
CN111723573A (zh) * 2020-06-16 2020-09-29 郑州星空北斗导航服务有限公司 时空基准统一下的多卫星影像数据语义化处理方法
CN116740307A (zh) * 2023-08-15 2023-09-12 青岛星邦光电科技有限责任公司 智慧城市三维模型构建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU24003U1 (ru) * 2002-03-28 2002-07-20 Попов Константин Николаевич Система для формирования цифровой модели рельефа и/или ортофотоплана
US20080111815A1 (en) * 2003-12-08 2008-05-15 Gmj Citymodels Ltd Modeling System
US20130321393A1 (en) * 2012-05-31 2013-12-05 Microsoft Corporation Smoothing and robust normal estimation for 3d point clouds
US20150081252A1 (en) * 2013-09-16 2015-03-19 Here Global B.V. Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU24003U1 (ru) * 2002-03-28 2002-07-20 Попов Константин Николаевич Система для формирования цифровой модели рельефа и/или ортофотоплана
US20080111815A1 (en) * 2003-12-08 2008-05-15 Gmj Citymodels Ltd Modeling System
US20130321393A1 (en) * 2012-05-31 2013-12-05 Microsoft Corporation Smoothing and robust normal estimation for 3d point clouds
US20150081252A1 (en) * 2013-09-16 2015-03-19 Here Global B.V. Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUAN MANCERA-TABOADA ET AL.: "From Point Clouds to 3D City Models: The Case Study of Villalba (Madrid)", GEO PROCESSING 2012: THE FOURTH INTERNATIONAL CONFERENCE ON ADVANCED GEOGRAPHIC INFORMATION SYSTEMS, APPLICATIONS AND SERVICES, 2012, pages 140 - 146, XP055536987, ISBN: 978-1-61208-178-6 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047036A (zh) * 2019-04-22 2019-07-23 重庆交通大学 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
CN110047036B (zh) * 2019-04-22 2023-04-18 重庆交通大学 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
CN111723573A (zh) * 2020-06-16 2020-09-29 郑州星空北斗导航服务有限公司 时空基准统一下的多卫星影像数据语义化处理方法
CN116740307A (zh) * 2023-08-15 2023-09-12 青岛星邦光电科技有限责任公司 智慧城市三维模型构建方法

Also Published As

Publication number Publication date
RU2638638C1 (ru) 2017-12-14

Similar Documents

Publication Publication Date Title
Varney et al. DALES: A large-scale aerial LiDAR data set for semantic segmentation
KR101933216B1 (ko) 드론과 공간정보를 이용한 하천지형정보 생성 방법
JP7111794B2 (ja) 装置の位置特定のための幾何学的指紋法
US20200401617A1 (en) Visual positioning system
CN110796714B (zh) 一种地图构建方法、装置、终端以及计算机可读存储介质
EP2356584B1 (en) Method of generating a geodetic reference database product
CN111542860A (zh) 用于自主车辆的高清地图的标志和车道创建
US11232582B2 (en) Visual localization using a three-dimensional model and image segmentation
Ning et al. Exploring the vertical dimension of street view image based on deep learning: a case study on lowest floor elevation estimation
US20150154607A1 (en) Systems and methods of correlating business information to determine spam, closed businesses, and ranking signals
RU2638638C1 (ru) Способ и система автоматического построения трехмерных моделей городов
CN114065364A (zh) 基于无人机遥感测绘的城市工程规划方法及系统
RU2612571C1 (ru) Способ и система распознавания городских объектов
Kukko et al. Mobile mapping system and computing methods for modelling of road environment
Yang et al. Road intersection identification from crowdsourced big trace data using Mask‐RCNN
Xu et al. Building height calculation for an urban area based on street view images and deep learning
CN114758086A (zh) 一种城市道路信息模型的构建方法及装置
Ogawa et al. Deep Learning Approach for Classifying the Built Year and Structure of Individual Buildings by Automatically Linking Street View Images and GIS Building Data
Pezzica et al. Photogrammetry as a participatory recovery tool after disasters: A grounded framework for future guidelines
Zhu A pipeline of 3D scene reconstruction from point clouds
Farhadmanesh et al. Feasibility Study of Using Close-Range Photogrammetry as an Asset-Inventory Tool at Public Transportation Agencies
Bernardo et al. Techniques of geomatics and soft computing for the monitoring of infrastructures and the management of big data
Wang et al. GPS trajectory-based segmentation and multi-filter-based extraction of expressway curbs and markings from mobile laser scanning data
JP7204087B2 (ja) 対象物認識装置
Kushwaha et al. Enrichment of Uav Photogrammetric Point Cloud To Enhance Dsm in a Dense Urban Region

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18754633

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18754633

Country of ref document: EP

Kind code of ref document: A1