CN103324916B - 基于建筑轮廓的车载和航空LiDAR数据配准方法 - Google Patents
基于建筑轮廓的车载和航空LiDAR数据配准方法 Download PDFInfo
- Publication number
- CN103324916B CN103324916B CN201310227705.2A CN201310227705A CN103324916B CN 103324916 B CN103324916 B CN 103324916B CN 201310227705 A CN201310227705 A CN 201310227705A CN 103324916 B CN103324916 B CN 103324916B
- Authority
- CN
- China
- Prior art keywords
- line segment
- aviation
- vehicle
- building profile
- profile line
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种基于建筑轮廓的车载和航空LiDAR数据配准方法,该方法从车载和航空LiDAR数据中分别提取二维建筑轮廓,并通过轮廓线段高程分割法得到车载和航空三维建筑轮廓线段;然后分别从车载和航空三维建筑轮廓线段中选取两对轮廓线段,计算该两对三维轮廓线段的初始转换矩阵;然后对初始转换矩阵进行迭代运算,若车载三维轮廓线段和三维建筑轮廓线段中匹配线段的数量大于指定阈值或者匹配线段的数量最多,则所述初始转换矩阵定义为可靠转换矩阵,利用所述可靠转换矩阵完成车载LiDAR数据和航空LiDAR数据的配准。本发明能够实现车载和航空LiDAR数据的自动高精度配准,其配准精度可以达到分米级。
Description
技术领域
本发明涉及一种LiDAR点云数据的配准方法,特别是涉及一种基于建筑轮廓的车载和航空LiDAR数据配准方法。
背景技术
航空和车载激光雷达是目前使用较多的两种激光雷达。激光雷达技术能够提供地物表面详尽而准确的不规则LiDAR点,数据质量优于其他一些测量技术,如数字摄影测量、雷达干涉测量等。
车载和航空LiDAR数据具有很强的相似性和互补性。一方面,车载和航空激光雷达都能够快速获取大范围的地物信息。另一方面,车载激光雷达数据中包含大量地物侧面信息,顶部信息较少;而航空激光雷达获取丰富的顶部信息,侧面信息缺失。航空与车载激光雷达各有优缺点,为了能够获取地物各个尺度、各个方向的详尽数据,两种平台数据的融合已经成为一种必然趋势。事实上,这些年来越来越多的学者集成两种数据进行应用研究,相关研究涉及地形制图、地质勘探、森林研究、水文研究、以及虚拟现实等等。
为了集成车载和航空LiDAR数据进行完整建筑模型的构建,需要对LiDAR点云进行配准。目前关于车载和航空LiDAR数据配准的研究还很少,很多研究在集成车载和航空LiDAR数据时采用第三方辅助数据进行配准。2003年,Hu J等人在期刊《IEEE Computer Graphics and Applications》23卷第6期中发表“Approaches to large-scale urban modeling”以及2008年Carlberg等人在Proceedings of the Fourth International Symposium on3D Data Processing,Visualization and Transmission会议中撰文“Fast surface reconstructionand segmentation with ground-based and airborne lidar range data”,均提到了使用车载LiDAR数据的GPS数据进行车载和航空数据的配准的方法。这一方法中的GPS数据在城区密集建筑群中定位的可靠性不高。2003年,Fruh C等人在期刊《IEEE Computer Graphics and Applications》23卷第6期中发表“Constructing3D city models by merging aerial and ground views”,选取航空影像作为参照,使用蒙特卡洛定位方法进行车载LiDAR数据的配准。2005年,Zhao H等人在期刊《Photogrammetric Engineering&Remote Sensing》71卷第4期中发表“Updating a digital geographic database usingvehicle-borne laser scanners and line cameras”,使用航空LiDAR点云生成的数字表面模型(DSM)作为参照,从车载LiDAR点云和DSM中人工选取控制点进行两种数据的配准,从而将车载LiDAR数据集成到已有地理数据库中。考虑到第三方辅助数据的可获取性、数据精度,如何摆脱这些数据,寻求直接从点云出发的配准方法还是十分必要的。
LiDAR点云配准是将不同坐标系中的LiDAR点云转换到统一坐标***,其中常用的基于特征基元的点云配准方法从点云中提取点、线、面特征进行配准,这些特征通常是指建筑角点、轮廓、屋顶面片、线状道路等。由于该方法利用特征基元而非直接对LiDAR点云进行配准,良好的配准基元是该类配准方法配准精度的保证。2004年,Pauly M等人在Eurographics Symposium on Point-BasedGraphics会议中撰文“Uncertainty and variability in point cloud surfacedata”,认为由于车载和航空LiDAR数据本身的差异,寻求车载和航空LiDAR之间的共轭特征进行配准的难度很大:(1)不同视角。车载LiDAR平视或仰视地获取数据,地物侧面信息详尽,顶部信息缺失,而航空LiDAR以很小的视角俯视获取数据,顶部信息较多,侧面信息较少,两者的公共信息较少。(2)不同分辨率。车载LiDAR距离扫描目标数十米,数据分辨率最高可达毫米级,而航空LiDAR距离扫描目标几百米至上千米不等,数据分辨率在分米级或米级,理论上准确的一对一配准可能变为一对多配准。(3)点云数据的离散性。点云数据本身具有离散性,从中获取准确的共轭特征比较困难。
发明内容
本发明解决的技术问题是:提出一种基于建筑轮廓的车载和航空LiDAR数据配准方法,能够实现车载LiDAR数据和航空LiDAR数据的自动高精度配准。
为了解决上述技术问题,本发明提出的技术方案是:一种基于建筑轮廓的车载和航空LiDAR数据配准方法,包括以下步骤:
第一步、从车载LiDAR数据中提取二维建筑轮廓,得到车载二维建筑轮廓线段;
第二步、从航空LiDAR数据中提取二维建筑轮廓,得到航空二维建筑轮廓线段;
第三步、通过轮廓线段高程分割法将所述车载二维建筑轮廓线段和航空二维建筑轮廓线段分别分割成车载三维轮廓线段和航空三维建筑轮廓线段;
第四步、分别从车载和航空三维建筑轮廓线段中选取两对轮廓线段,计算该两对三维轮廓线段间的初始转换矩阵;
第五步、利用第四步获得的初始转换矩阵对航空三维建筑轮廓线段进行变换,得到变换后的航空三维建筑轮廓线段;
第六步、若车载三维轮廓线段和所述变换后的航空三维建筑轮廓线段中匹配线段的数量大于指定阈值或者匹配线段的数量最多,则所述初始转换矩阵为可靠转换矩阵,否则重复第四步至第六步;
第七步、利用所述可靠转换矩阵完成车载LiDAR数据和航空LiDAR数据的配准。
上述技术方案的进一步改进为,对第六步得到的可靠转换矩阵进行旋转量修正和平移量修正,具体修正方法如下:
2a)利用所述可靠转换矩阵对航空三维建筑轮廓线段进行转换,得到可靠的航空三维建筑轮廓线段;
2b)找到所有车载三维建筑轮廓线段以及与其匹配的可靠的航空三维建筑轮廓线段对,得到所有的匹配线段对之间的夹角,对所述夹角按照大小进行聚类分组;
2c)对所有的聚类分组按照分组内匹配线段对的数量从大到小排序,得到排序后的聚类分组;
2d)依次累加排序后的聚类分组内的匹配线段对数量,当累加的匹配线段对数量超过所有的匹配线段对数量的预设比例时,对所有已累加的聚类分组内的匹配线段对的夹角进行平均,该平均夹角就是可靠转换矩阵的旋转修正量;
2e)围绕所述可靠转换矩阵所参照的旋转中心、以所述旋转修正量为旋转量对所述转换后的航空三维建筑轮廓线段进行旋转,得到旋转量修正后的航空三维建筑轮廓线段;
2f)根据共线方程计算车载三维建筑轮廓线段和与其匹配的旋转量修正后的航空三维建筑轮廓线段之间的平移量,得到可靠转换矩阵的平移修正量;
2h)依次利用旋转修正量和平移修正量对所述可靠转换矩阵进行修正。
本发明的创新点在于:本发明提供了一种基于建筑轮廓的车载和航空LiDAR的配准方法,分别从车载和航空LiDAR数据中提取准确的建筑轮廓作为配准基元,通过分层次的轮廓配准方法,实现自动的高精度的车载和航空LiDAR数据配准。本发明的基于建筑轮廓的车载和航空LiDAR的配准方法,能够服务于地形制图、地质勘探、森林研究、水文研究、虚拟现实等研究与应用。
作为优选,本发明第一步中从车载LiDAR数据中提取二维建筑轮廓的方法是:
3a)从车载LiDAR点云中构建规则格网,将车载LiDAR点云投影至XY平面,统计每一格网内LiDAR点云的极高值Zi及格网中LiDAR点云的数量Ni,其中格网中LiDAR点云的数量Ni为对应格网中极高值Zi的累积量;
3b)计算LiDAR点云中所有LiDAR点高程的最高值和最低值得到LiDAR点云高程区间[Zmin,Zmax],预设高程间隔Zs对所述LiDAR点云高程区间进行划分,得到高程区间集合S={Sj,j=1,2,...,n},其中
3c)根据每一格网内LiDAR点云的极高值Zi所在的高程区间Sj,将格网内LiDAR点云的极高值Zi对应的累积量累加到Sj的累积量Accj中,即Accj=Accj+Ni,得到极高值累积量曲线;
3d)对所述极高值累积量曲线进行修正,去除所述极高值累积量曲线中极启值累积量的中位数以下的数据,并对修正后的极高值累积量曲线曲线求二次偏导,找到峰值区间,所述峰值区间就是车载二维建筑轮廓对应的高程区间,使用该高程区间筛选所有二维格网后,即得到二维建筑轮廓格网;
3d)使用Hough变换从二维建筑轮廓格网中提取二维矢量线状的建筑轮廓。
作为优选,本发明第二步中从航空LiDAR数据中提取二维建筑轮廓的方法是:使用反向迭代数学形态学算法从航空LiDAR数据中提取二维建筑物区域,并将提取的二维建筑物区域数据转换为二值图像,再使用Hough变换从所述二值图像中提取二维建筑轮廓。
作为优选,本发明第三步中所述轮廓线段高程分割法为:
5a)依次通过每个二维建筑轮廓线段构建与XY平面相垂直的面,将建筑轮廓格网内的LiDAR点云投影至该平面;
5b)根据预定的距离间隔对投影平面进行矩形划分,得到各矩形区间内的LiDAR数据最高点;
5c)计算相邻矩形区间内的LiDAR数据最高点之间的斜率与高程差,从左至右对各矩形最高点进行聚类,如果相邻LiDAR数据最高点斜率或高差大于指定阈值,则形成新的聚类;
5d)对于每一聚类的LiDAR数据点采用随机采样一致性RANSAC算法拟合直线,得到三维轮廓线段。
作为优选,本发明第四步中得到所述初始转换矩阵的方法是:
4a)分别从车载和航空三维建筑轮廓线段中选取出两对线段;
4b)平移其中一条航空三维建筑轮廓线段与对应的车载三维建筑轮廓线段的一个端点重合,记录其平移量;以该重合端点为中心,计算得到该平移后的航空三维建筑轮廓线段旋转到对应的车载三维建筑轮廓线段的旋转量,通过该平移量和旋转量得到初始变换矩阵;
4c)将另外一条航空三维建筑轮廓线段通过初始变换矩阵进行变换,得到初始变换后的航空三维建筑轮廓线段;
4d)将所述初始变换后的航空三维建筑轮廓线段平移到另外一条车载三维建筑轮廓线段,得到修正平移量,通过该修正平移量对所述初始变换矩阵进行修正,即得到初始转换矩阵。
本发明带来的有益效果是:
1)因为无论是在城区还是在郊外,建筑物都是一种常见的生活景观,并且建筑相对于周边环境有着较为明显的高程特征,在车载和航空LiDAR数据中都较为明显,是一种良好的配准基元。因此,本发明以建筑轮廓为配准基元进行LiDAR点云配准,可以提高配准精度,从而能够进行完整建筑模型的构建。
2)本发明利用一种极高值累积量的方法从车载LiDAR数据中准确提取车载二维建筑轮廓。在点云高差筛选轮廓的基础上,通过计算格网内点云的最高值与累积量,对高程区间进行区域划分,并对各个格网极高值进行区间内的累积,获得极高值的累积量曲线,并寻找峰值区间,得到对应的高程区间。这一方法能够自动地确定建筑轮廓点云所在的高程区间,实现了车载LiDAR数据中准确二维建筑轮廓的提取。
3)本发明提利用一种分层次的轮廓配准方法。通过轮廓线段初始配准,能够快速的获取初始的可靠转换矩阵;在此基础上,通过对匹配三维轮廓线段对之间的角度和位置的统计分析,获取了旋转和平移修正量,以对配准关系进行修正,最终实现对车载和航空LiDAR数据的高精度的配准。经定量评价后得到,本发明的配准精度可以达到分米级。
附图说明
下面结合附图对本发明的基于建筑轮廓的车载和航空LiDAR数据配准方法作进一步说明。
图1是本发明实施例的流程示意图。
图2是本发明实施例的车载LiDAR数据。
图3是本发明实施例的航空LiDAR数据。
图4是图2中待配准的LiDAR数据。
图5是图3中待配准的LiDAR数据。
图6是图4的车载LiDAR数据的格网划分示意图。
图7是对图6的高差筛选示意图。
图8是图7的极高值累积曲线示意图。
图9是图8的峰值区间提取示意图。
图10是车载二维建筑轮廓格网示意图。
图11是从图10提取的车载二维建筑轮廓线段。
图12是从图5中提取的二维建筑物区域示意图。
图13是从图12提取的航空二维建筑轮廓线段。
图14是使用可靠矩阵对图11和图13的二维建筑轮廓线段配准的结果示意图。
图15是使用修正后的可靠矩阵对图11和图13的二维建筑轮廓线段配准的结果示意图。
图16是根据修正后的可靠转换矩阵对车载LiDAR数据和航空LiDAR数据配准示意图。
图17是图16中A部放大图。
图18是图16中B部放大图。
图19是图16中C部放大图。
图20是图16中D部放大图。
具体实施方式
实施例
本实施例的实验区域位于南京奥体中心附近,总大小约为4000m*4000m。该区域的车载LiDAR数据与航空LiDAR数据分别如图2和图3所示,而图4是图2中A区域的放大图,图5是图3中B区域的放大图。
本实施例中车载LiDAR数据使用Optech车载激光扫描仪获取,平均点间距约0.2m,航空LiDAR数据平均点间距约0.5m。本实施例选取车载点云中的区域A与航空点云中的区域B进行配准实验,实验区内包括不同屋顶结构、不同走向、不同复杂程度的多个建筑物。
本实施例的基于建筑轮廓的车载和航空LiDAR数据配准方法,如图1所示,包括以下步骤:
第一步、从车载LiDAR数据中提取二维建筑轮廓,得到车载二维建筑轮廓线段,如图11所示。
本实施例从车载LiDAR数据中提取二维建筑轮廓的方法是:
3a)从车载LiDAR点云中构建1m*1m大小的规则格网,如图6所示,将车载LiDAR点云投影至XY平面,统计每一格网内LiDAR点云的极高值Zi及格网中LiDAR点云的数量Ni,其中格网中LiDAR点云的数量Ni为对应格网中极高值Zi的累积量;
3b)计算LiDAR点云中所有LiDAR点高程的最高值和最低值得到LiDAR点云高程区间[Zmin,Zmax],预设高程间隔Zs=1m对所述LiDAR点云高程区间进行划分,得到高程区间集合S={Sj,j=1,2,...,n},其中如图7所示;
3c)根据每一格网内LiDAR点云的极高值Zi所在的高程区间Sj,将格网内LiDAR点云的极高值Zi对应的累积量累加到Sj的累积量Accj中,即Accj=Accj+Ni,得到极高值累积量曲线,如图8所示,可以看到4个较大的峰值以及一些较小的峰值;
3d)对所述极高值累积量曲线进行修正,去除所述极高值累积量曲线中极启值累积量的中位数(本实施例中的中位数为7429)以下的数据,并对修正后的极高值累积量曲线曲线求二次偏导,找到峰值区间,所述峰值区间就是车载二维建筑轮廓对应的高程区间,如图9所示,共有18个峰值区间,其中圆点即为峰值,虚线区域为对应的峰值区间。
使用该高程区间筛选所有二维格网后,即得到二维建筑轮廓格网,如图10所示;
3d)使用Hough变换从二维建筑轮廓格网中提取车载二维建筑轮廓线段,如图11所示。
第二步、从航空LiDAR数据中提取二维建筑轮廓,得到航空二维建筑轮廓线段。
本实施例使用反向迭代数学形态学算法从航空LiDAR数据中提取二维建筑物区域,如图12所示。本实施例使用106m的最大窗口对航空LiDAR点云进行打开操作;按10m步长逐渐减小窗口,迭代地进行形态学打开操作,提取满足窗口大小的地物;在迭代的过程中,比较两次的高程差,与10m的高差阈值进行比较,如果大于10m则判定为建筑物,直至迭代至窗口大小为6m停止迭代。
然后将提取的二维建筑物区域数据转换为二值图像,再使用Hough变换从所述二值图像中提取航空二维建筑轮廓,如图13所示。第三步、通过轮廓线段高程分割法将所述车载二维建筑轮廓线段和航空二维建筑轮廓线段分别分割成车载三维轮廓线段和航空三维建筑轮廓线段。
本实施例中采用的轮廓线段高程分割法具体如下:
5a)依次通过每个二维建筑轮廓线段构建与XY平面相垂直的面,将建筑轮廓格网内的LiDAR点云投影至该平面;
5b)根据预定的距离间隔对投影平面进行矩形划分,得到各矩形区间内的LiDAR数据最高点;
5c)计算相邻矩形区间内的LiDAR数据最高点之间的斜率与高程差,从左至右对各矩形最高点进行聚类,如果相邻LiDAR数据最高点斜率或高差大于指定阈值,则形成新的聚类;
5d)对于每一聚类的LiDAR数据点采用随机采样一致性RANSAC算法拟合直线,得到三维轮廓线段。
本实施例使用轮廓线段高程分割方法对车载二维轮廓线段分割,共得到了55条车载三维建筑轮廓线段;对航空二维轮廓线段分割,共得到了562条车载三维建筑轮廓线段。
第四步、分别从车载和航空三维建筑轮廓线段中选取两对轮廓线段,计算该两对三维轮廓线段间的初始转换矩阵。
本实施例得到所述初始转换矩阵的方法为:
4a)分别从车载和航空三维建筑轮廓线段中选取出两对线段;
4b)平移其中一条航空三维建筑轮廓线段与对应的车载三维建筑轮廓线段的一个端点重合,记录其平移量;以该重合端点为中心,计算得到该平移后的航空三维建筑轮廓线段旋转到对应的车载三维建筑轮廓线段的旋转量,通过该平移量和旋转量得到初始变换矩阵;
4c)将另外一条航空三维建筑轮廓线段通过初始变换矩阵进行变换,得到初始变换后的航空三维建筑轮廓线段;
4d)将所述初始变换后的航空三维建筑轮廓线段平移到另外一条车载三维建筑轮廓线段,得到修正平移量,通过该修正平移量对所述初始变换矩阵进行修正,即得到初始转换矩阵。
第五步、利用第四步获得的初始转换矩阵对航空三维建筑轮廓进行变换,得到变换后的航空三维建筑轮廓线段。
第六步、若车载三维轮廓线段和所述变换后的航空三维建筑轮廓线段中匹配线段的数量大于指定阈值或者匹配线段的数量最多,则所述初始转换矩阵为可靠转换矩阵,否则重复第四步至第六步。
第七步、利用所述可靠转换矩阵完成车载LiDAR数据和航空LiDAR数据的配准。
本实施例中利用可靠转换矩阵计算得到车载LiDAR点云的平移参数为(1239065.49m,3539249.82m,21.37m),绕Z轴旋转量为8.3°。
车载和航空二维建筑轮廓线段配准结果如图14所示,为了方便显示,这里仅展示公共区域的二维建筑轮廓线段,其中黑色线为航空二维建筑轮廓线段,灰色线为车载二维建筑轮廓线段。从图14中可以看出,共成功匹配21对二维轮廓线段,各线段之间总体吻合较好。
本实施例还可以作如下改进,对第六步得到的可靠转换矩阵进行旋转量修正和平移量修正,具体修正方法如下:
2a)利用所述可靠转换矩阵对航空三维建筑轮廓线段进行转换,得到可靠的航空三维建筑轮廓线段。
2b)找到所有车载三维建筑轮廓线段以及与其匹配的可靠的航空三维建筑轮廓线段对,得到所有的匹配线段对之间的夹角,对所述夹角按照大小进行聚类分组。
2c)对所有的聚类分组按照分组内匹配线段对的数量从大到小排序,得到排序后的聚类分组。
2d)依次累加排序后的聚类分组内的匹配线段对数量,当累加的匹配线段对数量超过所有的匹配线段对数量的50%时,对所有已累加的聚类分组内的匹配线段对的夹角进行平均,该平均夹角就是可靠转换矩阵的旋转修正量;本实施例计算得到的旋转修正量为1.0°。
2e)围绕所述可靠转换矩阵所参照的旋转中心、以所述旋转修正量为旋转量对所述转换后的航空三维建筑轮廓线段进行旋转,得到旋转量修正后的航空三维建筑轮廓线段。
2f)根据共线方程计算车载三维建筑轮廓线段和与其匹配的旋转量修正后的航空三维建筑轮廓线段之间的平移量,得到可靠转换矩阵的平移修正量。
本实施例的改进最终计算得到X方向平移量为1.04m,Y方向平移量为-5.94m,Z方向平移量为-0.12m。
2h)依次利用旋转修正量和平移修正量对所述可靠转换矩阵进行修正。
本实施例使用修正后的可靠转换矩阵对车载二维建筑轮廓和航空二维建筑轮廓进行配准的结果如图15所示,通过与修正前的配准结果(如图14所示)比较发现,原先吻合较差的A、B、C三处的吻合程度都得到了明显提高。
同时根据修正后的可靠转换矩阵对车载LiDAR数据和航空LiDAR数据的总体配准精度也得到了提高,如图16、图17、图18、图19和图20所示,可以清晰地看到航空LiDAR点云和车载LiDAR点云在建筑轮廓附近吻合效果较好。经定量评价后得到,本实例中的配准精度达到了分米级,获得了较高的配准精度。
本发明基于建筑轮廓的车载和航空LiDAR数据配准方法不局限于上述实施例所述的具体技术方案,凡采用等同替换形成的技术方案均为本发明要求的保护范围。
Claims (5)
1.一种基于建筑轮廓的车载和航空LiDAR数据配准方法,包括以下步骤:
第一步、从车载LiDAR数据中提取二维建筑轮廓,得到车载二维建筑轮廓线段;
第二步、从航空LiDAR数据中提取二维建筑轮廓,得到航空二维建筑轮廓线段;
第三步、通过轮廓线段高程分割法将所述车载二维建筑轮廓线段和航空二维建筑轮廓线段分别分割成车载三维轮廓线段和航空三维建筑轮廓线段;
第四步、分别从车载和航空三维建筑轮廓线段中选取两对轮廓线段,计算该两对三维轮廓线段间的初始转换矩阵;
第五步、利用第四步获得的初始转换矩阵对航空三维建筑轮廓线段进行变换,得到变换后的航空三维建筑轮廓线段;
第六步、若车载三维轮廓线段和所述变换后的航空三维建筑轮廓线段中匹配线段的数量大于指定阈值或者匹配线段的数量最多,则所述初始转换矩阵为可靠转换矩阵,否则重复第四步至第六步;
第七步、利用所述可靠转换矩阵完成车载LiDAR数据和航空LiDAR数据的配准;
对第六步得到的可靠转换矩阵进行旋转量修正和平移量修正,具体修正方法如下:
2a)利用所述可靠转换矩阵对航空三维建筑轮廓线段进行转换,得到可靠的航空三维建筑轮廓线段;
2b)找到所有车载三维建筑轮廓线段以及与其匹配的可靠的航空三维建筑轮廓线段对,得到所有的匹配线段对之间的夹角,对所述夹角按照大小进行聚类分组;
2c)对所有的聚类分组按照分组内匹配线段对的数量从大到小排序,得到排序后的聚类分组;
2d)依次累加排序后的聚类分组内的匹配线段对数量,当累加的匹配线段对数量超过所有的匹配线段对数量的预设比例时,对所有已累加的聚类分组内的匹配线段对的夹角进行平均,该平均夹角就是可靠转换矩阵的旋转修正量;
2e)围绕所述可靠转换矩阵所参照的旋转中心、以所述旋转修正量为旋转量对所述转换后的航空三维建筑轮廓线段进行旋转,得到旋转量修正后的航空三维建筑轮廓线段;
2f)根据共线方程计算车载三维建筑轮廓线段和与其匹配的旋转量修正后的航空三维建筑轮廓线段之间的平移量,得到可靠转换矩阵的平移修正量;
2h)依次利用旋转修正量和平移修正量对所述可靠转换矩阵进行修正。
2.根据权利要求1所述的基于建筑轮廓的车载和航空LiDAR数据配准方法,其特征在于,第一步中,从车载LiDAR数据中提取二维建筑轮廓的方法是:
3a)从车载LiDAR点云中构建规则格网,将车载LiDAR点云投影至XY平面,统计每一格网内LiDAR点云的极高值Zi及格网中LiDAR点云的数量Ni,其中格网中LiDAR点云的数量Ni为对应格网中极高值Zi的累积量;
3b)计算LiDAR点云中所有LiDAR点高程的最高值和最低值得到LiDAR点云高程区间[Zmin,Zmax],预设高程间隔Zs对所述LiDAR点云高程区间进行划分,得到高程区间集合S={Sj,j=1,2,…,n},其中
3c)根据每一格网内LiDAR点云的极高值Zi所在的高程区间Sj,将格网内LiDAR点云的极高值Zi对应的累积量累加到Sj的累积量Accj中,即Accj=Accj+Ni,得到极高值累积量曲线;
3d)对所述极高值累积量曲线进行修正,去除所述极高值累积量曲线中极启值累积量的中位数以下的数据,并对修正后的极高值累积量曲线求二次偏导,找到峰值区间,所述峰值区间就是车载二维建筑轮廓对应的高程区间,使用该高程区间筛选所有二维格网后,即得到二维建筑轮廓格网;
3d)使用Hough变换从二维建筑轮廓格网中提取二维矢量线状的建筑轮廓。
3.根据权利要求1所述的基于建筑轮廓的车载和航空LiDAR数据配准方法,其特征在于,第二步中从航空LiDAR数据中提取二维建筑轮廓的方法是:使用反向迭代数学形态学算法从航空LiDAR数据中提取二维建筑物区域,并将提取的二维建筑物区域数据转换为二值图像,再使用Hough变换从所述二值图像中提取二维建筑轮廓。
4.根据权利要求1所述的基于建筑轮廓的车载和航空LiDAR数据配准方法,其特征在于,第三步中所述轮廓线段高程分割法为:
5a)依次通过每个二维建筑轮廓线段构建与XY平面相垂直的面,将建筑轮廓格网内的LiDAR点云投影至该平面;
5b)根据预定的距离间隔对投影平面进行矩形划分,得到各矩形区间内的LiDAR数据最高点;
5c)计算相邻矩形区间内的LiDAR数据最高点之间的斜率与高程差,从左至右对各矩形最高点进行聚类,如果相邻LiDAR数据最高点斜率或高差大于指定阈值,则形成新的聚类;
5d)对于每一聚类的LiDAR数据点采用随机采样一致性RANSAC算法拟合直线,得到三维轮廓线段。
5.根据权利要求1所述的基于建筑轮廓的车载和航空LiDAR数据配准方法,其特征在于,第四步中得到所述初始转换矩阵的方法是:
4a)分别从车载和航空三维建筑轮廓线段中选取出两对线段;
4b)平移其中一条航空三维建筑轮廓线段与对应的车载三维建筑轮廓线段的一个端点重合,记录其平移量;以该重合端点为中心,计算得到该平移后的航空三维建筑轮廓线段旋转到对应的车载三维建筑轮廓线段的旋转量,通过该平移量和旋转量得到初始变换矩阵;
4c)将另外一条航空三维建筑轮廓线段通过初始变换矩阵进行变换,得到初始变换后的航空三维建筑轮廓线段;
4d)将所述初始变换后的航空三维建筑轮廓线段平移到另外一条车载三维建筑轮廓线段,得到修正平移量,通过该修正平移量对所述初始变换矩阵进行修正,即得到初始转换矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310227705.2A CN103324916B (zh) | 2013-06-07 | 2013-06-07 | 基于建筑轮廓的车载和航空LiDAR数据配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310227705.2A CN103324916B (zh) | 2013-06-07 | 2013-06-07 | 基于建筑轮廓的车载和航空LiDAR数据配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103324916A CN103324916A (zh) | 2013-09-25 |
CN103324916B true CN103324916B (zh) | 2016-09-14 |
Family
ID=49193647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310227705.2A Expired - Fee Related CN103324916B (zh) | 2013-06-07 | 2013-06-07 | 基于建筑轮廓的车载和航空LiDAR数据配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103324916B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123730B (zh) * | 2014-07-31 | 2016-09-14 | 武汉大学 | 基于道路特征的遥感影像与激光点云配准方法及*** |
CN104574333B (zh) * | 2015-01-06 | 2017-08-04 | 南京航空航天大学 | 模型直线约束下的lidar点云拼接方法 |
CN106600680A (zh) * | 2015-10-20 | 2017-04-26 | 星际空间(天津)科技发展有限公司 | 一种建筑物体框模型批量精细三维建模方法 |
CN105486228B (zh) * | 2015-11-25 | 2018-04-03 | 南京林业大学 | 一种基于二维激光扫描仪的树木靶标体积实时测量方法 |
CN109213763B (zh) * | 2018-08-15 | 2020-10-13 | 武汉中海庭数据技术有限公司 | 车载激光扫描点云的组织管理方法及*** |
CN110824491B (zh) * | 2019-10-24 | 2022-07-29 | 北京迈格威科技有限公司 | 充电桩定位方法、装置、计算机设备和存储介质 |
JP7192090B2 (ja) * | 2020-05-15 | 2022-12-19 | バイドゥドットコム タイムズ テクノロジー (ベイジン) カンパニー リミテッド | ポイントクラウド融合のための検出器 |
CN111598823B (zh) * | 2020-05-19 | 2023-07-25 | 北京数字绿土科技股份有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
JP7272334B2 (ja) * | 2020-08-26 | 2023-05-12 | トヨタ自動車株式会社 | 地図生成装置および地図生成方法 |
CN113012206B (zh) * | 2021-02-07 | 2022-03-25 | 山东科技大学 | 一种顾及房檐特征的机载与车载LiDAR点云配准方法 |
CN114677350A (zh) * | 2022-03-25 | 2022-06-28 | 腾讯科技(深圳)有限公司 | 连接点提取方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020342A (zh) * | 2012-12-04 | 2013-04-03 | 南京大学 | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 |
CN103020966A (zh) * | 2012-12-04 | 2013-04-03 | 南京大学 | 一种基于建筑物轮廓约束的航空与地面LiDAR数据自动配准方法 |
CN103065295A (zh) * | 2012-12-04 | 2013-04-24 | 南京大学 | 一种基于建筑物角点自修正的航空与地面LiDAR数据高精度自动配准方法 |
-
2013
- 2013-06-07 CN CN201310227705.2A patent/CN103324916B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020342A (zh) * | 2012-12-04 | 2013-04-03 | 南京大学 | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 |
CN103020966A (zh) * | 2012-12-04 | 2013-04-03 | 南京大学 | 一种基于建筑物轮廓约束的航空与地面LiDAR数据自动配准方法 |
CN103065295A (zh) * | 2012-12-04 | 2013-04-24 | 南京大学 | 一种基于建筑物角点自修正的航空与地面LiDAR数据高精度自动配准方法 |
Non-Patent Citations (2)
Title |
---|
Fusion of laser scanning data and optical high-resolution imagery for accurate building boundary derivation;Liang Cheng 等;《Journal of Applied RemoteSensing》;20130503;第7卷(第1期);1-15 * |
建筑轮廓的车载和航空LiDAR数据配准;童礼华 等;《测绘学报》;20131015;第42卷(第5期);699-706 * |
Also Published As
Publication number | Publication date |
---|---|
CN103324916A (zh) | 2013-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103324916B (zh) | 基于建筑轮廓的车载和航空LiDAR数据配准方法 | |
WO2021232463A1 (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
CN110570428B (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及*** | |
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和***、存储介质 | |
WO2021143778A1 (zh) | 一种基于激光雷达的定位方法 | |
CN106127857B (zh) | 综合数据驱动与模型驱动的机载LiDAR数据建模方法 | |
Gross et al. | Extraction of lines from laser point clouds | |
Rottensteiner et al. | The ISPRS benchmark on urban object classification and 3D building reconstruction | |
CN113066162B (zh) | 一种用于电磁计算的城市环境快速建模方法 | |
CN109766824B (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
CN103020966A (zh) | 一种基于建筑物轮廓约束的航空与地面LiDAR数据自动配准方法 | |
CN112418245A (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
CN112305559A (zh) | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、***和电子设备 | |
CN104463164A (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
WO2023060632A1 (zh) | 基于点云数据的街景地物多维度提取方法和*** | |
CN109146990B (zh) | 一种建筑轮廓的计算方法 | |
Chen et al. | 3D model-based terrestrial laser scanning (TLS) observation network planning for large-scale building facades | |
Sun et al. | Building displacement measurement and analysis based on UAV images | |
Li et al. | Feature extraction and modeling of urban building from vehicle-borne laser scanning data | |
Lu et al. | A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment | |
Xu et al. | A method of 3d building boundary extraction from airborne lidar points cloud | |
Zhou et al. | An optimized fuzzy K-means clustering method for automated rock discontinuities extraction from point clouds | |
CN113344866B (zh) | 一种点云综合精度评价方法 | |
Zhao et al. | Power Tower extraction method under complex terrain in mountainous area based on Laser Point Cloud data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160914 Termination date: 20170607 |