CN106709473B - 一种基于体元的机载lidar道路提取方法 - Google Patents
一种基于体元的机载lidar道路提取方法 Download PDFInfo
- Publication number
- CN106709473B CN106709473B CN201710044460.8A CN201710044460A CN106709473B CN 106709473 B CN106709473 B CN 106709473B CN 201710044460 A CN201710044460 A CN 201710044460A CN 106709473 B CN106709473 B CN 106709473B
- Authority
- CN
- China
- Prior art keywords
- voxel
- voxels
- road
- data
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 3
- 230000002159 abnormal effect Effects 0.000 claims description 45
- 238000013507 mapping Methods 0.000 claims description 7
- 230000002547 anomalous effect Effects 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
一种基于体元的机载LIDAR道路提取方法，属于遥感数据处理技术领域；该方法包括：将原始机载LIDAR点云数据规则化为3D体元数据集；从3D体元数据集中分离出地面体元数据集；用道路反射的激光强度特性从地面体元中搜寻道路种子体元，提取与道路种子体元3D连通且强度差小于设定阈值的包含有数据点的体元作为道路提取结果；本发明综合利用了强度信息及各体元间隐含的高程信息，以3D连通性构建理论为基础，实现了3D道路的提取，该方法使得点云数据中的目标信息检测转换成基于体元空间邻域关系的搜索标记方式，很好的利用了3D体元数据中各体元间隐含的邻域关系，有助于基于体元理论的机载LIDAR点云数据处理及应用的发展。
Description
技术领域
本发明属于遥感数据处理技术领域，具体涉及一种基于体元的机载LIDAR道路提取方法。
背景技术
道路是关系国民经济的重要基础设施，道路信息的及时、准确、高效获取与更新对交通管理、城市规划、自动车辆导航及应急事务处理均具有极其重要的意义。机载激光雷达(Light Detection And Ranging，LIDAR)技术可以快速获取地表高精度的三维(3Dimension，3D)点云数据，该技术的出现使得道路3D信息的快速提取成为可能。经典的道路提取方法可分为以下几类：基于聚类的方法、数学形态学方法和数字图像处理方法。上述方法采用的数据结构形式主要有：点云或栅格格网。栅格格网的数据结构将3D点云表达为2.5D的规则格网，其内部必然存在信息损失，而道路信息可能存在于各次回波当中，因此基于2.5D数据结构的道路提取结果不可能完整；点云数据结构包含原始LIDAR点云的所有信息，但受限于点云数据结构本身的局限性，即难以利用数据点空间关系导致基于点云的道路提取方法效率较低。可见，现有方法所采用的数据结构均不利于重复发挥机载LIDAR点云真3D的技术优势，有必要选用一种更为简单的真3D数据结构并设计相应的数据处理技术以完成基于机载LIDAR的3D道路提取。
发明内容
针对上述现有技术存在的不足，本发明提供一种基于体元的机载LIDAR道路提取方法。
本发明的技术方案：
一种基于体元的机载LIDAR道路提取方法，包括如下步骤：
步骤1：读取原始机载LIDAR点云数据；
步骤2：将原始机载LIDAR点云数据规则化为3D体元数据集；
步骤2.1：从原始机载LIDAR点云数据中剔除异常数据，得到去除异常数据集：
步骤2.1.1：将原始机载LIDAR点云数据所在空间划分为M×N×U 3D格网，并将各原始机载LIDAR点云数据映射到各个格网单元，包含原始机载LIDAR点云数据的格网称为黑格网，不包含原始机载LIDAR点云数据的格网称为白格网；
步骤2.1.2：定位M×N×U 3D格网内M×N个立柱内的高程最高与高程最低的黑格网作为候选异常格网单元得到候选异常数据集；
步骤2.1.3：对候选异常数据集中各个候选异常格网单元，比较其和周围给定邻域内黑格网的平均高程的高程差，若高程差大于给定阈值Ted，则该候选异常格网单元内包含的原始机载LIDAR点云数据为异常数据，进行剔除，否则保留该候选异常格网单元内包含的原始机载LIDAR点云数据，最终获得去除异常数据集。
步骤2.2：将去除异常数据集规则化为3D体元数据集：
步骤2.2.1：用去除异常数据集的轴向包围盒表示3D空间范围；
步骤2.2.2：计算x、y、z方向上的体元分辨率即体元大小，x、y、z方向上的体元分辨率(Δx,Δy,Δz)依据去除异常数据集中数据点的平均点间距确定；
步骤2.2.3：依据x、y、z方向上的体元分辨率对轴向包围盒进行划分得到3D体元格网，每一个3D体元格网单元称为体元；
步骤2.2.4：将去除异常数据集映射到3D体元格网，判断体元中是否包含有去除异常数据点，是，对含有数据点的体元赋值所包含数据点的强度，若有多个数据点，则赋值该体元包含的所有数据点强度的平均值，否则，将体元赋值0，得到3D体元数据集，其中，0值体元和非0值体元分别代表背景体元和目标体元，完成对去除异常数据集的规则化。
步骤3：从3D体元数据集中分离出地面体元数据集；
步骤4：用道路反射的激光强度特性从地面体元中搜寻道路种子体元，提取与道路种子体元3D连通且强度差小于设定阈值的目标体元即包含有数据点的体元组成道路体元数据集即道路提取结果：
步骤4.1：依据道路反射的激光强度信息从地面体元中搜索道路种子体元Vs；
步骤4.2：依次从Vs的给定邻域尺度内的目标体元出发，深度优先遍历所有邻接目标体元，若邻接目标体元和Vs有路径连通，且邻接目标体元与种子体元的强度差小于给定阈值Ti，则标记为道路体元：
步骤4.2.1：初始化：设置存储种子体元的初始栈，并标记这些种子体元为道路体元；
步骤4.2.2：从初始栈的栈顶弹出一个元素，获取其给定邻域内未标记的目标体元，比较目标体元与种子体元的强度差，若强度差小于给定阈值Ti，则将该目标体元标记为道路体元并存入初始栈中；
步骤4.2.3：判断初始栈中是否为空，是，则3D体元格网中和Vs有路径连通的所有目标体元均被标记为道路体元；否则，执行步骤4.2.2。
有益效果：一种基于体元的机载LIDAR道路提取方法与现有技术相比，具有如下优势：
综合利用了强度信息及各体元间隐含的高程信息，以3D连通性构建理论为基础，实现了3D道路的提取，该方法使得点云数据中的目标信息检测转换成基于体元空间邻域关系的搜索标记方式，很好的利用了3D体元数据中各体元间隐含的邻域关系，有助于基于体元理论的机载LIDAR点云数据处理及应用的发展。
附图说明
图1为本发明实施例提供的基于体元的机载LIDAR道路提取方法流程图；
图2为本发明具体实施例中步骤2的具体流程图；
图3为本发明具体实施例中步骤2中的格网边长计算原理图；
图4为本发明具体实施例中步骤2中的平均点间距计算原理图；
图5为本发明具体实施例中步骤4的具体流程图；
图6为本发明具体实施例中的实验数据图，其中，(a)为点云顶视渲染图，(b)为从Google Earth中截取的与实验数据对应的影像数据图；
图7为本发明具体实施例中的道路提取结果图，其中，(a)为顶视图，白色为道路，黑色为背景，(b)为某一视角的3D道路提取结果图，黑色为道路，白色为背景。
具体实施方式
下面结合附图对本发明的一种实施方式作详细说明。
以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，一种基于体元的机载LIDAR道路提取方法，包括如下步骤：
步骤1：读取原始机载LIDAR点云数据；
本实施例中，定义原始机载LIDAR点云数据集P＝{pi(xi,yi,zi)},其中，i是原始机载LIDAR点云数据的索引，i＝1，2，…，n，n是原始机载LIDAR点云数据的个数，pi是第i个原始机载LIDAR点云数据，其坐标为(xi,yi,zi)。
步骤2：如图2所示，将原始机载LIDAR点云数据规则化为3D体元数据集：
步骤2.1：从原始机载LIDAR点云数据中剔除异常数据，得到去除异常数据集：
步骤2.1.1：将原始机载LIDAR点云数据划分为M×N×U3D格网，并将各原始机载LIDAR点云数据映射到各个格网单元，包含原始机载LIDAR点云数据的格网称为黑格网，不包含原始机载LIDAR点云数据的格网称为白格网；
(1)计算原始机载LIDAR点云数据集P的轴向包围盒。轴向包围盒由其左下角坐标(xmin,ymin,zmin)和右上角坐标(xmax,ymax,zmax)确定，其中，(xmax,ymax,zmax)＝max{(xi,yi,zi)}和(xmin,ymin,zmin)＝min{(xi,yi,zi)}分别代表数据集P中x、y和z坐标的最大值和最小值。
(2)将轴向包围盒划分为3D格网，其中，格网长度取原始机载LIDAR点云数据平均点间距d：
如图3所示，点集Sxy＝{(xi,yi)}为数据集P＝{pi(xi,yi,zi)}在XOY平面上的投影，其中，C(Sxy)是点集Sxy的凸壳，A(C(Sxy))是凸壳C(Sxy)的面积。由此可得M×N×U个3D格网单元，M、N、U由公式(2)确定。
其中，
为向下取整操作符。
(3)将原始机载LIDAR点云数据映射到各个格网单元，获取各原始机载LIDAR点云数据的格网索引，包含原始机载LIDAR点云数据的格网被称为黑格网，不包含原始机载LIDAR点云数据的格网被称为白格网。
将数据点映射到各个格网单元：
其中，(mi,ni,ui)代表原始机载LIDAR点云数据pi所在格网单元的索引。
步骤2.1.2：定位M×N×U3D格网内M×N个立柱内的高程最高与高程最低的黑格网作为候选异常格网单元得到候选异常数据集；
步骤2.1.3：对候选异常数据集中各个候选异常格网单元，比较其和周围给定邻域内黑格网单元的平均高程的高程差，若高程差大于给定阈值Ted，则候选异常格网单元内包含的原始机载LIDAR点云数据为异常数据，进行剔除，否则保留候选异常格网单元内包含的原始机载LIDAR点云数据，最终获得去除异常数据集。
在本实施方式中，Ted为常数(如3m)，其取值需根据原始机载LIDAR点云数据的空间分布情况确定。
步骤2.2：将去除异常数据集规则化为3D体元数据集：
步骤2.2.1：用去除异常数据集的轴向包围盒表示3D空间范围；
去除异常数据集记做Q＝{qi'(xi',yi',zi')}，其中，i'是去除异常数据集中数据的索引，i'＝1,…,t，t是去除异常数据集中数据的个数，qi'是去除异常数据集中第i'个数据，其坐标为(xi',yi',zi')。用Q的轴向包围盒表示3D空间范围，轴向包围盒的确定参见步骤2.1.1；
步骤2.2.2：计算x、y、z方向上的体元分辨率即体元大小，x、y、z方向上的体元分辨率(Δx,Δy,Δz)依据去除异常数据集中数据点的平均点间距确定：
其中，S'xy＝{(xi',yi')}，S'xz＝{(xi',zi')}，S'yz＝{(yi',zi')}。如图4所示，C(S'xz)是点集S'xz的凸壳，C(S'yz)是点集S'yz的凸壳，其中，S'xy、S'xz、S'yz分别为去除异常数据集Q在XOY、XOZ、YOZ平面上的投影，A(C(S'xz))、A(C(S'yz))是凸壳C(S'xz)、C(S'yz)的面积。公式(4)中取最小值是因为其代表所建立的3D体元格网和原始点云间存在更少的精度损失。
步骤2.2.3：依据x、y、z方向上的体元分辨率对轴向包围盒进行划分得到3D体元格网，每一个3D体元格网单元称为体元；
基于体元分辨率(Δx,Δy,Δz)就可以将轴向包围盒划分为3D体元格网，用3D体元阵列表示。设V是3D体元阵列中的体元集合：
V＝{vj(rj,cj,lj)}, (5)
其中，j是体元索引，j＝1,…,m；m是体元数；vj是第j个体元的体元值；(rj,cj,lj)是第j个体元在体元阵列中的坐标(行、列和层号)。X方向上的体元个数为R，Y方向上的体元个数为C，Z方向上的体元个数为L，其中，R、C、L由公式(6)得出：
其中，
为向上取整操作符。
由此可以得出，体元数m为：
m＝R*C*L (7)
步骤2.2.4：将去除异常数据集映射到3D体元格网，判断3D体元格网中是否包含有去除异常数据点，是，对含有数据点的体元赋值所包含数据点的强度，若有多个数据点，则赋值该体元包含的所有数据点强度的平均值，否则，将体元赋值0，得到3D体元数据集，其中，0值体元和非0值体元分别代表背景体元和目标体元，完成对去除异常数据集的规则化。
步骤3：从3D体元数据集中分离出地面体元数据集；本实施例中，采用基于体元的3D滤波算法直接从目标体元中分离出地面和非地面体元集。
算法首先依据“高程最低”原则选择地面种子体元，然后标记与其3D连通的目标体元为地面体元。滤波后，所有目标体元分别被标记为地面体元(如标记为“G”)和非地面体元(如标记为“NG”)。
步骤4：如图5所示，用道路反射的激光强度特性从地面体元中搜寻道路种子体元，提取与道路种子体元3D连通且强度差小于设定阈值的目标体元即包含有数据点的体元作为道路体元组成道路体元数据集，完成基于体元的机载LIDAR道路提取，得到道路提取结果：
步骤4.1：依据道路反射的激光强度特性从地面体元中搜索道路种子体元Vs：
道路点的强度特性为：对于同一测区，由于飞行条件较接近，因此可近似地认为激光回波强度只同表面介质有关，通过建立一组强度和道路介质的对应关系，就可达到区分道路的目的。根据以上特性建立从地面体元中搜寻道路种子体元的判别方案：
步骤4.1.1：将地面体元投影至XY平面，获取二维强度影像图I1；
步骤4.1.2：强度信息预处理：包括去除异常强度值和强度值范围变换，首先去除明显错误的异常强度值(强度值>3000)，然后变换强度值的动态分布范围，将强度值的分布范围线性拉伸到0-255之间。线性拉伸法是采用线性关系将原始的强度值变换到新的强度值。预处理后得到二维强度影像图I2；
步骤4.1.3：显示I2，在I2中选择不同材质的道路样本，计算出不同材质道路的样本均值；
步骤4.1.4：在地面体元集中搜寻强度值与样本均值相同的体元作为道路种子体元Vs。
步骤4.2：依次从Vs的给定邻域尺度内的目标体元出发，深度优先遍历所有邻接目标体元，若邻接目标体元和Vs有路径连通，且邻接目标体元与种子体元的强度差小于给定阈值Ti，则标记为道路体元：
步骤4.2.1：初始化：设置存储种子体元的初始栈，并标记这些种子体元为道路体元(如标记为“R”)；
步骤4.2.2：从初始栈的栈顶弹出一个元素，获取其26邻域内未标记的目标体元，比较目标体元与种子体元的强度差，若强度差小于给定阈值Ti，则将该目标体元标记为道路体元并存入初始栈中；
步骤4.2.3：判断初始栈中是否为空，是，则3D体元格网中和Vs有路径连通的所有目标体元均被标记为道路体元，否则，执行步骤4.2.2。
本实施方式中，Ti为常数(如2)。
本实施方式还对道路提取结果进行优化。由于某些非道路区域(如停车场，天井等)与道路区域的强度及高程均非常接近，因而基于体元的机载LIDAR道路提取结果仍然会存在一些非道路体元数据。可利用道路区域连通性好且覆盖面积大、非道路区域面积相对较小的特性对上述非道路体元进行剔除以优化道路提取结果。也即从步骤4所得道路体元数据集中构建出3D连通区域，通过设定面积阈值，将面积小于阈值的连通区域删除。
若记
为步骤4所得道路体元数据集，其中，k＝1,…,l，flagk＝1(0)代表体元vk已(未)被遍历。首先初始化flagk＝0(k＝1,…,l)，则对
且flagk＝0，以深度优先策略在
中构建其26邻域的3D连通集合Vkc＝{vk′(rk′,ck′,lk′)}，k′＝1,…,z，若Vkc投影至XY平面所占区域面积小于等于设定的面积阈值Ta，则从
中删除Vkc内所含的所有体元并标记这些体元已被遍历；否则，标记Vkc内的所有体元已遍历。
本实施例中，Ta为常数，其取值需根据原始点云的空间分布情况确定。
本发明可以在CPU Core(TM)i5-24003.10GHz、内存4GB、Windows 7旗舰版***上使用MATLAB 7.11.0平台编程实现软件编程实现仿真。
本实施例中设计采用国际摄影测量测量与遥感协会(International Societyfor Photogram metry and Remote Sensing，ISPRS)第三工作组(http://www.itc.nl/isprswgIII-3/filtertest/)提供的城区数据CSite2作为实验数据以检验方法的有效和可行性。数据由Optech ALTM机载激光扫描仪获取，平均扫描点密度约为1点/m2，航带东西向、南北向各长约380m、526m。如图6所示，其中，(a)为点云顶视渲染图，(b)为从Google Earth中截取的与实验数据对应的影像数据。
图7为本实施例中的基于体元的机载LIDAR道路提取结果图，(a)为顶视图，白色为道路，黑色为背景，(b)为某一视角的3D道路提取结果图。从图7看出实验数据中所有的道路均被成功提取，从而验证了本发明提出的方法的有效性。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种基于体元的机载LIDAR道路提取方法，其特征在于，包括如下步骤：
步骤1：读取原始机载LIDAR点云数据；
步骤2：将原始机载LIDAR点云数据规则化为3D体元数据集；
步骤2.1：从原始机载LIDAR点云数据中剔除异常数据，得到去除异常数据集；
步骤2.1.1：将原始机载LIDAR点云数据所在空间划分为M×N×U3D格网，并将各原始机载LIDAR点云数据映射到各个格网单元，包含原始机载LIDAR点云数据的格网称为黑格网，不包含原始机载LIDAR点云数据的格网称为白格网；
步骤2.1.2：定位M×N×U3D格网内M×N个立柱内的高程最高与高程最低的黑格网作为候选异常格网单元得到候选异常数据集；
步骤2.1.3：对候选异常数据集中各个候选异常格网单元，比较其和周围给定邻域内黑格网的平均高程的高程差，若高程差大于给定阈值Ted，则该候选异常格网单元内包含的原始机载LIDAR点云数据为异常数据，进行剔除，否则保留该候选异常格网单元内包含的原始机载LIDAR点云数据，最终获得去除异常数据集；
步骤2.2：将去除异常数据集规则化为强度3D体元数据集；
步骤3：从3D体元数据集中分离出地面体元数据集；
步骤4：用道路反射的激光强度特性从地面体元中搜寻道路种子体元，提取与道路种子体元3D连通且强度差小于设定阈值的含有数据点体元作为道路体元，得到道路提取结果；
步骤4.1：依据道路反射的激光强度信息从地面体元中搜索道路种子体元Vs；
步骤4.2：依次从Vs的给定邻域尺度内的目标体元即包含有数据点的体元出发，深度优先遍历所有邻接目标体元，若邻接目标体元和Vs有路径连通，且邻接目标体元与种子体元的强度差小于给定阈值Ti，则标记为道路体元；
步骤4.2.1：初始化：设置存储种子体元的初始栈，并标记这些种子体元为道路体元；
步骤4.2.2：从初始栈的栈顶弹出一个元素，获取其给定邻域内未标记的目标体元，比较目标体元与种子体元的强度差，若强度差小于给定阈值Ti，则将该目标体元标记为道路体元并存入初始栈中；
步骤4.2.3：判断初始栈中是否为空，是，则3D体元格网中和Vs有路径连通的所有目标体元均被标记为道路体元，否则，执行步骤4.2.2。
2.根据权利要求1所述的基于体元的机载LIDAR道路提取方法，其特征在于，所述步骤2.2具体包括如下步骤：
步骤2.2.1：用去除异常数据集的轴向包围盒表示3D空间范围；
步骤2.2.2：计算x、y、z方向上的体元分辨率即体元大小，x、y、z方向上的体元分辨率(Δx,Δy,Δz)依据去除异常数据集中数据点的平均点间距确定；
步骤2.2.3：依据x、y、z方向上的体元分辨率对轴向包围盒进行划分得到3D体元格网，每一个3D体元格网单元称为体元；
步骤2.2.4：将去除异常数据集映射到3D体元格网，判断体元中是否包含有去除异常数据点，是，对含有数据点的体元赋值所包含数据点的强度，若有多个数据点，则赋值该体元包含的所有数据点强度的平均值，否则，将体元赋值0，得到3D体元数据集，其中，0值体元和非0值体元分别代表背景体元和目标体元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710044460.8A CN106709473B (zh) | 2017-01-19 | 2017-01-19 | 一种基于体元的机载lidar道路提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710044460.8A CN106709473B (zh) | 2017-01-19 | 2017-01-19 | 一种基于体元的机载lidar道路提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106709473A CN106709473A (zh) | 2017-05-24 |
| CN106709473B true CN106709473B (zh) | 2020-03-24 |
Family
ID=58909299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710044460.8A Active CN106709473B (zh) | 2017-01-19 | 2017-01-19 | 一种基于体元的机载lidar道路提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106709473B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109407115B (zh) * | 2018-12-25 | 2022-12-27 | 中山大学 | 一种基于激光雷达的路面提取***及其提取方法 |
| CN110516653A (zh) * | 2019-09-03 | 2019-11-29 | 武汉天擎空间信息技术有限公司 | 一种基于多光谱机载激光雷达点云数据的道路提取方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101625414A (zh) * | 2009-08-11 | 2010-01-13 | 中国气象局北京城市气象研究所 | 雷达与地理信息数据的融合方法、装置，及天气监测*** |
| CN105844602A (zh) * | 2016-04-01 | 2016-08-10 | 辽宁工程技术大学 | 一种基于体元的机载lidar点云三维滤波方法 |
| CN106324581A (zh) * | 2016-08-25 | 2017-01-11 | 辽宁工程技术大学 | 一种基于体元的机载lidar建筑物检测方法 |
-
2017
- 2017-01-19 CN CN201710044460.8A patent/CN106709473B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101625414A (zh) * | 2009-08-11 | 2010-01-13 | 中国气象局北京城市气象研究所 | 雷达与地理信息数据的融合方法、装置，及天气监测*** |
| CN105844602A (zh) * | 2016-04-01 | 2016-08-10 | 辽宁工程技术大学 | 一种基于体元的机载lidar点云三维滤波方法 |
| CN106324581A (zh) * | 2016-08-25 | 2017-01-11 | 辽宁工程技术大学 | 一种基于体元的机载lidar建筑物检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106709473A (zh) | 2017-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969624B (zh) | 一种激光雷达三维点云分割方法 | |
| CN108109139B (zh) | 基于灰度体元模型的机载lidar三维建筑物检测方法 | |
| CN104331699B (zh) | 一种三维点云平面化快速搜索比对的方法 | |
| CN110490888B (zh) | 基于机载激光点云的高速公路几何特征矢量化提取方法 | |
| CN112613378B (zh) | 3d目标检测方法、***、介质及终端 | |
| CN111325138B (zh) | 一种基于点云局部凹凸特征的道路边界实时检测方法 | |
| CN112099046B (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
| CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
| Shirowzhan et al. | Building classification from lidar data for spatio-temporal assessment of 3D urban developments | |
| Zeybek | Classification of UAV point clouds by random forest machine learning algorithm | |
| CN114332366A (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
| CN112132108A (zh) | 地面点云数据的提取方法、装置、设备及存储介质 | |
| Yadav et al. | Identification of trees and their trunks from mobile laser scanning data of roadway scenes | |
| Hu et al. | Research on a single-tree point cloud segmentation method based on UAV tilt photography and deep learning algorithm | |
| CN105447452A (zh) | 一种基于地物空间分布特征的遥感亚像元制图方法 | |
| CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
| CN113205548A (zh) | 一种林区无人机和地基点云的自动化配准方法及*** | |
| CN106709473B (zh) | 一种基于体元的机载lidar道路提取方法 | |
| Yadav | A multi-constraint combined method for road extraction from airborne laser scanning data | |
| CN112017219A (zh) | 一种激光点云配准方法 | |
| CN114663485A (zh) | 一种输电线路图像和点云数据的处理方法和*** | |
| CN107993242B (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
| CN112581511B (zh) | 基于近似直立扫描点云快速配准的三维重建方法及*** | |
| CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
| CN110174115B (zh) | 一种基于感知数据自动生成高精度定位地图的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |