CN107767453B - 一种基于规则约束的建筑物lidar点云重构优化方法 - Google Patents
一种基于规则约束的建筑物lidar点云重构优化方法 Download PDFInfo
- Publication number
- CN107767453B CN107767453B CN201711058904.XA CN201711058904A CN107767453B CN 107767453 B CN107767453 B CN 107767453B CN 201711058904 A CN201711058904 A CN 201711058904A CN 107767453 B CN107767453 B CN 107767453B
- Authority
- CN
- China
- Prior art keywords
- regular
- triangular
- building
- point cloud
- patch
- 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
Images
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明属于虚拟现实和仿真技术领域,具体涉及一种基于规则约束的建筑物LIDAR点云重构优化方法。本发明一种基于规则约束的建筑物LIDAR点云重构优化方法包括以下步骤:步骤1,扫测得到简化后的LIDAR点云数据集;步骤2从简化后的LIDAR点云数据集中提取待建模目标建筑物的LIDAR点云数据;步骤3采用贪婪投影三角化算法对待建模目标建筑物的LIDAR点云数据进行重构,生成一个三角网格结构的初始建筑物模型;步骤4采用规则曲面优化语义约束对三角网格结构的初始建筑物模型凹凸不平的表面进行优化处理;步骤5,对三角网格结构的初始建筑物模型中的有规则线特征的交界区域进行优化;步骤6,三角网格结构的初始建筑物模型中的有规则曲面特征的交界区域进行优化。
Description
技术领域
本发明属于虚拟现实和仿真技术领域,具体涉及一种基于规则约束的建筑物LIDAR点云重构优化方法。该方法适用于包含噪声的大范围场景中建筑物点云快速重构,可根据不同的精细程度要求,进行不同级别的优化,用于优化语义所约束的几何图元。
背景技术
目前,国内外基于LIDAR点云数据的建筑物三维重建技术研究日益丰富,对重建效果的要求也越来越高,该领域的研究热点正逐渐转向于重建过程中的一些细节优化问题,如网格模型优化等。然而,建筑物LIDAR点云数据获取过程存在噪声影响和因无关物体遮挡引起的点云数据缺失等缺陷,目前的研究尚难以完全克服这些问题,并且所重构的模型精度还有较大提升空间,目前基于后期手工优化处理的做法虽然能获得高质量的模型,但存在建模过程复杂且耗时等问题。
发明内容
针对已有建筑物激光点云数据三维网格模型重构技术存在重构模型精度不高、建模过程复杂且耗时等问题,本发明采用两步法设计并构建了一种基于规则约束的建筑物LIDAR点云重构优化方法。
为解决上述技术问题,本发明采用的技术方案为:
一种基于规则约束的建筑物LIDAR点云重构优化方法,包括以下步骤:
步骤1,利用LIDAR激光扫描***的测量参数信息,将扫测大规模建筑物得到的不同测点大规模含噪声的散乱LIDAR点云数据通过基于特征点的ICP算法配准、拼接得到一个描述大规模建筑物场景的完备LIDAR点云数据集,通过VoxelGrid滤波器对描述大规模建筑物场景的完备LIDAR点云数据集进行简化得到简化后的LIDAR点云数据集,在保证模型特征描述完整的前提下,去除冗余和噪声点,提高后续点云建模的效率;
步骤2,采用基于交互的方式(通过用户参与手动拾取的方式)通过Geomagic软件从简化后的LIDAR点云数据集中提取待建模目标建筑物的LIDAR点云数据;
步骤3,采用贪婪投影三角化算法对步骤2得到的待建模目标建筑物的LIDAR点云数据进行重构,生成一个三角网格结构的初始建筑物模型;
步骤4,采用规则曲面优化语义约束对步骤3三角网格结构的初始建筑物模型凹凸不平的表面进行优化处理;
步骤5,对步骤3三角网格结构的初始建筑物模型中的有规则线特征的交界区域进行优化,该优化以两个规则曲面优化语义约束所构成的规则线约束为依据,通过将有规则线特征的交界区域的三角面片进行三角形剖分、空间投影计算,将有规则线特征的交界区域三角网格优化到符合真实建筑物表面几何结构;
步骤6,对步骤3三角网格结构的初始建筑物模型中的有规则曲面特征的交界区域进行优化,该优化以根据交界区域点云数据拟合出的规则曲面为依据,通过将有规则曲面特征的交界区域的三角面片顶点进行空间投影,三角形剖分计算,将有规则曲面特征的交界区域三角网格优化到符合真实建筑物表面几何结构。
优选地,本发明所述步骤4中规则曲面优化语义约束包括以下步骤:
步骤4.1,首先通过交互的方式为三角网格结构的初始建筑物模型的每个规则的曲面确定一个语义约束面作为优化依据,将语义约束面简称为规则面,通过交互选中的三个点p1(x1,y1,z1),p2(x2,y2,z2),p3(x3,y3,z3)来确定规则面的方程:
ax+by+cz+d=0 (1)
其中,a,b,c为公式(1)中的系数,d为公式(1)中的常量,x1、y1、z1分别为点p1的x、y、z坐标,x2、y2、z2分别为点p2的x、y、z坐标,x3、y3、z3分别为点p3的x、y、z坐标,
步骤4.2,将规则面与对应建筑物模型表面的三角网格进行相交计算,与规则面相交的三角面片穿过规则面,且其顶点落在规则面外,三角面片与规则面的相交测试计算为:将三角面片三个顶点代入规则面方程(1)得到三个值,然后判断这三个值正负符号的异同,若这三个值同号,则判定此三角面片与规则面不相交;若这三个值中至少有一个值为异号,则判定此三角面片与规则面相交,以规则面为依据的规则曲面优化计算将这些三角面片的顶点p(x0,y0,z0)通过点到规则面的投影计算投影到规则面上,具体投影计算过程为:过点p(x0,y0,z0)做规则面的垂线,与规则面相交为p'(x,y,z),向量pp'与平面的法向量n平行,则垂线的方程如公式(3)所示:
其中,x0、y0、z0分别为三角面片的顶点p的x、y、z坐标,
将公式(4)中所示参数t的值代入垂线方程(3)即可得到点p(x0,y0,z0)到规则面的投影点p'(x,y,z)的坐标,然后,将此投影点坐标替换为点p(x0,y0,z0)的坐标,通过投影计算,与规则面相交的三角面片被投影到规则面上,进而完成基于规则面的不平整曲面的优化,通过几次迭代达到逼近真实建筑物表面的优化效果。
优选地,本发明所述步骤5中将有规则线特征的交界区域的三角面片进行三角形剖分、空间投影计算包括以下步骤:
步骤5.1,将设计的两个规则面分别与对应建筑物模型表面的三角网格进行相交计算,标记同时与两个规则面相交的三角面片;
步骤5.2,将步骤5.1标记的三角面片投影到其中一个规则面上,并以两个规则面所构成的规则线为界线将投影后的三角面片剖分为两部分;
步骤5.3,将剖分后不在首次投影规则面内的剩余面片投影到另一个规则面上,便实现了重构模型的规则线交界区域优化。
优选地,本发明所述步骤6中有规则曲面特征的交界区域的三角面片顶点进行空间投影,三角形剖分计算包括以下步骤:
步骤6.1,根据有规则曲面特征的交界区域点云数据拟合出描述真实建筑物表面交界区域几何结构的规则曲面方程,以此规则曲面作为规则面;
步骤6.2,将交界区域三角面片的各个顶点按与规则面距离最近的方向垂直投影到规则面上;
步骤6.3,以规则面为约束对投影后的三角面片进行网格剖分计算,以投影后三角面片各边中点为新***顶点,将三角面片剖分为四个子三角面片,并投影新面片顶点到约束面上,通过不断迭代,直到网格点处的平均曲率或高斯曲率与此处规则面的曲率小于设定的阈值。
本发明采用以上技术方案,首先,通过交互方式从所采集的大规模LIDAR点云数据中提取出需要重构的单个建筑物点云数据,然后,采用建模效率较高的点云模型三角网格构建方法进行模型网格重构,最后,进行基于规则语义约束的模型网格优化,对建筑物的规则曲面和交界区域的三角网格结构进行优化重构,使得优化后的网格模型逼近真实的建筑物几何结构,从而获得一个视觉效果更优的建筑物三维网格模型。
相对之前的特征线提取方法,本发明针对已有建筑物三维模型建模技术具有模型精度不高、建模过程复杂且耗时的问题,提出一种基于规则约束的建筑物LIDAR点云重构优化方法,并在设计规则语义的基础上对建筑物LIDAR点云数据进行了算法实验分析,在建筑物LIDAR扫测数据集上,本发明取得了较好的实验效果,能够有效地实现建筑物LIDAR点云重构与优化,并保持建筑物模型几何正确性和真实视觉效果,本文算法具有较好的建模正确性和规模化,同时也可适用于其他类型实体的点云重构与优化。
附图说明
图1是本发明的方法流程示意图;
图2是单体建筑物点云数据示意图;
图3是三角网格模型示意图;
图4是本发明的方法优化的网格模型结构示意图;
图5是本发明的方法优化的规则曲面交界区域示意图。
具体实施方式
实施例1
如图1所示,本发明中的基于规则约束的建筑物LIDAR点云重构优化方法,其包括步骤1至步骤6:
步骤1,利用LIDAR激光扫描***的测量参数信息,将扫测大规模建筑物得到的不同测点大规模含噪声的散乱LIDAR点云数据通过基于特征点的ICP算法配准、拼接得到一个描述大规模建筑物场景的完备LIDAR点云数据集,通过VoxelGrid滤波器对描述大规模建筑物场景的完备LIDAR点云数据集进行简化得到简化后的LIDAR点云数据集,在保证模型特征描述完整的前提下,去除冗余和噪声点,提高后续点云建模的效率;
步骤2,采用基于交互的方式(通过用户参与手动拾取的方式)通过Geomagic软件从简化后的LIDAR点云数据集中提取待建模目标建筑物的LIDAR点云数据;
步骤3,采用贪婪投影三角化算法对步骤2得到的待建模目标建筑物的LIDAR点云数据进行重构,生成一个三角网格结构的初始建筑物模型;
步骤4,采用规则曲面优化语义约束对步骤3三角网格结构的初始建筑物模型凹凸不平的表面进行优化处理;
规则曲面优化语义约束包括以下步骤:
步骤4.1,首先通过交互的方式为三角网格结构的初始建筑物模型的每个规则的曲面确定一个语义约束面作为优化依据,将语义约束面简称为规则面,通过交互选中的三个点p1(x1,y1,z1),p2(x2,y2,z2),p3(x3,y3,z3)来确定规则面的方程:
ax+by+cz+d=0 (1)
其中,a,b,c为公式(1)中的系数,d为公式(1)中的常量,x1、y1、z1分别为点p1的x、y、z坐标,x2、y2、z2分别为点p2的x、y、z坐标,x3、y3、z3分别为点p3的x、y、z坐标,
步骤4.2,将规则面与对应建筑物模型表面的三角网格进行相交计算,与规则面相交的三角面片穿过规则面,且其顶点落在规则面外,三角面片与规则面的相交测试计算为:将三角面片三个顶点代入规则面方程(1)得到三个值,然后判断这三个值正负符号的异同,若这三个值同号,则判定此三角面片与规则面不相交;若这三个值中至少有一个值为异号,则判定此三角面片与规则面相交,以规则面为依据的规则曲面优化计算将这些三角面片的顶点p(x0,y0,z0)通过点到规则面的投影计算投影到规则面上,具体投影计算过程为:过点p(x0,y0,z0)做规则面的垂线,与规则面相交为p'(x,y,z),向量pp'与平面的法向量n平行,则垂线的方程如公式(3)所示:
其中,x0、y0、z0分别为三角面片的顶点p的x、y、z坐标,
将公式(4)中所示参数t的值代入垂线方程(3)即可得到点p(x0,y0,z0)到规则面的投影点p'(x,y,z)的坐标,然后,将此投影点坐标替换为点p(x0,y0,z0)的坐标,通过投影计算,与规则面相交的三角面片被投影到规则面上,进而完成基于规则面的不平整曲面的优化,通过几次迭代达到逼近真实建筑物表面的优化效果。
步骤5,对步骤3三角网格结构的初始建筑物模型中的有规则线特征的交界区域进行优化,该优化以两个规则曲面优化语义约束所构成的规则线约束为依据,通过将有规则线特征的交界区域的三角面片进行三角形剖分、空间投影计算,将有规则线特征的交界区域三角网格优化到符合真实建筑物表面几何结构;
所述将有规则线特征的交界区域的三角面片进行三角形剖分、空间投影计算包括以下步骤:
步骤5.1,将设计的两个规则面分别与对应建筑物模型表面的三角网格进行相交计算,标记同时与两个规则面相交的三角面片;
步骤5.2,将步骤5.1标记的三角面片投影到其中一个规则面上,并以两个规则面所构成的规则线为界线将投影后的三角面片剖分为两部分;
步骤5.3,将剖分后不在首次投影规则面内的剩余面片投影到另一个规则面上,便实现了重构模型的规则线交界区域优化。
步骤6,对步骤3三角网格结构的初始建筑物模型中的有规则曲面特征的交界区域进行优化,该优化以根据交界区域点云数据拟合出的规则曲面为依据,通过将有规则曲面特征的交界区域的三角面片顶点进行空间投影,三角形剖分计算,将有规则曲面特征的交界区域三角网格优化到符合真实建筑物表面几何结构;
所述步骤6中有规则曲面特征的交界区域的三角面片顶点进行空间投影,三角形剖分计算包括以下步骤:
步骤6.1,根据有规则曲面特征的交界区域点云数据拟合出描述真实建筑物表面交界区域几何结构的规则曲面方程,以此规则曲面作为规则面;
步骤6.2,将交界区域三角面片的各个顶点按与规则面距离最近的方向垂直投影到规则面上;
步骤6.3,以规则面为约束对投影后的三角面片进行网格剖分计算,以投影后三角面片各边中点为新***顶点,将三角面片剖分为四个子三角面片,并投影新面片顶点到约束面上,通过不断迭代,直到网格点处的平均曲率或高斯曲率与此处规则面的曲率小于设定的阈值。
为实现本发明方法,分别对两个不同的单体建筑物点云进行实验。图2通过点云数据预处理(LIDAR点云数据解析、点云分割)所获得的单体建筑物点云数据。图3是单体建筑物点云数据通过点云网格重构(贪婪投影三角化算法)计算所获得的三角网格模型。图4是三角网格模型通过规则面优化和规则线交界区域优化计算所获得的优化网格模型。图5是针对建筑物墙角为规则曲面的网格模型案例,规则曲面交界区域优化计算的效果示意图。
从图2、图3、图4对比中可以看出本发明本文提出的基于规则约束建筑物LIDAR点云重构优化方法可以有效地对建筑物点云数据进行重构和优化。基于规则语义优化后的建筑物网格模型实现了对真实建筑物几何结构的描述。在实验过程中,我们发现本文的规则语义优化方法针对大规模建筑物LIDAR点云数据可以较好地实现规模化模型重构与优化,如规则街区的一次性统一优化。
Claims (3)
1.一种基于规则约束的建筑物LIDAR点云重构优化方法,其特征在于包括以下步骤:
步骤1,利用LIDAR激光扫描***的测量参数信息,将扫测大规模建筑物得到的不同测点大规模含噪声的散乱LIDAR点云数据通过基于特征点的ICP算法配准、拼接得到一个描述大规模建筑物场景的完备LIDAR点云数据集,通过VoxelGrid滤波器对描述大规模建筑物场景的完备LIDAR点云数据集进行简化得到简化后的LIDAR点云数据集,在保证模型特征描述完整的前提下,去除冗余和噪声点,提高后续点云建模的效率;
步骤2,采用基于交互的方式,通过用户参与手动拾取的方式,通过Geomagic软件从简化后的LIDAR点云数据集中提取待建模目标建筑物的LIDAR点云数据;
步骤3,采用贪婪投影三角化算法对步骤2得到的待建模目标建筑物的LIDAR点云数据进行重构,生成一个三角网格结构的初始建筑物模型;
步骤4,采用规则曲面优化语义约束对步骤3三角网格结构的初始建筑物模型凹凸不平的表面进行优化处理;
步骤5,对步骤3三角网格结构的初始建筑物模型中的有规则线特征的交界区域进行优化,该优化以两个规则曲面优化语义约束所构成的规则线约束为依据,通过将有规则线特征的交界区域的三角面片进行三角形剖分、空间投影计算,将有规则线特征的交界区域三角网格优化到符合真实建筑物表面几何结构;
步骤6,对步骤3三角网格结构的初始建筑物模型中的有规则曲面特征的交界区域进行优化,该优化以根据交界区域点云数据拟合出的规则曲面为依据,通过将有规则曲面特征的交界区域的三角面片顶点进行空间投影,三角形剖分计算,将有规则曲面特征的交界区域三角网格优化到符合真实建筑物表面几何结构;
所述步骤4中规则曲面优化语义约束包括以下步骤:
步骤4.1,首先通过交互的方式为三角网格结构的初始建筑物模型的每个规则的曲面确定一个语义约束面作为优化依据,将语义约束面简称为规则面,通过交互选中的三个点p1(x1,y1,z1),p2(x2,y2,z2),p3(x3,y3,z3)来确定规则面的方程:
ax+by+cz+d=0 (1)
其中,a,b,c为公式(1)中的系数,d为公式(1)中的常量,x1、y1、z1分别为点p1的x、y、z坐标,x2、y2、z2分别为点p2的x、y、z坐标,x3、y3、z3分别为点p3的x、y、z坐标,
步骤4.2,将规则面与对应建筑物模型表面的三角网格进行相交计算,与规则面相交的三角面片穿过规则面,且其顶点落在规则面外,三角面片与规则面的相交测试计算为:将三角面片三个顶点代入公式(1)得到三个值,然后判断这三个值正负符号的异同,若这三个值同号,则判定此三角面片与规则面不相交;若这三个值中至少有一个值为异号,则判定此三角面片与规则面相交,以规则面为依据的规则曲面优化计算将这些三角面片的顶点p(x0,y0,z0)通过点到规则面的投影计算投影到规则面上,具体投影计算过程为:过点p(x0,y0,z0)做规则面的垂线,与规则面相交为p'(x,y,z),向量pp'与平面的法向量n平行,则垂线的方程如公式(3)所示:
其中,x0、y0、z0分别为三角面片的顶点p的x、y、z坐标,
将由公式(4)中计算所得t值代入公式(3)即可得到点p(x0,y0,z0)到规则面的投影点p'(x,y,z)的坐标,然后,将此投影点坐标替换为点p(x0,y0,z0)的坐标,通过投影计算,与规则面相交的三角面片被投影到规则面上,进而完成基于规则面的不平整曲面的优化,通过几次迭代达到逼近真实建筑物表面的优化效果。
2.根据权利要求1所述的一种基于规则约束的建筑物LIDAR点云重构优化方法,其特征在于所述步骤5中将有规则线特征的交界区域的三角面片进行三角形剖分、空间投影计算包括以下步骤:
步骤5.1,将设计的两个规则面分别与对应建筑物模型表面的三角网格进行相交计算,标记同时与两个规则面相交的三角面片;
步骤5.2,将步骤5.1标记的三角面片投影到其中一个规则面上,并以两个规则面所构成的规则线为界线将投影后的三角面片剖分为两部分;
步骤5.3,将剖分后不在首次投影规则面内的剩余面片投影到另一个规则面上,便实现了重构模型的规则线交界区域优化。
3.根据权利要求1所述的一种基于规则约束的建筑物LIDAR点云重构优化方法,其特征在于所述步骤6中有规则曲面特征的交界区域的三角面片顶点进行空间投影,三角形剖分计算包括以下步骤:
步骤6.1,根据有规则曲面特征的交界区域点云数据拟合出描述真实建筑物表面交界区域几何结构的规则曲面方程,以此规则曲面作为规则面;
步骤6.2,将交界区域三角面片的各个顶点按与规则面距离最近的方向垂直投影到规则面上;
步骤6.3,以规则面为约束对投影后的三角面片进行网格剖分计算,以投影后三角面片各边中点为新***顶点,将三角面片剖分为四个子三角面片,并投影新面片顶点到约束面上,通过不断迭代,直到网格点处的平均曲率或高斯曲率与此处规则面的曲率小于设定的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711058904.XA CN107767453B (zh) | 2017-11-01 | 2017-11-01 | 一种基于规则约束的建筑物lidar点云重构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711058904.XA CN107767453B (zh) | 2017-11-01 | 2017-11-01 | 一种基于规则约束的建筑物lidar点云重构优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107767453A CN107767453A (zh) | 2018-03-06 |
CN107767453B true CN107767453B (zh) | 2021-02-26 |
Family
ID=61272473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711058904.XA Active CN107767453B (zh) | 2017-11-01 | 2017-11-01 | 一种基于规则约束的建筑物lidar点云重构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767453B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636911A (zh) * | 2018-11-06 | 2019-04-16 | 深圳华侨城文化旅游科技股份有限公司 | 一种基于体感设备的扫描方法及*** |
CN109583490B (zh) * | 2018-11-22 | 2021-08-10 | 上海交通大学 | 大规模图像的匹配方法 |
CN111435551B (zh) * | 2019-01-15 | 2023-01-13 | 华为技术有限公司 | 点云滤波方法、装置及存储介质 |
CN109910180B (zh) * | 2019-04-24 | 2020-08-07 | 华侨大学 | 一种圆盘锯粗加工三维异型石材的锯切方法 |
CN110348620A (zh) * | 2019-07-02 | 2019-10-18 | 深圳大学 | 基于激光扫描的建筑拆除废弃物产生量预测方法及装置 |
CN111311752B (zh) * | 2020-02-14 | 2021-04-27 | 福州大学 | 一种基于映射图的LiDAR数据随机采样及重构方法 |
CN113393577B (zh) * | 2021-05-28 | 2023-04-07 | 中铁二院工程集团有限责任公司 | 一种倾斜摄影地形重建方法 |
CN115600307B (zh) * | 2022-12-01 | 2023-03-10 | 北京飞渡科技有限公司 | 一种从城市场景的Mesh模型中生成单体化建筑的方法 |
CN116129076B (zh) * | 2023-04-17 | 2023-06-27 | 深圳大学 | 一种规则特征保持的建筑物Mesh模型简化方法 |
CN116500379B (zh) * | 2023-05-15 | 2024-03-08 | 珠海中瑞电力科技有限公司 | 一种sts装置电压跌落精准定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521884A (zh) * | 2011-12-16 | 2012-06-27 | 南京大学 | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 |
CN105844713A (zh) * | 2016-04-22 | 2016-08-10 | 中北大学 | 一种基于流形的参数曲面重构方法 |
WO2017109361A1 (fr) * | 2015-12-24 | 2017-06-29 | Orange | Procédé automatique et dispositif de détermination d'un parcours client dans un système de communication multicanal |
-
2017
- 2017-11-01 CN CN201711058904.XA patent/CN107767453B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521884A (zh) * | 2011-12-16 | 2012-06-27 | 南京大学 | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 |
WO2017109361A1 (fr) * | 2015-12-24 | 2017-06-29 | Orange | Procédé automatique et dispositif de détermination d'un parcours client dans un système de communication multicanal |
CN105844713A (zh) * | 2016-04-22 | 2016-08-10 | 中北大学 | 一种基于流形的参数曲面重构方法 |
Non-Patent Citations (2)
Title |
---|
Extraction and Simplification of Building Facade Pieces from Mobile Laser Scanner Point Clouds for 3D Street View Services;Li, Y 等;《ISPRS INTERNATIONAL JOURNAL OF GEO-INFORMATION》;20161205;第5卷(第12期);全文 * |
基于激光点云数据的三维模型重构关键技术研究;周杰;《中国优秀硕士学位论文全文数据库信息科技辑(月刊 )》;20160315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107767453A (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767453B (zh) | 一种基于规则约束的建筑物lidar点云重构优化方法 | |
CN111932688B (zh) | 一种基于三维点云的室内平面要素提取方法、***及设备 | |
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
CN110009743B (zh) | 一种场景理解的网格曲面重建方法 | |
CN107464286B (zh) | 三维城市模型中的孔洞修复方法及装置、设备及可读介质 | |
CN103871102B (zh) | 一种基于高程点和道路轮廓面的道路三维精细建模方法 | |
CN103701466A (zh) | 基于特征保留的散乱点云压缩算法 | |
WO2014200914A1 (en) | Scalable volumetric 3d reconstruction | |
CN108280852B (zh) | 一种基于激光点云数据的门窗点云形状检测方法及*** | |
CN111581776B (zh) | 一种基于几何重建模型的等几何分析方法 | |
CN107545602B (zh) | 基于LiDAR点云的空间拓扑关系约束下的建筑物建模方法 | |
CN109766866A (zh) | 一种基于三维重建的人脸特征点实时检测方法和检测*** | |
CN115018992A (zh) | 发型模型的生成方法、装置、电子设备及存储介质 | |
Peters et al. | Visibility Analysis in a Point Cloud Based on the Medial Axis Transform. | |
CN115330940A (zh) | 一种三维重建方法、装置、设备和介质 | |
Hu et al. | Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization | |
Liu et al. | Coarse registration of point clouds with low overlap rate on feature regions | |
CN102722906B (zh) | 一种基于特征的自顶向下从图像建模的方法 | |
US8948498B1 (en) | Systems and methods to transform a colored point cloud to a 3D textured mesh | |
Zhu et al. | Variational building modeling from urban MVS meshes | |
CN111210501B (zh) | 一种室内建模方法、装置及终端设备 | |
CN116051540B (zh) | 基于点云模型的互感器接线端子定位位姿获取方法及*** | |
Yu et al. | Saliency computation and simplification of point cloud data | |
Scholz et al. | Level of Detail for Real-Time Volumetric Terrain Rendering. | |
CN112085834B (zh) | 一种室内环境下的墙面重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |