CN111291662A - 一种基于平面选择的车载点云杆状物提取方法 - Google Patents
一种基于平面选择的车载点云杆状物提取方法 Download PDFInfo
- Publication number
- CN111291662A CN111291662A CN202010072804.8A CN202010072804A CN111291662A CN 111291662 A CN111291662 A CN 111291662A CN 202010072804 A CN202010072804 A CN 202010072804A CN 111291662 A CN111291662 A CN 111291662A
- Authority
- CN
- China
- Prior art keywords
- plane
- candidate
- max
- rod
- voxels
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06T17/005—Tree description, e.g. octree, quadtree
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于平面选择的车载点云杆状物提取方法。本发明根据八叉树***的思想将无序列点云根据空间位置迭代地划分为不同尺度的点集,并从中选择出具有平面性的平面片作为初始平面;利用局部几何特征以及平面孤立性检测对初始平面进行选择过滤得到杆状物的候选平面;基于竖直方向上区域增长算法实现杆状物缺失部分的提取;同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示;最终过滤删除候选平面最低点到地面高度不满足杆状物的候选平面;本发明有效的将车载点云数据中杆状物的提取问题转化为平面选择过滤的问题,最终准确且鲁棒地实现了车载点云杆状物的提取。
Description
技术领域:
本发明属于车载点云数据处理技术领域,特别是涉及一种基于平面选择的车载点云杆状物提取方法。
背景技术:
在城市级场景中,车载激光扫描***可以精确、快速获取城市建筑物、道路交通设施、隧道等地物的表面信息,非常适用于城市物体三维空间信息的快速精确获取与模型重建。从车载三维激光扫描数据提取杆状物有利于创建城市地理空间信息数据库、及时更新高精度城市地图,并对城市管理以及智能交通***的建成具有推动作用。但三维激光扫描数据存在结构无组织,密度不均匀和数据量巨大的特点,如何高效鲁棒的从中提取杆状物体也成为了点云数据的研究热点。
国内外近十年来对杆状物提取的研究工作越来越多,从提取场景来说,可以分成城市道路环境下的杆状物提取、高速公路上的杆状物提取以及郊区环境中的杆状物提取。从杆状物的目标分类来说,杆状物的提取又可以细分为行道树的提取、电线杆的提取以及路灯的提取等。从分类方法来说,大致可以归纳为基于模型拟合的杆状物提取方法、基于几何特征的杆状物提取方法和基于学习的杆状物提取方法:基于模型拟合的杆状物提取方法以双圆柱模型应用最为广泛,此类方法可以提取出大多数杆状物体,但是对于部分被其他物体遮挡或距离其他物体太近的物体存在大概率的漏检现象;基于特征杆状物提取方法是通过分析点云中的点的局部几何特征来从点云数据中提取杆状物,诸如高度、投影面积等形状特征和上下文特征是常被用到的特征,该方法能够很好的实现杆状物体的检测,但较多的几何特征约束意味着参数的增加,方法的普适性有待提高;3)基于学习的方法目前在杆状物提取中的应用越来越多,且具有较高的完整性和正确性。但,基于学习的杆状物提取方法需要先验知识的辅助,且需要人工手动标记学习样本,存在来自一个数据集的训练数据可能不适合其他数据集的模型的问题。
城市街道环境中可能存在的物体种类复杂且多样,例如建筑物、行人、车辆、行道树、道路标线、交通灯等,各个物体之间还可能存在互相缠绕、互相遮挡的现象,杆状物的自动提取问题变得更加复杂。目前现有大多数方法的鲁棒性多依赖于良好的数据集及大量测试之后的经验参数控制,不具有普适性。针对以上问题,本发明提出了一种基于平面选择的方法提取杆状物,经过实验验证,该方法具有较高的准确性和鲁棒性。
发明内容:
为了能够准确鲁棒地从城市街道场景中提取杆状物,本发明提供了一种基于平面选择的车载点云杆状物提取方法。本发明所采用的技术方案包括以下步骤:
步骤1,根据八叉树***的思想将无序列点云根据空间位置迭代地划分为不同尺度的点集,并从中选择出具有平面性的平面片作为初始平面;
步骤2,利用局部几何特征以及平面孤立性检测对初始平面进行选择过滤得到杆状物的候选平面;
步骤3,基于竖直方向上区域增长算法实现杆状物缺失部分的提取;同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示;最终过滤删除候选平面中高度不满足杆状物的候选平面;
作为优选,步骤1具体为:
步骤1.1,依次将无序列点云根据空间位置迭代地划分到各个体素内,并标记体素为:
Vk={(ck,rk,hk),indexk,numk},k∈[1,m],m>1
其中,(ck,rk,hk)表示体素坐标,且ck,rk,hk均为整数,indexk为体素索引值,numk表示体素中点的数量,且后续所有操作都以体素为基本单位;
步骤1.2,根据步骤1.1中所生成的所有体素的位置坐标极值点(cmax,rmax,hmax)和(cmin,rmin,hmin)确定体素坐标值的范围,构建能够包含所有体素的最小长方体的顶点位置坐标(cmax,rmax,hmax),(cmax,rmax,hmin),(cmax,rmin,hmax),(cmax,rmin,hmin),(cmin,rmax,hmax),(cmin,rmax,hmin),(Cmin,rmin,hmax),(cmin,rmin,hmin);
步骤1.3,将长方体切分成若干个为M×M×M(M=2m)的立方体,记为Bi为第i个立方体,其中m≥1,就可以得到立方体的集合B={Bi},i∈[1,m];
步骤1.4,将被同一立方体即Bi包围的体素中的点集使用主成分分析法计算该点集的参数,包括第i个立方体的法向量即第i个立方体的中心点即第i个立方体的特征值即判断点集Bi是否具有平面性,保存具有平面性的点集为初始平面Prough;
所述步骤1.4具体如下:
步骤1.4.2,计算协方差矩阵∑的特征值和特征向量;
首先构成特征值方程:
λV=∑V
对该方程进行奇异值分解(SVD分解)可以得到三个特征值和与之对应的三个特征向量,也称为主成分;
步骤1.5,判断点集Bi是否具有平面性,即将dmax与给定的阈值Td进行比较。
若dmax>Td,且该点集Bi中体素数量大于1,则将Bi继续向下***为8个大小相等的子正方体,并对每一个子正方体进行步骤1.4计算。
步骤1.6,对于每一个Bi重复步骤1.4和步骤1.5,直到正方体Bi中体素的数量为1时停止进一步划分,如果此时正方体内点集仍然不具有平面性,则跳过这些点,对下一个正方体内的点进行计算,直到将空间内所有正方体都完成计算;
作为优选,步骤2所述杆状物的候选平面的局部特征:
候选平面近似垂直于地面;
候选平面呈条带状;
候选平面周围不存在或仅存在少数散乱点;
步骤2进行选择过滤得到杆状物的候选平面具体包括以下子步骤:
步骤2.1,利用局部几何特征对初始平面进行选择过滤;
条带状平面仅有一个主方向,即t1应尽可能大,t2应尽可能小;
步骤2.2,利用平面孤立性检测进一步对初始平面进行选择过滤;
步骤2.2.1,对步骤1中所述体素Vk可通过其位置坐标(ck,rk,hk)得到它的邻近体素,从而构建体素间的相邻关系。
步骤2.2.3,计算缓冲区域中噪声点的数量;
作为优选,步骤3具体实现方法如下:
步骤3.1,基于竖直方向上区域增长算法实现杆状物缺失部分的提取,具体实现子步骤如下:
步骤3.1.3,以任意平面为种子点,判断其邻近体素是否满足增长条件,若且(为经验值),认为邻近体素与当前平面Pi的单位体素平均密度近似,满足增长条件,将邻近体素增长至平面中,直至Pcandidate中的每一个平面都完成增长后停止;
步骤3.2,同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示,具体实现子步骤如下:
步骤3.2.2,按照从大到小的顺序对平面进行合并,例如,Pfirst,Psecond∈Pcandidate,且分别为候选平面中点云数量最大和第二大的两个平面。nfirst和nsecond分别为Pfirst和Psecond的法向量,计算nfirst和nsecond之间的夹角θ<first,second>。
步骤3.2.3,计算Pfirst,Psecond分别投影至XOY平面时的投影中心cfirst(xcf,ycf)和csecond(xcs,ycs),并计算两个投影中间之间的距离dc;
其中k∈[1,m]为Pfirst中点云数量。
步骤3.2.4,若θ<first,second>≤θτ(θτ为经验值),且dc≤vl(vl为体素边长),则合并Pfirst和Psecond,并更新合并后得到新平面的参数;
步骤3.2.5,重复步骤3.2.2,直至所有候选平面都被遍历之后停止,更新后的平面仍为杆状物的候选平面Ppole;
步骤3.3,过滤删除Ppole中候选平面最低点到地面的高度不满足杆状物的候选平面;
该步骤根据具体应用场景,设置高度阈值Hτ,对于Pp∈Ppole,且p∈[1,m],若Pp到地面的高度即平面Pp中所有点z方向上的最小值zmin,满足zmin≤Hτ,平面Pp即为最终杆状物的提取结果。
本发明优点在于采用了一种高效的八叉树***的方式来拟合平面,并有效的将车载点云数据中杆状物的提取问题转化为平面选择过滤的问题,最终准确且鲁棒地实现了车载点云杆状物的提取。
附图说明
图1:为本发明实施的整体流程图。
图2:为体素间的相邻关系。
图3:为本发明实施的效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1至图3介绍本发明的具体实施方式为:
步骤1,根据八叉树***的思想将无序列点云根据空间位置迭代地划分为不同尺度的点集,并从中选择出具有平面性的平面片作为初始平面;
步骤1具体为:
步骤1.1,依次将无序列点云根据空间位置迭代地划分到各个体素内,并标记体素为:
Vk={(ck,rk,hk),indexk,numk},k∈[1,m],m>1
其中,(ck,rk,hk)表示体素坐标,且ck,rk,hk均为整数,indexk为体素索引值,numk表示体素中点的数量,且后续所有操作都以体素为基本单位;
步骤1.2,根据步骤1.1中所生成的所有体素的位置坐标极值点(cmax,rmax,hmax)和(cmin,rmin,hmin)确定体素坐标值的范围,构建能够包含所有体素的最小长方体的顶点位置坐标(cmax,rmax,hmax),(cmax,rmax,hmin),(cmax,rmin,hmax),(cmax,rmin,hmin),(cmin,rmax,hmax),(cmin,rmax,hmin),(cmin,rmin,hmax),(cmin,rmin,hmin);
步骤1.3,将长方体切分成若干个为M×M×M(M=2m)的立方体,记为Bi为第i个立方体,其中m≥1,就可以得到立方体的集合B={Bi},i∈[1,m];
步骤1.4,将被同一立方体即Bi包围的体素中的点集使用主成分分析法计算该点集的参数,包括第i个立方体的法向量即第i个立方体的中心点即第i个立方体的特征值即判断点集Bi是否具有平面性,保存具有平面性的点集为初始平面Prough;
所述步骤1.4具体如下:
步骤1.4.2,计算协方差矩阵∑的特征值和特征向量;
首先构成特征值方程:
λV=∑V
对该方程进行奇异值分解(SVD分解)可以得到三个特征值和与之对应的三个特征向量,也称为主成分;
步骤1.5,判断点集Bi是否具有平面性,即将dmax与给定的阈值Td(Td取0.1米)进行比较。
若dmax>Td,且该点集Bi中体素数量大于1,则将Bi继续向下***为8个大小相等的子正方体,并对每一个子正方体进行步骤1.4计算。
步骤1.6,对于每一个Bi重复步骤1.4和步骤1.5,直到正方体Bi中体素的数量为1时停止进一步划分,如果此时正方体内点集仍然不具有平面性,则跳过这些点,对下一个正方体内的点进行计算,直到将空间内所有正方体都完成计算;
步骤2,利用局部几何特征以及平面孤立性检测对初始平面进行选择过滤得到杆状物的候选平面;
步骤2所述杆状物的候选平面的局部特征:
候选平面近似垂直于地面;
候选平面呈条带状;
候选平面周围不存在或仅存在少数散乱点;
步骤2进行选择过滤得到杆状物的候选平面具体包括以下子步骤:
步骤2.1,利用局部几何特征对初始平面进行选择过滤;
条带状平面仅有一个主方向,即t1应尽可能大,t2应尽可能小;
步骤2.2,利用平面孤立性检测进一步对初始平面进行选择过滤;
步骤2.2.1,对步骤1中所述体素Vk可通过其位置坐标(ck,rk,hk)得到它的邻近体素,从而构建体素间的相邻关系。
步骤2.2.3,计算缓冲区域中噪声点的数量;
步骤3,基于竖直方向上区域增长算法实现杆状物缺失部分的提取;同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示;最终过滤删除候选平面中高度不满足杆状物的候选平面;
步骤3具体实现方法如下:
步骤3.1,基于竖直方向上区域增长算法实现杆状物缺失部分的提取,具体实现子步骤如下:
步骤3.1.3,以任意平面为种子点,判断其邻近体素是否满足增长条件,若且(为经验值,可取),认为邻近体素与当前平面Pi的单位体素平均密度近似,满足增长条件,将邻近体素增长至平面中,直至Pcandidate中的每一个平面都完成增长后停止;
步骤3.2,同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示,具体实现子步骤如下:
步骤3.2.2,按照从大到小的顺序对平面进行合并,例如,Pfirst,Psecond∈Pcandidate,且分别为候选平面中点云数量最大和第二大的两个平面。nfirst和nsecond分别为Pfirst和Psecond的法向量,计算nfirst和nsecond之间的夹角θ<first,second>。
步骤3.2.3,计算Pfirst,Psecond分别投影至XOY平面时的投影中心cfirst(xcf,ycf)和csecond(xcs,ycs),并计算两个投影中间之间的距离dc;
其中k∈[1,m]为Pfirst中点云数量。
步骤3.2.4,若θ<first,second>≤θτ(θτ为经验值,可取θτ=10°),且dc≤vl(vl为体素边长),则合并Pfirst和Psecond,并更新合并后得到新平面的参数;
步骤3.2.5,重复步骤3.2.2,直至所有候选平面都被遍历之后停止,更新后的平面仍为杆状物的候选平面Ppole;
步骤3.3,过滤删除Ppole中候选平面最低点到地面高度不满足杆状物的候选平面;
该步骤根据具体应用场景,设置高度阈值Hτ,对于Pp∈Ppole,且p∈[1,m],若Pp的最低点到地面高度即平面Pp中所有点z方向上的最小值zmin,满足zmin≤Hτ,平面Pp即为最终杆状物的提取结果。
本方法的有效性可通过以下三个评价指标进行验证,评价指标的计算方式如下公式所示:
其中,Cp为提取完整性,Cr为提取正确性,Ql为提取质量,TP表示正确提取的杆状物数量,即从原始数据中提取出正确杆状物的数量;FP表示错误提取的杆状物数量,即实验结果中显示为杆状物但在原始数据中的表现形式不为杆状物的数量;FN表示漏检杆状物数量,即在原始数据中表现形式为杆状物,但实验结果中并没有提取出来的数量。
本方法的有效性分别在一个网络公开和两个自采集的车载激光点云数据集上得到验证,其平均完整性Cp、平均提取正确性Cr以及平均提取质量Ql分别可达到87.66%、88.81%以及79.03%,能够满足当前车载点云杆状物提取的实际需求。如图3所示,(a)为网络公开数据集的原始输入点云数据,(b)为提取结果,和原始数据对比可以发现本方法无论是在数值上还是在视觉上都具有较高的高鲁棒性和较高的准确率。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (9)
1.一种基于平面选择的车载点云杆状物提取方法,其特征在于,包括以下步骤:
步骤1,根据八叉树***的思想将无序列点云根据空间位置迭代地划分为不同尺度的点集,并从中选择出具有平面性的平面片作为初始平面;
步骤2,利用局部几何特征以及平面孤立性检测对初始平面进行选择过滤得到杆状物的候选平面;
步骤3,基于竖直方向上区域增长算法实现杆状物缺失部分的提取;同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示;最终过滤删除候选平面中高度不满足杆状物的候选平面。
2.根据权利要求1所述的基于平面选择的车载点云杆状物提取方法,其特征在于:所述步骤1具体为:
步骤1.1,依次将无序列点云根据空间位置迭代地划分到各个体素内,并标记体素为:
Vk={(ck,rk,hk),indexk,numk},k∈[1,m],m>1
其中,(ck,rk,hk)表示体素坐标,且ck,rk,hk均为整数,indexk为体素索引值,numk表示体素中点的数量,且后续所有操作都以体素为基本单位;
步骤1.2,根据步骤1.1中所生成的所有体素的位置坐标极值点(cmax,rmax,hmax)和(cmin,rmin,hmin)确定体素坐标值的范围,构建能够包含所有体素的最小长方体的顶点位置坐标(cmax,rmax,hmax),(cmax,rmax,hmin),(cmax,rmin,hmax),(cmax,rmin,hmin),(cmin,rmax,hmax),(cmin,rmax,hmin),(cmin,rmin,hmax),(cmin,rmin,hmin);
步骤1.3,将长方体切分成若干个为M×M×M(M=2m)的立方体,记为Bi为第i个立方体,其中m≥1,就可以得到立方体的集合B=[Bi],i∈[1,m];
步骤1.4,将被同一立方体即Bi包围的体素中的点集使用主成分分析法计算该点集的参数,包括第i个立方体的法向量即第i个立方体的中心点即第i个立方体的特征值即判断点集Bi是否具有平面性,保存具有平面性的点集为初始平面Prough;
步骤1.5,判断点集Bi是否具有平面性,即将dmax与给定的阈值Td进行比较;
若dmax>Td,且该点集Bi中体素数量大于1,则将Bi继续向下***为8个大小相等的子正方体,并对每一个子正方体进行步骤1.4计算;
步骤1.6,对于每一个Bi重复步骤1.4和步骤1.5,直到正方体Bi中体素的数量为1时停止进一步划分,如果此时正方体内点集仍然不具有平面性,则跳过这些点,对下一个正方体内的点进行计算,直到将空间内所有正方体都完成计算;
3.根据权利要求2所述的基于平面选择的车载点云杆状物提取方法,其特征在于:所述步骤1.4具体如下:
步骤1.4.2,计算协方差矩阵∑的特征值和特征向量;
首先构成特征值方程:
λV=∑V
对该方程进行奇异值分解(SVD分解)可以得到三个特征值和与之对应的三个特征向量,也称为主成分;
5.根据权利要求4所述的基于平面选择的车载点云杆状物提取方法,其特征在于:所述步骤2.1具体包以下步骤:
条带状平面仅有一个主方向,即t1应尽可能大,t2应尽可能小;
6.根据权利要求4所述的基于平面选择的车载点云杆状物提取方法,其特征在于:所述步骤2.2具体包以下步骤:
步骤2.2.1,对步骤1中所述体素Vk可通过其位置坐标(ck,rk,hk)得到它的邻近体素,从而构建体素间的相邻关系;
步骤2.2.3,计算缓冲区域中噪声点的数量;
7.根据权利要求1所述的基于平面选择的车载点云杆状物提取方法,其特征在于:
所述步骤3具体实现方法如下:
步骤3.1,基于竖直方向上区域增长算法实现杆状物缺失部分的提取,具体实现子步骤如下:
步骤3.2,同时通过竖直方向上合并算法使得同一根杆状物能够被尽可能少的候选平面所表示;
步骤3.3,过滤删除Ppole中候选平面最低点到地面的高度不满足杆状物的候选平面;
该步骤根据具体应用场景,设置高度阈值Hτ,对于Pp∈Ppole,且p∈[1,m],若Pp到地面的高度即平面Pp中所有点z方向上的最小值zmin,满足zmin≤Hτ,平面Pp即为最终杆状物的提取结果。
8.根据权利要求7所述的基于平面选择的车载点云杆状物提取方法,其特征在于:
所述步骤3.1具体如下:
9.根据权利要求7所述的基于平面选择的车载点云杆状物提取方法,其特征在于:
所述步骤3.2具体如下:
步骤3.2.2,按照从大到小的顺序对平面进行合并,例如,Pfirst,Psecond∈Pcsndidate,且分别为候选平面中点云数量最大和第二大的两个平面;nfirst和nsecond分别为Pfirst和Psecond的法向量,计算nfirst和nsecond之间的夹角θ<first,second>;
步骤3.2.3,计算Pfirst,Psecond分别投影至XOY平面时的投影中心cfirst(xcf,ycf)和csecond(xcs,ycs),并计算两个投影中间之间的距离dc;
其中k∈[1,m]为Pfirst中点云数量;
步骤3.2.4,若θ<first,second>≤θτ(θτ为经验值),且dc≤vl(vl为体素边长),则合并Pfirst和Psecond,并更新合并后得到新平面的参数;
步骤3.2.5,重复步骤3.2.2,直至所有候选平面都被遍历之后停止,更新后的平面仍为杆状物的候选平面Ppole。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072804.8A CN111291662B (zh) | 2020-01-21 | 2020-01-21 | 一种基于平面选择的车载点云杆状物提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072804.8A CN111291662B (zh) | 2020-01-21 | 2020-01-21 | 一种基于平面选择的车载点云杆状物提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291662A true CN111291662A (zh) | 2020-06-16 |
CN111291662B CN111291662B (zh) | 2022-06-07 |
Family
ID=71022400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010072804.8A Active CN111291662B (zh) | 2020-01-21 | 2020-01-21 | 一种基于平面选择的车载点云杆状物提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291662B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446343A (zh) * | 2020-12-07 | 2021-03-05 | 苏州工业园区测绘地理信息有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463871A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的街景面片提取及优化方法 |
CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及*** |
CN105701478A (zh) * | 2016-02-24 | 2016-06-22 | 腾讯科技(深圳)有限公司 | 杆状地物提取的方法和装置 |
CN105787445A (zh) * | 2016-02-24 | 2016-07-20 | 武汉迈步科技有限公司 | 一种车载激光扫描数据中杆状物自动提取方法及*** |
CN106022381A (zh) * | 2016-05-25 | 2016-10-12 | 厦门大学 | 基于车载激光扫描点云的路灯杆自动提取技术 |
CN106204547A (zh) * | 2016-06-29 | 2016-12-07 | 山东科技大学 | 从车载激光扫描点云中自动提取杆状地物空间位置的方法 |
CN108764012A (zh) * | 2018-03-27 | 2018-11-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 |
CN109614857A (zh) * | 2018-10-31 | 2019-04-12 | 百度在线网络技术(北京)有限公司 | 基于点云的杆状物识别方法、装置、设备及存储介质 |
-
2020
- 2020-01-21 CN CN202010072804.8A patent/CN111291662B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463871A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的街景面片提取及优化方法 |
CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及*** |
CN105701478A (zh) * | 2016-02-24 | 2016-06-22 | 腾讯科技(深圳)有限公司 | 杆状地物提取的方法和装置 |
CN105787445A (zh) * | 2016-02-24 | 2016-07-20 | 武汉迈步科技有限公司 | 一种车载激光扫描数据中杆状物自动提取方法及*** |
CN106022381A (zh) * | 2016-05-25 | 2016-10-12 | 厦门大学 | 基于车载激光扫描点云的路灯杆自动提取技术 |
CN106204547A (zh) * | 2016-06-29 | 2016-12-07 | 山东科技大学 | 从车载激光扫描点云中自动提取杆状地物空间位置的方法 |
CN108764012A (zh) * | 2018-03-27 | 2018-11-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 |
CN109614857A (zh) * | 2018-10-31 | 2019-04-12 | 百度在线网络技术(北京)有限公司 | 基于点云的杆状物识别方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
JING HUANG 等: "Pole-like object detection and classification from urban point clouds", 《2015 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》, 2 July 2015 (2015-07-02) * |
ZHIZHONG KANG 等: "Voxel-Based Extraction and Classification of 3-D Pole-Like Objects From Mobile LiDAR Point Cloud Data", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, 1 October 2018 (2018-10-01), pages 4287 - 4298 * |
王鹏 等: "车载激光点云中杆状目标自动提取", 《遥感信息》, vol. 32, no. 05, 31 October 2017 (2017-10-31), pages 52 - 56 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446343A (zh) * | 2020-12-07 | 2021-03-05 | 苏州工业园区测绘地理信息有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
CN112446343B (zh) * | 2020-12-07 | 2024-03-15 | 园测信息科技股份有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111291662B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192284B (zh) | 一种车载激光点云分割方法及*** | |
CN109410321B (zh) | 基于卷积神经网络的三维重建方法 | |
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*** | |
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 | |
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN104463872B (zh) | 基于车载LiDAR点云数据的分类方法 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
CN110443810B (zh) | 基于快速邻接体素查询的点云平面分割方法 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN108399424B (zh) | 一种点云分类方法、智能终端及存储介质 | |
CN114004938B (zh) | 一种基于海量数据的城市场景重建方法及装置 | |
CN114170149A (zh) | 一种基于激光点云的道路几何信息提取方法 | |
CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
US20240087145A1 (en) | System and Method for Aerial to Ground Registration | |
CN113920360A (zh) | 一种道路点云杆状物提取与多尺度识别方法 | |
CN116485821A (zh) | 一种建筑物点云分割与矢量轮廓线提取方法及装置 | |
Tu et al. | Extraction of street pole-like objects based on plane filtering from mobile LiDAR data | |
CN111291662B (zh) | 一种基于平面选择的车载点云杆状物提取方法 | |
CN114638934A (zh) | 一种3D激光slam建图中动态障碍物的后处理方法 | |
CN112200248B (zh) | 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、***及存储介质 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
CN113409332A (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN113033386A (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及*** |
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 |