CN113658190B - 张量投票的面特征航带平差方法 - Google Patents
张量投票的面特征航带平差方法 Download PDFInfo
- Publication number
- CN113658190B CN113658190B CN202110727080.0A CN202110727080A CN113658190B CN 113658190 B CN113658190 B CN 113658190B CN 202110727080 A CN202110727080 A CN 202110727080A CN 113658190 B CN113658190 B CN 113658190B
- Authority
- CN
- China
- Prior art keywords
- data
- point
- plane
- tensor
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000013519 translation Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 239000004744 fabric Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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 Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Navigation (AREA)
Abstract
本发明公开了张量投票的面特征航带平差方法。该方法首先根据张量投票算法计算数据的点平面强度值;接着统计点平面强度值直方图,使用高斯函数对直方图进行拟合求取分割阈值,将小于阈值的数据作为面属性点云数据;其次使用CSF算法获取非地面点,利用点平面强度值与法向量作为阈值条件使用区域增长算法对非地面点进行分割获得建筑物屋顶残面集;然后利用OBB包围盒获取碰撞集合,使用法向量余弦值和平面平均距离获取最终确定匹配对;最后依据匹配对,利用最小二乘法最小化匹配对中一个数据集每一点到另一数据拟合的平面的距离,求解旋转平移矩阵,转换数据即可完成航带平差。本发明的优点是只需设置少量参数就能实现全自动化航带平差。
Description
技术领域
本发明涉及激光雷达数据处理领域,特别涉及激光雷达城市点云 数据航带平差方法。
背景技术
机载LiDAR***是由POS、多光谱相机及激光扫描仪等多个 部件组成的复杂多传感器***,其工作模式为多航带作业,采集到的 数据质量受到多种因素的影响。数据质量直接体现在不同航带重叠区 之间同名地物的坐标值偏移量。为了生成高精度地形产品,必须对数 据进行处理,消除误差。消除误差的方式通常有两种:***检校和航 带平差。但即使经过***检校,不同航带间重叠区同名地物的坐标值 偏移量还存在,仍然需要航带平差。
目前航带平差方法主要存在以下问题:(1)设置参数繁琐。部分 方法能够进行自动化平差,但设置参数繁琐,通用性较差。(2)自动 化程度低。大部分方法基本不能做到全自动平差,还需要人工操作。
针对以上问题,本发明公开了张量投票的面特征航带平差方法。 本发明利用张量投票计算点特征强度值,提取平面属性数据,再使用 区域增长算法分割数据,进而提取建筑物屋顶面片点云数据,最后利 用面特征进行航带平差。
发明内容
本发明公开了张量投票的面特征航带平差方法,本发明的优点是 只需设置少量参数就能实现全自动化航带平差,解决了目前激光雷达 数据处理中航带平差设置参数繁琐、自动化程度低等问题。为了实现 上述技术目的,本发明采用如下技术方案。
张量投票的面特征航带平差,具体步骤为:
步骤1)根据张量投票算法计算点平面强度值
首先初始化点云中每个点数据张量为球张量,根据衰减函数进行 投票,将投票后每个点的张量值进行分解得到三个特征值,然后归一 化特征值,利用分解后三个特征值计算数据的点平面强度值。
步骤2)提取平面属性数据
首先统计点云点平面强度值直方图,然后利用高斯函数进行拟 合,计算最小值,将非0值对应的自变量值作为分割阈值,分割点云 提取面属性点云数据。
步骤3)建筑物屋顶残面分割
针对面属性点云数据,首先利用布料滤波算法去除地面点,然后 根据点平面强度值和法向量对非地面点进行区域增长,可以得到建筑 物屋顶残面集。
步骤4)构建面匹配对
利用前三个步骤计算每个航带的建筑物屋顶残面集,计算每个残 面数据的OBB包围盒,获取碰撞集合,对数据进行平面拟合,依次 计算目标数据与碰撞集合中每个数据的平面法向量余弦值和平面平 均距离,筛选出余弦值接近1且平面距离为最小值的平面,将此平面 的数据与目标数据设为一对匹配对。
步骤5)计算旋转平移矩阵
构建完成匹配对之后,依据匹配对利用最小二乘法最小化匹配对 中一个数据集中每一点到另一数据拟合的平面的距离,求得旋转平移 矩阵,应用到航带平差。
本发明的有益效果:在航带平差过程中,只需设置少量参数就能 实现全自动化航带平差。
附图说明
图1为本发明航带平差流程图
图2为本发明数据展示图
图3为本发明点平面强度值着色图
图4为本发明阴影检测流程图
图5为本发明建筑物残面分割图
图6为本发明建筑物残面分割细节图
图7为本发明匹配对构建显示图
图8为本发明航带平差结果图
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下举出优 选实施例,结合附图对本发明具体实施作进一步详细说明。
实施例:
结合图1说明本发明张量投票的面特征航带平差方法的步骤: 结合图2说明本发明所采用的数据。本发明选用芬兰中心某城市的机 载激光雷达数据作为实验数据,该数据面积约3平方千米,一共8个 航带,航线东西向长2km、南北向宽约1.5km,航带重叠约80%,航 线间隔约300m;平均扫描点密度为17点/平方米,点云个数约为5800 万个点;该地区地形起伏较小,主要是城区,包括建筑物、河流、桥、 树木等地物。
步骤1)根据张量投票算法计算点平面强度值
首先初始化点云中每个点数据张量为球张量Tball,根据衰减函数 DF进行投票,将投票后每个点的张量值进行分解得到三个特征值 λ1,λ2,λ3,然后归一化特征值,利用分解后三个特征值计算数据的 点平面强度值σp。
衰减函数定义为:
DF=exp(-s2/(kr)2) (2)
式中,s是两点之间的距离,r是搜索半径,k是控制衰减强度的比例 因子(一般设置在1-1.5之间)。
点平面强度值的定义为:
σp=3*λ3/(λ1+λ2+λ3) (3)
结合图3说明计算数据中一个航带点平面强度值之后进行颜色 映射显示。
步骤2)提取平面属性数据
结合图4说明统计点云点平面强度值直方图,然后利用高斯函数 进行拟合。然后利用拟合后的函数计算两个波峰之间波谷的自变量值 (点平面强度值)作为分割阈值,将小于阈值的数据作为面属性点云数 据。
步骤3)建筑物屋顶残面分割
进行阈值分割后数据主要包含地面点、建筑物点、噪声点,首先 利用布料滤波算法获取非地面点(建筑物点、噪声点),然后利用点平 面强度值与法向量作为阈值条件使用区域增长算法对非地面点进行 建筑物残面分割。结合图5说明分割后效果,结合图6说明分割后细 节效果。
步骤4)构建面匹配对
利用前三个步骤计算出每个航带的建筑物屋顶残面集 S={p1,p2,p3,...,pN},然后对每个建筑物屋顶残面pi进行最小二乘平面 拟合,依据拟合误差去除非平面的数据,然后构建匹配对。构建面匹 配对步骤为:选定某航带的屋顶残面集中一个数据pi作为目标数据, 计算该pi的OBB包围盒,利用OBB包围盒获取相邻航带屋顶残面 集中与pi碰撞的集合C={q1,q2,q3,...,qM},依次计算pi与碰撞集合C中 每个数据qj的平面法向量余弦值cos(pi,qj)和平面平均距离 avgdist(pi,qj),筛选出余弦值接近1且平面距离为最小值的数据,将此 数据与目标数据pi作为一对匹配对。结合图7说明匹配对构建完成 的显示效果。
余弦值定义:
式中,npi,nqj分别代表残面集中每个数据拟合平面的法向量。
式中,a,b,d,d为残面集中每个数据拟合平面一般式的系数。
步骤5)计算旋转平移矩阵
构建完成匹配对之后,依据匹配对,利用最小二乘法最小化匹配 对中一个数据集每一点到另一数据拟合的平面的距离:
式中,m表示对应点数目,ni是参考平面的法向量,pi,qi分别是 集合P,Q中任意一点,M是一个4*4的变换矩阵,它有旋转矩阵R和 平移矩阵T组成,分别表示如下:
M=T(tx,ty,tz)·R(α,β,γ) (7)
式中,γ表示绕Z轴旋转角度,β表示绕Y轴旋转角度,α表示绕 X轴旋转角度。
求解式5即可求得旋转平移矩阵,应用到航带平差。结合图8说 明航带平差效果。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关 技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下, 还可以做出各种变化和变形。因此,所有等同的技术方案也属于本发 明的范畴,本发明的专利保护范围应由权利要求限定。
本发明未详尽描述的技术内容均为公知技术。
Claims (5)
1.张量投票的面特征航带平差方法,其特征在于包括如下步骤:
步骤1)将球张量作为数据中每个点的张量初始值,使用只考虑距离的投票函数进行张量投票,分解每个点投票后的张量值得到三个特征值λ1,λ2,λ3,利用公式1计算每个点的点平面强度值σp;
σp=3*λ3/(λ1+λ2+λ3) (1)
步骤2)统计点平面强度值直方图,使用高斯函数对直方图进行拟合求取分割阈值,并使用阈值将小于阈值的数据作为面属性点云数据;
步骤3)使用布料滤波算法获取非地面点,利用点平面强度值与法向量作为阈值条件使用区域增长算法对非地面点进行分割获得建筑物屋顶残面集;
步骤4)计算建筑物屋顶残面集中每个数据的OBB包围盒,获取碰撞集合,使用法向量余弦值和平面平均距离获取最终匹配对;
步骤5)依据匹配对利用最小二乘法最小化匹配对中一个数据集每一点到另一数据拟合的平面的距离,求解旋转平移矩阵,应用到航带平差。
2.根据权利要求1所述张量投票的面特征航带平差方法,其特征在于:步骤2)所述的高斯拟合点平面强度值直方图求取分割阈值,将小于阈值的数据作为面属性点云数据。
3.根据权利要求1所述张量投票的面特征航带平差方法,其特征在于:步骤3)所述的利用点平面强度值与法向量作为阈值条件使用区域增长算法对非地面点进行分割获得建筑物屋顶残面集。
4.根据权利要求1所述张量投票的面特征航带平差方法,其特征在于:步骤4)所述的利用OBB包围盒获取碰撞集合,使用法向量余弦值和平面平均距离获取最终确定匹配对。
5.根据权利要求1所述张量投票的面特征航带平差方法,其特征在于:步骤5)所述的依据匹配对利用最小二乘法最小化匹配对中一个数据集每一点到另一数据拟合的平面的距离,求解旋转平移矩阵,应用到航带平差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110727080.0A CN113658190B (zh) | 2021-06-29 | 2021-06-29 | 张量投票的面特征航带平差方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110727080.0A CN113658190B (zh) | 2021-06-29 | 2021-06-29 | 张量投票的面特征航带平差方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658190A CN113658190A (zh) | 2021-11-16 |
CN113658190B true CN113658190B (zh) | 2022-06-14 |
Family
ID=78477311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110727080.0A Active CN113658190B (zh) | 2021-06-29 | 2021-06-29 | 张量投票的面特征航带平差方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658190B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119438A (zh) * | 2019-04-23 | 2019-08-13 | 东华理工大学 | 基于主动学习的机载LiDAR点云滤波方法 |
CN110992341A (zh) * | 2019-12-04 | 2020-04-10 | 沈阳建筑大学 | 一种基于分割的机载LiDAR点云建筑物提取方法 |
CN111861946A (zh) * | 2020-08-03 | 2020-10-30 | 中国科学院空天信息创新研究院 | 自适应多尺度车载激光雷达稠密点云数据滤波方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897176B (zh) * | 2015-06-29 | 2018-05-04 | 北京建筑大学 | 一种多核并行摄影测量区域网平差方法 |
CN106570823B (zh) * | 2016-10-11 | 2019-06-18 | 山东科技大学 | 基于平面特征匹配的点云粗拼接方法 |
CN106780386B (zh) * | 2016-12-16 | 2019-11-26 | 武汉理工大学 | 一种三维激光扫描变形提取可靠性评价方法 |
KR20190069750A (ko) * | 2017-12-12 | 2019-06-20 | 왕한호 | 2d를 3d로 변환하는 기술과 posit 알고리즘을 이용한 증강현실 표현방법 |
US11782141B2 (en) * | 2018-02-05 | 2023-10-10 | Centre Interdisciplinaire De Developpement En Cartographie Des Oceans (Cidco) | Method and apparatus for automatic calibration of mobile LiDAR systems |
CN108919304B (zh) * | 2018-03-07 | 2020-01-14 | 山东科技大学 | 一种基于参考平面的移动测量***中pos误差补偿方法 |
CN110570428B (zh) * | 2019-08-09 | 2023-07-07 | 浙江合信地理信息技术有限公司 | 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*** |
CN112017224B (zh) * | 2020-10-19 | 2021-01-29 | 航天宏图信息技术股份有限公司 | Sar数据区域网平差处理方法和*** |
CN112767459A (zh) * | 2020-12-31 | 2021-05-07 | 武汉大学 | 基于2d-3d转换的无人机激光点云与序列影像配准方法 |
-
2021
- 2021-06-29 CN CN202110727080.0A patent/CN113658190B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119438A (zh) * | 2019-04-23 | 2019-08-13 | 东华理工大学 | 基于主动学习的机载LiDAR点云滤波方法 |
CN110992341A (zh) * | 2019-12-04 | 2020-04-10 | 沈阳建筑大学 | 一种基于分割的机载LiDAR点云建筑物提取方法 |
CN111861946A (zh) * | 2020-08-03 | 2020-10-30 | 中国科学院空天信息创新研究院 | 自适应多尺度车载激光雷达稠密点云数据滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113658190A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079556B (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
CN106780524B (zh) | 一种三维点云道路边界自动提取方法 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN110287898B (zh) | 一种光学卫星遥感影像云检测方法 | |
CN111145228B (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN108681525B (zh) | 一种基于车载激光扫描数据的路面点云强度增强方法 | |
CN111007531A (zh) | 一种基于激光点云数据的道路边沿检测方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN111354083B (zh) | 一种基于原始激光点云的递进式建筑物提取方法 | |
CN111242000A (zh) | 一种结合激光点云转向的道路边沿检测方法 | |
CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
AU2020103470A4 (en) | Shadow Detection for High-resolution Orthorectificed Imagery through Multi-level Integral Relaxation Matching Driven by Artificial Shadows | |
CN103984947A (zh) | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 | |
CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
CN110580705A (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
Wang | Automatic extraction of building outline from high resolution aerial imagery | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及*** | |
CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
CN113658190B (zh) | 张量投票的面特征航带平差方法 | |
CN117541786A (zh) | 一种融合多源点云数据的单株植被精细化分割方法 | |
CN116863357A (zh) | 一种无人机遥感堤坝影像定标与智能分割变化检测方法 | |
CN114565653B (zh) | 一种存在旋转变化和尺度差异的异源遥感图像匹配方法 | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 |
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 |