CN115867939A - 用于空中到地面配准的***和方法 - Google Patents
用于空中到地面配准的***和方法 Download PDFInfo
- Publication number
- CN115867939A CN115867939A CN202180043623.5A CN202180043623A CN115867939A CN 115867939 A CN115867939 A CN 115867939A CN 202180043623 A CN202180043623 A CN 202180043623A CN 115867939 A CN115867939 A CN 115867939A
- Authority
- CN
- China
- Prior art keywords
- data
- sectors
- ground
- sector
- aligned
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2004—Aligning objects, relative positioning of parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Electromagnetism (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Processing Or Creating Images (AREA)
- Forklifts And Lifting Vehicles (AREA)
- Eyeglasses (AREA)
- Movable Scaffolding (AREA)
- Image Processing (AREA)
- Image Generation (AREA)
- Radio Relay Systems (AREA)
Abstract
用于配准空中和地面数据的***和方法,包括在空中和地面数据这两者中定位诸如墙壁的刚性特征,将地面刚性数据配准到空中刚性数据,以及使用来自配准的变换来变换地面数据,包括将数据分解成扇区并且对齐扇区。调节了地面数据中的变形。
Description
对于相关申请的交叉引用
本申请要求于2020年6月18日提交的题目为“SYSTEM AND METHOD FOR AERIAL TOGROUND REGISTRATION(用于空中到地面配准的***和方法(代理人卷号AA249))”的美国临时申请No.63/040,789的权益。
背景技术
点云是在3-D空间中能够从诸如LIDAR传感器的传感器收集的一组点。点云配准是对齐同一场景的两个或多个3-D点云的过程,因此使得能够组合来自不同源的数据以创建比如果使用单个传感器更丰富的数据集。能够在配准过程期间创建3-D场景。典型的配准过程涉及:过滤传感器数据,确定点在数据集中的位置,以及将来自数据集不同部分的数据对齐/拼接在一起。常见的配准类型包括刚性、仿射和非刚性。所选的配准类型确定了将哪种变换应用于点云中的点。例如,刚性配准对点云中的所有点应用相同的变换,而非刚性配准基于位移场对点应用变换。常见的刚性配准方法包括正态分布变换(NDT)和迭代最近点(ICP),而常见的通用配准方法包括相干点漂移(CPD)。
为了将地面数据与空中数据配准,可能存在许多障碍。相机视点和成像条件可能不同。与地面图像相比,空中图像通常是从更远的距离和不同的角度捕获的。阳光的方向会影响在空中图像中地标的外观,使特征匹配具有挑战性。在没有任何人工干预的情况下自动匹配和重建空中和地面图像可能更具挑战性。在将裁剪后的空中照片与来自地面图像的合成视图进行匹配时,已经取得了一些成功。能够使用图像数据来实现地面级模型的地理配准。GPS和文本标签能够用于大致估计位置。空中影像边缘的边缘能够映射到地面信息的二维投影,但是在获取地面信息中映射边缘所需的边缘数量方面存在问题。一些研究使用带有街景图像的地理定位地面图像。这些过程中的每一个都存在位置错误问题。考虑到大量的地理和时间变化,高精度级别的特征匹配可能非常耗时,并且不适合自动驾驶车辆的快速决策。
发明内容
本教导的***和方法能够用于组合空中和地面数据以创建适用于自主驾驶车辆的数据集。空中数据能够被认为比地面数据更可靠,原因包括但不限于包括向地面数据传感器提供位置数据的GPS可能被遮挡的可能性。因此,通过在空中数据和地面数据这两者中定位相同的特征能够使用空中数据特征的位置来校正地面数据。因此,本教导的对于过程的输入是两个点云,一个是空中点云并且一个是地面点云,并且本教导的来自过程的输出是空中和地面数据的统一数据集。
本教导的空中地面方法能够包括但不限于包括收集同一地理区域的地面点云数据和空中点云数据。地面点云数据能够比空中点云数据的点密度更高,但最优的是让空中和地面数据集的点密度一致。诸如但不限于传统体素网格过滤器的过滤器能够应用于两个数据集以实现一致的点密度。无论过滤器的选择如何,提供给过滤器的点云都能够被划分为扇区。如果扇区不包括至少预选阈值数量的点,则能够丢弃该扇区。预选阈值能够依赖于过滤器和/或依赖于应用。传统的体素网格过滤器能够提供比原始点云具有更少点数的点云,更少点数将点云表示为整体。体素是定义3D空间中的点的图形信息单位,并且表示在规则间隔的3D网格上的单个样本。体素能够包括单条数据或多条数据,诸如颜色和不透明度。体素网格过滤器能够通过以下方式在空间上平均点云中的点:将点云划分为规则的体素网格,并且将体素内的点组合成一个输出点。能够通过例如定位体素的质心或空间平均、或体素的几何中心等方法来完成组合点。选择组合方法能够基于例如准确性相对于计算强度的相对重要性。
空中-地面方法能够包括在地面PC数据中定位表面。在一些配置中,能够基于消除点云中的高架特征来确定表面点,从而留下表面点。在一些配置中,能够使用传统的渐进形态过滤器来确定表面点。
点云数据能够包括变形,诸如扭曲,其能够导致配准失败。为了解决这个问题,能够将表面数据分解成扇区,该扇区足够小以至于能够线性地近似诸如扭曲的变形,但又要足够大以至于将需要平滑的扇区之间的交点数量保持在最低限度。如果扇区太小,每个扇区可能根本不包含表面点。扇区能够包括75m x 75m到125m x 125m范围的大小。在确定扇区后,就能够进行对齐。在一些配置中,能够使用传统的正态分布变换(NDT)过程来实现扇区对齐。Zaganidis et al.,Semantic-assisted 3D Normal Distributions Transformfor scan registration in environments with limited structure,Proceedings ofthe IEEE International Conference on Intelligent Robots and Systems(IROS),pp.4064-4069,9/2017(Zaganidis等,用于结构受限环境中扫描配准的语义辅助3D正态分布变换,IEEE智能机器人和***国际会议(IROS)论文集,第4064-4069页,9/2017)。也能够使用其他对齐过程,尤其是在点云数据分布稀疏的情况下。如果使用NDT,对齐的第一步是计算每个扇区的NDT。NDT能够将表面数据变换为一组表示点的局部结构的正态分布,并且能够配准分布而不是匹配跨扇区的单个扫描点。为了确定扇区之间的距离,计算到/自第一扇区中的每个点到/自邻居扇区中的点的最小距离。如果最小距离低于预选阈值,则确定跨所有测量的平均距离。当平均距离小于大约0.5至1.5m范围内的预选阈值,例如0.85m时,扇区被认为是对齐的。当平均距离大于或等于预选阈值时,每个扇区都分配有通用横向墨卡托(UTM)坐标,并且会针对扇区数据的所有拐角计算NDT变换。一些扇区可能相互对齐。为了确定哪些扇区仍未与其邻居对齐,能够确定扇区边缘与其邻居边缘之间的距离。如果距离超过预选阈值,则扇区未对齐。预选阈值能够包括0.5m至1.5m的范围,例如0.85m。这些扇区能够根据它们对齐的邻居的数量进行排序。通过使用与在未对齐邻居上的几乎对齐的扇区相关联的NDT变换,具有最多对齐邻居的扇区能够首先与其剩余的(多个)未对齐邻居完全对齐。如果能够使用多于一个的NDT变换,则采取并且使用NDT变换的平均值。能够重新执行排序和对齐,直到没有剩余的扇区要对齐为止。该过程能够导致包括可从中提取墙壁特征的过滤表面数据的对齐的扇区。
为了提取墙壁特征,对齐的扇区内的表面点能够经历特征确定过程,诸如但不限于传统的凸包过程。凸包过程能够通过选择数据集中与延伸通过所选的起始点的垂直轴的角度最小的点开始。在起始点与所选点之间绘制一条线。选择数据集中与起始点和所选点之间的线具有下一个最小角度的下一个点,并且绘制一条连接所选点与下一个点的线。遵循此过程,直到形成所需数量的多边形为止。从多边形中提取墙壁特征能够包括比较潜在墙壁与水平轴形成的角度。过于向地面倾斜的多边形不包括在表示墙壁的多边形集中。
过滤的空中点云数据能够包括能够表示屋顶和表面特征的凸形。能够通过例如但不限于传统的凸包算法来确定屋顶和表面特征。能够连接屋顶和表面特征的边缘以推断墙壁特征。地面数据中发现的墙壁与空中数据中发现的墙壁之间的配准能够产生能够应用于地面点云数据的变换,从而形成统一的空中/地面点云数据集。
一种用于3D地面点云(PC)数据到3D空中PC数据的配准的方法能够包括但不限于包括:在所述3D地面PC数据中定位表面;将具有定位表面的所述3D地面PC数据划分为扇区集的成员;使所述成员彼此对齐;在所述3D空中PC数据和所述扇区集中的所述对齐成员中定位相似的特征;将所述3D地面PC数据中的所述相似的特征与所述3D空中PC数据配准;以及,基于所述配准来创建变换。对齐扇区能够可选地包括:确定所述扇区集的每个所述成员的每个拐角的坐标和坐标变换;以及,基于所述坐标来确定所述成员中的第一成员。所述第一成员能够与所述成员中的第二成员相邻但不对齐。对齐扇区能够包括:将与所述第一成员相关联的坐标变换应用到所述第二成员的所述坐标。所述方法能够可选地包括:至少基于所述成员中的第三成员向所述第二成员应用多个所述坐标变换的组合。所述方法能够可选地包括:过滤所述3D空中PC数据和所述3D地面PC数据。所述方法能够可选地包括:使用体素过滤器来过滤所述3D空中PC数据和所述3D地面PC数据。
扇区的对齐能够可选地包括:至少基于在所述成员之间的所选数据点之间的距离来确定所述成员是否相邻;至少基于每个所述成员的每个所述拐角的坐标来确定所述成员是否对齐;确定每个所述成员的每个所述拐角的坐标变换;以及,至少基于所述第一成员与所述第二成员是否相邻和未对齐,将与所述成员的第一成员相关联的所述坐标变换应用到所述成员的第二成员。确定成员是否对齐能够可选地包括:基于所述坐标来确定所述成员的所述拐角之间的距离;确定所述成员的相邻拐角中的所述拐角距离之间的关系。所述关系可以与连接所述拐角的线相关联。如果所述关系产生小于或等于第三阈值的值,则所述方法能够可选地将所述成员标记为对齐。如果所述关系产生大于所述第三阈值的值,则所述方法能够可选地包括:评估所有相邻成员之间的对齐;以及,基于也与所述成员相邻的所述成员的对齐数量对所述成员进行排序。所述方法能够可选地包括:第五成员是未对齐的,如果所述第五成员的第二拐角将用于与正在与所述第一成员对齐的第三拐角的对齐,则将与所述第五成员未对齐且相邻的第四成员的第一拐角的坐标变换和所述第五成员的所述第二拐角的坐标变换进行平均;以及,将所述平均变换应用于所述第四成员。每个成员能够可选地包括基本上50至150平方米的范围。
一种在空中点云(PC)数据和地面PC数据中定位墙壁的方法能够包括但不限于包括:过滤所述空中PC数据和所述地面PC数据;在过滤的空中PC数据和地面PC数据内创建预选大小的扇区;对齐在所述地面PC数据中的所述扇区;识别在对齐的扇区中可能的墙壁;识别在所述空中PC数据中可能的屋顶和可能的表面;在所述可能的墙壁、所述可能的屋顶和所述可能的表面周围形成多边形;以及,从所述可能的屋顶和所述可能的表面形成墙壁。所述方法能够可选地包括对所述地面PC数据进行下采样。所述方法能够可选地包括将体素过滤器应用于所述地面PC数据。
一种用于地面PC数据到空中PC数据的点云配准的***能够包括但不限于包括:表面网格处理器,其从所述地面PC数据创建表面网格,包括位于所述地面PC数据中的表面;扇区处理器,其将所述表面网格分解成扇区,所述扇区处理器对齐所述扇区;地面刚性特征处理器,其在所述对齐的扇区内定位地面刚性特征;空中刚性特征处理器,其在所述空中PC数据中定位空中刚性特征;通过将所述地面刚性特征配准到所述空中刚性特征来确定变换的配准过程;以及,根据所述变换对所述地面PC数据进行变换的变换过程。所述地面刚性特征能够可选地包括墙壁。所述空中刚性特征能够可选地包括屋顶和刚性表面。所述***能够可选地包括过滤所述空中PC数据和所述地面PC数据的过滤器。所述***能够可选地包括过滤所述空中PC数据和所述地面PC数据的体素过滤器。
所述扇区处理器能够可选地包括:计算机代码,其执行用于以下方面的指令:(a)如果有更多的所述扇区要对齐,(b)选择候选相邻扇区;(c)确定在所述候选相邻扇区中各点之间的最小距离;(d)如果所述最小距离小于或等于第一阈值,则将所述候选相邻扇区标记为对齐并且返回到(b);(e)如果所述最小距离大于所述第一阈值,取在所述候选相邻扇区中所有点之间的平均距离;(f)如果所述平均距离小于或等于第二阈值,则将所述候选相邻扇区标记为对齐并且返回到(b);(g)如果所述平均距离大于所述第二阈值,(1)确定每个可能不对齐扇区的每个拐角的坐标;以及(2)针对每个所述可能不对齐扇区的每个所述拐角来确定变换;(h)基于所述坐标来确定所述可能不对齐扇区的所述拐角之间的距离;(i)确定在相邻拐角中的所述拐角距离之间的关系,所述关系与连接所述拐角的线相关联;(j)如果所述平均值小于或等于第三阈值,则将所述候选相邻扇区标记为对齐并且返回到(b);(k)如果所述平均值大于所述第三阈值,则评估所有相邻扇区之间的对齐;(l)基于对齐的邻居扇区的数量对所述扇区进行排序形成排序的扇区列表;(m)从所述排序的扇区列表中选择具有最大数量的对齐邻居、但不是所有的对齐邻居的所述扇区;(n)将来自所选扇区的变换应用到在相邻的所述拐角处的未对齐邻居;(o)如果未对齐扇区具有另一个未对齐邻居,并且如果所述未对齐邻居的拐角将用于与正在与所选扇区对齐的相同拐角的对齐,(1)对所述相同拐角的所述变换进行平均;以及(2)将所述平均变换应用于所述未对齐扇区;(p)如果所述未对齐扇区没有另一个未对齐邻居,并且如果有更多扇区要对齐,则返回到(b);以及,(q)如果所述未对齐邻居的所述拐角之一不用于与正在与所选扇区对齐的所述相同拐角的对齐,则在(o)处继续。所述关系能够可选地包括平均。所述扇区处理器能够可选地包括:将代表所述可能不对齐扇区的两个可能不对齐扇区之间的距离的值识别为所述关系。所述扇区能够可选地包括基本上50至150平方米的范围。
一种用于在空中点云(PC)数据和地面PC数据中定位墙壁的***能够包括但不限于包括:过滤处理器,其过滤所述空中PC数据和所述地面PC数据;扇区处理器,其在过滤的空中PC数据和地面PC数据内创建预选大小的扇区,所述扇区处理器对齐在所述地面PC数据中的所述扇区;地面墙壁处理器,其识别在所述地面PC数据中可能的墙壁;空中墙壁处理器,其识别在所述空中PC数据中可能的屋顶和可能的表面;多边形处理器,其在所述可能的墙壁、所述可能的屋顶和所述可能的表面周围形成多边形;以及,墙壁处理器,其从所述屋顶和表面形成墙壁。所述过滤器处理器能够可选地包括对所述地面PC数据进行下采样。所述过滤处理器能够可选地包括过滤所述地面PC数据的体素过滤器。
一种用于将3D地面点云(PC)数据配准到3D空中PC数据的方法能够包括但不限于包括:从所述地面3D PC数据创建表面网格,包括位于所述地面3D PC数据中的表面;将所述表面网格分成扇区;对齐所述扇区;在所述对齐的扇区内定位特征;在所述3D空中PC数据中定位所述特征;以及,通过将在所述对齐的扇区内的所述特征配准到在所述空中PC数据内的所述特征来确定变换
附图说明
通过参考结合附图的以下描述,将更容易理解本教导,在附图中:
图1是本教导的数据收集的图示;
图1A是用于使用来自图1的数据的本教导的过程的流程图;
图2是本教导的过滤的图示;
图3是本教导的表面***过程的图示;
图4A-4C是本教导的扇区对齐过程的图示;
图4D-4F是在图4A-4C中描述的方法的流程图;
图5是本教导的从地面PC数据中提取墙壁的过程的图示;
图6是本教导的从空中PC数据提取墙壁的过程的图示;
图7是本教导的用于空地配准的***的示意性框图;以及
图8是本教导的用于在空中和地面数据中的墙壁定位的***的示意性框图。
具体实施方式
本教导的***和方法可以使得能够在编译可用于自主车辆导航的场景时使用空中传感器数据来增强地面传感器数据。
现在参考图1,地理区域的地形数据能够从空中传感器401和基于地面的传感器501采集,并且能够被组合以形成比空中或基于地面的传感器可以单独形成的数据集更丰富的数据集。空中传感器数据能够包括但不限于包括空中点云数据701。基于地面的数据能够包括但不限于包括基于地面的点云数据601。空中数据701能够由机载设备收集,机载设备能够包括但不限于包括无人驾驶飞行器,诸如无人驾驶飞机和所有类型的有人驾驶飞机。机载设备能够包括空中传感器401,其能够包括但不限于包括LIDAR技术。LIDAR***能够包括传感器本身以及高精度卫星定位***和高精度传感器,诸如惯性测量单元,以确定传感器在空间中的定向。这些***协同工作以使得能够处理原始空中传感器数据。基于地面的设备501能够收集基于地面的数据601。基于地面的设备501能够安装在任何基于地面的结构上,诸如建筑物、车辆或树。基于地面的设备501能够包括关于空中设备所讨论的LIDAR***。与基于地面的设备501相关联的定位***可能会受到遮挡,这会影响基于地面的数据601的质量。
继续参考图1,关于组合空中数据601与地面数据701,并且考虑到基于地面的数据601可能具有位置问题,必须相对于彼此校正数据集中的点的位置。固定物体的真实值位置能够用于变换整个基于地面的点云以修复与点位置有关的任何问题。基于地面的传感器和空中传感器都能够定位的固定物体能够包括但不限于包括墙壁。固定物体能够包括建筑物,而建筑物可以包括墙壁。任何固定物体都能够用作真实值。本教导的过程能够扩展到包括使用任何种类的固定物体作为真实值。本文提供的示例(其中,建筑物和墙壁用于真实值)仅用于说明目的。空中数据701能够包括例如屋顶状结构102和表面数据104。地面数据601能够包括例如墙状结构106和表面数据108。屋顶状结构102和表面数据104能够连接以从空中数据701中提取墙壁数据。出现在两个数据集中的墙状结构能够用于配准空中数据和地面数据。
现在参考图1A,用于组合来自空中数据数据库701A的空中点云数据701和来自地面数据数据库601A的基于地面的点云数据601的本教导的过程能够包括过滤空中点云数据701和基于地面的点云数据601以创建能够有效操纵和组合的数据集。地面数据数据库601A和空中数据数据库701A能够表示任何数据源,例如,直接从传感器接收的数据,或存储在存储库中供以后处理的数据或组合。能够对基于地面的数据进行平滑处理以解决数据中的变形,诸如扭曲。能够从数据集中找到可能感兴趣的表面的周长,并且能够对表面执行过滤标准以识别所需的特征。用于将在地面数据中发现的特征与在空中数据中发现的相同特征配准的变换能够用于将基于地面的数据集601配准到空中数据集701,从而形成一致的地理参考组合数据集。
继续参考图1A,过滤的点云数据能够包括但不限于包括能够用于例如减少所考虑的点的数量的过滤器201。例如,所选的过滤器的类型能够由数据集的大小和将被视为感兴趣的特定特征来控制。在一个方面,如本文所述的常规体素过滤器能够用于过滤数据,产生过滤的空中数据711和过滤的基于地面的数据605。表面***211能够在过滤的基于地面的数据605中定位表面137。扇区对齐209能够将具有定位表面137的地面PC数据601分成扇区137。扇区对齐209能够将扇区彼此对齐,形成对齐的扇区138/139。多边形处理器213A能够从过滤的空中数据711中定位空中特征1101。对齐的扇区138/139和空中特征1101这两者中的特征周长能够通过例如但不限于在例如特征处理器212和连接处理器215中执行的常规凸包过程来建立。连接处理器215能够连接空中PC数据701中的能够相互连接的特征,并且形成连接的特征1118。例如,在空中PC数据701中可见的建筑物的屋顶和附近的表面能够相互连接以形成其他特征,诸如建筑物的墙壁。特征寄存器739能够使用地面特征1102和连接的特征1118来将地面PC数据中的特征与空中PC数据中的类似特征配准。例如,如果连接的特征1118是墙壁,则相似位置的墙壁可以位于地面PC数据601中。变换过程727能够从配准过程中确定变换,并且地面数据变换743能够将变换应用到地面数据。
现在参考图2,关于过滤,给定点云601,在一个方面,常规体素过滤器能够返回具有比原始点云601中更少数量的点的点云605A。过滤的点云605A能够将原始点云601表示为整体。体素过滤器能够通过选择网格化点云605中每个“单元格”(体素)604中的点602来对来自网格化点云605中的数据进行下采样,以表示单元格604中的其余点。位于体素604的边界内的点集能够组合成代表点602。用单个点来表示体素604中的点的方法能够采取任何数量的形式。例如,能够计算点分布的质心或空间平均值,或者能够选择在体素604的几何中心处的点来表示体素604中的点。例如,能够基于准确性或计算速度是否被认为对于特定应用更重要而选择具体方法。在使用体素过滤器时,能够将数据集分解成预选大小的单元格,预选大小例如但不限于0.25m。如果需要减少数据集中的点数,能够使用任何下采样过滤器。
现在参考图3,表面***211能够在过滤的地面数据605中定位表面。在一个方面,渐进形态过滤器能够包括从表面点中对非表面点进行分类的过程。该过程能够开始于从点云数据形成规则间隔的网格136,并且在网格内定位单元格131。在每个单元格131内,选择具有最小高程的点。滑动过滤器窗口133能够用于采集被识别为最小点阵列134的最小高程点的子集。另一个滑动过滤器窗口能够应用于最小点阵列134以创建在最小点阵列134内具有最大高程的点阵列137。能够将最大高程阵列137中的点的高程与阈值进行比较,并且能够基于它们与阈值的关系将这些点识别为表面点或非表面点。渐进形态过滤器逐渐增加滑动过滤器窗口的窗口大小,并且使用各种预选的高差阈值,能够从数据集中去除建筑物、车辆和植物,同时保留表面数据。参见Zhang et al.,A Progressive MorphologicalFilter for Removing Nonground Measurements from Airborne LIDAR Data,IEEE Transactions on Geoscience and Remote Sensing,41:4,April,2003(zhang等,从机载LIDAR数据中去除非圆测量的渐进形态过滤器,IEEE地球科学和遥感汇刊,41:4,2003年4月)。
现在参考图4A,根据本文描述的过程或任何类似过程隔离的表面数据能够被分解成然后能够对齐的预选大小的扇区。扇区对齐209能够用于解决数据集中的变形,诸如但不限于扭曲。因此,扇区对齐209能够执行相当于数据中的扭曲的近似。在一方面,近似能够是线性的、非线性的或组合。如本文所讨论的,点扇区137中的表面能够被分解成大小适合于经受对齐过程的扇区。在一些配置中,能够基于诸如数据集的点密度的特性来选择扇区的大小。在一方面,扇区的大小能够包括但不限于包括100m x 100m。
继续参考图4A,能够针对每个扇区138/139的每个拐角计算坐标(诸如但不限于通用横向墨卡托(UTM)),并且也能够针对每个拐角计算坐标变换(诸如但不限于正态分布变换(NDT))值。能够通过将针对第一扇区的拐角计算的坐标变换应用到与第一扇区未对齐的第二扇区来对齐扇区。如果未与第一扇区对齐的第二扇区的拐角也与在变换点之一处的第三扇区未对齐,则针对该拐角计算新的变换,该变换是第三扇区与第一扇区的相邻点的坐标变换的函数。在示例中,为了确定哪些扇区是相邻的和对齐的,能够基于相邻扇区138/139中任意两点DA-DD之间的距离来评估扇区。例如,如果相邻扇区138/139中任意两点之间的最短距离低于第一预选阈值DT1,则认为扇区138/139对齐。在一些配置中,预选阈值DT1能够包括但不限于包括0.85m。如果最短距离DA大于DT1,能够取所有点距离DA-DD的平均DAVG。如果DAVG小于第二预选阈值DT2,扇区138/139能够被认为是对齐的。另一方面,如果DAVG大于或等于第二预选阈值DT2,则扇区138/139能够被认为未对齐。请注意,任何坐标系和任何坐标变换都能够用于对齐扇区。
现在参考图4B,继续该示例,能够计算扇区138/139(图4A)的拐角之间的距离D1/D2,并且能够计算距离D1/D2之间的关系。例如,能够取距离D1/D2的平均值D3。其他关系也是可能的。如果第三预选阈值D4大于或等于平均值D3,扇区138/139(图4A)能够被认为是对齐的。另一方面,如果第三预选阈值D4小于平均值D3,则认为扇区138/139(图4A)未对齐。示出了处于各种对齐状态的八个扇区A-H的示例。相对于第三预选阈值D4来评估扇区A-H之间的平均距离801-819。表821呈现了与邻居对齐相关的扇区状态。表821的内容在表823中列出,其中,示出扇区A-H以及与其邻居总数相比的其对齐的邻居总数。表825是表823的排序版本,其按照扇区A-H中最不需要对齐的扇区到最需要对齐的扇区进行排序。例如,扇区F和G与它们的所有邻居对齐,而扇区A和E不与它们的邻居对齐。扇区B、H、C、D、A和E需要与至少一个邻居对齐。该过程首先选择需要最少对齐邻居的扇区,在这种情况下为扇区B。
现在参考图4C,扇区B有三个邻居,即扇区E、F和H,其中两个扇区F和H与扇区B对齐。为了将扇区E与扇区B对齐,能够将变换NDT1和NDT2应用于与扇区B的拐角相邻的扇区E的拐角。例如,能够使用与在线861的扇区B端处的点相关联的变换NDT1对在线861的扇区E端处的扇区E中的点进行变换。如果扇区E没有其他邻居,则能够使用与在线863的扇区B端处的点相关联的变换NDT2对在线863的扇区E端处的扇区E中的点进行变换。然而,扇区E具有与扇区E未对齐的邻居扇区C。变换NDT4与在线865的端处的扇区E点相邻的扇区C点相关联。为了完成扇区E的对齐,能够开发NDT2与NDT4之间的关系并且将其应用于在线863与865的端处的扇区E点。该关系能够包括但不限于包括平均NDT2与NDT4并且将平均变换应用于扇区E。重复该过程直到所有扇区对齐为止。
现在参考图4D,用于对齐扇区的方法250能够包括但不限于包括选择251候选相邻扇区,并且确定253相邻扇区中的点之间的最小距离。如果255最小距离小于或等于第一阈值,则方法250能够包括将候选相邻扇区标记257为对齐并且返回选择251更多的候选相邻扇区。如果255最小距离大于第一阈值,则方法250能够包括取259相邻扇区中所有点之间的平均距离。如果261平均距离小于或等于第二阈值,则方法250能够包括将候选相邻扇区标记257为对齐并且返回选择251更多的候选相邻扇区。如果261平均距离大于第二阈值,则方法250能够包括确定263每个可能不对齐扇区的每个拐角的坐标。
现在参考图4E,方法250能够包括针对每个可能不对齐扇区的每个拐角确定265变换。方法250能够包括基于坐标来确定267可能不对齐扇区的拐角之间的距离,以及确定269相邻拐角中的拐角距离之间的关系,该关系与连接拐角的线相关联。该关系能够包括但不限于包括平均、加权平均或用于识别表示两个可能不对齐扇区之间的距离的值的任何其他方式。如果271平均值小于或等于第三阈值,则方法250能够包括将候选相邻扇区标记257为对齐并且返回选择251更多的候选相邻扇区。如果271平均值大于第三阈值,则方法250能够包括评估273所有相邻扇区之间的对齐,以及基于对齐的邻居的数量对扇区进行排序275。方法250能够包括从排序的扇区列表中选择277具有最多但不是所有对齐邻居的扇区。
现在参考图4F,方法250能够包括将来自所选扇区的变换应用279到其在相邻拐角处的未对齐邻居。如果281未对齐扇区具有另一个未对齐邻居,并且如果283未对齐邻居的拐角将用于与正在与所选扇区对齐的相同拐角的对齐,则方法250能够包括平均285相同拐角的变换并且将平均变换应用于未对齐扇区。如果287还有更多扇区要对齐,则方法250能够包括返回到步骤251。如果287没有更多扇区要对齐,则方法250能够包括结束该过程。如果281未对齐扇区没有另一个未对齐邻居,并且如果287有更多扇区要对齐,则方法250能够包括通过选择251尚未对齐的候选相邻扇区返回到方法250的开始。如果283未对齐邻居的拐角不用于与正在与所选扇区对齐的相同拐角的对齐,则方法250能够包括在步骤281处继续方法250。
现在参考图5,包括先前确定的表面点的对齐表面点扇区138(参见图3)能够包括可以包括可能的墙壁1001/1003/1005的特征。为了确定数据集中是否包括任何墙状特征,能够使用传统的多边形形成算法,诸如但不限于如本文所述的凸包。例如,使用凸包算法,能够从一组可以表示特征的点中选择原始点1017/1027/1037。位于相对靠近原始点1017的空间中的点,例如点1011/1013/1015,都能够被检查。选择与垂直轴的最小角度相关联的任何点作为将由分析产生的多边形的第一拐角。基于下一个最小角度来选择下一个点。第一拐角连接到下一个点。下一个点是基于下一个最小角度选择的,并且连接到先前确定的点。最后,将最后选择的点连接到原始点以形成多边形。能够将多边形与x轴1043形成的角度1001A与预选阈值进行比较。如果角度1001A大于阈值角度的绝对值,则多边形被归类为墙壁特征。如果角度1001A小于或等于阈值的绝对值,则多边形被归类为非墙壁特征。在图5中示出其他可能的墙壁特征的示例。阈值角度能够包括但不限于相对于水平的|45°|。
现在参考图6,过滤器201能够应用于空中数据701以创建均匀的点网格。例如但不限于,能够应用体素过滤器。体素1105能够如本文讨论的那样被评估以确定每个体素的一个代表点1103,创建网格1107。凸包过程,或者能够从点云数据确定形状的任何过程,能够应用于过滤的空中数据711以整理出可能的空中特征1101(图1A),例如但不限于屋顶和表面特征1109/1111/1113。能够相对于阈值角度评估与水平轴的角度1115/1117/1119,并且角度超过阈值角度的形状不用于进一步分析,因为这些形状不太可能是屋顶或地面表面。例如,形状1109相对于水平轴1116的角度1115如果被确定大于阈值角度的绝对值,则将使形状1109从进一步分析中被消除。对于形状1111/1113和角度1117/1119同样如此。在一些配置中,阈值角度能够包括相对于水平的|15°|。相对于彼此升高的特征能够表示屋顶。例如,相对于特征1113升高的特征1117能够通过将特征1117的拐角与来自诸如特征1113的表面特征的表面点连接起来,而被用于估计连接特征1118(图1A)的位置,诸如但不限于墙壁。位于地面数据601(图1A)中的墙壁特征能够被配准到位于空中数据701中的墙壁特征。能够使用任何常规方法,诸如广义迭代最近点(ICP)算法、正态分布变换、快速点特征直方图和4点一致集。根据配准确定的变换能够应用于地面数据601(图1A)。
现在参考图7,用于组合空中点云数据701和基于地面的点云数据601的***1200能够包括用于从地面PC数据701创建表面网格1217的表面地面处理器1201。表面网格1217能够包括位于地面PC数据601中的表面。表面地面处理器1201能够接收地面PC数据601并且向扇区处理器1203提供表面网格1217。扇区处理器1203能够将表面网格1217分解成扇区1219。扇区1219能够足够大以包括代表性数量的点,但不能太大以至于处理时间成为一个问题。因此,扇区大小1219能够随着地面PC数据601的密度而变化。扇区处理器1203能够对齐表面网格1217内的未对齐扇区,并且能够将对齐的扇区1219提供给地面特征处理器1215。地面特征处理器1205能够定位在对齐的扇区1219内的地面刚性特征1223,并且将地面刚性特征1223提供给配准处理器1209。空中刚性特征处理器1207能够接收空中PC数据701,定位空中刚性特征1215,并且将空中刚性特征1215提供给配准过程1209。配准过程1209能够将地面刚性特征1223配准到空中刚性特征1215,能够从该过程来确定变换1213,并且能够将变换1213提供给变换处理器1211。变换处理器1211能够将变换1213应用到地面PC数据601,并且能够向自主处理器1212提供地面PC数据变换602。在一些配置中,地面刚性特征能够包括墙壁。在一些配置中,空中刚性特征能够包括屋顶和表面。***1200能够可选地包括过滤空中PC数据701和地面PC数据701的过滤器。过滤器能够可选地包括体素过滤器。
继续参考图7,扇区处理器1203能够可选地包括执行以下步骤的计算机代码:(a)如果有更多扇区要对齐,(b)选择候选相邻扇区,以及(c)确定相邻扇区中的点之间的最小距离。(d)如果最小距离小于或等于第一阈值,则扇区处理器1203能够包括将候选相邻扇区标记为对齐并且返回到(b)。(e)如果最小距离大于第一阈值,扇区处理器1203能够包括取相邻扇区中所有点之间的平均距离。(f)如果平均距离小于或等于第二阈值,则扇区处理器1203能够包括将候选相邻扇区标记为对齐并且返回到(b)。(g)如果平均距离大于第二阈值,(1)扇区处理器1203能够包括确定每个可能不对齐扇区的每个拐角的坐标和(2)确定每个可能不对齐扇区的每个拐角的变换。(h)扇区处理器1203能够包括基于坐标来确定可能不对齐扇区的拐角之间的距离,以及(i)确定相邻拐角中的拐角距离之间的关系。该关系能够与连接拐角的线相关联。(j)如果平均值小于或等于第三阈值,则扇区处理器1203能够包括将候选相邻扇区标记为对齐并且返回到(b)。(k)如果平均值大于第三阈值,则评估所有相邻扇区之间的对齐,(l)基于对齐邻居的数量对扇区进行排序,(m)从已排序的扇区列表中选择具有最大数量的对齐邻居、但不是所有的对齐邻居的扇区,以及(n)将来自所选扇区的变换应用到在相邻拐角处的其未对齐邻居。(o)如果未对齐扇区具有另一个未对齐邻居,并且如果未对齐邻居的拐角将用于与正在与所选扇区对齐的相同拐角的对齐,则扇区处理器1203能够包括(1)平均相同拐角的变换,以及(2)将平均变换应用于未对齐扇区。(p)如果未对齐扇区没有另一个未对齐邻居,并且如果有更多扇区要对齐,则扇区处理器1203能够包括返回到(b)。(q)如果未对齐邻居的拐角不用于与正在与所选扇区对齐的相同拐角的对齐,则扇区处理器1203能够包括在(o)处的继续扇区处理器。该关系能够可选地包括平均。扇区处理器1203能够可选地包括将表示两个可能不对齐扇区之间的距离的值识别为关系。扇区1218能够可选地包括大约50至150平方米的范围。
现在参考图8,用于在空中点云(PC)数据701和地面PC数据601中定位墙壁的***1300能够包括但不限于包括:过滤处理器1301,其过滤空中PC数据701和地面PC数据601;以及扇区处理器1303,其创建在过滤的空中PC数据1315和地面PC数据1313内具有预选大小的扇区1317。扇区处理器1303能够对齐地面PC数据中的地面扇区1313,并且地面墙壁处理器1305能够识别对齐的地面PC扇区1313中可能的墙壁1319。***1300能够包括:识别空中PC数据中可能的屋顶和可能的表面1321的空中墙壁处理器1311;多边形处理器1309,其围绕可能的墙壁1319和屋顶/表面1321形成多边形1323;以及,墙壁处理器1307,其根据屋顶和表面形成墙壁1323并且将它们提供给自主设备处理器1212。过滤器处理器1301能够可选地包括下采样地面PC数据601。过滤器处理器1301能够可选地包括过滤地面PC数据601的体素过滤器。
本教导的配置涉及用于完成本文描述中讨论的方法的计算机***,以及包含用于完成这些方法的程序的计算机可读介质。能够存储原始数据和结果以供将来检索和处理、打印、显示、传输到另一台计算机和/或传输到别处。通信链路能够是有线的或无线的,例如,使用蜂窝通信***、军事通信***和卫星通信***。***的某些部分能够在具有可变数量的CPU的计算机上运行。能够使用其他替代计算机平台。
本配置还针对用于完成本文所讨论的方法的软件,以及存储用于完成这些方法的软件的计算机可读介质。本文描述的各个模块能够在相同的CPU上完成,也可以在不同的计算机上完成。根据法规,已使用或多或少特定于结构和方法特征的语言描述了本配置。然而,应当理解,本配置不限于所示出和描述的具体特征,因为本文公开的装置包括使本配置生效的优选形式。
可以全部或部分电子地实现方法。标识***元件和其他公开的配置所采取的动作的信号能够通过至少一个实时通信网络传播。控制和数据信息能够以电子方式执行并且存储在至少一个计算机可读介质上。该***能够被实现为在至少一个实时通信网络中的至少一个计算机节点上执行。至少一种计算机可读介质的常见形式能够包括例如但不限于软盘、软盘、硬盘、磁带或任何其他磁性介质、光盘只读存储器或任何其他光学介质、穿孔卡、纸带或任何其他带有孔图案的物理介质、随机存取存储器、可编程只读存储器和可擦除可编程只读存储器(EPROM)、闪存EPROM或任何其他存储器芯片或墨盒或计算机可以读取的任何其他介质。此外,至少一个计算机可读介质能够包含在必要时受制于适当的许可的任何形式的图形,包括但不限于图形交换格式(GIF)、联合图像专家组(JPEG)、便携式网络图形(PNG))、可缩放矢量图形(SVG)和标记图像文件格式(TIFF)。
虽然上面已经根据具体配置描述了本教导,但是应当理解它们不限于这些公开的配置。本领域技术人员将想到许多修改和其他配置,这些修改和其他配置将被本公开和所附权利要求所涵盖。旨在本教导的范围应当由所附权利要求及其法律等同物的正确解释和构造来确定,如本领域技术人员依赖本说明书和附图中的公开所理解的那样。
Claims (25)
1.一种用于3D地面点云(PC)数据到3D空中PC数据的配准的方法,所述方法包括:
在所述3D地面PC数据中定位表面;
将具有定位表面的所述3D地面PC数据划分为扇区集的成员;
使所述成员彼此对齐;
在所述3D空中PC数据和所述扇区集的所述对齐成员中定位相似的特征;
将所述3D地面PC数据中的所述相似的特征与所述3D空中PC数据配准;以及
基于所述配准来创建变换。
2.根据权利要求1所述的方法,其中,将所述扇区彼此对齐包括:
确定所述扇区集的每个所述成员的每个拐角的坐标和坐标变换;
基于所述坐标来确定所述成员中的第一成员,所述第一成员与所述成员中的第二成员相邻但不对齐;以及
将与所述第一成员相关联的所述坐标变换应用到所述第二成员的所述坐标。
3.根据权利要求2所述的方法,还包括:
至少基于所述成员中的第三成员向所述第二成员应用多个所述坐标变换的组合。
4.根据权利要求1所述的方法,还包括:
过滤所述3D空中PC数据和所述3D地面PC数据。
5.根据权利要求1所述的方法,还包括:
使用体素过滤器来过滤所述3D空中PC数据和所述3D地面PC数据。
6.根据权利要求1所述的方法,其中,所述扇区的所述对齐包括:
至少基于在所述成员之间的所选数据点之间的距离来确定所述成员是否相邻;
至少基于每个所述成员的每个所述拐角的坐标来确定所述成员是否对齐;
确定每个所述成员的每个所述拐角的坐标变换;以及
至少基于第一成员与第二成员是否相邻并且未对齐,将与所述成员的所述第一成员相关联的所述坐标变换应用到所述成员的所述第二成员。
7.根据权利要求6所述的方法,其中,确定成员是否对齐包括:
基于所述坐标来确定所述成员的所述拐角之间的距离;
确定所述成员的相邻拐角中的所述拐角距离之间的关系,所述关系与连接所述拐角的线相关联;
如果所述关系产生小于或等于第三阈值的值,则将所述成员标记为对齐;
如果所述关系产生大于所述第三阈值的值,则评估所有相邻成员之间的对齐;以及
基于也与所述成员相邻的所述成员的对齐数量对所述成员进行排序。
8.根据权利要求7所述的方法,还包括:
第五成员是未对齐的,如果所述第五成员的第二拐角将用于与正在与所述第一成员对齐的第三拐角的对齐,则将与所述第五成员未对齐且相邻的第四成员的第一拐角的坐标变换和所述第五成员的所述第二拐角的坐标变换进行平均;以及
将所述平均变换应用于所述第四成员。
9.根据权利要求1所述的方法,其中,每个所述成员包括:
基本上50至150平方米的范围。
10.一种在空中点云(PC)数据和地面PC数据中定位墙壁的方法,包括:
过滤所述空中PC数据和所述地面PC数据;
在过滤的空中PC数据和所述地面PC数据内创建预选大小的扇区;
对齐在所述地面PC数据中的所述扇区;
识别在对齐的扇区中可能的墙壁;
识别在所述空中PC数据中可能的屋顶和可能的表面;
在所述可能的墙壁、所述可能的屋顶和所述可能的表面周围形成多边形;以及
从所述可能的屋顶和所述可能的表面形成墙壁。
11.根据权利要求10所述的方法,还包括:
对所述地面PC数据进行下采样。
12.根据权利要求10所述的方法,还包括:
对所述地面PC数据应用体素过滤器。
13.一种用于地面PC数据到空中PC数据的点云配准的***,所述***包括:
表面网格处理器,所述表面网格处理器从所述地面PC数据创建表面网格,包括位于所述地面PC数据中的表面;
扇区处理器,所述扇区处理器将所述表面网格分解成扇区,所述扇区处理器对齐所述扇区;
地面刚性特征处理器,所述地面刚性特征处理器在所述对齐的扇区内定位地面刚性特征;
空中刚性特征处理器,所述空中刚性特征处理器在所述空中PC数据中定位空中刚性特征;
配准过程,所述配准过程通过将所述地面刚性特征配准到所述空中刚性特征来确定变换;以及
变换过程,所述变换过程根据所述变换对所述地面PC数据进行变换。
14.根据权利要求13所述的***,其中,所述地面刚性特征包括墙壁。
15.根据权利要求13所述的***,其中,所述空中刚性特征包括屋顶和刚性表面。
16.根据权利要求13所述的***,还包括:
过滤所述空中PC数据和所述地面PC数据的过滤器。
17.根据权利要求13所述的***,还包括:
过滤所述空中PC数据和所述地面PC数据的体素过滤器。
18.根据权利要求13所述的***,其中,所述扇区处理器包括:
计算机代码,所述计算机代码执行指令用于:
(a)如果有更多的所述扇区要对齐,
(b)选择候选相邻扇区;
(c)确定在所述候选相邻扇区中各点之间的最小距离;
(d)如果所述最小距离小于或等于第一阈值,则将所述候选相邻扇区标记为对齐并且返回到(b);
(e)如果所述最小距离大于所述第一阈值,取在所述候选相邻扇区中所有点之间的平均距离;
(f)如果所述平均距离小于或等于第二阈值,则将所述候选相邻扇区标记为对齐并且返回到(b);
(g)如果所述平均距离大于所述第二阈值,
(1)确定每个可能不对齐扇区的每个拐角的坐标;以及
(2)针对每个所述可能不对齐扇区的每个所述拐角来确定变换;
(h)基于所述坐标来确定所述可能不对齐扇区的所述拐角之间的距离;
(i)确定在相邻拐角中的所述拐角距离之间的关系,所述关系与连接所述拐角的线相关联;
(j)如果所述平均值小于或等于第三阈值,则将所述候选相邻扇区标记为对齐并且返回到(b);
(k)如果所述平均值大于所述第三阈值,则评估所有相邻扇区之间的对齐;
(l)基于对齐的邻居的数量对所述扇区进行排序形成排序的扇区列表;
(m)从所述排序的扇区列表中选择具有最大数量的对齐邻居、但不是所有的对齐邻居的所述扇区;
(n)将来自所选扇区的变换应用到在相邻的所述拐角处的未对齐邻居;
(o)如果未对齐扇区具有另一个未对齐邻居,并且如果所述未对齐邻居的拐角将用于与正在与所选扇区对齐的相同拐角的对齐,
(1)对所述相同拐角的所述变换进行平均;以及
(2)将所述平均变换应用于所述未对齐扇区;
(p)如果所述未对齐扇区没有另一个未对齐邻居,并且如果有更多扇区要对齐,则返回到(b);以及
(q)如果所述未对齐邻居的所述拐角之一不用于与正在与所选扇区对齐的所述相同拐角的对齐,则在(o)处继续。
19.根据权利要求18所述的***,其中,所述关系包括:
平均。
20.根据权利要求18所述的***,其中,所述扇区处理器还包括:
将代表所述可能不对齐扇区的两个可能不对齐扇区之间的距离的值识别为所述关系。
21.根据权利要求18所述的***,其中,所述扇区包括大约50至150平方米的范围。
22.一种用于在空中点云(PC)数据和地面PC数据中定位墙壁的***,包括:
过滤处理器,所述过滤处理器过滤所述空中PC数据和所述地面PC数据;
扇区处理器,所述扇区处理器在过滤的空中PC数据和所述地面PC数据内创建预选大小的扇区,所述扇区处理器对齐在所述地面PC数据中的所述扇区;
地面墙壁处理器,所述地面墙壁处理器识别在所述地面PC数据中可能的墙壁;
空中墙壁处理器,所述空中墙壁处理器识别在所述空中PC数据中可能的屋顶和可能的表面;
多边形处理器,所述多边形处理器在所述可能的墙壁、所述可能的屋顶和所述可能的表面周围形成多边形;以及
墙壁处理器,所述墙壁处理器从所述屋顶和表面形成墙壁。
23.根据权利要求22所述的***,其中,所述过滤处理器包括:
对所述地面PC数据进行下采样。
24.根据权利要求22所述的***,其中,所述过滤处理器包括:
过滤所述地面PC数据的体素过滤器。
25.一种用于将3D地面点云(PC)数据配准到3D空中PC数据的方法,所述方法包括:
从所述地面3D PC数据创建表面网格,包括位于所述地面3D PC数据中的表面;
将所述表面网格分解成扇区;
对齐所述扇区;
在所述对齐扇区内定位特征;
在所述3D空中PC数据中定位所述特征;以及
通过将在所述对齐扇区内的所述特征配准到在所述空中PC数据内的所述特征来确定变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310096359.2A CN115930974A (zh) | 2020-06-18 | 2021-06-16 | 用于空中到地面配准的***和方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063040789P | 2020-06-18 | 2020-06-18 | |
US63/040,789 | 2020-06-18 | ||
PCT/US2021/070718 WO2021258108A1 (en) | 2020-06-18 | 2021-06-16 | System and method for aerial to ground registration |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310096359.2A Division CN115930974A (zh) | 2020-06-18 | 2021-06-16 | 用于空中到地面配准的***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115867939A true CN115867939A (zh) | 2023-03-28 |
Family
ID=76859836
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310096359.2A Pending CN115930974A (zh) | 2020-06-18 | 2021-06-16 | 用于空中到地面配准的***和方法 |
CN202180043623.5A Pending CN115867939A (zh) | 2020-06-18 | 2021-06-16 | 用于空中到地面配准的***和方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310096359.2A Pending CN115930974A (zh) | 2020-06-18 | 2021-06-16 | 用于空中到地面配准的***和方法 |
Country Status (9)
Country | Link |
---|---|
US (2) | US11861855B2 (zh) |
EP (1) | EP4168984A1 (zh) |
JP (1) | JP2023530449A (zh) |
CN (2) | CN115930974A (zh) |
AU (1) | AU2021291293A1 (zh) |
CA (1) | CA3182859A1 (zh) |
IL (1) | IL299158A (zh) |
MX (1) | MX2022016520A (zh) |
WO (1) | WO2021258108A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3094101B1 (fr) * | 2019-03-21 | 2021-09-03 | Saint Gobain | Méthode de synchronisation temporelle entre un moyen automatique de déplacement et un moyen de détection sans contact disposé sur ledit moyen automatique de déplacement |
US11989905B2 (en) * | 2021-04-27 | 2024-05-21 | Here Global B.V. | Systems and methods for synchronizing an image sensor |
CN117409152B (zh) * | 2023-12-15 | 2024-03-15 | 山东绿城家居有限公司 | 一种用于自动化编织筐三维仿真方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7242460B2 (en) * | 2003-04-18 | 2007-07-10 | Sarnoff Corporation | Method and apparatus for automatic registration and visualization of occluded targets using ladar data |
US8442304B2 (en) * | 2008-12-29 | 2013-05-14 | Cognex Corporation | System and method for three-dimensional alignment of objects using machine vision |
US10452949B2 (en) * | 2015-11-12 | 2019-10-22 | Cognex Corporation | System and method for scoring clutter for use in 3D point cloud matching in a vision system |
-
2021
- 2021-06-16 CN CN202310096359.2A patent/CN115930974A/zh active Pending
- 2021-06-16 WO PCT/US2021/070718 patent/WO2021258108A1/en unknown
- 2021-06-16 CA CA3182859A patent/CA3182859A1/en active Pending
- 2021-06-16 EP EP21740417.7A patent/EP4168984A1/en active Pending
- 2021-06-16 MX MX2022016520A patent/MX2022016520A/es unknown
- 2021-06-16 AU AU2021291293A patent/AU2021291293A1/en active Pending
- 2021-06-16 US US17/304,206 patent/US11861855B2/en active Active
- 2021-06-16 JP JP2022577562A patent/JP2023530449A/ja active Pending
- 2021-06-16 IL IL299158A patent/IL299158A/en unknown
- 2021-06-16 CN CN202180043623.5A patent/CN115867939A/zh active Pending
-
2023
- 2023-11-21 US US18/516,296 patent/US20240087145A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021258108A1 (en) | 2021-12-23 |
CN115930974A (zh) | 2023-04-07 |
US11861855B2 (en) | 2024-01-02 |
AU2021291293A1 (en) | 2023-02-02 |
US20240087145A1 (en) | 2024-03-14 |
US20210398300A1 (en) | 2021-12-23 |
CA3182859A1 (en) | 2021-12-23 |
IL299158A (en) | 2023-02-01 |
JP2023530449A (ja) | 2023-07-18 |
EP4168984A1 (en) | 2023-04-26 |
MX2022016520A (es) | 2023-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10303966B2 (en) | Method and system of image-based change detection | |
Majdik et al. | Air‐ground matching: Appearance‐based GPS‐denied urban localization of micro aerial vehicles | |
CN104123730A (zh) | 基于道路特征的遥感影像与激光点云配准方法及*** | |
US11861855B2 (en) | System and method for aerial to ground registration | |
CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
US20180075319A1 (en) | 3d building extraction apparatus, method and system | |
Gao et al. | Ground and aerial meta-data integration for localization and reconstruction: A review | |
Jiang et al. | Hierarchical motion consistency constraint for efficient geometrical verification in UAV stereo image matching | |
Persad et al. | Alignment of point cloud DSMs from TLS and UAV platforms | |
CN114022760B (zh) | 铁路隧道障碍物监测预警方法、***、设备及存储介质 | |
Bolkas et al. | Registration of multi-platform point clouds using edge detection for rockfall monitoring | |
Li et al. | An automated system for image-to-vector georeferencing | |
Majdik et al. | Micro air vehicle localization and position tracking from textured 3d cadastral models | |
Nguyen et al. | Coarse-to-fine registration of airborne LiDAR data and optical imagery on urban scenes | |
Koc-San et al. | A model-based approach for automatic building database updating from high-resolution space imagery | |
Maurer et al. | Automated inspection of power line corridors to measure vegetation undercut using UAV-based images | |
Božić-Štulić et al. | Complete model for automatic object detection and localisation on aerial images using convolutional neural networks | |
Lee et al. | Determination of building model key points using multidirectional shaded relief images generated from airborne LiDAR data | |
Arthur et al. | Rapid processing of unmanned aerial vehicles imagery for disaster management | |
Majidi et al. | Aerial tracking of elongated objects in rural environments | |
Hujebri et al. | Automatic building extraction from lidar point cloud data in the fusion of orthoimage | |
Subash | Automatic road extraction from satellite images using extended Kalman filtering and efficient particle filtering | |
Kim et al. | Geo-registration of wide-baseline panoramic image sequences using a digital map reference | |
Pohl et al. | Extraction and refinement of building faces in 3D point clouds |
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 |