CN116071530B - 一种基于机载激光点云的建筑物屋***化分割方法 - Google Patents
一种基于机载激光点云的建筑物屋***化分割方法 Download PDFInfo
- Publication number
- CN116071530B CN116071530B CN202310206932.0A CN202310206932A CN116071530B CN 116071530 B CN116071530 B CN 116071530B CN 202310206932 A CN202310206932 A CN 202310206932A CN 116071530 B CN116071530 B CN 116071530B
- Authority
- CN
- China
- Prior art keywords
- voxel
- points
- coordinate
- voxels
- laser
- 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
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机载激光点云的建筑物屋***化分割方法。首先利用地面滤波和分类算法提取机载激光点云中的建筑物点,将所有建筑物点分割为体素,并计算体素的坐标中心和法向量特征,然后将建筑物点划分为体素单元,利用区域生长算法生成初始建筑物屋顶分割结果,将体素作为节点,并结合初始分割结果以及邻域体素特征差异构建能量函数,最后利用图割算法得到最终建筑物屋顶分割结果。本发明利用机载激光点云自动化分割建筑物屋顶结构,克服机载点云稀疏、离散的特性,实现复杂城市场景的割建筑物屋顶结构精准分割,可以降低人工干预,可以服务于数字孪生与城市建筑物模型重建等工作。
Description
技术领域
本发明属于激光扫描数据处理技术领域,具体涉及一种基于机载激光点云的建筑物屋***化分割方法。
背景技术
三维激光扫描可以通过自上而下地方式对地球表面进行扫描,可以快速获取具有几何坐标和属性的激光点云,以主动扫描的方式用数字形式刻画现实世界,成为重要三维数据获取方式,成功应用于多种地理信息应用中。与二维影像相比,三维激光点云可以获取准确的城市地物实体的高度和几何结构信息。机载三维激光扫描***可以快速获取大范围城市实体三维坐标信息,并基于获取的三维激光点云得到城市地物实体结构。
随着数字孪生技术的推进,需要提取细节丰富的城市建筑物实体模型,同时精细化的城市建筑物模型的生成成为了数字基底构建的基础。为了更好的表示城市实体,实景三维模型要包含实体的三维立体组成结构以及部件级的语义关系。
城市建筑物组成复杂,高层建筑物屋顶会包含不同的楼层结构;低层建筑物屋顶会包含坡向不同的屋顶结构。针对复杂的城市建筑场景,精细提取建筑物的不同结构对实景三维重建是至关重要的。城市太阳能分析、灾害应急、变化检测等应用都对准确的屋顶结构语义几何关系重建结果有要求。因此,为了构建更精细的建筑物模型,如何高效地提取建筑物的不同结构,以及对建筑物屋顶进行有效分割成为了研究的难题。
发明内容
由于点云具有离散性的特点,传统的点云聚类或分割算法难以有效提取建筑物的不同结构,需要大量的人工手动编辑。针对现有技术不足,本发明提供一种基于机载激光点云的建筑物屋***化分割方法,不需要人工编辑,能够自动化、精准地分割建筑物屋顶,提升了自动化建模的可靠性。
为了达到上述目的,本发明提供的技术方案是一种基于机载激光点云的建筑物屋***化分割方法,包括以下步骤:
步骤1,利用地面滤波和分类算法提取机载激光点云中的建筑物点;
步骤2,将步骤1得到的所有建筑物点分割为体素,并计算体素的坐标中心和法向量;
步骤3,以体素为单元,利用区域生长算法生成初始建筑物屋顶分割结果;
步骤4,将体素作为节点,结合初始分割结果以及邻域体素特征差异构建能量函数,利用图割算法得到最终建筑物屋顶分割结果。
而且,所述步骤1中首先对机载激光点云利用滤波算法滤除地面点,得到非地面点,然后对非地面点利用点云分类算法,逐点标记为建筑物点和非建筑物点。
机载激光三维点云的定义为:
(1)
式中,为机载激光三维点云中激光点的数量,/>为三维点云中第k个点,/>为三维点云中第k个点分别对应的空间直角坐标系X、Y、Z轴的坐标值,空间直角坐标系以任一激光点为坐标原点,X轴指向东、Y轴指向真北方向、Z轴沿地球椭球法线方向构成右手系。
而且,所述步骤2中利用八叉树结构对建筑物点建立索引,根据给定的体素尺寸在点云空间规则划分体素,并逐体素计算体素的坐标中心和法向量。
体素的坐标中心计算方式为:
(2)
式中,为体素/>内所有点的坐标中心,是由体素/>内所有激光点空间坐标平均值组成的向量,/>为体素/>内激光点的总个数,/>为体素/>内的第t个激光点在X轴对应的坐标值,/>为体素/>内的第t个激光点在Y轴对应的坐标值,/>为体素/>内的第t个激光点在Z轴对应的坐标值。
体素的法向量计算方式为:
首先利用体素内含有的所有激光点构建协方差矩阵/>,即:
(3)
式中,为体素/>内激光点的总个数,/>为体素/>内的第t个激光点空间坐标组成的向量,/>,/>为体素/>内的第t个激光点在X轴对应的坐标值,/>为体素/>内的第t个激光点在Y轴对应的坐标值,/>为体素/>内的第t个激光点在Z轴对应的坐标值,/>为体素/>内所有点的坐标中心,是由体素/>内所有激光点空间坐标平均值组成的向量,/>,/>为体素/>内所有激光点在X轴的坐标平均值,/>为体素/>内所有激光点在Y轴的坐标平均值,/>为体素/>内所有激光点在Z轴的坐标平均值。
然后将协方差矩阵通过特征值分解得到对应的三个特征值,/>,特征值/>对应的特征向量即为体素/>对应的法向量/>。
而且,所述步骤3中分别计算体素坐标中心与所有邻域体素坐标中心的水平、竖直距离以及与邻域体素的法向量夹角,设置邻域体素坐标中心的水平距离阈值、竖直距离阈值以及法向量夹角阈值,并将这些阈值作为约束条件,以体素为单元,利用区域生长算法对满足约束条件的邻域体素进行生长,得到初始建筑物屋顶分割结果。
水平方向距离由以下公式计算:
(4)
式中,为体素/>坐标中心和相邻体素/>坐标中心的水平方向距离,/>为体素/>内所有激光点在X轴的坐标平均值,/>为体素/>内所有激光点在Y轴的坐标平均值,/>为体素/>内所有激光点在X轴的坐标平均值,/>为体素/>内所有激光点在Y轴的坐标平均值。
竖直方向距离由以下公式计算:
(5)
式中,为体素/>坐标中心和相邻体素/>坐标中心的竖直方向距离,为/>体素/>内所有激光点在Z轴的坐标平均值,/>为体素/>内所有激光点在Z轴的坐标平均值。
法向量夹角的计算方式如下:
(6)
(7)
式中,为体素/>对应的法向量,/>为体素/>对应的法向量,/>,,/>为建筑物体素的数量。
给定水平距离阈值、竖直距离阈值/>、法向量夹角阈值/>,若满足条件且/>且/>,则利用区域生长算法使体素/>和体素/>进行生长,生成初始分割结果。
而且,所述步骤4中图割算法是一种基于图论的分割方法,其核心思想是能量优化,在计算机视觉领域普遍应用于图像的前景和背景分割。将每一个体素作为一个节点,利用图割算法对初始建筑物屋顶分割结果进行优化,即将步骤3得到的初始分割结果作为初始标签,并构建能量函数,以能量函数最小为优化目标,利用图割算法获取每个体素新的分割标签,得到最终的建筑物屋顶分割结果;能量函数计算方式如下,由数据项和平滑项构成:
(8)
式中,是所有体素对应的标签,/>为建筑物体素的数量,/>代表体素/>的标签为/>时的代价值,N是当前体素与所有邻域体素组对的集合,其中邻域体素为体素/>在空间上分别在X、Y、Z方向上相邻的26个邻域体素,/>为相邻体素的索引,/>是体素/>和邻域体素/>的标签分别为/>和/>的代价值。
数据项由与区域生长的初始分割结果相似度定义:
(9)
式中,为体素/>的初始标签,a是体素/>的标签/>与初始标签/>不一致的惩罚值。
区域生长过程所生成的平滑项是为了优化区域生长带来的过分割现象,因此将平滑项定义为:
(10)
(11)
式中,为体素/>坐标中心和邻域体素/>坐标中心的三维距离,/>为体素和邻域体素/>的法向量夹角,b和c为标签不一致时的惩罚项,/>为体素/>坐标中心和邻域体素/>坐标中心的三维距离阈值,/>为体素/>和邻域体素/>法向量夹角阈值。
通过最小化能量函数得到所有体素对应的最佳标签,最终具有相同标签的体素即为同一个建筑物屋顶结构。
与现有技术相比,本发明具有如下优点:
1)利用机载激光点云自动化分割建筑物屋顶结构,将点云划分为体素并以体素为单位进行分割,克服了机载点云稀疏、离散的特性,能够精准地分割建筑物屋顶结构,可以降低人工干预,提升实景三维重建的效率。
2)将建筑物点云划分为体素后,以体素为单元利用区域生长算法和图割算法由粗到细的进行建筑物屋顶结构分割,与已有建筑物屋顶分割方法相比,本发明可以获得准确的建筑物不同屋顶、楼层结构,可以服务于数字孪生与城市建筑物模型重建等工作。
附图说明
图1为本发明实施例的流程图。
具体实施方式
本发明提供一种基于机载激光点云的建筑物屋***化分割方法,该方法以自动化建筑物屋顶精细分割为目标,以机载激光点云为数据源,将建筑物点云划分为体素,并以体素为单元利用区域生长和图割算法精细化提取不同建筑物的屋顶结构。
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示,本发明实施例的流程包括以下步骤:
步骤1,利用地面滤波和分类算法提取机载激光点云中的建筑物点。
首先对机载激光点云利用布料滤波算法滤除地面点,得到非地面点,然后对非地面点利用点云分类算法,逐点标记为建筑物点和非建筑物点。
机载激光三维点云的定义为:
(1)
式中,为机载激光三维点云中激光点的数量,/>为三维点云中第k个点,/>为三维点云中第k个点分别对应的空间直角坐标系X、Y、Z轴的坐标值,空间直角坐标系以任一激光点为坐标原点,X轴指向东、Y轴指向真北方向、Z轴沿地球椭球法线方向构成右手系。
步骤2,将步骤1得到的所有建筑物点分割为体素,并计算体素的坐标中心和法向量。
利用八叉树结构对建筑物点建立索引,根据给定的体素尺寸在点云空间规则划分体素,并逐体素计算体素的坐标中心和法向量。
体素的坐标中心计算方式为:
(2)
式中,为体素/>内所有点的坐标中心,是由体素/>内所有激光点空间坐标平均值组成的向量,/>为体素/>内激光点的总个数,/>为体素/>内的第t个激光点在X轴对应的坐标值,/>为体素/>内的第t个激光点在Y轴对应的坐标值,/>为体素/>内的第t个激光点在Z轴对应的坐标值。
体素的法向量计算方式为:
首先利用体素内含有的所有激光点构建协方差矩阵/>,即:
(3)
式中,为体素/>内激光点的总个数,/>为体素/>内的第t个激光点空间坐标组成的向量,/>,/>为体素/>内的第t个激光点在X轴对应的坐标值,/>为体素/>内的第t个激光点在Y轴对应的坐标值,/>为体素/>内的第t个激光点在Z轴对应的坐标值,/>为体素/>内所有点的坐标中心,是由体素/>内所有激光点空间坐标平均值组成的向量,/>,/>为体素/>内所有激光点在X轴的坐标平均值,/>为体素/>内所有激光点在Y轴的坐标平均值,/>为体素/>内所有激光点在Z轴的坐标平均值。
然后将协方差矩阵通过特征值分解得到对应的三个特征值,/>,特征值/>对应的特征向量即为体素/>对应的法向量/>。
步骤3,以体素为单元,利用区域生长算法生成初始建筑物屋顶分割结果。
分别计算体素坐标中心与所有邻域体素坐标中心的水平、竖直距离以及与邻域体素的法向量夹角,设置邻域体素坐标中心的水平距离阈值、竖直距离阈值以及法向量夹角阈值,并将这些阈值作为约束条件,以体素为单元,利用区域生长算法对满足约束条件的邻域体素进行生长,得到初始建筑物屋顶分割结果。
水平方向距离由以下公式计算:
(4)
式中,为体素/>坐标中心和相邻体素/>坐标中心的水平方向距离,/>为体素/>内所有激光点在X轴的坐标平均值,/>为体素/>内所有激光点在Y轴的坐标平均值,/>为体素/>内所有激光点在X轴的坐标平均值,/>为体素/>内所有激光点在Y轴的坐标平均值。
竖直方向距离由以下公式计算:
(5)
式中,为体素/>坐标中心和相邻体素/>坐标中心的竖直方向距离,为/>体素/>内所有激光点在Z轴的坐标平均值,/>为体素/>内所有激光点在Z轴的坐标平均值。
法向量夹角的计算方式如下:
(6)
(7)
式中,为体素/>对应的法向量,/>为体素/>对应的法向量,/>,,/>为建筑物体素的数量。
给定水平距离阈值、竖直距离阈值/>、法向量夹角阈值/>,若满足条件且/>且/>,则利用区域生长算法使体素/>和体素/>进行生长,生成初始分割结果。本实施例中,水平距离阈值/>为4m、竖直距离阈值/>为4m、法向量夹角阈值/>为/>。
步骤4,将体素作为节点,结合初始分割结果以及邻域体素特征差异构建能量函数,利用图割算法得到最终建筑物屋顶分割结果。
将每一个体素作为一个节点,利用图割算法对初始建筑物屋顶分割结果进行优化。图割算法是一种基于图论的分割方法,其核心思想是能量优化,在计算机视觉领域普遍应用于图像的前景和背景分割。将步骤3得到的初始分割结果作为初始标签,并构建能量函数的数据项,利用邻域体素几何特征差异构建能量函数的平滑项,以能量函数最小为优化目标,利用图割算法获取每个体素新的分割标签,得到最终的建筑物屋顶分割结果。
将图割算法视作多标题问题,即将每一个体素都作为一个节点,并为其分配有限集合L中的一个标签。优化目标为给每个体素/>分配一个标签/>,并使构建的能量函数值最小。能量函数计算方式如下,由数据项和平滑项构成:
(8)
式中,是所有体素对应的标签,/>为建筑物体素的数量,/>代表体素/>的标签为/>时的代价值,N是当前体素与所有邻域体素组对的集合,其中邻域体素为体素/>在空间上分别在X、Y、Z方向上相邻的26个邻域体素,/>为相邻体素的索引,/>是体素/>和邻域体素/>的标签分别为/>和/>的代价值。
数据项由与区域生长的初始分割结果相似度定义:
(9)
式中,为体素/>的初始标签,a是体素/>的标签/>与初始标签/>不一致的惩罚值,本实施例a值取为5。
区域生长过程所生成的平滑项是为了优化区域生长带来的过分割现象,因此将平滑项定义为:
(10)
(11)
式中,为体素/>坐标中心和邻域体素/>坐标中心的三维距离,/>为体素和邻域体素/>的法向量夹角,b和c为标签不一致时的惩罚项,/>为体素/>坐标中心和邻域体素/>坐标中心的三维距离阈值,/>为体素/>和邻域体素/>法向量夹角阈值,本实施例中,三维距离阈值/>为6m,法向量夹角阈值/>为/>,惩罚值b和c均为7。
采用-expansion算法最小化能量函数,得到所有体素对应的最佳标签,最终具有相同标签的体素即为同一个建筑物屋顶结构。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例,做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于机载激光点云的建筑物屋***化分割方法,其特征在于,包括以下步骤:
步骤1,利用地面滤波和分类算法提取机载激光点云中的建筑物点;
步骤2,将步骤1得到的所有建筑物点分割为体素,并计算体素的坐标中心和法向量;
步骤3,以体素为单元,利用区域生长算法生成初始建筑物屋顶分割结果;
分别计算体素坐标中心与所有邻域体素坐标中心的水平、竖直距离以及与邻域体素的法向量夹角,设置邻域体素坐标中心的水平距离阈值、竖直距离阈值以及法向量夹角阈值,并将这些阈值作为约束条件,以体素为单元,利用区域生长算法对满足约束条件的邻域体素进行生长,得到初始建筑物屋顶分割结果;水平方向距离由以下公式计算:
(4)
式中,为体素/>坐标中心和相邻体素/>坐标中心的水平方向距离,/>为体素内所有激光点在X轴的坐标平均值,/>为体素/>内所有激光点在Y轴的坐标平均值,为体素/>内所有激光点在X轴的坐标平均值,/>为体素/>内所有激光点在Y轴的坐标平均值;
竖直方向距离由以下公式计算:
(5)
式中,为体素/>坐标中心和相邻体素/>坐标中心的竖直方向距离,为/>体素/>内所有激光点在Z轴的坐标平均值,/>为体素/>内所有激光点在Z轴的坐标平均值;
步骤4,将体素作为节点,结合初始分割结果以及邻域体素特征差异构建能量函数,利用图割算法得到最终建筑物屋顶分割结果;
图割算法是一种基于图论的分割方法,其核心思想是能量优化,在计算机视觉领域普遍应用于图像的前景和背景分割;将每一个体素作为一个节点,利用图割算法对初始建筑物屋顶分割结果进行优化,即将步骤3得到的初始分割结果作为初始标签,并构建能量函数,以能量函数最小为优化目标,利用图割算法获取每个体素新的分割标签,得到最终的建筑物屋顶分割结果;能量函数计算方式如下,由数据项和平滑项构成:
(8)
式中,是所有体素对应的标签,/>为建筑物体素的数量,/>代表体素/>的标签为/>时的代价值,N是当前体素与所有邻域体素组对的集合,其中邻域体素为体素/>在空间上分别在X、Y、Z方向上相邻的26个邻域体素,/>为相邻体素的索引,/>是体素/>和邻域体素/>的标签分别为/>和/>的代价值;
数据项由与区域生长的初始分割结果相似度定义:
(9)
式中,为体素/>的初始标签,a是体素/>的标签/>与初始标签/>不一致的惩罚值;
区域生长过程所生成的平滑项定义为:
(10)
(11)
式中,为体素/>坐标中心和邻域体素/>坐标中心的三维距离,/>为体素/>和邻域体素/>的法向量夹角,b和c为标签不一致时的惩罚项,/>为体素/>坐标中心和邻域体素/>坐标中心的三维距离阈值,/>为体素/>和邻域体素/>法向量夹角阈值;
通过最小化能量函数得到所有体素对应的最佳标签,最终具有相同标签的体素即为同一个建筑物屋顶结构。
2.如权利要求1所述的一种基于机载激光点云的建筑物屋***化分割方法,其特征在于:步骤1中首先对机载激光点云利用滤波算法滤除地面点,得到非地面点,然后对非地面点利用点云分类算法,逐点标记为建筑物点和非建筑物点,机载激光三维点云的定义为:
(1)
式中,为机载激光三维点云中激光点的数量,/>为三维点云中第k个点,/>为三维点云中第k个点分别对应的空间直角坐标系X、Y、Z轴的坐标值,空间直角坐标系以任一激光点为坐标原点,X轴指向东、Y轴指向真北方向、Z轴沿地球椭球法线方向构成右手系。
3.如权利要求1所述的一种基于机载激光点云的建筑物屋***化分割方法,其特征在于:步骤2中利用八叉树结构对建筑物点建立索引,根据给定的体素尺寸在点云空间规则划分体素,并逐体素计算体素的坐标中心和法向量,体素的坐标中心计算方式为:
(2)
式中,为体素/>内所有点的坐标中心,是由体素/>内所有激光点空间坐标平均值组成的向量,/>为体素/>内激光点的总个数,/>为体素/>内的第t个激光点在X轴对应的坐标值,/>为体素/>内的第t个激光点在Y轴对应的坐标值,/>为体素/>内的第t个激光点在Z轴对应的坐标值。
4.如权利要求3所述的一种基于机载激光点云的建筑物屋***化分割方法,其特征在于:步骤2中体素的法向量计算方式为:首先利用体素内含有的所有激光点构建协方差矩阵/>,即:
(3)
式中,为体素/>内激光点的总个数,/>为体素/>内的第t个激光点空间坐标组成的向量,/>,/>为体素/>内的第t个激光点在X轴对应的坐标值,为体素/>内的第t个激光点在Y轴对应的坐标值,/>为体素/>内的第t个激光点在Z轴对应的坐标值,/>为体素/>内所有点的坐标中心,是由体素/>内所有激光点空间坐标平均值组成的向量,/>,/>为体素/>内所有激光点在X轴的坐标平均值,为体素/>内所有激光点在Y轴的坐标平均值,/>为体素/>内所有激光点在Z轴的坐标平均值;
然后将协方差矩阵通过特征值分解得到对应的三个特征值/>,,特征值/>对应的特征向量即为体素/>对应的法向量/>。
5.如权利要求4所述的一种基于机载激光点云的建筑物屋***化分割方法,其特征在于:步骤3中法向量夹角的计算方式如下:
(6)
(7)
式中,为体素/>对应的法向量,/>为体素/>对应的法向量,/>,,/>为建筑物体素的数量;
给定水平距离阈值、竖直距离阈值/>、法向量夹角阈值/>,若满足条件且/>且/>,则利用区域生长算法使体素/>和体素/>进行生长,生成初始分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310206932.0A CN116071530B (zh) | 2023-03-07 | 2023-03-07 | 一种基于机载激光点云的建筑物屋***化分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310206932.0A CN116071530B (zh) | 2023-03-07 | 2023-03-07 | 一种基于机载激光点云的建筑物屋***化分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116071530A CN116071530A (zh) | 2023-05-05 |
CN116071530B true CN116071530B (zh) | 2023-07-28 |
Family
ID=86180314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310206932.0A Active CN116071530B (zh) | 2023-03-07 | 2023-03-07 | 一种基于机载激光点云的建筑物屋***化分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071530B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576144B (zh) * | 2024-01-15 | 2024-03-29 | 湖北工业大学 | 一种激光点云电力线提取方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、***及计算机存储介质 |
CN113205529A (zh) * | 2021-04-19 | 2021-08-03 | 武汉大学 | 一种基于机载LiDAR点云分割建筑物顶面的方法 |
CN114049395A (zh) * | 2021-03-31 | 2022-02-15 | 武汉大学 | 机载点云辅助的车载激光点云位置精度改善方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8803878B2 (en) * | 2008-03-28 | 2014-08-12 | Schlumberger Technology Corporation | Visualizing region growing in three dimensional voxel volumes |
US8224097B2 (en) * | 2008-06-12 | 2012-07-17 | Sri International | Building segmentation for densely built urban regions using aerial LIDAR data |
KR20130026853A (ko) * | 2011-09-06 | 2013-03-14 | 한국전자통신연구원 | 복셀 그리드를 이용한 포인트 클라우드의 렌더링 방법 및 장치 |
CN109242855B (zh) * | 2018-07-19 | 2020-08-11 | 中国科学院自动化研究所 | 基于多分辨率三维统计信息的屋顶分割方法、***及设备 |
CN109685821A (zh) * | 2018-12-26 | 2019-04-26 | 中国科学院大学 | 基于高质量体素的区域生长3d岩体点云平面提取方法 |
CN114463338B (zh) * | 2022-01-07 | 2024-05-03 | 武汉大学 | 一种基于图割与后处理的建筑物激光脚点自动提取方法 |
CN114758323A (zh) * | 2022-06-13 | 2022-07-15 | 青岛市勘察测绘研究院 | 一种基于车载激光点云的城市道路标牌提取方法 |
CN114764871B (zh) * | 2022-06-15 | 2022-09-13 | 青岛市勘察测绘研究院 | 一种基于机载激光点云的城市建筑物属性提取方法 |
-
2023
- 2023-03-07 CN CN202310206932.0A patent/CN116071530B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、***及计算机存储介质 |
CN114049395A (zh) * | 2021-03-31 | 2022-02-15 | 武汉大学 | 机载点云辅助的车载激光点云位置精度改善方法 |
CN113205529A (zh) * | 2021-04-19 | 2021-08-03 | 武汉大学 | 一种基于机载LiDAR点云分割建筑物顶面的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116071530A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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*** | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN109961440B (zh) | 一种基于深度图的三维激光雷达点云目标分割方法 | |
CN111915730B (zh) | 一种顾及语义从点云自动生成室内三维模型的方法及*** | |
CN107292276B (zh) | 一种车载点云聚类方法及*** | |
CN106780524B (zh) | 一种三维点云道路边界自动提取方法 | |
Sun et al. | Aerial 3D building detection and modeling from airborne LiDAR point clouds | |
Cheng et al. | 3D building model reconstruction from multi-view aerial imagery and lidar data | |
CN111815776A (zh) | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
CN105740798B (zh) | 一种基于结构分析的点云场景物体识别方法 | |
CN112288857A (zh) | 一种基于深度学习的机器人语义地图物体识别方法 | |
CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN116071530B (zh) | 一种基于机载激光点云的建筑物屋***化分割方法 | |
CN117132915B (zh) | 一种基于点云自动分类的输电线路树障隐患分析方法 | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
Guinard et al. | Piecewise-planar approximation of large 3d data as graph-structured optimization | |
CN114463338A (zh) | 一种基于图割与后处理的建筑物激光脚点自动提取方法 | |
CN114463396A (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
CN113985435A (zh) | 一种融合多激光雷达的建图方法及*** | |
CN113536959A (zh) | 一种基于立体视觉的动态障碍物检测方法 | |
CN117253205A (zh) | 一种基于移动测量***的道路面点云快速提取方法 | |
CN112989470B (zh) | 一种基于点云数据的室内空间布局提取方法 |
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 |