CN117437537A - 基于机载LiDAR点云数据的建筑物目标级变化检测方法及*** - Google Patents
基于机载LiDAR点云数据的建筑物目标级变化检测方法及*** Download PDFInfo
- Publication number
- CN117437537A CN117437537A CN202311245296.9A CN202311245296A CN117437537A CN 117437537 A CN117437537 A CN 117437537A CN 202311245296 A CN202311245296 A CN 202311245296A CN 117437537 A CN117437537 A CN 117437537A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- building
- point
- cloud data
- change
- 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
- 230000008859 change Effects 0.000 title claims abstract description 156
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 61
- 238000001914 filtration Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 5
- 230000000750 progressive effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及建筑物变化检测技术领域，特别涉及一种基于机载LiDAR点云数据的建筑物目标级变化检测方法及***，将获取不同时相中的机载激光LiDAR点云数据通过点云数据处理获取点云数据中建筑物单目标级的点集特征，所述点集特征包括球状点集特征和面片点集特征；通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，并基于判断的变化结果对建筑物变化信息合并，以获取并输出点云数据中建筑物所检测信息，所述建筑物所检测信息类型包含新建建筑物、建筑物拆除、建筑物不变。本发明通过融合单点特征和变化特征并由粗到精实现建筑物目标级点云的变化检测，能够抑制点云差异性、点云噪声的干扰，提升检测精度和稳健性。
Description
技术领域
本发明涉及建筑物变化检测技术领域，特别涉及一种基于机载LiDAR点云数据的建筑物目标级变化检测方法及***。
背景技术
激光雷达是将激光用于回波测距、定向的传感器，并通过位置、径向速度及物体反射特性识别目标，包含了特殊的发射、扫描、接收和信号处理技术。激光探测与测距(LightDetection And Ranging，LiDAR)是基于激光雷达的基本原理，通过对地形或地物进行扫描并记录距离和其它信息，获取高精度和高密度的激光点云数据以及回波强度、光谱信息的技术。通过测量激光往返目标所需时间，结合光速和大气折射系数计算出距离，从而可以解算出目标的位置坐标。与可见光遥感相比，激光LiDAR技术属于主动遥感，即自身主动发射激光探测地物，可全天候工作；激光光束窄，具有单色性，有更高的分辨率和灵敏度，有更强的抗干扰能力，受气象和地面背景、天空背景干扰小；在数据获取方面，可获得幅度、频率和相位信息，可测速及识别动态目标。激光LiDAR技术按照搭载传感器的平台的不同可以分为星载激光扫描(Satellite-based)、机载激光扫描(Airborne)、车载激光扫描(Mobile)、地面激光扫描(Terrestrial)。机载LiDAR是将激光雷达***安装在飞机上，用于获取大范围的三维数据。机载激光扫描技术优势包括：(一)可以高效获取大范围的激光点云数据，数据后处理过程主要将激光探测地物飞行时间解算为目标三维点云坐标(X,Y,Z)，后处理效率较高；(二)机载激光扫描从500m-3000m空中对地遥感，可以广泛用于大范围城市空间测绘、三维地理信息获取；(三)机载激光扫描***可以全天时、全天候作业；(四)机载激光点云数据精度可以达到厘米级，满足大比例尺测图需求。目前，机载激光扫描技术已广泛应用于地形测绘、森林资源调查、农业监测、城市规划和应急响应等领域。
机载LiDAR点云变化检测技术是对同一地区、两个时相的机载LiDAR点云数据进行对比分析，从而得到该地区地物要素变化信息的技术。机载LiDAR点云变化检测也是当前激光点云数据处理中的热点研究方向，可以应用于土地利用/覆盖信息的变化检测、地理信息更新、资源环境和灾害的动态监测、城市建筑变化监测、目标跟踪、植被生长状况监督与生物量评估等。随着机载点云数据的广泛获取和利用，机载LiDAR点云变换检测技术的研究也变得越来越重要。机载LiDAR点云是由一组无序的三维坐标(X,Y,Z)构成的集合。点云具有顺序不变性(permutation-invariant)，即改变点云存储顺序，该物体仍为同一物体。点云除了含有三维坐标外，机载激光扫描技术获得的点云也可记录回波强度、回波次数等信息。机载LiDAR点云变化检测技术的难点在于以下两个方面：(一)不同时相获取的同一地区的激光点云数据很可能在点云数量、点云密度、点云精度、点云噪声水平、点云分布状态等方面均不相同，而且点云具有顺序不变性，因此点云变化检测不可能像二维遥感影像变化检测那样，实施同一位置处不同时相的像素到像素(Pixel-to-pixel)的变化检测，而只能实施点云簇到点云簇(Cluster-to-cluster)、单个激光点到点云簇(Point-to-cluster)的变化检测。(二)区分相关变化(Relevant changes)、虚警变化(False changes)和不相关变化(Irrelevant changes)：相关变化是感兴趣的变化类型，机载LiDAR点云变化检测技术通常关注地表形变、建筑物变化(新建或拆除)等；虚警变化是在两个时相之间目标实际未发生变化，但由于数据质量问题或算法缺陷导致检测出“虚假”变化，如变化检测结果中建筑物边缘出现线型的虚警检测；不相关变化指现实中确实发生了变化，在两个时相点云数据中也有体现，但不是我们感兴趣的变化。例如，不同季节树叶长落、行人穿梭、水面波动、港口的集装箱变化等。
机载LiDAR点云变化检测技术比起遥感影像二维变化检测具有如下优势：首先，三维几何信息不受光照变化和视角变化的影响，变化检测结果呈现在三维空间；其次，点云数据间可以实现可靠配准，这给高可靠性变化检测提供了重要保证。机载LiDAR点云变化检测方法分为几何比较法和几何-光谱分析法两类。高程差分是最直接的方法，通过计算两个点云或者DSM的垂直距离，检测出变化信息。欧式距离是指计算两个三维数据的面—面距离来指示变化。基于投影的比较常用在多视影像和三维点云的变化检测中，将三维物体投影到影像上之后，通过比较影像上两个时相物体的相似性来检测变化。后优化方法是先利用几何比较得到初始的变化位置，再利用其他可用的数据源、其他特征信息对结果进行逐层优化。直接特征融合法是直接融合变化信息，例如几何变化、光谱变化以及纹理变化等，融合方法通常有变化矢量分析(CVA)，Dempster-Shafer、监督型分类器(如SVM、随机森林等)。后分类方法也是常用的变化检测方法，基本思路是先做地物分类或目标检测，后通过比较标签来检测变化。但现有机载激光点云变化检测方法在建筑物变化检测中仍具有如下缺点：缺点一：基于人工特征提取的方法是先对两个时相的点云数据分别提取特征，再对前后时相的特征进行变化矢量分析(CVA；或是对两个时相的点云数据分别做分类，再对同一位置的语义标签进行比较，从而得出变化信息。这些方法极大地依赖于特征提取质量和特征表征能力，计算量大。缺点二：变化检测是对前后时相的点云特征进行融合和比较，而传统方法对特征融合的深度较浅，因此方法稳健性较差；缺点三：不少现存的方法利用变化矢量分析融合多个变化向量，得到的结果中含有很多虚警变化，且需要很多人工干预，费力耗时，严重制约了产业化应用。
发明内容
为此，本发明提供一种基于机载LiDAR点云数据的建筑物目标级变化检测方法及***，解决现有机载激光点云变化检测方法在建筑物变化检测中计算量大、稳健性差及产业化应用上的限制等问题，通过融合单点特征和变化特征并由粗到精实现建筑物目标级点云的变化检测，能够抑制点云差异性、点云噪声的干扰，提升检测精度。
按照本发明所提供的设计方案，一方面，提供一种基于机载LiDAR点云数据的建筑物目标级变化检测方法，包含：
获取不同时相中的机载激光LiDAR点云数据，并通过点云数据处理获取点云数据中建筑物单目标级的点集特征，所述点集特征包括球状点集特征和面片点集特征；
通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，并基于判断的变化结果对建筑物变化信息合并，以获取并输出点云数据中建筑物所检测信息，所述建筑物所检测信息类型包含新建建筑物、建筑物拆除、建筑物不变。
作为本发明基于机载LiDAR点云数据的建筑物目标级变化检测方法，进一步地，通过点云数据处理获取点云数据中建筑物单目标级的点集特征，包含：
首先，基于坡度信息的渐进三角网加密方法对不同时相中的机载激光LiDAR点云数据分别进行滤波并分离出地面点和非地面点，通过点云高程和地面点高程过滤并去除非建筑物点云；
接着，基于表面生成的点云分割对过滤后的点云数据进行分割处理，得到建筑物预设大块下的大块点云面片、预设小块下的小块点云面片和未分割点云；
然后，利用聚类分析方法对大块点云面片、小块点云面片和未分割点云进行合并，得到单个建筑物目标级的球状点集和面片点集。
作为本发明基于机载LiDAR点云数据的建筑物目标级变化检测方法，进一步地，对不同时相中的机载激光LiDAR点云数据分别进行滤波，包含：
首先，构建边长为L的点云数据方格，在每个格网内选取最低点作为初始种子点，并对初始种子点构建不规则三角网；
接着，针对点云数据中每个激光点云，判断其到最邻近三角面的距离和三角面的夹角小于预设阈值，则判定该激光点云属于地面点，直至遍历完所有点云数据；
然后，利用地面点构建新的三角网，计算每个点的局部坡度，并通过剔除不连续三角点来获取平滑三角网。
作为本发明基于机载LiDAR点云数据的建筑物目标级变化检测方法，进一步地，通过点云高程和地面点高程过滤并去除非建筑物点云，包含：
首先，基于地面点集构建数字高程模型DEM；
接着，针对每个激光点云，利用该激光点云的高程减去其位置处的DEM高程来获取该激光点云的高差，利用高差来表示该激光点云距离地表的高度；
然后，基于高差及预设的高差阈值对非地面点集进行筛选，以剔除非建筑物点云。
作为本发明基于机载LiDAR点云数据的建筑物目标级变化检测方法，进一步地，基于表面生成的点云分割对过滤后的点云数据进行分割处理，包含：
首先，利用3D霍夫变换从点云数据中提取位于同一平面中点簇，将提取的点簇构成种子面片；
接着，利用表面生成算法对每个种子面片周围的点进行分析，将距离目标面片最近点的距离小于预设距离值且点到面片的垂直距离小于预设垂直距离的周围点添加至种子面片中；
然后，基于点坐标提取每个种子面片的协方差矩阵和特征值，通过预设的特征值表征面片集合形状的数学表达式来，得到建筑物预设大块下的大块点云面片、预设小块下的小块点云面片和未分割点云。
作为本发明基于机载LiDAR点云数据的建筑物目标级变化检测方法，进一步地，利用聚类分析方法对大块点云面片、小块点云面片和未分割点云进行合并，包含：
首先，基于点云数据建立KD树结构，基于点云的三维坐标并采用K近邻法进行搜索来构建3D树；
接着，基于3D树将同属于一个建筑物目标的相邻的建筑物大块点云面片和小块点云面片进行合并；
然后，通过查找每个点云周边的最邻近点判断未分割点云中的点与林锦店是否属于同一个点簇，以对未分割点云以离散簇状分布点集进行聚簇。
作为本发明基于机载LiDAR点云数据的建筑物目标级变化检测方法，进一步地，基于点云的三维坐标并采用K近邻法进行搜索来构建3D树，包含：
基于二叉树沿着搜索路径查找最近邻的近似点，针对与待查询点处于同一个子空间的叶子节点，通过比较待查询点和***节点的***维的值来设置搜索路径是左子树分支或右子树分支；通过回溯搜索路径并判断搜索路径上节点的其他子节点空间中是否有距离查询点更近的数据点，若有，则搜索路径跳到对应的其他子节点空间中进行搜索，并将其他子节点空间中的节点加入到搜索路径；迭代查找最近邻的近似点，直至搜索路径为空，并得到每个点的最近邻点。
作为本发明基于机载LiDAR点云数据的建筑物目标级变化检测方法，进一步地，通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，包含：
从其中一时相的建筑物大块点云面片触发，计算每个点在垂直方向上往另一个时相的高程变化，并通过高程变化点超过预设阈值的点数比例，依据点数比例是否超过预设比例阈值来判定建筑物是否发生变化，针对发生变化的建筑物点云数据，逐点进行高程变化判定，以依据点云数据检测出新建建筑物、被拆除建筑物及未变化建筑物。
作为本发明基于机载LiDAR点云数据的建筑物目标级变化检测方法，进一步地，基于判断的变化结果对建筑物变化信息合并，包含：
合并同一时相中的同一类别建筑物变化检测结果及不同时相中变化检测结果，并基于大块点云面片中屋顶点云邻域，若邻域中的点在屋顶点云集中下方预设阈值范围且水平距离小于预设值，则将该邻域中的点合并至屋顶点云下方的墙面点，以通过信息合并获取完整的单个建筑物变化信息。
进一步地，本发明还提供一种基于机载LiDAR点云数据的建筑物目标级变化检测***，包含：数据获取模块和目标检测模块，其中，
数据获取模块，用于获取不同时相中的机载激光LiDAR点云数据，并通过点云数据处理获取点云数据中建筑物单目标级的点集特征，所述点集特征包括球状点集特征和面片点集特征；
目标检测模块，用于通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，并基于判断的变化结果对建筑物变化信息合并，以获取并输出点云数据中建筑物所检测信息，所述建筑物所检测信息类型包含新建建筑物、建筑物拆除、建筑物不变。
本发明的有益效果：
本发明通过融合单点特征和变化特征并由粗到精实现建筑物目标级点云的变化检测，能对激光LiDAR点云实施稳健的变化检测，通过分析激光点云几何特征与空间分布规律，能较好地适用于建筑物中等密集的城市区域的变化检测任务，输出结果为三维逐点变化信息，包含新建、拆除、局部变化、未变化四类，不仅可以检测单个建筑物变化信息，而且可以检测出建筑物局部区域的变化，适用性强、实际应用潜在价值较大；方案稳健性强，在滤波后采用低高差点剔除，提前去除低矮植被和汽车等地物的干扰；通过点集聚簇排除球状植被的干扰，由单个建筑物目标的变化检测缩小到局部区域的变化检测，由粗到精综合高程变化变化信息、双时相变化信息得到最终的变化信息；通过对非地面点云构建三维树结构、采用K近邻搜索提高邻域点搜索效率，能够支持完全自动化实现，可有效应用在城市尺度的激光点云变化检测任务中。
附图说明：
图1为实施例中基于机载LiDAR点云数据的建筑物目标级变化检测流程示意；
图2为实施例中三维变化检测方法分类示意；
图3为实施例中本案建筑物目标级变化检测算法原理示意；
图4为实施例中点云滤波中三角网加密判定示意；
图5为实施例中多层级变化检测流程示意。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
针对上述背景技术中所描述的现有机载激光点云变化检测方法存在的计算量大、稳健性差及产业化应用上的限制等问题，本发明实施例，提供一种基于机载LiDAR点云数据的建筑物目标级变化检测方法，参见图1所示，包含如下内容：
S101、获取不同时相中的机载激光LiDAR点云数据，并通过点云数据处理获取点云数据中建筑物单目标级的点集特征，所述点集特征包括球状点集特征和面片点集特征。
如图2和3所示，输入为前、后两个时相的激光LiDAR点云数据，假设点云数据中分别只含有(X,Y,Z)位置信息，第一阶段是点云分割：首先对两个时相的激光点云数据分别滤波，分离地面点和非地面点；再利用点云高程Z和地面点高程高度计算归一化DSM(nDSM)，通过nDSM高差筛选去除高差较低的非建筑物点云；对剩下的非地面点主体进行基于表面生长的点云分割(Surface Growing Segmentation)，得到建筑物屋顶等大块的点云面片、小的点云面片、未分割的点云；再利用邻近聚簇分析对大块的点云面片、小的点云面片、未分割的点云进行合并，得到单个目标级的球状点集、面片点集；第二阶段为目标级变化分析：比较两个时相同一位置的点集特征，通过高程变化、法向量方向变化、平滑度变化综合判定点云面片是否发生变化；再对两个时相的建筑物变化信息进行合并，得到新建建筑物、建筑物拆除、建筑物不变三类信息。
具体地，通过点云数据处理获取点云数据中建筑物单目标级的点集特征，可设计为包含如下内容：
首先，基于坡度信息的渐进三角网加密方法对不同时相中的机载激光LiDAR点云数据分别进行滤波并分离出地面点和非地面点，通过点云高程和地面点高程过滤并去除非建筑物点云；
接着，基于表面生成的点云分割对过滤后的点云数据进行分割处理，得到建筑物预设大块下的大块点云面片、预设小块下的小块点云面片和未分割点云；
然后，利用聚类分析方法对大块点云面片、小块点云面片和未分割点云进行合并，得到单个建筑物目标级的球状点集和面片点集。
其中，对不同时相中的机载激光LiDAR点云数据分别进行滤波，可包含：
首先，构建边长为L的点云数据方格，在每个格网内选取最低点作为初始种子点，并对初始种子点构建不规则三角网；
接着，针对点云数据中每个激光点云，判断其到最邻近三角面的距离和三角面的夹角小于预设阈值，则判定该激光点云属于地面点，直至遍历完所有点云数据；
然后，利用地面点构建新的三角网，计算每个点的局部坡度，并通过剔除不连续三角点来获取平滑三角网。
从机载激光点云中分离地面点和非地面点的过程也称为“点云滤波”。可使用基于坡度信息的渐进三角网加密方法进行激光点云滤波，该方法能较好地顾及地形局部变化细节，同时引入整体的坡度信息，有效抑制点云噪声并保留局部的地形断裂点。滤波在具体实现时，其算法步骤可设计为如下：
(1)选取初始种子点。构建边长L的方里格，在每个格网内选取一个最低点作为初始种子点。对种子点构建不规则三角网TIN(Triangular Irregular Network)；
(2)渐进三角网加密。如图4所示，对每个激光点，如果满足其到最邻近三角面的距离d和三角面的夹角αi(i取1,2,3)小于阈值，则属于地面点。直到所有激光点都计算完毕；
(3)利用地面点构建新的三角网，计算每个点的局部坡度。对不连续的三角点予以剔除，得到平滑三角网；
(4)可设置为：重复以上第2至3步三次，得到平滑的三角网。需要注意说明的是，重复执行的次数，可依据具体实施场景进行调整。
通过点云高程和地面点高程过滤并去除非建筑物点云，可包含：
首先，基于地面点集构建数字高程模型DEM；
接着，针对每个激光点云，利用该激光点云的高程减去其位置处的DEM高程来获取该激光点云的高差，利用高差来表示该激光点云距离地表的高度；
然后，基于高差及预设的高差阈值对非地面点集进行筛选，以剔除非建筑物点云。
点云高差筛选目的是通过点云高差筛除掉一部分高差较低的非建筑物点集，从而抑制这些点集对后续建筑物变化检测的干扰。具体的筛除方法是：通过上一步骤滤波得到的地面点集插值得到数字高程模型DEM(Digital Elevation Model)；每个激光点的高差ΔZi可表示为该点高程Zi减去该位置处的DEM高程
每个激光点的高差ΔZi物理含义是该点距离地表的高度。根据ΔZi对非地面点集进行筛选，认为ΔZi＜TZ的点集为非建筑物点，这些低点可能是低矮植被、汽车、雕塑、道路边界、围栏、公交站台等。提前筛除掉这些低位点可以减少无关信息干扰，提升变化检测算法的稳健性。其中，TZ为高差筛选阈值，取为实验区域建筑物最低高差，例如3.0m。
基于表面生成的点云分割对过滤后的点云数据进行分割处理，可包含：
首先，利用3D霍夫变换从点云数据中提取位于同一平面中点簇，将提取的点簇构成种子面片；
接着，利用表面生成算法对每个种子面片周围的点进行分析，将距离目标面片最近点的距离小于预设距离值且点到面片的垂直距离小于预设垂直距离的周围点添加至种子面片中；
然后，基于点坐标提取每个种子面片的协方差矩阵和特征值，通过预设的特征值表征面片集合形状的数学表达式来，得到建筑物预设大块下的大块点云面片、预设小块下的小块点云面片和未分割点云。
从机载激光点云中滤除地面点、低位非建筑物点后，剩余的点集主要包含建筑物屋顶、高于3.0m的部分墙面、高大植被三大类，另外有少量干扰点集为路灯杆、脚手架等。为进一步提取建筑物点云，可根据建筑物几何特征设计建筑物点云提取方法。由于屋顶点云在几何上主要由光滑的平面或者曲面来表征，因此采用基于表面生长的分割方法从高于3.0m的非地面点云中分割出面片点集，作为建筑物点集的候选点。
基于表面生长的点云分割实现过程可描述如下：首先利用3D霍夫变换(HoughTransform)从点云中提取“种子面片”。这些面片是位于同一平面中的点簇，主要是屋顶面、墙面。由于点云自身的噪声或孔洞影响，一个屋顶往往被***成多个点云面片，影响数据的处理。因此，再利用表面生长算法对每个“种子面片”周围的点进行分析，只有距离现有面片中最近点的距离小于D且点到面片的垂直距离小于D0的点才被添加到该面片中，即为“生长”的过程。一些散乱的点或者植被点由于不属于任何平面，没有被分割。
为从以上分割结果中提取出屋顶面片，计算每个面片的特征值。假如某个面片含有N个点，每个点坐标为(Xi,Yi,Zi)，i∈[1,N]。通过三维坐标可以得到该面片协方差矩阵M和三个特征值λ1，λ2，λ3(λ1≥λ2≥λ3)。通过特征值得到的数学表达式可以表征面片几何形状。用以下两个特征来筛选出屋顶面片：倾斜角θ，平面拟合差σ。
其中，di为每个点到拟合的平面的距离。然后，根据先验知识排除满足以下任一条件的面片；(1)θ＞70°，为垂直墙面或栏杆；(2)σ＞0.2，噪点多。通过以上特征筛选后，选中的即为屋顶点云面片。
利用聚类分析方法对大块点云面片、小块点云面片和未分割点云进行合并，可包含：
首先，基于点云数据建立KD树结构，基于点云的三维坐标并采用K近邻法进行搜索来构建3D树；
接着，基于3D树将同属于一个建筑物目标的相邻的建筑物大块点云面片和小块点云面片进行合并；
然后，通过查找每个点云周边的最邻近点判断未分割点云中的点与林锦店是否属于同一个点簇，以对未分割点云以离散簇状分布点集进行聚簇。
其中，构建3D树，可包含：基于二叉树沿着搜索路径查找最近邻的近似点，针对与待查询点处于同一个子空间的叶子节点，通过比较待查询点和***节点的***维的值来设置搜索路径是左子树分支或右子树分支；通过回溯搜索路径并判断搜索路径上节点的其他子节点空间中是否有距离查询点更近的数据点，若有，则搜索路径跳到对应的其他子节点空间中进行搜索，并将其他子节点空间中的节点加入到搜索路径；迭代查找最近邻的近似点，直至搜索路径为空，并得到每个点的最近邻点。
邻域聚簇分析的目的是将高于3.0m分割后的非地面点进行合并、聚簇，构成单个的建筑物目标、球状植被点簇。输入的点集已经完成建筑物屋顶的分割，具体分析算法实现过程中的主要步骤可描述如下：
(1)3D树构建：对点云构建KD树(KD-Tree)数据结构，并采用K近邻法(KNN)加快搜索速度，由于每个点有(X，Y，Z)三个维度，因此构建出3D树。点云距离计算采用欧式距离测度。3D树构建过程如下：首先通过二叉树搜索，沿着搜索路径查找最近邻的近似点，也就是与待查询点处于同一个子空间的叶子结点，比较待查询节点和***节点的***维的值，小于等于就进入左子树分支，等于就进入右子树分支直到叶子结点；其次，回溯搜索路径，并判断搜索路径上的结点的其他子结点空间中是否可能有距离查询点更近的数据点，如果有可能，则需要跳到其他子结点空间中去搜索，并将其他子结点加入到搜索路径；重复以上两步直到搜索路径为空。最终，得到每个点的最邻近点。
(2)屋顶面片合并为单个建筑物目标：判断相邻的建筑物屋顶面片，如果两个屋顶面片中最邻近点的水平距离小于阈值Th、垂直距离小于阈值Tv，则认为两个面片同属于一个建筑物目标，对二者进行合并。通过该步骤，可以将建筑物上细小结构(如烟囱、自建架构)也判定为建筑物，从而提高后续建筑物变化检测的精度。
(3)零散点集聚簇为球状植被目标：未被分割的点云中大多数是植被点，植被树冠在几何特征上表示为离散、簇状分布的点集。对于排除建筑物点后的其余激光点，查找每个点周边的最邻近点，如果邻近两点的距离小于阈值Td，认为属于同一个点簇，以此对未分类点云实施聚簇。再对点簇大小进行判断，如果某点簇点数小于10，认为该点簇为噪声并舍弃。在理想情况下，每个树冠构成一个点簇。但是由于相邻树冠太近或点云密度低，造成有的树冠点簇遗漏，有的多个树冠被联结成一体，但这不影响后续的建筑物变化检测精度。
S102、通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，并基于判断的变化结果对建筑物变化信息合并，以获取并输出点云数据中建筑物所检测信息，所述建筑物所检测信息类型包含新建建筑物、建筑物拆除、建筑物不变。
其中，通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，可设计为包含如下内容：
从其中一时相的建筑物大块点云面片触发，计算每个点在垂直方向上往另一个时相的高程变化，并通过高程变化点超过预设阈值的点数比例，依据点数比例是否超过预设比例阈值来判定建筑物是否发生变化，针对发生变化的建筑物点云数据，逐点进行高程变化判定，以依据点云数据检测出新建建筑物、被拆除建筑物及未变化建筑物。
本案方案可适用的实验区域中，建筑物变化类型可分为新建、拆除、局部变化、未变化四种。其中，局部变化的建筑物指单个建筑物在二维足印(footprint)上观察同时发生多于两种的建筑物变化。例如，单个建筑物部分被拆除，而其余部分未变化；又例如，单个建筑物局部未变化，其余部分被加高。在这种情况下，单个建筑物目标的变化情况较为复杂，需要逐点考虑每个激光点的变化情况。
变化矢量分析的目的是综合目标级和单点级的变化信息得到全面的变化检测结构，通过对建筑物面片的多步判定来实现，如图5所示。首先，从某一时相的建筑物屋顶面片出发，计算每个点在垂直方向上往另一个时相的高程变化，统计高程变化超过阈值的点数比例。如果单个建筑物屋顶点云中高程变化大于3m的点数比例不大于80％，认为该建筑物未发生变化，分析过程结束；如果大于80％，进入下一步逐点高程变化判定，将每个屋顶点分成新建建筑物、被拆除的建筑物、未变化的建筑物三类。该过程从目标级过渡到单点级，提升了算法对局部噪声点的稳健性。
其中，基于判断的变化结果对建筑物变化信息合并，可设计为包含如下内容：
合并同一时相中的同一类别建筑物变化检测结果及不同时相中变化检测结果，并基于大块点云面片中屋顶点云邻域，若邻域中的点在屋顶点云集中下方预设阈值范围且水平距离小于预设值，则将该邻域中的点合并至屋顶点云下方的墙面点，以通过信息合并获取完整的单个建筑物变化信息。
双时相变化信息合并的目的是对以上双向多层级变化检测结果进行合并，得到最终的目标级的建筑物变化信息。需要合并的对象可主要总结为有如下情形：
(1)同一时相中建筑物变化检测结果不连续，同一建筑物变化被分隔成局部小的变化信息，在该步骤将同一类别变化检测结果进行合并，同时剔除噪声干扰；
(2)合并两个时相中的建筑物变化。上一步骤从旧时相、新时相出发分别进行变化检测得到的变化信息必然有区别。例如从旧时相屋顶面片出发，不可能检测到新建建筑物位置；从新时相屋顶面片出发，不可能检测到被拆除的建筑物位置。因此，合并从两个时相出发的变化检测结果，得到完整的变化信息；
(3)目前变化检测结果中只含有屋顶点云，往下生长将建筑物垂直的墙面点云也纳入建筑物整体中。具体实现过程如下：计算屋顶点云邻域若干点，如果某点在屋顶点集下方一定阈值范围内，且水平距离也小于阈值，则认为待判定点为该屋顶面片下方的墙面点。
通过以上三个子步骤的信息合并，可以得到完整的单个建筑物的变化信息；该方法也能有效检测出建筑物局部区域的变化。
进一步地，基于上述的方法，本发明实施例还提供一种基于机载LiDAR点云数据的建筑物目标级变化检测***，包含：数据获取模块和目标检测模块，其中，
数据获取模块，用于获取不同时相中的机载激光LiDAR点云数据，并通过点云数据处理获取点云数据中建筑物单目标级的点集特征，所述点集特征包括球状点集特征和面片点集特征；
目标检测模块，用于通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，并基于判断的变化结果对建筑物变化信息合并，以获取并输出点云数据中建筑物所检测信息，所述建筑物所检测信息类型包含新建建筑物、建筑物拆除、建筑物不变。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于机载LiDAR点云数据的建筑物目标级变化检测方法，其特征在于，包含：
获取不同时相中的机载激光LiDAR点云数据，并通过点云数据处理获取点云数据中建筑物单目标级的点集特征，所述点集特征包括球状点集特征和面片点集特征；
通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，并基于判断的变化结果对建筑物变化信息合并，以获取并输出点云数据中建筑物所检测信息，所述建筑物所检测信息类型包含新建建筑物、建筑物拆除、建筑物不变。
2.根据权利要求1所述的基于机载LiDAR点云数据的建筑物目标级变化检测方法，其特征在于，通过点云数据处理获取点云数据中建筑物单目标级的点集特征，包含：
首先，基于坡度信息的渐进三角网加密方法对不同时相中的机载激光LiDAR点云数据分别进行滤波并分离出地面点和非地面点，通过点云高程和地面点高程过滤并去除非建筑物点云；
接着，基于表面生成的点云分割对过滤后的点云数据进行分割处理，得到建筑物预设大块下的大块点云面片、预设小块下的小块点云面片和未分割点云；
然后，利用聚类分析方法对大块点云面片、小块点云面片和未分割点云进行合并，得到单个建筑物目标级的球状点集和面片点集。
3.根据权利要求2所述的基于机载LiDAR点云数据的建筑物目标级变化检测方法，其特征在于，对不同时相中的机载激光LiDAR点云数据分别进行滤波，包含：
首先，构建边长为L的点云数据方格，在每个格网内选取最低点作为初始种子点，并对初始种子点构建不规则三角网；
接着，针对点云数据中每个激光点云，判断其到最邻近三角面的距离和三角面的夹角小于预设阈值，则判定该激光点云属于地面点，直至遍历完所有点云数据；
然后，利用地面点构建新的三角网，计算每个点的局部坡度，并通过剔除不连续三角点来获取平滑三角网。
4.根据权利要求2所述的基于机载LiDAR点云数据的建筑物目标级变化检测方法，其特征在于，通过点云高程和地面点高程过滤并去除非建筑物点云，包含：
首先，基于地面点集构建数字高程模型DEM；
接着，针对每个激光点云，利用该激光点云的高程减去其位置处的DEM高程来获取该激光点云的高差，利用高差来表示该激光点云距离地表的高度；
然后，基于高差及预设的高差阈值对非地面点集进行筛选，以剔除非建筑物点云。
5.根据权利要求2所述的基于机载LiDAR点云数据的建筑物目标级变化检测方法，其特征在于，基于表面生成的点云分割对过滤后的点云数据进行分割处理，包含：
首先，利用3D霍夫变换从点云数据中提取位于同一平面中点簇，将提取的点簇构成种子面片；
接着，利用表面生成算法对每个种子面片周围的点进行分析，将距离目标面片最近点的距离小于预设距离值且点到面片的垂直距离小于预设垂直距离的周围点添加至种子面片中；
然后，基于点坐标提取每个种子面片的协方差矩阵和特征值，通过预设的特征值表征面片集合形状的数学表达式来，得到建筑物预设大块下的大块点云面片、预设小块下的小块点云面片和未分割点云。
6.根据权利要求1所述的基于机载LiDAR点云数据的建筑物目标级变化检测方法，其特征在于，利用聚类分析方法对大块点云面片、小块点云面片和未分割点云进行合并，包含：
首先，基于点云数据建立KD树结构，基于点云的三维坐标并采用K近邻法进行搜索来构建3D树；
接着，基于3D树将同属于一个建筑物目标的相邻的建筑物大块点云面片和小块点云面片进行合并；
然后，通过查找每个点云周边的最邻近点判断未分割点云中的点与林锦店是否属于同一个点簇，以对未分割点云以离散簇状分布点集进行聚簇。
7.根据权利要求6所述的基于机载LiDAR点云数据的建筑物目标级变化检测方法，其特征在于，基于点云的三维坐标并采用K近邻法进行搜索来构建3D树，包含：
基于二叉树沿着搜索路径查找最近邻的近似点，针对与待查询点处于同一个子空间的叶子节点，通过比较待查询点和***节点的***维的值来设置搜索路径是左子树分支或右子树分支；通过回溯搜索路径并判断搜索路径上节点的其他子节点空间中是否有距离查询点更近的数据点，若有，则搜索路径跳到对应的其他子节点空间中进行搜索，并将其他子节点空间中的节点加入到搜索路径；迭代查找最近邻的近似点，直至搜索路径为空，并得到每个点的最近邻点。
8.根据权利要求1所述的基于机载LiDAR点云数据的建筑物目标级变化检测方法，其特征在于，通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，包含：
从其中一时相的建筑物大块点云面片触发，计算每个点在垂直方向上往另一个时相的高程变化，并通过高程变化点超过预设阈值的点数比例，依据点数比例是否超过预设比例阈值来判定建筑物是否发生变化，针对发生变化的建筑物点云数据，逐点进行高程变化判定，以依据点云数据检测出新建建筑物、被拆除建筑物及未变化建筑物。
9.根据权利要求1或8所述的基于机载LiDAR点云数据的建筑物目标级变化检测方法，其特征在于，基于判断的变化结果对建筑物变化信息合并，包含：
合并同一时相中的同一类别建筑物变化检测结果及不同时相中变化检测结果，并基于大块点云面片中屋顶点云邻域，若邻域中的点在屋顶点云集中下方预设阈值范围且水平距离小于预设值，则将该邻域中的点合并至屋顶点云下方的墙面点，以通过信息合并获取完整的单个建筑物变化信息。
10.一种基于机载LiDAR点云数据的建筑物目标级变化检测***，其特征在于，包含：数据获取模块和目标检测模块，其中，
数据获取模块，用于获取不同时相中的机载激光LiDAR点云数据，并通过点云数据处理获取点云数据中建筑物单目标级的点集特征，所述点集特征包括球状点集特征和面片点集特征；
目标检测模块，用于通过比较不同时相中相同位置的点集特征判断建筑物点云面片是否发生变化，并基于判断的变化结果对建筑物变化信息合并，以获取并输出点云数据中建筑物所检测信息，所述建筑物所检测信息类型包含新建建筑物、建筑物拆除、建筑物不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311245296.9A CN117437537B (zh) | 2023-09-26 | 2023-09-26 | 基于机载LiDAR点云数据的建筑物目标级变化检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311245296.9A CN117437537B (zh) | 2023-09-26 | 2023-09-26 | 基于机载LiDAR点云数据的建筑物目标级变化检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117437537A true CN117437537A (zh) | 2024-01-23 |
| CN117437537B CN117437537B (zh) | 2024-07-12 |
Family
ID=89557376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311245296.9A Active CN117437537B (zh) | 2023-09-26 | 2023-09-26 | 基于机载LiDAR点云数据的建筑物目标级变化检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437537B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104049245A (zh) * | 2014-06-13 | 2014-09-17 | 中原智慧城市设计研究院有限公司 | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 |
| WO2015042772A1 (zh) * | 2013-09-24 | 2015-04-02 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
| CN108074232A (zh) * | 2017-12-18 | 2018-05-25 | 辽宁工程技术大学 | 一种基于体元分割的机载lidar建筑物检测方法 |
| CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 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*** |
| WO2022162859A1 (ja) * | 2021-01-29 | 2022-08-04 | 日本電気株式会社 | 建造物変化検出装置、建造物変化検出システム及び建造物変化検出方法 |
-
2023
- 2023-09-26 CN CN202311245296.9A patent/CN117437537B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015042772A1 (zh) * | 2013-09-24 | 2015-04-02 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
| CN104049245A (zh) * | 2014-06-13 | 2014-09-17 | 中原智慧城市设计研究院有限公司 | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 |
| CN108074232A (zh) * | 2017-12-18 | 2018-05-25 | 辽宁工程技术大学 | 一种基于体元分割的机载lidar建筑物检测方法 |
| CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 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*** |
| WO2022162859A1 (ja) * | 2021-01-29 | 2022-08-04 | 日本電気株式会社 | 建造物変化検出装置、建造物変化検出システム及び建造物変化検出方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIAO W等: "3D urban object change detection from aerial and terrestrial point clouds: A review", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》, vol. 118, 1 April 2023 (2023-04-01), pages 1 - 20 * |
| 张振超等: "机载激光点云与摄影测量点云 非监督建筑物变化检测", 《测绘科学技术学报》, vol. 36, no. 5, 31 May 2019 (2019-05-31), pages 523 - 530 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117437537B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781827B (zh) | 一种基于激光雷达与扇状空间分割的路沿检测***及其方法 | |
| Park et al. | Creating 3D city models with building footprints and LIDAR point cloud classification: A machine learning approach | |
| Gruszczyński et al. | Comparison of low-altitude UAV photogrammetry with terrestrial laser scanning as data-source methods for terrain covered in low vegetation | |
| Lee et al. | Fusion of lidar and imagery for reliable building extraction | |
| CN114764871B (zh) | 一种基于机载激光点云的城市建筑物属性提取方法 | |
| Aplin | 2 Comparison of simulated IKONOS and SPOT HRV imagery for | |
| Gong et al. | Automated road extraction from LiDAR data based on intensity and aerial photo | |
| CN113963259A (zh) | 基于点云数据的街景地物多维度提取方法和*** | |
| Jiangui et al. | A method for main road extraction from airborne LiDAR data in urban area | |
| Lin et al. | Noise point detection from airborne lidar point cloud based on spatial hierarchical directional relationship | |
| CN117437537B (zh) | 基于机载LiDAR点云数据的建筑物目标级变化检测方法及*** | |
| WO2011085433A1 (en) | Acceptation/rejection of a classification of an object or terrain feature | |
| KR101737889B1 (ko) | 데이터 마이닝 기법을 이용한 지상 라이다 데이터의 필터링 및 현황선 추출 방법과 그 장치 | |
| Zaletnyik et al. | LIDAR waveform classification using self-organizing map | |
| CN112907567B (zh) | 基于空间推理方法的sar图像有序人造构筑物提取方法 | |
| CN112381029B (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
| Shokri et al. | POINTNET++ Transfer Learning for Tree Extraction from Mobile LIDAR Point Clouds | |
| CN114063107A (zh) | 一种基于激光束的地面点云提取方法 | |
| Ma et al. | Discrimination of residential and industrial buildings using LiDAR data and an effective spatial-neighbor algorithm in a typical urban industrial park | |
| Kim et al. | Automatic generation of digital building models for complex structures from LiDAR data | |
| Zhang | Photogrammetric point clouds: quality assessment, filtering, and change detection | |
| Pendyala et al. | Comparative Study of Automatic Urban Building Extraction Methods from Remote Sensing Data | |
| Wang et al. | Progressive TIN Densification with Connection Analysis for Urban Lidar Data | |
| WO2011085436A1 (en) | Extraction processes | |
| Wang et al. | Segmentation of Closely Packed Buildings from Airborne LiDAR 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 | ||
| GR01 | Patent grant |