共查询到17条相似文献，搜索用时 187 毫秒
1.
对基于LIDAR数据的建筑物重建进行研究,提出了一种自动化的建筑物重建方法.根据建筑物的边缘线通常互相垂直或平行这一特点对提取的轮廓线进行规则化.然后在屋顶三角网中随机选取种子三角形进行区域生长,将屋顶分割成不同的平面,通过平面相交得到建筑物的屋脊线.最后通过搜索离建筑物轮廓点最近的LIDAR点云,将搜索到的LIDAR点云高程值赋给该轮廓点.实验结果表明:利用该方法进行建筑物重建具有较高的精度. 相似文献
2.
利用机载LiDAR点云数据进行建筑物重建是当今摄影测量与遥感领域的一个热点问题,特别是复杂形状建筑物模型的精确自动构建一直是一个难题。本文提出一种基于关键点检测的复杂建筑物模型自动重建方法,采用RANSAC法与距离法相结合的分割方法自动提取建筑物屋顶各个平面的点云,并利用Alpha Shape算法提取出各个平面的精确轮廓,根据屋顶平面之间的空间拓扑关系分析建筑物的公共交线特征,在此特征约束下对提取的初始关键点进行修正,最终重建出精确的建筑物3维模型。选取不同类型复杂建筑物与包含复杂建筑物的城市区域点云进行实验,结果表明该算法具有较强实用价值。 相似文献
3.
基于LIDAR数据的建筑物轮廓提取 总被引：2，自引：0，他引：2
建筑物轮廓的准确提取是建筑物三维重建中最重要的一步。本文在研究已有建筑物轮廓提取方法的基础上,针对LIDAR离散的点云数据,提出了一种自动快速提取建筑物轮廓信息的方法。首先通过点云数据生成城市的数字表面模型(DSM)和数字地面模型(DTM)相减计算得出规则化的数字表面模型(nDSM),进而将地面点和非地面点进行分类;其次,考虑到地物的几何特性,提出一种8邻域搜索的方法对非地面点点云进行分割,得到建筑物表面点云;最后运用基于梯度图的边界跟踪的方法来获取建筑物的轮廓信息。实验表明:该方法能有效地提取建筑物轮廓。 相似文献
4.
建筑物是城市三维建模的重要元素，其轮廓信息的提取既是难点又是重点。本文提出了原始激光雷达点云数据的渐进式建筑物轮廓线提取方法。首先对原始点云数据采用渐进数学形态学滤波分离非地面点；然后使用改进的三维Hough转换分类出建筑物点云；进一步提取建筑物轮廓点，并根据相邻点方位角阈值确定建筑点云轮廓的关键点，以此简化并拟合建筑物轮廓线；最后基于轮廓线长度加权方向将建筑物轮廓规则化。结果表明，该方法大大提高了点云处理的效率和精度，可以直接从采集到的初始数据中自动化渐进式得到建筑物轮廓线信息。同时该方法对解决中小城镇建筑物体积小，距离近和屋顶坡度较大等问题具有较好的效果。 相似文献
5.
半自动机载LiDAR点云建筑物三维重建方法 总被引：1，自引：1，他引：0
针对全自动建筑物3D重建存在需要后续人工检验,且发现重建错误需要花费额外时间修改的问题,提出了一种半自动的面向对象的机载LiDAR点云建筑物3D重建方法。基于建筑物类别点云的联通分析和平面生长分割结果,提出了自动的建筑物栋数检测、单栋建筑物外轮廓提取、单栋建筑物内部结构线提取方法;同时,在计算机无法完成部分工作时,人工辅助计算机完成高程阶越线提取、识别建筑物屋顶附属物点云等工作。实验证明,该方法可以适用于高密度机载LiDAR点云数据中城区大部分建筑物的3D模型重建。 相似文献
6.
建筑物屋顶面点云分割结果的好坏对建筑物三维模型重建起着重要的作用。针对传统RANSAC算法建筑物屋顶面点云的分割问题,提出了一种基于局部约束的建筑物点云平面分割方法。利用点云局部曲面法向约束构建法向准则,利用半径约束的点云空间聚类的方法对共面屋顶面点云进行分解,从而抑制"伪屋顶面"的产生;利用局部抽样策略降低算法的迭代次数,减少运算量。实验表明该方法能够获得稳定可靠的建筑物屋顶点云分割结果,将有利于后续的建筑物三维模型重建。 相似文献
7.
以机载LiDAR点云数据为研究对象,提出一种新的基于点云数据的多层建筑物三维轮廓模型高精度自动重建方法。在已完成建筑物结构提取及轮廓规则化处理的基础上,利用多层屋顶轮廓在水平投影面内的相邻关系,将各层屋顶中同等级屋顶的相邻关系概括为平行边、不平行且不相交、相交3种相邻形式,结合多层屋顶的层级结构信息对相邻轮廓边界进行一致性处理。实验证明本文方法可以进一步消除多层建筑物各屋顶轮廓的规则化处理误差,使相邻轮廓边界在水平投影面内严格重合,同时重建后建筑物三维轮廓模型的正确性与完整性较高,拐点的定位精度优于激光点平均间距。 相似文献
8.
针对传统LiDAR点云建筑物三维重建方法中基于平面假设的面片提取思想的局限性,基于建筑物等高线特性,研究建筑物等高线分族过程,通过对等高线形状的识别达到对建筑物屋顶模型的识别,使得重建的屋顶类型不再局限于平面屋顶形式,提高了重建的自动化程度。 相似文献
9.
建筑物的三维建模是城市三维建模和可视化的重要组成部分。本文提出一种基于点云数据与遥感图像的建筑物三维模型快速建模方法。首先,运用改进的RANSAC法从点云数据中提取建筑立面,根据立面区分平顶建筑与人字形屋顶建筑;在此基础上,进一步对建筑物的高度进行提取;之后,利用区域增长法从遥感图像中提取建筑物屋顶轮廓,利用形态学方法对提取出的轮廓进行规则化处理,并基于Freeman链码提取轮廓角点,得到规整的轮廓;最后,根据提取出的建筑高度属性对屋顶轮廓拉伸并进行纹理映射,实现对建筑物的三维重建。通过实例证明,提出的方法能快速、高效地实现建筑物三维模型的重建。 相似文献
10.
机载激光雷达点云（LiDAR）重建大范围建筑物模型一直是实景三维建模的热点问题,由于机载激光点云稀疏、建筑物立面数据缺失,给模型自动化重建带来了极大的挑战。为了解决该问题,本论文研究基于图优化理论重建建筑物多细节层次（LOD）模型。首先,对原始点云进行自动化滤波,分离地面点和非地面点,对地面点构建数字高程模型（DEM）,对非地面点半自动提取单体化建筑物点云。然后,基于滚球法（Alpha shape）提取建筑物边界,利用通用图优化方法（G2O）对误差线进行全局一致性改正,获得规则化的二维边框。并基于建筑物屋顶三维高程及DEM高程值重建建筑物LOD1模型。其次,根据点云的高程差异生成高程栅格图,从高程栅格图提取建筑物轮廓线,对轮廓线进行简化、规则化、聚类,并将规则后的边界线拉伸获取建筑物立面结构,弥补建筑物立面数据缺失对建模的影响。最后,将屋顶平面相交、建筑物立面裁剪,对候选平面进行二元图割全局优化,选择最能表达建筑物结构的平面,以此重建建筑物LOD2模型。本论文选择北京市2017年机载激光点云进行实验,结果表明,本文提出的方法可以稳健地重建建筑物多细节层次模型,LOD2模型距离偏差为0.... 相似文献
11.
This paper presents a generative statistical approach to automatic 3D building roof reconstruction from airborne laser scanning point clouds. In previous works, bottom-up methods, e.g., points clustering, plane detection, and contour extraction, are widely used. Due to the data artefacts caused by tree clutter, reflection from windows, water features, etc., the bottom-up reconstruction in urban areas may suffer from a number of incomplete or irregular roof parts. Manually given geometric constraints are usually needed to ensure plausible results. In this work we propose an automatic process with emphasis on top-down approaches. The input point cloud is firstly pre-segmented into subzones containing a limited number of buildings to reduce the computational complexity for large urban scenes. For the building extraction and reconstruction in the subzones we propose a pure top-down statistical scheme, in which the bottom-up efforts or additional data like building footprints are no more required. Based on a predefined primitive library we conduct a generative modeling to reconstruct roof models that fit the data. Primitives are assembled into an entire roof with given rules of combination and merging. Overlaps of primitives are allowed in the assembly. The selection of roof primitives, as well as the sampling of their parameters, is driven by a variant of Markov Chain Monte Carlo technique with specified jump mechanism. Experiments are performed on data-sets of different building types (from simple houses, high-rise buildings to combined building groups) and resolutions. The results show robustness despite the data artefacts mentioned above and plausibility in reconstruction. 相似文献
12.
基于多源数据的拼接型房屋三维重建方法研究 总被引：2，自引：0，他引：2
提出了结合房屋矢量数据、航空影像和点云数据的拼接型房屋(由平顶房、人字型和四坡型房屋组成)自动三维重建算法。算法重点研究了基于点云数据和影像特征提取的拼接型房屋屋脊线检测,并利用其对拼接型房屋组成的模型进行拆分;对于人字型和四坡型房屋组成模型,结合矢量数据和屋脊线,利用几何约束条件自动寻找房屋组成模型的屋檐线,从而获得拼接型房屋组成模型的完整分割;最后通过点云数据的屋顶平面解算其组成房屋模型的参数,最终实现整个拼接型房屋的三维重建。实验数据证明,该方法能较好地实现拼接型房屋的几何模型自动重建。 相似文献
13.
DSM数据中多层次、多直角房屋的三维重建 总被引：1，自引：0，他引：1
根据房屋的层次结构特点,采用附加约束条件的最小二乘平差精化房屋几何模型,使得重建房屋满足现实世界中多数房屋邻接墙面直角相交的要求.对于非平顶房屋,采用法向量统计分析的方法与模型库中的房屋类型匹配,然后按匹配类型重建房顶.实验表明,本方法对于从DSM数据中重建多层次、多直角房屋和人字型屋顶等类型的房屋是行之有效的. 相似文献
14.
建筑物轮廓作为建筑物三维重建的重要元素，在建立智慧城市和数字城市中至关重要。本文针对从机载激光雷达点云中提取建筑物轮廓数据处理的点云滤波、建筑物屋顶面提取、建筑物轮廓提取，以及提取精度评定各环节存在的一些问题，提出了一种综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法。该方法在对机载LiDAR点云数据去噪的基础上，首先利用改进的区域生长算法滤波地面点，并基于地物点到地面的归一化高程特征通过高度阈值去除高度较为低矮的地物点；再基于三维Hough变换算法从剩余建筑物和高大树木点云中提取建筑物平面；最后使用α-shape算法提取建筑物的轮廓信息。对使用RIEGLVQ-1560i机载激光雷达测量系统扫描的某城区点云数据进行计算，通过匹配度、形状相似度和位置精度等评价指标对提取的建筑物轮廓进行精度评定。结果表明，综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法可以准确提取建筑物的轮廓信息，对于大范围的建筑物轮廓提取具有稳定性和普遍适用性。 相似文献
15.
LIDAR点云数据的建筑物特征线提取 总被引：1，自引：1，他引：0
传统的房屋建模主要采用航空航天立体影像来获取房屋的3维数据,通过在数字摄影测量系统上进行立体量测来实现。这种方式费时、费力、周期比较长,影响了成果的现势性。机载激光雷达可直接、快速获取大面积地表点的三维坐标信息,为建筑物特征线提取和建模带来了便利。以往基于LIDAR点云数据进行建筑物特征线提取,大多只是针对简单的平顶房屋和人字型房屋。本文提出了一种能够精确提取建筑物特征线的方法,通过建筑物区域确定、建筑物顶面分类,能够实现诸如平面、斜面和多层次建筑物特征线提取的方法。 相似文献
16.
多种原因导致彩色栅格地形图分割后得到的等高线图像中存在大量断线,断裂等高线重建是目前的一个研究热点。分析了近5年来4种最新方法的优缺点,在模拟和分解人工智能识别判断过程的基础上,提出了一种利用复合迭代策略的断裂等高线重建方法。该方法首先总结归纳了断裂间隙区间和断裂形态的划分规律,然后制定了多种算法、运行参数、图像数据源相结合的增量式循环迭代断点匹配连接策略,对断点方向角和方向差异算法进一步优化改进,建立了断点方向差异约束规则,最终实现了各种复杂情况下的断点正确匹配连接。实验结果表明,该方法的处理效果和定量指标均优于几种最新方法,具有更好的稳定性和适用性。 相似文献
17.
针对如何以端到端可训练的方式重构建筑物轮廓的问题,本文提出了一种端到端多残差模块堆叠沙漏网络的建筑物轮廓重构方法。首先,采用多残差模块堆叠沙漏网络提取建筑物角点和边缘特征;其次,利用角点检测模块匹配对应角点的相对位置,以获取候选角点;然后,通过线段采样将候选角点生成候选轮廓线;最后,线验证模块利用候选线段及多残差模块堆叠沙漏网络得到特征图,并验证每个线段是否为建筑物轮廓线,以获得建筑物轮廓重构结果。试验结果表明,在SpaceNet建筑物数据集上,本文方法能检测出建筑物角点及边缘,并有效实现了以端到端可训练的方式重构建筑物轮廓。 相似文献