一种机载激光雷达数据的建筑屋顶面点云提取方法及系统 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本技术涉及机载激光雷达技术领域，具体而言，涉及一种机载激光雷达数据的建筑屋顶面点云提取方法及系统。背景技术：2.机载激光雷达（light detection and ranging，lidar）技术能够高效率获取道路、建筑、植被等其他人造设施的高密度三维点云数据，为当前数字化城市建设提供了重要数据支撑。而对屋顶面点云的准确分割是建筑物三维模型重建的关键。3.机载lidar数据的屋顶面点云提取方法大致分为三类：一是基于特征聚类的方法。赵传等采用主成分分析法提取屋顶面种子点，再利用局部法向量的分布密度特征聚类提取屋顶面。sun等采用图分割的方法对植被区域进行剔除，再利用分层欧氏聚类技术提取建筑屋顶面斑块。该类方法因邻域选择对点属性计算质量有较大的影响，导致此类方法仍存在邻域选择困难，以及对噪声和异常值敏感等问题。二是基于模型拟合的方法。yi等利用随机采样一致性算法与贝叶斯概率模型相结合的方法提取建筑屋顶点云。康传利等提出一种结合sift和3d hough变换的屋面提取方法，利用3d hough空间来判断拟合平面的可靠性，进而降低伪平面的出现几率。该类方法稳定性强，但在局部平坦的植被冠层区域易产生较多的伪平面，且随着数据复杂度的提高提取效率会大幅下降。三是基于区域生长的方法。shao等采用布料模拟和粗糙度特征检测种子点，再利用法向量夹角作为生长约束进行屋顶面的生长分割。kan等利用曲率特征分级提取屋顶种子点，并在传统法向量夹角约束的基础上通过引入距离约束来减少对茂盛植被点的错分现象。何曼芸等提出一种基于不规则三角网的区域生长方法，首先利用角网特征提取屋顶边缘点，再根据角网间连接关系进行生长分割，得到屋顶面点云。该类方法应用简单，计算效率高，但对种子点的提取要求较高，以及在建筑与植被存在粘连或遮挡情况下易产生较严重的欠分割现象。4.综上所述，现有机载lidar数据的建筑屋顶面点云提取算法提取精度较低，且易受噪声干扰，尤其当植被比较茂盛时易产生植被点的错分现象。技术实现要素：5.本技术的目的在于提供一种机载激光雷达数据的建筑屋顶面点云提取方法，其能够通过引入植被指数和rgb颜色差值约束来有效区分屋顶点与植被点，保证了屋顶面生长分割的准确性。6.本技术的另一目的在于提供一种机载激光雷达数据的建筑屋顶面点云提取系统，其能够运行一种机载激光雷达数据的建筑屋顶面点云提取方法。7.本技术的实施例是这样实现的：第一方面，本技术实施例提供一种机载激光雷达数据的建筑屋顶面点云提取方法，其包括利用布料模拟滤波算法区分地面点与非地面点；利用基于邻域信息的种子点提取算法，提取具有屋顶面语义信息的种子点集；针对植被点与非植被点在不同生长约束条件下进行分类生长分割，初步获取屋顶面点云；利用屋顶面的高度与面积值对屋顶面点云提取结果进行过滤优化，最终得到准确的建筑屋顶面点云数据。8.在本技术的一些实施例中，上述利用基于邻域信息的种子点提取算法，提取具有屋顶面语义信息的种子点集包括：根据屋顶面点云的邻域特征，通过邻域曲率统计、邻域最大距离及邻域梯度分析进行提取约束。9.在本技术的一些实施例中，上述邻域曲率统计包括：通过计算邻域协方差矩阵的特征值和特征向量得到法向量和曲率，进行点云曲率值计算；遍历所有曲率值，保留曲率阈值小于预设点，得到候选种子点集，然后对候选种子点进行近邻搜索，从而实现平面点提取。10.在本技术的一些实施例中，上述邻域最大距离包括：通过邻域最大距离约束对因利用邻域曲率统计约束提取的平面点云中存在的窄长特点的干扰平面进行剔除。11.在本技术的一些实施例中，上述邻域梯度分析包括：根据屋顶面与建筑立面的不同特点，利用邻域梯度信息将两者进行区分。12.在本技术的一些实施例中，上述针对植被点与非植被点在不同生长约束条件下进行分类生长分割，初步获取屋顶面点云包括：通过设置宽松的法向量夹角阈值保证建筑屋顶提取的完整性，然后利用组合植被指数和rgb颜色差值作为附加约束对植被点和非植被点进行类别划分，解决点云分割时产生的欠分割问题。13.在本技术的一些实施例中，上述还包括：区域生长分割结束后，利用屋顶面的高度和面积值对分割结果进行过滤优化。14.第二方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如一种机载激光雷达数据的建筑屋顶面点云提取方法中任一项的方法。15.第三方面，本技术实施例提供一种机载激光雷达数据的建筑屋顶面点云提取系统，其特征在于，包括：数据预处理模块，用于利用布料模拟滤波算法区分地面点与非地面点；屋顶面点云提取模块，利用基于邻域信息的种子点提取算法，提取具有屋顶面语义信息的种子点集；然后，针对植被点与非植被点在不同生长约束条件下进行分类生长分割，初步获取屋顶面点云；数据后处理模块，进行分类生长分割，初步获取屋顶面点云；最后，利用屋顶面的高度与面积值对屋顶面点云提取结果进行过滤优化，最终得到准确的建筑屋顶面点云数据。16.相对于现有技术，本技术的实施例至少具有如下优点或有益效果：能够有效提取鲁棒性强的屋顶面种子点，避免了严重的误提与漏提现象，分割的屋顶面不仅完整且边界清晰，避免了严重的欠分割与过分割现象，所提算法原理简单，计算效率高。所提算法有效解决了因植被点的错分现象导致提取精度低的问题。算法可实现较好的屋顶面点云提取效果，且针对不同建筑场景具有良好的适应性。附图说明17.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。18.图1为本技术实施例提供的一种机载激光雷达数据的建筑屋顶面点云提取方法步骤示意图；图2为本技术实施例提供的一种平面点云和植被点云的邻域曲率分布情况示意图；图3为本技术实施例提供的一种不同平面对象的邻域最大距离对比示意图；图4为本技术实施例提供的一种梯度值计算示意图；图5为本技术实施例提供的一种过分割和欠分割现象示意图；图6为本技术实施例提供的一种邻域扩充流程示意图；图7为本技术实施例提供的一种测试区域原始点云数据示意图；图8为本技术实施例提供的一种屋顶面点云参考数据示意图；图9为本技术实施例提供的一种非地面点云数据示意图；图10为本技术实施例提供的一种屋顶面种子点数据示意图；图11为本技术实施例提供的一种屋顶面点云提取结果示意图；图12为本技术实施例提供的一种提取结果与参考点云叠加对比示意图；图13为本技术实施例提供的一种电子设备；图14为本技术实施例提供的一种机载激光雷达数据的建筑屋顶面点云提取系统模块示意图。19.图标：10-数据预处理模块；20-屋顶面点云提取模块；30-数据后处理模块；101-存储器；102-处理器；103-通信接口。实施方式20.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。21.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。22.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。23.需要说明的是，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。24.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。25.实施例1请参阅图1，图1为本技术实施例提供的一种机载激光雷达数据的建筑屋顶面点云提取方法步骤示意图，其如下所示：图1展示了本实施例算法的整体流程。该方法共分为数据预处理、屋顶面点云提取、数据后处理三个阶段，其中阶段二中的屋顶面种子点提取和分类区域生长两个步骤为本实施例的核心内容。算法描述如下：首先，利用布料模拟滤波算法区分地面点与非地面点；其次，利用基于邻域信息的种子点提取算法，提取具有屋顶面语义信息的种子点集；然后，针对植被点与非植被点在不同生长约束条件下进行分类生长分割，初步获取屋顶面点云；最后，利用屋顶面的高度与面积值对屋顶面点云提取结果进行过滤优化，最终得到准确的建筑屋顶面点云数据。26.经滤波处理得到的非地面点云数据中，主要包含建筑房屋点、植被点和其他人造设施点（车辆点、围墙点、电力设施点、交通设施点等），其中建筑房屋由建筑立面和建筑屋顶两部分组成。建筑屋顶通常是平面的，因此利用平面特征提取屋顶面种子点。但仅采用平面特征作为提取准则，很容易将局部表面平坦的植被冠层点和其他人造平面设施点错分为屋顶面种子点，导致最终得到的种子点鲁棒性不强。针对上述问题，本实施例提出一种利用邻域信息的屋顶面种子点提取方法。根据屋顶面点云的邻域特征，此方法共采用了三条提取约束，详细内容如下。27.（1）邻域曲率统计由于平面点云和植被点云的分布规律不同，导致曲率分布也不同。图2(a-b)分别为平面和植被点云数据示意图，其中绿色点为任意点，红色点为其邻域点。图2(c)是对点及其邻域点的曲率值进行统计分析的结果，从箱线图可以看出平面点的曲率值远远小于植被点的曲率值，从正态曲线可以看出平面点的邻域曲率值比较集中，而植被点的邻域曲率值更为发散。根据这一特性，可以有效剔除植被点而保留平面点。28.具体实现步骤如下：1）点云曲率值计算：设点p的k邻域点集为。通过计算邻域协方差矩阵的特征值和特征向量得到法向量和曲率 。29.ꢀꢀ(1)式中，为协方差矩阵的特征值；为对应的特征向量。30.2）平面点提取：首先，遍历所有曲率值，保留曲率阈值小于的点，得到候选种子点集。然后，对候选种子点，，做近邻搜索，邻域点集为。邻域点满足条件的个数记为n，如果，那么将添加到种子点集中。其中为平面系数，取值范围一般为0.5~1.0，取值越大说明平面精度越高。31.（2）邻域最大距离利用邻域曲率统计约束提取的平面点云中，除屋顶面之外还存在着大量的干扰平面，如公交车顶部点、围墙顶部点、整齐的绿化植被点等。通过分析可知，相较于屋顶面，此类干扰平面面积较小且呈现窄长的特点。图3为不同平面对象的邻域最大距离对比图，其中绿色点为待判断的种子点，红色点为其邻域点，用最大邻域半径代表邻域点的最大距离。可以看出屋顶面点云(图a)的最大邻域半径明显小于窄长类平面点云(图b-d)的最大邻域半径。基于此，本实施例利用邻域最大距离约束对窄长特点的干扰平面进行剔除。32.具体实现步骤如下：1）欧式距离计算。设点p的k邻域点集为。点到邻域点的距离利用欧式距离公式计算得到。33.ꢀꢀ(2)式中为邻域点坐标值，为任一点p坐标值。对所有邻域点进行距离计算得到邻域点距离集合。34.2）最大距离约束。对中元素进行排序得到邻域最大距离。若，则点p满足种子点条件。其中参数为屋顶面种子点的最大邻域半径，与邻域点数和点云数据密度相关。35.（3）邻域梯度分析机载lidar数据中存在大量建筑立面点。本实施例的主要研究对象为屋顶面，建筑立面作为干扰平面需要被剔除。根据屋顶面与建筑立面的不同特点，本实施例利用邻域梯度信息将两者进行区分。36.具体实现步骤如下：1）梯度值计算：设点的邻域点集为。对邻域点集中三个坐标分量单独做升序排序可得，，三个有序集合，计算得到,,,,,六个坐标分量。37.ꢀꢀ(3)利用，两坐标点代替邻域点进行梯度值计算，得到邻域点集的三个方向梯度分别为,,，如图4所示。38.2）邻域梯度约束：若,是屋顶平面点邻域点集的近似代替点，其梯度值应满足以下关系。39.ꢀꢀ(4)式中，为z向梯度系数，如果所有屋顶面均为平顶，则趋近于0，如果屋顶面存在倾斜角度，值应随屋顶倾斜角度的增加而增加。40.利用邻域曲率统计约束提取数据中所有平面点，利用邻域最大距离约束剔除窄长类小面积干扰平面点，利用邻域梯度变化约束剔除建筑物立面点。同时满足以上要求的点被定义为屋顶面种子点。41.分类区域生长：屋顶面的准确分割，不仅需要鲁棒的种子点，更要设置合适的生长约束条件。法向量夹角是传统区域生长的基本约束条件，在屋顶点云分割时若仅采用这一约束常常会产生过分割或欠分割问题。图5(a)是法向量夹角设置较小时产生的过分割问题，具体表现为屋顶面提取不完整。图5(c)是法向量夹角设置较大时产生的欠分割问题，具体表现为分割后得到的屋顶面点云中会包含一些植被点，尤其当建筑物与植被存在粘连或遮挡情况时较为严重。由于大场景下点云的复杂性，仅通过对法向量夹角参数的调节难以达到较好的分割效果。42.针对上述问题，提出一种分类区域生长的分割方法。图6是其邻域扩充流程图，此方法首先通过设置宽松的法向量夹角阈值保证建筑屋顶提取的完整性；然后利用组合植被指数com和rgb颜色差值作为附加约束对植被点和非植被点进行类别划分，解决点云分割时产生的欠分割问题。43.对种子点进行邻域扩充时，邻域点可分为两类，一类是屋顶面种子点自身，一类是与屋顶存在粘连或遮挡的自然植被点。这些自然植被多为处于生长茂盛时期的嫩绿色高大树木，在可见光波段下植被表面具有较强的光谱反射特性[13]。而人造建筑屋顶主要以混凝土、砖瓦等建筑材料组成，颜色多为红色和灰色，其表面光谱反射特性不明显。因此，利用可见光波段的颜色指数来反映植被与建筑之间存在的差异。本实施例采用组合植被指数作为植被点与屋顶点的分类依据，计算公式见如下表1：[0044]式中r、g、b分别为红、绿、蓝的通道值，r、g、b是与之相对应的归一化结果，计算公式如下：ꢀꢀ(5)组合植被指数主要以颜色的反射率作为分类标准，对绿色尤为敏感。而在农村和城市的建筑场景中，往往还存在少部分绿色屋顶。若仅利用组合植被指数作为植被的分类标准，该类屋顶会被当成植被冠层而被过滤掉。为了解决这个问题，针对绿色屋顶增加了rgb颜色差值约束。虽然植被点和绿色屋顶同属绿色，但绿色屋顶面主要以人工合成的颜料喷涂而成，与自然生长的植被绿色存在一定的差异，这个差异可以用颜色差值（color distance）来描述，公式如下所示：ꢀꢀ(6)式中，r1、g1、b1和r2、g2、b2分别为点p1与点p2的rgb值。当绿色屋顶面种子点进行区域生长时，若种子点p1与邻域点p2的颜色差值小于阈值，则认为这两个点属于同一屋顶面，区域生长继续；若值超出设定的阈值，则将邻域点认定为植被点，区域生长停止。[0045]非屋顶面点云剔除：区域生长分割结束后，利用屋顶面的高度和面积值对分割结果进行过滤优化：1)屋顶单体化面积值：根据点的密度和最小屋顶面积计算屋顶上的最小点数。去掉所有点数小于最小值的小平面。[0046]2)建筑屋顶的高度值：定义最小屋顶面高度。当提取的屋顶面点云的高度小于设定高度时，认为该平面不是建筑屋面点云。非地面点云中点的值不能直接作为高度，需要与地面点云结合进行高程归一化，归一化后的值表示该点到地面的高度值。[0047]实施例2系统实验实施例：数据预处理模块10，用于利用布料模拟滤波算法区分地面点与非地面点；屋顶面点云提取模块20，利用基于邻域信息的种子点提取算法，提取具有屋顶面语义信息的种子点集；然后，针对植被点与非植被点在不同生长约束条件下进行分类生长分割，初步获取屋顶面点云；数据后处理模块30，进行分类生长分割，初步获取屋顶面点云；最后，利用屋顶面的高度与面积值对屋顶面点云提取结果进行过滤优化，最终得到准确的建筑屋顶面点云数据。[0048]在一些实施方式中，本实施例实验选用了爱沙尼亚地形数据集中的部分点云数据。为了验证本实施例算法针对不同建筑场景的适应性，共选取了三个不同场景下的测试区域，分别记为sample1、sample2、sample3，如图7所示。其中，sample1测区为农村居民住宅区，主要以单体化小型建筑为主，建筑密集且结构多样化，建筑平均高度约为6m。植被覆盖率高，且与建筑存在较多的粘连和遮挡情况。sample2测区为城市居民住宅区，主要以单体化中型建筑为主，建筑稀疏且结构单一，建筑平均高度约为16m。植被覆盖率高，但因建筑较高，导致植被与建筑存在的粘连与遮挡情况较少。sample3测区为工业厂房区，主要以连体化大型建筑为主，建筑平均高度约为8m。因附属屋顶面较多且本实施例实验选用了爱沙尼亚地形数据集中的部分点云数据。为了验证本实施例算法针对不同建筑场景的适应性，共选取了三个不同场景下的测试区域，分别记为sample1、sample2、sample3，如图7所示。其中，sample1测区为农村居民住宅区，主要以单体化小型建筑为主，建筑密集且结构多样化，建筑平均高度约为6m。植被覆盖率高，且与建筑存在较多的粘连和遮挡情况。sample2测区为城市居民住宅区，主要以单体化中型建筑为主，建筑稀疏且结构单一，建筑平均高度约为16m。植被覆盖率高，但因建筑较高，导致植被与建筑存在的粘连与遮挡情况较少。sample3测区为工业厂房区，主要以连体化大型建筑为主，建筑平均高度约为8m。因附属屋顶面较多且筑屋顶点云提取算法的准确性，本实施例采用人工目视判读提取的屋顶面点云作为标准参考数据，如图8所示。[0049]实验参数设置：本实施例算法作为屋顶面点云提取的综合性算法，需要涉及到较多算法参数，但大多数参数属于通用型参数，对算法性能不会产生较大的影响，参数设置如下：地面滤波的分类阈值，特征计算的邻域搜索点数，种子点提取的邻域搜索点数，平面系数，区域生长的邻域搜索半径，rgb颜色差值。其他参数为关键参数，需要根据不同数据进行调整，具体设置见表3。[0050][0051]实验结果与分析：对上述3组测试数据分别进行屋顶面点云提取，提取过程与结果分别如图9-11所示。图9是经布料模拟滤波得到的非地面点云。图10是提取得到的屋顶面种子点集，可以看出种子点（红色）能够准确落到建筑屋顶的平坦区域，很少出现误提和漏提的情况，说明本实施例的种子点提取算法具有较强的鲁棒性。图11是经区域生长分割和数据优化得到的最终屋顶面点云，可以看出提取得到的屋顶面点云完整并且边界清晰，说明在茂盛植被干扰的情况下，所提方法也能实现屋顶面的准确分割。[0052]为了直观的体现本实施例算法的有效性，将算法提取结果与参考数据进行比较。数据对比如表4所示，效果对比如图12所示。图中绿色点(tp)代表正确提取的屋顶面点，红色点(fp)代表误提点，蓝色点(fn)代表漏提点。sample2测区因建筑结构单一，致使提取效果较好，无严重的漏提和误提现象。sample1和sample3测区，共有4处误提现象(红框标注)和8处漏提现象(蓝框标注)。误提的主要原因在于这些复杂区域的点云与屋顶面的特征极为相似，无法进行有效区分。漏提现象主要出现在附属屋顶点云中，此类屋顶因面积过小常在结果优化时被过滤掉，进而导致此类屋顶面的漏提。[0053]本实施例算法面对不同建筑场景、不同植被覆盖率、不同建筑类型的测试数据，虽然出现了部分错分现象，但在整体上仍旧达到了较好的提取效果。[0054][0055]精度评价：为了进一步验证本实施例算法的提取性能，采用文献[16]中所涉及到的误差评判标准，分别利用ⅰ类误差、ⅱ类误差、总误差以及kappa系数4个指标对算法进行精度评价。[0056]ꢀꢀ(7)式中：error1为ⅰ类误差，即屋顶点误分为非屋顶点的误差；error2为ⅱ类误差，即非屋顶点误分为屋顶点的误差；error3为总误差；k为kappa系数；e，f为参考屋顶点和非屋顶点的个数；g，h为算法屋顶点和非屋顶点的个数；a为参考屋顶点与算法屋顶点的交集；b为参考屋顶点与算法非屋顶点的交集；c为参考非屋顶点与算法屋顶点的交集；d为参考非屋顶面点与算法非屋顶点的交集；n为测试数据中点的总个数；本实施例算法的精度评价如表5所示，总误差均低于2%，说明本实施例所提算法具有较好的提取精度。ⅰ类误差整体上比ⅱ类误差偏大，说明屋顶面点云被判为非屋顶面点云的个数较多。一方面因为建筑屋顶包含较多附属物（如烟囱等），在人工目视判读提取时此类附属物点云均标记为屋顶类，而此类点云曲率变化较大，无法利用法向量夹角约束进行有效生长，因此针对屋顶附属物点云存在较多的漏提现象。另一方面因为部分建筑在出口位置的上方会设有小面积的附属屋顶，而在点云提取过程中此类附属屋顶和主体建筑屋顶的拓扑关系是未知的，导致此类屋顶往往会被当成面积过小的单体非建筑屋顶而被剔除掉，因此针对面积过小的屋顶存在较多的漏提现象。ⅱ类误差比较小，说明本实施例对粘连或遮挡植被的过滤效果比较好，解决了植被点的错分问题。kappa系数达到了97%左右，表明通过本实施例算法所提取的屋顶面点云与参考数据之间具有高度一致性。[0057][0058]如图13所示，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。[0059]还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。[0060]其中，存储器101可以是但不限于，随机存取存储器101（random access memory，ram），只读存储器101（read only memory，rom），可编程只读存储器101（programmable read-only memory，prom），可擦除只读存储器101（erasable programmable read-only memory，eprom），电可擦除只读存储器101（electric erasable programmable read-only memory，eeprom）等。[0061]处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102（central processing unit，cpu）、网络处理器102（network processor，np）等；还可以是数字信号处理器102（digital signal processing，dsp）、专用集成电路（application specific integrated circuit，asic）、现场可编程门阵列（field－programmable gate array，fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。[0062]在本技术所提供的实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。[0063]另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。[0064]另一方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器101（rom，read-only memory）、随机存取存储器101（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。[0065]综上所述，本技术实施例提供的一种机载激光雷达数据的建筑屋顶面点云提取方法，能够有效提取鲁棒性强的屋顶面种子点，避免了严重的误提与漏提现象，分割的屋顶面不仅完整且边界清晰，避免了严重的欠分割与过分割现象，所提算法原理简单，计算效率高。所提算法有效解决了因植被点的错分现象导致提取精度低的问题。算法可实现较好的屋顶面点云提取效果，且针对不同建筑场景具有良好的适应性。[0066]以上仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。[0067]对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!