城市旧村改造基础数据调查重难点分析及应对方法

随着城市化进程的持续推进,当前城市旧村改造已成为拓展城市发展空间、提升城市功能形象、改善城中村群众居住质量的优先选择。基础数据调查是城市旧村改造前置基础性工作,高效完成基础数据调查是城市旧村改造顺利推进的重要保障。本文全面阐释分析了城市旧村改造基础数据调查重难点,并提出了应对方法,旨在提升基础数据调查工作效率,为其他地方同类工作提供一定的参考借鉴。

基于指数函数密度聚类模型的室内物体提取

室内点云包括墙壁、天花板、地板和房间内的许多物体。室内墙壁、天花板、地板等多种物体的提取是室内导航、设施管理、建筑改造等多种应用的关键。针对此,本文根据截止距离内的局部密度,采用指数函数构建密度聚类模型。首先,利用边界点云与室内点云之间的距离构造墙壁面密度聚类的约束条件;其次,根据z值的指数函数和局部密度模型提取天花板和地板;然后,构建不同对象的局部密度模型,根据局部密度的大小确定约束距离;最后,根据点到聚类中心(聚类中心被认为是局部密度与约束距离乘积异常大的点)的距离,得到每个点归属于聚类中心的聚类;最后,通过判断相邻聚类之间的距离实现室内物体点云的提取,从而完成对不同类型场景室内点云的提取,并将本文方法与快速搜索密度峰值聚类(CFDP)算法、基于密度的空间聚类(DPC)算法进行比较。对比结果表明,DPC方法不如本文方法但优于CFDP方法。计算了本文方法提取不同类型室内点云的精确度、召回率和F1分数,结果表明,物体间的靠近程度会影响本文方法的性能。