CN110490893B - 一种快速欧式距离点云分割方法 - Google Patents
一种快速欧式距离点云分割方法 Download PDFInfo
- Publication number
- CN110490893B CN110490893B CN201910653620.8A CN201910653620A CN110490893B CN 110490893 B CN110490893 B CN 110490893B CN 201910653620 A CN201910653620 A CN 201910653620A CN 110490893 B CN110490893 B CN 110490893B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- points
- searched
- segmentation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种快速欧式距离点云分割方法,包括:对获取到的原始三维点云数据进行预处理,并构成KDTree数据结构;随机选取一个定点的下标作为目标类名;根据选取的定点,计算每一个点与所述定点的距离值;将距离值小于查询距离阈值的每一个点的下标保存到第一数组,将每一个点与定点的距离值保存到第二数组;根据预设的归类算法将所述目标点云集中的点进行归类;查询最大的距离值最大的点,将该点作为新的定点,并将上一步骤的归类结果作为新的目标类名;最后判断是否全部点被标记为已搜索,完成分割。本发明能够突破传统欧式距离分割算法的时间性约束,快速完成点云分割,从而有效提高点云分割技术的效率。
Description
技术领域
本发明涉及点云数据处理技术领域,尤其是涉及一种快速欧式距离点云分割方法。
背景技术
随着三维激光雷达扫描测量和结构光等技术的广泛推广,机器视觉如今越来越依赖三维图像来发掘更深层次的信息。三维点云是三维图像的典型代表之一,而点云分割是点云处理的核心步骤之一。
目前,对于空间点云的分割常常使用易于实现的聚类分割方法,其原理是基于临近信息聚类的,将某点周围一定半径范围内的点归为同一类,不断迭代直到该类不能再继续扩充为止。对于经过滤波和平面抽取等处理之后,会产生许多浮在空中的点云团,此时用这种基于欧式距离的聚类方法分割出来的效果很佳。但是,这种方法计算的时间复杂度较高,需要遍历每个点搜索,因此耗时会相对长。在如今各类扫描仪的精度不断提高,其点云密度和点云个数也不断增加,根据这种聚类算法运行的时长会呈指数式增长。
现有技术中,在点云库PCL(Point Cloud Library)中介绍了一种基于欧式距离的点云分割算法——欧几里德簇提取算法,该算法先对点云数据进行滤波删除离群点,然后提取的平面点云数据使得需要分割的点云成为浮在空中的点云团,最后通过欧几里德簇提取算法实现点云分割。现有的欧几里德簇提取算法复杂度高,且运行时长随点云密度的增大而成指数倍增大,因为该算法采用深度优先遍历的思想,该思想解决这一类问题很有效,但无法判定三维点云中对于某些点的半径r范围内的点是否已经被搜索过了,导致了许多不必要的搜索;另外该算法递归次数多,效率相对较低。
发明内容
本发明实施例所要解决的技术问题在于,提供一种快速欧式距离点云分割方法,能够突破传统欧式距离分割算法的时间性约束,快速完成点云分割,从而有效提高点云分割技术的效率。
为了解决上述技术问题,本发明提供了一种快速欧式距离点云分割方法,包括步骤:
(1)对获取到的原始三维点云数据进行预处理得到待搜索三维点云数据,并将所述待搜索三维点云数据构成KDTree数据结构;
(2)随机选取所述待搜索三维点云数据中某个点作为初始定点,并以所述初始定点的下标作为目标类名开辟一个初始类别,同时,将所述初始类别的高度加1;
(3)根据选取的定点,计算所述待搜索三维点云数据中每一个点与所述定点的距离值,将所述待搜索三维点云数据中的点标记为已搜索;
(4)根据预设的查询距离阈值,将距离值小于所述查询距离阈值的所有点作为目标点云集,并将所述目标点云集中每一个点的下标保存到第一数组,同时,将所述目标点云集中每一个点与所述定点的距离值保存到第二数组;
(5)判断所述目标点云集中的点是否全部被标记为已搜索;若是则执行步骤(8);若否则执行步骤(6);
(6)将标记为已搜索的点在所述第二数组中的距离值修改为0,并根据预设的归类算法将所述目标点云集中的点进行归类;
(7)查询所述第二数组中最大的距离值最大的点,将该点作为新的定点,并将步骤(6)的归类结果作为目标类名,返回执行步骤(3);
(8)判断所述待搜索三维点云数据中的点是否全部被标记为已搜索;若否则在未标记为已搜索的点中随机选取新的定点,目标类名设为该定点的下标,并返回执行步骤(3);若是则完成分割。
进一步地,所述对获取到的原始三维点云数据进行预处理得到待搜索三维点云数据,具体的:
使用统计离群消除滤波器或半径滤波器对所述原始三维点云数据进行去噪处理,和/或使用体素网格滤波器对所述原始三维点云数据进行下采样以简化所述原始三维点云数据;
利用平面分割算法将影响点云分割的一个或多个平面去掉,将得到若干浮在空中的点云团作为待搜索三维点云数据。
进一步地,所述根据预设的归类算法将所述目标点云集中的点进行归类,具体的:
判断所述目标点云集中是否存在与所述目标类名不一致的点;
若是,则比较不同类别之间高度的大小,将高度最大的类别的类名作为当前目标类名,并将所述目标点云集中所有的点归为所述高度最大的类别;
若否,则将所述目标点云集中所有的点归为所述初始类别。
进一步地,所述若是则完成分割,具体的:
若是,则根据预设的最小分割点云数量阈值,将小于该阈值的微小点云集进行滤除,并将不同类别的点云保存为点云格式,分割完成。
进一步地,利用vector动态数组对所述目标点云集的数据进行存储,其中,所述第一数组为RIdex数组,所述第二数组为RDis数组。
进一步地,所述预设的归类算法为并查集算法。
相比于现有技术,实施本发明实施例具有如下有益效果:
1、本发明利用不同滤波器对点云数据进行预处理,能够滤去点云数据的噪点、简化数据量和形成明显的点云团结;
2、采用更加高效的点云归类方法,例如利用并查集等算法对点云数据进行边深入探索边归并指定类集;
3、采用KDTree树结构对数据进行R半径范围内的搜索归类,并提取较远距离的新点继续进行R半径范围内的搜索归类,跳跃式遍历,节约时间成本。
附图说明
图1是本发明实施例一提供的快速欧式距离点云分割方法的流程示意图;
图2是本发明实施例一提供的快速欧式距离点云分割方法的另一流程示意图;
图3是本发明实施例一提供的快速欧式距离点云分割方法的应用示例图;
图4是本发明实施例一提供的分别使用现有技术和本发明方法的点云分割速度对比应用示例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参见图1,本发明实施例提供了一种快速欧式距离点云分割方法,包括步骤:
(1)对获取到的原始三维点云数据进行预处理得到待搜索三维点云数据,并将所述待搜索三维点云数据构成KDTree数据结构;
(2)随机选取所述待搜索三维点云数据中某个点作为初始定点,并以所述初始定点的下标作为目标类名开辟一个初始类别,同时,将所述初始类别的高度加1;
(3)根据选取的定点,计算所述待搜索三维点云数据中每一个点与所述定点的距离值;
(4)根据预设的查询距离阈值,将距离值小于所述查询距离阈值的所有点作为目标点云集,并将所述目标点云集中每一个点的下标保存到第一数组,同时,将所述目标点云集中每一个点与所述定点的距离值保存到第二数组;
(5)判断所述目标点云集中的点是否全部被标记为已搜索;若是则执行步骤(8);若否则执行步骤(6);
(6)将标记为已搜索的点在所述第二数组中的距离值修改为0,并根据预设的归类算法将所述目标点云集中的点进行归类;
(7)查询所述第二数组中最大的距离值最大的点,将该点作为新的定点,并将步骤(6)的归类结果作为目标类名,返回执行步骤(3);
(8)判断所述待搜索三维点云数据中的点是否全部被标记为已搜索;若否则在未标记为已搜索的点中随机选取新的定点,目标类名设为该定点的下标,并返回执行步骤(3);若是则完成分割。
需要说明的是,利用三维激光扫描仪或照相式扫描仪得到的点云数据,对于如何对如此数据量庞大、密度高的点云数据进行分割,本发明提供了一种快速的欧式距离点云分割算法,突破传统欧式距离分割算法的时间性约束,能快速完成点云分割。
现有技术中,在点云库PCL(Point Cloud Library)中介绍了一种基于欧式距离的点云分割算法——欧几里德簇提取。其具体实现方法大致是:
a、找到空间中某点p10,由kdTree找到离他最近的n个点,判断这n个点到p10的距离,将距离小于阈值r的点p12,p13,p14....放在类Q里;
b、在Q\p10里找到一点p12,重复步骤a;
c、在Q\p10,p12找到找到一点,重复a,找到p22,p23,p24....全部放进Q里;
d、当Q再也不能有新点加入了,则完成搜索了。
该算法先点云数据进行滤波删除离群点,然后提取的平面点云数据使得需要分割的点云成为浮在空中的点云团,最后通过欧几里德簇提取算法实现点云分割。
现有的欧几里德簇提取算法的时间复杂度高,并随点云密度的增大而成指数倍增大,因为该算法采用深度优先遍历的思想,该思想解决这一类问题很有效,但无法判定三维点云中对于某些点的半径r范围内的点是否已经被搜索过了,导致了许多不必要的搜索;另外该算法递归次数多,效率相对较低。
本方法利用体素网格滤波器对点云数据进行下采样处理,减少点云数据量,利用平面分割算法和半径滤波器滤去平面点云数据和离群点数据,使需要分割的点云成为浮在空中的点云团,提供了一种基于欧式距离的新的点云分割方法,算法时间复杂度低,是传统的欧几里德簇提取算法耗时的一半甚至更短,点云密度越高,越能体现算法的快速特性,在能够快速分割点云的同时本方法的分割效果与传统分割方法效果几乎完全一致。改进了点云的归类方法,使用与定点距离较远的点作为新的定点不断深入搜索归类,直接跳过了中间许多数据点,节约时间成本。
在本发明实施例中,进一步地,所述对获取到的原始三维点云数据进行预处理得到待搜索三维点云数据,具体的:
使用统计离群消除滤波器或半径滤波器对所述原始三维点云数据进行去噪处理,和/或使用体素网格滤波器对所述原始三维点云数据进行下采样以简化所述原始三维点云数据;
利用平面分割算法将影响点云分割的一个或多个平面去掉,将得到若干浮在空中的点云团作为待搜索三维点云数据。
在本发明实施例中,进一步地,所述根据预设的归类算法将所述目标点云集中的点进行归类,具体的:
判断所述目标点云集中是否存在与所述目标类名不一致的点;
若是,则比较不同类别之间高度的大小,将高度最大的类别的类名作为当前目标类名,并将所述目标点云集中所有的点归为所述高度最大的类别;
若否,则将所述目标点云集中所有的点归为所述初始类别。
在本发明实施例中,进一步地,所述若是则完成分割,具体的:
若是,则根据预设的最小分割点云数量阈值,将小于该阈值的微小点云集进行滤除,并将不同类别的点云保存为点云格式,分割完成。
在本发明实施例中,进一步地,利用vector动态数组对所述目标点云集的数据进行存储,其中,所述第一数组为RIdex数组,所述第二数组为RDis数组。
在本发明实施例中,进一步地,所述预设的归类算法为并查集算法。需要说明的是,本发明可以使用并查集算法但不限于并查集算法。
请参见图2,为了更好说明本发明方法的步骤流程,以下为具体举例:
S1、读取原始三维点云数据;
S2、对原始三维点云数据进行滤波处理,如统计离群消除滤波器和半径滤波器等对三维点云数据进行去噪,利用平面分割算法去掉影响点云分割的一个或多个平面,得到若干浮在空中的点云团。点云数据预处理中也可选择体素网格滤波器对数据进行下采样简化三维点云数据,该处理能够减少大量点云数据的同时保持点云数据的几何特征不变,提高后期点云分割的速度;
S3、将上述步骤预处理之后的三维点云数据构成KDTree数据结构,方便后面步骤重复进行的范围搜索操作;
S4、随机选取三维点云数据中某个点作为定点,初始时以该定点的下标作为新的类名开辟新的一类别,该类的高度加1。输入参数R作为查询距离阈值,从点云数据集中找出所有与定点距离小于阈值的点并保存各个点的下标和与定点间的距离,如利用动态vector数组RIdex和RDis存放各个点的下标和与定点的距离;
S5、判断R范围内的点(即下标为RIdex数组中的值的点)是否全部标记为已搜索;
若是,则说明一次深度探索完毕,需要跳到最外层遍历点云集中每个点的循环中,跳到最外层循环时需要判断此时是否所有点云都标记为已搜索了,若不是,则继续随机选取三维点云数据中某个尚未被标记为已搜索的点作为定点,类名为该点的下标,跳转至步骤S4;若是,则结束,分割完成;
若不是,则将标记为已搜索的点与定点的距离赋值为0,即修改相应RDis数组中的值,执行步骤S6。
S6、当R范围内的点(即下标为RIdex数组中的值的点)未全部标记为已搜索时,判断下标为RIdex数组中的值的点是否存在属于其他类的情况;
若不存在,则将下标为RIdex数组中的值的点全部归为本类,执行步骤S7;
若存在,则比较不同类之间高度的大小,将下标为RIdex数组中的值的点全部归为高度最大的一类中,剩下的步骤也默认归到该类中,执行步骤S7。这里的归类算法可以用并查集算法但不限于用并查集算法。
S7、R范围内的点归类完成之后,在存放距离的RDis数组中找出距离最大值对应点云,即对应的RIdex数组中的值,将该点作为新的定点,类名保持步骤S6中的类名,跳转至步骤S4,直到所有点云都被标记为已搜索;
S8、此时点云集中每个点都被归为唯一不重复的一类中,如果分类应用并查集算法的话,即每个点都有唯一的根节点,根据多少个根节点划分为多少类。可设置最小分割点云的数量,滤除小于该阈值的微小点云集,最后将不同类的点云保存为点云格式,分割完成。
请参见图3,在本发明实施例中,作为举例,先对图3中左边的点云遍历归为A类,探索停止后,随机取定点对右边点云遍历归为B类,探索停止后,C类开始探索,遇到R半径范围内的点有属于其他类时,判断各类的高度,将其他类的点包括R半径范围内的点全部归为高度最大的类,往后继续深度探索的点也继续归为该类。
请参见图4,本发明实施例列举了现有方法和本方法的点云分割速度对比数据列表,可以发现两者分割效果一致,但本方法速度能提高许多。
需要说明的是,与现有技术相比,本方法改进了点云的归类方法,采用更加高效的点云归类方法,利用并查集等算法对点云数据进行边深入探索边归并指定类集,使用与定点距离较远的点作为新的定点不断深入搜索归类,直接跳过了中间许多数据点,节约时间成本;而现有的算法需要对每个已归类的点还要再进行临近搜索,这就需要对点云集中的每个点进行临近搜索,算法实现简单,但时间复杂度高。
本方法利用KDTree搜索指定范围内临近点,现有技术利用KDTree搜索指定个数的临近点,搜索指定范围内的临近点更符合本方法的思想,但两者速度相近,异曲同工。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种快速欧式距离点云分割方法,其特征在于,包括步骤:
(1)对获取到的原始三维点云数据进行预处理得到待搜索三维点云数据,并将所述待搜索三维点云数据构成KDTree数据结构;
(2)随机选取所述待搜索三维点云数据中某个点作为初始定点,并以所述初始定点的下标作为目标类名开辟一个初始类别,同时,将所述初始类别的高度加1;
(3)根据选取的定点,计算所述待搜索三维点云数据中每一个点与所述定点的距离值,将所述待搜索三维点云数据中的点标记为已搜索;
(4)根据预设的查询距离阈值,将距离值小于所述查询距离阈值的所有点作为目标点云集,并将所述目标点云集中每一个点的下标保存到第一数组,同时,将所述目标点云集中每一个点与所述定点的距离值保存到第二数组;
(5)判断所述目标点云集中的点是否全部被标记为已搜索;若是则执行步骤(8);若否则执行步骤(6);
(6)将标记为已搜索的点在所述第二数组中的距离值修改为0,并根据预设的归类算法将所述目标点云集中的点进行归类;
(7)查询所述第二数组中最大的距离值最大的点,将该点作为新的定点,并将步骤(6)的归类结果作为目标类名,返回执行步骤(3);
(8)判断所述待搜索三维点云数据中的点是否全部被标记为已搜索;若否则在未标记为已搜索的点中随机选取新的定点,目标类名设为该定点的下标,并返回执行步骤(3);若是则完成分割。
2.根据权利要求1所述的快速欧式距离点云分割方法,其特征在于,所述对获取到的原始三维点云数据进行预处理得到待搜索三维点云数据,具体的:
使用统计离群消除滤波器或半径滤波器对所述原始三维点云数据进行去噪处理,和/或使用体素网格滤波器对所述原始三维点云数据进行下采样以简化所述原始三维点云数据;
利用平面分割算法将影响点云分割的一个或多个平面去掉,将得到若干浮在空中的点云团作为待搜索三维点云数据。
3.根据权利要求1所述的快速欧式距离点云分割方法,其特征在于,所述根据预设的归类算法将所述目标点云集中的点进行归类,具体的:
判断所述目标点云集中是否存在与所述目标类名不一致的点;
若是,则比较不同类别之间高度的大小,将高度最大的类别的类名作为当前目标类名,并将所述目标点云集中所有的点归为所述高度最大的类别;
若否,则将所述目标点云集中所有的点归为所述初始类别。
4.根据权利要求1所述的快速欧式距离点云分割方法,其特征在于,所述若是则完成分割,具体的:
若是,则根据预设的最小分割点云数量阈值,将小于该阈值的微小点云集进行滤除,并将不同类别的点云保存为点云格式,分割完成。
5.根据权利要求1所述的快速欧式距离点云分割方法,其特征在于,利用vector动态数组对所述目标点云集的数据进行存储,其中,所述第一数组为RIdex数组,所述第二数组为RDis数组。
6.根据权利要求1所述的快速欧式距离点云分割方法,其特征在于,所述预设的归类算法为并查集算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653620.8A CN110490893B (zh) | 2019-07-18 | 2019-07-18 | 一种快速欧式距离点云分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653620.8A CN110490893B (zh) | 2019-07-18 | 2019-07-18 | 一种快速欧式距离点云分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490893A CN110490893A (zh) | 2019-11-22 |
CN110490893B true CN110490893B (zh) | 2022-02-22 |
Family
ID=68547468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910653620.8A Active CN110490893B (zh) | 2019-07-18 | 2019-07-18 | 一种快速欧式距离点云分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490893B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192284B (zh) * | 2019-12-27 | 2022-04-05 | 吉林大学 | 一种车载激光点云分割方法及系统 |
CN113177477A (zh) * | 2021-04-29 | 2021-07-27 | 湖南大学 | 一种基于三维点云分析的目标检测识别方法 |
CN113989719A (zh) * | 2021-10-30 | 2022-01-28 | 福州大学 | 一种工地盗窃监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9870624B1 (en) * | 2017-01-13 | 2018-01-16 | Otsaw Digital Pte. Ltd. | Three-dimensional mapping of an environment |
CN108665472A (zh) * | 2017-04-01 | 2018-10-16 | 华为技术有限公司 | 点云分割的方法和设备 |
CN109118500A (zh) * | 2018-07-16 | 2019-01-01 | 重庆大学产业技术研究院 | 一种基于图像的三维激光扫描点云数据的分割方法 |
CN109559346A (zh) * | 2018-11-07 | 2019-04-02 | 西安电子科技大学 | 一种3d点云测量中的待测部位的定位及分割方法、扫描仪 |
CN109934855A (zh) * | 2018-12-28 | 2019-06-25 | 南京理工大学 | 一种基于点云的带电作业场景电力部件三维重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10846942B1 (en) * | 2013-08-29 | 2020-11-24 | Ultrahaptics IP Two Limited | Predictive information for free space gesture control and communication |
-
2019
- 2019-07-18 CN CN201910653620.8A patent/CN110490893B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9870624B1 (en) * | 2017-01-13 | 2018-01-16 | Otsaw Digital Pte. Ltd. | Three-dimensional mapping of an environment |
CN108665472A (zh) * | 2017-04-01 | 2018-10-16 | 华为技术有限公司 | 点云分割的方法和设备 |
CN109118500A (zh) * | 2018-07-16 | 2019-01-01 | 重庆大学产业技术研究院 | 一种基于图像的三维激光扫描点云数据的分割方法 |
CN109559346A (zh) * | 2018-11-07 | 2019-04-02 | 西安电子科技大学 | 一种3d点云测量中的待测部位的定位及分割方法、扫描仪 |
CN109934855A (zh) * | 2018-12-28 | 2019-06-25 | 南京理工大学 | 一种基于点云的带电作业场景电力部件三维重建方法 |
Non-Patent Citations (2)
Title |
---|
Segmentation based building detection approach from LiDAR point cloud;Anandakumar M. Ramiya 等;《ELSEVIER》;20160428;第71-77页 * |
基于改进的区域生长三维点云分割;李仁忠 等;《基于改进的区域生长三维点云分割》;20181231;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110490893A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490893B (zh) | 一种快速欧式距离点云分割方法 | |
Grygorash et al. | Minimum spanning tree based clustering algorithms | |
Estivill-Castro et al. | Amoeba: Hierarchical clustering based on spatial proximity using delaunay diagram | |
JP6183376B2 (ja) | インデックス生成装置及び方法並びに検索装置及び検索方法 | |
CN108961294B (zh) | 一种三维点云的分割方法及装置 | |
CN111999741B (zh) | 路侧激光雷达目标检测方法及装置 | |
CN106780579B (zh) | 一种超大规模图像特征点匹配方法及系统 | |
CN109801295B (zh) | 基于二次限制区域生长法的图像分割方法 | |
CN103744886B (zh) | 一种直接提取的k个最近邻点搜索方法 | |
CN108205657A (zh) | 视频镜头分割的方法、存储介质和移动终端 | |
Fahim | A clustering algorithm based on local density of points | |
CN111915628A (zh) | 一种基于预测目标密集边界点的单阶段实例分割方法 | |
US20150086118A1 (en) | Method for recognizing a visual context of an image and corresponding device | |
Yang et al. | A novel spatial clustering algorithm based on delaunay triangulation | |
CN110781943A (zh) | 一种基于毗邻网格搜索的聚类方法 | |
CN112102178A (zh) | 一种点云保特征去噪方法、装置、电子设备及存储介质 | |
CN109241628B (zh) | 基于图谱理论和聚类的三维cad模型分割方法 | |
CN115757896A (zh) | 向量检索方法、装置、设备及可读存储介质 | |
CN114693943A (zh) | 一种用于目标检测的非极大值抑制加速方法、系统和设备 | |
KR101218795B1 (ko) | 그래프 분류를 위한 유사한 그래프 구조를 이용한 특징 선택 방법 및 장치 | |
CN111126395B (zh) | R-cnn网络中选择性搜索算法的优化方法、存储介质 | |
van Blokland et al. | Partial 3D object retrieval using local binary QUICCI descriptors and dissimilarity tree indexing | |
Almantara et al. | Spatial Data Analysis using DBSCAN Method and KNN classification | |
CN111986223A (zh) | 一种基于能量函数的室外点云场景中树木提取方法 | |
CN117291973B (zh) | 一种基于激光点云的快速鲁棒的初定位方法 |
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 |