CN104463856B - 基于法向量球的室外场景三维点云数据的地面提取方法 - Google Patents
基于法向量球的室外场景三维点云数据的地面提取方法 Download PDFInfo
- Publication number
- CN104463856B CN104463856B CN201410687135.XA CN201410687135A CN104463856B CN 104463856 B CN104463856 B CN 104463856B CN 201410687135 A CN201410687135 A CN 201410687135A CN 104463856 B CN104463856 B CN 104463856B
- Authority
- CN
- China
- Prior art keywords
- point
- ground
- normal vector
- point cloud
- dimensional point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims description 12
- 230000017105 transposition Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000011218 segmentation Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种三维点云数据的地面提取方法,一种基于法向量球的室外场景三维点云数据的地面提取方法,包括以下步骤:步骤1、获取室外场景的三维点云数据:步骤2、构建三维点云的邻域关系:步骤3、计算三维点云的协方差矩阵和法向量:步骤4、根据邻域形状对三维点云进行初步分类:步骤5、提取初步地面Gs:步骤6、提取最终地面Ge。本发明利用逐层提取的思想和法向量球的构建,从室外场景三维点云数据中准确完整地提取出了地面点云数据,有效地解决了由于室外场景复杂、地面零碎、起伏不定等因素而造成的地面提取不完整、不准确的问题,具有较好的地面提取效果。
Description
技术领域
本发明涉及一种三维点云数据的地面提取方法,更具体地说,涉及一种基于法向量球的室外场景三维点云数据的地面提取方法。
背景技术
随着三维扫描测距技术的发展,三维点云数据在逆向工程、工业检测、自主导航等领域的应用越来越为广泛。三维点云数据处理技术作为实现上述应用的基础,发挥了至关重要的作用。在三维点云数据处理技术中,三维点云数据的特征提取是一个非常关键的技术,尤其是室外场景三维点云数据的地面特征提取,其对于室外场景的分割识别、移动机器人的路径规划等后续处理,都有着极其重要的作用。
在移动机器人自主导航领域,室外场景三维点云数据的地面提取是移动机器人进行路径规划的前提,完整的三维点云地面为移动机器人提供了准确的可行区域,提高了移动机器人的空间通过能力,保障了移动机器人在行进过程中的自身安全。在室外场景分析领域,由于室外场景极其复杂,会涉及到各种不同的物体,例如建筑、树木、车辆、人员等,为了便于进行场景分析,就需要对室外场景的三维点云数据进行有效的分割,而地面作为整幅场景的大背景,其准确完整的提取有助于将地面上的各类物体从空间中相互剥离,以便于后续的物体分割和场景分析。
目前,较为常见的三维点云地面提取方法为随机抽样一致性算法(RANSAC算法),该方法将地面当作所处理场景中最大的平面而直接获取,这种方法对于比较平整大块的地面,具有较好的效果,但对于室外场景较为复杂、地面比较零碎、起伏不定的情况,这种方法就不能保证地面提取的完整性和准确性。
发明内容
为了克服现有技术中存在的不足,本发明目的是提供一种基于法向量球的室外场景三维点云数据的地面提取方法。该方法针对一个室外场景,首先利用激光扫描测距仪获取室外场景的三维点云数据,其实质为三维空间中的一个点集,然后通过一定的点云提取方法,从室外场景三维点云数据中,准确完整地提取出地面点云数据。该方法解决了由于室外场景复杂、地面零碎、起伏不定等因素而造成的地面提取不完整、不准确的问题,以提高室外场景地面提取的准确性和完整性,具有较好的地面提取效果。
为了实现上述发明目的,解决已有技术中所存在的问题,本发明采取的技术方案是:一种基于法向量球的室外场景三维点云数据的地面提取方法,包括以下步骤:
步骤1、获取室外场景的三维点云数据:利用激光扫描测距仪,获取室外场景的三维点云数据;
步骤2、构建三维点云的邻域关系:采用KD-Tree算法构建全体点云的结构树,根据点云的坐标将全体点云划分到不同的空间区域,在邻域构建时即可利用空间地址信息实现邻近点的搜索,以快速构建给定点p=(x,y,z)的邻域N={pi=(xi,yi,zi)|1≤i≤k},其中:pi为邻点,i为邻点的序号,k为邻点的个数;
步骤3、计算三维点云的协方差矩阵和法向量:选取三维点云中的任意一点为给定点p=(x,y,z),利用其邻域N={pi=(xi,yi,zi)|1≤i≤k},构建协方差矩阵M,求解协方差矩阵M的特征值λ1、λ2、λ3和特征向量v1、v2、v3,以及给定点p的法向量n;
步骤4、根据邻域形状对三维点云进行初步分类:利用给定点p的协方差矩阵M的特征值λ1、λ2、λ3之间的大小关系,来判断其邻域形状,并以此将三维点云分为三大类,即点性点集合Cp、线性点集合Cl和面性点集合Cs;
步骤5、提取初步地面Gs:将所有面性点集合Cs的法向量映射到单位球上,以构建法向量球S,并利用Mean-Shift聚类算法,在法向量球S上对所有面性点集合Cs的法向量的顶点进行聚类,将面性点集合Cs分为若干个平面区域Fj,并从中提取出初步地面Gs;
步骤6、提取最终地面Ge:利用最小二乘平面拟合,构建地面区域的数学模型,并判断其它地面上的点,以提取最终完整的地面Ge。
所述步骤3计算三维点云的协方差矩阵和法向量,具体包括以下子步骤:
步骤(a)、利用步骤2所构建的三维点云的邻域关系,来快速构建给定点p=(x,y,z)的邻域N={pi=(xi,yi,zi)|1≤i≤k},其中:pi为邻点,i为邻点的序号,k为邻点的个数;
步骤(b)、通过公式
构建给定点p的邻域N的协方差矩阵M,式中:T为向量转置符号,其将列向量转置为行向量;
步骤(c)、求取协方差矩阵M的特征值λ1、λ2、λ3(λ1<λ2<λ3),以及相应的特征向量v1、v2、v3;
步骤(d)、将最小特征值λ1对应的特征向量v1单位化,即得到给定点p的法向量n;
步骤(e)、对三维点云中的每一个点,重复步骤(a)-(d),继而求取每一个点的协方差矩阵的特征值、特征向量和法向量。
所述步骤4根据邻域形状对三维点云进行初步分类,具体包括以下子步骤:
步骤(a)、若协方差矩阵M的特征值λ1≈λ2≈λ3,即λ3/λ2≤8和λ2/λ1≤8,则给定点p与其邻点pi呈散乱状分布,将给定点p分类为点性点;
步骤(b)、若协方差矩阵M的特征值λ1≈λ2<<λ3,即λ3/λ2>8和λ2/λ1≤8,则给定点p与其邻点pi呈直线状分布,将给定点p分类为线性点;
步骤(c)、若协方差矩阵M的特征值λ1<<λ2≈λ3,即λ3/λ2≤8和λ2/λ1>8,则给定点p与其邻点pi呈平面状分布,将给定点p分类为面性点;
步骤(d)、对三维点云中的每一个点,重复步骤(a)-(c),将整个三维点云初步分为三大类,即点性点集合Cp、线性点集合Cl和面性点集合Cs。
所述步骤5提取初步地面Gs,具体包括以下子步骤:
步骤(a)、将面性点集合Cs内每一个面性点的法向量映射到单位球上,以构建法向量球S,法向量球S上的点即为面性点的法向量的顶点;
步骤(b)、利用Mean-Shift聚类算法,在法向量球S上,对所有面性点的法向量的顶点进行聚类,进而可将面性点的法向量分为若干类,最终可将面性点分为若干个平面区域Fj,1≤j≤m,其中:j为平面区域的序号,m为平面区域的个数;
步骤(c)、计算每一个平面区域Fj的平均高程和平均法向量若某个平面区域Ft的平均高程和平均法向量满足条件:和 其中:为平均法向量与垂直方向的夹角,则认为该平面区域Ft为初步地面区域的一个组成部分,利用该方法对每一个平面区域Fj进行判断和筛选,则可获取整个的初步地面区域Gs。
所述步骤6提取最终地面Ge,具体包括以下子步骤:
步骤(a)、对初步地面Gs中的所有点,进行最小二乘平面拟合,以获取地面的数学模型Ax+By+Cz+D=0,其中:A、B、C和D为地面数学模型的系数,通过最小二乘拟合可求得;
步骤(b)、计算非初步地面区域中每一个点到该地面模型的垂直距离,若某点到地面模型的垂直距离d,若满足d<0.3m,则认为该点为地面上的点,并将其与初步地面区域进行融合,则可获取最终地面的三维点云Ge。
本发明有益效果是:一种基于法向量球的室外场景三维点云数据的地面提取方法,包括以下步骤:步骤1、获取室外场景的三维点云数据:步骤2、构建三维点云的邻域关系:步骤3、计算三维点云的协方差矩阵和法向量:步骤4、根据邻域形状对三维点云进行初步分类:步骤5、提取初步地面Gs:步骤6、提取最终地面Ge。与已有技术相比,本发明采用了逐层提取的思想:首先,通过协方差矩阵的特征值分析,来提取室外场景三维点云数据中的整体平面区域(面性点集合Cs);然后,通过构建面性点Cs的法向量球S及其上的法向量聚类,将整体平面区域(面性点集合Cs)分为若干个平面区域Fj;接着,通过法向量信息和高程信息的结合,从若干个平面区域Fj中提取初步地面区域Gs;最终,通过初步地面区域的最小二乘拟合,来获取完整地面区域Ge。逐层提取的思想能够使地面三维点云数据的提取更加完整和准确,尤其是当室外场景比较复杂时,法向量球的构建及其上法向量顶点的聚类,可以使所有具有平面特性的点准确地细化为若干个平面区域,这对提取零碎、离散、起伏地面具有很大的帮助。因此,本发明所提方法有效地解决了由于室外场景复杂、地面零碎、起伏不定等因素而造成的地面提取不完整、不准确的问题,具有较好的地面提取效果。
附图说明
图1是本发明方法步骤流程图。
图2是室外场景三维点云数据显示图。
图3是本发明面性点提取结果图。
图4是本发明法向量球构建结果图。
图5是本发明法向量顶点聚类结果图。
图6是本发明最终地面提取结果图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,一种基于法向量球的室外场景三维点云数据的地面提取方法,包括以下步骤:
步骤1、获取室外场景的三维点云数据:利用激光扫描测距仪,获取室外场景的三维点云数据;如图2所示,整幅室外场景由大约10万个点组成,其中包括地面、树木、草丛、建筑、车辆、人员等。
步骤2、构建三维点云的邻域关系:采用KD-Tree算法构建全体点云的结构树,根据点云的坐标将全体点云划分到不同的空间区域,在邻域构建时即可利用空间地址信息实现邻近点的搜索,以快速构建给定点p=(x,y,z)的邻域N={pi=(xi,yi,zi)|1≤i≤k},其中:pi为邻点,i为邻点的序号,k为邻点的个数。
步骤3、计算三维点云的协方差矩阵和法向量:选取三维点云中的任意一点为给定点p=(x,y,z),利用其邻域N={pi=(xi,yi,zi)|1≤i≤k},构建协方差矩阵M,求解协方差矩阵M的特征值λ1、λ2、λ3和特征向量v1、v2、v3,以及给定点p的法向量n。
步骤4、根据邻域形状对三维点云进行初步分类:利用给定点p的协方差矩阵M的特征值λ1、λ2、λ3之间的大小关系,来判断其邻域形状,并以此将三维点云分为三大类,即点性点集合Cp、线性点集合Cl和面性点集合Cs。
步骤5、提取初步地面Gs:将所有面性点集合Cs的法向量映射到单位球上,以构建法向量球S,并利用Mean-Shift聚类算法,在法向量球S上对所有面性点集合Cs的法向量的顶点进行聚类,将面性点集合Cs分为若干个平面区域Fj,并从中提取出初步地面Gs。
步骤6、提取最终地面Ge:利用最小二乘平面拟合,构建地面区域的数学模型,并判断其它地面上的点,以提取最终完整的地面Ge。
所述步骤3计算三维点云的协方差矩阵和法向量,具体包括以下子步骤:
步骤(a)、利用步骤2所构建的三维点云的邻域关系,来快速构建给定点p=(x,y,z)的邻域N={pi=(xi,yi,zi)|1≤i≤k},其中:pi为邻点,i为邻点的序号,k为邻点的个数。
步骤(b)、通过公式
构建给定点p的邻域N的协方差矩阵M,式中:T为向量转置符号,其将列向量转置为行向量。
步骤(c)、求取协方差矩阵M的特征值λ1、λ2、λ3(λ1<λ2<λ3),以及相应的特征向量v1、v2、v3。
步骤(d)、将最小特征值λ1对应的特征向量v1单位化,即得到给定点p的法向量n。
步骤(e)、对三维点云中的每一个点,重复步骤(a)-(d),继而求取每一个点的协方差矩阵的特征值、特征向量和法向量。
所述步骤4根据邻域形状对三维点云进行初步分类,具体包括以下子步骤:
步骤(a)、若协方差矩阵M的特征值λ1≈λ2≈λ3,即λ3/λ2≤8和λ2/λ1≤8,则给定点p与其邻点pi呈散乱状分布,将给定点p分类为点性点。
步骤(b)、若协方差矩阵M的特征值λ1≈λ2<<λ3,即λ3/λ2>8和λ2/λ1≤8,则给定点p与其邻点pi呈直线状分布,将给定点p分类为线性点。
步骤(c)、若协方差矩阵M的特征值λ1<<λ2≈λ3,即λ3/λ2≤8和λ2/λ1>8,则给定点p与其邻点pi呈平面状分布,将给定点p分类为面性点。
步骤(d)、对三维点云中的每一个点,重复步骤(a)-(c),将整个三维点云初步分为三大类,即点性点集合Cp、线性点集合Cl和面性点集合Cs,室外场景中面性点集合Cs的提取结果如图3所示。
所述步骤5提取初步地面Gs,具体包括以下子步骤:
步骤(a)、将面性点集合Cs内每一个面性点的法向量映射到单位球上,以构建法向量球S,如图4所示,法向量球S上的点即为面性点的法向量的顶点。
步骤(b)、利用Mean-Shift聚类算法,在法向量球S上,对所有面性点的法向量的顶点进行聚类,如图5所示,进而可将面性点的法向量分为若干类,最终可将面性点分为若干个平面区域Fj,1≤j≤m,其中:j为平面区域的序号,m为平面区域的个数。
步骤(c)、计算每一个平面区域Fj的平均高程和平均法向量若某个平面区域Ft的平均高程和平均法向量满足条件:和 其中:为平均法向量与垂直方向的夹角,则认为该平面区域Ft为初步地面区域的一个组成部分,利用该方法对每一个平面区域Fj进行判断和筛选,则可获取整个的初步地面区域Gs。
所述步骤6提取最终地面Ge,具体包括以下子步骤:
步骤(a)、对初步地面Gs中的所有点,进行最小二乘平面拟合,以获取地面的数学模型Ax+By+Cz+D=0,其中:A、B、C和D为地面数学模型的系数,通过最小二乘拟合可求得。
步骤(b)、计算非初步地面区域中每一个点到该地面模型的垂直距离,若某点到地面模型的垂直距离d,若满足d<0.3m,则认为该点为地面上的点,并将其与初步地面区域进行融合,则可获取最终地面的三维点云Ge,如图6所示。
本发明优点在于:本发明利用逐层提取的思想和法向量球的构建,从室外场景三维点云数据中准确完整地提取出了地面点云数据,有效地解决了由于室外场景复杂、地面零碎、起伏不定等因素而造成的地面提取不完整、不准确的问题,具有较好的地面提取效果。本发明由中央高校基本科研业务费专项资金资助(项目编号:DUT13LAB04)。
Claims (5)
1.一种基于法向量球的室外场景三维点云数据的地面提取方法,其特征在于包括以下步骤:
步骤1、获取室外场景的三维点云数据:利用激光扫描测距仪,获取室外场景的三维点云数据;
步骤2、构建三维点云的邻域关系:采用KD-Tree算法构建全体点云的结构树,根据点云的坐标将全体点云划分到不同的空间区域,在邻域构建时即可利用空间地址信息实现邻近点的搜索,以快速构建给定点p=(x,y,z)的邻域N={pi=(xi,yi,zi)|1≤i≤k},其中:pi为邻点,i为邻点的序号,k为邻点的个数;
步骤3、计算三维点云的协方差矩阵和法向量:选取三维点云中的任意一点为给定点p=(x,y,z),利用其邻域N={pi=(xi,yi,zi)|1≤i≤k},构建协方差矩阵M,求解协方差矩阵M的特征值λ1、λ2、λ3和特征向量v1、v2、v3,以及给定点p的法向量n;
步骤4、根据邻域形状对三维点云进行初步分类:利用给定点p的协方差矩阵M的特征值λ1、λ2、λ3之间的大小关系,来判断其邻域形状,并以此将三维点云分为三大类,即点性点集合Cp、线性点集合Cl和面性点集合Cs;
步骤5、提取初步地面Gs:将所有面性点集合Cs的法向量映射到单位球上,以构建法向量球S,并利用Mean-Shift聚类算法,在法向量球S上对所有面性点集合Cs的法向量的顶点进行聚类,将面性点集合Cs分为若干个平面区域Fj,并从中提取出初步地面Gs;
步骤6、提取最终地面Ge:利用最小二乘平面拟合,构建地面区域的数学模型,并判断其它地面上的点,以提取最终完整的地面Ge。
2.根据权利要求1所述一种基于法向量球的室外场景三维点云数据的地面提取方法,其特征在于:所述步骤3计算三维点云的协方差矩阵和法向量,具体包括以下子步骤:
步骤(a)、利用步骤2所构建的三维点云的邻域关系,来快速构建给定点p=(x,y,z)的邻域N={pi=(xi,yi,zi)|1≤i≤k},其中:pi为邻点,i为邻点的序号,k为邻点的个数;
步骤(b)、通过公式
构建给定点p的邻域N的协方差矩阵M,式中:T为向量转置符号,其将列向量转置为行向量;
步骤(c)、求取协方差矩阵M的特征值λ1、λ2、λ3,λ1<λ2<λ3,以及相应的特征向量v1、v2、v3;
步骤(d)、将最小特征值λ1对应的特征向量v1单位化,即得到给定点p的法向量n;
步骤(e)、对三维点云中的每一个点,重复步骤(a)-(d),继而求取每一个点的协方差矩阵的特征值、特征向量和法向量。
3.根据权利要求1所述一种基于法向量球的室外场景三维点云数据的地面提取方法,其特征在于:所述步骤4根据邻域形状对三维点云进行初步分类,具体包括以下子步骤:
步骤(a)、若协方差矩阵M的特征值λ1≈λ2≈λ3,即λ3/λ2≤8和λ2/λ1≤8,则给定点p与其邻点pi呈散乱状分布,将给定点p分类为点性点;
步骤(b)、若协方差矩阵M的特征值λ1≈λ2<<λ3,即λ3/λ2>8和λ2/λ1≤8,则给定点p与其邻点pi呈直线状分布,将给定点p分类为线性点;
步骤(c)、若协方差矩阵M的特征值λ1<<λ2≈λ3,即λ3/λ2≤8和λ2/λ1>8,则给定点p与其邻点pi呈平面状分布,将给定点p分类为面性点;
步骤(d)、对三维点云中的每一个点,重复步骤(a)-(c),将整个三维点云初步分为三大类,即点性点集合Cp、线性点集合Cl和面性点集合Cs。
4.根据权利要求1所述一种基于法向量球的室外场景三维点云数据的地面提取方法,其特征在于:所述步骤5提取初步地面Gs,具体包括以下子步骤:
步骤(a)、将面性点集合Cs内每一个面性点的法向量映射到单位球上,以构建法向量球S,法向量球S上的点即为面性点的法向量的顶点;
步骤(b)、利用Mean-Shift聚类算法,在法向量球S上,对所有面性点的法向量的顶点进行聚类,进而可将面性点的法向量分为若干类,最终可将面性点分为若干个平面区域Fj,1≤j≤m,其中:j为平面区域的序号,m为平面区域的个数;
步骤(c)、计算每一个平面区域Fj的平均高程和平均法向量若某个平面区域Ft的平均高程和平均法向量满足条件:和 其中:为平均法向量与垂直方向的夹角,则认为该平面区域Ft为初步地面区域的一个组成部分,利用该方法对每一个平面区域Fj进行判断和筛选,则可获取整个的初步地面区域Gs。
5.根据权利要求1所述一种基于法向量球的室外场景三维点云数据的地面提取方法,其特征在于:所述步骤6提取最终地面Ge,具体包括以下子步骤:
步骤(a)、对初步地面Gs中的所有点,进行最小二乘平面拟合,以获取地面的数学模型Ax+By+Cz+D=0,其中:A、B、C和D为地面数学模型的系数,通过最小二乘拟合可求得;
步骤(b)、计算非初步地面区域中每一个点到该地面数学模型的垂直距离,若某点到地面数学模型的垂直距离d,若满足d<0.3m,则认为该点为地面上的点,并将其与初步地面区域进行融合,则可获取最终地面的三维点云Ge。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410687135.XA CN104463856B (zh) | 2014-11-25 | 2014-11-25 | 基于法向量球的室外场景三维点云数据的地面提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410687135.XA CN104463856B (zh) | 2014-11-25 | 2014-11-25 | 基于法向量球的室外场景三维点云数据的地面提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463856A CN104463856A (zh) | 2015-03-25 |
CN104463856B true CN104463856B (zh) | 2017-06-27 |
Family
ID=52909838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410687135.XA Active CN104463856B (zh) | 2014-11-25 | 2014-11-25 | 基于法向量球的室外场景三维点云数据的地面提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463856B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633523B (zh) * | 2016-07-18 | 2021-04-16 | 巧夺天宫(深圳)科技有限公司 | 基于点云的提取建筑特征线方法和系统 |
CN107945234A (zh) | 2016-10-12 | 2018-04-20 | 杭州海康威视数字技术股份有限公司 | 一种立体摄像机外部参数的确定方法及装置 |
CN106600694B (zh) * | 2016-12-20 | 2019-08-30 | 中国地质大学(武汉) | 一种地形数据的平滑处理方法及装置 |
CN107194913B (zh) * | 2017-04-21 | 2020-02-14 | 北京农业信息技术研究中心 | 一种作物群体最适研究尺度检测方法及装置 |
CN107992850B (zh) * | 2017-12-20 | 2020-01-14 | 大连理工大学 | 一种室外场景三维彩色点云分类方法 |
WO2020073982A1 (en) | 2018-10-11 | 2020-04-16 | Shanghaitech University | System and method for extracting planar surface from depth image |
CN109671152B (zh) * | 2018-12-01 | 2022-10-04 | 大连理工大学 | 一种基于高斯加权离散导数的线点云几何特性估算方法 |
CN111832582B (zh) * | 2019-04-15 | 2023-07-21 | 中国矿业大学(北京) | 一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法 |
CN110348478B (zh) * | 2019-06-04 | 2022-10-11 | 西安理工大学 | 一种基于形状分类与组合的室外点云场景中树木提取方法 |
CN110555826B (zh) * | 2019-08-04 | 2022-04-15 | 大连理工大学 | 一种基于局部离群因子的三维点云特征提取方法 |
CN110782472B (zh) * | 2019-09-05 | 2022-06-07 | 腾讯科技(深圳)有限公司 | 点云地面点的识别方法及装置 |
CN110827339B (zh) * | 2019-11-05 | 2022-08-26 | 北京深测科技有限公司 | 目标点云提取的方法 |
CN111310811B (zh) * | 2020-02-06 | 2021-01-15 | 东华理工大学 | 一种基于多维特征最优组合的大场景三维点云分类方法 |
CN111709430B (zh) * | 2020-06-08 | 2021-10-15 | 大连理工大学 | 基于高斯过程回归的室外场景三维点云的地面提取方法 |
CN111766608A (zh) * | 2020-06-12 | 2020-10-13 | 苏州泛像汽车技术有限公司 | 一种基于激光雷达的环境感知系统 |
CN113805157B (zh) * | 2021-09-22 | 2024-08-27 | 航天新气象科技有限公司 | 基于标靶的高度测量方法、装置及设备 |
CN115542340B (zh) * | 2022-12-01 | 2023-05-05 | 广东工业大学 | 基于距离已知参照物的路侧双固态激光雷达点云融合方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128B (zh) * | 2009-12-23 | 2012-09-05 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
US8525835B1 (en) * | 2010-02-24 | 2013-09-03 | The Boeing Company | Spatial data compression using implicit geometry |
-
2014
- 2014-11-25 CN CN201410687135.XA patent/CN104463856B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104463856A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463856B (zh) | 基于法向量球的室外场景三维点云数据的地面提取方法 | |
Zhang et al. | An object-based convolutional neural network (OCNN) for urban land use classification | |
Yang et al. | An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN110276269B (zh) | 一种基于注意力机制的遥感图像目标检测方法 | |
CN107657226B (zh) | 一种基于深度学习的人数估计方法 | |
CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN108389255B (zh) | 基于分层高程云图的地形几何参数提取方法 | |
Chen et al. | R‐CNN‐Based Satellite Components Detection in Optical Images | |
CN113989797A (zh) | 一种基于体素点云融合的三维动态目标检测方法及装置 | |
Ding et al. | Efficient vanishing point detection method in complex urban road environments | |
Wang et al. | Automatic segmentation of urban point clouds based on the Gaussian map | |
CN105224935A (zh) | 一种基于Android平台的实时人脸关键点定位方法 | |
Zhang et al. | A Study of Image Classification of Remote Sensing Based on Back‐Propagation Neural Network with Extended Delta Bar Delta | |
CN107918953A (zh) | 基于三维空间的激光扫描电力线点云的提取方法及装置 | |
Chen et al. | Object-based multi-modal convolution neural networks for building extraction using panchromatic and multispectral imagery | |
Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
CN110619368A (zh) | 行星表面导航特征成像匹配检测方法 | |
CN103839081B (zh) | 一种基于拓扑表达的跨视角步态识别方法 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
Liu et al. | A new multi-channel deep convolutional neural network for semantic segmentation of remote sensing image | |
CN105574535B (zh) | 基于间接距离角直方图空间关系模型的图形符号识别方法 | |
Liu et al. | Comparison of 2D image models in segmentation performance for 3D laser point clouds | |
CN112699713B (zh) | 一种语义线段信息的检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |