CN105389849B - 基于三维重建技术的车辆碰撞角度分析系统 - Google Patents
基于三维重建技术的车辆碰撞角度分析系统 Download PDFInfo
- Publication number
- CN105389849B CN105389849B CN201510817703.8A CN201510817703A CN105389849B CN 105389849 B CN105389849 B CN 105389849B CN 201510817703 A CN201510817703 A CN 201510817703A CN 105389849 B CN105389849 B CN 105389849B
- Authority
- CN
- China
- Prior art keywords
- data
- point
- cloud
- dimensional
- module
- 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
Abstract
本发明提供一种基于三维重建技术的车辆碰撞角度分析系统。包括:数据采集模块,采用三维激光扫描仪与数字摄像机相进行点云数据采集,可使数据更加准确,并能完成图形的贴图处理;三维点云数据预处理模块,包括数据降噪与数据精简处理,能使冗余的、具有较多噪声的原始数据点进行简化处理;点云数据重构模块,应用了delaunay算法,对预处理后的数据进行三角剖分,重构出变形面;法向量解算模块,可求解出三角剖分后每个小三角形的法向量;车辆碰撞角度分析模块,基于法向量解算模块求解出的法向量,采用最小二乘法拟合出车辆的碰撞角度。本发明能够分析交通事故中车车碰撞、车人碰撞、车物碰撞的大致的碰撞角度,为交通事故的形态分析提供思路。
Description
技术领域
本发明涉及近景摄影测量与数字图像处理领域,具体是一种基于三维重建技术的车辆碰撞角度分析系统。
背景技术
我国道路交通事故频发,道路交通事故致死率高居不下。数据表明,仅2013年,我国共接报道路交通事故598.7万起,涉及人员伤亡的道路交通事故198394起,造成58539人死亡,直接财产损失10.4亿元。交通事故现场勘查作为交通事故法定处理程序中承上启下的最重要环节,要求及时迅速、细致完备、客观全面地对事故现场进行勘查,为后续的事故处理环节提供精确、公正、客观的数据和图像,方便进行事故现场的立体再现和现场恢复,同时以保证快速恢复交通通畅。然而,基于传统手工测量的交通事故现场勘查方法存在的测量数据不准确、效率低、容易造成交通拥堵等问题,远不能满足现有交通事故现场勘查的要求,给交通事故的责任判定带来了一定的困难。采用三维激光扫描仪与立体视觉的方式进行交通事故现场勘查具有精度高、可靠性强、效率高等特点。三维激光扫描仪能在较短时间内快速测量事故现场连续的三维数据,减少事故勘查时间,避免二次事故的发生,并为事故现场的立体再现提供数据;立体视觉能够准确还原交通事故中车辆的变形参数,可以为事故的碰撞过程再现提供精确的数据。利用三维激光扫描仪与立体视觉获取的交通事故现场数据对事故现场的变形车辆进行三维重建,并将重建后的变形车辆曲面三角网应用于交通事故中车辆碰撞角度的分析,能准确的还原交通事故中事故车辆的碰撞形态,为交通管理部门提供精确的交通事故分析方法和有效的法律证据。
中国专利文献CN 102236909 A提供了一种用于公安交通管理部门道路交通事故鉴定的车辆失控后再两车碰撞组合型事故模拟再现系统,本系统能够利用事故现场勘察得到的基本数据,计算得到车辆失控后再两车碰撞组合型事故事故中各碰撞车辆的行驶车速和碰撞车速,并实现事故车辆的二维轨迹描述、三维过程再现、车辆失控后再两车碰撞组合型事故主要计算数据表输出以及事故发生过程简述文本输出。该专利主要用于道路交通事故再现,虽有一定的碰撞分析,但并未涉及碰撞角度的研究与分析。
中国专利文献CN 102034013 A提供了一种用于公安交通管理部门道路交通事故鉴定的汽车斜碰撞事故分析计算与模拟再现系统,本系统能够利用事故现场勘察得到的基本数据,计算得到汽车斜碰撞事故中各事故车辆的行驶车速和碰撞车速,并实现事故车辆的二维轨迹描述、三维过程再现、汽车斜碰撞事故主要计算数据表输出以及事故发生过程简述文本输出。该专利与专利文献CN 102034013 A基本类似,重点仍为交通事故再现。
中国专利文献CN101034040提供了一种汽车碰撞的多功能仿真分析方法及可移动壁障,方法包括:建立可移动壁障模型,将可移动壁障的车架、轮胎、安装板定义为不发生变形和相对位移的刚体,将可移动壁障的上、下蜂窝吸能块的模型建立在所述安装板上,并将所述可移动壁障的相关尺寸设置为具体的模型参数,将实际车辆的车辆参数对应带入到所述可移动壁障的模型参数中,从而利用所述可移动壁障仿真所述待测车辆来进行车辆的各种碰撞测试分析。本发明在碰撞模拟仿真分析计算当中可提高计算精度和分析可靠性,并且提高计算收敛性和缩短计算时间,有利于定义接触,可防止在碰撞模拟仿真分析计算当中出现死机或退出计算等现象。该专利目的为提高我国汽车自主研发能力,对于车辆碰撞中的各种因素并未完全考虑。
以上三项专利都涉及车辆碰撞。目前,国内外相关专利与车辆碰撞相关的研究均为事故再现提供思路,对于如何分析车辆碰撞角度的研究较少,道路交通事故鉴定中,事故形态分析相关的研究还有待进步
发明内容
为解决上述现有技术中存在的问题,本发明提出一种基于三维重建技术的车辆碰撞角度分析系统,能对道路交通事故中车车碰撞、车人碰撞、车物碰撞的大致的碰撞角度,为交通事故的形态分析提供思路;其主体工作均在计算机处理器中完成,只需对交通事故第一现场进行简易的三维扫描与照片拍摄,具有良好的灵活性和可操作性,并可为道路交通事故三维再现提供技术支撑。本发明的技术方案是:
所述基于三维重建技术的车辆碰撞角度分析系统,包括依次连接的数据采集模块、三维点云数据预处理模块、点云数据重构模块、法向量解算模块和车辆碰撞角度分析模块,
所述数据采集模块用于快速采集交通事故现场碰撞车辆变形数据,输出三维点云数据;
所述三维点云数据预处理模块用于对数据采集模块采集的数据进行降噪处理和简化处理;
所述点云数据重构模块用于对三维点云数据进行三角剖分,实现点云数据的重构,构建出平面三角网格;
所述法向量解算模块用于求解三角网格中每个小三角形的法向量,并用该三角形的外心位置的法向量代替该三角形的法向量;
所述车辆碰撞角度分析模块计算三角网格中所有三角形的法向量矢量和,基于三角面片的法向量加权建立车辆碰撞角度解算模型。
所述数据采集模块的数据采集传感器包括三维激光扫描仪与数字照相机,通过三维激光扫描仪直接获取事故车辆的碰撞变形数据,通过数字照相机拍摄的二维图像使用图像处理算法转化为三维点云数据,将三维激光扫描仪获取的三维点云数据与数字照相机图像数据转化而来的三维点云数据融合后统一输出三维点云数据。
进一步地,所述三维点云数据预处理模块包括点云数据降噪处理子模块与 点云数据简化处理子模块,点云数据降噪处理子模块采用基于最小二乘算法的分布降噪算法,能很好的去除点云数据中的离群点与小振幅点,点云数据简化处理子模块采用基于轮廓点提取的简化算法,能较好地提取出点云数据中能够表现出变形物体轮廓的数据点。
所述点云数据降噪处理子模块采用的算法为:首先将三维点云数据栅格化处理,将每个点都按设定的规则放入每个小栅格中,然后求取小删格的最大连通域,将不在连通域内的点作为离群点删除,此后对连通域内的剩余的点云数据建立K邻域,并使用最小二乘算法拟合出每个K邻域内所有点的最佳逼近平面π,计算出该K邻域内所有点到该平面的距离,取平均值,最后将该K邻域内所有点到平面π距离大于阈值T的点作为小振幅点删除,至此便完成了所有点云数据的降噪处理。
所述点云数据简化处理子模块采用的算法为:先读入点云数据,确定点云数据的最小包围盒;求出点云模型数据总量N和最小包围盒的体积V并初次栅格化点云模型;任意选取点P并对其进行K邻域搜索;根据点P及其K邻域拟合出最小二乘抛物面π2,求出P点的法向量和曲率,并求出P点与其K邻域内其点的法向量之差,将该值与给定的阈值进行比较以确定是否要删除该点;最后将剩余的点以相同的方式进行曲率差判断,进一步进行筛选,最后留下来的点即为轮廓点,即完成点云数据的简化过程。
进一步地,点云数据重构模块采用基于映射法的delaunay三角剖分算法,能构建出较高质量的三角网格,便于法向量的计算。先对点云数据进行分片处理获取种子点邻域内所有的点,后将种子点与种子点的法向量所确定的平面作为投影平面,然后将种子点邻域内所有的点投影到该平面上,并对该平面上的点进行三角剖分。
进一步地,车辆碰撞角度分析模块基于三角面片的法向量加权建立车辆碰撞角度解算模型。
本发明的优点是:数据采集模块采用三维激光扫描仪与数字摄像机相结合的点云数据采集方案可使得数据更加准确,并能完成图形的贴图处理;三维点云数据预处理模块能使冗余的、具有较多噪声的原始数据点进行简化处理,得到更适合于计算机处理、更准确的点云数据;点云数据重构模块对预处理后的数据进行三角剖分,重构出变形面;法向量解算模块可求解出三角剖分后每个小三角形的法向量;车辆碰撞角度分析模块基于法向量解算模块求解出的法向量,采用法向量加权的方法解算出车辆的碰撞角度。本发明能够分析交通事故中车车碰撞、车人碰撞、车物碰撞的大致的碰撞角度,为交通事故的形态分析提供思路。
附图说明
图1为本发明的系统结构框图。
图2为本发明点云数据去噪流程图。
图3为本发明点云数据简化流程图。
图4为本发明三角剖分及法向量求取过程流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
本发明首先提出一种基于三维重建技术的车辆碰撞角度分析系统,如图1所示,该系统包括数据采集模块10,用于快速采集交通事故现场碰撞车辆变形数据,数据采集传感器为三维激光扫描仪与数字照相机;三维点云数据预处理模块20,内置有三维点云数据降噪处理算法和简化处理算法,用于对数据采集模块10采集的数据进行预处理;点云数据重构模块30,用于对三维点云数据进行三角剖分,实现点云数据的重构,采用了基于映射法的delaunay三角剖分算法;法向量解算模块40,用于求解三角网格中每个小三角形的法向量;车辆碰撞角度分析模块50,用于分析主碰车或被碰车的碰撞角度。
具体来说,所述数据采集模块的数据采集传感器包括三维激光扫描仪101与数字照相机102,通过三维激光扫描仪101直接获取事故车辆的碰撞变形数据,通过数字照相机102拍摄的二维图像使用图像处理算法转化为三维点云数据,将三维激光扫描仪101获取的三维点云数据与数字照相机102图像数据转化而来的三维点云数据融合后统一输出三维点云数据。所谓融合,即对数字图像获取的三维点云数据与通过激光扫描仪获取的三维点云数据进行坐标变换,将其转化为同一个坐标系下的点,对于三维激光扫描数据空洞稀疏的地方,可由图像数据进行补充。
所述三维点云数据预处理模块包括点云数据降噪处理子模块201与点云数据简化处理子模块202,点云数据降噪处理子模块201采用基于最小二乘算法的分布降噪算法,能很好的去除点云数据中的离群点与小振幅点,点云数据简化处理子模块202采用基于轮廓点提取的简化算法,能较好地提取出点云数据中能够表现出变形物体轮廓的数据点。通过该模块的处理,能得到更适合于计算机处理、更准确的点云数据。
所述点云数据降噪处理子模块采用的算法的主要思路为:首先将三维点云数据栅格化处理,将每个点都按一定的规则放入每个小栅格中,然后求取小删格的最大连通域,将不在连通域内的点作为离群点删除,此后对连通域内的剩余的点云数据建立K邻域,并使用最小二乘算法拟合出每个K邻域内所有点的最佳逼近平面π,计算出该K邻域内所有点到该平面的距离,取平均值,最后将该K邻域内所有点到平面π距离大于阈值T的点作为小振幅点删除,至此便完成了所有点云数据的降噪处理。栅格化的规则可描述为:对于原始点云数据集P,找到其在X轴、Y轴、Z轴方向上的最大值Xmax、Ymax、Zmax与最小值Xmin、Ymin、Zmin。然后建立与坐标轴平行的最小包围盒:B=[Xmin,Xmax]×[Ymin,Ymax]×[Zmin,Zmax]。再根据点云的密集程度选取一个合适的小栅格边长,将包围盒分割成m×n×l个平行的小立方栅格。
如图2所示,上述数据降噪算法可描述为:
S1.1:导入点云数据;
S1.2:确定点云数据的最小包围盒;
S1.3:选择栅格因子,对点云数据进行栅格化处理;
S1.4:确定栅格化后点云数据的最大连通域,并删除连通域外的点;
S1.5:判断是否错误删除了有效点,若是,则重新调整S3中的栅格因子,若否,则从连通域中任意选择一个点P,并搜索其K邻域;
S1.6:获取P及其K邻域内所有点的最佳拟合平面π,并求出邻域内所有点到π的距离d;
S1.7:给定一个距离阈值T,若某点的d<T,则保留该点;若d>T,则将该点作为离群点删除;
S1.8:判断是否已完成P点K邻域内所有点的遍历搜索,若是,则降噪过程完成,若否,则重复步骤S1.5~S1.8。
所述点云数据简化处理子模块采用的算法的主要思路为:先读入点云数据,确定点云数据的最小包围盒;求出点云模型数据总量N和最小包围盒的体积V并初次栅格化点云模型;任意选取点P并对其进行K邻域搜索;根据点P及其K邻域拟合出最小二乘抛物面π2,求出P点的法向量和曲率,并求出P点与其K邻域内其点的法向量之差,将该值与给定的阈值进行比较以确定是否要删除该点;最后将剩余的点以相同的方式进行曲率差判断,进一步进行筛选,最后留下来的点即为轮廓点,即完成点云数据的简化过程。
如图3所示,上述数据简化算法可描述为:
S2.1:导入点云数据;
S2.2:确定点云数据的最小包围盒;
S2.3:对点云数据进行栅格化处理;
S2.4:任意选择一个点P,并搜索其K邻域;
S2.5:拟合P及其K阶领域内所有点的抛物面;
S2.6:求P及其K阶领域内所有点的法向量的平均值n,并求每点的法向量与该平均值的差ε;
S2.7:给定阈值ε’,并与ε的值进行比较;
S2.8:若ε<ε’,则将该点作为非特征点删除;
S2.9:若ε>ε’,则判断是否完成了K邻域内所有点的搜索,若否,则重新搜索K邻域内其他点,直到所有点完成搜索;
S2.10:对所有点进行曲率空间优化算法选择,完成对所有数据的简化过程,由于曲率空间优化算法过程与步骤S2.1~S2.9类似,故不作详述。
完成数据的预处理后,则开始对三维点云数据进行三角剖分,本发明中使用的算法为基于映射法的delaunay三角剖分算法,主要思路如下:首先使用基于区域增长法的点云分割方法对点云进行分片处理,首先从种子点开始,然后决定邻域的点是否能够与该种子点归于同一个分片中。判断的标准就是看邻域点的法向量n'与种子点的法向量n之间的夹角α是否低于一个限值θ。如果低于限值,则将该点加入到种子点的分片中,否则,不作任何处理。然后将分片后的点云投影到种子点与种子点的法向量确定的平面上,进行局部参数化以保证投影后的点能保持原有的距离特性,最后在该平面内采用delaunay剖分算法完成平面三角网的构建。
如图4所示,本发明的三角网格剖分与法向量计算过程可描述为:
S3.1:导入点云数据;
S3.2:获取每个点的三维坐标Xi,Yi,Zi,并将其堆栈至栈1;
S3.3:获取映射平面并对三维点云数据进行delaunay三角剖分,获取剖分结果tri;
S3.4:tri每一行的三个数据代表该三角形中三个顶点在栈1中的ID,获取每个三角形的ID并通过该ID在栈1中的位置,找出三角形每个顶点的三维坐标值,同时将这三个顶点堆栈至栈2;
S3.5:判断是否完成栈1中所有行的搜索,若未完成所有搜索,则将栈2的栈顶数据加1,继续搜索栈1中的其他行,重复步骤S3.4~S3.5;
S3.6:若已完成栈1中所有行的搜索,则从栈2中任意选择出一个三角形,并求取该三角形的外心,同时求取该三角形的法向量;
S3.7:判断是否完成栈2中所有三角形的搜索,若未完成,则继续搜索栈2中三角形,重复步骤S3.6~S3.7;
S3.8:若完成栈2中所有三角形的搜索,则开始对求解法向量与碰撞角度之间的数学模型。使用的方法为法向量加权求和,每个法向量的权重为该三角面片的变形量,变形量为三角面碰撞前后的位置偏移量,数学模型如下式描述:
式中,θ为单刚体碰撞面的碰撞角度,εi为第i个三角面的变形量,为第i个三角面的法向量,n是法向量数量。
Claims (7)
1.基于三维重建技术的车辆碰撞角度分析系统,其特征在于,包括依次连接的数据采集模块(10)、三维点云数据预处理模块(20)、点云数据重构模块(30)、法向量解算模块(40)和车辆碰撞角度分析模块(50),
所述数据采集模块(10)用于快速采集交通事故现场碰撞车辆变形数据,输出三维点云数据;
所述三维点云数据预处理模块(20)用于对数据采集模块(10)采集的数据进行降噪处理和简化处理;
所述点云数据重构模块(30)用于对三维点云数据进行三角剖分,实现点云数据的重构,构建出平面三角网格;
所述法向量解算模块(40)用于求解三角网格中每个小三角形的法向量,并用该三角形的外心位置的法向量代替该三角形的法向量;
所述车辆碰撞角度分析模块(50)计算三角网格中所有三角形的法向量,采用法向量加权的方法获取车辆的碰撞角度;
其中,所述数据采集模块(10)的数据采集传感器包括三维激光扫描仪(101)与数字照相机(102),通过三维激光扫描仪(101)直接获取事故车辆的碰撞变形数据,通过数字照相机(102)拍摄的二维图像使用图像处理算法转化为三维点云数据,将三维激光扫描仪(101)获取的三维点云数据与数字照相机(102)图像数据转化而来的三维点云数据融合后统一输出三维点云数据。
2.如权利要求1所述的基于三维重建技术的车辆碰撞角度分析系统,其特征在于:所述三维点云数据预处理模块(20)包括点云数据降噪处理子模块(201)与点云数据简化处理子模块(202),点云数据降噪处理子模块(201)采用基于最小二乘算法的分布降噪算法,去除点云数据中的离群点与小振幅点;点云数据简化处理子模块(202)采用基于轮廓点提取的简化算法,提取出点云数据中能够表现出变形物体轮廓的数据点。
3.如权利要求2所述的基于三维重建技术的车辆碰撞角度分析系统,其特征在于:所述点云数据降噪处理子模块(201)的处理方法为:首先将三维点云数据栅格化处理,将每个点都按设定的规则放入每个小栅格中,然后求取小删格的最大连通域,将不在连通域内的点作为离群点删除,此后对连通域内的剩余的点云数据建立K邻域,并使用最小二乘算法拟合出每个K邻域内所有点的最佳逼近平面π,计算出该K邻域内所有点到该平面的距离,取平均值,最后将该K邻域内所有点到平面π距离大于阈值T的点作为小振幅点删除,至此便完成了所有点云数据的降噪处理。
4.如权利要求2所述的基于三维重建技术的车辆碰撞角度分析系统,其特征在于:所述点云数据简化处理子模块(202)的处理方法为:先读入点云数据,确定点云数据的最小包围盒;求出点云模型数据总量N和最小包围盒的体积V并初次栅格化点云模型;任意选取点P并对其进行K邻域搜索;根据点P及其K邻域拟合出最小二乘抛物面π2,求出P点的法向量和曲率,并求出P点与其K邻域内其点的法向量之差,将该值与给定的阈值进行比较以确定是否要删除该点;最后将剩余的点以相同的方式进行曲率差判断,进一步进行筛选,最后留下来的点即为轮廓点,即完成点云数据的简化过程。
5.如权利要求1所述的基于三维重建技术的车辆碰撞角度分析系统,其特征在于:所述点云数据重构模块(30)采用基于映射法的delaunay三角剖分算法,构建出三角网格。
6.如权利要求5所述的基于三维重建技术的车辆碰撞角度分析系统,其特征在于:所述基于映射法的delaunay三角剖分算法,先对点云数据进行分片处理获取种子点邻域内所有的点,后将种子点与种子点的法向量所确定的平面作为投影平面,然后将种子点邻域内所有的点投影到该平面上,并对该平面上的点进行三角剖分。
7.如权利要求1所述的基于三维重建技术的车辆碰撞角度分析系统,其特征在于:所述车辆碰撞角度分析模块(50)基于三角面片的法向量加权建立车辆碰撞角度解算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510817703.8A CN105389849B (zh) | 2015-11-23 | 2015-11-23 | 基于三维重建技术的车辆碰撞角度分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510817703.8A CN105389849B (zh) | 2015-11-23 | 2015-11-23 | 基于三维重建技术的车辆碰撞角度分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389849A CN105389849A (zh) | 2016-03-09 |
CN105389849B true CN105389849B (zh) | 2018-06-05 |
Family
ID=55422097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510817703.8A Active CN105389849B (zh) | 2015-11-23 | 2015-11-23 | 基于三维重建技术的车辆碰撞角度分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389849B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844700A (zh) * | 2016-03-14 | 2016-08-10 | 南京大学 | 一种室外场景三维点云采集系统 |
CN106404161B (zh) * | 2016-08-19 | 2021-01-22 | 康威通信技术股份有限公司 | 一种对隧道施工振动位置精确定位的计算方法 |
CN106932271B (zh) * | 2017-03-10 | 2019-05-28 | 厦门大学 | 一种基于逆向工程的球压试验压痕尺寸测量方法 |
CN107576266B (zh) * | 2017-08-11 | 2020-05-12 | 广西公安计算机通讯技术研究所 | 基于点云高度投影快速自动生成路面和车辆现场要素的方法 |
CN108489513B (zh) * | 2018-03-13 | 2020-08-28 | 北京麦格天宝科技股份有限公司 | 用于地下空间扫描点云方位校准系统及方法 |
CN109190170A (zh) * | 2018-08-02 | 2019-01-11 | 哈尔滨工程大学 | 一种基于云模型理论的船舶碰撞危险度建模方法 |
CN110058211B (zh) * | 2019-03-21 | 2021-10-26 | 北京申信达成科技有限公司 | 一种车载LiDAR测量系统检校初值的获取方法及装置 |
CN112446958B (zh) * | 2020-11-13 | 2023-07-28 | 山东产研信息与人工智能融合研究院有限公司 | 基于激光点云的道路交通事故辅助处理方法及系统 |
CN113866743B (zh) * | 2021-12-06 | 2022-03-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种用于车路协同感知的路侧激光点云精简方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101173856A (zh) * | 2007-08-30 | 2008-05-07 | 上海交通大学 | 基于摄影测量与车身外轮廓变形的汽车碰撞事故再现方法 |
CN104809759A (zh) * | 2015-04-03 | 2015-07-29 | 哈尔滨工业大学深圳研究生院 | 基于小型无人直升机的大面积非结构化场景三维建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101547288B1 (ko) * | 2014-03-31 | 2015-08-25 | 삼인정보시스템(주) | 포인트 클라우드 데이터를 이용한 충돌 검사 시스템 및 방법 |
-
2015
- 2015-11-23 CN CN201510817703.8A patent/CN105389849B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101173856A (zh) * | 2007-08-30 | 2008-05-07 | 上海交通大学 | 基于摄影测量与车身外轮廓变形的汽车碰撞事故再现方法 |
CN104809759A (zh) * | 2015-04-03 | 2015-07-29 | 哈尔滨工业大学深圳研究生院 | 基于小型无人直升机的大面积非结构化场景三维建模方法 |
Non-Patent Citations (3)
Title |
---|
Research on the influences of input parameters on the result of vehicles collision simulation;BOGDANOVIC V 等;《Promet-Traffic & Transportation》;20121231;第243-251页 * |
基于改进DBSCAN算法的激光雷达目标物检测方法;黄钢 等;《交通信息与安全》;20150331;第33卷(第3期);第23-28页 * |
基于车路协同的行人车辆碰撞风险识别与决策方法;吕能超 等;《中国安全科学学报》;20150131;第25卷(第1期);第60-66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105389849A (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389849B (zh) | 基于三维重建技术的车辆碰撞角度分析系统 | |
CN108090960B (zh) | 一种基于几何约束的目标重建方法 | |
CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
CN107392875A (zh) | 一种基于k近邻域划分的点云数据去噪方法 | |
CN110009727A (zh) | 一种具有结构语义的室内三维模型自动重构方法及系统 | |
CN105160702B (zh) | 基于LiDAR点云辅助的立体影像密集匹配方法及系统 | |
CN105184250B (zh) | 一种电力走廊机载LiDAR点云数据的地物分类方法 | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN105260737A (zh) | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 | |
CN103106632B (zh) | 一种基于均值漂移的不同精度三维点云数据的融合方法 | |
CN105606150A (zh) | 一种基于线结构光和地质雷达的道路综合检测方法及系统 | |
CN105761312A (zh) | 一种微地形表面重建方法 | |
CN104864819A (zh) | 一种基于数字散斑的高速三维应变测量方法 | |
CN108898676A (zh) | 一种虚实物体之间碰撞及遮挡检测方法及系统 | |
CN104346608A (zh) | 稀疏深度图稠密化方法和装置 | |
CN110009743A (zh) | 一种场景理解的网格曲面重建方法 | |
CN114066960B (zh) | 三维重建方法、点云融合方法、装置、设备及存储介质 | |
CN108107462A (zh) | Rtk与高速相机组合的交通标志杆姿态监测装置及方法 | |
CN105388476A (zh) | 一种基于联合稀疏模型的层析sar成像方法 | |
CN105913444A (zh) | 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 | |
CN110009671A (zh) | 一种场景理解的网格曲面重建系统 | |
Wang et al. | UAV photogrammetry and AFSA-Elman neural network in slopes displacement monitoring and forecasting | |
CN107146223B (zh) | 一种输电塔及输电线位移耦合的分析系统及方法 | |
CN116563466A (zh) | 一种基于深度学习的三维单木点云的补全方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |