CN107123134A - 一种基于特征的危岩体滑坡监测方法 - Google Patents

一种基于特征的危岩体滑坡监测方法 Download PDF

Info

Publication number
CN107123134A
CN107123134A CN201710302850.0A CN201710302850A CN107123134A CN 107123134 A CN107123134 A CN 107123134A CN 201710302850 A CN201710302850 A CN 201710302850A CN 107123134 A CN107123134 A CN 107123134A
Authority
CN
China
Prior art keywords
cloud data
point cloud
mrow
cylinder
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.)
Pending
Application number
CN201710302850.0A
Other languages
English (en)
Inventor
隋立春
朱海雄
鲁凯翔
方程喜
安瑶军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201710302850.0A priority Critical patent/CN107123134A/zh
Publication of CN107123134A publication Critical patent/CN107123134A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种基于特征的危岩体滑坡监测方法，涉及危岩体滑坡技术领域。该方法包括：采用局部曲面拟合法，确定参考点云数据的表面法线；以参考点云数据中的点为圆柱体底面圆的圆心，以参考点云数据的表面法线方向为圆柱体的轴，以及根据半径和轴长，确定圆柱体；将圆柱体内比较点云数据投影到圆柱体的轴上，通过计算投影点的平均位置，确定圆柱体内比较点云数据的重心点；通过计算参考点云数据中的点与圆柱体内比较点云数据的重心点之间的距离，确定比较点云数据相对于参考点云数据的形变量，从而确定危岩体滑坡运动趋势。本发明提出了一种基于点云的快速比较算法，不受环境限制，可以获取三维变形量，算法结构简便，数据处理效率高。

Description

一种基于特征的危岩体滑坡监测方法
技术领域
本发明涉及危岩体滑坡技术领域，更具体的涉及一种基于特征的危岩体滑坡监测方法。
背景技术
近年来，地质内部活动日益加剧，特别是在地质条件复杂的区域，危岩体崩塌造成的滑坡对人类生命财产安全和社会经济发展带来的影响和危害更为严重。
目前滑坡的监测方案繁多，如GPS监测技术，D-InSAR监测技术，DEM作差法等，普遍通过仪器采集研究对象的原始数据，结合相应的数据处理方法提取危岩体表面变形信息，这些方案虽然都能完成滑坡监测，但应用范围存在一定局限性。对于地形险峻的高陡边坡，往往无法布设长期稳定的GPS监测站；而D-InSAR技术适用于沿高程方向发生变形的滑坡，而危岩体滑坡在X/Y/Z方向均存在微小变形；且由于植被对GPS和D-InSAR信号的遮挡，会影响后续数据的处理精度；DEM作差法需要建立DEM模型，而点云建模的过程很复杂，且DEM方法只能获得沿高程方向的变形量，其处理效率低。
综上所述，现有技术中的危岩体滑坡监测方法，存在采用DEM作差法监测危岩体滑坡效率低的问题。
发明内容
本发明实施例提供一种基于特征的危岩体滑坡监测方法，用以解决现有技术中存在采用DEM作差法监测危岩体滑坡效率低的问题。
本发明实施例提供一种基于特征的危岩体滑坡监测方法，包括：
采用三维激光扫描仪，获取危岩体滑坡表面两期点云数据；其中，两期点云数据包括参考点云数据和比较点云数据；
对两期点云数据分别进行滤波去噪和降采样处理，以及通过最小二乘3D表面匹配方法对两期点云数据分别进行配准处理；
采用局部曲面拟合法，确定参考点云数据的表面法线；
以参考点云数据中的点为圆柱体底面圆的圆心，以参考点云数据的表面法线方向为圆柱体的轴，以及根据半径和轴长，确定圆柱体；将圆柱体内比较点云数据投影到圆柱体的轴上，通过计算投影点的平均位置，确定圆柱体内比较点云数据的重心点；通过计算参考点云数据中的点与圆柱体内比较点云数据的重心点之间的距离，确定比较点云数据相对于参考点云数据的形变量；
根据比较点云数据相对于参考点云数据的形变量、平均形变量、标准变差和均方根误差，确定危岩体滑坡表面形变量分布图；
根据危岩体滑坡表面形变量分布图，确定危岩体滑坡运动趋势。
较佳地，所述采用局部曲面拟合法，确定参考点云数据的表面法线；包括：
对参考点云数据中的点i进行k邻域搜索，依据最小二乘准则，通过公式(1)，确定点i的切平面；
根据点i的切平面，通过公式(2)，确定点i法线的协方差矩阵；
根据点i法线的协方差矩阵，通过公式(3)，确定最小特征值对应的特征向量为点i法线向量；
所述公式(1)如下所示：
其中，n为切平面P的法线向量，d为切平面P到点i的距离，argmin表示目标函数取最小值时的变量值，k是邻近点pi的数目；
所述公式(2)如下所示：
其中，为质心；
所述公式(3)如下所示：
λj为第j个特征值，υj为第j特征向量。
本发明实施例中，提供一种基于特征的危岩体滑坡监测方法，与现有技术相比，其有益效果如下：本发明提出一种基于点云的快速比较算法，不受环境限制，可以获取三维变形量，克服了模型作差法因生成表面模型严重影响计算速率，最近点法是选取距离参考点云中最近点作为距离计算对象，本发明通过计算区域重心的方法优化了最近点法选点的过程，这样不仅提供了计算效率，在一定程度上保证结果的可靠性。本发明算法结构简便，数据处理效率高；可获取微小的表面三维变形信息；可扩展性强。
附图说明
图1为本发明实施例提供的一种基于特征的危岩体滑坡监测方法流程图；
图2为本发明实施例提供的法线估计原理结构示意图；
图3为本发明实施例提供的形变量计算原理结构示意图。
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、完整地描述，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做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。
高陡危岩体滑坡位于地势险峻的山区。其最大的特点是表面与水平方向呈90度立体表面，随时有崩塌的可能，这样常规全站仪和GPS等测量仪器一方面无法保障测量员的人身安全，另一方面布设的控制点不能长期有效保存下去。非接触就能快速获取岩体表面高分辨率点云数据正是三维激光扫描技术的优点之一，该技术能够检测到毫米级的变形信息，在保证监测精度的同时，弥补了GPS技术获取变形资料的片面性。现有的点云数据比较方法主要有模型作差法，最近点法。本专利提出一种基于点云的快速比较算法，克服了模型作差法因生成表面模型严重影响计算速率，最近点法是选取距离参考点云中最近点作为距离计算对象，本专利通过计算区域重心的方法优化了最近点法选点的过程，这样不仅提供了计算效率，在一定程度上保证结果的可靠性。
图1为本发明实施例提供的一种基于特征的危岩体滑坡监测方法流程图。如图1所示，该方法包括：
步骤S1，采用三维激光扫描仪，获取危岩体滑坡表面两期点云数据；其中，两期点云数据包括参考点云数据和比较点云数据。
需要说明的是，本发明实施例中的两期点云数据是指在2012年10月扫描得到的点云数据和2013年5月扫描得到的点云数据，其中第一期数据即2012年10月的点云，称为参考点云，第二期数据即2013年5月的点云，称为比较点云。由于整个危岩体的一期数据往往那个包含几百万个点，数据庞大，所以我们进行降采样，按照一定的间隔简化点云，这样提高了后续数据的处理效率。LS3D配准即最小二乘三维曲面匹配配准方法，该方法的思想是计算两个曲面之间的欧式距离，然后以最小二乘的方法使距离平方和最小，实现点云配准。因为两期点云数据不在同一坐标系下，配准就是要将两期数据的参考系统一，这样后期的比较才有意义。LS3D--Least Squares3D surface matcing--最小二乘3D表面匹配。
需要说明的是，本发明选择三维激光扫描仪采集原始数据，克服了滑坡监测的环境因素，其不受研究对象空间几何结构的约束(危岩体滑坡与地面倾角约90度)，不需要布设控制点，避免了传统GPS监测方法采集数据量不足的缺点，这样就能非接触获取研究区的大范围数据，为变形监测提供坚实的数据基础。
步骤S2，对两期点云数据分别进行滤波去噪和降采样处理，以及通过最小二乘3D表面匹配方法对两期点云数据分别进行配准处理。
需要说明的是，为了提高点云数据的处理效率，首先对数据进行滤波和去噪，即删除无关植被点和噪声点，然后对点云数据进行降采样，这样提高了数据质量，方便组织与管理。
需要说明的是，通过LS3D方法实现两期点云数据的配准。这样解决了在高陡危岩体条件下无法布设标靶，也能完成多期数据的配准工作。
步骤S3，采用局部曲面拟合法，确定参考点云数据的表面法线。
图2为本发明实施例提供的法线估计原理结构示意图。如图2所示，对于步骤S3，采用局部曲面拟合法，确定参考点云数据的表面法线的具体过程如下所示：
a、对参考点云数据中的点i进行k邻域搜索，依据最小二乘准则，通过公式(1)，确定点i的切平面。
公式(1)如下所示：
其中，n为切平面P的法线向量，d为切平面P到点i的距离，argmin表示目标函数取最小值时的变量值，k是邻近点pi的数目。
b、根据点i的切平面，通过公式(2)，确定点i法线的协方差矩阵。
公式(2)如下所示：
其中，为质心。
c、根据点i法线的协方差矩阵，通过公式(3)，确定最小特征值对应的特征向量为点i法线向量。
公式(3)如下所示：
λj为第j个特征值，υj为第j特征向量。
需要说明的是，点云由很多点构成，实际上是估计每个点的法线，因为直接求取一点处的法线是不实际的，我们通过该点邻域内的一些点(如，以该点为圆心，r为半径的球体内的点)来计算法线。点云中每个点处法线的估计是通过该点邻域范围内的点拟合一个平面(最小二乘平面)，要直接根据最小二乘法则求取这个平面的方程的过程是复杂的，我们根据公式3计算协方差矩阵C的最小特征值，这个最小特征值对应得特征向量就是该点出最小二乘平面的法线，即该点处的法向量。直接表达就是先根据邻域点计算出协方差矩阵C，然后求矩阵C的特征值，取最小特征值对应的特征向量最为法向量。
需要说明的是，在实际计算法线时我们选取以某一点i为圆心，D/2为半径的圆内点为邻域点计算法线。通过计算可得，N个点的质心在平面P上，因此估计点云法线的问题转化为分析一个协方差矩阵的特征值和特征向量的问题，这个协方差矩阵由搜索的k邻近元素构建。
步骤S4，以参考点云数据中的点为圆柱体底面圆的圆心，以参考点云数据的表面法线方向为圆柱体的轴，以及根据半径和轴长，确定圆柱体；将圆柱体内比较点云数据投影到圆柱体的轴上，通过计算投影点的平均位置，确定圆柱体内比较点云数据的重心点；通过计算参考点云数据中的点与圆柱体内比较点云数据的重心点之间的距离，确定比较点云数据相对于参考点云数据的形变量。
需要说明的是，建立点云的八叉树索引，在此基础上进行圆柱体检索，提取区域点云重心点，最后计算圆柱体内区域重心点之间的距离作为变形量。这中算法不需建立表面模型即可两期数据沿三维方向上的变形量，极大的提高传统模型作差法的效率。
图3为本发明实施例提供的形变量计算原理结构示意图。
需要说明的是，如图3所示，对于参考点云中的一个点i(X,Y,Z),计算该点处的法线量N，以此法向量作为形变量的方向基准；然后以N方向为检索圆柱体的轴，给定圆柱体地面半径d/2。搜索出在该圆柱体内的两部分点集，分别计算两部分点集的中心i1，i2，最后求i1，i2之间距离，即该点处的形变量。其中，两部分点集分别圆柱体内包含的参考点云和比较点云。因为圆柱体是以参考点云中每一个点和其法向量确定的，确定之后在圆柱体内搜索求取比较点云的重心点。
需要说明的是，在计算变形量时需要设置四个参数，分别是采样间隔s，估计法线的半径r，圆柱体的地面半径R，和圆柱体的轴长D.实验时我们选取的参数为(s＝0.15m，r＝0.5m，R＝0.5m，D＝1m)。
步骤S5，根据比较点云数据相对于参考点云数据的形变量、平均形变量、标准变差和均方根误差，确定危岩体滑坡表面形变量分布图。
需要说明的是，在计算出每个点的变形量后，可得到这部分危岩体表面的平均变形量及标准偏差和均方根误差。
步骤S6，根据危岩体滑坡表面形变量分布图，确定危岩体滑坡运动趋势。
需要说明的是，监测的目的是为了发现在监测周期内这部分危岩体有没有发生变化，我们得到的形变量分布图是表示比较点云中的每一个点相对于参考点云中的点的形变量，需要说明的是若形变量大于0则说明2013年的点云相对于2012年有向外运动的趋势，反之，若形变量小于0，则说明2013年的点云相对于2012年的点云有朝内运动的趋势，且每个点上变形方向不都相同，反应的只是整个危岩体一种运动趋势。若发生向外运动的趋势那么说明该部分岩体有很大可能会滑落。
以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种基于特征的危岩体滑坡监测方法，其特征在于，包括：
采用三维激光扫描仪，获取危岩体滑坡表面两期点云数据；其中，两期点云数据包括参考点云数据和比较点云数据；
对两期点云数据分别进行滤波去噪和降采样处理，以及通过最小二乘3D表面匹配方法对两期点云数据分别进行配准处理；
采用局部曲面拟合法，确定参考点云数据的表面法线；
以参考点云数据中的点为圆柱体底面圆的圆心，以参考点云数据的表面法线方向为圆柱体的轴，以及根据半径和轴长，确定圆柱体；将圆柱体内比较点云数据投影到圆柱体的轴上，通过计算投影点的平均位置，确定圆柱体内比较点云数据的重心点；通过计算参考点云数据中的点与圆柱体内比较点云数据的重心点之间的距离，确定比较点云数据相对于参考点云数据的形变量；
根据比较点云数据相对于参考点云数据的形变量、平均形变量、标准变差和均方根误差，确定危岩体滑坡表面形变量分布图；
根据危岩体滑坡表面形变量分布图，确定危岩体滑坡运动趋势。
2.如权利要求1所述的基于特征的危岩体滑坡监测方法，其特征在于，所述采用局部曲面拟合法，确定参考点云数据的表面法线；包括：
对参考点云数据中的点i进行k邻域搜索，依据最小二乘准则，通过公式(1)，确定点i的切平面；
根据点i的切平面，通过公式(2)，确定点i法线的协方差矩阵；
根据点i法线的协方差矩阵，通过公式(3)，确定最小特征值对应的特征向量为点i法线向量；
所述公式(1)如下所示：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>,</mo> <mi>d</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>argmin</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msup> <mrow> <mo>(</mo> <mi>n</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>d</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中，n为切平面P的法线向量，d为切平面P到点i的距离，argmin表示目标函数取最小值时的变量值，k是邻近点pi的数目；
所述公式(2)如下所示：
<mrow> <mi>C</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>k</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>p</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>p</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mi>T</mi> </msup> </mrow>
其中，为质心；
所述公式(3)如下所示：
<mrow> <mi>C</mi> <mo>&amp;CenterDot;</mo> <mover> <msub> <mi>&amp;upsi;</mi> <mi>j</mi> </msub> <mo>&amp;RightArrow;</mo> </mover> <mo>=</mo> <msub> <mi>&amp;lambda;</mi> <mi>j</mi> </msub> <mover> <msub> <mi>&amp;upsi;</mi> <mi>j</mi> </msub> <mo>&amp;RightArrow;</mo> </mover> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>}</mo> </mrow>
λj为第j个特征值，υj为第j特征向量。
CN201710302850.0A 2017-05-03 2017-05-03 一种基于特征的危岩体滑坡监测方法 Pending CN107123134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710302850.0A CN107123134A (zh) 2017-05-03 2017-05-03 一种基于特征的危岩体滑坡监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710302850.0A CN107123134A (zh) 2017-05-03 2017-05-03 一种基于特征的危岩体滑坡监测方法

Publications (1)

Publication Number Publication Date
CN107123134A true CN107123134A (zh) 2017-09-01

Family

ID=59728007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710302850.0A Pending CN107123134A (zh) 2017-05-03 2017-05-03 一种基于特征的危岩体滑坡监测方法

Country Status (1)

Country Link
CN (1) CN107123134A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108253925A (zh) * 2018-01-08 2018-07-06 中煤科工集团武汉设计研究院有限公司 一种基于点云剖面的隧道变形监测方法、设备及存储设备
CN108663029A (zh) * 2018-02-01 2018-10-16 深圳市建设综合勘察设计院有限公司 一种获取水下圆柱形基桩信息的方法、存储介质及终端
CN109341811A (zh) * 2018-10-23 2019-02-15 成都理工大学 一种滑坡监测方法
CN109658431A (zh) * 2018-12-26 2019-04-19 中国科学院大学 基于区域生长的岩体点云平面提取方法
CN110232683A (zh) * 2019-06-10 2019-09-13 北京工业大学 一种基于无人机点云的滑坡检测方法
CN110425995A (zh) * 2019-08-30 2019-11-08 四川大学 一种基于点云平均域矢量算法的滑坡变形监测方法
CN110969169A (zh) * 2019-12-03 2020-04-07 南京林业大学 一种基于点云数据的面变形信息提取方法
CN111178214A (zh) * 2019-12-23 2020-05-19 天津大学 一种基于无人机摄影技术的高陡边坡危岩体快速识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246595A (zh) * 2008-02-01 2008-08-20 黑龙江科技学院 光学三维扫描系统中多视点云数据拼合方法
CN101770027A (zh) * 2010-02-05 2010-07-07 河海大学 基于InSAR与GPS数据融合的地表三维形变监测方法
CN102607447A (zh) * 2012-03-08 2012-07-25 北京北科安地科技发展有限公司 一种利用地面型三维激光扫描仪快速监测形变的方法
CN102721370A (zh) * 2012-06-18 2012-10-10 南昌航空大学 基于计算机视觉的山体滑坡实时监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246595A (zh) * 2008-02-01 2008-08-20 黑龙江科技学院 光学三维扫描系统中多视点云数据拼合方法
CN101770027A (zh) * 2010-02-05 2010-07-07 河海大学 基于InSAR与GPS数据融合的地表三维形变监测方法
CN102607447A (zh) * 2012-03-08 2012-07-25 北京北科安地科技发展有限公司 一种利用地面型三维激光扫描仪快速监测形变的方法
CN102721370A (zh) * 2012-06-18 2012-10-10 南昌航空大学 基于计算机视觉的山体滑坡实时监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
褚宏亮等: "大型崩滑灾害变形三维激光扫描监测技术研究", 《水文地质工程地质》 *
鲁凯翔: "基于法向量的点云比较用于危岩变形监测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108253925A (zh) * 2018-01-08 2018-07-06 中煤科工集团武汉设计研究院有限公司 一种基于点云剖面的隧道变形监测方法、设备及存储设备
CN108663029A (zh) * 2018-02-01 2018-10-16 深圳市建设综合勘察设计院有限公司 一种获取水下圆柱形基桩信息的方法、存储介质及终端
CN108663029B (zh) * 2018-02-01 2021-04-06 深圳市建设综合勘察设计院有限公司 一种获取水下圆柱形基桩信息的方法、存储介质及终端
CN109341811B (zh) * 2018-10-23 2020-07-03 成都理工大学 一种滑坡监测方法
CN109341811A (zh) * 2018-10-23 2019-02-15 成都理工大学 一种滑坡监测方法
CN109658431A (zh) * 2018-12-26 2019-04-19 中国科学院大学 基于区域生长的岩体点云平面提取方法
CN109658431B (zh) * 2018-12-26 2023-07-14 中国科学院大学 基于区域生长的岩体点云平面提取方法
CN110232683A (zh) * 2019-06-10 2019-09-13 北京工业大学 一种基于无人机点云的滑坡检测方法
CN110425995A (zh) * 2019-08-30 2019-11-08 四川大学 一种基于点云平均域矢量算法的滑坡变形监测方法
CN110969169A (zh) * 2019-12-03 2020-04-07 南京林业大学 一种基于点云数据的面变形信息提取方法
CN110969169B (zh) * 2019-12-03 2023-05-02 南京林业大学 一种基于点云数据的面变形信息提取方法
CN111178214A (zh) * 2019-12-23 2020-05-19 天津大学 一种基于无人机摄影技术的高陡边坡危岩体快速识别方法
CN111178214B (zh) * 2019-12-23 2023-04-18 天津大学 一种基于无人机摄影技术的高陡边坡危岩体快速识别方法

Similar Documents

Publication Publication Date Title
CN107123134A (zh) 一种基于特征的危岩体滑坡监测方法
Zeybek et al. Point cloud filtering on UAV based point cloud
CN107038717B (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
Tan et al. Comparative analysis of spatial interpolation methods: an experimental study
CN108896040B (zh) 天空海一体化水下潜器惯性/重力组合导航方法和系统
CN110081888A (zh) 一种基于可信度的惯导和地磁融合的室内定位算法
CN103379619A (zh) 一种定位方法和系统
CN109100719B (zh) 基于星载sar影像与光学影像的地形图联合测图方法
CN109544691B (zh) 自动融合多源异构水深数据构建高分辨率dbm的mf方法
CN112882032B (zh) 一种燃气管道重点区域地质灾害sar动态监测方法及装置
CN109658477A (zh) 一种基于lidar数据的dem生成算法
CN115877421A (zh) 一种输电通道地质敏感区的形变检测方法及装置
CN115390082A (zh) 一种基于虚拟描述符的全局定位方法及其系统
Javanmardi et al. Autonomous vehicle self-localization based on probabilistic planar surface map and multi-channel LiDAR in urban area
CN113900069B (zh) 一种基于干涉成像高度计的垂线偏差计算方法及其系统
Tong et al. Estimating geometric parameters of highways and railways using least-squares adjustment
CN116879917A (zh) 一种激光雷达地形匹配辅助导航方法及系统
CN116452764A (zh) 一种融合地形信息的机载激光雷达点云分级抽稀方法
Gong et al. Active Suspension Control Based on Estimated Road Class for Off‐Road Vehicle
Noh et al. Applications of high-resolution, cross-track, pushbroom satellite images with the SETSM algorithm
Huang et al. Research on lidar slam method with fused point cloud intensity information
Song et al. MF-LIO: integrating multi-feature LiDAR inertial odometry with FPFH loop closure in SLAM
Kang et al. Recovering an elevation map by stereo modeling of the aerial image sequence
CN113029166B (zh) 定位方法、装置、电子设备及存储介质
ABDULRAHMAN et al. A Comparison Between Interpolation Methods For More Accurate Elevation Surface Using Gnss And Gis

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170901