CN109215112B - 一种单侧点云模型的标注方法 - Google Patents
一种单侧点云模型的标注方法 Download PDFInfo
- Publication number
- CN109215112B CN109215112B CN201810916372.7A CN201810916372A CN109215112B CN 109215112 B CN109215112 B CN 109215112B CN 201810916372 A CN201810916372 A CN 201810916372A CN 109215112 B CN109215112 B CN 109215112B
- Authority
- CN
- China
- Prior art keywords
- model
- point cloud
- cell
- cloud model
- projection
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明一种单侧点云模型的标注方法,具体按照将点云模型进行场景划分,并构建基于八叉树的分格模型,然后将每个分格模型进行粗标注,再将每个分格模型进行细标注的方法进行。本发明一种单侧点云模型的标注方法,使用改进区域增长算法对点云模型进行标注,能够清晰的划分网格边界,同时解决现有的像素级标注方法中二义性的标注问题。
Description
技术领域
本发明属于计算机图形学和虚拟现实相结合的交叉学科技术领域,涉及一种单侧点云模型的标注方法,具体的涉及一种单视点下测量的单侧点云模型标注方法。
背景技术
因为实测得到的点云数据具有数据量庞大、噪声点多、分布不规则的缺点,这些缺点会使得计算机视觉方面的研究和应用存在巨大的困难,因此需要对原始的实测点云模型进行如去噪、配准、分割、标注、识别等预处理来提高后续研究的精确度和降低处理的难度。
在计算机视觉领域,点云模型的标注问题一直是备受关注的研究课题。根据视觉层次的不同,场景标注可以划分为低层、中层和高层视觉标注。根据标注任务的性质和目标的不同,可将场景标注划分为全局场景标注、特定区域标注以及像素级标注。在实际应用中,需要将低层、中层和高层视觉标注技术结合使用来完成不同的标注任务。
全局场景标注是对整个场景全部的环境进行标注,目标是全局的标注,也称作场景归类,目标结果是描述全局的含义。早期,全局场景标注只是将场景数据区分为室内、室外两种场景,并进行标记。随着研究的深入,提取全局特征描述因子成为最常用的场景全局标注技术手段。
基于全局场景标注方法能够很好的获得整个场景的全部环境,可以迅速展现出一个全局的场景。但是,对于判断某几类物体是否在环境中,其检测结果存在不稳定性。
特定区域标注的主要目的是为了查找、跟踪和定位。主要的工作任务是在场景数据中,判断某几类物体是否在环境中出现和目标物体是否存在场景之中,并标注相应的特定区域。基于特定区域标注能够在场景中准确地查找到目标物体,并对它进行跟踪,已经广泛应用于道路上行人、车辆的检测,室外场景中危险源的检测。但是,在设计模型算法中,仍然对识别率和效率上需要进行改进。
像素级标注是一种更加精细的标注形式和技术,它的任务主要是针对在场景中查找特定物体,一般采用包围盒模型等方法。但是对于面积广阔、形变强的室外场景、区域或者物体,其标注效果往往不尽理想。主要由于在场景数据中,标注的目标过于分散、目标的边界比较模糊、噪声点多,使用特定区域的标注方法难以清晰的划分出各个部分的边界,会对部分标注区域重复定义,产生二义性的标注问题。
发明内容
本发明的目的是提供一种单侧点云模型的标注方法,能够清晰地划分网格的边界。
本发明所采用的技术方案是,一种单侧点云模型的标注方法,具体按照下述方法进行:
将点云模型进行场景划分,并构建基于八叉树的分格模型,然后将每个分格模型进行粗标注,再将每个分格模型进行细标注。
本发明的特点还在于:
具体按照下述方法进行:
步骤1,点云模型场景划分
将点云模型进行场景划分,并构建基于八叉树的分格模型;
步骤2,粗标注
使用霍夫变换检测每个分格模型中的所有平面,选取重心值最小的平面作为地面并标记,然后将每个分格模型进行初步分类标注;
步骤3,细标注
计算每个分格模型中的点云的投影密度,并根据每个分格模型中的点云的投影密度进行优化和修正标注。
步骤1中使用下述步骤点云模型进行场景划分,并构建基于八叉树的分格模型:
步骤1.1,计算点云模型的协方差矩阵、特征值、特征向量,然后根据主成分分析法得到点云模型的整体走势;
步骤1.2,获取点云模型的最小包围盒;
步骤1.3,将点云模型进行基于八叉树的场景划分,构建基于八叉树的分格模型,计算每一分格模型的六个邻域的分格模型并保存。
步骤1.1中,具体按照下述方法计算点云模型的协方差矩阵、特征值、特征向量:
步骤1.1.1,将点云模型中的每个数据点的坐标作为该数据点的三个维度,则点云模型的三维矩阵为:
其中,x、y、z表示每个数据点的坐标,n为数据点的个数;
步骤1.1.2,将点云模型的三维矩阵通过协方差计算公式,得到协方差矩阵:
步骤1.1.3,将协方差矩阵对角化,计算得到协方差矩阵A'具有三个非负的特征值λ1、λ2和λ3,将协方差矩阵A'的最大特征值对应的特征向量作为点云模型的整体走势。
步骤1.3中具体按照下述方法将点云模型进行基于八叉树的场景划分,构建基于八叉树的分格模型:
步骤1.3.1,给出八叉树的阈值,将点云模型的最小包围盒为八叉树的根节点;
步骤1.3.2,沿着X、Y、Z三个方向根据步长对根节点进行剖分,将根节点分割为八个子点云模型;判断每个子点云模型是否被分割;若有子点云模型不能被分割,则该子点云模型为一个分格模型,该分格模型为八叉树中的叶子节点;
步骤1.3.3,若有子点云模型可以被分割,则该子点云模型为内节点,然后采用递归调用划分方法,分割可以被分割的子点云模型,直至递归调用的值达到八叉树的阈值时,停止分割,得到基于八叉树的分格模型。
步骤2中具体采用聚类标注中的区域增长算法将每个分格模型进行初步分类标注,具体按照下述方法进行:
步骤2.1,选择多个包含点云模型中心的分格模型作为初始种子分格模型,将每个初始种子分格模型的六个邻域的分格模型中与该种子分格模型连通的分格模型归化为种子分格模型;
步骤2.2,每个种子分格模型均开始增长,将每个种子分格模型的六个邻域内未归类的分格模型进行判断,若每个种子分格模型的六个邻域内未归类的分格模型满足该种子分格模型的生长条件,则将其与种子模型归化为新的种子分格模型;
步骤2.3,重复步骤2.2,至所有的分格模型均被划分,得到多个生长分格模型;
步骤2.4,将每个生长分格模型均标为一类生长分格模型。
步骤3中具体按照下述步骤计算每个分格模型中的点云的投影密度:
步骤3.1,选择最小包围盒的任两个相邻的侧面和底面作为投影平面,计算每个投影平面的面积,并将每个投影平面分格成为网格投影面;
步骤3.2,将每类生长分格模型均分别向三个网格投影面进行投影,分别计算每类生长分格模型在每个网格投影面上的投影数量;
步骤3.4,分别计算每类生长分格模型在每个网格投影面上的每个网格的投影适量,得到每个网格上每类生长分格模型的投影点密度值。
步骤3中具体按照下述方法进行优化和修正标注:
步骤a,根据每个网格上每类生长分格模型的投影点密度值得到三个投影密度分布图;
步骤b,采用区域增长的方法,将三个所述投影密度分布图中的高密度的网格聚集成多个连通的区域,将在同一个连通区域的生长分格模型的相关性加1;
步骤c,将相关性大于2高度相关的不同类别的生长分格模型标注为一类。
本发明的有益效果是
本发明一种单侧点云模型的标注方法,使用改进区域增长算法对点云模型进行标注,能够清晰的划分网格边界,同时解决现有的像素级标注方法中二义性的标注问题。
附图说明
图1是本发明一种单侧点云模型的标注方法中步骤3的流程图.
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种单侧点云模型的标注方法,具体按照下述步骤进行:
步骤1,点云模型场景划分
将点云模型进行场景划分,并构建基于八叉树的分格模型;
具体使用下述步骤点云模型进行场景划分,并构建基于八叉树的分格模型:
步骤1.1,确定八叉树的阈值,计算点云模型的协方差矩阵、特征值、特征向量,然后根据主成分分析法得到点云模型的整体走势;
步骤1.1.1,将点云模型中的每个数据点的坐标作为该数据点的三个维度,则点云模型的三维矩阵为:
其中,x、y、z表示每个数据点的坐标,n为数据点的个数;
步骤1.1.2,将点云模型的三维矩阵通过协方差计算公式,得到协方差矩阵:
步骤1.1.3,将协方差矩阵对角化,计算得到协方差矩阵A'具有三个非负的特征值λ1、λ2和λ3,将协方差矩阵A'的最大特征值对应的特征向量作为点云模型的整体走势。
步骤1.2,获取点云模型的最小包围盒;
选取建立点云模型的轴对齐包围盒,然后旋转坐标轴并缩小轴对齐包围盒,记录每次旋转后的边界数据Di={xmax,xmin,ymax,ymin,zmax,zmin},计算每次旋转后的轴对齐包围盒的体积Vi,得到体积Vi最小的轴对齐包围盒即为最小包围盒。
步骤1.3,将点云模型进行基于八叉树的场景划分,构建基于八叉树的分格模型,具体按照下述方法进行:
步骤1.3.1,将点云模型的最小包围盒为八叉树的根节点;
步骤1.3.2,沿着X、Y、Z三个方向根据步长对根节点进行剖分,将根节点分割为八个子点云模型;判断每个子点云模型是否被分割;若有子点云模型不能被分割,则该子点云模型为一个分格模型,该分格模型为八叉树中的叶子节点;
具体根据下述方法判断每个子点云模型是否被分割:
计算每个子点云模型的密度:
其中,count为场景点云总数,Xmax为子点云模型x轴上最大值,Xmin为子点云模型x轴上最小值,Ymax为子点云模型y轴上最大值,Ymin为子点云模型y轴上最小值,Zmax为子点云模型z轴上最大值,Zmin为子点云模型z轴上最小值;
计算每个子点云模型下一层划分后的子点云模型的阈值:
其中,PList-为原始点云数据,count为场景点云总数,Layer代表待划分格的所处树的深度;
若子点云模型所处树深不超过阈值,且ρ>k,则可以继续划分,若ρ<k,则进行一侧尝试划分,若其尝试划分后的子点云模型的划分格小于2且ρ>k,则可以进行继续划分,若不满足,则不可以进行划分;
步骤1.3.3,若有子点云模型可以被分割,则该子点云模型为内节点,然后采用递归调用划分方法,分割可以被分割的子点云模型,直至递归调用的值达到八叉树的阈值时,停止分割,得到基于八叉树的分格模型,然后算每个分格模型的六个邻域的分格模型并保存,
步骤2,粗标注
使用霍夫变换检测每个分格模型中的所有平面,选取重心值最小的平面作为地面并标记,然后将每个分格模型进行初步分类标注;
具体采用聚类标注中的区域增长算法将每个分格模型进行初步分类标注,具体按照下述方法进行:
步骤2.1,选择多个包含点云模型中心的分格模型作为初始种子分格模型,将每个初始种子分格模型的六个邻域的分格模型中与该种子分格模型连通的分格模型归化为种子分格模型;
步骤2.2,每个种子分格模型均开始增长,将每个种子分格模型的六个邻域内未归类的分格模型进行判断,若每个种子分格模型的六个邻域内未归类的分格模型满足该种子分格模型的生长条件,则将其与种子模型归化为新的种子分格模型;
其中,种子模型的生长条件为:采用计算初始种子分格模型和种子分格模型的六个邻域内未归类的分格模型之间欧式距离判定其是否生长为同一区域。若初始种子分格模型和种子分格模型的六个邻域内未归类的分格模型之间欧式距离大于阈值时,则初始种子分格模型停止生长,若初始种子分格模型和种子分格模型的六个邻域内未归类的分格模型之间欧式距离小于阈值时,将未归类的分格模型和初始种子分格模型生长为同一区域;
步骤2.3,重复步骤2.2,至所有的分格模型均被划分,得到多个生长分格模型;
步骤2.4,将每个生长分格模型均标为一类生长分格模型。
步骤3,细标注,如图1所示,具体按下述方法进行
计算每个分格模型中的点云的投影密度,具体按照下述方法进行:
步骤3.1,选择最小包围盒的任两个相邻的侧面和底面作为投影平面,计算每个投影平面的面积,并将每个投影平面分格成为网格投影面;
步骤3.2,将每类生长分格模型均分别向三个网格投影面进行投影,分别计算每类生长分格模型在每个网格投影面上的投影数量;
步骤3.4,分别计算每类生长分格模型在每个网格投影面上的每个网格内的投影数量,得到每个网格上每类生长分格模型的投影点密度值。
并根据每个分格模型中的点云的投影密度进行优化和修正标注,具体按照下述步骤进行:
步骤a,根据每个网格上每类生长分格模型的投影点密度值得到三个投影密度分布图;
步骤b,采用区域增长的方法,将三个所述投影密度分布图中的高密度的网格聚集成多个连通的区域,将在同一个连通区域的生长分格模型的相关性加1;
步骤c,将相关性大于2高度相关的不同类别的生长分格模型标注为一类。
Claims (4)
1.一种单侧点云模型的标注方法,其特征在于,具体按照下述方法进行:
将点云模型进行场景划分,并构建基于八叉树的分格模型,然后将每个分格模型进行粗标注,再将每个分格模型进行细标注;
具体按照下述方法进行:
步骤1,点云模型场景划分
将点云模型进行场景划分,并构建基于八叉树的分格模型;
步骤2,粗标注
使用霍夫变换检测每个分格模型中的所有平面,选取重心值最小的平面作为地面并标记,然后将每个分格模型进行初步分类标注;
步骤3,细标注
计算每个分格模型中的点云的投影密度,并根据每个分格模型中的点云的投影密度进行优化和修正标注;
所述步骤1中使用下述步骤点云模型进行场景划分,并构建基于八叉树的分格模型:
步骤1.1,计算点云模型的协方差矩阵、特征值、特征向量,然后根据主成分分析法得到点云模型的整体走势;
步骤1.2,获取点云模型的最小包围盒;
步骤1.3,将点云模型进行基于八叉树的场景划分,构建基于八叉树的分格模型,计算每一分格模型的六个邻域的分格模型并保存;
所述步骤1.1中,具体按照下述方法计算点云模型的协方差矩阵、特征值、特征向量:
步骤1.1.1,将点云模型中的每个数据点的坐标作为该数据点的三个维度,则点云模型的三维矩阵为:
其中,x、y、z表示每个数据点的坐标,n为数据点的个数;
步骤1.1.2,将点云模型的三维矩阵通过协方差计算公式,得到协方差矩阵:
步骤1.1.3,将协方差矩阵对角化,计算得到协方差矩阵A'具有三个非负的特征值λ1、λ2和λ3,将协方差矩阵A'的最大特征值对应的特征向量作为点云模型的整体走势;
所述步骤1.3中具体按照下述方法将点云模型进行基于八叉树的场景划分,构建基于八叉树的分格模型:
步骤1.3.1,给出八叉树的阈值,将点云模型的最小包围盒为八叉树的根节点;
步骤1.3.2,沿着X、Y、Z三个方向根据步长对根节点进行剖分,将根节点分割为八个子点云模型;判断每个子点云模型是否被分割;若有子点云模型不能被分割,则该子点云模型为一个分格模型,该分格模型为八叉树中的叶子节点;
步骤1.3.3,若有子点云模型可以被分割,则该子点云模型为内节点,然后采用递归调用划分方法,分割可以被分割的子点云模型,直至递归调用的值达到八叉树的阈值时,停止分割,得到基于八叉树的分格模型。
2.根据权利要求1所述的一种单侧点云模型的标注方法,其特征在于,所述步骤2中具体采用聚类标注中的区域增长算法将每个分格模型进行初步分类标注,具体按照下述方法进行:
步骤2.1,选择多个包含点云模型中心的分格模型作为初始种子分格模型,将每个初始种子分格模型的六个邻域的分格模型中与该种子分格模型连通的分格模型归化为种子分格模型;
步骤2.2,每个种子分格模型均开始增长,将每个种子分格模型的六个邻域内未归类的分格模型进行判断,若每个种子分格模型的六个邻域内未归类的分格模型满足该种子分格模型的生长条件,则将其与种子模型归化为新的种子分格模型;
步骤2.3,重复步骤2.2,至所有的分格模型均被划分,得到多个生长分格模型;
步骤2.4,将每个生长分格模型均标为一类生长分格模型。
3.根据权利要求1所述的一种单侧点云模型标注方法的方法,其特征在于,所述步骤3中具体按照下述步骤计算每个分格模型中的点云的投影密度:
步骤3.1,选择最小包围盒的任两个相邻的侧面和底面作为投影平面,计算每个投影平面的面积,并将每个投影平面分格成为网格投影面;
步骤3.2,将每类生长分格模型均分别向三个网格投影面进行投影,分别计算每类生长分格模型在每个网格投影面上的投影数量;
步骤3.4,分别计算每类生长分格模型在每个网格投影面上的每个网格的投影适量,得到每个网格上每类生长分格模型的投影点密度值。
4.根据权利要求1所述的一种单侧点云模型标注方法的方法,其特征在于,所述步骤3中具体按照下述方法进行优化和修正标注:
步骤a,根据每个网格上每类生长分格模型的投影点密度值得到三个投影密度分布图;
步骤b,采用区域增长的方法,将三个所述投影密度分布图中的高密度的网格聚集成多个连通的区域,将在同一个连通区域的生长分格模型的相关性加1;
步骤c,将相关性大于2高度相关的不同类别的生长分格模型标注为一类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810916372.7A CN109215112B (zh) | 2018-08-13 | 2018-08-13 | 一种单侧点云模型的标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810916372.7A CN109215112B (zh) | 2018-08-13 | 2018-08-13 | 一种单侧点云模型的标注方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109215112A CN109215112A (zh) | 2019-01-15 |
CN109215112B true CN109215112B (zh) | 2022-12-13 |
Family
ID=64987737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810916372.7A Active CN109215112B (zh) | 2018-08-13 | 2018-08-13 | 一种单侧点云模型的标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215112B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135453A (zh) * | 2019-03-29 | 2019-08-16 | 初速度(苏州)科技有限公司 | 一种激光点云数据标注方法及装置 |
CN112034488B (zh) * | 2020-08-28 | 2023-05-02 | 京东科技信息技术有限公司 | 目标物体自动标注方法与装置 |
CN112614186A (zh) * | 2020-12-28 | 2021-04-06 | 上海汽车工业(集团)总公司 | 目标位姿计算方法及计算模块 |
CN112396133B (zh) * | 2021-01-20 | 2021-05-25 | 深圳大学 | 基于多尺度空间的城市区域空地一体融合点云分类方法 |
CN113744417B (zh) * | 2021-11-08 | 2022-03-22 | 山东捷瑞数字科技股份有限公司 | 一种复杂节点模型的尺寸标注方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985155A (zh) * | 2014-05-14 | 2014-08-13 | 北京理工大学 | 基于映射法的散乱点云Delaunay三角剖分曲面重构方法 |
WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
-
2018
- 2018-08-13 CN CN201810916372.7A patent/CN109215112B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985155A (zh) * | 2014-05-14 | 2014-08-13 | 北京理工大学 | 基于映射法的散乱点云Delaunay三角剖分曲面重构方法 |
WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
基于自适应八叉树分割点云的表面模型重建;杨客等;《计算机应用与软件》;20130615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109215112A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215112B (zh) | 一种单侧点云模型的标注方法 | |
CN111932688B (zh) | 一种基于三维点云的室内平面要素提取方法、系统及设备 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN107292276B (zh) | 一种车载点云聚类方法及系统 | |
CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
CN106650640B (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
Vosselman et al. | Recognising structure in laser scanner point clouds | |
CN111986322B (zh) | 一种基于结构分析的点云室内场景布局重建方法 | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN114266987B (zh) | 一种无人机高边坡危岩体智能识别方法 | |
CN113920134B (zh) | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 | |
Pound et al. | A patch-based approach to 3D plant shoot phenotyping | |
Ji et al. | Target recognition method of green pepper harvesting robot based on manifold ranking | |
CN115205690B (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN113640826B (zh) | 一种基于3d激光点云的障碍物识别方法及系统 | |
CN103971377A (zh) | 基于先验形状水平集分割的建筑物提取方法 | |
Zhu et al. | 3D reconstruction of plant leaves for high-throughput phenotyping | |
Baluyan et al. | Novel approach for rooftop detection using support vector machine | |
CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
KR20110094957A (ko) | 레인지 영상으로부터의 객체 분할 장치 및 방법 | |
CN114463338A (zh) | 一种基于图割与后处理的建筑物激光脚点自动提取方法 | |
Babahajiani et al. | Comprehensive automated 3D urban environment modelling using terrestrial laser scanning point cloud | |
CN112200248A (zh) | 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 | |
Yu et al. | Bidirectionally greedy framework for unsupervised 3D building extraction from airborne-based 3D meshes | |
CN115063698A (zh) | 斜坡地表变形裂缝自动识别与信息提取方法及系统 |
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 |