CN109409638A - 一种基于不规则形状时空扫描统计的犯罪预警方法 - Google Patents

一种基于不规则形状时空扫描统计的犯罪预警方法 Download PDF

Info

Publication number
CN109409638A
CN109409638A CN201810998937.0A CN201810998937A CN109409638A CN 109409638 A CN109409638 A CN 109409638A CN 201810998937 A CN201810998937 A CN 201810998937A CN 109409638 A CN109409638 A CN 109409638A
Authority
CN
China
Prior art keywords
crime
region
early warning
relative risk
value
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
CN201810998937.0A
Other languages
English (en)
Inventor
龙华
崔昕阳
邵玉斌
杜庆治
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201810998937.0A priority Critical patent/CN109409638A/zh
Publication of CN109409638A publication Critical patent/CN109409638A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于不规则形状时空扫描统计的犯罪预警方法，属于犯罪事件的时空预警方法领域。本发明首先根据监控区域内犯罪事件的案发地点和交通路线，得到该区域的图形结构；然后根据最大关联算法，确定扫描窗口形状并搜索潜在聚集区域；再通过计算该聚集的相对风险和风险偏差，判断此次聚集的相对风险是否准确。本发明改变了一直以来应用于犯罪时空扫描预警方法中的常规的圆柱形时空扫描方法，使其空间底座可以是不规则形状，有利于发现非常规形状的空间聚集；并引入相对风险偏差评估，对聚集的风险性进行评估，若偏差过大，则可对该区域进一步观察，避免引起不必要的预警损失，增加地区犯罪预警的可靠性。

Description

一种基于不规则形状时空扫描统计的犯罪预警方法
技术领域
本发明涉及一种基于不规则形状时空扫描统计的犯罪预警方法，属于犯罪事件的时空预警方法领域。
背景技术
近年来许多科学家将时空扫描聚类方法应用于地区犯罪事件的时空分析和犯罪聚集情况的预警。然而，一直以来所应用的扫描统计方法为传统的时空扫描统计方法，此方法中定义事件聚集的扫描窗口往往是圆柱形的，且其扫描窗口往往是不随时间动态改变的，对于某些与道路交通相关、有可能改变形状的犯罪事件聚集，这种时空扫描聚类方法并不能准确和及时的检测到犯罪案件的聚集；并且在以往的研究中，并未考虑到对已经检测到的聚集进行相对危险评估，尽管时空扫描模型检测到时空聚集的准确率较高，但仍有出现错误的可能性，如果检测到错误的聚集现象，则会引起不必要的犯罪预警损失和警力部署，造成财力和人力上的浪费，降低了预警的可信度。
发明内容
本发明要解决的技术问题是针对现有技术的不足，提供一种基于不规则形状时空扫描统计的犯罪预警方法，以用于解决发现监控区域中存在的非常规形状的犯罪空间聚集，并引入相对风险偏差评估，对犯罪聚集的风险性进行评估，若偏差过大，则可对该区域进一步观察，避免引起不必要的预警损失，增加地区犯罪预警的可靠性。
本发明的技术方案是：一种基于不规则形状时空扫描统计的犯罪预警方法，具体步骤为：
Step1、确定监控区域S；
Step2、获取监控区域S内的犯罪事件数C及各案件的案发地点及人口数P；
Step3、根据区域S内各子区域的位置坐标和交通路线图，构建区域S的图形结构；
Step4、根据最大关联算法，从区域S中检测确定扫描窗口形状并搜索潜在聚集区域M；
Step5、计算聚集区域M的真实相对风险值R和相对风险估计值从而得到相对风险偏B；相对风险估计值越接近1，则有很强的证据显示在研究区域A中无聚集现象；
Step6、根据相对风险偏差B的值，判断所估计的相对风险是否可靠，B的值越趋近于1，风险评估可信度越高。
进一步地，所述Step3中，研究区域S内各子区域i的位置坐标为村i或区i的空间中心点经纬度(xi，yi)；子区域i依据交通路线图至少与另外任意子区域j和k相连接，即存在地理相邻结构；从而依据地理相邻结构构建该区的图形结构。
进一步地，所述的Step4中，使用最大关联算法确定扫描窗口形状并搜索潜在聚集区域，其中最大关联算法的具体实施步骤是：
步骤S1、选取任意一个子区域i作为当前聚集区域，i∈S；
步骤S2、使用Step3构建的图形结构，根据与当前集群i的连接数整理当前集群i的邻居；
步骤S3、将与当前聚集区域i有最大连接数的邻近子区域i或k整合当前聚集区i；
步骤S4、重复步骤S2到S3直到该聚集区域Mi达到预先设定好的最大参数尺寸；
步骤S5、重复步骤S1到S4，直到研究区域S内每一个子区域都被作为起始聚集；
步骤S6、通过步骤S1到S5，根据潜在聚集区域Mi确定扫描窗口的形状，利用扫描窗口内外的实际犯罪事件数和理论犯罪事件数来构造检验统计量：似然比LikelihoodRatio，简称LR，利用LR来评价扫描窗口内犯罪事件数的异常程度，从中确定聚集区域M。
进一步地，所述的步骤S6中，具体建模过程如下：
令CM为扫描窗口Mi中的实际犯罪事件数，PM为扫描窗口Mi中人口数，令EM为根据无效假设得到扫描窗口Mi中预期犯罪事件数，C为区域S内的实际犯罪事件数，总人口数为P，预期犯罪事件数ES为：
ES＝∑EM (2)
其中LM为扫描窗口Mi的似然函数值，L0为基于无效假设下得到似然函数值。
进一步地，所述的步骤S6中，将时空扫描统计量T定义为所有可能扫描窗口Mi中最大的似然比：
从而找出犯罪事件数异常程度最高的窗口M，确定聚集区域M。
进一步地，所述的Step5中，真实相对风险值R和相对风险估计值的公式为：
其中，WM为区域M的风险值和Ws/M为研究区域S内除M区外的风险值；C为研究区域S内的实际犯罪事件数，CM为区域M内的犯罪事件数，EM为区域M内的预期犯罪事件数，ES为研究区域S内犯罪事件数的期望值。
进一步地，所述的Step5中，在区域M的事件数服从泊松分布，所以WM的公式为：
其中，FM是区域M内事件数的泊松随机变量，E(FM)是期望值，定义Ws/M公式为：
进一步地，所述的Step6中，计算相对风险偏差B的公式为：
当相对偏差B＝1时，表示没有偏差，相对风险估计值准确；
当相对偏差B＞1时，表示存在正偏差，相对风险估计值相对较大；
当相对偏差B＜1时，表示存在负偏差，相对风险估计值相对较小。
本发明的有益效果是：本发明改变了常规的犯罪时空扫描预警方法中所使用的圆柱形时空扫描统计，改变了扫描窗口，使其空间底座可以是不规则形状，有利于发现非常规形状的空间犯罪聚集；并引入相对风险偏差评估，对聚集的风险性进行评估，若偏差过大，则可对该区域进一步观察，避免引起不必要的预警损失，增加地区犯罪预防和控制的可靠性。
附图说明
图1是本发明步骤流程图；
图2是本发明区域S的简单图形结构示意图；
图3是本发明非常规形状的潜在聚集示意图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1-3所示，一种基于不规则形状时空扫描统计的犯罪预警方法，具体步骤为：
Step1、确定监控区域S；
Step2、获取监控区域S内的犯罪事件数C及各案件的案发地点及人口数P；
Step3、根据区域S内各子区域的位置坐标和交通路线图，构建区域S的图形结构；
Step4、根据最大关联算法，从区域S中检测确定扫描窗口形状并搜索潜在聚集区域M；
Step5、计算聚集区域M的真实相对风险值R和相对风险估计值从而得到相对风险偏B；相对风险估计值越接近1，则有很强的证据显示在研究区域A中无聚集现象；
Step6、根据相对风险偏差B的值，判断所估计的相对风险是否可靠，B的值越趋近于1，风险评估可信度越高。
进一步地，所述Step3中，研究区域S内各子区域i的位置坐标为村i或区i的空间中心点经纬度(xi，yi)；子区域i依据交通路线图至少与另外任意子区域j和k相连接，即存在地理相邻结构；从而依据地理相邻结构构建该区的图形结构。
进一步地，所述的Step4中，使用最大关联算法确定扫描窗口形状并搜索潜在聚集区域，其中最大关联算法的具体实施步骤是：
步骤S1、选取任意一个子区域i作为当前聚集区域，i∈S；
步骤S2、使用Step3构建的图形结构，根据与当前集群i的连接数整理当前集群i的邻居；
步骤S3、将与当前聚集区域i有最大连接数的邻近子区域i或k整合当前聚集区i；
步骤S4、重复步骤S2到S3直到该聚集区域Mi达到预先设定好的最大参数尺寸；
步骤S5、重复步骤S1到S4，直到研究区域S内每一个子区域都被作为起始聚集；
步骤S6、通过步骤S1到S5，根据潜在聚集区域Mi确定扫描窗口的形状，利用扫描窗口内外的实际犯罪事件数和理论犯罪事件数来构造检验统计量：似然比LikelihoodRatio，简称LR，利用LR来评价扫描窗口内犯罪事件数的异常程度，从中确定聚集区域M。
进一步地，所述的步骤S6中，具体建模过程如下：
令CM为扫描窗口Mi中的实际犯罪事件数，PM为扫描窗口Mi中人口数，令EM为根据无效假设得到扫描窗口Mi中预期犯罪事件数，C为区域S内的实际犯罪事件数，总人口数为P，预期犯罪事件数ES为：
ES＝∑EM (2)
其中LM为扫描窗口Mi的似然函数值，L0为基于无效假设下得到似然函数值。
进一步地，所述的步骤S6中，将时空扫描统计量T定义为所有可能扫描窗口Mi中最大的似然比：
从而找出犯罪事件数异常程度最高的窗口M，确定聚集区域M。
进一步地，所述的Step5中，真实相对风险值R和相对风险估计值的公式为：
其中，WM为区域M的风险值和Ws/M为研究区域S内除M区外的风险值；C为研究区域S内的实际犯罪事件数，CM为区域M内的犯罪事件数，EM为区域M内的预期犯罪事件数，ES为研究区域S内犯罪事件数的期望值。
进一步地，所述的Step5中，在区域M的事件数服从泊松分布，所以WM的公式为：
其中，FM是区域M内事件数的泊松随机变量，E(FM)是期望值，定义Ws/M公式为：
进一步地，所述的Step6中，计算相对风险偏差B的公式为：
当相对偏差B＝1时，表示没有偏差，相对风险估计值准确；
当相对偏差B＞1时，表示存在正偏差，相对风险估计值相对较大；
当相对偏差B＜1时，表示存在负偏差，相对风险估计值相对较小。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (8)

1.一种基于不规则形状时空扫描统计的犯罪预警方法，其特征在于：
Step1、确定监控区域S；
Step2、获取监控区域S内的犯罪事件数C及各案件的案发地点及人口数P；
Step3、根据区域S内各子区域的位置坐标和交通路线图，构建区域S的图形结构；
Step4、根据最大关联算法，从区域S中检测确定扫描窗口形状并搜索潜在聚集区域M；
Step5、计算聚集区域M的真实相对风险值R和相对风险估计值从而得到相对风险偏B；相对风险估计值越接近1，则有证据显示在研究区域A中无聚集现象；
Step6、根据相对风险偏差B的值，判断所估计的相对风险是否可靠，B的值越趋近于1，风险评估可信度越高。
2.根据权利要求1所述的基于不规则形状时空扫描统计的犯罪预警方法，其特征在于：所述Step3中，研究区域S内各子区域i的位置坐标为村i或区i的空间中心点经纬度(xi，yi)；子区域i依据交通路线图至少与另外任意子区域j和k相连接，即存在地理相邻结构；从而依据地理相邻结构构建该区的图形结构。
3.根据权利要求1所述的基于不规则形状时空扫描统计的犯罪预警方法，其特征在于：所述的Step4中，使用最大关联算法确定扫描窗口形状并搜索潜在聚集区域，其中最大关联算法的具体实施步骤是：
步骤S1、选取任意一个子区域i作为当前聚集区域，i∈S；
步骤S2、使用Step3构建的图形结构，根据与当前集群i的连接数整理当前集群i的邻居；
步骤S3、将与当前聚集区域i有最大连接数的邻近子区域j或k整合当前聚集区i；
步骤S4、重复步骤S2到S3直到该聚集区域Mi达到预先设定好的最大参数尺寸；
步骤S5、重复步骤S1到S4，直到研究区域S内每一个子区域都被作为起始聚集；
步骤S6、通过步骤S1到S5，根据潜在聚集区域Mi确定扫描窗口的形状，利用扫描窗口内外的实际犯罪事件数和理论犯罪事件数来构造检验统计量：似然比LikelihoodRatio，简称LR，利用LR来评价扫描窗口内犯罪事件数的异常程度，从中确定聚集区域M。
4.根据权利要求3所述的基于不规则形状时空扫描统计的犯罪预警方法，其特征在于：所述的步骤S6中，具体建模过程如下：
令CM为扫描窗口Mi中的实际犯罪事件数，PM为扫描窗口Mi中人口数，令EM为根据无效假设得到扫描窗口Mi中预期犯罪事件数，C为区域S内的实际犯罪事件数，总人口数为P，预期犯罪事件数ES为：
ES＝∑EM (2)
其中LM为扫描窗口Mi的似然函数值，L0为基于无效假设下得到似然函数值。
5.根据权利要求3所述的基于不规则形状时空扫描统计的犯罪预警方法，其特征在于：所述的步骤S6中，将时空扫描统计量T定义为所有可能扫描窗口Mi中最大的似然比：
从而找出犯罪事件数异常程度最高的窗口M，确定聚集区域M。
6.根据权利要求1所述的基于不规则形状时空扫描统计的犯罪预警方法，其特征在于：所述的Step5中，真实相对风险值R和相对风险估计值的公式为：
其中，WM为区域M的风险值和WS/M为研究区域S内除M区外的风险值；C为研究区域S内的实际犯罪事件数，CM为区域M内的犯罪事件数，EM为区域M内的预期犯罪事件数，ES为研究区域S内犯罪事件数的期望值。
7.根据权利要求1所述的基于不规则形状时空扫描统计的犯罪预警方法，其特征在于：所述的Step5中，在区域M的事件数服从泊松分布，所以WM的公式为：
其中，FM是区域M内事件数的泊松随机变量，E(FM)是期望值，定义WS/M公式为：
8.根据权利要求1所述的基于不规则形状时空扫描统计的犯罪预警方法，其特征在于：所述的Step6中，计算相对风险偏差B的公式为：
当相对偏差B＝1时，表示没有偏差，相对风险估计值准确；
当相对偏差B＞1时，表示存在正偏差，相对风险估计值相对较大；
当相对偏差B＜1时，表示存在负偏差，相对风险估计值相对较小。
CN201810998937.0A 2018-08-30 2018-08-30 一种基于不规则形状时空扫描统计的犯罪预警方法 Pending CN109409638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810998937.0A CN109409638A (zh) 2018-08-30 2018-08-30 一种基于不规则形状时空扫描统计的犯罪预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810998937.0A CN109409638A (zh) 2018-08-30 2018-08-30 一种基于不规则形状时空扫描统计的犯罪预警方法

Publications (1)

Publication Number Publication Date
CN109409638A true CN109409638A (zh) 2019-03-01

Family

ID=65463730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810998937.0A Pending CN109409638A (zh) 2018-08-30 2018-08-30 一种基于不规则形状时空扫描统计的犯罪预警方法

Country Status (1)

Country Link
CN (1) CN109409638A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626239A (zh) * 2020-05-29 2020-09-04 山东山科智能科技有限公司 基于行为特征的服刑人员危险倾向预测方法及系统
CN113298302A (zh) * 2021-05-18 2021-08-24 昆明理工大学 一种针对疾病预测的不规则形状时空扫描方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955804A (zh) * 2014-05-20 2014-07-30 中山大学 一种服务于警务防控分区规划的犯罪风险时空模式识别方法
US20150379413A1 (en) * 2014-06-30 2015-12-31 Palantir Technologies, Inc. Crime risk forecasting
CN106126918A (zh) * 2016-06-23 2016-11-16 中国石油大学(华东) 一种基于相互作用力的地理空间异常聚集区扫描统计方法
CN107767954A (zh) * 2017-10-16 2018-03-06 中国科学院地理科学与资源研究所 一种基于空间贝叶斯网络的环境健康风险监测预警系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955804A (zh) * 2014-05-20 2014-07-30 中山大学 一种服务于警务防控分区规划的犯罪风险时空模式识别方法
US20150379413A1 (en) * 2014-06-30 2015-12-31 Palantir Technologies, Inc. Crime risk forecasting
CN106126918A (zh) * 2016-06-23 2016-11-16 中国石油大学(华东) 一种基于相互作用力的地理空间异常聚集区扫描统计方法
CN107767954A (zh) * 2017-10-16 2018-03-06 中国科学院地理科学与资源研究所 一种基于空间贝叶斯网络的环境健康风险监测预警系统及方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
KULLDORFF，M.: "Prospective time periodic geographical disease surveillance using a scan statistic", 《JOURNAL OF THE ROYAL STATISTICAL SOCIETY》 *
KULLDORFF，M.: "Prospective time periodic geographical disease surveillance using a scan statistic", 《JOURNAL OF THE ROYAL STATISTICAL SOCIETY》, vol. 164, no. 1, 31 December 2001 (2001-12-31), pages 61 - 72 *
MARCOS O.PRATES ET AL.: "Relative risk estimates from spatial and space–time scan statistics: are they biased?", 《STATISTICS IN MEDICINE》 *
MARCOS O.PRATES ET AL.: "Relative risk estimates from spatial and space–time scan statistics: are they biased?", 《STATISTICS IN MEDICINE》, 18 March 2014 (2014-03-18), pages 2635 - 2638 *
刘玮辰等: ""南京都市圈空间相互作用时空演变分析"", 《人文地理》, no. 2, 31 December 2017 (2017-12-31), pages 65 - 71 *
王培安 等: "基于空间自相关和时空扫描统计量的聚集比较分析", 《人文地理》 *
王培安 等: "基于空间自相关和时空扫描统计量的聚集比较分析", 《人文地理》, vol. 27, no. 2, 30 April 2012 (2012-04-30), pages 119 - 127 *
鲍世方 等: "犯罪时空扫描统计分析研究与实践", 《微型电脑应用》 *
鲍世方 等: "犯罪时空扫描统计分析研究与实践", 《微型电脑应用》, vol. 33, no. 10, 31 December 2017 (2017-12-31), pages 63 - 77 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626239A (zh) * 2020-05-29 2020-09-04 山东山科智能科技有限公司 基于行为特征的服刑人员危险倾向预测方法及系统
CN113298302A (zh) * 2021-05-18 2021-08-24 昆明理工大学 一种针对疾病预测的不规则形状时空扫描方法
CN113298302B (zh) * 2021-05-18 2022-06-28 昆明理工大学 一种针对疾病预测的不规则形状时空扫描方法

Similar Documents

Publication Publication Date Title
Hermosilla et al. Using street based metrics to characterize urban typologies
CN110068818A (zh) 通过雷达和图像采集设备进行交通路口车辆及行人检测的工作方法
CN106646568A (zh) 一种新型玻璃幕墙智能监测系统和监测方法
CN106407277A (zh) 一种基于车联网数据对车主驻留点聚类后的属性分析方法
CN106017476B (zh) 一种生成室内定位导航图模型的方法
CN111076096B (zh) 燃气管网泄漏识别方法和装置
CN109325523A (zh) 一种基于最大关联和风险偏差的不规则形状时空扫描聚类方法
CN106778655A (zh) 一种基于人体骨架的入口尾随进入检测方法
CN109409638A (zh) 一种基于不规则形状时空扫描统计的犯罪预警方法
US10190879B2 (en) System and method for detecting ground position changes
CN106254155A (zh) 一种无线传感器网络的覆盖性能的修复增强方法以及装置
WO2020111934A1 (en) A method and system for detection of natural disaster occurrence
CN102881109A (zh) 一种基于非制冷红外温度探测器的林火预警系统
CN115471980B (zh) 泥石流灾害预警方法
CN107703847B (zh) 一种集控器选址方法及传感器监控系统
Eckman et al. Methods of geo-spatial sampling
CN109360659B (zh) 一种基于相对风险偏差和空间参量修正的时空扫描统计方法
Li et al. Coarse-to-fine segmentation of individual street trees from side-view point clouds
CN106774080A (zh) 国土资源监控系统
CN109254287A (zh) 基于合成孔径雷达影像检测输电导线的方法
Rufei et al. Research on a pavement pothole extraction method based on vehicle-borne continuous laser scanning point cloud
WO2011085434A1 (en) Extraction processes
CN116028852A (zh) 一种基于bp神经网络和d-s证据理论的地下道路火灾检测方法
Hu et al. Sandwich mapping of schistosomiasis risk in Anhui Province, China
CN115830456A (zh) 高分辨率多光谱地震次生滑坡灾害遥感监测方法与系统

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

Application publication date: 20190301