CN109544612A - 基于特征点几何表面描述的点云配准方法 - Google Patents
基于特征点几何表面描述的点云配准方法 Download PDFInfo
- Publication number
- CN109544612A CN109544612A CN201811383890.3A CN201811383890A CN109544612A CN 109544612 A CN109544612 A CN 109544612A CN 201811383890 A CN201811383890 A CN 201811383890A CN 109544612 A CN109544612 A CN 109544612A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- characteristic point
- description
- cloud
- 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.)
- Granted
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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
Abstract
本发明提供一种基于特征点几何表面描述的点云配准方法,属于三维重建领域。其首先载入源点云和目标点云,并计算曲率进行数据降采样;然后通过3D Harris检测器提取两片点云的所有特征点,计算特征点间的几何距离构建距离最近三特征点的子集合,再通过子集合的几何转换关系描述目标表面;最后通过匹配源点云和目标点云上的几何表面描述计算旋转平移矩阵,通过计算配准后对应点的距离之和评价配准效果,选出最优矩阵,完成点云初始配准。
Description
技术领域
本发明涉及三维重建领域,特别是一种基于特征点几何表面描述的点云配准方法。
背景技术
三维重建(3D Reconstruction)指对三维物体建立适合计算机表示和处理的数学模型,是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。
点云(Point Cloud)是由测距设备获取的目标表面信息的海量点集合。其扫描资料以点的形式进行记录,这些点既可以是三维坐标(XYZ),也可以是颜色(RGB)或者反射强度(Intensity)等信息。通常所使用的点云数据一般包括点坐标精度、空间分辨率和表面法向量等内容。
点云的格式:*.pcd;*.ply;*obj.;*.stl;*.imw;*.x3d;
点云在计算机视觉,逆向工程,工业设计等领域早有应用,而近几年来摄影测量、激光扫描、雷达干涉等三维扫描设备普及和扫描技术快速发展,在带来便利的同时对点云处理相关技术也提出了新的要求。在机器人导航过程中获取的点云数据点可达上百万个,快速,智能化的扫描方式使滑坡检测,城市规划,森林管理等领域均可应用点云三维重建相关技术。所以为了三维点云数据建模的准确性和实效性,在对大规模点云进行三维建模前,必须使用点云处理相关技术对点云进行预处理,其中点云自动配准是获取目标完整三维点云的关键步骤,是目标自动点云重建的关键技术之一。由于扫描视角的限制以及被扫描物体间的相互遮挡,需要从不同视角进行多次扫描才能覆盖全部场景,因此必须将所有扫描转换到同一坐标系,转换的本质是刚体变换,而求解的刚体变换参数优劣,直接影响了点云配准的准确性和效率,进而影响实体化效果。
传统点云配准通过放置标记,然后手动或自动提取在至少两次扫描可见的标志点为特征点进行点云配准,这一过程受限于现实条件,耗时严重,并且会不可避免的遮挡或损坏被测物体表面的真实点云数据,增加后期处理的时间。在大规模场景点云,机器人实时化导航中,这都是不可接受的。
点云的无标记自动化配准主要分为初始粗略配准和精确配准两步,而且实践证明,初始配准远远难于精确配准。1992年Besl和McKay提出的最近点迭代算法(ICP)是最经典的精确配准算法,ICP算法的原理是尽量减少点间欧式距离,通过建立对应关系和评估转换参数迭代进行处理问题。而ICP算法容易陷入局部最优,所以针对初始位置差别较大的点云需要进行初始配准,而常用的初始配准方法可分为基于局部特征描述,基于全局搜索策略和基于概率统计三类。其中的代表算法如点特征直方图(PFH)、快速点特征直方图(FPFH)、遗传算法、4PCS(4-points congruent sets4-点同余集合)算法、正态分布变换(NDT)等,常用的3D特征点检测器包括高斯差分DoG、3D Harris、NARF、HKS等。
发明内容
本发明的主要目的是改善点云配准初始算法计算复杂度大、鲁棒性差、抗噪能力弱、精度差的问题。本发明提供了一种基于特征点几何表面描述的点云配准方法,通过特征点几何关系计算点云表面描述进行点云初始配准。
本发明的技术方案是:一种基于特征点几何表面描述的点云配准方法,包括如下基本步骤:
步骤1:获取点云数据;
步骤2:通过3D Harris检测器获取点云特征点;
步骤3:在获取的特征点集中,计算特征点两两之间的距离,然后选取特征点的两个最小距离组成子集合,最后通过子集合的几何关系计算特征点的表面描述。将所有特征点的表面描述和局部坐标LRF统一储存。通过计算所有表面描述之间的角度,去除相似描述,排除配准干扰;
步骤4:利用特征点几何表面描述寻找对应关系进行点云初始配准,通过点对储存的信息计算旋转矩阵和平移矩阵,完成初始配准。
本发明与其他算法相比具有一些优点:
第一,不依赖于对检测关键点周围的多尺度邻域进行特征计算。相反,它利用检测到的三维特征点计算几何关系进行目标局部表面表示,描述了点云上的稳定局部关系,进行配准不易受噪声影响,鲁棒性好;
第二,减小了局部特征计算量,大大加快计算速度,提升配准效率;
第三,易与各种先进特征检测器结合使用。
进一步的,上述的基于特征点几何表面描述的点云配准方法中:所述的步骤1中包括:
步骤1.1:通过点云扫描设备获取初始源点云、目标点云数据;
步骤1.2:基于点云曲率采样,计算点云曲率的同时将曲率从大到小插入排序。配准过程中,结合实际需要设置采样比例进行曲率筛选;
进一步的,上述的基于特征点几何表面描述的点云配准方法中:所述步骤2采用如下步骤实现提取特征点:
步骤2.1:计算邻域N内所有点的局部法线ni;
步骤2.2:通过法线计算协方差矩阵COV;
协方差矩阵基于行列式Det和迹Tr提供各点的响应RH:
RH=Det(COV)-γ·Tr(COV)2
其中γ为恰当的常数。
进一步的,上述的基于特征点几何表面描述的点云配准方法中:所述步骤3采用如下步骤计算特征点表面关系:
步骤3.1:计算特征点间几何距离d(Pl,Pk),k为检测到的特征点总数:
步骤3.2:选取与特征点Pl距离最近的两个特征点组成子集αl,组成形式如下:
αl=[Pl Pn1 Pn2]
其中Pn1和Pn2为距离Pl最近的两点,具体包含了三组坐标信息:
同理可计算αl+1为点Pl+1与周围两点形成的子集合,αl与αl+1的几何关系转换为:
其中,定义为关键点的几何表面描述
步骤3.3:计算几何表面描述量间的角度,排除相似量,减小对配准影响:
进一步的,上述的基于特征点几何表面描述的点云配准方法中:所述步骤4采用如下步骤完成源点云P和目标点云Q的初始配准:
步骤4.1:匹配相同τα∈P和τβ∈Q,得到一组对应关系其中NC为对应描述个数,对于每个Ci计算旋转矩阵和平移矩阵:
t=q1-p1R
其中p1和q1是一组对应点,LRFq和LRFp为相应点储存的局部坐标信息。
步骤4.2:计算对齐后对应点间距离和,评价转换效果,选取对应距离最小时所求矩阵为最终矩阵。
下面结合附图和具体实施方式对本发明进行进一步的说明。
附图说明
附图1为本发明的整体流程。
附图2为目标特征点几何表面描述示意图。
具体实施方式
本实施例是一种基于特征点几何表面描述的点云配准方法,如图1所示,具体如下:
步骤1:采集源点云P和目标点云Q两组数据,要求点云数据是通过不同视角获取的,具有一定重叠度。
步骤2:基于点云曲率进行数据降采样。移动最小二乘法曲面拟合计算点云曲率,为保证运行速度,计算同时将曲率值从大到小插入排序,结合实际需要,按百分比保留大曲率点,简化数据,加快配准速度。高斯曲率k通过下式计算:
其中g(x)是求能量函数e(y,a)偏导数的最小值,移动最小二乘曲面就是求e(y,a)沿向量场n(x)方向的局部最小值:
式中:y、a分别是位置向量和方向向量;qi为源点云P中的数据点;vi为点qi对应的法向量,法向量的计算方法展示在步骤3.1中。
上面两步得到了得到降采样精简点云。曲率采样的方法在删减数据的同时很好地保留了点的特征明显区域,未改变点的原始空间坐标,既加快速度又保留精度。
步骤3:在精简点云中使用Harris 3D检测器提取特征点,具体步骤包括:
步骤3.1:计算法向量vi,点pi的法向量计算如下,其中点c为pi的邻域N内所有点的质心:
步骤4.2:计算协方差矩阵COV:
点基于协方差的响应为RH,提取对应点为特征点:
RH=Det(COV)-γ·Tr(COV)2
步骤4:通过计算所有特征点的几何距离,建立特征点基于几何关系的表面描述,具体步骤如下:
步骤4.1:源点云通过上步提取到特征点Pk,(k=1,2...K,K为特征点总数)计算特征点两两之间的几何距离d(Pl,Pk):
步骤4.2:选取特征点Pl的两个最近点Pn1和Pn2组成集合αl,αl∈Pk,αl的每列包含一个特征点的坐标信息。其余关键点Pl+1...Pk对应子集合αl+1...αk均可用相似方法求出:
αl=[P1 Pn1 Pn2]
子集合α1和α2的几何转换关系如下:
其中αl+1=[Pl+1 Pm1 Pm2],Pm1和Pm2表示特征点Pl+1的最近两点。定义为特征点子集αl和αl+1的几何表面关系描述。同样的方法,我们可以从子集合αl+1...αk得到源点云所有特征点的几何描述同理可获得目标点云的所有特征点几何表面描述L为目标点云Q提取的特征总数。
步骤4.3:计算出点云的所有特征点几何描述后,同一片点云有很小概率可能存在相似描述,为排除相似性干扰,计算他们之间的角度err,取值范围为0到π/2,通过比较角度删除特征点相似表面描述:
步骤5:获得τα和τβ为源点云P,目标点云Q的特征点几何表面描述,匹配τα和τβ,得到所有对应关系其中NC为对应描述的个数,通过特征点的局部坐标信息(LRF)计算每组Ci的旋转矩阵R和平移矩阵t。
t=q1-p1R
计算配准后对应点间的距离和,评价转换效果,选出最优矩阵,进行点云初始配准。
本实施例具有以上优点,主要在于:
曲率采样方式对点云数据精简是针对性的,保留特征明显区域,削减特征薄弱区域数据量,同时保留数据点原始坐标信息,对高精细配准尤其重要。
基于特征点的几何关系形成了稳定的表面描述,不易受噪声和采样比例的干扰,鲁棒性强。减少了特征点邻域的多尺度计算,加快了配准速度。
任何先进的3D特征点检测器均可结合使用,可移植性强,可进行目标识别等拓展应用。
Claims (5)
1.一种基于特征点几何表面描述的点云配准方法,其特征在于:包括如下基本步骤:
步骤1:获取点云数据;
步骤2:通过3D Harris检测器获取点云特征点;
步骤3:由特征点获取特征点集;计算特征点两两之间的距离,然后选取特征点的两个最小距离组成子集合,最后通过子集合的几何关系计算特征点的表面描述将所有特征点的表面描述和局部坐标LRF统一储存;
步骤4:利用特征点几何表面描述寻找对应关系进行点云初始配准,通过点对储存的信息计算旋转矩阵和平移矩阵,完成点云配准。
2.根据权利要求1所述的基于特征点几何表面描述的点云配准方法,其特征在于:所述的步骤1中包括:
步骤1.1:通过点云扫描设备获取初始源点云、目标点云数据;
步骤1.2:基于点云曲率采样,结合实际需要设置采样比例进行曲率筛选,计算点云曲率的同时将曲率从大到小插入排序。
3.根据权利要求1所述的基于特征点几何表面描述的点云配准方法,其特征在于:所述步骤2采用如下步骤提取特征点:
步骤2.1:计算邻域N内所有点的局部法线ni;
步骤2.2:通过法线计算协方差矩阵COV;
协方差矩阵基于行列式Det和迹Tr提供各点的响应RH:
RH=Det(COV)-γ·Tr(COV)2
其中γ为恰当的常数。
4.根据权利要求1所述的基于特征点几何表面描述的点云配准方法,其特征在于:所述步骤3采用如下步骤计算特征点几何关系进行目标表面描述:
步骤3.1:计算特征点间几何距离d(Pl,Pk),k为检测到的特征点总数:
步骤3.2:选取与特征点Pl距离最近的两个特征点组成子集αl,组成形式如下:
αl=[PlPn1Pn2]
其中Pn1和Pn2为距离Pl最近的两点,具体包含了三组坐标信息:
同理可计算αl+1为点Pl+1与周围两点形成的子集合,αl与αl+1的几何关系转换为:
其中,定义为关键点的几何表面描述;
步骤3.3:计算几何表面描述量间的角度,排除相似量,减小对配准影响:
5.根据权利要求1所述的基于特征点几何表面描述的点云配准方法,其特征在于:所述的步骤4中采用如下步骤完成两片点云的初始配准:
步骤4.1:匹配相同τα∈P和τβ∈Q,得到一组对应关系其中NC为对应描述个数,对于每个Ci计算旋转矩阵和平移矩阵:
t=q1-p1R
其中p1和q1是一组对应点,LRFq和LRFp为相应点储存的局部坐标信息。
步骤4.2:计算对齐后对应点间距离和,评价转换效果,选取对应距离最小时所求矩阵为最终矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811383890.3A CN109544612B (zh) | 2018-11-20 | 2018-11-20 | 基于特征点几何表面描述的点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811383890.3A CN109544612B (zh) | 2018-11-20 | 2018-11-20 | 基于特征点几何表面描述的点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544612A true CN109544612A (zh) | 2019-03-29 |
CN109544612B CN109544612B (zh) | 2021-06-22 |
Family
ID=65848579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811383890.3A Active CN109544612B (zh) | 2018-11-20 | 2018-11-20 | 基于特征点几何表面描述的点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544612B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097582A (zh) * | 2019-05-16 | 2019-08-06 | 广西师范大学 | 一种点云优化配准与实时显示系统及工作方法 |
CN110111421A (zh) * | 2019-05-10 | 2019-08-09 | 武汉海达数云技术有限公司 | 一种移动测绘点云的方法及装置 |
CN111009002A (zh) * | 2019-10-16 | 2020-04-14 | 贝壳技术有限公司 | 点云配准检测方法、装置以及电子设备、存储介质 |
CN111325779A (zh) * | 2020-02-07 | 2020-06-23 | 贝壳技术有限公司 | 点云配准方法和装置、电子设备和存储介质 |
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN112150606A (zh) * | 2020-08-24 | 2020-12-29 | 上海大学 | 一种基于点云数据的螺纹表面三维重构方法 |
CN112669359A (zh) * | 2021-01-14 | 2021-04-16 | 武汉理工大学 | 一种三维点云配准方法、装置、设备及存储介质 |
CN112819869A (zh) * | 2021-01-22 | 2021-05-18 | 辽宁工程技术大学 | 一种基于IHarris-TICP算法的三维点云配准方法 |
CN113112615A (zh) * | 2021-03-31 | 2021-07-13 | 江苏航空职业技术学院 | 一种基于几何特征的云拼合方法 |
CN113223062A (zh) * | 2021-06-04 | 2021-08-06 | 武汉工控仪器仪表有限公司 | 一种基于角点特征点选取与快速描述子的点云配准方法 |
CN113436237A (zh) * | 2021-08-26 | 2021-09-24 | 之江实验室 | 一种基于高斯过程迁移学习的复杂曲面高效测量系统 |
CN113484875A (zh) * | 2021-07-30 | 2021-10-08 | 燕山大学 | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 |
CN115349967A (zh) * | 2022-08-19 | 2022-11-18 | 首都医科大学附属北京口腔医院 | 一种显示方法、装置、电子设备及计算机可读存储介质 |
CN116152303A (zh) * | 2022-09-08 | 2023-05-23 | 上海贝特威自动化科技有限公司 | 一种基于几何空间一致性加权的二部图点云匹配算法 |
CN113223062B (zh) * | 2021-06-04 | 2024-05-07 | 武汉工控仪器仪表有限公司 | 一种基于角点特征点选取与快速描述子的点云配准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766302A (zh) * | 2015-02-05 | 2015-07-08 | 武汉大势智慧科技有限公司 | 一种利用无人机图像优化激光扫描点云数据的方法及系统 |
CN105046694A (zh) * | 2015-07-02 | 2015-11-11 | 哈尔滨工程大学 | 一种基于曲面拟合系数特征的点云快速配准方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
-
2018
- 2018-11-20 CN CN201811383890.3A patent/CN109544612B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766302A (zh) * | 2015-02-05 | 2015-07-08 | 武汉大势智慧科技有限公司 | 一种利用无人机图像优化激光扫描点云数据的方法及系统 |
CN105046694A (zh) * | 2015-07-02 | 2015-11-11 | 哈尔滨工程大学 | 一种基于曲面拟合系数特征的点云快速配准方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
Non-Patent Citations (1)
Title |
---|
张育锋: "三维数据点云的去噪及其检测", 《《中国优秀硕士学位论文全文数据库·信息科技辑》》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN111815686B (zh) * | 2019-04-12 | 2023-08-18 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
CN110111421A (zh) * | 2019-05-10 | 2019-08-09 | 武汉海达数云技术有限公司 | 一种移动测绘点云的方法及装置 |
CN110097582A (zh) * | 2019-05-16 | 2019-08-06 | 广西师范大学 | 一种点云优化配准与实时显示系统及工作方法 |
CN110097582B (zh) * | 2019-05-16 | 2023-03-31 | 广西师范大学 | 一种点云优化配准与实时显示系统及工作方法 |
CN111009002A (zh) * | 2019-10-16 | 2020-04-14 | 贝壳技术有限公司 | 点云配准检测方法、装置以及电子设备、存储介质 |
CN111325779A (zh) * | 2020-02-07 | 2020-06-23 | 贝壳技术有限公司 | 点云配准方法和装置、电子设备和存储介质 |
CN112150606B (zh) * | 2020-08-24 | 2022-11-08 | 上海大学 | 一种基于点云数据的螺纹表面三维重构方法 |
CN112150606A (zh) * | 2020-08-24 | 2020-12-29 | 上海大学 | 一种基于点云数据的螺纹表面三维重构方法 |
CN112669359A (zh) * | 2021-01-14 | 2021-04-16 | 武汉理工大学 | 一种三维点云配准方法、装置、设备及存储介质 |
CN112669359B (zh) * | 2021-01-14 | 2023-05-26 | 武汉理工大学 | 一种三维点云配准方法、装置、设备及存储介质 |
CN112819869A (zh) * | 2021-01-22 | 2021-05-18 | 辽宁工程技术大学 | 一种基于IHarris-TICP算法的三维点云配准方法 |
CN113112615A (zh) * | 2021-03-31 | 2021-07-13 | 江苏航空职业技术学院 | 一种基于几何特征的云拼合方法 |
CN113112615B (zh) * | 2021-03-31 | 2023-10-13 | 江苏航空职业技术学院 | 一种基于几何特征的云拼合方法 |
CN113223062A (zh) * | 2021-06-04 | 2021-08-06 | 武汉工控仪器仪表有限公司 | 一种基于角点特征点选取与快速描述子的点云配准方法 |
CN113223062B (zh) * | 2021-06-04 | 2024-05-07 | 武汉工控仪器仪表有限公司 | 一种基于角点特征点选取与快速描述子的点云配准方法 |
CN113484875A (zh) * | 2021-07-30 | 2021-10-08 | 燕山大学 | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 |
CN113436237A (zh) * | 2021-08-26 | 2021-09-24 | 之江实验室 | 一种基于高斯过程迁移学习的复杂曲面高效测量系统 |
CN115349967B (zh) * | 2022-08-19 | 2024-04-12 | 首都医科大学附属北京口腔医院 | 一种显示方法、装置、电子设备及计算机可读存储介质 |
CN115349967A (zh) * | 2022-08-19 | 2022-11-18 | 首都医科大学附属北京口腔医院 | 一种显示方法、装置、电子设备及计算机可读存储介质 |
CN116152303A (zh) * | 2022-09-08 | 2023-05-23 | 上海贝特威自动化科技有限公司 | 一种基于几何空间一致性加权的二部图点云匹配算法 |
CN116152303B (zh) * | 2022-09-08 | 2023-11-24 | 上海贝特威自动化科技有限公司 | 一种基于几何空间一致性加权的二部图点云匹配算法 |
Also Published As
Publication number | Publication date |
---|---|
CN109544612B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544612A (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
Yang et al. | Automatic registration of large-scale urban scene point clouds based on semantic feature points | |
CN109410256B (zh) | 基于互信息的点云与影像自动高精度配准方法 | |
Yang et al. | An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds | |
CN105469388B (zh) | 基于降维的建筑物点云配准方法 | |
Monnier et al. | Trees detection from laser point clouds acquired in dense urban areas by a mobile mapping system | |
Suveg et al. | Reconstruction of 3D building models from aerial images and maps | |
Dai et al. | Automated fusion of forest airborne and terrestrial point clouds through canopy density analysis | |
CN106780619A (zh) | 一种基于Kinect深度相机的人体尺寸测量方法 | |
CN104536009A (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
Jarząbek-Rychard et al. | 3D building reconstruction from ALS data using unambiguous decomposition into elementary structures | |
CN109685886A (zh) | 一种基于混合现实技术的配网三维场景建模方法 | |
CN111028358A (zh) | 室内环境的增强现实显示方法、装置及终端设备 | |
Abdul-Rahman et al. | Innovations in 3D geo information systems | |
CN114140539A (zh) | 一种室内物体的位置获取方法和装置 | |
Shufelt | Geometric constraints for object detection and delineation | |
Liang et al. | A novel skyline context descriptor for rapid localization of terrestrial laser scans to airborne laser scanning point clouds | |
Wang | Automatic extraction of building outline from high resolution aerial imagery | |
Sun et al. | Geographic, geometrical and semantic reconstruction of urban scene from high resolution oblique aerial images. | |
Yuan et al. | 3D point cloud recognition of substation equipment based on plane detection | |
CN114137564A (zh) | 一种室内物体自动标识定位方法和装置 | |
CN113536997A (zh) | 基于图像识别和行为分析的智能安防系统及方法 | |
Ruiz et al. | Automatic extraction of road intersections from images based on texture characterisation | |
Hebel et al. | Pre-classification of points and segmentation of urban objects by scan line analysis of airborne LiDAR data |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 610500, Xindu Avenue, Xindu District, Sichuan, Chengdu, 8 Patentee after: SOUTHWEST PETROLEUM University Address before: No.8 Xindu Avenue, Gaodu District, Chengdu, Sichuan 610000 Patentee before: SOUTHWEST PETROLEUM University |