CN109583302A - 一种移动机器人可行区域训练数据集扩充方法 - Google Patents
一种移动机器人可行区域训练数据集扩充方法 Download PDFInfo
- Publication number
- CN109583302A CN109583302A CN201811270865.4A CN201811270865A CN109583302A CN 109583302 A CN109583302 A CN 109583302A CN 201811270865 A CN201811270865 A CN 201811270865A CN 109583302 A CN109583302 A CN 109583302A
- Authority
- CN
- China
- Prior art keywords
- image
- transformation
- mobile robot
- data set
- sample
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Abstract
本发明公开了一种移动机器人可行区域训练数据集扩充方法,使用双目摄像头采集额定张包含地形地貌的原始图像,其后对图像作标准化处理,以便于后续的数据集扩充变换,随后进行图像变换扩充。在此基础上,通过图像合成、增加雨雪印记、模拟红外来扩充不同气象及拍摄条件下得到的图像样本,变换出许多特殊情况下才可能采集到的图像样本。本发明有效扩大了数据集覆盖范围,为后续的机器学习增加了更多的训练样本,显著缩短了构建数据集的周期,降低了构建数据集的成本,辅助提高了移动机器人的训练效果,提高了机器人在多种特殊情况下对可行区域的识别率。
Description
技术领域
本发明涉及一种数据集扩充方法,特别涉及一种移动机器人可行区域训练数据集扩充方法。
背景技术
可行区域是指移动机器人可以行走的区域,对可行区域进行识别是移动机器人导航与规划的前提条件。目前的可行区域识别技术主要是把传感器(如:激光雷达、视觉等)覆盖的空间区分为可行区域与不可行区域。随着机器人技术的发展,机器人应用领域也在不断扩展,其工作环境逐步从室内拓展至室外。室外可行区域区别的区别非常大,例如:柏油路、泥土路、瓷砖路、草地、沙子路等。不同可行区域尽管都可以行走,但是对机器人的速度、安全性、能耗等指标影响非常大。考虑到移动机器人工作时不同的地形地貌地貌对其造成的影响,区分不同的可行区域对移动机器人的导航与规划非常重要,但目前这方面的技术尚处于起步阶段。图像识别目前常常采用机器学习的办法,而机器学习的关键是有一个海量的样本集供训练使用。对于机器人可行区域识别而言,如果样本库过泛,或导致识别率低、实时性差等问题,如果对不同的工作环境建立专门的样本库,则需要投入大量的人力物力。如何针对专门的工作环境,快速低成本的建立有效的样本库是本发明要解决的问题。
发明内容
针对一般图像库扩充方法仅能变换得到平常状况下的图像,扩充时覆盖面较窄的问题,本发明提供了一种移动机器人可行区域训练数据集扩充方法,覆盖了平常以及特殊情况下可能拍摄的图像,增加了数据集的丰富性。
本发明的技术方案为:
一种移动机器人可行区域训练数据集扩充方法,包括以下步骤:
步骤一:使用双目摄像头获取额定张包含不同地形地貌的原始图像,并利用双目测算所述图像上若干点之间相对位置高度,对存在相对位置高度差大于额定值的图像作标记;
步骤二:使用循环剪切法每隔固定像素剪切原始图像,得到若干子图像并保存;
步骤三:将所述子图像中像素小于固定像素的边缘子图像删去,剩下若干大小一致的等像素图像并保存;
步骤四:从所述等像素图像中筛选出地形地貌信息所占像素比大于等于预设值的图像,然后作为初始图像保存;
步骤五:将所述初始图像以预设的比例缩放,得到样本图像的数据集并保存;
步骤六:两两对比所述数据集中图像的相似度,生成若干组带两张相似图像的图组,将所述图组以相似度为标准排序,将排行位于阈值之前的图组中的两张图像合成,保存合成图以及原数据集的图像为样本数据集;
步骤七:以旋转变换、翻转变换、缩放变换、镜像变换,过滤变换、对比度变换以及噪声扰动为变换基本元素,生成若干种不同的变换组合,对照每种数学组合中包含的元素对样本数据集中图像进行对应的变换或扰动,将新生成的图像以及原有的图像保存为一次扩充数据集;
步骤八:将一次扩充数据集中的部分图像制作副本,对副本图像增加气象效果或镜头异常效果,将一次扩充数据集中的图像以及增加效果后的图像保存为二次扩充数据集;
步骤九:将二次扩充数据集中的部分图像制作副本,对副本图像进行模拟红外变换,随后将二次扩充数据集中的图像以及模拟红外变换后的图像保存为最终数据集。
作为优选,在所述步骤七中,
所述旋转变换为:以指定或随机的角度,将样本图像以中点为基准进行旋转;
所述翻转变换为:以指定或随机的角度,将样本图像绕水平轴或垂直轴翻转;
所述缩放变换为:以指定或随机的比例,对样本图像进行放大或缩小;
所述镜像变换为:以样本图像中指定或随机的一条直线为基准进行镜像变化操作;
所述过滤变换为:使用指定或随机的尺度因子对样本图像进行变换,重新构建比例空间,更改模糊程度;
所述对比度变换为:色调不变,改变样本图像的饱和度以及亮度;
所述噪声扰动为:利用高斯噪声和椒盐噪声对样本图像进行组合噪声扰动。
作为优选,所述七种变换或扰动中,通过参数调整,每种变换或扰动以指定量或随机量生成至少三个独立结果,也可以与其他变换组合生成结果。
作为优选,在所述步骤一中,所述原始图像包括多种不同光照条件,以及至少包括10种不同的地形地貌,每种类型的地形地貌至少收集100张图像,所述相对位置高度信息的提取过程为:从图像中提取N个服从均匀分布的像素点,从所述像素点中随机取9个点,利用所述点在双目中的深度信息,计算它们的相对位置关系,根据上述点的高度均值建立基准平面,使用点到平面的距离公式计算所述N个像素点到所得平面的距离,标记距离大于额定阈值的点。
作为优选,在所述步骤二中,所述循环剪切法为从原始图像左上角开始,以固定像素的步长,向右并向下循环截取固定大小的子图像。
作为优选,在所述步骤四中,所述预设值为百分之十五。
作为优选,在所述步骤六中,所述额定值为百分之二,所述相似度对比方法为:将图像转换为HSV格式,求取两张图像的HSV元素方差和,并进行归一化。将方差和按照从小到大排序,获得对应的相似度序列,所述合成方法为:对于两幅相似图像A与图像B,将A与B随机切割为纵向或横向的2部分,设A切为A1与A2,B切为B1与B2, A与B尺寸一样,且切割位置相同,因此,必有A1与B1尺寸等同,将A1与B2拼接合成,将A2与B1拼接合成。
作为优选,在所述步骤八中,所述副本图像中随机选取总数的十分之一张图像,每张图像各生成一张带天气效果的样本图,另随机选取总数的百分之二张图像,每张图像各生成一张带镜头异常效果的样本图,再从副本图像中随机选取总数的百分之一张图像,每张图像各生成一张同时带天气效果和镜头异常效果的样本图。
作为优选,所述天气效果包括下雨、下雪以及起雾,所述镜头异常效果包括镜片污点、镜片裂纹、镜片遮挡以及镜片磨损。
本发明收集初始图像后,先对图像作标准化处理,方便后续的变换,在传统的变换手法之外还设有图像合成、增加雨雪效果、模拟红外来扩充不同气象及拍摄条件下得到的图像样本,变换出许多特殊情况下才可能采集到的图像样本。本发明有效扩大了数据集覆盖范围,为后续的机器学习增加了更多的训练样本,显著缩短了构建数据集的周期,降低了构建数据集的成本,辅助提高了移动机器人的训练效果,提高了机器人在多种特殊情况下对可行区域的识别率。
综上所述,本发明的有益效果为:囊括了多种特殊情况下才可能拍摄的图像,增加了图像数据集所覆盖的范围,有效提高机器识别率,缩短了构建数据集的周期,降低了构建数据集的成本。
具体实施方式
下面通过具体实施例对本发明的技术方案作进一步阐述。
实施例:一种移动机器人可行区域训练数据集扩充方法,包括以下步骤:
步骤一:使用双目摄像头获取额定张包含地形地貌的原始图像,并在所述图像上计算出若干点之间相对位置高度,对存在相对位置高度差大于额定值的图像作标记;在所述步骤一中,所述原始图像包括多种不同光照条件,以及包括10种不同的地形地貌,每种类型的地形地貌收集100张图像,所述相对位置高度信息的提取过程为:从图像中提取N个服从均匀分布的像素点,从所述像素点中随机取9个点,利用所述点在双目中的深度信息,计算它们的相对位置关系,根据上述点的高度均值建立基准平面,使用点到平面的距离公式计算所述N个像素点到所得平面的距离,标记距离大于额定阈值的点。
步骤二:使用循环剪切法每隔固定像素剪切原始图像,得到若干子图像并保存;在所述步骤二中,所述循环剪切法为从原始图像左上角开始,以20像素的步长,向右并向下循环截取固定大小的子图像。
步骤三:将所述子图像中像素小于固定像素的边缘子图像删去,剩下若干大小一致的等像素图像并保存;
步骤四:从所述等像素图像中筛选出地形地貌信息所占像素比大于等于百分之十五的图像,然后作为初始图像保存;
步骤五:将所述初始图像以预设的比例缩放,得到样本图像的数据集并保存;
步骤六:两两对比所述数据集中图像的相似度,生成若干组带两张相似图像的图组,将所述图组以相似度为标准排序,将排行位于百分之二之前的图组中的两张图像合成,保存合成图以及原数据集的图像为样本数据集;在所述步骤六中,所述相似度对比方法为:将图像转换为HSV格式,求取两张图像的HSV元素方差和,并进行归一化。将方差和按照从小到大排序,获得对应的相似度序列,所述合成方法为:对于两幅相似图像A与图像B,将A与B随机切割为2部分(纵向或横向),设A切为A1与A2,B切为B1与B2,因A与B尺寸一样,且切割位置相同,因此,必有A1与B1尺寸等同,将A1与B2拼接合成,将A2与B1拼接合成。
步骤七:以旋转变换、翻转变换、缩放变换、镜像变换,过滤变换、对比度变换以及噪声扰动为变换基本元素,生成20种不同的变换组合,对照每种变换组合中包含的元素对样本数据集中图像进行对应的变换或扰动,将新生成的图像以及原有的图像保存为一次扩充数据集。在所述步骤七中,所述旋转变换为:以指定或随机的角度,将样本图像以中点为基准进行旋转;所述翻转变换为:以指定或随机的角度,将样本图像绕水平轴或垂直轴翻转;所述缩放变换为:以指定或随机的比例,对样本图像进行放大或缩小;所述镜像变换为:以样本图像中指定或随机的一条直线为基准进行镜像变化操作;所述过滤变换为:使用指定的尺度因子对样本图像进行变换,重新构建比例空间,更改模糊程度;所述对比度变换为:色调不变,改变样本图像的饱和度以及亮度;所述噪声扰动为:利用高斯噪声和椒盐噪声对样本图像进行组合噪声扰动。所述七种变换中,每种变换以指定量或随机量生成三种单独的结果。
步骤八:将一次扩充数据集中的部分图像制作副本,对副本图像增加气象效果或镜头异常效果,将一次扩充数据集中的图像以及增加效果后的图像保存为二次扩充数据集;在所述步骤八中,所述副本图像中随机选取总数的十分之一张图像,每张图像各生成一张带天气效果的样本图,另随机选取总数的百分之二张图像,每张图像各生成一张带镜头异常效果的样本图,再从副本图像中随机选取总数的百分之一张图像,每张图像各生成一张同时带天气效果和镜头异常效果的样本图。本实施例中所述天气效果包括下雨、下雪以及起雾,所述镜头异常效果包括镜片污点、镜片裂纹、镜片遮挡以及镜片磨损。
步骤九:将二次扩充数据集中的部分图像制作副本,对副本图像进行模拟红外变换,随后将二次扩充数据集中的图像以及模拟红外变换后的图像保存为最终数据集。
本实施例收集初始图像后,先对图像作标准化处理,方便后续的变换,在传统的变换手法之外还设有图像合成、增加雨雪效果、模拟红外来扩充不同气象及拍摄条件下得到的图像样本,变换出许多特殊情况下才可能采集到的图像样本。本发明有效扩大了数据集覆盖范围,为后续的机器学习增加了更多的训练样本,显著缩短了构建数据集的周期,降低了构建数据集的成本,辅助提高了移动机器人的训练效果,提高了机器人在多种特殊情况下对可行区域的识别率。
应当说明的是,该具体实施例仅用于对技术方案的进一步阐述,不用于限定该技术方案的范围,任何基于此技术方案的修改、等同替换和改进等都应视为在本发明的保护范围内。
Claims (9)
1.一种移动机器人可行区域训练数据集扩充方法,其特征在于:
包括以下步骤:
步骤一:使用双目摄像头获取额定张包含不同地形地貌的原始图像,并利用双目测算所述图像上若干点之间相对位置高度,对存在相对位置高度差大于额定值的图像作标记;
步骤二:使用循环剪切法每隔固定像素剪切原始图像,得到若干子图像并保存;
步骤三:将所述子图像中像素小于固定像素的边缘子图像删去,剩下若干大小一致的等像素图像并保存;
步骤四:从所述等像素图像中筛选出地形地貌信息所占像素比大于等于预设值的图像,然后作为初始图像保存;
步骤五:将所述初始图像以预设的比例缩放,得到样本图像的数据集并保存;
步骤六:两两对比所述数据集中图像的相似度,生成若干组带两张相似图像的图组,将所述图组以相似度为标准排序,将排行位于阈值之前的图组中的两张图像合成,保存合成图以及原数据集的图像为样本数据集;
步骤七:以旋转变换、翻转变换、缩放变换、镜像变换,过滤变换、对比度变换以及噪声扰动为变换基本元素,生成若干种不同的变换组合,对照每种数学组合中包含的元素对样本数据集中图像进行对应的变换或扰动,将新生成的图像以及原有的图像保存为一次扩充数据集;
步骤八:将一次扩充数据集中的部分图像制作副本,对副本图像增加气象效果或镜头异常效果,将一次扩充数据集中的图像以及增加效果后的图像保存为二次扩充数据集;
步骤九:将二次扩充数据集中的部分图像制作副本,对副本图像进行模拟红外变换,随后将二次扩充数据集中的图像以及模拟红外变换后的图像保存为最终数据集。
2.根据权利要求1所述的一种移动机器人可行区域训练数据集扩充方法,其特征在于:
在所述步骤七中,
所述旋转变换为:以指定或随机的角度,将样本图像以中点为基准进行旋转;
所述翻转变换为:以指定或随机的角度,将样本图像绕水平轴或垂直轴翻转;
所述缩放变换为:以指定或随机的比例,对样本图像进行放大或缩小;
所述镜像变换为:以样本图像中指定或随机的一条直线为基准进行镜像变化操作;
所述过滤变换为:使用指定或随机的尺度因子对样本图像进行变换,重新构建比例空间,更改模糊程度;
所述对比度变换为:色调不变,改变样本图像的饱和度以及亮度;
所述噪声扰动为:利用高斯噪声和椒盐噪声对样本图像进行组合噪声扰动。
3.根据权利要求2所述的一种移动机器人可行区域训练数据集扩充方法,其特征在于:
所述变换或扰动中,通过参数调整,每种变换或扰动以指定量或随机量生成至少三个独立结果。
4.根据权利要求1所述的一种移动机器人可行区域训练数据集扩充方法,其特征在于:
在所述步骤一中,所述原始图像包括多种不同光照条件,以及至少包括10种不同的地形地貌,每种类型的地形地貌至少收集100张图像,所述相对位置高度信息的提取过程为:从图像中提取N个服从均匀分布的像素点,从所述像素点中随机取9个点,利用所述点在双目中的深度信息,计算它们的相对位置关系,根据上述点的高度均值建立基准平面,使用点到平面的距离公式计算所述N个像素点到所得平面的距离,标记距离大于额定阈值的点。
5.根据权利要求1所述的一种移动机器人可行区域训练数据集扩充方法,其特征在于:
在所述步骤二中,所述循环剪切法为从原始图像左上角开始,以固定像素的步长,向右并向下循环截取固定大小的子图像。
6.根据权利要求1所述的一种移动机器人可行区域训练数据集扩充方法,其特征在于:
在所述步骤四中,所述预设值为百分之十五。
7.根据权利要求1所述的一种移动机器人可行区域训练数据集扩充方法,其特征在于:
在所述步骤六中,所述阈值为百分之二,所述相似度对比方法为:将图像转换为HSV格式,求取两张图像的HSV元素方差和,并进行归一化,将方差和按照从小到大排序,获得对应的相似度序列,所述合成方法为:对于两幅相似的图像A与图像B,将A与B随机切割为纵向或横向的2部分,设A切为A1与A2,B切为B1与B2,A与B尺寸一样,且切割位置相同,即A1与B1尺寸等同,然后将A1与B2拼接合成为合成图C,将A2与B1拼接合成为合成图D。
8.根据权利要求1所述的一种移动机器人可行区域训练数据集扩充方法,其特征在于:
在所述步骤八中,从所述副本图像中随机选取总数的十分之一张图像,每张图像各生成一张带天气效果的样本图,另随机选取总数的百分之二张图像,每张图像各生成一张带镜头异常效果的样本图,再从副本图像中随机选取总数的百分之一张图像,每张图像各生成一张同时带天气效果和镜头异常效果的样本图。
9.根据权利要求1所述的一种移动机器人可行区域训练数据集扩充方法,其特征在于:
所述天气效果包括下雨、下雪以及起雾,所述镜头异常效果包括镜片污点、镜片裂纹、镜片遮挡以及镜片磨损。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811270865.4A CN109583302B (zh) | 2018-10-29 | 2018-10-29 | 一种移动机器人可行区域训练数据集扩充方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811270865.4A CN109583302B (zh) | 2018-10-29 | 2018-10-29 | 一种移动机器人可行区域训练数据集扩充方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583302A true CN109583302A (zh) | 2019-04-05 |
CN109583302B CN109583302B (zh) | 2020-09-18 |
Family
ID=65920778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811270865.4A Active CN109583302B (zh) | 2018-10-29 | 2018-10-29 | 一种移动机器人可行区域训练数据集扩充方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583302B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287988A (zh) * | 2019-05-16 | 2019-09-27 | 平安科技(深圳)有限公司 | 数据增强方法、装置及计算机可读存储介质 |
CN110888116A (zh) * | 2019-12-04 | 2020-03-17 | 吉林大学 | 一种基于空间点云生成的激光雷达数据扩充方法 |
CN112782665A (zh) * | 2021-03-16 | 2021-05-11 | 浙江大学 | 一种基于fmcw雷达rdi的数据集拓展方法 |
CN112835009A (zh) * | 2021-03-16 | 2021-05-25 | 浙江大学 | 一种基于fmcw雷达rai的数据集拓展方法 |
CN113408393A (zh) * | 2021-06-15 | 2021-09-17 | 上海海洋大学 | 一种木薯病害识别方法 |
CN116821398A (zh) * | 2023-08-14 | 2023-09-29 | 新唐信通(北京)科技有限公司 | 一种道路缺陷识别模型训练用数据集获取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877146A (zh) * | 2010-07-15 | 2010-11-03 | 北京工业大学 | 一种扩充三维人脸数据库的方法 |
CN102103695A (zh) * | 2009-12-21 | 2011-06-22 | 北京中星微电子有限公司 | 一种图像样本生成方法及装置 |
CN108171700A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于对抗网络的医学图像肺结节检测方法 |
CN108492343A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 一种扩充目标识别的训练数据的图像合成方法 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
CN108573284A (zh) * | 2018-04-18 | 2018-09-25 | 陕西师范大学 | 基于正交实验分析的深度学习人脸图像扩充方法 |
-
2018
- 2018-10-29 CN CN201811270865.4A patent/CN109583302B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103695A (zh) * | 2009-12-21 | 2011-06-22 | 北京中星微电子有限公司 | 一种图像样本生成方法及装置 |
CN101877146A (zh) * | 2010-07-15 | 2010-11-03 | 北京工业大学 | 一种扩充三维人脸数据库的方法 |
CN108171700A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于对抗网络的医学图像肺结节检测方法 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
CN108492343A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 一种扩充目标识别的训练数据的图像合成方法 |
CN108573284A (zh) * | 2018-04-18 | 2018-09-25 | 陕西师范大学 | 基于正交实验分析的深度学习人脸图像扩充方法 |
Non-Patent Citations (2)
Title |
---|
张子龙等: "一种基于多尺度结构自相似性的图像超分辨率重建算法", 《科学技术与工程》 * |
陆尘等: "基于样本自动扩充的街区式农村居民地遥感提取方法", 《地球信息科学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287988A (zh) * | 2019-05-16 | 2019-09-27 | 平安科技(深圳)有限公司 | 数据增强方法、装置及计算机可读存储介质 |
CN110287988B (zh) * | 2019-05-16 | 2024-03-22 | 平安科技(深圳)有限公司 | 数据增强方法、装置及计算机可读存储介质 |
CN110888116A (zh) * | 2019-12-04 | 2020-03-17 | 吉林大学 | 一种基于空间点云生成的激光雷达数据扩充方法 |
CN110888116B (zh) * | 2019-12-04 | 2021-08-13 | 吉林大学 | 一种基于空间点云生成的激光雷达数据扩充方法 |
CN112782665A (zh) * | 2021-03-16 | 2021-05-11 | 浙江大学 | 一种基于fmcw雷达rdi的数据集拓展方法 |
CN112835009A (zh) * | 2021-03-16 | 2021-05-25 | 浙江大学 | 一种基于fmcw雷达rai的数据集拓展方法 |
CN112835009B (zh) * | 2021-03-16 | 2022-07-01 | 浙江大学 | 一种基于fmcw雷达rai的数据集拓展方法 |
CN112782665B (zh) * | 2021-03-16 | 2022-07-01 | 浙江大学 | 一种基于fmcw雷达rdi的数据集拓展方法 |
CN113408393A (zh) * | 2021-06-15 | 2021-09-17 | 上海海洋大学 | 一种木薯病害识别方法 |
CN116821398A (zh) * | 2023-08-14 | 2023-09-29 | 新唐信通(北京)科技有限公司 | 一种道路缺陷识别模型训练用数据集获取方法 |
CN116821398B (zh) * | 2023-08-14 | 2023-11-10 | 新唐信通(浙江)科技有限公司 | 一种道路缺陷识别模型训练用数据集获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109583302B (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583302A (zh) | 一种移动机器人可行区域训练数据集扩充方法 | |
US10846874B2 (en) | Method and apparatus for processing point cloud data and storage medium | |
CN100349185C (zh) | 地图生成设备、地图发送方法 | |
Qin et al. | Object-based 3-D building change detection on multitemporal stereo images | |
Ghaffarian | Automatic building detection based on supervised classification using high resolution Google Earth images | |
Garilli et al. | Automatic detection of stone pavement's pattern based on UAV photogrammetry | |
CN103985133B (zh) | 基于图割能量优化的影像间最优拼接线寻找方法及系统 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
US20140133741A1 (en) | Device for generating three dimensional feature data, method for generating three-dimensional feature data, and recording medium on which program for generating three-dimensional feature data is recorded | |
CN106127204A (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN107818303B (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
CN108564787A (zh) | 基于浮动车法的交通观测方法、系统及设备 | |
Pan et al. | Seamline determination based on segmentation for urban image mosaicking | |
CN106780586B (zh) | 一种基于地面激光点云的太阳能潜力评估方法 | |
EP3770799A1 (en) | A method of identifying topographic features | |
Baluyan et al. | Novel approach for rooftop detection using support vector machine | |
CN106339985B (zh) | 一种从矢量房屋数据中选取镶嵌线对航空影像镶嵌的方法 | |
CN114581307A (zh) | 用于目标追踪识别的多图像拼接方法、系统、设备及介质 | |
Puttemans et al. | Detecting of photovoltaic installations in RGB aerial imaging: a comparative study | |
Gong et al. | Roof-cut guided localization for building change detection from imagery and footprint map | |
Mi et al. | Automatic road structure detection and vectorization Using Mls point clouds | |
CN114648549A (zh) | 一种融合视觉和激光雷达的交通场景目标检测及定位方法 | |
Haverkamp et al. | Complementary methods for extracting road centerlines from IKONOS imagery | |
KR102616809B1 (ko) | Rs gis 기반 친수시설 정보맵 작성 및 유역조사를 위한 시스템 및 방법 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210428 Address after: Room 800-13, 8th floor, building 3, No.16 Longtan Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou jiafeimao Network Technology Co.,Ltd. Address before: 310018 Xiasha Higher Education Zone, Hangzhou, Zhejiang, Jianggan District Patentee before: HANGZHOU DIANZI University |
|
TR01 | Transfer of patent right |