CN109948682A - 基于正态随机抽样分布的激光雷达点云电力线分类方法 - Google Patents
基于正态随机抽样分布的激光雷达点云电力线分类方法 Download PDFInfo
- Publication number
- CN109948682A CN109948682A CN201910183263.3A CN201910183263A CN109948682A CN 109948682 A CN109948682 A CN 109948682A CN 201910183263 A CN201910183263 A CN 201910183263A CN 109948682 A CN109948682 A CN 109948682A
- Authority
- CN
- China
- Prior art keywords
- point
- power line
- data set
- data
- cubic units
- 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
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于正态随机抽样分布的激光雷达点云电力线分类方法,包括以下步骤:(1)对原始点云数据进行预处理,建立数字地形模型,利用高程滤波进行电力线候选点粗提取;(2)针对粗提取后的电力线候选点数据,基于正态分布变换算法实现三维空间上电力线候选点的进一步优化提取;(3)针对优化提取后的电力线候选点数据,采用随机抽样一致性算法原理在二维空间中实现电力线点的精确提取。采用本发明的方法可以在城区林区等多种复杂环境的激光雷达点云数据中实现电力线分类,并提供准确的电力线提取结果,极大地提高了点云数据分类效率,为多种点云数据分类提供了新思路,为电力线巡检等工作提供了精确全面的分析数据。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于正态随机抽样分布的激光雷达点云电力线分类方法。
背景技术
激光雷达技术作为一种新颖高效的空间探测手段,能够在短时间内快速获取目标场景大量的、具有精确三维空间坐标的点云数据,但相较于激光雷达系统硬件性能和指标方面取得的进展,激光雷达点云数据的软件处理还处在起始阶段,面对激光雷达硬件系统获取的海量点云数据,如何有效地对其进行利用是当前激光雷达点云数据处理领域所面临的一个主要问题。同时,随着我国各领域经济的飞速发展,各行各业对电力的需求增长非常迅猛。面对大规模的电力网络及相应的电力通信网络,在新电网站点规划、电力线路优化、电网安全管理及维护、电力光纤电缆网络安全管理与维护等诸多方面的实际问题中,亟需高效可靠的测量技术来满足其经济技术要求。
利用激光雷达测量技术采集和处理的电网沿线数据,可以恢复电线及电力光缆的实际几何信息,进而可以自动测量电线到地面的距离及相邻电线间距,通过相关计算获取电线、电力通信光缆的垂曲度、跨度等,并可以通过以上几何参数实现对电线、电力光缆张力或拉力等直接安全参数的推导。可见,通过利用激光雷达点云数据,发明一种电力线的自动提取方法可快速获取相关空间数据并为电网设计和管理的精细化、科学化、高效化等提供支持。
发明内容
为了解决上述技术问题,本发明提供一种分类效率高、提取精度高的基于正态随机抽样分布的激光雷达点云电力线分类方法。
本发明解决上述问题的技术方案是:一种基于正态随机抽样分布的激光雷达点云电力线分类方法,包括以下步骤:
(1)对原始点云数据进行预处理,建立数字地形模型,利用高程滤波进行电力线候选点粗提取;
(2)针对粗提取后的电力线候选点数据,基于正态分布变换算法实现三维空间上电力线候选点的进一步优化提取;
(3)针对优化提取后的电力线候选点数据,采用随机抽样一致性算法原理在二维空间中实现电力线点的精确提取。
上述基于正态随机抽样分布的激光雷达点云电力线分类方法,所述步骤(1)的具体步骤为:
1-1)基于原始点云数据、显著非电力线点的过滤机制,进行点云数据预处理;
1-2)根据原始点云数据质量描述场景,并设计0.5米的地面种子点间距;
1-3)将点云数据进行分块处理,得到若干小块区域,在每一个小块区域内选择一个地面种子点;
1-4)利用得到的种子点进行地面拟合,得到数字地形模型,记为DTM;
1-5)在原始点云高程的基础上减去DTM得到点云相对高度信息;
1-6)提取相对高度为4m及4m以上的点作为电力线候选点数据集一。
上述基于正态随机抽样分布的激光雷达点云电力线分类方法,所述步骤(2)的具体步骤为:
2-1)电力线候选点数据集一中所有电力线候选点坐标为x、y、z,分别计算电力线候选点坐标x、y、z三轴的最大值与最小值的差值,取不小于差值的三个相应最小整数分别为Ax、Ay、Az;
2-2)构建大小为Ax*Ay*Az立方体,立方体X轴方向的最小值为候选点坐标x的最小值,立方体X轴方向的最大值为不小于点坐标x的最大值的最小整数;立方体Y轴方向的最小值为点坐标y的最小值,立方体Y轴方向的最大值为不小于点坐标y的最大值的最小整数;立方体Z轴方向的最小值为点坐标z的最小值,立方体Z轴方向的最大值为不小于点坐标z的最大值的最小整数;
2-3)将构建的立方体分割为n个1m*1m*1m的立方体单元;
2-4)将电力线候选点根据三维点坐标值分别分配到满足坐标方位的立方体单元格内;
2-5)统计每个立方体单元内的点个数,若点数量小于3,则将该立方体单元及立方体单元内的点从数据集一中剔除,以得到优化更新后的电力线候选点数据集一和更新后的n’个立方体单元;
2-6)从上步骤得到的数据集一及其n’个立方体单元中,计算各个立方体单元内点坐标的协方差矩阵,计算公式为:
式中:cov表示协方差计算算子;x、y、z则是各个立方体单元内点集的X轴、Y轴、Z轴坐标值;则是各个立方体单元内点集的X轴、Y轴、Z轴坐标值的平均值;m为相应立方体内的点数;R即为相应立方体单元内点集的三维协方差矩阵;
2-7)根据2-6)计算得到的立方体单元的协方差矩阵R,根据常规矩阵运算法则计算得到三个特征值λ1、λ2和λ3,并设定:
λ1≤λ2≤λ3 (5);
2-8)设置阈值t=0.02,若λ2/λ3≤t,则将该立方体单元标记为线状立方体单元,否则为非线状立方体单元;
2-9)提取线状立方体单元及其内的点数据作为电力线候选点数据集二。
上述基于正态随机抽样分布的激光雷达点云电力线分类方法,所述步骤(3)的具体步骤为:
3-1)将电力线候选点数据集二投影到X-Y平面上,使三维数据集二转换为二维数据集三;
3-2)根据电力线候选点数据集三的情况,计算随机抽样一致性算法的取样次数k,计算公式为:
k=ln(1-p)/ln(1-εl) (6);
p为置信概率,取p=0.99;ε为内点比例,取0.9;l为数据集三的点个数;
3-3)设计线状模型为:ax+by+c=0,从数据集三中随机选取2个点,并将其点坐标代入线状模型求出模型参数a、b、c;
3-4)计算数据集三中每个点到线状模型的距离di,计算公式如下:
3-5)设置距离阈值d=0.5米,若di≤d,将该点确定分为内点,否则确定分为外点;
3-6)循环步骤3-3)和步骤3-5)k次,统计每次分类后内点的个数Ni,选取内点数量最大的模型为最优模型;
3-7)将步骤3-6)生成的最优模型包含的内点提取到数据集四,对剩余点数据集重复进行步骤3-3)到步骤3-6),直至提取出所有电力线;
3-8)步骤3-7)实施完成后所得数据集四即为提取的最终电力线点数据。
本发明的有益效果在于:本发明提出了一种基于正态随机抽样分布的激光雷达点云电力线分类方法,首先利用生成数字地形模型和高程阈值进行电力线粗提取,随后利用正态分布变换算法实现电力线候选点的进一步提取,最后利用改进后的随机抽样一致性算法实现电力线点的精确提取。采用本发明的方法可以在城区林区等多种复杂环境的激光雷达点云数据中实现电力线分类,并提供准确的电力线提取结果,极大地提高了点云数据分类效率,为多种点云数据分类提供了新思路,为电力线巡检等工作提供了精确全面的分析数据。
附图说明
图1为本发明的流程图。
图2为本发明中确定内外点的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示,一种基于正态随机抽样分布的激光雷达点云电力线分类方法,包括以下步骤:
(1)对原始点云数据进行预处理,建立数字地形模型,利用高程滤波进行电力线候选点粗提取。步骤(1)的具体步骤为:
1-1)基于原始点云数据、常规传统的显著非电力线点(噪声点、错漏点等)的过滤机制,进行点云数据预处理;
1-2)根据原始点云数据质量描述场景,并设计0.5米的地面种子点间距;
1-3)将点云数据进行分块处理,得到若干小块区域,在每一个小块区域内选择一个地面种子点;
1-4)利用得到的种子点进行地面拟合,得到数字地形模型,记为DTM;
1-5)在原始点云高程的基础上减去DTM得到点云相对高度信息;
1-6)提取相对高度为4m及4m以上的点作为电力线候选点数据集一。
(2)针对粗提取后的电力线候选点数据,基于正态分布变换算法实现三维空间上电力线候选点的进一步优化提取。步骤(2)的具体步骤为:
2-1)电力线候选点数据集一中所有电力线候选点坐标为x、y、z,分别计算电力线候选点坐标x、y、z三轴的最大值与最小值的差值,取不小于差值的三个相应最小整数分别为Ax、Ay、Az;
2-2)构建大小为Ax*Ay*Az立方体,立方体X轴方向的最小值为候选点坐标x的最小值,立方体X轴方向的最大值为不小于点坐标x的最大值的最小整数;立方体Y轴方向的最小值为点坐标y的最小值,立方体Y轴方向的最大值为不小于点坐标y的最大值的最小整数;立方体Z轴方向的最小值为点坐标z的最小值,立方体Z轴方向的最大值为不小于点坐标z的最大值的最小整数;
2-3)将构建的立方体分割为n个1m*1m*1m的立方体单元;
2-4)将电力线候选点根据三维点坐标值分别分配到满足坐标方位的立方体单元格内;
2-5)统计每个立方体单元内的点个数,若点数量小于3,则将该立方体单元及立方体单元内的点从数据集一中剔除,以得到优化更新后的电力线候选点数据集一和更新后的n’个立方体单元;
2-6)从上步骤得到的数据集一及其n’个立方体单元中,计算各个立方体单元内点坐标的协方差矩阵,计算公式为:
式中:cov表示协方差计算算子;x、y、z则是各个立方体单元内点集的X轴、Y轴、Z轴坐标值;则是各个立方体单元内点集的X轴、Y轴、Z轴坐标值的平均值;m为相应立方体内的点数;R即为相应立方体单元内点集的三维协方差矩阵;
2-7)根据2-6)计算得到的立方体单元的协方差矩阵R,根据常规矩阵运算法则计算得到三个特征值λ1、λ2和λ3,并设定:
λ1≤λ2≤λ3 (5);
2-8)设置阈值t=0.02,若λ2/λ3≤t,则将该立方体单元标记为线状立方体单元,否则为非线状立方体单元;
2-9)提取线状立方体单元及其内的点数据作为电力线候选点数据集二。
(3)针对优化提取后的电力线候选点数据,采用随机抽样一致性算法原理在二维空间中实现电力线点的精确提取。步骤(3)的具体步骤为:
3-1)将电力线候选点数据集二投影到X-Y平面上,使三维数据集二转换为二维数据集三;
3-2)根据电力线候选点数据集三的情况,计算随机抽样一致性算法的取样次数k,计算公式为:
k=ln(1-p)/ln(1-εl) (6);
p为置信概率,取p=0.99;ε为内点比例,取0.9;l为数据集三的点个数;
3-3)设计线状模型为:ax+by+c=0,从数据集三中随机选取2个点,并将其点坐标代入线状模型求出模型参数a、b、c;
3-4)计算数据集三中每个点到线状模型的距离di,计算公式如下:
3-5)设置距离阈值d=0.5米,若di≤d,将该点确定分为内点,否则确定分为外点,如图2所示虚线框内的黑色点,距离黑实线距离小于或等于d为内点;虚线框外的白色点,距离黑实线距离大于d为外点;
3-6)循环步骤3-3)和步骤3-5)k次,统计每次分类后内点的个数Ni,选取内点数量最大的模型为最优模型;
3-7)将步骤3-6)生成的最优模型包含的内点提取到数据集四,对剩余点数据集重复进行步骤3-3)到步骤3-6),直至提取出所有电力线;
3-8)步骤3-7)实施完成后所得数据集四即为提取的最终电力线点数据。
Claims (4)
1.一种基于正态随机抽样分布的激光雷达点云电力线分类方法,包括以下步骤:
(1)对原始点云数据进行预处理,建立数字地形模型,利用高程滤波进行电力线候选点粗提取;
(2)针对粗提取后的电力线候选点数据,基于正态分布变换算法实现三维空间上电力线候选点的进一步优化提取;
(3)针对优化提取后的电力线候选点数据,采用随机抽样一致性算法原理在二维空间中实现电力线点的精确提取。
2.根据权利要求1所述的基于正态随机抽样分布的激光雷达点云电力线分类方法,其特征在于:所述步骤(1)的具体步骤为:
1-1)基于原始点云数据、显著非电力线点的过滤机制,进行点云数据预处理;
1-2)根据原始点云数据质量描述场景,并设计0.5米的地面种子点间距;
1-3)将点云数据进行分块处理,得到若干小块区域,在每一个小块区域内选择一个地面种子点;
1-4)利用得到的种子点进行地面拟合,得到数字地形模型,记为DTM;
1-5)在原始点云高程的基础上减去DTM得到点云相对高度信息;
1-6)提取相对高度为4m及4m以上的点作为电力线候选点数据集一。
3.根据权利要求2所述的基于正态随机抽样分布的激光雷达点云电力线分类方法,其特征在于:所述步骤(2)的具体步骤为:
2-1)电力线候选点数据集一中所有电力线候选点坐标为x、y、z,分别计算电力线候选点坐标x、y、z三轴的最大值与最小值的差值,取不小于差值的三个相应最小整数分别为Ax、Ay、Az;
2-2)构建大小为Ax*Ay*Az立方体,立方体X轴方向的最小值为候选点坐标x的最小值,立方体X轴方向的最大值为不小于点坐标x的最大值的最小整数;立方体Y轴方向的最小值为点坐标y的最小值,立方体Y轴方向的最大值为不小于点坐标y的最大值的最小整数;立方体Z轴方向的最小值为点坐标z的最小值,立方体Z轴方向的最大值为不小于点坐标z的最大值的最小整数;
2-3)将构建的立方体分割为n个1m*1m*1m的立方体单元;
2-4)将电力线候选点根据三维点坐标值分别分配到满足坐标方位的立方体单元格内;
2-5)统计每个立方体单元内的点个数,若点数量小于3,则将该立方体单元及立方体单元内的点从数据集一中剔除,以得到优化更新后的电力线候选点数据集一和更新后的n’个立方体单元;
2-6)从步骤2-5)得到的数据集一及其n’个立方体单元中,计算各个立方体单元内点坐标的协方差矩阵,计算公式为:
式中:cov表示协方差计算算子;x、y、z则是各个立方体单元内点集的X轴、Y轴、Z轴坐标值;则是各个立方体单元内点集的X轴、Y轴、Z轴坐标值的平均值;m为相应立方体内的点数;R即为相应立方体单元内点集的三维协方差矩阵;
2-7)根据2-6)计算得到的立方体单元的协方差矩阵R,根据常规矩阵运算法则计算得到三个特征值λ1、λ2和λ3,并设定:
λ1≤λ2≤λ3 (5);
2-8)设置阈值t=0.02,若λ2/λ3≤t,则将该立方体单元标记为线状立方体单元,否则为非线状立方体单元;
2-9)提取线状立方体单元及其内的点数据作为电力线候选点数据集二。
4.根据权利要求3所述的基于正态随机抽样分布的激光雷达点云电力线分类方法,其特征在于:所述步骤(3)的具体步骤为:
3-1)将电力线候选点数据集二投影到X-Y平面上,使三维数据集二转换为二维数据集三;
3-2)根据电力线候选点数据集三的情况,计算随机抽样一致性算法的取样次数k,计算公式为:
k=ln(1-p)/ln(1-εl) (6);
p为置信概率,取p=0.99;ε为内点比例,取0.9;l为数据集三的点个数;
3-3)设计线状模型为:ax+by+c=0,从数据集三中随机选取2个点,并将其点坐标代入线状模型求出模型参数a、b、c;
3-4)计算数据集三中每个点到线状模型的距离di,计算公式如下:
3-5)设置距离阈值d=0.5米,若di≤d,将该点确定分为内点,否则确定分为外点;
3-6)循环步骤3-3)和步骤3-5)k次,统计每次分类后内点的个数Ni,选取内点数量最大的模型为最优模型;
3-7)将步骤3-6)生成的最优模型包含的内点提取到数据集四,对剩余点数据集重复进行步骤3-3)到步骤3-6),直至提取出所有电力线;
3-8)步骤3-7)实施完成后所得数据集四即为提取的最终电力线点数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910183263.3A CN109948682B (zh) | 2019-03-12 | 2019-03-12 | 基于正态随机抽样分布的激光雷达点云电力线分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910183263.3A CN109948682B (zh) | 2019-03-12 | 2019-03-12 | 基于正态随机抽样分布的激光雷达点云电力线分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948682A true CN109948682A (zh) | 2019-06-28 |
CN109948682B CN109948682B (zh) | 2021-12-10 |
Family
ID=67009495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910183263.3A Active CN109948682B (zh) | 2019-03-12 | 2019-03-12 | 基于正态随机抽样分布的激光雷达点云电力线分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948682B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062949A (zh) * | 2019-11-28 | 2020-04-24 | 国网冀北电力有限公司工程管理分公司 | 一种基于机载激光雷达的电力线点云提取方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
US20140226895A1 (en) * | 2013-02-13 | 2014-08-14 | Lsi Corporation | Feature Point Based Robust Three-Dimensional Rigid Body Registration |
CN104376595A (zh) * | 2014-11-28 | 2015-02-25 | 史文中 | 一种基于机载LiDAR和GIS协同的三维道路生成方法 |
CN104517289A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于混合摄像机的室内场景定位方法 |
CN104599189A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 一种计入电力系统运行方式的电网规划方案风险评估方法 |
CN105021124A (zh) * | 2015-04-16 | 2015-11-04 | 华南农业大学 | 一种基于深度图的平面零件三维位置和法向量计算方法 |
CN105139416A (zh) * | 2015-10-10 | 2015-12-09 | 北京微尘嘉业科技有限公司 | 一种基于图像信息和深度信息的物体识别方法 |
US20160321818A1 (en) * | 2015-04-30 | 2016-11-03 | Harris Corporation | Geospatial imaging system providing segmentation and classification features and related methods |
US20170161945A1 (en) * | 2015-12-04 | 2017-06-08 | Autodesk, Inc. | Keypoint-based point-pair-feature for scalable automatic global registration of large rgb-d scans |
CN106970375A (zh) * | 2017-02-28 | 2017-07-21 | 河海大学 | 一种机载激光雷达点云中自动提取建筑物信息的方法 |
CN107273902A (zh) * | 2017-05-19 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种从机载LiDAR数据自动提取电塔点云的方法 |
CN109086886A (zh) * | 2018-08-02 | 2018-12-25 | 工极(北京)智能科技有限公司 | 一种基于极限学习机的卷积神经网络学习算法 |
CN109190443A (zh) * | 2018-06-27 | 2019-01-11 | 济南大学 | 一种误识手势检测和纠错方法 |
CN109214025A (zh) * | 2017-07-06 | 2019-01-15 | 中国石油化工股份有限公司 | 基于贝叶斯分类的储层参数预测方法及系统 |
-
2019
- 2019-03-12 CN CN201910183263.3A patent/CN109948682B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
US20140226895A1 (en) * | 2013-02-13 | 2014-08-14 | Lsi Corporation | Feature Point Based Robust Three-Dimensional Rigid Body Registration |
CN104376595A (zh) * | 2014-11-28 | 2015-02-25 | 史文中 | 一种基于机载LiDAR和GIS协同的三维道路生成方法 |
CN104517289A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于混合摄像机的室内场景定位方法 |
CN104599189A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 一种计入电力系统运行方式的电网规划方案风险评估方法 |
CN105021124A (zh) * | 2015-04-16 | 2015-11-04 | 华南农业大学 | 一种基于深度图的平面零件三维位置和法向量计算方法 |
US20160321818A1 (en) * | 2015-04-30 | 2016-11-03 | Harris Corporation | Geospatial imaging system providing segmentation and classification features and related methods |
CN105139416A (zh) * | 2015-10-10 | 2015-12-09 | 北京微尘嘉业科技有限公司 | 一种基于图像信息和深度信息的物体识别方法 |
US20170161945A1 (en) * | 2015-12-04 | 2017-06-08 | Autodesk, Inc. | Keypoint-based point-pair-feature for scalable automatic global registration of large rgb-d scans |
CN106970375A (zh) * | 2017-02-28 | 2017-07-21 | 河海大学 | 一种机载激光雷达点云中自动提取建筑物信息的方法 |
CN107273902A (zh) * | 2017-05-19 | 2017-10-20 | 中国科学院遥感与数字地球研究所 | 一种从机载LiDAR数据自动提取电塔点云的方法 |
CN109214025A (zh) * | 2017-07-06 | 2019-01-15 | 中国石油化工股份有限公司 | 基于贝叶斯分类的储层参数预测方法及系统 |
CN109190443A (zh) * | 2018-06-27 | 2019-01-11 | 济南大学 | 一种误识手势检测和纠错方法 |
CN109086886A (zh) * | 2018-08-02 | 2018-12-25 | 工极(北京)智能科技有限公司 | 一种基于极限学习机的卷积神经网络学习算法 |
Non-Patent Citations (2)
Title |
---|
DEMIR, B等: "Hyperspectral data classification using RVM with pre-segmentation and RANSAC", 《EOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
张华: "遥感数据可靠性分类方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062949A (zh) * | 2019-11-28 | 2020-04-24 | 国网冀北电力有限公司工程管理分公司 | 一种基于机载激光雷达的电力线点云提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109948682B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010092B (zh) | 一种基于低空摄影测量的城市高密度区太阳能利用潜力评估方法 | |
CN106970375B (zh) | 一种机载激光雷达点云中自动提取建筑物信息的方法 | |
CN103473734B (zh) | 一种基于车载LiDAR数据的电力线提取与拟合方法 | |
CN107392247B (zh) | 一种电力线下方地物安全距离实时检测方法 | |
CN106526610B (zh) | 一种基于无人机激光点云的电塔自动定位方法及装置 | |
CN105184250A (zh) | 一种电力走廊机载LiDAR点云数据的地物分类方法 | |
CN111047695B (zh) | 一种城市群高度空间信息及等高线的提取方法 | |
CN106529469A (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN106599915B (zh) | 一种车载激光点云分类方法 | |
CN104484882A (zh) | 一种基于机载LiDAR数据的城市区域电力线检测方法 | |
CN102103202A (zh) | 一种融合影像的机载激光雷达数据半监督分类方法 | |
CN101017476A (zh) | 基于数据动态存取模型的产品点云型面特征分析方法 | |
CN109657569A (zh) | 基于点云分析的多植被地区输电走廊隐患点快速提取方法 | |
CN109816780B (zh) | 一种双目序列影像的输电线路三维点云生成方法及装置 | |
CN104166999B (zh) | 一种基于地基云图强度分层的云团提取方法 | |
CN104050323A (zh) | 一种高海拔山区模糊多准则风电场选址方法 | |
CN103106632A (zh) | 一种基于均值漂移的不同精度三维点云数据的融合方法 | |
CN107194827A (zh) | 一种电力网络管理方法 | |
CN104866840A (zh) | 一种从机载激光点云数据识别架空电力线的方法 | |
CN107680102A (zh) | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 | |
CN107918953A (zh) | 基于三维空间的激光扫描电力线点云的提取方法及装置 | |
CN105069395A (zh) | 基于地面三维激光扫描技术的道路标线自动识别方法 | |
CN115240087A (zh) | 基于双目立体视觉及激光点云的树障定位分析方法及系统 | |
CN109948682A (zh) | 基于正态随机抽样分布的激光雷达点云电力线分类方法 | |
CN111404075B (zh) | 一种无人机巡检的输电线路自动测量方法 |
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 |