CN110136138A - 基于点云区域分割的自适应滤波方法 - Google Patents
基于点云区域分割的自适应滤波方法 Download PDFInfo
- Publication number
- CN110136138A CN110136138A CN201910268274.1A CN201910268274A CN110136138A CN 110136138 A CN110136138 A CN 110136138A CN 201910268274 A CN201910268274 A CN 201910268274A CN 110136138 A CN110136138 A CN 110136138A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- adaptive
- filtering
- cloud
- adaptive filter
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于点云区域分割的自适应滤波方法,通过获取点云数据的等值线;根据所述等值线信息将所述激光点云进行分割;通过自适应综合滤波模型对进行分割后的点云数据进行自适应滤波。本发明针对目前机载滤波算法根据地面点的特征设计,缺少更多的辅助信息,无法实现自动化和智能化处理的问题,通过综合多元信息的方法,提高对滤波过程的约束,降低阈值的输入难度,提高点云的滤波精度。本发明技术通过点云分割、地形类别判定以及自适应点云滤波模型,实现点云数据中地面点云与非地面点云的自动分类,极大的提高了相关专题地图的更新效率,同时为高效精确的DEM生成、特征提取以及建筑物建模等研究提供数据支撑。
Description
技术领域
本发明涉及激光点云处理技术领域,具体涉及一种基于点云区域分割的自适应滤波方法。
背景技术
机载激光雷达(LiDAR,Light Detection And Ranging)系统通过发射和接收激光脉冲能直接快速得到地表密集的高精度3维点坐标被称为机载LiDAR点云数据。
机载LiDAR点云数据滤波技术一直是国内外学者不断追逐的热点问题,几乎所有点云数据的研究、应用以及不同的后处理算法都涉及到参数的设置,由于地形的复杂程度不同,机载滤波算法的参数设置难以满足工程应用的需要。滤波技术通常作为生成DEM、特征提取以及建筑物建模等研究的关键性步骤,既是一项前提性工作,也是一项难度较大的工作。
当前大多数机载滤波算法根据地面点的特征设计,缺少更多的辅助信息,无法实现自动化和智能化处理。因此,亟需要一种实现自动化和智能化处理的自适应滤波方法。
发明内容
本发明提供一种基于点云区域分割的自适应滤波方法,针对目前机载滤波算法根据地面点的特征设计,缺少更多的辅助信息,无法实现自动化和智能化处理的问题,通过综合多元信息的方法,提高对滤波过程的约束,降低阈值的输入难度,提高点云的滤波精度。
根据本发明的一个方面,提供一种基于点云区域分割的自适应滤波方法,该方法包括如下步骤:
获取点云数据的等值线;
根据所述等值线信息将所述激光点云进行分割;
通过自适应综合滤波模型对进行分割后的点云数据进行自适应滤波。
在其中一种实施例中,所述获取点云数据等值线的步骤,具体包括如下步骤:
对所述点云数据进行预处理,获取地面点云信息;
对获取的地面点云进行点云栅格化处理;
获取栅格化的点云的高程影像;
对所述高程影像进行边缘提取,获取对应区域的等值线。
在其中一种实施例中,还包括对等值线进行等高线平滑处理和等高线整理的步骤。
在其中一种实施例中,所述根据等值线信息将所述激光点云进行分割的步骤,为基于层级结构的决策树方法进行地形分割,具体包括如下步骤:
确定决策树层次;
根据预定判决条件对所述决策树层次进行判决并进行地物分割。
在其中一种实施例中,所述根据预定判决条件对所述决策树层次进行判决并进行地物分割的步骤包括如下步骤:
获取栅格化后的点云数据中的非地面点数据;
根据所述判决条件对非地面点区域进行地形特征匹配。
在其中一种实施例中,所述获取栅格化后的点云数据中的非地面点数据的步骤,为获取点云二值矩阵中每一列非地面点数值,并按照每一列非地面点数值总数进行升序排列。
在其中一种实施例中,根据所述判决条件对非地面点区域进行地形特征匹配的步骤为根据每一列非地面点数值特征与对应的决策树判决条件进行逐一匹配。
在其中一种实施例中,还包括错分判断的步骤,包括:选取每一列元素中若干测试点与对应的判决条件进行匹配测试,如果错分率超过10%,则更换其他地形特征进行判别。
在其中一种实施例中,还包括构建所述自适应综合滤波模型的步骤。
在其中一种实施例中,所述构建所述自适应综合滤波模型的步骤,包括:
依据高程、回波波形、强度信息中的多种信息,构建判别函数;
根据所述判决函数将区域进行判别;
根据所述判决出的区域类型分别构建滤波处理模型;
将针对不同区域类型构建的滤波处理模型进行加权处理获取所述自适应综合滤波模型。
本发明的有益效果包括:
本发明一种基于点云区域分割的自适应滤波方法,通过获取点云数据的等值线;根据所述等值线信息将所述激光点云进行分割;通过自适应综合滤波模型对进行分割后的点云数据进行自适应滤波。本发明针对目前机载滤波算法根据地面点的特征设计,缺少更多的辅助信息,无法实现自动化和智能化处理的问题,通过综合多元信息的方法,提高对滤波过程的约束,降低阈值的输入难度,提高点云的滤波精度。本发明技术通过点云分割、地形类别判定以及自适应点云滤波模型,实现点云数据中地面点云与非地面点云的自动分类,极大的提高了相关专题地图的更新效率,同时为高效精确的DEM生成、特征提取以及建筑物建模等研究提供数据支撑。
附图说明
通过阅读以下参照附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显,其中,相同或相似的附图标记表示相同或相似的特征。
图1示出本发明一实施例的基于点云区域分割的自适应滤波方法流程图;
图2示出图1所示实施例步骤S120的流程图;
图3示出本发明另一实施例的基于点云区域分割的自适应滤波方法流程图;
图4为图3所示实施例步骤S150的流程图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如上所述,当前大多数机载滤波算法根据地面点的特征设计,缺少更多的辅助信息,无法实现自动化和智能化处理。本发明针对目前机载滤波算法根据地面点的特征设计,缺少更多的辅助信息,无法实现自动化和智能化处理的问题,通过综合多元信息的方法,提高对滤波过程的约束,降低阈值的输入难度,提高点云的滤波精度。本发明技术通过点云分割、地形类别判定以及自适应点云滤波模型,实现点云数据中地面点云与非地面点云的自动分类,极大的提高了相关专题地图的更新效率,同时为高效精确的DEM生成、特征提取以及建筑物建模等研究提供数据支撑。
下面结合附图对本发明进行进一步详细的阐述。
图1示出本发明一实施例的基于点云区域分割的自适应滤波方法流程图;
图2示出图1所示实施例步骤S120的流程图;
图3示出本发明另一实施例的基于点云区域分割的自适应滤波方法流程图;
图4为图3所示实施例步骤S150的流程图。
参考图1和图2,一种基于点云区域分割的自适应滤波方法,该方法包括如下步骤:
步骤S120:获取点云数据的等值线。
该步骤采用点云栅格化的方法剔除激光点云数据中的噪声点,将栅格化得点云根据高程赋色生成“高程影像”,对“高程影像”进行边缘提取的获得该区域的等值线。
参考图2,步骤S120获取点云数据的等值线的步骤,具体包括如下步骤:
步骤S122:对所述点云数据进行预处理,获取地面点云信息;
LiDAR点云具有高密度(数据量大)、分布不均匀等特点,在进行等值线提取前,首先须对点云数据进行预处理,根据点云高程信息提取出计算等值线需要的地面点云。
步骤S124:对获取的地面点云进行点云栅格化处理;
步骤S122中提取出的地面点云也存在很多噪点,这些噪点的存在对等值线的提取存在很大的影响,容易形成折线,既造成等值线精度的缺失,又影响等值线的美观性等。本步骤采取点云栅格化的方法,对地面点云去噪,提高点云处理的速度,并将点云不足处通过融合算法进行空间填充,使点云完整均匀,便于等值线的提取。
步骤S126:获取栅格化的点云的高程影像。可以将栅格化的点云根据高程赋色(包含强度值),由此获得“高程影像”。
步骤S128:对所述高程影像进行边缘提取,获取对应区域的等值线。对该“高程影像”进行边缘提取,由此获得的“边缘”即该区域的等值线。
在提取出等值线的基础上,还包括对等值线进行等高线平滑处理和等高线整理的步骤。根据边缘搜索提取出的等值线仍存在不够平滑等问题,使用最小二乘二次多项式拟合的方法对等值线进行平滑处理。针对由于噪点引起的杂乱等值线进行整理,最终得到比较完善的等值线成果。
步骤S140:根据所述等值线信息将所述点云数据进行分割。
所述根据等值线信息将所述激光点云进行分割的步骤,为基于层级结构的决策树方法进行地形分割,具体包括如下步骤:确定决策树层次;根据预定判决条件对所述决策树层次进行判决并进行地物分割。
其中,所述根据预定判决条件对所述决策树层次进行判决并进行地物分割的步骤包括如下步骤:获取栅格化后的点云数据中中的非地面点数据;根据所述判决条件对非地面点区域进行地形特征匹配。其中,所述获取栅格化后的点云数据中的非地面点数据的步骤,为获取点云二值矩阵中每一列非地面点数值,并按照每一列非地面点数值总数进行升序排列。然后,根据所述判决条件对非地面点区域进行地形特征匹配的步骤为根据每一列非地面点数值特征与对应的决策树判决条件进行逐一匹配。
点云数据栅格化后为二值矩阵,其中1代表非地面点,0代表地面点。获取栅格化后的点云数据中非地面点数据为获取每一列元素值中的非地面点数据,即对二值矩阵每一列元素值为1的个数进行统计,统计后按照升序排列。其中,个数最少且不为零的列表明该列对应的地形特征只在某一种或少数几种地物类型上表现出来(按升序选择列作为判决条件)。在其他的实施例中,如果存在两种地形特征显著性相同的情况,则根据相关系数的绝对值大小或人工进行排序。
点二列相关系数只能确定地物是否具有某种显著的地形特征,并不能准确判定地物的地形特征是否具有可分性,必须对确定的层次进行判决。因此,还包括错分判断的步骤,包括:选取每一列元素中若干测试点与对应的判决条件进行匹配测试,如果错分率超过10%,则更换其他地形特征进行判别。
选取一定的测试点,如果测试点的错分率超过误差阈值(10%),表明该地物特征目前不能作为判别条件,则将该地形特征向后顺移一位,选取下一个地形特征进行判别。利用判决条件对数据区域进行地形分割,在二值矩阵中剔除已经分割的地物,重复以上步骤,直到所有地物均被判别为止。
步骤S150,构建自适应综合滤波模型。
参考图2,在通过自适应综合滤波模型对进行分割后的点云数据进行自适应滤波之前还包括首先构建所述自适应综合滤波模型的步骤。
所述构建所述自适应综合滤波模型的步骤,包括:
步骤S152:依据高程、回波波形、强度信息中的多种信息,构建判别函数。充分利用高程、回波波形、强度信息等综合多元信息,构建一个判别函数。
步骤S154:根据所述判决函数将区域进行判别;依据判别函数将不同区域判别为平地街区、丘陵植被区、山区、高山地区等类型。
步骤S156:根据所述判决出的区域类型分别构建滤波处理模型。选择Pingel改进的简单形态学滤波算法作为基本的滤波算法模型,针对不同的地形采用不同的参数配置,分别构建出滤波处理模板,从而完成复杂地形区域点云数据的高自动化、自适应点云滤波。
步骤S158:将针对不同区域类型构建的滤波处理模型进行加权处理获取所述自适应综合滤波模型。
自适应综合滤波模型的构建,充分利用高程、回波波形、强度信息等综合多元信息,对于不同算法解决不同地形区域点云滤波的优势,针对不同的地形对滤波算法进行试验,分析试验结果比较得出更能适应该地形的算法,利用不同的算法进行加权组合得到自适应综合滤波模型。
步骤S160:通过自适应综合滤波模型对进行分割后的点云数据进行自适应滤波。选择Pingel改进的简单形态学滤波算法作为基本的滤波算法模型,针对不同的地形采用不同的参数配置,分别构建出滤波处理模板,从而完成复杂地形区域点云数据的高自动化、自适应点云滤波。
本发明为改进滤波算法对不同地形的适应性,将数据分块与滤波的自适应设置结合起来,提出了一种基于点云区域分割的自适应滤波处理方法。首先,利用不同地域点云等值线的差异,把点云分割成不同的区域;然后综合考虑点云高程、强度等信息,判断分割区域的地形类型;最后,利用事先建立的不同地形类型的综合滤波模型,自适应的选择对应的滤波算法,进行各个点云区域数据的滤波处理。本发明技术通过点云分割、地形类别判定以及自适应点云滤波模型,实现点云数据中地面点云与非地面点云的自动分类,极大的提高了相关专题地图的更新效率,同时为高效精确的DEM生成、特征提取以及建筑物建模等研究提供数据支撑。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于点云区域分割的自适应滤波方法,其特征在于,包括如下步骤:
获取点云数据的等值线;
根据所述等值线信息将所述点云数据进行分割;
通过自适应综合滤波模型对进行分割后的点云数据进行自适应滤波。
2.根据权利要求1所述的基于点云区域分割的自适应滤波方法,其特征在于,所述获取点云数据等值线的步骤,具体包括如下步骤:
对所述点云数据进行预处理,获取地面点云信息;
对获取的地面点云进行点云栅格化处理;
获取栅格化的点云的高程影像;
对所述高程影像进行边缘提取,获取对应区域的等值线。
3.根据权利要求2所述的基于点云区域分割的自适应滤波方法,其特征在于,还包括对等值线进行等高线平滑处理和等高线整理的步骤。
4.根据权利要求2所述的基于点云区域分割的自适应滤波方法,其特征在于,所述根据等值线信息将所述激光点云进行分割的步骤,为基于层级结构的决策树方法进行地形分割,具体包括如下步骤:
确定决策树层次;
根据预定判决条件对所述决策树层次进行判决并进行地物分割。
5.根据权利要求4所述的基于点云区域分割的自适应滤波方法,其特征在于,所述根据预定判决条件对所述决策树层次进行判决并进行地物分割的步骤包括如下步骤:
获取栅格化后的点云数据中的非地面点数据;
根据所述判决条件对非地面点区域进行地形特征匹配。
6.根据权利要求5所述的基于点云区域分割的自适应滤波方法,其特征在于,所述获取栅格化后的点云数据中的非地面点数据的步骤,为获取点云二值矩阵中每一列非地面点数值,并按照每一列非地面点数值总数进行升序排列。
7.根据权利要求6所述的基于点云区域分割的自适应滤波方法,其特征在于,根据所述判决条件对非地面点区域进行地形特征匹配的步骤为根据每一列非地面点数值特征与对应的决策树判决条件进行逐一匹配。
8.根据权利要求7所述的基于点云区域分割的自适应滤波方法,其特征在于,还包括错分判断的步骤,包括:选取每一列元素中若干测试点与对应的判决条件进行匹配测试,如果错分率超过10%,则更换其他地形特征进行判别。
9.根据权利要求1所述的基于点云区域分割的自适应滤波方法,其特征在于,还包括构建所述自适应综合滤波模型的步骤。
10.根据权利要求9所述的基于点云区域分割的自适应滤波方法,其特征在于,所述构建所述自适应综合滤波模型的步骤,包括:
依据高程、回波波形、强度信息中的多种信息,构建判别函数;
根据所述判决函数将区域进行判别;
根据所述判决出的区域类型分别构建滤波处理模型;
将针对不同区域类型构建的滤波处理模型进行加权处理获取所述自适应综合滤波模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910268274.1A CN110136138A (zh) | 2019-04-02 | 2019-04-02 | 基于点云区域分割的自适应滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910268274.1A CN110136138A (zh) | 2019-04-02 | 2019-04-02 | 基于点云区域分割的自适应滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110136138A true CN110136138A (zh) | 2019-08-16 |
Family
ID=67569319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910268274.1A Pending CN110136138A (zh) | 2019-04-02 | 2019-04-02 | 基于点云区域分割的自适应滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136138A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736136A (zh) * | 2020-06-23 | 2020-10-02 | 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) | 一种机载激光点云航摄漏洞检测方法及系统 |
CN116246069A (zh) * | 2023-02-07 | 2023-06-09 | 北京四维远见信息技术有限公司 | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
CN117011309A (zh) * | 2023-09-28 | 2023-11-07 | 济宁港航梁山港有限公司 | 基于人工智能及深度数据的自动盘煤系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2130497A1 (en) * | 2008-06-05 | 2009-12-09 | Medison Co., Ltd. | Anatomical feature extraction from an ultrasound liver image |
CN103258345A (zh) * | 2013-04-18 | 2013-08-21 | 中国林业科学研究院资源信息研究所 | 一种基于地面激光雷达三维扫描的树木枝干参数提取方法 |
CN104075691A (zh) * | 2014-07-09 | 2014-10-01 | 广州市城市规划勘测设计研究院 | 基于cors和icp算法的地面激光扫描仪快速测量地形的方法 |
-
2019
- 2019-04-02 CN CN201910268274.1A patent/CN110136138A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2130497A1 (en) * | 2008-06-05 | 2009-12-09 | Medison Co., Ltd. | Anatomical feature extraction from an ultrasound liver image |
CN103258345A (zh) * | 2013-04-18 | 2013-08-21 | 中国林业科学研究院资源信息研究所 | 一种基于地面激光雷达三维扫描的树木枝干参数提取方法 |
CN104075691A (zh) * | 2014-07-09 | 2014-10-01 | 广州市城市规划勘测设计研究院 | 基于cors和icp算法的地面激光扫描仪快速测量地形的方法 |
Non-Patent Citations (2)
Title |
---|
胡国军: "基于条纹阵列探测的中高空激光雷达测绘系统关键技术研究", 《中国博士学位论文全文数据库基础科学辑》 * |
黄微 等: "基于地形区域分割的复杂地区遥感影像分类", 《武汉大学学报·信息科学版》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736136A (zh) * | 2020-06-23 | 2020-10-02 | 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) | 一种机载激光点云航摄漏洞检测方法及系统 |
CN111736136B (zh) * | 2020-06-23 | 2023-01-06 | 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) | 一种机载激光点云航摄漏洞检测方法及系统 |
CN116246069A (zh) * | 2023-02-07 | 2023-06-09 | 北京四维远见信息技术有限公司 | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
CN116246069B (zh) * | 2023-02-07 | 2024-01-16 | 北京四维远见信息技术有限公司 | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
CN117011309A (zh) * | 2023-09-28 | 2023-11-07 | 济宁港航梁山港有限公司 | 基于人工智能及深度数据的自动盘煤系统 |
CN117011309B (zh) * | 2023-09-28 | 2023-12-26 | 济宁港航梁山港有限公司 | 基于人工智能及深度数据的自动盘煤系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101702200B (zh) | 一种机载激光雷达点云数据的自动分类方法 | |
CN110136138A (zh) | 基于点云区域分割的自适应滤波方法 | |
Batty | Cities as fractals: simulating growth and form | |
Anders et al. | Geomorphological change detection using object-based feature extraction from multi-temporal LiDAR data | |
CN106649331A (zh) | 商圈识别方法及设备 | |
CN102999914B (zh) | 一种基于地形网格的大陆坡脚点自动识别方法 | |
CN106127121B (zh) | 一种基于夜间灯光数据的建成区智能化提取方法 | |
CN106056614A (zh) | 一种地面激光点云数据的建筑物分割与轮廓线提取方法 | |
CN105513127A (zh) | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 | |
CN109118500A (zh) | 一种基于图像的三维激光扫描点云数据的分割方法 | |
CN108398705A (zh) | 地图生成方法、装置及车辆定位方法、装置 | |
CN106650640A (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 | |
CN102890828B (zh) | 基于法向夹角的点云数据精简方法 | |
CN105488770A (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN104282026A (zh) | 基于分水岭算法和最小生成树的分布均匀性评估方法 | |
CN105719249A (zh) | 一种基于三维格网的机载激光雷达点云去噪方法 | |
CN108764012A (zh) | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 | |
CN115034261B (zh) | 雷达辐射源信号脉间特征提取方法、设备及存储介质 | |
CN110335352A (zh) | 一种机载激光雷达点云的双基元多分辨率层次滤波方法 | |
CN108920476A (zh) | 地图检索算路引擎测试系统及其测试方法 | |
CN110147775A (zh) | 利用细化空间分隔法从点云提取室内导航元素的方法 | |
CN111257905B (zh) | 一种基于单光子激光点云密度分割的切片自适应滤波算法 | |
CN104648397A (zh) | 车道偏移警示系统及方法 | |
White et al. | Completeness in photometric and spectroscopic searches for clusters | |
CN107452012A (zh) | 一种行人识别方法、装置和电子设备 |
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 |
Application publication date: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |