CN110807774B - 一种点云分类与语义分割方法 - Google Patents

一种点云分类与语义分割方法 Download PDF

Info

Publication number
CN110807774B
CN110807774B CN201910939344.1A CN201910939344A CN110807774B CN 110807774 B CN110807774 B CN 110807774B CN 201910939344 A CN201910939344 A CN 201910939344A CN 110807774 B CN110807774 B CN 110807774B
Authority
CN
China
Prior art keywords
feature points
points
feature
confidence
characteristic
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.)
Active
Application number
CN201910939344.1A
Other languages
English (en)
Other versions
CN110807774A (zh
Inventor
朱蕾
陈炜楠
何力
管贻生
张宏
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.)
Guangdong University of Technology
Original Assignee
Jiutian Innovation Guangdong Intelligent Technology Co ltd
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 Jiutian Innovation Guangdong Intelligent Technology Co ltd filed Critical Jiutian Innovation Guangdong Intelligent Technology Co ltd
Priority to CN201910939344.1A priority Critical patent/CN110807774B/zh
Publication of CN110807774A publication Critical patent/CN110807774A/zh
Application granted granted Critical
Publication of CN110807774B publication Critical patent/CN110807774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

本发明公开了一种点云分类与语义分割方法，包括：对采集的点云数据进行特征提取，对提取到的特征点的特征表达进行判别分类，将特征点分为高置信度与低置信度两类；对于高置信度特征点，取特征点的特征向量中最大值对应的类别作为特征点的类别；对于低置信度特征点，利用特征点之间的位置信息，建立特征点之间的相似度表达矩阵；将所述相似度表达矩阵作为低置信度特征点之间的关联，将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中；将划分为相同类别的特征点汇总合并，实现点云的语义分割。本发明利用代表单个点特征信息的特征向量构建全局特征相似度矩阵，利用点之间的欧式距离增加点之间的关联约束，从而提高点云分类的精度。

Description

一种点云分类与语义分割方法
技术领域
本发明涉及三维环境分割领域，具体涉及一种点云分类与语义分割方法。
背景技术
对三维环境的有效认知与识别是机器人完成自主行为的前提和基础，点云的分类与语义分割是该领域的关键步骤。因此，点云的准确分类与精确分割工作至关重要。目前常见的三维物体分类方案，多先将体素化、表面网格化或从多视角将三维点云转化为易于表达的形式从而完成物体分割。
随着传感器的更新升级与大数据的发展，空间环境的点云的获取越来越便利。然而在点云数据处理问题中，存在物体扫描被遮挡、传感器含噪声以及物体刚性旋转的问题，使得点云难以被以上方式有效表达。
发明内容
本发明的目的是提出一种点云分类与语义分割方法，利用采集的原始点云数据产生的特征点信息和几何位置的信息构建点与点之间的相关性，基于图论完成点云的分类与语义分割。
本发明采用以下技术方案：
一种点云分类与语义分割方法，包括以下步骤：
对采集的点云数据进行特征提取，并对提取到的特征点的特征表达进行判别分类，将特征点分为高置信度与低置信度两类；
对于高置信度特征点，取特征点的特征向量中最大值对应的类别作为特征点的类别；对于低置信度特征点，利用特征点之间的位置信息，建立特征点之间的相似度表达矩阵；
将所述相似度表达矩阵作为低置信度特征点之间的关联，将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中；
将划分为相同类别的特征点汇总合并，实现点云的语义分割。
进一步地，所述的对提取到的特征点的特征表达进行判别分类，将特征点分为高置信度与低置信度两类，包括：
对特征点的特征向量中最大值与次大值比例以40为阈值，区分特征表达的置信度：对于特征向量中最大值与次大值的比例大于40的特征点作为高置信度特征点，小于40的特征点作为低置信度特征点。
进一步地，所述的对于低置信度特征点，利用特征点之间的位置信息，建立特征点之间的相似度表达矩阵，包括：
利用低置信度特征点的特征表达向量，构建特征点之间的特征相关性矩阵Mfv；对特征点的坐标归一化，利用特征点之间的归一化坐标的距离构建特征点之间的距离相关性矩阵Mdm；则特征点之间的相似度表达矩阵M＝‖Mfv-Mdm‖2。
进一步地，所述的特征相关性矩阵Mfv中，任意两个特征点的特征表达向量Vi、Vj的相似度为：
Figure BDA0002222453780000021
其中cov(Vi,Vj)为Vi、Vj的协方差，D(Vi)、D(Vj)分别为Vi、Vj的方差。
进一步地，所述的距离相关性矩阵Mdm中，任意两特征点的P、Q的距离为：
Figure BDA0002222453780000022
其中，(xP,yP,zP)、(xQ,yQ,zQ)表示特征点的P、Q的归一化后的坐标。
进一步地，所述将所述相似度表达矩阵作为特征点之间的关联，将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中，包括：
利用图论构建网络图，结合所述的相似度表达矩阵将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中。
进一步地，所述的利用图论构建网络图，结合所述的相似度表达矩阵将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中，包括：
建立网络图，以所有特征点作为网络图中的顶点，相邻特征点之间的关联为图的边，根据特征点之间的相似性定义各个边的权值，其中，以所述相似度表达矩阵定义边上的权重；然后利用边的权重计算每个低置信度特征点到达各个高置信度特征点的概率，将最大概率的高置信度特征点的类别作为低置信度特征点的类别，将低置信度特征点划分到该类别中。
本发明与现有技术相比具有以下技术特点：
1.直接对三维点云进行语义分割，不需要体素化、网格化等预处理工作。
2.评估点云中特征点的特征向量的置信度，分步处理特征向量。对于具有高置信度的特征向量，直接用其预测该点的分类；对于执行度低的特征向量，采用图论建立网络图重新预测点的类别。
3.同时采用点云的特征信息和位置关联信息。利用代表单个点特征信息的特征向量构建全局特征相似度矩阵，利用点之间的欧式距离增加点之间的关联约束，从而提高点云分类的精度。
附图说明
图1为本发明方法的流程示意图；
图2为特征点的特征表达与真实类别的对比示意图；
图3为特征点的全局表达中的最大值与次大值的比值的分布(*表示所有大于50的比例)；
图4为三维点云语义分割的示意图。
具体实施方式
本发明提出了一种三维点云的物体分类与语义分割的方法，基于三维扫描设备采集的原始三维点云位置信息而无需体素化或网格化等特殊预处理，本方法流程如图1所示：根据三维扫描设备采集的点云数据进行特征提取，并对提取到的特征点的特征表达进行判别，若特征表达置信度较高，则将其归为相应类别；若特征表达置信度较低，则引入该点与相邻点的点位置信息，重新建立局部相似度表达。利用图论构建网络图对局部相似度分类，从而提高点云的分类效果；将特征表达和局部相似度表达所判别得出的相同类别的点云分类结果汇总合并，实现点云的语义分割。具体步骤如下：
S1，对采集的点云数据进行特征提取，并对提取到的特征点的特征表达进行判别分类，将特征点分为高置信度与低置信度两类。
S11，本实施例中，利用机器人载体上的三维扫描设备，例如深度相机或激光雷达获取周围环境信息，例如室内环境的点云数据，不借助于体素化、网格化等常规预处理工作，而直接处理点云数据中每个点的x,y,z坐标，使用3D空间变换矩阵预测网络T-Net学习到的转换矩阵将点云数据对齐，以保证点云数据的空间旋转不变性；使用使用多层感知器MLP对点云数据进行特征点提取并用T-net对特征点进行对齐；对特征点进行最大池化，从而获得特征点的全局特征表达特征向量。
S12，由于点云的特征由特征向量表达，该向量表示了该点归属于每个类别的可能性预测值，并取最大值对应的类别作为该点的分类，而这样取最大值的方法造成了点云类别的误判。
本发明将S1中提取的所有特征点的全局特征表达中最大值所代表的特征点的类别与特征点的类别真实值对比，如图2所示，两者类别相同则为正确预测，否则为错误预测。
根据统计，特征点的特征向量中的最大值与次大值的比值的分布如图3所示，统计发现错误预测的特征点中，有90％的特征向量中最大值与次大值比例小于40，因此本发明对特征点的特征向量中最大值与次大值比例以40为阈值，区分特征表达的置信度。取40为阈值以确保90％以上的错误预测点可以被二次处理。根据统计确定的阈值，对于特征向量中最大值与次大值的比例大于40的特征点作为高置信度特征点，小于40的特征点作为低置信度特征点。
S2，对于高置信度特征点，取特征点的特征向量中最大值对应的类别作为特征点的类别；对于低置信度特征点，利用特征点之间的位置信息，建立特征点之间的相似度表达矩阵。
针对低置信度的特征点，利用这些特征点的特征表达向量，构建特征点之间的特征相关性矩阵Mfv，其中任意两个特征点的特征表达向量Vi、Vj的相似度为：
Figure BDA0002222453780000041
其中cov(Vi,Vj)为Vi、Vj的协方差，D(Vi)、D(Vj)分别为Vi、Vj的方差。
对特征点的坐标归一化，利用特征点之间的归一化坐标的距离构建特征点之间的距离相关性矩阵Mdm；Mdm中的元素为特征点之间的距离D。例如，第一行第一列的元素D11为0(第一个特征点与自身的距离)，第一行第二列的元素D12表示第一个特征点与第二个特征点之间归一化坐标的距离，第m行第n列的元素Dmn表示第m个特征点与第n个特征点之间归一化坐标的距离。
其中任意两特征点的P、Q的距离为：
Figure BDA0002222453780000051
其中，(xP,yP,zP)、(xQ,yQ,zQ)表示特征点的P、Q的归一化后的坐标。
以此在特征关联的基础上引入局部位置关联信息重新构建特征点之间的相似度表达矩阵M，其中M＝‖Mfv-Mdm‖2，以便于对置信度低的点进一步分类处理。
根据以上步骤的介绍，与已有的基于神经网络的点云分类方案不同，本发明同时使用特征点的特征信息和局部位置关联信息，首先对特征点的特征表达信息进行置信度判断，通过与特征点真实类别对比与统计显示，错误预测的特征点中，有90％的特征向量中最大值与次大值比例小于40。因此本发明对于点云的特征向量中最大值与次大值比例以40为阈值，从而对原始点云的特征点进行区别处理。对于特征表达中最大值与次大值的比例大于40的特征点作为正确预测点直接归类，即将特征向量中最大值对应的类别作为特征点的类别；对于比例小于40的点附加局部几何关联信息，从而构建特征点之间新的相似度表达，以使90％的错误预测点得以被重新分类处理。
S3，将所述相似度表达矩阵作为低置信度特征点之间的关联，将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中。
由点云数据在数据采集中存在扫描被遮挡、传感器含噪声、存在旋转等问题，为了实现较高精度的三维物体分类与分割，本发明基于图论对低置信度的特征点进行分类，例如以室内环境中的桌、椅、墙壁等机器人运动过程中的障碍物为分割目标，便于机器人运动的路径规划与运动避障。
以S2中含有特征信息和局部位置信息的相似度表达矩阵M为特征点之间的关联，对低置信度的特征点进行再分类，将其归类到与其关联度最大的高置信度特征点的类别中，从而提高点云分类的准确度和语义分割的精度。
在一个可选的实施例中，S3可以包括：基于图论，建立网络图，以所有特征点(包括高置信度特征点与低置信度特征点)作为网络图中的顶点，相邻特征点之间的关联为图的边，根据特征点之间的相似性定义各个边的权值，其中，以S2中构建的相似度表达矩阵M为边上的权重wij，即特征点i和j之间的边的权重wij为M中的Mij(M中特征点i和j之间的相似度)；然后以边的权重计算每个低置信度特征点到达各个高置信度特征点的概率，将最大概率的高置信度特征点的类别作为低置信度特征点的类别，将低置信度特征点划分到该类别中；即如果一个低置信度特征点A与所有的高置信度特征点中B的概率最大，则将B的类别作为A的类别。
S4，将分类为相同类别的特征点汇总合并，实现点云的语义分割。
根据所有特征点的分类结果，将分类为相同类别的特征点汇总合并，将分类为同一类别的特征点(包括高置信度特征点和低置信度特征点)表示一个语义分割结果。
如图4所示分别在走廊、打印室、咖啡室、会议室等不同场景下进行验证。上面一排表示场景的真实分割图，不同颜色代表不同的类别；下面一排表示本发明的分割结果，分类包含地面、墙壁、窗户、天花板、桌子、椅子等。点云分类的精度和三维物体的重叠度评判指标，本发明可以90％以上的精度还原三维点云场景。

Claims (7)

1.一种点云分类与语义分割方法，其特征在于，包括以下步骤：
对采集的点云数据进行特征提取，并对提取到的特征点的特征表达进行判别分类，将特征点分为高置信度与低置信度两类；
对于高置信度特征点，取特征点的特征向量中最大值对应的类别作为特征点的类别；对于低置信度特征点，利用特征点之间的位置信息，引入与所述低置信度特征点相邻点的位置信息，建立特征点之间的相似度表达矩阵；
将所述相似度表达矩阵作为低置信度特征点之间的关联，将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中；
将划分为相同类别的特征点汇总合并，实现点云的语义分割。
2.如权利要求1所述的点云分类与语义分割方法，其特征在于，所述的对提取到的特征点的特征表达进行判别分类，将特征点分为高置信度与低置信度两类，包括：
对特征点的特征向量中最大值与次大值比例以40为阈值，区分特征表达的置信度：对于特征向量中最大值与次大值的比例大于40的特征点作为高置信度特征点，小于40的特征点作为低置信度特征点。
3.如权利要求1所述的点云分类与语义分割方法，其特征在于，所述的对于低置信度特征点，利用特征点之间的位置信息，引入与所述低置信度特征点相邻点的位置信息，建立特征点之间的相似度表达矩阵，包括：
利用低置信度特征点的特征表达向量，构建特征点之间的特征相关性矩阵Mfv；
对特征点的坐标归一化，利用特征点之间的归一化坐标的距离构建特征点之间的距离相关性矩阵Mdm；
则特征点之间的相似度表达矩阵M＝||Mfv-Mdm||2。
4.如权利要求3所述的点云分类与语义分割方法，其特征在于，所述的特征相关性矩阵Mfv中，任意两个特征点的特征表达向量Vi、Vj的相似度为：
Figure FDA0003607980000000021
其中cov(Vi,Vj)为Vi、Vj的协方差，D(Vi)、D(Vj)分别为Vi、Vj的方差。
5.如权利要求3所述的点云分类与语义分割方法，其特征在于，所述的距离相关性矩阵Mdm中，任意两特征点的P、Q的距离为：
Figure FDA0003607980000000022
其中，(xP,yP,zP)、(xQ,yQ,zQ)表示特征点的P、Q的归一化后的坐标。
6.如权利要求1所述的点云分类与语义分割方法，其特征在于，所述将所述相似度表达矩阵作为特征点之间的关联，将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中，包括：
利用图论构建网络图，结合所述的相似度表达矩阵将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中。
7.如权利要求6所述的点云分类与语义分割方法，其特征在于，所述的利用图论构建网络图，结合所述的相似度表达矩阵将低置信度特征点分类到与其关联度最大的高置信度特征点所在类别中，包括：
建立网络图，以所有特征点作为网络图中的顶点，相邻特征点之间的关联为图的边，根据特征点之间的相似性定义各个边的权值，其中，以所述相似度表达矩阵定义边上的权重；然后利用边的权重计算每个低置信度特征点到达各个高置信度特征点的概率，将最大概率的高置信度特征点的类别作为低置信度特征点的类别，将低置信度特征点划分到该类别中。
CN201910939344.1A 2019-09-30 2019-09-30 一种点云分类与语义分割方法 Active CN110807774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910939344.1A CN110807774B (zh) 2019-09-30 2019-09-30 一种点云分类与语义分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910939344.1A CN110807774B (zh) 2019-09-30 2019-09-30 一种点云分类与语义分割方法

Publications (2)

Publication Number Publication Date
CN110807774A CN110807774A (zh) 2020-02-18
CN110807774B true CN110807774B (zh) 2022-07-12

Family

ID=69488195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910939344.1A Active CN110807774B (zh) 2019-09-30 2019-09-30 一种点云分类与语义分割方法

Country Status (1)

Country Link
CN (1) CN110807774B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112902966A (zh) * 2021-01-28 2021-06-04 开放智能机器（上海）有限公司 一种融合定位系统及方法
CN114118286A (zh) * 2021-12-01 2022-03-01 苏州思卡信息系统有限公司 一种汽车雷达点云数据的处理方法
CN115471513B (zh) * 2022-11-01 2023-03-31 小米汽车科技有限公司 点云分割方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2874097A3 (en) * 2013-11-19 2015-07-29 Nokia Corporation Automatic scene parsing
EP3121620A1 (de) * 2015-07-21 2017-01-25 Airbus DS Electronics and Border Security GmbH Verfahren zur segmentierung der daten eines 3d-sensors, erzeugt in gegenwart von aerosol-wolken, zur erhöhung des situationsbewusstseins und der lageerkennung von hindernissen
CN106408011A (zh) * 2016-09-09 2017-02-15 厦门大学 基于深度学习的激光扫描三维点云树木自动分类方法
CN109493344A (zh) * 2018-09-18 2019-03-19 北京大学 一种大规模城市三维场景的语义分割方法
CN109657556A (zh) * 2018-11-22 2019-04-19 北京工业大学 道路及其周边地物的分类方法及系统
CN109964222A (zh) * 2016-11-03 2019-07-02 三菱电机株式会社 用于处理具有多个点的输入点云的系统和方法
CN110060256A (zh) * 2019-03-08 2019-07-26 广东工业大学 一种基于机载LiDAR点云的杆塔提取技术
CN110097556A (zh) * 2019-04-29 2019-08-06 东南大学 基于PointNet的大规模点云语义分割算法
CN110197215A (zh) * 2019-05-22 2019-09-03 深圳市牧月科技有限公司 一种自主驾驶的地面感知点云语义分割方法
CN110210431A (zh) * 2019-06-06 2019-09-06 上海黑塞智能科技有限公司 一种基于点云语义标注和优化的点云分类方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2874097A3 (en) * 2013-11-19 2015-07-29 Nokia Corporation Automatic scene parsing
EP3121620A1 (de) * 2015-07-21 2017-01-25 Airbus DS Electronics and Border Security GmbH Verfahren zur segmentierung der daten eines 3d-sensors, erzeugt in gegenwart von aerosol-wolken, zur erhöhung des situationsbewusstseins und der lageerkennung von hindernissen
CN106408011A (zh) * 2016-09-09 2017-02-15 厦门大学 基于深度学习的激光扫描三维点云树木自动分类方法
CN109964222A (zh) * 2016-11-03 2019-07-02 三菱电机株式会社 用于处理具有多个点的输入点云的系统和方法
CN109493344A (zh) * 2018-09-18 2019-03-19 北京大学 一种大规模城市三维场景的语义分割方法
CN109657556A (zh) * 2018-11-22 2019-04-19 北京工业大学 道路及其周边地物的分类方法及系统
CN110060256A (zh) * 2019-03-08 2019-07-26 广东工业大学 一种基于机载LiDAR点云的杆塔提取技术
CN110097556A (zh) * 2019-04-29 2019-08-06 东南大学 基于PointNet的大规模点云语义分割算法
CN110197215A (zh) * 2019-05-22 2019-09-03 深圳市牧月科技有限公司 一种自主驾驶的地面感知点云语义分割方法
CN110210431A (zh) * 2019-06-06 2019-09-06 上海黑塞智能科技有限公司 一种基于点云语义标注和优化的点云分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Random Walks for Image Segmentation";Leo Grady;《 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20061130;第28卷(第11期);第1768-1783页 *
"稀疏视觉 ＳＬＡＭ 对平面激光雷达传感的稠密化模拟";陈炜楠等;《机器人》;20180531;第40卷(第3期);第273-281页 *

Also Published As

Publication number Publication date
CN110807774A (zh) 2020-02-18

Similar Documents

Publication Publication Date Title
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
Dewan et al. Motion-based detection and tracking in 3d lidar scans
CN108898605B (zh) 一种基于图的栅格地图分割方法
CN110807774B (zh) 一种点云分类与语义分割方法
Yang et al. Robust door detection in unfamiliar environments by combining edge and corner features
CN109559320A (zh) 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及系统
KR101460313B1 (ko) 시각 특징과 기하 정보를 이용한 로봇의 위치 추정 장치 및 방법
CN113484875B (zh) 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
JP2020038661A (ja) 車線モデルを利用して車線を検出し得る学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置｛ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ， ｌｅａｒｎｉｎｇ ｄｅｖｉｃｅ ｆｏｒ ｄｅｔｅｃｔｉｎｇ ｌａｎｅ ｕｓｉｎｇ ｌａｎｅ ｍｏｄｅｌ ａｎｄ ｔｅｓｔ ｍｅｔｈｏｄ， ｔｅｓｔ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝
Quintana et al. Door detection in 3D colored laser scans for autonomous indoor navigation
Talele et al. Detection of real time objects using TensorFlow and OpenCV
Rabiee et al. IV-SLAM: Introspective vision for simultaneous localization and mapping
Iqbal et al. Data association and localization of classified objects in visual SLAM
US20200005444A1 (en) Systems and methods of feature correspondence analysis
Loncomilla et al. A bayesian based methodology for indirect object search
CN104778699A (zh) 一种自适应对象特征的跟踪方法
CN111914832B (zh) 一种rgb-d相机在动态场景下的slam方法
CN117115655A (zh) 一种自然环境下番茄果实的检测方法及系统
Rituerto et al. Label propagation in videos indoors with an incremental non-parametric model update
Diane et al. Multi-Aspect Environment Mapping with a Group of Mobile Robots
Suheryadi et al. Spatio-temporal analysis for moving object detection under complex environment
Kim et al. Vision-based navigation with efficient scene recognition
Guizilini et al. Online self-supervised segmentation of dynamic objects
CN112987720A (zh) 一种用于移动机器人的多尺度地图构建方法及构建装置
Ukyo et al. Pedestrian Tracking Using 3D LiDARs–Case for Proximity Scenario

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210830

Address after: 528253 room 3, 803, floor 8, block 3, Tian'an center, No. 31, Jihua East Road, Guicheng Street, Nanhai District, Foshan City, Guangdong Province (residence declaration)

Applicant after: Jiutian innovation (Guangdong) Intelligent Technology Co.,Ltd.

Address before: No. 100, Waihuan West Road, University Town, Guangzhou, Guangdong 510062

Applicant before: GUANGDONG University OF TECHNOLOGY

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230706

Address after: No. 100, Waihuan West Road, University Town, Guangzhou, Guangdong 510062

Patentee after: GUANGDONG University OF TECHNOLOGY

Address before: 528253 room 3, 803, floor 8, block 3, Tian'an center, No. 31, Jihua East Road, Guicheng Street, Nanhai District, Foshan City, Guangdong Province (residence declaration)

Patentee before: Jiutian innovation (Guangdong) Intelligent Technology Co.,Ltd.

TR01 Transfer of patent right