CN111414924A - 一种顾及最优邻域的点云局部特征提取与分类方法 - Google Patents
一种顾及最优邻域的点云局部特征提取与分类方法 Download PDFInfo
- Publication number
- CN111414924A CN111414924A CN202010185731.3A CN202010185731A CN111414924A CN 111414924 A CN111414924 A CN 111414924A CN 202010185731 A CN202010185731 A CN 202010185731A CN 111414924 A CN111414924 A CN 111414924A
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- point
- point cloud
- optimal
- classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
一种顾及最优邻域的点云局部特征提取与分类方法。涉及计算机视觉、激光扫描数据处理、模式识别等交叉领域,尤其涉及点云数据特征计算和分析内容,针对海量激光点云数据自动化处理研究的一种顾及最优邻域的点云局部特征提取与分类方法。提出了一种针对海量激光点云的特征提取和表达,具有高效、强鲁棒性、描述能力强的顾及最佳邻域选择的点云局部特征计算及分类方法。本发明首先融合信息熵原理和反射强度约束规则计算最佳的特征计算领域,然后在最佳计算领域范围内计算点云法向量、主方向、维度特征等,提高了点云局部特征计算对于噪声和点密度变化的鲁棒性和以及特征的表达能力。
Description
技术领域
本发明涉及计算机视觉、激光扫描数据处理、模式识别等交叉领域,尤其涉及点云数据特征计算和分析内容,针对海量激光点云数据自动化处理研究的一种顾及最优邻域的点云局部特征提取与分类方法。
背景技术
三维点云特征提取与表达是计算机视觉、摄影测量、机器人等学科中非常活跃的研究方向,也是多平台点云数据融合、三维目标提取、三维模型重建、同步定位和制图(SLAM)等应用的基础和前提。三维点云具有数据量大、点密度不均、目标多样、场景复杂、目标间存在遮挡和重叠等特性,给三维点云特征提取与表达带来巨大的挑战。虽然近年来三维点云特征表达方法的研究取得了一定的进展,但存在(1)大多数现有的特征特征描述子只利用局部形状信息,导致特征表达能力不足;且对噪声、点密度变化、数据遮挡和重叠等干扰的鲁棒性差;(2)现有特征特征描述子维数通常很高,如Spin Image即自旋图像(225维)、3D Shape Context即形状上下文(1980维)、Intrinsic Shape Signature即形状签名(595维),导致特征特征描述子的时间和内存效率低;(3)部分现有的局部特征特征描述子不能直接在无序点云上操作,需要首先对无序点云格网化或三角化,这些预处理步骤增加了特征描述子的计算复杂度、影响了特征描述子的鲁棒性和表达能力,三个方面的问题。
因此,研发具有强鲁棒性、高时间效率、低内存占有率且特征区分能力强的点云特征特征描述子十分必要。一般而言,现有的三维点云特征描述子可以分为两类:整体特征描述子和局部特征描述子。整体特征描述子编码目标的全局特征,忽略了形状细节,并且需要对目标进行预先分割。因此,很难从目标交错、重叠的杂乱场景中识别部分可见或不完整的物体。与此相反,局部特征描述子编码一定邻域范围内的局部表面特征,对目标交错、遮挡、重叠等具有较强的鲁棒性,更适合部分可见或不完整物体的识别。三维点云具有高冗余、数据量大、密度分布不均、场景复杂多样、目标遮挡、目标间重叠等特点,如何突破三维点云局部特征描述的瓶颈,构建高效、鲁棒、描述能力强的特征描述子,是目前三维点云处理领域亟需解决的关键问题。
发明内容
本发明针对以上问题,提出了一种针对海量激光点云的特征提取和表达,具有高效、强鲁棒性、描述能力强的顾及最佳邻域选择的点云局部特征计算及分类方法。
本发明的技术方案是:
包括以下步骤:
1)顾及反射强度约束的点云最佳邻域计算;
2)基于特征值和特征向量的点云局部特征计算;
3)基于局部特征的点云逐点分类。
步骤1)具体包括以下步骤:
1.1)为确定激光脚点的最佳邻域,首先需要确定最大邻域半径rmax,最小邻域半径rmin,半径的增量rΔ,强度差阈值IΔ,并初始化当前半径rc=rmin;
1.2)然后逐步增大邻域半径rc,直到rc≥rmax;对邻域rc内与当前点反射强度差小于IΔ的数据进行主分量分析得到点云数据分布的特征值λ1,λ2,λ3,其中λ1≥λ2≥λ3,并定义维数特征:
(其中,1D、2D和3D代表一维、二维和三维)
1.3)然后计算熵函数:
Ef=-a1D ln(a1D)-a2D ln(a2D)-a3D ln(a3D) (4)
所述步骤2)具体包括:
确定了每个激光脚点的最佳邻域后,需要在最佳邻域内计算每个激光脚点的特征用于支持向量机分类;选择的分类特征包括:每个激光脚点的维数特征(a1D,a2D,a3D)、主方向(Px,Py,Pz)、法向量(Nx,Ny,Nz)、法向量分布(Nvx,Nvy,Nvz)等。其中,每个激光脚点的特征计算公式和计算方法如下:
2.1)利用最佳邻域构造协方差矩阵M3×3:
2.2)把协方差矩阵特征值分解可以得到:
2.3)维数特征(α1D,α2D,α3D):维数特征表明了激光脚点属于杆状、面状、球状的程度,a1D越大表明邻域内的点越接近杆状分布,a2D越大表明邻域内的点越接近面状分布,a3D较大则表明邻域内的点为散乱的球状分布;
2.4)法向量(nx,ny,nz):协方差矩阵M3×3的最小的特征值λ3对应的特征向量为:(nx,ny,nz);法向量表示了面状脚点的方向,水平面状脚点的法方向与z轴近似平行而竖直面状脚点的法方向与z轴近似垂直;
2.5)主方向(px,py,pz):协方差矩阵M3×3的最大的特征值λ1对应的特征向量为:(px,py,pz);主方向表示了杆状脚点的方向,水平杆状点的主方向与z轴近似垂直而竖直杆状点的主方向与z轴近似平行;
2.6)法向量分布(nvx,nvy,nvz):上面通过协方差分析计算出了点的法向量,再次对所得的法向量进行协方差分析,可以得到局部邻域法向量分布的特征值(nvx,nvy,nvz)。法向量分布的特征值(nvx,nvy,nvz)反映了法向量的变化情况,法向量的变化情况可以直接反映出该点局部邻域内是否平滑。
步骤3)具体包括以下步骤:
3.1)对每一个激光脚点,计算(D1、D2、D3),(Nx,Ny,Nz),(Px,Py,Pz),(a1D、a2D、a3D),(λ1,λ2,λ3)等特征,并分别归一化到区间[-1,1];
3.2)手工标记一部分点类别并将这些已知类别的点分为训练集和验证集;
3.3)使用支持向量机开源库,输入训练样本进行训练,得到最优分类模型;
3.4)用得到的模型对验证集进行分类,与已知类别的点比较,评价分类精度。
在对海量激光点云的特征提取和表达中,为了克服点密度变化、点云噪声等干扰的影响,本发明首先融合信息熵原理和反射强度约束规则计算最佳的特征计算领域,然后在最佳计算领域范围内计算点云法向量、主方向、维度特征等,提高了点云局部特征计算对于噪声和点密度变化的鲁棒性和以及特征的表达能力。
附图说明
图1是本发明最佳邻域选取示意图;
图2是本发明点云原始图;
图3是本发明点云分类示意图。
具体实施方式
下面结合图1-3详细表述本发明,包括以下步骤:
1)顾及反射强度约束的点云最佳邻域计算;
2)基于特征值和特征向量的点云局部特征计算;
3)基于局部特征的点云逐点分类。
步骤1)具体包括以下步骤:
1.1)为确定激光脚点的最佳邻域,首先需要确定最大邻域半径rmax,最小邻域半径rmin,半径的增量rΔ,强度差阈值IΔ,并初始化当前半径rc=rmin;
1.2)然后逐步增大邻域半径rc,直到rc≥rmax;对邻域rc内与当前点反射强度差小于IΔ的数据进行主分量分析得到点云数据分布的特征值λ1,λ2,λ3,其中λ1≥λ2≥λ3,并定义维数特征:
1.3)然后计算熵函数:
Ef=-a1D ln(a1D)-a2D ln(a2D)-a3D ln(a3D) (4)
当熵函数值越小时,该扫描点属于某一类别(杆状、面状、球状)的可能性越大,不确定度越低。因此,函数Ef为最小值时的半径即为最佳的邻域半径ro。
激光脚点的反射强度与物体的材质、激光的波长、入射角度、物体与扫描仪的距离等因素有关,所以要想在整个场景中利用强度信息分割或分类必须对激光反射强度进行改正,消除角度、距离等因素的影响。但在小的局部邻域内,角度、距离等因素对激光反射强度的影响相当,同一物体在局部邻域内的反射强度非常接近,不同物体在局部邻域内的反射强度会有所不同。因此,本发明利用维数特征和局部邻域内的强度约束进行最佳邻域的选择,同时自适应地改变邻域的大小和形状,提高了点云特征计算对于噪声和点密度变化的鲁棒性。最佳邻域选取如图1,该局部区域为高反射的杆状激光脚点(白色)和低反射的面状激光脚点(黑色)的混合区域。
如图1,浅灰色的邻域为未加强度约束时的规则球形邻域,该方法选择的最佳邻域为Roptinal1,此时对应的维数特征中a3D最大,该点被误分类为球状点。深灰色的邻域为加入强度约束时的不规则邻域,该方法选择的最佳邻域为Roptinal2,此时对应的维数特征中a1D最大,该点被正确分类为杆状点。因为深灰色邻域只选择与当前点强度差小于IΔ的点,所以该方法不容易受到混合区域中其它物体的干扰,提高了混合区域粗分类的精度。
步骤2)具体包括:
确定了每个激光脚点的最佳邻域后,需要在最佳邻域内计算每个激光脚点的特征用于支持向量机分类;选择的分类特征包括:每个激光脚点的维数特征(a1D,a2D,a3D)、主方向(Px,Py,Pz)、法向量(Nx,Ny,Nz)、法向量分布(Nvx,Nvy,Nvz)等。其中,每个激光脚点的特征计算公式和计算方法如下:
2.1)利用最佳邻域构造协方差矩阵M3×3:
2.2)把协方差矩阵特征值分解可以得到:
2.3)维数特征(α1D,α2D,α3D):维数特征表明了激光脚点属于杆状、面状、球状的程度,a1D越大表明邻域内的点越接近杆状分布,a2D越大表明邻域内的点越接近面状分布,a3D较大则表明邻域内的点为散乱的球状分布;
2.4)法向量(nx,ny,nz):协方差矩阵M3×3的最小的特征值λ3对应的特征向量为:(nx,ny,nz);法向量表示了面状脚点的方向,水平面状脚点的法方向与z轴近似平行而竖直面状脚点的法方向与z轴近似垂直;
2.5)主方向(px,py,pz):协方差矩阵M3×3的最大的特征值λ1对应的特征向量为:(px,py,pz);主方向表示了杆状脚点的方向,水平杆状点的主方向与z轴近似垂直而竖直杆状点的主方向与z轴近似平行;
2.6)法向量分布(nvx,nvy,nvz):上面通过协方差分析计算出了点的法向量,再次对所得的法向量进行协方差分析,可以得到局部邻域法向量分布的特征值(nvx,nvy,nvz)。法向量分布的特征值(nvx,nvy,nvz)反映了法向量的变化情况,法向量的变化情况可以直接反映出该点局部邻域内是否平滑;
在最佳邻域计算的基础上,通过计算了点云法向量、主方向、维度特征、点云法向量分布等12维特征,合理地描述了邻域点形状的分布信息,提高了点云局部特征的表达能力。
步骤3)具体包括以下步骤:
3.1)对每一个激光脚点,计算(D1、D2、D3),(Nx,Ny,Nz),(Px,Py,Pz),(a1D、a2D、a3D),(λ1,λ2,λ3)等特征,并分别归一化到区间[-1,1];
3.2)手工标记一部分点类别并将这些已知类别的点分为训练集和验证集;
3.3)使用支持向量机开源库,输入训练样本进行训练,得到最优分类模型;
3.4)用得到的模型对验证集进行分类,与已知类别的点比较,评价分类精度。
如图2、图3所示,图2为分类之前的原始数据,数据中包含建筑物、树木、汽车、路灯、交通标志牌等城市典型地物。图3为点云根据本发明方法自动化分类的结果,图3中的地物主要分为5个类别,即竖直的杆状目标、竖直的面状目标、球状目标、非竖直的杆状目标和非竖直的面状目标。其中建筑物立面和交通标志牌被分类为竖直的面状目标,路灯、交通标志牌的杆、树干被分类为竖直的杆状目标,树冠被分类为球状目标,路面和屋顶被分类为非竖直的的面状目标、电力线被分类为非竖直的杆状目标。
分类完成后利用验证集样本对分类结果的精度进行评价,分类结果精度如表1。
表1本发明方法与未加局部强度约束分类方法的比较
注:1表示竖直杆状脚点,2表示竖直面状脚点,3表示球状脚点,4表示非竖直杆状脚点,5表示非竖直面状脚点。
定量评价结果表明,本发明的分类精度为92.9%,原始的分类精度为89.0%,通过本发明的方法使分类精度提高了3.9%。
现有分类方法的要点在于从原始数据中提取一种或几种特征值,然后基于某种规则或知识进行监督或非监督分类。然而,这些特征值的选取规则的设定具有主观性,并且很少有算法对不同特征值的有效性进行验证。一般情况下,尽量多列举出各种可能与分类有关的特征,可以充分利用各种有用的信息,从而改善分类效果,但是这不利于计算和分类器的设计。本发明针对特征值的有效性和特征维数问题,提出利用支持向量机(SupportVector Machine,SVM)进行分类。它与传统分类方法相比,具有的优势体现在:克服了传统方法的大样本要求,又有效地克服了维数灾难,算法复杂度与特征维数无关。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,本领域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。
Claims (4)
1.一种顾及最优邻域的点云局部特征提取与分类方法,其特征在于,包括以下步骤:
1)顾及反射强度约束的点云最佳邻域计算;
2)基于特征值和特征向量的点云局部特征计算;
3)基于局部特征的点云逐点分类。
3.根据权利要求1所述的一种顾及最优邻域的点云局部特征提取与分类方法,其特征在于,步骤2)具体包括:
确定了每个激光脚点的最佳邻域后,需要在最佳邻域内计算每个激光脚点的特征用于支持向量机分类;选择的分类特征包括:每个激光脚点的维数特征(a1D,a2D,a3D)、主方向(Px,Py,Pz)、法向量(Nx,Ny,Nz)、法向量分布(Nvx,Nvy,Nvz)等。其中,每个激光脚点的特征计算公式和计算方法如下:
2.1)利用最佳邻域构造协方差矩阵M3×3:
2.2)把协方差矩阵特征值分解可以得到:
2.3)维数特征(α1D,α2D,α3D):维数特征表明了激光脚点属于杆状、面状、球状的程度,a1D越大表明邻域内的点越接近杆状分布,a2D越大表明邻域内的点越接近面状分布,a3D较大则表明邻域内的点为散乱的球状分布;
2.4)法向量(nx,ny,nz):协方差矩阵M3×3的最小的特征值λ3对应的特征向量为:(nx,ny,nz);法向量表示了面状脚点的方向,水平面状脚点的法方向与z轴近似平行而竖直面状脚点的法方向与z轴近似垂直;
2.5)主方向(px,py,pz):协方差矩阵M3×3的最大的特征值λ1对应的特征向量为:(px,py,pz);主方向表示了杆状脚点的方向,水平杆状点的主方向与z轴近似垂直而竖直杆状点的主方向与z轴近似平行;
2.6)法向量分布(nvx,nvy,nvz):上面通过协方差分析计算出了点的法向量,再次对所得的法向量进行协方差分析,可以得到局部邻域法向量分布的特征值(nvx,nvy,nvz)。法向量分布的特征值(nvx,nvy,nvz)反映了法向量的变化情况,法向量的变化情况可以直接反映出该点局部邻域内是否平滑。
4.根据权利要求1所述的一种顾及最优邻域的点云局部特征提取与分类方法,其特征在于,步骤3)具体包括以下步骤:
3.1)对每一个激光脚点,计算(D1、D2、D3),(Nx,Ny,Nz),(Px,Py,Pz),(a1D、a2D、a3D),(λ1,λ2,λ3)等特征,并分别归一化到区间[-1,1];
3.2)手工标记一部分点类别并将这些已知类别的点分为训练集和验证集;
3.3)使用支持向量机开源库,输入训练样本进行训练,得到最优分类模型;
3.4)用得到的模型对验证集进行分类,与已知类别的点比较,评价分类精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185731.3A CN111414924A (zh) | 2020-03-17 | 2020-03-17 | 一种顾及最优邻域的点云局部特征提取与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185731.3A CN111414924A (zh) | 2020-03-17 | 2020-03-17 | 一种顾及最优邻域的点云局部特征提取与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111414924A true CN111414924A (zh) | 2020-07-14 |
Family
ID=71492992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010185731.3A Pending CN111414924A (zh) | 2020-03-17 | 2020-03-17 | 一种顾及最优邻域的点云局部特征提取与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414924A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561977A (zh) * | 2020-12-14 | 2021-03-26 | 南京邮电大学 | 基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法 |
CN113378800A (zh) * | 2021-07-27 | 2021-09-10 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN113469195A (zh) * | 2021-06-25 | 2021-10-01 | 浙江工业大学 | 一种基于自适应颜色快速点特征直方图的目标识别方法 |
CN114720993A (zh) * | 2022-03-30 | 2022-07-08 | 上海木蚁机器人科技有限公司 | 机器人定位方法、装置、电子设备以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260737A (zh) * | 2015-11-25 | 2016-01-20 | 武汉大学 | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 |
CN106500594A (zh) * | 2016-10-31 | 2017-03-15 | 武汉大学 | 融合反射强度和几何特征的铁路轨道半自动检测方法 |
-
2020
- 2020-03-17 CN CN202010185731.3A patent/CN111414924A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260737A (zh) * | 2015-11-25 | 2016-01-20 | 武汉大学 | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 |
CN106500594A (zh) * | 2016-10-31 | 2017-03-15 | 武汉大学 | 融合反射强度和几何特征的铁路轨道半自动检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561977A (zh) * | 2020-12-14 | 2021-03-26 | 南京邮电大学 | 基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法 |
CN112561977B (zh) * | 2020-12-14 | 2022-08-19 | 南京邮电大学 | 基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法 |
CN113469195A (zh) * | 2021-06-25 | 2021-10-01 | 浙江工业大学 | 一种基于自适应颜色快速点特征直方图的目标识别方法 |
CN113469195B (zh) * | 2021-06-25 | 2024-02-06 | 浙江工业大学 | 一种基于自适应颜色快速点特征直方图的目标识别方法 |
CN113378800A (zh) * | 2021-07-27 | 2021-09-10 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN113378800B (zh) * | 2021-07-27 | 2021-11-09 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN114720993A (zh) * | 2022-03-30 | 2022-07-08 | 上海木蚁机器人科技有限公司 | 机器人定位方法、装置、电子设备以及存储介质 |
CN114720993B (zh) * | 2022-03-30 | 2024-08-20 | 上海木蚁机器人科技有限公司 | 机器人定位方法、装置、电子设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414924A (zh) | 一种顾及最优邻域的点云局部特征提取与分类方法 | |
CN108985186B (zh) | 一种基于改进YOLOv2的无人驾驶中行人检测方法 | |
Liu et al. | Machine vision based traffic sign detection methods: Review, analyses and perspectives | |
Xu et al. | Multiple-entity based classification of airborne laser scanning data in urban areas | |
Guo et al. | Classification of airborne laser scanning data using JointBoost | |
Wu et al. | Simultaneous object detection and segmentation by boosting local shape feature based classifier | |
US7724962B2 (en) | Context adaptive approach in vehicle detection under various visibility conditions | |
Hackel et al. | Joint classification and contour extraction of large 3D point clouds | |
CN104778457B (zh) | 基于多示例学习的视频人脸识别方法 | |
Li et al. | Semantic segmentation of road furniture in mobile laser scanning data | |
CN108960055B (zh) | 一种基于局部线段模式特征的车道线检测方法 | |
CN111062296B (zh) | 一种基于计算机的白细胞自动识别分类方法 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN111008989B (zh) | 一种基于多值体元的机载多光谱lidar三维分割方法 | |
CN114359876B (zh) | 一种车辆目标识别方法及存储介质 | |
Ye et al. | Overhead ground wire detection by fusion global and local features and supervised learning method for a cable inspection robot | |
Guo et al. | Classification of airborne laser scanning data using JointBoost | |
CN110210415A (zh) | 基于图结构的车载激光点云道路标线识别方法 | |
CN105809113A (zh) | 三维人脸识别方法及应用其的数据处理装置 | |
CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
CN108154172B (zh) | 基于三支决策的图像识别方法 | |
CN113609895A (zh) | 基于改进Yolov3的获取道路交通信息方法 | |
CN113657216A (zh) | 基于形状特征的点云场景树木树冠及木质点分离方法 | |
CN112464770A (zh) | 一种复杂环境下的密集行人检测方法 | |
KR101473991B1 (ko) | 얼굴 검출 방법 및 그 장치 |
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 |