CN111460974B - 一种基于优化的散乱点云数据全局特征提取方法 - Google Patents
一种基于优化的散乱点云数据全局特征提取方法 Download PDFInfo
- Publication number
- CN111460974B CN111460974B CN202010236858.3A CN202010236858A CN111460974B CN 111460974 B CN111460974 B CN 111460974B CN 202010236858 A CN202010236858 A CN 202010236858A CN 111460974 B CN111460974 B CN 111460974B
- Authority
- CN
- China
- Prior art keywords
- point
- label
- points
- uniform
- value
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种基于优化的散乱点云数据全局特征提取方法包括以下步骤:初始化散乱点云标签,根据阈值划分特征点和非特征点;判断每个点的局部统一性,根据标签划分统一点和不统一点,把标签为1的统一点的记作特征点集合;通过高斯分布拟合三维散乱模型点云数据中不统一点的属性信息;求取不统一点标签l的马尔科夫随机场的状态分布函数;求取不统一点标签l的目标优化函数并优化,得到不统一点的最优标签分布,进而得到不统一点特征点集合;合并两个特征点集合,得到全局特征点集合,本发明直接对点云数据进行处理,将特征提取问题转化为马尔科夫随机场能量最小化问题,并利用了模拟退火算法求取每个点的最优标签,在全局范围内得到最优解。
Description
技术领域
本发明涉及三维重建和逆向工程领域,特别涉及一种基于优化的散乱点云数据全局特征提取方法。
背景技术
物体的三维模型表达是通过物体的尖锐特征实现的,特征是描述模型外观的最小元素,同样也是模型外观准确表达的必要条件。因此,特征提取技术成为了三维模型几何处理中日益受到关注的热点课题,是三维重建和逆向工程等领域不可规避的关键问题。
近年来,点云数据的特征提取方法主要分为基于局部拟合的方法和基于特征检测算子的方法。其中,基于局部拟合的方法一般将曲率或者点云法向量作为判定尺度,判定尺度单一,提取结果粗糙;基于特征检测算子的方法大多依赖于固定的全局阈值,通常依赖于人工半交互式调参,要求用户对模型具有一些先验的知识积累,同时阈值的大小直接决定了特征提取的尖锐程度,会忽略较为平滑的特征。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于优化算法的散乱点云全局特征提取方法,以便获得散乱点云数据精确的全局特征,解决现有技术中在阈值半自动调整和提取时间耗时长的问题。
本发明的目的通过以下的技术方案实现:
一种基于优化的散乱点云数据全局特征提取方法,其特征在于,包括以下步骤:
S1、输入三维散乱模型,初始化散乱点云标签,并根据阈值划分特征点和非特征点;
S2、判断每个点的局部统一性,根据该点的近邻域该点的标签进行划分统一点和不统一点,并把标签为1的统一点的特征点集合记作setyes;
S3、通过高斯分布拟合三维散乱模型点云数据中不统一点的属性信息;
S4、求取不统一点标签l的马尔科夫随机场的状态分布函数p(l);
S5、求取不统一点标签l的目标优化函数E(l);
S6、优化目标优化函数E(l),得到不统一点的最优标签分布,得到不统一点的特征点集合setno;
S7、合并统一点的特征点集合setyes和不统一点的特征点集合setno,得到全局特征点集合set。
进一步地,所述步骤S1具体为:
S101、输入三维散乱模型P={p1,p2,...,pN},pi∈R3,i=1,2,...,N,N为点的个数;pi代表标号为i的点;
S102、对每个点的m个邻居点进行协方差分析,估计曲率;设协方差矩阵特征值为λ1,λ2,λ3,且λ1≤λ2≤λ3,则点pi的曲率ci计算如下:
其中,ci为点pi的曲率;
S103、对曲率估计设置阈值,阈值计算如下:
其中,max(|ci|和min(|ci|)分别表示点云模型曲率的最大值和最小值;
根据阈值初始化点云标签l={l1,l2,...,lN},其中li是第i个点的标签,曲率绝对值大于阈值的点标记为特征点,其标签设置为1;否则标记为非特征点,其标签设置为2,即有:
进一步地,所述步骤S2具体为:
判断每个点的局部统一性,如果点的k近邻与该点的标签相同,则该点为统一点,否则为不统一点,记不统一点个数为N';记标签为1的统一点的集合为setyes。
进一步地,所述的k取值范围为1<k<20。
进一步地,所述步骤S3具体为:
S301、用两个高斯分布拟合三维散乱点云中不统一点的属性信息ci,其中每个高斯分布分别表示标签为1或2的点的属性信息分布情况,记两个高斯分布的均值分别为μ1和μ2,标准差分别为σ1和σ2,则不统一点的曲率在不统一点的标签给定的情况下,其联合概率分布计算如下:
其中,p(c|l)表示不统一点在标签给定的情况下曲率的概率分布情况;
S302、对高斯分布的均值和标准差进行估计,估计如下:
初始化μ1,μ2,σ1,σ2,
其中,N1'为不统一点中标签为1的个数,N2'为不统一点标签为2的个数;
S303、初始化不统一点中两类标签的权重,计算如下:
其中,w1表示标签为1的点的权重,w2为标签为2的点的权重;
S304、计算每个不统一点与两类标签之间的相关系数,计算如下:
其中,χ(cim)表示标签为m,曲率为ci的不统一点的相关系数,m取值为1或者2,N(ci|μm,σm)表示均值为μm,标准差为σm的高斯分布在ci处的取值,N(ci|μj,σj)表示均值为μj,标准差为σj的高斯分布在ci处的取值(参数含义请明确),σm,σj的取值为{σ1,σ2},μm,μj的取值为{μ1,μ2};
S305、由相关系数更新μ1,μ2,σ1,σ2,w1,w2,计算如下:
其中,m取值为1和2,分别对应于标签为1和2的相应均值μm、标准差σm和权重wm和不统一点的标签为m的数量N'm;
N'm的更新公式为:
S306、利用公式(8)更新的参数计算公式(4)的对数似然函数,并判断是否满足收敛条件,满足则计算终止,不满足则重复步骤S304,S305。
进一步地,所述步骤S4具体为:
求取不统一点标签l的马尔科夫随机场的状态分布函数p(l),其计算过程如下:
其中,为归一化常数,δi是点i的r邻域,U(l)是子团势能函数的和,表示的是邻域之间各个点的依赖关系,子团势能函数V(i,j)(l)的定义如下:
其中,V(i,j)(l)是邻域内距离点i最近的点j的曲率距离,θij是不统一点中两点法向量夹角的余弦值,所述法向量的求解方法是主成分分析法。
进一步地,所述步骤S5具体为:
由MAP-MRF框架可知,找出最优的l*,使得p(l|c)最大,即找出最优的l*使得p(c|l)p(l)最大,所以最终的目标优化函数即p(c|l)p(l)的对数,其计算如下:
其中,E(l)为最终的目标优化函数,其与-p(c|l)p(l)的对数成正比;
即求取使得p(c|l)p(l)的对数取得最大值时的l*。
进一步地,所述步骤S6具体为:
通过模拟退火法,优化目标优化函数E(l),
S601、记l(n)=(l1,l2,...,lN'),表示不统一点在第n次迭代时的标签取值,其中l(0)表示的是初始状态,由点云标签决定其取值,记每个状态的迭代次数为t,t取值范围为300~600;记E(n)表示不统一点在l(n)的状态下目标优化函数的取值,其中E(0)表示的是初始能量值;
S602、对n=1,...,t做步骤603至步骤605;
S603、在原l(n)上产生新的l(n),即l(n+1),并计算E(n+1);
S604、计算能量增量ΔE=E(n+1)-E(n);
S605、若ΔE<0,则接受l(n+1)为新的当前解,并将l(n+1)赋予l(n),否则以概率exp(-ΔE/E)接受l(n+1)作为新的当前解l(n);
S606、此时已经达到迭代次数,需要判定终止条件是否满足,满足则终止;否则缓慢减小E(0)的值,重置步骤602至步骤605;
S607、满足终止条件,计算终止,返回最优解l*,得到不统一点的最优标签集合,其中标签为1的不统一点作为特征点,得到不统一点的特征点集合setno。
进一步地,所述的终止条件为连续h个新解没有被接受。
进一步地,其特征在于,所述h取值为10。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明直接对点云数据进行处理,避免了三角网格模型的拓扑数据带来的冗余信息,提高了处理速度;
2、本发明将特征提取问题转化为马尔科夫随机场能量最小化问题,不需要局部曲面拟合或者重建,能够自适应的提取特征点;
3、本发明利用了模拟退火算法求取每个点的最优标签,在全局范围内得到最优解。
附图说明
图1为本发明所述一种基于优化的散乱点云数据全局特征提取方法的流程图;
图2为本发明所述实施例中不统一点曲率参数拟合流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
如图1所示的本发明的流程图,一种基于优化算法的散乱点云全局特征提取方法,包括以下步骤:
步骤1:初始化散乱点云标签,其过程如下:
步骤1.1:输入三维散乱模型P={p1,p2,...,pN},pi∈R3,i=1,2,...,N,N为点的个数,pi代表标号为i的点;
步骤1.2:对每一个点pi的m个邻居点(本文m取10)进行协方差分析,估计曲率,设协方差矩阵特征值为λ1,λ2,λ3,且λ1≤λ2≤λ3,则点pi的曲率ci计算公式为:
步骤1.3,对曲率估计设置阈值θ,其计算公式如下:
根据阈值初始化点云标签l={l1,l2,...,lN},其中li是第i个点的标签,曲率绝对值大于阈值的点标记为特征点,其标签设置为1;否则标记为非特征点,标签设置为2,即:
步骤2:判断每个点的局部统一性,如果点的k近邻(k本文取为10)与该点的标签相同,则该点为统一点,否则为不统一点,记不统一点个数为N';记标签为1的统一点的集合为setyes;
步骤3:用两个高斯分布拟合三维散乱点云中不统一点的属性信息ci,其中每个高斯分布分别表示标签为1或2的点的属性信息的分布情况,记这两个高斯分布的均值分别为μ1和μ2,标准差分别是σ1,σ2,则不统一点的曲率在不统一点的标签给定的情况下的联合概率分布计算公式为:
进一步地,步骤3所述的参数μ1,μ2,σ1,σ2的估计方法为EM算法,其过程如下:
步骤3.1:初始化μ1,μ2,σ1,σ2四个参数,计算公式为:
其中N1'是不统一点中标签为1的个数,N2'为不统一点中标签为2的个数;
图2为不统一点曲率参数拟合流程图,具体如下:
步骤3.2:初始化不统一点中两个标签的权重,计算公式为:
步骤3.3:计算每个不统一点与两类标签之间的相关系数,计算公式为:
其中χ(cim)表示标签为m,曲率为ci的不统一点的相关系数;
步骤3.4:由相关系数更新μ1,μ2,σ1,σ2,w1,w2,计算公式为:
其中m取值为1和2,分别对应于标签为1和2的相应参数,N'm的更新公式为:
步骤3.5:利用公式(8)更新的参数计算公式(4)的对数似然函数并判断是否满足收敛条件,是则算法终止,不满足则重复步骤3.3,3.4;
步骤4:求取标签l的马尔科夫随机场的状态分布函数,其计算公式为:
其中,Z为归一化常数,在本文中没有求取必要;δi指的是点i的r邻域,U(l)是子团势能函数的和,其中子团势能函数V(i,j)(l)的定义如下:
其中V(i,j)(l)描述的是邻域内距离点i最近的点j的曲率距离,θij表示的是两点法向量夹角的余弦值,法向量的求解方法是主成分分析法;
步骤5:由MAP-MRF框架可知,找出最优的l*,使得p(l|c)最大,即找出最优的l*使得p(c|l)p(l)最大,所以最终的目标优化函数即p(c|l)p(l)的对数,其计算公式如下:
其中,E(l)为最终的优化函数,其与-p(c|l)p(l)的对数成正比,所以求取最优的l*,使得E(l)最小,也就是求取p(c|l)p(l)的对数的最大值;
步骤6:利用模拟退火算法,优化公式(12),得到最优的l*,其过程如下:
步骤6.1:记l(n)=(l1,l2,...,lN'),表示不统一点在第n次迭代时的标签取值,其中l(0)表示的是初始状态,由公式(3)决定其取值,记每个状态的迭代次数为t,本文t取500;记E(n)表示不统一点在l(n)的状态下公式(12)的取值,其中E(0)表示的是初始能量值;
步骤6.2:对n=1,...,t做步骤6.3至步骤6.5;
步骤6.3:在原l(n)上产生新的l(n),即l(n+1),并计算E(n+1);
步骤6.4:计算能量增量ΔE=E(n+1)-E(n);
步骤6.5:若ΔE<0,则接受l(n+1)为新的当前解,并将l(n+1)赋予l(n),否则以概率exp(-ΔE/E)接受l(n+1)作为新的当前解l(n);
步骤6.6:此时已经达到迭代次数,需要判定终止条件是否满足,满足的话终止算法;否则缓慢减小E(0)的值,重置步骤6.2至步骤6.6;
进一步地,步骤6.6所述的终止条件为连续h个新解没有被接受,本文h取10;
步骤6.7:算法终止,返回最优解l*,得到不统一点的最优标签集合,其中标签为1的不统一点作为特征点,得到不统一点的特征点集合setno;
步骤7:合并统一点的特征点集合setyes和不统一点的特征点集合setno,得到最终的全局特征点集合set;
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于优化的散乱点云数据全局特征提取方法,其特征在于,包括以下步骤:
S1、输入三维散乱模型,初始化散乱点云标签,并根据阈值划分特征点和非特征点;
S2、判断每个点的局部统一性,根据该点的近邻域该点的标签进行划分统一点和不统一点,并把标签为1的统一点的特征点集合记作setyes;
S3、通过高斯分布拟合三维散乱模型点云数据中不统一点的属性信息;
所述步骤S3具体为:
S301、用两个高斯分布拟合三维散乱点云中不统一点的属性信息ci,其中每个高斯分布分别表示标签为1或2的点的属性信息分布情况,记两个高斯分布的均值分别为μ1和μ2,标准差分别为σ1和σ2,则不统一点的曲率在不统一点的标签给定的情况下,其联合概率分布计算如下:
其中,p(c|l)表示不统一点在标签给定的情况下曲率的概率分布情况;
S302、对高斯分布的均值和标准差进行估计,估计如下:
初始化μ1,μ2,σ1,σ2,
其中,N1'为不统一点中标签为1的个数,N2'为不统一点标签为2的个数;
S303、初始化不统一点中两类标签的权重,计算如下:
其中,w1表示标签为1的点的权重,w2为标签为2的点的权重;
S304、计算每个不统一点与两类标签之间的相关系数,计算如下:
其中,χ(cim)表示标签为m,曲率为ci的不统一点的相关系数,m取值为1或者2,N(ci|μm,σm)表示均值为μm,标准差为σm的高斯分布在ci处的取值,N(ci|μj,σj)表示均值为μj,标准差为σj的高斯分布在ci处的取值(参数含义请明确),σm,σj的取值为{σ1,σ2},μm,μj的取值为{μ1,μ2};
S305、由相关系数更新μ1,μ2,σ1,σ2,w1,w2,计算如下:
其中,m取值为1和2,分别对应于标签为1和2的相应均值μm、标准差σm和权重wm和不统一点的标签为m的数量N'm;
N'm的更新公式为:
S306、利用公式(8)更新的参数计算公式(4)的对数似然函数,并判断是否满足收敛条件,满足则计算终止,不满足则重复步骤S304,S305;
S4、求取不统一点标签l的马尔科夫随机场的状态分布函数p(l);
S5、求取不统一点标签l的目标优化函数E(l);
S6、优化目标优化函数E(l),得到不统一点的最优标签分布,得到不统一点的特征点集合setno;
S7、合并统一点的特征点集合setyes和不统一点的特征点集合setno,得到全局特征点集合set。
2.根据权利要求1所述的一种基于优化的散乱点云数据全局特征提取方法,其特征在于,所述步骤S1具体为:
S101、输入三维散乱模型P={p1,p2,...,pN},pi∈R3,i=1,2,...,N,N为点的个数;pi代表标号为i的点;
S102、对每个点的m个邻居点进行协方差分析,估计曲率;设协方差矩阵特征值为λ1,λ2,λ3,且λ1≤λ2≤λ3,则点pi的曲率ci计算如下:
其中,ci为点pi的曲率;
S103、对曲率估计设置阈值,阈值计算如下:
其中,max(|ci|)和min(|ci|)分别表示点云模型曲率的最大值和最小值;
根据阈值初始化点云标签l={l1,l2,...,lN},其中li是第i个点的标签,曲率绝对值大于阈值的点标记为特征点,其标签设置为1;否则标记为非特征点,其标签设置为2,即有:
3.根据权利要求1所述的一种基于优化的散乱点云数据全局特征提取方法,其特征在于,所述步骤S2具体为:
判断每个点的局部统一性,如果点的k近邻与该点的标签相同,则该点为统一点,否则为不统一点,记不统一点个数为N';记标签为1的统一点的集合为setyes。
4.根据权利要求3所述的一种基于优化的散乱点云数据全局特征提取方法,其特征在于,所述的k取值范围为1<k<20。
7.根据权利要求1所述的一种基于优化的散乱点云数据全局特征提取方法,其特征在于,所述步骤S6具体为:
通过模拟退火法,优化目标优化函数E(l),
S601、记l(n)=(l1,l2,...,lN'),表示不统一点在第n次迭代时的标签取值,其中l(0)表示的是初始状态,由点云标签决定其取值,记每个状态的迭代次数为t,t取值范围为300~600;记E(n)表示不统一点在l(n)的状态下目标优化函数的取值,其中E(0)表示的是初始能量值;
S602、对n=1,...,t做步骤603至步骤605;
S603、在原l(n)上产生新的l(n),即l(n+1),并计算E(n+1);
S604、计算能量增量ΔE=E(n+1)-E(n);
S605、若ΔE<0,则接受l(n+1)为新的当前解,并将l(n+1)赋予l(n),否则以概率exp(-ΔE/E)接受l(n+1)作为新的当前解l(n);
S606、此时已经达到迭代次数,需要判定终止条件是否满足,满足则终止;否则缓慢减小E(0)的值,重置步骤602至步骤605;
S607、满足终止条件,计算终止,返回最优解l*,得到不统一点的最优标签集合,其中标签为1的不统一点作为特征点,得到不统一点的特征点集合setno。
8.根据权利要求7所述的一种基于优化的散乱点云数据全局特征提取方法,其特征在于,所述的终止条件为连续h个新解没有被接受。
9.根据权利要求8所述的一种基于优化的散乱点云数据全局特征提取方法,其特征在于,所述h取值为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236858.3A CN111460974B (zh) | 2020-03-30 | 2020-03-30 | 一种基于优化的散乱点云数据全局特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236858.3A CN111460974B (zh) | 2020-03-30 | 2020-03-30 | 一种基于优化的散乱点云数据全局特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460974A CN111460974A (zh) | 2020-07-28 |
CN111460974B true CN111460974B (zh) | 2023-04-28 |
Family
ID=71681558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010236858.3A Active CN111460974B (zh) | 2020-03-30 | 2020-03-30 | 一种基于优化的散乱点云数据全局特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460974B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100503B (zh) * | 2022-07-29 | 2024-05-07 | 电子科技大学 | 一种基于曲率距离与硬具体分布的对抗点云生成方法、系统、存储介质及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551015A (zh) * | 2015-12-02 | 2016-05-04 | 南京邮电大学 | 一种散乱点云图像配准方法 |
CN108198244A (zh) * | 2017-12-20 | 2018-06-22 | 中国农业大学 | 一种苹果叶片点云精简方法及装置 |
CN109034077A (zh) * | 2018-08-01 | 2018-12-18 | 湖南拓视觉信息技术有限公司 | 一种基于多尺度特征学习的三维点云标记方法和装置 |
CN109147038A (zh) * | 2018-08-21 | 2019-01-04 | 北京工业大学 | 基于三维点云处理的管道三维建模方法 |
CN110110802A (zh) * | 2019-05-14 | 2019-08-09 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
-
2020
- 2020-03-30 CN CN202010236858.3A patent/CN111460974B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551015A (zh) * | 2015-12-02 | 2016-05-04 | 南京邮电大学 | 一种散乱点云图像配准方法 |
CN108198244A (zh) * | 2017-12-20 | 2018-06-22 | 中国农业大学 | 一种苹果叶片点云精简方法及装置 |
CN109034077A (zh) * | 2018-08-01 | 2018-12-18 | 湖南拓视觉信息技术有限公司 | 一种基于多尺度特征学习的三维点云标记方法和装置 |
CN109147038A (zh) * | 2018-08-21 | 2019-01-04 | 北京工业大学 | 基于三维点云处理的管道三维建模方法 |
CN110110802A (zh) * | 2019-05-14 | 2019-08-09 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111460974A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876796A (zh) | 一种基于全卷积神经网络和条件随机场的道路分割系统及方法 | |
CN111553425B (zh) | 一种用于视觉定位的模板匹配lsp算法、介质和设备 | |
CN110276264A (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN106485269B (zh) | 基于混合统计分布与多部件模型的sar图像目标检测方法 | |
CN109446894B (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN106651865B (zh) | 一种新的高分辨率遥感影像的最优分割尺度自动选择方法 | |
CN110907762A (zh) | 一种非侵入式负荷匹配辨识方法 | |
CN106447662A (zh) | 一种基于组合距离的fcm图像分割算法 | |
CN111931763A (zh) | 一种基于随机形态边缘几何建模的深度场景文本检测方法 | |
CN111460974B (zh) | 一种基于优化的散乱点云数据全局特征提取方法 | |
CN110687514B (zh) | 一种非线性判别学习真假目标一维距离像特征提取方法 | |
CN112465016A (zh) | 基于最优劣距的部分多标记学习方法 | |
CN112149052A (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
CN103823973B (zh) | 一种基于MeanShift算法的目标跟踪方法 | |
CN111104922A (zh) | 一种基于有序抽样的特征匹配算法 | |
CN107392936B (zh) | 一种基于meanshift的目标跟踪方法 | |
CN116437290A (zh) | 一种基于csi指纹定位的模型融合方法 | |
CN111488882B (zh) | 一种用于工业零件测量的高精度图像语义分割方法 | |
CN111914751B (zh) | 一种图像人群密度识别检测方法及系统 | |
CN113159082B (zh) | 一种增量式学习目标检测网络模型构建及权重更新方法 | |
JPWO2018198298A1 (ja) | パラメータ推定装置、パラメータ推定方法、及びプログラム | |
CN113724325A (zh) | 一种基于图卷积网络的多场景单目相机位姿回归方法 | |
CN108509989B (zh) | 基于高斯选控玻尔兹曼机的hrrp识别方法 | |
CN113420737B (zh) | 一种基于卷积神经网络的3d打印图形识别方法 | |
CN110942346A (zh) | 一种基于粒子群算法的建筑工程造价动态化估算方法 |
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 |