CN111898684A - 一种基于多维点云数据的生物种属鉴别方法 - Google Patents

一种基于多维点云数据的生物种属鉴别方法 Download PDF

Info

Publication number
CN111898684A
CN111898684A CN202010762407.3A CN202010762407A CN111898684A CN 111898684 A CN111898684 A CN 111898684A CN 202010762407 A CN202010762407 A CN 202010762407A CN 111898684 A CN111898684 A CN 111898684A
Authority
CN
China
Prior art keywords
point cloud
cloud data
biological species
local
detected
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
Application number
CN202010762407.3A
Other languages
English (en)
Inventor
陈艳
夏贵勇
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010762407.3A priority Critical patent/CN111898684A/zh
Publication of CN111898684A publication Critical patent/CN111898684A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多维点云数据的生物种属鉴别方法，该方法包括有以下步骤：S1：预先建立标准生物种属分类检索表；S2：获取检材的外部形态轮廓的整体点云数据；S3：拆分整体点云数据得到表现检材局部轮廓的局部点云数据；S4：对局部点云数据作出去噪处理得到没有噪点的局部点云数据；S5：将没有噪点的点云数据与标准生物种属分类检索表比对，得到检材的生物种属鉴别结果。本发明具有操作方便，鉴别高效、鉴别精确、鉴别准确度高的有益效果。

Description

一种基于多维点云数据的生物种属鉴别方法
技术领域
本发明属于点云数据应用技术领域，特别涉及一种基于多维点云数据的生物鉴别方法。
背景技术
进出口检验检疫、自然环境科考、司法鉴定等场合中常常需对检材做出鉴别，鉴定检材中包括的生物的具体种属信息。
现有技术中，为实现生物种属鉴别，通常采用的方法有形态学、血清学法、细胞学法以及生物化学法等，这些方法对检材的质量要求较高，且整个检品的制备过程相当复杂，对制备器材、制备环境以及制备人员的要求尤其高，且整个鉴定过程大部分为人工操作，整个操作流程十分繁复，重复性极高，对人工依赖程度非常高，整个鉴定过程效率相当低下。
在进出口检验检疫、自然环境科考、司法鉴定等场合中，检材为具有完整外形的生物标本的情形十分常见，在对这些检材做出鉴别时，需要鉴别人员依赖以往的鉴定经验，查阅生物检索表或种属图鉴等专业资料，对比查找后才能最终得到种属鉴别结果，这个过程十分考验鉴定人员的知识储备，整个过程具有极强的经验主义。
点云数据成像技术是一种采用特定扫描设备，对检材进行扫描后，以点集形式记录扫描结果的成像技术。视其采用的具体扫描设备不同，点云数据中各个具体点除包括具体点的三维坐标信息外，还可能包括有对应点的颜色、光强等信息，由于点云数据相对于图像数据具备的强数据性特点，能在后续图像处理中更好地与计算机交互实现图像处理与变换，近年在越来越多的领域中得到推广应用。
回归到生物种属的鉴别，如何更好利用点云数据的特点，将其应用到鉴别领域中来，将鉴别人员从枯燥、繁重、重复、低效的鉴别工作中解放出来，取得良好的鉴别准确度，在此之前并未见相关文献记载，这也是本领域技术人员需要解决的技术问题。
发明内容
为解决上述问题，本发明的目的在于提供一种基于点云数据成像技术的物种属鉴别方法，该鉴别方法通过获取检材的点云数据，对该点云数据作出分割以及去噪处理后，比对得到鉴定结果。
本发明的另一个目的在于提供一种点云数据处理技术与深度学习识别技术相结合的物种属鉴别方法，该方法获实现利用标准生物种属分类检索表对卷积神经网络进行预训练，卷积神经网络在训练过程中学习到基于标准生物种属分类检索表提取其对应种属的生物外部轮廓信息的匹配点对的方法，并依照该方法对表现实际检材的外部形态轮廓的整体点云数据进行处理，给出鉴定结果。
为实现上述目的，本发明的技术方案如下：
一种基于多维点云数据的生物种属鉴别方法，该方法包括有以下步骤：
S1：预先建立标准生物种属分类检索表；
S2：获取检材的外部形态轮廓的整体点云数据；
S3：拆分整体点云数据得到表现检材局部轮廓的局部点云数据；
S4：对局部点云数据作出去噪处理得到没有噪点的局部点云数据；
S5：将没有噪点的点云数据与标准生物种属分类检索表比对，得到检材的生物种属鉴别结果。
进一步地，S1具体为：建立卷积神经网络预模型并进行预训练，得到合适可用的卷积神经网络模型，在卷积神经网络中内置标准生物检索表。
进一步地，在卷积神经网络中内置标准生物检索表的具体方法为：基于生物分类学理论，建立对应生物的生物分类检索表，表中针对各个对应的生物种属，记录包含其外部轮廓信息的匹配点对。
进一步地，S3包括有以下子步骤：
S31：对采集到的检材的外部形态轮廓的整体点云数据，提取其多维特征；
S32：对多维特征进行作出分割，得到表现检材局部轮廓的局部点云数据。
进一步地，S31具体为：对采集到的检材的外部形态轮廓的整体点云数据中的各个具体点，提取其法向量、高程值、切向量、曲率、坐标值、面性特征、线性特征以及点性特征中至少两个维度的特征数据。
进一步地，S32具体为：
S321：对于每一个点云数据，均将其呈现立体空间P内的坐标投影成为呈现在平面空间G内的坐标：
G(u，v)＝max{z|x＝u，y＝v，(x，y，z，)∈P}；
S322：寻找G平面中Z值最小值Zmin：Zmin＝min(G)，将G平面内所有Z值比Zmim小的点投影影到XOY平面上得到图G1：
G1(u，v)＝max{z|x＝u，y＝v，z≤Zmin，(x，y，z)∈P}；
S323：对图G1进行霍夫变换，寻找到图G1中的最长直线L，提取该最长的直线L为检材生物的各部位的边界线：
L＝max{line|line∈Hough(G1)}；
S324：记录图G1中垂直于最长直线L方向上最长的点云距离，记录该最长点云距离为width：
width＝max{line|line⊥L，line∈G1}；
S325：从高度为Zmin的高度位置开始向上，每隔设定距离记录该对应层空间PC中的点云数据中垂直于最长直线L的最长距离w：
w＝max{line|line⊥L，line∈Pc}
S326：若a*width＜w＜β·width，则跳转325，否则跳转327；
S327：记录此时的高度Zs，以Zs为分割面，将多维生物形态轮廓点云数据分割成对应多个表现检材局部轮廓的局部点云数据：
T(x，y，z)＝{(x，y，z)|z＞Zs，(x，y，z)∈P}，
B(x，y，z)＝{(x，y，z)|z≤Zs，(x，y，z)∈P}。
进一步地，S4具体为：采用卡尔曼滤波算法、高斯滤波算法和拉普拉斯算法中其中任意一种算法对局部点云数据作出去噪处理。
进一步地，S5具体为：对于输入到卷积神经网络中的所有局部点云数据，卷积神经网络对每一个点均对应提取特征形成特征矩阵，随后采用对称函数对特征矩阵做最大池化处理，计算得到特征矩阵中每个维度的最大值，将其与卷积神经网络中内置标准生物检索表比对后得到鉴别结果。
本发明的有益效果为：
操作方便，鉴别高效：本发明提供的鉴别方法应用到实际的生物鉴别场合中时，工作人员仅需控制扫描设备扫描检材，将扫描结果输入到卷积神经网络中即可完成生物种属鉴别，其鉴别过程十分便捷高效。
鉴别精确：将整体点云数据拆分成为表现检材局部轮廓的局部点云数据，可详细地对每一个具有细微特征的局部区域作出鉴别，避免遗落检材的细微特征，提高鉴别的精确程度。
鉴别准确度高：以标准生物种属分类检索表为比对标准，并具体地在点数数据处理过程中增加去噪操作，对点云数据反复多次多层次地运算，最终获得准确度极高的鉴别结果。
附图说明
图1是本发明所提供的一种基于多维点云数据的生物种属鉴别方法的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为实现上述目的，本发明的技术方案如下：
请参阅图1。
在本具体实施方式中提供一种基于结构光扫描设备的扫描得到多维点云数据的谷斑皮蠹的鉴别方法，该方法包括有：
S1：预先建立谷斑皮蠹的检索表；
S2：以结构光采集设备获取检材的外部形态轮廓的整体点云数据；
S3：拆分整体点云数据得到表现检材局部轮廓的局部点云数据；
S4：对局部点云数据作出去噪处理得到没有噪点的局部点云数据；
S5：将没有噪点的点云数据与标准生物种属分类检索表比对，得到检材的生物种属鉴别结果。
在本具体实施方式中，S1具体为：建立卷积神经网络预模型并进行预训练，得到合适可用的卷积神经网络模型，在卷积神经网络中内置标准谷斑皮蠹检索表。
在本具体实施方式中，在卷积神经网络中内置标准谷斑皮蠹检索表的具体方法为：基于生物分类学理论中关于谷斑皮蠹外部轮廓信息，建立谷斑皮蠹的生物分类检索表，表中针对谷斑皮蠹，记录包含其外部轮廓信息的所有匹配点对。
在本具体实施方式中，S3包括有以下子步骤：
S31：对采集到的检材的外部形态轮廓的整体点云数据，提取其多维特征；
S32：对多维特征进行作出分割，得到表现检材局部轮廓的局部点云数据。
在本具体实施方式中，S31具体为：对采集到的检材的外部形态轮廓的整体点云数据中的各个具体点，提取其法向量、高程值、切向量、曲率、坐标值、面性特征、线性特征以及点性特征中所有维度的特征数据。
在本具体实施方式中，S32具体为：
S321：对于每一个点云数据，均将其呈现立体空间P内的坐标投影成为呈现在平面空间G内的坐标：
G(u，v)＝max{z|x＝u，y＝v，(x，y，z)∈P}；
S322：寻找G平面中Z值最小值Z min：Z min＝min(G)，将G平面内所有Z值比Zmim小的点投影影到XOY平面上得到图G1：
G1(u，v)＝max{z|x＝u，y＝v，z≤Zmin，(x，y，z)∈P}；
S323：对图G1进行霍夫变换，寻找到图G1中的最长直线L，提取该最长的直线L为检材生物的各部位的边界线：
L＝max{line|line∈Hough(G1)}；
S324：记录图G1中垂直于最长直线L方向上最长的点云距离，记录该最长点云距离为width：
width＝max{line|line⊥L，line∈G1}；
S325：从高度为Z min的高度位置开始向上，每隔设定距离记录该对应层空间PC中的点云数据中垂直于最长直线L的最长距离w：
w＝max{line|line⊥L，line∈Pc}
S326：若a*width＜w＜β·width，则跳转325，否则跳转327；
S327：记录此时的高度Zs，以Zs为分割面，将多维生物形态轮廓点云数据分割成检材的足部特征、腹部特征、头部特征、口器特征等多个局部轮廓的局部点云数据：
T(x，y，z)＝{(x，y，z)|z＞Zs，(x，y，z)∈P}，
B(x，y，z)＝{(x，y，z)|z≤Zs，(x，y，z)∈P}。
在本具体实施方式中，S4具体为：采用二维高斯滤波算法对各个局部点云数据作出去噪处理：
定义Gσ是标准差为σ的二维高斯核，即：
Figure BDA0002613439360000071
针对每一组局部点云数据先对行做一维卷积，再对列做一维卷积，将计算复杂度从O(M*M*N*N)降到O(2*M*M*N)，(其中，M，N分别是图像和滤波器的窗口大小，*表示卷积操作)。利用上述搞死算法针对每一组局部点云数据作出处理，可应对点云数据中无序或散乱点云数据的噪声，对点云数据作出去噪处理，输出的结果为没有噪点的精准的表征检材多维形态轮廓的点云数据。
在本具体实施方式中，S5具体为：对于输入到卷积神经网络中的所有局部点云数据，卷积神经网络对每一个点均对应提取特征形成特征矩阵，随后采用对称函数对特征矩阵做最大池化处理，计算得到特征矩阵中每个维度的最大值，将其与卷积神经网络中内置标准生物检索表比对后得到鉴别结果。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多维点云数据的生物种属鉴别方法，其特征在于，该方法包括有以下步骤：
S1：预先建立标准生物种属分类检索表；
S2：获取检材的外部形态轮廓的整体点云数据；
S3：拆分整体点云数据得到表现检材局部轮廓的局部点云数据；
S4：对局部点云数据作出去噪处理得到没有噪点的局部点云数据；
S5：将没有噪点的点云数据与标准生物种属分类检索表比对，得到检材的生物种属鉴别结果。
2.如权利要求1所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S1具体为：建立卷积神经网络预模型并进行预训练，得到合适可用的卷积神经网络模型，在卷积神经网络中内置标准生物检索表。
3.如权利要求2所述的基于多维点云数据的生物种属鉴别方法，其特征在于，在卷积神经网络中内置标准生物检索表的具体方法为：基于生物分类学理论，建立对应生物的生物分类检索表，表中针对各个对应的生物种属，记录包含其外部轮廓信息的匹配点对。
4.如权利要求1所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S3包括有以下子步骤：
S31：对采集到的检材的外部形态轮廓的整体点云数据，提取其多维特征；
S32：对多维特征进行作出分割，得到表现检材局部轮廓的局部点云数据。
5.如权利要求4所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S31具体为：对采集到的检材的外部形态轮廓的整体点云数据中的各个具体点，提取其法向量、高程值、切向量、曲率、坐标值、面性特征、线性特征以及点性特征中至少两个维度的特征数据。
6.如权利要求4所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S32具体为：
S321：对于每一个点云数据，均将其呈现立体空间P内的坐标投影成为呈现在平面空间G内的坐标：
G(u，v)＝max{z|x＝u，y＝v，(x，P，z)∈P}；
S322：寻找G平面中Z值最小值Z min：Z min＝min(G)，将G平面内所有Z值比Zmim小的点投影影到XOY平面上得到图G1：
G1(u，v)＝max{z|x＝u，y＝v，z≤Zmin，(x，y，z)∈P}；
S323：对图G1进行霍夫变换，寻找到图G1中的最长直线L，提取该最长的直线L为检材生物的各部位的边界线：
L＝max{line|line∈Hough(G1)}；
S324：记录图G1中垂直于最长直线L方向上最长的点云距离，记录该最长点云距离为width：
width＝max{line|line⊥L，line∈G1}；
S325：从高度为Z min的高度位置开始向上，每隔设定距离记录该对应层空间PC中的点云数据中垂直于最长直线L的最长距离w：
ω＝max{line|line⊥L，line∈Pc}
S326：若a*width＜w＜β·width，则跳转325，否则跳转327；
S327：记录此时的高度Zs，以Zs为分割面，将多维生物形态轮廓点云数据分割成对应多个表现检材局部轮廓的局部点云数据：
T(x，y，z)＝{(x，y，z)|z＞Zs，(x，y，z)∈P}，
B(x，y，z)＝{(x，y，z)|z≤Zs，(x，y，z)∈P}。
7.如权利要求4所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S4具体为：采用卡尔曼滤波器、高斯滤波器和拉普拉斯滤波器中其中任意一种滤波器对局部点云数据作出去噪处理。
8.如权利要求3所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S5具体为：对于输入到卷积神经网络中的所有局部点云数据，卷积神经网络对每一个点均对应提取特征形成特征矩阵，随后采用对称函数对特征矩阵做最大池化处理，计算得到特征矩阵中每个维度的最大值，将其与卷积神经网络中内置标准生物检索表比对后得到鉴别结果。
CN202010762407.3A 2020-07-31 2020-07-31 一种基于多维点云数据的生物种属鉴别方法 Pending CN111898684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010762407.3A CN111898684A (zh) 2020-07-31 2020-07-31 一种基于多维点云数据的生物种属鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010762407.3A CN111898684A (zh) 2020-07-31 2020-07-31 一种基于多维点云数据的生物种属鉴别方法

Publications (1)

Publication Number Publication Date
CN111898684A true CN111898684A (zh) 2020-11-06

Family

ID=73183628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010762407.3A Pending CN111898684A (zh) 2020-07-31 2020-07-31 一种基于多维点云数据的生物种属鉴别方法

Country Status (1)

Country Link
CN (1) CN111898684A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882191A (zh) * 2022-07-11 2022-08-09 浙江大华技术股份有限公司 数字高程模型生成方法、电子设备及计算机可读存储装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120256916A1 (en) * 2009-12-11 2012-10-11 Kazuo Kitamura Point cloud data processing device, point cloud data processing method, and point cloud data processing program
CN108230329A (zh) * 2017-12-18 2018-06-29 孙颖 基于多尺度卷积神经网络的语义分割方法
CN110765962A (zh) * 2019-10-29 2020-02-07 刘秀萍 一种基于三维点云轮廓分维值的植物识别分类方法
CN111444927A (zh) * 2020-03-26 2020-07-24 广州市炜城智能科技有限公司 一种应用激光技术的多维形态鉴别动植物有害生物方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120256916A1 (en) * 2009-12-11 2012-10-11 Kazuo Kitamura Point cloud data processing device, point cloud data processing method, and point cloud data processing program
CN108230329A (zh) * 2017-12-18 2018-06-29 孙颖 基于多尺度卷积神经网络的语义分割方法
CN110765962A (zh) * 2019-10-29 2020-02-07 刘秀萍 一种基于三维点云轮廓分维值的植物识别分类方法
CN111444927A (zh) * 2020-03-26 2020-07-24 广州市炜城智能科技有限公司 一种应用激光技术的多维形态鉴别动植物有害生物方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882191A (zh) * 2022-07-11 2022-08-09 浙江大华技术股份有限公司 数字高程模型生成方法、电子设备及计算机可读存储装置

Similar Documents

Publication Publication Date Title
Duchenne et al. Segmentation by transduction
Laga et al. Landmark-free statistical analysis of the shape of plant leaves
Khan et al. An efficient contour based fine-grained algorithm for multi category object detection
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
Van Nguyen et al. Support vector shape: A classifier-based shape representation
CN107609580B (zh) 一种直推式的低秩张量判别性分析方法
Wang et al. Recognition and localization of occluded apples using K-means clustering algorithm and convex hull theory: a comparison
CN114492619B (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
Perveen et al. Facial expression recognition using facial characteristic points and Gini index
Seidl et al. Automated classification of petroglyphs
Dewangan Importance & applications of digital image processing
Jiang et al. Multi-class fruit classification using RGB-D data for indoor robots
Sun et al. Graph-matching-based character recognition for Chinese seal images
CN111898684A (zh) 一种基于多维点云数据的生物种属鉴别方法
CN110516638B (zh) 一种基于轨迹和随机森林的手语识别方法
CN110070626B (zh) 一种基于多视角分类的三维物体检索方法
CN110490210B (zh) 一种基于紧致通道间t采样差分的彩色纹理分类方法
CN113887509B (zh) 一种基于图像集合的快速多模态视频人脸识别方法
CN112818779B (zh) 一种基于特征优选与多种特征融合的人体行为识别方法
Faska et al. A powerful and efficient method of image segmentation based on random forest algorithm
Magee et al. Building shape models from image sequences using piecewise linear approximation
Jain et al. Robust 2D shape correspondence using geodesic shape context
Tayade et al. An efficient face recognition and retrieval using LBP and SIFT
Ramesh et al. Unseen object categorization using multiple visual cues
Yao et al. A cuboid bi-level log operator for action classification

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