CN112529044B - 基于车载LiDAR的铁路接触网提取分类的方法 - Google Patents
基于车载LiDAR的铁路接触网提取分类的方法 Download PDFInfo
- Publication number
- CN112529044B CN112529044B CN202011305494.6A CN202011305494A CN112529044B CN 112529044 B CN112529044 B CN 112529044B CN 202011305494 A CN202011305494 A CN 202011305494A CN 112529044 B CN112529044 B CN 112529044B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- cluster
- point
- adopting
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于车载LiDAR的铁路接触网提取分类的方法,其包括采用基于空间距离属性的聚类分割算法分割出非地面点云数据;采用多尺度自适应特征分类算法对非地面点数据进行粗分类;采用DBSCAN算法对粗分类得到的点云数据进行聚类,并统计每个聚类簇中点云的数量,保留点云的数量最多的前三个聚类簇;获取三个聚类簇中每个点云在Z方向上的值,计算每个聚类簇在Z方向的Z均值,并将Z均值最大的聚类簇作为承力索点云数据;以承力索点云数据为参考,计算另外两个聚类簇的点云数据与承力索点云数据在XOY平面上的欧式距离;采用欧式距离较小的聚类簇作为接触线点云数据,另外一个聚类簇作为回流线点云数据。
Description
技术邻域
本发明属于铁路接触网检测技术,具体涉及一种基于车载LiDAR的铁路接触网提取分类的方法。
背景技术
随着铁路电气化发展的突飞猛进,铁路牵引电力设备的可靠性和安全性是一个重点研究的问题。其中传统铁路接触网检测的方法是:工作人员提交天窗线路封锁申请,携带测量仪器,上线上道逐点测量几何参数。测量现场安全隐患较多,给防控带来了很多难题,并占用天窗较多,检测时间长,对铁路运输影响较大。
发明内容
针对现有技术中的上述不足,本发明提供的基于车载LiDAR的铁路接触网提取分类的方法解决了人工对铁路接触网进行检测效率低的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于车载LiDAR的铁路接触网提取分类的方法,其包括:
S1、获取基于车载LiDAR的铁路接触网点云数据,并采用基于空间距离属性的聚类分割算法分割出非地面点云数据;
S2、采用多尺度自适应特征分类算法对非地面点数据进行粗分类;
S3、采用DBSCAN算法对粗分类得到的点云数据进行聚类,并统计每个聚类簇中点云的数量,保留点云的数量最多的前三个聚类簇;
S4、获取三个聚类簇中每个点云在Z方向上的值,计算每个聚类簇在Z方向的Z均值,并将Z均值最大的聚类簇作为承力索点云数据;
S5、以承力索点云数据为参考,计算另外两个聚类簇的点云数据与承力索点云数据在XOY平面上的欧式距离;
S6、采用欧式距离较小的聚类簇作为接触线点云数据,另外一个聚类簇作为回流线点云数据。
本发明的有益效果为:通过基于空间距离属性的聚类分割算法能够结合铁路场景空间特征,将具有垂直空间特性的铁路场景点云数据进行地面点和非地面点的分割;多尺度自适应特征分类算法能够识别点云在三维空间中所呈现出的几何结构分布特征,并保留呈线性分布特征的点云数据;之后基于DBSCAN的分类算法再次对粗分类的数据进行聚类,逐渐排除干扰的点云,再基于高程确定铁路接触网的三条线。
基于点云的三维坐标即可获得铁路接触网每点的几何参数,不需要检测人员携带测量仪器上线上道逐点测量,降低工人劳动强度的同时,还降低了人为测量存在的安全隐患。
附图说明
图1为基于车载LiDAR的铁路接触网提取分类的方法的流程图。
图2为分割出来的非地面点数据。
图3为多尺度自适应特征分类算法进行粗分类后的结果。
图4为数据集做点云邻域密度统计得到的分布图。
图5为通过启发式方法绘制的升序k-dist图。
图6为采用DBSCAN算法对粗分类后的进行精分类后得到的三个数据集。
图7为采用本方案的方法分类完成后得到的4类别的效果图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
参考图1,图1示出了基于车载LiDAR的铁路接触网提取分类的方法的流程图,如图1所示,该方法包括步骤S1至步骤S3。
在步骤S1中,获取基于车载LiDAR的铁路接触网点云数据,并采用基于空间距离属性的聚类分割算法分割出非地面点云数据。
在本发明的一个实施例中,采用基于空间距离属性的聚类分割算法分割出非地面点云数据进一步包括:
S11、从铁路接触网点云数据中选取k个点云作为聚类中心,并采用欧几里得距离公式计算每个点云到每个聚类中心的距离:
Q={p,q|dL<r,p,q∈P}
其中,dL为两点之间的距离,Q为处理后的点云,P为三维点云集,r为预设距离。
S12、判断每个点云的所有距离是否均大于预设距离,若是,删除对应点云,否则进入步骤S13;
S13、将对应点云加入至距离其最近的聚类中心所在簇,之后更新每个聚类簇的聚类中心;
S14、判断每个聚类簇的当前聚类中心与上一次的聚类中心是否相同,若是,保留当前簇,并进入步骤S17,否则进入步骤S15;
S15、采用欧几里得距离公式计算聚类簇中每个点云到聚类中心的距离;
S16、删除每个聚类簇中距离大于预设距离的点云,并更新每个聚类簇的聚类中心,之后返回步骤S14;
S17、当所有的聚类簇都收敛后,将所有聚类簇的点云进行合并得到非地面点云数据。
本方案在非地面点云数据获取过程中,计算三维点之间的远近程度,从而分析点间距,把满足某种距离判断条件的点云数据划分为一个聚类簇,从而完成点云的分割任务。这种分割方法可以通过设置合适的聚类阈值将点云分割成不同的点云聚类;结合铁路场景空间特征,该算法适合将具有垂直空间特性的铁路场景点云数据进行地面点和非地面点的分割。
在步骤S2中,采用多尺度自适应特征分类算法对非地面点数据进行粗分类。
在本发明的一个实施例中,所述步骤S2进一步包括:
S21、获取尺度范围(尺度范围的上下限主要通过人工经验预先设定),并在所述尺度范围内选取若干半径,构成半径集;选取的所有半径尽量覆盖整个尺度范围。
S22、遍历半径集,并选取一个未遍历的半径,以非地面点云数据中的每个点云作为球心构建3D球形;
S23、采集每个3D球形覆盖的点云数据构成点云集vkm,并采用主成分分析方法计算点云集vkm的线性特征αkm-1D、平面特征αkm-2D和离散性特征αkm-3D:
其中,vkm为采用非地面点云数据中第m个点云为球心,以半径集中第k个半径为半径构建的3D球形覆盖的点云构成的点云集;L为点云集vkm中点云的总数量,Xkml为点云集vkm中第l个点云的坐标,1≤l≤L;T为转置;
其中,Ckm为3*3的协方差矩阵,且为对称正定阵;Mkm为中间参数;
S233、对协方差矩阵Ckm进行特征值分解:
其中,Rkm为点云集vkm对应的旋转矩阵;Λ为对角正定矩阵,分别称为特征向量和特征值矩阵;
S234、根据协方差矩阵Ckm进行特征值分解得到的三个特征值,计算线性特征αkm-1D、平面特征αkm-2D和离散性特征αkm-3D:
其中,λkm1、λkm2和λkm3均为特征值,且λkm1≥λkm2≥λkm3>0;δkmj为特征向量方向上的标准差,ukm=δkm1或ukm为归一化系数;αkm-1D、αkm-2D、αkm-3D∈[0,1],且αkm-1D+αkm-2D+αkm-3D=1。
S24、根据线性特征αkm-1D、平面特征αkm-2D和离散性特征αkm-3D,计算点云集vkm的熵Ef(vkm):
Ef(vkm)=-αkm-1Dln(αkm-1D)-αkm-2Dln(αkm-2D)-αkm-3Dln(αkm-3D);
S25、判断半径集中的所有半径是否已遍历,若是,进入步骤S26,否则返回步骤S22;
为了进一步剔除非接触网的点云,进入步骤S3之前还包括采用SOR滤波对粗分类后的点云数据进行去噪。
在步骤S3中,采用DBSCAN算法对粗分类得到的点云数据进行聚类,并统计每个聚类簇中点云的数量,保留点云的数量最多的前三个聚类簇。
实施时,本方案优选采用DBSCAN算法对粗分类得到的点云数据进行聚类进一步包括:
S31、对粗聚类得到的点云数据进行点云邻域密度统计,选取小于设定阈值的点云密度作为最小期望集群m,并令MinPts=m;
S32、通过启发式方法确定Eps,根据MinPts和Eps参数值,对粗聚类得到的点云数据进行DBSCAN聚类。
其中通过启发式方法确定Eps进一步包括:
计算粗聚类得到的点云数据中任意一个点云到其k个邻近点的距离;
寻找每个点云到其邻居的最大距离,并采用所有点云的最大距离绘制k-dist图;
选取k-dist图的第一个谷中的第一个点作为Eps参数值。
在步骤S4中,获取三个聚类簇中每个点云在Z方向上的值,计算每个聚类簇在Z方向的Z均值,并将Z均值最大的聚类簇作为承力索点云数据;
在步骤S5中,以承力索点云数据为参考,计算另外两个聚类簇的点云数据与承力索点云数据在XOY平面上的欧式距离;
在步骤S6中,采用欧式距离较小的聚类簇作为接触线点云数据,另外一个聚类簇作为回流线点云数据。
下面结合具体的实例,对铁路接触网提取分类的方法的效果进行说明:
采用的实验数据为柳沟敦煌线(柳敦线)铁路干线车载LiDAR点云数据,长度100m的铁路点云数据进行实验分析。
首先对点云数据进行分割处理,并将非地面点数据保留,两组经过预处理过后的实验数据具体信息如表1所示,进行分割出来后的实验数据如图2所示。
表1实验数据信息
接着对非地面数据进行粗分类,首先获取尺度范围[0.3,0.8],并在尺度范围内采样6个r的值作为多个空间尺度(即多个邻域半径)进行实验。其次,在候选的空间尺度中利用PCA(主成分分析)求取点云集vkm三个主要方向,并分析点云数据是否呈线性分布特征(一维特征),最后保留并输出线性分布特征点云数据。
为了选取最佳尺度,通过计算并比较熵特征值Ef的大小来判断最佳尺度rE * f的选取。
由于整个大场景下的点云数据量较大,为了得到更多、更准确的线性分布特征点云数据,即接触网点云数据,本方案采用多尺度自适应特征分类算法进行迭代操作,最后得到的结果如图3所示。
经过大量的实验论证,单次采用多尺度自适应特征分类算法进行接触网点云数据的效果并不是很理想,因此,经过多次迭代操作,尽可能多地保留准确的接触网点云数据,为后续的精细分类奠定良好的数据基础。在结果图3中,大量的接触网杆以及桅杆点云数据已经被剔除,剩下少量的呈线性分布特征的点云,接触网点云数据几乎被完整保留下来。
接触网点云的精分类:首先使用SOR滤波对粗分类后的点云数据进行去噪,实质是进一步将部分非接触网的点云去除。在进行接触网精分类实验时,首先确定DBSCAN算法的MinPts与Eps的值。对粗分类后的数据集做点云邻域密度统计,其密度范围值[50,325],如图4所示。
取该数据集较小的点云密度作为最小期望集群,使MinPts=k=50,再通过启发式方法绘制升序k-dist图,从而根据图中的信息确定Eps参数值,升序k-dist图如图5所示。
图5中横坐标表示各个点,纵坐标表示点数对应的k-dist。然后,通过排序k-dist图获得首个凹陷区域,即阈值分界点(临界值)。因此,MinPts=k=50,所求的Eps值就是阈值点所对应的k-dist值,此时Eps=0.8。确定了MinPts与Eps的参数值后,采用顾及接触网特征的DBSCAN算法对实验数据集进行最后的接触网精细分类,之后保留下来的三个类如图6所示。
在图6的显示中,a对应点云被分类为接触线,b对应的点云为承力索,c对应的点云为回流线。将之前剔除和未分类的点云合并到一个点云数据集中,作为非精确不完整的接触网杆点云数据(参见图7中的d对应的点云)。通过图7可以看出,本方案提供的方案能够准确地实现铁路接触网的分类。
综上所述,本方案能够较好地实现铁路点云数据接触网分类工作,为回流线、接触线和承力索的提取提供良好的数据集,也为点云数据分类提供了新的思路。该方法丰富了铁路点云数据信息提取算法的种类,可进一步拓展应用于其他各类铁路工务及电务设备信息提取。
Claims (8)
1.基于车载LiDAR的铁路接触网提取分类的方法,其特征在于,包括:
S1、获取基于车载LiDAR的铁路接触网点云数据,并采用基于空间距离属性的聚类分割算法分割出非地面点云数据;
S2、采用多尺度自适应特征分类算法对非地面点数据进行粗分类;
S3、采用DBSCAN算法对粗分类得到的点云数据进行聚类,并统计每个聚类簇中点云的数量,保留点云的数量最多的前三个聚类簇;
S4、获取三个聚类簇中每个点云在Z方向上的值,计算每个聚类簇在Z方向的Z均值,并将Z均值最大的聚类簇作为承力索点云数据;
S5、以承力索点云数据为参考,计算另外两个聚类簇的点云数据与承力索点云数据在XOY平面上的欧式距离;
S6、采用欧式距离较小的聚类簇作为接触线点云数据,另外一个聚类簇作为回流线点云数据。
2.根据权利要求1所述的基于车载LiDAR的铁路接触网提取分类的方法,其特征在于,所述采用基于空间距离属性的聚类分割算法分割出非地面点云数据进一步包括:
S11、从铁路接触网点云数据中选取k个点云作为聚类中心,并采用欧几里得距离公式计算每个点云到每个聚类中心的距离;
S12、判断每个点云的所有距离是否均大于预设距离,若是,删除对应点云,否则进入步骤S13;
S13、将对应点云加入至距离其最近的聚类中心所在簇,之后更新每个聚类簇的聚类中心;
S14、判断每个聚类簇的当前聚类中心与上一次的聚类中心是否相同,若是,保留当前簇,并进入步骤S17,否则进入步骤S15;
S15、采用欧几里得距离公式计算聚类簇中每个点云到聚类中心的距离;
S16、删除每个聚类簇中距离大于预设距离的点云,并更新每个聚类簇的聚类中心,之后返回步骤S14;
S17、当所有的聚类簇都收敛后,将所有聚类簇的点云进行合并得到非地面点云数据。
3.根据权利要求1所述的基于车载LiDAR的铁路接触网提取分类的方法,其特征在于,所述步骤S2进一步包括:
S21、获取尺度范围,并在所述尺度范围内选取若干半径,构成半径集;
S22、遍历半径集,并选取一个未遍历的半径,以非地面点云数据中的每个点云作为球心构建3D球形;
S23、采集每个3D球形覆盖的点云数据构成点云集vkm,并采用主成分分析方法计算点云集vkm的线性特征αkm-1D、平面特征αkm-2D和离散性特征αkm-3D;
S24、根据线性特征αkm-1D、平面特征αkm-2D和离散性特征αkm-3D,计算点云集vkm的熵Ef(vkm):
Ef(vkm)=-αkm-1Dln(αkm-1D)-αkm-2Dln(αkm-2D)-αkm-3Dln(αkm-3D);
S25、判断半径集中的所有半径是否已遍历,若是,进入步骤S26,否则返回步骤S22;
4.根据权利要求3所述的基于车载LiDAR的铁路接触网提取分类的方法,其特征在于,采用主成分分析方法计算点云集vkm的线性特征αkm-1D、平面特征αkm-2D和离散性特征αkm-3D进一步包括:
其中,vkm为采用非地面点云数据中第m个点云为球心,以半径集中第k个半径为半径构建的3D球形覆盖的点云构成的点云集;L为点云集vkm中点云的总数量,Xkml为点云集vkm中第l个点云的坐标,1≤l≤L;T为转置;的
其中,Ckm为3*3的协方差矩阵,且为对称正定阵;Mkm为中间参数;
S233、对协方差矩阵Ckm进行特征值分解:
其中,Rkm为点云集vkm对应的旋转矩阵;Λ为对角正定矩阵,分别称为特征向量和特征值矩阵;
S234、根据协方差矩阵Ckm进行特征值分解得到的三个特征值,计算线性特征αkm-1D、平面特征αkm-2D和离散性特征αkm-3D:
6.根据权利要求1所述的基于车载LiDAR的铁路接触网提取分类的方法,其特征在于,所述采用DBSCAN算法对粗分类得到的点云数据进行聚类进一步包括:
S31、对粗聚类得到的点云数据进行点云邻域密度统计,选取小于设定阈值的点云密度作为最小期望集群m,并令MinPts=m;
S32、通过启发式方法确定Eps,根据MinPts和Eps参数值,对粗聚类得到的点云数据进行DBSCAN聚类。
7.根据权利要求6所述的基于车载LiDAR的铁路接触网提取分类的方法,其特征在于,所述通过启发式方法确定Eps进一步包括:
计算粗聚类得到的点云数据中任意一个点云到其k个邻近点的距离;
寻找每个点云到其邻居的最大距离,并采用所有点云的最大距离绘制k-dist图;
选取k-dist图的第一个谷中的第一个点作为Eps参数值。
8.根据权利要求1所述的基于车载LiDAR的铁路接触网提取分类的方法,其特征在于,步骤S3之前还包括采用SOR滤波对粗分类后的点云数据进行去噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011305494.6A CN112529044B (zh) | 2020-11-20 | 2020-11-20 | 基于车载LiDAR的铁路接触网提取分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011305494.6A CN112529044B (zh) | 2020-11-20 | 2020-11-20 | 基于车载LiDAR的铁路接触网提取分类的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529044A CN112529044A (zh) | 2021-03-19 |
CN112529044B true CN112529044B (zh) | 2022-06-28 |
Family
ID=74982680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011305494.6A Active CN112529044B (zh) | 2020-11-20 | 2020-11-20 | 基于车载LiDAR的铁路接触网提取分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529044B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883481B (zh) * | 2021-04-12 | 2022-10-21 | 国网山东省电力公司济南供电公司 | 基于bim的智能变电站建模方法及系统 |
CN114693855B (zh) * | 2022-05-31 | 2022-09-06 | 中汽创智科技有限公司 | 一种点云数据的处理方法和装置 |
CN117994778A (zh) * | 2024-04-07 | 2024-05-07 | 吉林大学 | 一种基于点云数据的冲压件自动计数和分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473734A (zh) * | 2013-09-16 | 2013-12-25 | 南京大学 | 一种基于车载LiDAR数据的电力线提取与拟合方法 |
CN106709946A (zh) * | 2016-12-16 | 2017-05-24 | 武汉大学 | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 |
CN107292276A (zh) * | 2017-06-28 | 2017-10-24 | 武汉大学 | 一种车载点云聚类方法及系统 |
CN108564575A (zh) * | 2018-04-11 | 2018-09-21 | 西南交通大学 | 一种基于三维点云数据的非接触式接触网参数检测方法 |
CN108921164A (zh) * | 2018-06-15 | 2018-11-30 | 西南交通大学 | 一种基于三维点云分割的接触网定位器坡度检测方法 |
CN109740628A (zh) * | 2018-12-03 | 2019-05-10 | 深圳市华讯方舟太赫兹科技有限公司 | 点云聚类方法、图像处理设备及具有存储功能的装置 |
CN111507340A (zh) * | 2020-04-16 | 2020-08-07 | 北京深测科技有限公司 | 一种基于三维点云数据的目标点云数据提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107074259A (zh) * | 2014-07-25 | 2017-08-18 | 杰纳拉尔因皮安蒂有限责任公司 | 用于获得关于铁路轨道或转撤器的元件的上部轮廓的数据的方法 |
US10878282B2 (en) * | 2018-10-15 | 2020-12-29 | Tusimple, Inc. | Segmentation processing of image data for LiDAR-based vehicle tracking system and method |
-
2020
- 2020-11-20 CN CN202011305494.6A patent/CN112529044B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473734A (zh) * | 2013-09-16 | 2013-12-25 | 南京大学 | 一种基于车载LiDAR数据的电力线提取与拟合方法 |
CN106709946A (zh) * | 2016-12-16 | 2017-05-24 | 武汉大学 | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 |
CN107292276A (zh) * | 2017-06-28 | 2017-10-24 | 武汉大学 | 一种车载点云聚类方法及系统 |
CN108564575A (zh) * | 2018-04-11 | 2018-09-21 | 西南交通大学 | 一种基于三维点云数据的非接触式接触网参数检测方法 |
CN108921164A (zh) * | 2018-06-15 | 2018-11-30 | 西南交通大学 | 一种基于三维点云分割的接触网定位器坡度检测方法 |
CN109740628A (zh) * | 2018-12-03 | 2019-05-10 | 深圳市华讯方舟太赫兹科技有限公司 | 点云聚类方法、图像处理设备及具有存储功能的装置 |
CN111507340A (zh) * | 2020-04-16 | 2020-08-07 | 北京深测科技有限公司 | 一种基于三维点云数据的目标点云数据提取方法 |
Non-Patent Citations (3)
Title |
---|
"改进的自适应参数DBSCAN聚类算法";王光,林国宇;《计算机工程与应用》;20191231;全文 * |
An Innovation Detection Method of High-Speed Railway Track Slab Supporting Block Plane Based on Point Cloud Data from 3D Scanning Technology;Xiao Chen等;《applied sciences》;20190814;全文 * |
基于LiDAR数据的铁路轨道信息提取方法研究;罗玲;《中国优秀硕士学位论文全文数据库》;20171215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112529044A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529044B (zh) | 基于车载LiDAR的铁路接触网提取分类的方法 | |
CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
CN111299815B (zh) | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 | |
Lu et al. | Pairwise linkage for point cloud segmentation | |
CN107292276B (zh) | 一种车载点云聚类方法及系统 | |
CN104299260A (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
CN112465948A (zh) | 一种保留空间特征的车载激光路面点云抽稀方法 | |
CN112883878B (zh) | 一种基于三维格网的变电站场景下的点云自动分类方法 | |
CN112414309A (zh) | 基于机载激光雷达的高铁接触线导高及拉出值巡检方法 | |
JP2019003527A (ja) | 特徴抽出装置、物体検出装置、方法、及びプログラム | |
CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
CN110798805A (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN113920360A (zh) | 一种道路点云杆状物提取与多尺度识别方法 | |
CN110348478B (zh) | 一种基于形状分类与组合的室外点云场景中树木提取方法 | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
CN110458111B (zh) | 基于LightGBM的车载激光点云电力线的快速提取方法 | |
CN112200248A (zh) | 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 | |
CN117115390A (zh) | 一种变电站中变电设备的三维模型布局方法 | |
CN117036998A (zh) | 一种基于随机森林的露天岩体裂隙面的识别方法 | |
CN115143936B (zh) | 一种基于激光点云的输电工程杆塔倾斜度测量方法 | |
CN113077473A (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
Yuan et al. | Automatic cables segmentation from a substation device based on 3D point cloud | |
CN115170950A (zh) | 基于多特征约束的室外场景建筑物提取方法 |
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 |