CN112767429A - 一种地面-雪面点云快速分割方法 - Google Patents
一种地面-雪面点云快速分割方法 Download PDFInfo
- Publication number
- CN112767429A CN112767429A CN202110064425.9A CN202110064425A CN112767429A CN 112767429 A CN112767429 A CN 112767429A CN 202110064425 A CN202110064425 A CN 202110064425A CN 112767429 A CN112767429 A CN 112767429A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ground
- grid
- snow surface
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 title claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- NTSBMKIZRSBFTA-AIDOXSFESA-N Digoxigenin bisdigitoxoside Chemical compound C1[C@H](O)[C@H](O)[C@@H](C)O[C@H]1O[C@@H]1[C@@H](C)O[C@@H](O[C@@H]2C[C@@H]3[C@]([C@@H]4[C@H]([C@]5(CC[C@@H]([C@@]5(C)[C@H](O)C4)C=4COC(=O)C=4)O)CC3)(C)CC2)C[C@@H]1O NTSBMKIZRSBFTA-AIDOXSFESA-N 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提出一种地面‑雪面点云快速分割算法,以解决大雪天气动态雪面变化导致重定位失败以及传统算法地面点分割不完全的问题。本发明在原始点云扇形栅格化的基础上,基于点云簇聚合得到初筛平面栅格,基于点云簇协方差特征值间的关系对点云簇所属类别进行判定,最后基于增量式拟合与三次B样条平滑曲线,利用二次投影的方法分别分割了可信地面点云与动态雪面点云。本发明采用点云协方差特征值对点云簇进行特征评判;对雪面与地面采取不同的拟合策略,在减少了地面点云的误判率的同时可利用本发明对动态雪面进行分割以此解决雪面动态变化对重定位带来的负面干扰问题。
Description
技术领域
本发明属于同步定位与建图技术,特别是一种地面-雪面点云快速分割方法。
背景技术
在基于三维激光雷达进行同步定位与建图中,地面点的分割属于预处理步骤,在构图过程中,往往需要在地面点与非地面点中找到不同光滑度的特征点用于帧间匹配,以此构建激光里程计完成构图,点云分割的准确性与实时性直接影响了三维构图的精度与效果。
传统点云分割算法大多基于欧式距离进行点云间的平坦度度量,这类方式方式十分粗糙,在距离过远时存在误判率大以及分割不完全的问题;
同时,在基于三维激光雷达进行重定位时,雪面厚度会随着降雪过程不断变化,传统算法无法对动态变化的雪面点云作出合理分割,这往往会导致重定位结果发散最终失败。
发明内容
本发明的目的在于提出一种地面-雪面点云快速分割算法,以解决大雪天气动态雪面变化导致重定位失败以及传统算法地面点分割不完全的问题。
实现本发明的技术解决方案为:一种地面-雪面点云快速分割方法,具体步骤为:
步骤1、将原始激光图点云进行扇形栅格划分,并依据高程差进行筛选;
步骤2、将筛选后得到的扇形栅格基于高程梯度信息完成连通域聚类成点云簇,得到初步参考平面栅格;
步骤3、计算初步参考平面栅格中各点云簇的协方差矩阵,基于协方差矩阵的特征向量筛选出满足线-面特征的点云簇;
步骤4、对满足线-面特征的点云簇进行降维投影;
步骤5、基于高程信息对投影点云进行筛选后进行地面线拟合;
步骤6、基于地面线筛选处理全局待筛选点得到可信地面点;
步骤7、将步骤6中得到的可信地面点云从初步参考平面栅格中剔除后,进行二次降维投影;
步骤8、对步骤7得到的投影点云进行基于三次B样条曲线处理得到参考雪面;
步骤9、利用参考雪面筛选得到可信雪面点,完成地面-雪面点云分割。
本发明与现有技术相比,其显著优点为:
(1)本发明采用点云协方差特征值对点云簇进行特征评判,评判方法鲁棒性高,适应性好。
(2)本发明采用合并维度的方法进行点云降维投影,实时性好,准确率高。
(3)本发明对雪面与地面采取不同的拟合策略,避免了雪面动态变化以及地面点云误判引起的匹配出错等问题,为后续重定位提供了雪面点云剔除的参考依据。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明的地面-雪面点云快速分割方法步骤流程图。
图2为本发明中扇形栅格划分示意图。
图3为本发明中点云簇线-面特征示意图。
图4为本发明中单个扇形栅格内点云投影示意图。
图5为本发明中雪面线拟合示意图。
具体实施方式
一种地面-雪面点云快速分割方法,包括以下步骤:
步骤1、将原始激光图点云进行扇形栅格划分,并依据高程差进行筛选,具体为:
将原始点云进行扇形栅格划分,其中每个激光点的坐标表示为{x,y,h},计算单个扇形栅格内的z轴坐标平均值,作为扇形栅格内的点云平均高程Hk,同时计算单个扇形栅格内点云高度最高3个点与最低的3个点的高程差Hd,若Hd满足:|Hd|≤Hmax,则保留当前扇形栅格,其中Hmax为单个扇形栅格的高程差阈值。
步骤2、将筛选后得到的扇形栅格基于高程梯度信息完成连通域聚类成点云簇,得到初步参考平面栅格,具体为:
步骤2-1、随机选取一个扇形栅格,并以此栅格为中心搜索满足高程梯度要求的扇形栅格并聚类成簇;
选取随机一个扇形栅格,以Np为扇形栅格内径向划分的栅格数,Nh为扇形栅格内环向划分的栅格数,计算该区域内任意两个栅格之间的高程梯度,具体为:
其中,Hk(i)表示第i块栅格内所有点云的平均高程,Hk(j)表示第j块栅格内所有点云的平均高程,D为第i与第j块栅格之间的欧氏距离,Gt为高程梯度阈值,若G<Gt,则将该两块栅格聚类成簇,此处Gt的设定与地面起伏程度有关,设定合适的Gt可以完善地面轻微起伏的情况并且忽略一些较小的障碍物如石子等;
步骤2-2、在完成当前中心栅格邻域成簇后,将该中心栅格标记为已聚类,继续在簇内寻找未被标记的栅格,并以此作为中心栅格重复步骤2-1,直到所有栅格均被标记后加入当前簇,给当前簇赋全局唯一簇ID;
步骤2-3、继续在除该簇以外的扇形栅格内重复步骤2-1、2-2,直到检查完成所有的栅格,得到初步参考平面栅格。
步骤3、计算初步参考平面栅格中各点云簇的协方差矩阵,基于协方差矩阵的特征向量筛选出满足线-面特征的点云簇,具体为:
步骤3-2、计算每个点云簇的协方差矩阵,具体为:
步骤3-2、对得到的cov(x,y,z)进行奇异值分解得到特征值λX,λY,λZ,将其按大小分为λmax,λmid,λmin;若λmax>λmid≈λmin,表示为线特征,λmax≈λmid>λmin表示为面特征,λmax≈λmid≈λmin表示为球状特征;
步骤3-3、选出具有线特征与面特征的点云簇。
步骤4、对满足线-面特征的点云簇进行降维投影,具体为:
对满足线与面特征的点云簇内的激光点做降维投影处理:
其中,{xi,yi,zi}表示当前扇形栅格内的第i个激光点,{di,zi}表示其投影后的坐标。
步骤5、基于高程信息对投影点云进行筛选后进行地面线拟合,具体为:
步骤5-2、采用增量式拟合算法对步骤5-1选取的激光点进行拟合,得到多个拟合后的直线,增量式拟合算法中每次添加的激光点为五个,以此加快增量过程提高算法实时性。
在拟合过程中,设当前{d,z}平面上拟合的地面线为y=mx+b,当拟合的地面线不满足以下条件时,将最后五个点放回并将每次添加的激光点改为一个,直到下一条线拟合开始时重新恢复为每次增加五个激光点:
条件二、拟合的直线斜率m满足最小斜率时,{y-b}应该满足{y-b}≤Tb,此时直线已经满足了地面线拟合的初步要求,而截距{y-b}代表了当前平面线的高程,所以在此处设定了一个阈值Tb防止较低的雪面干扰拟合效果;
条件三、增量式拟合算法进行地面线拟合时输出的误差应不超过阈值TRMSE,保证在基于最小二乘进行地面拟合时对离散点的拟合效果加以限制;
条件四、每个栅格内第一个激光点到已拟合地面线的距离不超过阈值dm;若不超过dm,则将该点增量式拟合到上一条地面线上,否则以该点为基准,重新开始拟合下一条地面线。
步骤6、基于地面线筛选处理全局待筛选点得到可信地面点,具体为:
在步骤2得到的初步参考平面栅格内计算每个扇形栅格中所有激光点到当前栅格内拟合的地面线之间的距离d,若d<dground,dground为地面距离阈值,则标定当前点为可信地面点。
步骤7、将步骤6中得到的可信地面点云从初步参考平面栅格中剔除后,进行二次降维投影,其降维投影方法如步骤4中所述。
步骤8、对步骤7得到的投影点云进行基于三次B样条曲线处理得到参考雪面,具体为:
步骤8-1、在{d,z}平面的点云中,统计每个扇形栅格内高程信息最低的a个激光点个数作为型值点;
步骤8-2、对a个型值点采用累积弦长参数法进行参数化处理,计算其节点矢量:
步骤8-3、递推三次B样条基函数Nb,k(u):
步骤8-4、计算三次B样条曲线,得到参考雪面;
其中,k=3,db为三次B样条曲线过程参数。
步骤9、利用参考雪面筛选得到可信雪面点,完成地面-雪面点云分割,具体为:
计算{d,z}平面内每个激光点到三次样条曲线p(u)的距离h,如果h<hground,hground为雪面距离阈值,则标定当前点为可信雪面点。
下面结合实施例对本发明作进一步描述。
实施例
如图1所示,一种地面-雪面点云快速分割方法,包括以下步骤:
步骤1、将原始激光图点云进行扇形栅格划分,并依据高程差进行筛选,具体为:
如图2所示,将原始点云进行扇形栅格划分,其中每个激光点的坐标表示为{x,y,h},计算单个扇形栅格内的z轴坐标平均值,作为扇形栅格内的点云平均高程Hk,同时计算单个扇形栅格内点云高度最高3个点与最低的3个点的高程差Hd,若Hd满足:|Hd|≤Hmax,则保留当前扇形栅格,其中Hmax为单个扇形栅格的高程差阈值。
步骤2、将筛选后得到的扇形栅格基于高程梯度信息完成连通域聚类成点云簇,得到初步参考平面栅格,具体为:
步骤2-1、随机选取一个扇形栅格,并以此栅格为中心搜索满足高程梯度要求的扇形栅格并聚类成簇;
选取随机一个扇形栅格,以Np为扇形栅格内径向划分的栅格数,Nh为扇形栅格内环向划分的栅格数,如图2所示,选取1号栅格为起始栅格,设Np=1,Nh=2,则2、3、4、5、6和7号栅格为候选栅格,计算该区域内任意两个栅格之间的高程梯度,具体为:
其中,Hk(i)表示第i块栅格内所有点云的平均高程,Hk(j)表示第j块栅格内所有点云的平均高程,D为第i与第j块栅格之间的欧氏距离,Gt为高程梯度阈值,若G<Gt,则将该两块栅格聚类成簇,此处Gt的设定与地面起伏程度有关,设定合适的Gt可以完善地面轻微起伏的情况并且忽略一些较小的障碍物如石子等;
步骤2-2、在完成当前中心栅格邻域成簇后,将该中心栅格标记为已聚类,继续在簇内寻找未被标记的栅格,并以此作为中心栅格重复步骤2-1,直到所有栅格均被标记后加入当前簇,给当前簇赋全局唯一簇ID;
步骤2-3、继续在除该簇以外的扇形栅格内重复步骤2-1、2-2,直到检查完成所有的栅格,得到初步参考平面栅格。
步骤3、计算初步参考平面栅格中各点云簇的协方差矩阵,基于协方差矩阵的特征向量筛选出满足线-面特征的点云簇,具体为:
步骤3-2、计算每个点云簇的协方差矩阵,具体为:
步骤3-2、对得到的cov(x,y,z)进行奇异值分解得到特征值λX,λY,λZ,将其按大小分为λmax,λmid,λmin;若λmax>λmid≈λmin,表示为线特征,λmax≈λmid>λmin表示为面特征,λmax≈λmid≈λmin表示为球状特征;
步骤3-3、如图3所示,选出具有线特征与面特征的点云簇。
步骤4、对满足线-面特征的点云簇进行降维投影,如图4所示,具体为:
对满足线与面特征的点云簇内的激光点做降维投影处理:
其中,{xi,yi,zi}表示当前扇形栅格内的第i个激光点,{di,zi}表示其投影后的坐标。
步骤5、基于高程信息对投影点云进行筛选后进行地面线拟合,具体为:
步骤5-2、采用增量式拟合算法对步骤5-1选取的激光点进行拟合,得到多个拟合后的直线,增量式拟合算法中每次添加的激光点为五个,以此加快增量过程提高算法实时性。
在拟合过程中,设当前{d,z}平面上拟合的地面线为y=mx+b,当拟合的地面线不满足以下条件时,将最后五个点放回并将每次添加的激光点改为一个,直到下一条线拟合开始时重新恢复为每次增加五个激光点:
条件二、拟合的直线斜率m满足最小斜率时,{y-b}应该满足{y-b}≤Tb,此时直线已经满足了地面线拟合的初步要求,而截距{y-b}代表了当前平面线的高程,所以在此处设定了一个阈值Tb防止较低的雪面干扰拟合效果;
条件三、增量式拟合算法进行地面线拟合时输出的误差应不超过阈值TRMSE,保证在基于最小二乘进行地面拟合时对离散点的拟合效果加以限制;
条件四、每个栅格内第一个激光点到已拟合地面线的距离不超过阈值dm;若不超过dm,则将该点增量式拟合到上一条地面线上,否则以该点为基准,重新开始拟合下一条地面线。
步骤6、基于地面线筛选处理全局待筛选点得到可信地面点,具体为:
在步骤2得到的初步参考平面栅格内计算每个扇形栅格中所有激光点到当前栅格内拟合的地面线之间的距离d,若d<dground,dground为地面距离阈值,则标定当前点为可信地面点。
步骤7、将步骤6中得到的可信地面点云从初步参考平面栅格中剔除后,进行二次降维投影,其降维投影方法如步骤4中所述。
步骤8、对步骤7得到的投影点云进行基于三次B样条曲线处理得到参考雪面,具体为:
步骤8-1、在{d,z}平面的点云中,统计每个扇形栅格内高程信息最低的a个激光点个数作为型值点;
步骤8-2、对a个型值点采用累积弦长参数法进行参数化处理,计算其节点矢量:
步骤8-3、递推三次B样条基函数Nb,k(u):
步骤8-4、计算三次B样条曲线,得到参考雪面;
其中,k=3,db为三次B样条曲线过程参数。
步骤9、利用参考雪面筛选得到可信雪面点,完成地面-雪面点云分割,具体为:
如图5所示,计算{d,z}平面内每个激光点到三次样条曲线p(u)的距离h,如果h<hground,hground为雪面距离阈值,则标定当前点为可信雪面点。
本发明在原始点云扇形栅格化的基础上,基于点云簇聚合得到了初筛平面栅格,基于点云簇协方差特征值间的关系对点云簇所属类别进行判定,最后基于增量式拟合与三次B样条平滑曲线,利用二次投影的方法分别分割了可信地面点云与动态雪面点云;在减少了地面点云的误判率的同时可利用本发明对动态雪面进行分割以此解决雪面动态变化对重定位带来的负面干扰问题。
Claims (10)
1.一种地面-雪面点云快速分割方法,其特征在于,包括以下步骤:
步骤1、将原始激光图点云进行扇形栅格划分,并依据高程差进行筛选;
步骤2、将筛选后得到的扇形栅格基于高程梯度信息完成连通域聚类成点云簇,得到初步参考平面栅格;
步骤3、计算初步参考平面栅格中各点云簇的协方差矩阵,基于协方差矩阵的特征向量筛选出满足线-面特征的点云簇;
步骤4、对满足线-面特征的点云簇进行降维投影;
步骤5、基于高程信息对投影点云进行筛选后进行地面线拟合;
步骤6、基于地面线筛选处理全局待筛选点得到可信地面点;
步骤7、将步骤6中得到的可信地面点云从初步参考平面栅格中剔除后,进行二次降维投影;
步骤8、对步骤7得到的投影点云进行基于三次B样条曲线处理得到参考雪面;
步骤9、利用参考雪面筛选得到可信雪面点,完成地面-雪面点云分割。
2.根据权利要求1所述的地面-雪面点云快速分割方法,其特征在于,所述步骤1中的对将原始点云扇形栅格化并进行筛选具体为:
将原始点云进行扇形栅格划分,其中每个激光点的坐标表示为{x,y,h},计算单个扇形栅格内的z轴坐标平均值,作为扇形栅格内的点云平均高程Hk,同时计算单个扇形栅格内点云高度最高3个点与最低的3个点的高程差Hd,若Hd满足:|Hd|≤Hmax,则保留当前扇形栅格,其中Hmax为单个扇形栅格的高程差阈值。
3.根据权利要求1所述的地面-雪面点云快速分割方法,其特征在于,所述步骤2中的基于高程梯度信息完成连通域聚类成点云簇具体包括以下步骤:
步骤2-1、随机选取一个扇形栅格,并以此栅格为中心搜索满足高程梯度要求的扇形栅格并聚类成簇;
选取随机一个扇形栅格,以Np为扇形栅格内径向划分的栅格数,Nh为扇形栅格内环向划分的栅格数,计算该区域内任意两个栅格之间的高程梯度,具体为:
其中,Hk(i)表示第i块栅格内所有点云的平均高程,Hk(j)表示第j块栅格内所有点云的平均高程,D为第i与第j块栅格之间的欧氏距离,Gt为高程梯度阈值,若G<Gt,则将该两块栅格聚类成簇;
步骤2-2、在完成当前中心栅格邻域成簇后,将该中心栅格标记为已聚类,继续在簇内寻找未被标记的栅格,并以此作为中心栅格重复步骤2-1,直到所有栅格均被标记后加入当前簇,给当前簇赋全局唯一簇ID;
步骤2-3、继续在除该簇以外的扇形栅格内重复步骤2-1、2-2,直到检查完成所有的栅格,得到初步参考平面栅格。
4.根据权利要求1所述的地面-雪面点云快速分割方法,其特征在于,所述步骤3中的判定点云簇是否满足线-面特征具体包括以下步骤:
步骤3-2、计算每个点云簇的协方差矩阵,具体为:
步骤3-2、对得到的cov(x,y,z)进行奇异值分解得到特征值λX,λY,λZ,将其按大小分为λmax,λmid,λmin;若λmax>λmid≈λmin,表示为线特征,λmax≈λmid>λmin表示为面特征,≈λmax≈λmid≈λmin表示为球状特征;
步骤3-3、选出具有线特征与面特征的点云簇。
7.根据权利要求5所述的地面-雪面点云快速分割方法,其特征在于,在所述步骤5-2中的拟合过程中,设当前{d,z}平面上拟合的地面线为y=mx+b,当拟合的地面线不满足以下条件时,将最后五个点放回并将每次添加的激光点改为一个,直到下一条线拟合开始时重新恢复为每次增加五个激光点:
条件二、拟合的直线斜率m满足最小斜率时,{y-b}应该满足{y-b}≤Tb;
条件三、增量式拟合算法进行地面线拟合时输出的误差应不超过阈值TRMSE;
条件四、每个栅格内第一个激光点到已拟合地面线的距离不超过阈值dm;若不超过dm,则将该点增量式拟合到上一条地面线上,否则以该点为基准,重新开始拟合下一条地面线。
8.根据权利要求1所述的地面-雪面点云快速分割方法,其特征在于,所述步骤6中的处理全局待筛选点得到可信地面点具体为:在步骤2得到的初步参考平面栅格内计算每个扇形栅格中所有激光点到当前栅格内拟合的地面线之间的距离d,若d<dground,dground为地面距离阈值,则标定当前点为可信地面点。
10.根据权利要求1所述的地面-雪面点云快速分割方法,其特征在于,所述步骤9中的得到可信雪面点具体为:
计算{d,z}平面内每个激光点到三次样条曲线p(u)的距离h,如果h<hground,hground为雪面距离阈值,则标定当前点为可信雪面点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064425.9A CN112767429B (zh) | 2021-01-18 | 2021-01-18 | 一种地面-雪面点云快速分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064425.9A CN112767429B (zh) | 2021-01-18 | 2021-01-18 | 一种地面-雪面点云快速分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767429A true CN112767429A (zh) | 2021-05-07 |
CN112767429B CN112767429B (zh) | 2022-11-01 |
Family
ID=75702864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110064425.9A Active CN112767429B (zh) | 2021-01-18 | 2021-01-18 | 一种地面-雪面点云快速分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767429B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114353779A (zh) * | 2021-09-30 | 2022-04-15 | 南京晨光集团有限责任公司 | 一种采用点云投影快速更新机器人局部代价地图的方法 |
CN114782467A (zh) * | 2022-04-14 | 2022-07-22 | 电子科技大学 | 一种基于区域划分与自适应阈值的点云地面分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379007A (zh) * | 2019-07-25 | 2019-10-25 | 厦门大学 | 基于车载移动激光扫描点云的三维公路曲线重建方法 |
CN110490888A (zh) * | 2019-07-29 | 2019-11-22 | 武汉大学 | 基于机载激光点云的高速公路几何特征矢量化提取方法 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
CN111783722A (zh) * | 2020-07-13 | 2020-10-16 | 湖北亿咖通科技有限公司 | 一种激光点云的车道线提取方法和电子设备 |
-
2021
- 2021-01-18 CN CN202110064425.9A patent/CN112767429B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379007A (zh) * | 2019-07-25 | 2019-10-25 | 厦门大学 | 基于车载移动激光扫描点云的三维公路曲线重建方法 |
CN110490888A (zh) * | 2019-07-29 | 2019-11-22 | 武汉大学 | 基于机载激光点云的高速公路几何特征矢量化提取方法 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
CN111783722A (zh) * | 2020-07-13 | 2020-10-16 | 湖北亿咖通科技有限公司 | 一种激光点云的车道线提取方法和电子设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114353779A (zh) * | 2021-09-30 | 2022-04-15 | 南京晨光集团有限责任公司 | 一种采用点云投影快速更新机器人局部代价地图的方法 |
CN114353779B (zh) * | 2021-09-30 | 2024-05-10 | 南京晨光集团有限责任公司 | 一种采用点云投影快速更新机器人局部代价地图的方法 |
CN114782467A (zh) * | 2022-04-14 | 2022-07-22 | 电子科技大学 | 一种基于区域划分与自适应阈值的点云地面分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112767429B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807781A (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN109215129B (zh) | 一种基于三维点云的局部特征描述方法 | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN110992341A (zh) | 一种基于分割的机载LiDAR点云建筑物提取方法 | |
CN112767429B (zh) | 一种地面-雪面点云快速分割方法 | |
CN111340875B (zh) | 一种基于三维激光雷达的空间移动目标检测方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN111145228A (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
CN111044041B (zh) | 基于重力场三维特征的重力辅助惯性导航适配区选取方法 | |
CN106373118A (zh) | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 | |
CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
CN112950461A (zh) | 全局与超像素分割相融合的色彩迁移方法 | |
CN112767456A (zh) | 一种三维激光点云快速重定位方法 | |
CN112508963B (zh) | 一种基于模糊c均值聚类的sar图像分割方法 | |
CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
CN109508674B (zh) | 基于区域划分的机载下视异构图像匹配方法 | |
CN109345571B (zh) | 一种基于扩展高斯图像的点云配准方法 | |
CN114565861A (zh) | 基于概率统计微分同胚集匹配的机载下视目标图像定位方法 | |
CN114358166A (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
CN104008376A (zh) | 基于可能性中心点聚类的多光谱遥感影像混合像元分解方法 | |
CN113192172B (zh) | 一种机载LiDAR地面点云简化方法 | |
CN115442887A (zh) | 一种基于蜂窝网络rssi的室内定位方法 |
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 |