CN113902874A - 点云数据处理方法、装置、计算机设备和存储介质 - Google Patents
点云数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113902874A CN113902874A CN202111380881.0A CN202111380881A CN113902874A CN 113902874 A CN113902874 A CN 113902874A CN 202111380881 A CN202111380881 A CN 202111380881A CN 113902874 A CN113902874 A CN 113902874A
- Authority
- CN
- China
- Prior art keywords
- point
- initial low
- classified
- cloud data
- initial
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及一种点云数据处理方法、装置、计算机设备和存储介质。该方法包括:采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点;在预设半径范围内搜索所有初始低点;在预设半径范围内选定一初始低点,计算选定的初始低点与选定的初始低点邻近的初始低点之间的最大高程差;若最大高程差大于第一阈值,则判定选定的初始低点为预设半径范围内的最低点;迭代选定一初始低点,计算选定的初始低点与各邻近初始低点之间的最大高程差步骤,直至遍历预设半径范围内的初始低点。采用本方法能够在采用渐进三角网加密滤波算法确定初始低点后,通过比较初始低点与邻近初始低点之间的最大高程差进一步确定了地面最低点,提升了地面低点确定过程中的识别精度。
Description
技术领域
本申请涉及点云数据处理技术领域,特别是涉及一种点云数据低点确定方法、装置、计算机设备和存储介质。
背景技术
激光雷达是一种通过位置、距离、角度等观测数据直接获取对象表面点三维坐标,实现地表信息提取和三维场景重建的对地观测技术。随着激光雷达领域的发展,出现了点云数据处理技术,其中,地面点分类是点云数据处理中的常用操作,然后在分类过程中,地面最低点的确定会影响整个地面点分类。
然而,目前的传统点云分类方式无法精确的确定地面最低点。
发明内容
基于此,有必要针对上述技术问题,提供一种能够精确的确定地面最低点.的点云数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种点云数据处理方法。所述方法包括:
采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点;
在预设半径范围内搜索所有初始低点;
在所述预设半径范围内遍历所有初始低点,计算每一个选定的初始低点与所述选定的初始低点邻近的初始低点之间的最大高程差;
确定对应的最大高程差大于第一阈值的各选定的初始低点为所述预设半径范围内的最低点。
在其中一个实施例中,采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点的步骤包括:
将点云数据进行分区处理,取每个分区中的低点作为起始种子点;
利用所述起始种子点构建初始三角网;
在所述初始三角网中遍历所有待分类的点,查询各所述待分类的点水平面投影所落入的所述三角网中的三角形;
计算各所述待分类的点到所述待分类的点水平面投影所落入的三角形的距离和到所述三角形三个顶点所成的三个夹角并找出所述三个夹角中的最大夹角;
若所述待分类的点到对应的三角形的距离小于第二阈值且所述待分类的点对应的所述最大夹角小于第三阈值,则判定所述待分类的点为初始低点。
在其中一个实施例中,上述将点云数据进行分区处理包括:
在含有建筑物的点云数据中,以最大建筑物的尺寸作为每个所述分区的尺寸对所述点云数据进行分区。
在其中一个实施例中,上述方法还包括:
若所述待分类的点到对应的三角形的距离大于第二阈值或所述待分类的点对应的所述最大夹角大于第三阈值,则判定所述待分类的点为非初始低点。
在其中一个实施例中,上述方法还包括:
确定对应的最大高程差小于或等于第一阈值的各选定的初始低点为所述预设半径范围内的非最低点。
第二方面,本申请还提供了一种点云数据处理装置。所述装置包括:
初始低点判定模块,用于采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点;
初始低点搜索模块,用于在预设半径范围内搜索所有所述初始低点;
计算模块,用于在所述预设半径范围内遍历所有初始低点,计算每一个选定的初始低点与所述选定的初始低点邻近的初始低点之间的最大高程差;
最低点判定模块,用于确定对应的最大高程差大于第一阈值的各选定的初始低点为所述预设半径范围内的最低点。
在其中一个实施例中,上述初始低点判定模块包括:
分区单元,用于将点云数据进行分区处理,取每个分区中的低点作为起始种子点;
三角网构建单元,用于利用所述起始种子点构建初始三角网;
查询单元,用于在所述初始三角网中遍历所有待分类的点,查询各所述待分类的点水平面投影所落入的所述三角网中的三角形;
参数计算单元,用于计算各所述待分类的点到所述待分类的点水平面投影所落入的三角形的距离和到所述三角形三个顶点所成的三个夹角并找出所述三个夹角中的最大夹角;
初始低点判定单元,用于在所述待分类的点到对应的三角形的距离小于第二阈值且所述待分类的点对应的所述最大夹角小于第三阈值时,判定所述待分类的点为初始低点。
在其中一个实施例中,分区单元包括:
建筑物点云分区单元,用于对含有建筑物的点云数据,以最大建筑物的尺寸作为每个所述分区的尺寸对所述点云数据进行分区。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述点云数据处理方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述点云数据处理方法的步骤。
上述点云数据处理方法、装置、计算机设备、存储介质,首先通过采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点,然后在预设半径范围内搜索所有所述初始低点,选定一所述初始低点,计算选定的初始低点与选定的初始低点邻近的初始低点之间的最大高程差,最后若最大高程差大于第一阈值,则判定所述选定的初始低点为最低点,重复上述步骤直至所有初始低点遍历完毕。上述方法在采用渐进三角网加密滤波算法确定初始低点后,通过比较初始低点与邻近初始低点之间的最大高程差进一步确定了地面最低点,提升了地面低点确定过程中的识别精度。
附图说明
图1为一个实施例中点云数据处理方法的流程示意图;
图2为一个实施例中采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点的步骤流程示意图;
图3为一个实施例中点云数据处理装置的结构框图;
图4为一个实施例中初始低点判定模块的内部结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种点云数据处理方法,该方法包括以下步骤:
S200,采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点。
其中,初始低点指点云数据经过渐进三角网加密滤波算法处理后,通过上述算法确定的地面低点。
S400,在预设半径范围内搜索所有初始低点。
其中,根据工程实际需要设置预设半径,预设半径设置较大时上述点云数据处理方法效率更高。
S600,在所述预设半径范围内遍历所有初始低点,计算每一个选定的初始低点与所述选定的初始低点邻近的初始低点之间的最大高程差。
其中,最大高程差是指通过两点的两个水准面的最大差距,即选定的初始低点所在水准面与选定的初始低点临近的初始低点所在水准面之间的最大差距。
其中,邻近的初始低点指在预设邻近范围内的初始低点,预设邻近范围小于预设半径范围。
S800,确定对应的最大高程差大于第一阈值的各选定的初始低点为所述预设半径范围内的最低点。
其中,第一阈值为常数,可以根据工程实际需要设定。
其中,第一阈值还可以设置为标准高程差,该标准高程差根据国家标准高程及点云数据所处地理位置进行设定。
上述点云数据处理方法,通过采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点,然后在预设半径范围内搜索所有所述初始低点,选定一所述初始低点,计算选定的初始低点与选定的初始低点邻近的初始低点之间的最大高程差,最后若最大高程差大于第一阈值,则判定所述选定的初始低点为最低点,重复上述步骤直至所有初始低点遍历完毕。上述方法在采用渐进三角网加密滤波算法确定初始低点后,通过比较初始低点与邻近初始低点之间的最大高程差进一步确定了地面最低点,提升了地面低点确定过程中的识别精度。
在一个实施例中,如图2所示,步骤S200包括:
S210,将点云数据进行分区处理,取每个分区中低点作为起始种子点。
其中,在含有建筑物的点云数据中,以最大建筑物的尺寸作为每个所述分区的尺寸对所述点云数据进行分区。
其中,可以通过图像运算识别算法例如孤立点检测算法找到每个分区中的低点,并将该低点作为起始种子点。
S220,利用起始种子点构建初始三角网。
其中,连接各起始种子点可以得到初始三角网。
S230,在初始三角网中遍历所有待分类的点,查询各待分类的点水平面投影所落入的三角网中的三角形。
其中,遍历所有待分类的点并进行查询后,可以得到每个点所落入的三角网中的三角形的数据。
S240,计算各待分类的点到待分类的点水平面投影所落入的三角形的距离和到三角形三个顶点所成的三个夹角并找出所述三个夹角中的最大夹角。
其中,各待分类的点到待分类的点水平面投影所落入的三角形的距离为最短垂直距离。
S250,若待分类的点到对应的三角形的距离小于第二阈值且待分类的点对应的最大夹角小于第三阈值,则判定待分类的点为初始低点。
其中,若待分类的点到对应的三角形的距离大于第二阈值或待分类的点对应的最大夹角大于第三阈值,则判定待分类的点为非初始低点。
其中,第二阈值和第三阈值为根据工程实际需要设置的常数。
上述方法通过将点云数据进行分区处理,取每个分区中低点作为起始种子点,利用起始种子点构建初始三角网,在初始三角网中遍历所有待分类的点,查询各待分类的点水平面投影所落入的三角网中的三角形,计算各待分类的点到待分类的点水平面投影所落入的三角形的距离和到三角形三个顶点所成的三个夹角并找出三个夹角中的最大夹角,若待分类的点到对应的三角形的距离小于第二阈值且待分类的点对应的最大夹角小于第三阈值,则判定待分类的点为初始低点,从而实现了在点云数据中寻找初始低点。
在一个实施例中,上述点云数据处理方法还包括步骤:
若最大高程差小于或等于第一阈值,则判定选定的初始低点为非最低点。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的点云数据处理方法的点云数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个点云数据处理装置实施例中的具体限定可以参见上文中对于点云数据处理方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种点云数据处理装置,包括:初始低点判定模块、初始低点搜索模块、计算模块、最低点判定模块和迭代模块模块,其中:
初始低点判定模块200,用于采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点;
初始低点搜索模块400,用于在预设半径范围内搜索所有初始低点;
计算模块600,用于在预设半径范围内选定一所述初始低点,计算选定的初始低点与选定的初始低点邻近的初始低点之间的最大高程差;
最低点判定模块800,用于确定对应的最大高程差大于第一阈值的各选定的初始低点为所述预设半径范围内的最低点。
在一个实施例中,如图4所示,上述初始低点判定模块200包括:
分区单元210,用于将点云数据进行分区处理,取每个分区中低点作为起始种子点;
三角网构建单元220,用于利用所述起始种子点构建初始三角网;
查询单元230,用于在所述初始三角网中遍历所有待分类的点,查询各所述待分类的点水平面投影所落入的所述三角网中的三角形;
参数计算单元240,用于计算各所述待分类的点到所述待分类的点水平面投影所落入的三角形的距离和到所述三角形三个顶点所成的三个夹角并找出所述三个夹角中的最大夹角;
初始低点判定单元250,用于在所述待分类的点到对应的三角形的距离小于第二阈值且所述待分类的点对应的所述最大夹角小于第三阈值时,判定所述待分类的点为初始低点。
在其中一个实施例中,分区单元210包括:
建筑物点云分区单元,用于对含有建筑物的点云数据,以最大建筑物的尺寸作为每个所述分区的尺寸对所述点云数据进行分区。
上述点云数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储点云数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种点云数据处理方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
S200,采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点。
S400,在预设半径范围内搜索所有所述初始低点。
S600,在所述预设半径范围内选定一所述初始低点,计算选定的初始低点与所述选定的初始低点邻近的初始低点之间的最大高程差。
S800,确定对应的最大高程差大于第一阈值的各选定的初始低点为所述预设半径范围内的最低点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
S210,将点云数据进行分区处理,取每个分区中低点作为起始种子点。
S220,利用起始种子点构建初始三角网。
S230,在初始三角网中遍历所有待分类的点,查询各待分类的点水平面投影所落入的三角网中的三角形。
S240,计算各待分类的点到待分类的点水平面投影所落入的三角形的距离和到三角形三个顶点所成的三个夹角并找出所述三个夹角中的最大夹角。
S250,若待分类的点到对应的三角形的距离小于第二阈值且待分类的点对应的最大夹角小于第三阈值,则判定待分类的点为初始低点。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
S200,采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点。
S400,在预设半径范围内搜索所有所述初始低点。
S600,在所述预设半径范围内选定一所述初始低点,计算选定的初始低点与所述选定的初始低点邻近的初始低点之间的最大高程差。
S800,确定对应的最大高程差大于第一阈值的各选定的初始低点为所述预设半径范围内的最低点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
S210,将点云数据进行分区处理,取每个分区中低点作为起始种子点。
S220,利用起始种子点构建初始三角网。
S230,在初始三角网中遍历所有待分类的点,查询各待分类的点水平面投影所落入的三角网中的三角形。
S240,计算各待分类的点到待分类的点水平面投影所落入的三角形的距离和到三角形三个顶点所成的三个夹角并找出所述三个夹角中的最大夹角。
S250,若待分类的点到对应的三角形的距离小于第二阈值且待分类的点对应的最大夹角小于第三阈值,则判定待分类的点为初始低点。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
S200,采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点。
S400,在预设半径范围内搜索所有所述初始低点。
S600,在所述预设半径范围内选定一所述初始低点,计算选定的初始低点与所述选定的初始低点邻近的初始低点之间的最大高程差。
S800,确定对应的最大高程差大于第一阈值的各选定的初始低点为所述预设半径范围内的最低点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
S210,将点云数据进行分区处理,取每个分区中低点作为起始种子点。
S220,利用起始种子点构建初始三角网。
S230,在初始三角网中遍历所有待分类的点,查询各待分类的点水平面投影所落入的三角网中的三角形。
S240,计算各待分类的点到待分类的点水平面投影所落入的三角形的距离和到三角形三个顶点所成的三个夹角并找出所述三个夹角中的最大夹角。
S250,若待分类的点到对应的三角形的距离小于第二阈值且待分类的点对应的最大夹角小于第三阈值,则判定待分类的点为初始低点。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种点云数据处理方法,其特征在于,所述方法包括:
采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点;
在预设半径范围内搜索所有所述初始低点;
在所述预设半径范围内遍历所有初始低点,计算每一个选定的初始低点与所述选定的初始低点邻近的初始低点之间的最大高程差;
确定对应的最大高程差大于第一阈值的各选定的初始低点为所述预设半径范围内的最低点。
2.根据权利要求1所述方法,其特征在于,所述采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点的步骤包括:
将所述点云数据进行分区处理,取每个分区中的低点作为起始种子点;
利用所述起始种子点构建初始三角网;
在所述初始三角网中遍历所有待分类的点,查询各所述待分类的点水平面投影所落入的所述三角网中的三角形;
计算各所述待分类的点到所述待分类的点水平面投影所落入的三角形的距离和到所述三角形三个顶点所成的三个夹角并找出所述三个夹角中的最大夹角;
若所述待分类的点到对应的三角形的距离小于第二阈值且所述待分类的点对应的所述最大夹角小于第三阈值,则判定所述待分类的点为初始低点。
3.根据权利要求2所述的方法,其特征在于,所述将所述点云数据进行分区处理的步骤包括:
在含有建筑物的点云数据中,以最大建筑物的尺寸作为每个所述分区的尺寸对所述点云数据进行分区。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述待分类的点到对应的三角形的距离大于第二阈值或所述待分类的点对应的所述最大夹角大于第三阈值,则判定所述待分类的点为非初始低点。
5.根据权利要求1-4中任一项所述方法,其特征在于,所述方法还包括:
确定对应的最大高程差小于或等于第一阈值的各选定的初始低点为所述预设半径范围内的非最低点。
6.一种点云数据处理装置,其特征在于,所述装置包括:
初始低点判定模块,用于采用渐进三角网加密滤波算法对点云数据进行处理得到初始低点;
初始低点搜索模块,用于在预设半径范围内搜索所有所述初始低点;
计算模块,用于在所述预设半径范围内遍历所有初始低点,计算每一个选定的初始低点与所述选定的初始低点邻近的初始低点之间的最大高程差;
最低点判定模块,用于确定对应的最大高程差大于第一阈值的各选定的初始低点为所述预设半径范围内的最低点。
7.根据权利要求6所述的装置,其特征在于,所述初始低点判定模块包括:
分区单元,用于将所述点云数据进行分区处理,取每个分区中的低点作为起始种子点;
三角网构建单元,用于利用所述起始种子点构建初始三角网;
查询单元,用于在所述初始三角网中遍历所有待分类的点,查询各所述待分类的点水平面投影所落入的所述三角网中的三角形;
参数计算单元,用于计算各所述待分类的点到所述待分类的点水平面投影所落入的三角形的距离和到所述三角形三个顶点所成的三个夹角并找出所述三个夹角中的最大夹角;
初始低点判定单元,用于在所述待分类的点到对应的三角形的距离小于第二阈值且所述待分类的点对应的所述最大夹角小于第三阈值时,判定所述待分类的点为初始低点。
8.根据权利要求7所述的装置,其特征在于,所述分区单元包括:
建筑物点云分区单元,用于对含有建筑物的点云数据,以最大建筑物的尺寸作为每个所述分区的尺寸对所述点云数据进行分区。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111380881.0A CN113902874A (zh) | 2021-11-20 | 2021-11-20 | 点云数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111380881.0A CN113902874A (zh) | 2021-11-20 | 2021-11-20 | 点云数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902874A true CN113902874A (zh) | 2022-01-07 |
Family
ID=79194825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111380881.0A Pending CN113902874A (zh) | 2021-11-20 | 2021-11-20 | 点云数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902874A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648621A (zh) * | 2022-04-06 | 2022-06-21 | 重庆市勘测院(重庆市地图编制中心) | 一种地面点云快速滤波方法、装置、设备及存储介质 |
-
2021
- 2021-11-20 CN CN202111380881.0A patent/CN113902874A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648621A (zh) * | 2022-04-06 | 2022-06-21 | 重庆市勘测院(重庆市地图编制中心) | 一种地面点云快速滤波方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018326401C1 (en) | Method and system for use in performing localisation | |
US11300964B2 (en) | Method and system for updating occupancy map for a robotic system | |
CN107728615B (zh) | 一种自适应区域划分的方法及系统 | |
CN111241350B (zh) | 图数据查询方法、装置、计算机设备和存储介质 | |
CN113223078B (zh) | 标志点的匹配方法、装置、计算机设备和存储介质 | |
CN113902874A (zh) | 点云数据处理方法、装置、计算机设备和存储介质 | |
CN115526892A (zh) | 基于三维重建的图像缺陷去重检测方法和装置 | |
CN114485611B (zh) | 基于北斗网格码的三维空间最短路径规划方法和装置 | |
CN108563915B (zh) | 车辆数字化仿真测试模型构建系统及方法、计算机程序 | |
CN113628343B (zh) | 三维网格的合并处理方法和装置、存储介质 | |
CN110413716B (zh) | 数据存储和数据查询方法、装置及电子设备 | |
CN116246069B (zh) | 自适应地形点云滤波的方法、装置、智能终端及存储介质 | |
CN110851639A (zh) | 一种以图搜图的方法及设备 | |
CN111598941A (zh) | 一种杆塔倾斜度测量方法、装置、设备及存储介质 | |
CN111177190B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN114463429B (zh) | 机器人、地图创建方法、定位方法及介质 | |
CN115810030A (zh) | 目标跟踪方法、装置、设备、存储介质和程序产品 | |
US11537622B2 (en) | K-nearest neighbour spatial queries on a spatial database | |
KR102401554B1 (ko) | 공간특성정보를 생성하는 방법 및 그 장치 | |
CN113903016A (zh) | 分岔点检测方法、装置、计算机设备和计算机程序产品 | |
CN114528453A (zh) | 全局重定位方法、装置、电子设备及存储介质 | |
CN114817775A (zh) | 空间索引的生成方法和装置 | |
CN116188565A (zh) | 位置区域检测方法、装置、设备、存储介质和程序产品 | |
CN115409070A (zh) | 离散数据序列临界点的确定方法、装置以及设备 | |
CN114779273A (zh) | 检测剩余载货体积的方法和装置 |
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 |