CN114993292A - 一种薄墙壁分割方法及基于其的薄墙壁误匹配优化方法 - Google Patents
一种薄墙壁分割方法及基于其的薄墙壁误匹配优化方法 Download PDFInfo
- Publication number
- CN114993292A CN114993292A CN202210699072.4A CN202210699072A CN114993292A CN 114993292 A CN114993292 A CN 114993292A CN 202210699072 A CN202210699072 A CN 202210699072A CN 114993292 A CN114993292 A CN 114993292A
- Authority
- CN
- China
- Prior art keywords
- thin wall
- grid
- mobile robot
- point
- minimum
- 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 35
- 230000011218 segmentation Effects 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000009432 framing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种薄墙壁分割方法及基于其的薄墙壁误匹配优化方法，薄墙壁分割方法通过人工框选结合算法实现薄墙壁分割的自动处理，薄墙壁误匹配优化方法通过提取栅格地图中的薄墙壁信息，结合移动机器人的实时位置，以及薄墙壁的位置信息，判断薄墙壁的观测状态，进而动态处理栅格地图数据，从源头对造成误匹配的薄墙壁信息进行剔除，从而保证匹配的正确性。
Description
技术领域
本发明涉及移动机器人自定位技术领域，尤其是一种薄墙壁分割方法及基于该薄墙壁分割方法的薄墙壁误匹配优化方法。
背景技术
随着室内导航定位技术的不断发展，移动机器人逐渐应用于各个领域，例如用于地面清洁的扫地机器人，用于物料搬运的AGV等。移动机器人的工作原理是在未知环境中依靠自身携带的传感器探测周围环境，递增地创建环境地图并进行自定位。移动机器人创建的地图通常为栅格地图，移动机器人在行进过程中，当前时刻传感器获取的信息与已创建地图中的特征进行前端匹配，再将前端匹配的结果输入后端进行图优化，消除累计误差，确定自身当前位置，即自定位。
然而，在某些特定场景下，例如环境退化、环境变化过大、薄墙壁等，可能导致前端匹配产生错误结果。国家知识产权局于2019年8月20日公布的发明专利申请CN110146110A公开了一种基于线段位置关系的误匹配判定规则，以解决前端误匹配的问题，具体操作流程如图1所示，首先提取点云中的线特征，经过坐标变换得到特征在全局坐标系下的位置，然后与地图中的特征信息进行位置关系(平行、共线等)判断(是否为同一特征)，最后根据判断结果对地图中的特征信息进行更新。
发明专利申请CN110146110A公开的误匹配判定方法能够在一定程度上避免误匹配，但在某些场景，例如薄墙壁环境下，仍会存在特征关系误判的情况。参照图2所示薄墙壁示意图，当移动机器人移动到薄墙壁A面时，若周围环境特征约束不明显，可能存在将匹配到薄墙壁B面的可能性。
发明内容
针对现有在薄墙壁场景下，可能出现的误匹配问题，本发明提出一种薄墙壁分割方法及基于该薄墙壁分割方法的薄墙壁误匹配优化方法。
本发明保护一种薄墙壁误匹配优化方法，包括以下步骤：
步骤A1，人工框选出栅格地图中的所有薄墙壁区域，每面薄墙壁对应一个多边形；
步骤A2，根据每面薄墙壁对应的多边形，获取每面薄墙壁的最小外接矩形，遍历每面薄墙壁最小外接矩形内部的所有栅格点，获取栅格地图框选区域内所有占据栅格点集S0，占据栅格点指的是薄墙壁的A、B面对应的栅格点；
步骤A3，将占据栅格点集S0分割成分别对应于薄墙壁的A、B面的两簇占据栅格点集S1和S2；
步骤A4，计算两簇占据栅格点集S1和S2的主方向α1和α2，获得这两簇点云对应的拟合线段l1和l2，并将占据栅格点集S1和S2与线段l1和l2匹配得到集合{S1，l1}、{S2，l2}。
进一步的，所述步骤A3的具体操作为：
首先，计算占据栅格点集S0的主方向α0及主方向α0的垂直方向β0，提取薄墙壁最小外接矩形四条边中方向与主方向α0偏差在一定范围内的两条边，得到对应薄墙壁A、B面的直线L1和L2；
然后，在占据栅格点集S0任意选取一个占据栅格点p，过点p分别向直线L1、L2作垂线，分别计算点p到直线L1、L2的距离d1、d2，距离直线L1近的占据栅格点p放入S1集合，距离直线L2近的占据栅格点p放入S2集合；
最后，轮询占据栅格点集S0中的每个栅格点，实现对应于薄墙壁的A、B面的两簇占据栅格点集S1和S2的分割。
进一步的，当薄墙壁为水平或竖直墙壁时，根据每面薄墙壁对应的多边形横坐标、纵坐标的最大值和最小值，即可获取每面薄墙壁的最小外接矩形。
进一步的，当薄墙壁为斜墙壁时，所述步骤A2的具体操作为：
步骤A2.1，根据每面薄墙壁对应的多边形横坐标、纵坐标的最大值和最小值，获取每面薄墙壁的最小外接直矩形；
步骤A2.2，遍历最小外接矩形内部所有栅格点，获取在栅格地图框选区域内所有占据栅格点集S0，占据栅格点指的是薄墙壁的A、B面对应的栅格点；
步骤A2.3，计算占据栅格点集S0的主方向α0及主方向α0的垂直方向β0；
步骤A2.4，计算在方向α0和方向β0上占据栅格点横坐标、纵坐标的最大值和最小值的四个占据栅格点，连接这四个占据栅格点，得到占据栅格点集S0的最小外接矩形。
本发明还保护一种薄墙壁误匹配优化方法，包括以下步骤：
步骤B1，利用权利要求1-4任意一项所述的薄墙壁分割方法对栅格地图中的薄墙壁区域进行分割，其中薄墙壁在建图逻辑中自定义；
步骤B2，当移动机器人靠近薄墙壁时，根据移动机器人当前位置，以及邻近薄墙壁的最小外接矩形，确定该最小外接矩形的中心点c指向移动机器人当前位置中心点p的矢量v；
步骤B3，通过绝对值运算将矢量v转移到第一象限；
步骤B4，矢量v减去矢量h，负数分量记为0，得到点p与该最小外接矩形的最短距离矢量u，其中h为点c指向坐标原点的矢量；
步骤B5，根据矢量u得到移动机器人到各面薄墙壁的距离，结合激光雷达测距判断栅格地图中各面薄墙壁的观测状态，即确定移动机器人当前所观测到的薄墙壁；
步骤B6，根据点p与邻近薄墙壁A、B面的拟合线段l1、l2的距离，判断邻近薄墙壁A、B面的可观测性，即确定移动机器人当前观测到薄墙壁的A面或B面；
步骤B7，根据移动机器人观测到薄墙壁及其对应的最小外接矩形，提取栅格地图中的对应区域；
步骤B8，根据移动机器人当前观测到薄墙壁的A面或B面，对提取出的局部栅格地图进行处理，剔除其中不可观测到的那一面墙壁数据；
步骤B9，对剔除处理后的局部栅格地图，进行定位前的预处理，将预处理后的局部栅格地图替换栅格地图中的对应区域；
步骤B10，当移动机器人离开该薄墙壁后，恢复栅格地图。
本发明通过提取栅格地图中的薄墙壁信息，结合移动机器人的实时位置，以及薄墙壁的位置信息，判断薄墙壁的观测状态，进而动态处理栅格地图数据，从源头对造成误匹配的薄墙壁信息进行剔除，从而保证匹配的正确性；另一方面，薄墙壁区域的提取，仅需人工框选结合算法即可实现自动处理，避免了地图预处理在操作上的繁琐。
附图说明
图1为发明专利申请CN110146110A公开的具体操作流程；
图2为薄墙壁示意图；
图3为薄墙壁倾斜时的最小外接直矩形示意图；
图4为占据栅格点集S0分割为两簇占据栅格点集S1和S2的原理示意图；
图5为矢量v示意图；
图6(a)为矢量u横坐标、纵坐标均为正分量的情况示意图；
图6(b)为矢量u横坐标为负分量、纵坐标为正分量的情况示意图；
图6(c)为矢量u横坐标为正分量、纵坐标为负分量的情况示意图；
图6(d)为矢量u横坐标、纵坐标均为负分量的情况示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
本实施例公开一种薄墙壁分割方法，包括以下步骤：
1、人工框选出栅格地图中的所有薄墙壁区域，每面薄墙壁对应一个多边形。
虽然在实际应用中墙壁均为规则形状且多为矩形，但是在扫描建图过程中，地图是否若干点云组合而成，墙面对应的点云也未必是严格位于同一直线上，即便从宏观整体上看，基本为一条直线，但实际均存在些许偏差，因此这里用“多边形”进行表述，更为贴切。
2、根据每面薄墙壁对应的多边形，获取每面薄墙壁的最小外接矩形，遍历每面薄墙壁最小外接矩形内部的所有栅格点，获取栅格地图框选区域内所有占据栅格点集S0，占据栅格点指的是薄墙壁的A、B面对应的栅格点。
这里存在三种不同的情况：薄墙壁水平、薄墙壁竖直、薄墙壁倾斜。虽然常规墙壁均为水平或竖直，但是特殊的斜墙壁，也应该在算法考虑范围内。
薄墙壁水平、薄墙壁竖直的情况较为简单，可以放在一起讨论，直接根据薄墙壁对应的多边形横坐标、纵坐标的最大值和最小值，即可获取每面薄墙壁的最小外接矩形。
当薄墙壁倾斜时，无法通过上述方法直接获得薄墙壁的最小外接矩形，本实施例采取以下方法：
(1)根据每面薄墙壁对应的多边形横坐标、纵坐标的最大值和最小值，获取每面薄墙壁的最小外接直矩形，如图3所示；
⑵遍历最小外接矩形内部所有栅格点，获取在栅格地图框选区域内所有占据栅格点集S0，占据栅格点指的是薄墙壁的A、B面对应的栅格点；
⑶计算占据栅格点集S0的主方向α0及主方向α0的垂直方向β0，此处采用现有的主成分分析法即可实现，在此不再赘述；
⑷计算在方向α0和方向β0上占据栅格点横坐标、纵坐标的最大值和最小值的四个占据栅格点，连接这四个占据栅格点，得到占据栅格点集S0的最小外接矩形。
3、将占据栅格点集S0分割成分别对应于薄墙壁的A、B面的两簇占据栅格点集S1和S2，本实施例的具体操作为：
(1)计算占据栅格点集S0的主方向α0及主方向α0的垂直方向β0，提取薄墙壁最小外接矩形四条边中方向与主方向α0偏差在一定范围内的两条边，得到对应薄墙壁A、B面的直线L1和L2；这里之所以限定“偏差在一定范围内的两条边”，而非“方向一致的两条边”，理由同步骤1中关于“多边形”的解释；
⑵在占据栅格点集S0任意选取一个占据栅格点p，过点p分别向直线L1、L2作垂线，分别计算点p到直线L1、L2的距离d1、d2，距离直线L1近的占据栅格点p放入S1集合，距离直线L2近的占据栅格点p放入S2集合，参照图4所示；
⑶轮询占据栅格点集S0中的每个栅格点，实现对应于薄墙壁的A、B面的两簇占据栅格点集S1和S2的分割。
需要说明的是，为了更清楚地示意，图2和图4均将薄墙壁的A、B面进行了加宽展示，图4还将直线L1、L2分别向两侧移动。本领域技术人员知晓此种示意手法，并不会因此对本发明的技术手段产生误解。
4、计算两簇占据栅格点集S1和S2的主方向α1和α2，获得这两簇点云对应的拟合线段l1和l2，并将占据栅格点集S1和S2与线段l1和l2匹配得到集合{S1，l1}、{S2，l2}。
实施例2
本实施例公开了基于实施例1的薄墙壁误匹配优化方法，包括以下步骤：
1、利用实施例1所述的薄墙壁分割方法对栅格地图中的薄墙壁区域进行分割。
2、当移动机器人靠近薄墙壁时，根据移动机器人当前位置，以及邻近薄墙壁的最小外接矩形，确定该最小外接矩形的中心点c指向移动机器人当前位置中心点p的矢量v，如图5所示。
3、通过绝对值运算将矢量v转移到第一象限。
4、矢量v减去矢量h，负数分量记为0，得到点p与该最小外接矩形的最短距离矢量u，其中h为点c指向坐标原点的矢量，图6(a)-(d)分别给出了矢量u横坐标、纵坐标均为正分量，横坐标为负分量，纵坐标为负分量，以及横坐标、纵坐标均为负分量的情况。
5、根据矢量u得到移动机器人到各面薄墙壁的距离，结合激光雷达测距判断栅格地图中各面薄墙壁的观测状态，即确定移动机器人当前所观测到的薄墙壁；例如栅格地图中有Q1-4四面薄墙壁，经过观测确定移动机器人当前所观测到的是薄墙壁Q3。
6、根据点p与邻近薄墙壁A、B面的拟合线段l1、l2的距离，判断邻近薄墙壁A、B面的可观测性，即确定移动机器人当前观测到薄墙壁的A面或B面；例如，点p到拟合线段l1的距离小于点p到拟合线段l2的距离，则可以判定移动机器人当前观测到薄墙壁的A面，而非B面。
7、根据移动机器人观测到薄墙壁及其对应的最小外接矩形，提取栅格地图中的对应区域。
8、根据移动机器人当前观测到薄墙壁的A面或B面，对提取出的局部栅格地图进行处理，剔除其中不可观测到的那一面墙壁数据；例如，移动机器人当前观测到薄墙壁的A面，则剔除该薄墙壁的B面墙壁数据。
9、对剔除处理后的局部栅格地图，进行定位前的预处理，将预处理后的局部栅格地图替换栅格地图中的对应区域；
10、当移动机器人离开该薄墙壁后，恢复栅格地图，避免对下次自定位带来影响。
显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
Claims (6)
1.一种薄墙壁分割方法，其特征在于，包括以下步骤：
步骤A1，人工框选出栅格地图中的所有薄墙壁区域，每面薄墙壁对应一个多边形；
步骤A2，根据每面薄墙壁对应的多边形，获取每面薄墙壁的最小外接矩形，遍历每面薄墙壁最小外接矩形内部的所有栅格点，获取栅格地图框选区域内所有占据栅格点集S0，占据栅格点指的是薄墙壁的A、B面对应的栅格点；
步骤A3，将占据栅格点集S0分割成分别对应于薄墙壁的A、B面的两簇占据栅格点集S1和S2；
步骤A4，计算两簇占据栅格点集S1和S2的主方向α1和α2，获得这两簇点云对应的拟合线段l1和l2，并将占据栅格点集S1和S2与线段l1和l2匹配得到集合{S1，l1}、{S2，l2}。
2.根据权利要求1所述的薄墙壁分割方法，其特征在于，所述步骤A3的具体操作为：
首先，计算占据栅格点集S0的主方向α0及主方向α0的垂直方向β0，提取薄墙壁最小外接矩形四条边中方向与主方向α0偏差在一定范围内的两条边，得到对应薄墙壁A、B面的直线L1和L2；
然后，在占据栅格点集S0任意选取一个占据栅格点p，过点p分别向直线L1、L2作垂线，分别计算点p到直线L1、L2的距离d1、d2，距离直线L1近的占据栅格点p放入S1集合，距离直线L2近的占据栅格点p放入S2集合；
最后，轮询占据栅格点集S0中的每个栅格点，实现对应于薄墙壁的A、B面的两簇占据栅格点集S1和S2的分割。
3.根据权利要求1所述的薄墙壁分割方法，其特征在于，当薄墙壁为水平或竖直墙壁时，根据每面薄墙壁对应的多边形横坐标、纵坐标的最大值和最小值，即可获取每面薄墙壁的最小外接矩形。
4.根据权利要求1所述的薄墙壁分割方法，其特征在于，当薄墙壁为斜墙壁时，所述步骤A2的具体操作为：
步骤A2.1，根据每面薄墙壁对应的多边形横坐标、纵坐标的最大值和最小值，获取每面薄墙壁的最小外接直矩形；
步骤A2.2，遍历最小外接矩形内部所有栅格点，获取在栅格地图框选区域内所有占据栅格点集S0，占据栅格点指的是薄墙壁的A、B面对应的栅格点；
步骤A2.3，计算占据栅格点集S0的主方向α0及主方向α0的垂直方向β0；
步骤A2.4，计算在方向α0和方向β0上占据栅格点横坐标、纵坐标的最大值和最小值的四个占据栅格点，连接这四个占据栅格点，得到占据栅格点集S0的最小外接矩形。
5.一种薄墙壁误匹配优化方法，其特征在于，包括以下步骤：
步骤B1，利用权利要求1-4任意一项所述的薄墙壁分割方法对栅格地图中的薄墙壁区域进行分割；
步骤B2，当移动机器人靠近薄墙壁时，根据移动机器人当前位置，以及邻近薄墙壁的最小外接矩形，确定该最小外接矩形的中心点c指向移动机器人当前位置中心点p的矢量v；
步骤B3，通过绝对值运算将矢量v转移到第一象限；
步骤B4，矢量v减去矢量h，负数分量记为0，得到点p与该最小外接矩形的最短距离矢量u，其中h为点c指向坐标原点的矢量；
步骤B5，根据矢量u得到移动机器人到各面薄墙壁的距离，结合激光雷达测距判断栅格地图中各面薄墙壁的观测状态，即确定移动机器人当前所观测到的薄墙壁；
步骤B6，根据点p与邻近薄墙壁A、B面的拟合线段l1、l2的距离，判断邻近薄墙壁A、B面的可观测性，即确定移动机器人当前观测到薄墙壁的A面或B面；
步骤B7，根据移动机器人观测到薄墙壁及其对应的最小外接矩形，提取栅格地图中的对应区域；
步骤B8，根据移动机器人当前观测到薄墙壁的A面或B面，对提取出的局部栅格地图进行处理，剔除其中不可观测到的那一面墙壁数据；
步骤B9，对剔除处理后的局部栅格地图，进行定位前的预处理，将预处理后的局部栅格地图替换栅格地图中的对应区域；
步骤B10，当移动机器人离开该薄墙壁后，恢复栅格地图。
6.根据权利要求5所述的薄墙壁误匹配优化方法，其特征在于，薄墙壁在建图逻辑中自定义。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210699072.4A CN114993292B (zh) | 2022-06-20 | 2022-06-20 | 一种薄墙壁分割方法及基于其的薄墙壁误匹配优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210699072.4A CN114993292B (zh) | 2022-06-20 | 2022-06-20 | 一种薄墙壁分割方法及基于其的薄墙壁误匹配优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114993292A true CN114993292A (zh) | 2022-09-02 |
| CN114993292B CN114993292B (zh) | 2024-04-30 |
Family
ID=83034391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210699072.4A Active CN114993292B (zh) | 2022-06-20 | 2022-06-20 | 一种薄墙壁分割方法及基于其的薄墙壁误匹配优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114993292B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060277520A1 (en) * | 2001-09-11 | 2006-12-07 | The Regents Of The University Of California | Method of locating areas in an image such as a photo mask layout that are sensitive to residual processing effects |
| CN108508900A (zh) * | 2018-05-10 | 2018-09-07 | 同济大学 | 一种壁面移动机器人墙壁检测路径自主规划方法 |
| CN110274602A (zh) * | 2018-03-15 | 2019-09-24 | 奥孛睿斯有限责任公司 | 室内地图自动构建方法及系统 |
| CN113409410A (zh) * | 2021-05-19 | 2021-09-17 | 杭州电子科技大学 | 一种基于3d激光雷达的多特征融合igv定位与建图方法 |
| WO2021237667A1 (zh) * | 2020-05-29 | 2021-12-02 | 浙江大学 | 一种适用于腿足机器人规划的稠密高度地图构建方法 |
-
2022
- 2022-06-20 CN CN202210699072.4A patent/CN114993292B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060277520A1 (en) * | 2001-09-11 | 2006-12-07 | The Regents Of The University Of California | Method of locating areas in an image such as a photo mask layout that are sensitive to residual processing effects |
| CN110274602A (zh) * | 2018-03-15 | 2019-09-24 | 奥孛睿斯有限责任公司 | 室内地图自动构建方法及系统 |
| CN108508900A (zh) * | 2018-05-10 | 2018-09-07 | 同济大学 | 一种壁面移动机器人墙壁检测路径自主规划方法 |
| WO2021237667A1 (zh) * | 2020-05-29 | 2021-12-02 | 浙江大学 | 一种适用于腿足机器人规划的稠密高度地图构建方法 |
| CN113409410A (zh) * | 2021-05-19 | 2021-09-17 | 杭州电子科技大学 | 一种基于3d激光雷达的多特征融合igv定位与建图方法 |
Non-Patent Citations (3)
| Title |
|---|
| DORNINGER等: "3D segmentation of unstructured point clouds for building modelling", 《NTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES 35.3/W49A》, 16 July 2020 (2020-07-16), pages 191 - 196 * |
| 宁小娟等: "由粗到精的室内场景布局划分与结构重建", 《激光与光电子学进展》, vol. 58, no. 22, 12 July 2021 (2021-07-12), pages 266 - 277 * |
| 徐花芝: "基于航空LIDAR点云数据的建筑物提取研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 08, 31 August 2009 (2009-08-31), pages 138 - 1045 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114993292B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
| CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
| CN110197153B (zh) | 一种户型图中墙体自动识别方法 | |
| CN109001757B (zh) | 一种基于2d激光雷达的车位智能检测方法 | |
| CN110598541B (zh) | 一种提取道路边缘信息的方法及设备 | |
| US20080123958A1 (en) | Computer-implemented method for efficient image segmentation using automated saddle-point detection | |
| AU2015283079A1 (en) | Detecting edges of a nucleus using image analysis | |
| Tang et al. | Camera self-calibration from tracking of moving persons | |
| CN110472640B (zh) | 一种目标检测模型预测框处理方法及装置 | |
| CN113781649B (zh) | 一种基于三维扫描点云的建筑物平面图生成方法 | |
| CN113298838B (zh) | 一种物体轮廓线提取方法及系统 | |
| JP2013080389A (ja) | 消失点推定方法、消失点推定装置及びコンピュータプログラム | |
| WO2002021443A1 (en) | Segmentation of digital images | |
| CN115937825B (zh) | 在线俯仰角估计的bev下鲁棒车道线生成方法及装置 | |
| CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
| CN114993292A (zh) | 一种薄墙壁分割方法及基于其的薄墙壁误匹配优化方法 | |
| CN111754467A (zh) | 基于霍夫变换的车位检测方法、装置、计算机设备及存储介质 | |
| Novacheva | Building roof reconstruction from LiDAR data and aerial images through plane extraction and colour edge detection | |
| CN113781315B (zh) | 一种基于多视角的同源传感器数据融合滤波方法 | |
| CN115187744A (zh) | 一种基于激光点云的机柜识别方法 | |
| CN111784790B (zh) | 一种地貌生成方法、装置、计算机设备和存储介质 | |
| Kovacs et al. | Edge detection in discretized range images | |
| CN116681758A (zh) | 车辆的姿态估计方法、装置、电子设备及存储介质 | |
| CN108022214A (zh) | 一种适用于无人机雾天飞行的地平线检测方法 | |
| CN113139975B (zh) | 一种基于道路特征的路面分割方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |