CN115564673B - 三维点云地下车库柱状物提取与矢量自动生成方法及系统 - Google Patents

三维点云地下车库柱状物提取与矢量自动生成方法及系统 Download PDF

Info

Publication number
CN115564673B
CN115564673B CN202211172410.5A CN202211172410A CN115564673B CN 115564673 B CN115564673 B CN 115564673B CN 202211172410 A CN202211172410 A CN 202211172410A CN 115564673 B CN115564673 B CN 115564673B
Authority
CN
China
Prior art keywords
dimensional
point cloud
points
vector
dimensional projection
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
Application number
CN202211172410.5A
Other languages
English (en)
Other versions
CN115564673A (zh
Inventor
邹文明
杨莹
陈昱臻
周少岳
钱赛男
戴丞雷
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.)
Zhejiang Institute Of Surveying And Mapping Science And Technology
Original Assignee
Zhejiang Institute Of Surveying And Mapping Science And Technology
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 Zhejiang Institute Of Surveying And Mapping Science And Technology filed Critical Zhejiang Institute Of Surveying And Mapping Science And Technology
Priority to CN202211172410.5A priority Critical patent/CN115564673B/zh
Publication of CN115564673A publication Critical patent/CN115564673A/zh
Application granted granted Critical
Publication of CN115564673B publication Critical patent/CN115564673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种三维点云地下车库柱状物提取与矢量自动生成方法及系统，属于点云数据处理技术领域。该方法包括：将雷达扫描获得的地下车库三维点云按空间密度投影到二维平面，生成二维平面图；对二维平面图进行形态学处理，去除噪点；对剩余点进行霍夫直线检测得到多条直线的起始点，再通过对起始点使用聚类算法得到四个直线簇，确定四条柱状物提取的矩形直线；根据点与直线的距离得到最近的点集和矩形几何性质拟合修正四条直线，得到最终的柱状物矢量。本发明利用了三维点云投影图的图像特征，通过多种数字图像处理技术实现了自动提取地下停车库三维点云数据集中的柱状物点云，并自动生成高精地图所需的柱状物矢量，节约时间和人力成本。

Description

三维点云地下车库柱状物提取与矢量自动生成方法及系统
技术领域
本发明涉及点云数据处理技术领域，更具体的说是涉及一种三维点云地下车库柱状物提取与矢量自动生成方法及系统。
背景技术
三维高精地图被工业界和学术界公认为下一代数字地图的主要发展方向，是实现汽车自动驾驶和辅助驾驶的前提条件，为自动驾驶汽车进行精确定位和正确决策提供主要依据。其中，辅助停车是辅助驾驶的重要内容，停车场区域的三维高精地图构建依赖于从停车场点云数据中提取出柱状物等矢量信息。
传统的人工提取柱状物矢量信息效率较低，准确率受工作人员的状态影响；基于语义分割提取点云需要借助深度学习模型，而模型的训练需要提供大量标注样本，比较耗费时间。因此，如何从复杂的点云信息中，去除其他物体的影响，有效识别点云中的柱状物，并自动生成柱状物的矢量，节约时间和人力成本，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种三维点云地下车库柱状物提取与矢量自动生成方法及系统，以实现对三维点云地下车库点云中柱状物的有效提取与矢量自动生成，提高柱状物矢量生成的效率。
为了实现上述目的，本发明实施例的第一方面，提供了一种三维点云地下车库柱状物提取与矢量自动生成方法，包括：
三维点云俯视图投影：将获取的地下车库三维点云按空间密度投影到二维平面，生成所述地下车库三维点云的二维投影图，并将所述二维投影图的像素进行调整；
二维投影图噪点去除：对所述二维投影图进行形态学处理，去除二维投影图中柱状物以外的噪点，得到去除噪点的第二二维投影图；
柱状物矩形矢量生成：对所述第二二维投影图中点进行霍夫直线检测，得到多条直线的起始点，通过对所述多条直线的起始点使用聚类算法进行聚类得到直线簇，确定所述直线簇的轮廓矩形矢量；
柱状物矩形矢量校正：根据所述第二二维投影图中点与所述直线簇的距离，得到距离所述直线簇最近的点集，利用所述点集和矩形几何性质拟合修正矩形矢量，得到最终的柱状物矩形矢量。
所述三维点云俯视图投影中，三维点云投影方式为俯视图投影；所述地下车库三维点云与所述二维投影图的长宽比例为250:1；投影点的数值为地下车库三维点云俯视图的点云数量；所述二维投影图的像素由所述投影点的最大值和最小值确定。
所述二维投影图噪点去除中，对所述二维投影图的形态学处理包括膨胀腐蚀操作和二值化处理；
其中，所述二维投影图的形态学处理过程包括：一次迭代次数为3的膨胀操作和迭代次数为1的腐蚀操作；最优阈值化的图像二值化处理；一次迭代次数为4的膨胀操作和迭代次数为1的腐蚀操作；所述膨胀腐蚀操作的结构元均为5×5的全1矩阵。
所述柱状物矩形矢量生成中，所述多条直线的起始点为霍夫直线检测中累加计数值的阈值参数为80，最小线段长度阈值为200，线段上最近两点之间的阈值为21的点；所述聚类算法为Kmeans聚类，聚类簇数为4。
所述利用点集和矩形几何性质拟合修正矩形矢量包含对应直线的平行和垂直关系，重新拟合修正所述四条直线，得到最终的柱状物矢量。
本发明实施例的第二方面，提供了一种三维点云地下车库柱状物提取与矢量自动生成系统，包括：
图像转换单元、图像处理单元、图形生成单元、图形处理单元；
所述图像转换单元用于将获取的地下车库三维点云转换为二维投影图，并调整所述二维投影图的像素；
所述图像处理单元用于去除二维投影图的噪点，得到去除噪点的第二二维投影图；
所述图形生成单元用于根据第二二维投影图中的点生成柱状物矩形矢量；
所述图形处理单元用于调整校正柱状物矩形矢量。
所述图像转换单元具体用于：将所述地下车库三维点云的俯视图按照所述地下车库三维点云与所述二维投影图的长宽比例为250:1转换二维投影图，并根据投影点的最大值和最小值将所述二维投影图的像素调整至(0，255)之间。
所述图像处理单元具体用于：对所述二维投影图进行一次迭代次数为3的膨胀操作和迭代次数为1的腐蚀操作；最优阈值化的图像二值化处理；一次迭代次数为4的膨胀操作和迭代次数为1的腐蚀操作。
所述图形生成单元具体用于：对所述去除噪点的二维投影图中点进行霍夫直线检测，得到多条直线的起始点；对所述多条直线的起始点使用聚类算法得到四个直线簇，确定所述四个直线簇的轮廓矩形矢量。
所述图形处理单元具体用于：根据所述去除噪点的二维投影图中点与所述四个直线簇的距离，得到距离所述四个直线簇最近的点集，利用所述点集和矩形几何性质拟合修正矩形矢量，得到最终的柱状物矩形矢量。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种三维点云地下车库柱状物提取与矢量自动生成方法及系统，充分利用了三维点云投影图的图像特征，通过多种数字图像处理技术实现了自动提取地下停车库三维点云数据集中的柱状物点云，并自动生成高精地图所需的柱状物矢量，节约时间和人力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明三维点云地下车库柱状物提取与矢量自动生成方法的流程图；
图2为二维图像去噪形态学处理示意图；
图3为柱状物矢量提取及几何调整示意图；
图4为本发明三维点云地下车库柱状物提取与矢量自动生成系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
为了验证本发明实施例方法的有效性，我们采集了浙江省杭州市之江实验室地下停车场的三维点云数据。
如图1所示，本发明提供了一种三维点云地下车库柱状物提取与矢量自动生成方法，该方法包括：
步骤1：地下车库三维点云投影
将雷达扫描得到的地下车库三维点云以俯视角度投影至二维平面，地下车库三维点云与二维投影图的长宽比例为250:1，投影点的数值为收集的地下车库三维空间区域内点云的俯视点的数量，即空间区域点密度值，并最终根据投影点数值的最大值和最小值将二维图点的像素调整至(0,255)之间，得到地下车库的点云投影二维平面图。具体像素调整公式如下：
N(i,j)表示调整后的图像点像素，P(i,j)表示原密度投影图的三维区域点密度值，Pmin表示区域密度最小值，Pmax表示区域密度最大值。
步骤2：二维平面图噪点去除
如图2所示，投影后的二维平面图中，除了柱状物的投影点外，还有其他车库物体的投影噪声点，对二维平面图先进行一次迭代次数为3的膨胀操作和迭代次数为1的腐蚀操作，之后进行最优阈值化的图像二值化处理，再进行一次迭代次数为4的膨胀操作和迭代次数为1的腐蚀操作，膨胀腐蚀操作的结构元均为5×5的全1矩阵，得到去除柱状物外噪点的第二二维平面图。
步骤3：柱状物矩形矢量生成
如图3所示，二维平面图去除噪点以后，剩余点基本为柱状物投影后的点，对这些点进行霍夫直线检测，霍夫直线检测中累加计数值的阈值参数为80，最小线段长度阈值为200，线段上最近两点之间的阈值为21，可以得到大量霍夫检测直线的起始点，对起始点集进行Kmeans聚类，聚类数为4，得到四个聚类点集的中心点，中心点连线即为初步提取的柱状物矢量。
步骤4：柱状物矩形矢量调整
初步提取的柱状物矢量准确度有限，计算与这四条直线距离最近的点，取位于直线中间的近点构成点集，再以该点集为基础，按照矩形的几何性质，主要包含对应直线的平行和垂直关系，重新拟合修正四条直线，得到最终的柱状物矢量。
实验结果表明，该方法自动提取的地下车库柱状物矢量与柱状物投影点吻合度较高。
实施例二
如图4所示，本发明提供了一种三维点云地下车库柱状物提取与矢量自动生成系统，该系统包括：
图像转换单元、图像处理单元、图形生成单元、图形处理单元；
图像转换单元用于将雷达扫描得到的地下车库三维点云转换为二维投影图，并调整二维投影图的像素；
图像处理单元用于去除二维投影图的噪点；
图形生成单元用于根据去除噪点的第二二维投影图中的点生成柱状物矩形矢量；
图形处理单元用于调整校正柱状物矩形矢量。
图像转换单元具体用于：将地下车库三维点云的俯视图按照地下车库三维点云与二维投影图的长宽比例为250:1转换二维投影图，并根据投影点的最大值和最小值将二维投影图的像素调整至(0，255)之间。
图像处理单元具体用于：对二维投影图进行一次迭代次数为3的膨胀操作和迭代次数为1的腐蚀操作；最优阈值化的图像二值化处理；一次迭代次数为4的膨胀操作和迭代次数为1的腐蚀操作。
图形生成单元具体用于：对去除噪点的第二二维投影图中点进行霍夫直线检测，得到多条直线的起始点；对多条直线的起始点使用聚类算法得到四个直线簇，确定四个直线簇的轮廓矩形矢量。
图形处理单元具体用于：根据去除噪点的第二二维投影图中点与四个直线簇的距离，得到距离四个直线簇最近的点集，利用点集和矩形几何性质拟合修正矩形矢量，得到最终的柱状物矩形矢量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种三维点云地下车库柱状物提取与矢量自动生成方法，其特征在于，包含如下步骤：
三维点云俯视图投影：将获取的地下车库三维点云按空间密度投影到二维平面，生成所述地下车库三维点云的二维投影图，并将所述二维投影图的像素进行调整；
二维投影图噪点去除：对所述二维投影图进行形态学处理，去除二维投影图中柱状物以外的噪点，得到去除噪点的第二二维投影图；
柱状物矩形矢量生成：对所述第二二维投影图中点进行霍夫直线检测，得到多条直线的起始点，通过对所述多条直线的起始点使用聚类算法进行聚类得到直线簇，确定所述直线簇的轮廓矩形矢量；
柱状物矩形矢量校正：根据所述第二二维投影图中点与所述直线簇的距离，得到距离所述直线簇最近的点集，利用所述点集和矩形几何性质拟合修正矩形矢量，得到最终的柱状物矩形矢量；
所述二维投影图噪点去除中，对所述二维投影图的形态学处理包括膨胀腐蚀操作和二值化处理；
其中，所述二维投影图的形态学处理过程包括：一次迭代次数为3的膨胀操作和迭代次数为1的腐蚀操作；最优阈值化的图像二值化处理；一次迭代次数为4的膨胀操作和迭代次数为1的腐蚀操作；所述膨胀腐蚀操作的结构元均为5×5的全1矩阵；
所述柱状物矩形矢量生成中，所述多条直线的起始点为霍夫直线检测中累加计数值的阈值参数为80，最小线段长度阈值为200，线段上最近两点之间的阈值为21的点；所述聚类算法为Kmeans聚类，聚类簇数为4；
所述利用点集和矩形几何性质拟合修正矩形矢量包含对应直线的平行和垂直关系，重新拟合修正所述直线，得到最终的柱状物矢量。
2.根据权利要求1中所述的一种三维点云地下车库柱状物提取与矢量自动生成方法，其特征在于，所述三维点云俯视图投影中，三维点云投影方式为俯视图投影；所述地下车库三维点云与所述二维投影图的长宽比例为250:1；投影点的数值为地下车库三维点云俯视图的点云数量；所述二维投影图的像素由所述投影点的最大值和最小值确定。
3.一种三维点云地下车库柱状物提取与矢量自动生成系统，其特征在于，包括：图像转换单元、图像处理单元、图形生成单元、图形处理单元；
所述图像转换单元用于将获取的地下车库三维点云转换为二维投影图，并调整所述二维投影图的像素；
所述图像处理单元用于去除二维投影图的噪点，得到去除噪点的第二二维投影图；
所述图形生成单元用于根据第二二维投影图中的点生成柱状物矩形矢量；
所述图形处理单元用于调整校正柱状物矩形矢量；
所述图像处理单元具体用于：
对所述二维投影图进行一次迭代次数为3的膨胀操作和迭代次数为1的腐蚀操作；最优阈值化的图像二值化处理；一次迭代次数为4的膨胀操作和迭代次数为1的腐蚀操作；
所述图形生成单元具体用于：
对所述去除噪点的第二二维投影图中点进行霍夫直线检测，得到多条直线的起始点；对所述多条直线的起始点使用聚类算法得到四个直线簇，确定所述四个直线簇的轮廓矩形矢量；
所述图形处理单元具体用于：
根据所述去除噪点的二维投影图中点与所述四个直线簇的距离，得到距离所述四个直线簇最近的点集，利用所述点集和矩形几何性质拟合修正矩形矢量，得到最终的柱状物矩形矢量。
4.根据权利要求3中所述的一种三维点云地下车库柱状物提取与矢量自动生成系统，其特征在于，所述图像转换单元具体用于：
将所述地下车库三维点云的俯视图按照所述地下车库三维点云与所述二维投影图的长宽比例为250:1转换二维投影图，并根据投影点的最大值和最小值将所述二维投影图的像素调整至(0，255)之间。
CN202211172410.5A 2022-09-26 2022-09-26 三维点云地下车库柱状物提取与矢量自动生成方法及系统 Active CN115564673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211172410.5A CN115564673B (zh) 2022-09-26 2022-09-26 三维点云地下车库柱状物提取与矢量自动生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211172410.5A CN115564673B (zh) 2022-09-26 2022-09-26 三维点云地下车库柱状物提取与矢量自动生成方法及系统

Publications (2)

Publication Number Publication Date
CN115564673A CN115564673A (zh) 2023-01-03
CN115564673B true CN115564673B (zh) 2024-03-15

Family

ID=84743916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211172410.5A Active CN115564673B (zh) 2022-09-26 2022-09-26 三维点云地下车库柱状物提取与矢量自动生成方法及系统

Country Status (1)

Country Link
CN (1) CN115564673B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116895022B (zh) * 2023-09-11 2023-12-01 广州蓝图地理信息技术有限公司 基于点云数据处理的建筑物边界提取方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413133A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 无序激光点云数据中自动提取电力线方法
CN106067003A (zh) * 2016-05-27 2016-11-02 山东科技大学 一种车载激光扫描点云中道路矢量标识线自动提取方法
CN106204547A (zh) * 2016-06-29 2016-12-07 山东科技大学 从车载激光扫描点云中自动提取杆状地物空间位置的方法
CN109541612A (zh) * 2018-11-09 2019-03-29 同济大学 基于单线激光雷达识别柱状物的机器人室内自定位系统
WO2020048152A1 (zh) * 2018-09-05 2020-03-12 武汉中海庭数据技术有限公司 高精度地图制作中地下车库停车位提取方法及系统
CN114155355A (zh) * 2021-12-07 2022-03-08 亿嘉和科技股份有限公司 基于点云的带电主电线检测方法及装置
CN114219909A (zh) * 2021-11-09 2022-03-22 浙江大华技术股份有限公司 三维重建方法以及相关装置
WO2022165672A1 (zh) * 2021-02-03 2022-08-11 深圳市大疆创新科技有限公司 点云处理方法、装置和计算机可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413133A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 无序激光点云数据中自动提取电力线方法
CN106067003A (zh) * 2016-05-27 2016-11-02 山东科技大学 一种车载激光扫描点云中道路矢量标识线自动提取方法
CN106204547A (zh) * 2016-06-29 2016-12-07 山东科技大学 从车载激光扫描点云中自动提取杆状地物空间位置的方法
WO2020048152A1 (zh) * 2018-09-05 2020-03-12 武汉中海庭数据技术有限公司 高精度地图制作中地下车库停车位提取方法及系统
CN109541612A (zh) * 2018-11-09 2019-03-29 同济大学 基于单线激光雷达识别柱状物的机器人室内自定位系统
WO2022165672A1 (zh) * 2021-02-03 2022-08-11 深圳市大疆创新科技有限公司 点云处理方法、装置和计算机可读存储介质
CN114219909A (zh) * 2021-11-09 2022-03-22 浙江大华技术股份有限公司 三维重建方法以及相关装置
CN114155355A (zh) * 2021-12-07 2022-03-08 亿嘉和科技股份有限公司 基于点云的带电主电线检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Capsule-Based Networks for Road Marking Extraction and Classification From Mobile LiDAR Point Clouds;Ma, Lingfei and Li, Ying and Li, Jonathan and Yu, Yongtao and Junior, José Marcato and Gon alves, Wesley Nunes and Chapman, Michael A;IEEE/Capsule-Based Networks for Road Marking Extraction and Classification From Mobile LiDAR Point Clouds;20200506;第22卷(第4期);1981-1995 *
一种基于数学形态学的点云地物提取方法;黄礼辉;黄子懿;;铁道勘察;20180415(第02期);全文 *
基于线特征的城区激光点云与影像自动配准;何培培;万幼川;杨威;秦家鑫;;光学学报;20150510(第05期);全文 *

Also Published As

Publication number Publication date
CN115564673A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN106960208B (zh) 一种仪表液晶数字自动切分和识别的方法及系统
CN102169581A (zh) 一种基于特征向量的快速高精度鲁棒性匹配方法
CN115564673B (zh) 三维点云地下车库柱状物提取与矢量自动生成方法及系统
CN102096795A (zh) 磨损二维条码图像识别方法
CN109214422B (zh) 基于dcgan的停车数据修补方法、装置、设备及存储介质
CN104463871A (zh) 基于车载LiDAR点云数据的街景面片提取及优化方法
CN102750531B (zh) 用于票据文档定位格的手写体标记符号检测方法
CN103793708A (zh) 一种基于仿射校正的多尺度车牌精准定位方法
CN111753706B (zh) 一种基于图像统计学的复杂表格交点聚类提取方法
CN111754538B (zh) Usb表面缺陷检测的阈值分割方法
CN112465809B (zh) 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置
CN111445511B (zh) 一种图像中圆的检测方法
CN114219773B (zh) 一种桥梁裂缝检测数据集预筛选与标定方法
CN111354083A (zh) 一种基于原始激光点云的递进式建筑物提取方法
CN110909623A (zh) 三维目标检测方法及三维目标检测器
CN106846354A (zh) 一种基于图像分割和随机hough变换的架上图书清点方法
Jia Fabric defect detection based on open source computer vision library OpenCV
CN111310754A (zh) 一种分割车牌字符的方法
CN113393430B (zh) 用于风机叶片缺陷检测的热成像图像增强训练方法和装置
Pan et al. Recovering building information model from 2D drawings for mechanical, electrical and plumbing systems of ageing buildings
CN112561808B (zh) 一种基于车载激光点云和卫星影像的道路边界线复原方法
CN112102189B (zh) 一种线结构光光条中心线提取方法
CN103065296B (zh) 一种基于边缘特征的高分辨率遥感影像居民区提取方法
CN115761613B (zh) 一种基于卷积网络的隧道裂缝自动检测方法
CN116681879A (zh) 一种光学图像边界层转捩位置的智能判读方法

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