CN115620021A - 一种基于三维激光点云的地下建筑物特征提取方法 - Google Patents
一种基于三维激光点云的地下建筑物特征提取方法 Download PDFInfo
- Publication number
- CN115620021A CN115620021A CN202211090803.1A CN202211090803A CN115620021A CN 115620021 A CN115620021 A CN 115620021A CN 202211090803 A CN202211090803 A CN 202211090803A CN 115620021 A CN115620021 A CN 115620021A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional laser
- laser point
- building
- data
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 230000001976 improved effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于三维激光点云的地下建筑物特征提取方法，属于三维激光点云处理领域，本发明首先采用地面三维激光扫描系统采集地下空间点云数据，并对三维激光点云数据进行预处理，然后通过构建KD‑Tree实现散乱三维激光点云的高效管理；之后采用基于体素栅格的三维激光点云数据抽稀方法，在保留点云基本特征的前提下减少三维激光点云数据冗余，以提升三维激光点云数据处理效率；同时对扫描过程中由遮挡造成空洞的建筑物点云进行自适应空洞修补；最后通过基于局部拟合法向量的三维激光点云地下建筑物特征提取方法，提取出完整的地下建筑物三维激光特征点云，实现对地下建筑物特征点云的高效、精确提取，有利于推进地下市政基础设施普查工作。
Description
技术领域
本发明涉及三维激光点云处理领域，尤其涉及一种基于三维激光点云的地下建筑物特征提取方法。
背景技术
地下建筑物，是指在自然形成的溶洞内或由人工挖掘后进行建造的建筑物，其主要包括地下通道、地下停车场、人防工程以及废弃地下工程等，随着我国城市化进程的快速推进，城市空间发展与土地资源供应的存在显著矛盾，面临着发展空间紧缺的严重制约，这致使地下建筑物开发利用已成为拓展城市空间的新手段。
目前，现有的建筑物测绘主要通过三维激光扫描技术获取建筑物的点云，并基于间接提取法和直接提取法两类三维激光点云特征提取方法进行点云特征提取；虽然国内外已出现了一些针对三维激光点云特征提取方法的研究，但现有的三维激光点云特征提取方法在点云特征提取过程中对点云要求较高，需要保障数据具备较高的点云密度和数据的完整性，数据处理过程中需要消耗较大的系统资源，且受地下建筑物采集条件的限制，例如，光照不足、遮挡严重、采集空间狭小等因素，导致难以对地下建筑物进行高效、精确的点云特征提取，进而难以基于地下建筑物点云特征提取以推进地下市政基础设施普查工作，以及加强城市地下市政基础设施的建设与管理。
因此，亟需新的一种基于三维激光点云的地下建筑物特征提取方法以解决上述问题。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于三维激光点云的地下建筑物特征提取方法。
为了实现上述目的，本发明采用了如下技术方案，
一种基于三维激光点云的地下建筑物特征提取方法，包括如下步骤：
步骤1，基于一体化采集设备—徕卡RTC360采集目标地下建筑物的点云，同时对其进行数据预处理，以获取原始三维激光点云，并基于Kd-Tree对所述原始三维激光点云进行数据组织，得到建筑物点云数据；
步骤2，提取所述建筑物点云数据，根据其构建基于三维空间的体素栅格，并进行点云抽稀，以获取稀疏点云；
步骤3，用移动最小二乘局部投影拟合方法构建MLS数字拟合曲面，并基于其将所述原始三维激光点云中的空洞点云通过周边已有点云进行拟合衍生出新的点云，即通过数据模拟方法拟合出空洞点云进行修补；
步骤4，通过数据融合以获取待特征提取的三维激光点云，并对其进行空间法向量估算，以提取出地下建筑物的特征点云。
进一步地，所述方法还包括对所述建筑物点云数据进行修补判断,其包括：
获取所述建筑物点云数据，判断所述建筑物点云数据是否存在空洞原始三维激光点云；
若存在，则跳到所述步骤3，对其进行空洞修补；
若不存在，则跳到所述步骤4，将其与所述稀疏点云进行融合，以形成待特征提取的三维激光点云，并提取特征点。
进一步地，所述步骤3通过K邻近查询方法获取空洞点云，并基于局部点云投影方法准确计算出曲面上的投影点云，并将其与所述原始三维激光点云进行融合，以实现对空洞点云的修复。
进一步地，所述步骤4的具体过程如下：
步骤41，数据融合获取待特征提取的三维激光点云，并对其每个点的局部邻域值进行平面拟合，并依据最小二乘原理解算出该局部拟合平面P；所述局部拟合平面P的具体方程为：
式中：n为局部拟合平面P的法向量，d为p到坐标点的距离；p为每个点，k为每个点的近邻，argmin表示函数取得最小值时，自变量的取值；
步骤42，以局部拟合平面P的法向量对所述待特征提取的三维激光点云的特征点进行判断，并保留阈值范围内点云，即得到建筑物的特征点云。
相比于现有技术，本发明的有益效果在于，
本申请提出的一种基于三维激光点云的地下建筑物特征提取方法，其首先采用高精度的地面三维激光扫描系统采集的地下空间点云数据，对三维激光点云数据进行预处理，然后通过构建KD-Tree实现散乱三维激光点云的有效组织和高效管理；之后采用基于体素栅格的三维激光点云数据抽稀方法，保留点云基本特征的前提下减少三维激光点云数据冗余，以提升三维激光点云数据处理效率；同时对扫描过程中由遮挡造成空洞的建筑物点云进行自适应空洞修补；最后通过基于局部拟合法向量的三维激光点云地下建筑物特征提取方法，提取出完整的地下建筑物三维激光特征点云，实现了对地下建筑物特征点云的高效、精确提取，进而有利于推进地下市政基础设施普查工作，以及加强城市地下市政基础设施的建设与管理，具有一定的经济和社会效益。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种基于三维激光点云的地下建筑物特征提取方法的整体流程图。
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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在一个实施例中，参照图1，提供了一种基于三维激光点云的地下建筑物特征提取方法，包括如下步骤：
步骤1，基于一体化采集设备—徕卡RTC360采集目标地下建筑物的点云，同时对其进行数据预处理，以获取原始三维激光点云，并基于Kd-Tree对所述原始三维激光点云进行数据组织，得到建筑物点云数据；
具体的，所述数据预处理包括点云数据配准、噪声去除、拼接以及数据分块等主要流程；
在进行大场景扫描时，受被测区域环境与三维激光扫描仪测距范围及视角的限制，需要设置多个测站才能得到扫描区域的完整点云数据。每个测站都是独立的三维激光扫描仪坐标系，即以扫描仪中心所处的空间位置(即激光束发射处)为坐标原点的位置；Z轴位于仪器的竖向扫描面内，向上为正；X轴位于仪器的横向扫描面内；Y轴位于仪器的横向扫描面内且与X轴垂直。云数据配准就是把各测站形成的独立坐标系转换统一到同一坐标系中，从而把多个视角的点云数据拼接成完整的三维物体；
点云配准主要有基于ICP(Iterative Closest Point Algorithm，ICP)的配准和基于特征的配准两种方法；其中基于ICP的配准方法相较于基于特征的配准精确度要高；配准过程主要包括初始配准和精确配准两个步骤；初始配准的目的是缩小点云间的旋转和平移错位，使得精确配准不致趋向错误的方向，也可以降低精确配准的迭代次数，减少精确配准的时间；
初始配准包括公共点初始配准、手动旋转移动初始配准、基于法向量和像素格的重复相似匹配的自动初始配准3种方法，本项目点云配准拟使用自动初始配准为主、手动旋转移动为辅的初始配准方法。
具体的，所述Kd-Tree实质上是一种二叉搜索树的变种，通过分割的方式快速构建将指定维度的值分配到根节点上，其中左子树存储较小值，右子树存储较大值；并不断地迭代上述分割方式，直到分割到最后的一棵树有且只有单个构成元素为止；分割的那条线叫做分割超平面(splitting hyperplane)，从一维到三维空间分别是点、线、面；虽然Kd-Tree在存储海量数据中存在剖分深度大、效率低的问题，但是Kd-Tree可以快速的搜索和定位待查询点云的k邻近点，尤其是对于散乱点云的局部特征分析十分有利，因此，本文以Kd-Tree作为研究对象的组织方式，有利于实现点云的范围搜索和邻近搜索。
点云数据具有数据量大，冗余数据多的特点，在数据传输和数据存储上消耗资源，大大降低了生产效率，对数据进行抽稀，去除一些多余且不敏感信息可达到点云压缩的目的，降低三维激光点云的数据量，提升数据处理速度，为此我们设计了基于体素栅格的三维激光点云数据抽稀方法；
步骤2，提取所述建筑物点云数据，根据其构建基于三维空间的体素栅格，并进行点云抽稀，以获取稀疏点云；
具体的，所述步骤2，即基于空间半径的三维激光点云数据抽稀的具体过程如下：
计算原始三维激光点云的最大外包矩形，确定三维空间网格空间大小；
第一步对散乱点云建立基于三维空间的体素栅格存贮空间；第二步设置抽稀密度确定抽稀阈值；第三步随机选取体素栅格内临近重心位置的原始三维激光点云为种子点；第四步根据抽稀密度查询种子点距离范围内的点云，若存在，剔除密度内原始三维激光点云，并标记种子点；若不存在，则直接保留种子点；重复循环以上步骤第二步至第四步的过程，直至所有种子点三维空间半径大于设置阈值；剔除标记点，即剩余点为抽稀结果点，得到稀疏点云；保存稀疏点云。
在一个实施例中，所述方法还包括对所述建筑物点云数据进行修补判断,其包括：
获取所述建筑物点云数据，判断所述建筑物点云数据是否存在空洞原始三维激光点云；
若存在，则跳到所述步骤3，对其进行空洞修补；
若不存在，则跳到所述步骤4，将其与所述稀疏点云进行融合，以形成待特征提取的三维激光点云，并提取特征点。
三维激光点云空洞是一直困扰数据采集者的主要问题,基于散乱三维激光点云如何获取已缺失部分点云是亟需解决关键问题之一，本文用移动最小二乘(MLS)局部投影拟合方法，通过周边已有点云进行拟合衍生出新的点云，即通过数据模拟方法拟合出空洞点云进行修补；
步骤3，用移动最小二乘局部投影拟合方法构建MLS数字拟合曲面，并基于其将所述原始三维激光点云中的空洞点云通过周边已有点云进行拟合衍生出新的点云，即通过数据模拟方法拟合出空洞点云进行修补；
具体的，所述步骤3通过K邻近查询方法获取空洞点云，并基于局部点云投影方法准确计算出曲面上的投影点云，并将其与所述原始三维激光点云进行融合，以实现对空洞点云的修复。
步骤4，通过数据融合以获取待特征提取的三维激光点云，并对其进行空间法向量估算，以提取出地下建筑物的特征点云；
具体的，所述步骤4的具体过程如下：
步骤41，数据融合获取待特征提取的三维激光点云，并对其每个点的局部邻域值进行平面拟合，并依据最小二乘原理解算出该局部拟合平面P；所述局部拟合平面P的具体方程为：
式中：n为局部拟合平面P的法向量，d为p到坐标点的距离；p为每个点，k为每个点的近邻，argmin表示函数取得最小值时，自变量的取值；
通过计算可以证明，k近邻的质心平面
于P平面内，并且法向量n满足‖n‖2＝1，即n表示单位法向量,因此问题可以转化为对协方差矩阵C进行求解，C是对称的半正定矩阵，其中C的最小特征值对应的特征向量即为法向量，且其协方差公式为：
步骤42，以局部拟合平面P的法向量对所述待特征提取的三维激光点云的特征点进行判断，并保留阈值范围内点云，即得到建筑物的特征点云。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于三维激光点云的地下建筑物特征提取方法，其特征在于，包括如下步骤：
步骤1，基于一体化采集设备—徕卡RTC360采集目标地下建筑物的点云，同时对其进行数据预处理，以获取原始三维激光点云，并基于Kd-Tree对所述原始三维激光点云进行数据组织，得到建筑物点云数据；
步骤2，提取所述建筑物点云数据，根据其构建基于三维空间的体素栅格，并进行点云抽稀，以获取稀疏点云；
步骤3，用移动最小二乘局部投影拟合方法构建MLS数字拟合曲面，并基于其将所述原始三维激光点云中的空洞点云通过周边已有点云进行拟合衍生出新的点云，即通过数据模拟方法拟合出空洞点云进行修补；
步骤4，通过数据融合以获取待特征提取的三维激光点云，并对其进行空间法向量估算，以提取出地下建筑物的特征点云。
2.根据权利要求1所述的一种基于三维激光点云的地下建筑物特征提取方法，其特征在于，所述方法还包括对所述建筑物点云数据进行修补判断,其包括：
获取所述建筑物点云数据，判断所述建筑物点云数据是否存在空洞原始三维激光点云；
若存在，则跳到所述步骤3，对其进行空洞修补；
若不存在，则跳到所述步骤4，将其与所述稀疏点云进行融合，以形成待特征提取的三维激光点云，并提取特征点。
3.根据权利要求1所述的一种基于三维激光点云的地下建筑物特征提取方法，其特征在于，所述步骤3通过K邻近查询方法获取空洞点云，并基于局部点云投影方法准确计算出曲面上的投影点云，并将其与所述原始三维激光点云进行融合，以实现对空洞点云的修复。
4.根据权利要求1所述的一种基于三维激光点云的地下建筑物特征提取方法，其特征在于，所述步骤4的具体过程如下：
步骤41，数据融合获取待特征提取的三维激光点云，并对其每个点的局部邻域值进行平面拟合，并依据最小二乘原理解算出该局部拟合平面P；所述局部拟合平面P的具体方程为：
式中：n为局部拟合平面P的法向量，d为p到坐标点的距离；p为每个点，k为每个点的近邻，argmin表示函数取得最小值时，自变量的取值；
步骤42，以局部拟合平面P的法向量对所述待特征提取的三维激光点云的特征点进行判断，并保留阈值范围内点云，即得到建筑物的特征点云。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211090803.1A CN115620021A (zh) | 2022-09-07 | 2022-09-07 | 一种基于三维激光点云的地下建筑物特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211090803.1A CN115620021A (zh) | 2022-09-07 | 2022-09-07 | 一种基于三维激光点云的地下建筑物特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115620021A true CN115620021A (zh) | 2023-01-17 |
Family
ID=84881096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211090803.1A Pending CN115620021A (zh) | 2022-09-07 | 2022-09-07 | 一种基于三维激光点云的地下建筑物特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115620021A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116664790A (zh) * | 2023-07-26 | 2023-08-29 | 昆明人为峰科技有限公司 | 基于无人机测绘的三维地形分析系统及方法 |
-
2022
- 2022-09-07 CN CN202211090803.1A patent/CN115620021A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116664790A (zh) * | 2023-07-26 | 2023-08-29 | 昆明人为峰科技有限公司 | 基于无人机测绘的三维地形分析系统及方法 |
| CN116664790B (zh) * | 2023-07-26 | 2023-11-17 | 昆明人为峰科技有限公司 | 基于无人机测绘的三维地形分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xia et al. | Geometric primitives in LiDAR point clouds: A review | |
| CN111915730B (zh) | 一种顾及语义从点云自动生成室内三维模型的方法及系统 | |
| Yang et al. | An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds | |
| CN106127153B (zh) | 车载激光扫描点云数据的交通标牌识别方法 | |
| WO2021232463A1 (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
| CN107025685B (zh) | 拓扑感知下的机载建筑屋顶点云建模方法 | |
| CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
| Vosselman et al. | Recognising structure in laser scanner point clouds | |
| CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
| CN110717983A (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
| CN110794413B (zh) | 线性体素分割的激光雷达点云数据电力线检测方法和系统 | |
| CN109241978A (zh) | 地基三维激光点云中平面片的快速提取方法 | |
| Aljumaily et al. | Big-data approach for three-dimensional building extraction from aerial laser scanning | |
| CN115620021A (zh) | 一种基于三维激光点云的地下建筑物特征提取方法 | |
| CN117115012A (zh) | 一种道路路面点云标线分割去噪方法 | |
| CN107993242B (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
| CN112967384A (zh) | 识别建筑测绘构件的点云智能化切分方法 | |
| CN116071530B (zh) | 一种基于机载激光点云的建筑物屋顶体素化分割方法 | |
| Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
| Gong et al. | Roof-cut guided localization for building change detection from imagery and footprint map | |
| Mi et al. | Automatic road structure detection and vectorization Using Mls point clouds | |
| Rufei et al. | Research on a pavement pothole extraction method based on vehicle-borne continuous laser scanning point cloud | |
| CN114782357A (zh) | 一种用于变电站场景的自适应分割系统及方法 | |
| CN114972743A (zh) | 一种基于半径扩展的层次级单棵树木提取方法 | |
| Fengliang et al. | Updating Road Information in Open‐Pit Mines Using Truck Trajectories |
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 |