CN116664790B - 基于无人机测绘的三维地形分析系统及方法 - Google Patents
基于无人机测绘的三维地形分析系统及方法 Download PDFInfo
- Publication number
- CN116664790B CN116664790B CN202310921040.9A CN202310921040A CN116664790B CN 116664790 B CN116664790 B CN 116664790B CN 202310921040 A CN202310921040 A CN 202310921040A CN 116664790 B CN116664790 B CN 116664790B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- cloud data
- dimensional
- matching
- 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
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 53
- 210000000349 chromosome Anatomy 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 12
- 238000012876 topography Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 101150034814 F gene Proteins 0.000 claims 1
- 238000007405 data analysis Methods 0.000 claims 1
- 238000010224 classification analysis Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C7/00—Tracing profiles
- G01C7/02—Tracing profiles of land surfaces
- G01C7/04—Tracing profiles of land surfaces involving a vehicle which moves along the profile to be traced
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computer Graphics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及数据处理技术领域,尤其为基于无人机测绘的三维地形分析系统及方法,包括:地形测绘模块:用于通过无人机进行地形测绘输出三维点云数据;数据预处理模块:用于对无人机测绘输出的三维点云数据进行预处理;地形处理模块:用于基于预处理输出的三维点云数据进行三维地形处理;地形分析模块:用于对输出的三维地形数据进行分析。本发明基于无人机测绘输出的三维点云数据进行滤波处理,能够较好地剔除其中的噪声数据,提升三维点云数据的质量。通过改进遗传算法优化的SVM分类器对三维点云特征进行处理,可以对三维点云特征进行细化分类分析,同时基于地形匹配的结果,更为准确的输出三维地形的分析结果。
Description
技术领域
本发明涉及数据处理技术领域,尤其是基于无人机测绘的三维地形分析系统及方法。
背景技术
人们看到的反映地球表面形态和面貌的地形图是相当复杂的。不论是地形起伏变化的山区,还是河流湖塘水网密集的水乡平原,图上各种各样的地貌和地物符号都准确地反映了地面的实际情况。人工进行地形勘测是最原始有效的方法,采用人力去进行地形勘测效率极低,耗费大量的人力和物力,时间成本较大,又由于地形差距较大,以及人员勘测的差错问题, 使人工勘测精度不高,效果不理想。
现有技术中对地形数据的勘测主要采用无人机进行巡检,但对于地形复杂的地点勘测效果不理想,勘测准确率得不到保障。故本发明提出基于无人机测绘的三维地形分析系统及方法,通过对无人机勘测输出的三维点云数据进行细化分类分析提升对地形复杂的地点的三维点云数据的勘测能力,提升勘测准确率和勘测效果。
发明内容
本发明的目的是通过提出基于无人机测绘的三维地形分析系统及方法,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供基于无人机测绘的三维地形分析系统,包括:
地形测绘模块:用于通过无人机进行地形测绘输出三维点云数据;
数据预处理模块:用于对无人机测绘输出的三维点云数据进行预处理;
地形处理模块:用于基于预处理输出的三维点云数据进行三维地形处理;
地形分析模块:用于对输出的三维地形数据进行分析。
作为本发明的一种优选技术方案,所述数据预处理模块基于所述地形测绘模块输出的三维点云数据进行滤波处理。
作为本发明的一种优选技术方案,所述滤波处理具体如下:
计算三维点云数据的偏度:
其中,为三维点云数据点的偏度,/>为三维点云数据点的总数量,/>为选取的第/>个三维点云数据点,/>为三维点云数据的标准方差,/>为三维点云数据均值;
当偏度的值不大于0时,则进行三维点云数据的滤波处理。
作为本发明的一种优选技术方案,所述地形处理模块基于特征提取算法提取三维点云数据特征,基于地形匹配算法对三维点云数据特征进行三维地形匹配建模。
作为本发明的一种优选技术方案,所述特征提取算法具体如下:
、/>和/>为三维点云数据中的三个初始点,计算三个初始点的平面法向量/>:
计算三维点云数据中的任意一点到该平面的距离/>:
其中,为法向量/>的转置;
划分阈值提取特征数据,重复上述步骤将三维点云数据数量最多的三维点云数据进行保存获得三维点云特征数据。
作为本发明的一种优选技术方案,所述地形匹配算法具体如下:
其中,为区域匹配概率,/>为匹配区域数量,/>为匹配区域中的特征点数量,/>为正匹配概率,/>为负匹配概率;
其中,为匹配概率,/>、/>为匹配变量,/>为目标匹配区域的匹配网格数量,为三维点云数据中的第/>个匹配网格,/>为匹配地形数据中的第/>个匹配网格,/>为三维点云数据与匹配地形数据中匹配点对的数目;
划分匹配阈值:
其中,为调整系数,/>为每个目标匹配区域中特征点数量,/>为每个目标匹配区域中特征点覆盖的匹配网格数量;当匹配概率大于匹配阈值时,则为正匹配,否则为负匹配。
作为本发明的一种优选技术方案,所述地形分析模块基于优化SVM分类器进行三维点云特征数据的分类,对SVM分类器中的惩罚因子和核函数基于改进遗传算法进行寻优输出。
作为本发明的一种优选技术方案,所述SVM分类器中,选取核函数如下:
其中,、/>为三维点云数据对应的低维特征向量,/>、/>为三维点云数据对应的高维特征向量,/>为核参数。
作为本发明的一种优选技术方案,所述改进遗传算法具体如下:
遗传种群为由条染色体的组合而成,/>条染色体上含有/>个基因序列,由基因序列进行交叉和变异进行迭代,设定误差倒数为适应度函数值,适应度值越大则被选中的概率越大;
条染色体上基因的交叉概率/>为:
其中,表示基因的交叉概率,/>为基因的初始交叉概率,/>为基因的最小交叉概率,/>表示基因的适应度最小值,/>表示基因的适应度平均值;
条染色体上基因的变异概率为:
其中,表示基因的变异概率,/>为基因的初始变异概率,/>为基因的最小变异概率,/>为当前迭代次数,/>为最大迭代次数,/>为基因的适应度最小值,/>为基因的适应度平均值。
提供基于无人机测绘的三维地形分析方法,包括如下步骤:
S1:通过无人机进行地形测绘输出三维点云数据;
S2:对输出的三维点云数据进行滤波处理;
S3:对滤波处理后的三维点云数据进行特征提取和地形匹配;
S4:基于改进遗传算法优化的SVM分类器进行三维点云特征数据的分类,并综合地形匹配结果进行三维地形的分析。
本发明提供的基于无人机测绘的三维地形分析系统及方法,与现有技术相比,其有益效果有:
本发明基于无人机测绘输出的三维点云数据进行滤波处理,能够较好地剔除其中的噪声数据,提升三维点云数据的质量。还进行特征提取和地形匹配处理,通过改进遗传算法优化的SVM分类器对三维点云特征进行处理,可以对三维点云特征进行细化分类分析,同时基于地形匹配的结果,更为准确地输出三维地形的分析结果。
附图说明
图1为本发明优选实施例的系统框图;
图2为本发明优选实施例中方法流程图。
图中各个标记的意义为:100、地形测绘模块;200、数据预处理模块;300、地形处理模块;400、地形分析模块。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,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、完整的描述,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。
参照图1,本发明优选实施例提供了基于无人机测绘的三维地形分析系统,包括:
地形测绘模块100:用于通过无人机进行地形测绘输出三维点云数据;
数据预处理模块200:用于对无人机测绘输出的三维点云数据进行预处理;
地形处理模块300:用于基于预处理输出的三维点云数据进行三维地形处理;
地形分析模块400:用于对输出的三维地形数据进行分析。
数据预处理模块200基于地形测绘模块100输出的三维点云数据进行滤波处理。
滤波处理具体如下:
计算三维点云数据的偏度:
其中,为三维点云数据点的偏度,/>为三维点云数据点的总数量,/>为选取的第/>个三维点云数据点,/>为三维点云数据的标准方差,/>为三维点云数据均值;
当偏度的值不大于0时,则进行三维点云数据的滤波处理。
地形处理模块300基于特征提取算法提取三维点云数据特征,基于地形匹配算法对三维点云数据特征进行三维地形匹配建模。
特征提取算法具体如下:
、/>和/>为三维点云数据中的三个初始点,计算三个初始点的平面法向量/>:
计算三维点云数据中的任意一点到该平面的距离/>:
其中,为法向量/>的转置;
划分阈值提取特征数据,重复上述步骤将三维点云数据数量最多的三维点云数据进行保存获得三维点云特征数据。
地形匹配算法具体如下:
其中,为区域匹配概率,/>为匹配区域数量,/>为匹配区域中的特征点数量,/>为正匹配概率,/>为负匹配概率;
其中,为匹配概率,/>、/>为匹配变量,/>为目标匹配区域的匹配网格数量,为三维点云数据中的第/>个匹配网格,/>为匹配地形数据中的第/>个匹配网格,/>为三维点云数据与匹配地形数据中匹配点对的数目;
划分匹配阈值:
其中,为调整系数,/>为每个目标匹配区域中特征点数量,/>为每个目标匹配区域中特征点覆盖的匹配网格数量;当匹配概率大于匹配阈值时,则为正匹配,否则为负匹配。
地形分析模块400基于优化SVM分类器进行三维点云特征数据的分类,对SVM分类器中的惩罚因子和核函数基于改进遗传算法进行寻优输出。
SVM分类器中,选取核函数如下:
其中,、/>为三维点云数据对应的低维特征向量,/>、/>为三维点云数据对应的高维特征向量,/>为核参数。
改进遗传算法具体如下:
遗传种群为由条染色体的组合而成,/>条染色体上含有/>个基因序列,由基因序列进行交叉和变异进行迭代,设定误差倒数为适应度函数值,适应度值越大则被选中的概率越大;
条染色体上基因的交叉概率/>为:
其中,表示基因的交叉概率,/>为基因的初始交叉概率,/>为基因的最小交叉概率,/>表示基因的适应度最小值,/>表示基因的适应度平均值;
条染色体上基因的变异概率为:
其中,表示基因的变异概率,/>为基因的初始变异概率,/>为基因的最小变异概率,/>为当前迭代次数,/>为最大迭代次数,/>为基因的适应度最小值,/>为基因的适应度平均值。
参照图2,提供基于无人机测绘的三维地形分析方法,包括如下步骤:
S1:通过无人机进行地形测绘输出三维点云数据;
S2:对输出的三维点云数据进行滤波处理;
S3:对滤波处理后的三维点云数据进行特征提取和地形匹配;
S4:基于改进遗传算法优化的SVM分类器进行三维点云特征数据的分类,并综合地形匹配结果进行三维地形的分析。
本实施例中,地形测绘模块100基于无人机测绘输出三维点云数据,数据预处理模块200计算地形测绘模块100采集输出的三维点云数据的偏度:
其中,为三维点云数据点的偏度,三维点云数据点的总数量为1000,/>为选取的第/>个三维点云数据点,/>为三维点云数据的标准方差,/>为三维点云数据均值;当偏度/>的值不大于0时,则说明该点为非地面点,当偏度/>的值大于0时,则说明该点为地面点,以去除非地面点进行三维点云数据的滤波处理。
通过偏度计算输出滤波数据,能够较好地剔除其中的噪声数据,提升三维点云数据的质量。
地形处理模块300对滤波处理后的三维点云数据进行特征提取:
设定算法随机点选取次数。在三维点云数据中随机选取初始点、和/>,根据点法向量计算平面法向量/>:
计算三维点云数据中的任意一点到该平面的距离/>:
其中,为法向量/>的转置;
划分阈值提取特征数据,重复上述步骤将三维点云数据数量最多的三维点云数据进行保存获得三维点云特征数据。
通过随机样本进行三维点云数据的特征提取,具有较好的鲁棒性,能够较大程度地保留三维点云数据的特征。
基于地形匹配算法对三维点云数据特征进行三维地形匹配建模:
其中,为区域匹配概率,/>为匹配区域数量,/>为匹配区域中的特征点数量,/>为正匹配概率,/>为负匹配概率;
分别提取三维点云数据和匹配地形数据的特征,将三维点云数据和匹配地形数据分别划分为30*30个网格,设置匹配变量、/>,用/>遍历三维点云数据中网格,从匹配地形数据中选取与匹配特征数最多的三维点云数据赋予/>,计算匹配概率/>的值:
其中,为匹配概率,/>为目标匹配区域的匹配网格数量,可设置3*3网格大小的目标匹配区域,/>为三维点云数据中的第/>个匹配网格,/>为匹配地形数据中的第/>个匹配网格,/>为三维点云数据与匹配地形数据中匹配点对的数目;
划分匹配阈值:
其中,为调整系数,/>为每个目标匹配区域中特征点数量,/>为每个目标匹配区域中特征点覆盖的匹配网格数量;当匹配概率大于匹配阈值时,则为正匹配,否则为负匹配。
基于地形匹配算法进行三维点云数据与地形的匹配,能够在不显著增加计算量的前提下,进行三维点云数据的地形匹配,同时通过正负匹配的区分,能够提升匹配效果。
地形分析模块400基于SVM分类器进行三维地形的分类分析,由于SVM分类器中的惩罚因子和核参数影响SVM分类器的分类性能,故改进遗传算法进行的SVM分类器进的优化:
设遗传种群为由15条染色体的组合而成,条染色体上含有900个基因序列,由基因序列进行交叉和变异进行迭代,设定误差倒数为适应度函数值,适应度值越大则被选中的概率越大;
条染色体上基因的交叉概率/>为:
其中,表示基因的交叉概率,/>为基因的初始交叉概率,/>为基因的最小交叉概率,/>表示基因的适应度最小值,/>表示基因的适应度平均值;
条染色体上基因的变异概率为:
其中,表示基因的变异概率,/>为基因的初始变异概率,/>为基因的最小变异概率,/>为当前迭代次数,/>为最大迭代次数,/>为基因的适应度最小值,/>为基因的适应度平均值;
基于以上的自适应交叉、变异策略,能够提升算法的全局搜索能力,增强种群的多样性,提升SVM分类器的分类性能。
SVM分类器选取核函数如下:
其中,、/>为三维点云数据对应的低维特征向量,/>、/>为三维点云数据对应的高维特征向量,/>为优化后的核参数。
SVM分类器基于优化后的惩罚因子和核参数进行三维地形的分类,同时基于地形匹配结果进行三维地形的细分类以及综合分析。
通过改进遗传算法优化的SVM分类器对三维点云特征进行处理,可以对三维点云特征进行细化分类分析,同时基于地形匹配的结果,更为准确地输出三维地形的分析结果。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.基于无人机测绘的三维地形分析系统,其特征在于,包括:
地形测绘模块(100):用于通过无人机进行地形测绘输出三维点云数据;
数据预处理模块(200):用于对无人机测绘输出的三维点云数据进行预处理;
地形处理模块(300):用于基于预处理输出的三维点云数据进行三维地形处理;
地形分析模块(400):用于对输出的三维地形数据进行分析;
所述地形处理模块(300)基于特征提取算法提取三维点云数据特征,基于地形匹配算法对三维点云数据特征进行三维地形匹配建模;
所述地形匹配算法具体如下:
其中,P为区域匹配概率,m为匹配区域数量,M为匹配区域中的特征点数量,P1为正匹配概率,P2为负匹配概率;
其中,Puv为匹配概率,u、v为匹配变量,k=1,…,K为目标匹配区域的匹配网格数量,uk为三维点云数据中的第k个匹配网格,vk为匹配地形数据中的第k个匹配网格,为三维点云数据与匹配地形数据中匹配点对的数目;
划分匹配阈值τu:
其中,λ为调整系数,r1为每个目标匹配区域中特征点数量,r2为每个目标匹配区域中特征点覆盖的匹配网格数量;当匹配概率大于匹配阈值时,则为正匹配,否则为负匹配;
所述特征提取算法具体如下:
A1(x1,y1,z1)、A2(x2,y2,z2)和A3(x3,y3,z3)为三维点云数据中的三个初始点,计算三个初始点的平面法向量
其中,为法向量/>的转置;
计算三维点云数据中的任意一点Aj(j=4,5,…)到该平面的距离dj:
划分阈值提取特征数据,重复上述步骤将三维点云数据数量最多的三维点云数据进行保存获得三维点云特征数据;
所述地形分析模块(400)基于优化SVM分类器进行三维点云特征数据的分类,对SVM分类器中的惩罚因子和核函数基于改进遗传算法进行寻优输出;
所述SVM分类器中,选取核函数K(g,h)如下:
其中,g、h为三维点云数据对应的低维特征向量,为三维点云数据对应的高维特征向量,α为核参数;
所述改进遗传算法具体如下:
遗传种群为由M条染色体的组合而成,M条染色体上含有F个基因序列,由基因序列进行交叉和变异进行迭代,设定误差倒数为适应度函数值,适应度值越大则被选中的概率越大;
M条染色体上基因的交叉概率pa为:
其中,pa表示基因的交叉概率,pa0为基因的初始交叉概率,pamin为基因的最小交叉概率,famin表示基因的适应度最小值,表示基因的适应度平均值;
M条染色体上基因的变异概率为:
其中,pb表示基因的变异概率,pb0为基因的初始变异概率,pbmin为基因的最小变异概率,t为当前迭代次数,Q为最大迭代次数,fbmin为基因的适应度最小值,为基因的适应度平均值。
2.根据权利要求1所述的基于无人机测绘的三维地形分析系统,其特征在于:所述数据预处理模块(200)基于所述地形测绘模块(100)输出的三维点云数据进行滤波处理。
3.根据权利要求2所述的基于无人机测绘的三维地形分析系统,其特征在于,所述滤波处理具体如下:
计算三维点云数据的偏度si:
其中,si为三维点云数据点的偏度,N为三维点云数据点的总数量,ai为选取的第i个三维点云数据点,σ为三维点云数据的标准方差,μ为三维点云数据均值;
当偏度si的值不大于0时,则进行三维点云数据的滤波处理。
4.基于无人机测绘的三维地形分析方法,基于权利要求1-3任意一项所述的基于无人机测绘的三维地形分析系统,其特征在于,包括如下步骤:
S1:通过无人机进行地形测绘输出三维点云数据;
S2:对输出的三维点云数据进行滤波处理;
S3:对滤波处理后的三维点云数据进行特征提取和地形匹配;
S4:基于改进遗传算法优化的SVM分类器进行三维点云特征数据的分类,并综合地形匹配结果进行三维地形的分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921040.9A CN116664790B (zh) | 2023-07-26 | 2023-07-26 | 基于无人机测绘的三维地形分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921040.9A CN116664790B (zh) | 2023-07-26 | 2023-07-26 | 基于无人机测绘的三维地形分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664790A CN116664790A (zh) | 2023-08-29 |
CN116664790B true CN116664790B (zh) | 2023-11-17 |
Family
ID=87715590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310921040.9A Active CN116664790B (zh) | 2023-07-26 | 2023-07-26 | 基于无人机测绘的三维地形分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664790B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896021A (zh) * | 2018-08-03 | 2018-11-27 | 南京林业大学 | 基于航空摄影测量点云提取人工林林分结构参数的方法 |
CN109359346A (zh) * | 2018-09-25 | 2019-02-19 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
CN110880202A (zh) * | 2019-12-02 | 2020-03-13 | 中电科特种飞机系统工程有限公司 | 一种三维地形模型创建方法、装置、设备及存储介质 |
CN111784576A (zh) * | 2020-06-11 | 2020-10-16 | 长安大学 | 一种基于改进orb特征算法的图像拼接方法 |
CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位系统 |
CN113363974A (zh) * | 2021-06-16 | 2021-09-07 | 广东电网有限责任公司 | 基于累积电量低频采样的居民负荷构成解析方法及装置 |
CN113989571A (zh) * | 2021-11-03 | 2022-01-28 | 广东电网有限责任公司 | 点云数据的分类方法、装置、电子设备及存储介质 |
CN115049863A (zh) * | 2022-05-30 | 2022-09-13 | 甘肃大禹九洲空间信息科技有限公司 | 一种基于深度学习的点云匹配滤波方法 |
CN115049700A (zh) * | 2021-03-09 | 2022-09-13 | 华为技术有限公司 | 一种目标检测方法及装置 |
CN115620021A (zh) * | 2022-09-07 | 2023-01-17 | 浙江省测绘科学技术研究院 | 一种基于三维激光点云的地下建筑物特征提取方法 |
CN115937276A (zh) * | 2022-11-18 | 2023-04-07 | 西安工业大学 | 基于局部重叠区域的无显著特征图像配准方法 |
CN115980785A (zh) * | 2022-11-14 | 2023-04-18 | 中国航空工业集团公司洛阳电光设备研究所 | 一种用于直升机辅助导航的点云数据处理方法 |
-
2023
- 2023-07-26 CN CN202310921040.9A patent/CN116664790B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896021A (zh) * | 2018-08-03 | 2018-11-27 | 南京林业大学 | 基于航空摄影测量点云提取人工林林分结构参数的方法 |
CN109359346A (zh) * | 2018-09-25 | 2019-02-19 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
CN110880202A (zh) * | 2019-12-02 | 2020-03-13 | 中电科特种飞机系统工程有限公司 | 一种三维地形模型创建方法、装置、设备及存储介质 |
CN111784576A (zh) * | 2020-06-11 | 2020-10-16 | 长安大学 | 一种基于改进orb特征算法的图像拼接方法 |
CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位系统 |
CN115049700A (zh) * | 2021-03-09 | 2022-09-13 | 华为技术有限公司 | 一种目标检测方法及装置 |
CN113363974A (zh) * | 2021-06-16 | 2021-09-07 | 广东电网有限责任公司 | 基于累积电量低频采样的居民负荷构成解析方法及装置 |
CN113989571A (zh) * | 2021-11-03 | 2022-01-28 | 广东电网有限责任公司 | 点云数据的分类方法、装置、电子设备及存储介质 |
CN115049863A (zh) * | 2022-05-30 | 2022-09-13 | 甘肃大禹九洲空间信息科技有限公司 | 一种基于深度学习的点云匹配滤波方法 |
CN115620021A (zh) * | 2022-09-07 | 2023-01-17 | 浙江省测绘科学技术研究院 | 一种基于三维激光点云的地下建筑物特征提取方法 |
CN115980785A (zh) * | 2022-11-14 | 2023-04-18 | 中国航空工业集团公司洛阳电光设备研究所 | 一种用于直升机辅助导航的点云数据处理方法 |
CN115937276A (zh) * | 2022-11-18 | 2023-04-07 | 西安工业大学 | 基于局部重叠区域的无显著特征图像配准方法 |
Non-Patent Citations (2)
Title |
---|
一种基于偏度平衡的LiDAR点云滤波方法;王力军 等;《海洋测绘》;第33卷(第5期);42-45 * |
基于概率运动统计特征匹配的单目视觉SLAM;曾维林 等;《计算机工程》;第45卷(第12期);222-231、236 * |
Also Published As
Publication number | Publication date |
---|---|
CN116664790A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
CN102800093B (zh) | 基于分解的多目标遥感图像分割方法 | |
CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN111259936B (zh) | 一种基于单一像素标注的图像语义分割方法及系统 | |
CN106096627A (zh) | 顾及特征优化的极化sar图像半监督分类方法 | |
CN112052754A (zh) | 基于自监督表征学习的极化sar影像地物分类方法 | |
CN106056591A (zh) | 一种融合光谱图像和激光雷达数据进行城市密度估计方法 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
CN105447274A (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
CN116699096A (zh) | 一种基于深度学习的水质检测方法和系统 | |
CN113838064A (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
CN107832753B (zh) | 一种基于四值权重与多重分类的人脸特征提取方法 | |
CN110348478B (zh) | 一种基于形状分类与组合的室外点云场景中树木提取方法 | |
CN112257496A (zh) | 一种基于深度学习的输电通道周围环境分类方法及系统 | |
CN109657598A (zh) | 基于分层策略的滨海湿地遥感分类方法 | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
CN114841402A (zh) | 一种基于多特征图网络的地下水位高度预测方法及系统 | |
CN116664790B (zh) | 基于无人机测绘的三维地形分析系统及方法 | |
CN113724400A (zh) | 一种面向倾斜摄影的多属性融合建筑物点云提取方法 | |
CN107644230A (zh) | 一种遥感图像对象的空间关系建模方法 | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 |
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 |