CN117409024A - 用于稀疏点云的高鲁棒性高压电力线分割方法及其应用 - Google Patents
用于稀疏点云的高鲁棒性高压电力线分割方法及其应用 Download PDFInfo
- Publication number
- CN117409024A CN117409024A CN202311720500.8A CN202311720500A CN117409024A CN 117409024 A CN117409024 A CN 117409024A CN 202311720500 A CN202311720500 A CN 202311720500A CN 117409024 A CN117409024 A CN 117409024A
- Authority
- CN
- China
- Prior art keywords
- power line
- point
- point cloud
- points
- clusters
- 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 60
- 230000011218 segmentation Effects 0.000 title claims abstract description 53
- 238000001914 filtration Methods 0.000 claims abstract description 47
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- UDHXJZHVNHGCEC-UHFFFAOYSA-N Chlorophacinone Chemical compound C1=CC(Cl)=CC=C1C(C=1C=CC=CC=1)C(=O)C1C(=O)C2=CC=CC=C2C1=O UDHXJZHVNHGCEC-UHFFFAOYSA-N 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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)
- Image Processing (AREA)
Abstract
本发明公开了激光雷达技术领域中一种用于稀疏点云的高鲁棒性高压电力线分割方法及其应用,包括以下步骤:步骤a.获取原始点云帧,对原始点云帧进行预处理,所述预处理包括体素滤波减少噪声、直通滤波限定查找范围;步骤b.对经过步骤a预处理后的点云帧进行点云栅格化处理,并对点云帧中的电力线粗分;步骤c.针对步骤b操作后的电力线粗分结果,采用密度筛选和随机抽样一致性直线拟合实现点云三维空间中的电力线点精确提取。本发明公开的一种用于稀疏点云的高鲁棒性高压电力线分割方法,能分割单波长激光雷达产生的稀疏点云。
Description
技术领域
本发明涉及激光雷达技术领域,具体涉及一种用于稀疏点云的高鲁棒性高压电力线分割方法、装置、设备、存储介质。
背景技术
激光雷达技术生成的点云数据具有坐标精度高和包含三维空间信息等优点,基于点云数据的软件处理技术也在近些年得到快速发展。其中基于激光雷达的点云高压电力线分割提取技术是输电线路运检、电力线路规划、管理与维护等多个领域的核心技术之一。
然而,目前对于电力线自动分割提取的算法还处于早期,能够处理单波长激光雷达生成的稀疏点云的算法则更加稀缺。其中大部分算法的核心是利用空间域分割和高程信息的分割算法进行电力线粗分,之后利用霍夫变换识别电力线的2D投影或使用PCA算法、RANSAC算法完成电力线精确分割。此类算法依赖于过滤地面点的结果,在山区等复杂地形表现较差,也会受到地面高程误差的影响。另外,霍夫变换计算效率较低,PCA算法对噪声敏感,RANSAC算法本身具有不确定性且在点数少的情况准确率不高,在进行线性判断时存在限制。此外,分割流程中需要根据实际场景设定众多阈值来保证结果准确性,频繁需要人工干预的问题。
可见,基于激光雷达点云数据,继续研发一种高效、准确和鲁棒的高压电力线分割技术将为日益增长的点云高压电力线分割需求提供支持。
发明内容
本发明克服了现有技术的不足,提供了一种用于稀疏点云的高鲁棒性高压电力线分割方法及其应用,能分割单波长激光雷达产生的稀疏点云。
为达到上述目的,本发明采用的技术方案为:一种用于稀疏点云的高鲁棒性高压电力线分割方法,包括以下步骤:
步骤a.获取原始点云帧,对原始点云帧进行预处理,所述预处理包括体素滤波减少噪声、直通滤波限定查找范围;
步骤b.对经过步骤a预处理后的点云帧进行点云栅格化处理,并对点云帧中的电力线粗分;
步骤c.获取步骤b中进行电力线粗分操作后的电力线粗分结果,采用密度筛选和随机抽样一致性直线拟合实现点云三维空间中的电力线点精确提取。
本发明一个优选的实施方案中,体素滤波减少噪声包括以下方法:步骤a-11,基于原始点云数据,使用体素滤波去除噪声点;
所述直通滤波限定查找范围包括以下步骤:
步骤a-21,采用直通滤波限制分割区域,去除激光雷达近端噪声以及远端离散点;
步骤a-22,旋转矫正点云帧,包括:检测点云帧中的点云地面是否与三维坐标系XOY平面平行,点云地面与三维坐标系XOY平面存在夹角,则计算夹角的角度并旋转矫正点云帧。
具体的,体素滤波基于三维图像中体素的概念,将指定半径的球体中的所有点视为一个体素,然后对球体中的点坐标进行均值操作,得到一个新点代替球体中的所有点。通过对原点云中点的迭代,即可得到平滑的点云。体素滤波可以在不改变点云形状的结构的情况下完成降噪。
具体的,限制区域可根据激光雷达的成像质量进行描述,用于降低图像采集设备对分割算法性能和效率的影响。直通滤波是一种基于规则的滤波方式,在使用前需要根据使用目的设定一个或多个阈值,直通滤波将基于阈值对点云中的每个点进行迭代,去除不符合规则的点。在当前步骤中,将直通滤波的阈值设置为y轴坐标大于50且小于600,通过直通滤波将点云近处50米内的噪声和600米外的离散点去除。
具体的,对于有联合导航系统的数据,也可根据导航数据完成旋转。
本发明一个优选的实施方案中,所述步骤b的具体步骤为:
步骤b-1、基于预处理后的点云数据,根据数据质量的质量参数以及描述场景的环境参数,将点云数据进行栅格化处理。
步骤b-2、获取栅格化处理后的点云数据,并记录栅格化处理后的点云数据中的栅格坐标。
步骤b-3、将预处理后的点云数据根据设定的栅格范围进行栅格化数据处理,栅格化数据处理包括将点云高程分区,并计算高程直方图获得栅格化数据。
步骤b-4、基于栅格化数据获取空值间隔,包括:根据设定的参数要求进行栅格拼接操作;获取栅格拼接,并迭代检测栅格,统计高程拼接栅格个数,获取每个栅格对应的高程拼接栅格个数作为空值间隔;
步骤b-5、基于拼接栅格获取空值间隔,基于指定的电力线高度阈值,判别空中点是否为电力线粗分结果;基于电力线粗分结果粗分出电力线点云。
具体的,环境参数中包括高压电力塔的间隔标准。栅格化处理包括根据环境参数设定栅格范围。
本发明一个优选的实施方案中,所述步骤c的具体步骤为:
步骤c-1,基于电力线粗分结果,将点云的高程置0;
步骤c-2,获取点云的高程置0后的结果,基于点云的高程置0后的结果使用基于密度的聚类算法将点云聚类为多个点云簇;
步骤c-3,分析聚类得到的点云簇,计算每个点云簇的点云密度,基于稀疏点云的特点:电力线簇的点云密度较小;通过密度阈值排除密度过大的点云簇,定义一个栅格内的点数小于设定个数则认为是候选的电力线簇;
步骤c-4,使用随机样本一致算法拟合电力线簇的最长直线;
步骤c-5,在电力线点云中,检查对应簇中是否有其它点到拟合电力线簇的最长直线的距离超出指定阈值,没有其它点则视为电力线簇,有其它点视为二次筛查电力线簇;
步骤c-6,对于二次筛查电力线簇,首先在含有高程值的点云中找到对应簇,在簇中去除距离拟合直线在阈值内的点;
步骤c-7,对于处理后的簇,利用空间分区数据结构计算距离拟合电力线簇的最长直线的预设长度2米范围内的三维空间点,如果符合距离的点数与去除点集的点数的数量差在1/4以内,则将这些符合距离的点与去除点集均视为电力线点;
步骤c-8,在步骤c-7中找到符合要求的电力线点,则将新的电力线点去除后再次进行步骤c-7步骤,若没有符合要求的点,则整个簇视为非电力线簇;
步骤c-9,对于步骤c-2得到的每个簇进行步骤c-3至步骤c-8的操作,筛选得到精确点云电力线簇;
步骤c-10,基于精确点云电力线簇的结果,恢复对应点的高程值,得到精确高压电力线分割结果。
本发明一个优选的实施方案中,基于密度的聚类算法的过程包括以下内容:
步骤c-2-1,令点云簇中的点集为,随机样本一致算法拟合直线需要邻域参数/>,其中/>为邻域的距离度量值,/>为最少的密度可达点数量;距离度量采用欧氏距离,欧式距离公式如下:
;其中,d为距离,(x1,y1,z1)和(x2,y2,z2)为点集D中任意两个点的坐标,x1,y1,z1和x2,y2,z2分别为两个点的x坐标、y坐标、高程值;
步骤c-2-2,初始化核心对象集合Ω,Ω=φ,φ表示空集;初始化类别k,k=0;
步骤c-2-3,遍历点集D的元素,为核心点,则加入核心对象集合Ω;
步骤c-2-4,核心对象集合Ω中的点都已经被访问,则算法结束,否则转入步骤c-2-5,在核心对象集合Ω中,随机选择未访问的核心点o,并将核心点o标记为已访问,并赋予类别k;标记后将核心点o的邻域中的未访问点存放在集合Seeds中,ε-邻域为步骤c-2-1中的以ε为距离度量值的邻域;
步骤c-2-6,判断集合Seeds是否为空,集合Seeds为空则类别k簇生成完成,令k’=k+1后跳转到步骤c-2-4,k’是更新后的k;集合Seeds不为空时,从集合Seeds中随机挑选一个点,标记为已访问,并赋予类别为k,判断该点是否为核心点,判断是核心点则将该点的邻域中的未访问点存放在集合Seeds中,之后重复步骤c-2-6;判断不是核心点是边界点,则直接重复步骤c-2-6。
本发明一个优选的实施方案中,步骤c-3中的密度阈值是基于电力线长度L、体素滤波半径r和单个点云簇中包含的电力线条数n,公式如下:;其中,smooth为误差系数,用于减少误判。
本发明一个优选的实施方案中,步骤c-4中,使用随机样本一致算法拟合簇的最长直线包括以下步骤:
步骤c-4-1,随机样本一致算法拟合直线时设定三个参数,分别是邻域距离度量值ε,直线上最大点数MaxPoints和最大迭代次数n;
步骤c-4-2,在包含噪声点的数据中给定的点集中随机选择两个点,计算由这两个点确定的直线;
步骤c-4-3,根据包含噪声点的数据中给定的点集中的其它点到直线的距离是否小于门限中邻域距离度量值ε,并将点集分为内点和外点;内点数大于MaxPoints则停止循环,内点数小于最大点数MaxPoints且在最大迭代次数以内则重复c-4-1至c-4-2,达到最大迭代次数,则包含内点数最多的直线为拟合的最长直线。
具体的,空间分区数据结构是KDTRee为树形结构,应用于多维空间的关键数据的范围搜索和最近邻搜索;KDTree按照所述点集中每个点的空间位置分割多维数据构建二叉树结构,能够提供快速的查找近邻算法。
具体的,二次筛查簇相关步骤可以处理多条高压电力线在XOY平面内的投影直线距离相近但大于设定阈值的情况,利用了同一栅格中多条电力线曲线平行且点数接近的性质。此类情况的多条高压线来自相同的电力塔,两条接近的高程距离在2米左右。
本发明一个优选的实施方案中,一种稀疏点云的高鲁棒性高压电力线分割方法的分割装置,包括:
点云帧预处理模块,用于:获取原始点云帧,对原始点云帧进行预处理获取预处理后的点云帧数据,所述预处理包括体素滤波减少噪声、直通滤波限定查找范围;
电力线粗分模块,用于:根据所述预处理后的点云帧数据,进行点云栅格化处理,并对点云帧中的电力线粗分得到电力线粗分结果;
电力线点精确提取模块,用于:根据所述电力线粗分结果,采用密度筛选和随机抽样一致性直线拟合实现点云三维空间中的电力线点精确提取。
本发明一个优选的实施方案中,一种用于稀疏点云的高鲁棒性高压电力线分割设备,包括:
存储器;
处理器;
以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现稀疏点云的高鲁棒性高压电力线分割方法。
本发明一个优选的实施方案中,一种存储介质,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稀疏点云的高鲁棒性高压电力线分割方法。
本发明解决了技术背景中存在的缺陷,本发明有益的技术效果是:
本发明的一种稀疏点云的高鲁棒性高压电力线分割方法,可以分割单波长激光雷达产生的稀疏点云。
1.本发明使用高程直方图寻找地面点,并视具有高程的栅格为地面,避免成像的高程误差、真实地面的起伏、多波长校准误差等因素对算法产生影响,本发明的高压电力线分割方法具有高鲁棒性。
2.本发明利用随机样本一致算法和点到直线距离对粗分的点云簇进行筛选,而非简单的使用直线拟合算法对线性栅格进行判别,对直线拟合算法准确性的依赖度较低,同时对于点云稀疏和噪声较多的情况有更好的鲁棒性。
3.本发明中需要人为调整的超参数数量少,其中直通滤波仅需要根据图像采集设备的成像距离进行一次性设定,栅格大小和电力线高度阈值能参考高压输电线的标准设定,特殊场景时仅需参考电力线实际高度即可。算法降低了对人工调参经验的依赖。
4.本发明可以准确定位电力线点云,分割结果中可排除树冠点云和电力塔点云。对于稀疏和不连续的电力线点云,方法仍能有效分割。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明优选实施例的系统流程图;
图2是本发明优选实施例的高程直方图;
图3是本发明优选实施例利用栅格高程信息进行电力线候选点粗提取的分类图;
图4是本发明优选实施例的DBSCAN聚类算法的聚类示意图;
图5是本发明优选实施例的电力线栅格与拟合直线的状态示意图;
图6是本发明优选实施例的非电力线栅格与拟合直线的状态示意图;
图7是本发明多条高压电力线在XOY平面内的投影直线示意图像;
图8是本发明实际采集的电力线稀疏激光雷达点云图俯侧视角图像;
图9是本发明实际采集的电力线稀疏激光雷达点云图侧视角图像;
图10是本发明方法分割实例得到的电力线点云结果图像;
图11是本发明方法分割电力线点云结果与原点云图叠加显示图俯侧视角图像;
图12是本发明方法分割电力线点云结果与原点与图叠加显示图侧视角图像。
具体实施方式
现在结合附图和实施例对本发明作进一步详细的说明,这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、底、顶等),则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
单波长的激光雷达数据生成的点云相对于多波长激光雷达的点云稀疏,一般不能满足高精度和高速度的测量要求,同时,单波长激光雷达的扫描精度受到大气条件的影响较大,例如空气中的气溶胶、水汽等都会对激光雷达信号产生影响,从而导致测量误差。基于单波长激光雷达存在的问题,以及为了解决现有的稀疏点云中高压电力线分割算法存在泛用性差、严重依赖人工调参的技术问题。
实施例一
如图1-图3所示,一种稀疏点云的高鲁棒性高压电力线分割方法,包括以下步骤:
步骤a.获取原始点云帧,对原始点云帧进行预处理,所述预处理包括体素滤波减少噪声、直通滤波限定查找范围;
体素滤波减少噪声包括以下方法:
步骤a-11,基于原始点云数据,使用体素滤波去除显著的噪声点。具体的,体素滤波基于三维图像中体素的概念,将指定半径的球体中的所有点视为一个体素,然后对球体中的点坐标进行均值操作,得到一个新点代替球体中的所有点。通过对原点云中点的迭代,即可得到平滑的点云。体素滤波可以在不改变点云形状的结构的情况下完成降噪。更进一步的,本实施例中采用是使用半径0.5米的体素滤波去除显著的噪声点。
直通滤波限定查找范围包括以下步骤:
步骤a-21,采用直通滤波限制分割区域,去除激光雷达近端噪声以及远端离散点。具体的,限制区域可根据激光雷达的成像质量进行描述,用于降低图像采集设备对分割算法性能和效率的影响。具体的,直通滤波是一种基于规则的滤波方式,在使用前需要根据使用目的设定一个或多个阈值,直通滤波将基于阈值对点云中的每个点进行迭代,去除不符合规则的点。本实施例中,当前步骤中,将直通滤波的阈值设置为y轴坐标大于50且小于600,通过直通滤波将点云近处50米内的噪声和600米外的离散点去除。
步骤a-22,旋转矫正点云帧,包括:检测点云地面是否与三维坐标系XOY平面平行,地面与XOY平面存在夹角,计算夹角角度并旋转矫正点云帧。具体的,对于有联合导航系统的数据,也可根据导航数据完成旋转。
步骤b.对经过步骤a预处理后的点云帧进行点云栅格化处理,并对点云帧中的电力线粗分;
所述步骤b的具体步骤为:
步骤b-1、基于预处理后点云数据,根据数据质量的质量参数以及描述场景的环境参数,将点云数据进行栅格化处理。
具体的,环境参数中包括高压电力塔的间隔标准。栅格化处理包括根据环境参数设定栅格范围。本实施例中,考虑高压电力塔的间隔标准通常在40米以上,电力线高度在4米以上,同时参照实验数据,设定栅格大小(立方米),其中AX,AY,AZ分别为栅格的X轴、Y轴、Z轴长度。但不仅限于此在其他实施例中可以根据实际的现场情况设定间隔标准以及电力线高度。
步骤b-2、记录栅格化处理后的点云数据中的栅格坐标。
具体的,本实施例中获取每个栅格的高程最大值Zmax和最小值Zmin,记录栅格坐标(x,y,z)。
步骤b-3、将预处理后点云数据根据栅格范围进行栅格化数据处理将点云高程分区,计算高程直方图获得栅格化数据。如图2、图3所示。
具体的,按照Znum将点云高程分区,计算高程直方图,值分布最多的高程区间判定为地面高程Zground区间。Znum的计算公式为:Znum=(Zmax-Zmin)/Az。
步骤b-4、基于栅格化数据获取空值间隔,包括;根据设定的参数要求判断是否进行栅格拼接操作,获取栅格拼接,并迭代检测栅格,统计高程拼接栅格个数,获取每个栅格对应的高程拼接栅格个数作为空值间隔。
具体的,其中根据设定的参数要求判断是否进行栅格拼接操作包括以下步骤:步骤b-4-1,基于栅格化数据,检测有相同坐标(x0,y0)的栅格,得到的栅格按照z由小到大的顺序,若栅格的Zmin等于属于地面高程区间Zground,认为当前栅格(x,y,z)包含地面点;
步骤b-4-2,检测(x0,y0,z+1)栅格,若有值则直接进行步骤b-4-4;若无值,将(x0,y0,z)和(x0,y0,z+1)栅格拼接;
步骤b-4-3,迭代检测(x0,y0,i)栅格,其中i小于坐标为相同(x0,y0)的栅格个数,若栅格无值则与步骤b-4-2得到的栅格拼接,若有值进行步骤b-4-4;
步骤b-4-4,统计高程拼接栅格个数;
具体的,其中获取栅格拼接,并迭代检测栅格,统计高程拼接栅格个数,包括以下步骤:
获取每个栅格对应的高程拼接栅格个数作为空值间隔,包括以下步骤:步骤b-4-5,迭代进行步骤b-4-1步骤b-4-4,步骤,对全部的(x,y)进行检测,得到每个(x,y)栅格对应的高程拼接栅格个数,即为地面到非地面点的空值间隔。
步骤b-5、基于得到的空值间隔,基于指定的电力线高度阈值,判别空中点是否为电力线粗分结果;基于判别结果粗分出电力线点云。
具体的,本实施例中,基于得到的空值间隔,基于指定的电力线高度阈值4米,判别空中点是否为电力线粗分结果;基于判别结果粗分出电力线点云。
步骤c.针对步骤b操作后的电力线粗分结果,采用密度筛选和随机抽样一致性直线拟合实现点云三维空间中的电力线点精确提取。
所述步骤c的具体步骤为:
步骤c-1,基于电力线粗分结果,将点云的高程置0,设为Pcd0,含有高程值的点云设为Pcd;
步骤c-2,基于高程置0后的结果Pcd0,使用基于密度的聚类算法(dbscan聚类算法)对点云聚类为多个点云簇。
本实施例中,基于密度的聚类算法基于指定的范围半径米,最少密度可达点数量/>。计算两点间欧式距离,得到密度可达点,排除邻域外点。
具体的,如图4所示,基于密度的聚类算法的过程包括以下内容:
步骤c-2-1,令点云簇中的点集为,随机样本一致算法(Ransac算法)拟合直线需要邻域参数/>,其中/>为邻域的距离度量值,/>为最少的密度可达点数量;距离度量采用欧氏距离,欧式距离公式如下:;其中,d为距离,(x1,y1,z1)和(x2,y2,z2)为点集D中任意两个点的坐标,x1,y1,z1和x2,y2,z2分别为两个点的x坐标、y坐标、高程值;
步骤c-2-2,初始化核心对象集合Ω,Ω=φ,φ表示空集;初始化类别k,k=0;
步骤c-2-3,遍历点集D的元素,若为核心点,则加入核心对象集合Ω;
步骤c-2-4,若核心对象集合Ω中的点都已经被访问,则算法结束,否则转入步骤c-2-5,在核心对象集合Ω中,随机选择未访问的核心点o,并将核心点o标记为已访问,并赋予类别k;标记后将核心点o的邻域中的未访问点存放在集合Seeds中,ε-邻域即为步骤c-2-1中的以ε为距离度量值的邻域;
步骤c-2-6,判断集合Seeds是否为空,集合Seeds为空则类别k簇生成完成,令k’=k+1后跳转到步骤c-2-4,k’是更新后的k;集合Seeds不为空时,从集合Seeds中随机挑选一个点,标记为已访问,并赋予类别为k,判断该点是否为核心点,判断是核心点则将该点的邻域中的未访问点存放在集合Seeds中,之后重复步骤c-2-6;判断不是核心点是边界点,则直接重复步骤c-2-6。
步骤c-3,分析聚类得到的点云簇,计算每个点云簇的点云密度,由于稀疏点云的特点:电力线簇的点云密度较小;通过密度阈值直接排除密度过大的簇,定义一个栅格内的点数小于设定个数则认为是候选的电力线簇;
具体地,步骤c-3中的密度阈值是基于电力线长度L、体素滤波半径r和单个点云簇中包含的电力线条数n,公式如下:;其中,smooth为误差系数,用于减少误判。本实施例中smooth设定为一个正整数20,用于减少误判。
步骤c-4,使用随机样本一致算法拟合簇的最长直线;随机抽样一致性算法是从一组包含噪声点的数据中估计指定模型的迭代算法;
具体地,步骤c-4中,使用随机样本一致算法拟合簇的最长直线包括以下步骤:
步骤c-4-1,随机样本一致算法拟合直线需要设定三个参数,分别是门限中的 邻域的距离度量值ε,直线上最大点数MaxPoints和最大迭代次数n。具体的,本实施例中,随机样本一致算法拟合直线需要设定三个参数,分别是门限中的 邻域的距离度量值ε=0.8,直线上最大点数MaxPoints=20和最大迭代次数n=100。
步骤c-4-2,在包含噪声点的数据中给定的点集中随机选择两个点,计算由这两个点确定的直线;
步骤c-4-3,根据包含噪声点的数据中给定的点集中的其它点到直线的距离是否小于门限ε,将点集分为内点和外点;内点数大于最大点数MaxPoints则停止循环,内点数小于最大点数MaxPoints且在最大迭代次数以内则重复则重复c-4-1至c-4-2步,如果达到最大迭代次数,则包含内点数最多的直线为拟合的直线。如图5所示是本发明优选实施例的电力线栅格与拟合直线的状态示意图,其中电力线栅格中,点围绕在拟合直线附近,所有点到拟合直线的距离在设定的阈值内;如图6所示是本发明优选实施例的非电力线栅格与拟合直线的状态示意图,其中非电力线栅格中,点在拟合直线附近,有点到拟合直线的距离在设定的阈值外。
步骤c-5,在粗分电力线点云Pcd0中,检查对应簇中是否有其它点到直线的距离超出指定阈值,没有其它点则视为电力线簇,有其它点视为二次筛查簇;如图7所示是本发明多条高压电力线在XOY平面内的投影直线示意图像。
步骤c-6,对于二次筛查电力线簇,首先在包含高程信息的Pcd中找到对应簇,在簇中去除距离拟合直线在阈值内的点,记去除点集为Q,记Q的点数为N;
步骤c-7,对于处理后的簇,利用空间分区数据结构计算距离直线2米内的三维空间点,如果符合距离的点数与N的数量差在1/4以内,则将这些符合距离的点与点集Q均视为电力线点。
具体的,空间分区数据结构(KDTRee)是树形结构,应用于多维空间的关键数据的范围搜索和最近邻搜索;空间分区数据结构按照所述点集中每个点的空间位置分割多维数据构建二叉树结构,能够提供快速的查找近邻算法。
步骤c-8,在步骤c-7中找到符合要求的电力线点,则将新的电力线点去除后再次进行步骤c-7步骤,若没有符合要求的点,则整个簇视为非电力线簇。
具体的,本实施例中,二次筛查簇相关步骤可以处理多条高压电力线在XOY平面内的投影直线距离相近但大于设定阈值的情况,利用了同一栅格中多条电力线曲线平行且点数接近的性质。此类情况的多条高压线来自相同的电力塔,两条接近的高程距离在2米左右。
步骤c-9,对于步骤c-2的得到的每个簇进行步骤c-3至步骤c-8,筛选得到精确点云电力线簇;
步骤c-10,基于电力线精确分割簇的结果,恢复对应点高程值,得到精确高压电力线分割结果。
实施例二
在实施例一的基础上,一种用于稀疏点云的高鲁棒性高压电力线分割装置,包括:
点云帧预处理模块,用于:获取原始点云帧,对原始点云帧进行预处理获取预处理后的点云帧数据,所述预处理包括体素滤波减少噪声、直通滤波限定查找范围;
电力线粗分模块,用于:根据所述预处理后的点云帧数据,进行点云栅格化处理,并对点云帧中的电力线粗分得到电力线粗分结果;
电力线点精确提取模块,用于:根据所述电力线粗分结果,采用密度筛选和随机抽样一致性直线拟合实现点云三维空间中的电力线点精确提取。
实施例三
在实施例一的基础上,一种用于稀疏点云的高鲁棒性高压电力线分割设备,包括:
存储器;
处理器;
以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现实施例一中所述的稀疏点云的高鲁棒性高压电力线分割方法。
实施例四
在实施例一的基础上,一种存储介质,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实施例一中所述的稀疏点云的高鲁棒性高压电力线分割方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
工作原理:
本发明基于栅格高程判断粗分和基于点到直线距离的电力线栅格判别精分的激光雷达稀疏点云高压电力线分割方法,对原始点云帧进行预处理,包括体素滤波减少噪声、直通滤波限定查找范围;点云栅格化,电力线粗分;针对电力线粗分结果,采用密度筛选和随机抽样一致性直线拟合实现点云三维空间中的电力线点精确提取。
本发明使用高程直方图寻找地面点,并视具有高程的栅格为地面,避免成像的高程误差、真实地面的起伏、多波长校准误差等因素对算法产生影响,算法具有高鲁棒性。利用随机抽样一致性(Ransac)算法和点到直线距离对粗分的点云簇进行筛选,而非简单的使用直线拟合算法对线性栅格进行判别,对直线拟合算法准确性的依赖度较低,同时对于点云稀疏和噪声较多的情况有更好的鲁棒性。本发明中需要人为调整的超参数数量少,其中直通滤波仅需要根据图像采集设备的成像距离进行一次性设定,栅格大小和电力线高度阈值可参考高压输电线的相关国家标准设定,特殊场景时仅需参考电力线实际高度即可。算法降低了对人工调参经验的依赖。图9是本发明实际采集的电力线稀疏激光雷达点云图侧视角。图10是本发明方法分割实例得到的电力线点云结果。图11是本发明方法分割电力线点云结果与原点云图叠加显示图俯侧视角。图12是本发明方法分割电力线点云结果与原点与图叠加显示图侧视角。本发明通过叠加显示原点云图与电力线分割结果,观察到分割结果覆盖了原始电力线点云的绝大部分,保留了电力线的完整特征。本发明具备识别稀疏及断开点云区域是否为电力线点的能力,并有效地将环境中的电力塔和树木排除,结果准确。
以上具体实施方式是对本发明提出的方案思想的具体支持,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在本技术方案基础上所做的任何等同变化或等效的改动,均仍属于本发明技术方案保护的范围。
Claims (10)
1.一种用于稀疏点云的高鲁棒性高压电力线分割方法,其特征在于,包括以下步骤:
步骤a.获取原始点云帧,对原始点云帧进行预处理,所述预处理包括体素滤波减少噪声、直通滤波限定查找范围;
步骤b.对经过步骤a预处理后的点云帧进行点云栅格化处理,并对点云帧中的电力线粗分;
步骤c.获取步骤b中进行电力线粗分操作后的电力线粗分结果,采用密度筛选和随机抽样一致性直线拟合实现点云三维空间中的电力线点精确提取。
2.根据权利要求1所述的用于稀疏点云的高鲁棒性高压电力线分割方法,其特征在于:所述体素滤波减少噪声包括以下方法:步骤a-11,基于原始点云数据,使用体素滤波去除噪声点;
所述直通滤波限定查找范围包括以下步骤:
步骤a-21,采用直通滤波限制分割区域,去除激光雷达近端噪声以及远端离散点;
步骤a-22,旋转矫正点云帧,包括:检测点云帧中的点云地面是否与三维坐标系XOY平面平行,点云地面与三维坐标系XOY平面存在夹角,则计算夹角的角度并旋转矫正点云帧。
3.根据权利要求2所述的用于稀疏点云的高鲁棒性高压电力线分割方法,其特征在于:
所述步骤b的具体步骤为:
步骤b-1、基于预处理后的点云数据,根据数据质量的质量参数以及描述场景的环境参数,将点云数据进行栅格化处理;
步骤b-2、获取栅格化处理后的点云数据,并记录栅格化处理后的点云数据中的栅格坐标;
步骤b-3、将预处理后的点云数据根据设定的栅格范围进行栅格化数据处理,栅格化数据处理包括将点云高程分区,并计算高程直方图获得栅格化数据;
步骤b-4、基于栅格化数据获取空值间隔,包括:根据设定的参数要求进行栅格拼接操作;获取栅格拼接,并迭代检测栅格,统计高程拼接栅格个数,获取每个栅格对应的高程拼接栅格个数作为空值间隔;
步骤b-5、基于拼接栅格获取空值间隔,基于指定的电力线高度阈值,判别空中点是否为电力线粗分结果;基于电力线粗分结果粗分出电力线点云。
4.根据权利要求1所述的用于稀疏点云的高鲁棒性高压电力线分割方法,其特征在于:所述步骤c的具体步骤为:
步骤c-1,基于电力线粗分结果,将点云的高程置0;
步骤c-2,获取点云的高程置0后的结果,基于点云的高程置0后的结果使用基于密度的聚类算法将点云聚类为多个点云簇;
步骤c-3,分析聚类得到的点云簇,计算每个点云簇的点云密度,基于稀疏点云的特点:电力线簇的点云密度较小;通过密度阈值排除密度过大的点云簇,定义一个栅格内的点数小于设定个数则认为是候选的电力线簇;
步骤c-4,使用随机样本一致算法拟合电力线簇的最长直线;
步骤c-5,在电力线点云中,检查对应簇中是否有其它点到拟合电力线簇的最长直线的距离超出指定阈值,没有其它点则视为电力线簇,有其它点视为二次筛查电力线簇;
步骤c-6,对于二次筛查电力线簇,首先在含有高程值的点云中找到对应簇,在簇中去除距离拟合直线在阈值内的点;
步骤c-7,对于处理后的簇,利用空间分区数据结构计算距离拟合电力线簇的最长直线的预设长度2米范围内的三维空间点,如果符合距离的点数与去除点集的点数的数量差在1/4以内,则将这些符合距离的点与去除点集均视为电力线点;
步骤c-8,在步骤c-7中找到符合要求的电力线点,则将新的电力线点去除后再次进行步骤c-7步骤,若没有符合要求的点,则整个簇视为非电力线簇;
步骤c-9,对于步骤c-2得到的每个簇进行步骤c-3至步骤c-8的操作,筛选得到精确点云电力线簇;
步骤c-10,基于精确点云电力线簇的结果,恢复对应点的高程值,得到精确高压电力线分割结果。
5.根据权利要求4所述的用于稀疏点云的高鲁棒性高压电力线分割方法,其特征在于:基于密度的聚类算法的过程包括以下内容:
步骤c-2-1,令点云簇中的点集为,随机样本一致算法拟合直线需要邻域参数/>,其中/>为邻域的距离度量值,/>为最少的密度可达点数量;距离度量采用欧氏距离,欧式距离公式如下:
;其中,d为距离,(x1,y1,z1)和(x2,y2,z2)为点集D中任意两个点的坐标,x1,y1,z1和x2,y2,z2分别为两个点的x坐标、y坐标、高程值;
步骤c-2-2,初始化核心对象集合Ω,Ω=φ,φ表示空集;初始化类别k,k=0;
步骤c-2-3,遍历点集D的元素,为核心点,则加入核心对象集合Ω;
步骤c-2-4,核心对象集合Ω中的点都已经被访问,则算法结束,否则转入步骤c-2-5,在核心对象集合Ω中,随机选择未访问的核心点o,并将核心点o标记为已访问,并赋予类别k;标记后将核心点o的邻域中的未访问点存放在集合Seeds中,ε-邻域为步骤c-2-1中的以ε为距离度量值的邻域;
步骤c-2-6,判断集合Seeds是否为空,集合Seeds为空则类别k簇生成完成,令k’=k+1后跳转到步骤c-2-4,k’是更新后的k;集合Seeds不为空时,从集合Seeds中随机挑选一个点,标记为已访问,并赋予类别为k,判断该点是否为核心点,判断是核心点则将该点的邻域中的未访问点存放在集合Seeds中,之后重复步骤c-2-6;判断不是核心点是边界点,则直接重复步骤c-2-6。
6.根据权利要求5所述的用于稀疏点云的高鲁棒性高压电力线分割方法,其特征在于:步骤c-3中的密度阈值是基于电力线长度L、体素滤波半径r和单个点云簇中包含的电力线条数n,公式如下:;其中,smooth为误差系数,用于减少误判。
7.根据权利要求6所述的用于稀疏点云的高鲁棒性高压电力线分割方法,其特征在于:步骤c-4中,使用随机样本一致算法拟合簇的最长直线包括以下步骤:
步骤c-4-1,随机样本一致算法拟合直线时设定三个参数,分别是邻域距离度量值ε,直线上最大点数MaxPoints和最大迭代次数n;
步骤c-4-2,在包含噪声点的数据中给定的点集中随机选择两个点,计算由这两个点确定的直线;
步骤c-4-3,根据包含噪声点的数据中给定的点集中的其它点到直线的距离是否小于门限中邻域距离度量值ε,并将点集分为内点和外点;内点数大于MaxPoints则停止循环,内点数小于最大点数MaxPoints且在最大迭代次数以内则重复c-4-1至c-4-2,达到最大迭代次数,则包含内点数最多的直线为拟合的最长直线。
8.一种用于稀疏点云的高鲁棒性高压电力线分割装置,其特征在于,包括:
点云帧预处理模块,用于:获取原始点云帧,对原始点云帧进行预处理获取预处理后的点云帧数据,所述预处理包括体素滤波减少噪声、直通滤波限定查找范围;
电力线粗分模块,用于:根据所述预处理后的点云帧数据,进行点云栅格化处理,并对点云帧中的电力线粗分得到电力线粗分结果;
电力线点精确提取模块,用于:根据所述电力线粗分结果,采用密度筛选和随机抽样一致性直线拟合实现点云三维空间中的电力线点精确提取。
9.一种用于稀疏点云的高鲁棒性高压电力线分割设备,其特征在于,包括:
存储器;
处理器;
以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1 至7 任一项所述的用于稀疏点云的高鲁棒性高压电力线分割方法。
10.一种存储介质,其特征在于,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权利要求1 至7任一项所述的用于稀疏点云的高鲁棒性高压电力线分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311720500.8A CN117409024B (zh) | 2023-12-14 | 2023-12-14 | 用于稀疏点云的高鲁棒性高压电力线分割方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311720500.8A CN117409024B (zh) | 2023-12-14 | 2023-12-14 | 用于稀疏点云的高鲁棒性高压电力线分割方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117409024A true CN117409024A (zh) | 2024-01-16 |
CN117409024B CN117409024B (zh) | 2024-04-09 |
Family
ID=89489445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311720500.8A Active CN117409024B (zh) | 2023-12-14 | 2023-12-14 | 用于稀疏点云的高鲁棒性高压电力线分割方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409024B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298833A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 目标物点云特征线面提取方法及系统 |
CN114821571A (zh) * | 2022-03-11 | 2022-07-29 | 天津四维向量科技有限公司 | 一种用于电力线缆识别和重建的点云处理方法 |
US20230186647A1 (en) * | 2020-03-30 | 2023-06-15 | Anditi Pty Ltd | Feature extraction from mobile lidar and imagery data |
-
2023
- 2023-12-14 CN CN202311720500.8A patent/CN117409024B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230186647A1 (en) * | 2020-03-30 | 2023-06-15 | Anditi Pty Ltd | Feature extraction from mobile lidar and imagery data |
CN113298833A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 目标物点云特征线面提取方法及系统 |
CN114821571A (zh) * | 2022-03-11 | 2022-07-29 | 天津四维向量科技有限公司 | 一种用于电力线缆识别和重建的点云处理方法 |
Non-Patent Citations (2)
Title |
---|
张东方等: "基于3D 移动测量系统点云数据的钢轨信息自动提取方法", 机车电传动, no. 02, 10 March 2021 (2021-03-10), pages 114 - 119 * |
程宇航等: "机载激光点云中电力线的自动提取与重建", 测绘工程, vol. 30, no. 5, 13 September 2021 (2021-09-13), pages 58 - 63 * |
Also Published As
Publication number | Publication date |
---|---|
CN117409024B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN114266987B (zh) | 一种无人机高边坡危岩体智能识别方法 | |
CN115372989A (zh) | 基于激光雷达的越野自动小车长距离实时定位系统及方法 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN108388902B (zh) | 结合全局框架点与局部shot特征的复合3d描述子构建方法 | |
CN110807781A (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
CN111986308A (zh) | 基于点云法线与曲率变化双约束曲面误差显著点识别方法 | |
CN117115012A (zh) | 一种道路路面点云标线分割去噪方法 | |
CN111489416A (zh) | 隧道轴线拟合方法及在超欠挖方量计算上的应用 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN113096181A (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
CN117706577A (zh) | 基于激光雷达三维点云算法的船舶尺寸测量方法 | |
CN113836484A (zh) | 基于路径点邻近域与地面滤波的自适应点云抽稀方法 | |
CN113345072A (zh) | 一种多视角遥感地形影像点云重建方法及系统 | |
CN117292181A (zh) | 基于3d点云处理的钣金件孔组分类及全尺寸测量方法 | |
CN117409024B (zh) | 用于稀疏点云的高鲁棒性高压电力线分割方法及其应用 | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN115810153B (zh) | 一种基于相对熵和语义约束的高速公路点云提取方法 | |
CN116579949A (zh) | 适用于城市多噪声环境下机载点云地面点滤波方法 | |
CN111861946A (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
CN113655498B (zh) | 一种基于激光雷达的赛道中锥桶信息的提取方法及系统 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 |
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 |