CN117974747A - 360度点云2d深度盘三角剖分构图方法、装置及系统 - Google Patents
360度点云2d深度盘三角剖分构图方法、装置及系统 Download PDFInfo
- Publication number
- CN117974747A CN117974747A CN202410381184.4A CN202410381184A CN117974747A CN 117974747 A CN117974747 A CN 117974747A CN 202410381184 A CN202410381184 A CN 202410381184A CN 117974747 A CN117974747 A CN 117974747A
- Authority
- CN
- China
- Prior art keywords
- depth
- point cloud
- cloud
- triangulation
- inventory
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010586 diagram Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 230000004048 modification Effects 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 13
- 238000000059 patterning Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 3
- 241001272996 Polyphylla fullo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Generation (AREA)
Abstract
本发明公开一种360度点云2D深度盘三角剖分构图方法、装置及系统,属于点云构图领域。该方法将交通场景的3D原始点云映射到2D深度盘空间,使得在最终的深度盘点云转化为直角坐标系表示后,可以直接使用2D Delaunay三角剖分算法进行剖分,大量降低计算复杂度,解决了3D三角剖分计算复杂度较高的问题。
Description
技术领域
本发明涉及点云构图领域,特别是涉及一种360度点云2D深度盘三角剖分构图方法、装置及系统。
背景技术
在对点云进行构图时,基于深度带的Delaunay三角剖分本质上仍然是在3D空间中进行,计算复杂度相对较高。因此,有必要研究新的点云构图方法,以降低计算复杂度。
发明内容
本发明的目的是提供一种360度点云2D深度盘三角剖分构图方法、装置及系统,可解决3D三角剖分计算复杂度较高的问题。
为实现上述目的,本发明提供了如下方案。
一种360度点云2D深度盘三角剖分构图方法,包括:将交通场景的3D原始点云映射到2D深度盘空间,获得初始的深度盘点云;将所述初始的深度盘点云中的极径半径全部转化为正值,获得最终的深度盘点云;在最终的深度盘点云转化为直角坐标系表示后,进行2DDelaunay三角剖分,获得深度带点云的2D三角剖分图;将所述2D三角剖分图反投影到3D原始点云上,获得交通场景的初级图;对所述初级图进行图修饰,获得交通场景的最终构图。
可选地,将交通场景的3D原始点云映射到2D深度盘空间所采用的映射公式为:;式中,/>为3D原始点云中点在xy平面上的坐标,/>为初始的深度盘点云中点/>的极径半径,/>为初始的深度盘点云中点/>的极角角度,x、y、z分别表示初始的深度盘点云中点的横轴坐标、纵轴坐标、竖轴坐标;/>为仰角,/>,/>表示点云传感器的等效仰角分辨率。
可选地,将所述初始的深度盘点云中的极径半径全部转化为正值的转换方式为:;式中,/>为正值的极径半径,/>为极径半径正向偏移量,/>为正实数,/>为所有极径半径/>的集合,/>为初始的深度盘点云中的第i个极径半径,/>=1,2,3,/>,m,m为初始的深度盘点云中极径半径的数量。
可选地,最终的深度盘点云转化为直角坐标系表示所依据的公式为:;式中,/>为最终的深度盘点云中点的坐标,/>为/>转化为直角坐标系表示的坐标。
可选地,将所述初始的深度盘点云中的极径半径全部转化为正值,获得最终的深度盘点云,之后还包括:将辅助点原点O(0,0)添加到最终的深度盘点云中,得到新的点集为;其中,/>为新的点集,/>为新的点集中的一个点。
可选地,在最终的深度盘点云转化为直角坐标系表示后,进行2D Delaunay三角剖分,获得深度带点云的2D三角剖分图,之后还包括:将所述2D三角剖分图中的辅助点原点O(0,0)及与辅助点原点O(0,0)相连的边删除。
一种360度点云2D深度盘三角剖分构图装置,包括:点云传感器和计算机;点云传感器用于采集交通场景的3D原始点云,并传输至计算机;计算机用于采用前述的360度点云2D深度盘三角剖分构图方法,获得交通场景的最终构图。
一种360度点云2D深度盘三角剖分构图系统,包括:映射模块、转化模块、三角剖分模块、反投影模块和图修饰模块。
映射模块,用于将交通场景的3D原始点云映射到2D深度盘空间,获得初始的深度盘点云;转化模块,用于将所述初始的深度盘点云中的极径半径全部转化为正值,获得最终的深度盘点云;三角剖分模块,用于在最终的深度盘点云转化为直角坐标系表示后,进行2DDelaunay三角剖分,获得深度带点云的2D三角剖分图;反投影模块,用于将所述2D三角剖分图反投影到3D原始点云上,获得交通场景的初级图;图修饰模块,用于对所述初级图进行图修饰,获得交通场景的最终构图。
根据本发明提供的具体实施例,本发明公开了以下技术效果。
本发明实施例的360度点云2D深度盘三角剖分构图方法、装置及系统,将交通场景的3D原始点云映射到2D深度盘空间,使得在最终的深度盘点云转化为直角坐标系表示后,可以直接使用2D Delaunay三角剖分算法进行剖分,大量降低计算复杂度,解决了3D三角剖分计算复杂度较高的问题。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的360度点云2D深度盘三角剖分构图方法的流程图。
图2为本发明实施例提供的360度点云2D深度盘三角剖分构图方法的原理图。
图3为本发明实施例提供的深度盘及其极坐标系(polar coordinate system)示意图。
图4为本发明实施例提供的交通场景的最终构图(graph)的应用示意图。
图5为本发明实施例提供的360度点云2D深度盘三角剖分构图装置的示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,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。
实施例一
如图1所示,本发明实施例提供了一种360度点云2D深度盘三角剖分构图方法,包括以下步骤。
步骤1:将交通场景的3D原始点云映射到2D深度盘空间,获得初始的深度盘点云。
图2为本发明实施例提供的360度点云2D深度盘三角剖分构图方法的原理图。示例性的,参照图2,步骤1的具体实现过程如下。
1.1:3D原始点云输入。
设为3D原始点云,则有/>。/>为3D原始点云中点在3D笛卡尔坐标系中的坐标。此处3D原始点云中的点坐标只有3D笛卡尔坐标系的三个分量/>,不包含反射率/>和颜色/>等信息,因为它们不影响几何投影。其中,/>、/>、/>分别表示3D原始点云中一个点的横轴坐标、纵轴坐标、竖轴坐标;/>、/>、/>代表红、绿、蓝三个通道的颜色。
1.2:进行深度盘投影。将3D原始点云映射到2D深度盘空间,映射公式如下。
(1)。
式中,为3D原始点云中点在xy平面上的坐标,/>为初始的深度盘点云中点的极径半径,/>为初始的深度盘点云中点/>的极角角度,x、y、z分别表示初始的深度盘点云中点的横轴坐标、纵轴坐标、竖轴坐标;/>为仰角,/>,/>表示点云传感器的等效仰角分辨率。
步骤2:将所述初始的深度盘点云中的极径半径全部转化为正值,获得最终的深度盘点云。
此时可能存在负值,需将其全部转化为正值,以保证深度盘中点云之间的邻接关系不变,转化方式如下。
(2)。
式中,为正值的极径半径;/>为所有极径半径/>的集合,/>为初始的深度盘点云中的第i个极径半径,/>=1,2,3,/>,m,m为初始的深度盘点云中极径半径的数量。/>为极径半径正向偏移量,为常量,建议取/>,与/>一起保证/>,否则若/>无法保证在极坐标系中点云之间的邻接关系不变。/>和/>均为正实数。/>、/>和/>的关系如图3所示,表示2D盘状环圈。
则有,深度盘点云。
(3)。
其中,表示坐标为/>的点。
步骤2对应图2中的“极径正值化偏置”。参照图2,步骤2之后添加辅助点,而添加辅助点的步骤为可选步骤。若使用能够对环进行Delaunay三角剖分的算法,则此步骤可省略,因为此类算法不产生内圈的边,可以直接生成所需图。除此之外,将辅助点原点O(0,0)添加,目的是将内圈点云(如图3所示)所在的最小圆内的边去除。则新得到的点集则为。为简便起见,下面将/>和/>统称为/>,。
步骤3:在最终的深度盘点云转化为直角坐标系表示后,进行2D Delaunay三角剖分,获得深度带点云的2D三角剖分图。
直接将转化为直角坐标系表示/>:/>。
(4)。
式中,为最终的深度盘点云中点的坐标,/>为/>转化为直角坐标系表示的坐标。
若在步骤2之后添加了辅助点原点O(0,0),则2D三角剖分图中也会生成辅助点原点O及与其相连的边。所以,在2D三角剖分图中将辅助点原点O及与其相连的边删除,即可得到所需图。则此时的边集合设为。
步骤3对应图2中的“Delaunay三角剖分”。
步骤4:将所述2D三角剖分图反投影到3D原始点云上,获得交通场景的初级图。
将直接进行2D Delaunay三角剖分,2D Delaunay三角剖分的算法包括但不限于球枢轴算法(Ball-Pivoting Algorithm,BPA)等。
步骤4对应图2中的“反投影到3D原始点云”。
步骤5:对所述初级图进行图修饰,获得交通场景的最终构图。
图修饰子流程如下。
(1)判断是否移除长边:初级图的/>在3D原始点云中有些边非常长,导致虽然两/>点的关系非常远,但图神经网络处理时却非常近,故此类边考虑是否去除,以保证图神经网络可以有效汇集附近点云的信息。但也应根据图神经网络类型和应用场景决定是否而定,比如:图神经网络模型足够大、数据集足够多或场景中几乎不存在长边,此类情况可以不去除长边。若去除长边则执行子步骤(2),否则执行子步骤(3)。
(2)去除长边,方法如下。
(5)。
式中,为边掩码,/>为距离上限阈值,/>为正实数,eD为边集合/>中的一条边,。去除长边之后的边集合/>如式(6)所示。
(6)。
式中:为边的下标,/>为边的条数,/>为初级图的第/>条边,/>为初级图的第/>条边是否为长边的掩码,/>=0表示初级图的第/>条边为长边,/>=1表示初级图的第/>条边为非长边。
(3)根据图神经网络类型和应用场景决定是否构造无向图。如:图神经网络类型不支持无向图,图神经网络模型足够大不构造无向图也可具有足够表达能力,以及点云附加了单向语义特征(如从属关系)等情况不需要构造无向图,但一般情况下最好构造无向图。若构造无向图则执行子步骤(4),否则执行子步骤(5)。
(4)令边,则目前/>,此为有向图,因此需增加反向边构造无向图。
(7)。
式中,为反向边集合,V为初级图中的节点集合。/>和/>分别为初级图中的节点集合中的第/>个节点和第/>个节点;/>为全称量化符号。
(5)根据图神经网络类型和应用场景决定是否添加自环。如,图神经网络不支持自环、图中不会产生孤点、点特征更新不需要考虑自身特征等情况,则不需要添加自环,一般情况最好添加自环。若添加自环则执行子步骤(6),否则结束此子流程。
(6)添加自环,自环边的集合可表示为式(8)。
(8)。
则,交通场景的最终构图中的边集合E为式(9)。
(9)。
交通场景的最终构图可表示为。
步骤5对应图2中的“图修饰”和“成图输出”。
如图4所示,交通场景的最终构图可输入图神经网络进行分类、定位、3D目标检测等任务,例如:将交通场景的最终构图输入图神经网络模型,识别交通场景中目标的分类,并定位目标;所述目标包括:车、走路的行人和骑自行车的人。
基于深度带的Delaunay三角剖分本质上仍然是在3D空间中进行,计算复杂度相对较高,本发明提出深度盘,将深度带进行二维转化,以完成2D下的深度环三角剖分。本发明实施例的方法将3D点云映射到一个2D盘状环圈(Loop)空间的三角剖分算法,解决了3D三角剖分计算复杂度较高的问题。
综上,本发明的优点:解决了3D三角剖分计算复杂度较高的问题。
优点来源:步骤1和步骤2。
产生原因:将深度带这种3D空间映射为了深度盘这种2D空间,使得步骤3可以直接使用2D Delaunay三角剖分算法进行剖分,大量降低计算复杂度。
实施例二
如图5所示,本发明实施例提供了一种360度点云2D深度盘三角剖分构图装置,包括:点云传感器和计算机。点云传感器用于采集交通场景的3D原始点云,并传输至计算机。计算机用于采用实施例一的360度点云2D深度盘三角剖分构图方法,获得交通场景的最终构图。
3D原始点云由点云传感器获得,点云传感器包括但不限于激光雷达、毫米波雷达、立体相机等。所提出的算法运行在上述的计算机,故也可将其称为计算单元。该计算机(或计算单元)包括但不限于各种电脑、工控机、单片机、DSP(Digital Signal Processing)、FPGA(Field-Programmable Gate Array)、CPU、GPU等具有计算功能的设备。
实施例三
本实施例提供了一种360度点云2D深度盘三角剖分构图系统,包括:映射模块、转化模块、三角剖分模块、反投影模块和图修饰模块。
映射模块,用于将交通场景的3D原始点云映射到2D深度盘空间,获得初始的深度盘点云。
转化模块,用于将所述初始的深度盘点云中的极径半径全部转化为正值,获得最终的深度盘点云。
三角剖分模块,用于在最终的深度盘点云转化为直角坐标系表示后,进行2DDelaunay三角剖分,获得深度带点云的2D三角剖分图。
反投影模块,用于将所述2D三角剖分图反投影到3D原始点云上,获得交通场景的初级图。
图修饰模块,用于对所述初级图进行图修饰,获得交通场景的最终构图。
本实施例提供的360度点云2D深度盘三角剖分构图系统与实施例一所述的360度点云2D深度盘三角剖分构图方法,其工作原理和有益效果类似,故此处不再详述,具体内容可参见上述方法实施例的介绍。
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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种360度点云2D深度盘三角剖分构图方法,其特征在于,包括:
将交通场景的3D原始点云映射到2D深度盘空间,获得初始的深度盘点云;
将所述初始的深度盘点云中的极径半径全部转化为正值,获得最终的深度盘点云;
在最终的深度盘点云转化为直角坐标系表示后,进行2D Delaunay三角剖分,获得深度带点云的2D三角剖分图;
将所述2D三角剖分图反投影到3D原始点云上,获得交通场景的初级图;
对所述初级图进行图修饰,获得交通场景的最终构图。
2.根据权利要求1所述的360度点云2D深度盘三角剖分构图方法,其特征在于,将交通场景的3D原始点云映射到2D深度盘空间所采用的映射公式为:
;
式中,为3D原始点云中点在xy平面上的坐标,/>为初始的深度盘点云中点/>的极径半径,/>为初始的深度盘点云中点/>的极角角度,x、y、z分别表示初始的深度盘点云中点的横轴坐标、纵轴坐标、竖轴坐标;/>为仰角,/>,/>表示点云传感器的等效仰角分辨率。
3.根据权利要求2所述的360度点云2D深度盘三角剖分构图方法,其特征在于,将所述初始的深度盘点云中的极径半径全部转化为正值的转换方式为:
;
式中,为正值的极径半径,/>为极径半径正向偏移量,/>为正实数,/>为所有极径半径/>的集合,/>为初始的深度盘点云中的第i个极径半径,/>=1,2,3,/>,m,m为初始的深度盘点云中极径半径的数量。
4.根据权利要求3所述的360度点云2D深度盘三角剖分构图方法,其特征在于,最终的深度盘点云转化为直角坐标系表示所依据的公式为:
;
式中,为最终的深度盘点云中点的坐标,/>为/>转化为直角坐标系表示的坐标。
5.根据权利要求4所述的360度点云2D深度盘三角剖分构图方法,其特征在于,将所述初始的深度盘点云中的极径半径全部转化为正值,获得最终的深度盘点云,之后还包括:
将辅助点原点O(0,0)添加到最终的深度盘点云中,得到新的点集为;
其中,为新的点集,/>为新的点集中的一个点。
6.根据权利要求5所述的360度点云2D深度盘三角剖分构图方法,其特征在于,在最终的深度盘点云转化为直角坐标系表示后,进行2D Delaunay三角剖分,获得深度带点云的2D三角剖分图,之后还包括:
将所述2D三角剖分图中的辅助点原点O(0,0)及与辅助点原点O(0,0)相连的边删除。
7.一种360度点云2D深度盘三角剖分构图装置,其特征在于,包括:点云传感器和计算机;
点云传感器用于采集交通场景的3D原始点云,并传输至计算机;
计算机用于采用权利要求1-6任一项所述的360度点云2D深度盘三角剖分构图方法,获得交通场景的最终构图。
8.一种360度点云2D深度盘三角剖分构图系统,其特征在于,包括:
映射模块,用于将交通场景的3D原始点云映射到2D深度盘空间,获得初始的深度盘点云;
转化模块,用于将所述初始的深度盘点云中的极径半径全部转化为正值,获得最终的深度盘点云;
三角剖分模块,用于在最终的深度盘点云转化为直角坐标系表示后,进行2D Delaunay三角剖分,获得深度带点云的2D三角剖分图;
反投影模块,用于将所述2D三角剖分图反投影到3D原始点云上,获得交通场景的初级图;
图修饰模块,用于对所述初级图进行图修饰,获得交通场景的最终构图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410381184.4A CN117974747A (zh) | 2024-04-01 | 2024-04-01 | 360度点云2d深度盘三角剖分构图方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410381184.4A CN117974747A (zh) | 2024-04-01 | 2024-04-01 | 360度点云2d深度盘三角剖分构图方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974747A true CN117974747A (zh) | 2024-05-03 |
Family
ID=90859848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410381184.4A Pending CN117974747A (zh) | 2024-04-01 | 2024-04-01 | 360度点云2d深度盘三角剖分构图方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974747A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679807A (zh) * | 2013-12-24 | 2014-03-26 | 焦点科技股份有限公司 | 一种带边界约束的散乱点云重构方法 |
CN103985155A (zh) * | 2014-05-14 | 2014-08-13 | 北京理工大学 | 基于映射法的散乱点云Delaunay三角剖分曲面重构方法 |
CN108876909A (zh) * | 2018-06-08 | 2018-11-23 | 桂林电子科技大学 | 一种基于多图像拼接的三维重建方法 |
US20190026922A1 (en) * | 2017-07-24 | 2019-01-24 | Visom Technology, Inc. | Markerless augmented reality (ar) system |
WO2019098318A1 (ja) * | 2017-11-20 | 2019-05-23 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 三次元点群データ生成方法、位置推定方法、三次元点群データ生成装置、および、位置推定装置 |
CN114510978A (zh) * | 2020-10-23 | 2022-05-17 | 北京京东方光电科技有限公司 | 三维点云数据的处理方法、系统、计算机设备和存储介质 |
WO2022166963A1 (zh) * | 2021-02-08 | 2022-08-11 | 荣耀终端有限公司 | 基于二维规则化平面投影的点云编解码方法及装置 |
CN116051747A (zh) * | 2023-01-31 | 2023-05-02 | 武汉大学 | 一种基于缺失点云数据的房屋三维模型重建方法及设备、介质 |
CN116229017A (zh) * | 2022-11-09 | 2023-06-06 | 南京大学 | 一种基于逆向投影的管件三维模型重建方法 |
-
2024
- 2024-04-01 CN CN202410381184.4A patent/CN117974747A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679807A (zh) * | 2013-12-24 | 2014-03-26 | 焦点科技股份有限公司 | 一种带边界约束的散乱点云重构方法 |
CN103985155A (zh) * | 2014-05-14 | 2014-08-13 | 北京理工大学 | 基于映射法的散乱点云Delaunay三角剖分曲面重构方法 |
US20190026922A1 (en) * | 2017-07-24 | 2019-01-24 | Visom Technology, Inc. | Markerless augmented reality (ar) system |
WO2019098318A1 (ja) * | 2017-11-20 | 2019-05-23 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 三次元点群データ生成方法、位置推定方法、三次元点群データ生成装置、および、位置推定装置 |
CN108876909A (zh) * | 2018-06-08 | 2018-11-23 | 桂林电子科技大学 | 一种基于多图像拼接的三维重建方法 |
CN114510978A (zh) * | 2020-10-23 | 2022-05-17 | 北京京东方光电科技有限公司 | 三维点云数据的处理方法、系统、计算机设备和存储介质 |
WO2022166963A1 (zh) * | 2021-02-08 | 2022-08-11 | 荣耀终端有限公司 | 基于二维规则化平面投影的点云编解码方法及装置 |
CN116229017A (zh) * | 2022-11-09 | 2023-06-06 | 南京大学 | 一种基于逆向投影的管件三维模型重建方法 |
CN116051747A (zh) * | 2023-01-31 | 2023-05-02 | 武汉大学 | 一种基于缺失点云数据的房屋三维模型重建方法及设备、介质 |
Non-Patent Citations (2)
Title |
---|
JIAQIAO TANG等: "A High-Precision LiDAR-Inertial Odometry via Kalman Filter and Factor Graph Optimization", IEEE, 27 March 2023 (2023-03-27) * |
李凤霞;刘咏梅;王晓哲;饶永辉;: "一种基于映射法的散乱点云Delaunay三角剖分算法", 计算机应用研究, no. 03, 15 March 2015 (2015-03-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020119684A1 (zh) | 一种3d导航语义地图更新方法、装置及设备 | |
EP2849117B1 (en) | Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling | |
CN112257597B (zh) | 一种点云数据的语义分割方法 | |
CN113192646B (zh) | 目标检测模型构建方法及不同目标间距离监控方法、装置 | |
WO2023226654A1 (zh) | 一种目标物单体化方法、装置、设备及存储介质 | |
WO2023124676A1 (zh) | 3d模型构建方法、装置和电子设备 | |
CN111524168A (zh) | 点云数据的配准方法、系统、装置及计算机存储介质 | |
CN115032648B (zh) | 一种基于激光雷达密集点云的三维目标识别与定位方法 | |
Chu et al. | Enhanced ground segmentation method for Lidar point clouds in human-centric autonomous robot systems | |
CN116503705B (zh) | 一种数字城市多源数据的融合方法 | |
WO2022062238A1 (zh) | 一种足球检测方法、装置、计算机可读存储介质及机器人 | |
Mo et al. | Point-by-point feature extraction of artificial intelligence images based on the Internet of Things | |
Hu et al. | Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization | |
WO2023279584A1 (zh) | 一种目标检测方法、目标检测装置及机器人 | |
CN114820668A (zh) | 一种端到端的基于同心环卷积的建筑物规则轮廓自动提取方法 | |
Liu et al. | Comparison of 2D image models in segmentation performance for 3D laser point clouds | |
CN107610216B (zh) | 基于粒子群优化多视角立体点云生成方法及应用的摄像机 | |
Ma | Construction of intelligent building sky-eye system based on multi-camera and speech recognition | |
CN113160292A (zh) | 一种基于智能移动终端的激光雷达点云数据三维建模装置及方法 | |
Li et al. | Insect detection and counting based on YOLOv3 model | |
CN117974747A (zh) | 360度点云2d深度盘三角剖分构图方法、装置及系统 | |
WO2023168955A1 (zh) | 拾取位姿信息确定方法、装置、设备和计算机可读介质 | |
Li et al. | Monocular 3-D Object Detection Based on Depth-Guided Local Convolution for Smart Payment in D2D Systems | |
CN110135224B (zh) | 一种监控视频的前景目标提取方法及系统、存储介质及终端 | |
CN116612235A (zh) | 一种多视图几何无人机图像三维重建方法及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |