CN106204547A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106204547A CN106204547A CN201610504709.4A CN201610504709A CN106204547A CN 106204547 A CN106204547 A CN 106204547A CN 201610504709 A CN201610504709 A CN 201610504709A CN 106204547 A CN106204547 A CN 106204547A
- Authority
- CN
- China
- Prior art keywords
- shaft
- cloud
- atural object
- point cloud
- point
- 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
Classifications
-
- 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
Landscapes
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种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,它首先从车载激光扫描点云中,最优空间分层点云平面投影图像;对生成的最优空间分层点云平面投影图像进行阈值分割,去掉亮度低的点;对阈值分割后的平面投影图像进行直线检测,去掉具有线特征的数据;对图像进行进一步提取,去掉不符合杆状地物直径特征的数据部分,得到杆状地物投影图像;最后从杆状地物投影图像中,取每个杆状地物区域的几何中心,作为杆状地物的空间位置定位点,并将其相对位置还原到三维点云中。本发明方法不易受数据噪声点的影响,自动化程度高,更大程度上充分利用了点云数据的形态特征,达到了较好的提取效果。
Description
技术领域
本发明属于车载激光扫描点云数据处理技术领域。
背景技术
车载移动激光测量***作为一种先进的测量手段,在城市三维数据采集中的应用越来越广,***采集到的三维信息包括道路两侧的建筑物、树木、电灯杆、电力线、桥梁以及道路路面等。杆状地物是城市部件中最为普遍的设施,随着智慧城市的快速发展,急需获取更加全面、准确的杆状地物空间位置信息。目前,对于激光点云中杆状地物提取的研究,主要有聚类法与投影密度法,这两种方法都基于整体的点云数据,易受点云数据中噪声点的影响,方法适应性不高。如何更好地挖掘点云数据的形态特征,提高杆状地物空间位置提取的精度和效率,仍然是目前的研究难点之一。
发明内容
针对上述技术问题,本发明通过研究点车载激光扫描数据生成的基于点数的平面投影图像,运用图像处理的方式,结合杆状地物的几何形态与特征,提出了一种车载激光扫描点云中杆状地物空间位置信息自动提取的方法,对杆状地物进行提取,能够从海量点云数据中快速、自动提取杆状地物空间位置信息。
为了实现上述目的,本发明采用如下技术方案:
一种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,包括如下步骤:
第一步,从车载激光扫描点云中,获取局部范围内杆状地物在竖直方向上的空间分层点云数据,对空间分层点云进行平面投影,根据空间分层点云的范围与平面坐标,将离散的激光点云投影到平面上,用单位像素中点云数量定义像素的亮度值,转换成二维的图像数据,并自动获取最优空间分层点云平面投影图像;
第二步,对生成的最优空间分层点云平面投影图像进行阈值分割,去掉亮度低的点,即将点云数据中同一高度范围数量较少的激光点去掉;
第三步,对阈值分割后的平面投影图像进行直线检测,去掉具有线特征的数据,即将点云数据中建筑物的墙壁数据去掉;
第四步,对图像进行进一步提取,去掉不符合杆状地物直径特征的数据部分,得到杆状地物投影图像;
第五步,从杆状地物投影图像中,取每个杆状地物区域的几何中心,作为杆状地物的空间位置定位点,并将其相对位置还原到三维点云中。
本发明的优点是:
本发明根据激光点云数据,自动获取空间分层数据,并自动选取最优空间分层数据进行平面投影,通过分析杆状地物的特征,对基于点数的平面投影图像进行杆状地物的提取,不易受数据噪声点的影响,自动化程度高,更大程度上充分利用了点云数据的形态特征,达到了较好的提取效果。
附图说明
图1为本发明实施的流程图;
图2为自动获取最优空间分层点云投影图像;
图3为有较多不同高层点的分层点云投影图像;
图4为滤波后分层点云投影图像;
图5为杆状地物的空间位置投影图像。
图2-图5的投影图像是由黑底白点图像反转得到的黑底白点图像。
具体实施方式
本领域技术人员根据发明内容和实施的流程图附图1,即可对本发明进行实施。为了便于实施,下面对发明内容中的各个步骤作进一步详细描述,详细描述时给出了图2-图5的具体实例,实例仅以建筑物旁的两个杆状地物坐标空间位置的提取为例。
一,对发明内容第一步骤的详细描述:
1、竖直方向空间分层点云自动提取
根据实际建筑物空间高度分布,首先对点云按照竖直方向整体分层,每2m分一个点云层,获取局部范围内在竖直方向上的一系列空间分层点云数据,设为l1,l2,l3……lN;
2、依次对每个点云层进行平面投影
以xy平面为投影面,z方向的负方向为投影方向,对激光点云进行投影,将建筑物、道路、杆状地物等投影到投影坐标系下;
3、生成基于点数的平面投影图像
根据当前点云范围,设点云坐标为(X,Y,Z),点云范围为{Xmin,Ymin,Zmin,Xmax,Ymax,Zmax},图像的像素坐标为(x,y),缩放精度为s,则点云坐标(X,Y,Z)对应图像的(x,y)分别是:x=(X-Xmin)×s,y=(Y-Ymin)×s;
单位像素内点的亮度是落在单位像素内点云个数的亮度叠加,设每有一个点云转换成(x,y),该点亮度值增加30%;
遍历所有点云数据,计算其对应的平面投影图像坐标,并进行亮度叠加,得到最优空间所有点云层基于点数的平面投影图像,从而生成N个平面投影图像:
4、自动获取最优空间分层点云
对生成的N个平面投影图像进行粗略的块状区域外接圆检测,计算外接圆直径,选取有较多直径接近实际杆状地物直径的平面投影图像,作为最优空间分层点云投影图像,进行下一步的杆状地物提取。
图2示出了其中一个最优空间分层点云投影图像,图像中含有多个杆状地物点云投影图像,其中离上边建筑物最近的杆状地物像素点有P1和P2。
为了证明本发明的准确性,将P1和P2投影到投影坐标系下得知,P1坐标(509170.2306,3985536.5028,75.0464),P2坐标(509173.3905,3985537.3584,74.6881),转换成平面投影图像后坐标为P1’坐标为(293,161),P2’坐标为(354,181)。
二,对发明内容第二步骤的详细描述:
用现有自适应阈值的方法对如图2所示的最优空间分层点云投影图像进行阈值分割,即通过计算像素点周围区域的加权平均,然后减去一个常数来得到自适应阈值,对得到的平面投影图像进行阈值分割,得到亮度较大的区域。
如图3所示,P1’与P2’所在位置亮度较大,因此被很好的保留了下来。这部分区域即对应点云中垂直于xy平面的单位范围内有较多不同高层点的数据,符合杆状地物垂直方向上有较多点的特征。
三,对发明内容第三步骤的详细描述:
对阈值分割后的图像进行直线检测,去掉图像中明显有线特性的部分,将这些部分置为背景色,实际三维点云数据中的建筑物墙壁等对杆状地物提取结果的影响。
如图4所示,将图3所示的图像排除掉建筑物墙壁影响后,就可得到如图4所示的图像。
四,对发明内容第四步骤的详细描述:
对排除掉建筑物墙壁影响后的图像中亮度大的部分进行局部区域生长,提取出每一块亮度大的区域,对这些区域进行滤波:首先提取单块区域边界,如果该区域边界圆形度小于0.2,则该区域偏线条状,不符合杆状地物的特征,排除;再提取单块区域,计算最小外接圆的直径,转换成点云数据中的距离,如果该数据远小于或远大于实际杆状地物直径,则不符合杆状地物的特征,将其排除;再判断n个相邻杆状地物的距离是否符合实际杆状地物的间距,符合则保留,否则删除。
如图5所示,将如图4所示的图像滤波后,最终得到图5所示杆状地物投影图像。
五,对发明内容第五步骤的详细描述:
1、计算杆状地物中心点
对于杆状地物投影图像剩余的区域,提取区域的边界,求其最小外接圆的圆心,作为杆状地物的中心点;
2、将杆状地物中心点坐标转换成点云坐标
杆状地物点坐标设为(x,y),则对应的点云坐标(X,Y,Z)为:X=x/s+Xmin,Y=y/s+Ymin,Z方向坐标取对点云进行空间分层时Z方向的中间值;求出的(X,Y,Z)即为杆状地物的空间位置。
如图5所示,将图4所示图像中P1和P2中心点坐标P1’(293,162)与P2’(354,179),转换成点云坐标如下:
P1’(509170.2535,3985536.5059,75.0235);
P2’(509173.2149,3985537.4218,75.0235)。
上述转换成的点云坐标与投影到投影坐标系中的坐标,两者基本一致,证明本发明方法可以应用到实际杆状地物的提取中来。
Claims (6)
1.一种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,其特征在于,包括如下步骤:
第一步,从车载激光扫描点云中,获取局部范围内杆状地物在竖直方向上的空间分层点云数据,对空间分层点云进行平面投影,根据空间分层点云的范围与平面坐标,将离散的激光点云投影到平面上,用单位像素中点云数量定义像素的亮度值,转换成二维的图像数据,并自动获取最优空间分层点云平面投影图像;
第二步,对生成的最优空间分层点云平面投影图像进行阈值分割,去掉亮度低的点,即将点云数据中同一高度范围数量较少的激光点去掉;
第三步,对阈值分割后的平面投影图像进行直线检测,去掉具有线特征的数据,即将点云数据中建筑物的墙壁数据去掉;
第四步,对图像进行进一步提取,去掉不符合杆状地物直径特征的数据部分,得到杆状地物投影图像;
第五步,从杆状地物投影图像中,取每个杆状地物区域的几何中心,作为杆状地物的空间位置定位点,并将其相对位置还原到三维点云中。
2.如权利要求1所述的方法,其特征在于,所述第一步的详细步骤是:
1.1、竖直方向空间分层点云自动提取
根据实际建筑物空间高度分布,首先对点云按照竖直方向整体分层,每2m分一个点云层,获取局部范围内在竖直方向上的一系列空间分层点云数据,设为l1,l2,l3……lN;
1.2、依次对每个点云层进行平面投影
以xy平面为投影面,z方向的负方向为投影方向,对激光点云进行投影,将建筑物、道路、杆状地物投影到投影坐标系下;
1.3、生成基于点数的平面投影图像
根据当前点云范围,设点云坐标为(X,Y,Z),点云范围为{Xmin,Ymin,Zmin,Xmax,Ymax,Zmax},图像的像素坐标为(x,y),缩放精度为s,则点云坐标(X,Y,Z)对应图像的(x,y)分别是:x=(X-Xmin)×s,y=(Y-Ymin)×s;
单位像素内点的亮度是落在单位像素内点云个数的亮度叠加,设每有一个点云转换成像素点(x,y),该点亮度值增加30%;
遍历所有点云数据,计算其对应的平面投影图像坐标,并进行亮度叠加,得到最优空间所有点云层基于点数的平面投影图像,从而生成N个平面投影图像;
1.4、自动获取最优空间分层点云
对生成的N个平面投影图像进行粗略的块状区域外接圆检测,计算外接圆直径,选取有较多直径接近实际杆状地物直径的平面投影图像,作为最优空间分层点云投影图像,进行下一步的杆状地物提取。
3.如权利要求1所述的方法,其特征在于,所述第二步的详细步骤是:
阈值分割时,用自适应阈值的方法对最优空间分层点云投影图像进行图像分割,即通过计算像素点周围区域的加权平均,然后减去一个常数来得到自适应阈值,对得到的平面投影图像进行阈值分割,得到亮度较大的区域;这部分区域即对应点云中垂直于xy平面的单位范围内有较多不同高层点的数据,符合杆状地物垂直方向上有较多点的特征。
4.如权利要求1所述的法,其特征在于,所述第三步的详细步骤是:
对阈值分割后的图像进行直线检测,去掉图像中明显有线特性的部分,将这些部分置为背景色,即可排除掉实际三维点云数据中的建筑物墙壁对杆状地物提取结果的影响。
5.如权利要求1所述的方法,其特征在于,所述第四步的详细步骤是:
对图像中亮度大的部分进行局部区域生长,提取出每一块亮度大的区域,对这些区域进行滤波:首先提取单块区域边界,如果该区域边界圆形度<0.2,则该区域偏线条状,不符合杆状地物的特征,排除;再提取单块区域,计算最小外接圆的直径,转换成点云数据中的距离,如果该数据远小于或远大于实际杆状地物直径,则不符合杆状地物的特征,将其排除;得到杆状地物投影图像。
6.如权利要求1所述的方法,其特征在于,所述第五步的详细步骤是:
5.1、计算杆状地物中心点
对于剩余的区域,提取单块区域边界,求其最小外接圆的圆心,作为杆状地物的中心点;
5.2、杆状地物中心点坐标转换成点云坐标
杆状地物中心点坐标设为(x,y),则对应的点云坐标(X,Y,Z)为:X=x/s+Xmin,Y=y/s+Ymin,Z方向取对点云进行空间分层时Z方向的中间值;
求出的(X,Y,Z)即为杆状地物的空间位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610504709.4A CN106204547B (zh) | 2016-06-29 | 2016-06-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610504709.4A CN106204547B (zh) | 2016-06-29 | 2016-06-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204547A true CN106204547A (zh) | 2016-12-07 |
CN106204547B CN106204547B (zh) | 2018-08-14 |
Family
ID=57462737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610504709.4A Active CN106204547B (zh) | 2016-06-29 | 2016-06-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204547B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376416A (zh) * | 2018-01-16 | 2018-08-07 | 天津大学 | 一种图像生成方法以及装置 |
CN108447126A (zh) * | 2018-01-29 | 2018-08-24 | 山东科技大学 | 基于参考平面的移动测量***激光点云精度评估方法 |
CN109410282A (zh) * | 2018-11-08 | 2019-03-01 | 上海木木聚枞机器人科技有限公司 | 一种输液杆的检测跟踪方法和装置 |
CN110619663A (zh) * | 2019-08-28 | 2019-12-27 | 山东科技大学 | 一种基于三维激光点云的视频影像目标定位方法 |
CN110866948A (zh) * | 2019-11-26 | 2020-03-06 | 湖南农业大学 | 一种利用三维扫描点云估算谷粒体积形态参数的新方法 |
CN110928301A (zh) * | 2019-11-19 | 2020-03-27 | 北京小米智能科技有限公司 | 一种检测微小障碍的方法、装置及介质 |
CN111127530A (zh) * | 2019-12-24 | 2020-05-08 | 山东科技大学 | 一种多期道路三维激光点云精确配准方法 |
CN111291662A (zh) * | 2020-01-21 | 2020-06-16 | 武汉大学 | 一种基于平面选择的车载点云杆状物提取方法 |
CN111928782A (zh) * | 2017-07-21 | 2020-11-13 | 株式会社多田野 | 测定对象物的上表面推定方法、引导信息显示装置以及起重机 |
CN111932574A (zh) * | 2020-09-01 | 2020-11-13 | 重庆市勘测院 | 基于多层次语义特征的建筑立面点云提取***及方法 |
CN112446314A (zh) * | 2020-11-19 | 2021-03-05 | 武汉中海庭数据技术有限公司 | 一种基于投影图提取护栏高程的方法及*** |
CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
CN112836681A (zh) * | 2021-03-03 | 2021-05-25 | 上海高仙自动化科技发展有限公司 | 一种障碍物标记方法、装置及可读非暂时性存储介质 |
CN113487746A (zh) * | 2021-05-25 | 2021-10-08 | 武汉海达数云技术有限公司 | 一种车载点云着色中最优关联影像选择方法及*** |
CN115564673A (zh) * | 2022-09-26 | 2023-01-03 | 浙江省测绘科学技术研究院 | 三维点云地下车库柱状物提取与矢量自动生成方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070024620A1 (en) * | 2005-08-01 | 2007-02-01 | Muller-Fischer Matthias H | Method of generating surface defined by boundary of three-dimensional point cloud |
CN103473734A (zh) * | 2013-09-16 | 2013-12-25 | 南京大学 | 一种基于车载LiDAR数据的电力线提取与拟合方法 |
-
2016
- 2016-06-29 CN CN201610504709.4A patent/CN106204547B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070024620A1 (en) * | 2005-08-01 | 2007-02-01 | Muller-Fischer Matthias H | Method of generating surface defined by boundary of three-dimensional point cloud |
CN103473734A (zh) * | 2013-09-16 | 2013-12-25 | 南京大学 | 一种基于车载LiDAR数据的电力线提取与拟合方法 |
Non-Patent Citations (3)
Title |
---|
MATTI LEHTOMÄKI ET AL: "Detection of vertical pole-like objects in a road environment using vehicle-based laser scanning data", 《REMOTE SENSING》 * |
吴宾 等: "一种基于车载激光扫描点云数据的单株行道树信息提取方法", 《华东师范大学学报(自然科学版)》 * |
李永强 等: "车载激光扫描数据中杆状地物提取", 《测绘科学》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111928782A (zh) * | 2017-07-21 | 2020-11-13 | 株式会社多田野 | 测定对象物的上表面推定方法、引导信息显示装置以及起重机 |
CN108376416A (zh) * | 2018-01-16 | 2018-08-07 | 天津大学 | 一种图像生成方法以及装置 |
CN108447126A (zh) * | 2018-01-29 | 2018-08-24 | 山东科技大学 | 基于参考平面的移动测量***激光点云精度评估方法 |
CN108447126B (zh) * | 2018-01-29 | 2021-08-17 | 山东科技大学 | 基于参考平面的移动测量***激光点云精度评估方法 |
CN109410282A (zh) * | 2018-11-08 | 2019-03-01 | 上海木木聚枞机器人科技有限公司 | 一种输液杆的检测跟踪方法和装置 |
CN110619663A (zh) * | 2019-08-28 | 2019-12-27 | 山东科技大学 | 一种基于三维激光点云的视频影像目标定位方法 |
CN110928301A (zh) * | 2019-11-19 | 2020-03-27 | 北京小米智能科技有限公司 | 一种检测微小障碍的方法、装置及介质 |
CN110928301B (zh) * | 2019-11-19 | 2023-06-30 | 北京小米智能科技有限公司 | 一种检测微小障碍的方法、装置及介质 |
CN110866948A (zh) * | 2019-11-26 | 2020-03-06 | 湖南农业大学 | 一种利用三维扫描点云估算谷粒体积形态参数的新方法 |
CN110866948B (zh) * | 2019-11-26 | 2023-11-24 | 湖南农业大学 | 一种利用三维扫描点云估算谷粒体积形态参数的新方法 |
CN111127530B (zh) * | 2019-12-24 | 2023-06-20 | 山东科技大学 | 一种多期道路三维激光点云精确配准方法 |
CN111127530A (zh) * | 2019-12-24 | 2020-05-08 | 山东科技大学 | 一种多期道路三维激光点云精确配准方法 |
CN111291662B (zh) * | 2020-01-21 | 2022-06-07 | 武汉大学 | 一种基于平面选择的车载点云杆状物提取方法 |
CN111291662A (zh) * | 2020-01-21 | 2020-06-16 | 武汉大学 | 一种基于平面选择的车载点云杆状物提取方法 |
CN111932574B (zh) * | 2020-09-01 | 2023-05-23 | 重庆市勘测院 | 基于多层次语义特征的建筑立面点云提取***及方法 |
CN111932574A (zh) * | 2020-09-01 | 2020-11-13 | 重庆市勘测院 | 基于多层次语义特征的建筑立面点云提取***及方法 |
CN112446314A (zh) * | 2020-11-19 | 2021-03-05 | 武汉中海庭数据技术有限公司 | 一种基于投影图提取护栏高程的方法及*** |
CN112446314B (zh) * | 2020-11-19 | 2022-07-29 | 武汉中海庭数据技术有限公司 | 一种基于投影图提取护栏高程的方法及*** |
CN112595258B (zh) * | 2020-11-23 | 2022-04-22 | 湖南航天智远科技有限公司 | 基于地面激光点云的地物轮廓提取方法 |
CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
CN112836681A (zh) * | 2021-03-03 | 2021-05-25 | 上海高仙自动化科技发展有限公司 | 一种障碍物标记方法、装置及可读非暂时性存储介质 |
CN112836681B (zh) * | 2021-03-03 | 2024-01-26 | 上海高仙自动化科技发展有限公司 | 一种障碍物标记方法、装置及可读非暂时性存储介质 |
CN113487746B (zh) * | 2021-05-25 | 2023-02-24 | 武汉海达数云技术有限公司 | 一种车载点云着色中最优关联影像选择方法及*** |
CN113487746A (zh) * | 2021-05-25 | 2021-10-08 | 武汉海达数云技术有限公司 | 一种车载点云着色中最优关联影像选择方法及*** |
CN115564673A (zh) * | 2022-09-26 | 2023-01-03 | 浙江省测绘科学技术研究院 | 三维点云地下车库柱状物提取与矢量自动生成方法及*** |
CN115564673B (zh) * | 2022-09-26 | 2024-03-15 | 浙江省测绘科学技术研究院 | 三维点云地下车库柱状物提取与矢量自动生成方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106204547B (zh) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204547A (zh) | 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 | |
CN106650640B (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
CN111291708B (zh) | 融合深度相机的变电站巡检机器人障碍物检测识别方法 | |
CN105513127B (zh) | 基于密度峰值聚类的杆状物规则化三维建模方法及*** | |
CN106067003B (zh) | 一种车载激光扫描点云中道路矢量标识线自动提取方法 | |
CN105184852B (zh) | 一种基于激光点云的城市道路识别方法及装置 | |
CN105551082B (zh) | 一种基于激光点云的路面识别方法及装置 | |
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
Wu et al. | Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach | |
CN102930509B (zh) | 一种机载激光点云数据的智能化滤波方法 | |
CN106199558A (zh) | 障碍物快速检测方法 | |
CN111325138B (zh) | 一种基于点云局部凹凸特征的道路边界实时检测方法 | |
CN109118500A (zh) | 一种基于图像的三维激光扫描点云数据的分割方法 | |
CN108845569A (zh) | 生成三维高清道路图水平弯道行车线的半自动点云方法 | |
CN112070769A (zh) | 一种基于dbscan的分层点云分割方法 | |
CN112633092B (zh) | 基于车载激光扫描点云的道路信息提取方法 | |
CN103679655A (zh) | 一种基于坡度与区域生长的LiDAR点云滤波方法 | |
CN110349260A (zh) | 一种路面标线自动提取方法及装置 | |
CN106525000A (zh) | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 | |
CN103745436A (zh) | 基于区域预测的LiDAR点云数据形态学滤波方法 | |
CN110532963B (zh) | 一种车载激光雷达点云驱动的道路标线精准提取方法 | |
CN114359876B (zh) | 一种车辆目标识别方法及存储介质 | |
EP4174792A1 (en) | Method for scene understanding and semantic analysis of objects | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
WO2023060632A1 (zh) | 基于点云数据的街景地物多维度提取方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |