CN112287944A - 实物表面采样数据局部形貌标架量化及特征识别方法 - Google Patents
实物表面采样数据局部形貌标架量化及特征识别方法 Download PDFInfo
- Publication number
- CN112287944A CN112287944A CN201910668130.5A CN201910668130A CN112287944A CN 112287944 A CN112287944 A CN 112287944A CN 201910668130 A CN201910668130 A CN 201910668130A CN 112287944 A CN112287944 A CN 112287944A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- local
- frame
- object surface
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Multimedia (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明针对实物表面采样数据的特征识别结果存在噪声及特征遗漏问题,提出一种实物表面采样数据局部形貌标架量化及特征识别方法,属于产品逆向工程技术领域。基于点云局部中轴对样点的隔离作用,剔除样点欧氏邻域内的非测地邻域点,为实物表面构造优化的局部样本模型。析取局部离散样本中的准共法截线点对集合,构造实物表面的局部形貌标架。基于标架夹角的差异性,对实物表面样本形貌进行量化分析,区分平滑、边界、棱边及尖角等特征区域,实现对中心样点属性的稳健判别。本发明适用于不同密度的采样点云,能够显著降低点云特征识别结果中的噪声点规模,且能有效减少特征遗漏现象。
Description
技术领域
本发明提供一种实物表面采样数据局部形貌标架量化及特征识别方法,属于产品逆向工程技术领域。
背景技术
在逆向工程领域,从实物表面采样数据中识别尖锐棱角、边界等特征区域的样点,是点云精简、微分几何量估计、曲面拓扑重建及几何重建等过程的重要基础,对该问题的研究长期以来深受关注。
对现有技术文献检索发现,王丽辉等在学术期刊《信号处理》2011,27(6):932-938发表的论文“三维实物表面采样数据模型的特征点检测”以目标点曲率、法向夹角、邻域点的距离为基础设定特征参数,利用特征阈值提取特征点。同样基于曲率分析的还有庞旭芳等在学术期刊《自动化学报》2010,36(8):1073-1083发表的论文“点云模型谷脊特征的提取与增强方法”,其利用目标点局部拟合多项式计算主曲率与主方向信息,利用较大的主曲率标记潜在特征点,提升了特征识别鲁棒性。多尺度特征提取方法也是一个重要分支,PAULY等在期刊《Computer Graphics Forum》2003,22(3):281-289发表的论文“Multi:caleFeature Extraction on Point sampled Surfaces”提出可引入黎曼树表达样点邻域,通过构建局部协方差矩阵完成特征点概率估计并提取特征点。李延瑞等在期刊《计算机集成制造***》2015,21(7):1719-1724发表的论文“曲面边界样点逆向均值漂移识别”将目标样点的K近邻点集作为曲面局部样本,通过均值偏移算法将采样数据向稀疏区域扩展,利用核密度估计识别目标样点模式点,通过对比两点的偏离程度识别特征点。MIN等在期刊《Graphical Models》2012,74(4):197-208发表的论文“Multi-scale tensor voting forfeature extraction from unstructured point clouds”利用多尺度张量投票识别特征点的方法,借助自适应阈值提升了算法效率。WEBER等在期刊《Graphical Models》2012,74(6):335-345上发表的论文“Sharp feature preserving MLS surface reconstructionbased on local feature line approximations”认为可在目标点邻域内计算所有潜在三角形的法向,依据高斯法向将三角形聚类,根据法向聚类结果识别特征点,该方法在准确度上有一定的提升。BAZAZIAND等在期刊《International Joint Conference on ComputerVision,Imaging and Computer Graphics Theory and Applications》2017:317-325发表的论文“Segmentation-based multi-scale edge extraction to measure thepersistence of features in unorganized point clouds”提出了一种基于分割多尺度提取边缘特征点的方法,利用样点测地距离分割点云数据,随后通过目标样点的局部邻域定义多尺度算子,在点云的多个尺度应用该算子识别特征样点,提高了边缘检测精度。基于Voronoi图,ALIEZ等在期刊《Eurographics Symposium on GeometryProcessing.Eurographics Association》2007:39-48发表的论文“Voronoi-basedvariational reconstruction of unoriented point sets”提出可利用不同特征曲面下Voronoi单元形态的差异性,通过各维度最小生成体判断Voronoi单元特点并提取特征点;MERIGOT等在期刊《IEEE Transactions on Visualization and Computer Graphics》2011,17(6):743-756发表的论文“Voronoi-based curvature and feature estimationfrom point clouds”利用Voronoi顶点求解协方差矩阵分析目标Voronoi单元形态,优化特征识别的效率与准确性。
综上所述,现有特征识别方法多以整体点云或给定样点的欧氏邻域为基础,通过主元分析、曲面微分几何信息估计以及Voronoi剖分等方式建立样点坐标与采样曲面局部形态间的联系。但在特征识别过程中,因样点欧氏邻域无法准确反映采样曲面在尖锐的棱边、尖角等区域的形态,常因分析结果存在较大偏差而导致特征样点遗漏。此外,因基于曲率、法向以及Voronoi剖分的方法通常无法灵敏反映尖锐特征区域的形貌变化,易导致所提取点云特征点集内存在规模较大的噪声数据,进一步降低了点云特征识别结果的准确性。
发明内容
为解决上述技术问题,本发明采用一种实物表面采样数据局部形貌标架量化及特征识别方法,该方法适用于不同密度的采样点云,可准确识别点云棱边、尖角及边界特征,且对噪声具有一定的抑制作用,能有效避免因采样不均匀而导致的特征遗漏问题。其技术方案为:
一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于依次包含以下步骤:(1)设p为实物表面采样点集Α中任意一点,V(p)为p及其邻近样点构成的实物表面局部样本,计算p的Voronoi极点M(p);(2)剔除M(p)中无穷远点及冗余点构造实效中轴A*(p);(3)利用A*(p)剔除V(p)中的非测地邻域点;(4)析取V(p)的准共法截线点对F(p);(5)根据F(p)构造p点的局部点云形貌标架Dis(p)并识别p点所处区域的形貌特征。
为实现发明目的,所述的一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于:步骤(2)中,剔除M(p)中无穷远点及冗余点构造效中轴A*(p),具体步骤为:1)剔除M(p)中的无穷远点;2)设为M(p)的均值点,oi∈V(p),n为V(p)中的样点数量,构造M(p)的协方差矩阵C(p),3)对C(p)进行特征值分解,若λ1=0且λ2λ3>0,则对M(p)进行平面逼近,获得实效中轴A*(p),否则转步骤4);4)对M(p)进行聚类数目k=2的k均值聚类,获得聚类结果M1(p)、M2(p);5)对M1(p)、M2(p)进行平面逼近,获得待定中轴面A1(p)、A2(p);6)将V(p)向A1(p)、A2(p)投影,设最小投影距离为d1、d2,阈值为ε,当dl<ε(l=1,2)时,剔除M(p)中的Ml(p),对M(p)进行平面逼近,获得实效中轴A*(p)。
为实现发明目的,所述的一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于:步骤(3)中,利用A*(p)剔除V(p)中的非测地邻域点,其具体步骤为:1)任取A*(p)上一点t,计算A*(p)的法向量f,求解向量tp与f的点积nl;2)j←1,qj∈V(p);3)计算点qj到点t的向量qjt与f的点积nj;4)判断nl与nj的符号差异性,若两者异号,则qj与p位于中轴异侧,将qj作为杂点删除,否则qj与p位于中轴同侧,将其作为测地邻域点保留;5)j←j+1;6)重复步骤2)到步骤5),直至V(p)内所有样点处理完毕,将V(p)剩余样点作为局部样本输出。
为实现发明目的,所述的一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于:步骤(4)中,析取V(p)的准共法截线点对F(p),其具体步骤为:1)i←1,pi∈V(p),pi≠p,通过局部表面拟合法计算p点法向量fp,2)基于fp与pi构造参照法截面Ai;3)分别计算V(p)内除pi与p外其余各点到Ai的投影距离,从中选取投影距离最小的点p′i;4)基于点p′i与fp构造参照法截面A′i;5)分别计算V(p)内除p与p′i外其余各点到A′i的投影距离,从中选取投影距离最小的一点,判断该点是否与pi重合,若重合,则转到步骤6),否则转到步骤7);6)将pi与p′i记为一组准共法截线点对,将其存入集合A(p);7)从V(p)中剔除点pi;8)i←i+1;9)重复步骤2)到步骤8),直至V(p)只剩点p,输出A(p)的准共法截线点对F(p)。
为实现发明目的,所述的一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于:步骤(5)中,根据F(p)构造p点的局部点云形貌标架Dis(p)并识别p点所处区域的形貌特征,其具体步骤为:1)根据F(p)构造各准共法截线点对与p的连线,将连线组合作为p的局部形貌标架Dis(p);2)计算Dis(p)中各标架曲线在p处的夹角Ci,设阈值为B,若夹角Ci<B,转步骤3),否则转步骤4);3)构造Ci对应标架曲线所在平面Bi,计算Bi的法向量与f的夹角C′,设阈值为δ,当C′<δ时,p位于边界区域,将其存入边界点集B(p),否则转步骤4);4)计算Dis(p)中各标架曲线夹角均值C及夹角方差σ,设阈值为θ和ξ,若C>θ且σ≤ξ,p位于平滑区域,将其存入平滑点集S(p),若C≤θ且σ≤ξ,p位于尖角区域,将其存入尖角点集C(p),若σ>ξ,p位于棱边区域,将其存入棱边点集E(p)。
与现有技术相比,本发明具有以下优点:
(1)由实物表面局部样本的Voronoi极点拟合而成的点云局部中轴,可有效剔除样点欧氏邻域内的非测地邻域点,将位于尖锐特征区域的样点欧氏邻域转化为测地邻域。
(2)准共法截线点对析取过程可在样点分布不均匀的情况下及法截线构造过程可建立充分逼近于采样曲面的形貌标架。
(3)点云的局部形貌标架将实物表面样本整合,根据标架线夹角可完成对其辐射区域实物表面样本形貌的量化分析,从而显著提高了特征识别精度,减少了特征点遗漏现象。
附图说明
图1是本发明的流程图;
图2是中轴隔离优化示意图;
图3为不同区域的中轴分布示意图;
图4为不同区域局部形貌标架示意图;
图5为实验采用的组合体数据模型的原始点云及特征识别效果图;
图6为实验采用的叶轮数据模型的原始点云及特征识别效果图;
图7为实验采用的叶盘数据模型的原始点云及特征识别效果图。
具体实施方式
下面结合附图及实施例对本发明作进一步说明。
利用本发明所述的一种实物表面采样数据局部形貌标架量化及特征识别方法的流程图如图1所示,该程序主要流程为:计算Voronoi极点并构造实效中轴,根据实效中轴剔除局部样本中的非测地邻域点,析取局部样本的准共法截线点对,构造局部形貌标架并识别点云特征。
图2为中轴隔离优化示意图,可以看出Axis将位于曲面S1上的样点和位于曲面S2上的杂点隔离,可获得点p准确的测地邻域。
图3为不同区域的中轴分布示意图,(1)尖锐特征区域,图3(a)所示:此时曲面内测的中轴Ai延伸后可与曲面交于特征线,对特征线两侧平坦区域的样点具有隔离作用;外侧的中轴位于距曲面无穷远处,对曲面局部样本无隔离作用。(2)薄壁特征区域(两壁均平坦),如图3(b)所示:此时两薄壁曲面之间的中轴Ai对位于不同薄壁曲面上的样点具有隔离作用;各薄壁曲面外侧中轴位于距该曲面无穷远处,对局部样本无隔离作用。(3)薄壁特征区域(一壁平坦,一壁尖锐),如图3(c)所示:此时尖锐薄壁曲面S1内测的中轴延伸后可与该曲面交于特征线,对位于S1上的样点具有隔离作用;两薄壁曲面之间的中轴Ai对位于不同曲面上的样点具有隔离作用;平坦薄壁曲面外侧的中轴位于距其无穷远处,对局部样本无隔离作用。(4)薄壁特征区域(两壁均尖锐),如图3(d)所示:此时两薄壁曲面之间的中轴Ao对位于不同曲面上的样点具有隔离作用;位于特征薄壁曲面S1内测的中轴Ai延伸后可与该曲面相交,对曲面S1上的样点具有隔离作用;位于另一薄壁曲面S2外侧的中轴则位于距其无穷远处,对局部样本无隔离作用。
图4为不同区域局部形貌标架示意图,(a)当p位于平滑区域时,如图4(a)所示,Dis(p)内各标架曲线的夹角均较大,且个体差异较小,V(p)在各离散化方向上均呈现出较小的弯曲程度;(2)当p位于尖角区域时,如图4(b)所示,Dis(p)内各标架曲线的夹角均较小,且个体差异不大,V(p)在各离散化方向上均呈现出较大的弯曲程度;(3)当p位于棱边区域时,如图4(c)所示,Dis(p)内各标架曲线的夹角存在较大的个体差异,其中棱边同向标架线夹角最大,棱边同向标架线夹角最小。V(p)在各离散化方向上呈现出不同的弯曲程度;(4)当p位于边界区域时,如图4(d)所示,Dis(p)内存在分布于点p同侧的准共法截线点对,该点对所构成的标架曲线所在平面严重偏离点p处的法截面,此时标架线夹角无法反映V(p)的形貌特点。
实施例:图5、图6和图7为实验采用的组合体数据模型、叶轮数据模型和叶盘数据模型的原始点云及特征识别效果图,可以看出,本发明能够有效识别实物表面采样点集的棱边、角点及边界等特征,其中组合体模型提取特征点个数为723,叶轮模型提取特征点个数为1589,叶盘模型提取特征点个数为5289。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于依次包含以下步骤:(1)设p为实物表面采样点集Α中任意一点,V(p)为p及其邻近样点构成的实物表面局部样本,计算p的Voronoi极点M(p);(2)剔除M(p)中无穷远点及冗余点构造实效中轴A*(p);(3)利用A*(p)剔除V(p)中的非测地邻域点;(4)析取V(p)的准共法截线点对F(p);(5)根据F(p)构造p点的局部点云形貌标架Dis(p)并识别p点所处区域的形貌特征。
2.如权利要求1所述的一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于:步骤(2)中,剔除M(p)中无穷远点及冗余点构造效中轴A*(p),具体步骤为:1)剔除M(p)中的无穷远点;2)设为M(p)的均值点,oi∈V(p),n为V(p)中的样点数量,构造M(p)的协方差矩阵C(p),3)对C(p)进行特征值分解,若λ1=0且λ2λ3>0,则对M(p)进行平面逼近,获得实效中轴A*(p),否则转步骤4);4)对M(p)进行聚类数目k=2的k均值聚类,获得聚类结果M1(p)、M2(p);5)对M1(p)、M2(p)进行平面逼近,获得待定中轴面A1(p)、A2(p);6)将V(p)向A1(p)、A2(p)投影,设最小投影距离为d1、d2,阈值为ε,当dl<ε(l=1,2)时,剔除M(p)中的Ml(p),对M(p)进行平面逼近,获得实效中轴A*(p)。
3.如权利要求1所述的一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于:步骤(3)中,利用A*(p)剔除V(p)中的非测地邻域点,其具体步骤为:1)任取A*(p)上一点t,计算A*(p)的法向量f,求解向量tp与f的点积nl;2)j←1,qj∈V(p);3)计算点qj到点t的向量qjt与f的点积nj;4)判断nl与nj的符号差异性,若两者异号,则qj与p位于中轴异侧,将qj作为杂点删除,否则qj与p位于中轴同侧,将其作为测地邻域点保留;5)j←j+1;6)重复步骤2)到步骤5),直至V(p)内所有样点处理完毕,将V(p)剩余样点作为局部样本输出。
4.如权利要求1所述的一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于:步骤(4)中,析取V(p)的准共法截线点对F(p),其具体步骤为:1)i←1,pi∈V(p),pi≠p,通过局部表面拟合法计算p点法向量fp,2)基于fp与pi构造参照法截面Ai;3)分别计算V(p)内除pi与p外其余各点到Ai的投影距离,从中选取投影距离最小的点p′i;4)基于点p′i与fp构造参照法截面A′i;5)分别计算V(p)内除p与p′i外其余各点到A′i的投影距离,从中选取投影距离最小的一点,判断该点是否与pi重合,若重合,则转到步骤6),否则转到步骤7);6)将pi与p′i记为一组准共法截线点对,将其存入集合A(p);7)从V(p)中剔除点pi;8)i←i+1;9)重复步骤2)到步骤8),直至V(p)只剩点p,输出A(p)的准共法截线点对F(p)。
5.如权利要求1所述的一种实物表面采样数据局部形貌标架量化及特征识别方法,其特征在于:步骤(5)中,根据F(p)构造p点的局部点云形貌标架Dis(p)并识别p点所处区域的形貌特征,其具体步骤为:1)根据F(p)构造各准共法截线点对与p的连线,将连线组合作为p的局部形貌标架Dis(p);2)计算Dis(p)中各标架曲线在p处的夹角Ci,设阈值为B,若夹角Ci<B,转步骤3),否则转步骤4);3)构造Ci对应标架曲线所在平面Bi,计算Bi的法向量与f的夹角C′,设阈值为δ,当C′<δ时,p位于边界区域,将其存入边界点集B(p),否则转步骤4);4)计算Dis(p)中各标架曲线夹角均值C及夹角方差σ,设阈值为θ和ξ,若C>θ且σ≤ξ,p位于平滑区域,将其存入平滑点集S(p),若C≤θ且σ≤ξ,p位于尖角区域,将其存入尖角点集C(p),若σ>ξ,p位于棱边区域,将其存入棱边点集E(p)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668130.5A CN112287944A (zh) | 2019-07-23 | 2019-07-23 | 实物表面采样数据局部形貌标架量化及特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668130.5A CN112287944A (zh) | 2019-07-23 | 2019-07-23 | 实物表面采样数据局部形貌标架量化及特征识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287944A true CN112287944A (zh) | 2021-01-29 |
Family
ID=74418676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910668130.5A Pending CN112287944A (zh) | 2019-07-23 | 2019-07-23 | 实物表面采样数据局部形貌标架量化及特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287944A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295203A (zh) * | 2013-06-12 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于b样条的硅片表面形貌重构的方法 |
CN106127677A (zh) * | 2016-06-22 | 2016-11-16 | 山东理工大学 | 基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法 |
CN108664733A (zh) * | 2018-05-11 | 2018-10-16 | 山东理工大学 | 棱边特征曲面拓扑逼近重建方法 |
-
2019
- 2019-07-23 CN CN201910668130.5A patent/CN112287944A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295203A (zh) * | 2013-06-12 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于b样条的硅片表面形貌重构的方法 |
CN106127677A (zh) * | 2016-06-22 | 2016-11-16 | 山东理工大学 | 基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法 |
CN108664733A (zh) * | 2018-05-11 | 2018-10-16 | 山东理工大学 | 棱边特征曲面拓扑逼近重建方法 |
Non-Patent Citations (4)
Title |
---|
JINHU WANG ET AL.: "SigVox – A 3D feature matching algorithm for automatic street object", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
MIN LU ET AL.: "Recognizing Objects in 3D Point Clouds with Multi-Scale", 《SENSORS》 * |
梁增凯等: "样点邻域同构曲面约束的散乱点云曲率估计", 《西安交通大学学报》 * |
纪志浩等: "基于点云数据三维重建方法的研究", 《黑龙江工程学院学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
Bazazian et al. | Fast and robust edge extraction in unorganized point clouds | |
CN101893704B (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
CN116167668B (zh) | 基于bim的绿色节能建筑施工质量评价方法及*** | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN110175529B (zh) | 一种基于降噪自编码网络的三维人脸特征点定位方法 | |
CN110222642A (zh) | 一种基于全局图聚类的平面建筑构件点云轮廓提取方法 | |
Wang et al. | Feature extraction of point clouds based on region clustering segmentation | |
Kim et al. | Automatic pipe and elbow recognition from three-dimensional point cloud model of industrial plant piping system using convolutional neural network-based primitive classification | |
CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
WO2021248908A1 (zh) | 基于高斯过程回归的室外场景三维点云的地面提取方法 | |
CN113205529B (zh) | 一种基于机载LiDAR点云分割建筑物顶面的方法 | |
US11941329B2 (en) | Method for analyzing fuselage profile based on measurement data of whole aircraft | |
Yue et al. | A new plane segmentation method of point cloud based on mean shift and RANSAC | |
Gilani et al. | Robust building roof segmentation using airborne point cloud data | |
CN109614928B (zh) | 基于有限训练数据的熊猫脸部识别方法 | |
CN110942077A (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
Chen et al. | An efficient global constraint approach for robust contour feature points extraction of point cloud | |
Xin et al. | Accurate and complete line segment extraction for large-scale point clouds | |
CN109902690A (zh) | 图像识别技术 | |
CN116823940A (zh) | 一种三维场景移动物体检测方法 | |
CN111292346A (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
Li | A super voxel-based Riemannian graph for multi scale segmentation of LiDAR point clouds | |
CN112287944A (zh) | 实物表面采样数据局部形貌标架量化及特征识别方法 | |
Guili et al. | A man-made object detection algorithm based on contour complexity evaluation |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210129 |
|
WD01 | Invention patent application deemed withdrawn after publication |