CN112446907B - 一种单线点云与多线点云配准的方法及装置 - Google Patents
一种单线点云与多线点云配准的方法及装置 Download PDFInfo
- Publication number
- CN112446907B CN112446907B CN202011308942.8A CN202011308942A CN112446907B CN 112446907 B CN112446907 B CN 112446907B CN 202011308942 A CN202011308942 A CN 202011308942A CN 112446907 B CN112446907 B CN 112446907B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- line
- line point
- grids
- clouds
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Generation (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种单线点云与多线点云配准的方法及装置,该方法包括:将单线与多线点云变换到同一坐标轴,在点云空间内以预定尺寸的体素均匀重采样点云;划分空间网格,统计每个网格中点云数目,过滤点云数目低于预设阈值的网格,并统计剩余网格内点云z值分布,将在阈值范围内的网格标记为地面,其余网格标记为非地面点;对标记为非地面点云,取每个点云临近区域的所有点云,对点云形成的矩阵求对应的协方差矩阵,对协方差矩阵进行特征分解,基于特征值间比例关系滤除非规则物体点云;对规则物体点云采用NDT算法进行配准,迭代三个方向点云的平移量。实现单线点云与多线点云的最优配准,配准效率高,且配准结果准确可靠。
Description
技术领域
本发明涉及点云数据处理领域,尤其涉及一种单线点云与多线点云配准的方法及装置。
背景技术
在自动驾驶领域,高精度地图数据可作为自动驾驶的参考标准,对于开发自动驾驶功能具有重要的意义。高精度地图除了传统道路拓扑外,还包含许多地物要素,例如护栏、路沿、杆、标识牌等,使用激光传感器往往不能兼顾所有地物的采集,因此,许多数据采集***往往使用多个传感器,如多个相机,单线、多线激光传感器同时采集数据。多传感器由于安装位置不同,在实际使用中因为震动等各种因素,传感器往往会发生偏移,多个传感器数据统一到全局坐标后会产生错位,在具体应用采集数据前,需要对多个传感器之间的数据进行配准。然而,当前已有基于人工或固定参数的配准方法在具体应用时,存在配准速度慢、配准结果不正确的问题。
发明内容
有鉴于此,本发明实施例提供了一种单线点云与多线点云配准的方法及装置,以解决现有配准方法配准速度慢、配准结果不准确的问题。
在本发明实施例的第一方面,提供了一种单线点云与多线点云配准的方法,包括:
将单线点云与多线点云变换到同一坐标轴后,在点云空间内以预定尺寸的体素均匀重采样点云;
将重采样点云按预定大小划分为空间网格,统计每个网格中点云数目,过滤点云数目低于预设阈值的网格,并统计剩余空间网格内点云z值分布,将z值分布在特定阈值范围内的网格标记为地面,其余网格标记为非地面点;
对标记为非地面点云,取每个点云临近区域的所有点云,对点云形成的矩阵求对应的协方差矩阵,对协方差矩阵进行特征分解得到特征值,基于特征值间比例关系滤除非规则物体点云;
对规则物体点云采用NDT算法进行配准,迭代三个方向点云的平移量以实现单线点云与多线点云的最优配准。
在本发明实施例的第二方面,提供了一种用于单线点云与多线点云配准的装置,包括:
重采样模块,用于将单线点云与多线点云变换到同一坐标轴后,在点云空间内以预定尺寸的体素均匀重采样点云;
路面分割模块,用于将重采样点云按预定大小划分为空间网格,统计每个网格中点云数目,过滤点云数目低于预设阈值的网格,并统计剩余空间网格内点云z值分布,将z值分布在特定阈值范围内的网格标记为地面,其余网格标记为非地面点;
点云滤除模块,用于对标记为非地面点云,取每个点云临近区域的所有点云,对点云形成的矩阵求对应的协方差矩阵,对协方差矩阵进行特征分解得到特征值,基于特征值间比例关系滤除非规则物体点云;
迭代配准模块,用于对规则物体点云采用NDT算法进行配准,迭代三个方向点云的平移量以实现单线点云与多线点云的最优配准。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,通过点云重采样后,进行地面点云和非地面点云的分割,滤除非规则点云,再通过点云配准算法进行单线点云和多线点云的配准。分割非地面点云,并滤除不规则物体点云,可以提升配准效率,并有效保障配准精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述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的前提下,还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的一种单线点云与多线点云配准的方法的流程示意图;
图2为本发明的一个实施例提供的一种用于单线点云与多线点云配准的装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或***、设备没有限定于已列出的步骤或单元。
请参阅图1,图1为本发明一个实施例提供的一种单线点云与多线点云配准的方法的流程示意图,包括:
S101、将单线点云与多线点云变换到同一坐标轴后,在点云空间内以预定尺寸的体素均匀重采样点云;
所述单线点云和多线点云分别为单线激光雷达采集的数据及多线激光雷达采集数据,将单线点云和多线点云转换到同一坐标系以便于进行点云配准。
其中,将点云数据存储为一个整体的偏转值加上相对偏转值的位移量。不同的点云有不同的偏转值,遍历多线点云数据,将多线点云平移到单线点云的坐标***上。
所述预定尺寸的体素是指三维空间内一定大小的体积元素,如长*宽*高。所述重采样即使用网格对点云均匀采样,优选的,在本实施例中使用点云下采样,降低点云数量,以提升后续算法效率。
示例性的,在整个点云空间以0.1m*0.1m*0.1m的体素均匀重采样点云。由于对地物采集的精度要求,单线点云的工作频率很高,地面采样点分辨率普遍在cm量级,一般200m高速公路的单线点云数据大小在300MB,经重采样后数据大小可降为30MB。
S102、将重采样点云按预定大小划分为空间网格,统计每个网格中点云数目,过滤点云数目低于预设阈值的网格,并统计剩余空间网格内点云z值分布,将z值分布在特定阈值范围内的网格标记为地面,其余网格标记为非地面点;
所述z值分布表示正态分布中概率分布,用于衡量样本均值偏离整体均值的方差倍数,即偏离方差程度。基于统计网格内点云的z值分布,区分地面点云和非地面点云。
可以理解的是,采集的点云中,地面点云较多,且地面点云会对水平面方向的配准精度有影响,因此需要过滤地面点云。利用地面点云法向量及局部高程差粗分割出地面与非地面点云,在分割出的非地面点云中会包含有少量地面点云,而少量点云不会影响后面配准效率,同时会对提升配准的高程精度有一定作用。
示例性的,将整个点云空间划分为1m*1m*1m的空间网格,把所有点云按其空间位置划分到这些空间网格,统计每个空间网格的点云数目,将点云数目低于某个阈值的网格过滤掉,统计计算其余网格统计网格内点云的z值分布,将z值分布在某一阈值(可设置为0.1m)内的网格标记为地面,其他标记为非地面。
需要说明的是,粗略分割地面点云和非地面点云,不仅可以提升后续配准精度(地面点参与),而且能一定程度降低计算量,提升算法处理效率。
S103、对标记为非地面点云,取每个点云临近区域的所有点云,对点云形成的矩阵求对应的协方差矩阵,对协方差矩阵进行特征分解得到特征值,基于特征值间比例关系滤除非规则物体点云;
所述临近区域为一定距离内相近的点云,求临近点云形成矩阵的协方差矩阵。具体的,取每个点云临近区域(如0.5m)的所有点云,假定为n个点,对这n个点空间位置形成的n*3矩阵求其协方差矩阵,得到3*3的协方差矩阵,对协方差矩阵进行特征值分解,得到3个特征值。
根据激光传感器特性,规则物体在空间中表现为空间曲面,而杂草,树叶等非规则物体会杂乱充斥在空间中。基于获取的特征值之间的比例关系,当三个特征值大小接近时可判断其属于杂草或树叶。
具体的,对特征值取平均值,根据不同特征值之间的比例关系判断点云是否为规则物体;其中,若不同特征值在一定范围内认为大小接近,则判定对应的点云为非规则物体。
尽管会有少部分不是杂草和树叶的点云被误判断,但是后续配准算法利用的是整体点云,对滤除的精度要求不高,滤除不规则物体点云同样可以减少计算量,提升点云配准效率。
S104、对规则物体点云采用NDT算法进行配准,迭代三个方向点云的平移量以实现单线点云与多线点云的最优配准。
所述NDT(normal distribution transform)算法为一种点云匹配算法,其根据参考数据构建多维变量的正态分布,若变换参数能使得两幅激光数据匹配的很好,则变换点在参考系中的概率密度将会很大,据此可以用优化的方法求出使得概率密度之和最大的变换参数。
具体的,通过NDT方法建立最优数学模型,对三个方向的平移量迭代优化,模型收敛后输出最优配准结果。
对于三维点云数据需要对三个方向的特征向量进行迭代优化。在进行最优化迭代时,只迭代三个方向上的平移量,不迭代旋转变化,因为根据点云的采集特点,不存在可以用旋转来表达的偏移的可能。在考虑旋转后的配准,不仅配准迭代效率低,还会导致配准结果不可靠。去掉旋转后配准鲁棒性大为提升,配准效率也有一定提升。
通过本实施例提供的方法,可以减少点云计算量,提升点云配准速度,且保障配准结果正确可靠。
在实际使用中数据量大小为300MB的点云,i7处理器,不使用多线程和gpu等加速手段,完成配准只需1秒左右,且配准结果稳定可靠。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图2为本发明实施例提供的一种用于单线点云与多线点云配准的装置的结构示意图,该装置包括:
重采样模块210,用于将单线点云与多线点云变换到同一坐标轴后,在点云空间内以预定尺寸的体素均匀重采样点云;
路面分割模块220,用于将重采样点云按预定大小划分为空间网格,统计每个网格中点云数目,过滤点云数目低于预设阈值的网格,并统计剩余空间网格内点云z值分布,将z值分布在特定阈值范围内的网格标记为地面,其余网格标记为非地面点;
其中,将点云数据存储为整体偏转值加上相对偏转值。
点云滤除模块230,用于对标记为非地面点云,取每个点云临近区域的所有点云,对点云形成的矩阵求对应的协方差矩阵,对协方差矩阵进行特征分解得到特征值,基于特征值间比例关系滤除非规则物体点云;
对特征值取平均值,根据不同特征值之间的比例关系判断点云是否为规则物体;其中,若不同特征值在一定范围内认为大小接近,则判定对应的点云为非规则物体。
迭代配准模块240,用于对规则物体点云采用NDT算法进行配准,迭代三个方向点云的平移量以实现单线点云与多线点云的最优配准。
具体的,通过NDT方法建立最优数学模型,对三个方向的平移量迭代优化,模型收敛后输出最优配准结果。
可以理解的是,在一个实施例中,所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序执行如实施例一中步骤S101~S104,处理器执行所述计算机程序时实现单线点云与多线点云的配准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括步骤S101~S104,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种单线点云与多线点云配准的方法,其特征在于,包括:
将单线点云与多线点云变换到同一坐标轴后,在点云空间内以预定尺寸的体素均匀重采样点云;
将重采样点云按预定大小划分为空间网格,统计每个网格中点云数目,过滤点云数目低于预设阈值的网格,并统计剩余空间网格内点云z值分布,将z值分布在特定阈值范围内的网格标记为地面,其余网格标记为非地面点;
对标记为非地面点云,取每个点云临近区域的所有点云,对点云形成的矩阵求对应的协方差矩阵,对协方差矩阵进行特征分解得到特征值,基于特征值间比例关系滤除非规则物体点云;
其中,所述对协方差矩阵进行特征分解得到特征值,基于特征值间比例关系滤除非规则物体点云包括:
对特征值取平均值,根据不同特征值之间的比例关系判断点云是否为规则物体;其中,若不同特征值在一定范围内认为大小接近,则判定对应的点云为非规则物体;
对规则物体点云采用NDT算法进行配准,迭代三个方向点云的平移量以实现单线点云与多线点云的最优配准。
2.根据权利要求1所述的方法,其特征在于,所述将单线点云与多线点云变换到同一坐标轴还包括:
将点云数据存储为整体偏转值加上相对偏转值。
3.根据权利要求1所述的方法,其特征在于,所述对规则物体点云采用NDT算法进行配准,迭代三个方向点云的平移量以实现单线点云与多线点云的最优配准包括:
通过NDT方法建立最优数学模型,对三个方向的平移量迭代优化,模型收敛后输出最优配准结果。
4.一种用于单线点云与多线点云配准的装置,其特征在于,包括:
重采样模块,用于将单线点云与多线点云变换到同一坐标轴后,在点云空间内以预定尺寸的体素均匀重采样点云;
路面分割模块,用于将重采样点云按预定大小划分为空间网格,统计每个网格中点云数目,过滤点云数目低于预设阈值的网格,并统计剩余空间网格内点云z值分布,将z值分布在特定阈值范围内的网格标记为地面,其余网格标记为非地面点;
点云滤除模块,用于对标记为非地面点云,取每个点云临近区域的所有点云,对点云形成的矩阵求对应的协方差矩阵,对协方差矩阵进行特征分解得到特征值,基于特征值间比例关系滤除非规则物体点云;
其中,所述对协方差矩阵进行特征分解得到特征值,基于特征值间比例关系滤除非规则物体点云包括:
对特征值取平均值,根据不同特征值之间的比例关系判断点云是否为规则物体;其中,若不同特征值在一定范围内认为大小接近,则判定对应的点云为非规则物体;
迭代配准模块,用于对规则物体点云采用NDT算法进行配准,迭代三个方向点云的平移量以实现单线点云与多线点云的最优配准。
5.根据权利要求4所述的装置,其特征在于,所述将单线点云与多线点云变换到同一坐标轴还包括:
将点云数据存储为整体偏转值加上相对偏转值。
6.根据权利要求4所述的装置,其特征在于,所述对规则物体点云采用NDT算法进行配准,迭代三个方向点云的平移量以实现单线点云与多线点云的最优配准包括:
通过NDT方法建立最优数学模型,对三个方向的平移量迭代优化,模型收敛后输出最优配准结果。
7.一种电子设备,包括处理器、存储器以及存储在所述存储器中并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述单线点云与多线点云配准方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述单线点云与多线点云配准方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308942.8A CN112446907B (zh) | 2020-11-19 | 2020-11-19 | 一种单线点云与多线点云配准的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308942.8A CN112446907B (zh) | 2020-11-19 | 2020-11-19 | 一种单线点云与多线点云配准的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446907A CN112446907A (zh) | 2021-03-05 |
CN112446907B true CN112446907B (zh) | 2022-09-06 |
Family
ID=74737081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011308942.8A Active CN112446907B (zh) | 2020-11-19 | 2020-11-19 | 一种单线点云与多线点云配准的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446907B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733817B (zh) * | 2021-03-30 | 2021-06-04 | 湖北亿咖通科技有限公司 | 一种高精度地图中点云图层精度的测量方法及电子设备 |
CN113436336B (zh) * | 2021-06-22 | 2024-01-12 | 京东鲲鹏(江苏)科技有限公司 | 地面点云分割方法和装置及自动驾驶车辆 |
CN115408549B (zh) * | 2022-08-31 | 2024-04-12 | 深圳前海瑞集科技有限公司 | 工件点云的过滤方法、装置、计算机可读介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915560A (zh) * | 2012-09-21 | 2013-02-06 | 中国石油大学(华东) | 一种阈值无关的机载激光雷达点云滤波方法及装置 |
CN107123164A (zh) * | 2017-03-14 | 2017-09-01 | 华南理工大学 | 保持锐利特征的三维重建方法及*** |
WO2020223594A2 (en) * | 2019-05-02 | 2020-11-05 | Kodak Alaris, Inc | Automated 360-degree dense point object inspection |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700451B (zh) * | 2015-03-14 | 2017-05-17 | 西安电子科技大学 | 基于迭代就近点算法的点云配准方法 |
CN105354811A (zh) * | 2015-10-30 | 2016-02-24 | 北京自动化控制设备研究所 | 一种地面用多线三维激光雷达点云数据的滤波方法 |
CN106204705B (zh) * | 2016-07-05 | 2018-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
CN109345570B (zh) * | 2018-09-10 | 2021-05-14 | 大连理工大学 | 一种基于几何形状的多通道三维彩色点云配准方法 |
CN109725329B (zh) * | 2019-02-20 | 2021-12-07 | 苏州风图智能科技有限公司 | 一种无人车定位方法及装置 |
CN109903319B (zh) * | 2019-03-13 | 2021-08-10 | 北京信息科技大学 | 一种基于多分辨率的快速迭代最近点配准算法 |
CN110084840B (zh) * | 2019-04-24 | 2022-05-13 | 阿波罗智能技术(北京)有限公司 | 点云配准方法、装置、服务器和计算机可读介质 |
CN111179321B (zh) * | 2019-12-30 | 2023-11-14 | 南京埃斯顿机器人工程有限公司 | 一种基于模板匹配的点云配准方法 |
CN111223107A (zh) * | 2019-12-31 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 基于点云深度学习的点云数据集制作***及方法 |
CN111738945B (zh) * | 2020-06-15 | 2023-11-10 | 鞍钢集团矿业有限公司 | 一种基于矿山的点云数据预处理方法 |
-
2020
- 2020-11-19 CN CN202011308942.8A patent/CN112446907B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915560A (zh) * | 2012-09-21 | 2013-02-06 | 中国石油大学(华东) | 一种阈值无关的机载激光雷达点云滤波方法及装置 |
CN107123164A (zh) * | 2017-03-14 | 2017-09-01 | 华南理工大学 | 保持锐利特征的三维重建方法及*** |
WO2020223594A2 (en) * | 2019-05-02 | 2020-11-05 | Kodak Alaris, Inc | Automated 360-degree dense point object inspection |
Also Published As
Publication number | Publication date |
---|---|
CN112446907A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446907B (zh) | 一种单线点云与多线点云配准的方法及装置 | |
CN106157309B (zh) | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 | |
CN109141364B (zh) | 障碍物检测方法、***及机器人 | |
CN110119438B (zh) | 基于主动学习的机载LiDAR点云滤波方法 | |
CN111007531A (zh) | 一种基于激光点云数据的道路边沿检测方法 | |
CN111354083B (zh) | 一种基于原始激光点云的递进式建筑物提取方法 | |
CN115372989A (zh) | 基于激光雷达的越野自动小车长距离实时定位***及方法 | |
CN112232248B (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
CN112484738B (zh) | 机器人建图方法、装置、计算机可读存储介质及机器人 | |
CN113569958B (zh) | 激光点云数据聚类方法、装置、设备及介质 | |
CN107301649B (zh) | 一种基于超像素的区域合并sar图像海岸线检测算法 | |
CN114972532B (zh) | 激光雷达之间的外参标定方法、装置、设备及存储介质 | |
CN111242000A (zh) | 一种结合激光点云转向的道路边沿检测方法 | |
CN113945937A (zh) | 精度检测方法、装置及存储介质 | |
CN114488094A (zh) | 一种车载多线激光雷达与imu外参数自动标定方法及装置 | |
CN112665503B (zh) | 一种基于三角剖分的农机作业面积测量方法和测量装置 | |
CN111724323B (zh) | 激光雷达点云阳光噪点去除方法及装置 | |
CN116579949A (zh) | 适用于城市多噪声环境下机载点云地面点滤波方法 | |
CN112581511A (zh) | 基于近似直立扫描点云快速配准的三维重建方法及*** | |
CN114861475B (zh) | 一种基于传感数据的实时海洋模拟方法及*** | |
CN117253205A (zh) | 一种基于移动测量***的道路面点云快速提取方法 | |
CN116628531A (zh) | 众包地图道路对象要素聚类方法、***及存储介质 | |
CN111337939B (zh) | 一种矩形物体外边框的估计方法及装置 | |
CN115147471A (zh) | 一种基于曲率密度特征的激光点云自动配准方法 | |
CN114332228A (zh) | 数据处理方法、电子设备及计算机存储介质 |
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 |