CN113313137A - 涂胶障碍物识别及去除方法 - Google Patents
涂胶障碍物识别及去除方法 Download PDFInfo
- Publication number
- CN113313137A CN113313137A CN202110359906.2A CN202110359906A CN113313137A CN 113313137 A CN113313137 A CN 113313137A CN 202110359906 A CN202110359906 A CN 202110359906A CN 113313137 A CN113313137 A CN 113313137A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- gluing
- points
- point
- segmentation
- 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 38
- 238000004026 adhesive bonding Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000004888 barrier function Effects 0.000 abstract 2
- 230000002159 abnormal effect Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种涂胶障碍物识别及去除方法,它主要解决涂胶自动化过程中障碍物的识别问题。其技术方案要点是:数据处理,使用直通滤波和半径滤波对传感器数据进行预处理;去除平面,用随机抽样一致算法拟合平面;提取点云模板特征,计算模板点云的特征参数;点云分割,对某时刻的点云使用改进的欧氏聚类进行分割;去除障碍物,根据阈值筛选出障碍物所在子集并去除。上述涂胶障碍识别及去除方法,改进点云处理流程和分割算法,能对实时采集到的数据进行统计分类,能提高障碍物识别的精准和稳定,以及涂胶生产线上障碍物处理的自动化程度。
Description
技术领域
本发明属于涂胶自动化控制设备技术领域,具体涉及一种涂胶障碍物识别及去除方法。
背景技术
目前的汽车生产线中,涂胶***能通过传感器进行涂胶引导和胶型检测。涂胶路径上的障碍物会对引导精度、检测准确率产生影响。
在应用中,通常障碍物检测、识别由人目进行,障碍物规避由手动控制。随着计算机视觉技术的发展,现有常规视觉传感器模拟视觉功能获取各类障碍物的特征信息,但该技术具有一定局限性,仅能检测直线或简单圆弧曲线轨迹上的简易障碍物,一旦出现复杂空间曲线轨迹及障碍物,常规的视觉传感判别很难实现实时性和高精度,从而无法满足全自动化。除此之外,现今的激光视觉传感器对工件三维形貌测量***不具备采集范围调节自适应性,通用柔性不高。由此可见,将传感器应用于复杂轨迹涂胶自动化生产线上的障碍物识别技术的研究工作尚未成熟。
本发明提出一种涂胶障碍物识别及去除方法,能提高障碍物识别的精准和稳定,以及涂胶生产线上障碍物处理的自动化程度。
发明内容
针对上述问题,本发明旨在解决复杂轨迹涂胶自动化过程中障碍物的识别及去除问题。针对目前仅能检测直线或简单圆弧曲线轨迹上的简易障碍物及其精准性和稳定性不高的问题,在现有的视觉传感技术的基础上,通过障碍物判别算法的优选和流程的改进,提出了一种对于激光传感器数据的障碍物识别方法。其技术方案是:
步骤1:数据处理
采用直通滤波法和迭代半径滤波法进行点云数据的预处理。使用线结构光扫描的方式采集点云,物体沿z向分布较广,但x,y向的分布处于有限范围内。此时可使用直通滤波器,确定点云在x或y方向上的范围,可较快剪除离群点,达到第一步粗处理的目的。半径滤波器与统计滤波器相比更加简单。以某点为中心画一个圆计算落在该圆中点的数量,当数量大于给定值时,则保留该点,数量小于给定值则剔除该点。此算法运行速度快,依序迭代留下的点一定是最密集的,但是圆的半径和圆内点的数目都需要人工指定。
步骤2:去除平面
随机抽样一致性算法找到平面。拟合点云平面,在异常值存在的情况下可以得到比较理想的拟合效果。
该算法对阈值的选取比较敏感,因此通过自动选取阈值来检测并剔除异常值,得到最佳参数估计。
使用改进的结合特征值的算法进行点云平面拟合,其阈值的选取很重要,若选取的阈值较小则会剔除应该选择的有效点,而选取的阈值较大时则会将无效点或误差点误判为有效点。标准偏差是一种数据值偏离算术平均值程度的度量,此处利用点到初始平面模型距离的标准偏差来自动选取阈值t。该方法能有效地剔除异常数据,保留有效数据,且能自动选取阈值,不需要人为设定其参数,方便易行。
步骤3:提取模板点云特征
由于涂胶的场景、轮廓较为单一,易于提取单帧点云,本文提取模板点云特征,通过计算模板点云在不同k邻域下点与邻近点之间的平均距离和标准差、不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值,优化后续点云分割的参数选取,有利于提高分割结果的准确性。具体步骤是:
1)不同k邻域下点与邻近点之间的平均距离和标准差
2)不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值
步骤4:点云分割
平面去除后,通过对比某点和其邻近点的某些特征,可以对某一时刻的数据点直接使用基于邻近信息的点云分割。
使用基于改进欧氏聚类的点云分割的优势在于:提出自适应搜索半径的聚类分割,在涂胶点云的非边缘区域选取较大的搜索半径,并在边缘区域选取较小的搜索半径,从而在保证分割效果的基础上提高算法的速度。
搜索半径自适应的思想是:在聚类过程中,对位于涂胶内部区域的点选择较大的搜索半径,对位于边缘区域的点选择较小的搜索半径。判断点云中的点是否位于边缘区域需要用到步骤3中模板点云的平均距离和标准差,若点与其k邻近点之间的距离均值在模板点云的平均距离波动范围内,则为工件边缘点,取其距离均值为搜索半径,反之,则取最远邻近点和该点的距离作为搜索半径。
步骤5:去除障碍物
经过处理,目标点云被分割成点云子集,每个子集都代表一个目标形状。分别求得每个子集的高度,以及涂胶的合格高度范围。筛选出符合高度范围的子集,去除其他点云数据。
本发明的有益效果是:本发明旨在解决复杂轨迹涂胶自动化过程中障碍物的识别及去除问题,提出一种障碍物的识别及去除方法。在现有的激光视觉传感技术的基础上,改进点云处理流程和分割算法,能对实时采集到的数据进行统计分类,精准地区分、去除障碍物,并实现激光在复杂轨迹上的自适应性,为复杂轨迹涂胶生产线的障碍物处理全自动化打下基础。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1是本发明的算法流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了更好的表达整个发明的技术方案与有益效果,下面结合附图和实施例对本发明做进一步详细说明。但是,本发明的实施方式不限于此。
步骤1:数据处理
采用直通滤波法和迭代半径滤波法进行点云数据的预处理。使用线结构光扫描的方式采集点云,物体沿z向分布较广,但x,y向的分布处于有限范围内。此时可使用直通滤波器,确定点云在x或y方向上的范围,可较快剪除离群点,达到第一步粗处理的目的。半径滤波器与统计滤波器相比更加简单。以某点为中心画一个圆计算落在该圆中点的数量,当数量大于给定值时,则保留该点,数量小于给定值则剔除该点。此算法运行速度快,依序迭代留下的点一定是最密集的,但是圆的半径和圆内点的数目都需要人工指定。
预处理步骤为:
1)采用k维(k-D)树邻近点搜索算法建立点云中点与点之间的拓扑关系,实现邻近点的快速搜索;
2)在3个坐标维度上分别通过直通滤波器去除冗余点;
3)半径滤波器滤波是通过检测目标点邻域半径内的近邻点数目是否小于预设阈值消除离群点的。该方法需要设定邻近点数目阈值Tth,由于实际点云中边缘上点的邻近点数量接近搜索区域近邻点数量最大值的50%,因此,通过统计不同邻域下模板点云的最大邻近点数目,在给定邻域时,选取接近其对应最大邻近点数目50%的值作为阈值,可以去除大部分离群点。但是该方法经过一次滤波很难完全去除离群点,因此,本文提出迭代半径滤波方法,在初始滤波的基础上引入迭代思想,进行多次重复滤波,直到滤波前后点云数目差异满足给定值,终止迭代。
步骤2:去除平面
随机抽样一致性算法找到平面。拟合点云平面,在异常值存在的情况下可以得到比较理想的拟合效果,该方法对阈值t的选取比较敏感,因此通过自动选取阈值t来检测并剔除异常值,得到最佳参数估计。
随机抽样一致性算法要求在一定的置信概率下,基本子集最少迭代次数 M与至少取得一个良性取样子集的概率P(P<ε)满足如下关系:
P=1-(1-(1-ε)m)M
式中,ε为数据错误率,m为计算模型参数需要的最小数据量,通常情况下ε和P是根据具体条件给定的,本文取ε=0.2,P=0.99。
改进的结合特征值的算法进行点云平面拟合,其过程为:
1)在原始点云中选取任意3个点,判断其是否共线,若不共线则解算出其对应的初始平面ax+by+cz=d。
2)计算点云到该初始平面的距离di=|axi+byi+czi-d|。
3)选取阈值t=2δ0,δ0为点云到初始平面模型距离的标准偏差。当di>t 时该点被当作异常点剔除,反之被当作有效数据保留,统计有效数据的数量 PNum。
4)重复1),2),3)步骤,迭代M次,比较并选择含有效数据点数量 PNum最大的平面。
5)采用特征值法对有效数据点数量PNum最大的平面bestPlane重新进行估计,即可得到所需的平面模型参数。
6)根据模型,去除相应的平面点。
步骤3)中阈值t的选取很重要,若选取的t较小则会剔除应该选择的有效点,而选取的t较大时则会将无效点或误差点误判为有效点。标准偏差δ是一种数据值偏离算术平均值程度的度量,此处利用点到初始平面模型距离的标准偏差来自动选取阈值t。该方法能有效地剔除异常数据,保留有效数据,且能自动选取阈值,不需要人为设定其参数,方便易行。
步骤3:提取模板点云特征
由于涂胶的场景、轮廓较为单一,易于提取单帧点云,本文提取模板点云特征,通过计算模板点云在不同k邻域下点与邻近点之间的平均距离和标准差、不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值,优化后续点云分割的参数选取,有利于提高分割结果的准确性。具体步骤如下:
1)不同k邻域下点与邻近点之间的平均距离和标准差
对任意一点qi∈Q(Q为模板点云,数目为N),搜索距离最近的k个邻近点,记作{qi1,qi2,…qik},计算每个邻近点距该点的平均距离:
遍历点云中所有的点,得到N个平均距离值,求得点云在k邻域下的平均距离均值d和标准差σ:
2)不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值
对点云Q的任意一点,搜索其r邻域(小于胶型宽度)内的所有邻近点,统计其邻近点数目,遍历点云中的所有点,得到N个邻近点数目,将点云r 邻域下的最大邻近点数目取为最大值。
采用主成分分析(PCA)法求取点云中点的法线,具体步骤是:对任意一点qi∈Q,搜索其r邻域半径内所有的邻近点,设邻近点数目为g,记作 {qi1,qi2,…qig},利用最小二乘法拟合局部平面:
|M|·vj=λj·vj,j∈{1,2,3}
式中λj和vj分别为协方差矩阵的特征值和特征向量,且λ0≤λ1≤λ2。具有最小特征值的特征向量即qi点的法线,记作vi。点qi的g邻近点对应法线分别为{vi1,vi2,…,vig},计算点qi与r邻域内邻近点法线夹角的均值、点云的r邻域下法线夹角均值:
步骤4:点云分割
平面去除后,通过对比某点和其邻近点的某些特征,可以对某一时刻的数据点直接使用基于邻近信息的点云分割。
使用基于改进欧氏聚类的点云分割的优势在于:提出自适应搜索半径的聚类分割,在涂胶点云的非边缘区域选取较大的搜索半径,并在边缘区域选取较小的搜索半径,从而在保证分割效果的基础上提高算法的速度。
首先,构建目标点云P的k-D树,确定模板点云邻域法线夹角均值的最小值,设阈值为σth,读取其对应的邻域半径rmin;然后,对点qi∈Q,采用步骤3计算该点的rmin邻域下的法线夹角均值为σqi,若σqi>σth,则qi点为边缘点,反之,则为非边缘点,遍历点云中所有点,最终得到边缘点云P1和非边缘点云P2,且两者满足P1,P2∈P,P1∪P2=P。
搜索半径自适应的思想是:在聚类过程中,对位于涂胶内部区域的点选择较大的搜索半径,对位于边缘区域的点选择较小的搜索半径。判断点云中的点是否位于边缘区域需要用到步骤3中模板点云的平均距离和标准差,若点与其k邻近点之间的距离均值在模板点云的平均距离波动范围内,则为工件边缘点,取其距离均值为搜索半径,反之,则取最远邻近点和该点的距离作为搜索半径。总结搜索半径自适应的欧氏聚类分割算法步骤如下。
1)构建非边缘点云P2的k-D树,初始化邻近点数目为k,由步骤2得到点云k邻域下的距离均值d和标准差σ,初始化最小聚类数目nmin和最大聚类数目nmax。
2)新建一个空的点云索引向量scluster_indices用于存储聚类结果,新建一个整型向量qqueue并初始化为空,用于存储单次聚类结果;新建一个bool型向量 pprocessed,尺寸和点云P2相同,初始化向量为false,用于表示点云是否被处理过。
3)初始化i=0,对pi∈P2,执行以下步骤。
a初始化c=0,将pi点的索引加入当前序列qqueue[c],标记该点为已分类,即pprocessed[i]=true。
b根据序列qqueue中第c个元素存储的点索引找到其在点云P2中的对应点 pc,在k-D树中,搜索距离pc点最近的k个邻近点,求k个邻近点与该点的距离{Ddist[j],j=1,2,…,k},取均值为ASinglePoint,计算固定距离阈值:
D=d+μσ
式中μ为比例因子。
若ASinglePoint≤D,则pc点为非边缘点,自适应搜索半径Rth表示为
Rth=Max{Ddist[j],j=1,2,…,k},
c根据步骤b求得的搜索半径Rth,将位于该半径范围内邻近点的索引加入序列qqueue,并标记邻近点为已分类,c=c+l。
d重复步骤b、c,直到qqueue中对应的所有的点都被处理过,根据nmin≤nqueuesize≤nmax判断该聚类结果是否满足数目要求,若满足,则将qqueue中所有的点索引放入点云索引向量scluster_indices中,清空队列qqueue,反之,则舍弃并清空序列qqueue,i=i+1。
4)重复步骤3),直到点云P2中所有的点都已处理完毕,将聚类结果存放在{scluster_indices[0],scluster_indices[1],…,scluster_indices[m-1]}中,将每组点云索引向量中索引在P2中对应的点保存成点云输出,记作{Ccluster_1,Ccluster_1,…, Ccluster_1,}。
步骤5:去除障碍物
经过处理,目标点云P2被分割成m个点云子集,每个子集都代表一个目标形状。分别求得m个子集的高度,以及涂胶的合格高度范围。筛选出符合高度范围的子集,去除其他点云数据。
以上所述仅是本发明的优选实施方式,应当指出,在不脱离本发明原理的前提下所作出的若干改进,都视为本发明的保护范围。
Claims (5)
1.一种用于激光传感器数据进行涂胶障碍物识别及去除方法,其特征在于,所述涂胶障碍物识别及去除方法包括如下步骤:
数据处理,使用直通滤波和半径滤波对传感器数据进行预处理;
去除平面,用随机抽样一致算法拟合平面;
提取点云模板特征,计算模板点云的特征参数;
点云分割,对某时刻的点云使用改进的欧氏聚类进行分割;
去除障碍物,根据阈值筛选出障碍物所在子集并去除。
2.根据权利要求1所述的涂胶障碍物识别及去除方法,其特征在于,还包括数据去噪步骤,包括:
采用k维树邻近点搜索算法建立点云中点与点之间的拓扑关系,实现邻近点的快速搜索;
在3个坐标维度上分别通过直通滤波器去除冗余点;
迭代半径滤波器进行多次重复滤波,直到滤波前后点云数目差异满足给定值,终止迭代。
3.根据权利要求1所述的涂胶障碍物识别及去除方法,其特征在于,所述去除平面步骤,通过自动选取随机抽样一致性算法的阈值来检测并剔除异常值,得到最佳参数估计。
4.根据权利要求1所述的涂胶障碍物识别及去除方法,其特征在于,所述提取模板点云特征步骤,通过计算模板点云在不同k邻域下点与邻近点之间的平均距离和标准差、不同r邻域下最大邻近点数目和点与邻近点之间法线夹角均值,优化后续点云分割的参数选取,有利于提高分割结果的准确性。
5.根据权利要求1所述的涂胶障碍物识别及去除方法,其特征在于,所述点云分割步骤,使用基于改进欧氏聚类的点云分割,能自适应搜索半径,在涂胶点云的非边缘区域选取较大的搜索半径,并在边缘区域选取较小的搜索半径,从而在保证分割效果的基础上提高算法的速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359906.2A CN113313137A (zh) | 2021-04-01 | 2021-04-01 | 涂胶障碍物识别及去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359906.2A CN113313137A (zh) | 2021-04-01 | 2021-04-01 | 涂胶障碍物识别及去除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313137A true CN113313137A (zh) | 2021-08-27 |
Family
ID=77372066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359906.2A Pending CN113313137A (zh) | 2021-04-01 | 2021-04-01 | 涂胶障碍物识别及去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313137A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592862A (zh) * | 2021-09-27 | 2021-11-02 | 武汉科技大学 | 钢板表面缺陷的点云数据分割方法、***、设备、介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369161A (zh) * | 2017-07-19 | 2017-11-21 | 无锡信捷电气股份有限公司 | 一种基于改进欧式聚类的散乱工件点云分割方法 |
CN109657698A (zh) * | 2018-11-20 | 2019-04-19 | 同济大学 | 一种基于点云的磁悬浮轨道障碍物检测方法 |
CN111582054A (zh) * | 2020-04-17 | 2020-08-25 | 中联重科股份有限公司 | 点云数据处理方法及装置、障碍物检测方法及装置 |
-
2021
- 2021-04-01 CN CN202110359906.2A patent/CN113313137A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369161A (zh) * | 2017-07-19 | 2017-11-21 | 无锡信捷电气股份有限公司 | 一种基于改进欧式聚类的散乱工件点云分割方法 |
CN109657698A (zh) * | 2018-11-20 | 2019-04-19 | 同济大学 | 一种基于点云的磁悬浮轨道障碍物检测方法 |
CN111582054A (zh) * | 2020-04-17 | 2020-08-25 | 中联重科股份有限公司 | 点云数据处理方法及装置、障碍物检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
宗长富等: "基于欧几里得聚类算法的三维激光雷达障碍物检测技术", 《吉林大学学报(工学版)》 * |
杨军建等: ""基于 RANSAC算法的稳健点云平面拟合方法"", 《北京测绘》 * |
田青华等: "基于改进欧氏聚类的散乱工件点云分割", 《激光与光电子学进展》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592862A (zh) * | 2021-09-27 | 2021-11-02 | 武汉科技大学 | 钢板表面缺陷的点云数据分割方法、***、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102236794B (zh) | 3d场景中3d对象的识别和姿态确定 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN108491838B (zh) | 基于sift和hough的指针型仪表示数读取方法 | |
CN109434251B (zh) | 一种基于粒子滤波的焊缝图像跟踪方法 | |
CN111582380B (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
CN104200495A (zh) | 一种视频监控中的多目标跟踪方法 | |
CN110910387B (zh) | 一种基于显著性分析的点云建筑物立面窗户提取方法 | |
CN112465948A (zh) | 一种保留空间特征的车载激光路面点云抽稀方法 | |
CN110930456A (zh) | 基于pcl点云库的钣金零件的三维立体识别及定位方法 | |
CN114488194A (zh) | 一种智能驾驶车辆结构化道路下目标检测识别方法 | |
CN114266987A (zh) | 一种无人机高边坡危岩体智能识别方法 | |
CN115329895A (zh) | 多源异构数据降噪分析处理方法 | |
CN117291936B (zh) | 点云分割方法、装置、设备和介质 | |
CN112613551A (zh) | 汽车零部件识别方法、存储介质及*** | |
CN109543498B (zh) | 一种基于多任务网络的车道线检测方法 | |
CN114821571A (zh) | 一种用于电力线缆识别和重建的点云处理方法 | |
CN113313137A (zh) | 涂胶障碍物识别及去除方法 | |
CN117854060B (zh) | 基于深度学习的隧道岩体面状裂隙识别方法及*** | |
CN114972743A (zh) | 一种基于半径扩展的层次级单棵树木提取方法 | |
CN116469092A (zh) | 基于DBSCAN算法的自适应Alpha Shapes轮廓提取方法 | |
CN114283199B (zh) | 一种面向动态场景的点线融合语义slam方法 | |
CN114413882B (zh) | 一种基于多假设跟踪的全局初定位方法和装置 | |
CN113537411B (zh) | 一种基于毫米波雷达的改进模糊聚类方法 | |
CN111553405A (zh) | 一种基于像素密度k均值聚类团雾识别算法 | |
CN117152446B (zh) | 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |