CN116258857A - 一种面向室外树木激光点云分割与提取方法 - Google Patents
一种面向室外树木激光点云分割与提取方法 Download PDFInfo
- Publication number
- CN116258857A CN116258857A CN202310245020.4A CN202310245020A CN116258857A CN 116258857 A CN116258857 A CN 116258857A CN 202310245020 A CN202310245020 A CN 202310245020A CN 116258857 A CN116258857 A CN 116258857A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- segmentation
- point
- trunk
- tree
- 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
- G06V10/20—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
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Nonlinear Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向室外树木激光点云分割与提取方法,主要包括数据预处理、树干识别与提取、精准树木分割这三部分。该方法首先利用点云下采样以及直通滤波进行点云数据预处理,实现地面点云数据以及点云切片的获取;接下来对点云切片进行欧式聚类分割、点云补全算法、圆柱拟合及相交检验实现树干识别与提取;最后根据树干提取结果,通过空间圆柱滤波、区域增长分割以及最小割粘连树木分割算法实现精准树木分割。本发明通过上述方法实现了室外树木点云精准分割,为后续的点云处理工作以及树木单体化提供了几何信息更为精确、结构信息更为完整的树木点云模型。
Description
技术领域
本发明属于激光点云数据处理技术领域,特别涉及一种面向室外树木激光点云分割与提取方法。
背景技术
随着我国生态文明建设进程的不断加快,森林资源监测与保护变得越来越重要,树木是森林的基本单位,其空间结构和生物物理化学成分是森林资源调查和生态环境建模的关键因素。因此,获得关于森林中每棵树的准确结构信息以及位置信息对于实现林业资源管理现代化、开发适当的管理实践以及对全球碳储量进行定量估计具有重要意义。
近年来,随着三维扫描技术成熟以及设备更新,导致激光雷达成本逐渐下降以及微软深度相机等硬件设备的民用化,使得三维点云数据越来越便于获取。由于点云数据具有范围广、精度高、包含信息丰富等特点,因此如何处理点云数据成为当下的研究热点。作为城市目标结构化以及三维重建关键技术,点云分割提取已经成为三维点云数据处理中重要一环。然而城市场景三维目标种类繁多、情况复杂,包含各式各样的物体,例如车辆、建筑物、路灯、指示牌等,为点云数据分割带来了很多不确定性因素,导致目前室外树木点云分割方法存在三方面技术问题。第一方面,由于扫描设备的精度有限,使得获取的室外点云数据中混入了许多噪声点和异常点,而目前对于点云噪声点处理的算法不够精确,因此普遍存在分割结果中冗余点较多的问题。第二方面,由于点云数据自身具有数据量大、密度不一致、无组织结构等特点,这就使得当前许多直接利用原始三维点云的分割算法精度受限,处理数据耗时较多。第三方面,因为三维点云数据本身可以挖掘分析出的特征信息较少,已有的点云分割算法大多是根据点的法向量、曲率和颜色等特征来进行点云分类,或者是通过点云之间距离对点云数据进行分割,欠缺周围领域信息,难以将粘连树木分割开,并且容易出现点云过分割或者分割不足的情况,也就无法获得完整树木单体化模型。上述三类问题给点云分割提取带来了巨大困难,在对树木目标进行单体化过程当中,难免会有人工干预,自动化程度低,费时费力。
发明内容
发明目的
为解决上述现有技术存在的问题,本发明提供一种面向室外树木激光点云分割与提取方法,以解决现有技术中扫描精度有限导致分割结果中存在噪声点,原始点云自身特点使得分割算法精度受限数据处理耗费周期长,点云语义信息难提取以及粘连树木难分割的问题,为实现室外树木激光点云自动化精准分割提供一种有效的途径。
技术方案
本发明提供一种面向室外树木激光点云分割与提取方法,其中,所述方法包括:
步骤一,对室外车载激光点云数据进行数据预处理,完成点云降采样以及去噪;
步骤二,对点云切片采用欧式聚类分割,实现室外场景点云粗分割;
步骤三,采用点云补全算法对不足一半的局部树干切片点云进行补全处理,以保留原始树干的几何特征;
步骤四,对局部树干切片点云采用圆柱拟合及相交检验处理,得到单株树木的局部树干点云;
步骤五,对单株树木的局部树干点云进行空间圆柱滤波处理,实现每棵树的树干所在的圆柱体区域点云提取;
步骤六,对圆柱体区域点云采用区域增长分割,得到单株树干完整点云;
步骤七,采用基于最小割的粘连树木分割方法进行处理,实现单株树木精准分割;
优点及效果
与现有技术相比,本发明提供了一种点云分割与提取方法,其包括:利用点云下采样以及直通滤波进行点云数据预处理,实现地面点云数据以及点云切片的获取;对点云切片进行欧式聚类分割、点云补全算法、圆柱拟合及相交检验实现树干识别与提取;根据树干提取结果,通过空间圆柱滤波、区域增长分割以及最小割粘连树木分割算法得到单株树干点云。从而本发明实现了室外树木的精准分割。
通过车载激光点云设备采集的室外激光点云数据具有数据量大、密度不一致等特点,并且伴随许多噪声点及异常点,导致对点云数据进行点云分割与提取时耗时较多,点云成果精度低。现如今传统的点云分割算法对树木分割时,大多是根据树木点云的法向量、曲率和颜色等特征来进行点云分类,或者是通过点云之间距离对点云数据进行分割,欠缺周围领域信息,导致粘连树木难以分割。为克服上述问题,提高分割自动化程度,本发明通过基于最小割的粘连树木分割方法与传统分割方法相组合形式,在分割时候考虑点云语义信息,采用按区域形式进行处理,这样不但能提高树木分割精度,而且可以得到更快的分割速度,还可以提升树木分割自动化程度。
附图说明
下面结合附图和具体实施方式对本发明作进一步说明。本发明的保护范围不仅局限于下列内容的表述。
图1为本发明提供的点云分割与提取方法的流程图。
图2为本发明提供的欧式聚类分割的流程图。
具体实施方式
本发明提供一种面向室外树木激光点云分割与提取方法。具体如图1所示,所述方法包括:
步骤一,对室外车载激光点云数据进行数据预处理,完成点云降采样以及去噪;
具体地,首先采用点云下采样对获取的室外车载激光点云数据进行处理。下采样算法对点云进行区域划分,将点云坐标为均值的点按照分辨率替代该区域中其他点,达到降采样的效果。其中下采样的分辨率可以根据平均最近邻距离进行判断:
其中P所代表的是需要降采样的点云,di是点云P中任意一点,N(P)所指的是点云P中点的个数,dNN(di)是点di和其最近邻点之间的距离:
将所述下采样后的点云数据在XY平面上按照一定的分辨率进行空间分割,分割成若干个子空间,计算各个子空间的地面点云数据,取地面点中Z值最大值作为该子空间的地面高度ground。利用直通滤波器对所述各个子空间点云根据(ground+a,ground+b)范围进行Z维度上的滤波处理,去掉地面点云以及高程较大的点,从而获得与所述各个子空间相对应的点云切片以及地面点云。
步骤二,对点云切片采用欧式聚类分割,实现室外场景点云粗分割;
具体地,将所述各个子空间相对应的点云切片融合为一个整体点云切片,对点云切片进行欧式聚类分割。在空间中任意找到某点P,以该点P作为搜索中心并且设置欧几里得距离阈值dth,欧几里得距离将无组织的点云排序为有组织的点云来获取若干个聚类簇,通过设置预期该聚类所能容纳的最大点云个数以及最小点云个数来确定该聚类簇点云是否已经形成,直到所有点都经过聚类处理,得到场景点云粗分割后的树干切片点云。
步骤三,采用点云补全算法对不足一半的局部树干切片点云进行补全处理,以保留原始树干的几何特征;
具体地,首先根据主成分分析计算出各个局部树干切片点云的主方向向量n。利用所述主方向向量n计算出与其相对应的垂直平面。将所述各个局部树干切片点云投影到垂直平面上,遍历投影点云上任意两点之间的距离,找出距离最大的两个点,计算其中心点P。求解过所述中心点P并且垂直于平面的直线I。计算出所述各个局部树干切片点云所有点关于所述直线I的对称点,并将对称点合并到该局部树干切片点云当中,保留原始树干的几何特征,达到点云补全效果。
步骤四,对局部树干切片点云采用圆柱拟合及相交检验处理,得到单株树木的局部树干点云;
具体地,首先对所述各个局部树干切片点云采用圆柱拟合处理。若所述各个局部树干切片点云对应的圆柱体模型半径r大小在(0.2,2)之间,圆柱体模型中心线在所述点云补全后各个局部树干切片点云所在的包围盒内,并且圆柱体模型中心线的方向向量和地面夹角之间大小在设定的阈值范围内则判定该拟合圆柱的内部点云为局部树干点云。
然后对圆柱拟合获得的圆柱模型进行相交检验,假设两圆柱对应的内部点云分别为Pi和Pj,迭代内部点云所有点,找出Pi对应的最大xyz值(Imaxx,Imaxy,Jmaxz)和最小xyz值(Iminx,Iminy,Iminz),Pj对应的最大xyz值(Jmaxx,Jmaxy,Jmaxz)和最小xyz值(Jminx,Jminy,Jminz),若Iminx<Jmaxx,Iminy<Jmaxy,Iminz<Jmaxz并且Imaxx>Jminx,Imaxy>Jminy,Imaxz>Jminz,则判定点云Pi以及Pj对应的圆柱模型相交,则将Pi和Pj合并,获取单株树木的局部树干点云。
步骤五,对单株树木的局部树干点云进行空间圆柱滤波处理,实现每棵树的树干所在的圆柱体区域点云提取;
具体地,首先基于随机采样一致性方法,从单株树木的局部树干点云中随机选择N个点作为样本子集,基于选择的N个点进行模型参数化计算,得到模型预估参数;然后计算样本点云与模型误差,若误差比阈值小时,将样本点云归为该模型样本点中;最后,重复上述过程,当迭代次数超过限值时,停止迭代,选取具有最大一致集的模型作为所述单株树木的局部树干点云对应的圆柱体模型。
所述圆柱体模型当中共有7个参数来表达该模型几何特征,分别为轴线上点的三维坐标值、轴线方向向量三维坐标值以及圆柱体半径。考虑到树干自身粗细情况,将获得的圆柱体模型乘以膨胀系数作为空间滤波时所使用的圆柱体模型,实现每棵树的树干所在的圆柱体区域点云提取。
步骤六,对圆柱体区域点云采用区域增长分割,得到单株树干完整点云;
具体的,利用步骤一数据预处理方法,从所述各个圆柱体区域点云中识别并去除地面点,保留非地面点。对所述非地面点云进行区域增长分割,根据同一物体区域内点云的相似性来聚集点云,从初始区域开始,将相邻的具有同样性质的点云或者其它区域合并到目前的区域中从而达到区域逐步增长效果,直到没有可以合并的点云为止,代表该区域已经增长完成。
利用点云距离计算从若干个点云区域中找到单株完整树干点云,判断依据如下:假设树干点云P对应的圆柱体区域点云进行基于区域生长点云分割后获得的点云集合为Q,找到Q到点云P的最近距离mindist,计算最大距离范围其中tolerance为允许误差,从点云集合Q中找出到点云P之间的距离小于/>并且包含点云个数最大的点云Q作为树干点云P对应的单株树干完整点云,实现单株树干完整分割。
步骤七,采用基于最小割的粘连树木分割方法进行处理,实现单株树木精准分割;
具体的,利用步骤一数据预处理方法,对室外车载激光点云数据进行局部直通滤波以及点云下采样,实现点云去噪及降采样。接下来对所述单株树干点云进行步骤五空间圆柱滤波处理得到单株树木局部范围点云,以此作为点云最小割算法输入数据。采用点云最小割算法对所述单株树木局部范围点云以及所述单株树干点云进行处理。点云最小割算法通过构造符合分割期望的权值将三维点云划分成想要的即目标物体以及其他物体。
将输入点云构造成由一组顶点以及另外两个称为源点S和汇点T的点来组成。将输入点云的每个顶点都与源点以及汇点相连接形成边即t-links。其中,将各顶点与源点S之间相连的虚线边称之为s-t-link,将各顶点与汇点T之间相连的虚线边称之为t-t-link。除上述这两种边以外,每个顶点都将与其最近的顶点连接起来形成边,该类边称之为n-links。
根据边的种类不同,对不同类型边赋予权值,一共分成三种:
为上述n-links类型边给予的权值叫做平滑代价:
其中,C代表平滑代价,dist代表近邻点之间的距离,σ代表标准差。若两个点之间的距离越大,表示近邻点之间的边被分割的机率也就越大。
二、为上述s-t-link类型边给予的权值叫做前景惩罚,该值范围大小从0到1,其被作为最小割的输入参数由用户自己设置。
三、为上述t-t-link类型边给予的权值叫做背景惩罚:
其中,P表示背景惩罚,DTC示表示某一顶点与目标物体期望中心两者之间的水平距离,将空间最小包围盒算法对提取出的完整树干点云进行点云最大最小值平均值计算求的中心点坐标作为目标物体期望中心点坐标,
其中,r代表目标物体的水平半径,由X与Y方向最大最小差值除以2平方求和开根号求得的水平半径作为参数进行输入,小于r的点云被当作目标点云即想要的目标物体,大于r的点云被当作其他点云。
在最小割算法前期准备工作完成之后,对输入点云进行最小割计算,最终实现单株树木精准分割。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种面向室外树木激光点云分割与提取方法,其特征在于,包括如下步骤:
S1:利用点云下采样以及直通滤波进行点云数据预处理,实现地面点云数据以及点云切片的获取;
S2:对点云切片进行欧式聚类分割、点云补全算法、圆柱拟合及相交检验实现树干识别与提取;
S3:根据树干提取结果,通过空间圆柱滤波、区域增长分割以及最小割粘连树木分割算法实现精准树木分割。
2.根据权利要求1所述的点云分割与提取方法,其特征在于,利用点云下采样以及直通滤波进行点云数据预处理,实现地面点云数据以及点云切片的获取,其中所述的点云下采样方法包括:
对采集车载激光点云数据进行空间网格划分,得到单独的小立方体,然后计算各个小立方体中所有点云的坐标均值,将所求得的坐标均值点代替所述小立方体中所有点,再对所述小立方体网格的边长β进行把控,以得到下采样点云数据,达到降采样的效果。
3.根据权利要求1所述的点云分割与提取方法,其特征在于,利用点云下采样以及直通滤波进行点云数据预处理,实现地面点云数据以及点云切片的获取,其中所述的直通滤波方法包括:
将所述下采样点云数据按照空间某一指定维度(比如z)进行滤波处理,将不想要的点云所在的空间位置设置成过滤范围,即在某一区域内想要去除的点云,过滤掉该维度不处于过滤范围内的点云,以得到预处理后的地面点云数据以及点云切片。
4.根据权利要求1所述的点云分割与提取方法,其特征在于,对点云切片进行欧式聚类分割、点云补全算法、圆柱拟合及相交检验实现树干识别与提取,其中所述的欧式聚类分割方法包括:
在所述点云切片中任意找到某点P,以该点P作为搜索中心并且设置欧几里得距离阈值dth,利用k-dtree近邻查询算法找到离点P最邻近的k个点,遍历每个邻近点,将其与点P之间距离小于欧几里得距离阈值dth的点保存到聚类Q中;对所聚类Q中除点P外再另选取一点,重复上述操作直到聚类Q中点的数量不再增加,便完成了本次聚类过程,表示该类已经形成;选取未聚类的点重复上述操作,进行下一次聚类,直到所有点都经过聚类处理,得到场景点云粗分割后的树干切片点云。
5.根据权利要求1所述的点云分割与提取方法,其特征在于,对点云切片进行欧式聚类分割、点云补全算法、圆柱拟合及相交检验实现树干识别与提取,其中所述的点云补全算法包括:
对所述场景点云粗分割后的树干切片点云中不足一半的局部树干切片点云进行点云补全处理,根据主成分分析计算出所述各个局部树干切片点云的主方向向量n;利用所述主方向向量n计算出与其相对应的垂直平面α;将所述各个局部树干切片点云投影到垂直平面α上,遍历投影点云上任意两点之间的距离,找出距离最大的两个点,计算其中心点P;求解过所述中心点P并且垂直于平面α的直线I;计算出所述各个局部树干切片点云所有点关于所述直线I的对称点,并将对称点合并到该局部树干切片点云当中,实现点云补全效果。
6.根据权利要求1所述的点云分割与提取方法,其特征在于,对点云切片进行欧式聚类分割、点云补全算法、圆柱拟合及相交检验实现树干识别与提取,其中所述的圆柱拟合及相交检验方法包括:
对所述点云补全后各个局部树干切片点云采用圆柱拟合处理;若所述点云补全后各个局部树干切片点云对应的圆柱体模型半径r大小在(0.2,2)之间,圆柱体模型中心线在所述点云补全后各个局部树干切片点云所在的包围盒内,并且圆柱体模型中心线的方向向量和地面夹角之间大小在设定的阈值范围内则判定该拟合圆柱的内部点云为局部树干点云;
将所述圆柱拟合获得的圆柱模型进行相交检验,假设两圆柱对应的内部点云分别为Pi和Pj,迭代所述内部点云所有点,找出Pi对应的最大xyz值(Jmaxx,Jmaxy,Jmaxz)和最小xyz值(Iminx,Iminy,Iminz),Pj对应的最大xyz值(Jmaxx,Jmaxy,Jmaxz)和最小xyz值(Jminx,Jminy,Jminz),若Iminx<Jmaxx,Iminy<Jmaxy,Jminz<Jmaxz并且Imaxx>Jminx,Imaxy>Jminy,Jmaxz>Jminz,则判定点云Pi以及Pj对应的圆柱模型相交,则将Pi和Pj合并,获取单株树木的局部树干点云。
7.根据权利要求1所述的点云分割与提取方法,其特征在于,根据树干提取结果,通过空间圆柱滤波、区域增长分割以及最小割粘连树木分割算法实现精准树木分割,其中所述的空间圆柱滤波方法包括:
对所述树干识别与提取后获取单株树木的局部树干点云进行空间圆柱滤波处理,首先基于随机采样一致性方法将所述单株树木的局部树干点云拟合出对应的圆柱体模型,然后对所述圆柱体模型进行空间圆柱滤波处理,提取每棵树的树干所在的圆柱体区域点云。
8.根据权利要求1所述的点云分割与提取方法,其特征在于,根据树干提取结果,通过空间圆柱滤波、区域增长分割以及最小割粘连树木分割算法实现精准树木分割,其中所述的区域增长分割算法包括:
9.根据权利要求1所述的点云分割与提取方法,其特征在于,根据树干提取结果,通过空间圆柱滤波、区域增长分割以及最小割粘连树木分割算法实现精准树木分割,其中所述的最小割粘连树木分割算法包括:
对所述单株树干完整点云、采集车载激光点云进行基于最小割粘连树木分割处理,将点云构造成一组顶点、一个汇点以及一个源点,连接各顶点与汇点、各顶点与汇点以及相邻顶点;基于各点之间距离远近、颜色差异等特征不同进行最小割分割,最终将点云分割成前景目标以及背景目标,实现室外树木点云精准分割,得到单株树木完整点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310245020.4A CN116258857A (zh) | 2023-03-13 | 2023-03-13 | 一种面向室外树木激光点云分割与提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310245020.4A CN116258857A (zh) | 2023-03-13 | 2023-03-13 | 一种面向室外树木激光点云分割与提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258857A true CN116258857A (zh) | 2023-06-13 |
Family
ID=86682420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310245020.4A Pending CN116258857A (zh) | 2023-03-13 | 2023-03-13 | 一种面向室外树木激光点云分割与提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258857A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777909A (zh) * | 2023-08-18 | 2023-09-19 | 德普数控(深圳)有限公司 | 基于点云数据的数控机床刀具刀尖快速定位方法 |
CN117291845A (zh) * | 2023-11-27 | 2023-12-26 | 成都理工大学 | 一种点云地面滤波方法、***、电子设备及存储介质 |
-
2023
- 2023-03-13 CN CN202310245020.4A patent/CN116258857A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777909A (zh) * | 2023-08-18 | 2023-09-19 | 德普数控(深圳)有限公司 | 基于点云数据的数控机床刀具刀尖快速定位方法 |
CN116777909B (zh) * | 2023-08-18 | 2023-11-03 | 德普数控(深圳)有限公司 | 基于点云数据的数控机床刀具刀尖快速定位方法 |
CN117291845A (zh) * | 2023-11-27 | 2023-12-26 | 成都理工大学 | 一种点云地面滤波方法、***、电子设备及存储介质 |
CN117291845B (zh) * | 2023-11-27 | 2024-03-19 | 成都理工大学 | 一种点云地面滤波方法、***、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN107292276B (zh) | 一种车载点云聚类方法及*** | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
CN116310192A (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
CN114926699B (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
CN111462134A (zh) | 高分遥感影像和激光雷达点云融合的单木分割方法及*** | |
CN112132840B (zh) | 一种车载行道树点云分类与特征信息提取方法 | |
CN111340822B (zh) | 一种多尺度自适应机载LiDAR点云建筑物单体化分割方法 | |
CN115205690B (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
CN111340723A (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
CN110348478B (zh) | 一种基于形状分类与组合的室外点云场景中树木提取方法 | |
CN116485821A (zh) | 一种建筑物点云分割与矢量轮廓线提取方法及装置 | |
CN112070787B (zh) | 基于对立推理理论的航空三维点云平面分割方法 | |
CN117788735A (zh) | 基于栅格划分的动态点云去除方法 | |
CN116071530B (zh) | 一种基于机载激光点云的建筑物屋***化分割方法 | |
CN112200248A (zh) | 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、***及存储介质 | |
CN116824379A (zh) | 一种基于多维特征的激光点云建筑物轮廓渐进优化方法 | |
Yuan et al. | Automatic cables segmentation from a substation device based on 3D point cloud | |
CN117253205A (zh) | 一种基于移动测量***的道路面点云快速提取方法 | |
Wang et al. | An individual tree segmentation method from mobile mapping point clouds based on improved 3-D morphological analysis | |
CN115410036A (zh) | 一种高压架空输电线路关键要素激光点云自动分类方法 | |
CN116469092A (zh) | 基于DBSCAN算法的自适应Alpha Shapes轮廓提取方法 |
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 |