Nothing Special   »   [go: up one dir, main page]

CN112462347A - 基于密度聚类的激光雷达点云快速分类滤波算法 - Google Patents

基于密度聚类的激光雷达点云快速分类滤波算法 Download PDF

Info

Publication number
CN112462347A
CN112462347A CN202011572207.8A CN202011572207A CN112462347A CN 112462347 A CN112462347 A CN 112462347A CN 202011572207 A CN202011572207 A CN 202011572207A CN 112462347 A CN112462347 A CN 112462347A
Authority
CN
China
Prior art keywords
point cloud
point
clustering
terrain
points
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
Application number
CN202011572207.8A
Other languages
English (en)
Other versions
CN112462347B (zh
Inventor
邓兴升
唐菓
王清阳
和云亭
彭雄凯
龙四春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202011572207.8A priority Critical patent/CN112462347B/zh
Publication of CN112462347A publication Critical patent/CN112462347A/zh
Application granted granted Critical
Publication of CN112462347B publication Critical patent/CN112462347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于激光雷达点云密度聚类的快速分类滤波算法，属于三维点云数据提取与分类的范畴。其技术特点是以激光雷达点云的空间密度、地物类点云和地形类点云的特征属性为依据，首先根据点云的高程值进行聚类，再进行平面点云的筛选，从而达到降低数据样本数量和特征维度的目的，最后通过DBSCAN聚类，将原始点云分为噪音类、地物类、及地形类点云。

Description

基于密度聚类的激光雷达点云快速分类滤波算法
技术领域
本发明涉及一种基于激光雷达点云数据分类的方法，特别是一种应用于不连续地形的点云数据密度聚类滤波，适用于城市、乡村等不连续地形激光雷达点云数据处理技术领域。
背景技术
激光雷达技术能非接触、主动、快速获取物体表面具有三维坐标和一定属性的密集点云，为采集人工难以到达地区的高程信息提供了帮助。机载激光雷达系统是目前最先进、能实时获取地形表面三维信息和影像的航空遥感系统，其中航空激光扫描系统获得的是离散点，地面三维信息来自各种地面目标，因而需要分离在地形表面上与非地形表面上的点。
从点云数据中剔除非地面点，获取真实数字高程模型的过程常称为“非地面点云滤波”。基于聚类或分割的滤波方法假设的合理性在于，若聚类的任一点高于其邻域，则聚类的任一点都应属于地物点类，反之则属于裸露的地面点类 。通过点云分割为仍包含高度不连续性的平滑段，通过比较与相邻段的拓扑和几何关系将所得段分类。利用K-means算法对点云进行分层过滤，再用局部坡度图完善地面点的过滤。
当前点云数据分类所面临的挑战主要是：（1）点云数据一般是高维的且数据量特别巨大，这将导致直接聚类不可实施，滤波误差过大。（2）目前现有的滤波算法不适合不连续地形分类。
发明内容
针对点云数据一般是高维的且数据量特别巨大，这将导致直接聚类不可实施，滤波误差过大，许多滤波算法不适合不连续地形分类，本专利提出一种基于密度聚类的快速分类滤波算法，原始三维点云信息降维，初聚类时只利用点云一个平面的信息，大大降低了计算的复杂度，充分考虑点云邻域间的高差关系，多次聚类后将点云分类为地物类和地面类，达到从原始点云中剔除地物点的目的。适用于城市、乡村等不连续地形激光雷达点云数据处理技术领域。
本发明解决其技术问题采取的技术方案是：以激光雷达点云的空间密度、地物类点云和地形类点云的特征属性为依据，首先根据点云的高程值进行聚类，再进行平面点云的筛选，从而达到降低数据样本数量和特征维度的目的，最后通过DBSCAN聚类，将原始点云分为噪音类、地物类、及地形类点云。具体步骤如下:
(1)划分网格：将测区点云按平面坐标划分到不同的网格，由于一个大测区内地形高低起伏，而地物裹挟其中，点云大量堆砌的情况下，直接对大测区按高程聚类将导致聚类结果差，而先将大测区划分成长度为D的若干小测区可以充分保留地物特征；
(2)DBSCAN第一次聚类：逐网格对点云进行DBSCAN第一次聚类，以点的高程为特征属性，按(Epsilon1, MinPts)将点云分为若干个无属性类，MinPts一般认为应大于数据的维度。因噪声具有无核心点、低密度的特征，聚类会将噪声分为单独的noise类，达到去噪的效果；
(3)选择初始地形类：一般认为测区中的最低类是地形类，汇总所有初始聚类结果形成初始地形类。由于地形和地物在高度上没有绝对的区别，高度只是作为判断的依据之一，此时的初始地形中仍可能包含地物点；
(4)计算最邻近点高差：搜索水平面最邻近点对并计算高差，一般地物与地形点云的一个共点是：在类内，水平距离短时高度变化小。一个区别是：地物类的边界点在较短水平距离内会有较大高度变化。以(range1, range2)为阈值，若存在一对点，在range1水平距离内的高差不小于range2，即认为较高的一点为地物边界点。只要找到一地物类的任一边界点，通过聚类就能找到整个地物；
(5)DBSCAN第二次聚类：用突变点进行DBSCAN第二次聚类，找到的地物边界点称为突变点，以突变点为初始点按(Epsilon2, MinPts)在初始地形类中聚类；
(6)形成地形类：在得到聚类结果后，若点云有类属，则认为该点云是地物点，反之则为地面点，形成最终地形类。
本发明的有益效果如下：
（1）提出一种基于密度聚类的快速分类滤波算法，适用于城市、乡村等不连续地形激光雷达点云数据处理技术领域；
（2）地物和地形点云在Z轴的投影具有明显的密度分化。地物点云因为高度跳跃将与地形点云间产生明显的低密度带，而地物点云和地形点云内部变化较为连续均匀，将被识别为高密度带。地物点云在四周边界处会发生明显的高度跳跃，具体表现出较短的水平距离内产；
（3）提出了将测区点云按平面坐标划分到不同的网格，逐网格对点云进行DBSCAN第一次聚类，选择合适的类作为初始地形类，搜索水平面最邻近点对并计算高差，用突变点进行DBSCAN第二次聚类，形成最终地形类。
附图说明
下面结合附图和具体实施对本发明进一步说明：
图1为DBSCAN示意图；
图2为本发明的方法流程图；
图3为实验数据Sample 42的原始地形图；
图4为实验数据Sample 42的格网划分图；
图5为实验数据Sample 42的单元格网聚类结果图；
图6为实验数据Sample 42的初始地形类图；
图7为实验数据Sample 42的突变点待选分布图；
图8为实验数据Sample 42的突变点结果图；
图9为实验数据Sample 42的滤波效果图；
图10为分类错误示意图。
具体实施方式
为能够清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行阐述。本发明：一种基于密度聚类的快速分类滤波算法，所述方法的具体实施步骤如下：
(1)划分网格：将测区点云按平面坐标划分到不同的网格，由于一个大测区内地形高低起伏，而地物裹挟其中，点云大量堆砌的情况下，直接对大测区按高程聚类将导致聚类结果差，而先将大测区划分成长度为D的若干小测区可以充分保留地物特征（如图3，图4）；
(2)DBSCAN第一次聚类：逐网格对点云进行DBSCAN第一次聚类，以点的高程为特征属性，按(Epsilon1, MinPts)将点云分为若干个无属性类，MinPts一般认为应大于数据的维度。因噪声具有无核心点、低密度的特征，聚类会将噪声分为单独的noise类，达到去噪的效果（如图5）；
(3)选择初始地形类：一般认为测区中的最低类是地形类，汇总所有初始聚类结果形成初始地形类。由于地形和地物在高度上没有绝对的区别，高度只是作为判断的依据之一，此时的初始地形中仍可能包含地物点（如图6）；
(4)计算最邻近点高差：搜索水平面最邻近点对并计算高差，一般地物与地形点云的一个共点是：在类内，水平距离短时高度变化小。一个区别是：地物类的边界点在较短水平距离内会有较大高度变化。以(range1, range2)为阈值，若存在一对点，在range1水平距离内的高差不小于range2，即认为较高的一点为地物边界点。只要找到一地物类的任一边界点，通过聚类就能找到整个地物（如图7）；
(5)DBSCAN第二次聚类：用突变点进行DBSCAN第二次聚类，找到的地物边界点称为突变点，以突变点为初始点按(Epsilon2, MinPts)在初始地形类中聚类（如图8）；
(6)形成地形类：在得到聚类结果后，若点云有类属，则认为该点云是地物点，反之则为地面点，形成最终地形类（如图9）。
为验证本发明的有效性和适用性，利用分别具有城市特色和乡村特色的15个样本数据进行验证，基本情况及结果如下：
（1）实验数据概述
数据选择由ISPRS利用Optech ALTM扫描仪在Vaihingen/Enz测试区和Stuttgart市中心采集的激光雷达数据作为本次实验数据。数据集具有不同的特征内容，从中选择了15个样本数据，分别来自四个有城市特色的地区和四个有乡村特色的地区（编号1至8），并将样本数据手工分类为地面点和非地面点。表1为15个样本数据的基本信息。实验将从定性和定量的角度，分析15个样本数据的滤波结果；
表1 样本数据的统计和相关描述
Figure 683300DEST_PATH_IMAGE002
（2）划分网格
将测区点云按平面坐标划分到不同的网格，由于一个大测区内地形高低起伏，而地物裹挟其中，点云大量堆砌的情况下，直接对大测区按高程聚类将导致聚类结果差，而先将大测区划分成长度为D的若干小测区可以充分保留地物特征；
（3）DBSCAN第一次聚类：逐网格对点云进行DBSCAN第一次聚类，以点的高程为特征属性，按(Epsilon1, MinPts)将点云分为若干个无属性类，MinPts一般认为应大于数据的维度。因噪声具有无核心点、低密度的特征，聚类会将噪声分为单独的noise类，达到去噪的效果；
（4）选择初始地形类：一般认为测区中的最低类是地形类，汇总所有初始聚类结果形成初始地形类。由于地形和地物在高度上没有绝对的区别，高度只是作为判断的依据之一，此时的初始地形中仍可能包含地物点；
（5）计算最邻近点高差：搜索水平面最邻近点对并计算高差，一般地物与地形点云的一个共点是：在类内，水平距离短时高度变化小。一个区别是：地物类的边界点在较短水平距离内会有较大高度变化。以(range1, range2)为阈值，若存在一对点，在range1水平距离内的高差不小于range2，即认为较高的一点为地物边界点。只要找到一地物类的任一边界点，通过聚类就能找到整个地物；
（6）DBSCAN第二次聚类：用突变点进行DBSCAN第二次聚类，找到的地物边界点称为突变点，以突变点为初始点按(Epsilon2, MinPts)在初始地形类中聚类；
（7）形成地形类：在得到聚类结果后，若点云有类属，则认为该点云是地物点，反之则为地面点，形成最终地形类。
表3为本专利算法对15个样本过滤后所得的滤波误差。除此之外，表4对比了其它滤波算法的15个样本滤波误差；
表3 15个样本的滤波误差统计
样本编号 I类错误 II类错误 总错误
Sample 11 28.99 29.67 29.28
Sample 12 8.41 18.69 13.42
Sample 21 0.43 11.72 2.93
Sample 22 16.53 18.45 17.13
Sample 23 10.66 19.20 14.70
Sample 24 10.49 14.92 11.71
Sample 31 9.85 13.87 11.70
Sample 41 22.67 9.77 16.21
Sample 42 2.89 3.80 3.53
Sample 51 13.18 9.24 12.32
Sample 52 26.01 29.25 26.35
Sample 53 15.40 24.91 15.78
Sample 54 4.17 11.83 8.28
Sample 61 5.56 15.84 5.91
Sample 71 15.26 10.17 14.68
表4 与其他滤波算法的滤波总误差对比
样本 Elmqvist Sohn Axelsson Pfeifer Brovelli Roggero Wack Sithole 平均 本专利方法
S11 22.40 20.49 10.76 17.35 36.96 20.80 24.02 23.25 22.00 29.28
S12 8.18 8.39 3.25 4.50 16.28 6.61 6.61 10.21 8.00 13.42
S21 8.53 8.80 4.25 2.57 9.30 9.84 4.55 7.76 6.95 2.93
S22 8.93 7.54 3.63 6.71 22.28 23.78 7.51 20.86 12.66 17.13
S23 12.28 9.84 4.00 8.22 27.80 23.20 10.97 22.71 14.88 14.70
S24 13.83 13.33 4.42 8.64 36.06 23.25 11.53 25.28 17.04 11.71
S31 5.34 6.39 4.78 1.80 12.92 2.14 2.21 3.15 4.84 11.70
S41 8.76 11.27 13.91 10.75 17.03 12.21 9.01 23.67 13.33 16.21
S42 3.68 1.78 1.62 2.64 6.38 4.30 3.54 3.85 3.47 3.53
S51 23.31 9.31 2.72 3.71 22.81 3.01 11.45 7.02 10.42 12.32
S52 57.95 12.04 3.07 19.64 45.56 9.78 23.83 27.53 24.93 26.35
S53 48.45 20.19 8.91 12.60 52.81 17.29 27.24 37.07 28.07 15.78
S54 21.26 5.68 3.23 5.47 23.89 4.96 7.63 6.33 9.81 8.28
S61 35.87 2.99 2.08 6.91 21.68 18.99 13.47 21.63 15.45 5.91
S71 34.22 2.20 1.63 8.85 34.98 5.11 16.97 21.83 15.72 14.68
从表3可以看出，本专利算法在S21、S42、S54、S61中能得到较好的结果，I类误差和总误差均较小，其他样本的总误差也大部分在10%左右，其中S21、S42属于城市区域,S54、S61属于农村区域。滤波结果的I类错误，主要是epsilon1小于实际地形变化，导致将地面点分类为非地面点，若epsilon1小于真实地面与地物高差范围，会出现分类错误（如图10）。表4对比八种经典滤波算法，在S21、S23、S24、S53、S54、S61、S71中，本专利算法的总误差均低于平均值。其中S53、S54、S61、S71属于农村区域，地形特征为不连续地形、村庄和桥；城市区域的S21、S23、S24地形特征为窄桥、复杂的建筑物、不连续的地形、陡坡和植被。总的来说，本专利算法有一定稳定性，在城市和农村地区的表现结果水平相当，可识别任意形状的复杂建筑，也在不连续地形区域有较好的结果；
可见，本发明专利所述方法针对点云数据一般是高维的且数据量特别巨大，这将导致直接聚类不可实施，滤波误差过大，目前现有滤波算法不适合不连续地形分类，提出了一种基于DBSCAN密度聚类的快速分类滤波新方法，根据实际地形找到合适的参数范围后，滤波过程无需人为干预，本专利算法在城区和农村地区均有较好的适用性，总误差在10%左右。
以上所述方法只是本发明的优选方案，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。

Claims (2)

1.基于密度聚类的激光雷达点云快速分类滤波算法，其特征是：以激光雷达点云的空间密度、地物类点云和地形类点云的特征属性为依据，首先根据点云的高程值进行聚类，再进行平面点云的筛选，从而达到降低数据样本数量和特征维度的目的，最后通过DBSCAN聚类，将原始点云分为噪音类、地物类、及地形类点云。
2.具体步骤如下：
(1)划分网格：将测区点云按平面坐标划分到不同的网格，由于一个大测区内地形高低起伏，而地物裹挟其中，点云大量堆砌的情况下，直接对大测区按高程聚类将导致聚类结果差，而先将大测区划分成长度为D的若干小测区可以充分保留地物特征；
(2)DBSCAN第一次聚类：逐网格对点云进行DBSCAN第一次聚类，以点的高程为特征属性，按(Epsilon1, MinPts)将点云分为若干个无属性类，其中MinPts要求大于数据的维度；因噪声具有无核心点、低密度的特征，聚类会将噪声分为单独的noise类，达到去噪的效果；
(3)选择初始地形类：测区中的最低类认定为地形类，汇总所有初始聚类结果形成初始地形类；由于地形和地物在高度上没有绝对的区别，高度只是作为判断的依据之一，此时的初始地形中仍可能包含地物点；
(4)计算最邻近点高差：搜索水平面最邻近点对并计算高差，一般地物与地形点云的一个共点是：在同一类别内，水平距离短时高度变化小；一个区别是：地物类的边界点在较短水平距离内会有较大高度变化；以(range1, range2)为阈值，若存在一对点，在range1水平距离内的高差不小于range2，即认为较高的一点为地物边界点；只要找到一地物类的任一边界点，通过聚类就能找到整个地物；
(5)DBSCAN第二次聚类：用突变点进行DBSCAN第二次聚类，找到的地物边界点称为突变点，以突变点为初始点按(Epsilon2, MinPts)在初始地形类中聚类；
(6)形成地形类：在得到聚类结果后，若点云有类属，则认为该点云是地物点，反之则为地面点，形成最终地形类，完成分类滤波。
CN202011572207.8A 2020-12-28 2020-12-28 基于密度聚类的激光雷达点云快速分类滤波算法 Active CN112462347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011572207.8A CN112462347B (zh) 2020-12-28 2020-12-28 基于密度聚类的激光雷达点云快速分类滤波算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011572207.8A CN112462347B (zh) 2020-12-28 2020-12-28 基于密度聚类的激光雷达点云快速分类滤波算法

Publications (2)

Publication Number Publication Date
CN112462347A true CN112462347A (zh) 2021-03-09
CN112462347B CN112462347B (zh) 2023-08-15

Family

ID=74803410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011572207.8A Active CN112462347B (zh) 2020-12-28 2020-12-28 基于密度聚类的激光雷达点云快速分类滤波算法

Country Status (1)

Country Link
CN (1) CN112462347B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255444A (zh) * 2021-04-19 2021-08-13 杭州飞步科技有限公司 图像识别模型的训练方法、图像识别方法和装置
CN114063107A (zh) * 2021-11-26 2022-02-18 山东大学 一种基于激光束的地面点云提取方法
CN114186588A (zh) * 2021-12-08 2022-03-15 哈尔滨工程大学 一种实时层次化滤波方法
CN114372981A (zh) * 2022-03-21 2022-04-19 季华实验室 T型工件焊缝识别方法、装置、电子设备及存储介质
CN115191866A (zh) * 2021-04-09 2022-10-18 美智纵横科技有限责任公司 一种回充方法、装置、清洁机器人及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573705A (zh) * 2014-10-13 2015-04-29 北京建筑大学 一种建筑物激光扫描点云数据的聚类方法
CN105488770A (zh) * 2015-12-11 2016-04-13 中国测绘科学研究院 一种面向对象的机载激光雷达点云滤波方法
CN105513127A (zh) * 2015-12-25 2016-04-20 武汉大学 基于密度峰值聚类的杆状物规则化三维建模方法及系统
CN107292276A (zh) * 2017-06-28 2017-10-24 武汉大学 一种车载点云聚类方法及系统
US20170343362A1 (en) * 2016-05-30 2017-11-30 Baidu Online Network Technology (Beijing) Co., Ltd. Method And Apparatus For Generating High Precision Map
CN110472677A (zh) * 2019-08-06 2019-11-19 长沙理工大学 一种基于自然最近邻与最短路径的密度峰值聚类方法
US20200134372A1 (en) * 2018-10-26 2020-04-30 Volvo Car Corporation Methods and systems for the fast estimation of three-dimensional bounding boxes and drivable surfaces using lidar point clouds
CN111158015A (zh) * 2019-12-31 2020-05-15 飞燕航空遥感技术有限公司 机载激光雷达点云数据误分地面点的检测方法和系统
US20200167940A1 (en) * 2017-07-21 2020-05-28 Tadano Ltd. Data point group clustering method, guide information display device, and crane
KR20200126141A (ko) * 2019-04-29 2020-11-06 충북대학교 산학협력단 다중 라이다를 이용한 다중 물체 인식 시스템 및 방법
CN112070769A (zh) * 2020-09-18 2020-12-11 福州大学 一种基于dbscan的分层点云分割方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573705A (zh) * 2014-10-13 2015-04-29 北京建筑大学 一种建筑物激光扫描点云数据的聚类方法
CN105488770A (zh) * 2015-12-11 2016-04-13 中国测绘科学研究院 一种面向对象的机载激光雷达点云滤波方法
CN105513127A (zh) * 2015-12-25 2016-04-20 武汉大学 基于密度峰值聚类的杆状物规则化三维建模方法及系统
US20170343362A1 (en) * 2016-05-30 2017-11-30 Baidu Online Network Technology (Beijing) Co., Ltd. Method And Apparatus For Generating High Precision Map
CN107292276A (zh) * 2017-06-28 2017-10-24 武汉大学 一种车载点云聚类方法及系统
US20200167940A1 (en) * 2017-07-21 2020-05-28 Tadano Ltd. Data point group clustering method, guide information display device, and crane
US20200134372A1 (en) * 2018-10-26 2020-04-30 Volvo Car Corporation Methods and systems for the fast estimation of three-dimensional bounding boxes and drivable surfaces using lidar point clouds
KR20200126141A (ko) * 2019-04-29 2020-11-06 충북대학교 산학협력단 다중 라이다를 이용한 다중 물체 인식 시스템 및 방법
CN110472677A (zh) * 2019-08-06 2019-11-19 长沙理工大学 一种基于自然最近邻与最短路径的密度峰值聚类方法
CN111158015A (zh) * 2019-12-31 2020-05-15 飞燕航空遥感技术有限公司 机载激光雷达点云数据误分地面点的检测方法和系统
CN112070769A (zh) * 2020-09-18 2020-12-11 福州大学 一种基于dbscan的分层点云分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANG, CHUNXIAO等: "An Improved DBSCAN Method for LiDAR Data Segmentation with Automatic Eps Estimation", SENSORS, vol. 19, no. 1, XP093026350, DOI: 10.3390/s19010172 *
王光等: "改进的自适应参数DBSCAN聚类算法", 计算机工程与应用, vol. 56, no. 14, pages 45 - 51 *
赵凯;徐友春;李永乐;王任栋;: "基于VG-DBSCAN算法的大场景散乱点云去噪", 光学学报, no. 10, pages 370 - 375 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115191866A (zh) * 2021-04-09 2022-10-18 美智纵横科技有限责任公司 一种回充方法、装置、清洁机器人及存储介质
CN113255444A (zh) * 2021-04-19 2021-08-13 杭州飞步科技有限公司 图像识别模型的训练方法、图像识别方法和装置
CN114063107A (zh) * 2021-11-26 2022-02-18 山东大学 一种基于激光束的地面点云提取方法
CN114186588A (zh) * 2021-12-08 2022-03-15 哈尔滨工程大学 一种实时层次化滤波方法
CN114186588B (zh) * 2021-12-08 2024-10-18 哈尔滨工程大学 一种实时层次化滤波方法
CN114372981A (zh) * 2022-03-21 2022-04-19 季华实验室 T型工件焊缝识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112462347B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN112462347B (zh) 基于密度聚类的激光雷达点云快速分类滤波算法
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
CN113487730B (zh) 一种基于激光雷达点云数据的城市三维自动建模方法
Aljumaily et al. Urban point cloud mining based on density clustering and MapReduce
CN106600622A (zh) 一种基于超体素的点云数据分割方法
CN110992341A (zh) 一种基于分割的机载LiDAR点云建筑物提取方法
CN113537316B (zh) 一种基于4d毫米波雷达点云的车辆检测方法
CN104574303A (zh) 基于空间聚类的机载LiDAR点云地面滤波方法
CN115063555B (zh) 高斯分布区域生长的车载LiDAR点云行道树提取方法
Deng et al. A novel fast classification filtering algorithm for LiDAR point clouds based on small grid density clustering
CN113807437A (zh) 一种基于dbscan聚类分析的山脊线和山谷线提取方法
CN116524219A (zh) 一种基于激光雷达点云聚类的障碍物检测方法
CN116543310A (zh) 一种基于Voronoi图和核密度的道路线提取方法
Jiangui et al. A method for main road extraction from airborne LiDAR data in urban area
CN113096181A (zh) 设备位姿的确定方法、装置、存储介质及电子装置
CN114063107A (zh) 一种基于激光束的地面点云提取方法
CN116579949B (zh) 适用于城市多噪声环境下机载点云地面点滤波方法
CN112070787B (zh) 基于对立推理理论的航空三维点云平面分割方法
CN113721254A (zh) 一种基于道路指纹空间关联矩阵的车辆定位方法
CN104102718A (zh) 面向失衡数据集的簇边界采样与动态剪枝的失衡数据分类方法
CN111968253A (zh) 一种基于点云数据的路面提取方法及系统
CN116051841A (zh) 基于车载LiDAR点云的路边地上物多阶段聚类分割算法
CN116977593A (zh) 一种基于超体素凹凸性分割与颜色区域生长的单木分割方法
CN115100613A (zh) 一种基于激光雷达点云信息的车道线检测方法
Sun et al. Research on target classification method for dense matching point cloud based on improved random forest algorithm

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