期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于移动激光扫描点云特征图像和SVM的建筑物立面半自动提取方法 被引量：34
1
作者 彭晨 余柏蒗 +1 位作者 吴宾 吴健平 《地球信息科学学报》 CSCD 北大核心 2016年第7期878-885,共8页
建筑物立面是城市地物的重要组成部分,而移动激光扫描是获取城市地物三维信息的重要手段之一。本文提出了一种基于移动激光扫描点云的建筑物立面半自动提取算法。该方法首先构建研究区水平网格;然后计算局部点云几何特征,并且将特征投... 建筑物立面是城市地物的重要组成部分,而移动激光扫描是获取城市地物三维信息的重要手段之一。本文提出了一种基于移动激光扫描点云的建筑物立面半自动提取算法。该方法首先构建研究区水平网格;然后计算局部点云几何特征,并且将特征投影到水平网格生成点云特征图像;接着基于支持向量机(Support Vector Machine,SVM)对建筑物立面网格进行粗提取;最后使用网格属性(形状系数、网格面积、最大高程)对粗提取结果进行过滤,并将结果反投影到三维空间中得到精确的建筑物立面。以卡内基梅隆大学的移动激光扫描点云进行试验后表明,本算法能够较好地提取出建筑物立面,提取精度为84%,召回率为90%,数据修正后精度为88%,召回率为91%。通过与现有算法对比,本文提出的算法具有较高精度。 展开更多
关键词 移动激光扫描系统 建筑物立面提取 点云特征图像 支持向量机(SVM)
原文传递
车载激光点云道路标线分类提取方法
2
作者 高飞 吴言安 +3 位作者 肖信峰 袁斌 张树峰 谢荣晖 《合肥工业大学学报（自然科学版）》 CAS 北大核心 2024年第6期843-848,共6页
利用车载激光道路点云提取道路标线的难度较大。针对此问题,文章采用一种改进的基于点云特征图像的道路标线分类提取方法。首先将道路点云投影生成点云特征图像,通过结合图像梯度分析、图像二值化和连通域分析等操作,进一步进行道路标... 利用车载激光道路点云提取道路标线的难度较大。针对此问题,文章采用一种改进的基于点云特征图像的道路标线分类提取方法。首先将道路点云投影生成点云特征图像,通过结合图像梯度分析、图像二值化和连通域分析等操作,进一步进行道路标线像素提取;然后反投影到三维点云后,利用高斯混合模型对道路标线精细优化,从而提取出完整的道路标线点云;最后通过模板匹配分类,对道路标线点云进行分类提取。实验结果表明,该方法对不同道路环境下道路标线提取的准确度、完整度以及综合评价都超过90%。 展开更多
关键词 道路标线 点云特征图像 图像梯度分析 高斯混合模型 模板匹配分类
下载PDF
基于Light-BotNet的激光点云分类研究 被引量：3
3
作者 雷根华 王蕾 张志勇 《电子技术应用》 2022年第6期84-88,97,共6页
三维点云在机器人与自动驾驶中都有着普遍的应用,深度学习在二维图像上的研究成果显著,但是如何利用深度学习识别不规则的三维点云,仍然是一个开放性的问题。目前大场景点云自身数据的复杂性,点云扫描距离的变化造成点的分布不均匀,噪... 三维点云在机器人与自动驾驶中都有着普遍的应用,深度学习在二维图像上的研究成果显著,但是如何利用深度学习识别不规则的三维点云,仍然是一个开放性的问题。目前大场景点云自身数据的复杂性,点云扫描距离的变化造成点的分布不均匀,噪声和异常点引起的挑战性依然存在。针对于现有的深度学习网络框架对于激光点云数据的分类效率不高以及分类精度低的问题,提出一种基于激光点云特征图像与Light-BotNet相结合的CNN-Transform框架。该框架在于通过对点云数据进行特征提取,以相邻的特征点构造点云特征图像作为网络框架的输入,最后以Light-BotNet为网络框架模型进行点云分类训练。实验结果表明,该方法与现有的多数点云分类方法相比,能够较好地提升激光点云的分类效率以及分类精度。 展开更多
关键词 点云特征图像 BOTNET TRANSFORM CNN 激光点云分类
下载PDF
基于Feature-RNet的三维大场景点云分类框架
4
作者 雷根华 王蕾 张志勇 《计算机技术与发展》 2022年第6期85-91,共7页
随着大场景三维点云应用在越来越多的领域中,近些年对激光点云大场景下的分类研究不断深入,各种分类模型层出不穷,在大场景点云分类任务中表现优异,但是依然存在训练时间长、计算复杂以及分类精度低等问题。针对分类精度低这一问题,提... 随着大场景三维点云应用在越来越多的领域中,近些年对激光点云大场景下的分类研究不断深入,各种分类模型层出不穷,在大场景点云分类任务中表现优异,但是依然存在训练时间长、计算复杂以及分类精度低等问题。针对分类精度低这一问题,提出一种基于Feature-RNet的三维大场景点云分类框架模型来实现点云分类工作。该框架模型不直接以三维点云数据作为输入,而是以通过KNN方法提取三维点云的二维特征和三维特征构建的特征图像作为输入,避免了网络框架对三维点云数据直接处理的不适应性;该模型设计的RNet框架结构利用了残差模块,并对其进行变型以达到提高分类精度的效果。采用公开的Oakland三维数据集对Feature-RNet框架模型进行训练,与现有的其他深度学习分类框架相比,提出的Feature-RNet框架模型在分类精度上有较大的提升,总体分类准确率能达到97.7%。 展开更多
关键词 点云特征图像 RNet网络框架 大场景点云分类 Oakland数据集 深度学习
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部