-
公开(公告)号：CN113705582A
公开(公告)日：2021-11-26
申请号：CN202110891468.4
申请日：2021-08-04
Applicant: 南京林业大学
Abstract: 本发明公开了一种建筑立面边缘特征关键点提取方法，属于三维建模领域。本发明首先通过对局部邻域内建立的协方差矩阵的特征值来计算三维点云中每个点的置信度；然后定义三维空间中每个点的梯度，再将三维点云的梯度信息编码为结构张量；结构张量的特征值可以表示局部点云的梯度分布情况，从而将建筑物点云的立面特征提取问题转换为分析结构张量的三个特征值的问题；将每个点的置信度和结构张量作为双阈值法的输入，判断当前被处理点是否为关键点；最后采用边缘细化算法对边缘特征点进行细化处理。本发明所提出的算法不仅精度高于现有直接从三维中提取边缘特征的方法，也优于基于Canny算子到二维图像进行边缘提取和细化的方法。
-
公开(公告)号：CN111275077A
公开(公告)日：2020-06-12
申请号：CN202010030688.3
申请日：2020-01-13
Applicant: 南京林业大学
Abstract: 本发明提出的是一种机载激光雷达点云多视角特征联合学习下的语义标注方法，包括如下步骤：(1)多视角点云特征提取；(2)多视角特征联合学习的特征映射与分类模型的构建；(3)对所构建模型的优化求解方法；(4)基于多视角特征融合的点云语义分割。本发明提出一种基于标签和多空间局部分布一致性约束的点云多视角特征联合学习点云分类算法。该算法利用少量训练样本点训练模型，引入特征空间和位置空间局部分布一致性约束、多视角预测标签与真值标签一致性约束和多视角预测标签之间一致性约束，利用流形学习方法进行多视角特征子空间联合学习。本发明利用迭代算法联合求解优化多个视角的特征映射矩阵，能够获得无冗余信息、低噪声且更具判别性的特征和最优线性分类器，进而有效融合分类多视角特征。
-
公开(公告)号：CN107025685B
公开(公告)日：2020-03-17
申请号：CN201710233085.1
申请日：2017-04-11
Applicant: 南京林业大学
Abstract: 本发明提出的是一种拓扑感知下的机载建筑屋顶点云建模方法，包括如下步骤：（一）屋顶面片聚类；（二）屋顶面片边界追踪；（三）屋顶面片边界分割；（四）建筑几何模型构建。本发明的优点：1）建模算法在屋顶面片分割、屋顶边界提取及模型绘制等诸环节均可以保持屋拓扑结构的一致性；2）采用投影点和原始边界点对建筑边界进行混合表达：一方面增强了模型的细节，提高了模型的精度；另一方面也保持了模型的规则几何结构外观，生成的模型更加的紧凑，便于建筑模型的存储、网络传输和可视化渲染。
-
公开(公告)号：CN110135599A
公开(公告)日：2019-08-16
申请号：CN201910407334.3
申请日：2019-05-15
Applicant: 南京林业大学
Abstract: 本发明提出的是一种无人机电力巡检点云智能化处理与分析服务平台，其结构主要包括（a）基础设施层；（b）中间件层；（c）应用层；（d）用户层；具体构建过程包括（1）平台框架总体架构；（2）巡线数据存储和组织；（3）巡线数据处理核心算法；（4）巡线数据渲染技术和精益化应用。优点：综合运用无人机激光雷达、云服务、实时渲染、机器学习等先进技术，以相关理论、算法和架构体系为支撑，针对无人机电力巡检点云在数据管理、智能处理和精益化应用等方面存在的问题，提供一套云计算架构下的一体化解决方案，实现无人机电力巡检成果的开放式存储、自动化处理、智能化分析与精益化应用。
-
公开(公告)号：CN110120070A
公开(公告)日：2019-08-13
申请号：CN201910402264.2
申请日：2019-05-15
Applicant: 南京林业大学
Abstract: 本发明提出的是一种基于机载激光雷达点云体元连续性分析的滤波方法，包括如下步骤：（1）体素化点云；（2）“地面基准层”的确立；（3）“待分类”体元的标注；（4）“待定地面点”、“地面点体元”和“非地面点”体元间的连通性分析；（5）剔除插值结果，完成数据滤波。优点：（1）减少了计算量，节省计算时间；（2）无需设定复杂的阈值参数，所涉及的参数更容易选择；（3）对于山区的滤波效果尤为显著；（4）对高的局外点不敏感，减弱了离值点对滤波结果的干扰，比现有的点云滤波算法更稳健。
-
Patent Agency Ranking
公开(公告)号：CN107025685A
公开(公告)日：2017-08-08
申请号：CN201710233085.1
申请日：2017-04-11
Applicant: 南京林业大学
Abstract: 本发明提出的是一种拓扑感知下的机载建筑屋顶点云建模方法，包括如下步骤：（一）屋顶面片聚类；（二）屋顶面片边界追踪；（三）屋顶面片边界分割；（四）建筑几何模型构建。本发明的优点：1）建模算法在屋顶面片分割、屋顶边界提取及模型绘制等诸环节均可以保持屋拓扑结构的一致性；2）采用投影点和原始边界点对建筑边界进行混合表达：一方面增强了模型的细节，提高了模型的精度；另一方面也保持了模型的规则几何结构外观，生成的模型更加的紧凑，便于建筑模型的存储、网络传输和可视化渲染。
-
公开(公告)号：CN106154247A
公开(公告)日：2016-11-23
申请号：CN201610467706.8
申请日：2016-06-24
Applicant: 南京林业大学
CPC classification number: G01S7/4876 , G01S7/4802 , G01S17/88
Abstract: 本发明提出一种多尺度全波形激光雷达数据最优化分解方法，其方法包括以下步骤：（一）通过对全波形信号的增强处理，提高信号的信噪比，提升后向散射波形的数据质量；（二）综合先验知识和各类核密度函数的后向散射波形分解与拟合；（三）对波形分解结果进行精度评价。本发明的优点：1）提出的综合核密度函数和先验知识的波形优化模型，既防止了数据的过拟合，又保证了解析结果的合理性，构建的优化模型具有开放性，可以容易地扩充有效的核密度函数和可靠的先验知识。2）多尺度全波形数据信息提取与挖掘的完整框架，实现了信息提取的完整性，综合多种方法定性和定量地验证了结果的精度和有效性。
-
公开(公告)号：CN106126816A
公开(公告)日：2016-11-16
申请号：CN201610467713.8
申请日：2016-06-24
Applicant: 南京林业大学
IPC: G06F17/50
CPC classification number: G06F17/5004
Abstract: 本发明是一种重复建筑自动感知下的大规模ALS建筑点云建模方法，包括以下步骤：（一）采用深度学习方法，精细分割ALS点云，获取“建筑”、“植被”、“地面”和“其他”四类目标；（二）针对建筑点云，在局部区域内探测重复建筑，并对探测出的重复建筑配准和对齐，接着采用数据驱动方法，构建重复建筑屋顶模型，针对剩余的非重复建筑，采取综合数据驱动和模型驱动的混合建模方法，构建建筑屋顶的几何模型；（三）定性和定量评价建筑屋顶几何模型建模方法的精度和效率。优点：1）建模的效率和精度高，适合对重复建筑较多的城市居民区进行建模。2）方便与其他方法整合，以提升建模方法的应用范围和模型的层次细节。
-
公开(公告)号：CN113705582B
公开(公告)日：2022-03-29
申请号：CN202110891468.4
申请日：2021-08-04
Applicant: 南京林业大学
Abstract: 本发明公开了一种建筑立面边缘特征关键点提取方法，属于三维建模领域。本发明首先通过对局部邻域内建立的协方差矩阵的特征值来计算三维点云中每个点的置信度；然后定义三维空间中每个点的梯度，再将三维点云的梯度信息编码为结构张量；结构张量的特征值可以表示局部点云的梯度分布情况，从而将建筑物点云的立面特征提取问题转换为分析结构张量的三个特征值的问题；将每个点的置信度和结构张量作为双阈值法的输入，判断当前被处理点是否为关键点；最后采用边缘细化算法对边缘特征点进行细化处理。本发明所提出的算法不仅精度高于现有直接从三维中提取边缘特征的方法，也优于基于Canny算子到二维图像进行边缘提取和细化的方法。
-
公开(公告)号：CN111710027B
公开(公告)日：2021-05-04
申请号：CN202010452286.2
申请日：2020-05-25
Applicant: 南京林业大学
Abstract: 本发明提出的是一种顾及管片分割和管片拼装的隧道三维几何重建方法，包括如下步骤：（1）隧道三维点云展开至二维图像的映射方法；（2）隧道图像分割方法；（3）基于模型匹配的隧道管片重建。本发明提出一种耦合数据和模型驱动思想的三维隧道几何模型重建方法，重构多尺度盾构隧道几何模型。基于数据驱动思想，首先将点云转化为二值图像，然后利用形态学和模板匹配算法，在逐环尺度和管片尺度上分别分割隧道点云。管片之间的密封沟和螺栓孔在二值图像上表现的更加显著，同时图像本身也蕴含了原始点云和像素之间的映射拓扑关系。基于隧道每一环仅包含一块封顶块的观察，我们将管片的分割问题转化为基于二值图像的最小二乘约束下的模板匹配问题，实现隧道管片的分割，此后基于模型驱动的思想，将盾构隧道管片尺度上的重建问题转化为管片点云与模型库的匹配问题，得到各类管片的类型、大小和位置，完成隧道管片的组装。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.025 seconds)
