-
公开(公告)号：CN109561385A
公开(公告)日：2019-04-02
申请号：CN201910026319.4
申请日：2019-01-11
Applicant: 福州大学
Abstract: 本发明涉及一种基于频繁大幅转向模式的手机位置数据异常记录检测方法，包括以下步骤：步骤S1：定义大幅转向行为，并预设基于频繁大幅转向模式的判定参数；步骤S2：采集待测手机位置数据；步骤S3:根据手机位置数据，识别大幅转向行为及其对应的潜在异常记录；步骤S4：根据手机位置数据，识别频繁大幅转向模式以及其对应的异常记录；步骤S5:将得到的大幅转向行为及其对应的潜在异常记录和频繁大幅转向模式以及其对应的异常记录整合，得到最终异常记录。本发明能够更有效地检测手机位置数据中的噪音，降低乒乓效应对研究结论的影响，从而获得更科学的分析结论和决策支持。
-
公开(公告)号：CN118857313A
公开(公告)日：2024-10-29
申请号：CN202410898294.8
申请日：2024-07-05
Applicant: 福州大学
IPC: G01C21/32 , G01C21/00 , G06T17/05 , G06T7/246 , G06V10/75 , G06F17/16 , G06F16/29 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于定位点查询和注意力机制的高精地图构建方法，属于车载激光点云检测领域。基于车载激光点云数据，通过车辆行驶轨迹线提取分段路面点云，结合特征金字塔网络结构构建路面点云特征图。对于不同类型的车道要素（长实线型、短实线型和非实线型），构建不同的定位方式，获取车道要素在点级和对象级层面的定位损失并进行优化，实现车道要素的提取，生成高精地图。本发明构建一种端到端生成高精地图的深度模型，实现在统一框架下多类型与多尺度车道要素自动定位、识别和矢量化，克服了传统多层次提取中不同阶段对目标提取的影响，提高了高精地图构建的精度和效率。
-
公开(公告)号：CN116402373A
公开(公告)日：2023-07-07
申请号：CN202310060273.4
申请日：2023-01-18
Applicant: 福州大学
IPC: G06Q10/0639 , G06Q50/26
Abstract: 本发明提出顾及动态人口数据的出租车服务综合不平等性评估方法，所述方法基于运营车辆轨迹数据，顾及动态人口分布，基于泰尔指数评估出租车服务相对于动态人口的不平等性，通过泰尔指数分解来评估不同研究区域分组对出租车服务不平等性的贡献，包括以下步骤；步骤S1、收集数据并进行预处理步骤S2、出租车服务水平计算；步骤S3、动态人口提取；步骤S4、泰尔指数计算与分解；本发明使用动态人口对出租车载客服务的不平等性进行评估，具有更高的合理性与准确性。
-
公开(公告)号：CN112257637B
公开(公告)日：2022-05-24
申请号：CN202011187179.8
申请日：2020-10-30
Applicant: 福州大学
Abstract: 本发明涉及一种融合点云和多视图的车载激光点云多目标识别方法，基于独立点云对象，构建深度模型PGVNet进行面上地物类别预测：利用点云特征提取模块对独立点云对象进行点云局部特征提取；生成独立对象的多视角图像，并利用视图特征提取模块采用视图分组与组特征融合，提取最优视图特征；基于注意力机制利用点云‑视图特征融合模块将最优视图特征与点云特征进行融合，获取融合注意力的点云全局特征；最后利用分类器MLP进行车载激光点云面上独立地物目标的类别预测。本发明一方面减少相似视图间的信息冗余问题，另一方面则能利用最优视图特征指导模型对点云局部特征的学习，提高模型分类精度，为车载激光点云路侧多目标精细分类提供一种新的研究方法。
-
公开(公告)号：CN110188664B
公开(公告)日：2022-05-24
申请号：CN201910451523.0
申请日：2019-05-28
Applicant: 福州大学
Abstract: 本发明涉及一种基于Snake的车载激光点云矢量道路边界精细提取方法，包括以下步骤：步骤S1：采集伪轨迹点数据；步骤S2：根据伪轨迹点数据，确定多类型道路边界的初始化选择策略；步骤S3：逐点分析局部邻域内的空间分布特征，进而获取梯度信息；步骤S4：基于离散道路边界点构建Snake模型，提取闭合、非闭合道路边界；步骤S5：对Snake结果进行是否存在道路出入口决策，优化Snake结果；矢量化输出Snake结果，实现道路边界精细提取。本发明能直接面向三维激光点云构建Snake模型实现闭合、非闭合等多类型道路边界的提取，解决了被车辆、行人等地物遮挡、噪声、点密度不均等因素造成道路边界提取不完整的问题，能够得到精确表达道路边界形状的矢量化道路边界信息。
-
Patent Agency Ranking
公开(公告)号：CN113989784A
公开(公告)日：2022-01-28
申请号：CN202111452174.8
申请日：2021-11-30
Applicant: 福州大学
IPC: G06V20/58 , G06V10/82 , G06V10/762 , G06V10/77 , G06V10/25 , G06K9/62 , G06N3/04 , G06N3/08 , G01S17/89
Abstract: 本发明涉及一种基于车载激光点云数据的道路场景类型识别方法及系统，该方法包括以下步骤：S1、基于车载激光点云数据，获取地面点云，进而获取道路边界点云；S2、计算道路边界点的主方向，以车载激光扫描系统行驶方向为轨迹点前进方向，计算当前轨迹点向量，计算主方向与轨迹点向量夹角值，逐轨迹点计算轨迹点邻域内道路边界夹角特征值值，依据夹角值的不同分类出道路直线段与路口段；S3、将路口段聚类为独立对象，采用动态图卷积神经网络DGCNN分类十字路口和T字路口，得到直线段、十字路口和T字路口。该方法及系统有利于识别出不同道路场景类型的道路边界。
-
公开(公告)号：CN112070054A
公开(公告)日：2020-12-11
申请号：CN202010980094.9
申请日：2020-09-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于图结构与注意力机制的车载激光点云标线分类方法，包括以下步骤：步骤A：基于强度校正进行标线分割，得到独立标线对象；步骤B：基于分割后的独立标线对象，利用EdgeConv进行特征提取与嵌入；步骤C：在设定邻域范围内进行标线间最短距离重采样，对每个标线构建重采样的标线图结构；步骤D：通过构建多头注意力机制，更新图结构节点特征；步骤E：将图结构和注意力机制嵌入深度神经网络，构建深度图模型GAT_SCNet，然后基于构建的深度图模型GAT_SCNet进行标线类别预测，输出独立标线的类别标签。该方法有利于提高车载激光点云标线分类的精度。
-
公开(公告)号：CN110210415A
公开(公告)日：2019-09-06
申请号：CN201910484566.9
申请日：2019-06-05
Applicant: 福州大学
Abstract: 本发明涉及一种基于图结构的车载激光点云道路标线识别方法，包括以下步骤：步骤S1：基于强度校正的标线分割和小尺寸目标提取,基于分割结果提取小尺寸标线对象；步骤S2：根据获得的小尺寸标线对象，基于标线的形状特征和邻域空间结构构建由参考标线指向邻域对象的空间与语义关系图;步骤S3：基于空间与语义关系图，自定义图结构节点与边存储编码规则，构建图结构的特征描述子；步骤S4：根据图结构的特征描述子，构建并训练深度神经网络；步骤S5:利用训练后的深度神经网络从车载激光点云目标分割结果中直接提取不同类型的标线。本发明能够实现对复杂城市场景中多类型标线的自动识别与精细分类。
-
公开(公告)号：CN106650809B
公开(公告)日：2018-02-23
申请号：CN201611187597.0
申请日：2016-12-20
Applicant: 福州大学
Abstract: 本发明涉及深度学习技术领域，特别涉及一种车载激光点云目标分类方法和系统。所述一种车载激光点云目标分类方法，包括如下步骤：对车载激光点云数据进行预处理，生成待分类目标点云；构建基本训练样本库；生成输入特征向量；构建深度信念网络；对深度信念网络进行训练；生成待分类目标点云的特征向量，并使用特征向量作为训练后的深度信念网络的输入特征，完成车载激光点云数据目标分类。利用深度信念网络实现车载激光点云数据的自动识别分类，有效地提目标点云识别分类的自动化程度，并且具有更强的稳健性，能够应用于场景更加复杂的车载激光点云数据。
-
公开(公告)号：CN113989784B
公开(公告)日：2024-11-15
申请号：CN202111452174.8
申请日：2021-11-30
Applicant: 福州大学
IPC: G06V20/58 , G06V10/82 , G06V10/762 , G06V10/77 , G06V10/25 , G06N3/042 , G06N3/0464 , G06N3/08 , G01S17/89
Abstract: 本发明涉及一种基于车载激光点云数据的道路场景类型识别方法及系统，该方法包括以下步骤：S1、基于车载激光点云数据，获取地面点云，进而获取道路边界点云；S2、计算道路边界点的主方向，以车载激光扫描系统行驶方向为轨迹点前进方向，计算当前轨迹点向量，计算主方向与轨迹点向量夹角值，逐轨迹点计算轨迹点邻域内道路边界夹角特征值值，依据夹角值的不同分类出道路直线段与路口段；S3、将路口段聚类为独立对象，采用动态图卷积神经网络DGCNN分类十字路口和T字路口，得到直线段、十字路口和T字路口。该方法及系统有利于识别出不同道路场景类型的道路边界。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.026 seconds)
