-
公开(公告)号：CN106126816B
公开(公告)日：2019-04-05
申请号：CN201610467713.8
申请日：2016-06-24
Applicant: 南京林业大学
IPC: G06F17/50
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：CN106127857B
公开(公告)日：2018-11-16
申请号：CN201610467712.3
申请日：2016-06-24
Applicant: 南京林业大学
Abstract: 本发明提出的是综合数据驱动与模型驱动的机载LiDAR数据建模方法，该方法包括以下步骤：（一）全波形LiDAR数据波形精确分解和建筑提取；（二）基于数据驱动的复杂建筑屋顶分割；（三）建筑屋顶语义划分；（四）基于分割单元的建筑屋顶建模；（五）建筑模型精度评价及渲染。本发明的优点：（1）可精确而合理地分割复杂建筑屋顶，并能维持屋顶分割面片间的拓扑关系，能够详细提取复杂建筑屋顶及大面积连体建筑的结构和边界线，为合理的建筑语义分块创造了条件；（2）能够构建复杂建筑模型，并保证模型的合理性和较高的重建效率，可以广泛用于大规模场景的城市建模。
-
公开(公告)号：CN106154247B
公开(公告)日：2018-07-10
申请号：CN201610467706.8
申请日：2016-06-24
Applicant: 南京林业大学
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：CN106127153A
公开(公告)日：2016-11-16
申请号：CN201610467707.2
申请日：2016-06-24
Applicant: 南京林业大学
CPC classification number: G06K9/00771 , G06K9/6218 , G06K2209/01
Abstract: 本发明提出一种车载激光扫描点云数据的交通标牌识别方法，该方法包括以下步骤：（一）点云实时预处理；（二）点云结构特征获取；（三）多尺度马尔科夫随机场点云聚类；（四）交通标牌识别。本发明的优点：强化了点云的“面状”、“线状”、“散乱状”特征，增强了点与点之间的差异性，在避免欠分割的同时，能够快速在交通标牌零部件尺度上合理分割；方便从地物遮挡或地物自遮挡造成的部分交通标牌缺失的点云数据中实现交通标牌的分类和识别；能有效满足当前对城市零部件的快速提取、监测和识别的要求，方便推广到基于计算机视觉的有人或无人导航和避障领域，辅助驾驶员在复杂路况下导航和决策，有效地降低交通事故发生概率。
-
公开(公告)号：CN106127153B
公开(公告)日：2019-03-05
申请号：CN201610467707.2
申请日：2016-06-24
Applicant: 南京林业大学
Abstract: 本发明提出一种车载激光扫描点云数据的交通标牌识别方法，该方法包括以下步骤：（一）点云实时预处理；（二）点云结构特征获取；（三）多尺度马尔科夫随机场点云聚类；（四）交通标牌识别。本发明的优点：强化了点云的“面状”、“线状”、“散乱状”特征，增强了点与点之间的差异性，在避免欠分割的同时，能够快速在交通标牌零部件尺度上合理分割；方便从地物遮挡或地物自遮挡造成的部分交通标牌缺失的点云数据中实现交通标牌的分类和识别；能有效满足当前对城市零部件的快速提取、监测和识别的要求，方便推广到基于计算机视觉的有人或无人导航和避障领域，辅助驾驶员在复杂路况下导航和决策，有效地降低交通事故发生概率。
-
Patent Agency Ranking
公开(公告)号：CN106199557B
公开(公告)日：2018-07-10
申请号：CN201610483426.6
申请日：2016-06-24
Applicant: 南京林业大学
IPC: G01S7/48
Abstract: 本发明提出一种机载激光雷达数据植被提取方法，该方法包括以下步骤：（一）机载激光雷达点云的预处理；（二）机载激光雷达点云的预分割；（三）分割单元特征选取；（四）基于核函数的软间隔SVM分类；（五）基于先验知识的数据植被粗分类结果的优化。本发明的优点：1）该方法不需要融合多光谱影像、高光谱影像等其他数据源，具有很强的普适性。2）该方法保证了激光雷达点云空间自相关性，有效防止分类算法破坏这种空间属性，保证植被和非植被点的可分性，提高了植被的探测率。3）该算法可以有效地将建筑周边及立体墙面点、建筑屋顶不规则物体点和植被密集区域的地面点与植被分离，达到精确提取城区中植被的目的。
-
公开(公告)号：CN106772433A
公开(公告)日：2017-05-31
申请号：CN201710233427.X
申请日：2017-04-11
Applicant: 南京林业大学
IPC: G01S17/89
CPC classification number: G01S17/89
Abstract: 本发明提出的是一种基于机载激光雷达数据的建筑线画图生成方法，包括以下步骤：（1）提取建筑外边界和孔洞边界；（2）优化分割建筑内外边界线；（3）构建建筑线画图。本发明的优点：（1）可全自动从机载点云中提取建筑的线划图，高效、便于后续更加客观全面评价先画图的精度；（2）采用混合关键点表达方法制作建筑的线画图，有效兼顾了先画图的精度和人造建筑几何外观的规则性；（3）本发明提取的建筑线画图一并融合了先验知识软约束，使得生成的建筑线化图在整体宏观尺度上具有很强的一致性。
-
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：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。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.023 seconds)
