排序方式: 共有13条查询结果,搜索用时 15 毫秒
11.
12.
针对现有方法在较稀疏的16线激光雷达数据中提取道路边界点准确度较低的问题,本文提出一种道路空间特征与测量距离相结合的道路边界点提取方法:采用随机采样一致性(RANSAC)算法进行预处理,快速剔除道路区域外点;判断同条激光线中点与点之间的水平连续性和垂直连续性,去除大部分道路表面点;根据道路边界点的测量模型,结合原始测量距离修正保留的道路边界点,初步剔除非道路边界点;通过判断起始于被保留点的两个水平向量的夹角是否大于一定阈值,进一步精确剔除非道路边界点.试验结果表明,本文方法相对于现有方法能够较准确获取道路边界点,同时满足无人驾驶汽车环境感知的实时性要求. 相似文献
13.
针对点云场景语义标注存在着手工标注费时费力、算法耗时严重、标注精度不高和不适用于大规模场景点云处理等问题,本文提出了一种结合排序批处理模式的主动学习点云场景语义标注方法。该方法首先对原始点云进行下采样处理,然后利用改进的递归特征增加法从庞大的特征集中筛选出最优特征子集,采用排序批处理模式采样算法迭代选取并人工标注少数未标注点,通过创建最小人工标注训练集来完成下采样点云的语义标注工作,最后利用邻域等权标签传播算法完成原始点云数据的标注。对3个室外大场景点云分别进行的试验表明:本文方法只需人工标注7.50%、7.35%、5.83%的点云即可完成下采样点云的标注工作。此外,对比试验表明,本文方法在标注精度和减少人工成本方面优于其他方法,能为点云语义标注工作节省大量人工成本。 相似文献