一个隐蔽的汽车基于全波形激光雷达数据的提取方法

文摘

从点云数据中提取隐藏汽车通过机载激光扫描近年来获得了它的受欢迎程度。然而,由于闭塞效应,激光点隐藏汽车的数量在树下是不够的。因此,隐藏车辆提取是困难和不可靠的。本文的3 d点云分割和分类方法的基础上提出了全波形激光雷达。这种方法首先采用自相关系数和回波率来确定隐藏汽车领域。然后点隐藏汽车区域分割对海拔分布的隐蔽的汽车。基于前面的步骤,一个策略集成反散射波形特性和查看直方图描述符是训练样本数据的隐藏汽车和生成功能模式。最后隐藏汽车被模式匹配分类。全波形激光雷达数据验证的方法和实验结果表明,提出的方法可以提取隐藏的汽车在实验领域准确性超过78.6%。

1。介绍

自动对象提取成为越来越多的活跃的研究课题在过去几十年(1]。一些研究人员试图从传统的远程图像自动识别和提取对象。然而成功的场景是有限的。因为对象是复杂和动态的辐射特性,算法工作和一套3 d对象不适合其他数据集2]。此外,目标植被覆盖下的信息不能被包括在图像。因此,提取隐藏目标不能实现仅基于图像。激光雷达(光探测和测距)数据具有独特的属性提取的3 d对象。因为激光脉冲可以穿透植被来获取目标信息,激光雷达具有不可替代的优势相比传统的远程图像提取植被覆盖下的隐蔽目标(3]。最常见的隐蔽目标植被覆盖下隐藏的汽车。从机载激光雷达数据中提取隐藏汽车可能应用于许多领域,如军事侦察、国土安全、全球变暖、灾难救援、紧急道路服务,和刑事搜索(4]。

一些调查进行汽车使用3 d激光雷达点云提取。姚明et al。(5)提出了一种方法从常见的激光雷达数据中提取个人汽车在城市地区。首先,地面分离是用来排除无关的对象和提供“地区的利益。“那么marker-controlled分水岭变换形态的帮助下重建进行地面点的网格,光栅描述单一的汽车。评价实验结果表明,高潜力的机载激光雷达在概述了单一的汽车在城市地区,允许精确的3 d点检索单一的汽车。可靠地从激光雷达数据中提取车辆目标,太阳et al。6)提出了一个像素和面向对象的方法对汽车后提取基于高程和强度数据过滤。实验结果证明了该方法的可行性。Borcs和Benedek7)提出了一个新颖的双层MPP(标记点过程)模型提取汽车和交通部门的机载激光点云数据。方法的效率与激光雷达数据进行评估。然而,这些方法是用于提取汽车裸露的地面上。尽管所有裸露的地面点提取算法表现良好在激光雷达点云从光滑的农村风景,他们在崎岖的地形和植被冠产生错误。Chang et al。8)建立了一个系统来检测汽车在森林树冠下面地形从激光雷达点云。他们开发了一个自动树冠去除算法和一种新型的提取算法,揭示了森林树冠层和过滤地面激光雷达点下面点,分别。模糊树树冠下面汽车都透露了。结果表明,先进的机载激光雷达系统可以提供有价值的数据,可以有效地支持森林地形的阻挡汽车提取。然而,只有高度和强度特性被用来提取隐藏车辆的方法。

因为传统的激光雷达记录只几个对象返回的回声和获得有限的信息,只能使用范围和强度信息提取隐藏的汽车。由于反射从树冠,植被下的强度点从隐蔽的汽车是不区分从附近的点9]。因此,很难提取植被下的隐蔽汽车使用传统离散激光雷达点云数据。与传统的离散的激光雷达,波形特性描述目标的固有属性可以被处理全波形激光雷达数据提取(10,11]。的功能,包括数量的山峰,半宽度(应用),能量返回的波形,和反向散射截面,可以提取目标分类(12- - - - - -15]。此外,相比点直接获得的激光雷达系统,点密度在一定程度上可以提高利用波形特征(11]。通过这种方式,可以获得目标的垂直结构信息更准确。因此,目标提取的性能可以提高利用点云数据与波形特征。在这项研究中,完整的波形数据首次应用于隐蔽目标提取符合当前目标提取的发展趋势。

受到许多因素的影响,如隐蔽目标的环境和特点,背散射波形从隐蔽目标的数量小于的发现目标,导致不够隐蔽目标的波形特征。因此,VFH(角度直方图)的特性描述符结合波形特征被用于提取隐藏汽车。VFH [16)是一个全球性的描述符编码的三维点云数据的几何和观点。Alhamzi et al。17)使用了最先进的3 d描述符识别对象和评估他们的相对性能。基于实验结果,VFH识别对象的最佳性能在全球其他描述符。Ceron和普列托18)评价不同组合的三个描述符适合对象识别和分类:旋转图像,VFH, NARF(正常的径向对齐功能)。两个实验表明VFH优于其他3 d形状描述符当单独使用。因为VFH高识别性能和快速计算特性,它被广泛用于物体识别和分类16,19- - - - - -21]。摘要VFH点云数据与波形特性的计算和提取用于隐藏汽车。的方法是使用全波形激光雷达数据验证。结果表明,隐藏汽车提取使用的方法可以实现。

2。理论背景

本研究的目的是基于全波形激光雷达数据中提取隐藏的汽车。考虑的波形特征隐藏汽车,介绍了空间统计分析方法对三维点云分割。3 d几何特征和波形特征结合分分类。

2.1。空间统计分析

由于地形和环境的影响,波形回声指数的空间分布不同的目标不同。波形回声指数表示的位置在背散射回波波形(22]。这种波形的获得回波指数需要预处理步骤。通过波形分解,可以提炼出一些回声,然后波形回声指数可以获得。这一步的目的是提取(或大部分)所有相关峰为了生成一个密集的3 d点云(11]。

摘要藏汽车指植被覆盖下的汽车。一般来说,回声索引值的植被面积比的地面面积大。因此回波的空间统计分析指标可用于确定植被地区。空间自相关(23),这是一个最重要的概念在空间统计数据,用于描述回声的相关指数在不同的位置。空间自相关有两个指标,分别命名为全球指数和本地索引。全球指数(24)是用于检测整个研究区域的空间自相关。一个值用于轮廓为整个研究区域的空间自相关程度。本地索引(25)评估的程度的观察和nonsimilar值相似集群为每个单独的位置。目前广泛使用的全局和局部空间自相关指数莫兰指数和系数(23,26,27]。与全球莫兰指数相比,只能找到相似值(正相关)或nonsimilarity值在空间聚合模型(负相关),全球系数能够检测单位是否属于高价值回声或低价值聚合的聚合指数空间分布模式(23]。空间聚类的检测能力当地莫兰指数和地方系数也有显著差异。莫兰指数可以大致检测集群中心但无法辨别是否模式是由高值或低价值。但系数可以准确检测集群(26]。植被区域隔离区域;因此,当地波形系数用于空间统计分析回声隐藏汽车指数在这个领域工作。

当地的系数(24)当地浓度的措施之间的属性值计算金额的比例当地社区和整个地区。当地的计算公式系数(26] 在哪里表示回声的索引值th点;是一个对称/零空间权重矩阵的所有链接在距离定义为一个给定的点;所有其他的链接是零包括点的链接本身。分子的总和在的但不包括。分母的总和在整个地区在调查中不包括。当地的标准化系数(26] 在哪里的值是期望和是方差。大的积极意味着高回声点指数内的点。一个大的负面意味着低回声指数点内的点(24,26]。

2.2。3 d点特性的描述

如前所述,背散射波形从隐蔽目标的数量小于发现目标。少隐蔽目标获得的波形特征。尤其是隐蔽汽车、波形特征可以获得更少由于体积小。为了更有效地提取隐藏的汽车,不仅波形特征,还利用3 d点的特性。点特征直方图(PFH)描述符28,29日)是一个3 d特征描述符,它的目的是编码附近的几何属性泛化的平均曲率点使用多维直方图的值。在其最基本的形式,PFH计算的一个点依赖的3 d坐标和估计表面法线(30.]。计算步骤如下:(i)为每个点,所有的的邻居封闭在与给定的半径范围选择(附近)。(2)每一对点和在k附近的和他们估计法线和,一个规范框架定义和角的变化和计算如下:

这三个特性的测量之间的角点的法线和它们之间的距离向量。直方图收集这三个角度每一对法线之间的表面补丁(28]。

影响地区查询的计算PFH点如图1(30.]。查询点标有红色的圆的中间位置(在3 d球体)半径是谁的,所有的社区(点距离小于半径)完全互联网(30.]。当所有可能的点被认为是对,计算复杂度附近是。这样的理论计算复杂度PFH对于一个给定的点云与n个点(29日),是邻居的数量为每个查询点的点云。

PFH为了简化计算,快速点特征直方图(FPFH)介绍。FPFH降低计算的复杂性,但它仍然保留了大部分的歧视PFH能力(16]。FPFH的具体计算步骤如下:(我)为每个查询点(见的关系(3))之间的和邻国只是计算。第一步叫做简单点特征直方图(SPFH)。(2)的邻居为每个点再决定,邻近SPFH值用于重量的最终直方图(称为FPFH);具体的公式是 的重量意味着查询点之间的距离和它的邻居点在一个给定的度量空间。

观点特征直方图(VFH)描述符是来源于FPFH和主要用于3 d对象识别和分类16]。VFH添加一个观点差异,同时保留其不变性,如图2(20.]。因此VFH描述符由两部分组成:视点方向分量和表面形状分量组成的一个扩展FPFH [16]。计算第一部分,找到物体的重心,这是重点,结果从平均的三个坐标点。接下来,观点和质心之间的向量计算和规范化。最后,对于集群中的所有点,这个向量之间的角度和法线计算。结果是由一个柱状图表示。注意,这并不意味着每个正常的视角,因为这不会规模不变。相反,它意味着中央角度方向的角度翻译每个正常。第二部分是计算FPFH。由此产生的四个直方图(一个用于观点组件和三个扩展FPFH组件)是连接构建最终的VFH描述符(17]。

2.3。波形特征提取

通过分解返回的波形,波形特性,用于盖住汽车的3 d点云分割和分类,可以提取。本文提取的波形特性包括距离、强度、脉冲宽度、后向散射截面和回声指数。功能显示的距离距离激光发射机的目标是由波形估计的回波的位置(11]。理想情况下,峰值位置被认为是组件位置计算的距离。强度还没有一个明确定义的术语。回波振幅通常被称为强度(31日]。相关的强度是一个函数返回的反射能力的目标。波形的波形宽度表示深度扩展激光入射方向,这是密切相关的几何目标、地形坡度、和目标材料(10]。反向散射截面划定反向散射能力的目标,是一个综合指标的距离、强度和波形宽度。它不是一个实际的几何区域,但等效面积,散射激光脉冲后回到接收器激光脉冲传输了一个目标。它可以通过校准后的激光能量传输方程(32]。系数和回波率(ER)可以基于回声指数计算。系数是在部分中引入的2.1。回声比指的是比点总数之间的一个球体的半径点的总数在圆柱体的半径(33]。最合适的值是两点之间的平均距离的两倍。

一些因素,比如入射角,大气校正范围,和表面特征,对波形的影响特性。因此,几乎可以使用这些特性没有辐射校准(34]。削弱这种影响和进一步提高隐藏汽车波形特征提取的有效性,本文做出了综合修正提取的波形特性。介绍了详细的方法(35]。

3所示。隐藏车辆提取方法

3.1。三维点云分割

使用高价值的聚合的特征波形回声指数隐藏汽车领域,空间自相关系数和回声比介绍了确定隐藏汽车领域。考虑波形特征的差异之间的地面和nonground点,地面信息隐藏汽车区域提取首先。然后点的高程范围内隐蔽的汽车被分割。工作流如图3。

三维点云分割包括三个步骤:(1)首次提取波形特征通过背散射波形的分解。下一个系数和回声比率计算。然后系数和回声比组合分类分,分藏汽车地区可以提取。(2)地面点隐藏汽车领域中的信息提取使用split-and-merge王提出的分割算法基于八叉树结构和曾在36]。连续的点的高程范围内藏汽车提取。考虑汽车的特点,海拔范围将从地上1 m-4 m。这减少的影响不感兴趣点的3 d点云分割。(3)每个提取的3 d点的特性(echo)组合成一个特征向量,在那里,,的3 d坐标点和吗,,,,在强度、波形宽度、后向散射截面系数,分别和回声比。不同的特征向量之间的距离计算。然后kd tree (37)这是一个索引结构来存储一个有限点集的维空间被用于最近邻搜索依照距离。为一个查询点半径搜索。半径内所有邻国被投入一个集群。相同的程序进行的搜索邻域点直到没有新的点,可以在集群,集群中或点的数量达到阈值。摘要d设置为1.5倍的距离两个点之间的平均距离实验数据。集群的最小数量的点是根据实际的实验数据设置为40。通过这种方式,指出了第二步可以聚集。

3.2。分类

由于隐藏汽车的体积小,只有少数点隐藏汽车可以被捕捉到。分类更有效地隐藏汽车,更多的点云特征反映出汽车所需的属性。摘要波形特性(距离、强度、波形宽度,和反向散射截面)和VFH描述符结合了分类的集群。首先,样本数据用于训练和kd tree。然后输入集群的最近邻搜索数据实施基于kd tree。样本数据的对象之间的距离和输入集群数据获得和排序。然后匹配的结果是根据最小距离决定。如果最小距离小于阈值,然后输入集群数据归类为隐藏的车。整个过程由训练阶段和分类阶段。

训练阶段的流程图如图4。详细的步骤如下:收集完整的波形数据的不同类型的汽车。均值、方差和最大和最小值的波形特性和VFH描述符计算。隐藏汽车的点包含波形特性和VFH被用作训练样本数据。每个样本的特点是存储为点云特征文件并将其添加到一个样本库。基于点云的遍历特性文件的样本库,kd tree索引是建立并保存供后续使用。

分类阶段的流程图如图5。这个过程包括三个步骤:在训练阶段生成的点云特征文件被加载,然后kd tree索引重建。集群的部分3.1被设置为目标集的分类。均值、方差、最大和最小值的波形特性和VFH描述符计算。最近邻搜索使用波形特性和VFH描述符进行基于kd tree一步建成的。样本数据搜索,和特性计算样本之间的距离和目标集。一个确定样本之间的最小距离的特性和目标设置低于预设阈值,这是由方差的特性决定的。如果是这样,那么目标被归类为隐藏的车。否则将目标分类为其他目标,如浓密的灌木丛或裸露的汽车。最终分类结果的输出。

4所示。实验和结果分析

4.1。数据描述

本文使用的数据被机载内存占用较小的全波形激光雷达系统LMS-Q560收购格尔。飞行高度为700米,激光的波长为1550 nm,激光束的发散角是0.5 mrad,测距精度是0.15米。点云密度是4点/ m²。图6显示了一个示例隐蔽汽车和相应的点云。图6(一)是汽车的照片在植被和图6 (b)是一个侧面的原始点云数据相同的区域。三个不同的实验不同植被覆盖的地区和目标分布,我被任命为实验区域,实验区域II, III在北京密云和实验区域,选择测试提出了隐藏汽车提取方法。CCD图像和原始点云数据由高程是彩色的,分别如图7(一),7 (b),8(一个),8 (b),9(一个),9 (b)。为了显示隐藏车辆的位置很明显,隐藏汽车的点云数据可视化使用突出红色,如图7 (c),8 (c),9 (c)。有15、15和20在实验领域我隐瞒汽车,II, III,分别。

4.2。实验

隐藏汽车领域的结果见图10,11,12。它表明,系数可以用来提取大面积的树木和回声比率可以用来提取边界的树。然后点的高程范围内藏藏汽车汽车地区分割,如图10 (c),11 (c),12 (c)。28岁的总数为96和82,潜在的隐蔽汽车分段,分别为实验区域I, II, III。隐藏的汽车都是分段,伴随着数字数据10 (c),11 (c),12 (c)。

为了验证波形特征隐藏汽车分类的有效性,比较分类实验进行潜在的隐藏汽车如图10 (c),11 (c),12 (c)。首先进行分类实验使用波形特性和VFH描述符。另一个实验是只有VFH描述符。

分类结果使用波形特性(强度、波形宽度和反向散射截面)为实验区域我和VFH描述符,实验区域II, III是和实验区域,分别如图(13日),(14日),(15日)。汽车分类编号2,3,4,5,6,7,8,10,11,12日,13日,在图14(13日),编号1、2、4、5、6、7、8、10、11、12、14图(14日),编号1、2、3,4,5,6,7,9,10,11,12、13、15、16、18、19日和20日在图(15日)是真正的隐蔽的汽车;剩下的机密汽车是错误的目标。分类结果只有VFH描述符,分别如图13 (b),14 (b),15 (b)。分类汽车编号1、2、3、4、5、6、8、11、12、15在图13 (b),编号1、2、4、5、6、8、11、12、15在图14 (b),编号1、6、10、11、12、14、15、16、18、19日和20日在图15 (b)是真正的隐蔽的汽车,而其他分类汽车是错误的目标。

本文分类是一个二元分类问题,二元分类问题的混淆矩阵如表所示1。假设所有集群分割步骤中获得的总数是真正隐藏的数量汽车集群。TP(真阳性)的数量正确归类为隐藏隐藏汽车汽车。FP(假阳性)的其他对象(如灌木丛旁边的树木和裸车旁边的树),错误地分类为隐藏的汽车。TN(真阴性)是其他对象的数量正确归类为其他对象。FN(假阴性)是隐蔽的汽车的数量错误归类为其他对象。

混淆矩阵的分类结果与波形特性和VFH描述符在我实验地区,区域II, III是表所示2。

分类混淆矩阵的结果只有VFH描述符在我实验区域,区域II, III是表所示3。

评价分类结果,指标包括精度、召回和精确度[38)是最常用的定义如下:

评价结果如表所示4。通过比较分类结果与没有波形特征,我们可以看到,分类结果使用波形特性和VFH描述符,召回率提高了13.3%,13.3%,和30%,精度和精度提高了22.6%,9.6%,25.1%,12.5%,10.7%,17%,这三个实验,分别。

4.3。结果分析

总结实验结果,当一个隐蔽目标点的数量很小,功能减弱的随机误差的能力区分不同的目标。这将大大增加的难度决定隐藏目标。点密度的点云数据,目标属性,植被覆盖率可能影响隐蔽目标点的数量,然后影响到隐蔽目标提取。

4.3.1。点密度的点云数据

为了分析密度对隐蔽目标点提取的影响,不同程度的点云数据稀疏隐藏汽车应用。数据在数据稀疏用于隐藏汽车提取实验。图16显示了一个示例的数据稀疏的结果一辆汽车。点密度的实验数据是4分/ m²;因此,两点之间的平均距离是0.5米。大约有20 - 30分每个汽车在这种情况下获得的。稀释后的速度1/2或1/4,实验数据点密度的下降到2点/ m²或1点/ m²。点获得每辆车的数量也减少了如表所示5。这样的密度影响藏汽车点云数据提取。

4.3.2。汽车的属性

汽车和反射率的大小影响的点数据的数量是可以恢复的。在同等条件下,目标尺寸越大,越点可以获得。减少目标的大小,目标提取的难度逐渐增加。

目标的反射率也影响点的数量。点不同的颜色的汽车的数量分析统计,如表所示6。反射率越大,可获得的分目标。白色汽车的反射率大于黑色的车,和点的数量从白色汽车比黑色的车。因此,汽车隐藏车辆提取属性影响。

4.3.3。植被覆盖率

为了分析对隐藏车辆提取植被影响,植被覆盖率计算一些隐藏汽车如下:

的结果,如表所示7,我们可以看到,大点的数量当植被覆盖率较小。它可以用相同的目标属性和点密度、植被因子越小,更大的目标的数量的点,越有可能提取隐藏的目标。因此,植被因素也会影响提取隐藏汽车。

正如上面提到的,考虑这些因素的错误隐藏汽车提取进行了分析。错误主要来自两个方面。一个问题是,一些隐蔽的汽车被错过了。可能是因为这些隐蔽的汽车是黑人或植被因素是这些车大;因此点的数量是不够的。很难提取隐藏的汽车只有几个点。另一个问题是,一些对象被错误归类为隐蔽的汽车,如浓密的灌木丛旁边的树木或裸车旁边的树木。如果浓密的灌木丛旁边的树木发生类似的海拔和波形特征与隐藏的汽车,那么他们就会归类为隐藏的汽车。如果裸车非常接近树和有足够的点,然后他们可能分为隐藏汽车,如图8(一个)和(14日)红色矩形。

在未来,实验区域的点云的密度可以增加更多的隐藏汽车可以获得。然后失踪的概率隐藏汽车可以减少。此外,应提取的波形特性和几何特性更好的区分浓密的灌木丛和隐蔽的汽车。此外,更多的功能可以用来准确地提取植被地区的点,这样裸车可以删除。

5。结论

隐藏汽车提取算法提出了在这个研究。第一个系数和回波率相结合来确定隐藏汽车领域基于全波形激光雷达数据。的海拔分布分藏汽车领域进一步分析提取隐藏的汽车。然后通过样本训练和模式匹配,隐蔽的车辆分类方法结合波形特性和VFH描述符。实验表明,该算法能正确提取隐藏的汽车,和比较实验进一步表明,波形特性可以提高准确性,隐藏汽车召回,精度分类。然而,本研究关注隐藏汽车在树下;其他类型的隐藏算法是否可行的目标需要进一步调查。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这部分工作是由中国国家自然科学基金(批准号40901177),中国国家高技术研究发展计划(863计划)(批准号2015 aa123801),国家国际科技合作项目(批准号2015 dfa70930),对外合作重点项目的国际合作的中国科学院(批准号181811 kysb20130003)。

引用

1. k .赖和d·福克斯”,对象识别使用web数据和三维点云领域适应气候变化,“国际机器人研究杂志》上卷,29号8,1019 - 1037年,2010页。视图:出版商的网站|谷歌学术搜索
2. 公元前,w·史密斯,美国沃克,“从点云三维物体识别,”http://velodynelidar.com/index.html。视图:谷歌学术搜索
3. g . Vosselman H.-G。马斯河。机载和地面激光扫描,一来,2010。
4. d . c .李裸土萃取和车辆检测在森林地形从机载激光雷达点云(博士。论文)佛罗里达大学盖恩斯维尔,佛罗里达州,美国,2010年。
5. 海因茨w .姚明,美国,美国Stilla”自动车辆从机载激光雷达数据中提取城市测地线的协助下形态、”模式识别的字母没有,卷。31日。10日,1100 - 1108年,2010页。视图:出版商的网站|谷歌学术搜索
6. m . l .太阳l . i Yong-Shu问:陈等。自动汽车从城市机载激光雷达数据中提取基于高度和强度分析,2014年遥感信息。
7. a . Borcs和c . Benedek提取车辆组在机载激光雷达点云与二级点过程中,“IEEE地球科学和遥感,53卷,不。3、1475 - 1489年,2015页。视图:出版商的网站|谷歌学术搜索
8. l . d . Chang k . c . Slatton诉Anand et al .,“自动除森林的树冠下模糊的目标检测算法通过机载激光雷达点云数据,”学报矿山炸药对象的检测与传感与模糊目标十五卷,7664学报学报p。12日,奥兰多,佛罗里达州,美国,2010年4月。视图:出版商的网站|谷歌学术搜索
9. 洛杉矶马格鲁德和a . l . Neuenschwander”激光雷达全波形数据分析检测微弱的回报通过能力,”十四的激光雷达技术和应用程序卷,7323学报学报美国奥兰多,佛罗里达州,2009年5月。视图:出版商的网站|谷歌学术搜索
10. w·瓦格纳,a·乌尔里希诉Ducic, t·梅尔泽和n . Studnicka“高斯分解和小型全波形数字化校准小说机载激光扫描仪,”ISPRS《摄影测量与遥感,60卷,不。2、100 - 112年,2006页。视图:出版商的网站|谷歌学术搜索
11. c .锤和f . Bretar全波形激光雷达地形:最先进的”,ISPRS杂志摄影测量与遥感,卷64,不。1,硕士论文,2009页。视图:出版商的网站|谷歌学术搜索
12. c·亚历山大·k·提出,诉讼n·j·泰特et al .,“提取植被的地形从全波形机载激光扫描数据,映射”Silvilaser学报2008:第八届国际会议在森林激光雷达应用评估和库存英国爱丁堡,页343 - 353,,2008年9月。视图:谷歌学术搜索
13. c .锤f . Bretar m . Roux Soergel,和c . Heipke”全波形激光雷达数据的相关性评估城市分类,“ISPRS《摄影测量与遥感,卷66,不。6,S71-S84, 2011页。视图:出版商的网站|谷歌学术搜索
14. n . Chehata g·李,c .槌”机载激光雷达使用随机森林城市分类特征选择,”测绘学与信息科学,38卷,第212 - 207页,2009年。视图:谷歌学术搜索
15. m .赵、赵c和c .郑”使用小波识别隐蔽信息特征提取和支持向量机,”Procedia环境科学,8卷,第343 - 337页,2011年。视图:出版商的网站|谷歌学术搜索
16. r·b·Rusu g . Bradski r . Thibaux和j .许”快速3 d使用角度直方图特征识别和姿势,”学报》第23届IEEE / RSJ智能机器人和系统国际会议(——10)IEEE,页2155 - 2162年,台北,台湾,2010年10月。视图:出版商的网站|谷歌学术搜索
17. k . Alhamzi m . Elmogy,诺曼,“3 d对象识别基于局部和全局特征的使用点云图书馆”国际期刊《计算技术的进步,7卷,不。3,43-54,2015页。视图:谷歌学术搜索
18. a . Ceron和f -普列托”,评估和比较对象识别的三维形状描述符”进步在视觉计算:9日国际研讨会,2013年ISVC Rethymnon,克里特岛,希腊,2013年7月29日到31日。诉讼中,第二部分卷,8034在计算机科学的课堂讲稿施普林格,页484 - 492年,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
19. a . Aldoma m . Vincze: Blodow et al .,“cad模型识别和6自由度姿态估计使用3 d线索,”《IEEE计算机视觉国际会议研讨会(ICCV 11)西班牙巴塞罗那,页585 - 592,,2011年11月。视图:出版商的网站|谷歌学术搜索
20. Jha和p . Trivedi”自动视频监控系统使用视点特征直方图和人gpu,”第二届国际会议上的进步计算、通信和信息(ICACCI 13)迈索尔,页1812 - 1816年,印度,2013年8月。视图:出版商的网站|谷歌学术搜索
21. y萨利赫,a . s .马利克·d·西迪贝et al .,“3 d对象分类、压缩VFH描述符”《IEEE传输和显示3 d视频(3 dtv-con) 3 dtv-conference:真正的视觉,页1 - 4,布达佩斯,匈牙利,2014年7月。视图:出版商的网站|谷歌学术搜索
22. l .郭:Chehata、c .锤和s . Boukir”相关性的机载激光雷达和多光谱图像数据为城市场景使用随机森林分类,“ISPRS《摄影测量与遥感,卷66,不。1,56 - 66,2011页。视图:出版商的网站|谷歌学术搜索
23. m·侯赛因和k·福克斯,“聚类分析利用空间自相关,”数据分析和信息系统施普林格,页52 - 63年,柏林,德国,1996年。视图:谷歌学术搜索
24. c .风扇和s .敏”比较的空间自相关指数和景观指标测量城市景观破碎度,”景观与城市规划卷,121年,第128 - 117页,2014年。视图:出版商的网站|谷歌学术搜索
25. l . Anselin“本地空间association-LISA指标”地理分析,27卷,不。2、93 - 115年,1995页。视图:谷歌学术搜索
26. a . Getis和j·k·奥德的分析空间协会统计数据,利用距离”地理分析,24卷,不。3、189 - 206年,1992页。视图:谷歌学术搜索
27. h, c·a·考尔德和n . Cressie”超出了莫兰的我:测试基于空间自回归模型的空间相关性,”地理分析,39卷,不。4、357 - 375年,2007页。视图:出版商的网站|谷歌学术搜索
28. r·b·Rusu z . c . Marton n . Blodow和m . Beetz”学习的点类收购对象模型地图,”学报第十届国际会议控制、自动化、机器人技术和视觉(ICARCV ' 08)IEEE,页643 - 650年,河内,越南,2008年12月。视图:出版商的网站|谷歌学术搜索
29. r·b·Rusu语义的3 d对象映射为日常操作在人类生活环境[博士。论文),2009年。
30. r . b . Rusu: Blodow, m . Beetz”快速点特征直方图(FPFH) 3 d登记”诉讼的IEEE机器人与自动化国际会议上' 09)举行(“国际机器人与自动化会议”IEEE出版社,页3212 - 3217年,科比,日本,2009年5月。视图:出版商的网站|谷歌学术搜索
31. w·瓦格纳,j . Hyyppa a .乌尔里希et al .,“全波形小型机载激光扫描的辐射校准”,国际档案摄影测量、遥感与空间信息科学37卷,第1部分,163 - 168年,2008页。视图:谷歌学术搜索
32. w·瓦格纳,内存占用较小的全波形机载激光扫描仪测量辐射校准:基本的物理概念,“ISPRS《摄影测量与遥感,卷65,不。6,505 - 513年,2010页。视图:出版商的网站|谷歌学术搜索
33. b . Hofle和m . Hollaus”城市植被检测使用高密度全波形机载激光雷达数据拼接的基于对象的图像和点云分析,“国际摄影测量遥感与空间信息科学的档案,38卷,第286 - 281页,2010年。视图:谷歌学术搜索
34. h . Lehnera和c . Briesea辐射校准全波形机载激光扫描数据的基于自然表面,”年Isprs推进远程Sensingence Pt,38卷,不。1,第365 - 360页,2010。视图:谷歌学术搜索
35. z . m .周m . Liu Zhang et al .,”这项研究的土地覆盖分类基于全波形激光雷达的波形特性校正,”《二十一世纪遥感图像和信号处理卷,9643学报学报2015年9月,图卢兹,法国,。视图:出版商的网站|谷歌学术搜索
36. m·王,中州。曾,“激光雷达数据的自动分割成共面点集群使用一个octree-based split-and-merge算法,”摄影测量工程&遥感,卷76,不。4、407 - 420年,2010页。视图:出版商的网站|谷歌学术搜索
37. r . Sinha s Samaddar d Bhattacharyya et al .,“空间数据处理教程,”国际期刊数据库理论与应用,3卷,2014年。视图:谷歌学术搜索
38. t·福塞特,”介绍ROC分析。”模式识别的字母,27卷,不。8,861 - 874年,2006页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Chuanrong李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。