首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   6篇
  免费   0篇
力学   1篇
物理学   1篇
无线电   4篇
  2023年   1篇
  2016年   1篇
  2014年   1篇
  2013年   1篇
  2008年   1篇
  2007年   1篇
排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
采用硬件和软件相结合的方法将sick激光扫描仪和惯性导航装置的数据采集时间统一到GPS的时间下,以GPS时间作为数据开始采集和数据融合的基准时间,通过后期算法实现了Sick激光扫描系统各传感器之间数据的同步融合.根据系统时间同步修正前与修正后的点云对比图详细分析了系统时间同步误差的因素,为以后此类型激光扫描仪在车载激光扫描系统中的应用奠定基础,也为同类设备时间同步方法的实现提供了参考.  相似文献   
2.
车载激光扫描仪外参数标定方法研究   总被引:4,自引:0,他引:4  
“车载多传感器集成系统“是一套集成GPS、IMU和CCD相机等多种传感器为一体的移动测图系统,系统工作时需要通过GPS和IMU实时传递扫描线中心的位置和扫描仪的姿态,这样就必须确定激光扫描仪的中心与GPS天线中心之间的位置关系,以及激光扫描仪与IMU的姿态关系,即标定出激光扫描仪的外参数(三个平移参数、三个旋转参数以及一个尺度变换参数)。但是由于激光扫描仪的扫描中心和扫描光束都是不可见的,为此提出了一种激光扫描仪的标定方法:应用硅电池找出激光扫描线的准确位置;应用玻璃反射、透射激光扫描线,得到控制点在像方坐标系下的坐标;再通过全站仪测得控制点在物方坐标系下的坐标;最后通过三维坐标转换模型,应用改进的高斯-牛顿法编制程序求解出激光扫描仪的外参数并进行精度评定。  相似文献   
3.
耦合京津冀气溶胶模式的HJ-1卫星CCD数据大气校正   总被引:1,自引:0,他引:1  
针对目前HJ-1 CCD大气校正没有考虑中国地区气溶胶模式的问题,提出一种耦合中国地区局部气溶胶模式的大气校正方法。以京津冀地区作为研究区域,该方法对地基北京城区和香河站点反演的气溶胶模式参数进行聚类,得到京津冀地区具有代表性的四类气溶胶模式,并根据四类气溶胶模式来建立查找表进行气溶胶光学厚度的反演。HJ-1 CCD数据没有短波红外波段(2.12 μm),无法采用MODIS的气溶胶算法中获得地表反射率的方法来计算蓝红波段的反射率,本文在气溶胶光学厚度的反演中采用HJ-1卫星的蓝色(0.43~0.52 μm)和红色(0.63~0.69 μm)波段的反射率比值作为误差方程的依据,不需要输入地表目标的反射率。基于反演后的光学厚度对HJ-1 CCD数据进行大气校正,并与ASD光谱辐射计测量数据以及MODIS地表产品数据(MOD09)进行对比。结果表明,该方法得到的大气校正结果与ASD测量结果接近,并与MOD09有较强的相关性,红色波段的平均相关系数达到了0.8以上,受气溶胶影响最大的蓝色波段平均的相关系数也达到了0.75左右。  相似文献   
4.
激光点云实现探地雷达图像地形校正的研究   总被引:1,自引:0,他引:1  
探地雷达在地形起伏条件下采集数据时,必须考虑因地形变化产生的图像畸变和精确定位问题。本文采用车载激光扫描系统可快速获取研究区高精度的地形数据,通过探地雷达测量线上均匀分布的离散点,实现测量区地形数据与探地雷达图像之间的同步。根据时间移位原理和线性差值方法,选择某一标准的水平基准面作为参考平面,将探地雷达各道数据的双程传播时间进行校正,从而实现探地雷达图像的地形校正。校正后图像跟校正前相比,不仅显示出复杂地形下介质真实分布形态,而且有助于探地图像的解译和地下目标物及介质层的精确定位。  相似文献   
5.
GPS/INS组合精确测定平台的位置和姿态是移动测图系统中的重要模块。对陀螺仪和加速度计所测角速度和比力进行两次积分得载体姿态、速度和位置即SINS力学机械编排。目前该过程大多在地理坐标系进行。这里详细推导了地球坐标系中完整的解算过程,以四元数姿态矩阵更新及重力计算为核心,由IMU原始观测值解算出了载体位置、速度和姿态等参数,可快速高效与CPS输出的位置速度信息进行组合滤波处理,可据此编程进行工程应用数据处理。  相似文献   
6.
随着科技智能化建设需求的提高,语义分割技术受到图形、图像领域内学者的广泛关注,其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此,提出一种基于空间图卷积的三维点云语义分割网络(PCGCN)。PCGCN采用边缘图卷积网络提取局部特征,并使用残差网增强特征的传递,对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题,同时,点云深度学习网络中,残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验,实验结果表明,PCGCN在ShapeNet数据集的准确率达到85.1%,在S3DIS数据集的准确率达到81.3%。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号