Visualization Method for Fast Fusion of Panorama and Point Cloud Data in Network Environment
-
摘要:
现有多源数据融合可视化方法对数据精度要求高，匹配过程复杂，且传统点云的组织索引方式冗余，面对复杂数据的动态性较差，索引效率较低，难以支撑在网络环境下进行多源数据高效可视化交互. 针对上述问题，提出面向网络轻量化应用的全景图与点云数据快速融合可视化方法. 探讨了二维影像与三维点云的快速映射匹配机制、非规则性八叉树点云优化组织与多细节层次（levels of detail，LOD）动态调度等关键技术；并设计了融合场景跨模态交互分析机制，以实现全景图和点云数据快速融合可视化；最后构建了原型系统并进行案例实验. 结果表明该方法缩短了全景图与点云数据融合匹配时间，并在网络环境中场景渲染帧数稳定在40帧/s以上，能够支持融合场景的高效可视化与交互分析.
Abstract:Existing data fusion visualization methods have high requirements on data accuracy, complex matching process, redundant organization mode of traditional point cloud, poor dynamics for complex data and low index efficiency, and thus it is difficult to efficiently visualize multi-source data in network environment. In view of the above problems, a fast fusion visualization method of panorama and point cloud is proposed for network lightweight application. Key technologies are discussed such as two-dimensional image mapping, fast matching of three-dimensional point cloud data, optimized organization of irregular octree-based point cloud and dynamic scheduling at multiple levels of detail (LOD). A fusion-scene cross-modal interaction mechanism is designed to realize fast fusion visualization of panorama and point cloud data. Finally, a prototype system is constructed and experiments are carried out. The results show that the method reduces the time in the matching and fusion of panoramic and point cloud, and the number of frames is stable above 40 frames/s, which can support the efficient visualization and interactive analysis of fusion scenes.
-
Key words:
- panorama /
- three-dimensional point cloud /
- data matching /
- network visualization
-
车辆高速运行时，强风作用对车辆安全性和舒适性的影响不容忽视. 为了保证车辆在强风作用下的安全性和舒适性，需要进行风-车-桥耦合振动分析，分析的基础是进行车辆气动特性的测试，明确车辆的抗风性能[1].
桥梁实际运营中，受到的来流并非完全垂直于桥轴线. 如，平潭海峡大桥的主要风向角（风与桥轴垂线的夹角）为10°～30°，大渡河大桥实测和数值模拟得到的风向角在45° 附近[2-3]. 在斜风作用时，桥轴线方向将有风速的分量，当车辆运动方向与此分量方向相同时，称为顺向斜风，反之称为逆向斜风. 通常，逆向斜风与车速合成后，会形成一个更小的风偏角（合成风速与桥轴线的夹角），可能对车辆的行车安全更不利[4]. 但车辆往返的概率相同，顺向斜风的作用也不容忽视.
车辆气动特性研究的风洞试验方法主要有两种类型：静止车辆模型[5-7]和移动车辆模型[8-10]. 采用风洞试验，李永乐等[11-12]研究了垂直来流作用下的列车-桥气动特性；韩艳等[13-14]研究了桥面汽车的横风气动特性，但试验中均采用垂直来流，且车辆静止；Suzuki等[15]研究了顺向斜风和逆向斜风作用下桥面车辆的横风气动特性，结果表明气动特性呈对称关系，但其车辆为列车的中间车，且车辆静止；田红旗[16]研究了列车（头车、中间车和尾车）的在顺向斜风和逆向斜风作用下的气动特性，结果表明，顺向斜风使列车空气阻力骤降，逆风使列车空气阻力增加. 由于结构的绕流对车辆气动特性有一定的影响，向活跃等[17]采用移动车辆模型风洞试验的方法，研究了逆向斜风作用下运动车辆的气动特性，并与垂直来流情况下运动车辆的气动特性进行了对比，结果表明风向对气动力系数有一定的影响.
综上，静止车辆模型风洞试验是一种较常用且较为成熟的方法，适用于定常气动力的测试，但对于桥面车辆在斜风及设置风屏障等特殊情况难以模拟真实的车辆与桥面相对运动. 而移动车辆模型风洞试验方法可较好地解决上述特殊问题，也能够更真实地得到车辆气动特性. 但现有的桥面车辆气动特性研究中，多是针对垂直来流情况[17]，对顺向斜风作用下移动车辆气动特性的研究相对较少.
为考察顺向斜风作用下移动车辆的气动特性，利用移动车辆模型风洞试验装置[17]，测试了顺向斜风作用下移动车辆的气动特性，讨论了风速、风向角、风屏障等因素对桥面车辆气动特性的影响.
1. 风洞试验
试验在西南交通大学的XNJD-3工业风洞中进行，风洞的长、宽、高分别为36.0、22.5、4.5 m，最大风速可达16.5 m/s. 移动车辆模型试验装置由直线模组、伺服电机、桥梁和车辆模型等组成. 直线模组最大长度为10 m，有效行程为9.71 m，最大运行速度为10 m/s，最大加速度为50 m/s2. 直线模组的宽、高均为80 mm，材料为高强铝合金，刚度较大，车辆模型较轻，运动时产生的挠度较小. 该装置的正视图、侧视图及安装中的照片如图1所示[17]. 图中：U为来流风速.
该装置中伺服电机直接安装于直线模组上，通过模组内的同步带驱动滑台移动. 天平安装于车辆模型内，一端与车辆模型连接，另一端采用U型连接件安装于滑台之上. 直线模组固定于支撑板上，该支撑板可调整高度. 直线模组的尺寸相对较大，只能内置于桥梁部. 为保证车辆与桥面的相对运动，桥面开槽设置于桥面中心，并将橡皮条安装于开口处，以减小桥面的开槽宽度.
由于试验车速较低，试验的雷诺数较低，为了减小雷诺数效应的影响，将客车简化为长方体车辆模型（图1），缩尺比为1/20，忽略了轮胎等的影响，同时车底简化为一平面，在模组调平后实测的车底与桥面间隙约为3.2 cm. 桥梁模型由简支梁桥梁断面简化而来，并忽略了桥面附属设施的影响（图1（b）），缩尺比同样为1/20. 桥面中心有一开槽，因此将桥梁模型分为两部分. 为了保证桥梁模型为刚性节段模型，通过焊接不锈钢方管，制成桥梁模型的骨架，然后在骨架上粘贴ABS板. 在安装过程中，首先将直线模组安装于支架之上，并调平；然后再分别安装桥梁的背风侧部分和迎风侧部分（图1（c）），桥梁模型与支架之间采用G型夹固定，以便在调整风偏角时安装和拆卸.
车辆模型气动特性测试采用美国ATI公司生产的六分量天平，型号为Gamma IP68. 受天平尺寸和缩尺模型内部空间大小的影响，量程较大的垂直天平底座方向只能设置在顺风向，天平测力点并未在车辆模型的形心处，横向和竖向距形心处的偏心分别为3.75 cm和0.70 cm (图1（b）). 测试时，天平数据传输导线将与车辆模型一起在桥面运动，为保证车辆模型运行的安全，风屏障仅设置在迎风侧. 由于本文采用的桥梁模型为简支梁桥断面，桥面常设置声屏障（相当于透风率为0的风屏障），加上多孔风屏障难以保证几何相似. 因此，采用透风率为0的风屏障来研究其对车辆气动特性的影响，实际中的高度h分别为2.5 m和3.0 m. 安装时采用L型角码固定风屏障（图1（c）），使用胶带粘结即可.
2. 数据处理
由于采用的车辆模型长度较短，气动力的三维效应明显. 定义车辆的五分力系数如式（1）所示，车辆的气动力示意如图2所示.
CD(α,β)=FzρU2zHL/2, CL(α,β)=FyρU2zHL/2, CMx(α,β)=MxρU2zB2L/2, CMy(α,β)=MyρU2zB2L/2, CMz(α,β)=MzρU2zB2L/2, 式中：CD、CL、
$C_{M_x} $ 、$C_{M_y} $ 、$C_{M_{\textit{z}}}$ 分别为侧向阻力系数、升力系数、倾覆力矩系数、摇头力矩系数和点头力矩系数；Fz、Fy、Mx、My、Mz分别为侧向阻力、升力、倾覆力矩、摇摆力矩和点头力矩；ρ为空气密度；H、B、L分别为车辆的高度、宽度和长度；Uz = Ucos α 为U在垂直于桥梁方向上的来流风速分量；α为风向角；β为风速U与车速V合成的风偏角，可表示为β=tan−1(UcosαV−Usinα). (2) 需要说明的是，式（2）为顺向风作用下风偏角，与逆向斜风作用时的风偏角相比有一定的差异.
U = 8 m/s，α = 30° 时车辆运动方向力Fx如图3所示，对图3（a）红色虚线框中气动力时程求功率谱，如图3（b）所示. 由图3（a）可知，车辆的运动过程具有较为明显的加速、平稳和减速特征，因此可根据运动方向的阻力来提取平稳段的数据，并进行平均处理，得到平稳段车辆的气动力. 车辆运动过程中，轨道不平顺等会引起车辆模型的振动，频谱分析得到振动频率约为17.3 Hz，噪声会影响运动过程中特征的识别. 为消除气动力中噪声成分的影响，在提取数据时对原始信号采用0～10 Hz的带通滤波器进行处理，滤波前后车辆的纵向阻力时程对比结果可参考文献[17-18]，由此可以看出，滤波后气动力时程也具有较好的平稳性，且能更好地区分车辆的运动过程，有利于截取平稳段数据进行分析处理. 此外，对原始信号和滤波后的数据作平均处理，可以得到不同风向角下的阻力系数，如图4所示，可以看出：滤波后平均这种数据处理方式对气动力系数影响相对较小，因此后续结果分析中的气动力系数均是基于对气动力时程滤波后再平均处理得到的.
3. 结果分析
3.1 风速的影响
为了研究风速对运动车辆气动特性的影响，分别针对8 m/s和10 m/s两种风速测试了不同车速条件下风向角为30°、无风屏障时车辆的气动力，得到移动车辆在不同风速下的五分力系数，如图5所示. 由图5可知：由于车辆为钝体模型，受雷诺数的影响较小，在不同风速、不同车速但风偏角相同时，车辆的侧向阻力系数、升力系数、摇头力矩系数和点头力矩系数吻合较好；虽然倾覆力矩系数有一定的差别，但其数值较小；这表明本文测试方法是可行的.
图 5 不同风速时的车辆五分力系数Figure 5. Five-component coefficients of vehicle in various wind speeds由图5还可以看出：侧向阻力系数、升力系数和点头力矩系数随着合成风偏角的增大而减小，但是倾覆力矩系数和摇头力矩系数随合成风偏角的增大而增大. 由于顺向斜风在车辆运动方向的分量存在，当有较高车速时仍将获得较小的风偏角，在风速和车速相同时，相比逆向斜风作用时的风偏角已明显增大，说明顺向斜风对行车安全是相对有利的. 此外，车辆气动特性并非以β = 90° 为对称轴，这与静止车辆模型试验[15]有一定的差异. 式（1）中的气动力系数是按垂直于车辆模型方向的风速来定义的，若按合成后的气动力系数来定义，则直接在式（1）的基础上乘以sin2 β即可.
3.2 风向的影响
为研究风向对运动车辆气动特性的影响，针对垂直来流（α = 0）和斜风来流（α = 30°）两种风向角工况，分别测试了不同车速条件下车辆的气动力，得到移动车辆在不同风向角时的五分力系数，结果如表1所示，此时风速为8 m/s，风向角为0时车辆的运动方向与斜风情况相同.
由表1可知，风偏角相同时，两种风向角条件下车辆的五分力系数有一定的差异. 其中，风偏角为60° 时，在斜风作用下两种风向角对应的车辆升力系数差异较为显著，随着风偏角的增加，升力系数间的差异变小，这可能是因为斜风作用下风偏角为60°时车速较高（车速为8 m/s）导致的.
表 1 不同风向时的车辆五分力系数Table 1. Five-component coefficients of vehicle under different wind directionsβ/(°) α/(°) CD CL $C_{M_x} $ $C_{M_y} $ $C_{M_{\textit{z}}}$ 60 0 1.46 −0.43 0.07 −0.38 −0.03 30 1.63 −0.04 −0.02 −0.49 0.13 75 0 1.25 −0.47 0.09 −0.21 −0.08 74 30 1.14 −0.33 0.05 −0.25 −0.03 85 0 1.26 −0.45 0.10 −0.05 −0.03 87 30 1.07 −0.40 0.08 −0.05 −0.01 此外，风向角α = 0，β > 60° 时，车辆的阻力系数、升力系数、倾覆力矩系数和点头力矩系数均变化较小. 摇头力矩系数随风偏角有一定变化，这可能是因为摇头方向的力矩作用点并非位于车辆的形心位置导致的. 结合图5，考虑顺向斜风的作用后（α = 30°），β > 60° 时，倾覆力矩系数和点头力矩系数的数值已较小，但车辆的阻力系数、升力系数和摇头力矩系数随风偏角仍有一定变化，这与垂直来流（α = 0）情况有较明显的区别.
3.3 风屏障的影响
为了减小车辆在大风区运行时受到的风荷载，常在线路两侧设置风屏障[19-20]. 为了研究风屏障高度对运动车辆气动特性的影响，分别针对无风屏障和高度风屏障h = 2.5，3.0 m，测试了不同车速条件下车辆的气动力，移动车辆的五分力系数如图6所示. 由于设置风屏障后车辆的气动力较小，所以设置U = 10 m/s，α = 30°.
图 6 不同风屏障高度时车辆的五分力系数Figure 6. Five-component coefficients of vehicle under different wind barrier heights由图6可见，设置风屏障后，车辆阻力系数、升力系数、倾覆力矩系数和摇头力矩系数均显著的降低，风屏障明显改变了车辆气动力系数随风偏角的变化规律. 由于风屏障透风率为0，受风屏障回流的影响，车辆的阻力系数变为负值，且车辆阻力系数的绝对值随风屏障高度增加而增加.
设置风屏障后升力系数和3个方向的力矩系数数值均较小，为进一步评价风屏障的设置对车辆阻力系数的影响，采用设置风屏障前后车辆阻力系数的比值来定义其变化率，如式（3）所示.
γD=CDWCD, (3) 式中：γD为设置风屏障后车辆阻力系数的变化率；CDW为设置风屏障后车辆的阻力系数.
γD = 0时车辆阻力系数为0，γD < 0表示气流绕过风屏障后对车辆施加负阻力.
图7给出了车辆阻力系数变化率随风偏角的变化规律. 由图7可见，车辆阻力系数变化率的绝对值随风屏障高度的增加而增加，随风偏角的增大而先增后减. 这表明设置风屏障后运动车辆阻力系数变化率在不同风偏角情况下是有所差异的. 由于车辆模型为钝体，雷诺数效应的影响有限，说明在顺向斜风作用下，风屏障后运动车辆阻力系数变化率在不同的车速和风速条件下是有差异的. 仅以静止车辆模型在垂直来流情况下来评价风屏障设置对车辆阻力系数变化率的影响是不全面的.
4. 结 论
采用移动车辆模型风洞试验装置，针对缩尺比为1/20的车辆和桥梁模型，测试了风向角为30° 时车辆顺向移动时的气动特性，讨论了风速、风向和风屏障等因素对桥面运动车辆气动特性的影响. 得出以下结论：
1） 风偏角相同时，车辆的侧向阻力系数、升力系数、摇头力矩系数和点头力矩系数在不同风速下吻合较好，表明本文的测试方法是可行的.
2） 侧向阻力系数、升力系数和点头力矩系数随着合成风偏角的增大而减小，倾覆力矩系数和摇头力矩系数随合成风偏角的增大而增大.
3） 车辆气动特性并非以风偏角90° 为对称轴. 风向不同时，相同风偏角情况下车辆的升力系数和阻力系数有一定差异，其中对升力系数的影响最大，考虑风向和车辆的运动方向是有必要的.
4） 风屏障能够有效的改善车辆的气动特性，且明显改变了气动力系数随风偏角的变化规律. 风屏障存在时阻力系数变为负值，且绝对值随风屏障高度增加而增加.
5） 设置风屏障后，车辆阻力系数的变化率受到风偏角、车速和风速等条件的影响，且考虑车辆运动是必要的.
-
图 10 场景渲染帧率、内存使用变化趋势
Figure 10. Variation of scene rendering frame rate and memory usage
表 1 不同过程执行消耗时间
Table 1. Time consumed by different processes
执行过程 消耗时间/s 加载点云数据 5.8 加载视点点云细节数据 8.9 加载视点全景图数据 0.8 数据匹配融合可视化 0.6 
下载: 导出CSV
表 2 传统方法与轻量化方法结果对比
Table 2. Comparison of results between traditional method and lightweight method
s 执行过程 常规方法耗时 轻量化方法耗时 点云组织 4.3 2.7 数据匹配融合 1.7 0.6 数据可视化 11.2 6.6
下载: 导出CSV
-
[1] 华一新,曹亚妮,李响. 地理空间可视分析及其研究方向综述[J]. 测绘科学技术学报,2012,29(4): 235-239. doi: 10.3969/j.issn.1673-6338.2012.04.001HUA Yixin, CAO Yani, LI Xiang. Summarization of geospatial visual analytics and its research directions[J]. Journal of Geomatics Science and Technology, 2012, 29(4): 235-239. doi: 10.3969/j.issn.1673-6338.2012.04.001 [2] 周志光,石晨,史林松,等. 地理空间数据可视分析综述[J]. 计算机辅助设计与图形学学报,2018,30(5): 747-763.ZHOU Zhiguang, SHI Chen, SHI Linsong, et al. A survey on the visual analytics of geospatial data[J]. Journal of Computer-Aided Design & Computer Graphics, 2018, 30(5): 747-763. [3] WONG P C, FOOTE H, KAO D L, et al. Multivariate visualization with data fusion[J]. Information Visualization, 2002, 1(3/4): 182-193. [4] HERMAN I, MELANCON G, MARSHALL M S. Graph visualization and navigation in information visualization:a survey[J]. IEEE Transactions on Visualization and Computer Graphics, 2000, 6(1): 24-43. doi: 10.1109/2945.841119 [5] 张靖,江万寿. 激光点云与光学影像配准:现状与趋势[J]. 地球信息科学学报,2017,19(4): 528-539.ZHANG Jing, JIANG Wanshou. Registration between laser scanning point cloud and optical images:status and trends[J]. Journal of Geo-Information Science, 2017, 19(4): 528-539. [6] ÖZDEMIR E, REMONDINO F. Segmentation of 3D photogrammetric point cloud for 3D building modeling[J]. The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2018, XLII-4/W10: 135-142. [7] ZHENG J Y. Digital route panoramas[J]. IEEE MultiMedia, 2003, 10(3): 57-67. doi: 10.1109/MMUL.2003.1218257 [8] HUANG F, KLETTE R. Stereo panorama acquisition and automatic image disparity adjustment for stereoscopic visualization[J]. Multimedia Tools and Applications, 2010, 47(3): 353-377. doi: 10.1007/s11042-009-0328-2 [9] 李海亭,彭清山,王闪,等. 数字城市中的全景地图系统建设方法研究[J]. 测绘通报,2011(4): 71-73.LI Haiting, PENG Qingshan, WANG Shan, et al. Research on panoramic mapping system in digital city[J]. Bulletin of Surveying and Mapping, 2011(4): 71-73. [10] PARMEHR E G, FRASER C S, ZHANG C S, et al. Automatic registration of optical imagery with 3D LiDAR data using statistical similarity[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 88: 28-40. doi: 10.1016/j.isprsjprs.2013.11.015 [11] 张帆,黄先锋,李德仁. 激光扫描与光学影像数据配准的研究进展[J]. 测绘通报,2008(2): 7-10.ZHANG Fan, HUANG Xianfeng, LI Deren. A review of registration of laser scanner data and optical image[J]. Bulletin of Surveying and Mapping, 2008(2): 7-10. [12] 马洪超,姚春静,邬建伟. 利用线特征进行高分辨率影像与LiDAR点云的配准[J]. 武汉大学学报(信息科学版),2012,37(2): 136-140,159.MA Hongchao, YAO Chunjing, WU Jianwei. Registration of LiDAR point clouds and high resolution images based on linear features[J]. Geomatics and Information Science of Wuhan University, 2012, 37(2): 136-140,159. [13] 朱庆,尚琪森,胡翰,等. 三角网模型多目标加权最短路径的特征线提取[J]. 西南交通大学学报,2021,56(1): 116-122.ZHU Qing, SHANG Qisen, HU Han, et al. Feature line extraction from 3D model of oblique photogrammetry based on multiobjective weighted shortest path[J]. Journal of Southwest Jiaotong University, 2021, 56(1): 116-122. [14] LEBERL F, IRSCHARA A, POCK T, et al. Point clouds[J]. Photogrammetric Engineering & Remote Sensing, 2010, 76(10): 1123-1134. [15] 卢秀山,俞家勇,田茂义,等. 车载激光点云与序列化全景影像融合方法[J]. 中国激光,2018,45(5): 245-252.LU Xiushan, YU Jiayong, TIAN Maoyi, et al. Fusion method of vehicle laser point cloud and serialized panoramic image[J]. Chinese Journal of Lasers, 2018, 45(5): 245-252. [16] 冯文灏. 近景摄影测量: 物体外形与运动状态的摄影法测定[M]. 武汉: 武汉大学出版社, 2002. [17] 黄明,贾嘉楠,李闪磊,等. 多像位姿估计的全景纹理映射算法[J]. 武汉大学学报(信息科学版),2019,44(11): 1622-1632.HUANG Ming, JIA Jianan, LI Shanlei, et al. Panoramic texture mapping algorithm based on multi-image pose estimation[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1622-1632. [18] 王晏民,胡春梅. 一种地面激光雷达点云与纹理影像稳健配准方法[J]. 测绘学报,2012,41(2): 266-272.WANG Yanmin, HU Chunmei. A robust registration method for terrestrial LiDAR point clouds and texture image[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(2): 266-272. [19] 刘中华,李鹏飞,许章平. 基于点云数据的改进四叉树空间索引研究[J]. 测绘与空间地理信息,2019,42(5): 38-39,42,47. doi: 10.3969/j.issn.1672-5867.2019.05.012LIU Zhonghua, LI Pengfei, XU Zhangping. Research on improved quadtree spatial index based on point cloud data[J]. Geomatics & Spatial Information Technology, 2019, 42(5): 38-39,42,47. doi: 10.3969/j.issn.1672-5867.2019.05.012 [20] 曹文君,赵祚喜. Ladybug系列多目全景视觉技术的应用研究[J]. 机械与电子,2017,35(12): 27-30. doi: 10.3969/j.issn.1001-2257.2017.12.007CAO Wenjun, ZHAO Zuoxi. Study on application of multi-view panoramic vision technology to Ladybug series[J]. Machinery & Electronics, 2017, 35(12): 27-30. doi: 10.3969/j.issn.1001-2257.2017.12.007 [21] 欧阳峰,龚桂荣,何列松. 面向WebGL的矢量数据三维绘制技术[J]. 测绘科学技术学报,2016,33(6): 635-638, 643.OUYANG Feng, GONG Guirong, HE Liesong. Vector 3D rendering techniques based on WebGL[J]. Journal of Geomatics Science and Technology, 2016, 33(6): 635-638, 643. [22] 刘全海,鲍秀武,李楼. 激光点云与全景影像配准方法研究[J]. 现代测绘,2016,39(1): 21-25. doi: 10.3969/j.issn.1672-4097.2016.01.007LIU Quanhai, BAO Xiuwu, LI Lou. Research of registration based on panoramic images and laser point cloud[J]. Modern Surveying and Mapping, 2016, 39(1): 21-25. doi: 10.3969/j.issn.1672-4097.2016.01.007 期刊类型引用(8)
1. 宋文凯，王利萍，荆巍巍. 基于Vue框架的多源WEB前端页面数据可视化方法. 电子设计工程. 2025(06): 63-66+71 . 
百度学术2. 王翔，汪进超，刘厚成，宋万鹏，李姝祺. 基于声光组合测量的水下构筑物表面缺陷3维可视化方法. 工程科学与技术. 2025(02): 64-73 . 百度学术3. 刘冰，郭李丽，刘如飞，苏辕，徐超. 全景影像快速加载与精确量测算法研究. 山东科技大学学报(自然科学版). 2024(04): 57-66 . 百度学术4. 杨军，高志明，李金泰，张琛. 基于注意力机制的三维点云模型对应关系计算. 西南交通大学学报. 2024(05): 1184-1193 . 
本站查看5. 石彦君，肖广德. 虚拟现实环境下破损古建筑场景复原仿真分析. 计算机仿真. 2024(09): 173-176+360 . 百度学术6. 刘冰，李明，陈丽，王仕林，刘如飞. 车载激光点云与全景影像快速融合检校方法. 遥感信息. 2023(01): 26-32 . 百度学术7. 冯永芳. 基于集中式最优加权的无线传感网络数据融合方法. 长江信息通信. 2023(07): 191-193+196 . 百度学术8. 张玉龙. 基于多元异构网络安全数据可视化融合分析方法. 电子技术与软件工程. 2022(15): 5-8 . 百度学术其他类型引用(4)
-
下载:
下载:
百度学术
点击查看大图
计量
- 文章访问数: 709
- HTML全文浏览量: 230
- PDF下载量: 46
- 被引次数: 12