买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东交通学院申请的专利一种基于DBSCAN聚类算法的点云数据分割方法与系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120726329B 。

龙图腾网通过国家知识产权局官网在2025-11-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511140564.X，技术领域涉及：G06V10/26；该发明授权一种基于DBSCAN聚类算法的点云数据分割方法与系统是由唐相猛;舒秀腾;靳翀;王目树;秦石铭;靳华磊设计研发完成，并于2025-08-15向国家知识产权局提交的专利申请。

本一种基于DBSCAN聚类算法的点云数据分割方法与系统在说明书摘要公布了：本发明提供了一种基于DBSCAN聚类算法的点云数据分割方法与系统，属于数据处理技术领域，该方法包括：获取非地面点云数据，得到最终高密度数据与最终低密度数据；获取多个参数组合下的DBSCAN聚类算法，根据每一参数组合下的聚类簇、核心点与噪声点，得到每一参数组合下的聚类结果的适应度内的第一参考值与第二参考值，进而得到初始聚类簇与初始噪声点；对初始噪声点进行聚类，得到最终聚类结果。本发明采用二次聚类与距离校验的方式，避免低密度物体被误判为噪声，减少漏分；通过先分区再针对性聚类，最后校验优化的处理方式，有效克服了点云密度不均对DBSCAN聚类的影响，提升了非地面点云分割的准确性。

本发明授权一种基于DBSCAN聚类算法的点云数据分割方法与系统在权利要求书中公布了：1.一种基于DBSCAN聚类算法的点云数据分割方法，其特征在于，包括： 获取非地面点云数据； 根据非地面点云数据的分布，将非地面点云数据划分为最终高密度数据与最终低密度数据； 在确保核心点为最终高密度数据的情况下，使用DBSCAN聚类算法对所有非地面点云数据进行聚类，得到初始聚类簇与初始噪声点； 在确保核心点为最终低密度数据的情况下，使用DBSCAN聚类算法对初始噪声点进行聚类，得到噪声聚类簇与二次噪声点； 根据二次噪声点与初始聚类簇以及噪声聚类簇内每一数据的欧式距离，得到最终聚类结果，完成非地面点云数据的分割； 还包括将非支配排序遗传算法与DBSCAN聚类算法结合，得到使用DBSCAN聚类算法对非地面点云数据进行聚类时的最佳参数组合，以及使用DBSCAN聚类算法对非地面点云数据进行聚类时的最佳参数组合得到最终分割结果； 所述使用DBSCAN聚类算法对非地面点云数据进行聚类时的最佳参数组合得到最终分割结果，具体步骤如下： 使用非支配排序遗传算法，得到多个参数组合；其中，每一参数组合内包含一个邻域半径与最小点数的高密度数据参数组合，以及邻域半径与最小点数的低密度参数组合，且高密度参数组合内的邻域半径、最小点数与低密度参数组合内的邻域半径、最小点数不同； 将第y个参数组合内高密度数据参数组合下的邻域半径与最小点数为DBSCAN聚类算法内的邻域半径与最小点数，得到第y个参数组合内高密度参数组合下的DBSCAN聚类算法； 将第y个参数组合内低密度数据参数组合下的邻域半径与最小点数为DBSCAN聚类算法内的邻域半径与最小点数，得到第y个参数组合内低密度参数组合下的DBSCAN聚类算法； 在确保核心点为最终高密度数据的情况下，以欧式距离为距离度量，使用第y个参数组合内高密度参数组合下的DBSCAN聚类算法对所有非地面点云数据进行聚类，得到第y个参数组合内高密度参数组合下的聚类簇、核心点与噪声点，记为第y个参数组合内高密度聚类簇，该参数组合内噪声点与核心点； 在确保核心点为最终低密度数据的情况下，使用第y个参数组合内低密度参数组合下的DBSCAN聚类算法对第y个参数组合内噪声点继续进行聚类，将该次聚类所得的聚类簇、噪声点与核心点，依次记为第y个参数组合内低密度聚类簇、第y个参数组合内二次噪声点与第y个参数组合内核心点； 将第y个参数组合内第个二次噪声点与初始聚类簇与噪声聚类簇内每一数据的欧式距离，记为第y个参数组合内第个二次噪声点的差异距离； 若第y个参数组合内第个二次噪声点的最小差异距离小于等于第y个参数组合内高密度数据参数组合下的邻域半径，则将第y个参数组合内第个二次噪声点放置在与其最小差异距离对应的数据所在的聚类簇内； 对第y个参数组合内所有二次噪声点均进行上述操作，得到更新后的第y个参数组合内低密度聚类簇与高密度聚类簇，并将其记为第y个参数组合内最终聚类簇； 通过第y个参数组合内最终聚类簇内核心点以及核心点周围的数据的分布，得到第y个参数组合内最终聚类结果的第一参考值； 根据第y个参数组合内不同最终聚类簇内核心点的距离、核心点周围的数据的分布差异以及噪声点的分布，得到第y个参数组合内最终聚类结果的第二参考值； 将每一参数组合内最终聚类结果的第一参考值与第二参考值，作为该参数组合的两个适应度输入到非支配排序遗传算法内，得到使用DBSCAN聚类算法对非地面点云数据进行聚类时的最佳参数组合； 将使用DBSCAN聚类算法对非地面点云数据进行聚类时的最佳参数组合中的邻域半径与最小点数为DBSCAN聚类算法内的邻域半径与最小点数，得到最佳参数组合内高密度参数组合下的DBSCAN聚类算法； 在确保核心点为最终高密度数据的情况下，以欧式距离为距离度量，使用最佳参数组合内高密度参数组合下的DBSCAN聚类算法对所有非地面点云数据进行聚类，得到最佳参数组合内高密度参数组合下的聚类簇与噪声点，分别记为初始聚类簇与初始噪声点； 将对所有非地面点云数据进行聚类时的最佳参数组合内低密度数据参数组合下的邻域半径与最小点数为DBSCAN聚类算法内的邻域半径与最小点数，得到最佳参数组合内低密度参数组合下的DBSCAN聚类算法； 在确保核心点为最终低密度数据的情况下，以欧式距离为距离度量，使用最佳参数组合内低密度参数组合下的DBSCAN聚类算法对所有非地面点云数据进行聚类，得到最佳参数组合内低密度参数组合下的聚类簇与噪声点，分别记为噪声聚类簇与二次噪声点； 根据二次噪声点与初始聚类簇以及噪声聚类簇内每一数据的欧式距离，得到最终聚类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东交通学院，其通讯地址为：250357 山东省济南市长清区大学科技园海棠路5001号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。