研究了行车环境下激光条纹图像中心线快速、准确且可靠的提取方法。基于ENet深度学习模型实现了激光条纹的多区段快速分割; 通过统计各区段内光条梯度方向的直方图来确定各分段光条的法线主方向, 并构造了相应的方向模板; 利用分区域多模板匹配的灰度重心法实现了光条中心的亚像素坐标提取。研究结果表明, 该方法可以有效克服室外行车环境中各类干扰信息对光条中心提取的影响, 单幅钢轨轮廓图像的光条提取时间仅为2.1 ms, 误差均值约为0.082 pixel, 标准差为0.047 pixel, 兼顾了光条中心提取的时效性和准确率。

基于流形学习和正交稀疏保留投影的人脸和掌纹图像特征提取方法，刘茜，李文倩，对于一个数据集，数据间的稀疏重构关系具有很好的分类信息。稀疏保留投影（SPP）正是基于这样的考虑所提出的一种特征提取方法，它

一种基于车载激光雷达点云数据的堤坝自动提取方法，唐雪华，姚春静，本文以车载激光雷达点云数据为源数据，在分析点云滤波和堤坝横断面（剖面）空间几何分布特征的基础上，提出了一种基于多项式曲线

感兴趣区域（Region of interests， ROI）是图像中可能引起人眼视觉关注的区域。根据视觉注意机制的经典模型Itti模型来提取图像的低层特征，利用局部迭代的特征合并策略并在此基础上综合自动阈值分割和种子点的区域生长方法得到感兴趣区域的提取方法。实验结果表明该方法符合生物的视觉注意机制，具有良好的鲁棒性。

针对45 nm MOSFET射频等效电路建模和参数提取技术进行了研究，在精确地提取了射频小信号模型参数之后，基于双端口网络的噪声相关矩阵和多端口噪声理论，使用本征电路的噪声电流源嵌入有噪声贡献的元件，从而分析推导出射频噪声参数模型，并与商用的45 nm CMOS射频测量值相对比，在相应的频段内显示出很好的正确性。

基于KD树聚类的机载LiDAR数据输电线提取方法，梁静，张继贤，论文提出并实现了一种基于kd树近邻域点云聚类法从LiDAR点云数据中自动提取多根电力线。首先利用高程直方图统计法去除地面点，接着�

为凸显负荷波动的随机性、周期性和相关趋势，通过探求负荷变化机理显著提升预测精度，提出了一种基于EMD的负荷波动机理研究方法。首先对负荷进行EMD分解，得到随机、周期和趋势分量；然后分析各分量的变化规律与候选影响因素的关联关系，推导负荷变化机理，提取时标特征值；最后进行特征的去冗余。该方法创新点是能提取出特征值的时标特性。以广东省负荷数据集作为预测案例研究，对比实验研究结果表明了所提方法的有效性。

多道面波分析中的相移法频散曲线提取方法，实现单炮记录的面波频散曲线提取，MATLAB函，可直接调用，读入单炮记录并输入相关参数后，生成频散能量谱，根据其峰值，可以得到频散曲线。内含示例数据。

Good Features to Track LVI-SAM中视觉里程计的角点特征提取方法

脑脊液 基于布料模拟的机载LiDAR滤波方法。 这是文章的代码： W. Zhang，J。Qi *，P。Wan，H。Wang，D。Xie，X。Wang和G. Yan，“一种基于布料模拟的易于使用的机载LiDAR数据过滤方法”，遥感。，vol。 8号6，第501，2016.（ ） 新功能已实现： 现在，我们用swig包装了CSF的Python接口。 现在使用起来更简单。 这项新功能可以使CSF更易于嵌入到大型项目中。 例如，它可以与Laspy（ ）一起使用。 您要做的只是将点云读取到python 2D列表中，并将其传递给CSF。 以下示例显示了如何将其与laspy一起使用。 # coding: utf-8 import laspy import CSF import numpy as np inFile = laspy . file . File ( r"in.las" , mod