CN103778429B - 一种车载激光扫描点云中道路信息自动提取方法 - Google Patents
一种车载激光扫描点云中道路信息自动提取方法 Download PDFInfo
- Publication number
- CN103778429B CN103778429B CN201410033283.XA CN201410033283A CN103778429B CN 103778429 B CN103778429 B CN 103778429B CN 201410033283 A CN201410033283 A CN 201410033283A CN 103778429 B CN103778429 B CN 103778429B
- Authority
- CN
- China
- Prior art keywords
- point
- window
- growth
- road surface
- facade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种车载激光扫描点云中道路信息自动提取方法,根据车载系统记录的行驶轨迹、激光点扫描角度、扫描时间等信息从离散点云中提取出每条扫描线,建立适合数据处理的半扫描线索引;分析扫描线上相邻点空间关系,进行激光点生长聚类,生成能够描述某类地物类型特征的动态窗口点集;分析不同地物窗口点集的主要几何特征因子,包括高程差异因子和水平投影距离因子;根据窗口点集的主要几何特征因子判断窗口起点类型,按照半扫描线索引从中央角度点向两侧进行移动动态窗口分类,直到发现非路面点;进一步根据路缘石底部点分布关系,采用扫描角度与距离一致性原则对路边点进行聚类去噪。
Description
技术领域
本发明属于车载激光扫描点云数据处理技术领域,具体涉及一种车载激光扫描点云中道路信息自动提取方法。
背景技术
高精度、准确、现势性强的城市道路信息对于道路维护、交通管理和城市规划等具有重要的作用。目前基础道路信息主要通过传统人工测量方法获得,更新周期长、难度大,已经无法满足城市建设和管理的数据需求。车载移动激光测量系统作为一种先进的测量手段,具有快速、不与测量物接触、实时、动态、主动、高密度及高精度等特点。车载移动激光测量系统在不影响交通情况下能快速获取道路及两侧海量点云数据,但如何从中快速、自动提取道路信息仍然是一个难点。
发明人在实现本发明的过程中,发现现有方法存在如下不足:1)车载测量系统记录的有效信息未被挖掘应用,如激光扫描角度;2)基于格网数据处理方法在点云格网化时,降低了数据精度和分辨率;3)基于空间邻域点云分布特征进行分类的方法,邻域大小难以确定,计算量大,分类效率低;4)基于扫描线相邻点关系的分类方法,以扫描线相邻点高差或坡度进行路面与路边提取,未考虑路面粗糙度和类似路缘石形态地物的影响,在路边点初次分类时,容易引入过多伪路边点,增加后续处理难度。
发明内容
针对现有方法中存在的上述技术问题,本发明通过研究包含路缘石的街区道路点云数据空间分布规律,引入空间统计分析中的主成分与聚类分析思想,提出了一种车载激光扫描点云中道路信息自动提取方法,能够从海量点云数据中快速、自动提取道路信息。
为了实现上述目的,本发明采用如下技术方案:
一种车载激光扫描点云中道路信息自动提取方法,包括如下步骤:
a、根据车载系统记录的行驶轨迹、激光点扫描角度和扫描时间信息从离散点云中提取出每条扫描线,建立适合数据处理的半扫描线索引;
b、分析扫描线上相邻点空间关系,进行激光点生长聚类,生成能够描述某类地物类型特征的动态窗口点集;
c、分析不同地物窗口点集的几何特征因子,包括高程差异因子和水平投影距离因子,地物包括路面点、路边点或地物点;
d、根据窗口点集的几何特征因子判断窗口起点类型,按照半扫描线索引从中央角度点向两侧进行移动动态窗口分类,直到发现非路面点,将路面点云与路边点云分别存储;
e、根据路缘石底部点分布关系,采用扫描角度与距离一致性原则对路边点进行聚类去噪。
进一步,上述步骤a包括如下子步骤:
a1、提取车载系统记录的整个数据采集过程中的行驶轨迹、激光点扫描角度和扫描时间信息,将点云数据进行一系列坐标变换,转化为相应坐标系下的平面坐标,根据相邻两个扫描点的时间差或角度差把离散的扫描点分割为一系列按照时间排序的扫描线;
a2、根据扫描仪的安装位置,确定车载平台正下方对应扫描点的角度,将扫描线从中央角度点分割,建立半扫描线索引。
进一步,上述步骤b包括如下子步骤:
b1、生长因子分析
生长因子包括相邻点高差、水平距离和离中央角度点水平距离,根据道路地物不同的空间特征,将扫描线点生长分为路面点生长和立面点生长,其中生长点坐标为Pk(xk,yk,zk),中央角度点为P0(x0,y0,z0),其中相邻点高差hk=zk-zk-1,水平距离到中央角度点距离k为取值大于1的自然数,k值小于扫描线实际点数量;
b2、参数阈值估计
根据车载扫描仪位置、扫描仪高度和扫描角度分别估算扫描线上路面和立面位置相邻点的平面投影距离Dk和立面投影高差Hk,根据中央角度点向两侧一定范围内相邻点的高差估计路面粗糙度HR,根据实际点云扫描密度和路缘石高度,确定点生长最大范围;
b3、路面点生长
估算路面平面投影距离Dk和路面粗糙度HR,当窗口内高差Δh=max(Z1-Z2,Z2-Z3)小于路面粗糙度HR时,判定为平滑路面点,不需要生长,其中Z1、Z2、Z3为窗口内三点高程值;当满足条件Δh大于HR且小于2HR,窗口水平投影距离与2Dk相近,判定为疑似粗糙路面点,需进行路面点生长;待生长点与前一点需满足条件高差hk稳定,距离dk与估值Dk相近,距离sk增大,逐点生长直到最大范围,如不符合条件,停止生长;
b4、立面点生长
立面包括路缘石侧面和地物立面,估算路面平面投影距离Dk和立面投影高差Hk,当初始窗口点集满足条件:窗口内高差Δh与2Hk相近,窗口水平投影距离Δd小于Dk,进行立面点生长;路缘石满足条件:待生长点与前一点高差hk变小,水平距离dk增大,距离sk增大;地物立面满足条件:相邻两点高差hk较大,水平距离dk较小,距离sk稳定;确定立面生长需满足条件:待生长点与前一点高程稳定或稳步增长,高差小于或接近Hk,距离sk稳定或稳步增长。
进一步,上述步骤c包括如下子步骤:
c1、窗口高程差异因子
分析扫描线上路面、路缘石和独立地物的空间分布特征,根据路面点的窗口高差小于路缘石和立面地物,分类出路面点;进行扫描点生长,窗口生长后,根据路缘石和立面地物的窗口高差差异分类路缘石和立面地物;
c2、窗口水平投影距离因子
分析不同地物扫描线上相邻两点的水平投影距离变化情况,根据路面相邻点水平距离逐步增加,路缘石或立面地物窗口的水平投影距离变小原则,分类出路面;进一步生长窗口到路缘石顶部点,根据水平投影距离差值区分路缘石和立面地物。
进一步,上述步骤d包括如下子步骤:
d1、由扫描线上第一点Pi的窗口点集类型判断第一点是否为平滑路面点,若为路面点则移动窗口,从Pi+1开始构建新的窗口,重复上述过程;i为取值大于1的自然数,i值小于扫描线实际点数量;
d2、当检测到粗造度大的路面点,根据生长聚类条件进行点生长,根据窗口几何特征因子判断类型,若为路面点则继续移动窗口直到检测到非地面点,根据窗口几何特征因子进一步判定是路缘石点还是立面地物点;
d3、按照扫描线顺序存储路缘石点云和路面点云。
上述步骤e中,根据相邻多条扫描线的路边点分布特征,设定三个聚类因子,即行驶方向相邻两个路边点的水平投影距离D、路边点扫描角度θ和到中央角度点的水平距离S,依据θ与S一致性和距离D较小原则进行路边点聚类,通过判断聚类点集特征去噪,步骤e具体包括如下子步骤:
e1、计算聚类因子
根据扫描线索引,获得每一条扫描线的中央角度点和疑似路边点,计算两个相邻路边点的θ和S的差值,获取行驶方向相邻路边点,计算距离D;
e2、路边点聚类
根据扫描仪频率和行驶速度确定扫描线间距Dline,若两个点的θ和S差值较小,D小于2*Dline,则归为一组连续路边点,继续判断下一个点,当角度差值大于Δθ,距离差值大于ΔS,或者D大于阈值时停止聚类,然后以停止的路边点为起点,开始新的聚类生长;
e3、去噪
设定点集数量阈值num,确定聚类点集路边长度阈值Lside=Dline*(num-1),由于非路边点集的点数较少,当点集数量小于阈值num,距离与Lside偏差较大时,去除点集。
本发明的优点是:
本发明根据车载系统记录的行驶轨迹、激光点扫描角度、扫描时间等信息从离散点云中提取出每条扫描线,建立适合数据处理的半扫描线索引;分析扫描线上相邻点空间关系,进行激光点生长聚类,生成能够描述某类地物类型特征的动态窗口点集;分析不同地物窗口点集的主要几何特征因子,包括高程差异因子和水平投影距离因子;根据窗口点集的主要几何特征因子判断窗口起点类型,按照半扫描线索引从中央角度点向两侧进行移动动态窗口分类,直到发现非路面点;进一步根据路缘石底部点分布关系,采用扫描角度与距离一致性原则对路边点进行聚类去噪。本发明解决了传统方法难以处理城市不同道路宽度、不同路面粗造度和不同路缘石高度条件下的道路提取问题。
附图说明
图1为本发明提供的路面点云非均匀压缩方法数据处理流程图;
图2为半扫描线索引示意图;
图3为基于扫描线点生长的动态窗口图;
图4为扫描线不同地物点云高程分布图;
图5为扫描线不同地物点云水平投影距离分布图;
图6为窗口移动示意图;
图7为路边点去噪示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细描述:
结合图1所示,一种车载激光扫描点云中道路信息自动提取方法,包括如下步骤:
a、根据车载系统记录的行驶轨迹、激光点扫描角度和扫描时间信息从离散点云中提取出每条扫描线,建立适合数据处理的半扫描线索引;具体包括如下子步骤:
a1、提取车载系统记录的整个数据采集过程中的行驶轨迹、激光点扫描角度和扫描时间等信息,将点云数据进行一系列坐标变换,转化为相应坐标系下的平面坐标,根据相邻两个扫描点的时间差或角度差把离散的扫描点分割为一系列按照时间排序的扫描线;
a2、根据扫描仪的安装位置,确定车载平台正下方对应扫描点的角度,称为“中央角度点”,该点位于车载平台正下方,可以确定为路面点,根据这一已知先验条件,将扫描线从中央角度点分割,建立以已知路面点为起点的半扫描线索引将扫描线从中央角度点分割,建立半扫描线索引,如图2所示,三角形点为中央角度点,方形点区域为行驶方向左侧扫描线,圆形点区域为右侧扫描线。
b、分析扫描线上相邻点空间关系,进行激光点生长聚类,生成能够描述某类地物类型特征的动态窗口点集;具体包括如下子步骤:
b1、生长因子分析
生长因子包括相邻点高差、水平距离和离中央角度点水平距离,根据道路地物不同的空间特征,将扫描线点生长分为路面点生长和立面点生长,其中生长点坐标为Pk(xk,yk,zk),中央角度点为P0(x0,y0,z0),其中相邻点高差hk=zk-zk-1,水平距离到中央角度点距离k为取值大于1的自然数,k值小于扫描线实际点数量;
b2、参数阈值估计
扫描线上的扫描点是等角分布,距离扫描仪越远,扫描点越稀疏,如图2所示,根据车载扫描仪位置、扫描仪高度和扫描角度分别估算扫描线上路面和立面位置相邻点的平面投影距离Dk和立面投影高差Hk,根据中央角度点向两侧一定范围内相邻点的高差估计路面粗糙度HR,根据实际点云扫描密度和路缘石高度,确定点生长最大范围,例如路缘石侧面相邻扫描点高差为0.05m,路缘石高0.15m,则侧面大致有3个点,根据窗口几何特征因子分析,为区分路缘石和立面地物,可设定点集最大范围为2倍侧面点数,为6个点;
b3、路面点生长
如图3所示,301为路面,302为路缘石,303为立面地物;估算路面平面投影距离Dk和路面粗糙度HR,初始窗口内有3个激光点,当窗口内高差Δh=max(Z1-Z2,Z2-Z3)小于路面粗糙度HR时,判定为平滑路面点,不需要生长,其中Z1、Z2、Z3为窗口内三点高程值;当满足条件Δh大于HR且小于2HR,窗口水平投影距离与2Dk相近,判定为疑似粗糙路面点,需进行路面点生长;当生长到从左侧起第一个虚线框时,待生长点与前一点需满足公式(2),即高差hk稳定,距离dk与估值Dk相近,距离sk增大,逐点生长直到最大范围,如不符合条件公式(2),停止生长;
b4、立面点生长
立面包括路缘石侧面和地物立面,估算路面平面投影距离Dk和立面投影高差Hk,初始窗口点集满足条件公式(3),进行立面点生长,即窗口内高差Δh与2Hk相近,窗口水平投影距离Δd小于Dk;如图3所示,对于路缘石,当生长到从左侧起第二个虚线框时,待生长点与前一点高差hk变小,水平距离dk增大,距离sk增大;对于地物立面,当生长到从左侧起第三个虚线框时,相邻两点高差hk较大,水平距离dk较小,距离sk稳定;从而确定立面生长条件需满足公式(4),即待生长点与前一点高程稳定或稳步增长,高差小于或接近Hk,距离sk稳定或稳步增长;
c、分析不同地物窗口点集的几何特征因子,包括高程差异因子和水平投影距离因子,地物包括路面点、路边点或地物点;具体包括如下子步骤:
c1、窗口高程差异因子
通过对扫描线上路面、路缘石和独立地物的空间分布特征进行分析,发现三者的窗口高差变化存在明显不同,如图4所示,其中,带有菱形标记的线表示路面,带有方形标记的线表示路缘石,带有三角形标记的线表示立面地物。带有菱形标记的线为路面点p1-p8的高程分布,路缘石侧面点为p3-p6,当窗口移动到p2-p4时,路面点的高差小于路缘石和立面地物,可以分类出路面点;为进一步区分路缘石和立面地物,进行扫描点生长,窗口生长为6个点时(p2-p7),两者的窗口高差不一样,当将窗口生长至8个点时,差值更明显,确定高差阈值;
c2、窗口水平投影距离因子
图5为扫描线上相邻两点的水平投影距离变化情况,其中,带有菱形标记的线表示路面,带有方形标记的线表示路缘石,带有三角形标记的线表示立面地物。带有菱形标记的线为路面点p1-p8的水平投影距离,随着与中央角度点距离增加,相邻点水平距离也逐步增加;带有方形标记的线上与带有三角形标记的线上,p2点为路缘石或立面地物上的底部点,p2&p3水平投影距离变小,当到p6&p7时,由于路缘石上面通常为人行道地面或植被,其水平投影距离差值将明显大于立面地物,确定水平投影距离阈值。
d、根据窗口点集的几何特征因子判断窗口起点类型,按照半扫描线索引从中央角度点向两侧进行移动动态窗口分类,直到发现非路面点,将路面点云与路边点云分别存储;移动动态窗口分类过程如图6所示,其中,601为路面,602为路缘石,603为立面地物,具体包括如下子步骤:
d1、由扫描线上第一点Pi的窗口点集类型判断第一点是否为平滑路面点,若为路面点则移动窗口,从Pi+1开始构建新的窗口,重复上述过程;i为取值大于1的自然数,i值小于扫描线实际点数量;
d2、当检测到粗造度大的路面点,根据生长聚类条件进行点生长,根据窗口几何特征因子判断类型,若为路面点则继续移动窗口直到检测到非地面点,根据窗口几何特征因子进一步判定是路缘石点还是立面地物点;
d3、按照扫描线顺序存储路缘石点云和路面点云,根据几何特征因子的分析,确定分类提取条件:路面点符合公式(5);路边点符合公式(6)
其中,hw为窗口高差,dw为窗口水平投影距离,n为窗口点数。
e、根据路缘石底部点分布关系,采用扫描角度与距离一致性原则对路边点进行聚类去噪。
根据相邻多条扫描线的路边点分布特征,如图7所示,其中,位于中间的圆形点为中央角度点,位于两条虚线处的三角形点为路边点,两条虚线之间的方形点为粗差点,设定三个聚类因子,即行驶方向相邻两个路边点的水平投影距离D、路边点扫描角度θ和到中央角度点的水平距离S,依据θ与S一致性和距离D较小原则进行路边点聚类,通过判断聚类点集特征去噪,步骤e具体包括如下子步骤:
e1、计算聚类因子
根据扫描线索引,获得每一条扫描线的中央角度点和疑似路边点,计算两个相邻路边点的θ和S的差值,获取行驶方向相邻路边点,计算距离D;
e2、路边点聚类
根据扫描仪频率和行驶速度确定扫描线间距Dline,若两个点的θ和S差值较小,D小于2*Dline,则归为一组连续路边点,继续判断下一个点,当角度差值大于Δθ,距离差值大于ΔS,或者D大于阈值时停止聚类,考虑到道路弯曲特性,Δθ和ΔS具有一定容差,然后以停止的路边点为起点,开始新的聚类生长;
e3、去噪
设定点集数量阈值num,确定聚类点集路边长度阈值Lside=Dline*(num-1),由于非路边点集的点数较少,当点集数量小于阈值num,距离与Lside偏差较大时,去除点集。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (5)
1.一种车载激光扫描点云中道路信息自动提取方法,其特征在于包括如下步骤:
a、根据车载系统记录的行驶轨迹、激光点扫描角度和扫描时间信息从离散点云中提取出每条扫描线,建立适合数据处理的半扫描线索引;
b、分析扫描线上相邻点空间关系,进行激光点生长聚类,生成能够描述某类地物类型特征的动态窗口点集;所述步骤b包括如下子步骤:
b1、生长因子分析
生长因子包括相邻点高差、水平距离和离中央角度点水平距离,根据道路地物不同的空间特征,将扫描线点生长分为路面点生长和立面点生长;
其中,生长点坐标为Pk(xk,yk,zk),中央角度点为P0(x0,y0,z0),相邻点高差hk=zk-zk-1,水平距离到中央角度点距离k为取值大于1的自然数,k值小于扫描线实际点数量;
b2、参数阈值估计
根据车载扫描仪位置、扫描仪高度和扫描角度分别估算扫描线上路面和立面位置相邻点的平面投影距离Dk和立面投影高差Hk,根据中央角度点向两侧一定范围内相邻点的高差估计路面粗糙度HR,根据实际点云扫描密度和路缘石高度,确定点生长最大范围;
b3、路面点生长
估算路面平面投影距离Dk和路面粗糙度HR,当窗口内高差Δh=max(Z1-Z2,Z2-Z3)小于路面粗糙度HR时,判定为平滑路面点,不需要生长;
其中,Z1、Z2、Z3为窗口内三点高程值;
当满足条件Δh大于HR且小于2HR,窗口水平投影距离与2Dk相近,判定为疑似粗糙路面点,需进行路面点生长;待生长点与前一点需满足条件高差hk稳定,距离dk与估值Dk相近,距离sk增大,逐点生长直到最大范围,如不符合条件,停止生长;
b4、立面点生长
立面包括路缘石侧面和地物立面,估算路面平面投影距离Dk和立面投影高差Hk;
当初始窗口点集满足条件:窗口内高差Δh与2Hk相近,窗口水平投影距离Δd小于Dk,进行立面点生长;
路缘石满足条件:待生长点与前一点高差hk变小,水平距离dk增大,距离sk增大;
地物立面满足条件:相邻两点高差hk较大,水平距离dk较小,距离sk稳定;
确定立面生长需满足条件:待生长点与前一点高程稳定或稳步增长,高差小于或接近Hk,距离sk稳定或稳步增长;
c、分析不同地物窗口点集的几何特征因子,包括高程差异因子和水平投影距离因子;
d、根据窗口点集的几何特征因子判断窗口起点类型,按照半扫描线索引从中央角度点向两侧进行移动动态窗口分类,直到发现非路面点,将路面点云与路边点云分别存储;
e、根据路缘石底部点分布关系,采用扫描角度与距离一致性原则对路边点进行聚类去噪。
2.根据权利要求1所述的车载激光扫描点云中道路信息自动提取方法,其特征在于,所述步骤a包括如下子步骤:
a1、提取车载系统记录的整个数据采集过程中的行驶轨迹、激光点扫描角度和扫描时间信息,将点云数据进行一系列坐标变换,转化为相应坐标系下的平面坐标,根据相邻两个扫描点的时间差或角度差把离散的扫描点分割为一系列按照时间排序的扫描线;
a2、根据扫描仪的安装位置,确定车载平台正下方对应扫描点的角度,将扫描线从中央角度点分割,建立半扫描线索引。
3.根据权利要求1所述的车载激光扫描点云中道路信息自动提取方法,其特征在于,所述步骤c包括如下子步骤:
c1、窗口高程差异因子
分析扫描线上路面、路缘石和独立地物的空间分布特征,根据路面点的窗口高差小于路缘石和立面地物,分类出路面点;进行扫描点生长,窗口生长后,根据路缘石和立面地物的窗口高差差异分类路缘石和立面地物;
c2、窗口水平投影距离因子
分析不同地物扫描线上相邻两点的水平投影距离变化情况,根据路面相邻点水平距离逐步增加,路缘石或立面地物窗口的水平投影距离变小原则,分类出路面;进一步生长窗口到路缘石顶部点,根据水平投影距离差值区分路缘石和立面地物。
4.根据权利要求1所述的车载激光扫描点云中道路信息自动提取方法,其特征在于,所述步骤d包括如下子步骤:
d1、由扫描线上第一点Pi的窗口点集类型判断第一点是否为平滑路面点,若为路面点则移动窗口,从Pi+1开始构建新的窗口,重复上述过程;i为取值大于1的自然数,i值小于扫描线实际点数量;
d2、当检测到粗造度大的路面点,根据生长聚类条件进行点生长,根据窗口几何特征因子判断类型,若为路面点则继续移动窗口直到检测到非地面点,根据窗口几何特征因子进一步判定是路缘石点还是立面地物点;
d3、按照扫描线顺序存储路缘石点云和路面点云。
5.根据权利要求1所述的车载激光扫描点云中道路信息自动提取方法,其特征在于,根据相邻多条扫描线的路边点分布特征,设定三个聚类因子,即行驶方向相邻两个路边点的水平投影距离D、路边点扫描角度θ和到中央角度点的水平距离S,依据θ与S一致性和距离D较小原则进行路边点聚类,通过判断聚类点集特征去噪,具体包括如下子步骤:
e1、计算聚类因子
根据扫描线索引,获得每一条扫描线的中央角度点和疑似路边点,计算两个相邻路边点的θ和S的差值,获取行驶方向相邻路边点,计算距离D;
e2、路边点聚类
根据扫描仪频率和行驶速度确定扫描线间距Dline,若两个点的θ和S差值较小,D小于2*Dline,则归为一组连续路边点,继续判断下一个点,当角度差值大于Δθ,距离差值大于ΔS,或者D大于阈值时停止聚类,然后以停止的路边点为起点,开始新的聚类生长;
e3、去噪
设定点集数量阈值num,确定聚类点集路边长度阈值Lside=Dline*(num-1),由于非路边点集的点数较少,当点集数量小于阈值num,距离与Lside偏差较大时,去除点集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410033283.XA CN103778429B (zh) | 2014-01-24 | 2014-01-24 | 一种车载激光扫描点云中道路信息自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410033283.XA CN103778429B (zh) | 2014-01-24 | 2014-01-24 | 一种车载激光扫描点云中道路信息自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103778429A CN103778429A (zh) | 2014-05-07 |
CN103778429B true CN103778429B (zh) | 2017-03-08 |
Family
ID=50570642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410033283.XA Active CN103778429B (zh) | 2014-01-24 | 2014-01-24 | 一种车载激光扫描点云中道路信息自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778429B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378173A (zh) * | 2018-07-10 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 一种确定道路边界线的方法和装置 |
KR102062680B1 (ko) * | 2015-08-04 | 2020-01-06 | 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 | 레이저 포인트 클라우드 기반의 도시 도로 인식 방법, 장치, 저장 매체 및 기기 |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318592B (zh) * | 2014-10-21 | 2017-07-18 | 浙江四维远见信息技术有限公司 | 一种基于车载激光扫描数据自动提取铅垂面的算法 |
CN104765025B (zh) * | 2015-03-31 | 2017-09-29 | 浙江大学 | 一种车载雷达数据的处理方法和处理系统 |
CN104807460B (zh) * | 2015-05-04 | 2017-10-27 | 深圳大学 | 无人机室内定位方法及系统 |
CN105627938A (zh) * | 2016-01-07 | 2016-06-01 | 厦门大学 | 一种基于车载激光扫描点云的路面沥青厚度检测方法 |
CN107270916B (zh) * | 2016-04-08 | 2020-12-08 | 星克跃尔株式会社 | 道路面生成方法及装置以及点云数据处理方法及装置 |
CN106022381B (zh) * | 2016-05-25 | 2020-05-22 | 厦门大学 | 基于车载激光扫描点云的路灯杆自动提取方法 |
CN107367738B (zh) * | 2017-04-27 | 2020-10-27 | 北京石油化工学院 | 危化品仓储障碍物监测方法、装置与系统 |
CN108062517B (zh) * | 2017-12-04 | 2020-06-23 | 武汉大学 | 基于车载激光点云的非结构化道路边界线自动提取方法 |
CN110033482A (zh) * | 2018-01-11 | 2019-07-19 | 沈阳美行科技有限公司 | 一种基于激光点云的路沿识别方法和装置 |
CN108615452B (zh) * | 2018-04-03 | 2019-08-20 | 华南理工大学 | 一种基于人车轨迹点多分辨率处理的未知道路提取方法 |
CN110363847B (zh) * | 2018-04-10 | 2023-06-23 | 北京京东尚科信息技术有限公司 | 一种基于点云数据的地图模型构建方法和装置 |
CN108469825A (zh) * | 2018-04-19 | 2018-08-31 | 河南科技学院 | 一种基于车路协同的智能巡视系统及其构建方法 |
CN108665466B (zh) * | 2018-05-21 | 2021-06-11 | 山东科技大学 | 一种道路激光点云中路面病害自动提取方法 |
CN108984599B (zh) * | 2018-06-01 | 2021-08-20 | 青岛秀山移动测量有限公司 | 一种利用行驶轨迹参考的车载激光点云路面提取方法 |
CN111175775A (zh) * | 2018-11-09 | 2020-05-19 | 阿里巴巴集团控股有限公司 | 定位数据生成方法、装置以及电子设备 |
CN111174777A (zh) * | 2018-11-09 | 2020-05-19 | 阿里巴巴集团控股有限公司 | 定位方法、装置以及电子设备 |
CN110070109B (zh) * | 2019-03-28 | 2021-02-26 | 东南大学 | 一种适用于建筑排列密集区的地物散乱点自动聚类的方法 |
CN110163880B (zh) * | 2019-06-04 | 2020-04-14 | 奥特酷智能科技(南京)有限公司 | 一种在Unity中获取点云路面高度的方法 |
CN110490888B (zh) * | 2019-07-29 | 2022-08-30 | 武汉大学 | 基于机载激光点云的高速公路几何特征矢量化提取方法 |
CN110598541B (zh) * | 2019-08-05 | 2021-07-23 | 香港理工大学深圳研究院 | 一种提取道路边缘信息的方法及设备 |
CN111337036B (zh) * | 2020-05-19 | 2020-08-25 | 北京数字绿土科技有限公司 | 重叠区域数据优化方法、装置及终端设备 |
CN111932477B (zh) * | 2020-08-07 | 2023-02-07 | 武汉中海庭数据技术有限公司 | 一种基于单线激光雷达点云的噪声去除方法及装置 |
CN112200171B (zh) * | 2020-12-07 | 2021-03-23 | 速度时空信息科技股份有限公司 | 一种基于扫描线的道路点云的提取方法 |
CN113763260B (zh) * | 2021-02-20 | 2024-04-16 | 京东鲲鹏(江苏)科技有限公司 | 一种基于水珠噪声的滤噪方法、装置、设备及存储介质 |
CN114372227B (zh) * | 2021-12-31 | 2023-04-14 | 浙江大学舟山海洋研究中心 | 鱿鱼白片智能切割计算方法、装置、设备及存储介质 |
US11751578B2 (en) | 2021-12-31 | 2023-09-12 | Ocean Research Center Of Zhoushan, Zhejiang University | Intelligent methods and devices for cutting squid white slices |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2048516A2 (de) * | 2007-10-11 | 2009-04-15 | Robert Bosch GmbH | Raumauflösendes Fahrerassistenzsystem |
CN103390169A (zh) * | 2013-07-19 | 2013-11-13 | 武汉大学 | 一种车载激光扫描点云数据的城市地物分类方法 |
CN103500338A (zh) * | 2013-10-16 | 2014-01-08 | 厦门大学 | 基于车载激光扫描点云的道路斑马线自动提取方法 |
-
2014
- 2014-01-24 CN CN201410033283.XA patent/CN103778429B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2048516A2 (de) * | 2007-10-11 | 2009-04-15 | Robert Bosch GmbH | Raumauflösendes Fahrerassistenzsystem |
CN103390169A (zh) * | 2013-07-19 | 2013-11-13 | 武汉大学 | 一种车载激光扫描点云数据的城市地物分类方法 |
CN103500338A (zh) * | 2013-10-16 | 2014-01-08 | 厦门大学 | 基于车载激光扫描点云的道路斑马线自动提取方法 |
Non-Patent Citations (3)
Title |
---|
"基于激光扫描仪数据的建筑物立面特征信息提取";黄磊等;《测绘学报》;20061130;第31卷(第6期);第141-142页 * |
"车载LiDAR点云中建筑物的自动识别与立面几何重建";魏征;《中国博士学位论文全文数据库 信息科技辑》;20130615;I138-54 * |
"车载激光扫描数据的结构化道路自动提取方法";芳莉娜;《测绘学报》;20130430;第42卷(第2期);第260-267页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102062680B1 (ko) * | 2015-08-04 | 2020-01-06 | 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 | 레이저 포인트 클라우드 기반의 도시 도로 인식 방법, 장치, 저장 매체 및 기기 |
CN110378173A (zh) * | 2018-07-10 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 一种确定道路边界线的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103778429A (zh) | 2014-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778429B (zh) | 一种车载激光扫描点云中道路信息自动提取方法 | |
CN108062517A (zh) | 基于车载激光点云的非结构化道路边界线自动提取方法 | |
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
CN110320504B (zh) | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 | |
CN103390169B (zh) | 一种车载激光扫描点云数据的城市地物分类方法 | |
CN105184852B (zh) | 一种基于激光点云的城市道路识别方法及装置 | |
CN110363861B (zh) | 基于激光雷达点云的田地作物三维重构方法 | |
CN105551082B (zh) | 一种基于激光点云的路面识别方法及装置 | |
WO2022141911A1 (zh) | 一种基于路侧感知单元的动态目标点云快速识别及点云分割方法 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN103679655A (zh) | 一种基于坡度与区域生长的LiDAR点云滤波方法 | |
CN104574303A (zh) | 基于空间聚类的机载LiDAR点云地面滤波方法 | |
CN110490888A (zh) | 基于机载激光点云的高速公路几何特征矢量化提取方法 | |
CN103500338A (zh) | 基于车载激光扫描点云的道路斑马线自动提取方法 | |
CN107657636A (zh) | 一种基于车载激光雷达数据自动提取道路地形图高程点的方法 | |
CN101604450A (zh) | 集成影像与LiDAR数据提取建筑物轮廓的方法 | |
CN103745441A (zh) | 一种机载LiDAR点云滤波方法 | |
CN113569915B (zh) | 一种基于激光雷达的多策略轨道交通障碍物识别方法 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN109410265B (zh) | 一种基于往期dem辅助的tin滤波改进算法 | |
CN114488073A (zh) | 激光雷达采集到的点云数据的处理方法 | |
CN108764012A (zh) | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 | |
CN106383998A (zh) | 一种基于地面激光雷达扫描的树木胸径自动计算方法 | |
CN108765568A (zh) | 一种基于激光雷达点云的多层次建筑物快速三维重建方法 | |
CN108984599A (zh) | 一种利用行驶轨迹参考的车载激光点云路面提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |