CN105701478B - 杆状地物提取的方法和装置 - Google Patents
杆状地物提取的方法和装置 Download PDFInfo
- Publication number
- CN105701478B CN105701478B CN201610101054.6A CN201610101054A CN105701478B CN 105701478 B CN105701478 B CN 105701478B CN 201610101054 A CN201610101054 A CN 201610101054A CN 105701478 B CN105701478 B CN 105701478B
- Authority
- CN
- China
- Prior art keywords
- point
- rod
- converges
- shaped
- independent
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种杆状地物提取的方法和装置,包括:获取三维激光点云数据,去除所述三维激光点云数据中的低空间点得到候选点云集;对所述候选点云集进行分割得到独立地物对应的独立点云集;根据所述独立点云集在水平面上的投影识别所述独立点云集中的杆状地物点云集;对所述杆状地物点云集进行直线提取,根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点,能够有效保证提取的杆状地物的精度,满足高精度地图的需要。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种杆状地物提取的方法和装置。
背景技术
随着计算机技术和自动化技术的发展,自动驾驶技术受到高度关注,自动驾驶技术离不开高精度地图的支持,如何生成高精度地图成为自动驾驶的瓶颈之一。高精度的杆状地物数据,如路灯杆、电线杆、路牌杆和树干等,作为高精度地图中的重要组成部分也尤为重要。
现有的杆状地物提取方法,往往是基于航拍或车载视频的提取方法,一般是先通过摄影测量中的空中三角测量解算,得到各影像的外方位元素,然后对杆状地物进行多片空间前方交会,获得其几何坐标,该方法受限于影像的分辨率、内外方位元素计算误差和同名特征点提取误差等,导致其绝对精度一般在半米甚至几米水平,无法满足高精度地图的精度需求。
发明内容
基于此,有必要针对上述技术问题,提供一种杆状地物提取的方法和装置,提高杆状地物提取的精度。
一种杆状地物提取的方法,所述方法包括:
获取三维激光点云数据,去除所述三维激光点云数据中的低空间点得到候选点云集;
对所述候选点云集进行分割得到独立地物对应的独立点云集;
根据所述独立点云集在水平面上的投影识别所述独立点云集中的杆状地物点云集;
对所述杆状地物点云集进行直线提取,根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点。
一种杆状地物提取的装置,所述装置包括:
候选点云集获取模块,用于获取三维激光点云数据,去除所述三维激光点云数据中的低空间点得到候选点云集;
分割模块,用于对所述候选点云集进行分割得到独立地物对应的独立点云集;
杆状地物点云集识别模块,用于根据所述独立点云集在水平面上的投影识别所述独立点云集中的杆状地物点云集;
杆状地物提取模块,用于对所述杆状地物点云集进行直线提取,根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点。
上述杆状地物提取的方法和装置,通过获取三维激光点云数据,去除三维激光点云数据中的低空间点得到候选点云集,对所述候选点云集进行分割得到独立地物对应的独立点云集,根据独立点云集在水平面上的投影识别独立点云集中的杆状地物点云集,对杆状地物点云集进行直线提取,根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点,可以从高精度三维点云数据中通过筛选候选点云集、分割独立点云集和识别杆状地物点云集,并进行直线提取自动化地提取出杆状地物,能够有效保证提取的杆状地物的精度,满足高精度地图的需要,提取过程不需人工参与,满足高效率低成本。
附图说明
图1为一个实施例中杆状地物提取的方法的应用环境图;
图2为一个实施例中图1中服务器的内部结构图;
图3为一个实施例中杆状地物提取的方法的流程图;
图4为一个实施例中得到候选点云集的流程图;
图5为一个实施例中分割后各个独立点云集示意图;
图6为一个实施例中采用基于欧式距离聚类的点云分割算法分割得到独立地物对应的独立点云集的流程图;
图7为一个实施例中识别独立点云集中的杆状地物点云集的流程图;
图8为一个实施例中杆状地物提取的装置的结构框图;
图9为一个实施例中候选点云集获取模块的结构框图;
图10为一个实施例中分割模块的结构框图;
图11为另一个实施例中杆状地物提取的装置的结构框图;
图12为一个实施例中杆状地物点云集识别模块的结构框图;
图13为再一个实施例中杆状地物提取的装置的结构框图。
具体实施方式
图1为一个实施例中杆状地物提取的方法运行的应用环境图。如图1所示,该应用环境包括三维激光扫描系统110、服务器120,其中三维激光扫描系统110和服务器120通过网络进行通信。
三维激光扫描系统110包括三维激光扫描仪111和导航系统112,三维激光扫描仪111为能够提供扫描物体表面的三维点云数据的仪器,导航系统112为获取GPS(GlobalPositioning System,全球定位系统)数据的系统,可为惯性导航系统等,可根据三维激光点云数据与导航系统采集的GPS数据的对应关系,得到三维激光点云数据中各个三维激光点对应的地理位置数据。
三维激光扫描系统110通过网络向服务器120发送三维激光点云数据和GPS数据,服务器120根据三维激光点云数据提取杆状地物,并可根据三维激光点对应的地理位置数据将杆状地物绘制于地图。
在一个实施例中,图1中的服务器120的内部结构如图2所示,该服务器120包括通过系统总线连接的处理器、存储介质、内存和网络接口。其中,该服务器120的存储介质存储有操作系统、数据库和杆状地物提取的装置,数据库用于存储数据,如三维激光点云数据等,杆状地物提取的装置用于实现一种适用于服务器120的杆状地物提取的方法。该服务器120的处理器用于提供计算和控制能力,支撑整个服务器120的运行。该服务器120的内存为存储介质中的杆状地物提取的装置的运行提供环境。该服务器120的网络接口用于与外部的三维激光扫描系统110通过网络连接通信,比如接收三维激光扫描系统110发送的三维点云数据和GPS数据等。
在一个实施例中,如图3所示,提供了一种杆状地物提取的方法,以应用于上述应用环境中的服务器来举例说明,包括如下步骤:
步骤S210,获取三维激光点云数据,去除三维激光点云数据中的低空间点得到候选点云集。
具体的,三维激光点云数据记录了由三维激光扫描仪对道路和道路上的实体表面进行扫描后得到的三维激光点的三维坐标,可以由三维激光扫描仪扫描得到三维激光点云数据后发送至服务器。三维激光扫描仪可安装在车辆上,在行车过程中扫描得到三维激光点云数据。三维激光点云的垂直坐标为高程,低空间点是指高程小于或等于一定高程阈值的地面点或地面之上物体表面的点,高程阈值可根据需要自定义。低空间点可以只为地面点,高程为0代表地面点。由于地面可能凹凸不平,可能存在高程大于0的地面点,可取合适的高程阈值进行地面点的筛选,并将筛选出的地面点进行去除。也可以先取高程小于预设阈值的方程候选点云集,如预设阈值设为0.5m,再根据方程候选点云集进行平面提取得到地平面方程a*x+b*y+c*z+d=0,其中a,b,c,d为方程的系数,(x,y,z)为三维激光点云点的三维坐标,c>0表示地面平面方程的法向量沿z轴正方向,即向上,从而通过地平面方程将三维坐标(x,y,z)满足a*x+b*y+c*z+d≤0的点去除得到候选点云集。平面提取时可采用Ransac(RANdom SAmple Consensus)平面提取算法,采用Ransac平面提取时取内点数最多的平面方程作为最终的地面平面方程,使得提取的平面更接近原始地面。去除地面点可以避免地面点对点云分割的干扰,防止分割后杆状地物与地面点粘连,影响杆状地物的提取。
除了地面点会对杆状地物的提取造成影响外,如果地面上存在低矮地物且与杆状地物距离较近时,也可能造成杆状地物点与低矮地物点粘连,影响杆状地物的提取。低矮地物点是指距离地面较近的点,如道路两旁栅栏、花坛和低矮围墙等地物上的点。可通过设置低矮地物高程阈值的方式去除高程小于高程阈值的低矮地物点,进一步去除杆状地物提取时候选点云集中无效的数据,从而减小杆状地物的提取难度。
在一个实施例中,如图4所示,低空间点包括三维激光点云数据中的地面点和低矮地物点,步骤S210包括:
步骤S211,获取三维激光点云数据中高程小于预设阈值的点云得到方程候选点云集,根据方程候选点云集进行平面提取得到地平面方程a*x+b*y+c*z+d=0,其中c>0。
步骤S212,获取低矮地物距离地面的高程阈值dThred,去除三维激光点云数据中所有三维坐标(x,y,z)满足a*x+b*y+c*z+d<dThred的点得到候选点云集。
具体的,先筛选高程小于预设阈值的点云进行平面提取得到地平面方程,建立地平面方程比直接通过高程阈值与三维激光点云的Z坐标进行比较去除地面点和低矮地物点更精确,因为提取得到的地平面方程考虑了地平面凹凸不平的因素,更接近原始地面。高程阈值dThred可根据需要自定义,如1m。三维坐标(x,y,z)满足a*x+b*y+c*z+d<dThred的点既包括低矮地物点又包括地面点,可快速方便的去除这些干扰杆状地物的点。
步骤S220,对候选点云集进行分割得到独立地物对应的独立点云集。
具体的,根据合适的距离对候选点云集进行分割得到各个独立地物对应的独立点云集,各独立地物之间相隔的距离可根据需要自定义,如取0.3m-0.5m,分割的算法可根据需要自定义,如基于欧氏距离聚类的点云分割、基于图论的分割方法等。进行分隔可避免多个独立地物对应的点云集混合在一起,影响杆状地物的特征,导致不能提取出杆状地物。如图5所示,为分割后各个独立点云集示意图,不同的灰度代表不同的独立点云集。
步骤S230,根据独立点云集在水平面上的投影识别独立点云集中的杆状地物点云集。
具体的,参照杆状地物的先验几何特征,如杆状地物的半径一般比较小,在一定的阈值范围内,且杆状地物在垂直方向上的形状一般相同或相似。将独立点云集在水平面上的投影特征与杆状地物的先验几何特征进行比较,如果符合,则识别为杆状地物点云集,否则识别为非杆状地物点云集。如统计独立点云集中的各个点云在水平面上的投影与坐标原点的距离小于预设阈值的个数,如果符合条件的点云点个数与独立点云集中点云点个数的比例超过预设阈值,则识别为杆状地物点云集。或先将独立点云集在高程空间分段,得到各个分段对应的点云在水平面上的投影图像,根据投影图像的特征得到符合杆状特征的分段数,根据杆状特征的分段数占所有高程空间分段数的比例,区分杆状地物点云集和非杆状地物点云集,如果比例超过预设比例
如果各个分段的投影图像特征区别过大,则可明显识别为非杆状地物,可快速去除非杆状地物,加快识别速度,其中投影图像特征可为投影半径、投影形状等。如第一分段与第二分段的投影半径差值超过预设长度阈值,则识别为非杆状地物点云集。第一分段投影形状为正方形,第二分段投影形状为圆形,第三分段投影形状为三角形,明显不规则变化,则可识别为非杆状地物点云集。如果投影图像的投影半径在预设范围内的分段数目符合预设比例,或投影图像的形状统一规则,图像边长满足预设长度范围,则可识别为杆状地物点云集。
步骤S240,对杆状地物点云集进行直线提取,根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点。
具体的,直线提取的算法可根据需要自定义,如采用RANSAC直线提取算法,在直线提取的过程中去掉非直线上的点,只有三维坐标满足直线方程的点才是最终的目标杆状地物点云集,获取目标杆状地物点云集中点云的最大高程和最小高程,分别对应提取的杆状地物的上端点和下端点。可以理解的是,在提取过程中如果通过高程阈值dThred去除了三维激光点云数据中的低矮地物点,则将直线上的杆状地物点云的最小高程减去高程阈值dThred得到下端点对应的高程。上下端点之间的线段构成杆状地物,杆状地物形状可根据杆状地物点云集中的点云分布确定,当杆状地物形状为圆筒状时,其圆筒半径可为预设半径或根据直线上的杆状地物点云集在水平面的投影半径确定。
本实施例中,通过获取三维激光点云数据,去除三维激光点云数据中的低空间点得到候选点云集,对所述候选点云集进行分割得到独立地物对应的独立点云集,根据独立点云集在水平面上的投影识别独立点云集中的杆状地物点云集,对杆状地物点云集进行直线提取,根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点,从高精度三维点云数据中通过筛选候选点云集、分割独立点云集和识别杆状地物点云集,并进行直线提取自动化地提取出杆状地物,能够有效保证提取的杆状地物的精度,满足高精度地图的需要,提取过程不需人工参与,满足高效率低成本。
在一个实施例中,对候选点云集进行分割采用基于欧式距离聚类的点云分割算法,如图6所示,步骤S220包括:
步骤S221,标记候选点云集中的候选点为待聚类状态,新建第一独立点云集合将待聚类状态的候选点加入第一独立点云集合,加入第一独立点云集合的候选点的状态会修改为已聚类状态。
具体的,可将候选点云集中的候选点标记为0,表示待聚类状态,待聚类状态对应的标记值可根据需要自定义。依次遍历每一个候选点,判断当前处理的候选点是否为待聚类状态,如果是则新建第一独立点云集合,将当前处理的候选点加入第一独立点云集合中,只要加入了独立点云集合中的候选点都会修改为已聚类状态。如果当前处理的候选点不是待聚类状态,则获取下一个候选点。加入独立点云集合的目标候选点的序号根据进入的顺序从0开始依次加1。
步骤S222,根据已聚类状态的候选点与待聚类状态的候选点之间的距离进行聚类,直到没有新的待聚类状态的候选点加入第一独立点云集合,第一独立点云集合对应了第一独立地物。
具体的,获取计数参数n并初始化为0,步骤C:将计数参数加1,并判断计数参数是否小于或等于独立点云集合中的候选点数,如果是,则进入步骤D,否则进入步骤E。
步骤D:获取独立点云集合中序号为n-1的点作为当前处理点,获取与当前处理点的距离小于预设距离阈值的候选点,并将符合条件的待聚类状态的候选点加入独立点云集合,并修改为已聚类状态,重复进入所述步骤C。
步骤E:保存第一独立点云集合中的已聚类状态的点,第一独立点云集合对应了第一独立地物。依次遍历候选点云集中的候选点进入下一个独立点云集合的聚类。
本实施例中,通过基于欧式距离聚类的点云分割算法能精确快速的分割各个独立点云集合。
在一个实施例中,步骤S230之前,还包括:统计独立点云集的点云点个数和/或点云的高程范围,判断点云点个数和/或高程范围是否满足预设条件,预设条件包括点云点个数标准范围和/或高程标准范围,去除不满足预设条件的独立点云集。
具体的,由于杆状地物的高度和占地面积一般有限,所以杆状地物的对应的点云总个数和高程范围一般在一定的范围内,可自定义点云点个数标准范围和高程范围标准范围,对于点云点个数和/或高程范围不在预设标准范围内的独立点云集进行去除,使得筛选出的独立点云集为杆状地物的正确率提高。
在一个实施例中,如图7所示,步骤S230包括:
步骤S231,将独立点云集在高程空间分段,计算各个分段对应的点云在水平面上的投影半径。
具体的,可将独立点云集在高程空间按照预设距离阈值进行均匀分段,如预设距离阈值为0.5m,也可以进行不均匀分段,每段分段的长度可自定义算法计算得到。可根据需要调整每段分段的长度,使得分段的精度灵活可变。可将分段对应的点云最大的投影长度作为投影半径,也可将各个投影长度进行平均或自定义算法计算得到投影半径。
步骤S232,统计投影半径小于预设半径阈值的杆状特征分段数,计算杆状特征分段数占总分段数的比例,如果比例小于预设比例,则独立点云集识别为非杆状地物点云集,否则识别为杆状地物点云集。
具体的,预设半径阈值和预设比例可根据需要自定义,如预设半径阈值定义为0.3m,预设比例定义为30%。如果投影半径小于预设半径阈值的杆状特征分段数占总分段数的比例小于预设比例,则说明独立点云集的投影半径普遍偏大,而杆状地物一般是直立的且投影半径一般偏小,说明此独立点云集不满足杆状地物的投影特征,识别为非杆状地物点云集,否则识别为杆状地物点云集。通过分段和投影半径可有效识别杆状地物点云,并去除非杆状地物点云,简单快速,且在识别过程中可根据分段的长度调整控制精度,满足不同计算能力和计算精度的需求。
在一个实施例中,对杆状地物点云集进行直线提取的步骤之后,还包括:判断提取的直线与铅锤方向的夹角是否大于预设夹角阈值,如果是,则删除杆状地物点云集,否则进入根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点的步骤。
具体的,预设夹角阈值可根据需要自定义,如定义为15度。因为一般杆状地物呈直立状,与铅锤方向的夹角在一定的范围内,不会太大,所以如果提取的直线与铅锤方向的夹角大于预设夹角阈值,则可判断此杆状地物点云集不是杆状地物对应的点云集,通过夹角阈值进一步去除了非杆状地物点云集,提高了杆状地物提取的精确度。
在一个实施例中,步骤S240之后,还包括:获取提取的直线上的杆状地物点云对应的地理位置数据,将杆状地物根据对应的地理位置数据绘制于地图。
具体的,根据三维激光点云数据与导航系统采集的GPS数据的对应关系,得到三维激光点云数据中各个三维激光点对应的地理位置数据,如经纬度坐标,获取直线上的杆状地物点云的经纬度坐标,根据经纬度坐标将杆状地物在地图上绘制出来。绘制于地图的杆状地物可用于自动车辆驾驶等。
在一个实施例中,如图8所示,提供了一种杆状地物提取的装置,包括:
候选点云集获取模块310,用于获取三维激光点云数据,去除三维激光点云数据中的低空间点得到候选点云集。
分割模块320,用于对候选点云集进行分割得到独立地物对应的独立点云集。
杆状地物点云集识别模块330,用于根据独立点云集在水平面上的投影识别独立点云集中的杆状地物点云集。
杆状地物提取模块340,用于对杆状地物点云集进行直线提取,根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点。
在一个实施例中,低空间点包括三维激光点云数据中的地面点和低矮地物点,候选点云集获取模块310包括:
地平面提取单元311,用于获取三维激光点云数据中高程小于预设阈值的点云得到方程候选点云集,根据方程候选点云集进行平面提取得到地平面方程a*x+b*y+c*z+d=0,其中c>0。
去除单元312,用于获取低矮地物距离地面的高程阈值dThred,去除三维激光点云数据中所有三维坐标(x,y,z)满足a*x+b*y+c*z+d<dThred的点得到候选点云集。
在一个实施例中,分割模块对候选点云集进行分割采用基于欧式距离聚类的点云分割算法,分割模块320包括:
处理单元321,用于标记候选点云集中的候选点为待聚类状态,新建第一独立点云集合将待聚类状态的候选点加入第一独立点云集合,加入第一独立点云集合的候选点的状态会修改为已聚类状态。
聚类单元322,用于根据已聚类状态的候选点与待聚类状态的候选点之间的距离进行聚类,直到没有新的待聚类状态的候选点加入第一独立点云集合,第一独立点云集合对应了第一独立地物。
在一个实施例中,装置还包括:
独立点云集去除模块350,用于统计独立点云集的点云点个数和/或点云的高程范围,判断点云点个数和/或高程范围是否满足预设条件,预设条件包括点云点个数标准范围和/或高程标准范围,去除不满足预设条件的独立点云集。
在一个实施例中,杆状地物点云集识别模块330包括:
分段单元331,用于将独立点云集在高程空间分段。
投影半径计算单元332,用于计算各个分段对应的点云在水平面上的投影半径。
识别单元333,用于统计投影半径小于预设半径阈值的杆状特征分段数,计算杆状特征分段数占总分段数的比例,如果比例小于预设比例,则独立点云集识别为非杆状地物点云集,否则识别为杆状地物点云集。
在一个实施例中,杆状地物提取模块还用于判断提取的直线与铅锤方向的夹角是否大于预设夹角阈值,如果是,则删除杆状地物点云集,否则根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点。
在一个实施例中,装置还包括:
绘制模块360,用于获取提取的直线上的杆状地物点云对应的地理位置数据,将杆状地物根据对应的地理位置数据绘制于地图。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述程序可存储于一计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种杆状地物提取的方法,所述方法包括:
获取三维激光点云数据,去除所述三维激光点云数据中的低空间点得到候选点云集;
对所述候选点云集进行分割得到独立地物对应的独立点云集;
根据所述独立点云集在水平面上的投影识别所述独立点云集中的杆状地物点云集;
对所述杆状地物点云集进行直线提取,根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点;
获取所述提取的直线上的杆状地物点云对应的地理位置数据;
将所述杆状地物根据对应的地理位置数据绘制于地图。
2.根据权利要求1所述的方法,其特征在于,所述低空间点包括三维激光点云数据中的地面点和低矮地物点,所述去除所述三维激光点云数据中的低空间点得到候选点云集的步骤包括:
获取所述三维激光点云数据中高程小于预设阈值的点云得到方程候选点云集;
根据所述方程候选点云集进行平面提取得到地平面方程a*x+b*y+c*z+d=0,其中c>0;
获取低矮地物距离地面的高程阈值dThred;
去除三维激光点云数据中所有三维坐标(x,y,z)满足a*x+b*y+c*z+d<dThred的点得到候选点云集。
3.根据权利要求1所述的方法,其特征在于,对所述候选点云集进行分割采用基于欧式距离聚类的点云分割算法,所述对所述候选点云集进行分割得到独立地物对应的独立点云集的步骤包括:
标记所述候选点云集中的候选点为待聚类状态;
新建第一独立点云集合将待聚类状态的候选点加入所述第一独立点云集合,加入所述第一独立点云集合的候选点的状态会修改为已聚类状态;
根据已聚类状态的候选点与待聚类状态的候选点之间的距离进行聚类,直到没有新的待聚类状态的候选点加入所述第一独立点云集合,所述第一独立点云集合对应了第一独立地物。
4.根据权利要求1所述的方法,其特征在于,所述根据所述独立点云集在水平面上的投影识别所述独立点云集中的杆状地物点云集的步骤之前,还包括:
统计独立点云集的点云点个数和/或点云的高程范围,判断所述点云点个数和/或高程范围是否满足预设条件,所述预设条件包括点云点个数标准范围和/或高程标准范围;
去除不满足所述预设条件的独立点云集。
5.根据权利要求1所述的方法,其特征在于,所述根据所述独立点云集在水平面上的投影识别所述独立点云集中的杆状地物点云集的步骤包括:
将所述独立点云集在高程空间分段;
计算各个分段对应的点云在水平面上的投影半径;
统计投影半径小于预设半径阈值的杆状特征分段数;
计算所述杆状特征分段数占总分段数的比例,如果所述比例小于预设比例,则所述独立点云集识别为非杆状地物点云集,否则识别为杆状地物点云集。
6.根据权利要求1所述的方法,其特征在于,所述对所述杆状地物点云集进行直线提取的步骤之后,还包括:
判断所述提取的直线与铅锤方向的夹角是否大于预设夹角阈值,如果是,则删除所述杆状地物点云集,否则进入所述根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点的步骤。
7.一种杆状地物提取的装置,其特征在于,所述装置包括:
候选点云集获取模块,用于获取三维激光点云数据,去除所述三维激光点云数据中的低空间点得到候选点云集;
分割模块,用于对所述候选点云集进行分割得到独立地物对应的独立点云集;
杆状地物点云集识别模块,用于根据所述独立点云集在水平面上的投影识别所述独立点云集中的杆状地物点云集;
杆状地物提取模块,用于对所述杆状地物点云集进行直线提取,根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点;
绘制模块,用于获取所述提取的直线上的杆状地物点云对应的地理位置数据,将所述杆状地物根据对应的地理位置数据绘制于地图。
8.根据权利要求7所述的装置,其特征在于,所述低空间点包括三维激光点云数据中的地面点和低矮地物点,所述候选点云集获取模块包括:
地平面提取单元,用于获取所述三维激光点云数据中高程小于预设阈值的点云得到方程候选点云集,根据所述方程候选点云集进行平面提取得到地平面方程a*x+b*y+c*z+d=0,其中c>0;
去除单元,用于获取低矮地物距离地面的高程阈值dThred,去除三维激光点云数据中所有三维坐标(x,y,z)满足a*x+b*y+c*z+d<dThred的点得到候选点云集。
9.根据权利要求7所述的装置,其特征在于,所述分割模块对所述候选点云集进行分割采用基于欧式距离聚类的点云分割算法,所述分割模块包括:
处理单元,用于标记所述候选点云集中的候选点为待聚类状态,新建第一独立点云集合将待聚类状态的候选点加入所述第一独立点云集合,加入所述第一独立点云集合的候选点的状态会修改为已聚类状态;
聚类单元,用于根据已聚类状态的候选点与待聚类状态的候选点之间的距离进行聚类,直到没有新的待聚类状态的候选点加入所述第一独立点云集合,所述第一独立点云集合对应了第一独立地物。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括:
独立点云集去除模块,用于统计独立点云集的点云点个数和/或点云的高程范围,判断所述点云点个数和/或高程范围是否满足预设条件,所述预设条件包括点云点个数标准范围和/或高程标准范围,去除不满足所述预设条件的独立点云集。
11.根据权利要求7所述的装置,其特征在于,所述杆状地物点云集识别模块包括:
分段单元,用于将所述独立点云集在高程空间分段;
投影半径计算单元,用于计算各个分段对应的点云在水平面上的投影半径;
识别单元,用于统计投影半径小于预设半径阈值的杆状特征分段数,计算所述杆状特征分段数占总分段数的比例,如果所述比例小于预设比例,则所述独立点云集识别为非杆状地物点云集,否则识别为杆状地物点云集。
12.根据权利要求7所述的装置,其特征在于,所述杆状地物提取模块还用于判断所述提取的直线与铅锤方向的夹角是否大于预设夹角阈值,如果是,则删除所述杆状地物点云集,否则根据提取的直线上的杆状地物点云的高程获取杆状地物的上下端点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610101054.6A CN105701478B (zh) | 2016-02-24 | 2016-02-24 | 杆状地物提取的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610101054.6A CN105701478B (zh) | 2016-02-24 | 2016-02-24 | 杆状地物提取的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701478A CN105701478A (zh) | 2016-06-22 |
CN105701478B true CN105701478B (zh) | 2019-03-26 |
Family
ID=56222526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610101054.6A Active CN105701478B (zh) | 2016-02-24 | 2016-02-24 | 杆状地物提取的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701478B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918753B (zh) | 2016-10-10 | 2019-02-22 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
CN106599915B (zh) * | 2016-12-08 | 2017-11-28 | 立得空间信息技术股份有限公司 | 一种车载激光点云分类方法 |
CN108345822B (zh) * | 2017-01-22 | 2022-02-01 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法及装置 |
CN107392209B (zh) * | 2017-07-11 | 2020-02-14 | 中国地质大学(武汉) | 一种提取线段的装置及方法 |
CN108280886A (zh) * | 2018-01-25 | 2018-07-13 | 北京小马智行科技有限公司 | 激光点云标注方法、装置及可读存储介质 |
CN108647607A (zh) * | 2018-04-28 | 2018-10-12 | 国网湖南省电力有限公司 | 用于输变电工程的地物识别方法 |
CN108717540B (zh) * | 2018-08-03 | 2024-02-06 | 浙江梧斯源通信科技股份有限公司 | 基于2d激光雷达区分行人和车辆的方法及装置 |
CN110148144B (zh) * | 2018-08-27 | 2024-02-13 | 腾讯大地通途(北京)科技有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
CN109270544A (zh) * | 2018-09-20 | 2019-01-25 | 同济大学 | 基于杆状物识别的移动机器人自定位系统 |
CN109614857B (zh) * | 2018-10-31 | 2020-09-29 | 百度在线网络技术(北京)有限公司 | 基于点云的杆状物识别方法、装置、设备及存储介质 |
CN111695379B (zh) * | 2019-03-13 | 2023-09-26 | 长沙智能驾驶研究院有限公司 | 基于立体视觉的地面分割方法、装置、车载设备及存储介质 |
CN109993700B (zh) * | 2019-04-03 | 2023-07-04 | 百度在线网络技术(北京)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN110120075B (zh) * | 2019-05-17 | 2021-09-07 | 百度在线网络技术(北京)有限公司 | 用于处理信息的方法和装置 |
CN110782472B (zh) * | 2019-09-05 | 2022-06-07 | 腾讯科技(深圳)有限公司 | 点云地面点的识别方法及装置 |
CN110738183B (zh) * | 2019-10-21 | 2022-12-06 | 阿波罗智能技术(北京)有限公司 | 路侧相机障碍物检测方法及装置 |
CN113009452B (zh) * | 2019-12-20 | 2024-03-19 | 广东科诺勘测工程有限公司 | 一种激光点云电力杆塔提取方法 |
CN111179428B (zh) * | 2019-12-31 | 2022-04-15 | 武汉中海庭数据技术有限公司 | 一种基于锁定平面的地物制作方法和装置 |
CN111291662B (zh) * | 2020-01-21 | 2022-06-07 | 武汉大学 | 一种基于平面选择的车载点云杆状物提取方法 |
CN111310663A (zh) * | 2020-02-17 | 2020-06-19 | 北京三快在线科技有限公司 | 道路栅栏检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
CN104751451A (zh) * | 2015-03-05 | 2015-07-01 | 同济大学 | 基于无人机低空高分辨率影像的密集点云提取方法 |
CN104992467A (zh) * | 2015-07-20 | 2015-10-21 | 四川隧唐科技股份有限公司 | 无人机辅助车载道路采集三维建模系统及其实现方法 |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8442297B2 (en) * | 2010-02-23 | 2013-05-14 | Arinc Incorporated | Methods of evaluating the quality of two-dimensional matrix dot-peened marks on objects and mark verification systems |
US9275267B2 (en) * | 2012-10-23 | 2016-03-01 | Raytheon Company | System and method for automatic registration of 3D data with electro-optical imagery via photogrammetric bundle adjustment |
-
2016
- 2016-02-24 CN CN201610101054.6A patent/CN105701478B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
CN104751451A (zh) * | 2015-03-05 | 2015-07-01 | 同济大学 | 基于无人机低空高分辨率影像的密集点云提取方法 |
CN104992467A (zh) * | 2015-07-20 | 2015-10-21 | 四川隧唐科技股份有限公司 | 无人机辅助车载道路采集三维建模系统及其实现方法 |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105701478A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701478B (zh) | 杆状地物提取的方法和装置 | |
KR102145109B1 (ko) | 지도 생성 및 운동 객체 위치 결정 방법 및 장치 | |
CN109949326B (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
WO2021097618A1 (zh) | 点云分割方法、系统及计算机存储介质 | |
CN110226186B (zh) | 表示地图元素的方法和装置以及定位的方法和装置 | |
CN108763287A (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
CN108267141B (zh) | 道路点云数据处理系统 | |
US20100020074A1 (en) | Method and apparatus for detecting objects from terrestrial based mobile mapping data | |
CN110163871B (zh) | 一种多线激光雷达的地面分割方法及装置 | |
CN107133966B (zh) | 一种基于采样一致性算法的三维声纳图像背景分割方法 | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及系统 | |
US11295130B2 (en) | Aerial line extraction system and aerial line extraction method | |
CN110795978B (zh) | 路面点云数据提取方法、装置、存储介质及电子设备 | |
CN114179788A (zh) | 自动泊车方法、系统、计算机可读存储介质及车机端 | |
CN114612616A (zh) | 建图方法、装置、电子设备和存储介质 | |
CN114488094A (zh) | 一种车载多线激光雷达与imu外参数自动标定方法及装置 | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 | |
CN117315049B (zh) | 三维全貌测量的比例尺标定方法、系统及装置 | |
CN112749584A (zh) | 一种基于图像检测的车辆定位方法及车载终端 | |
CN116503821B (zh) | 基于点云数据和图像识别的道路标识识别方法及系统 | |
CN114419573A (zh) | 动态占据栅格估计方法及装置 | |
CN116628531A (zh) | 众包地图道路对象要素聚类方法、系统及存储介质 | |
CN113269827B (zh) | 一种实现自动化标定的方法和计算装置 | |
CN109598793B (zh) | 基于倾斜摄影测量快速修改植被和水体的制作方法及装置 | |
CN116246069B (zh) | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230625 Address after: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. Patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd. Address before: 2, 518000, East 403 room, SEG science and Technology Park, Zhenxing Road, Shenzhen, Guangdong, Futian District Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |