CN105911553A - 一种道路可行域确定方法及系统 - Google Patents
一种道路可行域确定方法及系统 Download PDFInfo
- Publication number
- CN105911553A CN105911553A CN201610235547.9A CN201610235547A CN105911553A CN 105911553 A CN105911553 A CN 105911553A CN 201610235547 A CN201610235547 A CN 201610235547A CN 105911553 A CN105911553 A CN 105911553A
- Authority
- CN
- China
- Prior art keywords
- frame data
- judged result
- point
- road
- data point
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
Abstract
本发明公开一种道路可行域确定方法,获取单线激光雷达扫描的单帧数据,单帧数据包括多个单帧数据点,单帧数据点包含激光反射强度和激光返回距离;判断激光反射强度是否大于预设阈值,得到第一判断结果;当第一判断结果表示是时,将数据点划分为障碍物区域;当第一判断结果表示否时,将数据点划分为路面区域;根据激光返回距离,确定路边沿区域。本发明基于道路边沿的跳变特征和激光反射强度值的阈值条件筛选出道路边沿和载体可行域等信息,使得划分的可行域更稳定准确,实现了路沿提取和道路可行域算法的改进,雷达数据信息较少,计算量小,有利于降低成本。
Description
技术领域
本发明属于雷达扫描探测环境感知领域,特别是一种遍历激光雷达反射强度与激光返回距离的可行域划分方法。
背景技术
对道路可行域的识别是无人车驾驶及智能机器人移动等的关键部分,目前,无人车和智能机器人系统中对道路可行域的识别已经做过很多的研究,经研究得知道路可行域的识别方法主要有利用立体视觉的道路可行域的识别、利用激光雷达的道路可行域的识别和利用多传感器融合的道路可行域的识别。
与其它的检测方法相比,利用激光雷达的对道路可行域的识别可以实时的获取精度比较高的周围环境相关信息,使得无人车和智能机器人在周围未知的环境中对障碍物的判断更加有效和可靠。单线激光雷达能够快速精确地获取无人车前方二维水平面上的障碍物及可行域信息,由于单线激光雷达的工作频率高,测量的距离数据精度高,而且成本低,因此目前无人车和智能机器人研究中对未知环境中的可行域的识别大多采用激光雷达检测技术。
近几年来,很多人已经对使用激光雷达对可行域的识别方面做了很多的相关研究,大多是用测量无人车前方环境中的高度和位置等信息的方法来获得障碍物及可行域的分布信息。比如:南京理工大学的利用64线激光雷达提出了适用于结构化和半结构化道路环境的路面提取算法,该算法是利用模糊聚类来对路面进行提取,对比连续几帧的雷达数据,确定正常路面的参考平面,进一步提取出路面上的障碍物,但这种方法所采用的64线激光雷达价格昂贵,成本过高。万忠涛利用激光雷达的平面模型和扩展的Kalman滤波算法对路面检测算法进行了改进,完成了对单帧雷达数据的分类,但此分类无法很好的区分路边障碍物与路边。
发明内容
本发明针对上述不足,将多帧的单线激光雷达数据进行融合,从而区分出道路可行域、障碍物及道路边沿等信息。
为实现上述目的,本发明提供了一种道路可行域确定方法,具体如下:
获取单线激光雷达扫描的单帧数据,所述单帧数据包括多个单帧数据点,所述单帧数据点包含激光反射强度和激光返回距离;所述激光反射强度为所述单线激光雷达发射至物体后反射回来的光强;所述激光返回距离为所述单线激光雷达到物体的实际距离;
判断所述激光反射强度是否大于预设阈值,得到第一判断结果;
当所述第一判断结果表示是时,将所述数据点划分为障碍物区域;
当所述第一判断结果表示否时,将所述数据点划分为路面区域;
根据所述激光返回距离,确定路边沿区域。
可选的,所述根据所述激光返回距离,确定路边沿区域,具体包括:
确定所述单帧数据点的中点;
判断所述中点左侧的单帧数据点中是否存在距离突变点,得到第二判断结果;所述距离突变点为所述单线激光雷达至单帧数据点的距离变化趋势发生变化的点;
当所述第二判断结果表示是时,识别所述距离突变点的左边的单帧数据点的个数;
判断所述个数是否大于3,得到第三判断结果;
当所述第三判断结果表示是时,确定所述距离变化趋势突变点的位置为左路边沿区域。
可选的,所述根据所述激光返回距离,确定路边沿区域具体包括:
确定所述单帧数据点的中点;
判断所述中点右侧的单帧数据点中是否存在所述单帧数据点至所述单线激光雷达的距离突变点,得到第四判断结果;
当所述第四判断结果表示是时,识别所述距离突变点的右边的单帧数据点的个数;
判断所述个数是否大于3,得到第五判断结果;
当所述第五判断结果表示是时,确定所述距离变化趋势突变点的位置为右路边沿区域。
本申请还包括一种道路可行域确定系统,包括:
获取单元,用于获取单线激光雷达扫描的单帧数据,所述单帧数据包括多个单帧数据点,所述单帧数据点包含激光反射强度和激光返回距离;所述激光反射强度为所述单线激光雷达发射至物体后反射回来的光强;所述激光返回距离为所述单线激光雷达到物体的实际距离;
第一判断单元,用于判断所述激光反射强度是否大于预设阈值,得到第一判断结果;
第一划分单元,用于当所述第一判断结果表示是时,将所述数据点划分为障碍物区域;
第二划分单元,用于当所述第一判断结果表示否时,将所述数据点划分为路面区域;
第一确定单元,用于根据所述激光返回距离,确定路边沿区域。
可选的,所述第一确定单元具体包括:
第二确定单元,用于确定所述单帧数据点的中点;
第二判断单元,用于判断所述中点左侧的单帧数据点中是否存在距离突变点,得到第二判断结果;所述距离突变点为所述单线激光雷达至单帧数据点的距离变化趋势发生变化的点;
第一识别单元,用于当所述第二判断结果表示是时,识别所述距离突变点的左边的单帧数据点的个数;
第三判断单元,用于判断所述个数是否大于3,得到第三判断结果;
左边沿区域确定单元,用于当所述第三判断结果表示是时,确定所述距离变化趋势突变点的位置为左路边沿区域。
可选的,所述第一确定单元具体包括:
第二确定单元,用于确定所述单帧数据点的中点;
第四判断单元,用于判断所述中点右侧的单帧数据点中是否存在所述单帧数据点至所述单线激光雷达的距离突变点,得到第四判断结果;
第二识别单元,用于当所述第四判断结果表示是时,识别所述距离突变点的右边的单帧数据点的个数;
第五判断单元,用于判断所述个数是否大于3,得到第五判断结果;
右边沿区域确定单元,用于当所述第五判断结果表示是时,确定所述距离变化趋势突变点的位置为右路边沿区域。
本发明在原有道路路沿提取的算法中融入了激光反射强度值的阈值条件,激光雷达对道路进行检测时利用激光反射强度值的阈值条件和道路边沿的跳变特征筛选出道沿和载体可行域等信息,使得划分的可行域更稳定准确,实现了道沿提取和道路可行域算法的改进,获得了载体的可行域并在地图中区别出了障碍物的所在区域,为智能机器人环境感知及自主导航提供了保障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明道路可行域确定方法实施例的流程图。
图2为本发明道路可行域确定系统实施例的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种道路可行域确定方法,如图1所述为本申请道路可行域确定方法的流程图,具体如下:
步骤101:获取单线激光雷达扫描的单帧数据,所述单帧数据包括多个单帧数据点,所述单帧数据点包含激光反射强度和激光返回距离;所述激光反射强度为所述单线激光雷达发射至物体后反射回来的光强;,所述激光返回距离为所述单线激光雷达到物体的实际距离;
步骤102:判断所述激光反射强度是否大于预设阈值,得到第一判断结果;
步骤103:当所述第一判断结果表示是时,将所述数据点划分为障碍物区域;
步骤104:当所述第一判断结果表示否时,将所述数据点划分为路面区域;
步骤105:根据所述激光返回距离,确定路边沿区域。
可选的,所述根据所述激光返回距离,确定路边沿区域,具体包括:
确定所述单帧数据点的中点;
判断所述中点左侧的单帧数据点中是否存在距离突变点,得到第二判断结果;所述距离突变点为所述单线激光雷达至单帧数据点的距离变化趋势发生变化的点;
当所述第二判断结果表示是时,识别所述距离突变点的左边的单帧数据点的个数;
判断所述个数是否大于3,得到第三判断结果;
当所述第三判断结果表示是时,确定所述距离变化趋势突变点的位置为左路边沿区域。
可选的,所述根据所述激光返回距离,确定路边沿区域具体包括:
确定所述单帧数据点的中点;
判断所述中点右侧的单帧数据点中是否存在所述单帧数据点至所述单线激光雷达的距离突变点,得到第四判断结果;
当所述第四判断结果表示是时,识别所述距离突变点的右边的单帧数据点的个数;
判断所述个数是否大于3,得到第五判断结果;
当所述第五判断结果表示是时,确定所述距离变化趋势突变点的位置为右路边沿区域。
与现有技术相比,本发明的有益效果是:
(1)本发明基于道路边沿的跳变特征和激光反射强度值的阈值条件筛选出道路边沿和载体可行域等信息,使得划分的可行域更稳定准确,实现了路沿提取和道路可行域算法的改进;
(2)本发明所用的单线激光雷达数据信息较少,计算量也少,利于设备的低成本性;
(3)本发明所能识别判定的区域包含了一般道路上的基本特征。
如图2所示,本申请还公开了一种道路可行域确定系统,具体包括:
获取单元1,用于获取单线激光雷达扫描的单帧数据,所述单帧数据包括多个单帧数据点,所述单帧数据点包含激光反射强度和激光返回距离;所述激光反射强度为所述单线激光雷达发射至物体后反射回来的光强;,所述激光返回距离为所述单线激光雷达到物体的实际距离;
第一判断单元2,用于判断所述激光反射强度是否大于预设阈值,得到第一判断结果;
第一划分单元3,用于当所述第一判断结果表示是时,将所述数据点划分为障碍物区域;
第二划分单元4,用于当所述第一判断结果表示否时,将所述数据点划分为路面区域;
第一确定单元5,用于根据所述激光返回距离,确定路边沿区域。
可选的,所述第一确定单元5具体包括:
第二确定单元,用于确定所述单帧数据点的中点;
第二判断单元,用于判断所述中点左侧的单帧数据点中是否存在距离突变点,得到第二判断结果;所述距离突变点为所述单线激光雷达至单帧数据点的距离变化趋势发生变化的点;
第一识别单元,用于当所述第二判断结果表示是时,识别所述距离突变点的左边的单帧数据点的个数;
第三判断单元,用于判断所述个数是否大于3,得到第三判断结果;
左边沿区域确定单元,用于当所述第三判断结果表示是时,确定所述距离变化趋势突变点的位置为左路边沿区域。
可选的,所述第一确定单元5具体包括:
第二确定单元,用于确定所述单帧数据点的中点;
第四判断单元,用于判断所述中点右侧的单帧数据点中是否存在所述单帧数据点至所述单线激光雷达的距离突变点,得到第四判断结果;
第二识别单元,用于当所述第四判断结果表示是时,识别所述距离突变点的右边的单帧数据点的个数;
第五判断单元,用于判断所述个数是否大于3,得到第五判断结果;
右边沿区域确定单元,用于当所述第五判断结果表示是时,确定所述距离变化趋势突变点的位置为右路边沿区域。
上述实施方式中,可以将单线激光雷达安装在车辆上方,所处理的道路路面满足以下几点要求:
(1)道路路面区域基本平坦,道路区域的高度一致性高于道路区域和非道路区域之间的高度一致性;
(2)道路区域和非道路区域之间具有一定的高度落差。即道路边界有人造路沿或者种植的绿色植被等;
(3)道路的边界线为直线或规则的曲线。
通过对道路路面区域、道路边沿区域及障碍物区域反射的激光强度值的统计分析找出一个能区分是否为障碍物的激光反射强度值阈值,再对单帧的361个点进行遍历比较,这些点划分到不同的数据中,扫描的多帧数据经此遍历处理后就能得到障碍物区域与非障碍物区域。
由于道路的边界点处会有一定的高度跳变,可以根据这个特征区别出道路路面区域和道路路沿区域。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种道路可行域确定方法,其特征在于,包括:
获取单线激光雷达扫描的单帧数据,所述单帧数据包括多个单帧数据点,所述单帧数据点包含激光反射强度和激光返回距离;所述激光反射强度为所述单线激光雷达发射至物体后反射回来的光强;所述激光返回距离为所述单线激光雷达到物体的实际距离;
判断所述激光反射强度是否大于预设阈值,得到第一判断结果;
当所述第一判断结果表示是时,将所述数据点划分为障碍物区域;
当所述第一判断结果表示否时,将所述数据点划分为路面区域;
根据所述激光返回距离,确定路边沿区域。
2.根据权利要求1所述的道路可行域确定方法,其特征在于,所述根据所述激光返回距离,确定路边沿区域,具体包括:
确定所述单帧数据点的中点;
判断所述中点左侧的单帧数据点中是否存在距离突变点,得到第二判断结果;所述距离突变点为所述单线激光雷达至单帧数据点的距离变化趋势发生变化的点;
当所述第二判断结果表示是时,识别所述距离突变点的左边的单帧数据点的个数;
判断所述个数是否大于3,得到第三判断结果;
当所述第三判断结果表示是时,确定所述距离变化趋势突变点的位置为左路边沿区域。
3.根据权利要求1所述的道路可行域确定方法,其特征在于,所述根据所述激光返回距离,确定路边沿区域具体包括:
确定所述单帧数据点的中点;
判断所述中点右侧的单帧数据点中是否存在所述单帧数据点至所述单线激光雷达的距离突变点,得到第四判断结果;
当所述第四判断结果表示是时,识别所述距离突变点的右边的单帧数据点的个数;
判断所述个数是否大于3,确得到第五判断结果;
当所述第五判断结果表示是时,确定所述距离变化趋势突变点的位置为右路边沿区域。
4.一种道路可行域确定系统,其特征在于,包括:
获取单元,用于获取单线激光雷达扫描的单帧数据,所述单帧数据包括多个单帧数据点,所述单帧数据点包含激光反射强度和激光返回距离;所述激光反射强度为所述单线激光雷达发射至物体反射回来的光强;所述激光返回距离为所述单线激光雷达到物体的实际距离;
第一判断单元,用于判断所述激光反射强度是否大于预设阈值,得到第一判断结果;
第一划分单元,用于当所述第一判断结果表示是时,将所述数据点划分为障碍物区域;
第二划分单元,用于当所述第一判断结果表示否时,将所述数据点划分为路面区域;
第一确定单元,用于根据所述激光返回距离,确定路边沿区域。
5.根据权利要求4所述的道路可行域确定系统,其特征在于,所述第一确定单元具体包括:
第二确定单元,用于确定所述单帧数据点的中点;
第二判断单元,用于判断所述中点左侧的单帧数据点中是否存在距离突变点,得到第二判断结果;所述距离突变点为所述单线激光雷达至单帧数据点的距离变化趋势发生变化的点;
第一识别单元,用于当所述第二判断结果表示是时,识别所述距离突变点的左边的单帧数据点的个数;
第三判断单元,用于判断所述个数是否大于3,得到第三判断结果;
左边沿区域确定单元,用于当所述第三判断结果表示是时,确定所述距离变化趋势突变点的位置为左路边沿区域。
6.根据权利要求4所述的道路可行域确定系统,其特征在于,所述第一确定单元具体包括:
第二确定单元,用于确定所述单帧数据点的中点;
第四判断单元,用于判断所述中点右侧的单帧数据点中是否存在所述单帧数据点至所述单线激光雷达的距离突变点,得到第四判断结果;
第二识别单元,用于当所述第四判断结果表示是时,识别所述距离突变点的右边的单帧数据点的个数;
第五判断单元,用于判断所述个数是否大于3,得到第五判断结果;
右边沿区域确定单元,用于当所述第五判断结果表示是时,确定所述距离变化趋势突变点的位置为右路边沿区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610235547.9A CN105911553B (zh) | 2016-04-15 | 2016-04-15 | 一种道路可行域确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610235547.9A CN105911553B (zh) | 2016-04-15 | 2016-04-15 | 一种道路可行域确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105911553A true CN105911553A (zh) | 2016-08-31 |
CN105911553B CN105911553B (zh) | 2019-01-01 |
Family
ID=56747010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610235547.9A Active CN105911553B (zh) | 2016-04-15 | 2016-04-15 | 一种道路可行域确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105911553B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018218680A1 (zh) * | 2017-06-02 | 2018-12-06 | 华为技术有限公司 | 一种障碍物检测方法及设备 |
CN109870705A (zh) * | 2017-12-01 | 2019-06-11 | 武汉万集信息技术有限公司 | 基于激光雷达的边界目标标识方法及装置 |
WO2020198973A1 (zh) * | 2019-03-29 | 2020-10-08 | 深圳市大疆创新科技有限公司 | 微波雷达检测栅栏附近静止物体的方法和毫米波雷达 |
CN112837333A (zh) * | 2021-02-04 | 2021-05-25 | 南京抒微智能科技有限公司 | 一种室外无人清扫车贴边清洁方法及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430382A (zh) * | 2007-11-07 | 2009-05-13 | 欧姆龙株式会社 | 车载用雷达装置 |
CN103809163A (zh) * | 2014-01-13 | 2014-05-21 | 中国电子科技集团公司第二十八研究所 | 一种基于局部极大值的车辆雷达目标检测方法 |
US20150098076A1 (en) * | 2013-10-08 | 2015-04-09 | Hyundai Motor Company | Apparatus and method for recognizing vehicle |
CN104656101A (zh) * | 2015-01-30 | 2015-05-27 | 福州华鹰重工机械有限公司 | 一种障碍物检测方法 |
CN104931977A (zh) * | 2015-06-11 | 2015-09-23 | 同济大学 | 一种用于智能车辆的障碍物识别方法 |
CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及系统 |
-
2016
- 2016-04-15 CN CN201610235547.9A patent/CN105911553B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430382A (zh) * | 2007-11-07 | 2009-05-13 | 欧姆龙株式会社 | 车载用雷达装置 |
US20150098076A1 (en) * | 2013-10-08 | 2015-04-09 | Hyundai Motor Company | Apparatus and method for recognizing vehicle |
CN103809163A (zh) * | 2014-01-13 | 2014-05-21 | 中国电子科技集团公司第二十八研究所 | 一种基于局部极大值的车辆雷达目标检测方法 |
CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
CN104656101A (zh) * | 2015-01-30 | 2015-05-27 | 福州华鹰重工机械有限公司 | 一种障碍物检测方法 |
CN104931977A (zh) * | 2015-06-11 | 2015-09-23 | 同济大学 | 一种用于智能车辆的障碍物识别方法 |
CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018218680A1 (zh) * | 2017-06-02 | 2018-12-06 | 华为技术有限公司 | 一种障碍物检测方法及设备 |
CN109870705A (zh) * | 2017-12-01 | 2019-06-11 | 武汉万集信息技术有限公司 | 基于激光雷达的边界目标标识方法及装置 |
WO2020198973A1 (zh) * | 2019-03-29 | 2020-10-08 | 深圳市大疆创新科技有限公司 | 微波雷达检测栅栏附近静止物体的方法和毫米波雷达 |
CN112837333A (zh) * | 2021-02-04 | 2021-05-25 | 南京抒微智能科技有限公司 | 一种室外无人清扫车贴边清洁方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105911553B (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9401028B2 (en) | Method and system for video-based road characterization, lane detection and departure prevention | |
Yang et al. | 3D local feature BKD to extract road information from mobile laser scanning point clouds | |
US9607402B1 (en) | Calibration of pedestrian speed with detection zone for traffic intersection control | |
Van Den Eeckhaut et al. | Object-oriented identification of forested landslides with derivatives of single pulse LiDAR data | |
Nashashibi et al. | Laser-based vehicles tracking and classification using occlusion reasoning and confidence estimation | |
CN109017780A (zh) | 一种车辆智能驾驶控制方法 | |
CN103383733A (zh) | 一种基于半机器学习的车道视频检测方法 | |
US9449506B1 (en) | Pedestrian counting and detection at a traffic intersection based on location of vehicle zones | |
CN110068818A (zh) | 通过雷达和图像采集设备进行交通路口车辆及行人检测的工作方法 | |
CN106842231A (zh) | 一种道路边界检测及跟踪方法 | |
CN105911553A (zh) | 一种道路可行域确定方法及系统 | |
CN113345237A (zh) | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质 | |
CN108458746A (zh) | 一种基于多类型传感器自适应融合方法 | |
Li | Optimising detection of road furniture (pole-like objects) in mobile laser scanning data | |
Janda et al. | Road boundary detection for run-off road prevention based on the fusion of video and radar | |
Che et al. | Efficient segment-based ground filtering and adaptive road detection from mobile light detection and ranging (LiDAR) data | |
CN103996039A (zh) | 联合灰度阈值分割及轮廓形态识别的sar图像河道提取方法 | |
Fang et al. | Extraction 3D road boundaries from mobile laser scanning point clouds | |
Wang et al. | Road boundary, curb and surface extraction from 3D mobile LiDAR point clouds in urban environment | |
CN103337220A (zh) | 摄影数据提供系统 | |
CN115769286A (zh) | 图像处理装置 | |
CN114910881A (zh) | 一种负障碍物检测方法及其装置、车辆 | |
Zhang et al. | Urban vehicle extraction from aerial laser scanning point cloud data | |
US20210339765A1 (en) | In-vehicle control device | |
Grote | Automatic road network extraction in suburban areas from aerial images |
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 |