CN107679458B - 一种基于K-Means的道路彩色激光点云中道路标线的提取方法 - Google Patents
一种基于K-Means的道路彩色激光点云中道路标线的提取方法 Download PDFInfo
- Publication number
- CN107679458B CN107679458B CN201710802428.1A CN201710802428A CN107679458B CN 107679458 B CN107679458 B CN 107679458B CN 201710802428 A CN201710802428 A CN 201710802428A CN 107679458 B CN107679458 B CN 107679458B
- Authority
- CN
- China
- Prior art keywords
- road
- point
- point cloud
- elevation
- color laser
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于K‑Means的道路彩色激光点云中道路标线的提取方法,该方法如下:将输入的道路相关的彩色激光点云数据,提取出X、Y、Z、R、G、B六个属性值,进行数据清洗,在XYZ坐标空间进行三维和二维邻域搜索,按照平均高程差筛选出道路点云,按照其RGB色彩空间进行归一化处理,以其R、G、B三个特征值作为三个空间维度,运用K‑Means聚类算法,对道路彩色激光点云数据进行分类,得到道路的道路标线点。本发明提出在道路彩色激光点云的RGB色彩空间进行K‑Means聚类,自动提取出精准的道路标线点,具有较高的覆盖率。
Description
技术领域
本发明涉及车载激光点云数据处理,尤其涉及一种基于K-Means的道路彩色激光点云中道路标线的提取方法。
背景技术
在道路安全评价及仿真领域,车载激光点云测量系统已经得到了广泛的应用。基于360°全景照片制作的实景场景,使得道路环境可视化更加真实,而道路彩色激光点云数据的匹配融合,则造就了道路可视化环境的可量测。在这其中,道路中标线的提取有助于在可量测的360°实景中进行贴图、分析以及安全评价。然而,目前的点云数据格式不一,大多数需要依赖昂贵的测量设备,从设备的设计上着手设计足够多的获取参数,这增加了问题的复杂度。快速有效的从点云的常规数据中提取出道路标线数据,成为当下亟待解决的问题。
目前针对道路标线的提取大致可以分为两类:一类是以点云的反射强度信息为基础,辅助设计一些其他方法结合起来进行提取。例如文献1(参见:李明辉,田雪冬,胡维强.基于车载三维激光扫描的道路线提取研究[J])中提出了利用点云数据空间分布特征和反射强度信息,结合道路标线的几何特征,对道路标识进行提取,但是该方法对点云连续性要求比较高,需要手动设置一些经验参数,相对复杂。
第二类是以多阈值的条件约束方法,对道路标线进行提取。例如文献2(参见:Yongtao Yu,Jonathan Li.Learning hierarchical features for automatedextraction of road markings from 3-D mobile LiDAR point clouds[J])中提出了一种基于约束、多阈值和空间密度过滤的方法,对道路标线进行提取。这种方法一次性提取的道路线会有很多杂点,需要设置空间密度阈值进滤波。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于K-Means的道路彩色激光点云中道路标线的提取方法,该方法简单实效,抗干扰性强,能有效提高提取的精度。
本发明解决其技术问题所采用的技术方案是:一种基于K-Means的道路彩色激光点云中道路标线的提取方法,包括以下步骤:
1)采集道路大场景彩色激光点云数据,对采集的道路大场景彩色激光点云数据进行属性选取,选取其中的基本属性值X(对应纬度)、Y(对应经度)、Z(对应高程)、R、G、B,并进行数据清洗;
2)对清洗后的彩色激光点云数据,在三维空间对每个点的领域进行搜索,进行高程差过滤,得到点的领域内高程变化较低的点,然后将点投影到XOY平面,在二维平面对每个点进行领域搜索,得到点的二维领域内高程差变化较低的点(变化小于设定值的点),即得到了路面彩色点云;
3)对路面彩色点云数据的R、G、B三个属性值分别归一化处理;
4)以R、G、B三个属性值为三个空间维度,运用K-Means算法对点云进行聚类,得到道路标线点。
按上述方案,所述步骤1)中数据清洗为删除缺少任一一个属性值的点数据。
按上述方案,所述步骤2)中,首先建立点云数据的K-D树三维检索数据结构,加快搜索速度,在三维空间针对点进行K个近邻进行搜索,计算每个邻近点和主点之间的高程差,然后取平均值,计算公式如下:
其中,K为近邻的个数,Z为主点的高程值,Zi为第i个近邻的高程值,difZ为高程差的平均值;
在上述中取出difZ<σ(σ为一个设定系数值,根据道路的平整度来设定)的点之后,将这些点投影到XOY平面,在平面中再找每个点的K个近邻,计算每个邻近点和主点之间的高程差,然后取平均值,计算公式如下:
其中,K为在投影平面XOY内近邻的个数,Z为主点所对应的投影之前的高程值,Zi为第i个近邻投影之前的高程值,difZ为高程差的平均值,取出difZ′<σ(σ为一个设定系数值,根据道路的平整度来设定)的点得到道路点。
按上述方案,所述步骤4)中对得到的道路彩色点云进行K-Means聚类算法如下:
(1)随机选取k个聚类质心点为ρ1,ρ2,…,ρk∈Rn;
(2)重复下面的过程直到质心ρj的变化差值小于0.000001;其中;
对于每一个样例i,计算其应该属于的类,
对于每一个类j,j为分类的类别,j=C(i),重新计算该类的质心,
其中,C(i)表示某一类别,x(i)={ri,gi,bi,}为某一个道路点云坐标,ρj={rj,gj,bj,}为质心坐标,m为某个类中的点的个数。
本发明产生的有益效果是:
1)与现有技术相比,本发明的具有简单稳定高效的特点,改善了现有技术中初次提取杂点过多的问题;
2)本发明只用到了点云的基本数据,提高了道路标线提取算法的适用性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例的流程图;
图2为三维空间点与8个近邻间高程差均值示意图;
图3为投影到XOY平面中点与8个近邻间高程差均值示意图;
图4为提取出的路面彩色点云数据展示图;
图5为道路彩色点云以RGB为三个维度的空间展示图;
图6为按照实施例流程提取出的道路标线展示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例具体步骤为:
步骤1,对获得的初始道路大场景彩色激光点云数据进行属性选取,只选取其中的基本属性值X(对应纬度)、Y(对应经度)、Z(对应高程)、R、G、B,并进行数据清洗。点云数据的原始属性为纬度、经度、高程,然后通过坐标转换为(X,Y,Z)。
在实施例中,彩色激光点云数据为车载LiDAR系统沿路测量出来的数据,坐标系为大地投影坐标系,选择其中基本的数据X(对应纬度转换过来的值)、Y(对应经度转换过来的值)、Z(对应高程值)、R、G、B,对数据中存在的一些任何缺少任一一个属性值的点进行删除操作(可以很容易的在编程中处理)。
步骤2,针对步骤1处理后的彩色点云数据,在三维空间对每个点的领域进行搜索,进行高程差过滤,得到点的领域内高程变化较低的点,然后将点投影到XOY平面,在二维平面对每个点进行领域搜索,得到点的二维领域内高程差变化较低的点,即得到了路面彩色点云。
实施例中,为了方便直观展示,利用OpenGL编写了一个3D展示软件(也可以不需要),同时为了提高对点进行邻域搜索的速度,对点云数据进行K-D树三维检索数据结构的建立,在三维空间利用K-D树快速对每个点进行K个近邻的搜索,实施例中K取值为8个,如图2所示,取点P0的8个近邻{P1,P2,P3,P4,P5,P6,P7,P8},然后计算每个近邻点到P0的高程差,如下:
difZi=|zi-z0|
然后取平均值,公式为:
依次求出每个点的difZ,根据道路平整度,设定一个阈值σ,本实施例取0.02,取出difZ<σ的点,之后将取出来的点投影到XOY平面,如图3所示,在平面XOY中找出点P0的K个近邻点,本实施例中K取值8,即{P1′,P2′,P3′,P4′,P5′,P6′,P7′,P8′},利用每个近邻点在三维空间的高程值,与P0点在三维空间的高程差做差值,如下:
difZi′=|zi′-z0′|
然后取平均值,公式为:
同样,依次求出每个点的difZ′,根据道路平整度,设定一个阈值τ,本实施例取0.02,取出difZ′<τ的点,即得到了道路路面点,如图4所示。
步骤3,将步骤2中得到的道路彩色激光点云数据的R、G、B三个属性值分别归一化处理。
由于实际数据可能不在0~255之间,需要对RGB值进行归一化处理,实施例中采用的归一化公式如下:
其中,{R0,G0,B0}为实际的点云的RGB值,{Rmin,Gmin,Bmin}为所有点中最小的RGB值,{Rmax,Gmax,Bmax}为所有点中最大的RGB值,{R′,G′,B′}为归一化之后在最终值。
步骤4,以R、G、B三个属性值为三个空间维度,如图5所示,运用K-Means算法对点云进行聚类,得到道路标线点。
实施例中,对得到的道路彩色点云进行K-Means聚类算法如下:
(1)随机选取k个聚类质心点为ρ1,ρ1,…,ρk∈Rn,实施例中k取值为2;
(2)重复下面的过程直到质心ρj的变化差值小于0.000001
对于每一个样例i,计算其应该属于的类
对于每一个类j,重新计算该类的质心,并更新
其中,C(i)表示某一类别,x(i)={ri,gi,bi,}为某一个道路点云坐标,ρj={rj,gj,bj,}为质心坐标,m为某个类中的点的个数。
实施例采用的道路彩色点云数据,按照以上实施步骤得到道路标线,本发明在实际生产数据上表现良好,能够精确的提取出道路标线,如图6所示。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (3)
1.一种基于K-Means的道路彩色激光点云中道路标线的提取方法,包括以下步骤:
1)采集道路大场景彩色激光点云数据,对采集的道路大场景彩色激光点云数据进行属性选取,选取其中的基本属性值纬度对应值X、经度对应值Y、高程对应值Z、R、G、B,并进行数据清洗;
2)对清洗后的彩色激光点云数据,在三维空间对每个点的领域进行搜索,进行高程差过滤,得到点的领域内高程变化较低的点,然后将点投影到XOY平面,在二维平面对每个点进行领域搜索,得到点的二维领域内高程差变化较低的点,即得到了路面彩色点云;
3)对路面彩色点云数据的R、G、B三个属性值分别进行归一化处理;
4)以R、G、B三个属性值为三个空间维度,运用K-Means聚类算法对点云进行聚类,得到道路标线点;
所述步骤4)中对得到的道路彩色点云进行K-Means聚类算法如下:
(1)随机选取k个聚类质心点为ρ1,ρ2,…,ρk∈Rn;
(2)重复下面的过程直到质心ρj的变化差值小于0.000001;
对于每一个样例i,计算其应该属于的类
对于每一个类j,重新计算该类的质心
其中,C(i)表示某一类别,x(i)={ri,gi,bi}为某一个道路点云坐标,pj={rj,gj,bj}为质心坐标,m为某个类中的点的个数。
2.根据权利要求1所述的道路彩色激光点云中道路标线的提取方法,其特征在于,所述步骤1)中数据清洗为删除缺少任意一个属性值的点数据。
3.根据权利要求1所述的道路彩色激光点云中道路标线的提取方法,其特征在于,所述步骤2)中,首先建立点云数据的K-D树三维检索数据结构,加快搜索速度,在三维空间针对点进行K个近邻进行搜索,计算每个邻近点和主点之间的高程差,然后取平均值,计算公式如下:
其中,K为近邻的个数,Z0为主点的高程值,Zi为第i个近邻的高程值,difZ为高程差的平均值;
取出difZ<σ的点之后,将这些点投影到XOY平面,在平面中再找每个点的K'个近邻,计算每个邻近点和主点之间的高程差,然后取平均值,其中,σ为设定系数值,根据道路的平整度设定;
计算公式如下:
其中,K'为在投影平面XOY内近邻的个数,z′0为投影平面XOY内主点所对应的投影之前的高程值,z′i为第i个近邻投影之前的高程值,,difZ'为投影平面XOY内K'个邻近点和主点之间的高程差的平均值,取出difZ′<σ的点得到道路点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710802428.1A CN107679458B (zh) | 2017-09-07 | 2017-09-07 | 一种基于K-Means的道路彩色激光点云中道路标线的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710802428.1A CN107679458B (zh) | 2017-09-07 | 2017-09-07 | 一种基于K-Means的道路彩色激光点云中道路标线的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679458A CN107679458A (zh) | 2018-02-09 |
CN107679458B true CN107679458B (zh) | 2020-09-29 |
Family
ID=61135187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710802428.1A Expired - Fee Related CN107679458B (zh) | 2017-09-07 | 2017-09-07 | 一种基于K-Means的道路彩色激光点云中道路标线的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679458B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109254301A (zh) * | 2018-09-14 | 2019-01-22 | 杭州巨星科技股份有限公司 | 激光测距仪专用模组 |
CN112070054B (zh) * | 2020-09-17 | 2022-07-29 | 福州大学 | 基于图结构与注意力机制的车载激光点云标线分类方法 |
CN112294197A (zh) * | 2020-11-04 | 2021-02-02 | 深圳市普森斯科技有限公司 | 扫地机的清扫控制方法、电子装置及存储介质 |
CN112435336B (zh) * | 2020-11-13 | 2022-04-19 | 武汉中海庭数据技术有限公司 | 一种弯道类型识别方法、装置、电子设备及存储介质 |
CN112633092B (zh) * | 2020-12-09 | 2022-06-14 | 西南交通大学 | 基于车载激光扫描点云的道路信息提取方法 |
CN116188334B (zh) * | 2023-05-04 | 2023-07-18 | 四川省公路规划勘察设计研究院有限公司 | 一种车道线点云自动修补方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104197897A (zh) * | 2014-04-25 | 2014-12-10 | 厦门大学 | 一种基于车载激光扫描点云的城区道路标线自动分类方法 |
CN104281746A (zh) * | 2014-09-28 | 2015-01-14 | 同济大学 | 一种基于点云的交通安全道路特征图成图方法 |
WO2016068869A1 (en) * | 2014-10-28 | 2016-05-06 | Hewlett-Packard Development Company, L.P. | Three dimensional object recognition |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN106525000A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 |
-
2017
- 2017-09-07 CN CN201710802428.1A patent/CN107679458B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104197897A (zh) * | 2014-04-25 | 2014-12-10 | 厦门大学 | 一种基于车载激光扫描点云的城区道路标线自动分类方法 |
CN104281746A (zh) * | 2014-09-28 | 2015-01-14 | 同济大学 | 一种基于点云的交通安全道路特征图成图方法 |
WO2016068869A1 (en) * | 2014-10-28 | 2016-05-06 | Hewlett-Packard Development Company, L.P. | Three dimensional object recognition |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN106525000A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 |
Non-Patent Citations (1)
Title |
---|
车载激光彩色点云的道路标志线提取方法;高阳等;《测绘通报》;20160425(第4期);第28-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107679458A (zh) | 2018-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679458B (zh) | 一种基于K-Means的道路彩色激光点云中道路标线的提取方法 | |
CN110148196B (zh) | 一种图像处理方法、装置以及相关设备 | |
CN110570428B (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 | |
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN111815776A (zh) | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 | |
US8503761B2 (en) | Geospatial modeling system for classifying building and vegetation in a DSM and related methods | |
US9576373B2 (en) | Geospatial imaging system providing segmentation and classification features and related methods | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN109461207A (zh) | 一种点云数据建筑物单体化方法及装置 | |
EP4086846A1 (en) | Automatic detection of a calibration standard in unstructured lidar point clouds | |
Dai et al. | Building segmentation and outline extraction from UAV image-derived point clouds by a line growing algorithm | |
CN113298035A (zh) | 基于图像识别的无人机电力杆塔检测及自主巡航方法 | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
WO2023060632A1 (zh) | 基于点云数据的街景地物多维度提取方法和系统 | |
CN114782729A (zh) | 一种基于激光雷达与视觉融合的实时目标检测方法 | |
CN108765446B (zh) | 基于随机场和随机森林的电力线点云分割方法及系统 | |
CN112434706A (zh) | 一种基于图像点云融合的高精度交通要素目标提取方法 | |
CN113281782A (zh) | 一种基于无人驾驶车的激光雷达雪点滤除方法 | |
CN115588047A (zh) | 一种基于场景编码的三维目标检测方法 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
Feng et al. | Automated extraction of building instances from dual-channel airborne LiDAR point clouds | |
CN113487741B (zh) | 稠密三维地图更新方法及装置 | |
CN115880325A (zh) | 基于点云维度和空间距离聚类的建筑物轮廓自动提取方法 | |
Nakagawa et al. | Fusing stereo linear CCD image and laser range data for building 3D urban model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200929 Termination date: 20210907 |
|
CF01 | Termination of patent right due to non-payment of annual fee |