CN108021844A - 一种道路边沿识别方法及装置 - Google Patents
一种道路边沿识别方法及装置 Download PDFInfo
- Publication number
- CN108021844A CN108021844A CN201610930995.0A CN201610930995A CN108021844A CN 108021844 A CN108021844 A CN 108021844A CN 201610930995 A CN201610930995 A CN 201610930995A CN 108021844 A CN108021844 A CN 108021844A
- Authority
- CN
- China
- Prior art keywords
- grid
- road edge
- vehicle
- grid set
- driving trace
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种道路边沿识别方法及装置,道路边沿识别方法包括:截取空间点云中距离地面高度在预设距离范围内的点云作为待处理点云;按照预设网格范围将待处理点云划分成多个网格;以车辆的行驶轨迹为基准,按照由内向外的检测方向对车辆的行驶轨迹左侧或右侧的网格进行检测,将所有被第一个检测到的网格存储至网格集合;将网格集合中位置关系连续的网格分入同一个网格组;选取网格数量最多的网格组,作为道路边沿网格集合。在本申请中,通过以上方式提高识别效率,并降低了人工成本,且改善了道路边沿的实用性。
Description
技术领域
本申请涉及道路边沿识别领域,特别涉及一种道路边沿识别方法及装置。
背景技术
道路边沿识别可以为导航、无人驾驶等技术提供重要的数据支持,因此道路边沿的识别至关重要。
现有的道路边沿识别方法,主要有以下两种:第一种,利用人工识别道路边沿,具体为人工利用肉眼从道路的点云数据中识别出道路边沿,并对道路边沿进行绘制;第二种,利用高度进行识别,具体为:先利用采集车得到道路面的高度,然后基于道路面的高度确定道路外侧的一定高度是道路边沿。但是,第一种方法的缺陷为采用人工识别的方式,效率低且人工成本高;第二种方法的缺陷为识别速度慢,实用性差。
发明内容
为解决上述技术问题,本申请实施例提供一种道路边沿识别方法及装置,以达到提高识别效率,并降低人工成本,且改善道路边沿的实用性的目的,技术方案如下:
一种道路边沿识别方法,包括:
截取空间点云中距离地面高度在预设距离范围内的点云作为待处理点云,所述空间点云为表征车辆所处道路空间中物体的点的集合;
按照预设网格范围将所述待处理点云划分成多个网格;
以所述车辆的行驶轨迹为基准,按照由内向外的检测方向对所述车辆的行驶轨迹左侧或右侧的网格进行检测,将所有被第一个检测到的网格存储至网格集合;
将所述网格集合中位置关系连续的网格分入同一个网格组;
选取网格数量最多的网格组,作为道路边沿网格集合。
优选的,所述方法进一步包括:
利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补。
优选的,所述利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补的过程,包括:
从所述网格集合中除所述道路边沿网格集合之外的网格中,查找待使用网格,所述待使用网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值在预设差值范围内;
将查找到的各个待使用网格添加到所述道路边沿网格集合中。
优选的,所述利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补的过程,包括:
判断所述网格集合中除所述道路边沿网格集合之外的网格中是否存在第一待检测网格,所述第一待检测网格为在所述车辆的行驶轨迹前进方向上与所述道路边沿网格集合中所述车辆沿行驶轨迹前进方向驶入的最后一个网格相邻的网格;
若是,判断第一待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内;
若是,将第一待检测网格添加到所述道路边沿网格集合中。
优选的,所述方法进一步包括:
在所述网格集合中除所述道路边沿网格集合之外的网格中,以所述车辆的行驶轨迹为基准,按照所述由内向外的检测方向检测是否有位于所述第一待检测网格外侧的网格;
若是,将检测到的网格作为第二待检测网格,并判断所述第二待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内;
若是,将所述第二检测网格添加到所述道路边沿网格集合中。
优选的,所述方法进一步包括:
对所述道路边沿网格集合中的待处理点云进行拟合,得到道路边沿曲线。
优选的,所述对所述道路边沿网格集合中的待处理点云进行拟合,得到道路边沿曲线具体包括:
按照预设的道路长度,将所述道路边沿网格集合中划分为多个子道路边沿网格集合,所述子道路边沿网格集合中的网格的位置关系是连续的;
分别对各个所述子道路边沿网格集合中的待处理点云进行拟合,得到各个所述子道路边沿网格集合各自对应的道路边沿直线;
将各个所述子道路边沿网格集合各自对应的道路边沿直线按照所述车辆的行驶轨迹前进方向依次连接,得到所述道路边沿曲线。
一种道路边沿识别装置,包括:
截取模块,用于截取空间点云中距离地面高度在预设距离范围内的点云作为待处理点云,所述空间点云为表征车辆所处道路空间中物体的点的集合;
第一划分模块,用于按照预设网格范围将所述待处理点云划分成多个网格;
检测模块,用于以所述车辆的行驶轨迹为基准,按照由内向外的检测方向对所述车辆的行驶轨迹左侧或右侧的网格进行检测,将所有被第一个检测到的网格存储至网格集合;
第二划分模块,用于将所述网格集合中位置关系连续的网格分入同一个网格组;
选取模块,用于选取网格数量最多的网格组,作为道路边沿网格集合。
优选的,还包括:
数据填补模块,用于利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补。
优选的,所述数据填补模块包括:
查找单元,用于从所述网格集合中除所述道路边沿网格集合之外的网格中,查找待使用网格,所述待使用网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值在预设差值范围内;
第一添加单元,用于将查找到的各个待使用网格添加到所述道路边沿网格集合中。
优选的,所述数据填补模块包括:
第一判断单元,用于判断所述网格集合中除所述道路边沿网格集合之外的网格中是否存在第一待检测网格,若是,执行第二判断单元,所述第一待检测网格为在所述车辆的行驶轨迹前进方向上与所述道路边沿网格集合中所述车辆沿行驶轨迹前进方向驶入的最后一个网格相邻的网格;
所述第二判断单元,用于判断第一待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内,若是,执行第二添加单元;
所述第二添加单元,用于将第一待检测网格添加到所述道路边沿网格集合中。
优选的,所述数据填补模块还包括:
检测单元,用于在所述网格集合中除所述道路边沿网格集合之外的网格中,以所述车辆的行驶轨迹为基准,按照所述由内向外的检测方向检测是否有位于所述第一待检测网格外侧的网格,若是,执行第三判断单元;
所述第三判断单元,用于将检测到的网格作为第二待检测网格,并判断所述第二待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内,若是,执行第三添加单元;
所述第三添加单元,用于将所述第二检测网格添加到所述道路边沿网格集合中。
优选的,所述装置还包括:
拟合模块,用于对所述道路边沿网格集合中的待处理点云进行拟合,得到道路边沿曲线。
优选的,所述拟合模块包括:
划分单元,用于按照预设的道路长度,将所述道路边沿网格集合中划分为多个子道路边沿网格集合,所述子道路边沿网格集合中的网格的位置关系是连续的;
拟合单元,用于分别对各个所述子道路边沿网格集合中的待处理点云进行拟合,得到各个所述子道路边沿网格集合各自对应的道路边沿直线;
连接单元,用于将各个所述子道路边沿网格集合各自对应的道路边沿直线按照所述车辆的行驶轨迹前进方向依次连接,得到所述道路边沿曲线。
与现有技术相比,本申请的有益效果为:
在本申请中,将预设距离范围设定为符合道路边沿高度的范围,通过截取空间点云中距离地面高度为预设距离范围的点云,得到的待处理点云中包含表征道路边沿的点云数据,同时截取空间点云中距离地面高度为预设距离范围的点云的步骤缩减了道路边沿识别的数据量,并在缩减道路边沿识别的数据量的基础上,通过按照预设网格范围将所述待处理点云划分成多个网格,以网格为单位进行道路边沿识别,具体识别过程为从所述车辆的行驶轨迹的起点开始,以所述车辆的行驶轨迹为基准,按照由内向外的检测方向对所述车辆的行驶轨迹左侧或右侧的网格进行检测,将所有被第一个检测到的网格存储至网格集合,因为本申请通过预设距离范围得到了表征道路边沿的点云数据,在此基础上以车辆的行驶轨迹为基准进行检测,第一个检测到的网格极大概率包含了表征道路边沿的点云数据,又由于道路边沿相对道路上的其他物体,长度最长,因此,所述网格组中位置关系连续且网格数量最多的网格组包含的点云数据极大概率能够构成道路边沿,因此将其作为道路边沿网格集合可以完成道路边沿的初步识别。
其中,在缩减道路边沿识别的数据量的基础上,以网格为单位进行道路边沿识别进一步缩减了马路识别的运算量,提高了识别速度,从而提高识别效率,并降低了人工成本,改善了识别方法的实用性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,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是本申请提供的道路边沿识别方法的一种流程图;
图2是本申请提供的道路边沿识别方法的一种举例示意图;
图3是本申请提供的道路边沿识别方法执行过程中的一种举例示意图;
图4是本申请提供的道路边沿识别方法执行过程中的一种举例示意图;
图5是本申请提供的道路边沿识别方法执行过程中的一种举例示意图;
图6是本申请提供的道路边沿识别方法的另一种流程图;
图7是本申请提供的道路边沿识别方法的一种子流程图;
图8是本申请提供的道路边沿识别方法执行过程中的一种举例示意图;
图9是本申请提供的道路边沿识别方法的另一种子流程图;
图10是本申请提供的道路边沿识别方法的再一种子流程图;
图11是本申请提供的道路边沿识别方法的再一种子流程图;
图12是本申请提供的马路识别装置的一种逻辑结构示意图;
图13是本申请提供的马路识别装置的另一种逻辑结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
实施例一
请参见图1,其示出了本申请提供的道路边沿识别方法的一种流程图,可以包括以下步骤:
步骤S101:截取空间点云中距离地面高度为预设距离范围的点云作为待处理点云,所述空间点云为表征车辆所处道路空间中物体的点的集合。
在本实施例中,空间点云由车辆上的车载设备即采集车扫描车辆所处道路空间中的物体得到。
其中,由于车辆所处道路空间中物体包括:道路、道路边沿(如马路护栏、马路隔离带、马路牙子等)、汽车、路杆和障碍物(如桥墩)等,因此空间点云包括表征道路的点的集合、表征道路边沿的点的集合、表征汽车的点的集合、表征路杆的点的集合和表征障碍物的点的集合等,如图2所示,需要说明的是,图2示出的仅为空间点云的轮廓范围,空间点云的所有点并未示出。
而在本实施例中,除了道路边沿之外的点均视为噪点(如表征道路的点、表征汽车的点灯),为了使道路边沿识别更加准确以及减少识别的数据量,首先需要去除空间点云中的噪点,且由于道路边沿的高度一般高出地面一段距离,因此通过截取空间点云中距离地面高度为预设距离范围的点云,来去除空间点云中的噪点,得到待处理点云。当然,由于空间点云中某些物体的与道路边沿的高度相近,因此待处理点云除了包括表征道路边沿的点,可能还包括表征其他物体(如障碍物或车辆)的点。
在对图2示出的空间点云进行去噪点处理之后,得到的一种待处理点云请参见图3,如图3所示,由于某些障碍物的高度与道路边沿的高度相近,在去除噪点过程中,可能仅去除了与道路边沿有明显区别的点(即路杆),因此最后得到的待处理点云包括表征道路边沿的点的集合和表征障碍物的点的集合。
步骤S102:按照预设网格范围将所述待处理点云划分成多个网格。
在本实施例中,由于在去除空间点云中的噪点之后,待处理点云所包括的点的数据量仍然很大,因此为了进一步降低运算量,按照预设网格范围将所述待处理点云划分成多个网格,从而以网格为单位进行后续的运算。
在本实施例中,按照预设网格范围将所述待处理点云划分成多个网格后,得到的网格的个数和预设网格范围的大小有关系,其中,预设网格范围的大小保证将待处理点云至少划分成两个网格。
其中,每个网格均有网格索引位置即网格序号。
需要说明的是,为了保证网格能够涵盖待处理点云的所有点,预设网格范围需要大于待处理点云的点所表征的物体本身所占空间范围。按照预设网格范围将所述待处理点云划分成多个网格之后,网格的宽度大于道路边沿本身的宽度。
在本实施例中,上述预设距离范围可以但不局限于为0.1米-0.4米。
上述预设网格范围可以但不局限于为与边长为0.1米的正方形的面积大小相同的范围。
其中,上述预设距离范围和上述预设网格范围均可以由人为进行调整。
以图3示出的待处理点云为例,按照预设网格范围将所述待处理点云划分成多个网格,各个网格的示意图请参见图4,如图4所示,道路边沿周围的框和障碍物周围的框即网格。
步骤S103:以所述车辆的行驶轨迹为基准,按照由内向外的检测方向对所述车辆的行驶轨迹左侧或右侧的网格进行检测,将所有被第一个检测到的网格存储至网格集合。
其中,所述车辆的行驶轨迹是在采集空间点云的过程中产生的,其由所述车辆上的GPS装置自动生成。
由于以所述车辆的行驶轨迹为基准,所述车辆的行驶轨迹外侧大部分情况下是没有其他车辆经过的,因此大部分情况下道路边沿所处的网格为距离车辆最近的网格,从而以所述车辆的行驶轨迹为基准,按照由内向外的检测方向对所述车辆的行驶轨迹外侧的网格进行检测,大部分被第一个检测到的网格为道路边沿所处的网格。但是,采集车在扫描道路边沿时,可能由于某些原因导致采集到的道路边沿的点并不是连续的,这种情况下,被第一个检测到的网格也可能不是道路边沿所处的网格,而是其他物体(如障碍物)所处的网格,如图4所示,障碍物所处的网格也将被视为道路边沿所处的网格。
步骤S104:将所述网格集合中位置关系连续的网格分入同一个网格组。
由于所述网格集合中有些网格的位置关系连续,且位置关系连续的网格为道路边沿所处的网格的可能性较大,因此将所述网格集合中位置关系连续的网格分入同一个网格组。
在本实施例中,位置关系连续的网格具体指网格索引位置相邻地理位置与所述车辆的行驶轨迹的角度差为零或接近于零的网格。
步骤S105:选取网格数量最多的网格组,作为道路边沿网格集合。
由于道路边沿是连续的,相比于其他物体(如障碍物)的长度,道路边沿的长度是最长的,等同于道路边沿的网格数量是最多的,因此选取网格数量最多的网格组,作为道路边沿网格集合,实现道路边沿的识别。
以图4示出的道路边沿示意图为基础,道路边沿网格集合的示意图请参见图5。
在本申请中,道路边沿识别方法主要应用在高速道路中,当然也不可以应用在除高速道路之外的道路中。
在本申请中,将预设距离范围设定为符合道路边沿高度的范围,通过截取空间点云中距离地面高度为预设距离范围的点云,得到的待处理点云中包含表征道路边沿的点云数据,同时截取空间点云中距离地面高度为预设距离范围的点云的步骤缩减了道路边沿识别的数据量,并在缩减道路边沿识别的数据量的基础上,通过按照预设网格范围将所述待处理点云划分成多个网格,以网格为单位进行道路边沿识别,具体识别过程为从所述车辆的行驶轨迹的起点开始,以所述车辆的行驶轨迹为基准,按照由内向外的检测方向对所述车辆的行驶轨迹左侧或右侧的网格进行检测,将所有被第一个检测到的网格存储至网格集合,因为本申请通过预设距离范围得到了表征道路边沿的点云数据,在此基础上以车辆的行驶轨迹为基准进行检测,第一个检测到的网格极大概率包含了表征道路边沿的点云数据,又由于道路边沿相对道路上的其他物体,长度最长,因此,所述网格组中位置关系连续且网格数量最多的网格组包含的点云数据极大概率能够构成道路边沿,因此将其作为道路边沿网格集合可以完成道路边沿的初步识别。
其中,在缩减道路边沿识别的数据量的基础上,以网格为单位进行道路边沿识别进一步缩减了马路识别的运算量,提高了识别速度,从而提高识别效率,并降低了人工成本,改善了识别方法的实用性。
实施例二
在本实施例中,在图1示出的道路边沿识别方法的基础上扩展出另外一种道路边沿识别方法,请参见图6,在图1示出的道路边沿识别方法的步骤S105之后,还可以包括以下步骤:
步骤S106:利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补。
图1示出的道路识别方法中步骤S101至步骤S105所得到的道路边沿网格集合较不完整,需要继续利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿集合进行数据填补,得到完整的道路边沿网格集合。
利用所述网格集合中除所述道路边沿集合之外的网格和所述道路边沿集合与所述车辆的行驶轨迹的角度差,对所述道路边沿集合进行数据填补,得到完整的道路边沿曲线,从而完成对道路边沿集合的延伸,得到完整的道路边沿曲线,改善了道路边沿的实用性。
在本实施例中,利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补的过程可以参见图7,可以包括以下步骤:
步骤S701:从所述网格集合中除所述道路边沿网格集合之外的网格中查找待使用网格,所述待使用网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值在预设差值范围内。
待使用网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值在预设差值范围内,保证待使用网格中的点云数据为道路边沿的部分点云数据,从而保证对道路边沿网格集合进行准确的数据填补。
在本实施例中,预设差值范围具体可以但不局限于为0°~15°。
以图5示出的道路边沿示意图为基础,对从所述网格集合中除所述道路边沿网格集合之外的网格中查找待使用网格,所述待使用网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值在预设差值范围内进行说明,如图8所示,由于障碍物所处的网格中的待处理点云组成的轨迹与车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值明显不在预设差值范围内,而网格1中的待处理点云组成的轨迹与车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值为零或接近于零,在预设差值范围内,因此将网格1作为待使用网格。
步骤S702:将查找到的各个待使用网格添加到所述道路边沿网格集合中。
在本实施例中,利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补的过程也可以参见图9,可以包括以下步骤:
步骤S901:判断所述网格集合中除所述道路边沿网格集合之外的网格中是否存在第一待检测网格,所述第一待检测网格为在所述车辆的行驶轨迹前进方向上与所述道路边沿网格集合中所述车辆沿行驶轨迹前进方向驶入的最后一个网格相邻的网格。
若否,说明所述道路边沿网格集合中的待处理点云组成的轨迹已经延伸到终点,不再需要对所述道路边沿网格集合进行数据填补;若是,说明所述道路边沿网格集合中的待处理点云组成的轨迹有待延伸,则执行步骤S902。
步骤S902:判断第一待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内。
若是,说明第一待检测网格中的点为表征道路边沿的点,则执行步骤S903,若否,说明第一待检测网格中的点不是表征道路边沿的点,不对道路边沿网格集合进行数据填补操作。
步骤S903:将第一待检测网格添加到所述道路边沿网格集合中。
步骤S901至步骤S903示出的是,利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行一次数据填补的过程,但是对所述道路边沿网格集合进行数据填补时,可能会需要进行多次数据填补,多次数据填补的过程即循环执行步骤S901至步骤S903的过程,直至网格集合中除所述道路边沿网格集合之外的网格中不存在任何可以添加到道路边沿网格集合中的网格。需要说明的是,进行多次数据填补过程中,每次数据填补时,步骤S901中的道路边沿网络集合为更新后的道路边沿网格集合(即上一次数据填补将第一待检测网格添加到道路边沿网格集合中后的道路边沿网格集合)。
循环执行步骤S901至步骤903的过程,即不断在在前进方向上检测下一个第一待检测网格,直到检测完所有的网格,完成道路边沿网格集合的数据填补。
在本实施例中,在图9示出的利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补的过程的基础上扩展出另外一种利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补的过程,请参见图10,在执行图9示出的步骤S902,得到第一待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值不在预设差值范围内的结果之后还可以包括以下步骤:
步骤S1001:在所述网格集合中除所述道路边沿网格集合之外的网格中,以所述车辆的行驶轨迹为基准,按照所述由内向外的检测方向检测是否有位于所述第一待检测网格外侧的网格。
在第一待检测网格中的点不是表征道路边沿的点时,说明网格集合中存储的该第一待检测网格虽然是被第一个检测到的网格,但是该第一待检测网格并非是道路边沿对应的网格,因此重新在所述网格集合中除所述道路边沿网格集合之外的网格中,以所述车辆的行驶轨迹为基准,按照所述由内向外的检测方向检测是否有位于所述第一待检测网格外侧的网格。
若是,执行步骤S1002。
步骤S1002:将检测到的网格作为第二待检测网格,并判断所述第二待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内。
若是,说明第二待检测网格中的点为表征道路边沿的点,则执行步骤S1003,若否,说明第二待检测网格中的点仍然不是表征道路边沿的点,因此需要继续以车辆的行驶轨迹为基准向外检测,则执行步骤S1004。
步骤S1003:将所述第二检测网格添加到所述道路边沿网格集合中。
步骤S1004:在所述网格集合中除所述道路边沿网格集合之外的网格中,以所述车辆的行驶轨迹为基准,按照所述由内向外的检测方向检测是否有位于所述第二待检测网格外侧的网格。
若是,返回执行步骤S1002。
图10示出的具体过程为利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行一次数据填补的过程,但是对所述道路边沿网格集合进行数据填补时,可能会需要进行多次数据填补,多次数据填补的过程即循环执行步骤S901至步骤S1004的过程,直至网格集合中除所述道路边沿网格集合之外的网格中不存在任何可以添加到道路边沿网格集合中的网格。需要说明的是,进行多次数据填补过程中,每次数据填补时,步骤S901中的道路边沿网络集合为更新后的道路边沿网格集合(即上一次数据填补将第一待检测网格添加到道路边沿网格集合中后的道路边沿网格集合)。
循环执行步骤S901至步骤S1004的过程即先横向检测第一待检测网格的外侧是否存在网格,直到第一待检测网格的外侧再无网格,继续在车辆沿行驶轨迹前进方向上检测下一个第一待检测网格,直到检测完所有的网格。
在上述方法实施例中,在得到道路边沿网格集合之后,还可以包括以下步骤:
对所述道路边沿网格集合中的待处理点云进行拟合,得到道路边沿曲线。
其中,对所述道路边沿网格集合中的待处理点云进行拟合,得到道路边沿曲线的具体过程可以参见图11,可以包括以下步骤:
步骤S1101:按照预设的道路长度,将所述道路边沿网格集合划分为多个子道路边沿网格集合,所述子道路边沿网格集合中的网格的位置关系是连续的。
其中,可以按照统一划分标准将道路边沿网格集合划分为多个大小相同的子道路边沿网格集合即按照同一个预设的道路长度,将所述道路边沿网格集合划分为多个子道路边沿网格集合。当然也可以按照不同的划分标准,将道路边沿网格集合划分为大小不同的子道路边沿网格集合即按照不同的预设的道路长度,将所述道路边沿网格集合划分为大小不同的子道路边沿网格集合。
步骤S1102:分别对各个所述子道路边沿网格集合中的待处理点云进行拟合,得到各个所述子道路边沿网格集合各自对应的道路边沿直线。
具体的,可以但不局限于利用最小二乘法对各个所述子道路边沿网格集合中的点云数据进行拟合。其中,利用最小二乘法对各个所述子道路边沿网格集合中的点云数据进行拟合的过程与现有技术中利用最小二乘法进行拟合的过程相同,在此不再赘述。
步骤S1103:将各个所述子道路边沿网格集合各自对应的道路边沿直线按照所述车辆的行驶轨迹前进方向依次连接,得到所述道路边沿曲线。
实施例二
与上述方法实施例相对应,本实施例提供了一种道路边沿识别装置,请参见图11,道路边沿识别装置包括:截取模块111、第一划分模块112、检测模块113、第二划分模块114和选取模块115。
截取模块111,用于截取空间点云中距离地面高度在预设距离范围内的点云作为待处理点云,所述空间点云为表征车辆所处道路空间中物体的点的集合。
第一划分模块112,用于按照预设网格范围将所述待处理点云划分成多个网格。
检测模块113,用于以所述车辆的行驶轨迹为基准,按照由内向外的检测方向对所述车辆的行驶轨迹左侧或右侧的网格进行检测,将所有被第一个检测到的网格存储至网格集合。
第二划分模块114,用于将所述网格集合中位置关系连续的网格分入同一个网格组。
选取模块115,用于选取网格数量最多的网格组,作为道路边沿网格集合。
在本实施例中,道路边沿识别装置还可以包括:数据填补模块116,如图12所示。
数据填补模块116,用于利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补。
在本实施例中,数据填补模块116的具体可以包括:查找单元和第一添加单元。
查找单元,用于从所述网格集合中除所述道路边沿网格集合之外的网格中,查找待使用网格,所述待使用网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值在预设差值范围内;
第一添加单元,用于将查找到的各个待使用网格添加到所述道路边沿网格集合中。
在本实施例中,示出了数据填补模块116的另一种具体结构,具体包括:第一判断单元、第二判断单元和第二添加单元。
第一判断单元,用于判断所述网格集合中除所述道路边沿网格集合之外的网格中是否存在第一待检测网格,若是,执行第二判断单元,所述第一待检测网格为在所述车辆的行驶轨迹前进方向上与所述道路边沿网格集合中所述车辆沿行驶轨迹前进方向驶入的最后一个网格相邻的网格。
所述第二判断单元,用于判断第一待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内,若是,执行第二添加单元。
所述第二添加单元,用于将第一待检测网格添加到所述道路边沿网格集合中。
其中,包括第一判断单元、第二判断单元和第二添加单元的数据填补模块116还可以包括:检测单元、第三判断单元、第三添加单元和第四判断单元。
检测单元,用于在所述网格集合中除所述道路边沿网格集合之外的网格中,以所述车辆的行驶轨迹为基准,按照所述由内向外的检测方向检测是否有位于所述第一待检测网格外侧的网格,若是,执行第三判断单元。
所述第三判断单元,用于将检测到的网格作为第二待检测网格,并判断所述第二待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内,若是,执行第三添加单元,若否,执行第四判断单元。
所述第三添加单元,用于将所述第二检测网格添加到所述道路边沿网格集合中。
第四判断单元,用于在所述网格集合中除所述道路边沿网格集合之外的网格中,以所述车辆的行驶轨迹为基准,按照所述由内向外的检测方向检测是否有位于所述第二待检测网格外侧的网格,若是,返回执行第三判断单元。
在本实施例中,上述道路边沿识别装置还可以包括:拟合模块,用于对所述道路边沿网格集合中的待处理点云进行拟合,得到道路边沿曲线。
其中,拟合模块具体可以包括:划分单元、拟合单元和连接单元。
划分单元,用于按照预设的道路长度,将所述道路边沿网格集合中划分为多个子道路边沿网格集合,所述子道路边沿网格集合中的网格的位置关系是连续的。
拟合单元,用于分别对各个所述子道路边沿网格集合中的待处理点云进行拟合,得到各个所述子道路边沿网格集合各自对应的道路边沿直线。
连接单元,用于将各个所述子道路边沿网格集合各自对应的道路边沿直线按照所述车辆的行驶轨迹前进方向依次连接,得到所述道路边沿曲线。
在本实施例中,上述预设距离范围为0.1米-0.4米。以及,上述预设网格范围为与边长为0.1米的正方形的面积大小相同的范围。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种道路边沿识别方法及装置进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (14)
1.一种道路边沿识别方法,其特征在于,包括:
截取空间点云中距离地面高度在预设距离范围内的点云作为待处理点云,所述空间点云为表征车辆所处道路空间中物体的点的集合;
按照预设网格范围将所述待处理点云划分成多个网格;
以所述车辆的行驶轨迹为基准,按照由内向外的检测方向对所述车辆的行驶轨迹左侧或右侧的网格进行检测,将所有被第一个检测到的网格存储至网格集合;
将所述网格集合中位置关系连续的网格分入同一个网格组;
选取网格数量最多的网格组,作为道路边沿网格集合。
2.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补。
3.根据权利要求2所述的方法,其特征在于,所述利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补的过程,包括:
从所述网格集合中除所述道路边沿网格集合之外的网格中,查找待使用网格,所述待使用网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值在预设差值范围内;
将查找到的各个待使用网格添加到所述道路边沿网格集合中。
4.根据权利要求2所述的方法,其特征在于,所述利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补的过程,包括:
判断所述网格集合中除所述道路边沿网格集合之外的网格中是否存在第一待检测网格,所述第一待检测网格为在所述车辆的行驶轨迹前进方向上与所述道路边沿网格集合中所述车辆沿行驶轨迹前进方向驶入的最后一个网格相邻的网格;
若是,判断第一待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内;
若是,将第一待检测网格添加到所述道路边沿网格集合中。
5.根据权利要求4所述的方法,其特征在于,所述方法进一步包括:
在所述网格集合中除所述道路边沿网格集合之外的网格中,以所述车辆的行驶轨迹为基准,按照所述由内向外的检测方向检测是否有位于所述第一待检测网格外侧的网格;
若是,将检测到的网格作为第二待检测网格,并判断所述第二待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内;
若是,将所述第二检测网格添加到所述道路边沿网格集合中。
6.根据权利要求1-5任意一项所述的方法,其特征在于,所述方法进一步包括:
对所述道路边沿网格集合中的待处理点云进行拟合,得到道路边沿曲线。
7.根据权利要求6所述的方法,其特征在于,所述对所述道路边沿网格集合中的待处理点云进行拟合,得到道路边沿曲线具体包括:
按照预设的道路长度,将所述道路边沿网格集合中划分为多个子道路边沿网格集合,所述子道路边沿网格集合中的网格的位置关系是连续的;
分别对各个所述子道路边沿网格集合中的待处理点云进行拟合,得到各个所述子道路边沿网格集合各自对应的道路边沿直线;
将各个所述子道路边沿网格集合各自对应的道路边沿直线按照所述车辆的行驶轨迹前进方向依次连接,得到所述道路边沿曲线。
8.一种道路边沿识别装置,其特征在于,包括:
截取模块,用于截取空间点云中距离地面高度在预设距离范围内的点云作为待处理点云,所述空间点云为表征车辆所处道路空间中物体的点的集合;
第一划分模块,用于按照预设网格范围将所述待处理点云划分成多个网格;
检测模块,用于以所述车辆的行驶轨迹为基准,按照由内向外的检测方向对所述车辆的行驶轨迹左侧或右侧的网格进行检测,将所有被第一个检测到的网格存储至网格集合;
第二划分模块,用于将所述网格集合中位置关系连续的网格分入同一个网格组;
选取模块,用于选取网格数量最多的网格组,作为道路边沿网格集合。
9.根据权利要求8所述的装置,其特征在于,还包括:
数据填补模块,用于利用所述网格集合中除所述道路边沿网格集合之外的网格和所述车辆的行驶轨迹,对所述道路边沿网格集合进行数据填补。
10.根据权利要求9所述的装置,其特征在于,所述数据填补模块包括:
查找单元,用于从所述网格集合中除所述道路边沿网格集合之外的网格中,查找待使用网格,所述待使用网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹之间的角度差的差值在预设差值范围内;
第一添加单元,用于将查找到的各个待使用网格添加到所述道路边沿网格集合中。
11.根据权利要求9所述的装置,其特征在于,所述数据填补模块包括:
第一判断单元,用于判断所述网格集合中除所述道路边沿网格集合之外的网格中是否存在第一待检测网格,若是,执行第二判断单元,所述第一待检测网格为在所述车辆的行驶轨迹前进方向上与所述道路边沿网格集合中所述车辆沿行驶轨迹前进方向驶入的最后一个网格相邻的网格;
所述第二判断单元,用于判断第一待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内,若是,执行第二添加单元;
所述第二添加单元,用于将第一待检测网格添加到所述道路边沿网格集合中。
12.根据权利要求11所述的装置,其特征在于,所述数据填补模块还包括:
检测单元,用于在所述网格集合中除所述道路边沿网格集合之外的网格中,以所述车辆的行驶轨迹为基准,按照所述由内向外的检测方向检测是否有位于所述第一待检测网格外侧的网格,若是,执行第三判断单元;
所述第三判断单元,用于将检测到的网格作为第二待检测网格,并判断所述第二待检测网格中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差和所述道路边沿网格集合中的待处理点云组成的轨迹与所述车辆的行驶轨迹的角度差的差值是否在预设差值范围内,若是,执行第三添加单元;
所述第三添加单元,用于将所述第二检测网格添加到所述道路边沿网格集合中。
13.根据权利要求8-12任意一项所述的装置,其特征在于,所述装置还包括:
拟合模块,用于对所述道路边沿网格集合中的待处理点云进行拟合,得到道路边沿曲线。
14.根据权利要求13所述的装置,其特征在于,所述拟合模块包括:
划分单元,用于按照预设的道路长度,将所述道路边沿网格集合中划分为多个子道路边沿网格集合,所述子道路边沿网格集合中的网格的位置关系是连续的;
拟合单元,用于分别对各个所述子道路边沿网格集合中的待处理点云进行拟合,得到各个所述子道路边沿网格集合各自对应的道路边沿直线;
连接单元,用于将各个所述子道路边沿网格集合各自对应的道路边沿直线按照所述车辆的行驶轨迹前进方向依次连接,得到所述道路边沿曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610930995.0A CN108021844B (zh) | 2016-10-31 | 2016-10-31 | 一种道路边沿识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610930995.0A CN108021844B (zh) | 2016-10-31 | 2016-10-31 | 一种道路边沿识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108021844A true CN108021844A (zh) | 2018-05-11 |
CN108021844B CN108021844B (zh) | 2020-06-02 |
Family
ID=62070498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610930995.0A Active CN108021844B (zh) | 2016-10-31 | 2016-10-31 | 一种道路边沿识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021844B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108931786A (zh) * | 2018-05-17 | 2018-12-04 | 北京智行者科技有限公司 | 路沿检测装置和方法 |
CN109271857A (zh) * | 2018-08-10 | 2019-01-25 | 广州小鹏汽车科技有限公司 | 一种伪车道线剔除方法及装置 |
CN109522804A (zh) * | 2018-10-18 | 2019-03-26 | 汽-大众汽车有限公司 | 一种道路边沿识别方法及系统 |
CN110109142A (zh) * | 2019-04-04 | 2019-08-09 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
CN110378175A (zh) * | 2018-08-16 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 道路边沿的识别方法和装置 |
CN110967024A (zh) * | 2019-12-23 | 2020-04-07 | 苏州智加科技有限公司 | 可行驶区域的检测方法、装置、设备及存储介质 |
CN112020722A (zh) * | 2018-12-29 | 2020-12-01 | 北京嘀嘀无限科技发展有限公司 | 基于三维传感器数据识别路肩 |
US20220017336A1 (en) * | 2018-12-10 | 2022-01-20 | Tadano Ltd. | Ground surface estimation method, measurement area display system, and crane |
CN114049327A (zh) * | 2021-11-16 | 2022-02-15 | 中国测绘科学研究院 | 一种改进的大范围道路中心线分块提取算法 |
CN114722948A (zh) * | 2022-04-13 | 2022-07-08 | 北京中软政通信息技术有限公司 | 车辆行驶数据融合方法、装置、设备及介质 |
WO2022166323A1 (zh) * | 2021-02-03 | 2022-08-11 | 华为技术有限公司 | 一种道路线确定的方法,相关装置以及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101681561A (zh) * | 2007-11-01 | 2010-03-24 | 丰田自动车株式会社 | 行驶轨迹生成方法以及行驶轨迹生成装置 |
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 |
CN104050473A (zh) * | 2014-05-20 | 2014-09-17 | 中国人民解放军理工大学 | 一种基于矩形邻域分析的道路数据提取方法 |
CN104123730A (zh) * | 2014-07-31 | 2014-10-29 | 武汉大学 | 基于道路特征的遥感影像与激光点云配准方法及系统 |
CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
CN105551016A (zh) * | 2015-12-02 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的路沿识别方法及装置 |
CN105551082A (zh) * | 2015-12-02 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的路面识别方法及装置 |
US20160307052A1 (en) * | 2015-04-16 | 2016-10-20 | Electronics And Telecommunications Research Institute | Device and method for recognizing obstacle and parking slot to support unmanned autonomous parking function |
-
2016
- 2016-10-31 CN CN201610930995.0A patent/CN108021844B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101681561A (zh) * | 2007-11-01 | 2010-03-24 | 丰田自动车株式会社 | 行驶轨迹生成方法以及行驶轨迹生成装置 |
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 |
CN104050473A (zh) * | 2014-05-20 | 2014-09-17 | 中国人民解放军理工大学 | 一种基于矩形邻域分析的道路数据提取方法 |
CN104123730A (zh) * | 2014-07-31 | 2014-10-29 | 武汉大学 | 基于道路特征的遥感影像与激光点云配准方法及系统 |
US20160307052A1 (en) * | 2015-04-16 | 2016-10-20 | Electronics And Telecommunications Research Institute | Device and method for recognizing obstacle and parking slot to support unmanned autonomous parking function |
CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
CN105551016A (zh) * | 2015-12-02 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的路沿识别方法及装置 |
CN105551082A (zh) * | 2015-12-02 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的路面识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
JEAMIN BYUN ET AL.: "Drivable Road Detection with 3D Point Clouds Based on the MRF for Intelligent Vehicle", 《FIELD AND SERVICE ROBOTIS》 * |
刘健 等: "基于道路形态分析的道路边界提取", 《机器人》 * |
田茂义 等: "格网邻域滤波在车载激光点云道路边线提取中的方法研究", 《测绘与空间地理信息》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108931786A (zh) * | 2018-05-17 | 2018-12-04 | 北京智行者科技有限公司 | 路沿检测装置和方法 |
CN109271857A (zh) * | 2018-08-10 | 2019-01-25 | 广州小鹏汽车科技有限公司 | 一种伪车道线剔除方法及装置 |
CN110378175A (zh) * | 2018-08-16 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 道路边沿的识别方法和装置 |
CN109522804A (zh) * | 2018-10-18 | 2019-03-26 | 汽-大众汽车有限公司 | 一种道路边沿识别方法及系统 |
CN109522804B (zh) * | 2018-10-18 | 2020-11-06 | 一汽-大众汽车有限公司 | 一种道路边沿识别方法及系统 |
US20220017336A1 (en) * | 2018-12-10 | 2022-01-20 | Tadano Ltd. | Ground surface estimation method, measurement area display system, and crane |
CN112020722B (zh) * | 2018-12-29 | 2024-01-09 | 北京嘀嘀无限科技发展有限公司 | 基于三维传感器数据识别路肩 |
CN112020722A (zh) * | 2018-12-29 | 2020-12-01 | 北京嘀嘀无限科技发展有限公司 | 基于三维传感器数据识别路肩 |
CN110109142A (zh) * | 2019-04-04 | 2019-08-09 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
CN110109142B (zh) * | 2019-04-04 | 2021-04-02 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
WO2021128777A1 (en) * | 2019-12-23 | 2021-07-01 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method, apparatus, device, and storage medium for detecting travelable region |
CN110967024A (zh) * | 2019-12-23 | 2020-04-07 | 苏州智加科技有限公司 | 可行驶区域的检测方法、装置、设备及存储介质 |
WO2022166323A1 (zh) * | 2021-02-03 | 2022-08-11 | 华为技术有限公司 | 一种道路线确定的方法,相关装置以及设备 |
CN114049327A (zh) * | 2021-11-16 | 2022-02-15 | 中国测绘科学研究院 | 一种改进的大范围道路中心线分块提取算法 |
CN114722948A (zh) * | 2022-04-13 | 2022-07-08 | 北京中软政通信息技术有限公司 | 车辆行驶数据融合方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108021844B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021844A (zh) | 一种道路边沿识别方法及装置 | |
CN104050817B (zh) | 限速信息库生成、限速信息检测的方法和系统 | |
CN102981182B (zh) | 基于无监督分类的二维地震数据全层位自动追踪方法 | |
JP6875365B2 (ja) | 電子地図における交差点を認識するための方法及び装置 | |
JP5479944B2 (ja) | 舗装路面のクラックの抽出と損傷レベルの評価方法 | |
CN103399849B (zh) | 一种基于改进型粒子群算法的道路三维线形自动优化方法 | |
CN108898672A (zh) | 一种制作三维高清道路图车道线的半自动点云方法 | |
CN103454678B (zh) | 一种地震切片等时性的确定方法及系统 | |
CN105184852A (zh) | 一种基于激光点云的城市道路识别方法及装置 | |
CN104463872A (zh) | 基于车载LiDAR点云数据的分类方法 | |
CN107976177B (zh) | 一种地铁监护测量方法 | |
CN105809963B (zh) | 一种基于实测车的城市通道交通状态评价方法 | |
CN103114514B (zh) | 一种水泥混凝土路面刻槽构造深度检测算法 | |
CN105627938A (zh) | 一种基于车载激光扫描点云的路面沥青厚度检测方法 | |
CN105200900A (zh) | 一种路面检测方法和装置 | |
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 | |
CN104422451A (zh) | 一种道路识别方法及装置 | |
Wang et al. | Exploring operating speeds on urban arterials using floating car data: Case study in Shanghai | |
Bassani et al. | 3D GIS based evaluation of the available sight distance to assess safety of urban roads | |
CN103903439A (zh) | 客运车辆违规停车地点识别方法及系统 | |
CN103426312A (zh) | 一种基于道路流量检测的自动诱导方法及系统 | |
CN105808554A (zh) | 一种轨迹数据匹配方法和装置 | |
CN105631459B (zh) | 防护栏点云提取方法及装置 | |
Budzyński et al. | The use of GIS tools for road infrastructure safety management | |
Fitzsimmons et al. | Measuring horizontal curve vehicle trajectories and speed profiles: pneumatic road tube and video methods |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200509 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 102200, No. 8, No., Changsheng Road, Changping District science and Technology Park, Beijing, China. 1-5 Applicant before: AUTONAVI SOFTWARE Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |