CN108171131A - 基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统 - Google Patents

基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统 Download PDF

Info

Publication number
CN108171131A
CN108171131A CN201711352133.5A CN201711352133A CN108171131A CN 108171131 A CN108171131 A CN 108171131A CN 201711352133 A CN201711352133 A CN 201711352133A CN 108171131 A CN108171131 A CN 108171131A
Authority
CN
China
Prior art keywords
point
cloud data
point cloud
meanshift
marking line
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
Application number
CN201711352133.5A
Other languages
English (en)
Other versions
CN108171131B (zh
Inventor
张良
周佳雯
张谦
张帆
范媛媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University
Original Assignee
Hubei University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University filed Critical Hubei University
Priority to CN201711352133.5A priority Critical patent/CN108171131B/zh
Publication of CN108171131A publication Critical patent/CN108171131A/zh
Application granted granted Critical
Publication of CN108171131B publication Critical patent/CN108171131B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明涉及一种道路标识线提取方法，属于GIS信息技术领域，具体是涉及一种基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统。本发明利用车载激光雷达采集系统和惯性测量系统获取道路点云数据，通过八叉树对点云数据建立邻接图关系，进行超体聚类，利用融合强度、法向量等多特征的MeanShift算法对点云数据进行道路标识线提取，不仅能够准确提取出来道路标识线点，同时极大地减小了MeanShift算法的计算量，从而达到提高激光雷达数据自动化提取道路标识线精度和效率的目的。

Description

基于改进MeanShift的Lidar点云数据道路标识线提取方法及 系统
技术领域
本发明涉及一种道路标识线提取方法，属于GIS信息技术领域，具体是涉及一种基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统。
背景技术
激光雷达(Light Detection And Ranging，LiDAR)是九十年代初首先由西方国家发展起来并投入商业化应用的一门新兴技术，它集成激光测距仪、全球定位系统(GPS)和惯性测量单元(IMU)于一身。该技术在三维空间信息的实时获取方面取得了重大突破，为获取高时空分辨率的空间信息提供了一种全新的技术手段。
道路在交通运输、城市规划、“智慧城市”等领域都占有举足轻重的地位，而道路标识线作为道路信息中最为重要的一项，对于灾害管理、应急响应、交通事故分析等都具有重要的作用。近年来，随着智能驾驶的快速推进，对道路标识线自动提取技术也有了更高的要求。而现有道路标识线提取算法多数是利用深度学习在图像上进行分割，存在遮挡或光强信息较弱时难以进行提取的缺点，而传统的MeanShift算法需要大量的计算量，效率较低，难以满足现有工程上的需求，给智能驾驶车辆在道路进行车道线判别和可行驶区域计算造成了影响。
发明内容
本发明主要是针对基于激光雷达点云数据进行道路标识线自动提取的问题，提出了一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，达到提高激光雷达数据自动提取道路标识线精度和效率的目的。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，包括以下步骤：
超体聚类步骤，对地面点建立邻接图关系并进行超体聚类，将获取得到的超体素中心点作为输入点；
非参聚类步骤，融合多特征MeanShift算法对超体素进行非参数化聚类；
标识提取步骤，将类强度和类法向量满足道路标识线范围内的类别标记为道路标识线类，将其中各超体素内的类别标记为道路标识线。
一种基于改进MeanShift的Lidar点云数据道路标识线提取系统，包括：
超体聚类模块，对地面点建立邻接图关系并进行超体聚类，将获取得到的超体素中心点作为输入点；
非参聚类模块，融合多特征MeanShift算法对超体素进行非参数化聚类；
标识提取模块，将类强度和类法向量满足道路标识线范围内的类别标记为道路标识线类，将其中各超体素内的类别标记为道路标识线。
因此，本发明具有如下优点：1.本发明对传统MeanShift算法进行改进，针对传统MeanShift算法聚类特征单一化，难以广泛适用性的缺点，提出了融合点云强度信息、法向量信息和欧式距离等多特征信息，对多特征信息进行权重分析，因此该改进的聚类算法更加具有适用性，同时其聚类精度得到明显提高。
2.由于传统MeanShift算法需要计算每个点漂移均值并进行圆心更新，其计算量较大，难以在实际的工程中得到广泛应用。本发明提出先对点云数据进行超体聚类，并用超体素的中心点作为改进MeanShift算法的输入，进行非参数化聚类，能够明显提高聚类效率，并达到实时性提取道路标识线的效率要求。
附图说明
图1：一种基于改进MeanShift的Lidar点云数据道路标识线提取方法的流程图；
图2：标定所需车辆行驶的轨迹示意图；
图3：晶核结晶过程示意图；
图4-1、4-2：道路标识线提取效果图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
如图1所示，一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，包括以下步骤：
步骤1，在载体车辆顶端安装一套32线激光雷达采集系统，包括GPS、惯性测量装置和照相机，通过8字形标定的方法对系统进行标定，标定方案示意图如图2所示，采集获取车载激光雷达点云数据；
步骤2，对步骤1中的激光雷达点云数据利用ICP计算方法，对多帧车载激光雷达点云数据进行配准和拼接，减小系统误差；
步骤3，利用八叉树对步骤2中得到的激光雷达点云数据进行重组织，并获取每个格网中心点坐标；
步骤4，利用Kd树结构对步骤(3)中得到的中心点K进行邻近值查询，并通过设定高程增长阈值，对其进行区域生长分割，获取最大连通区域为地面类别；
步骤5，根据步骤4得到的地面点，利用强度信息和欧式距离，对地面点建立邻接图关系并进行超体聚类；
步骤6，以步骤5中获取得到的超体素中心点作为输入，融合强度和法向量多特征信息，利用MeanShift算法进行非参数化聚类，获取道路标识线点和不同标识线类别。
如上所述的步骤2中，用于点云匹配和拼接的ICP算法计算为：
步骤2.1，将步骤1中得到的不同帧激光雷达数据作为输入，并对不同帧激光雷达数据进行步骤2.2——2.6的处理；
步骤2.2，根据点集A中的点坐标，在曲面S上搜索相应最近点点集B；
步骤2.3，计算两个点集的重心位置坐标，并进行点集中心化生成新的点集；
步骤2.4，由新的点集计算正定矩阵N，并计算N的最大特征值及其最大特征向量，由于最大特征向量等价于残差平方和最小时的旋转四元数，将四元数转换为旋转矩阵R；
步骤2.5，在旋转矩阵R被确定后，由于平移向量T仅仅是两个点集的重心差异，可以通过两个坐标系中的重心点和旋转矩阵确定；
步骤2.6，为了求解更加精确的变换关系，采用迭代算法，定义函数E，如公式(1)所示，根据精度要求，定义终止迭代条件，即E小于一个具体值时终止迭代；
步骤2.7，当某次迭代满足条件时，则终止迭代，输出最优(R,T)，否则继续重复步骤2.2——2.6。
如上所述的步骤3中，利用八叉树对点云数据进行重组织的方法为：
步骤3.1，将步骤3中得到的激光雷达点云数据作为输入，对该点云数据进行步骤3.2——3.6的处理；
步骤3.2，设定八叉树最大递归深度和节点最大存储点数，在本实例中最大递归深度设为4，节点最大存储点数为5000；
步骤3.3，求取输入点集的最大外包，并以此外包建立第一个立方体；
步骤3.4，将该立方体细分为八等份；
步骤3.5，根据细分的八个小立方体范围，将点云数据分类分到对应立方体中；
步骤3.6，当子立方体所分配到的点数不为零且跟父立方体是一样时，或者达到最大递归深度或最大存储点数时则停止细分，否则重复步骤3.4 ——3.5。
如上所述的步骤4中，基于K-d树的点云数据的区域分割方法为：
步骤4.1，设定节点相邻高程阈值和节点中点集高程标准差阈值，这里考虑到道路面点较为平整，平均高程阈值为0.15m，点集高程标准差阈值设为0.03m；
步骤4.2，将步骤3中得到的每个格网的中心点作为点集输入，利用 K-d树每个节点进行k近邻搜索；
步骤4.3，对k近邻中满足阈值条件的节点类别赋为同一类，不满足条件的赋为不同类；
步骤4.4，寻找点云数据中连通性最大的类别作为地面点类别。
如上所述的步骤5中，利用强度信息和欧式距离，对地面点进行邻接图建立及超体聚类的方法为：
步骤5.1，对步骤4中获取得到的地面点进行如步骤3所示流程建立八叉树；
步骤5.2，根据八叉树结构获取不同点团之间的邻接结构；
步骤5.3，指定晶核距离(Rseed)、粒子距离(Rvoxel)和最小晶粒(MOV)；
步骤5.4，利用相邻点之间的强度差异Dc，距离差异Ds和法向量差异Dn，给定一系列权重利用公式(2)对点之间的类似程度进行定义；
步骤5.5，将D的体素进行结晶，结晶过程如图3，并将过小的晶粒融合到最近的大晶粒。
如上所述的步骤6中，融合多特征的MeanShift算法非参数化聚类方法为：
步骤6.1，获取得到步骤5中结晶后的超体素的中心点坐标、平均强度和法向量信息；
步骤6.2，将获取得到的超体素中心点作为算法输入点；
步骤6.3，在未被标记的数据点中随机选择一个点作为中心S0，并进行步骤6.4——6.6的处理；
步骤6.4，找出距离S0在h之内的所有点，记为集合M，同时把这些点属于这个集合的概率加1；
步骤6.5，以S0为中心点，融合强度差异Dc和法向量差异Dn及各权重w_ *，利用公式(3)计算从S0开始到集合M中每个元素i的向量，其中 g(x)＝-k’(x)，K(x)核函数如公式(4)所示，将这些向量相加，得到向量shift mh,G(x)，如公式(5)所示：
步骤6.6，判断mh,G(x)是否小于设定的阈值ε，如果为真，则退出程序，终止迭代；如果为假，则利用公式(6)计算新的圆心坐标，重复步骤6.4 ——6.6；
步骤6.7，经过多特征MeanShift聚类后，获取得到类个数和类信息特征，其中包含了类强度、类法向量和类体素标号；
步骤6.8，将其中类强度和类法向量满足道路标识线范围内的类别标记为道路标识线类，同时将其中各超体素内标记为道路标识线，从而提取出道路标识线点集。
采用本发明后，针对不同地理区域，道路标识线平均提取精度达到 94.14％，平均错分率仅为4.24％，平均漏分率仅为1.55％，具有较高的提取能力和较强的抗噪性能。
表1道路标识线分类结果精度表
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，包括以下步骤：
超体聚类步骤，对地面点建立邻接图关系并进行超体聚类，将获取得到的超体素中心点作为输入点；
非参聚类步骤，融合多特征MeanShift算法对超体素进行非参数化聚类；
标识提取步骤，将类强度和类法向量满足道路标识线范围内的类别标记为道路标识线类，将其中各超体素内的类别标记为道路标识线。
2.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述非参聚类步骤中，在未被标记的数据点中随机选择一个点作为中心S0；找出与S0的距离在h之内的点，记为集合M；以S0为中心点，计算从S0开始到集合M中每个元素i的向量，判断向量之和是否小于设定的阈值ε，如果为真，则终止迭代；如果为假，则选取新的中心，重复本步骤。
3.根据权利要求2所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述非参聚类步骤中，
以S0为中心点，融合强度差异Dc和法向量差异Dn及各权重利用公式(3)计算从S0开始到集合M中每个元素i的向量，其中g(x)＝-k’(x)，K(x)核函数如公式(4)所示，将这些向量相加，得到向量shift mh,G(x)，如公式(5)所示：
和/或，利用公式(6)选取新的中心点：
4.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述超体聚类步骤进一步包括以下子步骤：
数据配准子步骤，利用ICP方法对多帧车载激光雷达点云数据进行配准和拼接；
数据重组子步骤，利用八叉树配准和拼接后的激光雷达点云数据进行重组织，获取每个格网中心点K坐标；
区域分割子步骤，利用Kd树结构对格网中心点K进行邻近值查询，并通过设定高程增长阈值，对其进行区域生长分割，获取最大连通区域为地面类别。
5.根据权利要求4所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述数据配准子步骤进一步包括以下子步骤：
步骤2.1，将不同帧激光雷达数据作为输入，并对不同帧激光雷达数据进行步骤2.2——2.6的处理；
步骤2.2，根据点集A中的点坐标，在曲面S上搜索相应最近点点集B；
步骤2.3，计算两个点集的重心位置坐标，并进行点集中心化生成新的点集；
步骤2.4，由新的点集计算正定矩阵N，并计算N的最大特征值及其最大特征向量，由于最大特征向量等价于残差平方和最小时的旋转四元数，将四元数转换为旋转矩阵R；
步骤2.5，在旋转矩阵R被确定后，由于平移向量T仅仅是两个点集的重心差异，可以通过两个坐标系中的重心点和旋转矩阵确定；
步骤2.6，为了求解更加精确的变换关系，采用迭代算法，定义函数E，如公式(1)所示，根据精度要求，定义终止迭代条件，即E小于一个具体值时终止迭代；
步骤2.7，当某次迭代满足条件时，则终止迭代，输出最优(R,T)，否则继续重复步骤2.2——2.6。
6.根据权利要求4所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，数据重组子步骤利用八叉树对点云数据进行重组织，具体方法为：
步骤3.1，将步骤3中得到的激光雷达点云数据作为输入，对该点云数据进行步骤3.2—3.6的处理；
步骤3.2，设定八叉树最大递归深度和节点最大存储点数；
步骤3.3，求取输入点集的最大外包，并以此外包建立第一个立方体；
步骤3.4，将该立方体细分为八等份；
步骤3.5，根据细分的八个小立方体范围，将点云数据分类分到对应立方体中；
步骤3.6，当子立方体所分配到的点数不为零且跟父立方体是一样时，或者达到最大递归深度或最大存储点数时则停止细分，否则重复步骤3.4—3.5。
7.根据权利要求4所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，区域分割子步骤基于K-d树对点云数据进行区域分割，具体为：
步骤4.1，设定节点相邻高程阈值和节点中点集高程标准差阈值；
步骤4.2，将每个格网的中心点作为点集输入，利用K-d树每个节点进行k近邻搜索；
步骤4.3，对k近邻中满足阈值条件的节点类别赋为同一类，不满足条件的赋为不同类；
步骤4.4，寻找点云数据中连通性最大的类别作为地面点类别。
8.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，所述超体聚类步骤中利用强度信息和欧式距离，对地面点进行邻接图建立及超体聚类，具体为：
步骤5.1，对步骤4中获取得到的地面点进行如步骤3所示流程建立八叉树；
步骤5.2，根据八叉树结构获取不同点团之间的邻接结构；
步骤5.3，指定晶核距离(Rseed)、粒子距离(Rvoxel)和最小晶粒(MOV)；
步骤5.4，利用相邻点之间的强度差异Dc，距离差异Ds和法向量差异Dn，给定一系列权重利用公式(2)对点之间的类似程度进行定义；
步骤5.5，将D的体素进行结晶，结晶过程如图(3)，并将过小的晶粒融合到最近的大晶粒。
9.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取方法，其特征在于，点云数据的获取包括：
在载体车辆顶端安装一套32线激光雷达采集系统，包括GPS、惯性测量装置和照相机，通过8字形标定的方法对系统进行标定，采集获取车载激光雷达点云数据。
10.根据权利要求1所述的一种基于改进MeanShift的Lidar点云数据道路标识线提取系统，其特征在于，包括：
超体聚类模块，对地面点建立邻接图关系并进行超体聚类，将获取得到的超体素中心点作为输入点；
非参聚类模块，融合多特征MeanShift算法对超体素进行非参数化聚类；
标识提取模块，将类强度和类法向量满足道路标识线范围内的类别标记为道路标识线类，将其中各超体素内的类别标记为道路标识线。
CN201711352133.5A 2017-12-15 2017-12-15 基于改进MeanShift的Lidar点云数据道路标识线提取方法 Active CN108171131B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711352133.5A CN108171131B (zh) 2017-12-15 2017-12-15 基于改进MeanShift的Lidar点云数据道路标识线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711352133.5A CN108171131B (zh) 2017-12-15 2017-12-15 基于改进MeanShift的Lidar点云数据道路标识线提取方法

Publications (2)

Publication Number Publication Date
CN108171131A true CN108171131A (zh) 2018-06-15
CN108171131B CN108171131B (zh) 2022-01-14

Family

ID=62522438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711352133.5A Active CN108171131B (zh) 2017-12-15 2017-12-15 基于改进MeanShift的Lidar点云数据道路标识线提取方法

Country Status (1)

Country Link
CN (1) CN108171131B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985230A (zh) * 2018-07-17 2018-12-11 深圳市易成自动驾驶技术有限公司 车道线检测方法、装置及计算机可读存储介质
CN109359680A (zh) * 2018-10-11 2019-02-19 大昌建设集团有限公司 爆破岩块自动识别和块度特征提取方法及装置
CN109544454A (zh) * 2018-11-20 2019-03-29 广州方舆科技有限公司 一种点云数据的自动拼接方法
CN109584294A (zh) * 2018-11-23 2019-04-05 武汉中海庭数据技术有限公司 一种基于激光点云的路面点云提取方法和装置
CN110110802A (zh) * 2019-05-14 2019-08-09 南京林业大学 基于高阶条件随机场的机载激光点云分类方法
CN110427956A (zh) * 2019-04-18 2019-11-08 中国林业科学研究院资源信息研究所 一种基于谱聚类算法的LiDAR点云数据单木提取方法
CN110672088A (zh) * 2019-09-09 2020-01-10 北京航空航天大学 一种仿信鸽地貌感知归巢机制的无人机自主导航方法
CN110852278A (zh) * 2019-11-12 2020-02-28 深圳创维数字技术有限公司 地面标识线识别方法、设备及计算机可读存储介质
CN110866449A (zh) * 2019-10-21 2020-03-06 北京京东尚科信息技术有限公司 识别道路中目标对象的方法和装置
CN112183247A (zh) * 2020-09-14 2021-01-05 广东工业大学 一种基于多光谱影像的激光点云数据分类方法
CN112561944A (zh) * 2020-11-27 2021-03-26 中央财经大学 一种基于车载激光点云的车道线提取方法
CN113657333A (zh) * 2021-08-23 2021-11-16 深圳科卫机器人科技有限公司 警戒线识别方法、装置、计算机设备及存储介质
US20220017336A1 (en) * 2018-12-10 2022-01-20 Tadano Ltd. Ground surface estimation method, measurement area display system, and crane

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976347A (zh) * 2010-10-21 2011-02-16 西北工业大学 基于Mean Shift分割的遥感图像中水上桥梁识别方法
US20120237109A1 (en) * 2011-03-14 2012-09-20 University Of Warwick Histology analysis
CN103258203A (zh) * 2013-05-20 2013-08-21 武汉大学 遥感影像的道路中线自动提取方法
CN103903280A (zh) * 2014-03-28 2014-07-02 哈尔滨工程大学 一种改进水平集目标提取的子块权重Mean-Shift跟踪方法
CN104809723A (zh) * 2015-04-13 2015-07-29 北京工业大学 基于超体素和图割算法的三维肝脏ct图像自动分割方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976347A (zh) * 2010-10-21 2011-02-16 西北工业大学 基于Mean Shift分割的遥感图像中水上桥梁识别方法
US20120237109A1 (en) * 2011-03-14 2012-09-20 University Of Warwick Histology analysis
CN103258203A (zh) * 2013-05-20 2013-08-21 武汉大学 遥感影像的道路中线自动提取方法
CN103903280A (zh) * 2014-03-28 2014-07-02 哈尔滨工程大学 一种改进水平集目标提取的子块权重Mean-Shift跟踪方法
CN104809723A (zh) * 2015-04-13 2015-07-29 北京工业大学 基于超体素和图割算法的三维肝脏ct图像自动分割方法
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

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985230A (zh) * 2018-07-17 2018-12-11 深圳市易成自动驾驶技术有限公司 车道线检测方法、装置及计算机可读存储介质
CN109359680A (zh) * 2018-10-11 2019-02-19 大昌建设集团有限公司 爆破岩块自动识别和块度特征提取方法及装置
CN109359680B (zh) * 2018-10-11 2019-09-24 大昌建设集团有限公司 爆破岩块自动识别和块度特征提取方法及装置
CN109544454A (zh) * 2018-11-20 2019-03-29 广州方舆科技有限公司 一种点云数据的自动拼接方法
CN109584294A (zh) * 2018-11-23 2019-04-05 武汉中海庭数据技术有限公司 一种基于激光点云的路面点云提取方法和装置
CN109584294B (zh) * 2018-11-23 2020-08-28 武汉中海庭数据技术有限公司 一种基于激光点云的路面点云提取方法和装置
US20220017336A1 (en) * 2018-12-10 2022-01-20 Tadano Ltd. Ground surface estimation method, measurement area display system, and crane
CN110427956A (zh) * 2019-04-18 2019-11-08 中国林业科学研究院资源信息研究所 一种基于谱聚类算法的LiDAR点云数据单木提取方法
CN110110802A (zh) * 2019-05-14 2019-08-09 南京林业大学 基于高阶条件随机场的机载激光点云分类方法
CN110110802B (zh) * 2019-05-14 2020-09-15 南京林业大学 基于高阶条件随机场的机载激光点云分类方法
CN110672088A (zh) * 2019-09-09 2020-01-10 北京航空航天大学 一种仿信鸽地貌感知归巢机制的无人机自主导航方法
CN110866449A (zh) * 2019-10-21 2020-03-06 北京京东尚科信息技术有限公司 识别道路中目标对象的方法和装置
CN110852278A (zh) * 2019-11-12 2020-02-28 深圳创维数字技术有限公司 地面标识线识别方法、设备及计算机可读存储介质
CN110852278B (zh) * 2019-11-12 2022-08-30 深圳创维数字技术有限公司 地面标识线识别方法、设备及计算机可读存储介质
CN112183247A (zh) * 2020-09-14 2021-01-05 广东工业大学 一种基于多光谱影像的激光点云数据分类方法
CN112183247B (zh) * 2020-09-14 2023-08-08 广东工业大学 一种基于多光谱影像的激光点云数据分类方法
CN112561944A (zh) * 2020-11-27 2021-03-26 中央财经大学 一种基于车载激光点云的车道线提取方法
CN113657333A (zh) * 2021-08-23 2021-11-16 深圳科卫机器人科技有限公司 警戒线识别方法、装置、计算机设备及存储介质
CN113657333B (zh) * 2021-08-23 2024-01-12 深圳科卫机器人科技有限公司 警戒线识别方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN108171131B (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
CN108171131A (zh) 基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统
CN106204705B (zh) 一种基于多线激光雷达的3d点云分割方法
CN109186625B (zh) 智能车辆利用混合采样滤波进行精确定位的方法及系统
CN111928862B (zh) 利用激光雷达和视觉传感器融合在线构建语义地图的方法
CN110084272B (zh) 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法
Yadav et al. Extraction of road surface from mobile LiDAR data of complex road environment
CN106127153B (zh) 车载激光扫描点云数据的交通标牌识别方法
CN109256028B (zh) 一种用于无人驾驶的高精度路网自动生成的方法
CN106842231A (zh) 一种道路边界检测及跟踪方法
CN114419152B (zh) 一种基于多维度点云特征的目标检测与跟踪方法及系统
Schlichting et al. Localization using automotive laser scanners and local pattern matching
CN109815859B (zh) 一种低等级道路自动提取及变化分析方法
CN106780524A (zh) 一种三维点云道路边界自动提取方法
Li et al. Street tree segmentation from mobile laser scanning data
US11430087B2 (en) Using maps comprising covariances in multi-resolution voxels
CN109101743B (zh) 一种高精度路网模型的构建方法
CN112330661A (zh) 一种多期车载激光点云道路变化监测方法
Gao et al. Fine-grained off-road semantic segmentation and mapping via contrastive learning
Yadav et al. Identification of trees and their trunks from mobile laser scanning data of roadway scenes
CN108764157A (zh) 基于法向量高斯分布的建筑物激光脚点提取方法及系统
CN110910407A (zh) 基于移动激光扫描点云数据的行道树树干提取方法
Yang et al. Using mobile laser scanning data for features extraction of high accuracy driving maps
Lu et al. A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment
Cong et al. Research on a point cloud registration method of mobile laser scanning and terrestrial laser scanning
CN114758323A (zh) 一种基于车载激光点云的城市道路标牌提取方法

Legal Events

Date Code Title Description
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