CN109657556B - 道路及其周边地物的分类方法及系统 - Google Patents
道路及其周边地物的分类方法及系统 Download PDFInfo
- Publication number
- CN109657556B CN109657556B CN201811400283.3A CN201811400283A CN109657556B CN 109657556 B CN109657556 B CN 109657556B CN 201811400283 A CN201811400283 A CN 201811400283A CN 109657556 B CN109657556 B CN 109657556B
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- cloud data
- coordinate
- road
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种道路及其周边地物的分类方法及系统,通过多层感知机对规格化处理后的所述点云数据进行编码和解码处理,可以更为精细的确定局部特征信息和全局特征信息,并通过连接层将局部特征信息和全局特征信息进行融合,有助于保留多维信息,得到正确的目标物分类结果。
Description
技术领域
本发明实施例涉及测绘科学技术领域,更具体地,涉及道路及其周边地物的分类方法及系统。
背景技术
目前,道路及其周边地物的正确分类在无人驾驶和智慧城市建设中发挥着重要的作用。在无人驾驶环境中,由于车辆无法直接获知道路状态及周围地物,需要高精度3D地图和无人车传感器信息进行匹配,指导车辆行驶。因此,需要正确获知道路及其周边地物的3D位置信息和类别信息。
获知道路及其周边地物的3D位置信息和类别信息,通常采用的测量手段可以包括全站仪、GPS数据获取装置以及街景数据获取装置。其中,全站仪通常在正常运行的道路上采集数据,容易造成交通拥堵,也会危害测量人员的安全。GPS数据获取装置得到的GPS数据只能提供有限的轨迹数据,无法全面展示道路全貌。街景数据获取装置得到的街景数据虽然可以提供清晰的道路影像,但是并没有直接的三维信息,无法直接应用于导航和无人驾驶等工作。
获知道路及其周边地物的3D位置信息,还可以通过车载激光扫描装置实现,车载激光扫描装置集成有GPS/INS、激光扫描仪、车轮编码器和相机等,可以快速获取海量高密度的道路及周边地物坐标和颜色数据等点云数据,但是,车载激光扫描装置得到的点云数据并不能提供直接的道路及其周边地物的类别信息,无法直接服务于无人驾驶。
因此,现急需提供一种基于点云数据对道路及其周边地物进行分类的分类方法及系统。
发明内容
为克服上述问题或者至少部分地解决上述问题,本发明实施例提供了一种道路及其周边地物的分类方法及系统。
第一方面,本发明实施例提供了一种道路及其周边地物的分类方法,包括:
获取目标区域内的点云数据,所述目标区域内的目标物包括道路以及道路周边地物;
将所述点云数据进行规格化处理,并将规格化处理后的所述点云数据输入至多层感知机内,以使所述多层感知机对规格化处理后的所述点云数据进行编码和解码处理;
将编码和解码处理后的数据输入至预设分类器中,由所述预设分类器输出所述点云数据对应的分类结果。
第二方面,本发明实施例提供了一种道路及其周边地物的分类系统,包括:数据获取模块、编码解码处理模块和分类结果确定模块。
数据获取模块用于获取目标区域内的点云数据,所述目标区域内的目标物包括道路以及道路周边地物;
编码解码处理模块用于将所述点云数据进行规格化处理,并将规格化处理后的所述点云数据输入至多层感知机内,以使所述多层感知机对规格化处理后的所述点云数据进行编码和解码处理;
分类结果确定模块用于将编码和解码处理后的数据输入至预设分类器中,由所述预设分类器输出所述点云数据对应的分类结果。
第三方面,本发明实施例提供了一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行第一方面提供的道路及其周边地物的分类方法。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的道路及其周边地物的分类方法。
本发明实施例提供的一种道路及其周边地物的分类方法及系统,通过层感知机对规格化处理后的所述点云数据进行编码和解码处理,可以更为精细的确定局部特征信息和全局特征信息,并通过连接层将局部特征信息和全局特征信息进行融合,有助于保留多维信息,得到正确的目标物分类结果。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的一种道路及其周边地物的分类方法的流程示意图;
图2为本发明实施例提供的一种道路及其周边地物的分类系统的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
在本发明实施例的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明实施例的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明实施例中的具体含义。
如图1所示,本发明一实施例提供了一种道路及其周边地物的分类方法,包括:
S1,获取目标区域内的点云数据,所述目标区域内的目标物包括道路以及道路周边地物;
S2,将所述点云数据进行规格化处理,并将规格化处理后的所述点云数据输入至多层感知机内,以使所述多层感知机对规格化处理后的所述点云数据进行编码和解码处理;
S3,将编码和解码处理后的数据输入至预设分类器中,由所述预设分类器输出所述点云数据对应的分类结果。
具体地,本发明实施例中主要提供了一种道路及其周边地物的分类方法,因此本发明实施例中选取一目标区域,目标区域内包括道路以及道路周边地物,将道路以及道路周边地物作为目标物进行研究,以将道路以及道路周边地物进行分类,得到分类结果。
本发明实施例中首先获取目标区域内的点云数据,具体可以通过移动激光扫描车在目标区域内移动以获取点云数据。点云数据可包括每一点对应的3D坐标数据和RGB特征数据。
获取点云数据后,将点云数据进行规格化处理,这是因为,得到的点云数据是离散的数据,进行规格化处理,可以使得同一目标物上不同部位的点云数据能够在数值上具有更高的相似度,从而达到提高点云数据内部相似性的目的。其中同一目标物上不同部位的点云数据实际上可以理解为具有相似几何性质的不同部位的点云数据。
在进行规格化处理后,将规格化处理后的点云数据输入至多层感知机内进行特征提取。多层感知机(Multi-Layer Perception,MLP)是一种前向结构的人工神经网络,映射一组输入向量到一组输出向量。MLP可以被看做是一个有向图,由多个节点层组成,每一层全连接到下一层,即MLP中只包括连接层。在特征提取阶段采用MLP,由于MLP用到的运算只有乘法和加法,都是对称函数,所以不会受到排序影响。
本发明实施例中采用5组MLP从低维到高维学习点云数据特征。使用最大池化方法作为对称函数来保留特征并减小数据量。为了体现局部特征且避免梯度消失,通过连接层将原始规则化特征信息增加到全局特征信息中,随后使用5组MLP进行解码。
编码和解码处理后,将编码和解码处理后的数据输入至预设分类器中,由所述预设分类器输出所述点云数据对应的分类结果。本发明实施例中预设分类器用于根据编码和解码处理后的数据,将数据中对应的目标物进行分类。将编码和解码处理后的数据输入至预设分类器后,预设分类器可以输出每一目标物属于某一类别的概率。取值大的概率的类别即可认为是目标物对应的类别。
本发明实施例中,作为优选方案,可以选择Softmax分类器作为预设分类器。
本发明实施例中提供的道路及其周边地物的分类方法,通过层感知机对规格化处理后的所述点云数据进行编码和解码处理,可以更为精细的确定局部特征信息和全局特征信息,并通过连接层将局部特征信息和全局特征信息进行融合,有助于保留多维信息,得到正确的目标物分类结果。
在上述实施例的基础上,本发明实施例中提供的道路及其周边地物的分类方法中,在获取目标区域内的点云数据之后还包括:对点云数据进行格式转化、去噪处理。其中,格式转化是将承载点云数据的文件格式转化为需要的格式,例如txt格式,或者ASCII格式。去噪处理是将点云数据中的异常数据去除。
在上述实施例的基础上,本发明实施例中提供的道路及其周边地物的分类方法中,在对点云数据进行格式转化、去噪处理后,还可以将点云数据进行切块,即选取预设大小点云数据作为一块,例如可将预设大小设置为20M。
在上述实施例的基础上,本发明实施例中提供的道路及其周边地物的分类方法,所述点云数据包括3D坐标数据和RGB特征数据;
相应地,所述将所述点云数据进行规格化处理,具体包括:
基于所述3D坐标数据和所述RGB特征数据,通过T-net网络分别回归出坐标旋转矩阵和RGB特征旋转矩阵;
将所述坐标旋转矩阵进行自卷积,自卷积的结果与所述RGB特征旋转矩阵相乘,并基于L2规则化方法将相乘后得到的矩阵进行处理。
具体地,本发明实施例中,将3D坐标数据进行去中心化处理,然后将3D坐标数据、去中心化处理后得到的数据和RGB特征数据输入至T-net网络,通过T-net网络分别回归出坐标旋转矩阵和RGB特征旋转矩阵。例如,目标区域内包括n个点的点云数据,则输入至T-net网络内的数据可通过n*9的矩阵表示。经过T-net网络可回归出9*9的坐标旋转矩阵。将n*9矩阵与得到的9*9的坐标旋转矩阵相乘,再次使用T-net网络卷积出64*64的特征旋转矩阵。由此,可将坐标旋转矩阵和特征旋转矩阵归为规则化状态。然后,基于L2规则化方法将相乘后得到的矩阵进行处理,可使得到的矩阵接近正交。
在上述实施例的基础上,本发明实施例中提供的道路及其周边地物的分类方法,在所述将编码和解码处理后的数据输入至预设分类器中之前,还包括:
基于Adam方法,对编码和解码处理后的数据进行优化。
具体地,本发明实施例中通过Adam方法对编码和解码处理后的数据进行优化,可以加快网络收敛速度。
在上述实施例的基础上,本发明实施例中提供的道路及其周边地物的分类方法,在所述基于Adam方法,对编码和解码处理后的数据进行优化之后,还包括:
基于Momentum方法,对Adam方法优化后的数据进行优化。
具体地,本发明实施例中通过Momentum方法对Adam方法优化后的数据进行优化,可以使最终得到的分类结果更加准确。
在上述实施例的基础上,本发明实施例中提供的道路及其周边地物的分类方法,所述Softmax分类器具体通过如下训练方法进行训练:
将样本点云数据作为输入,将所述样本点云数据对应的区域内各目标物的分类结果作为输出,对所述Softmax分类器进行训练。
具体地,本发明实施例中,Softmax分类器的训练方法具体为:
将样本点云数据作为输入,将所述样本点云数据对应的区域内各目标物的分类结果作为输出,对所述Softmax分类器进行训练。
具体地,本发明实施例中的样本点云数据是指经规格化处理后,并经多层感知机进行编码和解码处理后的点云数据,还可以是经格式转化、去噪处理以及切块、规格化处理以及多层感知机的编码和解码处理后的单块点云数据。样本点云数据对应的区域内各目标物的分类结果可以通过事先标定得到。
在上述实施例的基础上,本发明实施例中提供的道路及其周边地物的分类方法,所述训练方法还包括:
基于集成优化方法,对训练后的所述Softmax分类器进行优化。
具体地,本发明实施例中使用集成(Ensemble)优化方法,可以得到更为稳健的结果并避免过拟合。具体通过背包策略实现,将样本点云数据进行抽样,并根据抽样得到的样本点云数据构建Bootstrap样本集,对Softmax分类器进行训练,然后使Softmax分类器以投票方式输出最优分类结果。
本发明实施例中提供的道路及其周边地物的分类方法,通过集成优化方法的使用,有助于使预设分类器输出更为稳定的最优分类结果,并有效避免了网络的过拟合。
如图2所示,在上述实施例的基础上,本发明实施例中还提供了一种道路及其周边地物的分类系统,包括:数据获取模块21、编码解码处理模块22和分类结果确定模块23。其中,
数据获取模块21用于获取目标区域内的点云数据,所述目标区域内的目标物包括道路以及道路周边地物;
编码解码处理模块22用于将所述点云数据进行规格化处理,并将规格化处理后的所述点云数据输入至多层感知机内,以使所述多层感知机对规格化处理后的所述点云数据进行编码和解码处理;
分类结果确定模块23用于将编码和解码处理后的数据输入至预设分类器中,由所述预设分类器输出所述点云数据对应的分类结果。
具体地,本发明实施例中提供的道路及其周边地物的分类系统中各模块的作用与上述方法类实施例中的处理流程是一一对应的,产生的技术效果也是一致的,本发明实施例中在此不再赘述。
如图3所示,在上述实施例的基础上,本发明实施例中还提供了一种电子设备,包括:处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和总线304;其中,
所述处理器301、存储器302、通信接口303通过总线304完成相互间的通信。所述存储器302存储有可被所述处理器301执行的程序指令,处理器301用于调用存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:S1,获取目标区域内的点云数据,所述目标区域内的目标物包括道路以及道路周边地物;S2,将所述点云数据进行规格化处理,并将规格化处理后的所述点云数据输入至多层感知机内,以使所述多层感知机对规格化处理后的所述点云数据进行编码和解码处理;S3,将编码和解码处理后的数据输入至预设分类器中,由所述预设分类器输出所述点云数据对应的分类结果。
存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上,本发明实施例中还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S1,获取目标区域内的点云数据,所述目标区域内的目标物包括道路以及道路周边地物;S2,将所述点云数据进行规格化处理,并将规格化处理后的所述点云数据输入至多层感知机内,以使所述多层感知机对规格化处理后的所述点云数据进行编码和解码处理;S3,将编码和解码处理后的数据输入至预设分类器中,由所述预设分类器输出所述点云数据对应的分类结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种道路及其周边地物的分类方法,其特征在于,包括:
获取目标区域内的点云数据,目标区域内的目标物包括道路以及道路周边地物;
将所述点云数据进行规格化处理,并将规格化处理后的所述点云数据输入至多层感知机内,以使所述多层感知机对规格化处理后的所述点云数据进行编码和解码处理;
将编码和解码处理后的数据输入至预设分类器中,由所述预设分类器输出所述点云数据对应的分类结果;
所述点云数据包括3D坐标数据和RGB特征数据;
相应地,所述将所述点云数据进行规格化处理,具体包括:
基于所述3D坐标数据和所述RGB特征数据,通过T-net网络分别回归出坐标旋转矩阵和RGB特征旋转矩阵;
将所述坐标旋转矩阵进行自卷积,自卷积的结果与所述RGB特征旋转矩阵相乘,并基于L2规则化方法将相乘后得到的矩阵进行处理;
所述将所述坐标旋转矩阵进行自卷积,具体包括:
将3D坐标数据进行去中心化处理,然后将3D坐标数据、去中心化处理后得到的数据和RGB特征数据输入至T-net网络,通过矩阵表示,并将该矩阵与所述坐标旋转矩阵进行相乘;
在获取目标区域内的点云数据之后还包括:对点云数据进行格式转化、去噪处理。
2.根据权利要求1所述的道路及其周边地物的分类方法,其特征在于,在所述将编码和解码处理后的数据输入至预设分类器中之前,还包括:
基于Adam方法,对编码和解码处理后的数据进行优化。
3.根据权利要求2所述的道路及其周边地物的分类方法,其特征在于,在所述基于Adam方法,对编码和解码处理后的数据进行优化之后,还包括:
基于Momentum方法,对Adam方法优化后的数据进行优化。
4.根据权利要求1-3中任一项所述的道路及其周边地物的分类方法,其特征在于,所述预设分类器具体为Softmax分类器。
5.根据权利要求4所述的道路及其周边地物的分类方法,其特征在于,所述Softmax分类器具体通过如下训练方法进行训练:
将样本点云数据作为输入,将所述样本点云数据对应的区域内各目标物的分类结果作为输出,对所述Softmax分类器进行训练。
6.根据权利要求5所述的道路及其周边地物的分类方法,其特征在于,所述训练方法还包括:
基于集成优化方法,对训练后的所述Softmax分类器进行优化。
7.一种道路及其周边地物的分类系统,其特征在于,包括:
数据获取模块,用于获取目标区域内的点云数据,目标区域内的目标物包括道路以及道路周边地物;
编码解码处理模块,用于将所述点云数据进行规格化处理,并将规格化处理后的所述点云数据输入至多层感知机内,以使所述多层感知机对规格化处理后的所述点云数据进行编码和解码处理;
分类结果确定模块,用于将编码和解码处理后的数据输入至预设分类器中,由所述预设分类器输出所述点云数据对应的分类结果;
所述点云数据包括3D坐标数据和RGB特征数据;
相应地,所述编码解码处理模块,具体用于:
基于所述3D坐标数据和所述RGB特征数据,通过T-net网络分别回归出坐标旋转矩阵和RGB特征旋转矩阵;
将所述坐标旋转矩阵进行自卷积,自卷积的结果与所述RGB特征旋转矩阵相乘,并基于L2规则化方法将相乘后得到的矩阵进行处理;
所述编码解码处理模块,具体用于:
将3D坐标数据进行去中心化处理,然后将3D坐标数据、去中心化处理后得到的数据和RGB特征数据输入至T-net网络,通过矩阵表示,并将该矩阵与所述坐标旋转矩阵进行相乘;
所述数据获取模块在获取目标区域内的点云数据之后还用于:对点云数据进行格式转化、去噪处理。
8.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如权利要求1-6中任一项所述的道路及其周边地物的分类方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1-6中任一项所述的道路及其周边地物的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811400283.3A CN109657556B (zh) | 2018-11-22 | 2018-11-22 | 道路及其周边地物的分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811400283.3A CN109657556B (zh) | 2018-11-22 | 2018-11-22 | 道路及其周边地物的分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657556A CN109657556A (zh) | 2019-04-19 |
CN109657556B true CN109657556B (zh) | 2021-04-13 |
Family
ID=66111294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811400283.3A Active CN109657556B (zh) | 2018-11-22 | 2018-11-22 | 道路及其周边地物的分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657556B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807774B (zh) * | 2019-09-30 | 2022-07-12 | 九天创新(广东)智能科技有限公司 | 一种点云分类与语义分割方法 |
CN111985564A (zh) * | 2020-08-20 | 2020-11-24 | 国网山东省电力公司临沂供电公司 | 一种层次化勘测及多维度标识的勘测标识系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107608005B (zh) * | 2017-06-07 | 2019-04-30 | 同济大学 | 一种异常地质探测解析方法及系统 |
CN107748890A (zh) * | 2017-09-11 | 2018-03-02 | 汕头大学 | 一种基于深度图像的视觉抓取方法、装置及其可读存储介质 |
CN108196535B (zh) * | 2017-12-12 | 2021-09-07 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶系统 |
-
2018
- 2018-11-22 CN CN201811400283.3A patent/CN109657556B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109657556A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685842B (zh) | 一种基于多尺度网络的稀疏深度稠密化方法 | |
CN112417967B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
US10984659B2 (en) | Vehicle parking availability map systems and methods | |
US20210390329A1 (en) | Image processing method, device, movable platform, unmanned aerial vehicle, and storage medium | |
CN110226186B (zh) | 表示地图元素的方法和装置以及定位的方法和装置 | |
EP4152204A1 (en) | Lane line detection method, and related apparatus | |
CN111256693B (zh) | 一种计算位姿变化方法及车载终端 | |
CN110136058B (zh) | 一种基于俯视拼接图的建图方法及车载终端 | |
WO2023124442A1 (zh) | 积水深度检测方法及装置 | |
CN109657556B (zh) | 道路及其周边地物的分类方法及系统 | |
CN113340312A (zh) | 一种ar室内实景导航方法及系统 | |
CN114782787A (zh) | 一种对点云与图像数据进行特征融合的处理方法和装置 | |
CN115205803A (zh) | 自动驾驶环境感知方法、介质及车辆 | |
CN110645996B (zh) | 一种感知数据的提取方法及系统 | |
CN116737857A (zh) | 道路数据处理方法、相关装置和介质 | |
EP3764335A1 (en) | Vehicle parking availability map systems and methods | |
CN115689946A (zh) | 图像修复方法、电子设备及计算机程序产品 | |
CN113901903A (zh) | 道路识别方法和装置 | |
CN113033608A (zh) | 遥感影像道路提取方法及装置 | |
CN112654998A (zh) | 一种车道线检测方法和装置 | |
CN116778262B (zh) | 一种基于虚拟点云的三维目标检测方法和系统 | |
CN111738267B (zh) | 基于线性多步残差学习的视觉感知方法及视觉感知装置 | |
Öztürk et al. | Computer Vision-Based Lane Detection and Detection of Vehicle, Traffic Sign, Pedestrian Using YOLOv5 | |
CN115661796A (zh) | 路牌的识别方法、装置及车辆 |
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 |