CN110349260B - 一种路面标线自动提取方法及装置 - Google Patents

一种路面标线自动提取方法及装置 Download PDF

Info

Publication number
CN110349260B
CN110349260B CN201910626266.XA CN201910626266A CN110349260B CN 110349260 B CN110349260 B CN 110349260B CN 201910626266 A CN201910626266 A CN 201910626266A CN 110349260 B CN110349260 B CN 110349260B
Authority
CN
China
Prior art keywords
point cloud
pavement
clustering
road surface
coordinate
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
Application number
CN201910626266.XA
Other languages
English (en)
Other versions
CN110349260A (zh
Inventor
李框宇
郑小辉
陈岩
周超
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence Co Ltd
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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN201910626266.XA priority Critical patent/CN110349260B/zh
Publication of CN110349260A publication Critical patent/CN110349260A/zh
Application granted granted Critical
Publication of CN110349260B publication Critical patent/CN110349260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种路面标线自动提取方法及装置，首先挑选各类路面点云样本，根据路面点云的三维信息生成相应的特征向量，利用生成的特征向量对非线性支持向量机进行训练，得到分类模型；然后对待分类路面点云进行处理，根据路面点云的三维信息生成相应的特征向量，利用所述分类模型对待分类点云进行分类。本发明利用点云坐标的三维信息，根据三维信息计算特征向量，结合非线性支持向量机的方法对计算的特征向量进行分类，可以有效的减小路面非标线点云的误提取率，而且也大大减少了运算量。

Description

一种路面标线自动提取方法及装置
技术领域
本发明涉及高精度电子地图领域，特别涉及一种基于激光点云的路面标线自动提取方法及装置。
背景技术
高精度电子地图是汽车自动驾驶和高级辅助驾驶技术不可或缺的一部分，为自动驾驶汽车进行精确定位和正确决策提供主要依据。路面标线信息的检测，包括车道、箭头、导流带、减速标线等地面要素，是高精度电子地图生产的核心问题集中之一。高精度地图的精度达到厘米级，这对确保无人驾驶汽车的安全至关重要，激光雷达获得的路面点云数据可以满足高精度地图对精度的要求，是生产高精度电子地图底图的基础数据。
目前路面点云的自动分类方法主要可以分为两种，一种是通过将点云转换为灰度图像，然后利用图像的深度学习方法对图像中的像素进行分类，然后再逆映射回点云数据，从而得到目标结果的点云数据。该方法计算量大，仅用到了点云的强度信息，且在数据转换的过程中，伴随着坐标精度损失等问题；另一种是根据图像的深度学习结果，生成三维坐标，然后与点云数据进行匹配，找到目标在点云数据中的大致位置，从而在点云的局部区域中提取目标地物的点云。该方法同样需要依赖图像数据，而且对图像与点云数据的配准要求较高。
发明内容
本发明针对现有技术中存在的技术问题，提供一种直接从点云中自动提取道路标线的有效方法，如车道线、箭头、导流带等标线。本发明同时利用了点云坐标的三维信息，根据三维信息计算特征向量，结合非线性支持向量机的方法对计算的特征向量进行分类，可以有效的减小路面非标线点云的误提取率，而且也大大减少了运算量。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供一种路面标线自动提取方法，包括以下步骤：
挑选各类路面点云样本，根据路面点云的三维信息生成相应的特征向量，利用生成的特征向量对非线性支持向量机进行训练，得到分类模型；
对待分类路面点云进行处理，根据路面点云的三维信息生成相应的特征向量，利用所述分类模型对待分类点云进行分类。
第二方面，本发明提供一种路面标线自动提取装置，包括：
模型构建模块，用于挑选各类路面点云样本，根据路面点云的三维信息生成相应的特征向量，利用生成的特征向量对非线性支持向量机进行训练，得到分类模型；
分类提取模块，用于对待分类路面点云进行处理，根据路面点云的三维信息生成相应的特征向量，利用所述分类模型对待分类点云进行分类。
本发明的有益效果是：本发明公开一种直接从点云中自动提取道路标线的有效方法，如车道线、箭头、导流带等标线。由于本发明利用了点云坐标的三维信息，根据三维信息计算特征向量，结合非线性支持向量机的方法对计算的特征向量进行分类，可以有效的减小路面非标线点云的误提取率，而且也大大减少了运算量。
进一步的，所述的特征向量的生成过程包括：
对路面点云进行强度分割并进行聚类、过滤处理；
获取聚类、过滤处理后的路面点云的扫描线信息并根据所述扫描信息计算其几何特征作为所述路面点云的特征向量。
具体的，所述的对路面点云进行强度分割并进行聚类、过滤处理，包括：
将路面点云沿车辆轨迹方向及轨迹垂直方向分成n个方块；
以点云的强度值为分割依据，采用多种阈值分割方法相结合的策略，计算每块点云的强度分割阈值Ti，并保存相应子块中强度值大于分割阈值的点，获得n块高亮点云，其中i表示第i块点云；
采用多种聚类算法相结合的策略，分别对所述n块高亮点云进行聚类，并保存符合过滤条件的聚类结果。
进一步的，所述的采用多种聚类算法相结合的策略，分别对所述n块高亮点云进行聚类，并保存符合过滤条件的聚类结果，包括：
采用多种聚类算法相结合的策略，分别对n块高亮点云进行聚类，保存点数多于count，且最小外接包围盒的长宽比大于ratiolw的聚类结果，得到c1个聚类结果，其中count和ratiolw为初步筛选聚类结果的阈值；
采用多种聚类算法相结合的策略，对c1个聚类结果再次进行聚类，保存最小外接包围盒的长宽比大于λ的聚类结果，得到c2个聚类结果。
进一步的，所述的获取聚类、过滤处理后的路面点云的扫描线信息并根据所述扫描信息计算其几何特征作为所述路面点云的特征向量，包括：
根据点云存储时间序列，获取聚类、过滤处理后的路面点云的扫描线信息；同时根据点云的主方向，得到单条扫描线所在扫描面的单位法向量
Figure BDA0002127203690000033
求解使得扫描面的法向量变为与竖直方向夹角为90°的旋转矩阵Mi，对每条扫描线的坐标(xi,yi,zi)进行变换，得到(xit,yit,zit)，其中i表示第i条扫描线；
利用最小二乘法，拟合单条扫描线y坐标关于x坐标的直线方程：
Figure BDA0002127203690000031
将单条扫描线点云坐标重置为
Figure BDA0002127203690000032
根据直线方程的单位方向向量
Figure BDA0002127203690000041
将空间点云
Figure BDA0002127203690000042
转换为二维平面内的坐标(ur,zt)，其中
Figure BDA0002127203690000043
利用最小二乘法，拟合单条扫描线的z坐标关于ur的直线方程：
Figure BDA0002127203690000044
分别计算单条扫描线拟合前后z坐标的标准差σi；
计算所有扫描线标准差的均值
Figure BDA0002127203690000045
及其标准方差δ，构成特征向量
Figure BDA0002127203690000046
其中
Figure BDA0002127203690000047
对三维的扫描线点云坐标变换为二维坐标，使得三维扫描线转换为在扫描面内的二维曲线，该曲线相当于扫描面与路面的某个交线，平面与平面的交线为直线，平面与曲面的交线为曲线，所以通过分析扫描面内的二维曲线与直线的相关性，可以比较科学的判断出扫描线点云是属于标线、路面，还是其它与路面比较相似的地物。
进一步的，所述的获取聚类、过滤处理后的路面点云的扫描线信息并根据所述扫描信息计算其几何特征作为所述路面点云的特征向量，还包括：
若所述路面点云以散乱点云形式存储，则根据路面点云的主方向重建扫描线信息。
具体的，所述的根据路面点云的主方向重建扫描线信息，包括：
根据路面点云利用PCA算法计算点云的主方向，并在点云区域内构造一系列以所述主方向为法向量并且按固定间隔d排列的平行平面，其中平行平面的个数Pn根据如下公式计算；
Figure BDA0002127203690000048
其中Lp为点云在主方向上的长度；
利用所述平行平面模拟激光雷达的扫描面，从点云中构造出Pn条带有扫描线信息的点串。
第三方面，本发明提供一种路面标线自动提取装置，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，实现第一方面所述的一种路面标线自动提取方法。
第四方面，本发明提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有用于实现第一方面所述的一种路面标线自动提取方法的计算机软件程序。
附图说明
图1为本发明实施例一提供的一种路面标线自动提取方法流程图；
图2为本发明实施例二提供的一种路面标线自动提取装置结构图；
图3为本发明实施例三提供的一种路面标线自动提取装置结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例一
如图1所示，本发明实施例提供一种路面标线自动提取方法，包括以下步骤：
S1，挑选各类路面点云样本，根据路面点云的三维信息生成相应的特征向量，利用生成的特征向量对非线性支持向量机进行训练，得到分类模型；
S2，对待分类路面点云进行处理，根据路面点云的三维信息生成相应的特征向量，利用所述分类模型对待分类点云进行分类。
本发明实施例利用点云坐标的三维信息，根据三维信息计算特征向量，结合非线性支持向量机的方法对计算的特征向量进行分类，可以有效的减小路面非标线点云的误提取率，而且也大大减少了运算量。
作为本方案的一优选实施例，所述的特征向量的生成过程包括：
S201,对路面点云进行强度分割并进行聚类、过滤处理；
S202,获取聚类、过滤处理后的路面点云的扫描线信息并根据所述扫描信息计算其几何特征作为所述路面点云的特征向量。
具体的，S201包括以下步骤：
S301，将路面点云沿车辆轨迹方向及轨迹垂直方向分成n个方块；每块的长度lrect与车道宽度有关，其值不要超过车道宽度的一半，如此是为了避免车辆外业采集数据时，道路两侧的激光角点返回强度值不均匀，导致强度分割效果不好的问题，点云子块宽度可取1米；
S302，以点云的强度值为分割依据，采用多种阈值分割方法相结合的策略，如统计直方图法、大津法等算法，计算每块点云的强度分割阈值Ti，并保存相应子块中强度值大于分割阈值的点，获得n块高亮点云，其中i表示第i块点云；
S303，采用多种聚类算法相结合的策略，如欧几里得聚类，点密度聚类等算法，分别对n块高亮点云进行聚类，保存点数多于count，且最小外接包围盒的长宽比大于ratiolw的聚类结果，得到c1个聚类结果，其中count和ratiolw为初步筛选聚类结果的阈值，count可取50，ratiolw一般取
Figure BDA0002127203690000061
附近的值。
S304，采用多种聚类算法相结合的策略，如欧几里得聚类，点密度聚类等算法，对c1个聚类结果再次进行聚类，保存最小外接包围盒的长宽比大于λ的聚类结果，得到c2个聚类结果。这里λ取值1.5。
作为本方案的一优选实施例，S202包括以下步骤：
S401，判断路面点云中是否包含扫描线信息或者路面点云按照时间序列存储，若包含扫描线信息或者路面点云按照时间序列存储则跳转至步骤S404，否则执行步骤S402；
S402，针对乱序存储的路面点云重建扫描线信息；
一般而言，路面标线都具有明显的方向性，因此可以利用PCA(主成分分析)算法或其他方法，计算点云的主方向，然后在点云区域内构造一系列以所述主方向为法向量并且按固定间隔d排列的平行平面，其中平行平面的个数Pn根据如下公式计算；
Figure BDA0002127203690000071
其中Lp为点云在主方向上的长度。
S403，利用所述平行平面模拟激光雷达的扫描面，从点云中构造出Pn条带有扫描线信息的点串，相当于重新构建了点云对应实体目标的若干扫描线点云。
S404，根据点云的主方向，得到单条扫描线所在扫描面的单位法向量
Figure BDA00021272036900000712
S405，求解使得扫描面的法向量变为与竖直方向夹角为90°的旋转矩阵Mi，对每条扫描线的坐标(xi,yi,zi)进行变换，得到(xit,yit,zit)，其中i表示第i条扫描线；
S406，利用最小二乘法，拟合单条扫描线y坐标关于x坐标的直线方程：
Figure BDA0002127203690000072
将单条扫描线点云坐标重置为
Figure BDA0002127203690000073
S407，根据直线方程的单位方向向量
Figure BDA0002127203690000074
将空间点云
Figure BDA0002127203690000075
转换为二维平面内的坐标(ur,zt)，其中
Figure BDA0002127203690000076
具体变换公式如下：
Figure BDA0002127203690000077
S408，利用最小二乘法，拟合单条扫描线的z坐标关于ur的直线方程：
Figure BDA0002127203690000078
分别计算单条扫描线拟合前后z坐标的标准差σi；
S409，计算所有扫描线标准差的均值
Figure BDA0002127203690000079
及其标准方差δ，构成特征向量
Figure BDA00021272036900000710
其中
Figure BDA00021272036900000711
本发明对三维的扫描线点云坐标变换为二维坐标，使得三维扫描线转换为在扫描面内的二维曲线，该曲线相当于扫描面与路面的某个交线，平面与平面的交线为直线，平面与曲面的交线为曲线，所以通过分析扫描面内的二维曲线与直线的相关性，可以比较科学的判断出扫描线点云是属于标线、路面，还是其它与路面比较相似的地物。
实施例2
如图2所示，本发明实施例提供一种路面标线自动提取装置，包括：
模型构建模块，用于挑选各类路面点云样本，根据路面点云的三维信息生成相应的特征向量，利用生成的特征向量对非线性支持向量机进行训练，得到分类模型；
分类提取模块，用于对待分类路面点云进行处理，根据路面点云的三维信息生成相应的特征向量，利用所述分类模型对待分类点云进行分类。
实施例3
如图3所示，本发明实施例提供一种路面标线自动提取装置，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，实现第一方面所述的一种路面标线自动提取方法。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括如下步骤：(方法的步骤)，所述的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种路面标线自动提取方法，其特征在于，包括以下步骤：
挑选各类路面点云样本，根据路面点云的三维信息生成相应的特征向量，利用生成的特征向量对非线性支持向量机进行训练，得到分类模型；
对待分类路面点云进行处理，根据路面点云的三维信息生成相应的特征向量，利用所述分类模型对待分类点云进行分类；
所述的特征向量的生成过程包括：
对路面点云进行强度分割并进行聚类、过滤处理；
根据点云存储时间序列，获取聚类、过滤处理后的路面点云的扫描线信息；同时利用PCA算法计算点云主方向并根据点云的主方向，得到单条扫描线所在扫描面的单位法向量
Figure FDA0003634439680000011
求解使得扫描面的法向量变为与竖直方向夹角为90°的旋转矩阵Mi，对每条扫描线的坐标(xi,yi,zi)进行变换，得到(xit,yit,zit)，其中i表示第i条扫描线；
利用最小二乘法，拟合单条扫描线y坐标关于x坐标的直线方程：
Figure FDA0003634439680000012
将单条扫描线点云坐标重置为
Figure FDA0003634439680000013
根据直线方程的单位方向向量
Figure FDA0003634439680000014
将空间点云
Figure FDA0003634439680000015
转换为二维平面内的坐标(ur,zt)，其中
Figure FDA0003634439680000016
利用最小二乘法，拟合单条扫描线的z坐标关于ur的直线方程：
Figure FDA0003634439680000017
分别计算单条扫描线拟合前后z坐标的标准差σi；
计算所有扫描线标准差的均值
Figure FDA0003634439680000018
及其标准方差δ，构成特征向量
Figure FDA0003634439680000019
其中
Figure FDA00036344396800000110
2.根据权利要求1所述的方法，其特征在于，所述的对路面点云进行强度分割并进行聚类、过滤处理，包括：
将路面点云沿车辆轨迹方向及轨迹垂直方向分成n个方块；
以点云的强度值为分割依据，采用多种阈值分割方法相结合的策略，计算每块点云的强度分割阈值Ti，并保存相应子块中强度值大于分割阈值的点，获得n块高亮点云，其中i表示第i块点云；
采用多种聚类算法相结合的策略，分别对所述n块高亮点云进行聚类，并保存符合过滤条件的聚类结果。
3.根据权利要求2所述的方法，其特征在于，所述的采用多种聚类算法相结合的策略，分别对所述n块高亮点云进行聚类，并保存符合过滤条件的聚类结果，包括：
采用多种聚类算法相结合的策略，分别对n块高亮点云进行聚类，保存点数多于count，且最小外接包围盒的长宽比大于ratiolw的聚类结果，得到c1个聚类结果，其中count和ratiolw为初步筛选聚类结果的阈值；
采用多种聚类算法相结合的策略，对c1个聚类结果再次进行聚类，保存最小外接包围盒的长宽比大于λ的聚类结果，得到c2个聚类结果。
4.根据权利要求1所述的方法，其特征在于，还包括：
若所述路面点云以散乱点云形式存储，则根据路面点云的主方向重建扫描线信息。
5.根据权利要求4所述的方法，其特征在于，所述的根据路面点云的主方向重建扫描线信息，包括：
根据路面点云利用PCA算法计算点云的主方向，并在点云区域内构造一系列以所述主方向为法向量并且按固定间隔d排列的平行平面，其中平行平面的个数Pn根据如下公式计算；
Figure FDA0003634439680000021
其中Lp为点云在主方向上的长度；
利用所述平行平面模拟激光雷达的扫描面，从点云中构造出Pn条带有扫描线信息的点串。
6.一种路面标线自动提取装置，其特征在于，包括：
模型构建模块，用于挑选各类路面点云样本，根据路面点云的三维信息生成相应的特征向量，利用生成的特征向量对非线性支持向量机进行训练，得到分类模型；
分类提取模块，用于对待分类路面点云进行处理，根据路面点云的三维信息生成相应的特征向量，利用所述分类模型对待分类点云进行分类；
所述的特征向量的生成过程包括：
对路面点云进行强度分割并进行聚类、过滤处理；
根据点云存储时间序列，获取聚类、过滤处理后的路面点云的扫描线信息；同时利用PCA算法计算点云主方向并根据点云的主方向，得到单条扫描线所在扫描面的单位法向量
Figure FDA0003634439680000031
求解使得扫描面的法向量变为与竖直方向夹角为90°的旋转矩阵Mi，对每条扫描线的坐标(xi,yi,zi)进行变换，得到(xit,yit,zit)，其中i表示第i条扫描线；
利用最小二乘法，拟合单条扫描线y坐标关于x坐标的直线方程：
Figure FDA0003634439680000032
将单条扫描线点云坐标重置为
Figure FDA0003634439680000033
根据直线方程的单位方向向量
Figure FDA0003634439680000034
将空间点云
Figure FDA0003634439680000035
转换为二维平面内的坐标(ur,zt)，其中
Figure FDA0003634439680000036
利用最小二乘法，拟合单条扫描线的z坐标关于ur的直线方程：
Figure FDA0003634439680000037
分别计算单条扫描线拟合前后z坐标的标准差σi；
计算所有扫描线标准差的均值
Figure FDA0003634439680000038
及其标准方差δ，构成特征向量
Figure FDA0003634439680000039
其中
Figure FDA00036344396800000310
7.一种路面标线自动提取装置，其特征在于，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，实现权利要求1至5所述的一种路面标线自动提取方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有用于实现权利要求1至5所述的一种路面标线自动提取方法的计算机软件程序。
CN201910626266.XA 2019-07-11 2019-07-11 一种路面标线自动提取方法及装置 Active CN110349260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910626266.XA CN110349260B (zh) 2019-07-11 2019-07-11 一种路面标线自动提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910626266.XA CN110349260B (zh) 2019-07-11 2019-07-11 一种路面标线自动提取方法及装置

Publications (2)

Publication Number Publication Date
CN110349260A CN110349260A (zh) 2019-10-18
CN110349260B true CN110349260B (zh) 2022-06-17

Family

ID=68175711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910626266.XA Active CN110349260B (zh) 2019-07-11 2019-07-11 一种路面标线自动提取方法及装置

Country Status (1)

Country Link
CN (1) CN110349260B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046735B (zh) * 2019-11-13 2022-10-25 武汉中海庭数据技术有限公司 一种车道线点云提取方法、电子设备及存储介质
CN111223107A (zh) * 2019-12-31 2020-06-02 武汉中海庭数据技术有限公司 基于点云深度学习的点云数据集制作系统及方法
CN111251295B (zh) * 2020-01-16 2021-05-14 清华大学深圳国际研究生院 一种应用于参数化零件的视觉机械臂抓取方法及装置
CN111291697B (zh) * 2020-02-19 2023-11-21 阿波罗智能技术(北京)有限公司 用于识别障碍物的方法和装置
CN111696115B (zh) * 2020-04-29 2023-04-14 山东省国土测绘院 一种基于点云扫描线的斑马线角点提取方法及系统
CN112330604B (zh) * 2020-10-19 2021-08-10 香港理工大学深圳研究院 一种从点云数据生成矢量化道路模型的方法
CN113159511B (zh) * 2021-03-18 2023-09-12 安徽省交通控股集团有限公司 一种高速公路路基施工过程质量综合评价方法
CN113344029B (zh) * 2021-05-10 2024-04-05 深圳瀚维智能医疗科技有限公司 人体点云提取方法、电子装置和可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
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
CN107918753A (zh) * 2016-10-10 2018-04-17 腾讯科技（深圳）有限公司 点云数据处理方法及装置
CN108845569A (zh) * 2018-04-27 2018-11-20 厦门维斯云景信息科技有限公司 生成三维高清道路图水平弯道行车线的半自动点云方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI590197B (zh) * 2016-07-19 2017-07-01 私立淡江大學 影像物體特徵描述方法及影像處理裝置
CN108828621A (zh) * 2018-04-20 2018-11-16 武汉理工大学 基于三维激光雷达的障碍检测和路面分割算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
CN107918753A (zh) * 2016-10-10 2018-04-17 腾讯科技（深圳）有限公司 点云数据处理方法及装置
CN108845569A (zh) * 2018-04-27 2018-11-20 厦门维斯云景信息科技有限公司 生成三维高清道路图水平弯道行车线的半自动点云方法

Also Published As

Publication number Publication date
CN110349260A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110349260B (zh) 一种路面标线自动提取方法及装置
Wu et al. Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach
CN106650640B (zh) 一种基于激光雷达点云局部结构特征的负障碍物检测方法
CN107292276B (zh) 一种车载点云聚类方法及系统
CN109165549B (zh) 基于三维点云数据的道路标识获取方法、终端设备及装置
CN111179152B (zh) 一种道路标识识别方法及装置、介质、终端
Yu et al. Learning hierarchical features for automated extraction of road markings from 3-D mobile LiDAR point clouds
JP5822255B2 (ja) 対象物識別装置及びプログラム
CN111353512B (zh) 障碍物分类方法、装置、存储介质和计算机设备
CN112613378B (zh) 3d目标检测方法、系统、介质及终端
CN110992341A (zh) 一种基于分割的机载LiDAR点云建筑物提取方法
CN106529431B (zh) 基于车载激光扫描数据的路坎点自动提取及矢量化方法
CN110363771B (zh) 一种基于三维点云数据的隔离护栏形点提取方法及装置
GB2532948A (en) Objection recognition in a 3D scene
CN110322453A (zh) 基于位置注意力和辅助网络的3d点云语义分割方法
CN107833213A (zh) 一种基于伪真值自适应法的弱监督物体检测方法
CN115049700A (zh) 一种目标检测方法及装置
Cheng et al. Building boundary extraction from high resolution imagery and lidar data
CN110532963B (zh) 一种车载激光雷达点云驱动的道路标线精准提取方法
CN112232248B (zh) 一种多线LiDAR点云数据平面特征的提取方法及装置
Börcs et al. Fast 3-D urban object detection on streaming point clouds
CN113970734B (zh) 路侧多线激光雷达降雪噪点去除方法、装置及设备
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
WO2022226831A1 (zh) 未定义类别障碍物的检测方法、装置和计算机设备
CN115797813B (zh) 基于航拍图像的水环境污染检测方法

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