CN110363771B - 一种基于三维点云数据的隔离护栏形点提取方法及装置 - Google Patents

一种基于三维点云数据的隔离护栏形点提取方法及装置 Download PDF

Info

Publication number
CN110363771B
CN110363771B CN201910637410.XA CN201910637410A CN110363771B CN 110363771 B CN110363771 B CN 110363771B CN 201910637410 A CN201910637410 A CN 201910637410A CN 110363771 B CN110363771 B CN 110363771B
Authority
CN
China
Prior art keywords
cloud data
point cloud
point
points
guardrail
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
CN201910637410.XA
Other languages
English (en)
Other versions
CN110363771A (zh
Inventor
刘春成
陈岩
周超
郑小辉
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 CN201910637410.XA priority Critical patent/CN110363771B/zh
Publication of CN110363771A publication Critical patent/CN110363771A/zh
Application granted granted Critical
Publication of CN110363771B publication Critical patent/CN110363771B/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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G06T2207/30241—Trajectory
    • 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

Abstract

本发明涉及一种基于三维点云数据的隔离护栏形点提取方法及装置，其中方法包括：获取单线雷达点云数据，等间距切分并处理成以灰度图的图像坐标呈现的二维点云数据；结合深度信息，基于所述二维点云数据反算出每段隔离护栏的两个端点；根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类；逐条扫描线的，从左右侧护栏点云数据中查找护栏形点。本发明以高精度的三维点云为数据源，借助图像深度学习技术的护栏推理结果，从点云数据中提取护栏要素形点。本发明借助图像深度学习技术，减少人为干预，提高了点云数据制作护栏要素的效率，相对于传统提取方法，有更好的场景泛化能力。

Description

一种基于三维点云数据的隔离护栏形点提取方法及装置
技术领域
本发明涉及自动驾驶高精度地图制作领域，具体涉及一种基于三维点云数据的隔离护栏形点提取方法及装置。
背景技术
隔离护栏是道路中间或者道路两边的防护栏，确保车辆行驶在正确车道内，为车辆行驶提供安全保障，在自动驾驶高精度地图制作中，是重要的道路要素之一。自动驾驶高精度地图制作具有以下特点：
1)自动驾驶高精度地图不同于传统导航地图，其包含三维信息，而且精度要求更高。
2)目前，高精度地图制作仍无法摆脱人为干预，在三维空间中，尤其对护栏要素而言，制作过程费时费力。
3)地图需要及时更新，对制作效率要求高。
综上所述，自动驾驶高精度地图的制作过程需要保证高精度、高效率。在提升效率方面，可以从减少人为干预的角度出发，借助深度学习提高效率。深度学习在图像处理方面的技术较为成熟，但图像只能表达二维信息，目前在高精度地图制作中，单从图像上将二维图像点反算成三维点仍是一个技术难点，无法满足精度要求。在提高精度方面，可以考虑采用三维激光雷达点云来保证精度，但基于三维点云数据的深度学习模型，在高精度地图制作中也存在一些缺陷，如样本制作成本太高。所以在需要保证高精度的前提下，可以从三维点云数据出发，借助图像深度学习技术来提高效率。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于三维点云数据的隔离护栏形点提取方法及装置，以高精度的三维点云为数据源，借助图像深度学习技术的护栏推理结果，从点云数据中提取护栏要素形点。本发明借助图像深度学习技术，减少人为干预，提高了点云数据制作护栏要素的效率，相对于传统提取方法，有更好的场景泛化能力。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供一种基于三维点云数据的隔离护栏形点提取方法，包括：
获取单线雷达点云数据，对所述点云数据进行等间距切分并处理成以灰度图的图像坐标呈现的二维点云数据；结合深度信息，基于所述二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点；
根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类；
逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串。
本发明的有益效果是：针对目前高精度地图制作中，基于点云数据的传统提取方法的场景泛化能力较弱，人工制作护栏要素费时费力的现状，本发明以高精度的三维点云为数据源，借助图像深度学习技术的护栏推理结果，从点云数据中提取护栏要素形点。本发明借助图像深度学习技术，减少人为干预，提高了点云数据制作护栏要素的效率，相对于传统提取方法，有更好的场景泛化能力。与以往无深度学习推理结果作为参考的情况相比，本发明的场景泛化能力更强，召回率及准确率更高，很大程度上减少了作业员的操作，效率更高。
进一步的，所述的获取单线雷达点云数据，对所述点云数据进行等间距切分并处理成以灰度图的图像坐标呈现的二维点云数据，包括：
沿道路方向对点云数据进行等间距切分，道路方向由轨迹点构成的轨迹线确定；
对切分后的点云数据在XOY面上进行旋转，使得旋转后的道路方向平行于X轴或者Y轴；
根据旋转后的点云数据，分别对道路左右两侧的点云数据进行垂直于竖直方向和道路方向的侧向投影；
根据点云数据的反射强度和图像分辨率，对所述投影进行归一化处理；生成灰度图；所述灰度图中包含以图像坐标显示的二维点云数据及其深度信息。
进一步的，所述的根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类，包括：
假设所述隔离护栏的两个端点分别为A1(x1,y1)、A2(x2,y2)，相邻轨迹点为P(x,y)，则向量
Figure GDA0003004538920000031
向量
Figure GDA0003004538920000032
计算向量
Figure GDA0003004538920000033
和
Figure GDA0003004538920000034
的叉乘：
Figure GDA0003004538920000035
若
Figure GDA0003004538920000036
的值大于0，则判定轨迹点P在
Figure GDA0003004538920000037
的右侧，即端点为A1、A2的隔离护栏在道路左侧；
若
Figure GDA0003004538920000038
的值小于0，则判定轨迹点P在
Figure GDA0003004538920000039
的左侧，即端点为A1、A2的隔离护栏在道路右侧。
进一步的，所述的逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，包括：
以相邻轨迹点在XOY面上构建二维轨迹线，逐条在扫描线上获取距离所述轨迹线最近的点，并以此作为路面起始点；
从该起始点沿扫描线向道路两侧寻找路面边界点；
根据点密度的差异，从路面边界点向沿扫描线向道路两侧搜索密集点云；
从所述道路两侧的密集点云数据中查找护栏形点，形成所述隔离护栏的形点串。
优选的，所述的从所述道路两侧的密集点云数据中查找护栏形点，形成所述隔离护栏的形点串，包括：
在密集点云数据中寻找距离隔离护栏的两个端点连线最近的点作为隔离护栏的形点；
将按扫描线逐条获取的形点按时序进行排列组合，形成隔离护栏的形点串。
在上述方法的基础上，本发明方法还包括：
在从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串之后，对左右两侧护栏的形点串进行形点滤波和形点抽稀操作。
另一方面，本发明还提供一种基于三维点云数据的隔离护栏形点提取装置，包括：
数据转换及端点提取模块，用于获取单线雷达点云数据，对所述点云数据进行等间距切分并处理成以灰度图的图像坐标呈现的二维点云数据；结合深度信息，基于所述二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点；
分类模块，用于根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类；
形点提取模块，用于逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串。
进一步的，所述形点提取模块具体用于：
以相邻轨迹点在XOY面上构建二维轨迹线，逐条在扫描线上获取距离所述轨迹线最近的点，并以此作为路面起始点；
从该起始点沿扫描线向道路两侧寻找路面边界点；
根据点密度的差异，从路面边界点向沿扫描线向道路两侧搜索密集点云；
从所述道路两侧的密集点云数据中查找护栏形点，形成所述隔离护栏的形点串。
第三方面，本发明还提供一种基于三维点云数据的隔离护栏形点提取装置，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基于三维点云数据的隔离护栏形点提取方法。
第四方面，本发明还提供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中存储有用于实现第一方面所述的一种基于三维点云数据的隔离护栏形点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基于三维点云数据的隔离护栏形点提取方法流程图；
图2为本发明实施例二提供的一种基于三维点云数据的隔离护栏形点提取装置结构图；
图3为本发明实施例三提供的一种基于三维点云数据的隔离护栏形点提取装置结构图。
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基于三维点云数据的隔离护栏形点提取方法，包括：
S100，获取单线雷达点云数据，对所述点云数据进行等间距切分并处理成以灰度图的图像坐标呈现的二维点云数据；结合深度信息，基于所述二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点。
具体的，首先，获取单线雷达激光点云数据。单线激光雷达获取的道路点云数据，在道路范围内，行车方向上顺序形成了若干条相互近似平行的，由密集离散点构成的扫描线，扫描线的道路面部分与道路方向垂直，扫描线上的点按顺序排列。
其次，为了借助深度学习提高护栏要素制作效率，同时考虑到深度学习在图像处理方面的技术成熟度，需要将单线雷达点云数据转换成图像数据，以便于利用深度学习算法处理点云数据，得到隔离护栏的形点串。
具体的，本实施例沿道路方向对点云数据进行等间距(例如5米)切分，道路方向由轨迹点构成的轨迹线确定。轨迹点具体指车辆行驶轨迹点，是车辆在行驶过程中采集的GPS坐标点，将GPS坐标点按时间顺序串联起来即为轨迹线。
对切分后的点云数据在XOY面上进行旋转，使得旋转后的道路方向平行于X轴或者Y轴。这里XOY是以道路方向为X轴，道路垂直方向为Y轴建立的平面坐标系。
根据旋转后的点云数据，分别对道路左右两侧的点云数据进行垂直于竖直方向和道路方向的侧向投影；
根据点云数据的反射强度和图像分辨率(例如：1024*1024)，对所述投影进行归一化处理；最终得到包含以图像坐标显示的二维点云数据及其深度信息的灰度图。
最后，结合深度信息，基于以图像坐标形式表示的二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点。
该处提到的两个端点是深度学习反算的结果，并不是点云数据中的点，两个端点的作用是确定一个长度范围，即灰度图表示的实际环境中的长度范围，在这个范围内，从点云数据中提取护栏形点，端点连线与扫描线是垂直的，所以每两个端点之间会包含若干条扫描线，扫描线是按时序进行排列，从这些扫描线中提取到的若干点构成了隔离护栏形点串，不包含上述的端点。
S200，根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类。
具体的，假设所述隔离护栏的两个端点分别为A1(x1,y1)、A2(x2,y2)，相邻轨迹点为P(x,y)，则向量
Figure GDA0003004538920000071
向量
Figure GDA0003004538920000072
计算向量
Figure GDA0003004538920000073
和
Figure GDA0003004538920000074
的叉乘：
Figure GDA0003004538920000075
若
Figure GDA0003004538920000076
的值大于0，则判定轨迹点P在
Figure GDA0003004538920000077
的右侧，即端点为A1、A2的隔离护栏在道路左侧；
若
Figure GDA0003004538920000081
的值小于0，则判定轨迹点P在
Figure GDA0003004538920000082
的左侧，即端点为A1、A2的隔离护栏在道路右侧。
S300，逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串。
具体的，以相邻轨迹点在XOY面上构建二维轨迹线，逐条在扫描线上获取距离所述轨迹线最近的点，并以此作为路面起始点；
从该起始点沿扫描线向道路两侧寻找路面边界点；
根据点密度的差异，从路面边界点向沿扫描线向道路两侧搜索密集点云；
在密集点云数据中寻找距离隔离护栏的两个端点连线最近的点作为隔离护栏的形点；
将按扫描线逐条获取的形点按时序进行排列组合，形成隔离护栏的形点串。
S400，在从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串之后，对左右两侧护栏的形点串进行形点滤波和形点抽稀操作，在不影响提取的形点串精度的前提下降低数据容量。
针对目前高精度地图制作中，基于点云数据的传统提取方法的场景泛化能力较弱，人工制作护栏要素费时费力的现状，本发明以高精度的三维点云为数据源，借助图像深度学习技术的护栏推理结果，从点云数据中提取护栏要素形点。本发明借助图像深度学习技术，减少人为干预，提高了点云数据制作护栏要素的效率，相对于传统提取方法，有更好的场景泛化能力。与以往无深度学习推理结果作为参考的情况相比，本发明的场景泛化能力更强，召回率及准确率更高，很大程度上减少了作业员的操作，效率更高。
实施例二
如图2所示，本发明实施例提供一种基于三维点云数据的隔离护栏形点提取装置，包括：
数据转换及端点提取模块，用于获取单线雷达点云数据，对所述点云数据进行等间距切分并处理成以灰度图的图像坐标呈现的二维点云数据；结合深度信息，基于所述二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点；
分类模块，用于根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类；
形点提取模块，用于逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串。
其中，所述数据转换及端点提取模块，具体执行以下操作：
首先，获取单线雷达激光点云数据。单线激光雷达获取的道路点云数据，在道路范围内，行车方向上顺序形成了若干条相互近似平行的，由密集离散点构成的扫描线，扫描线的道路面部分与道路方向垂直，扫描线上的点按顺序排列。
其次，为了借助深度学习提高护栏要素制作效率，同时考虑到深度学习在图像处理方面的技术成熟度，需要将单线雷达点云数据转换成图像数据，以便于利用深度学习算法处理点云数据，得到隔离护栏的形点串。
具体的，本实施例沿道路方向对点云数据进行等间距(例如5米)切分，道路方向由轨迹点构成的轨迹线确定。轨迹点具体指车辆行驶轨迹点，是车辆在行驶过程中采集的GPS坐标点，将GPS坐标点按时间顺序串联起来即为轨迹线。
对切分后的点云数据在XOY面上进行旋转，使得旋转后的道路方向平行于X轴或者Y轴。这里XOY是以道路方向为X轴，道路垂直方向为Y轴建立的平面坐标系。
根据旋转后的点云数据，分别对道路左右两侧的点云数据进行垂直于竖直方向和道路方向的侧向投影；
根据点云数据的反射强度和图像分辨率(例如：1024*1024)，对所述投影进行归一化处理；最终得到包含以图像坐标显示的二维点云数据及其深度信息的灰度图。
最后，结合深度信息，基于以图像坐标形式表示的二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点。
所述分类模块在进行隔离护栏按照道路左右侧进行分类时，按照以下方式进行：
假设所述隔离护栏的两个端点分别为A1(x1,y1)、A2(x2,y2)，相邻轨迹点为P(x,y)，则向量
Figure GDA0003004538920000101
向量
Figure GDA0003004538920000102
计算向量
Figure GDA0003004538920000103
和
Figure GDA0003004538920000104
的叉乘：
Figure GDA0003004538920000105
若
Figure GDA0003004538920000106
的值大于0，则判定轨迹点P在
Figure GDA0003004538920000107
的右侧，即端点为A1、A2的隔离护栏在道路左侧；
若
Figure GDA0003004538920000108
的值小于0，则判定轨迹点P在
Figure GDA0003004538920000109
的左侧，即端点为A1、A2的隔离护栏在道路右侧。
所述形点提取模块具体执行以下操作：
以相邻轨迹点在XOY面上构建二维轨迹线，逐条在扫描线上获取距离所述轨迹线最近的点，并以此作为路面起始点；
从该起始点沿扫描线向道路两侧寻找路面边界点；
根据点密度的差异，从路面边界点向沿扫描线向道路两侧搜索密集点云；
在密集点云数据中寻找距离隔离护栏的两个端点连线最近的点作为隔离护栏的形点；
将按扫描线逐条获取的形点按时序进行排列组合，形成隔离护栏的形点串。
在上述内容的基础上，本实施例所述的一种基于三维点云数据的隔离护栏形点提取装置，还包括一优化模块，用于在不影响提取的形点串精度的前提下降低数据容量。具体的，所述优化模块用于在所述形点提取模块从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串之后，对左右两侧护栏的形点串进行形点滤波和形点抽稀操作
实施例三
如图3所示，本发明实施例提供一种一种基于三维点云数据的隔离护栏形点提取装置，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，实现实施例一所述的一种基于三维点云数据的隔离护栏形点提取方法。例如包括：获取单线雷达点云数据，对所述点云数据进行等间距切分并处理成以灰度图的图像坐标呈现的二维点云数据；结合深度信息，基于所述二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点；根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类；逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串。
此外，上述的存储器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，本发明实施例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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例四
本发明实施例提供一种计算机可读存储介质，其上存储有用于实现第一方面所述的一种基于三维点云数据的隔离护栏形点提取方法的计算机软件程序。例如所述方法包括：获取单线雷达点云数据，对所述点云数据进行等间距切分并处理成以灰度图的图像坐标呈现的二维点云数据；结合深度信息，基于所述二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点；根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类；逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串。
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。
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 (9)

1.一种基于三维点云数据的隔离护栏形点提取方法，其特征在于，包括：
获取单线雷达点云数据，沿道路方向对点云数据进行等间距切分，道路方向由轨迹点构成的轨迹线确定；对切分后的点云数据在XOY面上进行旋转，使得旋转后的道路方向平行于X轴或者Y轴；根据旋转后的点云数据，分别对道路左右两侧的点云数据进行垂直于竖直方向和道路方向的侧向投影；根据点云数据的反射强度和图像分辨率，对所述投影进行归一化处理；生成灰度图；所述灰度图中包含以图像坐标显示的二维点云数据及其深度信息；XOY是以道路方向为X轴，道路垂直方向为Y轴建立的平面坐标系；
结合深度信息，基于所述二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点；
根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类；
逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串。
2.根据权利要求1所述的方法，其特征在于，所述的根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类，包括：
假设所述隔离护栏的两个端点分别为A1(x1,y1)、A2(x2,y2)，相邻轨迹点为P(x,y)，则向量
Figure FDA0003120455560000011
向量
Figure FDA0003120455560000012
计算向量
Figure FDA0003120455560000013
和
Figure FDA0003120455560000014
的叉乘：
Figure FDA0003120455560000015
若
Figure FDA0003120455560000016
的值大于0，则判定轨迹点P在
Figure FDA0003120455560000017
的右侧，即端点为A1、A2的隔离护栏在道路左侧；
若
Figure FDA0003120455560000021
的值小于0，则判定轨迹点P在
Figure FDA0003120455560000022
的左侧，即端点为A1、A2的隔离护栏在道路右侧。
3.根据权利要求1所述的方法，其特征在于，所述的逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，包括：
以相邻轨迹点在XOY面上构建二维轨迹线，逐条在扫描线上获取距离所述轨迹线最近的点，并以此作为路面起始点；
从该起始点沿扫描线向道路两侧寻找路面边界点；
根据点密度的差异，从路面边界点向沿扫描线向道路两侧搜索密集点云；
从所述道路两侧的密集点云数据中查找护栏形点，形成所述隔离护栏的形点串。
4.根据权利要求3所述的方法，其特征在于，所述的从所述道路两侧的密集点云数据中查找护栏形点，形成所述隔离护栏的形点串，包括：
在密集点云数据中寻找距离隔离护栏的两个端点连线最近的点作为隔离护栏的形点；
将按扫描线逐条获取的形点按时序进行排列组合，形成隔离护栏的形点串。
5.根据权利要求1所述的方法，其特征在于，该方法还包括：
在从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串之后，对左右两侧护栏的形点串进行形点滤波和形点抽稀操作。
6.一种基于三维点云数据的隔离护栏形点提取装置，其特征在于，包括：
数据转换及端点提取模块，用于获取单线雷达点云数据，沿道路方向对点云数据进行等间距切分，道路方向由轨迹点构成的轨迹线确定；对切分后的点云数据在XOY面上进行旋转，使得旋转后的道路方向平行于X轴或者Y轴；根据旋转后的点云数据，分别对道路左右两侧的点云数据进行垂直于竖直方向和道路方向的侧向投影；根据点云数据的反射强度和图像分辨率，对所述投影进行归一化处理；生成灰度图；所述灰度图中包含以图像坐标显示的二维点云数据及其深度信息；结合深度信息，基于所述二维点云数据反算出等间距切分后的点云数据中每段隔离护栏的两个端点；
分类模块，用于根据所述隔离护栏的两个端点与相邻轨迹点的向量叉乘值，将所述隔离护栏按照道路左右侧进行分类；
形点提取模块，用于逐条扫描线的，从左右侧护栏点云数据中查找护栏形点，形成所述隔离护栏的形点串。
7.根据权利要求6所述的装置，其特征在于，所述形点提取模块具体用于：
以相邻轨迹点在XOY面上构建二维轨迹线，逐条在扫描线上获取距离所述轨迹线最近的点，并以此作为路面起始点；
从该起始点沿扫描线向道路两侧寻找路面边界点；
根据点密度的差异，从路面边界点向沿扫描线向道路两侧搜索密集点云；
从所述道路两侧的密集点云数据中查找护栏形点，形成所述隔离护栏的形点串。
8.一种基于三维点云数据的隔离护栏形点提取装置，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任一项所述的一种基于三维点云数据的隔离护栏形点提取方法。
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中存储用用于实现权利要求1至5任一项所述的一种基于三维点云数据的隔离护栏形点提取方法的计算机软件程序。
CN201910637410.XA 2019-07-15 2019-07-15 一种基于三维点云数据的隔离护栏形点提取方法及装置 Active CN110363771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910637410.XA CN110363771B (zh) 2019-07-15 2019-07-15 一种基于三维点云数据的隔离护栏形点提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910637410.XA CN110363771B (zh) 2019-07-15 2019-07-15 一种基于三维点云数据的隔离护栏形点提取方法及装置

Publications (2)

Publication Number Publication Date
CN110363771A CN110363771A (zh) 2019-10-22
CN110363771B true CN110363771B (zh) 2021-08-17

Family

ID=68219459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910637410.XA Active CN110363771B (zh) 2019-07-15 2019-07-15 一种基于三维点云数据的隔离护栏形点提取方法及装置

Country Status (1)

Country Link
CN (1) CN110363771B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800153B (zh) * 2019-11-14 2023-10-31 百度在线网络技术（北京）有限公司 隔离带信息的挖掘方法、装置、设备和计算机存储介质
CN111209826B (zh) * 2019-12-31 2022-05-27 武汉中海庭数据技术有限公司 一种高精度地图护栏的半自动点云提取方法及装置
CN111735464B (zh) * 2020-08-03 2020-12-01 北京主线科技有限公司 一种港口内激光全局地图建图的方法及装置
CN112257723B (zh) * 2020-10-26 2022-09-27 武汉中海庭数据技术有限公司 一种护栏提取的置信度评估方法及系统
CN116758238B (zh) * 2023-08-17 2024-01-23 山东高速工程检测有限公司 一种基于车载激光点云公路护栏自动建模方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617647A (zh) * 2013-11-28 2014-03-05 中国人民解放军国防科学技术大学 一种用于夜视的车辆周围环境三维重构方法
US9052721B1 (en) * 2012-08-28 2015-06-09 Google Inc. Method for correcting alignment of vehicle mounted laser scans with an elevation map for obstacle detection
CN105701798A (zh) * 2015-12-31 2016-06-22 百度在线网络技术（北京）有限公司 柱状物体的点云提取方法及装置
CN106599915A (zh) * 2016-12-08 2017-04-26 立得空间信息技术股份有限公司 一种车载激光点云分类方法
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
CN108345007A (zh) * 2017-01-23 2018-07-31 郑州宇通客车股份有限公司 一种障碍物识别方法和装置
CN108898096A (zh) * 2018-06-27 2018-11-27 重庆交通大学 一种面向高分影像的信息快速精确提取方法
CN109285163A (zh) * 2018-09-05 2019-01-29 武汉中海庭数据技术有限公司 基于激光点云的车道线左右轮廓线交互式提取方法
CN109493407A (zh) * 2018-11-19 2019-03-19 腾讯科技（深圳）有限公司 实现激光点云稠密化的方法、装置及计算机设备
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9052721B1 (en) * 2012-08-28 2015-06-09 Google Inc. Method for correcting alignment of vehicle mounted laser scans with an elevation map for obstacle detection
CN103617647A (zh) * 2013-11-28 2014-03-05 中国人民解放军国防科学技术大学 一种用于夜视的车辆周围环境三维重构方法
CN105701798A (zh) * 2015-12-31 2016-06-22 百度在线网络技术（北京）有限公司 柱状物体的点云提取方法及装置
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
CN106599915A (zh) * 2016-12-08 2017-04-26 立得空间信息技术股份有限公司 一种车载激光点云分类方法
CN108345007A (zh) * 2017-01-23 2018-07-31 郑州宇通客车股份有限公司 一种障碍物识别方法和装置
CN108898096A (zh) * 2018-06-27 2018-11-27 重庆交通大学 一种面向高分影像的信息快速精确提取方法
CN109285163A (zh) * 2018-09-05 2019-01-29 武汉中海庭数据技术有限公司 基于激光点云的车道线左右轮廓线交互式提取方法
CN109493407A (zh) * 2018-11-19 2019-03-19 腾讯科技（深圳）有限公司 实现激光点云稠密化的方法、装置及计算机设备
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Beam Guardrail Detection Algorithm using Lidar for Intelligent Vehicle";Hao Zhu，Bin Guo;《Proceedings of 2018 IEEE 8th Annual International Conference on CYBER Technology in Automation，Control，and Intelligent Systems》;20180723;第1398-1402页 *
"面向车载激光扫描数据的道路目标精细化鲁棒提取";熊伟成等;《地球信息科学》;20160331;第18卷(第3期);第376-385页 *

Also Published As

Publication number Publication date
CN110363771A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
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
US10885352B2 (en) Method, apparatus, and device for determining lane line on road
WO2018068653A1 (zh) 点云数据处理方法、装置及存储介质
CN110349260B (zh) 一种路面标线自动提取方法及装置
Wu et al. Automated extraction of ground surface along urban roads from mobile laser scanning point clouds
CN109584294B (zh) 一种基于激光点云的路面点云提取方法和装置
CN108509820B (zh) 障碍物分割方法及装置、计算机设备及可读介质
CN111209291B (zh) 一种利用众包感知地图更新高精度地图的方法及系统
CN112613378B (zh) 3d目标检测方法、系统、介质及终端
CN112883820B (zh) 基于激光雷达点云的道路目标3d检测方法及系统
CN108470174B (zh) 障碍物分割方法及装置、计算机设备及可读介质
EP4120123A1 (en) Scan line-based road point cloud extraction method
CN112184736A (zh) 一种基于欧式聚类的多平面提取方法
WO2021143297A1 (zh) 物体识别方法及装置、存储介质和计算机程序
CN114495026A (zh) 一种激光雷达识别方法、装置、电子设备和存储介质
CN113377888A (zh) 训练目标检测模型和检测目标的方法
CN114332291A (zh) 一种倾斜摄影模型建筑物外轮廓规则提取方法
CN112419505A (zh) 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法
CN114463736A (zh) 一种基于多模态信息融合的多目标检测方法及装置
CN106500594A (zh) 融合反射强度和几何特征的铁路轨道半自动检测方法
CN111736167B (zh) 一种获取激光点云密度的方法和装置
CN112435336B (zh) 一种弯道类型识别方法、装置、电子设备及存储介质
CN112307977B (zh) 一种车道限速的自动生成方法及装置
CN114387576A (zh) 一种车道线识别方法、系统、介质、设备及信息处理终端
JP2018097424A (ja) クラスタリング装置、人工物識別装置、幹検出装置、方法、及びプログラム

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