CN110378293A - 一种基于实景三维模型生产高精度地图的方法 - Google Patents
一种基于实景三维模型生产高精度地图的方法 Download PDFInfo
- Publication number
- CN110378293A CN110378293A CN201910663144.8A CN201910663144A CN110378293A CN 110378293 A CN110378293 A CN 110378293A CN 201910663144 A CN201910663144 A CN 201910663144A CN 110378293 A CN110378293 A CN 110378293A
- Authority
- CN
- China
- Prior art keywords
- road
- outdoor scene
- model
- image
- net model
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (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)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种基于实景三维模型生产高精度地图的方法，具体包括对实景三维模型进行视角变换以采集多视角影像、采用多视角图像识别的方法进行路网特征识别、采用图像全景分割的方法对识别结果进行分割、将分割出的实景三维路网模型的要素与资源池中现有的图形图像要素进行匹配、对匹配结果和分割出的实景三维路网模型要素进行矢量化以及对保留的道路要素进行精细分类，获取精细化分类结果等步骤，并最终获取高精度地图。优点是：解决了外业采集受天气，路况，移动物体等外部条件影响的难题，极大的降低了高精度地图生产的成本；实景三维模型作为真实世界的直观映射，在打破现有高精度地图生产模式的同时还使地图的精准性和细节性表达更完美。
Description
技术领域
本发明涉及高精度地图生产领域，尤其涉及一种基于实景三维模型生产高精度地图的方法。
背景技术
随着高分辨率遥感影像和航空摄影获取手段的不断发展，通过航空摄影手段进行路网提取技术也有较大的发展。目前，路网提取的方法主要有：基于DOM提取路网和基于立体像对提取路网。
基于DOM提取路网包括如下内容：1、获取航空影像；2、进行空中三角测量；3、依据第二步结果，生成DOM(数字正射影像图)；4、依据DOM人工进行路网的采集和勾画。
基于立体像对提取路网包括如下内容：1、获取航空影像；2、进行空中三角测量；3、构建立体像对；4、采用立体测图提取路网数据。
现有的路网提取方法还有相当多的缺点：1、基于DOM的路网提取平面精度不高，高程信息完全不能体现；2、基于立体像对的路网提取需要耗费较多的人力、效率较低。
发明内容
本发明的目的在于提供一种基于实景三维模型生产高精度地图的方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于实景三维模型生产高精度地图的方法，包括如下步骤，
S1、将实景三维模型和开放地理数据结合，确定路网分布情况并生成道路掩膜，根据不同的道路等级确定缓冲区的生成范围；
S2、将缓冲区的生成范围作为道路区域模型，自动提取缓冲区范围，并将其作为实景三维模型分割线；
S3、采用步骤S2中提取的缓冲区范围自动切割实景三维模型，得到实景三维路网模型及周边设施模型；
S4、通过视角变换查看规则查看实景三维路网模型，并保存每次查看位置的影像，以获取多视角影像；
S5、对获取的多视角影像进行整理，并进行影像重叠度验证；
S6、对多视角影像进行识别，并对识别结果进行分割，分割出实景三维路网模型的要素；
S7、将多视角影像经过深度学习得到资源池，将分割出的实景三维路网模型的要素与资源池中现有的图形图像要素进行匹配，获取并保留匹配结果；
S8、对匹配结果和分割出的实景三维路网模型要素进行矢量化，获取矢量数据，并对矢量数据进行要素分类，过滤其除道路要素外的无关部分；
S9、对步骤S8中保留的道路要素进行精细分类，获取精细化分类结果；
S10、将精细分类结果与资源池中现有的图形图像要素进行匹配，当精细化分类结果中的道路多边形形状轮廓与资源池中的现有图形图像要素的子形状轮廓吻合时，执行步骤S11；
S11、对道路要素添加逻辑关系，包括双线道路之间的关系、车道中心线之间的关系、车道线之间的关系以及车线逻辑分组之间的关系；
S12、对道路要素中的道路矢量多边形、车道线及点进行拓扑检查，并修正拓扑结构错误；
S13、将所有的道路要素与实景三维路网模型进行叠加，并调整结点使两者拟合；
S14、给所有的矢量数据添加附加语义信息，获取路网矢量；
S15、将路网矢量与实景三维模型叠加，并赋予不同矢量类别在现实世界中的真实颜色，并进行整饰添加常规地图要素，得到高精度地图。
优选的，步骤S1中根据不同的道路等级确定缓冲区的生成范围，具体划规则如下，
高速公路：60-90米；
一级公路：50-80米；
二级公路：40-60米；
三级公路：30-50米；
四级公路：20-40米。
优选的，所述实景三维路网模型包括整体路网模型和局部路网模型，采用所述视角变换查看规则分别查看整体路网模型和局部路网模型，以获取实景三维路网模型的多视角影像；所述视角变换查看规则包括如下规则，
A、整体路网模型查看规则；以整体路网模型的中心俯视点为原点，在水平方向和竖直方向内沿顺时针方向查看，水平方向每旋转5度保存一次影像，竖直方向从最高点起，以30米梯度下降；
B、局部路网模型查看规则；以道路长度500m划分局部路网模型，首先对局部路网模型的整体进行影像采集，以局部路网模型的整体的中心俯视点为原点，在水平方向和竖直方向内沿顺时针方向查看，水平方向每旋转5度保存一次影像，竖直方向从最高点起，以30米梯度下降；其次在实景三维路网模型中以驾驶员视角进行查看，时速设置为30km/h,影像保存频率为1张/s。
优选的，所述步骤S5中在进行影像重叠度验证时，影像重叠度需要保证在85％以上。
优选的，所述步骤S6具体包括，
对多视角影像进行识别，把多视角影像中的路网及附属建筑的表面特征完整表示出来，获取识别结果；
将识别结果中的每个像素都分别分配一个语义标签和一个实例ID；
将有同样语义标签和实例ID的像素归为同一对象，分割出实景三维路网模型的要素。
优选的，所述资源池中包含了道路全部要素集合，包括图形图像和单体属性；分割出的实景三维路网模型的要素与资源池中的现有的图形图像要素进行匹配的匹配规则为，当实景三维路网模型预测的分割窗口与资源池中原图标记窗口的重叠率大于0.5时，两者才能匹配，获取并保留匹配结果。
优选的，步骤S8中对道路要素进行精细化分类，具体分为三个类型，分别为，车道模型；包括道路轮廓、车道线、车道中心线、车道连接点、车道类型以及车道属性变化，其中车道中心线根据车道线及车道连接点计算得到；
道路部件；包括交通标志牌、路面标志、收费站、斑马线、障碍物、防护栏、路灯和停止线；
道路属性；包括特殊点标注，即事故多发地段、易滑坡地段、道路施工状态、GPS信号消失区域和道路边沿类型。
优选的，步骤S13具体为，观察道路要素中的车道模型、道路部件和道路属性与实景三维路网模型之间的拟合程度，并调整结点使其完全拟合。
优选的，所述语义信息包括，每条车道的限速、推荐速度、人行横道、道路沿线的看板、隔离带、限速标志、红绿灯等的物理尺寸及其特质特性；每条车道线的虚实、颜色、道路的隔离带、隔离带的材质、道路上的箭头、文字的内容以及所在位置；并计算出道路宽度、车道宽度、车道坡度、弯道曲率、车道横坡以及航向。
本发明的有益效果是：1、本发明通过实景三维模型进行高精度地图生产，相比现有的依据DOM生产高精度地图，在生产模式上有着巨大的颠覆性，把室外数据采集变成虚拟场景下的数据采集，突破了外业数据采集的限制，解决了外业采集受天气，路况，移动物体等外部条件影响的难题，可以得到自主多角度多层次可控的多视图像，节约了外业采集的成本，提高了采集的效率。2、本发明利用最新的Multi-view CNN多视角图像识别和全景分割技术，结合采集的多角度无死角的图像，与通过立体像对进行高精度地图生产的方法相比，图像识别和分割精准度提升约5-10倍。3、引入了超过50万张约10000km的道路图像作为训练样本经深度学习所得到的路网识别与分割的资源池，并把该资源池作为高精度地图生产过程中图像识别、分割、路网矢量要素检校的参考，与现有的路网提取手段对比，在大大提高自动化的同时，结果输出的准确性达到95％以上。4、实景三维模型与道路矢量要素叠加能更方便的赋予不同节点真实高度，打破了高精度地图生产中侧倾角较难获取和精度不高的限制。
附图说明
图1是本发明实施例中生产高精度地图方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本实施例提供了一种基于实景三维模型生产高精度地图的方法，包括如下步骤，
S1、将实景三维模型和开放地理数据结合，确定路网分布情况并生成道路掩膜，根据不同的道路等级确定缓冲区的生成范围；
S2、将缓冲区的生成范围作为道路区域模型，自动提取缓冲区范围，并将其作为实景三维模型分割线；
S3、采用步骤S2中提取的缓冲区范围自动切割实景三维模型，得到实景三维路网模型及周边设施模型；
S4、通过视角变换查看规则查看实景三维路网模型，并保存每次查看位置的影像，以获取多视角影像；
S5、对获取的多视角影像进行整理，并进行影像重叠度验证；
S6、对多视角影像进行识别，并对识别结果进行分割，分割出实景三维路网模型的要素；其中，以多视角图像识别的方法对多视角影像进行路网特征识别，并以图像全景分割的方法对识别结果(识别出的道路要素)进行分割；
S7、将多视角影像经过深度学习得到资源池，将分割出的实景三维路网模型的要素与资源池中现有的图形图像要素进行匹配，获取并保留匹配结果；从而提高路网特征识别和道路要素分割结果的准确性；
S8、对匹配结果和分割出的实景三维路网模型要素进行矢量化，获取矢量数据，并对矢量数据进行要素分类，过滤其除道路要素外的无关部分；所述物管部分包括周边建筑、行人、道路车辆等；
S9、对步骤S8中保留的道路要素进行精细分类，获取精细化分类结果；
S10、将精细分类结果与资源池中现有的图形图像要素进行匹配，当精细化分类结果中的道路多边形形状轮廓与资源池中的现有图形图像要素的子形状轮廓吻合时，执行步骤S11；此步骤为了保证道路多边形形状轮廓的精度；
S11、对道路要素添加逻辑关系，包括双线道路之间的关系、车道中心线之间的关系、车道线之间的关系以及车线逻辑分组之间的关系；
S12、对道路要素中的道路矢量多边形、车道线及点进行拓扑检查，并修正拓扑结构错误；
S13、将所有的道路要素与实景三维路网模型进行叠加，并调整结点使两者完美拟合；
S14、给所有的矢量数据添加附加语义信息，获取路网矢量；添加语义信息能够丰富路网属性；
S15、将路网矢量与实景三维模型叠加，并赋予不同矢量类别在现实世界中的真实颜色，并进行整饰添加常规地图要素，得到高精度地图。
本实施例中，所述实景三维模型即为基于航空影像倾斜摄影成果，通过对倾斜摄影实景三维模型进行视角变换达到采集多视角图像的目的。
本实施例中，步骤S1中根据不同的道路等级确定缓冲区的生成范围，具体划规则如下，
高速公路：60-90米；
一级公路：50-80米；
二级公路：40-60米；
三级公路：30-50米；
四级公路：20-40米。
本实施例中，将识别出的路网特征和分割出的道路要素与深度学习获取的路网资源池相匹配，从而提高路网特征识别和道路要素分割结果的准确性。
本实施例中，所述实景三维路网模型包括整体路网模型和局部路网模型，采用所述视角变换查看规则分别查看整体路网模型和局部路网模型，以获取实景三维路网模型的多视角影像；所述视角变换查看规则包括如下规则，
A、整体路网模型查看规则；以整体路网模型的中心俯视点为原点，在水平方向和竖直方向内沿顺时针方向查看，水平方向每旋转5度保存一次影像，竖直方向从最高点起，以30米梯度下降；
B、局部路网模型查看规则；以道路长度500m划分局部路网模型，首先对局部路网模型的整体进行影像采集，以局部路网模型的整体的中心俯视点为原点，在水平方向和竖直方向内沿顺时针方向查看，水平方向每旋转5度保存一次影像，竖直方向从最高点起，以30米梯度下降；其次在实景三维路网模型中以驾驶员视角进行查看，时速设置为30km/h,影像保存频率为1张/s。
本实施例中，所述步骤S5中在进行影像重叠度验证时，影像重叠度需要保证在85％以上。
本实施例中，所述步骤S6具体包括，
对多视角影像进行识别，把多视角影像中的路网及附属建筑的表面特征完整表示出来，获取识别结果；
将识别结果中的每个像素都分别分配一个语义标签和一个实例ID；
将有同样语义标签和实例ID的像素归为同一对象，分割出实景三维路网模型的要素。
本实施例中，所述资源池中包含了道路全部要素集合，包括图形图像和单体属性；分割出的实景三维路网模型的要素与资源池中的现有的图形图像要素进行一一匹配，匹配的匹配规则为，当实景三维路网模型预测的分割窗口与资源池中原图标记窗口的重叠率大于0.5时，两者才能匹配，获取并保留匹配结果。
本实施例中，步骤S8中对道路要素进行精细化分类，具体分为三个类型，分别为，
车道模型；包括道路轮廓、车道线、车道中心线、车道连接点、车道类型以及车道属性变化，其中车道中心线根据车道线及车道连接点计算得到；
道路部件；包括交通标志牌、路面标志、收费站、斑马线、障碍物、防护栏、路灯和停止线；
道路属性；包括特殊点标注，即事故多发地段、易滑坡地段、道路施工状态、GPS信号消失区域和道路边沿类型。
本实施例中，步骤S13具体为，观察道路要素中的车道模型、道路部件和道路属性与实景三维路网模型之间的拟合程度，并调整结点使其完美拟合。
本实施例中，所述语义信息包括，每条车道的限速、推荐速度、人行横道、道路沿线的看板、隔离带、限速标志、红绿灯等的物理尺寸及其特质特性；每条车道线的虚实、颜色、道路的隔离带、隔离带的材质、道路上的箭头、文字的内容以及所在位置；并计算出道路宽度、车道宽度、车道坡度、弯道曲率、车道横坡以及航向。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于实景三维模型生产高精度地图的方法，通过实景三维模型进行高精度地图生产，相比现有的依据DOM生产高精度地图，在生产模式上有着巨大的颠覆性，把室外数据采集变成虚拟场景下的数据采集，突破了外业数据采集的限制，解决了外业采集受天气，路况，移动物体等外部条件影响的难题，可以得到自主多角度多层次可控的多视图像，节约了外业采集的成本，提高了采集的效率。本发明利用最新的Multi-view CNN多视角图像识别和全景分割技术，结合采集的多角度无死角的图像，与通过立体像对进行高精度地图生产的方法相比，图像识别和分割精准度提升约5-10倍。本发明引入了超过50万张约10000km的道路图像作为训练样本经深度学习所得到的路网识别与分割的资源池，并把该资源池作为高精度地图生产过程中图像识别、分割、路网矢量要素检校的参考，与现有的路网提取手段对比，在大大提高自动化的同时，结果输出的准确性达到95％以上。本发明中实景三维模型与道路矢量要素叠加能更方便的赋予不同节点真实高度，打破了高精度地图生产中侧倾角较难获取和精度不高的限制。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种基于实景三维模型生产高精度地图的方法，其特征在于：包括如下步骤，
S1、将实景三维模型和开放地理数据结合，确定路网分布情况并生成道路掩膜，根据不同的道路等级确定缓冲区的生成范围；
S2、将缓冲区的生成范围作为道路区域模型，自动提取缓冲区范围，并将其作为实景三维模型分割线；
S3、采用步骤S2中提取的缓冲区范围自动切割实景三维模型，得到实景三维路网模型及周边设施模型；
S4、通过视角变换查看规则查看实景三维路网模型，并保存每次查看位置的影像，以获取多视角影像；
S5、对获取的多视角影像进行整理，并进行影像重叠度验证；
S6、对多视角影像进行识别，并对识别结果进行分割，分割出实景三维路网模型的要素；
S7、将多视角影像经过深度学习得到资源池，将分割出的实景三维路网模型的要素与资源池中现有的图形图像要素进行匹配，获取并保留匹配结果；
S8、对匹配结果和分割出的实景三维路网模型要素进行矢量化，获取矢量数据，并对矢量数据进行要素分类，过滤其除道路要素外的无关部分；
S9、对步骤S8中保留的道路要素进行精细分类，获取精细化分类结果；
S10、将精细分类结果与资源池中现有的图形图像要素进行匹配，当精细化分类结果中的道路多边形形状轮廓与资源池中的现有图形图像要素的子形状轮廓吻合时，执行步骤S11；
S11、对道路要素添加逻辑关系，包括双线道路之间的关系、车道中心线之间的关系、车道线之间的关系以及车线逻辑分组之间的关系；
S12、对道路要素中的道路矢量多边形、车道线及点进行拓扑检查，并修正拓扑结构错误；
S13、将所有的道路要素与实景三维路网模型进行叠加，并调整结点使两者拟合；
S14、给所有的矢量数据添加附加语义信息，获取路网矢量；
S15、将路网矢量与实景三维模型叠加，并赋予不同矢量类别在现实世界中的真实颜色，并进行整饰添加常规地图要素，得到高精度地图。
2.根据权利要求1所述的基于实景三维模型生产高精度地图的方法，其特征在于：步骤S1中根据不同的道路等级确定缓冲区的生成范围，具体划规则如下，
高速公路：60-90米；
一级公路：50-80米；
二级公路：40-60米；
三级公路：30-50米；
四级公路：20-40米。
3.根据权利要求1所述的基于实景三维模型生产高精度地图的方法，其特征在于：所述实景三维路网模型包括整体路网模型和局部路网模型，采用所述视角变换查看规则分别查看整体路网模型和局部路网模型，以获取实景三维路网模型的多视角影像；所述视角变换查看规则包括如下规则，
A、整体路网模型查看规则；以整体路网模型的中心俯视点为原点，在水平方向和竖直方向内沿顺时针方向查看，水平方向每旋转5度保存一次影像，竖直方向从最高点起，以30米梯度下降；
B、局部路网模型查看规则；以道路长度500m划分局部路网模型，首先对局部路网模型的整体进行影像采集，以局部路网模型的整体的中心俯视点为原点，在水平方向和竖直方向内沿顺时针方向查看，水平方向每旋转5度保存一次影像，竖直方向从最高点起，以30米梯度下降；其次在实景三维路网模型中以驾驶员视角进行查看，时速设置为30km/h,影像保存频率为1张/s。
4.根据权利要求1所述的基于实景三维模型生产高精度地图的方法，其特征在于：所述步骤S5中在进行影像重叠度验证时，影像重叠度需要保证在85％以上。
5.根据权利要求1所述的基于实景三维模型生产高精度地图的方法，其特征在于：所述步骤S6具体包括，
对多视角影像进行识别，把多视角影像中的路网及附属建筑的表面特征完整表示出来，获取识别结果；
将识别结果中的每个像素都分别分配一个语义标签和一个实例ID；
将有同样语义标签和实例ID的像素归为同一对象，分割出实景三维路网模型的要素。
6.根据权利要求1所述的基于实景三维模型生产高精度地图的方法，其特征在于：所述资源池中包含了道路全部要素集合，包括图形图像和单体属性；分割出的实景三维路网模型的要素与资源池中的现有的图形图像要素进行匹配的匹配规则为，当实景三维路网模型预测的分割窗口与资源池中原图标记窗口的重叠率大于0.5时，两者才能匹配，获取并保留匹配结果。
7.根据权利要求1所述的基于实景三维模型生产高精度地图的方法，其特征在于：步骤S8中对道路要素进行精细化分类，具体分为三个类型，分别为，
车道模型；包括道路轮廓、车道线、车道中心线、车道连接点、车道类型以及车道属性变化，其中车道中心线根据车道线及车道连接点计算得到；
道路部件；包括交通标志牌、路面标志、收费站、斑马线、障碍物、防护栏、路灯和停止线；
道路属性；包括特殊点标注，即事故多发地段、易滑坡地段、道路施工状态、GPS信号消失区域和道路边沿类型。
8.根据权利要求1所述的基于实景三维模型生产高精度地图的方法，其特征在于：步骤S13具体为，观察道路要素中的车道模型、道路部件和道路属性与实景三维路网模型之间的拟合程度，并调整结点使其完全拟合。
9.根据权利要求1所述的基于实景三维模型生产高精度地图的方法，其特征在于：所述语义信息包括，每条车道的限速、推荐速度、人行横道、道路沿线的看板、隔离带、限速标志、红绿灯等的物理尺寸及其特质特性；每条车道线的虚实、颜色、道路的隔离带、隔离带的材质、道路上的箭头、文字的内容以及所在位置；并计算出道路宽度、车道宽度、车道坡度、弯道曲率、车道横坡以及航向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910663144.8A CN110378293B (zh) | 2019-07-22 | 2019-07-22 | 一种基于实景三维模型生产高精度地图的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910663144.8A CN110378293B (zh) | 2019-07-22 | 2019-07-22 | 一种基于实景三维模型生产高精度地图的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378293A true CN110378293A (zh) | 2019-10-25 |
| CN110378293B CN110378293B (zh) | 2021-02-23 |
Family
ID=68254890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910663144.8A Active CN110378293B (zh) | 2019-07-22 | 2019-07-22 | 一种基于实景三维模型生产高精度地图的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378293B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111664859A (zh) * | 2020-05-28 | 2020-09-15 | 武汉中海庭数据技术有限公司 | 一种高精度地图生产过程中的数据采集方法及系统 |
| CN112307553A (zh) * | 2020-12-03 | 2021-02-02 | 之江实验室 | 一种对三维道路模型进行提取与简化的方法 |
| CN112950780A (zh) * | 2021-03-12 | 2021-06-11 | 北京理工大学 | 一种基于遥感影像的网络地图智能生成方法及系统 |
| CN113091764A (zh) * | 2021-03-31 | 2021-07-09 | 泰瑞数创科技(北京)有限公司 | 一种实景三维地图导航路线定制和显示方法 |
| CN113593030A (zh) * | 2021-08-13 | 2021-11-02 | 长春工程学院 | 基于三维模型的地质剖面图生成方法、系统、终端及介质 |
| CN114417489A (zh) * | 2022-03-30 | 2022-04-29 | 宝略科技(浙江)有限公司 | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 |
| CN114638769A (zh) * | 2020-12-15 | 2022-06-17 | 武汉市探测者科技有限公司 | 一种基于图像处理算法的2.5维地图建筑物热区自动提取方法 |
| CN115100652A (zh) * | 2022-08-02 | 2022-09-23 | 北京卫星信息工程研究所 | 基于高分遥感图像的电子地图自动化生成方法 |
| CN116645483A (zh) * | 2023-07-25 | 2023-08-25 | 航天宏图信息技术股份有限公司 | 车道线级别道路三维模型的构建方法、装置及电子设备 |
| CN117739995A (zh) * | 2024-02-20 | 2024-03-22 | 厦门精图信息技术有限公司 | 基于拍摄和实景地图实现导航和时空回溯的系统及方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376595A (zh) * | 2014-11-28 | 2015-02-25 | 史文中 | 一种基于机载LiDAR和GIS协同的三维道路生成方法 |
| CN105069842A (zh) * | 2015-08-03 | 2015-11-18 | 百度在线网络技术（北京）有限公司 | 道路三维模型的建模方法和装置 |
| CN106780736A (zh) * | 2017-01-09 | 2017-05-31 | 网易（杭州）网络有限公司 | 地图数据处理方法及装置、三维地图生成方法及装置 |
| CN107064954A (zh) * | 2017-05-24 | 2017-08-18 | 云南省交通规划设计研究院 | 一种基于车载和机载点云的公路地形图测绘方法和系统 |
| CN107578477A (zh) * | 2017-09-11 | 2018-01-12 | 南京大学 | 一种三维模型部件的自动检测方法 |
| CN107784084A (zh) * | 2017-09-30 | 2018-03-09 | 北京泓达九通科技发展有限公司 | 基于车辆定位数据的路网生成方法及系统 |
| CN108921943A (zh) * | 2018-06-29 | 2018-11-30 | 广东星舆科技有限公司 | 一种基于车道级高精度地图的道路三维模型建模方法 |
| CN108921940A (zh) * | 2018-07-06 | 2018-11-30 | 北京晶众智慧交通科技股份有限公司 | 一种道路立交的快速三维建模方法 |
| CN108986207A (zh) * | 2018-06-29 | 2018-12-11 | 广东星舆科技有限公司 | 一种基于真实路面数据的道路及沿线建筑仿真建模方法 |
| EP3432310A1 (en) * | 2017-07-17 | 2019-01-23 | ENSIM LLC ("ENSIM" Limited Liability Company) | Method and system for a preoperative surgical intervention simulation |
| CN109643367A (zh) * | 2016-07-21 | 2019-04-16 | 御眼视觉技术有限公司 | 用于自主车辆导航的众包和分发稀疏地图以及车道测量 |
| CN109697418A (zh) * | 2018-12-14 | 2019-04-30 | 中国公路工程咨询集团有限公司 | 用于场景复原的针对遥感影像路网提取图像的后处理方法 |
| US20190152487A1 (en) * | 2016-08-12 | 2019-05-23 | Panasonic Intellectual Property Management Co., Ltd. | Road surface estimation device, vehicle control device, and road surface estimation method |
-
2019
- 2019-07-22 CN CN201910663144.8A patent/CN110378293B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376595A (zh) * | 2014-11-28 | 2015-02-25 | 史文中 | 一种基于机载LiDAR和GIS协同的三维道路生成方法 |
| CN105069842A (zh) * | 2015-08-03 | 2015-11-18 | 百度在线网络技术（北京）有限公司 | 道路三维模型的建模方法和装置 |
| CN109643367A (zh) * | 2016-07-21 | 2019-04-16 | 御眼视觉技术有限公司 | 用于自主车辆导航的众包和分发稀疏地图以及车道测量 |
| US20190152487A1 (en) * | 2016-08-12 | 2019-05-23 | Panasonic Intellectual Property Management Co., Ltd. | Road surface estimation device, vehicle control device, and road surface estimation method |
| CN106780736A (zh) * | 2017-01-09 | 2017-05-31 | 网易（杭州）网络有限公司 | 地图数据处理方法及装置、三维地图生成方法及装置 |
| CN107064954A (zh) * | 2017-05-24 | 2017-08-18 | 云南省交通规划设计研究院 | 一种基于车载和机载点云的公路地形图测绘方法和系统 |
| EP3432310A1 (en) * | 2017-07-17 | 2019-01-23 | ENSIM LLC ("ENSIM" Limited Liability Company) | Method and system for a preoperative surgical intervention simulation |
| CN107578477A (zh) * | 2017-09-11 | 2018-01-12 | 南京大学 | 一种三维模型部件的自动检测方法 |
| CN107784084A (zh) * | 2017-09-30 | 2018-03-09 | 北京泓达九通科技发展有限公司 | 基于车辆定位数据的路网生成方法及系统 |
| CN108986207A (zh) * | 2018-06-29 | 2018-12-11 | 广东星舆科技有限公司 | 一种基于真实路面数据的道路及沿线建筑仿真建模方法 |
| CN108921943A (zh) * | 2018-06-29 | 2018-11-30 | 广东星舆科技有限公司 | 一种基于车道级高精度地图的道路三维模型建模方法 |
| CN108921940A (zh) * | 2018-07-06 | 2018-11-30 | 北京晶众智慧交通科技股份有限公司 | 一种道路立交的快速三维建模方法 |
| CN109697418A (zh) * | 2018-12-14 | 2019-04-30 | 中国公路工程咨询集团有限公司 | 用于场景复原的针对遥感影像路网提取图像的后处理方法 |
Non-Patent Citations (4)
| Title |
|---|
| YI LIN等: ""Use of UAV oblique imaging for the detection of individual trees in residential environments"", 《URBAN FORESTRY & URBAN GREENING》 * |
| 侯继伟: ""GIS协同BIM的室内路网模型研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 倪昊晨: ""城市道路三维路面模型构建方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 刘耀丹: ""立体交通三维道路网快速构建算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111664859B (zh) * | 2020-05-28 | 2021-12-24 | 武汉中海庭数据技术有限公司 | 一种高精度地图生产过程中的数据采集方法及系统 |
| CN111664859A (zh) * | 2020-05-28 | 2020-09-15 | 武汉中海庭数据技术有限公司 | 一种高精度地图生产过程中的数据采集方法及系统 |
| CN112307553B (zh) * | 2020-12-03 | 2024-04-16 | 之江实验室 | 一种对三维道路模型进行提取与简化的方法 |
| CN112307553A (zh) * | 2020-12-03 | 2021-02-02 | 之江实验室 | 一种对三维道路模型进行提取与简化的方法 |
| CN114638769A (zh) * | 2020-12-15 | 2022-06-17 | 武汉市探测者科技有限公司 | 一种基于图像处理算法的2.5维地图建筑物热区自动提取方法 |
| CN112950780A (zh) * | 2021-03-12 | 2021-06-11 | 北京理工大学 | 一种基于遥感影像的网络地图智能生成方法及系统 |
| CN112950780B (zh) * | 2021-03-12 | 2022-09-06 | 北京理工大学 | 一种基于遥感影像的网络地图智能生成方法及系统 |
| CN113091764A (zh) * | 2021-03-31 | 2021-07-09 | 泰瑞数创科技(北京)有限公司 | 一种实景三维地图导航路线定制和显示方法 |
| CN113593030A (zh) * | 2021-08-13 | 2021-11-02 | 长春工程学院 | 基于三维模型的地质剖面图生成方法、系统、终端及介质 |
| CN113593030B (zh) * | 2021-08-13 | 2024-04-19 | 长春工程学院 | 基于三维模型的地质剖面图生成方法、系统、终端及介质 |
| CN114417489B (zh) * | 2022-03-30 | 2022-07-19 | 宝略科技(浙江)有限公司 | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 |
| CN114417489A (zh) * | 2022-03-30 | 2022-04-29 | 宝略科技(浙江)有限公司 | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 |
| CN115100652A (zh) * | 2022-08-02 | 2022-09-23 | 北京卫星信息工程研究所 | 基于高分遥感图像的电子地图自动化生成方法 |
| CN116645483A (zh) * | 2023-07-25 | 2023-08-25 | 航天宏图信息技术股份有限公司 | 车道线级别道路三维模型的构建方法、装置及电子设备 |
| CN116645483B (zh) * | 2023-07-25 | 2023-10-20 | 航天宏图信息技术股份有限公司 | 车道线级别道路三维模型的构建方法、装置及电子设备 |
| CN117739995A (zh) * | 2024-02-20 | 2024-03-22 | 厦门精图信息技术有限公司 | 基于拍摄和实景地图实现导航和时空回溯的系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378293B (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378293A (zh) | 一种基于实景三维模型生产高精度地图的方法 | |
| CN106530794B (zh) | 行车道路的自动识别和校准方法及系统 | |
| Serna et al. | Paris-rue-Madame database: A 3D mobile laser scanner dataset for benchmarking urban detection, segmentation and classification methods | |
| WO2018133851A1 (zh) | 一种点云数据处理方法、装置及计算机存储介质 | |
| CN111797001A (zh) | 一种基于SCANeR的自动驾驶仿真测试模型的构建方法 | |
| CN110118564B (zh) | 一种高精度地图的数据管理系统、管理方法、终端和存储介质 | |
| CN110501018A (zh) | 一种服务于高精度地图生产的交通标志牌信息采集方法 | |
| CN105160309A (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
| CN104504718B (zh) | 高分辨率航空遥感数据自动道路提取方法 | |
| CN105488485B (zh) | 基于车辆轨迹的车道线自动提取方法 | |
| WO2022088722A1 (zh) | 导航方法、装置、智能驾驶设备及存储介质 | |
| CN107491756B (zh) | 基于交通标牌与地面标志的车道转向信息识别方法 | |
| CN110525342A (zh) | 一种基于深度学习的ar-hud车载辅助驾驶方法及其系统 | |
| CN112837414B (zh) | 基于车载点云数据的三维高精度地图的构建方法 | |
| CN104317583A (zh) | 基于网格原理的道路拥堵优化算法 | |
| CN113465608B (zh) | 一种路侧传感器标定方法及系统 | |
| Yang et al. | Road intersection identification from crowdsourced big trace data using Mask‐RCNN | |
| CN106650741A (zh) | 一种车牌字符识别方法及装置 | |
| CN114037966A (zh) | 高精地图特征提取方法、装置、介质及电子设备 | |
| Bu et al. | A UAV photography–based detection method for defective road marking | |
| CN114763999A (zh) | 地图生成装置、地图生成方法以及地图生成用计算机程序 | |
| CN111487643A (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
| CN116597690A (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
| CN107992788A (zh) | 识别交通灯的方法、装置及车辆 | |
| Karsten et al. | Automated framework to audit traffic signs using remote sensing data |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Junwei Inventor after: Li Jiayu Inventor before: Liu Junwei Inventor before: Huang Dong Inventor before: Li Jiayu |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 22 / F, building 683, zone 2, No. 5, Zhongguancun South Street, Haidian District, Beijing 100086 Patentee after: Terry digital technology (Beijing) Co.,Ltd. Address before: 100081 room 9078, science and technology building, building 683, 5 Zhongguancun South Street, Haidian District, Beijing Patentee before: Terra-IT Technology (Beijing) Co.,Ltd. |