CN110516653A - 一种基于多光谱机载激光雷达点云数据的道路提取方法 - Google Patents
一种基于多光谱机载激光雷达点云数据的道路提取方法 Download PDFInfo
- Publication number
- CN110516653A CN110516653A CN201910825984.XA CN201910825984A CN110516653A CN 110516653 A CN110516653 A CN 110516653A CN 201910825984 A CN201910825984 A CN 201910825984A CN 110516653 A CN110516653 A CN 110516653A
- Authority
- CN
- China
- Prior art keywords
- road
- point cloud
- data
- laser radar
- cloud data
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 7
- 230000008447 perception Effects 0.000 claims abstract description 7
- 230000002596 correlated effect Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多光谱机载激光雷达数据的道路提取方法,该方法包括以下步骤:(1)构建多光谱机载LiDAR点云数据规则格网结构,并计算点云的相关特征。(2)基于随机森林算法对样本数据进行训练,获得候选道路点云数据;(3)基于道路的几何特征约束,对候选道路点云数据进行精化;(4)对道路点云数据进行栅格化处理,得到道路影像数据;(5)利用综合形态学运算,对道路影像数据进行处理,提取道路中心线矢量;(6)基于空间感知对道路中心线矢量进行连接处理,获得完整的道路中心线。本发明通过分析道路的空间、光谱等特征,利用综合形态学处理提取道路中心线,达到准确、快速提取道路3D信息的目的。
Description
【技术领域】
本发明涉及多光谱机载激光雷达数据处理技术领域,特别涉及一种基于多 光谱机载激光雷达点云数据的道路提取方法。
【背景技术】
相对于传统的多光谱成像与激光雷达扫描数据的数据配准融合这一后处理 模式,多光谱激光雷达遥感技术可实现对每个激光扫描点的光谱与位置信息的 同步获取,即所有波段获取信息严格对应相应的激光脚点(简称谱位对应),有 效避免了传统模式下异源数据无法克服映射偏移从而导致存在原理性误差等问 题。多光谱激光雷达以其谱位对应的技术优势为实现超三维精准遥感观测提供 了可行的途径,因此成为当前激光雷达与多光谱遥感领域共同大力推进的前沿 发展方向。芬兰地理空间研究所(FinnishGeospatial Research Institute,FGI)较 早地探讨了超连续谱光纤激光光谱实现高光谱激光雷达的理论基础,之后逐步 推进其高光谱激光扫描(hyperspectral Laser Scanner,HLS)FGI-HLS原型系统从 最初的600.0、800.0nm双波段到554.8、623.5、691.1、725.5、760.3、795.5、 899和1000.4nm 8个波段及更多波段的研发。国内也有多家科研单位近些年来 开展了多/高光谱激光雷达的研制。武汉大学的龚威团队开发了基于555.0、 670.0、700.0和780.0nm 4波段的多光谱基于激光雷达原型系统,并进一步将其 推进到32波段原型系统。
道路是城市和半城市的基本“骨架”,连接着城市中的各个单元。道路的方向 决定了工业和城市的空间分布和发展方向。道路的空间组合决定了工业和城市 的空间组织结构,主要交通方式的效率决定了工业和城市空间布局的灵活性和 效率。此外,道路信息的及时、准确获取与更新对交通管理、自动车辆导航及 应急事务处理均具有重要意义。多光谱激光雷达可以快速获取地表高精度的3D 点云数据及光谱信息,该技术的出现使得道路3D信息的准确、快速提取成为了 可能。
【发明内容】
有鉴于此,为克服现有技术的不足,针对道路提取面临的挑战和困难,以 城市中宽度大于3m的道路视为提取目标,提供一种基于多光谱机载雷达数据的 道路提取方法,达到准确、快速提取道路3D信息的目的。
为实现上述目的,本发明的技术方案如下:
一种基于多光谱机载激光雷达点云数据的道路提取方法,包括以下步骤:
(1)对含有道路对象的城市场景多光谱激光雷达数据建立格网索引,定义 并计算道路点云的相关特征;
(2)基于随机森林算法对样本数据进行训练,获得RF分类器,利用RF 分类器对测区数据进行分类处理,获得候选道路点云数据;
(3)基于道路的几何特征约束,对候选道路点云数据进行精化;
(4)对道路点云数据进行栅格化处理,得到道路影像数据;
(5)利用综合形态学运算,对道路影像数据进行处理,提取道路中心线矢 量;
(6)基于空间感知对道路中心线矢量进行连接处理,获得完整的道路中心 线。
进一步,在步骤(1)中,多光谱机载激光雷达数据的组织管理,以及道路 点云特征的计算过程包括以下步骤:
步骤a:构建多光谱机载激光雷达数据规则格网结构;
步骤b:根据点云及其局部邻域内点云数据的空间坐标信息,计算点云的空 间特征;
步骤c:根据点云及其局部邻域内点云数据的光谱信息,计算点云的光谱特 征;
步骤d:根据点云及其局部邻域内点云数据的回波、强度等信息,计算点云 的其他特征。
在上述步骤(2)中,获得候选道路点云数据过程包括以下步骤:
步骤a:样本区域的选择及处理;
步骤b:利用计算获得的点云特征信息,对步骤a中处理后的样本数据进行 训练,从而获得训练模型分类器;
步骤c:利用步骤b得到训练模型分类器,对测区内的多光谱机载激光雷达 点云数据进行处理,获得候选道路点云数据。
所述步骤(3)中,基于道路的几何特征约束,精化候选道路点云数据过程 包括以下步骤:
步骤a:基于点云密度构建道路点约束三角网,实现道路点云的聚类;
步骤b:设定面积阈值、长度阈值,长宽比阈值,对不符合条件道路点聚类 进行剔除;
步骤(4)中,栅格化道路点云数据,基于形态学处理提取道路中心线矢量 数据过程包括以下步骤:
步骤a:对道路点云数据进行栅格化处理,获得道路二值图像;
步骤b:利用综合形态学对步骤a获得的道路图像进行处理,填补由于植被 或车辆遮挡导致的道路缺失情况;
步骤c:基于形态学细化操作提取道路中心线矢量数据,并对其进行基于感 编组的道路中心线连接。
本发明的有益效果是,与现有技术相比,本发明以光谱机载激光雷达点云数 据为唯一研究对象,避免了多源数据之间的配准误差和数据特征不一致所带来 的提取错误,提高了道路点云数据的分类精度。
结合基于道路特征随机森林分类和顾及道路几何特征的由粗到精的道路点 云框架,并利用综合形态学和空间感知方法提取完整道路中心线,特别适用于 复杂城区多光谱激光雷达数据。
【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简单地介绍,显而易见地,下面描述 中的附图仅仅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为本发明的道路提取方法的流程示意图。
【具体实施方式】
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,所描述的实施例仅仅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做出创造 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。
参照图1,一种基于多光谱机载激光雷达点云数据的道路提取方法,包括以 下步骤:
步骤1,对含有道路对象的城市场景多光谱激光雷达数据建立格网索引,定 义并计算道路点云的相关特征;
步骤2,基于随机森林算法对样本数据进行训练,获得RF分类器,利用RF 分类器对测区数据进行分类处理,获得候选道路点云数据;
步骤3,基于道路的几何特征约束,对候选道路点云数据进行精化;
步骤4,对道路点云数据进行栅格化处理,得到道路影像数据;
步骤5,利用综合形态学运算,对道路影像数据进行处理,提取道路中心线 矢量;
步骤6,基于空间感知对道路中心线矢量进行连接处理,获得完整的道路中 心线。
进一步,具体实施方法如下:
如上所述的步骤1中,对多光谱激光雷达数据建立格网索引,定义并计算 道路点云的相关特征的方法为:
步骤1.1,对多光谱点云数据建立格网索引,并对每个点数据进行步骤 1.2——1.10的处理;
步骤1.2,基于格网索引获取样本点p的K邻域垂直圆柱体内所有的点云, 及L*m的狭长十字邻域内所有点云,获得p的垂直圆柱体邻域点集Sp和十字邻 域点集SLp;
步骤1.3,计算垂直圆柱体邻域点集Sp中所有点的高程方差δp,其计算公式如 下:
其中是Sp中所有点的平均高程,N是Sp中点云的数量。
步骤1.4,计算点p高程值与垂直圆柱体邻域点集Sp中最低高程值的差值 Δzp,其计算公式如下:
Δzp=zp-min(zi) zi∈Sp (2)
步骤1.5,计算点p高程值与十字邻域点集SLp中最低高程值的差值ΔzLp,其计 算公式如下:
ΔzLp=zp-min(zi) zi∈SLp (3)
步骤1.6,计算垂直圆柱体邻域点集Sp内所有点的表面法线,并对其进行一致 性重定向;
步骤1.7,不同材质的物体在光谱分布上具有较大的区别,通过对城区道路材 质的检查,采用主成分分析(Principal Component Analysis,PCA)进行估计, 获得道路区分度较大的三个光谱数据;
步骤1.8,针对步骤1.7提取的三个光谱数据,计算点p所在圆柱体邻域点集 Sp中所有点的在该光谱数据中的分布直方图。
步骤1.9,不同材质的物体点云回波强度不同,统计垂直圆柱体邻域点集Sp内 所有点的回波强度均值其计算公式如下:
步骤1.10,点云具有多次回波的特征,不同的地物对应的回波次数有所差 别,计算垂直圆柱体邻域点集Sp中不同回波点所占比例。
如上所述的步骤2中,利用随机森林算法对多光谱点云数据就进行分类处理, 根据上下文关系获得最佳分类结果,得到道路点云数据的方法为:
步骤2.1,选择测区中包含道路的部分点云数据(大小约为城市区域的 20%),对其进行人工辅助精细分类,获得分类结果,作为样本数据;
步骤2.2,利用步骤1中的特征计算方法计算训练数据中每个点云的特征属 性;
步骤2.3,基于点云的特征属性,利用随机森林算法对样本数据进行训练, 获得RF分类器;
步骤2.4,利用RF分类器对测区内剩余的全部多光谱点云数据根据其特征值 进行分类处理,获得道路点云数据。
如上所述的步骤3中,基于道路的几何特征约束,对候选道路点云数据进 行精化的方法为:
步骤3.1,逐点插入法构建候选道路点云的D-TIN。
步骤3.2,设定三角形边长阈值Δl,遍历构成D-TIN中的所有三角形,比较 每个三角形各边长与边长阈值Δl的大小关系,若构成三角形的某一边长大于Δl, 则删除该边,否则保持不变,当所有三角形都被处理完后,D-TIN被分割成若 干独立的CD-TIN和离散点。
步骤3.3,将未参与构建任何CD-TIN的孤立点剔除,设定面积阈值ΔS、长 度阈值ΔL、长宽比阈值Δκ,分别计算每个CD-TIN的面积Si、长度Li、长宽比κi并将其与设定值比较,删除不符合条件的CD-TIN及其点云。
如上所述的步骤4中,将道路点云数据用格网内插方法生成二值图像,并对 其进行空洞填充和光滑处理的方法为:
步骤4.1,设置格网尺寸d,将整个测区内插方法生成规则格网的数字矩阵后, 设置每个格网的初始像素值为0。
步骤4.2,遍历所有道路点云数据,定位道路点云所在格网,将包含道路点 云的格网像素值设为1,生成道路二值图像。
其中Gridi是第i个格网,用于描述第i个格网像素值,pj表示一个道路点云。
步骤4.3,对二值图像中的空洞区域进行填充,并使用形态学“开”运算对图 形进行光滑处理。
如上所述的步骤5中,利用综合形态学法对提取道路中心线方法为:
步骤5.1,用MMD(Maximal Disk)方法提取道路骨架,令B为一种结构 元素,最大圆盘可表示为0B,1B,…,nB,其中定义道路 骨架为图像内部所有最大圆盘nB圆心的集合,可通过以下公式表示:
S=∪{(SΘnB)\[(SΘnB)ΟB],n=0,1,…} (6)
其中,S表示道路区域,Θ表示腐蚀,Ο表示开运算。
步骤5.2,遍历道路骨架线像素,对每个骨架线上的像素进行八邻域搜索, 统计相连的像素个数,并进行标记:0邻接点、1邻接点、2邻接点、多邻接点 (相连像素数>2);其中0邻接点表示为孤立点,1邻接点为道路的端点,2邻 接点为道路中间点,多邻接点为道路交叉点。
步骤5.3,从任一多邻接点p的某一方向邻接点出发,根据邻接点的连接数 决定搜索过程,跟踪过程中,对于每一段道路建立一个链表,将满足搜索条件 的邻接点存入该链表,最后实现道路中线像素点的矢量化,得到道路中心矢量 线。
如上所述的步骤6中,基于空间感知的道路中心矢量线段连接方法为:
步骤6.1,共线性测度计算,设θ(θ≤90°)是两条道路所在直线的夹角,θmax表示两道路所在直线之间的最大夹角,则共线性测度可表示为:
步骤6.2,宽度相似性测度计算,利用wi,wj分别表示两条道路段宽度,dw表 示最大宽度变化,则宽度相似性测度可表示为:
步骤6.3,计算道路中心矢量线段连接概率,获得完整道路网络。道路中心 线矢量线段连接概率与共线性测度、宽度相似性测度有关,可利用以下公式表 示:
p(i,j)=w1Sline+w2Swidth (9)
其中w1,w2分别是共线性测度和宽度相似测度的权值。
与现有技术相比,本发明以光谱机载激光雷达点云数据为唯一研究对象,避 免了多源数据之间的配准误差和数据特征不一致所带来的提取错误,提高了道 路点云数据的分类精度。
结合基于道路特征随机森林分类和顾及道路几何特征的由粗到精的道路点 云框架,并利用综合形态学和空间感知方法提取完整道路中心线,特别适用于 复杂城区多光谱激光雷达数据。
以上所述仅为本发明的较佳实施例而已,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 (5)
1.一种基于多光谱机载激光雷达数据的道路提取方法,其特征在于以下步骤:
(1)对含有道路对象的城市场景多光谱激光雷达数据建立格网索引,定义并计算道路点云的相关特征;
(2)基于随机森林算法对样本数据进行训练,获得RF分类器,利用RF分类器对测区数据进行分类处理,获得候选道路点云数据;
(3)基于道路的几何特征约束,对候选道路点云数据进行精化;
(4)对道路点云数据进行栅格化处理,得到道路影像数据;
(5)利用综合形态学运算,对道路影像数据进行处理,提取道路中心线矢量;
(6)基于空间感知对道路中心线矢量进行连接处理,获得完整的道路中心线。
2.根据权利要求1所述的一种基于多光谱机载激光雷达数据的道路提取方法,其特征在于,在步骤(1)中,多光谱机载激光雷达数据的组织管理,以及道路点云特征的计算过程包括以下步骤:
步骤a:构建多光谱机载激光雷达数据规则格网结构;
步骤b:根据点云及其局部邻域内点云数据的空间坐标信息,计算点云的空间特征;
步骤c:根据点云及其局部邻域内点云数据的光谱信息,计算点云的光谱特征;
步骤d:根据点云及其局部邻域内点云数据的回波、强度等信息,计算点云的其他特征。
3.根据权利要求1所述的一种基于多光谱机载激光雷达数据的道路提取方法,其特征在于,在上述步骤(2)中,获得候选道路点云数据过程包括以下步骤:
步骤a:样本区域的选择及处理;
步骤b:利用计算获得的点云特征信息,对步骤a中处理后的样本数据进行训练,从而获得训练模型分类器;
步骤c:利用步骤b得到训练模型分类器,对测区内的多光谱机载激光雷达点云数据进行处理,获得候选道路点云数据。
4.根据权利要求1所述的一种基于多光谱机载激光雷达数据的道路提取方法,其特征在于,所述步骤(3)中,基于道路的几何特征约束,精化候选道路点云数据过程包括以下步骤:
步骤a:基于点云密度构建道路点约束三角网,实现道路点云的聚类;
步骤b:设定面积阈值、长度阈值,长宽比阈值,对不符合条件道路点聚类进行剔除。
5.根据权利要求1所述的一种基于多光谱机载激光雷达数据的道路提取方法,其特征在于,步骤(4)中,栅格化道路点云数据,基于形态学处理提取道路中心线矢量数据过程包括以下步骤:
步骤a:对道路点云数据进行栅格化处理,获得道路二值图像;
步骤b:利用综合形态学对步骤a获得的道路图像进行处理,填补由于植被或车辆遮挡导致的道路缺失情况;
步骤c:基于形态学细化操作提取道路中心线矢量数据,并对其进行基于感编组的道路中心线连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825984.XA CN110516653A (zh) | 2019-09-03 | 2019-09-03 | 一种基于多光谱机载激光雷达点云数据的道路提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825984.XA CN110516653A (zh) | 2019-09-03 | 2019-09-03 | 一种基于多光谱机载激光雷达点云数据的道路提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516653A true CN110516653A (zh) | 2019-11-29 |
Family
ID=68629552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910825984.XA Withdrawn CN110516653A (zh) | 2019-09-03 | 2019-09-03 | 一种基于多光谱机载激光雷达点云数据的道路提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516653A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736136A (zh) * | 2020-06-23 | 2020-10-02 | 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) | 一种机载激光点云航摄漏洞检测方法及系统 |
CN112085726A (zh) * | 2020-09-16 | 2020-12-15 | 杭州爱科科技股份有限公司 | 皮料识别方法、装置、系统及计算机可读存储介质 |
CN112330604A (zh) * | 2020-10-19 | 2021-02-05 | 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 |
CN112561808A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云和卫星影像的道路边界线复原方法 |
CN113379754A (zh) * | 2020-12-02 | 2021-09-10 | 哈尔滨理工大学 | 基于车载gps数据与神经网络的道路中心线提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007436A (zh) * | 2014-05-28 | 2014-08-27 | 河南省交通规划勘察设计院有限责任公司 | 基于机载LiDAR数据的公路勘测设计方法 |
CN104123730A (zh) * | 2014-07-31 | 2014-10-29 | 武汉大学 | 基于道路特征的遥感影像与激光点云配准方法及系统 |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN106709473A (zh) * | 2017-01-19 | 2017-05-24 | 辽宁工程技术大学 | 一种基于体元的机载lidar道路提取方法 |
CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
US20180253625A1 (en) * | 2015-09-09 | 2018-09-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for processing high-precision map data, storage medium and device |
-
2019
- 2019-09-03 CN CN201910825984.XA patent/CN110516653A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007436A (zh) * | 2014-05-28 | 2014-08-27 | 河南省交通规划勘察设计院有限责任公司 | 基于机载LiDAR数据的公路勘测设计方法 |
CN104123730A (zh) * | 2014-07-31 | 2014-10-29 | 武汉大学 | 基于道路特征的遥感影像与激光点云配准方法及系统 |
US20180253625A1 (en) * | 2015-09-09 | 2018-09-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for processing high-precision map data, storage medium and device |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN106709473A (zh) * | 2017-01-19 | 2017-05-24 | 辽宁工程技术大学 | 一种基于体元的机载lidar道路提取方法 |
CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
Non-Patent Citations (2)
Title |
---|
BISHENG YANG等: "《3D local feature BKD to extract road information from mobile laser scanning point clouds》", 《JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
王濮 等: "《机载LiDAR数据提取山区道路方法研究》", 《遥感技术与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736136A (zh) * | 2020-06-23 | 2020-10-02 | 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) | 一种机载激光点云航摄漏洞检测方法及系统 |
CN111736136B (zh) * | 2020-06-23 | 2023-01-06 | 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) | 一种机载激光点云航摄漏洞检测方法及系统 |
CN112085726A (zh) * | 2020-09-16 | 2020-12-15 | 杭州爱科科技股份有限公司 | 皮料识别方法、装置、系统及计算机可读存储介质 |
CN112085726B (zh) * | 2020-09-16 | 2024-03-22 | 杭州爱科科技股份有限公司 | 皮料识别方法、装置、系统及计算机可读存储介质 |
CN112330604A (zh) * | 2020-10-19 | 2021-02-05 | 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 |
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 |
CN112561808A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云和卫星影像的道路边界线复原方法 |
CN112561808B (zh) * | 2020-11-27 | 2023-07-18 | 中央财经大学 | 一种基于车载激光点云和卫星影像的道路边界线复原方法 |
CN113379754A (zh) * | 2020-12-02 | 2021-09-10 | 哈尔滨理工大学 | 基于车载gps数据与神经网络的道路中心线提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516653A (zh) | 一种基于多光谱机载激光雷达点云数据的道路提取方法 | |
CN107092020B (zh) | 融合无人机LiDAR和高分影像的路面平整度监测方法 | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
Kwong et al. | Tree height mapping and crown delineation using LiDAR, large format aerial photographs, and unmanned aerial vehicle photogrammetry in subtropical urban forest | |
Jarząbek-Rychard et al. | 3D building reconstruction from ALS data using unambiguous decomposition into elementary structures | |
KR20150122676A (ko) | 이미지 처리 | |
CN104700398A (zh) | 一种点云场景物体提取方法 | |
CN104408463B (zh) | 一种高分辨率建设用地图斑识别方法 | |
CN111062958B (zh) | 一种城市道路要素提取方法 | |
CN111487643B (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 | |
CN109766824B (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
CN112241661A (zh) | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 | |
CN105447452A (zh) | 一种基于地物空间分布特征的遥感亚像元制图方法 | |
Li et al. | New methodologies for precise building boundary extraction from LiDAR data and high resolution image | |
Yang et al. | Airborne LiDAR and photogrammetric point cloud fusion for extraction of urban tree metrics according to street network segmentation | |
CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
Tian | 3D change detection from high and very high resolution satellite stereo imagery | |
KR20210067979A (ko) | 지리적 정보의 용이 생성을 위한 시스템 및 방법 | |
Ajayi et al. | On the applicability of integrated UAV photogrammetry and automatic feature extraction for cadastral mapping | |
Hofmann et al. | Quality assessment of automatically generated feature maps for future driver assistance systems | |
Zhu | A pipeline of 3D scene reconstruction from point clouds | |
CN114694022A (zh) | 一种基于球形邻域的多尺度多特征算法的语义分割方法 | |
Forghani et al. | Object-based classification of multi-sensor optical imagery to generate terrain surface roughness information for input to wind risk simulation | |
Previtali et al. | Automated road information extraction from high resolution aerial lidar data for smart road applications | |
Wang | Semi-automated generation of high-accuracy digital terrain models along roads using mobile laser scanning 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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191129 |