CN110705595A - 一种基于背包式三维激光点云数据的停车位自动提取方法 - Google Patents

一种基于背包式三维激光点云数据的停车位自动提取方法 Download PDF

Info

Publication number
CN110705595A
CN110705595A CN201910833559.5A CN201910833559A CN110705595A CN 110705595 A CN110705595 A CN 110705595A CN 201910833559 A CN201910833559 A CN 201910833559A CN 110705595 A CN110705595 A CN 110705595A
Authority
CN
China
Prior art keywords
parking space
line
point cloud
cloud data
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.)
Granted
Application number
CN201910833559.5A
Other languages
English (en)
Other versions
CN110705595B (zh
Inventor
蔡东健
邢万里
周旺辉
岳顺
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.)
Yuance Information Technology Co ltd
Original Assignee
Suzhou Industrial Park Surveying Mapping And Geoinformation 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 Suzhou Industrial Park Surveying Mapping And Geoinformation Co Ltd filed Critical Suzhou Industrial Park Surveying Mapping And Geoinformation Co Ltd
Priority to CN201910833559.5A priority Critical patent/CN110705595B/zh
Publication of CN110705595A publication Critical patent/CN110705595A/zh
Application granted granted Critical
Publication of CN110705595B publication Critical patent/CN110705595B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • G08G1/144—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces on portable or mobile units, e.g. personal digital assistant [PDA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于背包式三维激光点云数据的停车位自动提取方法，涉及地图构建技术领域。包括以下步骤：停车场地面点云数据获取；车位线点云数据提取；车位线点云数据去噪；车位线激光点对应的直线斜率获取；车位线点云数据分类；车位线直线拟合；车位线直线调整为平行；构建车位线模型；构建停车场模型。本发明实现了停车场车位线的自动化程序化标准化构建，工作效率高；实现了停车场车位线的高精度提取，构建的车位线准确，误差极低；本发明先构建出每排车位线，最后构建出停车场车位线，层次分明，减少误差。

Description

一种基于背包式三维激光点云数据的停车位自动提取方法
技术领域
本发明涉及地图构建技术领域，尤其涉及一种基于背包式三维激光点云数据的停车位自动提取方法。
背景技术
目前，城市停车场数量多且占地面积巨大。在以汽车作为主要出行工具的人类社会中，停车场已经成为了人们日常生活中不可或缺的一部分，因此人们对于高精度停车场地图的需求变得越来越迫切。具备高精度停车位信息的停车场地图对于停车指导系统(Parking Guidance and Information System,PGIS)至关重要，它能够有效的缓解目前社会中存在的停车难问题。与此同时，高精度停车场地图也是自动驾驶(泊车)系统的重要基础，为了让汽车能够按照预先规划的路线精确的停靠到指定车位，人们需要预先为汽车提供高精度的停车场地图。
现在停车位的测量主要依靠人工手动测量，通常采用的测量方法为卫星定位测量、导线测量、三角测量等方法，这些方法工作效率和自动化程度较低，因此停车位的自动提取成为了一个亟待解决的问题。已有的停车位自动提取研究中绝大多数是基于遥感影像，而基于图像处理提取停车位面临着诸如图像亮度剧烈变化、阴影、透视失真等问题。目前迅速发展的三维激光扫描技术能够快速获取物体表面高精度的密集点云数据，基本不受上述问题的影响。
已有的基于三维激光扫描系统点云数据提取停车位的研究中，汪嵩发表的地下车位测量方法的比较与探讨(城市勘测2015年12月第六期)论文中利用 VZ-400三维激光扫描仪获取地下停车位的点云数据，然后在TerraSolid软件中利用画图工具手动勾画出车位线。其中多测站数据扫描和配准耗时较长且获取的数据完整度较低，并且基于点云数据的停车位提取过程完全依靠手动画图，工作效率较低。Tong L等(Integration of LiDARData and Orthophoto for Automatic Extraction of Parking Lot Structure[J].IEEEJournal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(2):503-514) 提出了一种结合机载三维激光扫描系统点云数据和正射影像提取停车场车位线的方法。其中机载点云和正射影像数据的获取成本较高，不利于推广。
背包式移动三维激光扫描系统应运而生。作为目前最热门的测绘新技术，该设备通过人员背载进行数据扫描，人员可通过的地方都可进行数据采集，采集过程快速、便捷、低成本。背包式三维激光扫描系统的出现为停车位的自动提取提供全新的解决方案，人员可在能通过的地方进行数据获取，作业方式更为灵活且获取的数据更完整，在移动过程中快速获取停车场的三维点云数据，工作效率较高且成本较低，优势十分明显。
发明内容
本发明要解决的技术问题是提供一种实现所有车位的高精度自动提取的工作效率和自动化程度高的基于背包式三维激光点云数据的停车位自动提取方法。
为解决上述问题，本发明的技术方案为：
一种基于背包式三维激光点云数据的停车位自动提取方法，包括以下步骤：
S1.停车场地面点云数据获取：通过背包式三维激光扫描系统获取停车场的地面点云数据，所述停车场的地面点云数据包括至少一排车位线地面点云数据，所述一排车位线由两组理想平行线段构成，所述线段所在的直线为理想车位线直线；
S2.车位线点云数据提取：从停车场地面点云数据中提取一排车位线地面点云数据，利用主成分分析方法从所述一排车位线地面点云数据中提取车位线点云数据；
S3.车位线点云数据去噪：利用主成分分析方法对车位线点云数据去噪；
S4.车位线激光点对应的直线斜率获取：利用主成分分析方法计算沿直线分布的每个车位线激光点对应的直线的斜率和夹角；
S5.车位线点云数据分类：采用聚类的方法将车位线点云数据按照理想车位线直线的斜率的不同分为类别1车位线点云数据和类别2车位线点云数据，并去除噪声数据；
S6.车位线直线拟合：将类别1和类别2车位线点云数据根据各自所在的直线分离，根据分离后的车位线点云数据拟合车位线直线；
S7.车位线直线调整为平行：根据拟合的车位线直线的斜率将拟合的车位线直线调整为平行；
S8.构建车位线模型：利用车位线直线间交点构建车位的边长线段，利用所述边长线段构建停车位模型；
S9.构建停车场模型：重复步骤S2至S8，直至构建出最后一排车位线模型，从而构建出停车场模型。
进一步地，所述步骤S2中主成分分析方法包括以下步骤：
S21.利用主成分分析方法获取车位线地面点云数据RGB信息的第一主成分；
S22.计算第一主成分的均值μ和标准差σ；
S23.提取车位线地面点云数据RGB信息第一主成分位于μ±n×σ内的点云数据，所述n为标准差的系数。
进一步地，所述步骤S3中主成分分析方法包括以下步骤：
S31.利用主成分分析方法获取车位线点云数据XY信息的第一主成分；
S32.计算车位线点云数据XY坐标信息的第一主成分的方差贡献率，采用如下公式：
Figure RE-GDA0002252623930000031
其中，λ为每个车位线激光点邻域范围内数据协方差矩阵的特征值且λ1＞λ2；
S33.设置阈值，将方差贡献率小于阈值的车位线点云数据视为噪声数据，去除噪声数据。
进一步地，所述步骤S4中主成分分析方法包括以下步骤：
S41.利用主成分分析方法获取车位线点云数据XY信息的第一主成分，得到每个车位线激光点邻域数据XY坐标的第一主成分对应的单位特征向量 e1＝[e11 e12]；
S42.计算每个车位线激光点对应的直线斜率和直线与X轴的夹角，计算公式如下所示：
k＝e12/e11
p＝arctan(k)
其中，k为直线斜率，p为直线与X轴的夹角。
进一步地，所述步骤S5中聚类方法为采用DBSCAN算法对所述步骤S4中得到的每个车位线激光点对应的直线的夹角进行聚类。
进一步地，所述步骤S6中车位线直线拟合包括以下步骤：
S61.将类别1车位线点云数据对应的直线斜率的中值作为虚拟直线斜率，以车位线点云数据X最小值对应的点作为起始点构造虚拟直线，设置阈值，将与直线距离小于阈值的车位线点云数据作为虚拟直线数据，然后以剩余车位线点云数据的X最小值对应的点作为起始点构造新的虚拟直线并识别虚拟直线数据，直至所有的车位线点云数据都被识别为各虚拟直线数据；
S62.将类别2车位线点云数据对应的直线斜率的中值作为虚拟直线斜率，以车位线点云数据X最小值对应的点作为起始点构造虚拟直线，设置阈值，将与直线距离小于阈值的车位线点云数据作为虚拟直线数据，然后以剩余车位线点云数据的X最小值对应的点作为起始点构造新的虚拟直线并识别虚拟直线数据，直至所有的车位线点云数据都被识别为各虚拟直线数据；
S63.根据识别的虚拟直线数据拟合车位线直线，搜索确定虚拟直线数据端点，设置阈值y1和y2，如果虚拟直线数据的两个端点距离大于阈值y1则以两个端点邻域数据的中值拟合车位线直线，若虚拟直线数据的两个端点为孤立点则将其视为噪声并删除，重新搜索确定虚拟直线端点，若虚拟直线数据两个端点距离小于阈值y2，则以虚拟直线数据的X坐标的中值对应的点的邻域中心点和该虚拟直线对应的斜率拟合车位线直线。
进一步地，所述步骤S61和步骤S62中，设置阈值，将距离小于阈值的两条虚拟直线的车位线点云数据合并。
进一步地，所述步骤S7中包括以下步骤：
S71.将步骤S6中拟合的类别1车位线直线和类别2车位线直线的斜率的中值作为该类别车位线直线中所有直线的斜率；
S72.设置阈值y1和y2，车位线直线数据两个端点距离小于阈值y1时以该车位线直线起始点邻域数据的中值和步骤S71中所得的斜率构造直线，若起始点为孤立点则忽略该点并搜索新的起始点；车位线直线数据两个端点距离大于阈值 y2时以该车位线直线数据中点邻域数据的中值和斜率构建直线，若中点为孤立点则忽略该点并搜索新的中点。
进一步地，对于所述步骤S7中车位线直线调整为平行后得到的不符合车位模型的车位线直线进行删除，缺少的车位线直线进行补充，步骤如下：计算同类别车位线直线之间的间距；搜寻满足车位大小的间距取中值作为单个车位的边长近似值；设定阈值，搜寻距离小于阈值的直线，计算这两条直线到其它距离最近的直线的间距与车位大小进行比对，删除间距不同的直线；按照车位线直线的截距大小对直线进行排列，按照车位边长大小补充缺失的车位。
进一步地，所述步骤S8中构建边长线段的方法为将类别1和类别2车位线直线内的直线按照截距进行排列，计算每条直线与另一类别车位线直线内每一条直线对应的交点，利用交点构建车位的边长线段。
与现有技术相比，本发明具有如下有益效果：
1.本发明通过采用背包式移动三维激光扫描系统提取停车位数据，在人员可通过的地方都可进行数据采集，数据采集过程快速、便捷且采集成本低；
2.本发明实现了停车场车位线的自动化程序化标准化构建，工作效率高；
3.本发明实现了停车场车位线的高精度提取，构建的车位线准确，误差极低；
4.本发明先构建出每排车位线，最后构建出停车场车位线，层次分明，减少误差；
5.本发明可应用于停有汽车的停车场，适用范围广；
6.本发明对被车子不规范停车挡住的车位线设置步骤进行了补充构建，因此本发明适用于部分车位线不完整的停车场，适用范围广；
7.本发明设置有将错误分离的车位线合并的步骤，保证了车位线构建的精度，减小误差；
8.本发明基于背包式三维激光点云数据，利用车位线数据的XY和RGB 信息结合主成分分析的方法实现车位线数据的自动提取；
9.本发明利用主成分分析法，实现点云数据去噪和车位线直线斜率获取。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为停车场地面点云数据示意图；
图2为车位线地面点云数据示意图；
图3为车位线点云数据示意图；
图4为去噪后的车位线点云数据示意图；
图5(a)为夹角聚类原始数据示意图，图5(b)为夹角聚类结果示意图；
图6(a)为类别1车位线点云数据聚类结果示意图，图6(b)为类别2 车位线点云数据聚类结果示意图；
图7(a)为类别1车位线分离和拟合结果示意图，图7(b)为类别2 车位线分离和拟合结果示意图；
图8为直线调整为平行示意图；
图9为距离过近的直线的合并结果示意图；
图10为最终获取的车位线直线示意图；
图11为车位线模型示意图；
图12为停车场模型示意图；
图13为边长相对误差示意图；
图14为坐标绝对误差示意图；
具体实施方式
为了对本发明的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
实施例：
如图1-14所示为一种基于背包式三维激光点云数据的停车位自动提取方法，包括以下步骤：
S1.停车场地面点云数据获取：
利用Leica Pegasus背包式三维激光扫描系统获取停车场的点云数据和照片，然后利用硬件配套IE软件进行GNSS格式转换、轨迹解算和预检查，然后利用配套的Infinity软件建立坐标系，最后利用配套的AutoP软件进行SLAM解算(修改轨迹)并导出LAS格式点云数据。将LAS格式点云数据导入RealWorks软件中，通过对点云数据进行裁剪保留停车场地面点云数据，所述停车场的地面点云数据包括至少一排车位线地面点云数据，所述一排车位线由两组理想平行线段构成，所述线段所在的直线为理想车位线直线。
S2.车位线点云数据提取:
在Realworks软件中手动从停车场地面点云数据中裁剪提取出一排车位线地面点云数据，利用主成分分析方法获取车位线地面点云数据RGB信息的第一主成分，计算第一主成分的均值μ和标准差σ作为车位线点云数据识别的关键参数，提取车位线地面点云数据RGB信息第一主成分位于μ±n×σ内的点云数据，n为标准差的系数，这样就提取出了一排车位线点云数据。
如图2所示，车位线和水泥地面均为白色，目视可判别车位线位置但是二者的颜色差别不明显；车位数据不完整，这是因为仪器扫描时车位内停有汽车使得车位被遮挡所致。最后得到的停车场车位线是完整的，这说明本发明适用于部分车位线不完整的停车场，适用范围广。
如图3所示为利用RGB信息提取的车位线点云数据，几乎所有的车位线点云数据都被保留了下来，但是也有大量的噪声存在。
S3.车位线点云数据去噪：
由于车位线均为直线，因此车位线点云数据的几何分布特征明显，均为沿某个直线方向集中分布，所以局部车位线点云数据XY坐标信息的第一主成分的方差贡献率较高，可以将其作为关键参数来区分车位线点云数据与噪声数据。针对车位线点云数据中存在的噪声，利用主成分分析方法对车位线点云数据去噪，步骤包括：
利用主成分分析方法获取车位线点云数据XY信息的第一主成分；
计算车位线点云数据XY坐标信息的第一主成分的方差贡献率，采用如下公式：
Figure RE-GDA0002252623930000071
其中，为每个车位线激光点邻域范围内数据协方差矩阵的特征值且λ1＞λ2，激光点是指点云数据中的一个点，激光点邻域是指以激光点为圆心，半径R范围内的所有数据；
设置阈值，将方差贡献率小于阈值的车位线点云数据视为噪声数据，去除噪声数据，阈值的确定为通过设置不同的阈值并对比实验结果来确定最优的阈值。
去噪结果如图4所示，图4中绝大部分噪声数据被删除且车位线点云数据变化不大。
结合步骤S1-S3，实验结果表明，基于真彩色点云数据的RGB信息和XY 坐标信息，利用主成分分析法能够逐步从地面数据中准确地提取出车位线点云数据。
S4.车位线激光点对应的直线斜率获取：
本研究发现主成分分析过程协方差矩阵的单位特征向量e1＝[e11 e12]能够反映数据的几何分布特征，而对于沿直线分布的车位线点云数据，其第一主成分对应的单位特征向量能够反映出所在直线的斜率，因此可根据点云数据 XY坐标的第一主成分对应的单位特征向量来拟合直线的斜率和夹角。
利用主成分分析方法计算沿直线分布的每个车位线激光点对应的直线的斜率和夹角，每个激光点对应一个斜率，包括以下步骤：
利用主成分分析方法获取车位线点云数据XY信息的第一主成分，得到每个车位线激光点邻域数据XY坐标的第一主成分对应的单位特征向量e1＝[e11 e12]；
计算每个车位线激光点对应的直线斜率和直线与X轴的夹角，点云数据的坐标带有坐标系，这里X轴就是坐标系中的X轴，计算公式如下所示：
k＝e12/e11
p＝arctan(k)。
其中，k为直线斜率，p为夹角。
已知直线上一点的坐标和直线斜率即可计算出直线方程y＝kx+b。
S5.车位线点云数据分类：
车位线由两组平行线构成，考虑到直线斜率随夹角的变化呈非线性变化，因此可通过对夹角的聚类来实现车位线点云数据分类，聚类方法采用 DBSCAN算法对夹角数据进行聚类。DBSCAN算法是一种基于密度的聚类算法，相较于目前普遍使用的聚类算法如K均值算法需要输入类别数作为聚类的先决条件，该算法不需要任何的输入参数，并且对噪声具有鲁棒性。
采用DBSCAN算法对步骤S4中得到的每个车位线激光点对应的直线的夹角进行聚类，将车位线点云数据按照理想车位线直线的斜率的不同分为类别1车位线点云数据和类别2车位线点云数据，并去除噪声数据；
DBSCAN算法的计算公式如下所示：
NEps(p)＝(dist(p,q)≤Eps)
只需要定义类别的最小元素个数MINPts和领域半径Eps，就能够检测任意形状的数据集。以点集D中的任意点p开始，如果p邻域半径Eps内的点 q的个数NEps(q)≥MINPts，此时一个满足条件的类别就被识别了出来，如果NEps(q)≤MINPts则点p被视为噪声，重复该过程对每个点进行处理，从而获取最后的聚类结果。
聚类后得到的每个类别内部的点云数据对应直线与X轴的夹角在一个很小的区间之内，每个类别内部的点云数据对应直线的斜率也与对应的理想车位线直线的斜率相似。
如图5(a)所示为原始的夹角数据，横轴是夹角，纵轴是为了便于聚类而为夹角数据添加一个元素均为1的向量从而转为二维数据，图5(a)中夹角数据主要分为两个部分集中分布。聚类结果如图5(b)所示，两类数据区分明显且每一类别内部数据分布较为集中。
每一类别夹角对应的车位线点云数据如图6所示，图6(a)中的类别1车位线点云数据为多条平行直线，图6(b)中的类别2车位线点云数据为两条平行直线，各类别点云数据中几乎不包含任何噪声，分类结果较好。
实验结果表明，局部点云数据协方差矩阵的单位特征向量能够准确描述点云的几何分布特征，即可以利用单位特征向量准确计算拟合直线的斜率和夹角；基于拟合直线与X轴的夹角数据进行聚类能够实现不同斜率平行直线的精确分类。
S6.车位线直线拟合：
直线数据分类结果中，每一类点云数据中都包含多条平行直线，因此需要将对应不同的直线的点云数据进行分离，再根据分离的直线数据拟合直线。
将类别1和类别2车位线点云数据根据各自所在的直线分离，根据分离后的车位线点云数据拟合车位线直线，包括以下步骤：
将类别1车位线点云数据对应的直线斜率的中值作为虚拟直线斜率，以车位线点云数据X最小值对应的点作为起始点构造虚拟直线，设置阈值，将与直线距离小于阈值的车位线点云数据作为虚拟直线数据，然后以剩余车位线点云数据的 X最小值对应的点作为起始点构造新的虚拟直线并识别虚拟直线数据，直至所有的车位线点云数据都被识别为各虚拟直线数据；设置第二阈值，将距离小于第二阈值的两条虚拟直线的车位线点云数据合并。
将类别2车位线点云数据对应的直线斜率的中值作为虚拟直线斜率，以车位线点云数据X最小值对应的点作为起始点构造虚拟直线，设置阈值，将与直线距离小于阈值的车位线点云数据作为虚拟直线数据，然后以剩余车位线点云数据的 X最小值对应的点作为起始点构造新的虚拟直线并识别虚拟直线数据，直至所有的车位线点云数据都被识别为各虚拟直线数据；设置第二阈值，将距离小于第二阈值的两条虚拟直线的车位线点云数据合并。
根据识别的虚拟直线数据拟合车位线直线，搜索确定虚拟直线数据端点，设置阈值y1和y2，如果虚拟直线数据的两个端点距离大于阈值y1则以两个端点邻域数据的中值拟合车位线直线，若虚拟直线数据的两个端点为孤立点则将其视为噪声并删除，重新搜索确定虚拟直线端点，若虚拟直线数据两个端点距离小于阈值y2，则以虚拟直线数据的X坐标的中值对应的点的邻域中心点和该虚拟直线对应的斜率拟合车位线直线。
起始点邻域是指以起始点为圆心，半径R范围内的所有数据，邻域的中值是指邻域数据的中心点，中心点的XY坐标为所有数据XY坐标的平均值，孤立点是指该点邻域范围内不含其它的点。
如图7(a)所示为类别1车位线分离和拟合结果示意图，图7(b)为类别2车位线分离和拟合结果示意图，图9为距离过近的直线的合并结果示意图。图7(a)中车位线直线数据分离结果较好，不存在同一条直线被分离为两条直线的情况，图7(b)中存在一条较长直线被分离为两条直线的情况。此时需要对距离过近的直线数据进行合并，合并结果如图9所示，错误分离的两条直线被合并为一条直线。
S7.车位线直线调整为平行：
S6中拟合得到的车位线直线并不完全平行，因此，需要将车位线直线调整为平行。
根据拟合的车位线直线的斜率将拟合的车位线直线调整为平行，包括以下步骤：
将步骤S6中拟合的类别1车位线直线和类别2车位线直线的斜率的中值作为该类别车位线直线中所有直线的斜率；
设置阈值y1和y2，车位线直线数据两个端点距离小于阈值y1时以该车位线直线起始点邻域数据的中值和步骤S71中所得的斜率构造直线，若起始点为孤立点则忽略该点并搜索新的起始点；车位线直线数据两个端点距离大于阈值y2 时以该车位线直线数据中点邻域数据的中值和斜率构建直线，若中点为孤立点则忽略该点并搜索新的中点。
如图8所示为直线调整为平行示意图，如图可知调整效果非常好。
S8.构建车位线模型：
将类别1和类别2车位线直线内的直线按照截距进行排列，计算每条直线与另一类别车位线直线内每一条直线对应的交点，利用交点构建车位的边长线段，利用车位线直线间交点构建车位的边长线段，利用所述边长线段构建停车位模型。
对于所述步骤S7中车位线直线调整为平行后得到的不符合车位模型的车位线直线进行删除，缺少的车位线直线进行补充，步骤如下：
计算同类别车位线直线之间的间距；搜寻满足车位大小的间距取中值作为单个车位的边长近似值；设定阈值，搜寻距离小于阈值的直线，计算这两条直线到其它距离最近的直线的间距与车位大小进行比对，删除间距不同的直线；按照车位线直线的截距大小对直线进行排列，按照车位边长大小补充缺失的车位。
通过计算同类别车位线直线之间的间距，获取的车位大小为2.50m×5.75m，按照车位大小将距离过近的直线进行删除，补充缺失的直线，最终获取的车位线如图10所示。对比图8和图10发现，图8中近似竖直方向的直线集中从左到右第3条直线被删除，事实证明该直线确实为噪声数据导致的错误识别的直线，图10中近似竖直方向的直线集中从左到右第3、4、15、 16、17条直线为补充的直线。图10中各直线均准确穿过对应点云数据，目视判别无明显偏差。利用直线交点构建模型如图11所示。实验结果表明，通过识别的车位大小可以有效判别识别的直线是否正确，并可以对缺失的直线进行补充。
S9.构建停车场模型：
重复步骤S2至S8，直至构建出最后一排车位线模型，从而构建出停车场模型。构建的停车场模型如图12所示。
精度评估：
如图13和图14所示，本文算法对停车场地面点云数据进行处理，获取的停车场模型如图12所示，图中共有4排停车位，随机选取车位的10个边长和对应的20个特征点坐标和进行精度评估。精度评估结果如图13所示，图13为边长相对误差统计结果，图14为坐标绝对误差统计结果，图13中车位边长误差均在0.09m以内，图14中特征点绝对坐标误差均在0.1m以内，计算二者的均方根误差为0.042m和0.047m，与该背包三维激光扫描设备的测量精度(5cm)相差不大且满足停车位外业测量的要求。
本行业的技术人员应该了解，本发明不受上述实施例的限制，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：包括以下步骤：
S1.停车场地面点云数据获取：通过背包式三维激光扫描系统获取停车场的地面点云数据，所述停车场的地面点云数据包括至少一排车位线地面点云数据，所述一排车位线由两组理想平行线段构成，所述线段所在的直线为理想车位线直线；
S2.车位线点云数据提取：从停车场地面点云数据中提取一排车位线地面点云数据，利用主成分分析方法从所述一排车位线地面点云数据中提取车位线点云数据；
S3.车位线点云数据去噪：利用主成分分析方法对车位线点云数据去噪；
S4.车位线激光点对应的直线斜率获取：利用主成分分析方法计算沿直线分布的每个车位线激光点对应的直线的斜率和夹角；
S5.车位线点云数据分类：采用聚类的方法将车位线点云数据按照理想车位线直线的斜率的不同分为类别1车位线点云数据和类别2车位线点云数据，并去除噪声数据；
S6.车位线直线拟合：将类别1和类别2车位线点云数据根据各自所在的直线分离，根据分离后的车位线点云数据拟合车位线直线；
S7.车位线直线调整为平行：根据拟合的车位线直线的斜率将拟合的车位线直线调整为平行；
S8.构建车位线模型：利用车位线直线间交点构建车位的边长线段，利用所述边长线段构建停车位模型；
S9.构建停车场模型：重复步骤S2至S8，直至构建出最后一排车位线模型，从而构建出停车场模型。
2.根据权利要求1所述的一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：所述步骤S2中主成分分析方法包括以下步骤：
S21.利用主成分分析方法获取车位线地面点云数据RGB信息的第一主成分；
S22.计算第一主成分的均值μ和标准差σ；
S23.提取车位线地面点云数据RGB信息第一主成分位于μ±n×σ内的点云数据，所述n为标准差的系数。
3.根据权利要求1所述的一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：所述步骤S3中主成分分析方法包括以下步骤：
S31.利用主成分分析方法获取车位线点云数据XY信息的第一主成分；
S32.计算车位线点云数据XY坐标信息的第一主成分的方差贡献率，采用如下公式：
其中，λ为每个车位线激光点邻域范围内数据协方差矩阵的特征值且λ1＞λ2；
S33.设置阈值，将方差贡献率小于阈值的车位线点云数据视为噪声数据，去除噪声数据。
4.根据权利要求1所述的一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：所述步骤S4中主成分分析方法包括以下步骤：
S41.利用主成分分析方法获取车位线点云数据XY信息的第一主成分，得到每个车位线激光点邻域数据XY坐标的第一主成分对应的单位特征向量e1＝[e11 e12]；
S42.计算每个车位线激光点对应的直线斜率和直线与X轴的夹角，计算公式如下所示：
k＝e12/e11
p＝arctan(k)
其中，k为直线斜率，p为直线与X轴的夹角。
5.根据权利要求1所述的一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：所述步骤S5中聚类方法为采用DBSCAN算法对所述步骤S4中得到的每个车位线激光点对应的直线的夹角进行聚类。
6.根据权利要求1所述的一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：所述步骤S6中车位线直线拟合包括以下步骤：
S61.将类别1车位线点云数据对应的直线斜率的中值作为虚拟直线斜率，以车位线点云数据X最小值对应的点作为起始点构造虚拟直线，设置阈值，将与直线距离小于阈值的车位线点云数据作为虚拟直线数据，然后以剩余车位线点云数据的X最小值对应的点作为起始点构造新的虚拟直线并识别虚拟直线数据，直至所有的车位线点云数据都被识别为各虚拟直线数据；
S62.将类别2车位线点云数据对应的直线斜率的中值作为虚拟直线斜率，以车位线点云数据X最小值对应的点作为起始点构造虚拟直线，设置阈值，将与直线距离小于阈值的车位线点云数据作为虚拟直线数据，然后以剩余车位线点云数据的X最小值对应的点作为起始点构造新的虚拟直线并识别虚拟直线数据，直至所有的车位线点云数据都被识别为各虚拟直线数据；
S63.根据识别的虚拟直线数据拟合车位线直线，搜索确定虚拟直线数据端点，设置阈值y1和y2，如果虚拟直线数据的两个端点距离大于阈值y1则以两个端点邻域数据的中值拟合车位线直线，若虚拟直线数据的两个端点为孤立点则将其视为噪声并删除，重新搜索确定虚拟直线端点，若虚拟直线数据两个端点距离小于阈值y2，则以虚拟直线数据的X坐标的中值对应的点的邻域中心点和该虚拟直线对应的斜率拟合车位线直线。
7.根据权利要求6所述的一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：所述步骤S61和步骤S62中，设置阈值，将距离小于阈值的两条虚拟直线的车位线点云数据合并。
8.根据权利要求1所述的一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：所述步骤S7中包括以下步骤：
S71.将步骤S6中拟合的类别1车位线直线和类别2车位线直线的斜率的中值作为该类别车位线直线中所有直线的斜率；
S72.设置阈值y1和y2，车位线直线数据两个端点距离小于阈值y1时以该车位线直线起始点邻域数据的中值和步骤S71中所得的斜率构造直线，若起始点为孤立点则忽略该点并搜索新的起始点；车位线直线数据两个端点距离大于阈值y2时以该车位线直线数据中点邻域数据的中值和斜率构建直线，若中点为孤立点则忽略该点并搜索新的中点。
9.根据权利要求1所述的一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：对于所述步骤S7中车位线直线调整为平行后得到的不符合车位模型的车位线直线进行删除，缺少的车位线直线进行补充，步骤如下：计算同类别车位线直线之间的间距；搜寻满足车位大小的间距取中值作为单个车位的边长近似值；设定阈值，搜寻距离小于阈值的直线，计算这两条直线到其它距离最近的直线的间距与车位大小进行比对，删除间距不同的直线；按照车位线直线的截距大小对直线进行排列，按照车位边长大小补充缺失的车位。
10.根据权利要求1所述的一种基于背包式三维激光点云数据的停车位自动提取方法，其特征在于：所述步骤S8中构建边长线段的方法为将类别1和类别2车位线直线内的直线按照截距进行排列，计算每条直线与另一类别车位线直线内每一条直线对应的交点，利用交点构建车位的边长线段。
CN201910833559.5A 2019-09-04 2019-09-04 一种基于背包式三维激光点云数据的停车位自动提取方法 Active CN110705595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910833559.5A CN110705595B (zh) 2019-09-04 2019-09-04 一种基于背包式三维激光点云数据的停车位自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910833559.5A CN110705595B (zh) 2019-09-04 2019-09-04 一种基于背包式三维激光点云数据的停车位自动提取方法

Publications (2)

Publication Number Publication Date
CN110705595A true CN110705595A (zh) 2020-01-17
CN110705595B CN110705595B (zh) 2022-02-25

Family

ID=69193648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910833559.5A Active CN110705595B (zh) 2019-09-04 2019-09-04 一种基于背包式三维激光点云数据的停车位自动提取方法

Country Status (1)

Country Link
CN (1) CN110705595B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560747A (zh) * 2020-12-23 2021-03-26 苏州工业园区测绘地理信息有限公司 基于车载点云数据的车道边界交互式提取方法
CN113762067A (zh) * 2021-07-21 2021-12-07 上海圭目机器人有限公司 一种机场板块的识别方法
CN117152990A (zh) * 2023-09-06 2023-12-01 金钻智能车库科技(东莞)有限公司 基于人工智能的自动化智能车库系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968634A (zh) * 2012-11-23 2013-03-13 南京大学 一种主方向约束下的停车场结构提取方法
CN106127153A (zh) * 2016-06-24 2016-11-16 南京林业大学 车载激光扫描点云数据的交通标牌识别方法
US20180189578A1 (en) * 2016-12-30 2018-07-05 DeepMap Inc. Lane Network Construction Using High Definition Maps for Autonomous Vehicles
CN109253731A (zh) * 2018-08-06 2019-01-22 百度在线网络技术（北京）有限公司 停车场地图生成方法、装置、设备及可读存储介质
CN109684921A (zh) * 2018-11-20 2019-04-26 吉林大学 一种基于三维激光雷达的道路边界检测与跟踪方法
CN109858460A (zh) * 2019-02-20 2019-06-07 重庆邮电大学 一种基于三维激光雷达的车道线检测方法
CN109949326A (zh) * 2019-03-21 2019-06-28 苏州工业园区测绘地理信息有限公司 基于背包式三维激光点云数据的建筑物轮廓线提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968634A (zh) * 2012-11-23 2013-03-13 南京大学 一种主方向约束下的停车场结构提取方法
CN106127153A (zh) * 2016-06-24 2016-11-16 南京林业大学 车载激光扫描点云数据的交通标牌识别方法
US20180189578A1 (en) * 2016-12-30 2018-07-05 DeepMap Inc. Lane Network Construction Using High Definition Maps for Autonomous Vehicles
CN109253731A (zh) * 2018-08-06 2019-01-22 百度在线网络技术（北京）有限公司 停车场地图生成方法、装置、设备及可读存储介质
CN109684921A (zh) * 2018-11-20 2019-04-26 吉林大学 一种基于三维激光雷达的道路边界检测与跟踪方法
CN109858460A (zh) * 2019-02-20 2019-06-07 重庆邮电大学 一种基于三维激光雷达的车道线检测方法
CN109949326A (zh) * 2019-03-21 2019-06-28 苏州工业园区测绘地理信息有限公司 基于背包式三维激光点云数据的建筑物轮廓线提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
房华乐: "面向对象的移动激光扫描点云数据提取城市道路信息方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560747A (zh) * 2020-12-23 2021-03-26 苏州工业园区测绘地理信息有限公司 基于车载点云数据的车道边界交互式提取方法
CN113762067A (zh) * 2021-07-21 2021-12-07 上海圭目机器人有限公司 一种机场板块的识别方法
CN113762067B (zh) * 2021-07-21 2024-03-26 上海圭目机器人有限公司 一种机场板块的识别方法
CN117152990A (zh) * 2023-09-06 2023-12-01 金钻智能车库科技(东莞)有限公司 基于人工智能的自动化智能车库系统及方法

Also Published As

Publication number Publication date
CN110705595B (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN110146910B (zh) 一种基于gps与激光雷达数据融合的定位方法及装置
CN110705595B (zh) 一种基于背包式三维激光点云数据的停车位自动提取方法
CN102074047B (zh) 一种高精细城市三维建模方法
CN109949326B (zh) 基于背包式三维激光点云数据的建筑物轮廓线提取方法
US11288526B2 (en) Method of collecting road sign information using mobile mapping system
Serna et al. Paris-rue-Madame database: A 3D mobile laser scanner dataset for benchmarking urban detection, segmentation and classification methods
Zhang et al. An iterative road-matching approach for the integration of postal data
Soheilian et al. 3D road marking reconstruction from street-level calibrated stereo pairs
CN106296814B (zh) 公路养护检测与可视化交互方法和系统
CN105844629A (zh) 一种大场景城市建筑物立面点云自动分割方法
CN108845569A (zh) 生成三维高清道路图水平弯道行车线的半自动点云方法
JP5430627B2 (ja) 道路付属物検出装置、道路付属物検出方法、及びプログラム
CN102208013A (zh) 风景匹配参考数据生成系统和位置测量系统
CN111006655A (zh) 机场巡检机器人多场景自主导航定位方法
CN113008247B (zh) 用于矿区的高精地图构建方法及装置
CN112070756B (zh) 一种基于无人机倾斜摄影的路面立体病害测量方法
CN105069395B (zh) 基于地面三维激光扫描技术的道路标线自动识别方法
CN114859374B (zh) 基于无人机激光点云和影像融合的新建铁路交叉测量方法
CN109815831A (zh) 一种车辆朝向获取方法及相关装置
CN112053559A (zh) 一种高速公路安全态势评估方法及评估系统
Zhang et al. Delimited stroke oriented algorithm-working principle and implementation for the matching of road networks
CN112418081B (zh) 一种空地联合快速勘察交通事故的方法及系统
Yang et al. Airborne LiDAR and photogrammetric point cloud fusion for extraction of urban tree metrics according to street network segmentation
CN111578948B (zh) 一种车道添加的方法及系统
CN114333328B (zh) 基于浮动车定位数据的卡口标定方法、装置和存储介质

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 215000 surveying and mapping geographic information building, No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Patentee after: Yuance Information Technology Co.,Ltd.

Address before: 215000 surveying and mapping geographic information building, No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Patentee before: SUZHOU INDUSTRIAL PARK SURVEYING MAPPING AND GEOINFORMATION Co.,Ltd.