CN111126211B - 标牌识别方法和装置、电子设备 - Google Patents

标牌识别方法和装置、电子设备 Download PDF

Info

Publication number
CN111126211B
CN111126211B CN201911281230.9A CN201911281230A CN111126211B CN 111126211 B CN111126211 B CN 111126211B CN 201911281230 A CN201911281230 A CN 201911281230A CN 111126211 B CN111126211 B CN 111126211B
Authority
CN
China
Prior art keywords
category
point
cloud data
point cloud
points
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
CN201911281230.9A
Other languages
English (en)
Other versions
CN111126211A (zh
Inventor
马朝帅
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.)
Navinfo Co Ltd
Original Assignee
Navinfo 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 Navinfo Co Ltd filed Critical Navinfo Co Ltd
Priority to CN201911281230.9A priority Critical patent/CN111126211B/zh
Publication of CN111126211A publication Critical patent/CN111126211A/zh
Application granted granted Critical
Publication of CN111126211B publication Critical patent/CN111126211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • 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
    • 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
    • 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
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • 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

Abstract

本公开提供一种标牌识别方法和装置、电子设备，包括：接收对象输入的点云数据，其中，点云数据包括标牌的点云数据，根据点云数据获取每个点的法向量，并通过聚类算法对点云数据进行聚类得到至少一个类别，根据法向量、至少一个类别的各类别的平面度和平面拟合误差对至少一个类别进行过滤，得到一个目标类别，对目标类别中的点云数据进行旋转处理，得到平面点云数据，根据平面点数据对应的凸包点确定角点，根据从点云数据中获取的每个点的强度信息，从点云数据中确定与角点对应的标牌的真实角点，以便基于真实角点对电子地图进行更新并显示，避免现有技术中通过栅格化处理造成的效率较低等问题，实现了提高效率的技术效果。

Description

标牌识别方法和装置、电子设备
技术领域
本公开涉及互联网技术领域，具体涉及数据处理技术领域，尤其涉及一种标牌识别方法和装置、电子设备。
背景技术
随着互联网技术的发展，电子地图被广泛地应用于导航等产品中，而标牌是电子地图的重要组成元素，对标牌进行准确识别成了亟需解决的问题。
在现有技术中，对标牌的识别方法包括：对点云数据进行预处理(删除阈值范围外的点)，对预处理后的点云数据进行栅格化，统计落在每个网格中的点和与点对应的数据，通过构建协方差矩阵，得到三个特征值，以便统计点云数据的面特征和线特征等信息，从而得到标牌的点云，进而实现对标牌的识别。
然而发明人在实现本公开的过程中，发现至少存在如下问题：由于需要对点云数据进行栅格化处理，并分别统计每个网格中的点的数据，因此效率不高。
发明内容
本公开提供一种，用以解决现有技术中由于需要对点云数据进行栅格化处理，并分别统计每个网格中的点的数据，因此效率不高的问题。
一方面，本公开实施例提供一种标牌识别方法，所述方法包括：
接收对象输入的点云数据，其中，所述点云数据包括标牌的点云数据；
根据所述点云数据获取每个点的法向量，并通过聚类算法对所述点云数据进行聚类得到至少一个类别；
根据所述法向量、所述至少一个类别的各类别的平面度和平面拟合误差对所述至少一个类别进行过滤，得到一个目标类别；
对所述目标类别中的点云数据进行旋转处理，得到平面点云数据；
根据所述平面点数据对应的凸包点确定角点；
根据从所述点云数据中获取的每个点的强度信息，从所述点云数据中确定与所述角点对应的所述标牌的真实角点，以便基于所述真实角点对电子地图进行更新并显示。
在一些实施例中，通过聚类算法对所述点云数据进行聚类得到至少一个类别包括：
根据确定出的所述点云数据中的各特征值对所述点云数据进行聚类处理，得到多个初始类别；
计算每个初始类别的特征值的平均标准参数，所述多个初始类别包括第一初始类别和第二初始类别；
判断第一初始类别和第二初始类别是否满足预设条件，其中，所述预设条件包括：所述第一初始类别包含第一点集，且所述第一点集中的点的邻近点均属于第二点集，以及所述第二初始类别包含所述第二点集；
若是，则根据所述平均标准参数、所述第一点集和所述第二点集各自的特征值对所述多个初始类别进行合并，得到所述至少一个类别。
在一些实施例中，根据各所述特征值对所述点云数据进行聚类处理，得到多个初始类别包括：
根据各所述特征值对至少一个预设范围内的点云数据进行遍历，得到至少一个最大特征值的点；
将所述至少一个最大特征值的点确定为中心点；
基于所述中心点对所述点云数据进行聚类处理，得到所述多个初始类别。
在一些实施例中，所述根据所述法向量、所述至少一个类别的各类别的平面度和平面拟合误差对所述至少一个类别进行过滤，得到一个目标类别包括：
将小于预设的第一阈值的法向量对应的类别从所述至少一个类别中删除；
将所述平面度大于预设的第二阈值且所述平面拟合误差大于预设的第三阈值对应的类别从所述至少一个类别中删除；
获取经过删除处理剩下的类别中的点的坐标；
从所述坐标中选取最大坐标和最小坐标；
根据所述最大坐标和所述最小坐标计算所述剩下的类别的面积；
将小于预设第四阈值的面积对应的类别从所述剩下的类别中删除；
根据删除后剩下的类别的数量确定所述一个目标类别。
在一些实施例中，所述根据删除后剩下的类别的数量确定所述一个目标类别包括：
判断所述删除后剩下的类别的数量是否为多个；
若否，则将基于面积删除后剩下的类别确定为所述目标类别；
若是，则将剩下的多个类别的平面度最大的类别确定为所述目标类别。
在一些实施例中，所述根据所述平面点数据对应的凸包点确定角点包括：
提取所述平面点数据对应的凸包点，生成凸包点集；
对所述凸包点集进行形状拟合处理，生成与所述凸包点集对应的形状信息；
根据所述形状信息提取所述凸包点集中的所述角点。
在一些实施例中，所述对所述凸包点集进行形状拟合处理，生成与所述凸包点集对应的形状信息包括：
将所述凸包点集中的点拟合成圆形，得到拟合误差；
响应于所述拟合误差小于预设的第五阈值，将所述形状信息确定为圆形；
响应于所述拟合误差大于或等于所述第五阈值，将所述形状信息确定为矩形。
在一些实施例中，所述根据从所述点云数据中获取的每个点的强度信息，从所述点云数据中确定与所述角点对应的所述标牌的真实角点包括：
基于所述角点的坐标值和所述点云数据，选取与所述角点在预设区域内最近，且反射强度大于预设的第六阈值的点，并将选取出的点确定为所述真实角点。
在一些实施例中，在所述接收对象输入的点云数据之后，所述方法还包括：
从GPS中获取轨迹高度，从所述每个点中删除高度信息小于所述轨迹高度的点；和/或，
根据统计滤波器对所述点云数据进行过滤处理。
另一方面，本公开实施例还提供了一种标牌识别装置，所述装置包括：
收发模块，用于接收对象输入的点云数据，其中，所述点云数据包括标牌的点云数据；
处理模块，根据所述点云数据获取每个点的法向量，并通过聚类算法对所述点云数据进行聚类得到至少一个类别，并根据所述法向量、所述至少一个类别的各类别的平面度和平面拟合误差对所述至少一个类别进行过滤，得到一个目标类别，并对所述目标类别中的点云数据进行旋转处理，得到平面点云数据，并根据所述平面点数据对应的凸包点确定角点，并根据从所述点云数据中获取的每个点的强度信息，从所述点云数据中确定与所述角点对应的所述标牌的真实角点，以便显示模块基于所述真实角点对所述电子地图进行更新并显示。
在一些实施例中，所述处理模块用于，根据确定出的所述点云数据中的各特征值对所述点云数据进行聚类处理，得到多个初始类别，并计算每个初始类别的特征值的平均标准参数，所述多个初始类别包括第一初始类别和第二初始类别，并判断第一初始类别和第二初始类别是否满足预设条件，其中，所述预设条件包括：所述第一初始类别包含第一点集，且所述第一点集中的点的邻近点均属于第二点集，以及所述第二初始类别包含所述第二点集，并当为是时，则根据所述平均标准参数、所述第一点集和所述第二点集各自的特征值对所述多个初始类别进行合并，得到所述至少一个类别。
在一些实施例中，所述处理模块用于，根据各所述特征值对至少一个预设范围内的点云数据进行遍历，得到至少一个最大特征值的点，并将所述至少一个最大特征值的点确定为中心点，并基于所述中心点对所述点云数据进行聚类处理，得到所述多个初始类别。
在一些实施例中，所述处理模块用于，将小于预设的第一阈值的法向量对应的类别从所述至少一个类别中删除，并将所述平面度大于预设的第二阈值且所述平面拟合误差大于预设的第三阈值对应的类别从所述至少一个类别中删除，并获取经过删除处理剩下的类别中的点的坐标，并从所述坐标中选取最大坐标和最小坐标，并根据所述最大坐标和所述最小坐标计算所述剩下的类别的面积，并将小于预设第四阈值的面积对应的类别从所述剩下的类别中删除，并根据删除后剩下的类别的数量确定所述一个目标类别。
在一些实施例中，所述处理模块用于，判断所述删除后剩下的类别的数量是否为多个，并若否，则将基于面积删除后剩下的类别确定为所述目标类别，并若是，则将剩下的多个类别的平面度最大的类别确定为所述目标类别。
在一些实施例中，所述处理模块用于，提取所述平面点数据对应的凸包点，生成凸包点集，并对所述凸包点集进行形状拟合处理，生成与所述凸包点集对应的形状信息，并根据所述形状信息提取所述凸包点集中的所述角点。
在一些实施例中，所述处理模块用于，将所述凸包点集中的点拟合成圆形，得到拟合误差，并响应于所述拟合误差小于预设的第五阈值，将所述形状信息确定为圆形，并响应于所述拟合误差大于或等于所述第五阈值，将所述形状信息确定为矩形。
在一些实施例中，所述处理模块用于，基于所述角点的坐标值和所述点云数据，选取与所述角点在预设区域内最近，且反射强度大于预设的第六阈值的点，并将选取出的点确定为所述真实角点。
在一些实施例中，所述收发模块用于，从GPS中获取轨迹高度，所述处理模块用于，从所述每个点中删除高度信息小于所述轨迹高度的点，和/或，根据统计滤波器对所述点云数据进行过滤处理。
另一个方面，本公开实施例还提供了一种电子设备，包括：存储器，处理器；
所述存储器用于存储所述处理器可执行指令的存储器；
其中，当执行所述存储器中的指令时，所述处理器被配置为实现如上任一实施例所述的方法。
另一个方面，本公开实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上任一实施例所述的方法。
本公开提供一种标牌识别方法和装置、电子设备，包括：接收对象输入的点云数据，其中，点云数据包括标牌的点云数据，根据点云数据获取每个点的法向量，并通过聚类算法对点云数据进行聚类得到至少一个类别，根据法向量、至少一个类别的各类别的平面度和平面拟合误差对至少一个类别进行过滤，得到一个目标类别，对目标类别中的点云数据进行旋转处理，得到平面点云数据，根据平面点数据对应的凸包点确定角点，根据从点云数据中获取的每个点的强度信息，从点云数据中确定与角点对应的标牌的真实角点，以便基于真实角点对电子地图进行更新并显示，通过聚类得到至少一个类别，并对聚类后的类别进行过滤，得到目标类别，以便根据目标类别中的点云数据确定平面点云数据，避免现有技术中通过栅格化处理造成的效率较低等问题，实现了提高效率的技术效果，且通过提取平面点数据对应的凸包点确定角点，以便确定出真实角点，避免现有技术中在进行栅格化处理后需要结合人工参与造成的耗费人力资源等问题，实现了节约人力资源，提高准确率的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本公开实施例的标牌识别方法的应用场景示意图；
图2为本公开实施例的标牌识别方法的流程示意图；
图3为本公开实施例的通过聚类算法对点云数据进行聚类得到至少一个类别的方法的流程示意图；
图4为本公开实施例的根据确定出的点云数据中的各特征值对点云数据进行聚类处理的方法的流程示意图；
图5为本公开实施例的根据法向量、至少一个类别的各类别的平面度和平面拟合误差对至少一个类别进行过滤的方法的流程示意图；
图6为本公开实施例的根据平面点数据对应的凸包点确定角点的方法的流程示意图；
图7为本公开实施例的对凸包点集进行形状拟合处理，生成与凸包点集对应的形状信息的方法的流程示意图；
图8为本公开实施例的标牌识别装置的示意图；
图9为本公开实施例的电子设备的结构示意图.
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在现有技术中，主要通过对点云数据栅格化的方式对标牌进行识别，一方面，由于在对点云数据进行栅格化处理时，需要分别统计每个网格中的点的数据，因此通过现有技术中的方式会造成统计量大，效率较低的问题；另一方面，由于无法提供角点等信息，所以在实际作业时还需要大量的人工参与，因此通过现有技术中的方式还会造成适用性局限，浪费人力成本的问题。为了解决现有技术中采用对点云数据栅格化的方式对标牌进行识别导致的上述问题，发明人经过创造性的劳动得到本公开实施的技术方案。在本公开实施例中，通过采用聚类、旋转、插值和查找相结合的方式确定标牌的真实角点，以便实现对标牌的识别，从而避免因对点云数据栅格化的方式对标牌进行识别造成的准确度不高等问题，进而实现提高识别的准确度和效率，且实现节约人力成本的技术效果。
本公开实施例提供的标牌识别方法，可以适用于如图1所示的应用场景。
在如图1所示的应用场景中，由采集车100对道路200的信息进行采集，得到道路200的点云数据。其中，道路200的信息包括但不限于道路边界信息、车道线信息和标牌信息。
用户300将点云数据输入至计算机400。
计算机400将点云数据发送至服务器500。
服务器500从点云数据中提取标牌的点云数据，并执行本公开实施例的标牌识别方法，得到标牌的真实角点。
服务器500根据真实角点对道路200对应的电子地图进行更新并发布。
在一些实施例中，当计算机400接收到用户300输入的点云数据后，可从点云数据中提取标牌的点云数据，并执行本公开实施例的标牌识别方法。
在一些实施例中，采集车100也可与服务器500连接，以便将其采集到的点云数据发送至服务器500。
在一些实施例中，当某网联车辆即将行驶至道路200时，可从服务器500中下载更新后的电子地图，并可在车载终端的显示界面上显示更新后的电子地图。
下面以具体地实施例对本公开的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。
一个方面，本公开实施例提供了一种适用于上述应用场景的标牌识别方法。
请参阅图2，图2为本公开实施例的标牌识别方法的流程示意图。
如图2所示，该方法包括：
S101：接收对象输入的点云数据，其中，点云数据包括标牌的点云数据。
其中，执行本公开实施例的标牌识别方法的主体可以为标牌识别装置，装置可以为服务器和终端等。其中，服务器包括本地服务器和云端服务器，如图1中所示的服务器500；终端包括移动终端和车载终端，移动终端包括如图1所示的计算机400。
点云数据是指道路的扫描资料(即如上述示例中所述的由采集车辆采集到的道路的信息)以点的形式记录，每一个点包含有三维坐标，有些点可能还含有颜色信息(RGB)和反射强度信息(Intensity)等信息。即点云数据包括点，以及与点对应的数据。
S102：根据点云数据获取每个点的法向量，并通过聚类算法对点云数据进行聚类得到至少一个类别。
在一些实施例中，可根据主成分分析对点云数据进行分析，得到每个点的特征值和法向量。
其中，主成分分析(Principal Component Analysis，PCA)，可在减少需要分析点云数据的指标同时，尽量减少原指标包含信息的损失，以达到对点云数据进行全面分析的目的。具体分析方法可参见现有技术，此处不再赘述。
S103：根据法向量、至少一个类别的各类别的平面度和平面拟合误差对至少一个类别进行过滤，得到一个目标类别。
在本公开实施例中，为了避免现有技术中通过对点云数据栅格化的方式实现标牌识别时造成的上述弊端，通过聚类和过滤的方式确定目标类别，以便后续基于目标类别实现标牌识别。
S104：对目标类别中的点云数据进行旋转处理，得到平面点云数据。
在该步骤中，通过旋转处理，可将三维的点云数据转换为二维的点云数据，以达到降维的目的。
在一些实施例中，该步骤可具体包括：对目标类别中的点云数据进行平面拟合，得到拟合后的平面，计算拟合后的平面的法向量，结合该法向量和四元数旋转方法将目标类别中的点云数据旋转至与Z轴方向垂直的位置，得到平面点云数据。
S105：根据平面点数据对应的凸包点确定角点。
S106：根据从点云数据中获取的每个点的强度信息，从点云数据中确定与角点对应的标牌的真实角点，以便基于真实角点对电子地图进行更新并显示。
本公开实施例提供了一种新的标牌识别方法，该方法包括：接收对象输入的点云数据，其中，点云数据包括标牌的点云数据，根据点云数据获取每个点的法向量，并通过聚类算法对点云数据进行聚类得到至少一个类别，根据法向量、至少一个类别的各类别的平面度和平面拟合误差对至少一个类别进行过滤，得到一个目标类别，对目标类别中的点云数据进行旋转处理，得到平面点云数据，根据平面点数据对应的凸包点确定角点，根据从点云数据中获取的每个点的强度信息，从点云数据中确定与角点对应的标牌的真实角点，以便基于真实角点对电子地图进行更新并显示，通过聚类得到至少一个类别，并对聚类后的类别进行过滤，得到目标类别，以便根据目标类别中的点云数据确定平面点云数据，避免现有技术中通过栅格化处理造成的效率较低等问题，实现了提高效率的技术效果，且通过提取平面点数据对应的凸包点确定角点，以便确定出真实角点，避免现有技术中在进行栅格化处理后需要结合人工参与造成的耗费人力资源等问题，实现了节约人力资源，提高准确率的技术效果。
在一些实施例中，为了节约在对点云数据分析和处理等过程中的计算量，可在接收到对象输入的点云数据后，优先对点云数据进行预处理，以便通过对点云数据进行预处理(即筛选和过滤)的方式减少噪点数据，确保点云数据的可靠性，进而实现减少计算量，并确保标牌识别的准确性和可靠性。
因此，在一些实施例中，在S101之后，该方法还包括：
S11：从GPS中获取轨迹高度，从每个点中删除高度信息小于轨迹高度的点。和/或，
S12：根据统计滤波器对所述点云数据进行过滤处理。
根据统计滤波器对点云数据进行过滤处理包括：根据点云数据生成与点云对应的分布特性，基于分布特性对点云数据进行过滤。
例如，域A内包括m个点，对m个点分别进行邻域搜索，得到n个点。
针对m个点中的每一个点，计算其与n个点中的每一个点的距离，并计算该点对应的平均距离，
计算m个点距离的平均值，并基于平均值计算得到平均方差。
将每个点的平均距离均与平均方差进行比较。
将平均距离大于平均方差的点进行删除。
在本公开实施例中，可采用S11的方式对点云数据进行预处理，也可采用S12的方式对点云数据进行预处理，还可结合S11和S12的方式对点云数据进行预处理。
可以理解的是，点云数据包括各点的坐标，而坐标中Z轴的坐标即为点的高度信息。因此，若采用S11的方式对点云数据进行预处理，则从点云数据中获取各点的Z轴坐标，即获取高度信息，由于标牌离地面具有一定的高度，因此，可从GPS中获取轨迹高度，将高度信息与轨迹高度进行比较，如果某点的高度信息小于轨迹高度，则说明该点为地面对应的点，或者为花草等杂物对应的点，而非标牌对应的点，因此将该点删除。
其中，在现有技术中，对点云数据进行预处理可采用剔除一定范围内视场以外的点以及对点云进行栅格化处理，并统计每一个格网内的点的数目，然后过滤掉地面以及建筑等杂点的方式实现，因此需要进行大量的点云数据进行预处理，耗时较高。不利于大规模的点云数据的处理。另，对点云数据进行预处理还可采用模拟滤波算法提取地面激光扫描数据中的非地面点数据，并且将非地面点投影到一个极坐标中去筛选建筑物立面候选点的方式实现，然而该预处理的过程较为复杂，效率不高，耗时严重。而在本公开实施例中，通过将高度信息与轨迹高度进行比较，可以减少计算量，节约计算资源，且预处理的过程较为简便，效率偏高。
在一些实施例中，若采用S11和S12相结合的方式对点云数据进行预处理，则可优先执行S11，也可优先执行S12。即，在本公开实施中，对S11和S12的执行顺序不做限定。但是，由于采用S11优先的方式可以节约执行S12的运算量，因此，可优先执行S11。
结合图3(图3为本公开实施例的通过聚类算法对点云数据进行聚类得到至少一个类别的方法的流程示意图)可知，在一些实施例中，通过聚类算法对点云数据进行聚类得到至少一个类别包括：
S21：根据确定出的点云数据中的各特征值对点云数据进行聚类处理，得到多个初始类别。
其中，基于上述示例可知，各特征值也可基于主成分分析确定。
S22：计算每个初始类别的特征值的平均标准参数，多个初始类别包括第一初始类别和第二初始类别。
其中，平均标准参数包括平均值和标准差。即，在该步骤中，对每个初始类别的特征值的平均值和标准差分别进行计算。
S23：判断第一初始类别和第二初始类别是否满足预设条件，其中，预设条件包括：第一初始类别包含第一点集，且第一点集中的点的邻近点均属于第二点集，以及第二初始类别包含第二点集，若是，则执行S24。
例如，遍历第一初始类别中的每一个点a，如果该点的邻域范围内存在点b，且点b属于第二初始类别，则第一初始类别和第二初始类别为相邻的类别，且点a和点b称为第一初始类别和第二初始类别的邻近点，则所有邻近点a组成的集合即为第一点集，所有邻近点b组成的集合即为第二点集。
S24：根据平均标准参数、第一点集和第二点集各自的特征值对多个初始类别进行合并，得到至少一个类别。
基于上述示例可知，平均标准参数包括平均值和标准差，若第一点集的特征值的平均值为第一平均值，第二点集的特征值的平均值为第二平均值。
其中，初始类别包括第一初始类别和第二初始类别。
在该步骤可具体包括：若第一平均值大于第二初始类别的平均值与第二类别的标准差之间的差，且第二平均值大于第一初始类别的平均值与第一初始类别的标准差之间的差，则将第一初始类别与第二初始类别合并。
结合图4(图4为本公开实施例的根据确定出的点云数据中的各特征值对点云数据进行聚类处理的方法的流程示意图)可知，在一些实施例中，S21包括：
S211：根据各特征值对至少一个预设范围内的点云进行遍历，得到至少一个最大特征值的点。
例如，针对某预设范围，当前点i的特征值为pi，确定该预设范围内与当前点i相邻的点j，及点j的pj。若pj大于pi，则连接关系为前点i至点j，并确定该预设范围与点j的邻的点，以此类推，直至找到该预设范围内特征值最大的点；若pj小于pi，则将前点i确定为该预设范围内特征值最大的点。
S212：将至少一个最大特征值的点确定为中心点。
S213：基于中心点对点云进行聚类处理，得到多个初始类别。
也就是说，针对每个最大特征值的点，将最大特征值的点作为聚类处理的中心点，并对与其对应的预设范围的点云进行聚类处理，得到相应的初始类别。
结合图5(图5为本公开实施例的根据法向量、至少一个类别的各类别的平面度和平面拟合误差对至少一个类别进行过滤的方法的流程示意图)可知，在一些实施例中，S103包括：
S31：将小于预设的第一阈值的法向量对应的类别从至少一个类别中删除。
其中，第一阈值可基于需求进行设定。
在该步骤中，通过法向量对地面等平面物体(如高架桥上的地面和普通的地面)对应的类别进行过滤。
S32：将平面度大于预设的第二阈值且平面拟合误差大于预设的第三阈值对应的类别从至少一个类别中删除。
在该步骤中，结合平面度和平面拟合误差对类似平面物体的干扰物(如局部的杆状物)进行过滤。
S33：获取经过删除处理剩下的类别中的点的坐标。
S34：从坐标中选取最大坐标和最小坐标。
S35：根据最大坐标和最小坐标计算剩下的类别的面积。
S36：将小于预设第四阈值的面积对应的类别从剩下的类别中删除。
S37：根据删除后剩下的类别的数量确定一个目标类别。
在本公开实施例中，若至少一个类别具体为30个类别，则先基于每个类别中的点的法向量进行类别筛选，得到20个类别，再结合平面度和平面拟合度对20个类别进行类别筛选，得到8个类别，针对8个类别中的任意类别，确定类别中的点的坐标，从坐标中选取最大坐标和最小坐标，通过最大坐标和最小坐标对类别的面积进行计算，如果某类别的面积小于第四阈值，则对该类别进行删除，最终得到一个类别。
在一些实施例中，若经过S37后，剩下的类别的数量依然为多个，则将剩下的多个类别的平面度最大的类别确定为目标类别；若经过S37后，剩下的类别的数量为一个，则将基于面积删除后剩下的类别确定为目标类别。
结合图6(图6为本公开实施例的根据平面点数据对应的凸包点确定角点的方法的流程示意图)可知，在一些实施例中，S105包括：
S51：提取平面点数据对应的凸包点，生成凸包点集。
例如，对平面点数据按照X坐标优先的顺序排序，插入排序后的前两个点形成初始结果点集，在平面点云数据中循环遍历剩余的点，判断当前点与初始结果点集中的倒数第二个点所形成的直线与初始结果点集中最后的两个点所形成的直线夹角是否小于180度，如果小于180度，则将当前点视为凸包点，并将当前点插入初始结果点集中，按照逆时针的顺序筛选凸包点，如果大于或等于180度，则剔除初始结果点集中的最后一个点，以便得到凸包点集。
S52：对凸包点集进行形状拟合处理，生成与凸包点集对应的形状信息。
S53：根据形状信息提取凸包点集中的角点。
结合图7(图7为本公开实施例的对凸包点集进行形状拟合处理，生成与凸包点集对应的形状信息的方法的流程示意图)可知，在一些实施例中，S52包括：
S521：将凸包点集中的点拟合成圆形，得到拟合误差。
S522：判断拟合误差与预设的第五阈值的大小，如果拟合误差小于第五阈值，则执行S523；如果拟合误差大于或等于第五阈值，则执行S524。
S523：将形状信息确定为圆形。
S524：将形状信息确定为矩形。
在本公开实施例中，通过拟合成圆形的方式确定形状信息是圆形或是矩形，可以节约计算量。
在一些实施例中，若形状信息为圆形，则根据形状信息提取凸包点集中的角点包括：提取凸包点集的四个顶点，将四个顶点确定为角点。
在一些实施例中，若形状信息为矩形，则根据形状信息提取凸包点集中的角点包括：进行分段直线拟合，对拟合后的直线进行求交，得到四个角点。
在一些实施例中，S106包括：基于角点的坐标值和点云数据，选取与角点在预设区域内最近，且反射强度大于预设的第六阈值的点，并将选取出的点确定为真实角点。
例如，在预设区域内，基于角点的坐标确定在点云数据中与角点最近的点，获取最近的点的发射强度，判断最近的点的反射强度是否大于第六阈值，如果是，则将该最近的点确定为真实角点，如果不是，则继续查找与角点次近的点，以此类推，直至找到真实角点。
在一些实施例中，如果在预设区域内，基于上述方式未能找到真实角点，则将与角点最近的点确定为真实角点。
根据本公开实施例的另一个方面，本公开实施例还提供了一种标牌识别装置。
请参阅图8，图8为本公开实施例的标牌识别装置的示意图。
如图8所示，该装置包括：
收发模块10，用于接收对象输入的点云数据，其中，所述点云数据包括标牌的点云数据；
处理模块20，根据所述点云数据获取每个点的法向量，并通过聚类算法对所述点云数据进行聚类得到至少一个类别，并根据所述法向量、所述至少一个类别的各类别的平面度和平面拟合误差对所述至少一个类别进行过滤，得到一个目标类别，并对所述目标类别中的点云数据进行旋转处理，得到平面点云数据，并根据所述平面点数据对应的凸包点确定角点，并根据从所述点云数据中获取的每个点的强度信息，从所述点云数据中确定与所述角点对应的所述标牌的真实角点，以便显示模块30基于所述真实角点对所述电子地图进行更新并显示。
在一些实施例中，所述处理模块20用于，根据确定出的所述点云数据中的各特征值对所述点云数据进行聚类处理，得到多个初始类别，并计算每个初始类别的特征值的平均标准参数，所述多个初始类别包括第一初始类别和第二初始类别，并判断第一初始类别和第二初始类别是否满足预设条件，其中，所述预设条件包括：所述第一初始类别包含第一点集，且所述第一点集中的点的邻近点均属于第二点集，以及所述第二初始类别包含所述第二点集，并当为是时，则根据所述平均标准参数、所述第一点集和所述第二点集各自的特征值对所述多个初始类别进行合并，得到所述至少一个类别。
在一些实施例中，所述处理模块20用于，根据各所述特征值对至少一个预设范围内的点云数据进行遍历，得到至少一个最大特征值的点，并将所述至少一个最大特征值的点确定为中心点，并基于所述中心点对所述点云数据进行聚类处理，得到所述多个初始类别。
在一些实施例中，所述处理模块20用于，将小于预设的第一阈值的法向量对应的类别从所述至少一个类别中删除，并将所述平面度大于预设的第二阈值且所述平面拟合误差大于预设的第三阈值对应的类别从所述至少一个类别中删除，并获取经过删除处理剩下的类别中的点的坐标，并从所述坐标中选取最大坐标和最小坐标，并根据所述最大坐标和所述最小坐标计算所述剩下的类别的面积，并将小于预设第四阈值的面积对应的类别从所述剩下的类别中删除，并根据删除后剩下的类别的数量确定所述一个目标类别。
在一些实施例中，所述处理模块20用于，判断所述删除后剩下的类别的数量是否为多个，并若否，则将基于面积删除后剩下的类别确定为所述目标类别，并若是，则将剩下的多个类别的平面度最大的类别确定为所述目标类别。
在一些实施例中，所述处理模块20用于，提取所述平面点数据对应的凸包点，生成凸包点集，并对所述凸包点集进行形状拟合处理，生成与所述凸包点集对应的形状信息，并根据所述形状信息提取所述凸包点集中的所述角点。
在一些实施例中，所述处理模块20用于，将所述凸包点集中的点拟合成圆形，得到拟合误差，并响应于所述拟合误差小于预设的第五阈值，将所述形状信息确定为圆形，并响应于所述拟合误差大于或等于所述第五阈值，将所述形状信息确定为矩形。
在一些实施例中，所述处理模块20用于，基于所述角点的坐标值和所述点云数据，选取与所述角点在预设区域内最近，且反射强度大于预设的第六阈值的点，并将选取出的点确定为所述真实角点。
在一些实施例中，所述收发模块10用于，从GPS中获取轨迹高度，所述处理模块20用于，从所述每个点中删除高度信息小于所述轨迹高度的点，和/或，根据统计滤波器对所述点云数据进行过滤处理。
根据本公开实施例的另一个方面，本公开实施例还提供了一种电子设备，包括：存储器，处理器；
存储器用于存储处理器可执行指令的存储器；
其中，当执行存储器中的指令时，处理器被配置为实现如上任一实施例所述的方法。
请参阅图9，图9为本公开实施例的电子设备的结构示意图。
如图9所示，该电子设备包括存储器和处理器，该电子设备还可以包括通信接口和总线，其中，处理器、通信接口和存储器通过总线连接；处理器用于执行存储器中存储的可执行模块，例如计算机程序。
其中，存储器可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。
其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序，前述本公开实施例任一实施例揭示的方法可以应用于处理器中，或者由处理器实现。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
根据本公开实施例的另一个方面，本公开实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上任一实施例所述的方法。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本公开实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以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，本公开的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本公开各个实施例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。
还应理解，在本公开各实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
以上，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种标牌识别方法，其特征在于，所述方法包括：
接收对象输入的点云数据，其中，所述点云数据包括标牌的点云数据；
根据所述点云数据获取每个点的法向量，并通过聚类算法对所述点云数据进行聚类得到至少一个类别；
根据所述法向量、所述至少一个类别的各类别的平面度和平面拟合误差对所述至少一个类别进行过滤，得到一个目标类别；
对所述目标类别中的点云数据进行旋转处理，得到平面点云数据；
根据所述平面点数据对应的凸包点确定角点；
根据从所述点云数据中获取的每个点的强度信息，从所述点云数据中确定与所述角点对应的所述标牌的真实角点，以便基于所述真实角点对电子地图进行更新并显示；
所述根据所述法向量、所述至少一个类别的各类别的平面度和平面拟合误差对所述至少一个类别进行过滤，得到一个目标类别包括：
将小于预设的第一阈值的法向量对应的类别从所述至少一个类别中删除；
将所述平面度大于预设的第二阈值且所述平面拟合误差大于预设的第三阈值对应的类别从所述至少一个类别中删除；
获取经过删除处理剩下的类别中的点的坐标；
从所述坐标中选取最大坐标和最小坐标；
根据所述最大坐标和所述最小坐标计算所述剩下的类别的面积；
将小于预设第四阈值的面积对应的类别从所述剩下的类别中删除；
根据删除后剩下的类别的数量确定所述一个目标类别。
2.根据权利要求1所述的方法，其特征在于，通过聚类算法对所述点云数据进行聚类得到至少一个类别包括：
根据确定出的所述点云数据中的各特征值对所述点云数据进行聚类处理，得到多个初始类别；
计算每个初始类别的特征值的平均标准参数，所述多个初始类别包括第一初始类别和第二初始类别；
判断第一初始类别和第二初始类别是否满足预设条件，其中，所述预设条件包括：所述第一初始类别包含第一点集，且所述第一点集中的点的邻近点均属于第二点集，以及所述第二初始类别包含所述第二点集；
若是，则根据所述平均标准参数、所述第一点集和所述第二点集各自的特征值对所述多个初始类别进行合并，得到所述至少一个类别。
3.根据权利要求2所述的方法，其特征在于，根据各所述特征值对所述点云数据进行聚类处理，得到多个初始类别包括：
根据各所述特征值对至少一个预设范围内的点云数据进行遍历，得到至少一个最大特征值的点；
将所述至少一个最大特征值的点确定为中心点；
基于所述中心点对所述点云数据进行聚类处理，得到所述多个初始类别。
4.根据权利要求1所述的方法，其特征在于，所述根据删除后剩下的类别的数量确定所述一个目标类别包括：
判断所述删除后剩下的类别的数量是否为多个；
若否，则将基于面积删除后剩下的类别确定为所述目标类别；
若是，则将剩下的多个类别的平面度最大的类别确定为所述目标类别。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述平面点数据对应的凸包点确定角点包括：
提取所述平面点数据对应的凸包点，生成凸包点集；
对所述凸包点集进行形状拟合处理，生成与所述凸包点集对应的形状信息；
根据所述形状信息提取所述凸包点集中的所述角点。
6.根据权利要求5所述的方法，其特征在于，所述对所述凸包点集进行形状拟合处理，生成与所述凸包点集对应的形状信息包括：
将所述凸包点集中的点拟合成圆形，得到拟合误差；
响应于所述拟合误差小于预设的第五阈值，将所述形状信息确定为圆形；
响应于所述拟合误差大于或等于所述第五阈值，将所述形状信息确定为矩形。
7.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据从所述点云数据中获取的每个点的强度信息，从所述点云数据中确定与所述角点对应的所述标牌的真实角点包括：
基于所述角点的坐标值和所述点云数据，选取与所述角点在预设区域内最近，且反射强度大于预设的第六阈值的点，并将选取出的点确定为所述真实角点。
8.一种标牌识别装置，其特征在于，所述装置包括：
收发模块，用于接收对象输入的点云数据，其中，所述点云数据包括标牌的点云数据；
处理模块，根据所述点云数据获取每个点的法向量，并通过聚类算法对所述点云数据进行聚类得到至少一个类别，并根据所述法向量、所述至少一个类别的各类别的平面度和平面拟合误差对所述至少一个类别进行过滤，得到一个目标类别，并对所述目标类别中的点云数据进行旋转处理，得到平面点云数据，并根据所述平面点数据对应的凸包点确定角点，并根据从所述点云数据中获取的每个点的强度信息，从所述点云数据中确定与所述角点对应的所述标牌的真实角点，以便显示模块基于所述真实角点对电子地图进行更新并显示；
所述根据所述法向量、所述至少一个类别的各类别的平面度和平面拟合误差对所述至少一个类别进行过滤，得到一个目标类别包括：
将小于预设的第一阈值的法向量对应的类别从所述至少一个类别中删除；
将所述平面度大于预设的第二阈值且所述平面拟合误差大于预设的第三阈值对应的类别从所述至少一个类别中删除；
获取经过删除处理剩下的类别中的点的坐标；
从所述坐标中选取最大坐标和最小坐标；
根据所述最大坐标和所述最小坐标计算所述剩下的类别的面积；
将小于预设第四阈值的面积对应的类别从所述剩下的类别中删除；
根据删除后剩下的类别的数量确定所述一个目标类别。
9.一种电子设备，包括：存储器，处理器；
所述存储器用于存储所述处理器可执行指令的存储器；
其中，当执行所述存储器中的指令时，所述处理器被配置为实现如权利要求1至7中任一项所述的方法。
CN201911281230.9A 2019-12-13 2019-12-13 标牌识别方法和装置、电子设备 Active CN111126211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911281230.9A CN111126211B (zh) 2019-12-13 2019-12-13 标牌识别方法和装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911281230.9A CN111126211B (zh) 2019-12-13 2019-12-13 标牌识别方法和装置、电子设备

Publications (2)

Publication Number Publication Date
CN111126211A CN111126211A (zh) 2020-05-08
CN111126211B true CN111126211B (zh) 2023-08-29

Family

ID=70498638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911281230.9A Active CN111126211B (zh) 2019-12-13 2019-12-13 标牌识别方法和装置、电子设备

Country Status (1)

Country Link
CN (1) CN111126211B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815637A (zh) * 2020-06-19 2020-10-23 浙江大华技术股份有限公司 3d图像边缘点云的提取方法、设备及计算机存储介质
CN114363405B (zh) * 2021-05-26 2023-09-22 科大国创云网科技有限公司 基于上网话单与mr用户轨迹的司机群体识别方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678689A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 高精地图数据配准关系确定方法及装置
CN105740798A (zh) * 2016-01-27 2016-07-06 西安理工大学 一种基于结构分析的点云场景物体识别方法
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
CN106845324A (zh) * 2015-12-03 2017-06-13 高德软件有限公司 路牌信息的处理方法和装置
CN107610223A (zh) * 2017-09-20 2018-01-19 广东电网有限责任公司机巡作业中心 基于LiDAR点云的电力塔三维重建方法
CN107818288A (zh) * 2016-09-13 2018-03-20 腾讯科技（深圳）有限公司 标志牌信息获取方法及装置
CN109871886A (zh) * 2019-01-28 2019-06-11 平安科技（深圳）有限公司 基于谱聚类的异常点比例优化方法、装置及计算机设备
CN110441791A (zh) * 2019-08-14 2019-11-12 深圳无境智能机器人有限公司 一种基于前倾2d激光雷达的地面障碍物检测方法
CN110458854A (zh) * 2018-05-02 2019-11-15 北京图森未来科技有限公司 一种道路边缘检测方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845324A (zh) * 2015-12-03 2017-06-13 高德软件有限公司 路牌信息的处理方法和装置
CN105678689A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 高精地图数据配准关系确定方法及装置
CN105740798A (zh) * 2016-01-27 2016-07-06 西安理工大学 一种基于结构分析的点云场景物体识别方法
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
CN107818288A (zh) * 2016-09-13 2018-03-20 腾讯科技（深圳）有限公司 标志牌信息获取方法及装置
CN107610223A (zh) * 2017-09-20 2018-01-19 广东电网有限责任公司机巡作业中心 基于LiDAR点云的电力塔三维重建方法
CN110458854A (zh) * 2018-05-02 2019-11-15 北京图森未来科技有限公司 一种道路边缘检测方法和装置
CN109871886A (zh) * 2019-01-28 2019-06-11 平安科技（深圳）有限公司 基于谱聚类的异常点比例优化方法、装置及计算机设备
CN110441791A (zh) * 2019-08-14 2019-11-12 深圳无境智能机器人有限公司 一种基于前倾2d激光雷达的地面障碍物检测方法

Also Published As

Publication number Publication date
CN111126211A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN108228798B (zh) 确定点云数据之间的匹配关系的方法和装置
EP3327198B1 (en) Crack analyzer, crack analysis method, and crack analysis program
CN110598541B (zh) 一种提取道路边缘信息的方法及设备
CN110502983B (zh) 一种检测高速公路中障碍物的方法、装置及计算机设备
CN111126211B (zh) 标牌识别方法和装置、电子设备
EP4120123A1 (en) Scan line-based road point cloud extraction method
CN112990086A (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
CN113570665A (zh) 路沿提取的方法、装置及电子设备
CN113190538A (zh) 一种基于轨迹数据的道路构建方法、装置、存储介质及终端
CN111310663A (zh) 道路栅栏检测方法、装置、设备及存储介质
CN114037966A (zh) 高精地图特征提取方法、装置、介质及电子设备
CN114882316A (zh) 目标检测模型训练方法、目标检测方法及装置
CN113255444A (zh) 图像识别模型的训练方法、图像识别方法和装置
CN115346183A (zh) 一种车道线检测方法、终端及存储介质
CN112085778A (zh) 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统
CN111611900A (zh) 一种目标点云识别方法、装置、电子设备和存储介质
CN114519712A (zh) 一种点云数据处理方法、装置、终端设备及存储介质
CN113379269A (zh) 多因素空间聚类的城市商业功能区划方法、装置及介质
CN115841558B (zh) 城市道路建模的方法、装置、电子设备和存储介质
CN115409839B (zh) 基于像素分析模型的道路声屏障隐患识别方法及装置
CN112819700A (zh) 一种点云数据的去噪方法、装置及可读存储介质
CN114722944A (zh) 点云精度确定方法、电子设备及计算机存储介质
CN116434181A (zh) 地面点检测方法、装置、电子设备和介质
CN114519686A (zh) 用于检测路牙的方法、装置、电子设备和介质
CN114387293A (zh) 道路边缘检测方法、装置、电子设备及车辆

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