CN111210488B - 激光点云中道路立杆的高精度提取系统及方法 - Google Patents
激光点云中道路立杆的高精度提取系统及方法 Download PDFInfo
- Publication number
- CN111210488B CN111210488B CN201911406243.4A CN201911406243A CN111210488B CN 111210488 B CN111210488 B CN 111210488B CN 201911406243 A CN201911406243 A CN 201911406243A CN 111210488 B CN111210488 B CN 111210488B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- coordinate
- track
- road
- vertical rod
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明揭露一种激光点云中道路立杆的高精度提取系统及方法。其中方法被配置为:获取轨迹线段的激光点云;获取所有轨迹点的彩色道路图像;获取存在道路立杆的彩色道路图像为目标图像;获取包含目标图像对应的轨迹点的轨迹区域;沿轨迹线段的轨迹方向切分轨迹区域中的激光点云为预置尺寸的点云块;投影点云块为点云投影图像;获取点云投影图像中的立杆骨架点坐标;获取立杆骨架坐标点在激光点云中的3D坐标;选取正确的一3D坐标为立杆坐标;圆柱拟合立杆坐标为激光点云中的目标立杆。本实施例方法被执行时能够通过彩色道路图像中道路立杆的参考,在激光点云中高精度并且高效的提取目标立杆。
Description
技术领域
本发明涉及测控技术领域,尤其涉及一种激光点云中道路立杆的高精度提取系统。
背景技术
高精度地图是自动驾驶技术的重要辅助工具,其能够使车辆超视距的感知前方待驶入的道路情况。但是高精度地图的制作精度要求高,如仅允许厘米级的位置误差,并且涉及的制作要素多。那么对于我国大范围的交通网路,传统的高精度地图制作效率低,人力及物力投入较高。
发明内容
本发明实施例至少揭露了一种激光点云中道路立杆的高精度提取方法。本实施例方法被执行时能够通过彩色道路图像中道路立杆的参考,在激光点云中高精度并且高效的提取目标立杆。
所述方法被配置为:获取一轨迹线段的激光点云;获取所述轨迹线段中所有轨迹点的彩色道路图像;获取至少一存在所述道路立杆的所述彩色道路图像为目标图像;获取包含所述目标图像对应的所述轨迹点的部分所述轨迹线段为轨迹区域;以滑动窗口的方式沿所述轨迹线段的轨迹方向切分所述轨迹区域中的激光点云为至少一预置尺寸的点云块;以正射投影的方式沿所述轨迹方向投影所述点云块为点云投影图像;获取所述点云投影图像中的立杆骨架点坐标;获取所述立杆骨架坐标点在所述激光点云中的3D坐标;选取正确的一所述3D坐标为所述立杆坐标;圆柱拟合所述立杆坐标为所述激光点云中的所述目标立杆。
在本发明揭露的一些实施例中,获取所述目标图像,被配置为:通过一在先训练的图像目标检测网络模型获取所述目标图像。
在本发明揭露的一些实施例中,获取所述目标图像,被配置为:获取至少两个相邻的所述目标图像去重相邻所述目标图像中的同一所述道路立杆,仅保留视野最大的所述目标图像。
在本发明揭露的一些实施例中,获取所述立杆骨架点坐标,被配置为:通过图像分割网络模型提取所述点云投影图像中的至少一立杆轮廓;过滤所述立杆轮廓;提取过滤后所述立杆轮廓中的立杆骨架坐标点。
在本发明揭露的一些实施例中,过滤所述立杆轮廓,被配置为:根据所述道路立杆的面积及尺寸比例过滤所述立杆轮廓。在本发明揭露的一些实施例中,提取所述立杆骨架坐标点,被配置为:直线拟合断续的所述立杆轮廓;提起拟合后所述立杆轮廓的所述立杆骨架坐标点。
在本发明揭露的一些实施例中,获取至少一所述3D坐标,被配置为:根据正射投影中所述点云块及所述点云投影图像的投影关系,反算至少一所述立杆骨架坐标点到所述激光点云,并且获取述激光点云中的所述3D坐标。
在本发明揭露的一些实施例中,选取所述立杆坐标,被配置为:获取所述激光点云中所述道路立杆的点云强度信息及位置信息;
根据所述点云强度信息及所述位置信息选取正确的所述3D坐标为所述立杆坐标。
在本发明揭露的一些实施例中,圆柱拟合所述目标立杆,被配置为:选用三维最小二乘法圆柱面拟合所述立杆坐标为所述立杆目标。
本发明实施例至少揭露了一种激光点云中道路立杆的高精度提取系统。所述系统包括:采集模块,被配置为获取一轨迹线段的激光点云,并且获取所述轨迹线段中所有轨迹点的彩色道路图像;区域模块,被配置为获取包含所述目标图像对应的所述轨迹点的部分所述轨迹线段为轨迹区域;点云块模块,被配置为以滑动窗口的方式沿所述轨迹线段的轨迹方向切分所述轨迹区域中的激光点云为至少一预置尺寸的点云块;投影模块,被配置为以正射投影的方式沿所述轨迹方向投影所述点云块为点云投影图像;坐标模块,被配置为获取所述点云投影图像中的立杆骨架点坐标;反算模块,被配置为获取至少一所述立杆骨架坐标点在所述激光点云中的3D坐标;选取模块,被配置为选取正确的一所述3D坐标为所述立杆坐标;拟合模块,被配置为圆柱拟合所述立杆坐标为所述激光点云中的所述目标立杆。
针对上述方案,本发明通过以下参照附图对揭露的示例性实施例作详细描述,亦使本发明实施例的其它特征及其优点清楚。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为实施例中方法被执行时处理彩色道路图像的流程图;
图2为实施例中方法被执行时处理激光点云的流程图;
图3为实施例中提取立杆骨架坐标点的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
本实施例揭露一种激光点云中道路立杆的高精度提取方法。本实施例的方法被执行时能够高精度的提取激光点云中的目标立杆。所述方法的执行主要实现在一些标准化的服务器和/或计算设备。
服务器和/或计算设备在本实施例中的实现至少有存储器及处理器。存储器主要包括存储程序区和存储数据区;其中,存储程序区可存储操作系统(比如:安卓操作系统,简称“安卓系统”,或者ios操作系统,或者其他操作系统,其中,操作系统也可简称为“系统”)、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)。以及,存储数据区可存储根据电子终端的使用所创建的数据,包括本申请实施例中涉及的显示的应用的相关设置信息或使用情况信息等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件,及其他易失性固态存储器件。
本实施例的方法被上述服务器和/或计算设备执行前,由采集车辆通过激光扫描仪获取道路中一轨迹线段的激光点云,以及通过摄像机沿轨迹方向的按序获取该轨迹线段中每一轨迹点的彩色道路图像。服务器和/或计算设备在导入的获取该激光点云及彩色道路图像后分别的执行图1及图2所示的步骤。
请参考图1,服务器和/或计算设备在执行本实施例揭露的方法时对所有轨迹点的彩色图像数据进行如下步骤的处理。
A100通过一在先训练的图像目标检测网络模型初步的判断每一轨迹点对应的彩色道路图像是否存在有目标的道路立杆。
A200在初步判断有轨迹点对应的彩色道路图像存在道路立杆后,通过Deepsort对按序相邻的多个彩色道路图像中的同一道路立杆去重,有且仅保留视野最大的彩色道路图像为目标图像;在判断无轨迹点存在道路立杆后丢弃所有彩色道路图像。
A300判断保留的目标图像中是否真实的存在有道路立杆。
可选的,服务器和/或计算设备在执行本实施例的步骤A200时,首先以目标检测网络模型的iou作为相邻彩色道路图像间目标关系度量指标,再者使用卡尔曼滤波器预测该彩色道路图像中道路立杆的位置,最后使用匈牙利算法关联检测框的道路立杆,以将多个相邻彩色道路图像中的同一个道路立杆进行去除,并且保留最大视野的目标图像。
同时,本实施例中图像目标检测网络模型的训练主要是收集多种场景下轨迹点的彩色道路图片;再对复杂场景下的彩色道路图片中的道路立杆进行标注;然后选用基于深度神经网络的一目标检测网络对彩色道路图片及标注的道理立杆训练及推理,获取能够被应用在A100的图像分割网络模型。
请参考图2,服务器和/或计算设备在执行完毕图1中的步骤后,能够结合该轨迹线段中的激光点云进行后续如下步骤的处理。
B100在判断目标图像存在有道路立杆后,获取包含目标图像所在的轨迹点,及其前后相邻轨迹点的部分轨迹线段为一轨迹区域。
B200以滑动窗口的方式沿所述轨迹线段的轨迹方向切分所述轨迹区域中的激光点云为若干固定长宽高的点云块。
B300以正射投影的方式沿所述轨迹方向投影点云块,获取固定长宽的点云投影图像,并且保留点云块及点云投影图像的投影关系。
B400通过图像分割网络模型提取点云投影图像中的若干立杆轮廓。
B500提取立杆轮廓中的立杆骨架坐标点。
B600根据正射投影中点云块及点云投影图像的投影关系,反算每个立杆骨架点坐标到所述激光点云,并且获取至少一所述3D坐标。
B700获取所述激光点云中所述道路立杆的点云强度信息及位置信息;根据所述点云强度信息及所述位置信息选取正确的所述3D坐标为所述立杆坐标。
B800选用三维最小二乘法圆柱面拟合所述立杆坐标,即可精确的获取道路立杆在3D激光点云中的立杆目标。
可选的,服务器和/或计算设备在执行B500时步骤如图3。
B510根据所述道路立杆的面积、尺寸比例过滤所述立杆轮廓。
B520直线拟合过滤后断续的所述立杆轮廓。
B530提起拟合后所述立杆轮廓的所述立杆骨架坐标点。
同时,本实施例中图像分割网络模型的训练主要是收集多种场景下的点云投影图像;再对点云投影图像中的立杆轮廓进行标注;然后选用基于深度神经网络的一图像分割网络模型对点云投影图像及标注的立杆轮廓训练及推理,获取能够被应用在B400的图像分割网络模型。
以上步骤被执行后,本实施例能够仅通过彩色道路图像大致确定道路立杆的提取位置,避免了必须进行的彩色道路图像和激光点云的配准过程,解决了传统提取算法中直接对3D的激光点云数据进行处理,消耗时间及内存较大的问题。同时,本发明将激光点云正射投影为2D点云投影图像,极大的降低了对提取速度,并且本实施例应用了图像分割深度神经网络模型,较精确的提取2D点云图像中的立杆轮廓,再通过后续精提的方式,能够在激光点云中精确地提取目标立杆,满足了高精度地图中对目标立杆的制作要求。
本实施例另揭露一种激光点云中道路立杆的高精度提取系统。所述系统包括采集模块、区域模块、点云块模块、投影模块、坐标模块、反算模块、选取模块及拟合模块的组合。
采集模块被配置为执行获取一轨迹线段的激光点云,并且获取所述轨迹线段中所有轨迹点的彩色道路图像。
区域模块被配置为执行获取包含所述目标图像对应的所述轨迹点的部分所述轨迹线段为轨迹区域。
点云块模块被配置为执行以滑动窗口的方式沿所述轨迹线段的轨迹方向切分所述轨迹区域中的激光点云为至少一预置尺寸的点云块。
投影模块被配置为执行以正射投影的方式沿所述轨迹方向投影所述点云块为点云投影图像。
坐标模块被配置为执行获取所述点云投影图像中的立杆骨架点坐标;
反算模块被配置为执行获取至少一所述立杆骨架坐标点在所述激光点云中的3D坐标。
选取模块被配置为执行选取正确的一所述3D坐标为所述立杆坐标。
拟合模块被配置为执行圆柱拟合所述立杆坐标为所述激光点云中的所述目标立杆。
以上对本实施例系统进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例揭露的系统而言,由于其与实施例揭露的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例揭露的装置而言,由于其与实施例揭露的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所揭露的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种激光点云中道路立杆的高精度提取方法,其特征在于,
所述方法被配置为:
获取一轨迹线段的激光点云;
获取所述轨迹线段中所有轨迹点的彩色道路图像;
获取至少一存在所述道路立杆的所述彩色道路图像为目标图像;
获取包含所述目标图像对应的所述轨迹点的部分所述轨迹线段为轨迹区域;
以滑动窗口的方式沿所述轨迹线段的轨迹方向切分所述轨迹区域中的激光点云为至少一预置尺寸的点云块;
以正射投影的方式沿所述轨迹方向投影所述点云块为点云投影图像;
获取所述点云投影图像中的立杆骨架点坐标;
获取所述立杆骨架坐标点在所述激光点云中的3D坐标;
选取正确的一所述3D坐标为立杆坐标;
圆柱拟合所述立杆坐标为所述激光点云中的目标立杆。
2.如权利要求1所述的激光点云中道路立杆的高精度提取方法,其特征在于,
获取所述目标图像,被配置为:
通过一在先训练的图像目标检测网络模型获取所述目标图像。
3.如权利要求2所述的激光点云中道路立杆的高精度提取方法,其特征在于,
获取所述目标图像,被配置为:
获取至少两个相邻的所述目标图像去重相邻所述目标图像中的同一所述道路立杆,仅保留视野最大的所述目标图像。
4.如权利要求1所述的激光点云中道路立杆的高精度提取方法,其特征在于,
获取所述立杆骨架点坐标,被配置为:
通过图像分割网络模型提取所述点云投影图像中的至少一立杆轮廓;过滤所述立杆轮廓;提取过滤后所述立杆轮廓中的立杆骨架坐标点。
5.如权利要求4所述的激光点云中道路立杆的高精度提取方法,其特征在于,
过滤所述立杆轮廓,被配置为:
根据所述道路立杆的面积及尺寸比例过滤所述立杆轮廓。
6.如权利要求4所述的激光点云中道路立杆的高精度提取方法,其特征在于,
提取所述立杆骨架坐标点,被配置为:
直线拟合断续的所述立杆轮廓;提起拟合后所述立杆轮廓的所述立杆骨架坐标点。
7.如权利要求1所述的激光点云中道路立杆的高精度提取方法,其特征在于,
获取至少一所述3D坐标,被配置为:
根据正射投影中所述点云块及所述点云投影图像的投影关系,反算至少一所述立杆骨架坐标点到所述激光点云,并且获取述激光点云中的所述3D坐标。
8.如权利要求1所述的激光点云中道路立杆的高精度提取方法,其特征在于,
选取所述立杆坐标,被配置为:
获取所述激光点云中所述道路立杆的点云强度信息及位置信息;
根据所述点云强度信息及所述位置信息选取正确的所述3D坐标为所述立杆坐标。
9.如权利要求1所述的激光点云中道路立杆的高精度提取方法,其特征在于,
圆柱拟合所述目标立杆,被配置为:
选用三维最小二乘法圆柱面拟合所述立杆坐标为所述目标立杆。
10.一种激光点云中道路立杆的高精度提取系统,其特征在于,
所述系统包括:
采集模块,被配置为获取一轨迹线段的激光点云,并且获取所述轨迹线段中所有轨迹点的彩色道路图像;
区域模块,被配置为获取至少一存在所述道路立杆的所述彩色道路图像为目标图像,获取包含所述目标图像对应的所述轨迹点的部分所述轨迹线段为轨迹区域;
点云块模块,被配置为以滑动窗口的方式沿所述轨迹线段的轨迹方向切分所述轨迹区域中的激光点云为至少一预置尺寸的点云块;
投影模块,被配置为以正射投影的方式沿所述轨迹方向投影所述点云块为点云投影图像;
坐标模块,被配置为获取所述点云投影图像中的立杆骨架点坐标;
反算模块,被配置为获取至少一所述立杆骨架坐标点在所述激光点云中的3D坐标;
选取模块,被配置为选取正确的一所述3D坐标为立杆坐标;
拟合模块,被配置为圆柱拟合所述立杆坐标为所述激光点云中的目标立杆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911406243.4A CN111210488B (zh) | 2019-12-31 | 2019-12-31 | 激光点云中道路立杆的高精度提取系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911406243.4A CN111210488B (zh) | 2019-12-31 | 2019-12-31 | 激光点云中道路立杆的高精度提取系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210488A CN111210488A (zh) | 2020-05-29 |
CN111210488B true CN111210488B (zh) | 2023-02-03 |
Family
ID=70787035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911406243.4A Active CN111210488B (zh) | 2019-12-31 | 2019-12-31 | 激光点云中道路立杆的高精度提取系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210488B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434707B (zh) * | 2020-11-14 | 2022-09-09 | 武汉中海庭数据技术有限公司 | 一种交通路口rpp点自动提取方法及装置 |
CN112507887B (zh) * | 2020-12-12 | 2022-12-13 | 武汉中海庭数据技术有限公司 | 一种路口标志牌提取及关联的方法及装置 |
CN115719354B (zh) * | 2022-11-17 | 2024-03-22 | 同济大学 | 基于激光点云提取立杆的方法与装置 |
CN115631308B (zh) * | 2022-12-15 | 2023-03-31 | 北京集度科技有限公司 | 人造杆重建方法、装置、车辆及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018017567A (ja) * | 2016-07-27 | 2018-02-01 | 株式会社トプコン | レーザスキャナの光学系及び測量装置 |
CN110111414A (zh) * | 2019-04-10 | 2019-08-09 | 北京建筑大学 | 一种基于三维激光点云的正射影像生成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4832596B2 (ja) * | 2008-08-29 | 2011-12-07 | 三菱電機株式会社 | 俯瞰画像生成装置、俯瞰画像生成方法および俯瞰画像生成プログラム |
CN105184852B (zh) * | 2015-08-04 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
-
2019
- 2019-12-31 CN CN201911406243.4A patent/CN111210488B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018017567A (ja) * | 2016-07-27 | 2018-02-01 | 株式会社トプコン | レーザスキャナの光学系及び測量装置 |
CN110111414A (zh) * | 2019-04-10 | 2019-08-09 | 北京建筑大学 | 一种基于三维激光点云的正射影像生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111210488A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210488B (zh) | 激光点云中道路立杆的高精度提取系统及方法 | |
EP3171292B1 (en) | Driving lane data processing method, device, storage medium and apparatus | |
CN108564874B (zh) | 地面标志提取的方法、模型训练的方法、设备及存储介质 | |
CN111192311B (zh) | 一种高精度地图制作中纵向减速标线自动提取方法和装置 | |
CN113421289B (zh) | 一种克服无人机拍摄扰动的高精度车辆轨迹数据提取方法 | |
CN109271861B (zh) | 多尺度融合的点云交通标识牌自动提取方法 | |
CN113255578B (zh) | 交通标识的识别方法及装置、电子设备和存储介质 | |
CN104331873A (zh) | 一种从单幅图像检测道路的方法 | |
CN111881790A (zh) | 一种高精度地图制作中道路人行横道自动化提取方法和装置 | |
CN111325136B (zh) | 智能车辆中物体对象的标注方法及装置、无人驾驶车辆 | |
CN112270272B (zh) | 高精度地图制作中道路路口提取方法及系统 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN112950972B (zh) | 一种停车场地图构建方法、装置、设备和介质 | |
CN110705101A (zh) | 网络训练方法、车辆行驶方法及相关产品 | |
KR20210082518A (ko) | 교차로 검출, 신경망 훈련 및 스마트 주행 방법, 장치 및 기기 | |
CN112507887B (zh) | 一种路口标志牌提取及关联的方法及装置 | |
CN111198563B (zh) | 一种用于足式机器人动态运动的地形识别方法及系统 | |
CN113034583A (zh) | 基于深度学习的车辆停车测距方法、装置及电子设备 | |
CN110827340B (zh) | 地图的更新方法、装置及存储介质 | |
CN116740295A (zh) | 虚拟场景生成方法及装置 | |
CN106874837B (zh) | 一种基于视频图像处理的车辆检测方法 | |
CN111241923B (zh) | 一种实时检测立体车库的方法和系统 | |
CN114428259A (zh) | 一种基于地图车采集的地库激光点云中车辆自动提取方法 | |
CN114118188A (zh) | 针对待检测图像中移动对象的处理系统、方法和存储介质 | |
CN117451060A (zh) | 标签生成方法、装置、设备及存储介质 |
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 |