CN111914817B - 一种基于种子点的道路识别方法及系统 - Google Patents

一种基于种子点的道路识别方法及系统 Download PDF

Info

Publication number
CN111914817B
CN111914817B CN202010993482.0A CN202010993482A CN111914817B CN 111914817 B CN111914817 B CN 111914817B CN 202010993482 A CN202010993482 A CN 202010993482A CN 111914817 B CN111914817 B CN 111914817B
Authority
CN
China
Prior art keywords
search
road
points
point
searching
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
CN202010993482.0A
Other languages
English (en)
Other versions
CN111914817A (zh
Inventor
张磊
郝洁
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010993482.0A priority Critical patent/CN111914817B/zh
Publication of CN111914817A publication Critical patent/CN111914817A/zh
Priority to US17/145,193 priority patent/US11967156B2/en
Application granted granted Critical
Publication of CN111914817B publication Critical patent/CN111914817B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/30—Noise filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于种子点的道路识别方法及系统。该方法包括：获取遥感图像；获得灰度图；在灰度图中插入种子点；以种子点为基准点搜索4个道路初始边界点；获取4个道路初始边界点形成的最小外接矩形搜索框；根据获取的搜索框得到多个备选搜索框；判断多个备选搜索框与获取的搜索框的灰度差的平方和是否都大于预设阈值；若是，则停止搜索，完成道路识别；若否，则从多个备选搜索框中选择出一个新搜索框，根据新搜索框重新得到多个备选搜索框。本发明可以根据种子点(监控位置点)产生很多个新搜索框，不用反复重置种子点或者反复重置搜索框，根据多个新搜索框搜索到整个道路网络，搜索到的道路边缘平滑，不会产生椒盐现象。

Description

一种基于种子点的道路识别方法及系统
技术领域
本发明涉及道路识别技术领域，特别是涉及一种基于种子点的道路识别方法及系统。
背景技术
遥感影像图是探测地物目标综合信息的最直观、最丰富的载体。遥感影像图中的道路信息，在数字测图、图像理解和定位、地理信息系统的更新等领域具有很高的应用价值。在过去的十年中，从卫星图像提取道路一直是研究的热点。提取道路可以应用在自动危机响应、路线图更新、城市规划、地理信息更新以及汽车导航中等。为了从卫星图像提取道路，近年来已提出了多种方法。如模板匹配法、边缘与平行线法、模型法、滤波法等还有一些全自动提取的深度学习方法(语义分割法)。
遥感图像语义分割方法，是基于深度学习来自动提取和学习道路的特征从而获得语义信息，进而提取道路。使用的是U-Net，D-LinkNet等网络结构，适用于分辨率特别高且数据集规模很大的道路检测。但是这种方法对道路的边缘信息不敏感，并且对于连续的大面积遮挡提取效果不太好，会造成道路边缘不平滑以及道路断裂。
研究表明，目前道路提取中应用最多的是交互式的半自动道路提取方法。这种道路提取方法能较好地在图像清晰、道路稀疏且背景简单的遥感图像中提取乡村道路。例如其中的模板匹配方法和Snakes模型方法，提取的道路就相对有效。道路一般具有如下特征：几何形态特征，道路呈长条带状，某道路段的宽度基本保持不变，道路的曲率变化是有限的；辐射特征，道路区域具有相似的灰度值、相似的纹理特征，道路与周围的地物具有较大的对比度；上下文信息，如在有道路监控摄像头的地方一定是道路，目前道路监控位置比较容易获取，将其作为种子点可以保障其有效性。然而，模板匹配法和Snakes模型方法都需要复杂的初始化，若初始的种子点或模板位置偏差较大还需要重置。
对于交互式的半自动提取算法中的基于平行线和滤波的方法，在城市道路上由于道路边缘遮挡严重，道路上车辆较多就会导致提取精度较低，容易产生椒盐现象，道路提取的效果不理想。
发明内容
本发明的目的是提供一种基于种子点的道路识别方法及系统，不用反复重置种子点或者是矩形模板，搜索到的道路边缘平滑，不会产生椒盐现象。
为实现上述目的，本发明提供了如下方案：
一种基于种子点的道路识别方法，包括：
获取遥感图像；
对所述遥感图像进行预处理，获得灰度图；
在所述灰度图中插入种子点；所述种子点为待识别道路中的监控位置点；
以所述种子点为基准点搜索4个道路初始边界点；
获取所述4个道路初始边界点形成的最小外接矩形搜索框；
将获取的搜索框以不同角度进行旋转，将旋转后的搜索框进行移动，得到多个备选搜索框；
判断所述多个备选搜索框与所述获取的搜索框的灰度差的平方和是否都大于预设阈值；
若是，则停止搜索，完成道路识别；
若否，则从所述多个备选搜索框中选择出一个新搜索框，根据新搜索框重新得到多个备选搜索框。
可选的，所述以所述种子点为基准点搜索4个道路初始边界点，具体为：
在所述种子点的α°方向和(α+180)°方向上分别搜索像素点；
判断当前搜索到的像素点与上一个像素点的灰度值差是否大于预设阈值；
若是，则令当前像素点为一个道路初始边界点，然后以所述种子点为基准点更换搜索方向继续搜索像素点；
若否，则直接以所述种子点为基准点更换搜索方向继续搜索像素点。
可选的，更换的搜索方向为(α+45)°和(α+225)°、(α+90)°和(α+270)°以及(α+135)°和(α+315)°
可选的，所述将获取的搜索框以不同角度进行旋转，将旋转后的搜索框进行移动，得到多个备选搜索框，具体为：
以获取的搜索框的中心点为中心旋转所述获取的搜索框，将旋转后的搜索框前进一个所述获取的搜索框边长的长度，得到多个以不同旋转角度前进的备选搜索框。
可选的，所述从所述多个备选搜索框中选择出一个新搜索框，具体为：
从所述多个备选搜索框中选出一个与所述获取的搜索框的灰度差的平方和最小的一个备选搜索框，作为新搜索框。
可选的，所述搜索4个道路初始边界点的搜索步进值为1个像素点，搜索范围为10个像素点。
可选的，所述对所述遥感图像进行预处理，获得灰度图，具体为：
对所述遥感图像进行几何校正、辐射定标以及灰度化，获得灰度图。
一种基于种子点的道路识别系统，包括：
图像获取模块，用于获取遥感图像；
图像预处理模块，用于对所述遥感图像进行预处理，获得灰度图；
种子点插入模块，用于在所述灰度图中插入种子点；所述种子点为待识别道路中的监控位置点；
搜索模块，用于以所述种子点为基准点搜索4个道路初始边界点；
矩形搜索框获取模块，用于获取所述4个道路初始边界点形成的最小外接矩形搜索框；
第一备选搜索框获取模块，用于将获取的搜索框以不同角度进行旋转，并将旋转后的搜索框进行移动，得到多个备选搜索框；
判断模块，用于判断所述多个备选搜索框与所述获取的搜索框的灰度差的平方和是否都大于预设阈值；
道路识别模块，用于当所述多个备选搜索框与所述获取的搜索框的灰度差的平方和都大于预设阈值时，停止搜索，完成道路识别；
第二备选搜索框获取模块，用于当所述多个备选搜索框与所述获取的搜索框的灰度差的平方和不都大于预设阈值时，从所述多个备选搜索框中选择出一个新搜索框，根据新搜索框重新得到多个备选搜索框。
可选的，所述搜索模块包括：
第一搜索单元，用于在所述种子点的α°方向和(α+180)°方向上分别搜索像素点；
判断单元，用于判断当前搜索到的像素点与上一个像素点的灰度值差是否大于预设阈值；
第二搜索单元，用于当当前搜索到的像素点与上一个像素点的灰度值差大于预设阈值时，令当前像素点为一个道路初始边界点，然后以所述种子点为基准点更换搜索方向继续搜索像素点；
第三搜索单元，用于当当前搜索到的像素点与上一个像素点的灰度值差小于等于预设阈值时，直接以所述种子点为基准点更换搜索方向继续搜索像素点。
可选的，所述第一备选搜索框获取模块包括：
旋转单元，用于以获取的搜索框的中心点为中心旋转所述获取的搜索框；
备选搜索框获取单元，用于将旋转后的搜索框前进一个所述获取的搜索框边长的长度，得到多个以不同旋转角度前进的备选搜索框。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于种子点的道路识别方法，包括：获取遥感图像；对所述遥感图像进行预处理，获得灰度图；在所述灰度图中插入种子点；所述种子点为待识别道路中的监控位置点；以所述种子点为基准点搜索4个道路初始边界点；获取所述4个道路初始边界点形成的最小外接矩形搜索框；将获取的搜索框以不同角度进行旋转，将旋转后的搜索框进行移动，得到多个备选搜索框；判断所述多个备选搜索框与所述获取的搜索框的灰度差的平方和是否都大于预设阈值；若是，则停止搜索，完成道路识别；若否，则从所述多个备选搜索框中选择出一个新搜索框，根据新搜索框重新得到多个备选搜索框。本发明可以根据种子点(监控位置点)产生很多个新搜索框，不用反复重置种子点或者反复重置搜索框，根据多个新搜索框搜索到整个道路网络，搜索到的道路边缘平滑，不会产生椒盐现象。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于种子点的道路识别方法的流程图；
图2为本发明实施例提供的获取最小外接矩形搜索框的示意图；
图3为本发明实施例提供的获取备选搜索框的示意图；
图4为本发明实施例提供的获取新搜索框的示意图；
图5为本发明实施例提供的一种基于种子点的道路识别系统的系统图。
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。
本发明的目的是提供一种基于种子点的道路识别方法及系统，不用反复重置种子点或者是矩形模板，搜索到的道路边缘平滑，不会产生椒盐现象
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例提供的一种基于种子点的道路识别方法的流程图，如图1所示，方法包括：
步骤101：获取遥感图像。优选地，遥感图像为高分辨率图像。
步骤102：对所述遥感图像进行预处理，获得灰度图。具体为：对所述遥感图像进行几何校正、辐射定标以及灰度化，获得灰度图。
步骤103：在所述灰度图中插入种子点；所述种子点为待识别道路中的监控位置点。
步骤104：以所述种子点为基准点搜索4个道路初始边界点。
在本实施例中，步骤104具体为：
在所述种子点的α°方向和(α+180)°方向上分别搜索像素点。优选地，α°＝0°，搜索步进值为1个像素点，搜索范围为10个像素点。
判断当前搜索到的像素点与上一个像素点的灰度值差是否大于预设阈值。
若是，则令当前像素点为一个道路初始边界点，然后以所述种子点为基准点更换搜索方向继续搜索像素点。
若否，则直接以所述种子点为基准点更换搜索方向继续搜索像素点。
直到所搜到4个道路初始边界点。
优选地，更换的搜索方向为(α+45)°和(α+225)°、(α+90)°和(α+270)°以及(α+135)°和(α+315)°。
步骤105：获取所述4个道路初始边界点形成的最小外接矩形搜索框。图2为本发明实施例提供的获取最小外接矩形搜索框的示意图。
步骤106：将获取的搜索框以不同角度进行旋转，将旋转后的搜索框进行移动，得到多个备选搜索框。
在本实施例中，步骤106具体为：
以获取的搜索框的中心点为中心旋转所述获取的搜索框，将旋转后的搜索框前进一个所述获取的搜索框边长的长度，得到多个以不同旋转角度前进的备选搜索框。图3为本发明实施例提供的获取备选搜索框的示意图。
步骤107：判断所述多个备选搜索框与所述获取的搜索框的灰度差的平方和是否都大于预设阈值。
步骤108：若是，则停止搜索，完成道路识别。
步骤109：若否，则从所述多个备选搜索框中选择出一个新搜索框，根据新搜索框重新得到多个备选搜索框。在本实施例中，选择出一个新搜索框具体为：从所述多个备选搜索框中选出一个与所述获取的搜索框的灰度差的平方和最小的一个备选搜索框，作为新搜索框。图4为本发明实施例提供的获取新搜索框的示意图。
实施例2
本实施例提供了一种基于种子点的道路识别方法，与实施例1不同的是，本实施例中插入多个种子点，以每个种子点为基准点均执行步骤104至步骤108。同时，本实施例中的方法还包括以下步骤：
步骤109：若所述多个备选搜索框与所述获取的搜索框的灰度差的平方和不都大于预设阈值，则从所述多个备选搜索框中选择出一个新搜索框，判断选出的新搜索框是否和其余种子点选出的任意一个新搜索框相同；
步骤110：若是，则停止搜索，完成道路识别。
步骤111：若否，则根据新搜索框重新得到多个备选搜索框。
实施例3
图5为本发明实施例提供的一种基于种子点的道路识别系统的系统图，如图5所示，系统包括：
图像获取模块201，用于获取遥感图像。
图像预处理模块202，用于对所述遥感图像进行预处理，获得灰度图。
种子点插入模块203，用于在所述灰度图中插入种子点；所述种子点为待识别道路中的监控位置点。
搜索模块204，用于以所述种子点为基准点搜索4个道路初始边界点。
在本实施例中，搜索模块204包括：
第一搜索单元，用于在所述种子点的α°方向和(α+180)°方向上分别搜索像素点。
判断单元，用于判断当前搜索到的像素点与上一个像素点的灰度值差是否大于预设阈值。
第二搜索单元，用于当当前搜索到的像素点与上一个像素点的灰度值差大于预设阈值时，令当前像素点为一个道路初始边界点，然后以所述种子点为基准点更换搜索方向继续搜索像素点。
第三搜索单元，用于当当前搜索到的像素点与上一个像素点的灰度值差小于等于预设阈值时，直接以所述种子点为基准点更换搜索方向继续搜索像素点。
矩形搜索框获取模块205，用于获取所述4个道路初始边界点形成的最小外接矩形搜索框。
第一备选搜索框获取模块206，用于将获取的搜索框以不同角度进行旋转，并将旋转后的搜索框进行移动，得到多个备选搜索框。
在本实施例中，第一备选搜索框获取模块206包括：
旋转单元，用于以获取的搜索框的中心点为中心旋转所述获取的搜索框。
备选搜索框获取单元，用于将旋转后的搜索框前进一个所述获取的搜索框边长的长度，得到多个以不同旋转角度前进的备选搜索框。
判断模块207，用于判断所述多个备选搜索框与所述获取的搜索框的灰度差的平方和是否都大于预设阈值。
道路识别模块208，用于当所述多个备选搜索框与所述获取的搜索框的灰度差的平方和都大于预设阈值时，停止搜索，完成道路识别。
第二备选搜索框获取模块209，用于当所述多个备选搜索框与所述获取的搜索框的灰度差的平方和不都大于预设阈值时，从所述多个备选搜索框中选择出一个新搜索框，根据新搜索框重新得到多个备选搜索框。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明可以根据种子点(监控位置点)产生很多个新搜索框，不用反复重置种子点或者反复重置搜索框，根据多个新搜索框搜索到整个道路网络，搜索到的道路边缘平滑，不会产生椒盐现象。
本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。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于种子点的道路识别方法，其特征在于，包括：
获取遥感图像；
对所述遥感图像进行预处理，获得灰度图；
在所述灰度图中插入种子点；所述种子点为待识别道路中的监控位置点；
以所述种子点为基准点搜索4个道路初始边界点；
获取所述4个道路初始边界点形成的最小外接矩形搜索框；
将获取的搜索框以不同角度进行旋转，将旋转后的搜索框进行移动，得到多个备选搜索框；
判断所述多个备选搜索框与所述获取的搜索框的灰度差的平方和是否都大于预设阈值；
若是，则停止搜索，完成道路识别；
若否，则从所述多个备选搜索框中选择出一个新搜索框，根据新搜索框重新得到多个备选搜索框。
2.根据权利要求1所述的道路识别方法，其特征在于，所述以所述种子点为基准点搜索4个道路初始边界点，具体为：
在所述种子点的α°方向和(α+180)°方向上分别搜索像素点；
判断当前搜索到的像素点与上一个像素点的灰度值差是否大于预设阈值；
若是，则令当前像素点为一个道路初始边界点，然后以所述种子点为基准点更换搜索方向继续搜索像素点；
若否，则直接以所述种子点为基准点更换搜索方向继续搜索像素点。
3.根据权利要求2所述的道路识别方法，其特征在于，更换的搜索方向为(α+45)°和(α+225)°、(α+90)°和(α+270)°以及(α+135)°和(α+315)°。
4.根据权利要求1所述的道路识别方法，其特征在于，所述将获取的搜索框以不同角度进行旋转，将旋转后的搜索框进行移动，得到多个备选搜索框，具体为：
以获取的搜索框的中心点为中心旋转所述获取的搜索框，将旋转后的搜索框前进一个所述获取的搜索框边长的长度，得到多个以不同旋转角度前进的备选搜索框。
5.根据权利要求1所述的道路识别方法，其特征在于，所述从所述多个备选搜索框中选择出一个新搜索框，具体为：
从所述多个备选搜索框中选出一个与所述获取的搜索框的灰度差的平方和最小的一个备选搜索框，作为新搜索框。
6.根据权利要求1所述的道路识别方法，其特征在于，所述搜索4个道路初始边界点的搜索步进值为1个像素点，搜索范围为10个像素点。
7.根据权利要求1所述的道路识别方法，其特征在于，所述对所述遥感图像进行预处理，获得灰度图，具体为：
对所述遥感图像进行几何校正、辐射定标以及灰度化，获得灰度图。
8.一种基于种子点的道路识别系统，其特征在于，包括：
图像获取模块，用于获取遥感图像；
图像预处理模块，用于对所述遥感图像进行预处理，获得灰度图；
种子点插入模块，用于在所述灰度图中插入种子点；所述种子点为待识别道路中的监控位置点；
搜索模块，用于以所述种子点为基准点搜索4个道路初始边界点；
矩形搜索框获取模块，用于获取所述4个道路初始边界点形成的最小外接矩形搜索框；
第一备选搜索框获取模块，用于将获取的搜索框以不同角度进行旋转，并将旋转后的搜索框进行移动，得到多个备选搜索框；
判断模块，用于判断所述多个备选搜索框与所述获取的搜索框的灰度差的平方和是否都大于预设阈值；
道路识别模块，用于当所述多个备选搜索框与所述获取的搜索框的灰度差的平方和都大于预设阈值时，停止搜索，完成道路识别；
第二备选搜索框获取模块，用于当所述多个备选搜索框与所述获取的搜索框的灰度差的平方和不都大于预设阈值时，从所述多个备选搜索框中选择出一个新搜索框，根据新搜索框重新得到多个备选搜索框。
9.根据权利要求8所述的道路识别系统，其特征在于，所述搜索模块包括：
第一搜索单元，用于在所述种子点的α°方向和(α+180)°方向上分别搜索像素点；
判断单元，用于判断当前搜索到的像素点与上一个像素点的灰度值差是否大于预设阈值；
第二搜索单元，用于当当前搜索到的像素点与上一个像素点的灰度值差大于预设阈值时，令当前像素点为一个道路初始边界点，然后以所述种子点为基准点更换搜索方向继续搜索像素点；
第三搜索单元，用于当当前搜索到的像素点与上一个像素点的灰度值差小于等于预设阈值时，直接以所述种子点为基准点更换搜索方向继续搜索像素点。
10.根据权利要求8所述的道路识别系统，其特征在于，所述第一备选搜索框获取模块包括：
旋转单元，用于以获取的搜索框的中心点为中心旋转所述获取的搜索框；
备选搜索框获取单元，用于将旋转后的搜索框前进一个所述获取的搜索框边长的长度，得到多个以不同旋转角度前进的备选搜索框。
CN202010993482.0A 2020-09-21 2020-09-21 一种基于种子点的道路识别方法及系统 Active CN111914817B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010993482.0A CN111914817B (zh) 2020-09-21 2020-09-21 一种基于种子点的道路识别方法及系统
US17/145,193 US11967156B2 (en) 2020-09-21 2021-01-08 Road recognition method and system based on seed point

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010993482.0A CN111914817B (zh) 2020-09-21 2020-09-21 一种基于种子点的道路识别方法及系统

Publications (2)

Publication Number Publication Date
CN111914817A CN111914817A (zh) 2020-11-10
CN111914817B true CN111914817B (zh) 2024-04-02

Family

ID=73265274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010993482.0A Active CN111914817B (zh) 2020-09-21 2020-09-21 一种基于种子点的道路识别方法及系统

Country Status (2)

Country Link
US (1) US11967156B2 (zh)
CN (1) CN111914817B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385471B (zh) * 2023-06-02 2023-09-01 中科微至科技股份有限公司 一种基于定向区域生长的激光轮廓线提取方法
CN116858275B (zh) * 2023-09-05 2024-02-13 安徽蔚来智驾科技有限公司 导航路线生成方法、车载控制器和存储介质
CN117952960B (zh) * 2024-03-25 2024-06-14 湖南五美电力线路器材有限公司 基于人工智能的电力铁塔部件缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714211A (zh) * 2009-12-04 2010-05-26 西安电子科技大学 高分辨率遥感影像道路中心线的检测的方法
CN101770581A (zh) * 2010-01-08 2010-07-07 西安电子科技大学 高分辨率城区遥感图像中道路中心线的半自动检测方法
CN104899592A (zh) * 2015-06-24 2015-09-09 武汉大学 一种基于圆形模板的道路半自动提取方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1607907A1 (en) * 2004-06-16 2005-12-21 Mitsubishi Electric Information Technology Centre Europe B.V. Algorithm for line tracking using a circular sector search window
US8938094B1 (en) * 2012-04-13 2015-01-20 Google Inc. Generating a road network based on satellite imagery
DE102013207374A1 (de) * 2013-04-23 2014-10-23 Robert Bosch Gmbh Vorrichtung und Verfahren zum Erkennen von Beschriftungen auf Fahrzeugreifen
JP6723079B2 (ja) * 2016-06-08 2020-07-15 日立オートモティブシステムズ株式会社 物体距離検出装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714211A (zh) * 2009-12-04 2010-05-26 西安电子科技大学 高分辨率遥感影像道路中心线的检测的方法
CN101770581A (zh) * 2010-01-08 2010-07-07 西安电子科技大学 高分辨率城区遥感图像中道路中心线的半自动检测方法
CN104899592A (zh) * 2015-06-24 2015-09-09 武汉大学 一种基于圆形模板的道路半自动提取方法及系统

Also Published As

Publication number Publication date
US20220092314A1 (en) 2022-03-24
CN111914817A (zh) 2020-11-10
US11967156B2 (en) 2024-04-23

Similar Documents

Publication Publication Date Title
CN111914817B (zh) 一种基于种子点的道路识别方法及系统
US20160154999A1 (en) Objection recognition in a 3d scene
CN108846333B (zh) 标志牌地标数据集生成及车辆定位方法
CN110647850A (zh) 一种基于逆透视原理的车道偏移自动测量方法
Zhang et al. Semi-automatic road tracking by template matching and distance transformation in urban areas
Zhao et al. Road network extraction from airborne LiDAR data using scene context
CN112766184B (zh) 基于多层级特征选择卷积神经网络的遥感目标检测方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN112287807A (zh) 一种基于多分支金字塔神经网络的遥感影像道路提取方法
CN110379007B (zh) 基于车载移动激光扫描点云的三维公路曲线重建方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN112733711B (zh) 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法
CN113223042A (zh) 一种遥感影像深度学习样本智能采集方法及设备
CN111383286B (zh) 定位方法、装置、电子设备及可读存储介质
Yao et al. Automatic extraction of road markings from mobile laser-point cloud using intensity data
CN116340563A (zh) 图形匹配的城市场景地理位置定位方法
CN113627288B (zh) 一种面向海量影像的智能化信息标签获取方法
Senthilnath et al. Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method
CN114719873A (zh) 一种低成本精细地图自动生成方法、装置及可读介质
Qiaoping et al. Automatic road change detection and GIS updating from high spatial remotely-sensed imagery
Mangala et al. A new automatic road extraction technique using gradient operation and skeletal ray formation
Liu et al. Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis
CN118298183B (zh) 一种无需标注的车载激光点云高精度语义分割方法及系统
Furber The return of asynchronous logic
CN117830882B (zh) 基于深度学习的航拍图像识别方法及相关产品

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