CN111982152A - 点云地图量化方法、装置、计算机设备和存储介质 - Google Patents
点云地图量化方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111982152A CN111982152A CN202010759847.3A CN202010759847A CN111982152A CN 111982152 A CN111982152 A CN 111982152A CN 202010759847 A CN202010759847 A CN 202010759847A CN 111982152 A CN111982152 A CN 111982152A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- map
- road surface
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Abstract
本申请涉及一种点云地图量化方法、装置、计算机设备和存储介质。所述方法包括:获取点云地图中各点云数据对应的几何特征;根据各几何特征对各点云数据进行筛选,得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据;根据车道线点云数据和路沿点云数据生成二维线段;获取预设的测绘点到二维线段的关系,并根据关系对点云地图进行量化。采用本方法能够提高根据点云地图对应的测绘点到得到的二维线段的距离对点云地图进行量化的效率。
Description
技术领域
本申请涉及机器视觉技术领域,特别是涉及一种点云地图量化方法、装置、计算机设备和存储介质。
背景技术
随着自动驾驶技术的发展,高精度点云地图在自动驾驶技术中起着重要的作用,由此,对高精度点云地图的准确度评估显得尤为重要。
传统技术中,主要是通过人工检查的方式,获取高精度点云地图中特征物体相对测绘点的误差,根据高精度点云地图中特征物体相对测绘点的误差对高精度点云地图的准确度进行评估。
然而,传统的高精度点云地图的评估方法,存在评估效率较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高对高精度点云地图的评估效率的点云地图量化方法、装置、计算机设备和存储介质。
一种点云地图量化方法,所述方法包括:
获取点云地图中各点云数据对应的几何特征;
根据各所述几何特征对各所述点云数据进行筛选,得到所述点云地图中的车道线点云数据以及所述点云地图中的路沿点云数据;
根据所述车道线点云数据和所述路沿点云数据生成二维线段;
获取预设的测绘点与所述二维线段的关系,并根据所述关系对所述点云地图进行量化。
在其中一个实施例中,所述根据各所述几何特征对各所述点云数据进行筛选,得到所述点云地图中的车道线点云数据以及所述点云地图中的路沿点云数据,包括:
将各所述几何特征对应的特征向量,确定为各所述点云数据的表面法向量;
根据各所述点云数据对应的姿态角数据,获取各所述点云数据对应的第一路面法向量;
计算各所述点云数据对应的表面法向量和各所述点云数据对应的第一路面法向量之间的第一夹角值;
将所述第一夹角值在预设的第一夹角阈值范围内的点云数据确定为初始路面点云数据;
根据所述初始路面点云数据,得到所述车道线点云数据以及所述路沿点云数据。
在其中一个实施例中,所述根据所述初始路面点云数据,得到所述车道线点云数据以及所述路沿点云数据,包括:
对所述初始路面点云数据进行三维拟合,得到所述初始路面点云数据对应的拟合路面,并获取所述拟合路面对应的第二路面法向量;
根据所述第二路面法向量,从各所述点云数据中确定所述车道线点云数据以及所述路沿点云数据。
在其中一个实施例中,所述根据所述第二路面法向量,从各所述点云数据中确定所述车道线点云数据,包括:
计算所述第二路面法向量和各所述点云数据对应的表面法向量之间的第二夹角值;
将所述第二夹角值在预设的第二夹角阈值范围内的点云数据确定为路面点云数据;
根据所述路面点云数据中的反射强度,生成所述路面点云数据的反射强度直方图;
根据所述反射强度直方图的均值和方差,确定车道线点云数据的筛选条件;
将满足所述筛选条件的路面点云数据,确定为所述车道线点云数据。
在其中一个实施例中,所述根据所述第二路面法向量,从各所述点云数据中确定所述路沿点云数据,包括:
获取各所述点云数据到所述第二路面法向量方向的投射高度以及所述表面法向量与所述第二路面法向量之间的第三夹角值;
将所述投射高度在预设的高度阈值范围内、且所述第三夹角值在预设的第三夹角阈值范围内的点云数据,确定为所述路沿点云数据。
在其中一个实施例中,所述获取点云地图中各点云数据对应的几何特征,包括:
获取各所述点云数据对应的协方差矩阵;
对各所述点云数据对应的协方差矩阵进行奇异值分解,得到各所述点云数据对应的特征值集合;
将所述特征值集合中最小的特征值确定为各所述点云数据对应的几何特征。
在其中一个实施例中,所述对各所述点云数据进行主成分分析,获取各所述点云数据对应的协方差矩阵,包括:
以各所述点云数据为中心进行索引,获取各所述点云数据对应的邻近点集合;所述邻近集合中包括所述点云数据的至少一个邻近点;
根据所述邻近点集合和预设的计算公式,获取所述邻近点集合的几何中心;所述计算公式为包括邻近点集合和邻近点集合的几何中心的关系式;
根据所述邻近点集合的几何中心,构造各所述点云数据对应的协方差矩阵。
在其中一个实施例中,所述获取预设的测绘点与所述二维线段的关系,并根据所述关系对所述点云地图进行量化,包括:
获取所述预设的测绘点与所述二维线段间的距离值;
若所述距离值越小,则确定所述点云地图的量化值越高;所述量化值用于表示所述点云地图的精度。
一种点云地图量化装置,所述装置包括:
第一获取模块,用于获取点云地图中各点云数据对应的几何特征;
第二获取模块,用于根据各所述几何特征对各所述点云数据进行筛选,得到所述点云地图中的车道线点云数据以及所述点云地图中的路沿点云数据;
拟合模块,用于根据所述车道线点云数据和所述路沿点云数据生成二维线段;
量化模块,用于获取预设的测绘点到所述二维线段的关系,并根据所述关系对所述点云地图进行量化。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取点云地图中各点云数据对应的几何特征;
根据各所述几何特征对各所述点云数据进行筛选,得到所述点云地图中的车道线点云数据以及所述点云地图中的路沿点云数据;
根据所述车道线点云数据和所述路沿点云数据生成二维线段;
获取预设的测绘点与所述二维线段的关系,并根据所述关系对所述点云地图进行量化。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取点云地图中各点云数据对应的几何特征;
根据各所述几何特征对各所述点云数据进行筛选,得到所述点云地图中的车道线点云数据以及所述点云地图中的路沿点云数据;
根据所述车道线点云数据和所述路沿点云数据生成二维线段;
获取预设的测绘点与所述二维线段的关系,并根据所述关系对所述点云地图进行量化。
上述点云地图量化方法、装置、计算机设备和存储介质,根据点云地图中各点云数据对应的几何特征能够快速地对点云地图中的各点云数据进行快速地筛选,从而提高了得到的点云地图中的车道线点云数据以及点云地图中的路沿点云数据的效率,进而可以根据得到的车道线点云数据和路沿点云数据,快速地生成二维线段,提高了得到二维线段的效率,进而提高了获取预设的测绘点与生成的二维线段的关系的效率,进一步地提高了根据预设的测绘点与生成的二维线段的关系对点云地图进行量化的效率;另外,由于点云地图中各点云数据对应的几何特征能够准确地反映各点云数据的特征信息,这样可以根据点云地图中各点云数据对应的几何特征对各点云数据进行准确地筛选,从而能够准确地得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据,提高了得到的点云地图中的车道线点云数据以及点云地图中的路沿点云数据的准确度,进而可以根据车道线点云数据和路沿点云数据准确地生成二维线段,从而提高了得到的二维线段的准确度,这样可以准确地得到预设的测绘点与生成的二维线段的关系,从而根据该关系对点云地图进行准确地量化,提高了对点云地图量化的准确度。
附图说明
图1为一个实施例中点云地图量化方法的应用环境图;
图2为一个实施例中点云地图量化方法的流程示意图;
图3为另一个实施例中点云地图量化方法的流程示意图;
图3a为一个实施例提供的车道线点云数据的示意图;
图3b为一个实施例提供的路沿点云数据的示意图;
图4为另一个实施例中点云地图量化方法的流程示意图;
图5为另一个实施例中点云地图量化方法的流程示意图;
图5a为一个实施例提供的测绘点与二维线段的关系示意图;
图6为另一个实施例中点云地图量化方法的流程示意图;
图6a为一个实施例提供的测绘点与二维线段的关系示意图;
图7为一个实施例中点云地图量化装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的点云地图量化方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中,如图2所示,提供了一种点云地图量化方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201,获取点云地图中各点云数据对应的几何特征。
其中,点云地图中各点云数据对应的几何特征用于表征各点云数据的特征信息。具体地,计算机设备首先获取点云地图中各点云数据对应的几何特征。需要说明的是,本实施例中的点云地图可以为某检测区域的完整的点云地图,也可以为根据完整的点云地图的测绘点的位置,利用边界框从该区域的完整的点云地图中切割出来的局部点云地图,可以理解的是,切割出来的局部点云地图中包括的点云数据较少,计算量相对较少,提高了对点云地图的量化效率。S202,根据各几何特征对各点云数据进行筛选,得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据。
具体地,计算机设备根据各点云数据对应的几何特征对点云地图中的各点云数据进行筛选,得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据。可选的,计算机设备可以根据各点云数据对应的几何特征首先筛选出点云地图中的路面点云数据,再从得到的路面点云数据中确定出点云地图中的车道线点云数据以及点云地图中的路沿点云数据。
S203,根据车道线点云数据和路沿点云数据生成二维线段。
具体地,计算机设备对上述得到的车道线点云数据和路沿点云数据进行二维线段拟合,生成二维线段。可选的,计算机设备可以采用随机抽样一致算法(Random sampleconsensus,RANSAC)对车道线点云数据和路沿点云数据进行二维线段拟合,生成上述二维线段。
S204,获取预设的测绘点与二维线段的关系,并根据关系对点云地图进行量化。
具体地,计算机设备首先确定预设的测绘点,然后获取预设的测绘点与上述生成的二维线段的关系,根据测绘点与二维线段的关系对点云地图进行量化。可选的,预设的测绘点与二维线段的关系可以为测绘点与二维线段的距离。可选的,计算机设备也可以确定多个预设的测绘点,然后将这多个测绘点连接起来得到测绘点连接线,根据测绘点连接线和二维线段的夹角,得到测绘点与二维线段的关系。可选的,预设的测绘点可以是根据真实路况所确定的,示例性地,预设的测绘点可以为路沿点,也可以为车道线,也可以为路牌等等。可选的,根据预设的测绘点与二维线段的关系,可以对点云地图的精度进行量化,也可以对点云地图的准确度进行量化等等。
上述点云地图量化方法中,计算机设备根据点云地图中各点云数据对应的几何特征能够快速地对点云地图中的各点云数据进行快速地筛选,从而提高了得到的点云地图中的车道线点云数据以及点云地图中的路沿点云数据的效率,进而可以根据得到的车道线点云数据和路沿点云数据,快速地生成二维线段,提高了得到二维线段的效率,进而提高了获取预设的测绘点与生成的二维线段的关系的效率,进一步地提高了根据预设的测绘点与生成的二维线段的关系对点云地图进行量化的效率;另外,由于点云地图中各点云数据对应的几何特征能够准确地反映各点云数据的特征信息,这样可以根据点云地图中各点云数据对应的几何特征对各点云数据进行准确地筛选,从而能够准确地得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据,提高了得到的点云地图中的车道线点云数据以及点云地图中的路沿点云数据的准确度,进而可以根据车道线点云数据和路沿点云数据准确地生成二维线段,从而提高了得到的二维线段的准确度,这样可以准确地得到预设的测绘点与生成的二维线段的关系,从而根据该关系对点云地图进行准确地量化,提高了对点云地图量化的准确度。
在上述根据点云地图中各点云数据对应的几何特征,对各点云数据进行筛选,得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据的场景中,计算机设备可以根据各点云数据对应的特征向量,得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据。在一个实施例中,如图3所示,上述S202,包括:
S301,将各几何特征对应的特征向量,确定为各点云数据的表面法向量。
具体地,计算机设备将上述各点云数据的几何特征对应的特征向量,确定为各点云数据的表面法向量。可选的,计算机设备可以根据各点云数据的几何特征和特征向量之间的关系式,得到各点云数据的几何特征对应的特征向量,示例性地,若点云数据的几何特征为λ,点云数据的几何特征对应的矩阵为A,则计算机设备可以通过求解方程组:λE-A=0,该方程组的解即为点云数据的几何特征对应的特征向量。
S302,根据各点云数据对应的姿态角数据,获取各点云数据对应的第一路面法向量。
具体地,计算机设备根据上述点云地图对应的姿态角数据,获取上述各点云数据对应的第一路面法向量。可以理解的是,各点云数据对应的姿态角数据即为载车的姿态四元数,为方便使用载车的姿态四元数初始化第一路面法向量,首先将点云地图坐标系Z轴的n0变成纯虚四元数v0,v0=[0,n0],n0=[0,0,1],通过载车的姿态四元数q=[qw,qx,qy,qz],利用四元数共轭乘法来旋转Z轴向量[0,0,1],得到初始化路面法向量n:也就是,计算机设备可以将载车的姿态四元数中的航向角值、俯仰值和横滚值确定为各点云数据对应的第一路面法向量,得到第一路面法向量的初始值。
S303,计算各点云数据对应的表面法向量和各点云数据对应的第一路面法向量的第一夹角值。
具体地,计算机设备计算上述得到的点云地图中各点云数据对应的表面法向量和各点云数据对应的第一路面法向量之间的第一夹角值。可选的,计算机设备可以通过计算公式:cos<a,b>=a·b/|a||b|计算各点云数据对应的表面法向量和各点云数据对应的第一路面法向量之间的第一夹角值,式中,a表示各点云数据对应的表面法向量,b表示各点云数据对应的第一路面法向量,cos<a,b>表示各点云数据对应的表面法向量和各点云数据对应的第一路面法向量之间的第一夹角值的余弦值。
S304,将第一夹角值在预设的第一夹角阈值范围内的点云数据确定为初始路面点云数据。
具体地,计算机设备将各点云数据对应的表面法向量和各点云数据对应的第一路面法向量之间的第一夹角值在预设的第一夹角阈值范围内的点云数据确定为初始路面点云数据。可选的,第一夹角阈值范围可以为(30°,50°),示例性地,例如点云数据A对应的表面法向量和点云数据A对应的第一路面法向量之间的第一夹角值为40°,该第一夹角值在上述第一夹角阈值范围内,则计算机设备可以将该点云数据A确定为初始路面点云数据。
S305,根据初始路面点云数据,得到车道线点云数据以及路沿点云数据。
具体地,计算机设备根据上述确定的初始路面点云数据,得到点云地图中的车道线点云数据以及路沿点云数据。可选的,计算机设备可以对初始路面点云数据进行三维拟合,得到初始路面点云数据对应的拟合路面,并获取得到的拟合路面对应的第二路面法向量,根据得到的拟合路面对应的第二路面法向量,从各点云数据中确定车道线点云数据以及路沿点云数据。
可选的,计算机设备可以通过以下步骤从各点云数据中确定点云地图中的车道线点云数据:
步骤A,计算上述第二路面法向量和各点云数据对应的表面法向量之间的第二夹角值。
具体地,计算机设备可以通过上述S303中的夹角计算公式,计算得到第二路面法向量和各点云数据对应的表面法向量之间的第二夹角值。
步骤B,将第二路面法向量和各点云数据对应的表面法向量之间的第二夹角值在预设的第二夹角阈值范围内的点云数据确定为路面点云数据。
具体地,计算机设备将上述得到的第二路面法向量和各点云数据对应的表面法向量之间的第二夹角值在预设的第二夹角阈值范围内的点云数据确定为路面点云数据。可以理解的是,本实施中确定路面点云数据的方法与上述S304中确定初始路面点云数据的方法类似,本实施例可参照上述确定初始路面点云数据的方法确定路面点云数据,本实施例在此不再赘述。需要说明的是,这里是更进一步地确定点云地图中的路面点云数据,因此,本实施例中的第二夹角阈值的范围小于上述第一夹角阈值的范围。这里需要说明的是,各点云数据对应的表面法向量是通过上述的协方差矩阵的特征值分解计算得到的,各点云数据对应的表面法向量代表了各点云数据与其附近的点云数据代表的几何形体的表面法向量,本实施例中,是通过对比上述点云地图中各点云数据对应的表面法向量与之前拟合的路面的第二路面法向量,计算这两个法向量在三维空间的夹角,如果这个夹角小于预设的第二夹角阈值范围,则可以将该点云数据当作路面的一部分,示例性地,假设拟合的路面是水平面,那么该路面的法向量就是沿着垂直方向,因此,如果上述各点云数据中的任一个点云数据对应的表面法向量也是近乎垂直方向,则说明该点云数据与周边的点云数据近似成一个水平面,则该周边的点云数据也将会被当成路面点云数据来对待,进而可以确定出路面点云数据。
步骤C,根据确定的路面点云数据中的反射强度,生成路面点云数据的反射强度直方图。
具体地,计算机设备根据上述确定的路面点云数据中的反射强度,生成路面点云数据的反射强度直方图。可以理解的是,点云数据中不仅包括的有位置信息还有反射强度,计算机设备可以根据路面点云数据中的反射强度,生成路面点云数据的反射强度直方图。
步骤D,根据生成的路面点云数据的反射强度直方图的均值和方差,确定车道线点云数据的筛选条件。
具体地,计算机设备根据生成的路面点云数据的反射强度直方图的均值和方差,确定出车道线点云数据的筛选条件。示例性地,以路面点云数据的反射强度直方图的均值为μI,方差为σI为例,确定的车道线点云数据的筛选条件可以为:Ilane>μI+ασI,式中,α为常数,Ilane表示车道线点云数据,也就是计算机设备可以将满足上述不等式条件的点云数据均确定为车道线点云数据。
步骤E,将满足筛选条件的路面点云数据,确定为车道线点云数据。
具体地,计算机设备根据上述筛选条件,对确定的路面点云数据进行筛选,将满足上述筛选条件的路面点云数据,确定为点云地图中的车道线点云数据,如图3a所示,为确定的车道线点云的示意图。
可选的,计算机设备可以通过以下步骤从各点云数据中确定点云地图中的路沿点云数据:
步骤a,获取各点云数据到第二路面法向量方向的投射高度以及表面法向量与第二路面法向量之间的第三夹角值。
具体地,计算机设备获取上述点云地图中各点云数据到第二路面法向量方向的投射高度,以及表面法向量与第二路面法向量之间的第三夹角值。示例性地,以第二路面法向量方向为(nx,ny,nz),各点云数据到第二路面法向量方向的投射高度为hi为例,则,hi=-(xinx+yiny+d)/nz,其中,第二路面法向量对应的拟合路面的方程表示式为:nxx+nyy+nzz+d=0。可选的,计算机设备可以通过上述S303中的夹角计算公式,计算得到上述表面法向量和上述第二路面法向量之间的第三夹角值。
步骤b,将投射高度在预设的高度阈值范围内、且第三夹角值在预设的第三夹角阈值范围内的点云数据,确定为路沿点云数据。
具体地,计算机设备将各点云数据到上述第二路面法向量方向的投射高度在预设的高度阈值范围内、且上述表面法向量与第二路面法向量之间的第三夹角值在预设的第三夹角阈值范围内的点云数据,确定为上述点云地图中的路沿点云数据,如图3b所示,为确定的路沿点云数据的示意图。示例性地,计算机设备可以将满足:0<hi<hcurb,nground·ni<cos(θ)的点云数据确定为路沿点云数据,式中,hi表示点云地图中各点云数据到上述第二路面法向量方向的投射高度,hcurb表示预设的路沿高度上限,nground表示表面法向量,ni表示第二路面法向量,θ表示表面法向量与第二路面法向量之间的第三夹角值。
本实施例中,由于计算机设备是将点云地图中各点云数据的几何特征对应的特征向量,确定为各点云数据的表面法向量,这样得到各点云数据的几何特征对应的特征向量后,就能够快速地确定出各点云数据的表面法向量,从而提高了得到各点云数据的表面法向量的效率,而点云地图中各点云数据对应的第一路面法向量是根据点云地图对应的姿态角数据获取的,点云地图对应的姿态角数据在点云地图确定后就能够快速地确定出点云地图对应的姿态角数据,从而提高了获取各点云数据对应的第一路面法向量的效率,进而可以快速地计算出各点云数据对应的表面法向量和各点云数据对应的第一路面法向量之间的第一夹角值,提高了得到第一夹角值的效率,进而可以快速地确定出初始路面点云数据,由于确定初始路面点云数据的效率得到了提高,进而可以根据初始路面点云数据,快速地得到点云地图中的车道线点云数据和路沿点云数据,提高了得到点云地图中车道线点云数据和路沿点云数据的效率。
在上述获取点云地图中各点云数据对应的几何特征的场景中。在一个实施例中,如图4所示,上述S201,包括:
S401,获取各点云数据对应的协方差矩阵。
具体地,计算机设备通过对点云地图中各点云数据进行分析,获取各点云数据对应的协方差矩阵。可选的,计算机设备可以通过以下步骤获取各点云数据对应的协方差矩阵:
S1,以各点云数据为中心进行索引,获取各点云数据对应的邻近点集合;其中,各点云数据对应的邻近点集合中包括点云数据的至少一个邻近点。
具体地,计算机设备以点云地图中各点云数据为中心进行索引,搜索各点云数据附近的邻近点,从而获取点云地图中各点云数据对应的邻近点集合。其中,得到的各点云数据对应的邻近点集合中包括该点云数据的至少一个邻近点。可选的,计算机设备可以以点云地图中各点云数据为中心进行K维树索引,搜索各点云数据附近的邻近点,获取各点云数据对应的邻近点集合,也可以通过其他的索引方法,搜索各点云数据附近的邻近点,获取各点云数据对应的邻近点集合。
S2,根据得到的邻近点集合和预设的计算公式,获取邻近点集合的几何中心;其中,预设的计算公式为包括邻近点集合和邻近点集合的几何中心的关系式。
具体地,计算机设备根据得到的邻近点集合和预设的计算公式,获取该邻近点集合的几何中心,其中,预设的计算公式为包括邻近点集合和邻近点集合的几何中心的关系式。示例性地,以pi表示各点云数据,表示各点云数据对应的邻近点集合的几何中心为例,计算机设备可以根据公式:获取各点云数据对应的邻近点集合的几何中心,式中,k表示各点云数据有k个邻近点。
S3,根据邻近点集合的几何中心,构造各点云数据对应的协方差矩阵。
具体地,计算机设备根据各点云数据的邻近点集合的几何中心,构造各点云数据对应的协方差矩阵。可选的,计算机设备可以根据下述公式构造各点云数据对应的协方差矩阵:式中,C表示各点云数据对应的协方差矩阵,k表示各点云数据有k个邻近点,pi表示各点云数据,表示各点云数据对应的邻近点集合的几何中心。
S402,对各点云数据对应的协方差矩阵进行奇异值分解,得到各点云数据对应的特征值集合。
具体地,计算机设备对上述各点云数据对应的协方差矩阵进行奇异值分解,得到各点云数据对应的特征值集合。可选的,计算机设备可以根据奇异值分解公式对各点云数据对应的协方差矩阵进行奇异值分解,得到各点云数据对应的特征值集合,示例性地,以A表示各点云数据对应的协方差矩阵为例,计算机设备可以根据公式A=U∑VT对各点云数据对应的协方差矩阵进行奇异值分解,其中,∑仅在主对角线上有值,即为各点云数据对应的特征值集合。
S403,将特征值集合中最小的特征值确定为各点云数据对应的几何特征。
具体地,计算机设备将各点云数据对应的特征值集合中最小的特征值确定为各点云数据对应的几何特征。示例性地,以得到的点云数据对应的特征值集合为{λ1,λ2,λ3}为例,其中,λ1≥λ2≥λ3,则计算机设备将λ1确定为点云数据对应的几何特征。
本实施例中,由于计算机设备对点云地图中的各点云数据进行主成分分析,能够快速地获取各点云数据对应的协方差矩阵,提高了获取各点云数据对应的协方差矩阵的效率,从而提高了对各点云数据对应的协方差矩阵进行奇异值分解,得到各点云数据对应的特征值集合的效率,进而可以快速地从各点云数据对应的特征值集合中确定出各点云数据对应的几何特征,提高了确定各点云数据对应的几何特征的效率。
在上述根据预设的测绘点与二维线段的关系对点云地图进行量化的场景中,计算机设备可以根据点云地图对应的测绘点到二维线段的距离值对点云地图进行量化。在一个实施例中,如图5所示,上述S204,包括:
S501,获取预设的测绘点与二维线段间的距离值。
具体地,计算机设备根据上述预设的测绘点与生成的二维线段间的距离值,得到各点云数据对应的测绘点到上述得到的二维线段间的距离值。可选的,计算机设备可以根据点到线的计算公式,得到点云数据对应的测绘点与二维线段间的距离值。示例性地,若二维线段的表示公式为:Ax+By+C=0,点云数据对应的测绘点坐标为(x0,y0),则计算机设备可以根据公式:得到点云数据对应的测绘点与二维线段间的距离值d。
S502,若距离值越小,则确定点云地图的量化值越高;量化值用于表示点云地图的精度。
具体地,若计算机设备得到点云数据对应的测绘点与二维线段间的距离值越小,则确定点云地图的量化值越高,其中,点云地图的量化值用于表示点云地图的精度,即点云数据对应的测绘点与二维线段间的距离值越小,点云地图的精度越高。如图5a所示,图5a中的“+”表示预设的测绘点,直线表示二维线段,若点云数据对应的测绘点与二维线段间的距离值越小,则表示测绘点越接近二维线段,即点云地图的精度越高。
在本实施例中,由于预设的测绘点与二维线段间的距离值的计算方法比较简单,因此,计算机设备能够快速地获取预设的测绘点与二维线段间的距离值,进而可以根据预设的测绘点与二维线段间的距离值,快速地得到点云地图的量化值,对点云地图进行量化,从而提高了对点云地图进行量化的效率;另外,由于预设的测绘点与二维线段间的距离值比较准确,进而可以根据预设的测绘点与二维线段间的距离值对点云地图进行准确地量化,从而提高了对点云地图进行量化的准确度。
在上述根据预设的测绘点与二维线段的关系对点云地图进行量化的场景中,计算机设备可以确定多个预设的测绘点,然后将多个测绘点连接起来得到测绘点连接线,根据测绘点连接线和二维线段的夹角,对点云地图进行量化。在一个实施例中,如图6所示,上述S204,包括:
S601,将预设的测绘点进行连接,得到测绘点连接线。
具体地,在上述S204中计算机设备获取的预设的测绘点可以为多个预设的测绘点,计算机设备首先将这多个预设的测绘点进行连接,得到测绘点连接线。如图6a所示,图6a中的“+”均表示预设的测绘点,计算机设备首先将这些测绘点进行连接,得到测绘点连接线。
S602,获取测绘点连接线与二维线段间的夹角值。
具体地,计算机设备得到测绘点连接线后,获取该测绘点连接线与二维线段间的夹角值。可选的,计算机设备可以通过计算公式:cos<a,b>=a·b/|a||b|计算测绘点连接线与上述二维线段间的夹角值,式中,a表示测绘点连接线,b表示上述二维线段,cos<a,b>表示测绘点连接线与二维线段之间夹角值的余弦值。
S603,根据测绘点连接线与二维线段间的夹角值,对点云地图进行量化。
具体地,计算机设备根据测绘点连接线与二维线段间的夹角值,对点云地图进行量化,若计算机设备得到测绘点连接线与二维线段间的夹角值越小,则确定点云地图的量化值越高,其中,点云地图的量化值用于表示点云地图的精度,即测绘点连接线与二维线段间的夹角值越小,点云地图的精度越高。如图6a所示,图6a中的“+”的连接线表示测绘点连接线,直线表示二维线段,若测绘点连接线与二维线段间的夹角值越小,则表示测绘点越接近二维线段,即点云地图的精度越高。
在本实施例中,由于测绘点连接线与二维线段间的夹角值的计算方法比较简单,因此,计算机设备能够快速地获取测绘点连接线与二维线段间的夹角值,进而可以根据测绘点连接线与二维线段间的夹角值,快速地得到点云地图的量化值,对点云地图进行量化,从而提高了对点云地图进行量化的效率;另外,由于测绘点连接线与二维线段间的夹角值比较准确,进而可以根据测绘点连接线与二维线段间的夹角值对点云地图进行准确地量化,从而提高了对点云地图进行量化的准确度。
为了便于本领域技术人员的理解,以下对本申请提供的点云地图量化方法进行详细介绍,该方法可以包括:
S1,以点云地图中各点云数据为中心建立K维树索引,获取各点云数据对应的邻近点集合;邻近集合中包括点云数据的至少一个邻近点。
S2,根据邻近点集合和预设的计算公式,获取邻近点集合的几何中心;计算公式为包括邻近点集合和邻近点集合的几何中心的关系式。
S3,根据邻近点集合的几何中心,构造各点云数据对应的协方差矩阵。
S4,对各点云数据对应的协方差矩阵进行奇异值分解,得到各点云数据对应的特征值集合。
S5,将特征值集合中最小的特征值确定为各点云数据对应的几何特征。
S6,将各几何特征对应的特征向量,确定为各点云数据的表面法向量。
S7,根据各点云数据对应的姿态角数据,获取各点云数据对应的第一路面法向量。
S8,计算各点云数据对应的表面法向量和各点云数据对应的第一路面法向量之间的第一夹角值。
S9,将第一夹角值在预设的第一夹角阈值范围内的点云数据确定为初始路面点云数据。
S10,对初始路面点云数据进行三维拟合,得到初始路面点云数据对应的拟合路面,并获取拟合路面对应的第二路面法向量。
S11,计算第二路面法向量和各点云数据对应的表面法向量之间的第二夹角值。
S12,将第二夹角值在预设的第二夹角阈值范围内的点云数据确定为路面点云数据。
S13,根据路面点云数据中的反射强度,生成路面点云数据的反射强度直方图。
S14,根据反射强度直方图的均值和方差,确定车道线点云数据的筛选条件。
S15,将满足筛选条件的路面点云数据,确定为车道线点云数据。
S16,获取各点云数据到第二路面法向量方向的投射高度以及表面法向量与第二路面法向量之间的第三夹角值。
S17,将投射高度在预设的高度阈值范围内、且第三夹角值在预设的第三夹角阈值范围内的点云数据,确定为路沿点云数据。
S18,根据车道线点云数据和路沿点云数据生成二维线段。
S19,获取预设的测绘点与二维线段间的距离值。
S20,若距离值越小,则确定点云地图的量化值越高;量化值用于表示点云地图的精度。
需要说明的是,针对上述S1-S20中的描述可以参见上述实施例中相关的描述,且其效果类似,本实施例在此不再赘述。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种点云地图量化装置,包括:第一获取模块、第二获取模块、拟合模块和量化模块,其中:
第一获取模块,用于获取点云地图中各点云数据对应的几何特征。
第二获取模块,用于根据各几何特征对各点云数据进行筛选,得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据。
拟合模块,用于根据车道线点云数据和路沿点云数据生成二维线段。
量化模块,用于获取预设的测绘点到二维线段的关系,并根据关系对点云地图进行量化。
本实施例提供的点云地图量化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第二获取模块,包括:第一确定单元、第一获取单元、计算单元、第二确定单元和第二获取单元,其中:
第一确定单元,用于将各几何特征对应的特征向量,确定为各点云数据的表面法向量。
第一获取单元,用于根据各点云数据对应的姿态角数据,获取各点云数据对应的第一路面法向量。
计算单元,用于计算各点云数据对应的表面法向量和各点云数据对应的第一路面法向量之间的第一夹角值。
第二确定单元,用于将第一夹角值在预设的第一夹角阈值范围内的点云数据确定为初始路面点云数据。
第二获取单元,用于根据初始路面点云数据,得到车道线点云数据以及路沿点云数据。
本实施例提供的点云地图量化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第二获取单元具体用于,对初始路面点云数据进行三维拟合,得到初始路面点云数据对应的拟合路面,并获取拟合路面对应的第二路面法向量;根据第二路面法向量,从各点云数据中确定车道线点云数据以及路沿点云数据
本实施例提供的点云地图量化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第二获取单元具体用于,计算第二路面法向量和各点云数据对应的表面法向量之间的第二夹角值;将第二夹角值在预设的第二夹角阈值范围内的点云数据确定为路面点云数据;根据路面点云数据中的反射强度,生成路面点云数据的反射强度直方图;根据反射强度直方图的均值和方差,确定车道线点云数据的筛选条件;
将满足筛选条件的路面点云数据,确定为车道线点云数据。
本实施例提供的点云地图量化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第二获取单元具体用于,获取各点云数据到第二路面法向量方向的投射高度以及表面法向量与第二路面法向量之间的第三夹角值;将投射高度在预设的高度阈值范围内、且第三夹角值在预设的第三夹角阈值范围内的点云数据,确定为路沿点云数据。
本实施例提供的点云地图量化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第一获取模块,包括:第三获取单元、第四获取单元和第三确定单元,其中:
第三获取单元,用于获取各点云数据对应的协方差矩阵。
第四获取单元,用于对各点云数据对应的协方差矩阵进行奇异值分解,得到各点云数据对应的特征值集合。
第三确定单元,用于将特征值集合中最小的特征值确定为各点云数据对应的几何特征。
本实施例提供的点云地图量化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第三获取单元,具体用于以各点云数据为中心建立K维树索引,获取各点云数据对应的邻近点集合;邻近集合中包括点云数据的至少一个邻近点;根据邻近点集合和预设的计算公式,获取邻近点集合的几何中心;计算公式为包括邻近点集合和邻近点集合的几何中心的关系式;根据邻近点集合的几何中心,构造各点云数据对应的协方差矩阵。
本实施例提供的点云地图量化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述量化模块包括:第五获取单元和量化单元,其中:
第五获取单元,用于获取预设的测绘点与二维线段间的距离值。
量化单元,用于若距离值越小,则确定点云地图的量化值越高;量化值用于表示点云地图的精度。
本实施例提供的点云地图量化装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于点云地图量化装置的具体限定可以参见上文中对于点云地图量化方法的限定,在此不再赘述。上述点云地图量化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取点云地图中各点云数据对应的几何特征;
根据各几何特征对各点云数据进行筛选,得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据;
根据车道线点云数据和路沿点云数据生成二维线段;
获取预设的测绘点到二维线段的关系,并根据关系对点云地图进行量化。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取点云地图中各点云数据对应的几何特征;
根据各几何特征对各点云数据进行筛选,得到点云地图中的车道线点云数据以及点云地图中的路沿点云数据;
根据车道线点云数据和路沿点云数据生成二维线段;
获取预设的测绘点与二维线段的关系,并根据关系对点云地图进行量化。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种点云地图量化方法,其特征在于,所述方法包括:
获取点云地图中各点云数据对应的几何特征;
根据各所述几何特征对各所述点云数据进行筛选,得到所述点云地图中的车道线点云数据以及所述点云地图中的路沿点云数据;
根据所述车道线点云数据和所述路沿点云数据生成二维线段;
获取预设的测绘点与所述二维线段的关系,并根据所述关系对所述点云地图进行量化。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述几何特征对各所述点云数据进行筛选,得到所述点云地图中的车道线点云数据以及所述点云地图中的路沿点云数据,包括:
将各所述几何特征对应的特征向量,确定为各所述点云数据的表面法向量;
根据各所述点云数据对应的姿态角数据,获取各所述点云数据对应的第一路面法向量;
计算各所述点云数据对应的表面法向量和各所述点云数据对应的第一路面法向量之间的第一夹角值;
将所述第一夹角值在预设的第一夹角阈值范围内的点云数据确定为初始路面点云数据;
根据所述初始路面点云数据,得到所述车道线点云数据以及所述路沿点云数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述初始路面点云数据,得到所述车道线点云数据以及所述路沿点云数据,包括:
对所述初始路面点云数据进行三维拟合,得到所述初始路面点云数据对应的拟合路面,并获取所述拟合路面对应的第二路面法向量;
根据所述第二路面法向量,从各所述点云数据中确定所述车道线点云数据以及所述路沿点云数据。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二路面法向量,从各所述点云数据中确定所述车道线点云数据,包括:
计算所述第二路面法向量和各所述点云数据对应的表面法向量之间的第二夹角值;
将所述第二夹角值在预设的第二夹角阈值范围内的点云数据确定为路面点云数据;
根据所述路面点云数据中的反射强度,生成所述路面点云数据的反射强度直方图;
根据所述反射强度直方图的均值和方差,确定车道线点云数据的筛选条件;
将满足所述筛选条件的路面点云数据,确定为所述车道线点云数据。
5.根据权利要求3所述的方法,其特征在于,所述根据所述第二路面法向量,从各所述点云数据中确定所述路沿点云数据,包括:
获取各所述点云数据到所述第二路面法向量方向的投射高度以及所述表面法向量与所述第二路面法向量之间的第三夹角值;
将所述投射高度在预设的高度阈值范围内、且所述第三夹角值在预设的第三夹角阈值范围内的点云数据,确定为所述路沿点云数据。
6.根据权利要求1所述的方法,其特征在于,所述获取点云地图中各点云数据对应的几何特征,包括:
获取各所述点云数据对应的协方差矩阵;
对各所述点云数据对应的协方差矩阵进行奇异值分解,得到各所述点云数据对应的特征值集合;
将所述特征值集合中最小的特征值确定为各所述点云数据对应的几何特征。
7.根据权利要求6所述的方法,其特征在于,所述对各所述点云数据进行主成分分析,获取各所述点云数据对应的协方差矩阵,包括:
以各所述点云数据为中心进行索引,获取各所述点云数据对应的邻近点集合;所述邻近集合中包括所述点云数据的至少一个邻近点;
根据所述邻近点集合和预设的计算公式,获取所述邻近点集合的几何中心;所述计算公式为包括邻近点集合和邻近点集合的几何中心的关系式;
根据所述邻近点集合的几何中心,构造各所述点云数据对应的协方差矩阵。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述获取预设的测绘点与所述二维线段的关系,并根据所述关系对所述点云地图进行量化,包括:
获取所述预设的测绘点与所述二维线段间的距离值;
若所述距离值越小,则确定所述点云地图的量化值越高;所述量化值用于表示所述点云地图的精度。
9.一种点云地图量化装置,其特征在于,所述装置包括:
第一获取模块,用于获取点云地图中各点云数据对应的几何特征;
第二获取模块,用于根据各所述几何特征对各所述点云数据进行筛选,得到所述点云地图中的车道线点云数据以及所述点云地图中的路沿点云数据;
拟合模块,用于根据所述车道线点云数据和所述路沿点云数据生成二维线段;
量化模块,用于获取预设的测绘点到所述二维线段的关系,并根据所述关系对所述点云地图进行量化。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759847.3A CN111982152B (zh) | 2020-07-31 | 2020-07-31 | 点云地图量化方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759847.3A CN111982152B (zh) | 2020-07-31 | 2020-07-31 | 点云地图量化方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982152A true CN111982152A (zh) | 2020-11-24 |
CN111982152B CN111982152B (zh) | 2022-04-05 |
Family
ID=73444851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010759847.3A Active CN111982152B (zh) | 2020-07-31 | 2020-07-31 | 点云地图量化方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982152B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022252337A1 (zh) * | 2021-06-04 | 2022-12-08 | 华为技术有限公司 | 3d地图的编解码方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103499343A (zh) * | 2013-09-25 | 2014-01-08 | 武汉海达数云技术有限公司 | 基于三维激光反射强度的道路标线点云自动分类识别方法 |
CN103679741A (zh) * | 2013-12-30 | 2014-03-26 | 北京建筑大学 | 一种基于三维线特征的激光点云数据自动配准方法 |
CN104007432A (zh) * | 2014-05-16 | 2014-08-27 | 武汉大学 | 一种检查机载激光雷达平面精度的地标布设方法 |
US20140253543A1 (en) * | 2013-03-08 | 2014-09-11 | Raytheon Company | Performance prediction for generation of point clouds from passive imagery |
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术(北京)有限公司 | 一种车道线识别方法及装置 |
CN106960468A (zh) * | 2017-04-12 | 2017-07-18 | 武汉理工大学 | 一种三维激光扫描点云精度评价方法 |
CN107767375A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
CN108447126A (zh) * | 2018-01-29 | 2018-08-24 | 山东科技大学 | 基于参考平面的移动测量系统激光点云精度评估方法 |
CN108519605A (zh) * | 2018-04-09 | 2018-09-11 | 重庆邮电大学 | 基于激光雷达和摄像机的路沿检测方法 |
CN109798903A (zh) * | 2018-12-19 | 2019-05-24 | 广州文远知行科技有限公司 | 一种从地图数据中获取道路信息的方法及装置 |
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 |
CN110490888A (zh) * | 2019-07-29 | 2019-11-22 | 武汉大学 | 基于机载激光点云的高速公路几何特征矢量化提取方法 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
CN111465822A (zh) * | 2018-11-26 | 2020-07-28 | 深圳市大疆创新科技有限公司 | 地面点云地图精度评估方法、装置、系统及无人机 |
-
2020
- 2020-07-31 CN CN202010759847.3A patent/CN111982152B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140253543A1 (en) * | 2013-03-08 | 2014-09-11 | Raytheon Company | Performance prediction for generation of point clouds from passive imagery |
CN103499343A (zh) * | 2013-09-25 | 2014-01-08 | 武汉海达数云技术有限公司 | 基于三维激光反射强度的道路标线点云自动分类识别方法 |
CN103679741A (zh) * | 2013-12-30 | 2014-03-26 | 北京建筑大学 | 一种基于三维线特征的激光点云数据自动配准方法 |
CN104007432A (zh) * | 2014-05-16 | 2014-08-27 | 武汉大学 | 一种检查机载激光雷达平面精度的地标布设方法 |
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术(北京)有限公司 | 一种车道线识别方法及装置 |
CN106960468A (zh) * | 2017-04-12 | 2017-07-18 | 武汉理工大学 | 一种三维激光扫描点云精度评价方法 |
CN107767375A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
CN108447126A (zh) * | 2018-01-29 | 2018-08-24 | 山东科技大学 | 基于参考平面的移动测量系统激光点云精度评估方法 |
CN108519605A (zh) * | 2018-04-09 | 2018-09-11 | 重庆邮电大学 | 基于激光雷达和摄像机的路沿检测方法 |
CN111465822A (zh) * | 2018-11-26 | 2020-07-28 | 深圳市大疆创新科技有限公司 | 地面点云地图精度评估方法、装置、系统及无人机 |
CN109798903A (zh) * | 2018-12-19 | 2019-05-24 | 广州文远知行科技有限公司 | 一种从地图数据中获取道路信息的方法及装置 |
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 |
CN110490888A (zh) * | 2019-07-29 | 2019-11-22 | 武汉大学 | 基于机载激光点云的高速公路几何特征矢量化提取方法 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
Non-Patent Citations (3)
Title |
---|
ANNA FRYSKOWSKA: "A Novel Approach of Laser Scanning Point Cloud Quality Assessment Using Wavelet Analysis", 《2017 BALTIC GEODETIC CONGRESS (BGC GEOMATICS)》 * |
陶鹏杰等: "利用高精度DLG进行机载LiDAR点云精度评定研究", 《地球信息科学学报》 * |
韩旭等: "车载激光扫描数据的结构化道路要素自动提取方法", 《测绘通报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022252337A1 (zh) * | 2021-06-04 | 2022-12-08 | 华为技术有限公司 | 3d地图的编解码方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111982152B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9633281B2 (en) | Point cloud matching method | |
US10636168B2 (en) | Image processing apparatus, method, and program | |
Dorninger et al. | 3D segmentation of unstructured point clouds for building modelling | |
US7587082B1 (en) | Object recognition based on 2D images and 3D models | |
EP3273412A1 (en) | Three-dimensional modelling method and device | |
CN112862890B (zh) | 道路坡度预测方法、装置和存储介质 | |
CN114120149B (zh) | 一种倾斜摄影测量建筑物特征点提取方法、装置、电子设备及介质 | |
Harmening et al. | A constraint-based parameterization technique for B-spline surfaces | |
CN113470002A (zh) | 一种层析sar三维点云重建质量评价方法及装置 | |
CN111982152B (zh) | 点云地图量化方法、装置、计算机设备和存储介质 | |
US6771810B1 (en) | System and method for estimating the epipolar geometry between images | |
US8126275B2 (en) | Interest point detection | |
CN107194994B (zh) | 一种无标定曲面点云数据重建圆柱面的方法及装置 | |
CN113192174A (zh) | 建图方法、装置及计算机存储介质 | |
US20220229946A1 (en) | Systems and Methods for Roof Area and Slope Estimation Using a Point Set | |
CN115294280A (zh) | 三维重建方法、装置、设备、存储介质和程序产品 | |
CN115544191A (zh) | 基于三维点云众包式语义地图的更新方法和装置 | |
CN114998743A (zh) | 一种视觉地图点的构建方法、装置、设备及介质 | |
CN114943809A (zh) | 一种地图模型的生成方法、装置及存储介质 | |
CN114743075A (zh) | 点云模型的检测方法和装置、电子设备和可读存储介质 | |
CN112633043B (zh) | 一种车道线确定方法、装置、电子设备及存储介质 | |
CN113436269A (zh) | 图像稠密立体匹配方法、装置和计算机设备 | |
CN112767211A (zh) | 救援资源推荐方法、装置、电子设备和存储介质 | |
US8903137B1 (en) | System and method for sub-pixel alignment of digital geographic imagery | |
CN113124816A (zh) | 天线工参生成方法、装置、存储介质和计算机设备 |
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 |