CN112132159A - 一种连续剖面点云特征分析的路面坑槽提取方法 - Google Patents

一种连续剖面点云特征分析的路面坑槽提取方法 Download PDF

Info

Publication number
CN112132159A
CN112132159A CN202010926112.5A CN202010926112A CN112132159A CN 112132159 A CN112132159 A CN 112132159A CN 202010926112 A CN202010926112 A CN 202010926112A CN 112132159 A CN112132159 A CN 112132159A
Authority
CN
China
Prior art keywords
point
pit
points
road
point cloud
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
CN202010926112.5A
Other languages
English (en)
Other versions
CN112132159B (zh
Inventor
刘如飞
畅陈豪
柴永宁
马新江
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010926112.5A priority Critical patent/CN112132159B/zh
Publication of CN112132159A publication Critical patent/CN112132159A/zh
Application granted granted Critical
Publication of CN112132159B publication Critical patent/CN112132159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种连续剖面点云特征分析的路面坑槽提取方法，属于移动测量系统路面病害检测技术领域。本发明包括以下实施步骤：对原始点云进行滤波获得路面点云，将路面点云进行高斯平滑去噪，将路面点云数据预处理为道路行驶方向和道路横断面方向，分别获取两个方向上的剖面；采用道格拉斯‑普克算法拟合道路剖面的轮廓，分析坑槽剖面的积分不变性和微分特征，根据特征约束自动识别路面坑槽点云；通过点云的连续性和点云间的距离约束进行聚类去噪，通过形状约束分析进一步确定坑槽。以坑槽矢量化的轮廓得到坑槽面积，以坑槽点云最低点到坑槽边界所在面的距离为坑槽的深度。

Description

一种连续剖面点云特征分析的路面坑槽提取方法
技术领域
本发明公开了一种连续剖面点云特征分析的路面坑槽提取方法，属于移动测量系统路面病害检测技术领域。
背景技术
路面坑槽如果不能及时发现，会严重影响道路的寿命与使用功能，甚至造成交通事故，因此一种高效精细的路面坑槽提取方法至关重要。目前传统目视法的道路坑槽检测影响公路正常行驶、成本高、耗费大量的人力物力，与当今日益增长的道路养护需求不符。国内外对于路面坑槽的提取正在实现由人工测量到自动化提取的转变。这种转变大大提高了坑槽检测的效率，而且可以在不影响行车安全的情况下快速得到路面坑槽的信息，为公路养护管理提供数据支撑。
现有技术存在如下不足：数字图像识别路面坑槽容易受到光照、水渍、道路及其他病害的影响；基于三维点云的特征图像识别中，坑槽受病害区域深度和面积的影响，导致轻微病害识别效果不好；不能进行坑槽精细提取。
发明内容
本发明公开了一种连续剖面点云特征分析的路面坑槽提取方法，以解决现有技术中，轻微病害识别效果不好、不能进行坑槽精细提取的问题。
一种连续剖面点云特征分析的路面坑槽提取方法，包括以下步骤：
S1.对原始点云滤波，去除非路面点云的影响，消除非路面噪声，仅保留路面点云；
S2.道路剖面提取及轮廓拟合，沿道路行车方向，间隔设定距离，对点云进行分块，以道路行驶方向的剖面作为道路的横向剖面，以道路横断面方向的剖面作为纵向剖面，用道格拉斯普克算法拟合道路剖面上的点云，简化复杂的道路点云，显示道路的形态；
S3.坑槽特征判定，计算剖面上轮廓点的积分不变量，根据其积分不变量的值判断其凹凸性，以轮廓点为凹的点作为起始点，分别向左右进行梯度值计算，以梯度值的大小作为坑槽点的生长条件，提取坑槽点云；
S4.获得坑槽点云和少量的噪声点，以点云的间距和连续性作为聚类条件，将坑槽点云聚类，根据聚类点云的个数删除噪声；
S5.采用Alpha Shapes算子从离散坑槽点集中获取坑槽的边界轮廓，根据获取边界得椭圆率和面积，删除非坑槽，完成路面坑槽轮廓精细提取。
步骤S1包括如下子步骤：
S1.1.根据扫描线上相邻点之间的高程关系进行激光点生长聚类，形成完整的地物目标点集；
S1.2.根据点集的高程和相邻点间的水平距离判断点集类型，点集类型有路面点和独立地物点；
S1.3.保留路面点云，删除非路面点云；
S1.4.利用高斯函数进行剖面线上相邻点权重计算，公式如下：
Figure BDA0002668451330000021
其中：x为随机变量；σ为尺度参数，即x的标准差；
Figure BDA0002668451330000022
为x的均值，
Figure BDA0002668451330000023
等于0；
S1.5.根据高斯函数计算的权重进行点云的平滑去噪，高程值计算公式如下：Hi＝Hi-1*w1+Hi*w2+Hi+1*w3，其中：Hi-1、Hi、Hi+1分别为相邻三点的高程值；w1、w2、w3分别为各点所占的权重，w1＝w3＝0.274，w2＝0.452。
步骤S2中设定距离指十米，步骤S2包括如下子步骤：
S2.1.以道路行驶方向的剖面作为道路的横向剖面，以道路横断面方向的剖面作为纵向剖面；
S2.2.连接道路剖面上首尾两个端点AB，计算剖面上的点到直线AB的距离ds，在剖面上找出距离直线AB最大的一点S，ds计算公式如下：
Figure BDA0002668451330000024
其中：x0为剖面上点的横坐标，y0为剖面上点的纵坐标；
S2.3.判断S到直线AB的距离是否大于设定的阈值；
S2.4.如果此距离大于等于设定的阈值，分别连接AS和BS，并重复以上步骤；否则结束，保留所有检测的节点；
S2.5.将保留的节点定义为疑似坑槽特征点，从左到右以每两个节点间的点云进行最小二乘拟合，拟合出来的分段曲线即为路面剖面轮廓，求最小二乘解的系数的公式如下：a＝(XTX)-1XTY；其中：X为系数矩阵，Y为已知常数项。
步骤S3包括如下子步骤：
S3.1.根据积分不变量定义公式计算剖面上轮廓点的积分不变量，公式如下：
Figure BDA0002668451330000025
Figure BDA0002668451330000026
其中：R2为以p点为圆心建立的圆，r为圆的半径；g(x)是与路面轮廓有关的常数函数，如果以疑似坑槽特征点p为圆心的圆形的某一点，在路面轮廓上边，则取g(x)为1，否则取为0；
S3.2.若积分不变量的值大于0.5，则该点的属性为凸，积分不变量的值小于0.5则该点的属性为凹；
S3.3从任一凹点开始，分别向左、向右进行导数值计算，直到一阶导数值小于等于0停止，一阶导数计算公式如下：
Figure BDA0002668451330000031
S3.4.分别记录左右两个停止点，判定左右两侧停止点的处的二阶导数值是否为负，二阶导数计算公式如下：
Figure BDA0002668451330000032
S3.5.若二阶导数值为负则保留两个停止点之间的点为坑槽点，否则不保留；
S3.6.如果左右两侧停止点处的二阶导数值都为负，则计算两个停止点之间每个点的二阶导数，并保留二阶导数值大于等于0的点。
步骤S4中，以点云的间距和连续性作为聚类条件，对提取点云进行生长聚类，完整提取坑槽点云。
步骤S5包括如下子步骤：
S5.1.计算点云密度，以2倍点的平均间隔为圆的半径，密度计算公式如下：
Figure BDA0002668451330000033
其中：S为每个点到周围点的距离之和，num为计算距离值的个数；
S5.2.取聚类后点集中的任意相邻两点P1、P2计算和绘制半径为alpha的圆，该圆的表达式如下：(x-a)2+(y-b)2＝4r2；
S5.3.如果圆内没有其他点，则认为点P1、P2是边界点，其连线P1P2即为边界线段；
S5.4.重复S5.2和S5.3，确定坑槽边界；
S5.5.计算坑槽中心的与坑槽边界交点距离最小值lmin和坑槽中心的与坑槽边界交点距离最大值lmax；
S5.6.根据椭圆率判定所提取的点云是否属于坑槽，椭圆率计算方程如下：
Figure BDA0002668451330000034
与现有技术相比，本发明的有益效果是：分别从两个方向获取道路点云的剖面，可以保留坑槽更多的边缘信息，达到坑槽精细化提取的效果；用点云提取坑槽，根据道路剖面上点云高程的变化特性提取坑槽点，减小了环境及周围光照对道路与坑槽提取的影响；用点云提取坑槽，不仅获取了坑槽的大小，同时可以获取其深度，能够更加准确的判定道路病害的成因，为道路养护提供依据。
附图说明
图1为一种连续剖面点云特征分析的路面坑槽提取方法的流程图；
图2为道路剖面轮廓拟合流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明：
一种连续剖面点云特征分析的路面坑槽提取方法，流程图如图1所示，包括以下步骤：
S1.对原始点云滤波，去除非路面点云的影响，消除非路面噪声，仅保留路面点云；
S2.道路剖面提取及轮廓拟合，道路剖面轮廓拟合流程图如图2所示，沿道路行车方向，间隔设定距离，对点云进行分块，以道路行驶方向的剖面作为道路的横向剖面，以道路横断面方向的剖面作为纵向剖面，用道格拉斯普克算法拟合道路剖面上的点云，简化复杂的道路点云，显示道路的形态；
S3.坑槽特征判定，计算剖面上轮廓点的积分不变量，根据其积分不变量的值判断其凹凸性，以轮廓点为凹的点作为起始点，分别向左右进行梯度值计算，以梯度值的大小作为坑槽点的生长条件，提取坑槽点云；
S4.获得坑槽点云和少量的噪声点，以点云的间距和连续性作为聚类条件，将坑槽点云聚类，根据聚类点云的个数删除噪声；
S5.采用Alpha Shapes算子从离散坑槽点集中获取坑槽的边界轮廓，根据获取边界得椭圆率和面积，删除非坑槽，完成路面坑槽轮廓精细提取。
步骤S1包括如下子步骤：
S1.1.根据扫描线上相邻点之间的高程关系进行激光点生长聚类，形成完整的地物目标点集；
S1.2.根据点集的高程和相邻点间的水平距离判断点集类型，点集类型有路面点和独立地物点；
S1.3.保留路面点云，删除非路面点云；
S1.4.利用高斯函数进行剖面线上相邻点权重计算，公式如下：
Figure BDA0002668451330000041
其中：x为随机变量；σ为尺度参数，即x的标准差；
Figure BDA0002668451330000042
为x的均值，
Figure BDA0002668451330000043
等于0；
S1.5.根据高斯函数计算的权重进行点云的平滑去噪，高程值计算公式如下：Hi＝Hi-1*w1+Hi*w2+Hi+1*w3，其中：Hi-1、Hi、Hi+1分别为相邻三点的高程值；w1、w2、w3分别为各点所占的权重，w1＝w3＝0.274，w2＝0.452。
步骤S2中设定距离指十米，步骤S2包括如下子步骤：
S2.1.以道路行驶方向的剖面作为道路的横向剖面，以道路横断面方向的剖面作为纵向剖面；
S2.2.连接道路剖面上首尾两个端点AB，计算剖面上的点到直线AB的距离ds，在剖面上找出距离直线AB最大的一点S，ds计算公式如下：
Figure BDA0002668451330000044
其中：x0为剖面上点的横坐标，y0为剖面上点的纵坐标；
S2.3.判断S到直线AB的距离是否大于设定的阈值；
S2.4.如果此距离大于等于设定的阈值，分别连接AS和BS，并重复以上步骤；否则结束，保留所有检测的节点；
S2.5.将保留的节点定义为疑似坑槽特征点，从左到右以每两个节点间的点云进行最小二乘拟合，拟合出来的分段曲线即为路面剖面轮廓，求最小二乘解的系数的公式如下：a＝(XTX)-1XTY；其中：X为系数矩阵，Y为已知常数项。
步骤S3包括如下子步骤：
S3.1.根据积分不变量定义公式计算剖面上轮廓点的积分不变量，公式如下：
Figure BDA0002668451330000051
Figure BDA0002668451330000052
其中：R2为以p点为圆心建立的圆，r为圆的半径；g(x)是与路面轮廓有关的常数函数，如果以疑似坑槽特征点p为圆心的圆形的某一点，在路面轮廓上边，则取g(x)为1，否则取为0；
S3.2.若积分不变量的值大于0.5，则该点的属性为凸，积分不变量的值小于0.5则该点的属性为凹；
S3.3从任一凹点开始，分别向左、向右进行导数值计算，直到一阶导数值小于等于0停止，一阶导数计算公式如下：
Figure BDA0002668451330000053
S3.4.分别记录左右两个停止点，判定左右两侧停止点的处的二阶导数值是否为负，二阶导数计算公式如下：
Figure BDA0002668451330000054
S3.5.若二阶导数值为负则保留两个停止点之间的点为坑槽点，否则不保留；
S3.6.如果左右两侧停止点处的二阶导数值都为负，则计算两个停止点之间每个点的二阶导数，并保留二阶导数值大于等于0的点。
步骤S4中，以点云的间距和连续性作为聚类条件，对提取点云进行生长聚类，完整提取坑槽点云。
步骤S5包括如下子步骤：
S5.1.计算点云密度，以2倍点的平均间隔为圆的半径，密度计算公式如下：
Figure BDA0002668451330000055
其中：S为每个点到周围点的距离之和，num为计算距离值的个数；
S5.2.取聚类后点集中的任意相邻两点P1、P2计算和绘制半径为alpha的圆，该圆的表达式如下：(x-a)2+(y-b)2＝4r2；
S5.3.如果圆内没有其他点，则认为点P1、P2是边界点，其连线P1P2即为边界线段；
S5.4.重复S5.2和S5.3，确定坑槽边界；
S5.5.计算坑槽中心的与坑槽边界交点距离最小值lmin和坑槽中心的与坑槽边界交点距离最大值lmax；
S5.6.根据椭圆率判定所提取的点云是否属于坑槽，椭圆率计算方程如下：
Figure BDA0002668451330000061
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种连续剖面点云特征分析的路面坑槽提取方法，其特征在于，包括以下步骤：
S1.对原始点云滤波，去除非路面点云的影响，消除非路面噪声，仅保留路面点云；
S2.道路剖面提取及轮廓拟合，沿道路行车方向，间隔设定距离，对点云进行分块，以道路行驶方向的剖面作为道路的横向剖面，以道路横断面方向的剖面作为纵向剖面，用道格拉斯普克算法拟合道路剖面上的点云，简化复杂的道路点云，显示道路的形态；
S3.坑槽特征判定，计算剖面上轮廓点的积分不变量，根据其积分不变量的值判断其凹凸性，以轮廓点为凹的点作为起始点，分别向左右进行梯度值计算，以梯度值的大小作为坑槽点的生长条件，提取坑槽点云；
S4.获得坑槽点云和少量的噪声点，以点云的间距和连续性作为聚类条件，将坑槽点云聚类，根据聚类点云的个数删除噪声；
S5.采用Alpha Shapes算子从离散坑槽点集中获取坑槽的边界轮廓，根据获取边界得椭圆率和面积，删除非坑槽，完成路面坑槽轮廓精细提取。
2.根据权利要求1所述的一种连续剖面点云特征分析的路面坑槽提取方法，其特征在于，所述步骤S1包括如下子步骤：
S1.1.根据扫描线上相邻点之间的高程关系进行激光点生长聚类，形成完整的地物目标点集；
S1.2.根据点集的高程和相邻点间的水平距离判断点集类型，点集类型有路面点和独立地物点；
S1.3.保留路面点云，删除非路面点云；
S1.4.利用高斯函数进行剖面线上相邻点权重计算，公式如下：
Figure FDA0002668451320000011
其中：x为随机变量；σ为尺度参数，即x的标准差；
Figure FDA0002668451320000012
为x的均值，
Figure FDA0002668451320000013
等于0；
S1.5.根据高斯函数计算的权重进行点云的平滑去噪，高程值计算公式如下：Hi＝Hi-1*w1+Hi*w2+Hi+1*w3，其中：Hi-1、Hi、Hi+1分别为相邻三点的高程值；w1、w2、w3分别为各点所占的权重，w1＝w3＝0.274，w2＝0.452。
3.根据权利要求1所述的一种连续剖面点云特征分析的路面坑槽提取方法，其特征在于，所述步骤S2中设定距离指十米，步骤S2包括如下子步骤：
S2.1.以道路行驶方向的剖面作为道路的横向剖面，以道路横断面方向的剖面作为纵向剖面；
S2.2.连接道路剖面上首尾两个端点AB，计算剖面上的点到直线AB的距离ds，在剖面上找出距离直线AB最大的一点S，ds计算公式如下：
Figure FDA0002668451320000014
其中：x0为剖面上点的横坐标，y0为剖面上点的纵坐标；
S2.3.判断S到直线AB的距离是否大于设定的阈值；
S2.4.如果此距离大于等于设定的阈值，分别连接AS和BS，并重复以上步骤；否则结束，保留所有检测的节点；
S2.5.将保留的节点定义为疑似坑槽特征点，从左到右以每两个节点间的点云进行最小二乘拟合，拟合出来的分段曲线即为路面剖面轮廓，求最小二乘解的系数的公式如下：a＝(XTX)-1XTy；其中：X为系数矩阵，Y为已知常数项。
4.根据权利要求1所述的一种连续剖面点云特征分析的路面坑槽提取方法，其特征在于，所述步骤S3包括如下子步骤：
S3.1.根据积分不变量定义公式计算剖面上轮廓点的积分不变量，公式如下：
Figure FDA0002668451320000021
Figure FDA0002668451320000022
其中：R2为以p点为圆心建立的圆，r为圆的半径；g(x)是与路面轮廓有关的常数函数，如果以疑似坑槽特征点p为圆心的圆形的某一点，在路面轮廓上边，则取g(x)为1，否则取为0；
S3.2.若积分不变量的值大于0.5，则该点的属性为凸，积分不变量的值小于0.5则该点的属性为凹；
S3.3从任一凹点开始，分别向左、向右进行导数值计算，直到一阶导数值小于等于0停止，一阶导数计算公式如下：
Figure FDA0002668451320000023
S3.4.分别记录左右两个停止点，判定左右两侧停止点的处的二阶导数值是否为负，二阶导数计算公式如下：
Figure FDA0002668451320000024
S3.5.若二阶导数值为负则保留两个停止点之间的点为坑槽点，否则不保留；
S3.6.如果左右两侧停止点处的二阶导数值都为负，则计算两个停止点之间每个点的二阶导数，并保留二阶导数值大于等于0的点。
5.根据权利要求1所述的一种连续剖面点云特征分析的路面坑槽提取方法，其特征在于，所述步骤S4中，以点云的间距和连续性作为聚类条件，对提取点云进行生长聚类，完整提取坑槽点云。
6.根据权利要求1所述的一种连续剖面点云特征分析的路面坑槽提取方法，其特征在于，所述步骤S5包括如下子步骤：
S5.1.计算点云密度，以2倍点的平均间隔为圆的半径，密度计算公式如下：
Figure FDA0002668451320000025
其中：S为每个点到周围点的距离之和，num为计算距离值的个数；
S5.2.取聚类后点集中的任意相邻两点P1、P2计算和绘制半径为alpha的圆，该圆的表达式如下：(x-a)2+(y-b)2＝4r2；
S5.3.如果圆内没有其他点，则认为点P1、P2是边界点，其连线P1P2即为边界线段；
S5.4.重复S5.2和S5.3，确定坑槽边界；
S5.5.计算坑槽中心的与坑槽边界交点距离最小值lmin和坑槽中心的与坑槽边界交点距离最大值lmax；
S5.6.根据椭圆率判定所提取的点云是否属于坑槽，椭圆率计算方程如下：
Figure FDA0002668451320000031
CN202010926112.5A 2020-09-07 2020-09-07 一种连续剖面点云特征分析的路面坑槽提取方法 Active CN112132159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010926112.5A CN112132159B (zh) 2020-09-07 2020-09-07 一种连续剖面点云特征分析的路面坑槽提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010926112.5A CN112132159B (zh) 2020-09-07 2020-09-07 一种连续剖面点云特征分析的路面坑槽提取方法

Publications (2)

Publication Number Publication Date
CN112132159A true CN112132159A (zh) 2020-12-25
CN112132159B CN112132159B (zh) 2022-10-28

Family

ID=73848186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010926112.5A Active CN112132159B (zh) 2020-09-07 2020-09-07 一种连续剖面点云特征分析的路面坑槽提取方法

Country Status (1)

Country Link
CN (1) CN112132159B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818776A (zh) * 2021-01-20 2021-05-18 中铁二院工程集团有限责任公司 一种基于机载LiDAR点云的铁路既有线横断面测量方法
CN113205539A (zh) * 2021-04-26 2021-08-03 福州大学 基于无人机遥感的伐区造林坑穴参数提取方法
CN114140459A (zh) * 2021-12-09 2022-03-04 中铁二院工程集团有限责任公司 基于原始激光点云的铁路横断面测量方法
CN115272177A (zh) * 2022-06-15 2022-11-01 成都理工大学 一种非接触式路面断面信息提取与分析方法
CN115871622A (zh) * 2023-01-19 2023-03-31 重庆赛力斯新能源汽车设计院有限公司 基于落差路面的辅助驾驶方法、电子设备及存储介质
CN115993440A (zh) * 2022-11-17 2023-04-21 华中科技大学 一种路面坑槽的演化规律分析方法
CN117351796A (zh) * 2023-10-09 2024-01-05 长江大学 基于数字孪生技术的野外地质露头场景教学系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665466A (zh) * 2018-05-21 2018-10-16 山东科技大学 一种道路激光点云中路面病害自动提取方法
CN110675392A (zh) * 2019-09-29 2020-01-10 山东科技大学 一种基于路面连续激光点云的车辙精细三维特征提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665466A (zh) * 2018-05-21 2018-10-16 山东科技大学 一种道路激光点云中路面病害自动提取方法
CN110675392A (zh) * 2019-09-29 2020-01-10 山东科技大学 一种基于路面连续激光点云的车辙精细三维特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
曾妮红: "基于车载LiDAR点云数据的滤波及道路标识线提取研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *
杨雷等: "一种车载激光扫描点云中路面坑槽自动提取方法", 《测绘工程》 *
汤慧等: "基于区域分割的低覆盖点云配准算法", 《计算机应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818776A (zh) * 2021-01-20 2021-05-18 中铁二院工程集团有限责任公司 一种基于机载LiDAR点云的铁路既有线横断面测量方法
CN112818776B (zh) * 2021-01-20 2023-07-21 中铁二院工程集团有限责任公司 一种基于机载LiDAR点云的铁路既有线横断面测量方法
CN113205539A (zh) * 2021-04-26 2021-08-03 福州大学 基于无人机遥感的伐区造林坑穴参数提取方法
CN114140459A (zh) * 2021-12-09 2022-03-04 中铁二院工程集团有限责任公司 基于原始激光点云的铁路横断面测量方法
CN114140459B (zh) * 2021-12-09 2023-04-07 中铁二院工程集团有限责任公司 基于原始激光点云的铁路横断面测量方法
CN115272177A (zh) * 2022-06-15 2022-11-01 成都理工大学 一种非接触式路面断面信息提取与分析方法
CN115993440A (zh) * 2022-11-17 2023-04-21 华中科技大学 一种路面坑槽的演化规律分析方法
CN115871622A (zh) * 2023-01-19 2023-03-31 重庆赛力斯新能源汽车设计院有限公司 基于落差路面的辅助驾驶方法、电子设备及存储介质
CN117351796A (zh) * 2023-10-09 2024-01-05 长江大学 基于数字孪生技术的野外地质露头场景教学系统

Also Published As

Publication number Publication date
CN112132159B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN112132159B (zh) 一种连续剖面点云特征分析的路面坑槽提取方法
CN106056118B (zh) 一种用于细胞的识别计数方法
CN107633516B (zh) 一种识别路面变形类病害的方法和装置
CN111079611B (zh) 一种道路面及其标志线的自动提取方法
CN106067003B (zh) 一种车载激光扫描点云中道路矢量标识线自动提取方法
CN111444821A (zh) 一种城市道路标志自动识别方法
CN112633092B (zh) 基于车载激光扫描点云的道路信息提取方法
CN114067114B (zh) 一种基于藻类细胞形态的面积核分割计数方法
CN103048329A (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN109870458B (zh) 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法
CN108629297A (zh) 一种基于空域自然场景统计的遥感图像云检测方法
CN118015002B (zh) 一种交通工程路况视觉检测方法及系统
CN112669333A (zh) 一种单木信息提取方法
CN112184725B (zh) 一种沥青路面图像的结构光光条中心提取方法
CN115099304A (zh) 一种建筑物立面点云提取方法
CN118129633B (zh) 一种高精度护栏形变检测方法、装置、设备、介质及产品
CN115619972A (zh) 一种基于点云数据的道路标线磨损识别与评估方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN113592863B (zh) 基于图像处理的城市道路积水检测方法及系统
CN107610094A (zh) 基于椭球立体表征的裂缝三维检测方法
CN115100173B (zh) 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法
CN116863134A (zh) 一种隧道衬砌裂缝长度与宽度的检测分割方法及系统
CN111062912A (zh) 一种轮胎断面关键目标的特征提取与检测定位方法
CN113450461B (zh) 一种排泥库土工布点云提取方法
CN115641448A (zh) 一种基于无人机遥感快速识别电力线下树障高度的方法

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