CN112419505A - 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 - Google Patents
一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 Download PDFInfo
- Publication number
- CN112419505A CN112419505A CN202011417635.3A CN202011417635A CN112419505A CN 112419505 A CN112419505 A CN 112419505A CN 202011417635 A CN202011417635 A CN 202011417635A CN 112419505 A CN112419505 A CN 112419505A
- Authority
- CN
- China
- Prior art keywords
- rod
- point cloud
- voxel
- cloud data
- road
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000005477 standard model Effects 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 33
- 238000005520 cutting process Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 241001596784 Pegasus Species 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241000581364 Clinitrachus argentatus Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，包括步骤1：由车载激光扫描仪获取道路以及路侧地物的点云，并解算后输出LAS格式的点云数据传输至MICROSTATION CE平台；步骤2：MICROSTATION CE平台对LAS格式的点云数据预处理；步骤3：MICROSTATION CE平台对LAS格式的点云数据全自动分割处理,得到杆状物点云数据；步骤4：MICROSTATION CE平台对杆状物点云数据分类处理；步骤5：MICROSTATION CE平台将杆状物点云数据转换为二维地图符号，并在二维地图符号上自动挂接属性，本发明的目的在于提供一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，解决了点云分割部分不同类别杆状物相连以及无法实时获取杆状物坐标的问题，提高了普适性，并降低计算复杂度。
Description
技术领域
本发明涉及测绘科技技术领域，尤其涉及一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法。
背景技术
目前杆状交通设施作为我国重要的基础道路设施，其信息的快速获取与更新对保障公路安全有重大意义。高精度的杆状交通设施信息如位置、倾角、朝向和属性等，在道路资产调查、自动驾驶和辅助驾驶等领域都有重要作用。
而道路杆状地物的提取和分类技术主要包括人工测量、基于车载影像判读和基于车载激光点云提取三大类。首先，由于杆状交通设施数量巨大且较为分散，人工测量方法不可取，它的安全性较低，质量难以保证，不适合信息的快速更新。车载影像的判读则严重依赖成像质量，相片质量差，判读效果就差，自动化程度也比较低。
车载点云的目标提取有基于机器学习、先分割后识别和深度学习三大类。机器学习和深度学习对硬件要求高，人工添加标签耗时很长，切换道路场景之后就需要再次制作训练数据集重新学习模型，不太适合商业化应用。先分割后识别的目标提取方法则更易于理解。但采用先分割后识别时，在点云分割部分，现有方法着重实现杆状物和其它非杆状地物的分割，导致在实际场景中不同类型杆状物偶尔会重叠连接在一起，影响分类，同时在分割过程中并不能同时获取杆状物的位置信息。在目标提取方面，也有三种方法：基于语义规则、基于机器学习和基于模型匹配三类。基于语义规则的目标提取需要预先定义待提取目标的一系列规则，如尺寸、反射强度、形状等，但是在切换道路场景后，所有的语义规则都需要重新定义，语义规则并不普适，只能应用于特定的目标类别和场景。基于模型匹配的目标识别则对模型(点云的局部特征)的描述性和鲁棒性要求较高，而且点云匹配的计算复杂度较高，效率偏低。
因此，对于一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，点云分割部分不同类别杆状物相连以及无法实时获取杆状物坐标、目标提取部分语义规则普适性差、模型匹配计算复杂度高是我们要解决的问题。
发明内容
为克服上述问题，本发明的目的在于提供一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，全自动分割处理解决了点云分割部分不同类别杆状物相连以及无法实时获取杆状物坐标的问题，并优化了分割方法，提高了分割效率和精度；标准模型体素语义和同类杆件判别的结合使用，提高了普适性，并降低计算复杂度。
为了达到以上目的，本发明采用的技术方案是：一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，包括如下步骤：步骤1：由车载激光扫描仪获取道路以及路侧地物的点云，并解算后输出LAS格式的点云数据传输至MICROSTATION CE平台；步骤2：MICROSTATION CE平台对LAS格式的点云数据预处理；步骤3：MICROSTATION CE平台对LAS格式的点云数据全自动分割处理,得到杆状物点云数据；步骤4：MICROSTATION CE平台对杆状物点云数据分类处理，分类处理包括c、获取标准模型体素语义和d、同类杆件判别两个步骤；步骤5：MICROSTATION CE平台将杆状物点云数据转换为二维地图符号，并在二维地图符号上自动挂接属性。
本发明一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法的有益效果是，使用车载激光扫描仪获取道路以及路侧地物的点云，并解算后输出LAS格式的点云数据传输至MICROSTATION CE平台，车载激光扫描仪可为Pegasus：Two Ultimate移动激光扫描系统。MICROSTATION CE平台对LAS格式的点云数据预处理，在MICROSTATION CE平台中剔除道路之外的冗余数据，MICROSTATION CE平台并对较长路段进行分段，只留下道路点云数据。MICROSTATION CE平台对LAS格式的点云数据全自动分割处理,得到杆状物点云数据。MICROSTATION CE平台对杆状物点云数据进行分类处理，分类处理包括c、获取标准模型体素语义和d、同类杆件判别两个步骤。MICROSTATION CE平台根据不同的需求，将杆状物点云数据转换为二维地图符号，二维地图符号即根据获取的杆件位置信息，在坐标位置自动批量放置二维杆件符号；并在二维地图符号上自动挂接属性，挂接属性即将基于标准模型体素语义获取的杆高、杆长、柱体直径等属性自动批量赋予给杆件符号。
通过全自动分割处理解决点云分割部分不同类别杆状物相连以及无法实时获取杆状物坐标的问题，并优化了分割方法，提高了分割效率和精度。结合使用标准模型体素语义和同类杆件判别，通过框选标准模型解决场景变换带来的语义规则和阈值更改问题，提高普适性。通过使用标准模型体素语义解决模型匹配时点云计算量大，最优匹配阈值难以确定的问题，直接比较标准模型体素语义和待匹配点云超体素语义的异同来确定同类杆件，能高效准确，有效的降低了计算复杂度。
作为本发明的进一步改进是，在步骤2中，预处理包括以下步骤：s21、在MICROSTATION CE平台中剔除道路之外的冗余数据；s22、MICROSTATION CE平台并对较长路段进行分段。MICROSTATION CE平台收到LAS格式的点云数据后，在MICROSTATION CE平台中剔除道路之外的冗余数据，并对较长路段进行分段，只留下道路点云数据，保证提取效率。
作为本发明的进一步改进是，在步骤3中，全自动分割处理包括a、判断高程连续和b、垂直道路延伸方向裁切两个步骤。通过判断高程连续和垂直道路延伸方向裁切两个步骤，获取了附加坐标信息(也就是位置信息)且互不相连的完全分割的杆状物。简明直观的提取规则有效提高了分割效率，坐标信息的获取以及杆件的完全分割为后续分类带来了极大的便利。
作为本发明的进一步改进是，a、判断高程连续包括以下步骤：a1、将道路点云的外包围划分为一个个0.5m*0.5m*0.5m的立方盒；a2、在每个立方盒内寻找所有含有点云的立方块，并记录每个立方块的XYZ坐标和序号；a3、判断是否有XY坐标一致、Z坐标垂直地面连续的立方块群；a4、当Z坐标的差值超过设定的阈值，则初步判断此处有杆状物，并记录下该杆状物最低点所在立方体的XYZ坐标和序号。实现得到杆状物的坐标信息(也就是位置信息)。
作为本发明的进一步改进是，b、垂直道路延伸方向裁切包括以下步骤：b1、基于获取的任一潜在杆状物点P，获取距离该点最近的同侧另一杆状物点Q，计算杆状物点P和杆状物点Q两点连线的第一直线方程，并以第一直线方程作为模拟的道路延伸方向；b2、计算XY平面上与第一直线方程垂直且过杆状物点P的第二直线方程，并将第二直线方程向两侧各拓宽一定距离，得到矩形框；b3、获取所有XY坐标在矩形框内的点云，即为初步分割得到的杆状物点云数据。得到相互独立、完全分割的多个杆状物点云数据。
作为本发明的进一步改进是，c、获取标准模型体素语义包括以下步骤：c1、框选点云质量较好的杆状物作为标准模型，并计算其超体素语义信息；c2、构造顾及反射强度和欧式距离的点云超体素；c3、对超体素内的点构造协方差矩阵，计算其特征值λ1、λ2、λ3(其中，λ1≥λ2≥λ3)和对应的特征向量，并根据公式(一)获取超体素的维数特征，维数特征包括线状、面状和球状数据；c4、取维数特征中最大数据值的所属类别作为该超体素的最终类型，同时根据超体素的主方向确定线的结构类别，超体素的法向量确定面的结构类别；c5、根据获取的所有超体素构成标准模型，根据获取的所有超体素类型设定标准模型的语义规则即得到标准模型体素语义。首先构造顾及反射强度和欧式距离的点云超体素，实现点云从“点”到“超体素”的抽象，提高目标提取效率。维数特征表明了超体素属于线状、面状和球状的程度。CLINE维数特征越大，则表明邻域内的点接近线状(也就是杆状)分布；CPLANE越大，则越接近面状分布；CBALL越大，则表明邻域点呈散乱的球状分布。同时根据超体素的主方向确定线的结构类别，超体素的法向量确定面的结构类别，如竖直线、水平线、其他线、竖直面、水平面、其他面等。标准模型体素语义包括竖直线体素数量、竖直线体素最远距离、水平线体素数量、水平线体素最远距离、竖直面体素数量、竖直面体素最远距离、水平面体素数量、水平面体素最远距离、球体素数量和球体素最远距离等。
实现适用于不同的场景，通过定义标准模型解决场景变换带来的语义规则和阈值更改问题，根据标准模型获取超体素的结构类别，自动提炼语义规则，不需要输入先验知识，提高了普适性。
作为本发明的进一步改进是，d、类杆件判别包括以下步骤：d1、计算所有经全自动分割处理后杆状物的超体素语义信息；d2、将所有超体素语义信息均与标准模型体素语义进行比较，若超体素的各特征均在阈值内，则判断为同类杆件，输出该杆状物点云数据。由于改进的全自动分割处理已经获取了每个独立且具有坐标的杆状物点云数据，因此每个杆状物均可以计算得到超体素语义信息，与根据标准模型设定的标准模型体素语义进行比较，若各特征均在阈值内，则判断为同类杆件，输出该杆状物点云数据。同时，基于标准模型体素语义也可以得到杆状物的属性信息，如竖直线最远距离代表杆的高度，水平线最远距离代表杆件非圆杆部分的长度，竖直面则代表指示牌的长宽等等。重复上述标准杆件获取、分割和分类的过程，即可实现普适性强的道路杆状物快速提取。
通过使用标准模型体素语义解决模型匹配时点云计算量大，最优匹配阈值难以确定的问题，直接比较标准模型体素语义和待匹配杆状物点云数据的异同来确定同类杆件，能高效准确，有效的降低了计算复杂度。
附图说明
图1为本实施例二的预处理后扫描数据图；
图2为本实施例二的全自动分割处理图；
图2(a)为本实施例二的道路路点云盒图；
图2(b)为本实施例二的连续高程分割结果图；
图2(c)为本实施例二的垂直道路延伸方向裁切后最终分割结果图；
图3为本实施例二的分类处理图；
图3(a)为本实施例二的杆状物超体素生成图；
图3(b)为本实施例二的杆状物超体素特征图；
图3(c)为本实施例二的同类杆件图；
图4为本实施例二的二维地图符号图；
图5为本实施例二的提取结果图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本实施例一一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，包括如下步骤：步骤1：由车载激光扫描仪获取道路以及路侧地物的点云，并解算后输出LAS格式的点云数据传输至MICROSTATION CE平台；步骤2：MICROSTATION CE平台对LAS格式的点云数据预处理；步骤3：MICROSTATION CE平台对LAS格式的点云数据全自动分割处理,得到杆状物点云数据；步骤4：MICROSTATION CE平台对杆状物点云数据分类处理，分类处理包括c、获取标准模型体素语义和d、同类杆件判别两个步骤；步骤5：MICROSTATION CE平台将杆状物点云数据转换为二维地图符号，并在二维地图符号上自动挂接属性。使用车载激光扫描仪获取道路以及路侧地物的点云，并解算后输出LAS格式的点云数据传输至MICROSTATION CE平台，车载激光扫描仪可为Pegasus：Two Ultimate移动激光扫描系统。MICROSTATION CE平台对LAS格式的点云数据预处理，在MICROSTATION CE平台中剔除道路之外的冗余数据，MICROSTATION CE平台并对较长路段进行分段，只留下道路点云数据。MICROSTATION CE平台对LAS格式的点云数据全自动分割处理,得到杆状物点云数据。MICROSTATION CE平台对杆状物点云数据进行分类处理，分类处理包括c、获取标准模型体素语义和d、同类杆件判别两个步骤。MICROSTATION CE平台根据不同的需求，将杆状物点云数据转换为二维地图符号，二维地图符号即根据获取的杆件位置信息，在坐标位置自动批量放置二维杆件符号。并在二维地图符号上自动挂接属性，挂接属性即将基于标准模型体素语义获取的杆高、杆长、柱体直径等属性自动批量赋予给杆件符号。
通过全自动分割处理解决点云分割部分不同类别杆状物相连以及无法实时获取杆状物坐标的问题，并优化了分割方法，提高了分割效率和精度。结合使用标准模型体素语义和同类杆件判别，通过框选标准模型解决场景变换带来的语义规则和阈值更改问题，提高普适性。通过使用标准模型体素语义解决模型匹配时点云计算量大，最优匹配阈值难以确定的问题，直接比较标准模型体素语义和待匹配点云超体素语义的异同来确定同类杆件，能高效准确，有效的降低了计算复杂度。
本实施例一在步骤2中，预处理包括以下步骤：s21、在MICROSTATION CE平台中剔除道路之外的冗余数据；s22、MICROSTATION CE平台并对较长路段进行分段。MICROSTATIONCE平台收到LAS格式的点云数据后，在MICROSTATION CE平台中剔除道路之外的冗余数据，并对较长路段进行分段，只留下道路点云数据，保证提取效率。
本实施例一在步骤3中，全自动分割处理包括a、判断高程连续和b、垂直道路延伸方向裁切两个步骤。通过判断高程连续和垂直道路延伸方向裁切两个步骤，获取了附加坐标信息(也就是位置信息)且互不相连的完全分割杆状物。简明直观的提取规则有效提高了分割效率，坐标信息的获取以及杆件的完全分割为后续分类带来了极大的便利。
本实施例一a、判断高程连续包括以下步骤：a1、将道路点云的外包围划分为一个个0.5m*0.5m*0.5m的立方盒；a2、在每个立方盒内寻找所有含有点云的立方块，并记录每个立方块的XYZ坐标和序号；a3、判断是否有XY坐标一致、Z坐标垂直地面连续的立方块群；a4、当Z坐标的差值超过设定的阈值，则初步判断此处有杆状物，并记录下该杆状物最低点所在立方体的XYZ坐标和序号。实现得到杆状物的坐标信息(也就是位置信息)。
本实施例一b、垂直道路延伸方向裁切包括以下步骤：b1、基于获取的任一潜在杆状物点P，获取距离该点最近的同侧另一杆状物点Q，计算杆状物点P和杆状物点Q两点连线的第一直线方程，并以第一直线方程作为模拟的道路延伸方向；b2、计算XY平面上与第一直线方程垂直且过杆状物点P的第二直线方程，并将第二直线方程向两侧各拓宽一定距离，得到矩形框；b3、获取所有XY坐标在矩形框内的点云，即为初步分割得到的杆状物点云数据。得到相互独立、完全分割的多个杆状物点云数据。
本实施例一c、获取标准模型体素语义包括以下步骤：c1、框选点云质量较好的杆状物作为标准模型，并计算其超体素语义信息；c2、构造顾及反射强度和欧式距离的点云超体素；c3、对超体素内的点构造协方差矩阵，计算其特征值λ1、λ2、λ3(其中，λ1≥λ2≥λ3)和对应的特征向量，并根据公式(一)获取超体素的维数特征，维数特征包括线状、面状和球状数据；c4、取维数特征中最大数据值的所属类别作为该超体素的最终类型，同时根据超体素的主方向确定线的结构类别，超体素的法向量确定面的结构类别；c5、根据获取的所有超体素构成标准模型，根据获取的所有超体素类型设定标准模型的语义规则即得到标准模型体素语义。首先构造顾及反射强度和欧式距离的点云超体素，实现点云从“点”到“超体素”的抽象，提高目标提取效率。维数特征表明了超体素属于线状、面状和球状的程度。CLINE维数特征越大，则表明邻域内的点接近线状(也就是杆状)分布；CPLANE越大，则越接近面状分布；CBALL越大，则表明邻域点呈散乱的球状分布。同时根据超体素的主方向确定线的结构类别，超体素的法向量确定面的结构类别，如竖直线、水平线、其他线、竖直面、水平面、其他面等。标准模型体素语义包括竖直线体素数量、竖直线体素最远距离、水平线体素数量、水平线体素最远距离、竖直面体素数量、竖直面体素最远距离、水平面体素数量、水平面体素最远距离、球体素数量和球体素最远距离等。
实现适用于不同的场景，通过定义标准模型解决场景变换带来的语义规则和阈值更改问题，根据标准模型获取超体素的结构类别，自动提炼语义规则，不需要输入先验知识，提高了普适性。
本实施例一d、类杆件判别包括以下步骤：d1、计算所有经全自动分割处理后杆状物的超体素语义信息；d2、将所有超体素语义信息均与标准模型体素语义进行比较，若超体素的各特征均在阈值内，则判断为同类杆件，输出该杆状物点云数据。通过使用标准模型体素语义解决模型匹配时点云计算量大，最优匹配阈值难以确定的问题，直接比较标准模型体素语义和待匹配杆状物点云数据的异同来确定同类杆件，能高效准确，有效的降低了计算复杂度。
参见附图1-5所示，本实施例二：取某一道路作为研究对象，该路段共长1.6公里，采用车载激光扫描仪可为Pegasus：Two Ultimate移动激光扫描系统采集道路点云数据，预处理后整个路段被划分为12个点云盒，得到预处理后扫描数据图，如图1所示。
首先任选一个道路点云盒来进行杆状物的全自动分割处理，如图2所示。道路点云盒图，如图2(a)所示。全自动分割处理主要包括二个步骤，一是基于道路点云在Z方向的判断高程连续，记录每个柱状地物的坐标信息(位置信息)，得到连续高程分割结果图，如图2(b)所示；二是基于获取的坐标信息，进行垂直道路延伸方向裁切，求取道路延伸方向的垂线，沿该垂线进行点云的裁切，得到最终的杆状物点云，得到垂直道路延伸方向裁切后最终分割结果图，如图2(c)所示。
在杆状物点云数据全自动分割处理的基础上，进行分类处理、类别的确定和属性输出。首先选取全自动分割处理后的某一完整杆件点云数据作为标准模型，并获取该标准模型的类别和标准模型体素语义。提炼标准模型体素语义后，可以将双臂路灯近似为一条代表柱体的红色竖直线和两条代表路灯头的黄色水平线；道路指示牌可以近似为一条代表柱体的红色竖直线和众多青色体素构成的竖直面；交通信号灯表示为红色竖直线、一条较长的黄色水平线，以及部分代表信号灯的蓝色球状体素；单臂路灯则由一条竖直线和一条较短的水平线表示。基于上述特征，就可以获取每一个超体素语义信息，如竖直线的长度、竖直面的数量、水平线的长度、球状体素的数量等。
分类处理图，如图3所示。获取标准模型(以双臂路灯为例)的超体素语义信息后，进行标准模型的匹配。首先将待匹配点云数据(即杆状物分割后点云)转换为超体素，得到杆状物超体素生成图，如图3(a)所示；再计算超体素的特征，获取待匹配点云数据中每一个杆状物的超体素语义信息，得到杆状物超体素特征图，如图3(b)所示；最后与标准模型体素语义进行比较，得到所有同类杆件，同类杆件图，如图3(c)所示。
获取同类杆件后，进行简单的生产二维地图符号和属性挂接。二维地图符号即根据获取的杆件位置信息，在坐标位置自动批量放置二维杆件符号，得到二维地图符号图，如图4所示；属性挂接即将基于标准模型体素语义获取的杆高、杆长、柱体直径等属性自动批量赋予给杆件符号。
对所有路段点云都进行先分割后分类的操作步骤，最终得到提取结果图，如图5所示。总计提取出双臂路灯94个，准确率为82.45％，召回率为88.68％，F1分数为85.45％，用时20分钟。准确率和召回率是与超体素语义的匹配阈值息息相关的，阈值设置的越严苛，准确率就越高，召回率相对降低；阈值设置的宽松，准确率就会降低，但召回率有显著提高。
以上实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所做的等效变化或修饰，都应涵盖在本发明的保护范围内。
Claims (7)
1.一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，其特征在于：包括如下步骤：步骤1：由车载激光扫描仪获取道路以及路侧地物的点云，并解算后输出LAS格式的点云数据传输至MICROSTATION CE平台；步骤2：MICROSTATION CE平台对LAS格式的点云数据预处理；步骤3：MICROSTATION CE平台对LAS格式的点云数据全自动分割处理,得到杆状物点云数据；步骤4：MICROSTATION CE平台对杆状物点云数据分类处理，分类处理包括c、获取标准模型体素语义和d、同类杆件判别两个步骤；步骤5：MICROSTATION CE平台将杆状物点云数据转换为二维地图符号，并在二维地图符号上自动挂接属性。
2.根据权利要求1所述一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，其特征在于：在所述步骤2中，所述预处理包括以下步骤：s21、在MICROSTATION CE平台中剔除道路之外的冗余数据；s22、MICROSTATIONCE平台并对较长路段进行分段。
3.根据权利要求1所述一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，其特征在于：在所述步骤3中，所述全自动分割处理包括a、判断高程连续和b、垂直道路延伸方向裁切两个步骤。
4.根据权利要求3所述一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法，其特征在于：所述a、判断高程连续包括以下步骤：a1、将道路点云的外包围划分为一个个0.5m*0.5m*0.5m的立方盒；a2、在每个立方盒内寻找所有含有点云的立方块，并记录每个立方块的XYZ坐标和序号；a3、判断是否有XY坐标一致、Z坐标垂直地面连续的立方块群；a4、当Z坐标的差值超过设定的阈值，则初步判断此处有杆状物，并记录下该杆状物最低点所在立方体的XYZ坐标和序号。
5.根据权利要求3所述一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法,其特征在于：所述b、垂直道路延伸方向裁切包括以下步骤：b1、基于获取的任一潜在杆状物点P，获取距离该点最近的同侧另一杆状物点Q，计算杆状物点P和杆状物点Q两点连线的第一直线方程，并以第一直线方程作为模拟的道路延伸方向；b2、计算XY平面上与第一直线方程垂直且过杆状物点P的第二直线方程，并将第二直线方程向两侧各拓宽一定距离，得到矩形框；b3、获取所有XY坐标在矩形框内的点云，即为初步分割得到的杆状物点云数据。
6.根据权利要求1所述一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法,其特征在于：所述c、获取标准模型体素语义包括以下步骤：c1、框选点云质量较好的杆状物作为标准模型，并计算其超体素语义信息；c2、构造顾及反射强度和欧式距离的点云超体素；c3、对超体素内的点构造协方差矩阵，计算其特征值λ1、λ2、λ3(其中，λ1≥λ2≥λ3)和对应的特征向量，并根据公式(一)获取超体素的维数特征，维数特征包括线状、面状和球状数据；c4、取维数特征中最大数据值的所属类别作为该超体素的最终类型，同时根据超体素的主方向确定线的结构类别，超体素的法向量确定面的结构类别；c5、根据获取的所有超体素构成标准模型，根据获取的所有超体素类型设定标准模型的语义规则即得到标准模型体素语义。
7.根据权利要求1所述一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法,其特征在于：所述d、类杆件判别包括以下步骤：d1、计算所有经全自动分割处理后杆状物的超体素语义信息；d2、将所有超体素语义信息均与标准模型体素语义进行比较，若超体素的各特征均在阈值内，则判断为同类杆件，输出该杆状物点云数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011417635.3A CN112419505B (zh) | 2020-12-07 | 2020-12-07 | 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011417635.3A CN112419505B (zh) | 2020-12-07 | 2020-12-07 | 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112419505A true CN112419505A (zh) | 2021-02-26 |
| CN112419505B CN112419505B (zh) | 2023-11-10 |
Family
ID=74775827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011417635.3A Active CN112419505B (zh) | 2020-12-07 | 2020-12-07 | 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419505B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446343A (zh) * | 2020-12-07 | 2021-03-05 | 苏州工业园区测绘地理信息有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
| CN112861832A (zh) * | 2021-04-25 | 2021-05-28 | 湖北亿咖通科技有限公司 | 交通标识的检测方法、装置、电子设备及存储介质 |
| CN115965756A (zh) * | 2023-03-13 | 2023-04-14 | 安徽蔚来智驾科技有限公司 | 地图构建方法、设备、驾驶设备和介质 |
| WO2023097913A1 (zh) * | 2021-12-03 | 2023-06-08 | 中兴通讯股份有限公司 | 体积测量方法和装置、计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 |
| CN106022381A (zh) * | 2016-05-25 | 2016-10-12 | 厦门大学 | 基于车载激光扫描点云的路灯杆自动提取技术 |
| CN108764012A (zh) * | 2018-03-27 | 2018-11-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 |
| CN110021072A (zh) * | 2019-04-03 | 2019-07-16 | 武汉大学 | 面向全息测绘的多平台点云智能处理方法 |
| CN110717983A (zh) * | 2019-09-07 | 2020-01-21 | 苏州工业园区测绘地理信息有限公司 | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 |
| CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
-
2020
- 2020-12-07 CN CN202011417635.3A patent/CN112419505B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 |
| CN106022381A (zh) * | 2016-05-25 | 2016-10-12 | 厦门大学 | 基于车载激光扫描点云的路灯杆自动提取技术 |
| CN108764012A (zh) * | 2018-03-27 | 2018-11-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 |
| CN110021072A (zh) * | 2019-04-03 | 2019-07-16 | 武汉大学 | 面向全息测绘的多平台点云智能处理方法 |
| CN110717983A (zh) * | 2019-09-07 | 2020-01-21 | 苏州工业园区测绘地理信息有限公司 | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 |
| CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHENWEI SHI .ETC: "Automatic Recognition of Pole-Like Objects from Mobile Laser Scanning Point Clouds", 《REMOTE SENSING》, vol. 10, no. 12, pages 1 - 23 * |
| 王鹏 等: "车载激光点云中杆状目标自动提取", 《遥感信息》, vol. 32, no. 5, pages 52 - 56 * |
| 瓮升霞 等: "基于移动激光点云的交通标志牌特征提取", 《厦门大学学报(自然科学版)》, vol. 55, no. 4, pages 580 - 585 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446343A (zh) * | 2020-12-07 | 2021-03-05 | 苏州工业园区测绘地理信息有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
| CN112446343B (zh) * | 2020-12-07 | 2024-03-15 | 园测信息科技股份有限公司 | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 |
| CN112861832A (zh) * | 2021-04-25 | 2021-05-28 | 湖北亿咖通科技有限公司 | 交通标识的检测方法、装置、电子设备及存储介质 |
| WO2023097913A1 (zh) * | 2021-12-03 | 2023-06-08 | 中兴通讯股份有限公司 | 体积测量方法和装置、计算机可读存储介质 |
| CN115965756A (zh) * | 2023-03-13 | 2023-04-14 | 安徽蔚来智驾科技有限公司 | 地图构建方法、设备、驾驶设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112419505B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112419505B (zh) | 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 | |
| CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
| CN108228798B (zh) | 确定点云数据之间的匹配关系的方法和装置 | |
| Wu et al. | Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach | |
| CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
| CN111626217A (zh) | 一种基于二维图片和三维点云融合的目标检测和追踪方法 | |
| CN110349260B (zh) | 一种路面标线自动提取方法及装置 | |
| AU2020103716A4 (en) | Training method and device of automatic identification device of pointer instrument with numbers in natural scene | |
| CN114596555B (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
| CN113868733A (zh) | 一种基于三维点云的既有结构bim模型自动化生成方法 | |
| CN110263794B (zh) | 基于数据增强的目标识别模型的训练方法 | |
| CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
| CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
| TW202225730A (zh) | 基於深度學習之高效率光達物件偵測方法 | |
| CN114463736A (zh) | 一种基于多模态信息融合的多目标检测方法及装置 | |
| CN111242223B (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
| Hu | Intelligent road sign inventory (IRSI) with image recognition and attribute computation from video log | |
| CN112446343B (zh) | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 | |
| CN112712066B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| Wu et al. | Learning invariant semantic representation for long-term robust visual localization | |
| CN114547968A (zh) | 一种智能变电站图纸的物理回路建模方法 | |
| CN112200248B (zh) | 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 | |
| CN112435336B (zh) | 一种弯道类型识别方法、装置、电子设备及存储介质 | |
| Guo et al. | Detection of occluded road signs on autonomous driving vehicles | |
| CN115588178B (zh) | 一种高精地图要素自动化提取的方法 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province Patentee after: Yuance Information Technology Co.,Ltd. Address before: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province Patentee before: SUZHOU INDUSTRIAL PARK SURVEYING MAPPING AND GEOINFORMATION Co.,Ltd. |