CN112528892B - 一种无人机点云车道线提取方法及系统 - Google Patents

一种无人机点云车道线提取方法及系统 Download PDF

Info

Publication number
CN112528892B
CN112528892B CN202011491909.3A CN202011491909A CN112528892B CN 112528892 B CN112528892 B CN 112528892B CN 202011491909 A CN202011491909 A CN 202011491909A CN 112528892 B CN112528892 B CN 112528892B
Authority
CN
China
Prior art keywords
point cloud
lane line
unmanned aerial
aerial vehicle
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.)
Active
Application number
CN202011491909.3A
Other languages
English (en)
Other versions
CN112528892A (zh
Inventor
惠念
熊迹
刘圆
刘春成
罗跃军
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence Co Ltd
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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202011491909.3A priority Critical patent/CN112528892B/zh
Publication of CN112528892A publication Critical patent/CN112528892A/zh
Application granted granted Critical
Publication of CN112528892B publication Critical patent/CN112528892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/182Network patterns, e.g. roads or rivers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供一种无人机点云车道线提取方法及系统,方法包括:虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;将分割后的车道线形点反算到点云上,反算得到车道线形点;沿所述道路参考线将车道线合并连接形成车道线网络。本发明实施例提供的一种无人机点云车道线提取方法及系统,提出了一种结合OSM的无人机点云的车道线提取方法,对无人机机载Lidar点云和影像匹配点云都适用,并且场景兼容性较强,泛化性好。

Description

一种无人机点云车道线提取方法及系统
技术领域
本发明涉及无人机点云要素识别技术领域,更具体地,涉及一种无人机点云车道线提取方法及系统。
背景技术
高精度导航电子地图在智能交通、无人驾驶领域有非常重要的作用,不仅提供了对于地理空间的丰富的先验知识,同时也在车辆定位和感知上起到举足轻重的作用。而高精度导航电子地图的内容中,最重要的就是车道线数据,车道线数据也是区分高精度导航电子地图与传统导航电子地图的关键要素之一。目前高精度导航电子地图的车道线数据主要来源于车载移动测量系统(搭载激光雷达、摄像头、GPS/IMU)。车载移动测量系统主要通过采集车对待测区域进行测量,然而其在例如立交路口等场景下的测量过程耗时耗力,测量成本较高。无人机与航空摄影测量相结合使得“无人机数字低空遥感”成为航空遥感领域的一个崭新发展方向,可以作为已有测绘手段的有力补充。无人机航空测图因为具有机动灵活、高效快速、精细准确、作业成本低、适用范围广、生产周期短等特点,在小区域和飞行困难地区高分辨率影像快速获取方面具有明显优势,随着GPS/IMU精度的不断提高,使空中三角测量进入GPS/IMU辅助空三阶段,减少了空三处理对控制点的需求,已成为目前大比例航空影像测图常用的技术手段。
无人机航测产品包含DEM(数字高程模型),DOM(数字正射影像图), DSM(数字表面模型)等数据。由这些数据可以派生出新的可视信息,无人机点云就是其中一种。常规的无人机点云数据有机载Lidar点云和影像匹配点云。机载Lidar高昂的设备价格和复杂的数据处理流程制约了用户群体和应用方向。随着科技手段的进步,点云获取不再是机载Lidar的专属手段,平民化价格的无人机同样可以实现。尽管测绘原理不同,获取的精度尚不能与机载Lidar相媲美,然而无人机影像匹配点云技术作为一项全新技术手段有着非常广阔的应用前景。
现有的无人机点云车道线提取技术,主要是基于点云的反射强度,直接进行轮廓分割,或者将点云直接投影成图像,再基于图像灰度信息使用图像的轮廓提取算法。基于强度或者灰度阈值设定的提取方法存在泛化性不够好的问题。而且无人机点云通常在部分车载MMS采集不便的场景下使用,例如高速匝道、城市立交、城市小路等,现有方法提取的车道线成果零散,无法正确构成网络,会增加后续人工处理的工作量。
因此,现在亟需一种无人机点云车道线提取方法及系统来解决这一问题。
发明内容
本发明提供一种无人机点云车道线提取方法及系统,为车道线提取工作提供了一个较为新颖高效的方法,并为高精度导航电子地图数据采集提供了一个效率提升的思路。
第一方面,本发明实施例提供一种无人机点云车道线提取方法,包括:
虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;
将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;
将分割后的车道线形点反算到点云上,反算得到车道线形点;
沿所述道路参考线将车道线合并连接形成车道线网络。
其中,所述虚拟出道路的参考线,包括:
计算无人机点云的坐标范围;
获取OSM道路中与点云覆盖范围有交叉的道路数据;
基于所述道路数据,按照道路线的首尾点接续关系进行合并,构成多条道路参考线。
其中,所述沿参考线对无人机点云进行合并和分割,包括:
将所述道路参考线按照矢量方向进行扩充,得到固定宽度的缓冲区多边形;
将所有无人机网格点云,与所述缓冲区多边形有重叠的点云拼接;
使用缓冲区多边形对拼接后的点云进行分割,保留所述缓冲区多边形内部的点云。
其中,所述将分割的点云投影成灰度图,并进行车道线轮廓的语义分割,包括:
沿道路参考线的矢量方向,将所述点云纵向分割成块,并按照所述参考线的矢量方向旋转;
将旋转后的点云,按照z轴正射投影成灰度图;
将灰度图上车道线的轮廓点标注出来,进行深度学习分割模型训练。
其中,所述将灰度图上车道线的轮廓点标注出来,包括:
使用人工标注,将灰度图上车道线的轮廓点标注出来制作成样本数据。
其中,所述沿所述道路参考线将车道线合并连接形成车道线网络,还包括:
剔除误提取的点云并补齐漏洞。
第二方面,本发明实施例提供一种无人机点云车道线提取系统,包括:
虚拟参考线模块,用于虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;
语义分割模块,用于将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;
反算模块,用于将分割后的车道线形点反算到点云上,反算得到车道线形点;
网络形成模块,用于沿所述道路参考线将车道线合并连接形成车道线网络。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一方面所提供的一种无人机点云车道线提取方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面所提供的一种无人机点云车道线提取方法的步骤。
本发明实施例提供的一种无人机点云车道线提取方法及系统,提出了一种结合OSM的无人机点云的车道线提取方法,对无人机机载Lidar点云和影像匹配点云都适用,并且场景兼容性较强,泛化性好。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种无人机点云车道线提取方法流程示意图;
图2是本发明实施例提供的匝道影像示意图;
图3是本发明实施例提供的匝道地图示意图;
图4是本发明实施例提供的道路参考线关联网格化点云示意图;
图5是本发明实施例提供的无人机点云切割旋转后的投影图;
图6是本发明实施例提供的标注图;
图7是本发明实施例提供的车道线轮廓分割结果图;
图8是本发明实施例提供的提取的匝道车道线成果示意图;
图9是本发明实施例提供的一种无人机点云车道线提取系统结构示意图;
图10是本发明实施例提供的电子设备的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本发明实施例提供的一种无人机点云车道线提取方法流程示意图,如图1所示,包括:
101、虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;
102、将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;
103、将分割后的车道线形点反算到点云上,反算得到车道线形点;
104、沿所述道路参考线将车道线合并连接形成车道线网络。
需要说明的是,OpenStreetMap(简称OSM)是一款由网络大众共同打造的免费开源、可编辑的地图服务。图2是本发明实施例提供的匝道影像示意图,图3是本发明实施例提供的匝道地图示意图,如图2和图3所示,OpenStreetMap它是利用公众集体的力量和无偿的贡献来改善地图相关的地理数据,本发明实施例结合OpenStreetMap提出了一种无人机点云的车道线提取方法。
具体的,本发明实施例在步骤101中虚拟出道路的参考线,再沿参考线对点云进行旋转,然后在步骤102中进行正射投影成灰度图,进行车道线轮廓的语义分割。再在步骤103中将像素级的轮廓信息反算回点云上得到三维坐标,并基于点云的运算对车道线轮廓点进行精细微调整确定其三维坐标。最后在步骤104中将所有提取到的车道线,沿参考线连接成网络,构成完整的道路车道线网络数据。
本发明实施例提供的一种无人机点云车道线提取方法及系统,提出了一种结合OSM的无人机点云的车道线提取方法,对无人机机载Lidar点云和影像匹配点云都适用,并且场景兼容性较强,泛化性好。
在上述实施例的基础上,所述虚拟出道路的参考线,包括:
计算无人机点云的坐标范围;
获取OSM道路中与点云覆盖范围有交叉的道路数据;
基于所述道路数据,按照道路线的首尾点接续关系进行合并,构成多条道路参考线。
图4是本发明实施例提供的道路参考线关联网格化点云示意图,如图 4所示,计算无人机点云的坐标范围。无人机点云通常以网格化的点云文件存储,读取网格的左下角和右上角的点云头文件,计算出点云的覆盖范围和单个网格的长、宽,并推算出所有网格的坐标范围。
然后使用空间查询,获取OSM道路中与点云覆盖范围有交叉的道路数据。并可以利用OSM道路的一些属性,例如道路等级属性,对数据进行过滤,只保留自己需要的。
最后对获取的道路数据,按照道路线的首尾点接续关系,进行合并,构成多条道路参考线。
在上述实施例的基础上,所述沿参考线对无人机点云进行合并和分割,包括:
将所述道路参考线按照矢量方向进行扩充,得到固定宽度的缓冲区多边形;
将所有无人机网格点云,与所述缓冲区多边形有重叠的点云拼接;
使用缓冲区多边形对拼接后的点云进行分割,保留所述缓冲区多边形内部的点云。
图5是本发明实施例提供的无人机点云切割旋转后的投影图,如图5 所示,将道路参考线按照矢量方向,向左、向右扩充,计算一个固定宽度的缓冲区多边形。接着将所有无人机网格点云,与缓冲区多边形有重叠的点云拼接起来,最后使用缓冲区多边形对拼接后的点云进行分割,保留缓冲区多边形内部的点云。
在上述实施例的基础上,所述将分割的点云投影成灰度图,并进行车道线轮廓的语义分割,包括:
沿道路参考线的矢量方向,将所述点云纵向分割成块,并按照所述参考线的矢量方向旋转;
将旋转后的点云,按照z轴正射投影成灰度图;
将灰度图上车道线的轮廓点标注出来,进行深度学习分割模型训练。
本实施例通过将点云投影成图片,使用深度学习模型分割车道线的轮廓,再反算回三维坐标,并基于点云的反射强度进行精细化调整。
具体的,沿道路参考线的矢量方向,按照固定长度,将点云纵向分割成块,并按照参考线矢量方向旋转,然后将旋转后的点云,按照z轴正射投影成灰度图。
在上述实施例的基础上,所述将灰度图上车道线的轮廓点标注出来,包括:
使用人工标注,将灰度图上车道线的轮廓点标注出来制作成样本数据。
图6是本发明实施例提供的标注图,本发明实施例采用的是人工标注的形式,将灰度图上车道线的轮廓点都标注出来,制作成样本数据,提供给深度学习分割模型训练。
在上述实施例的基础上,所述沿所述道路参考线将车道线合并连接形成车道线网络,还包括:
剔除误提取的点云并补齐漏洞。
图7是本发明实施例提供的车道线轮廓分割结果图,图8是本发明实施例提供的提取的匝道车道线成果示意图,如图7和图8所示,本发明实施例使用训练好的分割模型,在灰度图上分割出车道线轮廓点,基于点云的运算对车道线轮廓点进行精细微调整确定其三维坐标,最后将所有提取到的车道线,沿参考线连接成网络,构成完整的道路车道线网络数据。
图9是本发明实施例提供的一种无人机点云车道线提取系统结构示意图,如图9所示,包括:虚拟参考线模块901、语义分割模块902、反算模块903以及网络形成模块904,其中:
虚拟参考线模块901用于虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;
语义分割模块902用于将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;
反算模块903用于将分割后的车道线形点反算到点云上,反算得到车道线形点;
网络形成模块904用于沿所述道路参考线将车道线合并连接形成车道线网络。
具体的如何利用虚拟参考线模块901、语义分割模块902、反算模块 903以及网络形成模块904对无人机点云车道线提取可参见上述方法实施例,本发明实施例在此不再赘述。
在一个实施例中,基于相同的构思,本发明实施例还提供了一种电子设备,如图10所示,图10示例了一种电子设备的结构示意图,电子设备可以包括:处理器(processor)1001、通信接口(Communications Interface)1002、存储器(memory)1003和总线1004,其中,处理器1001,通信接口1002,存储器1003通过总线1004完成相互间的通信。处理器 1001可以调用存储器1003中的逻辑指令,以执行如下异源高精度地图间的路网匹配方法的步骤,例如包括:虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;将分割后的车道线形点反算到点云上,反算得到车道线形点;沿所述道路参考线将车道线合并连接形成车道线网络。
在一个实施例中,基于相同的构思,本实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的异源高精度地图间的路网匹配方法的步骤,例如包括:虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;将分割后的车道线形点反算到点云上,反算得到车道线形点;沿所述道路参考线将车道线合并连接形成车道线网络。
在一个实施例中,基于相同的构思,本发明实施例还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,所述计算机程序被计算机执行时,使得计算机执行上述各实施例所提供的异源高精度地图间的路网匹配方法的步骤,例如包括:虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;将分割后的车道线形点反算到点云上,反算得到车道线形点;沿所述道路参考线将车道线合并连接形成车道线网络。
本发明的各实施方式可以任意进行组合,以实现不同的技术效果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种无人机点云车道线提取方法,其特征在于,包括:
虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;其中,虚拟出道路的参考线,包括:计算无人机点云的坐标范围;获取OSM道路中与点云覆盖范围有交叉的道路数据;基于所述道路数据,按照道路线的首尾点接续关系进行合并,构成多条道路参考线;
其中,所述沿参考线对无人机点云进行合并和分割,包括:将所述道路参考线按照矢量方向进行扩充,得到固定宽度的缓冲区多边形;将所有无人机网格点云,与所述缓冲区多边形有重叠的点云拼接;使用缓冲区多边形对拼接后的点云进行分割,保留所述缓冲区多边形内部的点云;将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;
将分割后的车道线形点反算到点云上,反算得到车道线形点;
沿所述道路参考线将车道线形点合并连接形成车道线网络。
2.根据权利要求1所述的无人机点云车道线提取方法,其特征在于,所述将分割的点云投影成灰度图,并进行车道线轮廓的语义分割,包括:
沿道路参考线的矢量方向,将所述点云纵向分割成块,并按照所述参考线的矢量方向旋转;
将旋转后的点云,按照z轴正射投影成灰度图;
将灰度图上车道线的轮廓点标注出来,进行深度学习分割模型训练。
3.根据权利要求2所述的无人机点云车道线提取方法,其特征在于,所述将灰度图上车道线的轮廓点标注出来,包括:
使用人工标注,将灰度图上车道线的轮廓点标注出来制作成样本数据。
4.根据权利要求1所述的无人机点云车道线提取方法,其特征在于,所述沿所述道路参考线将车道线合并连接形成车道线网络,还包括:
剔除误提取的点云并补齐漏洞。
5.一种无人机点云车道线提取系统,其特征在于,包括:
虚拟参考线模块,用于虚拟出道路的参考线,并沿参考线对无人机点云进行合并和分割;其中,虚拟出道路的参考线,包括:计算无人机点云的坐标范围;获取OSM道路中与点云覆盖范围有交叉的道路数据;基于所述道路数据,按照道路线的首尾点接续关系进行合并,构成多条道路参考线;其中,所述沿参考线对无人机点云进行合并和分割,包括:将所述道路参考线按照矢量方向进行扩充,得到固定宽度的缓冲区多边形;将所有无人机网格点云,与所述缓冲区多边形有重叠的点云拼接;使用缓冲区多边形对拼接后的点云进行分割,保留所述缓冲区多边形内部的点云;
语义分割模块,用于将分割的点云投影成灰度图,并进行车道线轮廓的语义分割;
反算模块,用于将分割后的车道线形点反算到点云上,反算得到车道线形点;
网络形成模块,用于沿所述道路参考线将车道线形点合并连接形成车道线网络。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述无人机点云车道线提取方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述无人机点云车道线提取方法的步骤。
CN202011491909.3A 2020-12-17 2020-12-17 一种无人机点云车道线提取方法及系统 Active CN112528892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011491909.3A CN112528892B (zh) 2020-12-17 2020-12-17 一种无人机点云车道线提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011491909.3A CN112528892B (zh) 2020-12-17 2020-12-17 一种无人机点云车道线提取方法及系统

Publications (2)

Publication Number Publication Date
CN112528892A CN112528892A (zh) 2021-03-19
CN112528892B true CN112528892B (zh) 2022-12-13

Family

ID=75000870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011491909.3A Active CN112528892B (zh) 2020-12-17 2020-12-17 一种无人机点云车道线提取方法及系统

Country Status (1)

Country Link
CN (1) CN112528892B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647798A (zh) * 2019-08-05 2020-01-03 中国铁路设计集团有限公司 基于车载移动激光点云的轨道中线自动检测方法
WO2020154966A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A rgb point clouds based map generation system for autonomous vehicles

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629228B (zh) * 2017-03-15 2020-12-01 阿里巴巴(中国)有限公司 一种道路对象识别方法和装置
CN108921173B (zh) * 2018-06-01 2019-10-25 中南大学 一种结合osm和遥感影像提取人行天桥的深度学习方法
CN111368605B (zh) * 2018-12-26 2023-08-25 易图通科技(北京)有限公司 车道线提取方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020154966A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A rgb point clouds based map generation system for autonomous vehicles
CN110647798A (zh) * 2019-08-05 2020-01-03 中国铁路设计集团有限公司 基于车载移动激光点云的轨道中线自动检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Information Driven Approach For Ego-Lane Detection Using Lidar And OpenStreetMap;Abderrahim Kasmi,et al.;《2020 16th International Conference on Control,Automation,Robotics and Vision》;20201215;522-528 *
OSM辅助的车载激光点云道路三维矢量边界提取;韩婷 等;《测绘科学技术》;20180428;128-140 *

Also Published As

Publication number Publication date
CN112528892A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN111542860B (zh) 用于自主车辆的高清地图的标志和车道创建
CN111462275B (zh) 一种基于激光点云的地图生产方法和装置
CN110850439B (zh) 一种高精度三维点云地图构建方法
EP3343503B1 (en) High-precision map data processing method and apparatus, storage medium and device
WO2018113451A1 (zh) 一种地图数据系统、其生成和使用方法及应用
JP5582691B2 (ja) 計測装置、計測方法および計測プログラム
CN110568451B (zh) 一种高精度地图中道路交通标线的生成方法和装置
CN112132108A (zh) 地面点云数据的提取方法、装置、设备及存储介质
CN113674287A (zh) 高精地图的绘制方法、装置、设备以及存储介质
CN110969592B (zh) 图像融合方法、自动驾驶控制方法、装置和设备
CN109544443B (zh) 一种路线图生成方法及装置
US20230184564A1 (en) High-precision map construction method, electronic device, and storage medium
US20240271945A1 (en) Vehicle, Vehicle Positioning Method and Apparatus, Device, and Computer-Readable Storage Medium
CN112258519A (zh) 一种高精度地图制作中道路的让行线自动化提取方法及装置
CN112432650A (zh) 高精地图数据的获取方法、车辆控制方法以及设备
JP7418281B2 (ja) 地物の分類システム、分類方法及びそのプログラム
CN105787445A (zh) 一种车载激光扫描数据中杆状物自动提取方法及系统
CN115546551A (zh) 一种基于深度学习的地理信息提取方法及系统
CN114092658A (zh) 一种高精度的地图构建方法
CN112488010A (zh) 基于无人机点云数据的高精度目标提取方法及系统
CN112528892B (zh) 一种无人机点云车道线提取方法及系统
CN115171094A (zh) 一种道路要素确定方法、装置、设备以及存储介质
CN114140813A (zh) 高精地图标注方法、装置、设备及存储介质
CN114998863A (zh) 目标道路识别方法、装置、电子设备以及存储介质
CN113920483A (zh) 道路点云中物体的分类方法、装置、电子设备及存储介质

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