CN112734849B - 基于计算机的城市路网交叉角度检测方法 - Google Patents
基于计算机的城市路网交叉角度检测方法 Download PDFInfo
- Publication number
- CN112734849B CN112734849B CN202110062570.3A CN202110062570A CN112734849B CN 112734849 B CN112734849 B CN 112734849B CN 202110062570 A CN202110062570 A CN 202110062570A CN 112734849 B CN112734849 B CN 112734849B
- Authority
- CN
- China
- Prior art keywords
- intersection
- road
- curve
- road intersection
- image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于计算机的城市路网交叉角度检测方法;步骤如下:1、采集城市地物的基本信息;2、通过图像识别技术对道路交叉口进行粗定位;3、确定所述道路交叉口的提取区域;4、借助高程信息进行辅助判断,拟合出所述道路交叉口的道路平行边缘;5、利用Snake算法提取出所述道路交叉口的轮廓;6、确定所述道路交叉口的中心位置;7、获取所述道路交叉口的道路之间的角度;8、检查所述道路交叉口的道路之间的角度是否小于70度;9、统计所有属于所述畸形交叉口的所述道路交叉口,并输出相关信息。本发明的应用能够快速地检测城市路网交叉口的角度,最终快速形成城市路网畸形交叉口分布图和相应的畸形交叉口信息表。
Description
技术领域
本发明涉及城市道路工程设计技术领域,特别涉及基于计算机的城市路网交叉角度检测方法。
背景技术
城市道路交叉是指两条或两条以上道路的交会,是道路网的联结点。从行车安全角度来讲,交叉路口是道路路网中至关重要的元素。因为所有的道路使用者都在交叉路口使用共同的空间,多方面的交通冲突会在这产生,进而引发交通事故。
为了保障交通安全,使交叉口车流有序、畅通、舒适,并应兼顾景观,城市道路工程设计规范规定新建平面交叉口不得出现超过4叉的多路交叉口、错位交叉口、畸形交叉口以及交角小于700(特殊困难时为450)的斜交交叉口。已有的错位交叉口、畸形交叉口应加强交通组织与管理,并应加以改造。
但是,在现有技术中,对于城市路网交叉角度的检测成为一个问题。无法快速准确检测城市道路的交叉角度,无法根据城市路网分布图准确快速地统计畸形交叉口的数量和位置。
因此,如何快速便捷的确定城市路网交叉角度成为本领域技术人员急需解决的技术问题。
发明内容
有鉴于现有技术的上述缺陷,本发明提供基于计算机的城市路网交叉角度检测方法,实现的目的是能够快速便捷的确定城市路网交叉角度。
为实现上述目的,本发明公开了基于计算机的城市路网交叉角度检测方法;步骤如下:
步骤1、GIS地理信息系统采集城市地物的基本信息;
步骤2、利用所述GIS地理信息,通过图像识别技术对需要检测的道路交叉口进行粗定位;
步骤3、利用机载Li-DAR点云数据,剔除数据噪点,通过聚类分析,提取道路交叉口区域;
步骤4、引入环形剖面方法进行边缘提取,借助高程信息进行辅助判断,拟合出所述道路交叉口的道路平行边缘;
步骤5、利用Snake算法提取出所述道路交叉口的轮廓;
步骤6、基于Snake算法提取的所述道路交叉口的轮廓,确定所述道路交叉口的中心位置;
步骤7、根据所述道路交叉口的轮廓,获取所述道路交叉口的道路之间的角度;
步骤8、检查所述道路交叉口的道路之间的角度是否小于70度;若是,则所述道路交叉口为畸形交叉口;若否,则所述道路交叉口为非畸形交叉口;
步骤9、统计所有属于所述畸形交叉口的所述道路交叉口,并输出相关信息。
优选的,所述步骤5中,所述Snake算法的公式如下:
v(m)=[x(m),y(m)];
其中,m为曲线中的节点;x(m)和y(m)分别为曲线节点位置的横坐标和纵坐标,且0<m<1;
因此Esnake的能量公式E(v(m))如下:
其中,Eint和Eext分别为曲线的内部能量和外部能量;
利用“有限元差分方法”再将连续的Snake曲线离散化为一组控制点;
对于曲线上任意控制点vi,离散化后的内部能量取多项式的第1项和第2项分别代表曲线的刚力和弹力;
其中,Snake外部力取图像的方向梯度在曲线法向量上的投影,表达式为:
Eint(vi)=ai|vi-vi-1|2+βi|vi+1+vi-1-2vi|2;
式中:ai和βi为曲线参数,需结合实际案例进行标定;n(v)为节点所对应的内法线单位向量;d(v)为归一化的图像梯度矢量,即:
优选的,在所述步骤6中,确定所述道路交叉口的中心位置的步骤如下:
步骤6.1、基于Snake算法提取的道路交叉口的轮廓,对基础轮廓图像进行二值化处理,得到二值化图像;
步骤6.2、在所述二值化图像中任选一未被标记的非零像素,对该像素赋标记值,并按“八邻域”的顺序搜索附近非零未标记像素,赋同样的标记值,直到搜索完该连通区域未被标记的所有非零像素;
步骤6.3、对不同标记值的连通区域计算像素点个数,作为所述连通区域的面积;
步骤6.4、计算所述连通区域上下左右四个边缘角点坐标,将这四个所述边缘角点坐标的中心位置作为所述连通区域的中心点坐标,即交叉口的中心位置。
更优选的,在所述步骤7中,检测所述道路交叉口的道路之间的角度的步骤如下:
步骤7.1、以所述道路交叉口的中心位置为圆心,固定线长旋转一圈,以轨迹曲线上像素点与圆心点灰度值之差为纵坐标,旋转角度为横坐标;
步骤7.2、通过道路图像灰度和建筑物的灰度存在的差异,以灰度明显变化位置为道路边缘,图像中两个峰值之间的角度即为两个不同方向的道路边缘旋转的角度,通过图像识别获得所述道路交叉口的道路之间的夹角。
优选的,在所述步骤9中,所述相关信息是指统计畸形交叉口的数量和地理分布信息,形成畸形交叉口位置分布图,并进行路网结构、交通拥堵分析。
本发明的有益效果:
本发明的应用能够快速地检测城市路网交叉口的角度,梳理不合理的角度和角度偏差值,并按照角度小于70°的标准筛选出其中的畸形交叉口,统计数量和所处的位置,最终快速形成城市路网畸形交叉口分布图和相应的畸形交叉口信息表。
本发明所的的结果可以和道路路网拥堵情况结合起来,分析出由于畸形交叉口所导致的堵塞路段和交通事故。为改造畸形交叉口,解决部分路段堵塞和交叉口事故等问题提供指导依据。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1示出本发明一实施例的流程图。
图2示出本发明一实施例中道路交叉口轮廓提取方法流程图。
图3示出本发明一实施例中畸形交叉口统计分析示意图。
具体实施方式
实施例
如图1所示,基于计算机的城市路网交叉角度检测方法;步骤如下:
步骤1、GIS地理信息系统采集城市地物的基本信息;
步骤2、利用GIS地理信息,通过图像识别技术对需要检测的道路交叉口进行粗定位;
步骤3、利用机载Li-DAR点云数据,剔除数据噪点,通过聚类分析,提取道路交叉口区域;
步骤4、引入环形剖面方法进行边缘提取,借助高程信息进行辅助判断,拟合出道路交叉口的道路平行边缘;
步骤5、利用Snake算法提取出道路交叉口的轮廓;
步骤6、基于Snake算法提取的道路交叉口的轮廓,确定道路交叉口的中心位置;
步骤7、根据道路交叉口的轮廓,获取道路交叉口的道路之间的角度;
步骤8、检查道路交叉口的道路之间的角度是否小于70度;若是,则道路交叉口为畸形交叉口;若否,则道路交叉口为非畸形交叉口;
步骤9、统计所有属于畸形交叉口的道路交叉口,并输出相关信息。
本发明的原理如下:
本发明基于GIS地理信息系统对城市路网的信息进行采集,基于Snake方法从机载Li-DAR点云数据中提取道路交叉口轮廓,并在图像识别技术的帮助下检测道路交叉的角度,记录下所有畸形交叉口的数量和位置。
如图2所示,在某些实施例中,步骤5中,Snake算法的公式如下:
v(m)=[x(m),y(m)];
其中,m为曲线中的节点;x(m)和y(m)分别为曲线节点位置的横坐标和纵坐标,且0<m<1;
因此Esnake的能量公式E(v(m))如下:
其中,Eint和Eext分别为曲线的内部能量和外部能量;
利用“有限元差分方法”再将连续的Snake曲线离散化为一组控制点;
对于曲线上任意控制点vi,离散化后的内部能量取多项式的第1项和第2项分别代表曲线的刚力和弹力;
其中,Snake外部力取图像的方向梯度在曲线法向量上的投影,表达式为:
Eint(vi)=ai|vi-vi-1|2+βi|vi+1+vi-1-2vi|2;
式中:ai和βi为曲线参数,需结合实际案例进行标定;n(v)为节点所对应的内法线单位向量;d(v)为归一化的图像梯度矢量,即:
在某些实施例中,在步骤6中,确定道路交叉口的中心位置的步骤如下:
步骤6.1、基于Snake算法提取的道路交叉口的轮廓,对基础轮廓图像进行二值化处理,得到二值化图像;
步骤6.2、在二值化图像中任选一未被标记的非零像素,对该像素赋标记值,并按“八邻域”的顺序搜索附近非零未标记像素,赋同样的标记值,直到搜索完该连通区域未被标记的所有非零像素;
步骤6.3、对不同标记值的连通区域计算像素点个数,作为连通区域的面积;
步骤6.4、计算连通区域上下左右四个边缘角点坐标,将这四个边缘角点坐标的中心位置作为连通区域的中心点坐标,即交叉口的中心位置。
在某些实施例中,在步骤7中,检测道路交叉口的道路之间的角度的步骤如下:
步骤7.1、以道路交叉口的中心位置为圆心,固定线长旋转一圈,以轨迹曲线上像素点与圆心点灰度值之差为纵坐标,旋转角度为横坐标;
步骤7.2、通过道路图像灰度和建筑物的灰度存在的差异,以灰度明显变化位置为道路边缘,图像中两个峰值之间的角度即为两个不同方向的道路边缘旋转的角度,通过图像识别获得道路交叉口的道路之间的夹角。
如图3所示,在某些实施例中,在所述步骤9中,相关信息是指统计畸形交叉口的数量和地理分布信息,形成畸形交叉口位置分布图,并进行路网结构、交通拥堵分析。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (2)
1.基于计算机的城市路网交叉角度检测方法;步骤如下:
步骤1、GIS地理信息系统采集城市地物的基本信息;
步骤2、利用所述GIS地理信息,通过图像识别技术对需要检测的道路交叉口进行粗定位;
步骤3、利用机载Li-DAR点云数据,剔除数据噪点,通过聚类分析,提取道路交叉口区域;
步骤4、引入环形剖面方法进行边缘提取,借助高程信息进行辅助判断,拟合出所述道路交叉口的道路平行边缘;
步骤5、利用Snake算法提取出所述道路交叉口的轮廓;
步骤6、基于Snake算法提取的所述道路交叉口的轮廓,确定所述道路交叉口的中心位置;确定所述道路交叉口的中心位置的步骤如下:
步骤6.1、基于Snake算法提取的道路交叉口的轮廓,对基础轮廓图像进行二值化处理,得到二值化图像;
步骤6.2、在所述二值化图像中任选一未被标记的非零像素,对该像素赋标记值,并按“八邻域”的顺序搜索附近非零未标记像素,赋同样的标记值,直到搜索完该连通区域未被标记的所有非零像素;
步骤6.3、对不同标记值的连通区域计算像素点个数,作为所述连通区域的面积;
步骤6.4、计算所述连通区域上下左右四个边缘角点坐标,将这四个所述边缘角点坐标的中心位置作为所述连通区域的中心点坐标,即交叉口的中心位置;
步骤7、根据所述道路交叉口的轮廓,获取所述道路交叉口的道路之间的角度;检测所述道路交叉口的道路之间的角度的步骤如下:
步骤7.1、以所述道路交叉口的中心位置为圆心,固定线长旋转一圈,以轨迹曲线上像素点与圆心点灰度值之差为纵坐标,旋转角度为横坐标;
步骤7.2、通过道路图像灰度和建筑物的灰度存在的差异,以灰度明显变化位置为道路边缘,图像中两个峰值之间的角度即为两个不同方向的道路边缘旋转的角度,通过图像识别获得所述道路交叉口的道路之间的夹角;
步骤8、检查所述道路交叉口的道路之间的角度是否小于70度;若是,则所述道路交叉口为畸形交叉口;若否,则所述道路交叉口为非畸形交叉口;
步骤9、统计所有属于所述畸形交叉口的所述道路交叉口,并输出相关信息;
所述相关信息是指统计畸形交叉口的数量和地理分布信息,形成畸形交叉口位置分布图,并进行路网结构、交通拥堵分析。
2.根据权利要求1所述的基于计算机的城市路网交叉角度检测方法,其特征在于,所述步骤5中,所述Snake算法的公式如下:
v(m)=[x(m),y(m)];
其中,m为曲线中的节点;x(m)和y(m)分别为曲线节点位置的横坐标和纵坐标,且0<m<1;
因此Esnake的能量公式E(v(m))如下:
其中,Eint和Eext分别为曲线的内部能量和外部能量;
利用“有限元差分方法”再将连续的Snake曲线离散化为一组控制点;
对于曲线上任意控制点vi,离散化后的内部能量取多项式的第1项和第2项分别代表曲线的刚力和弹力;
其中,Snake外部力取图像的方向梯度在曲线法向量上的投影,表达式为:
Eint(vi)=ai|vi-vi-1|2+βi|vi+1+vi-1-2vi|2;
Eext(v)=|▽I(v)|[n(v)d(v)];
式中:ai和βi为曲线参数,需结合实际案例进行标定;n(v)为节点所对应的内法线单位向量;d(v)为归一化的图像梯度矢量,即:
d(v)=▽I(v)/|▽I(v)|。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062570.3A CN112734849B (zh) | 2021-01-18 | 2021-01-18 | 基于计算机的城市路网交叉角度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062570.3A CN112734849B (zh) | 2021-01-18 | 2021-01-18 | 基于计算机的城市路网交叉角度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734849A CN112734849A (zh) | 2021-04-30 |
CN112734849B true CN112734849B (zh) | 2022-06-21 |
Family
ID=75592141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110062570.3A Active CN112734849B (zh) | 2021-01-18 | 2021-01-18 | 基于计算机的城市路网交叉角度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734849B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2759959A2 (en) * | 2013-01-25 | 2014-07-30 | Ricoh Company, Ltd. | Method and system for detecting multi-lanes |
CN111161545A (zh) * | 2019-12-24 | 2020-05-15 | 北京工业大学 | 基于视频的交叉口区域交通参数统计方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620742B (zh) * | 2012-04-12 | 2014-10-15 | 常熟恒基科技有限公司 | 基于道路形点段角度累计和道路相对位置的转向识别方法 |
EP3287940A1 (en) * | 2016-08-23 | 2018-02-28 | Continental Automotive GmbH | Intersection detection system for a vehicle |
CN106778605B (zh) * | 2016-12-14 | 2020-05-05 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
CN107478201B (zh) * | 2017-08-07 | 2020-02-07 | 苍穹数码技术股份有限公司 | 一种基于数字正射影像道路数字化采集方法及装置 |
CN107958183A (zh) * | 2017-12-02 | 2018-04-24 | 中国地质大学(北京) | 一种高分辨率遥感图像的城市路网信息自动提取方法 |
CN109635748B (zh) * | 2018-12-14 | 2021-09-03 | 中国公路工程咨询集团有限公司 | 高分辨率影像中道路特征的提取方法 |
-
2021
- 2021-01-18 CN CN202110062570.3A patent/CN112734849B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2759959A2 (en) * | 2013-01-25 | 2014-07-30 | Ricoh Company, Ltd. | Method and system for detecting multi-lanes |
CN111161545A (zh) * | 2019-12-24 | 2020-05-15 | 北京工业大学 | 基于视频的交叉口区域交通参数统计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112734849A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Riveiro et al. | Automated processing of large point clouds for structural health monitoring of masonry arch bridges | |
Hui et al. | Road centerline extraction from airborne LiDAR point cloud based on hierarchical fusion and optimization | |
EP2064657B1 (en) | Geospatial modeling system providing building roof type identification features and related methods | |
CN107958183A (zh) | 一种高分辨率遥感图像的城市路网信息自动提取方法 | |
CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
CN107092877A (zh) | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 | |
CN108828608B (zh) | 车辆检测方法中激光雷达背景数据滤除方法 | |
CN104990926A (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN104899892B (zh) | 一种快速的星图图像星点提取方法 | |
CN103136528A (zh) | 一种基于双边缘检测的车牌识别方法 | |
CN105096299A (zh) | 多边形检测方法和多边形检测装置 | |
CN105989334A (zh) | 基于单目视觉的道路检测方法 | |
CN106650580A (zh) | 基于图像处理的货架快速清点方法 | |
CN106096497A (zh) | 一种针对多元遥感数据的房屋矢量化方法 | |
Li et al. | Road extraction algorithm based on intrinsic image and vanishing point for unstructured road image | |
Hu | Intelligent road sign inventory (IRSI) with image recognition and attribute computation from video log | |
CN103310199A (zh) | 基于高分辨率遥感数据的车辆型号识别方法 | |
Yadav et al. | Pole-shaped object detection using mobile LiDAR data in rural road environments | |
CN112964264A (zh) | 道路边沿检测方法、装置、高精度地图、车辆及存储介质 | |
CN114565771B (zh) | 一种道路两侧设施的缺陷检测方法及装置 | |
Pan et al. | A novel computer vision‐based monitoring methodology for vehicle‐induced aerodynamic load on noise barrier | |
CN115308770A (zh) | 一种基于拟合图形的动态障碍物检测方法 | |
CN109558765A (zh) | 汽车及车道线的检测方法、装置 | |
CN112734849B (zh) | 基于计算机的城市路网交叉角度检测方法 | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 |
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 |