CN113129590A - 基于车载雷达与图形测量的交通设施信息智能分析方法 - Google Patents
基于车载雷达与图形测量的交通设施信息智能分析方法 Download PDFInfo
- Publication number
- CN113129590A CN113129590A CN202110386645.3A CN202110386645A CN113129590A CN 113129590 A CN113129590 A CN 113129590A CN 202110386645 A CN202110386645 A CN 202110386645A CN 113129590 A CN113129590 A CN 113129590A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- mark
- radar
- traffic
- 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.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims description 16
- 230000008447 perception Effects 0.000 claims description 14
- 238000005299 abrasion Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 14
- 238000013461 design Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000005662 electromechanics Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种于车载雷达与图形测量的交通设施信息智能分析方法,包括以下步骤:车载传感器位姿标定与坐标转化;道路交通设施资料采集;道路交通设施识别与初步定位;道路交通设施精确定位;交通设施运行状态及标志内容识别;道路交通设施资料整理与存储。本发明能够快速地、准确地获取道路交通设施类别、所在桩号位置信息以及设施状态信息,为道路资产管理和维护提供了必要的信息支撑。
Description
技术领域
本发明涉及信息处理与分析技术领域,特别是涉及一种基于车载雷达与图形测量的交通设施信息智能处理与分析方法。
背景技术
当前,我国基础设施发展迅速,如高速公路总里程已突破15万公里,随之而来的是道路沿线设施的管理问题,道路交通设施种类及数量众多,给相关部门在管理、维护工作上带来了很多问题。
在过去,往往通过人工检测的方法来采集道路交通设施信息。这种方法效率低、劳动强度大、同时容易产生安全问题,存在诸多不足之处。进一步的方法是在车上加装CCD相机,利用惯导系统,让检测车在道路上行驶时以摄影的方式采集沿线道路设施信息,不足之处是这种方法不能对道路的交通设施进行精确的空间测量,并且采集到的信息量有限。
发明内容
本发明主要目的在于针对现有的道路设施信息采集方法存在的一些问题和不足之处,提出一种基于车载雷达与图形测量的道路交通设施信息智能处理与分析方法,该方法能够快速地、准确地获取道路交通设施类别、所在桩号位置信息以及设施状态信息,为道路资产管理和维护提供了必要的信息支撑。
本发明所采用的技术方案是:
提供一种基于车载雷达与图形测量的交通设施信息智能分析方法,包括以下步骤:
标定车载前向激光雷达和摄像头的位姿,转化并建立同源参考系,使摄像头像素与雷达点云同步对应;
获取车载激光雷达和摄像头的感知信息;
对感知信息中的每帧图像进行特征要素识别,确定交通设施类别及其初步定位信息;
根据所识别交通设施的初步定位信息,提取对应的雷达点云信息,获取该交通设施的精确定位信息;
通过图像识别判断标志、标线功能性是否完好,通过图像语义识别提取交通标志内容,并判断设置是否符合规范;
通过精确定位信息,将所识别的交通设施与道路桩号进行匹配绑定,并上传交通设施信息至GIS数据库。
接上述技术方案,获取感知信息时,移动车每行驶一段距离,摄像头采集一帧图像,并记录采集点定位信息,车载雷达同时采集一帧雷达点云数据。
接上述技术方案,移动车每行驶10至20米的距离,摄像头采集一帧图像。
接上述技术方案,图像识别时,通过AI方法识别标志形式及内容,包含地名、标志所处方向;标线形式、颜色;护栏形式、高度。
接上述技术方案,图像识别时,将标志内容信息与标志位置进行匹配,确定其内容与位置的匹配度,识别其错误信息,识别标志破损及遮挡,识别标线磨损及错误,识别护栏缺失及防护等级。
本发明还提供了一种基于车载雷达与图形测量的交通设施信息智能分析系统,包括:
标定模块,用于标定车载前向激光雷达和摄像头的位姿,转化并建立同源参考系,使摄像头像素与雷达点云同步对应;
数据采集模块,用于获取车载激光雷达和摄像头的感知信息;
信息预处理模块,用于对感知信息中的每帧图像进行特征要素识别,确定交通设施类别及其初步定位信息;并用于根据所识别交通设施的初步定位信息,提取对应的雷达点云信息,获取该交通设施的精确定位信息;
识别模块,用于通过图像识别判断标志、标线功能性是否完好,通过图像语义识别提取交通标志内容,并判断设置是否符合规范;
匹配存储模块,用于通过精确定位信息,将所识别的交通设施与道路桩号进行匹配绑定,并上传交通设施信息至GIS数据库。
接上述技术方案,数据采集模块在获取感知信息时,移动车每行驶一段距离,摄像头采集一帧图像,并记录采集点定位信息,车载雷达同时采集一帧雷达点云数据。
接上述技术方案,识别模块具体通过AI方法识别标志形式及内容,包含地名、标志所处方向;标线形式、颜色;护栏形式、高度;将标志内容信息与标志位置进行匹配,确定其内容与位置的匹配度,识别其错误信息,识别标志破损及遮挡,识别标线磨损及错误,识别护栏缺失及防护等级。
本发明还提供了一种计算机可读存储介质,其可被处理器执行,其内存储有计算机程序,该计算机程序执行上述技术方案所述的基于车载雷达与图形测量的交通设施信息智能分析方法。
本发明产生的有益效果是:本发明在图像采集获取了初步定位的基础上结合雷达点云,实现了对道路交通设施的精确定位,且通过图像识别技术获取了道路交通设施的内容和运行状态信息。最后将各交通设施的位置信息、内容及运行状态信息存储于GIS数据库中。本发明的方法为相关部门进行管理、维护工作提供了有力信息支撑。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例基于车载雷达与图形测量的道路交通设施信息智能处理与分析方法的流程图;
图2是本发明实施例基于车载雷达与图形测量的道路交通设施信息智能处理与分析系统结构示意图;
图3是本发明另一实施例基于车载雷达与图形测量的道路交通设施信息智能处理与分析系统结构示意图;
图4是本发明系统的主要功能及特点展示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明通过多传感器融合采集道路交通要素信息已成为研究的热点,作为一种有效的信息采集手段,可以将其运用于交通设施信息采集当中。通过相机对道路沿线的观测为激光雷达定位提供更多空间约束信息,而激光雷达测量数据又能为视觉定位提供先验估计,二者互补可以实现对交通设施的精准定位。同时结合图像识别技术,对采集到的图像数据进行处理进而判别交通设施的内容与运行状态。为道路资产的管理、维护工作的提供了必要的信息支撑。
如图1所示,本发明基于车载雷达与图形测量的道路交通设施信息智能处理与分析方法主要包括以下步骤:
S101、车载传感器位姿标定与坐标转化:标定车载前向激光雷达和摄像头的位姿,转化并建立同源参考系,使摄像头像素与雷达点云同步对应。
S102、道路交通设施资料采集:基于车载GPS定位信息,以车辆每移动一定距离(如10-20m)为准则,提取并存储激光雷达和摄像头的感知信息。
S103、道路交通设施识别与初步定位:利用机器视觉技术,对感知信息中的每帧图像进行特征要素识别,确定标志、标线、护栏、桥梁、立柱以及机电等设施类别及其初步的位置信息。
S104、道路交通设施精确定位:根据所识别交通设施的初步定位信息,提取对应的雷达点云信息,获取该交通设施的精确定位信息。即移动车在采集图像和雷达点云的同时会记录采集点的车辆定位信息,同时基于图形测量可以获取道路交通设施的初步定位信息。通过采集的雷达点云数据可以获取道路交通设施相对移动车采集点的精确定位信息,在建立了同源参考系的基础上,可以实现道路交通设施在路网中的精确定位。
S105、交通设施运行状态及标志内容识别:通过图像识别判断标志、标线功能性是否完好,通过图像语义识别提取交通标志内容,并判断设置是否符合规范等。一方面,道路交通设施可能因设计或施工存在设置不合理的情况,另一方面,在使用的过程中,标志、标线及护栏等交通设施可能出现磨损、被遮挡等情况,从而影响交通设施功能的发挥。针对以上情况对交通设施的运行状态进行识别。在对图像进行特征要素识别,确定了设施类别的基础上判断实施功能性是否完好。具体来讲,结合雷达点云数据判断护栏等基础设施结构是否完整;通过机器视觉技术判断标志、标线的内容是否存在缺失的情况。若标志、标线的功能性完好,可以准确地进行识别,则通过图像语义识别提取标志、标线的具体内容。为了给道路资产管理工作提供支撑,可以结合交通设施的精确定位信息以及功能性识别、语义识别的结果,参照相应的设计规范进而对交通设施运行状态进行评价。
S106、道路交通设施资料整理与存储:通过精确定位信息,将所识别的交通设施与道路桩号进行匹配绑定,并上传交通设施信息至GIS数据库,方便进行道路资产的维护、管理工作。道路桩号分为百米桩和千米桩,在获取了交通设施精确的定位信息的基础上,将每个设施与邻近的桩号较小的百米桩的桩号匹配绑定。即每个百米桩桩号绑定了沿道路前进方向一百米内的道路交通设施的信息。千米桩的桩号绑定了沿前进方向一公里内的设施的信息。交通设施信息与对应道路桩号一一匹配绑定后上传至GIS数据库中,方便相关部门进行道路资产的维护、管理工作。
进一步地,步骤S105中,具体通过AI方法,识别标志形式及内容,包含但不仅限于地名、标志中所处方向;标线,包含但不仅限于形式、颜色;护栏,包含但不限于形式、高度。同时将标志内容信息与标志位置进行匹配,确定其内容与位置的匹配度,识别其错误信息;标志破损及遮挡识别;标线磨损及错误识别;护栏缺失及防护等级识别。该步骤不仅通过图像识别对道路交通设施进行分类,同时结合雷达点云,对道路交通设施运行状态进行识别。如通过图像识别判断道路交通设施是否有污损导致功能性缺失,结合雷达检测的数据可以获取道路交通设施尺寸大小信息,从而判断设施设置是否合理。
本发明还提供了一种计算机可读存储介质,其可被处理器执行,其内存储有计算机程序,该计算机程序执行上述实施例基于车载雷达与图形测量的交通设施信息智能分析方法。
如图2所示,本发明实施例基于车载雷达与图形测量的交通设施信息智能分析系统,包括:
标定模块,用于标定车载前向激光雷达和摄像头的位姿,转化并建立同源参考系,使摄像头像素与雷达点云同步对应;
数据采集模块,用于获取车载激光雷达和摄像头的感知信息;
信息预处理模块,用于对感知信息中的每帧图像进行特征要素识别,确定交通设施类别及其初步定位信息;并用于根据所识别交通设施的初步定位信息,提取对应的雷达点云信息,获取该交通设施的精确定位信息;
识别模块,用于通过图像识别判断标志、标线功能性是否完好,通过图像语义识别提取交通标志内容,并判断设置是否符合规范;
匹配存储模块,用于通过精确定位信息,将所识别的交通设施与道路桩号进行匹配绑定,并上传交通设施信息至GIS数据库。
进一步地,数据采集模块在获取感知信息时,移动车每行驶一段距离,摄像头采集一帧图像,并记录采集点定位信息,车载雷达同时采集一帧雷达点云数据。
进一步地,识别模块具体通过AI方法识别标志形式及内容,包含地名、标志所处方向;标线形式、颜色;护栏形式、高度;将标志内容信息与标志位置进行匹配,确定其内容与位置的匹配度,识别其错误信息,识别标志破损及遮挡,识别标线磨损及错误,识别护栏缺失及防护等级。
如图3、4所示,本发明另一实施例基于车载雷达与图形测量的交通设施信息智能分析系统,包括数据采集模块、数据处理模块、信息存储模块。
数据采集模块运用了车载雷达和相机,需要对道路进行交通设施信息采集工作时,基于GPS信息,承载车每行驶10至20米的距离,相机采集一帧图像数据,并且在采集图像的同时会记录下每一次采集点的定位信息,同时车载雷达采集一帧雷达点云数据。数据采集模块采集的数据会传输至数据处理平台由数据处理模块进行处理,进而获得所需交通设施相关信息。
数据处理模块包括对交通设施进行类型识别、精确定位以及内容和运行状态识别。该模块的基础是对道路交通设施进行分类和初步定位。即利用机器视觉技术,对感知信息中的每帧图像进行特征要素识别,确定标志、标线、护栏、桥梁、立柱以及机电等设施类别及其初步的位置信息。其中道路交通设施类型划分可具体参考《道路交通安全设施基础信息采集规范(GA/T1495-2018)》。
数据处理模块还包含获取交通设施精准定位信息。仅凭借图像数据并不能得到交通设施的精确定位。因此在对交通设施进行分类识别及初步定位后,需要进行车载传感器的位姿标定与坐标转化。具体来讲,需要标定车载前向激光雷达与摄像头的位姿,雷达点云为三维数据,采集的图像为二维的。因此需要进行坐标系转换,建立同源参考系,使摄像头像素与雷达点云同步对应。三维的雷达点云数据为球坐标系,需要经过以下转换,首先将球坐标系转换为世界坐标系,然后将世界坐标系转换为相机坐标系,最后相机坐标系转换为图像坐标系。如此对应之后可以根据交通设施的坐标在雷达点云中找出所在位置。进而获取交通设施精确的定位信息。
数据处理模块包含对设施的运行状态进行识别,此处可具体参考《道路交通安全设施基础信息采集规范(GA/T 1495-2018)》的第7.1节。对照巡查采集要求的内容对道路交通设施的运行状态进行识别。此处需要通过图像识别并结合雷达点云数据实现。同时可以结合相应的设计规范判断交通设施现在的状态是否合理,此处可以具体参考《城市道路交通设施设计规范(GB50688-2011)》。以交通标志为例,在上一步获取了交通设施的精确定位信息的前提下,首先可以判断交通标志位置设置是否符合规范;进一步的,通过图像识别判断标志是否存在污损,即判断标志外观是否完好;由于雷达可以检测到交通设施的外观尺寸大小信息,进而可以判断交通设施的尺寸、高度等设计是否合理以及是否存在残缺的情况。
数据处理模块还包含对交通标志的内容进行识别,并结合设计规范判断其与规范的相符性。此处可具体参考《城市道路交通设施设计规范(GB50688-2011)》。通过图像语义识别,提取交通标志的内容信息,结合相应的设计规范判断该内容设计是否合理。其中交通标志往往通过文字、图案、颜色等传达信息。因此对内容进行识别需要综合多种技术,如人工智能、机器学习、模式识别、图像理解、图像处理及计算机硬件等。在卷积神经网络中加入多属性(如设施颜色、形状、图案、文字内容等)学习约束,同时进行交通设施属性学习和分类学习,以达到交通标志内容识别效果。
信息存储模块即对数据处理模块中所获取的信息进行存储。根据精确定位信息,将所识别的交通设施与道路桩号进行匹配绑定,并上传交通设施的各类信息至GIS数据库。该数据存储模块的实现可以方便地进行交通设施信息查阅、使用。并且在后续对设施进行管理、维护工作中,设施状态发生变化时,可以及时地在数据库中进行更新。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于车载雷达与图形测量的交通设施信息智能分析方法,其特征在于,包括以下步骤:
标定车载前向激光雷达和摄像头的位姿,转化并建立同源参考系,使摄像头像素与雷达点云同步对应;
获取车载激光雷达和摄像头的感知信息;
对感知信息中的每帧图像进行特征要素识别,确定交通设施类别及其初步定位信息;
根据所识别交通设施的初步定位信息,提取对应的雷达点云信息,获取该交通设施的精确定位信息;
通过图像识别判断标志、标线功能性是否完好,通过图像语义识别提取交通标志内容,并判断设置是否符合规范;
通过精确定位信息,将所识别的交通设施与道路桩号进行匹配绑定,并上传交通设施信息至GIS数据库。
2.根据权利要求1所述的基于车载雷达与图形测量的交通设施信息智能分析方法,其特征在于,获取感知信息时,移动车每行驶一段距离,摄像头采集一帧图像,并记录采集点定位信息,车载雷达同时采集一帧雷达点云数据。
3.根据权利要求2所述的基于车载雷达与图形测量的交通设施信息智能分析方法,其特征在于,移动车每行驶10至20米的距离,摄像头采集一帧图像。
4.根据权利要求1所述的基于车载雷达与图形测量的交通设施信息智能分析方法,其特征在于,图像识别时,通过AI方法识别标志形式及内容,包含地名、标志所处方向;标线形式、颜色;护栏形式、高度。
5.根据权利要求1所述的基于车载雷达与图形测量的交通设施信息智能分析方法,其特征在于,图像识别时,将标志内容信息与标志位置进行匹配,确定其内容与位置的匹配度,识别其错误信息,识别标志破损及遮挡,识别标线磨损及错误,识别护栏缺失及防护等级。
6.一种基于车载雷达与图形测量的交通设施信息智能分析系统,其特征在于,包括:
标定模块,用于标定车载前向激光雷达和摄像头的位姿,转化并建立同源参考系,使摄像头像素与雷达点云同步对应;
数据采集模块,用于获取车载激光雷达和摄像头的感知信息;
信息预处理模块,用于对感知信息中的每帧图像进行特征要素识别,确定交通设施类别及其初步定位信息;并用于根据所识别交通设施的初步定位信息,提取对应的雷达点云信息,获取该交通设施的精确定位信息;
识别模块,用于通过图像识别判断标志、标线功能性是否完好,通过图像语义识别提取交通标志内容,并判断设置是否符合规范;
匹配存储模块,用于通过精确定位信息,将所识别的交通设施与道路桩号进行匹配绑定,并上传交通设施信息至GIS数据库。
7.根据权利要求6所述的基于车载雷达与图形测量的交通设施信息智能分析系统,其特征在于,数据采集模块在获取感知信息时,移动车每行驶一段距离,摄像头采集一帧图像,并记录采集点定位信息,车载雷达同时采集一帧雷达点云数据。
8.根据权利要求6所述的基于车载雷达与图形测量的交通设施信息智能分析系统,其特征在于,识别模块具体通过AI方法识别标志形式及内容,包含地名、标志所处方向;标线形式、颜色;护栏形式、高度;将标志内容信息与标志位置进行匹配,确定其内容与位置的匹配度,识别其错误信息,识别标志破损及遮挡,识别标线磨损及错误,识别护栏缺失及防护等级。
9.一种计算机可读存储介质,其特征在于,其可被处理器执行,其内存储有计算机程序,该计算机程序执行权利要求1-5中任一项所述的基于车载雷达与图形测量的交通设施信息智能分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110386645.3A CN113129590A (zh) | 2021-04-12 | 2021-04-12 | 基于车载雷达与图形测量的交通设施信息智能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110386645.3A CN113129590A (zh) | 2021-04-12 | 2021-04-12 | 基于车载雷达与图形测量的交通设施信息智能分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113129590A true CN113129590A (zh) | 2021-07-16 |
Family
ID=76775779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110386645.3A Pending CN113129590A (zh) | 2021-04-12 | 2021-04-12 | 基于车载雷达与图形测量的交通设施信息智能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129590A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10160834A (ja) * | 1996-11-29 | 1998-06-19 | Sumitomo Electric Ind Ltd | 先行車両認識方法 |
CN101825442A (zh) * | 2010-04-30 | 2010-09-08 | 北京理工大学 | 一种基于移动平台的彩色激光点云成像系统 |
US9056395B1 (en) * | 2012-09-05 | 2015-06-16 | Google Inc. | Construction zone sign detection using light detection and ranging |
US20180120857A1 (en) * | 2016-11-03 | 2018-05-03 | Ford Global Technologies, Llc | Road sign recognition |
CN108020826A (zh) * | 2017-10-26 | 2018-05-11 | 厦门大学 | 多线激光雷达与多路相机混合标定方法 |
WO2020052530A1 (zh) * | 2018-09-12 | 2020-03-19 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及相关设备 |
CN111652050A (zh) * | 2020-04-20 | 2020-09-11 | 宁波吉利汽车研究开发有限公司 | 一种交通标志的定位方法、装置、设备和介质 |
CN112507899A (zh) * | 2020-12-15 | 2021-03-16 | 上海有个机器人有限公司 | 一种三维激光雷达图像识别方法以及设备 |
CN112633722A (zh) * | 2020-12-29 | 2021-04-09 | 交通运输部公路科学研究所 | 车载道路安全风险评估系统及方法 |
-
2021
- 2021-04-12 CN CN202110386645.3A patent/CN113129590A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10160834A (ja) * | 1996-11-29 | 1998-06-19 | Sumitomo Electric Ind Ltd | 先行車両認識方法 |
CN101825442A (zh) * | 2010-04-30 | 2010-09-08 | 北京理工大学 | 一种基于移动平台的彩色激光点云成像系统 |
US9056395B1 (en) * | 2012-09-05 | 2015-06-16 | Google Inc. | Construction zone sign detection using light detection and ranging |
US20180120857A1 (en) * | 2016-11-03 | 2018-05-03 | Ford Global Technologies, Llc | Road sign recognition |
CN108020826A (zh) * | 2017-10-26 | 2018-05-11 | 厦门大学 | 多线激光雷达与多路相机混合标定方法 |
WO2020052530A1 (zh) * | 2018-09-12 | 2020-03-19 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及相关设备 |
CN111652050A (zh) * | 2020-04-20 | 2020-09-11 | 宁波吉利汽车研究开发有限公司 | 一种交通标志的定位方法、装置、设备和介质 |
CN112507899A (zh) * | 2020-12-15 | 2021-03-16 | 上海有个机器人有限公司 | 一种三维激光雷达图像识别方法以及设备 |
CN112633722A (zh) * | 2020-12-29 | 2021-04-09 | 交通运输部公路科学研究所 | 车载道路安全风险评估系统及方法 |
Non-Patent Citations (2)
Title |
---|
廖军洪 等: "公路三维动态视距计算方法及评价技术", 《吉林大学学报(工学版)》 * |
梁才 等: "BIM技术在公路方案设计中的应用", 《公路交通科技》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
CN109470254B (zh) | 地图车道线的生成方法、装置、系统及存储介质 | |
CN103778681B (zh) | 一种车载高速公路巡检系统及数据获取和处理方法 | |
CN109059954B (zh) | 支持高精度地图车道线实时融合更新的方法和系统 | |
CN108955702B (zh) | 基于三维激光和gps惯性导航系统的车道级地图创建系统 | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN109583415A (zh) | 一种基于激光雷达与摄像机融合的交通灯检测与识别方法 | |
CN107229690A (zh) | 基于路侧传感器的高精度动态地图数据处理系统及方法 | |
CN105654732A (zh) | 一种基于深度图像的道路监控系统及方法 | |
CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
CN110991466A (zh) | 一种基于新型视觉传感设备的高速公路路面状况检测系统 | |
CN105701449A (zh) | 路面上的车道线的检测方法和装置 | |
CN104766086A (zh) | 一种公路标识的监管方法和系统 | |
CN106778548A (zh) | 用于检测障碍物的方法和装置 | |
CN106296814A (zh) | 公路养护检测与可视化交互方法和系统 | |
CN106087679A (zh) | 一种沥青路面病害识别与自动绘图系统及其方法 | |
CN110427441A (zh) | 一种基于空天地一体化技术的铁路外部环境隐患检测和管理方法 | |
CN103528531A (zh) | 小型车车辆参数的物联网图像智能检测系统 | |
CN115705699A (zh) | 一种基于数字孪生技术的高速公路智能巡检方法和装置 | |
Che et al. | Efficient segment-based ground filtering and adaptive road detection from mobile light detection and ranging (LiDAR) data | |
CN114971166A (zh) | 一种轻量化道路路面服务质量巡检系统 | |
CN112837414B (zh) | 基于车载点云数据的三维高精度地图的构建方法 | |
CN112487932A (zh) | 基于道路点云的高速公路场景重构系统及方法 | |
CN113129590A (zh) | 基于车载雷达与图形测量的交通设施信息智能分析方法 | |
CN116434525A (zh) | 一种高速公路智能管理预警系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210716 |