CN113378800A - 基于车载三维点云的道路标志线自动分类与矢量化方法 - Google Patents
基于车载三维点云的道路标志线自动分类与矢量化方法 Download PDFInfo
- Publication number
- CN113378800A CN113378800A CN202110851888.XA CN202110851888A CN113378800A CN 113378800 A CN113378800 A CN 113378800A CN 202110851888 A CN202110851888 A CN 202110851888A CN 113378800 A CN113378800 A CN 113378800A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- road sign
- vehicle
- points
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于车载三维激光点云的道路标志线自动分类与矢量化方法,包括如下步骤:利用采集的车载轨迹信息并按照定义长度及定义宽度将车载激光点云切割为多块点云;构建KD树,通过KD树搜索分块点云中各点的邻域点并计算其法向量特征;构建基于法向量的生长算法,将点云分割为预分割体,对各预分割体进行特征提取,通过构建预分割体的特征约束来提取道路路面点;构建基于点云强度特征的生长算法,在道路地面点中提取道路标志线;构建道路标志线模板,按照模板对道路标志线进行分类并矢量化。本发明所述的基于车载三维激光点云的道路标志线自动分类与矢量化方法自动化程度高,且稳定性良好。
Description
技术领域
本发明属于图像识别领域,具体涉及基于车载三维点云的道路标志线自动分类与矢量化方法。
背景技术
自动驾驶和智能交通系统为提升道路交通安全和缓解城市交通拥堵具有重要作用,高精地图在在自动驾驶系统和智能交通系统中起到关键作用,例如高精地图可提升自动驾驶系统在恶劣的天气条件下的稳定性,道路交通标志线作为高精地图的不可或缺的组成部分,道路交通标志线的提取与矢量化具有重要的意义。车载三维激光扫描系统因其机动性良好和采集数据精度高被广泛应用于城市道路场景的三维数据采集,车载三维激光扫描系统采集的高质量三维点云数据为道路交通标志线的提取与矢量化提供了强有力的支持,而车载三维激光点云数据海量、密度变化大和遮挡严重,在不同的城市场景道路交通标志线的强度信息变化较大,这些问题严重阻碍了道路交通标志线的提取与矢量化的自动化生产,现阶段在高精地图生产的过程中,道路交通标志线的提取与矢量化严重依赖人工作业。因此,大范围车载激光点云中自动化提取和矢量化道路交通标志线对于提升高精地图生产的自动化水平具有重要的意义。
现阶段,针对车载激光点云中自动提取和矢量化道路交通标志线的研究工作主要分为两类,基于人工定义规则约束的方法和基于机器学习的方法。
基于人工定义规则约束的方法是根据目标物体的特性构建一系列特征约束来对物体进行识别,Jaakkola等(2008)提出了一种基于扫描线特征分析的方法对道路路面与道路交通标志线进行自动提取与建模,该方法首先对扫描线上的点强度信息进行曲线拟合来剔除远距离扫描点的影响,然后使用特定阈值过滤掉强度较低的点,并将高强度点投射为影像,对影像进行形态学滤波,最后对影像进行特征提取实现道路交通标志线的自动识别。该算法严重依赖点云的扫描线信息,并非所有车载激光扫描器采集的点云包含扫描线信息,因此,该方法仅适用于特定的车载激光点云数据,算法通用性较差。Vosselman(2009)首次提出利用距离和角度信息对车载点云的强度信息进行校正,然后利用点与点之间的距离和强度信息对点云进行连接分析,最后通过分析道路标志线的模式规则与模板匹配实现道路标志线的自动提取,在该算法中非地面点没有被移除可导致高强度非地面点易被错误识别为道路交通标志线。杨必胜等人(2012)将点云投影到二维平面生成强度图,然后对强度图进行连通区域分析,最后使用概率霍夫变换自动提取道路标志线,该方法仅适用于道路标志直线的提取,而无法提取复杂的道路标志线。Riveiro等(2015)基于车载点云的强度信息和扫描线信息中实现了人行道斑马线的自动提取,与杨必胜等人(2012)的方法相似,该方法也是基于霍夫变换来提取斑马交通标志线,该方法有很大的局限性,只能用于人行道的提取,鲁棒性较差。管海燕等人(2014)首先基于路坎将道路路面点自动提取,然后将路面点投影生成二维影像,在二维图像中采用Ostu阈值分割算法提取道路交通标志线,最后使用形态学闭操作算子对提取到道路交通标志线进行优化得到最终结果。
基于机器学习的方法是将提取的点云低阶或高阶特征输入到机器学习算子中进行训练,然后利用训练后的模型对道路交通标志线进行提取。Soilán等(2017)首次利用基于神经网络在车载点云中对实现了道路标志线的分类,该方法首先提取路面点,并将路面点投影到二维平面生成影像,然后基于Ostu算法在影像中提取道路标志线,最后利用简单的神经网络对预先标定的数据进行训练并预测道路标志线的种类。该方法基于影像分类的神经网络对检测到的道路标志线进行分类,无法对较长的道路标志线进行识别。温程璐等人(2019)利用深度神经网络对道路标志线进行了自动提取分类,并对缺失的道路标志线进行了自动补全,该方法首先基于U-Net网络对道路标志线进行粗分类,然后使用CNN(卷积神经网络)对道路标志线进行精细分类,最后利用CGAN(条件对抗生成神经网络)对缺失的道路标志进行自动补全。Chen等人(2020)基于DFPN(深度特征金字塔网络)对道路标志线进行自动识别。Homayounfar等(2019)将深度学习神经网络与概率图模型结合实现了道路边线的自动识别矢量化,该网络仅可用于简单的道路边线提取。
本发明基于通用特征和普适规则约束构造一种知识推理的方法对道路标志线进行自动提取与矢量化,本发明无需人工标定的训练数据,具有较高的自动化程度和效率。
发明内容
为此,本发明所要解决的技术问题是提供一种基于车载三维点云的标志线自动分类和矢量化方法。
本发明的基于车载三维点云的标志线自动分类和矢量化方法,包括如下步骤:S1,利用采集的车载轨迹信息并按照定义长度及定义宽度将车载激光点云切割为多块点云;
S2,构建KD树,通过KD树搜索分块点云中各点的邻域点并计算其法向量特征;
S3,构建基于法向量的生长算法,将点云分割为预分割体,对各预分割体进行特征提取,通过构建预分割体的特征约束来提取道路路面点;
S4,构建基于点云强度特征的生长算法,在道路地面点中提取道路标志线;
S5,构建道路标志线模板,按照模板对道路标志线进行分类并矢量化。
进一步的,步骤S1的具体过程包括:
S101,按照定义长度对车载轨迹进行分段,并构建轨迹曲线;
S102,沿轨迹曲线的各轨迹点的法向量方向及其逆方向以定义宽度生长,构建点云分块。
进一步的,步骤S2中提取各点的法向量特征的具体步骤包括:
S202,计算各点的K个最邻近点的协方差矩阵COV,计算公式如下,
S203,计算协方差矩阵的法向量,计算公式如下,
进一步的,步骤S3构建基于法向量的生长算法之前,还包括,S300,对点云中的各点进行粗过滤,过滤公式如下,
然后,将符合判别公式的点构建为点集PC;
进一步的,步骤S3中基于法向量的生长算法具体过程包括:
进一步的,步骤S3中判断预分割体类型的具体步骤包括:
S311,提取预分割体的形态特征参数,
S312,步骤S3中判断预分割体类型的具体步骤包括:
S311,提取预分割体的形态特征参数,
S312,将预分割体的形态特征参数代入判别公式,判别公式如下:
进一步的,步骤S4中基于的生长算法包括如下步骤:
步骤S4中基于的生长算法包括如下步骤:
进一步的,步骤S4中提取道路标志线的具体步骤为,
S411,提取道路标志线的形态特征参数;
S412,将道路标志线的形态特征参数代入判别公式,判别公式如下,
进一步的,步骤S5中对模板进行分类和矢量化的过程具体过程包括:
S503,计算模板道路标志线和中各道路标志线的特征匹配度与重叠度,特征匹配过程中,在道路标志线模板中选取与道路标志线特征相差最小的模板,然后进行特征匹配判断;在进行重叠度计算之前,首先将道路标志线与模板进行对齐,然后在道路标志线模板中选取与道路标志线二维投影面积相差最小的模板,最后进行重叠度匹配判断,如特征匹配与重叠度匹配吻合,则道路标志线的类别为。特征匹配与重叠度匹配公式如下
S504,遍历所有的道路标志线完成分类与矢量化;
进一步的,步骤S1中的车载轨迹信息具体为车载扫描系统中GPS模块与惯导模块纪录的车辆行进过程中激光扫描仪的中心坐标;车载激光点云是三维激光传感器直接获取的点云坐标以及属性信息。
本发明的上述技术方案,相比现有技术具有以下优点:
现有基于规则约束的方法由于提取的特征不够通用,导致构建的规则约束无法适应不同的城市路面环境,导致在不同的路面环境下算法提取道路标志线的精度差距较大;基于深度神经网络的方法需要海量标定数据,方法的可控性与可解释性较差,在城市的不同的场景算法的性能差别很大,而且标定海量点云数据需要消耗大量的人力与物力;本发明通过两种生长算法快速判断道路标志线及道路标志线的种类,无需额外设定大量的人工标定数据,且普适性更好。
附图说明
图1是本发明实施例提供的流程示意图;
图2是本发明实施例提供的对点云进行分块的示意图;
图3是本发明实施例提供的分块后的点云示意图;
图4是本发明实施例中生长算法的扩散示意图;
图5是本发明实施例提供的提取后的道路标志线示意图;
图6是本发明实施例提供的矢量化后的道路标志线。
具体实施方式
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,所描述的实施例仅仅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做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。
本实施例的基于车载三维激光点云的道路标志线自动分类和矢量化方法,包括如下步骤:
S1,利用采集的车载轨迹信息并按照定义长度及定义宽度将车载激光点云切割为多块点云。
具体地,车载点云轨迹信息为车载扫描系统中GPS模块与惯导模块纪录的车辆行进过程中激光扫描仪的中心坐标;车载激光点云是三维激光传感器直接获取的点云坐标以及属性信息。
步骤S1具体包括如下步骤,如图2和图3所示。
S101,按照定义长度对车载轨迹进行分段,并构建轨迹曲线。
S102,沿轨迹曲线的各轨迹点的法向量方向及其逆方向以定义宽度生长,构建点云分块,得到如图3所示的点云分块。
在本实施例中,长度定义为60m,宽度定义为40m。
S2,构建KD树,通过KD树搜索分块点云中各点的邻域点并计算其法向量特征。
法向量特征用于描述点云的曲率变化,具体地,通过如下步骤实现。
步骤S2中提取各点的法向量特征的具体步骤包括:
S202,计算各点的K个最邻近点的协方差矩阵COV,计算公式如下,
S203,计算协方差矩阵的法向量,计算公式如下,
S3,构建基于法向量的生长算法,将点云分割为预分割体,对各预分割体进行特征提取,通过构建预分割体的特征约束来提取道路路面点;
S4,构建基于点云强度特征的生长算法,在道路地面点中提取道路标志线;
S5,构建道路标志线模板,按照模板对道路标志线进行分类并矢量化。
进一步的,步骤S3构建基于法向量的生长算法之前,还包括,S300,对点云中的各点进行粗过滤,过滤公式如下,
然后,将符合判别公式的点构建为点集PC;
进一步的,如图4所示,步骤S3中基于法向量的生长算法具体过程包括:
进一步的,步骤S3中判断预分割体类型的具体步骤包括:
S311,提取预分割体的形态特征参数,
S312,将预分割体的形态特征参数代入判别公式,判别公式如下:
进一步的,步骤S4中基于的生长算法包括如下步骤:
进一步的,步骤S4中提取道路标志线的具体步骤为,
S411,提取道路标志线的形态特征参数;
S412,将道路标志线的形态特征参数代入判别公式,判别公式如下,
进一步的,步骤S5中对模板进行分类和矢量化的过程具体过程包括:
S503,计算模板道路标志线和中各道路标志线的特征匹配度与重叠度,特征匹配过程中,在道路标志线模板中选取与道路标志线特征相差最小的模板,然后进行特征匹配判断;在进行重叠度计算之前,首先将道路标志线与模板进行对齐,然后在道路标志线模板中选取与道路标志线二维投影面积相差最小的模板,最后进行重叠度匹配判断,如特征匹配与重叠度匹配吻合,则道路标志线的类别为。特征匹配与重叠度匹配公式如下
S504,遍历所有的道路标志线完成分类与矢量化,得到如图6所示的矢量化后的道路标志线。
进一步的,步骤S1中的车载轨迹信息具体为车载扫描系统中GPS模块与惯导模块纪录的车辆行进过程中激光扫描仪的中心坐标;车载激光点云是三维激光传感器直接获取的点云坐标以及属性信息。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于车载三维激光点云的道路标志线自动分类与矢量化方法,其特征在于,包括如下步骤:
S1,利用采集的车载轨迹信息并按照定义长度及定义宽度将车载激光点云切割为多块点云;
S2,构建KD树,通过KD树搜索分块点云中各点的邻域点并计算其法向量特征;
S3,构建基于法向量的生长算法,将点云分割为预分割体,对各预分割体进行特征提取,通过构建预分割体的特征约束来提取道路路面点;
S4,构建基于点云强度特征的生长算法,在道路地面点中提取道路标志线;
S5,构建道路标志线模板,按照模板对道路标志线进行分类并矢量化。
2.根据权利要求1中所述的基于车载三维激光点云的道路标志线自动分类与矢量化方法,其特征在于,步骤S2的具体过程包括:
S101,按照定义长度对车载轨迹进行分段,并构建轨迹曲线;
S102,沿轨迹曲线的各轨迹点的法向量方向及其逆方向以定义宽度生长,构建点云分块。
5.根据权利要求4中所述的基于车载三维激光点云的道路标志线自动分类与矢量化方法,其特征在于,步骤S3中基于法向量的生长算法具体过程包括:
7.根据权利要求6所述的基于车载三维激光点云的道路标志线自动分类与矢量化方法,其特征在于,步骤S4中基于的生长算法包括如下步骤:
9.根据权利要求8中所述的基于车载三维激光点云的道路标志线自动分类与矢量化方法,其特征在于,步骤S5中对模板进行分类和矢量化的过程具体过程包括:
S503,计算模板道路标志线和中各道路标志线的特征匹配度与重叠度,特征匹配过程中,在道路标志线模板中选取与道路标志线特征相差最小的模板,然后进行特征匹配判断;在进行重叠度计算之前,首先将道路标志线与模板进行对齐,然后在道路标志线模板中选取与道路标志线二维投影面积相差最小的模板,最后进行重叠度匹配判断,如特征匹配与重叠度匹配吻合,则道路标志线的类别为;特征匹配与重叠度匹配公式如下:
S504,遍历所有的道路标志线完成分类与矢量化。
10.根据权利要求1中所述的基于车载三维激光点云的道路标志线自动分类与矢量化方法,其特征在于,步骤S1中的车载轨迹信息具体为车载扫描系统中GPS模块与惯导模块纪录的车辆行进过程中激光扫描仪的中心坐标;车载激光点云是三维激光传感器直接获取的点云坐标以及属性信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851888.XA CN113378800B (zh) | 2021-07-27 | 2021-07-27 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851888.XA CN113378800B (zh) | 2021-07-27 | 2021-07-27 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378800A true CN113378800A (zh) | 2021-09-10 |
CN113378800B CN113378800B (zh) | 2021-11-09 |
Family
ID=77583008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110851888.XA Active CN113378800B (zh) | 2021-07-27 | 2021-07-27 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378800B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989784A (zh) * | 2021-11-30 | 2022-01-28 | 福州大学 | 一种基于车载激光点云的道路场景类型识别方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529431A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于车载激光扫描数据的路坎点自动提取及矢量化方法 |
CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
CN107169464A (zh) * | 2017-05-25 | 2017-09-15 | 中国农业科学院农业资源与农业区划研究所 | 一种基于激光点云的道路边界检测方法 |
CN107274423A (zh) * | 2017-05-26 | 2017-10-20 | 中北大学 | 一种基于协方差矩阵和投影映射的点云特征曲线提取方法 |
CN107590203A (zh) * | 2017-08-22 | 2018-01-16 | 武汉市测绘研究院 | 一种基于平均高程面三角网的地形图高程抽稀算法 |
CN110188664A (zh) * | 2019-05-28 | 2019-08-30 | 福州大学 | 一种基于Snake的车载激光点云矢量道路边界精细提取方法 |
CN110232736A (zh) * | 2019-06-18 | 2019-09-13 | 中国矿业大学 | 一种井下综采工作面三维场景快速构建方法 |
CN111079611A (zh) * | 2019-12-09 | 2020-04-28 | 成都奥伦达科技有限公司 | 一种道路面及其标志线的自动提取方法 |
CN111414924A (zh) * | 2020-03-17 | 2020-07-14 | 江苏易图地理信息科技股份有限公司 | 一种顾及最优邻域的点云局部特征提取与分类方法 |
US20200341150A1 (en) * | 2018-12-29 | 2020-10-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for constructing a high-definition map based on landmarks |
CN111915517A (zh) * | 2020-07-23 | 2020-11-10 | 同济大学 | 一种适用于室内光照不利环境下rgb-d相机全局定位方法 |
CN112132840A (zh) * | 2020-09-01 | 2020-12-25 | 济南市房产测绘研究院(济南市房屋安全检测鉴定中心) | 一种车载行道树点云分类与特征信息提取方法 |
CN112989946A (zh) * | 2021-02-10 | 2021-06-18 | 福瑞泰克智能系统有限公司 | 一种车道线的确定方法、装置、设备及车辆 |
-
2021
- 2021-07-27 CN CN202110851888.XA patent/CN113378800B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529431A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于车载激光扫描数据的路坎点自动提取及矢量化方法 |
CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
CN107169464A (zh) * | 2017-05-25 | 2017-09-15 | 中国农业科学院农业资源与农业区划研究所 | 一种基于激光点云的道路边界检测方法 |
CN107274423A (zh) * | 2017-05-26 | 2017-10-20 | 中北大学 | 一种基于协方差矩阵和投影映射的点云特征曲线提取方法 |
CN107590203A (zh) * | 2017-08-22 | 2018-01-16 | 武汉市测绘研究院 | 一种基于平均高程面三角网的地形图高程抽稀算法 |
US20200341150A1 (en) * | 2018-12-29 | 2020-10-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for constructing a high-definition map based on landmarks |
CN110188664A (zh) * | 2019-05-28 | 2019-08-30 | 福州大学 | 一种基于Snake的车载激光点云矢量道路边界精细提取方法 |
CN110232736A (zh) * | 2019-06-18 | 2019-09-13 | 中国矿业大学 | 一种井下综采工作面三维场景快速构建方法 |
CN111079611A (zh) * | 2019-12-09 | 2020-04-28 | 成都奥伦达科技有限公司 | 一种道路面及其标志线的自动提取方法 |
CN111414924A (zh) * | 2020-03-17 | 2020-07-14 | 江苏易图地理信息科技股份有限公司 | 一种顾及最优邻域的点云局部特征提取与分类方法 |
CN111915517A (zh) * | 2020-07-23 | 2020-11-10 | 同济大学 | 一种适用于室内光照不利环境下rgb-d相机全局定位方法 |
CN112132840A (zh) * | 2020-09-01 | 2020-12-25 | 济南市房产测绘研究院(济南市房屋安全检测鉴定中心) | 一种车载行道树点云分类与特征信息提取方法 |
CN112989946A (zh) * | 2021-02-10 | 2021-06-18 | 福瑞泰克智能系统有限公司 | 一种车道线的确定方法、装置、设备及车辆 |
Non-Patent Citations (3)
Title |
---|
ZHENGHUI YI 等: "An Airborne LiDAR Building-Extraction Method Based on the Naive Bayes–RANSAC Method for Proportional Segmentation of Quantitative Features", 《JOURNAL OF THE INDIAN SOCIETY OF REMOTE SENSING》 * |
刘庆群 等: "面向岩体结构面提取的3D Hough变换点云分割方法", 《工程勘察》 * |
李发帅 等: "基于分块SIFT的特征提取与无人机影像拼接方法", 《城市勘测》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989784A (zh) * | 2021-11-30 | 2022-01-28 | 福州大学 | 一种基于车载激光点云的道路场景类型识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113378800B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Road extraction in remote sensing data: A survey | |
Zai et al. | 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts | |
Cheng et al. | Extraction and classification of road markings using mobile laser scanning point clouds | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
Matkan et al. | Road extraction from lidar data using support vector machine classification | |
Rastiveis et al. | Automated extraction of lane markings from mobile LiDAR point clouds based on fuzzy inference | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
WO2021195697A1 (en) | Feature extraction from mobile lidar and imagery data | |
CN111209291B (zh) | 一种利用众包感知地图更新高精度地图的方法及系统 | |
CN109815859A (zh) | 一种低等级道路自动提取及变化分析方法 | |
CN102496034A (zh) | 基于直线单词的高空间分辨率遥感图像词袋分类方法 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN114863376A (zh) | 一种基于车载激光点云数据的道路标线分割方法及系统 | |
CN107507202A (zh) | 一种面向高分辨率遥感影像的植被环岛自动化提取方法 | |
CN113378800B (zh) | 基于车载三维点云的道路标志线自动分类与矢量化方法 | |
CN112906616A (zh) | 一种车道线提取与生成方法 | |
Awad | A morphological model for extracting road networks from high-resolution satellite images | |
CN109766850B (zh) | 基于特征融合的指纹图像匹配方法 | |
Zeybek et al. | Geometric feature extraction of road from UAV based point cloud data | |
Yao et al. | Automatic extraction of road markings from mobile laser-point cloud using intensity data | |
CN112435336B (zh) | 一种弯道类型识别方法、装置、电子设备及存储介质 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
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 | |
CN117058069A (zh) | 一种全景影像中路面表观病害自动检测方法 | |
CN114511582A (zh) | 一种古城城垛自动提取方法 |
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 |