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 PDF

Info

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
Application number
CN202110851888.XA
Other languages
English (en)
Other versions
CN113378800B (zh
Inventor
李发帅
肖建华
李海亭
彭明军
王诗云
陈涛
郭明武
刘剑
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.)
Wuhan Geomatics Institute
Original Assignee
Wuhan Geomatics Institute
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 Wuhan Geomatics Institute filed Critical Wuhan Geomatics Institute
Priority to CN202110851888.XA priority Critical patent/CN113378800B/zh
Publication of CN113378800A publication Critical patent/CN113378800A/zh
Application granted granted Critical
Publication of CN113378800B publication Critical patent/CN113378800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于车载三维点云的道路标志线自动分类与矢量化方法
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：
S201，以KD树搜索点云中各点的K个最邻近点，并构建最邻近点集合
Figure 208493DEST_PATH_IMAGE001
；
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，
Figure 834646DEST_PATH_IMAGE002
；
S203,计算协方差矩阵的法向量，计算公式如下，
Figure 503656DEST_PATH_IMAGE003
；
Figure 873458DEST_PATH_IMAGE004
；
其中，
Figure 560791DEST_PATH_IMAGE005
是点云中某个点的
Figure 154583DEST_PATH_IMAGE006
最临近点的坐标均值，
Figure 763419DEST_PATH_IMAGE007
是
Figure 953223DEST_PATH_IMAGE005
的
Figure 963905DEST_PATH_IMAGE008
坐标，
Figure 728598DEST_PATH_IMAGE009
是
Figure 824730DEST_PATH_IMAGE005
的
Figure 333072DEST_PATH_IMAGE010
坐标，
Figure 198260DEST_PATH_IMAGE011
是
Figure 619008DEST_PATH_IMAGE005
的
Figure 202436DEST_PATH_IMAGE012
坐标，
Figure 514469DEST_PATH_IMAGE013
是点
Figure 234163DEST_PATH_IMAGE014
的
Figure 543922DEST_PATH_IMAGE008
坐标，
Figure 145804DEST_PATH_IMAGE015
是点
Figure 199211DEST_PATH_IMAGE014
的
Figure 583531DEST_PATH_IMAGE010
坐标，
Figure 64191DEST_PATH_IMAGE016
是点
Figure 622212DEST_PATH_IMAGE014
的
Figure 744888DEST_PATH_IMAGE012
坐标。
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，
H pc ＜
Figure 439175DEST_PATH_IMAGE017
；
然后，将符合判别公式的点构建为点集PC；
其中，
Figure 153053DEST_PATH_IMAGE018
为车载轨迹点高程，
Figure 932790DEST_PATH_IMAGE019
为车载轨迹点的安装高度，
Figure 609890DEST_PATH_IMAGE020
为修正值。
进一步的，步骤S3中基于法向量的生长算法具体过程包括：
S301，创建种子点集合
Figure 424262DEST_PATH_IMAGE021
和预分割体
Figure 246725DEST_PATH_IMAGE022
，在点集PC中取出一个点作为种子点，将该点添加至种子点集合
Figure 310496DEST_PATH_IMAGE021
和预分割体
Figure 509396DEST_PATH_IMAGE022
，并对预分割体标记
Figure 975012DEST_PATH_IMAGE023
;
S302, 在种子点集合
Figure 968376DEST_PATH_IMAGE021
中取出一个点
Figure 4597DEST_PATH_IMAGE024
作为种子点，在
Figure 538346DEST_PATH_IMAGE021
中删除
Figure 61731DEST_PATH_IMAGE024
，并找出点云
Figure 22734DEST_PATH_IMAGE025
中
Figure 264360DEST_PATH_IMAGE024
的
Figure 86953DEST_PATH_IMAGE026
最近邻点；
S303，向种子
Figure 730424DEST_PATH_IMAGE024
的
Figure 65591DEST_PATH_IMAGE026
最近邻点扩散，若在
Figure 325671DEST_PATH_IMAGE026
最近邻点域中存在法向量与种子点
Figure 404485DEST_PATH_IMAGE024
法向量的夹角小于10度的点，则将这些点添加到种子点集合
Figure 699200DEST_PATH_IMAGE021
和预分割体
Figure 470847DEST_PATH_IMAGE027
，并在
Figure 952644DEST_PATH_IMAGE028
中删除这些点；
S304,循环执行步骤S303、步骤S303，直至集合
Figure 835149DEST_PATH_IMAGE021
为空；
S305,更新预分割体标记
Figure 749752DEST_PATH_IMAGE029
，循环执行步骤S302-步骤S305，直至集合PC为空；
S306,输出预分割体集
Figure 489038DEST_PATH_IMAGE030
。
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：
Figure 926972DEST_PATH_IMAGE031
其中，
Figure 347589DEST_PATH_IMAGE032
为预分割体的长度，W为预分割体的宽度，A为预分割体的面积，H为预分割体的高度变化，N为预分割体的法向量；
S313，将符合判别公式的预分割体构建为点云集合
Figure 351317DEST_PATH_IMAGE033
。
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：
S401,创建种子点集合
Figure 464767DEST_PATH_IMAGE034
和预分割体
Figure 937468DEST_PATH_IMAGE035
，在点云集合
Figure 161776DEST_PATH_IMAGE036
中取出一个点作为种子点，将该点添加到种子点集合
Figure 754431DEST_PATH_IMAGE037
和预分割体
Figure 38782DEST_PATH_IMAGE038
，并标记该预分割体
Figure 248046DEST_PATH_IMAGE039
;
S402,在种子点集合
Figure 276045DEST_PATH_IMAGE037
中取出一个点
Figure 739519DEST_PATH_IMAGE040
作为种子点，在
Figure 929191DEST_PATH_IMAGE037
中删除
Figure 625752DEST_PATH_IMAGE040
，并找出点云
Figure 191863DEST_PATH_IMAGE041
中
Figure 290269DEST_PATH_IMAGE040
的
Figure 650843DEST_PATH_IMAGE042
最临近点；
S403，向种子
Figure 319853DEST_PATH_IMAGE040
的
Figure 689654DEST_PATH_IMAGE043
最临近点扩散，若在
Figure 376987DEST_PATH_IMAGE043
最临近点域中存在与种子点
Figure 174042DEST_PATH_IMAGE040
强度差值小于种子点强度20%的点，则将这些点添加到种子点集合
Figure 314036DEST_PATH_IMAGE037
和预分割体
Figure 487529DEST_PATH_IMAGE044
，并在
Figure 42751DEST_PATH_IMAGE045
中删除这些点；
S404,循环执行步骤S402、步骤S403，直至集合
Figure 10707DEST_PATH_IMAGE037
为空；
S405,更新预分割体标记
Figure 106839DEST_PATH_IMAGE046
，循环执行步骤S402-步骤S405，直至点云集合
Figure 349601DEST_PATH_IMAGE041
为空；
S406,输出预分割体集
Figure 214789DEST_PATH_IMAGE047
。
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，
Figure 150384DEST_PATH_IMAGE048
其中，
Figure 733812DEST_PATH_IMAGE049
为预分割体的强度中值、
Figure 265419DEST_PATH_IMAGE050
为预分割体的面积、
Figure 250692DEST_PATH_IMAGE051
为预分割体的长度、
Figure 357188DEST_PATH_IMAGE052
为预分割体的宽度；
S413，将符合判别公式的预分割体构建为道路标志线集
Figure 427913DEST_PATH_IMAGE053
。
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：
S501，提取模板道路标志线的特征
Figure 278057DEST_PATH_IMAGE054
，
Figure 117837DEST_PATH_IMAGE054
包括点云的长度
Figure 880388DEST_PATH_IMAGE055
、宽度
Figure 172829DEST_PATH_IMAGE056
和与沿主方向的横向切片长度
Figure 826664DEST_PATH_IMAGE057
；
S502，对
Figure 520950DEST_PATH_IMAGE058
中的各道路标志线进行特征提取
Figure 703670DEST_PATH_IMAGE059
，
Figure 296457DEST_PATH_IMAGE059
包括点云的长度
Figure 691666DEST_PATH_IMAGE060
、宽度
Figure 771617DEST_PATH_IMAGE061
和与沿主方向的横向切片长度
Figure 859659DEST_PATH_IMAGE062
；
S503，计算模板道路标志线
Figure 923430DEST_PATH_IMAGE063
和
Figure 122330DEST_PATH_IMAGE064
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
Figure 56788DEST_PATH_IMAGE065
中选取与道路标志线
Figure 315731DEST_PATH_IMAGE066
特征相差最小的模板
Figure 70061DEST_PATH_IMAGE067
，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
Figure 357472DEST_PATH_IMAGE065
中选取与道路标志线
Figure 880857DEST_PATH_IMAGE066
二维投影面积相差最小的模板
Figure 107439DEST_PATH_IMAGE067
，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
Figure 83486DEST_PATH_IMAGE066
的类别为
Figure 155347DEST_PATH_IMAGE067
。特征匹配与重叠度匹配公式如下
Figure 346288DEST_PATH_IMAGE068
Figure 681454DEST_PATH_IMAGE069
其中
Figure 941534DEST_PATH_IMAGE059
为道路标志线
Figure 20349DEST_PATH_IMAGE066
提取的特征向量，
Figure 315064DEST_PATH_IMAGE070
为道路标志线模板
Figure 821132DEST_PATH_IMAGE067
提取的特征向量，
Figure 319240DEST_PATH_IMAGE071
为
Figure 201746DEST_PATH_IMAGE059
与
Figure 350967DEST_PATH_IMAGE070
的特征匹配阈值，该阈值接近0，
Figure 293515DEST_PATH_IMAGE072
为道路标志线
Figure 731450DEST_PATH_IMAGE066
的二维投影面积，
Figure 948805DEST_PATH_IMAGE073
为道路标志线
Figure 421374DEST_PATH_IMAGE066
与模板
Figure 551135DEST_PATH_IMAGE067
的二维投影重叠面积，
Figure 476366DEST_PATH_IMAGE074
为接近0的重叠度匹配阈值；
按照匹配的道路标志线模板
Figure 497412DEST_PATH_IMAGE075
与其矢量信息获取道路标志线
Figure 824488DEST_PATH_IMAGE066
的矢量信息，完成道路标志线
Figure 639997DEST_PATH_IMAGE066
的矢量化；
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：
S201，以KD树搜索点云中各点的K个最邻近点，并构建最邻近点集合
Figure 52524DEST_PATH_IMAGE076
；
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，
Figure 814944DEST_PATH_IMAGE077
；
S203,计算协方差矩阵的法向量，计算公式如下，
Figure 541067DEST_PATH_IMAGE078
；
Figure 996319DEST_PATH_IMAGE079
；
其中，
Figure 427300DEST_PATH_IMAGE080
是点云中某个点的
Figure 993411DEST_PATH_IMAGE081
最临近点的坐标均值，
Figure 826237DEST_PATH_IMAGE082
是
Figure 452391DEST_PATH_IMAGE080
的
Figure 121401DEST_PATH_IMAGE083
坐标，
Figure 225623DEST_PATH_IMAGE084
是
Figure 381798DEST_PATH_IMAGE080
的
Figure 975590DEST_PATH_IMAGE085
坐标，
Figure 584426DEST_PATH_IMAGE086
是
Figure 554656DEST_PATH_IMAGE080
的
Figure 565337DEST_PATH_IMAGE087
坐标，
Figure 815184DEST_PATH_IMAGE088
是点
Figure 911316DEST_PATH_IMAGE089
的
Figure 357341DEST_PATH_IMAGE083
坐标，
Figure 284846DEST_PATH_IMAGE090
是点
Figure 423703DEST_PATH_IMAGE089
的
Figure 538290DEST_PATH_IMAGE085
坐标，
Figure 335475DEST_PATH_IMAGE091
是点
Figure 320749DEST_PATH_IMAGE089
的
Figure 161666DEST_PATH_IMAGE087
坐标。
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，
H pc ＜
Figure 232390DEST_PATH_IMAGE092
；
然后，将符合判别公式的点构建为点集PC；
其中，
Figure 82535DEST_PATH_IMAGE093
为车载轨迹点高程，
Figure 922315DEST_PATH_IMAGE094
为车载轨迹点的安装高度，
Figure 934133DEST_PATH_IMAGE095
为修正值。
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：
S301，创建种子点集合
Figure 226574DEST_PATH_IMAGE096
和预分割体
Figure 622353DEST_PATH_IMAGE097
，在点集PC中取出一个点作为种子点，将该点添加至种子点集合
Figure 316639DEST_PATH_IMAGE096
和预分割体
Figure 764938DEST_PATH_IMAGE097
，并对预分割体标记
Figure 810254DEST_PATH_IMAGE089
;
S302, 在种子点集合
Figure 736622DEST_PATH_IMAGE096
中取出一个点
Figure 285415DEST_PATH_IMAGE098
作为种子点，在
Figure 373457DEST_PATH_IMAGE096
中删除
Figure 187960DEST_PATH_IMAGE098
，并找出点云
Figure 121281DEST_PATH_IMAGE099
中
Figure 321318DEST_PATH_IMAGE100
的
Figure 580261DEST_PATH_IMAGE101
最近邻点；
S303，向种子
Figure 865749DEST_PATH_IMAGE100
的
Figure 868340DEST_PATH_IMAGE101
最近邻点扩散，若在
Figure 391725DEST_PATH_IMAGE101
最近邻点域中存在法向量与种子点
Figure 837881DEST_PATH_IMAGE100
法向量的夹角小于10度的点，则将这些点添加到种子点集合
Figure 79507DEST_PATH_IMAGE096
和预分割体
Figure 416947DEST_PATH_IMAGE102
，并在
Figure 794839DEST_PATH_IMAGE099
中删除这些点；
S304,循环执行步骤S302、步骤S303，直至集合
Figure 395585DEST_PATH_IMAGE096
为空；
S305,更新预分割体标记
Figure 655665DEST_PATH_IMAGE103
，循环执行步骤S402-步骤S405，直至集合PC为空；
S306,输出预分割体集
Figure 58DEST_PATH_IMAGE104
。
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：
Figure 779927DEST_PATH_IMAGE105
其中，
Figure 285994DEST_PATH_IMAGE106
为预分割体的长度，W为预分割体的宽度，A为预分割体的面积，H为预分割体的高度变化，N为预分割体的法向量；
S313，将符合判别公式的预分割体构建为地面点集
Figure 502212DEST_PATH_IMAGE107
。
进一步的，步骤S4中基于的生长算法包括如下步骤：
S401,创建种子点集合
Figure 181455DEST_PATH_IMAGE096
和预分割体
Figure 533939DEST_PATH_IMAGE108
，在点云
Figure 742067DEST_PATH_IMAGE109
中取出一个点作为种子点，将该点添加到种子点集合
Figure 180001DEST_PATH_IMAGE096
和预分割体
Figure 410738DEST_PATH_IMAGE108
，并标记该预分割体
Figure 617728DEST_PATH_IMAGE110
;
S402,在种子点集合
Figure 262336DEST_PATH_IMAGE096
中取出一个点
Figure 187567DEST_PATH_IMAGE111
作为种子点，在
Figure 490503DEST_PATH_IMAGE096
中删除
Figure 614317DEST_PATH_IMAGE111
，并找出点云
Figure 898668DEST_PATH_IMAGE107
中
Figure 45615DEST_PATH_IMAGE111
的
Figure 948981DEST_PATH_IMAGE112
最临近点；
S403，向种子
Figure 130563DEST_PATH_IMAGE111
的
Figure 585815DEST_PATH_IMAGE112
最临近点扩散，若在
Figure 16797DEST_PATH_IMAGE112
最临近点域中存在与种子点
Figure 458273DEST_PATH_IMAGE111
强度差值小于种子点强度20%的点，则将这些点添加到种子点集合
Figure 494363DEST_PATH_IMAGE096
和预分割体
Figure 651674DEST_PATH_IMAGE108
，并在
Figure 773214DEST_PATH_IMAGE107
中删除这些点；
S404,循环执行步骤S402、步骤S403，直至集合
Figure 693415DEST_PATH_IMAGE096
为空；
S405,更新预分割体标记
Figure 849590DEST_PATH_IMAGE113
，循环执行步骤S402-步骤S405，直至集合
Figure 443383DEST_PATH_IMAGE107
为空；
S406,输出预分割体集
Figure 52218DEST_PATH_IMAGE114
。
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，
Figure 38760DEST_PATH_IMAGE115
其中，
Figure 49442DEST_PATH_IMAGE116
为预分割体的强度中值、
Figure 17398DEST_PATH_IMAGE117
为预分割体的面积、
Figure 644688DEST_PATH_IMAGE118
为预分割体的长度、
Figure 434921DEST_PATH_IMAGE119
为预分割体的宽度；
S413，将符合判别公式的预分割体构建为道路标志线集
Figure 565688DEST_PATH_IMAGE120
，并得到如图5所示的道路标志线。
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：
S501，提取模板道路标志线的特征
Figure 501283DEST_PATH_IMAGE121
，
Figure 819131DEST_PATH_IMAGE121
包括点云的长度
Figure 413055DEST_PATH_IMAGE122
、宽度
Figure 398328DEST_PATH_IMAGE123
和与沿主方向的横向切片长度
Figure 708087DEST_PATH_IMAGE124
。
S502，对
Figure 309970DEST_PATH_IMAGE125
中的各道路标志线进行特征提取
Figure 439075DEST_PATH_IMAGE126
，
Figure 810014DEST_PATH_IMAGE126
包括点云的长度
Figure 290674DEST_PATH_IMAGE127
、宽度
Figure 645432DEST_PATH_IMAGE128
和与沿主方向的横向切片长度
Figure 518841DEST_PATH_IMAGE129
。
S503，计算模板道路标志线
Figure 275444DEST_PATH_IMAGE130
和
Figure 927005DEST_PATH_IMAGE131
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
Figure 503480DEST_PATH_IMAGE132
中选取与道路标志线
Figure 180580DEST_PATH_IMAGE133
特征相差最小的模板
Figure 994953DEST_PATH_IMAGE134
，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
Figure 614153DEST_PATH_IMAGE132
中选取与道路标志线
Figure 881186DEST_PATH_IMAGE133
二维投影面积相差最小的模板
Figure 158715DEST_PATH_IMAGE134
，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
Figure 827594DEST_PATH_IMAGE133
的类别为
Figure 352116DEST_PATH_IMAGE134
。特征匹配与重叠度匹配公式如下
Figure 106445DEST_PATH_IMAGE135
Figure 999051DEST_PATH_IMAGE136
其中，
Figure 319174DEST_PATH_IMAGE126
为道路标志线
Figure 483439DEST_PATH_IMAGE133
提取的特征向量，
Figure 256223DEST_PATH_IMAGE137
为道路标志线模板
Figure 875554DEST_PATH_IMAGE138
提取的特征向量，
Figure 253446DEST_PATH_IMAGE139
为
Figure 650929DEST_PATH_IMAGE126
与
Figure 114271DEST_PATH_IMAGE140
的特征匹配阈值，该阈值接近0，
Figure 740556DEST_PATH_IMAGE141
为道路标志线
Figure 972954DEST_PATH_IMAGE133
的二维投影面积，
Figure 541339DEST_PATH_IMAGE142
为道路标志线
Figure 491977DEST_PATH_IMAGE133
与模板
Figure 374483DEST_PATH_IMAGE138
的二维投影重叠面积，
Figure 523704DEST_PATH_IMAGE143
为接近0的重叠度匹配阈值。
按照匹配的道路标志线模板
Figure 466252DEST_PATH_IMAGE138
与其矢量信息获取道路标志线
Figure 186078DEST_PATH_IMAGE133
的矢量信息，完成道路标志线
Figure 872274DEST_PATH_IMAGE133
的矢量化。
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。
3.根据权利要求2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中获取各点的法向量特征的具体步骤为：
S201，以KD树搜索点云中各点的K个最邻近点，并构建最邻近点集合
Figure 983840DEST_PATH_IMAGE001
；
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，
Figure 954070DEST_PATH_IMAGE002
；
S203,计算协方差矩阵的法向量，计算公式如下，
Figure 964751DEST_PATH_IMAGE003
；
Figure 214598DEST_PATH_IMAGE004
；
其中，
Figure 310730DEST_PATH_IMAGE005
是点云中某个点的
Figure 553493DEST_PATH_IMAGE006
最临近点的坐标均值，
Figure 684260DEST_PATH_IMAGE007
是
Figure 354276DEST_PATH_IMAGE005
的
Figure 937704DEST_PATH_IMAGE008
坐标，
Figure 734890DEST_PATH_IMAGE009
是
Figure 720163DEST_PATH_IMAGE005
的
Figure 561080DEST_PATH_IMAGE010
坐标，
Figure 631804DEST_PATH_IMAGE011
是
Figure 481949DEST_PATH_IMAGE005
的
Figure 321729DEST_PATH_IMAGE012
坐标，
Figure 333547DEST_PATH_IMAGE013
是点
Figure 625988DEST_PATH_IMAGE014
的
Figure 33485DEST_PATH_IMAGE015
坐标，
Figure 727772DEST_PATH_IMAGE016
是点
Figure 176071DEST_PATH_IMAGE014
的
Figure 221387DEST_PATH_IMAGE017
坐标，
Figure 147755DEST_PATH_IMAGE018
是点
Figure 696548DEST_PATH_IMAGE019
的
Figure 332060DEST_PATH_IMAGE020
坐标。
4.根据权利要求3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，
H pc ＜
Figure 599093DEST_PATH_IMAGE021
；
然后，将符合判别公式的点构建为点集PC；
其中，
Figure 63572DEST_PATH_IMAGE022
为车载轨迹点高程，
Figure 732451DEST_PATH_IMAGE023
为车载轨迹点的安装高度，
Figure 788132DEST_PATH_IMAGE024
为修正值。
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：
S301，创建种子点集合
Figure 276882DEST_PATH_IMAGE025
和预分割体
Figure 561364DEST_PATH_IMAGE026
，在点集PC中取出一个点作为种子点，将该点添加至种子点集合
Figure 84749DEST_PATH_IMAGE025
和预分割体
Figure 45752DEST_PATH_IMAGE026
，并对预分割体标记
Figure 287377DEST_PATH_IMAGE027
;
S302, 在种子点集合
Figure 624818DEST_PATH_IMAGE025
中取出一个点
Figure 2710DEST_PATH_IMAGE028
作为种子点，在
Figure 885346DEST_PATH_IMAGE025
中删除
Figure 145426DEST_PATH_IMAGE028
，并找出点云
Figure 489820DEST_PATH_IMAGE029
中
Figure 518956DEST_PATH_IMAGE028
的
Figure 25023DEST_PATH_IMAGE030
最近邻点；
S303，向种子
Figure 785781DEST_PATH_IMAGE028
的
Figure 668287DEST_PATH_IMAGE030
最近邻点扩散，若在
Figure 551929DEST_PATH_IMAGE030
最近邻点域中存在法向量与种子点
Figure 228898DEST_PATH_IMAGE028
法向量的夹角小于10度的点，则将这些点添加到种子点集合
Figure 666833DEST_PATH_IMAGE025
和预分割体
Figure 149767DEST_PATH_IMAGE026
，并在
Figure 356757DEST_PATH_IMAGE029
中删除这些点；
S304,循环执行步骤S303、步骤S303，直至集合
Figure 752097DEST_PATH_IMAGE025
为空；
S305,更新预分割体标记
Figure 677328DEST_PATH_IMAGE027
，循环执行步骤S302-步骤S305，直至集合PC为空；
S306,输出预分割体集
Figure 698374DEST_PATH_IMAGE031
。
6.根据权利要求5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：
Figure 25450DEST_PATH_IMAGE032
其中，
Figure 106538DEST_PATH_IMAGE033
为预分割体的长度，W为预分割体的宽度，A为预分割体的面积，H为预分割体的高度变化，N为预分割体的法向量；
S313，将符合判别公式的预分割体构建为点云集合
Figure 253486DEST_PATH_IMAGE034
。
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：
S401,创建种子点集合
Figure 563376DEST_PATH_IMAGE035
和预分割体
Figure 744958DEST_PATH_IMAGE036
，在点云集合
Figure 996948DEST_PATH_IMAGE037
中取出一个点作为种子点，将该点添加到种子点集合
Figure 896771DEST_PATH_IMAGE035
和预分割体
Figure 462882DEST_PATH_IMAGE036
，并标记该预分割体
Figure 30129DEST_PATH_IMAGE038
;
S402,在种子点集合
Figure 656283DEST_PATH_IMAGE035
中取出一个点
Figure 325292DEST_PATH_IMAGE039
作为种子点，在
Figure 695094DEST_PATH_IMAGE035
中删除
Figure 382427DEST_PATH_IMAGE039
，并找出点云集合
Figure 179482DEST_PATH_IMAGE040
中
Figure 585055DEST_PATH_IMAGE039
的
Figure 492969DEST_PATH_IMAGE041
最临近点；
S403，向种子
Figure 34808DEST_PATH_IMAGE042
的
Figure 2764DEST_PATH_IMAGE041
最临近点扩散，若在
Figure 637577DEST_PATH_IMAGE041
最临近点域中存在与种子点
Figure 349181DEST_PATH_IMAGE042
强度差值小于种子点强度20%的点，则将这些点添加到种子点集合
Figure 479948DEST_PATH_IMAGE035
和预分割体
Figure 415543DEST_PATH_IMAGE036
，并在
Figure 733392DEST_PATH_IMAGE040
中删除这些点；
S404,循环执行步骤S402、步骤S403，直至集合
Figure 779846DEST_PATH_IMAGE035
为空；
S405,更新预分割体标记
Figure 765119DEST_PATH_IMAGE043
，循环执行步骤S402-步骤S405，直至点云集合
Figure 622348DEST_PATH_IMAGE044
为空；
S406,输出预分割体集
Figure 427493DEST_PATH_IMAGE045
。
8.根据权利要求7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，
Figure 12058DEST_PATH_IMAGE046
其中，
Figure 851838DEST_PATH_IMAGE047
为预分割体的强度中值、
Figure 129236DEST_PATH_IMAGE048
为预分割体的面积、
Figure 687256DEST_PATH_IMAGE049
为预分割体的长度、
Figure 560665DEST_PATH_IMAGE050
为预分割体的宽度；
S413，将符合判别公式的预分割体构建为道路标志线集
Figure 520531DEST_PATH_IMAGE051
。
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：
S501，提取模板道路标志线的特征
Figure 172092DEST_PATH_IMAGE052
，
Figure 827195DEST_PATH_IMAGE052
包括点云的长度
Figure 222405DEST_PATH_IMAGE053
、宽度
Figure 833515DEST_PATH_IMAGE054
和与沿主方向的横向切片长度
Figure 655977DEST_PATH_IMAGE055
；
S502，对
Figure 998709DEST_PATH_IMAGE056
中的各道路标志线进行特征提取
Figure 728768DEST_PATH_IMAGE057
，
Figure 397647DEST_PATH_IMAGE057
包括点云的长度
Figure 391010DEST_PATH_IMAGE058
、宽度
Figure 896072DEST_PATH_IMAGE059
和与沿主方向的横向切片长度
Figure 429822DEST_PATH_IMAGE060
；
S503，计算模板道路标志线
Figure 500677DEST_PATH_IMAGE061
和
Figure 992838DEST_PATH_IMAGE062
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
Figure 765622DEST_PATH_IMAGE061
中选取与道路标志线
Figure 306325DEST_PATH_IMAGE063
特征相差最小的模板
Figure 234616DEST_PATH_IMAGE064
，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
Figure 835362DEST_PATH_IMAGE061
中选取与道路标志线
Figure 95442DEST_PATH_IMAGE063
二维投影面积相差最小的模板
Figure 439836DEST_PATH_IMAGE064
，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
Figure 203392DEST_PATH_IMAGE063
的类别为
Figure 975039DEST_PATH_IMAGE064
；特征匹配与重叠度匹配公式如下：
Figure 473148DEST_PATH_IMAGE065
Figure 355653DEST_PATH_IMAGE066
其中
Figure 239296DEST_PATH_IMAGE067
为道路标志线
Figure 181844DEST_PATH_IMAGE068
提取的特征向量，
Figure 416516DEST_PATH_IMAGE069
为道路标志线模板
Figure 102712DEST_PATH_IMAGE070
提取的特征向量，
Figure 309703DEST_PATH_IMAGE071
为
Figure 705043DEST_PATH_IMAGE067
与
Figure 630274DEST_PATH_IMAGE069
的特征匹配阈值，该阈值接近0，
Figure 651320DEST_PATH_IMAGE072
为道路标志线
Figure 978396DEST_PATH_IMAGE073
的二维投影面积，
Figure 793905DEST_PATH_IMAGE074
为道路标志线
Figure 488323DEST_PATH_IMAGE068
与模板
Figure 313059DEST_PATH_IMAGE070
的二维投影重叠面积，
Figure 494642DEST_PATH_IMAGE075
为接近0的重叠度匹配阈值；
按照匹配的道路标志线模板
Figure 949894DEST_PATH_IMAGE070
与其矢量信息获取道路标志线
Figure 115296DEST_PATH_IMAGE068
的矢量信息，完成道路标志线
Figure 681406DEST_PATH_IMAGE068
的矢量化；
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。
CN202110851888.XA 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 Active CN113378800B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (13)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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