CN113379656A - 一种高速公路路面点云智能拼接方法 - Google Patents
一种高速公路路面点云智能拼接方法 Download PDFInfo
- Publication number
- CN113379656A CN113379656A CN202110545689.6A CN202110545689A CN113379656A CN 113379656 A CN113379656 A CN 113379656A CN 202110545689 A CN202110545689 A CN 202110545689A CN 113379656 A CN113379656 A CN 113379656A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- cloud data
- splicing
- piece
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种高速公路路面点云智能拼接方法,设计两块有起伏的点云拼接板;对同一高速公路路面通过三维扫描获取三幅点云数据,其中第一幅点云数据与第二幅点云数据存在重叠区域,第三幅点云数据与第二幅点云数据存在重叠区域,在两个重叠区域处各放置一块点云拼接板;提取三幅点云数据中的拼接板部分数据,计算点云数据之间的转换矩阵;利用转换矩阵将三幅点云数据智能拼接成一幅覆盖行车道范围的整体点云数据。本发明解决了二维检测技术精度低以及单个点云数据不能覆盖行车道范围的问题,提高后期路面灾害的提取效率,具有广泛的应用前景和社会价值。
Description
技术领域
本发明属于智能交通技术领域,特别涉及了一种高速公路路面点云智能拼接方法。
背景技术
在智能交通领域,高速公路路面灾害监测是公路营运管理过程的重要内容,以视频图像为基础的检测方法存在检测效率高的优点,得到高速公路管理部门的广泛使用。然而,通过传统的二维检测技术只能获取公路路面裂缝的二维信息,受阴影、雨雾等天气条件的影响下,在二维图像上无法得到高精度的检测效果。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种高速公路路面点云智能拼接方法。
为了实现上述技术目的,本发明的技术方案为:
一种高速公路路面点云智能拼接方法,包括以下步骤:
(1)设计两块有起伏的点云拼接板;
(2)对同一高速公路路面通过三维扫描获取三幅点云数据,其中第一幅点云数据与第二幅点云数据存在重叠区域,第三幅点云数据与第二幅点云数据存在重叠区域,在两个重叠区域处各放置一块点云拼接板;
(3)提取三幅点云数据中的拼接板部分数据,计算第一幅点云数据与第二幅点云数据之间的转换矩阵,以及第三幅点云数据与第二幅点云数据之间的转换矩阵;
(4)利用转换矩阵将三幅点云数据智能拼接成一幅覆盖行车道范围的整体点云数据。
进一步地,在步骤(1)中,所述点云拼接板的尺寸为1.5米╳0.3米,底面为金色平面,在每个点云拼接板上焊接四条转折排列的金属三棱柱,呈波浪线形状,作为点云配准拼接的依据。
进一步地,步骤(2)的具体过程如下:
(201)移动车辆上安置三台三维激光扫描仪,相邻的两台扫描仪保持重叠区域,扫描仪的扫描宽度略大于高速公路行车道的宽度;
(202)在两个重叠区域分别放置点云拼接板;
(203)车辆移动过程中获取三幅包含了两个点云拼接板点云数据的三维扫描数据,分别为点云数据A、点云数据B和点云数据C。
进一步地,三维激光扫描仪的扫描范围为1.5米╳1.5米,相邻的两台扫描仪保持0.3米的重叠区域,扫描仪的扫描宽度为3.9米。
进一步地,步骤(3)的具体过程如下:
(301)输入包含一块点云拼接板的点云数据A和点云数据B,将点云A作为源点云,将点云B作为目标点云;
(302)对源点云A与目标点云B采用采样一致性算法检测平面点云,并将平面点云删除,提取出两幅点云数据中的拼接板部分数据A’和B’;
(303)利用迭代最近点算法进行配准,直至配准误差小于等于误差阈值或者迭代次数达到最大迭代次数为止,输出拼接板部分数据A’与B’之间,即源点云A与目标点云B之间的刚体变换矩阵[R1,T1];其中,R1表示点云A与点云B之间的旋转矩阵,T1表示点云A与点云B之间的坐标平移参数;
(304)同理,输入包含另一块点云拼接板的点云数据B和点云数据C,将点云C作为源点云,将点云B作为目标点云,重复步骤(302)和(303),输出源点云C到目标点云B的刚体变换矩阵[R2,T2];其中,R2表示点云C与点云B之间的旋转矩阵,T2表示点云C与点云B之间的坐标平移参数。
进一步地,在步骤(303)中,配准的方法如下:
首先从两个数据集中按照同样的关键点选取标准,提取关键点;
其次对提取的所有关键点分别计算其特征描述子;
然后结合特征描述子在两个数据集中的坐标位置,以两者之间的特征和位置的相似度为基础,来估算它们的对应关系,初步估计对应点对;
接着对有噪声的数据,除去对配准有影响的错误的对应点对;
最后根据剩余的正确的对应关系,利用迭代最近点算法估算刚体变换,完整配准。
进一步地,在步骤(4)中,把刚体变换矩阵[R1,T1]应用到源点云A,将其变换到与目标点云B相同坐标系下,实现点云数据A与点云数据B之间的拼接;把刚体变换矩阵[R2,T2]应用到源点云C,将其变换到与目标点云B相同坐标系下,实现点云数据C与点云数据B之间的拼接;最终将三幅点云数据拼接成一幅覆盖行车道范围的整体点云数据。
采用上述技术方案带来的有益效果:
本发明根据三幅扫描仪数据进行快速拼接,获得覆盖车行道范围的整体点云,解决了二维检测技术精度低以及单个点云数据不能覆盖行车道范围的问题,提高后期路面灾害的提取效率,具有广泛的应用前景和社会价值。
附图说明
图1为本发明的示意图;
图2为实施例中原始点云示意图;
图3为实施例中点云拼接后的示意图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种高速公路路面点云智能拼接方法,如图1所示,步骤如下:
步骤1:设计两块有起伏的点云拼接板;
步骤2:对同一高速公路路面通过三维扫描获取三幅点云数据,其中第一幅点云数据与第二幅点云数据存在重叠区域,第三幅点云数据与第二幅点云数据存在重叠区域,在两个重叠区域处各放置一块点云拼接板;
步骤3:提取三幅点云数据中的拼接板部分数据,计算第一幅点云数据与第二幅点云数据之间的转换矩阵,以及第三幅点云数据与第二幅点云数据之间的转换矩阵;
步骤4:利用转换矩阵将三幅点云数据智能拼接成一幅覆盖行车道范围的整体点云数据。
在本实施例中,优选地,所述点云拼接板的尺寸为1.5米╳0.3米,底面为金色平面,便于三维点云处理时进行平面提取。在每个点云拼接板上焊接四条转折排列的金属三棱柱,呈波浪线形状,作为点云配准拼接的依据。
在本实施中,优选地,上述步骤2的具体过程如下:
201、移动车辆上安置三台三维激光扫描仪,相邻的两台扫描仪保持重叠区域,扫描仪的扫描宽度略大于高速公路行车道的宽度;
202、在两个重叠区域分别放置点云拼接板;
203、车辆移动过程中获取三幅包含了两个点云拼接板点云数据的三维扫描数据,分别为点云数据A、点云数据B和点云数据C。
进一步地,三维激光扫描仪的扫描范围为1.5米╳1.5米,相邻的两台扫描仪保持0.3米的重叠区域,扫描仪的扫描宽度为3.9米,略大于高速公路行车道的宽度3.75米。
在本实施例中,优选地,上述步骤3的具体过程如下:
301、输入包含一块点云拼接板的点云数据A和点云数据B,将点云A作为源点云,将点云B作为目标点云;
302、对源点云A与目标点云B采用采样一致性算法检测平面点云,并将平面点云删除,提取出两幅点云数据中的拼接板部分数据A’和B’;
303、利用迭代最近点算法进行配准,直至配准误差小于等于误差阈值或者迭代次数达到最大迭代次数为止,输出拼接板部分数据A’与B’之间,即源点云A与目标点云B之间的刚体变换矩阵[R1,T1];其中,R1表示点云A与点云B之间的旋转矩阵,T1表示点云A与点云B之间的坐标平移参数;
304、同理,输入包含另一块点云拼接板的点云数据B和点云数据C,将点云C作为源点云,将点云B作为目标点云,重复步骤302和303,输出源点云C到目标点云B的刚体变换矩阵[R2,T2];其中,R2表示点云C与点云B之间的旋转矩阵,T2表示点云C与点云B之间的坐标平移参数。
进一步地,在步骤303中,配准的方法如下:
首先从两个数据集中按照同样的关键点选取标准,提取关键点;
其次对提取的所有关键点分别计算其特征描述子;
然后结合特征描述子在两个数据集中的坐标位置,以两者之间的特征和位置的相似度为基础,来估算它们的对应关系,初步估计对应点对;
接着对有噪声的数据,除去对配准有影响的错误的对应点对;
最后根据剩余的正确的对应关系,利用迭代最近点算法估算刚体变换,完整配准。
在本实施例中,优选地,在上述步骤4中,把刚体变换矩阵[R1,T1]应用到源点云A,将其变换到与目标点云B相同坐标系下,实现点云数据A与点云数据B之间的拼接;把刚体变换矩阵[R2,T2]应用到源点云C,将其变换到与目标点云B相同坐标系下,实现点云数据C与点云数据B之间的拼接;最终将三幅点云数据拼接成一幅覆盖行车道范围的整体点云数据。
在本实施例中,原始点云如图2所示,拼接后的点云如图3所示。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (7)
1.一种高速公路路面点云智能拼接方法,其特征在于,包括以下步骤:
(1)设计两块有起伏的点云拼接板;
(2)对同一高速公路路面通过三维扫描获取三幅点云数据,其中第一幅点云数据与第二幅点云数据存在重叠区域,第三幅点云数据与第二幅点云数据存在重叠区域,在两个重叠区域处各放置一块点云拼接板;
(3)提取三幅点云数据中的拼接板部分数据,计算第一幅点云数据与第二幅点云数据之间的转换矩阵,以及第三幅点云数据与第二幅点云数据之间的转换矩阵;
(4)利用转换矩阵将三幅点云数据智能拼接成一幅覆盖行车道范围的整体点云数据。
2.根据权利要求1所述高速公路路面点云智能拼接方法,其特征在于,在步骤(1)中,所述点云拼接板的尺寸为1.5米╳0.3米,底面为金色平面,在每个点云拼接板上焊接四条转折排列的金属三棱柱,呈波浪线形状,作为点云配准拼接的依据。
3.根据权利要求1所述高速公路路面点云智能拼接方法,其特征在于,步骤(2)的具体过程如下:
(201)移动车辆上安置三台三维激光扫描仪,相邻的两台扫描仪保持重叠区域,扫描仪的扫描宽度略大于高速公路行车道的宽度;
(202)在两个重叠区域分别放置点云拼接板;
(203)车辆移动过程中获取三幅包含了两个点云拼接板点云数据的三维扫描数据,分别为点云数据A、点云数据B和点云数据C。
4.根据权利要求3所述高速公路路面点云智能拼接方法,其特征在于,三维激光扫描仪的扫描范围为1.5米╳1.5米,相邻的两台扫描仪保持0.3米的重叠区域,扫描仪的扫描宽度为3.9米。
5.根据权利要求3所述高速公路路面点云智能拼接方法,其特征在于,步骤(3)的具体过程如下:
(301)输入包含一块点云拼接板的点云数据A和点云数据B,将点云A作为源点云,将点云B作为目标点云;
(302)对源点云A与目标点云B采用采样一致性算法检测平面点云,并将平面点云删除,提取出两幅点云数据中的拼接板部分数据A’和B’;
(303)利用迭代最近点算法进行配准,直至配准误差小于等于误差阈值或者迭代次数达到最大迭代次数为止,输出拼接板部分数据A’与B’之间,即源点云A与目标点云B之间的刚体变换矩阵[R1,T1];其中,R1表示点云A与点云B之间的旋转矩阵,T1表示点云A与点云B之间的坐标平移参数;
(304)同理,输入包含另一块点云拼接板的点云数据B和点云数据C,将点云C作为源点云,将点云B作为目标点云,重复步骤(302)和(303),输出源点云C到目标点云B的刚体变换矩阵[R2,T2];其中,R2表示点云C与点云B之间的旋转矩阵,T2表示点云C与点云B之间的坐标平移参数。
6.根据权利要求5所述高速公路路面点云智能拼接方法,其特征在于,在步骤(303)中,配准的方法如下:
首先从两个数据集中按照同样的关键点选取标准,提取关键点;
其次对提取的所有关键点分别计算其特征描述子;
然后结合特征描述子在两个数据集中的坐标位置,以两者之间的特征和位置的相似度为基础,来估算它们的对应关系,初步估计对应点对;
接着对有噪声的数据,除去对配准有影响的错误的对应点对;
最后根据剩余的正确的对应关系,利用迭代最近点算法估算刚体变换,完整配准。
7.根据权利要求5所述高速公路路面点云智能拼接方法,其特征在于,在步骤(4)中,把刚体变换矩阵[R1,T1]应用到源点云A,将其变换到与目标点云B相同坐标系下,实现点云数据A与点云数据B之间的拼接;把刚体变换矩阵[R2,T2]应用到源点云C,将其变换到与目标点云B相同坐标系下,实现点云数据C与点云数据B之间的拼接;最终将三幅点云数据拼接成一幅覆盖行车道范围的整体点云数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110545689.6A CN113379656A (zh) | 2021-05-19 | 2021-05-19 | 一种高速公路路面点云智能拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110545689.6A CN113379656A (zh) | 2021-05-19 | 2021-05-19 | 一种高速公路路面点云智能拼接方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379656A true CN113379656A (zh) | 2021-09-10 |
Family
ID=77571286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110545689.6A Pending CN113379656A (zh) | 2021-05-19 | 2021-05-19 | 一种高速公路路面点云智能拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379656A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820307A (zh) * | 2022-04-02 | 2022-07-29 | 杭州汇萃智能科技有限公司 | 3d线扫描相机的点云拼接方法、系统和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931234A (zh) * | 2016-04-19 | 2016-09-07 | 东北林业大学 | 一种地面三维激光扫描点云与影像融合及配准的方法 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN110779933A (zh) * | 2019-11-12 | 2020-02-11 | 广东省智能机器人研究院 | 基于3d视觉传感阵列的表面点云数据获取方法和系统 |
CN111047631A (zh) * | 2019-12-04 | 2020-04-21 | 广西大学 | 一种基于单Kinect加圆盒的多视角三维点云配准方法 |
-
2021
- 2021-05-19 CN CN202110545689.6A patent/CN113379656A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931234A (zh) * | 2016-04-19 | 2016-09-07 | 东北林业大学 | 一种地面三维激光扫描点云与影像融合及配准的方法 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN110779933A (zh) * | 2019-11-12 | 2020-02-11 | 广东省智能机器人研究院 | 基于3d视觉传感阵列的表面点云数据获取方法和系统 |
CN111047631A (zh) * | 2019-12-04 | 2020-04-21 | 广西大学 | 一种基于单Kinect加圆盒的多视角三维点云配准方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820307A (zh) * | 2022-04-02 | 2022-07-29 | 杭州汇萃智能科技有限公司 | 3d线扫描相机的点云拼接方法、系统和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271928B (zh) | 一种基于矢量路网融合与遥感影像验证的道路网更新方法 | |
CN114332348B (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
Qin et al. | Automated reconstruction of parametric bim for bridge based on terrestrial laser scanning data | |
CN113256805B (zh) | 一种基于三维点云重构的路面线性裂缝信息快速计算方法 | |
Koutaki et al. | Automatic road extraction based on cross detection in suburb | |
CN115267815B (zh) | 一种基于点云建模的路侧激光雷达组群优化布设方法 | |
CN113379656A (zh) | 一种高速公路路面点云智能拼接方法 | |
CN115752432A (zh) | 无人机采集道路交通图中虚线车道线自动提取方法及系统 | |
CN114140700A (zh) | 基于级联网络的分步异源图像模板匹配方法 | |
CN113378636A (zh) | 一种基于深度图匹配的车辆行人检测方法 | |
CN115880322A (zh) | 一种基于梯度复杂度的点云道路地标线提取方法 | |
CN114563000B (zh) | 一种基于改进型激光雷达里程计的室内外slam方法 | |
CN109191473B (zh) | 一种基于对称分析的车辆粘连分割方法 | |
CN116385994A (zh) | 一种三维道路线提取方法及相关设备 | |
CN116071721A (zh) | 一种基于Transformer的高精地图实时预测方法和系统 | |
Liu et al. | Color component–based road feature extraction from airborne lidar and imaging data sets | |
CN113095309B (zh) | 一种基于点云的道路场景地面标识物的提取方法 | |
CN112733782B (zh) | 基于道路网的城市功能区识别方法、存储介质和电子设备 | |
Fernandes et al. | Extraction of building roof contours from the integration of high-resolution aerial imagery and laser data using Markov random fields | |
Mahphood et al. | Virtual first and last pulse method for building detection from dense LiDAR point clouds | |
Teo | Deep-Learning for Lod1 Building Reconstruction from Airborne Lidar Data | |
Dayal et al. | Diagnostic utilisation of ground based imaging and non-imaging sensors for digital documentation of heritage sites | |
Soilán et al. | Deep Learning-Based Road Segmentation of 3D Point Clouds for Assisting Road Alignment Parameterization | |
Jiang et al. | Pavement crack measurement based on aerial 3D reconstruction and learning-based segmentation method | |
CN111178175A (zh) | 基于高景卫星影像的自动化建筑物信息提取方法及系统 |
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 |