CN113434936A - 道路几何要素估计方法及装置 - Google Patents
道路几何要素估计方法及装置 Download PDFInfo
- Publication number
- CN113434936A CN113434936A CN202110721725.XA CN202110721725A CN113434936A CN 113434936 A CN113434936 A CN 113434936A CN 202110721725 A CN202110721725 A CN 202110721725A CN 113434936 A CN113434936 A CN 113434936A
- Authority
- CN
- China
- Prior art keywords
- road
- point cloud
- cloud data
- geometric
- estimation unit
- 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 51
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种道路几何要素估计方法及装置,包括:基于海量点云数据提取路面点云数据;基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;基于所述道路几何要素估计单元估计道路几何参数;基于所述道路几何参数进行各道路几何参数之间的安全性分析。本发明能够减少人力物力的耗费,降低人为因素影响,同时不会影响正常交通运行秩序。
Description
技术领域
本发明涉及测绘科学技术领域,尤其涉及一种道路几何要素估计方法及装置。
背景技术
在道路设计和运营的过程中,道路几何参数是道路交通系统的最为核心的一部分。道路线形是由连接曲线和直线形成的空间三维线形状构成,具体包括平曲线、竖曲线、直线等要素。平纵横组合水平决定道路运营质量,同时提前了解道路的高程和坡度信息,可以让司机自主选择出行路线,提高出行舒适度,更符合当今以人为本的交通发展理念。因此,利用新技术重建道路三维模型对于道路安全分析、道路改扩建以及智能交通领域有很重要的理论意义和现实价值。
传统的道路工程测量方式包括全站仪、水准仪和GPS接收机等,利用传统的实地勘测方法获取道路线形信息过程复杂,外业耗费大量的人力物力而且易受人为因素等影响,同时外业期间影响正常交通运行秩序。而且,道路工程测量获取的数据量有限,无法全面密集重现道路三维几何信息,不能支撑无人驾驶高精度地图等道路自动化选线需求。
激光雷达技术在数据采集过程中操作安全、不受地形限制、受天气因素影响较小等优势,利用激光扫描技术所获取的高密度、高精度点云数据,为重现道路体空间地理信息提供了不可或缺的数据源。然而,由于道路运行环境地物特征多样化,点云数据量庞大,存在大量非道路点云,如何有效的从大量点云数据中提取有效的道路几何要素仍存在许多挑战。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种道路几何要素估计方法及装置。
第一方面,本发明实施例提供一种道路几何要素估计方法,包括:
基于海量点云数据提取路面点云数据;其中,所述海量点云数据包括:长距离道路场景数据;
基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;
基于所述道路几何要素估计单元估计道路几何参数;
基于所述道路几何参数进行各道路几何参数之间的安全性分析。
进一步地,所述基于海量点云数据提取路面点云数据,具体包括:
采用深度学习网络从海量点云数据中提取路面点云数据。
进一步地,所述基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元,具体包括:
引入凹包算法识别道路边界点云数据,并采用B样条算法进行道路中线拟合,再通过等距离分割得到道路几何要素估计单元。
进一步地,所述基于所述道路几何要素估计单元估计道路几何参数,具体包括:
基于所述道路几何要素估计单元采用总体最小二乘法拟合平面来估计道路几何参数。
进一步地,所述基于所述道路几何参数进行各道路几何参数之间的安全性分析,具体包括:
结合不同等级的道路设计规范以及道路三维参数定量进行各道路几何参数之间的安全性分析。
第二方面,本发明实施例提供了一种道路几何要素估计装置,包括:
提取模块,用于基于海量点云数据提取路面点云数据;其中,所述海量点云数据包括:长距离道路场景数据;
识别模块,用于基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;
估计模块,用于基于所述道路几何要素估计单元估计道路几何参数;
分析模块,用于基于所述道路几何参数进行各道路几何参数之间的安全性分析。
进一步地,所述提取模块,具体用于:
采用深度学习网络从海量点云数据中提取路面点云数据。
进一步地,所述识别模块,具体用于:
引入凹包算法识别道路边界点云数据,并采用B样条算法进行道路中线拟合,再通过等距离分割得到道路几何要素估计单元。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上第一方面所述的道路几何要素估计方法的步骤。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上第一方面所述的道路几何要素估计方法的步骤。
由上述技术方案可知,本发明实施例提供的道路几何要素估计方法及装置,通过基于海量点云数据提取路面点云数据;基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;基于所述道路几何要素估计单元估计道路几何参数;基于所述道路几何参数进行各道路几何参数之间的安全性分析。本发明能够减少人力物力的耗费,降低人为因素影响,同时不会影响正常交通运行秩序。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的道路几何要素估计方法的流程示意图;
图2为本发明一实施例提供的道路几何要素估计装置的结构示意图;
图3为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例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。下面将通过具体的实施例对本发明提供的道路几何要素估计方法进行详细解释和说明。
图1为本发明一实施例提供的道路几何要素估计方法的流程示意图;如图1所示,该方法包括:
步骤101:基于海量点云数据提取路面点云数据;其中,所述海量点云数据包括:长距离道路场景数据。
步骤102:基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元。
步骤103:基于所述道路几何要素估计单元估计道路几何参数。
步骤104:基于所述道路几何参数进行各道路几何参数之间的安全性分析。
在本实施例中,可以理解的是,伴随着计算机科学技术的发展,本实施例首先自动从海量点云数据中提取路面点云数据;其中,所述海量点云数据包括:海量、长距离道路场景中的各类数据;然后,基于所述路面点云数据识别道路边界点云数据,如引入凹包算法;再基于所述道路几何要素估计单元估计道路几何参数,继而分析估计出的道路几何参数的安全性。
为了更好的理解本发明,下面结合实施例进一步阐述本发明的内容,但本发明不仅仅局限于下面的实施例。
S1、自动从海量点云数据中提取路面点云:基于深度学习网络从海量、长距离道路场景中提取路面点云。
S2、识别道路边界点云并分割道路几何要素估计单元:引入凹包算法识别道路边界点云,并通过B样条算法进行道路中线拟合,等间距分割得到道路几何要素估计单元。
S3、估计道路几何要素:基于分割后的道路几何要素单元,采用总体最小二乘法拟合平面,估计详细的道路几何参数。
S4、分析道路几何参数安全性:结合不同等级道路设计规范以及道路三维参数定量分析道路几何参数之间安全性。
由上面技术方案可知,本发明实施例提供的道路几何要素估计方法,通过基于海量点云数据提取路面点云数据;基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;基于所述道路几何要素估计单元估计道路几何参数;基于所述道路几何参数进行各道路几何参数之间的安全性分析。本发明能够减少人力物力的耗费,降低人为因素影响,同时不会影响正常交通运行秩序。
在上述实施例的基础上,在本实施例中,所述基于海量点云数据提取路面点云数据,具体包括:
采用深度学习网络从海量点云数据中提取路面点云数据。
在本实施例中,举例来说:
基于采集得到的高密度道路点云数据,使用CloudCompare软件对不同地物进行标定。标定后的数据,80%用作训练样本,20%样本用作测试集。结合道路运行环境地物特征,在深度学习网络PointNet++基础上引入Octree降采样模块对样本数量进行均一化处理,并考虑路面法向量特征,针对深度网络采样数据为路面集合添加对齐网络,降低路面数据学习过拟合现象。
由上面技术方案可知,本发明实施例提供的道路几何要素估计方法,能够降低路面数据学习过拟合现象。
在上述实施例的基础上,在本实施例中,所述基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元,具体包括:
引入凹包算法识别道路边界点云数据,并采用B样条算法进行道路中线拟合,再通过等距离分割得到道路几何要素估计单元。
在本实施例中,举例来说:
首先,通过半径滤波剔除深度学习网络分类后仍然存在的少量分类错误点。随后引入凹包算法识别道路边界点云,后通过三次B样条算法拟合道路边界并基于此计算道路中线。通过道路中线确定道路走向,最后垂直分割路面点云获得道路几何要素估计单元。
由上面技术方案可知,本发明实施例提供的道路几何要素估计方法,能够得到精准的道路几何要素估计单元,有利于后续基于所述道路几何要素估计单元估计道路几何参数的。
在上述实施例的基础上,在本实施例中,所述基于所述道路几何要素估计单元估计道路几何参数,具体包括:
基于所述道路几何要素估计单元采用总体最小二乘法拟合平面来估计道路几何参数。
在本实施例中,举例来说:
基于所述道路几何要素估计单元或分割后的道路几何要素估计单元,采用总体最小二乘模型,最优估计路面点云代表点的特征值和特征向量;进而估计道路横向坡度、超高和纵向坡度。结合道路中线计算曲线半径以及曲率,并识别道路线形关键点,最终得到道路平曲线参数。
由上面技术方案可知,本发明实施例提供的道路几何要素估计方法,能够较为稳健且全面的估计道路几何参数。
在上述实施例的基础上,在本实施例中,所述基于所述道路几何参数进行各道路几何参数之间的安全性分析,具体包括:
结合不同等级的道路设计规范以及道路三维参数定量进行各道路几何参数之间的安全性分析。
在本实施例中,举例来说:
参考不同等级道路设计规范,结合所估计出的道路三维几何参数,从道路横断面横向力系数,纵断面平均纵坡以及平面线形曲率变化率等,整体分析道路几何参数设计合理性。针对存在道路安全隐患路段,计算安全运行速度,并进行道路安全运行预警。
由上面技术方案可知,本发明实施例提供的道路几何要素估计方法,针对不同道路等级数据进行验证,并进行道路三维几何参数安全性分析,得到不同结果有针对性对存在隐患路段采取运行速度预警。
为了更好的理解本发明,下面结合实施例进一步阐述本发明的内容,但本发明不仅仅局限于下面的实施例。
本发明实施例提供的道路几何要素估计方法,包括:1)引入Octree降采样模块,并结合法向量加入对齐网络,利用改进后的PointNet++网络,实现长距离道路场景的自动分类;2)结合凹包算法识别道路边界点云,并通过B样条算法拟合道路中线,基于此获得道路几何参数估计单元;3)构建总体最小二乘法模型,稳健估计道路几何参数;4)参考不同道路等级设计规范,从道路三维几何参数设计合理性出发,分析道路运行安全性,并对存在隐患路段进行运行速度预警。本发明实施例提供的道路几何要素估计方法,可服务于道路安全分析、道路改扩建以及智能交通等领域。
具体的:S1、自动从海量点云数据中提取路面点云:
基于采集得到的高密度道路点云数据,使用CloudCompare软件对不同地物进行标定。标定后的数据,80%用作训练样本,20%样本用作测试集。结合道路运行环境地物特征,在深度学习网络PointNet++基础上引入Octree降采样模块对样本数量进行均一化处理,并考虑路面法向量特征,针对深度网络采样数据为路面集合添加对齐网络,降低路面数据学习过拟合现象。
S2、识别道路边界点云并分割道路几何要素估计单元:
首先,通过半径滤波剔除深度学习网络分类后仍然存在的少量分类错误点。随后引入凹包算法识别道路边界点云,后通过三次B样条算法拟合道路边界并基于此计算道路中线。通过道路中线确定道路走向,最后垂直分割路面点云获得道路几何要素估计单元。
S3、估计道路几何要素:
基于分割后的道路几何要素估计单元,采用总体最小二乘模型,最优估计路面点云代表点的特征值和特征向量;进而估计道路横向坡度、超高和纵向坡度。结合道路中线计算曲线半径以及曲率,并识别道路线形关键点,最终得到道路平曲线参数。
S4、分析道路几何参数安全性:
参考不同等级道路设计规范,结合所估计出的道路三维几何参数,从道路横断面横向力系数,纵断面平均纵坡以及平面线形曲率变化率等,整体分析道路几何参数设计合理性。针对存在道路安全隐患路段,计算安全运行速度,并进行道路安全运行预警。
S5、测试与验证:
通过不同类别实景道路采集的点云数据,测试、分析和验证本发明的合理性。
综上所述,本发明实施例提供的道路几何要素估计方法,其主要优点如下:
本发明实施例结合考虑道路本身特征的同时,结合深度学习网络,自动对海量复杂道路运行场景进行分类,获取道路点云数据。
本发明实施例充分考虑点云噪点问题的存在,引入总体最小二乘法模型,具有鲁棒性,可以较为稳健且全面估计道路几何参数。
本发明实施例针对不同道路等级数据进行验证,并进行道路三维几何参数安全性分析,得到不同结果有针对性对存在隐患路段采取运行速度预警。
图2为本发明一实施例提供的道路几何要素估计装置的结构示意图,如图2所示,该装置包括:提取模块201、识别模块202、估计模块203和分析模块204,其中:
其中,提取模块201,用于基于海量点云数据提取路面点云数据;其中,所述海量点云数据包括:长距离道路场景数据;
识别模块202,用于基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;
估计模块203,用于基于所述道路几何要素估计单元估计道路几何参数;
分析模块204,用于基于所述道路几何参数进行各道路几何参数之间的安全性分析。
本发明实施例提供的道路几何要素估计装置具体可以用于执行上述实施例的道路几何要素估计方法,其技术原理和有益效果类似,具体可参见上述实施例,此处不再赘述。
基于相同的发明构思,本发明实施例提供一种电子设备,参见图3,电子设备具体包括如下内容:处理器301、通信接口303、存储器302和通信总线304;
其中,处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信;通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输;处理器301用于调用存储器302中的计算机程序,处理器执行计算机程序时实现上述各方法实施例所提供的方法,例如,处理器执行计算机程序时实现下述步骤:基于海量点云数据提取路面点云数据;其中,所述海量点云数据包括:长距离道路场景数据;基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;基于所述道路几何要素估计单元估计道路几何参数;基于所述道路几何参数进行各道路几何参数之间的安全性分析。
基于相同的发明构思,本发明又一实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法,例如,基于海量点云数据提取路面点云数据;其中,所述海量点云数据包括:长距离道路场景数据;基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;基于所述道路几何要素估计单元估计道路几何参数;基于所述道路几何参数进行各道路几何参数之间的安全性分析。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,
服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
此外,在本发明中,诸如“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
此外,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种道路几何要素估计方法,其特征在于,包括:
基于海量点云数据提取路面点云数据;其中,所述海量点云数据包括:长距离道路场景数据;
基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;
基于所述道路几何要素估计单元估计道路几何参数;
基于所述道路几何参数进行各道路几何参数之间的安全性分析。
2.根据权利要求1所述的道路几何要素估计方法,其特征在于,所述基于海量点云数据提取路面点云数据,具体包括:
采用深度学习网络从海量点云数据中提取路面点云数据。
3.根据权利要求1所述的道路几何要素估计方法,其特征在于,所述基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元,具体包括:
引入凹包算法识别道路边界点云数据,并采用B样条算法进行道路中线拟合,再通过等距离分割得到道路几何要素估计单元。
4.根据权利要求1所述的道路几何要素估计方法,其特征在于,所述基于所述道路几何要素估计单元估计道路几何参数,具体包括:
基于所述道路几何要素估计单元采用总体最小二乘法拟合平面来估计道路几何参数。
5.根据权利要求1所述的道路几何要素估计方法,其特征在于,所述基于所述道路几何参数进行各道路几何参数之间的安全性分析,具体包括:
结合不同等级的道路设计规范以及道路三维参数定量进行各道路几何参数之间的安全性分析。
6.一种道路几何要素估计装置,其特征在于,包括:
提取模块,用于基于海量点云数据提取路面点云数据;其中,所述海量点云数据包括:长距离道路场景数据;
识别模块,用于基于所述路面点云数据识别道路边界点云数据,并得到道路几何要素估计单元;
估计模块,用于基于所述道路几何要素估计单元估计道路几何参数;
分析模块,用于基于所述道路几何参数进行各道路几何参数之间的安全性分析。
7.根据权利要求6所述的道路几何要素估计装置,其特征在于,所述提取模块,具体用于:
采用深度学习网络从海量点云数据中提取路面点云数据。
8.根据权利要求6所述的道路几何要素估计装置,其特征在于,所述识别模块,具体用于:
引入凹包算法识别道路边界点云数据,并采用B样条算法进行道路中线拟合,再通过等距离分割得到道路几何要素估计单元。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~5任一项所述的道路几何要素估计方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1~5任一项所述的道路几何要素估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721725.XA CN113434936A (zh) | 2021-06-28 | 2021-06-28 | 道路几何要素估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721725.XA CN113434936A (zh) | 2021-06-28 | 2021-06-28 | 道路几何要素估计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113434936A true CN113434936A (zh) | 2021-09-24 |
Family
ID=77755383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110721725.XA Pending CN113434936A (zh) | 2021-06-28 | 2021-06-28 | 道路几何要素估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434936A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490888A (zh) * | 2019-07-29 | 2019-11-22 | 武汉大学 | 基于机载激光点云的高速公路几何特征矢量化提取方法 |
CN112712589A (zh) * | 2021-01-08 | 2021-04-27 | 浙江工业大学 | 一种基于激光雷达和深度学习的植株3d建模的方法和系统 |
CN112837414A (zh) * | 2021-04-22 | 2021-05-25 | 速度时空信息科技股份有限公司 | 基于车载点云数据的三维高精度地图的构建方法 |
-
2021
- 2021-06-28 CN CN202110721725.XA patent/CN113434936A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490888A (zh) * | 2019-07-29 | 2019-11-22 | 武汉大学 | 基于机载激光点云的高速公路几何特征矢量化提取方法 |
CN112712589A (zh) * | 2021-01-08 | 2021-04-27 | 浙江工业大学 | 一种基于激光雷达和深度学习的植株3d建模的方法和系统 |
CN112837414A (zh) * | 2021-04-22 | 2021-05-25 | 速度时空信息科技股份有限公司 | 基于车载点云数据的三维高精度地图的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Verhagen et al. | Object-based landform delineation and classification from DEMs for archaeological predictive mapping | |
CN108763825B (zh) | 一种模拟复杂地形的风场的数值模拟方法 | |
CN112380317A (zh) | 高精地图更新方法、装置、电子设备和存储介质 | |
Gikas et al. | A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior | |
CN103353923A (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN109472393A (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
CN114877838B (zh) | 一种基于车载激光扫描系统的道路几何特征检测方法 | |
CN112634260A (zh) | 一种地图评估的方法、装置、电子设备及存储介质 | |
Arachchige et al. | Automatic processing of mobile laser scanner point clouds for building facade detection | |
CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 | |
Zeybek et al. | Geometric feature extraction of road from UAV based point cloud data | |
CN111881566B (zh) | 基于实景仿真的滑坡位移检测方法及装置 | |
CN105701856A (zh) | 一种植被提取方法及系统 | |
CN110544201B (zh) | 一种车载激光扫描点云的大范围拼接方法及装置 | |
CN113434936A (zh) | 道路几何要素估计方法及装置 | |
CN116468870A (zh) | 一种城市道路三维可视化建模方法及系统 | |
CN117197639A (zh) | 真值获取方法、装置、电子设备及存储介质 | |
CN114419465B (zh) | 遥感图像变化检测方法、装置、设备及存储介质 | |
CN114004740B (zh) | 基于无人机激光雷达点云的建筑物墙线提取方法 | |
CN113344866B (zh) | 一种点云综合精度评价方法 | |
Liu et al. | Road density analysis based on skeleton partitioning for road generalization | |
CN115546551A (zh) | 一种基于深度学习的地理信息提取方法及系统 | |
CN112241440B (zh) | 一种基于LiDAR点云数据的三维绿量估算及管理方法 |
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 |