CN113920483A - 道路点云中物体的分类方法、装置、电子设备及存储介质 - Google Patents

道路点云中物体的分类方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113920483A
CN113920483A CN202111076339.6A CN202111076339A CN113920483A CN 113920483 A CN113920483 A CN 113920483A CN 202111076339 A CN202111076339 A CN 202111076339A CN 113920483 A CN113920483 A CN 113920483A
Authority
CN
China
Prior art keywords
point cloud
determining
point
target
road surface
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
Application number
CN202111076339.6A
Other languages
English (en)
Inventor
孙振兴
刘晗冰
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.)
Zhengtu 3d Beijing Laser Technology Co ltd
Original Assignee
Zhengtu 3d Beijing Laser Technology Co ltd
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 Zhengtu 3d Beijing Laser Technology Co ltd filed Critical Zhengtu 3d Beijing Laser Technology Co ltd
Priority to CN202111076339.6A priority Critical patent/CN113920483A/zh
Publication of CN113920483A publication Critical patent/CN113920483A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种道路点云中物体的分类方法、装置、电子设备及存储介质，所述分类方法包括：采集初始点云数据；将初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；根据点云剖面中包括的每个像元中的点云个数，以及与灰度值之间的映射关系，确定点云剖面对应的目标二维图像；将目标二维图像按照第二划分预设间隔沿预设方向进行切片，并通过每个切片层中包括的点云个数，确定出路面层；根据路面层以及预设高度距离对目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。采用本申请提供的技术方案以一定宽度的二维点云剖面为处理单元，在车载点云数据体量庞大的情况下，保证运行空间，提高处理效率。

Description

道路点云中物体的分类方法、装置、电子设备及存储介质
技术领域
本申请涉及点云数据处理领域，尤其是涉及道路点云中物体的分类方法、装置、电子设备及存储介质。
背景技术
车载移动测量系统是由激光扫描仪、惯性导航、全景相机等多种高性能传感器组成的新型测量装备，可以直接搭载在汽车等移动载体上。采用非接触式的测量方法，在车辆行驶过程中就可以直接获得较大范围内海量点的三维坐标及属性信息，采集速度快，测量精度高，将输出的点云成果与全景相机拍摄的全景图片匹配融合，更是能最大程度的还原城市街景面貌。然而城市道路场景复杂，不可避免地存在地物相互遮挡难以辨别的情况，强烈太阳光照射、高反射率物体、测距过近等产生的影响也会在点云中以噪点的形式显现，因此在应用车载点云成果前，首先要对点云进行噪点去除工作，以提高点云精度，并进一步对点云进行分类，恢复道路地物特征。
扫描范围广、点云数据密集是车载移动测量系统的优势之一，但是，车载移动测量系统采集的点云数据量大，很难进行统一的处理；并且在采集到的点云中还包括有影响后续处理的噪点需要去除，现有的点云去噪技术多应用在三维场景中，直接在三维场景中处理点云的方式，首先要在360度的范围内进行比较，选择适合的观测方向进行处理，同时，在三维场景下，点云数据的组成也比较复杂，需要处理的数据量比较大所以在三维场景中对于点云数据的采集以及处理过程均较为复杂，导致对点云的处理速度慢，进而影响点云数据处理的效率。
发明内容
有鉴于此，本申请的目的在于提供一种道路点云中物体的分类方法、装置、电子设备及存储介质，能够实现在点云剖面构成的二维图像中进行点云去噪及分类，以一定宽度的二维点云剖面为处理单元，简化了点云数据的复杂度，减少了数据处理步骤，有助于提高点云数据处理效率。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供了一种道路点云中物体的分类方法，所述分类方法包括：
采集车辆行驶过程中的初始点云数据；
将所述初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；
根据所述点云剖面中包括的每个像元中的点云个数，以及点云个数与灰度颜色值之间的映射关系，确定出所述点云剖面对应的目标二维图像；
将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层，并通过每个切片层中包括的点云个数，确定出路面层；
根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
进一步的，通过以下步骤确定点云剖面：
基于所述车辆行驶过程的总行驶距离以及第一预设划分间隔，确定出多个行驶节点以及每个行驶节点对应的行驶时刻；
基于每两个行驶时刻之间的行驶时间段对应的多个点云，确定所述点云剖面。
进一步的，通过以下步骤确定出所述点云剖面对应的目标二维图像：
将所述点云剖面的横向长度以及纵向长度按照预设像元大小进行划分，确定出多个像元；
根据每个像元中的点云个数，确定出每个像元对应的灰度值；
根据确定出的每个像元所属的区间位置，确定各个像元的目标二维图像赋色值，建立每个点云剖面的目标二维图像；其中，所述每个像元所属的区间位置是基于该像元的灰度值确定的。
进一步的，通过以下步骤确定出路面层：
将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层；
获取所述每个切片层的点云个数；
将点云个数高于除这一层之外的其他每层点云个数的一个切片层，确定为路面层。
进一步的，通过以下步骤对所述目标二维图像进行去噪：
将位于目标二维图像中的路面层以下以及路面层以上距离所述路面层预设高度距离以上的点云确定为噪点；
确定所述路面层与距离所述路面层预设高度距离的平面之间的目标区域，以及所述目标区域中的平均点密度；
根据预先设定的比例系数以及平均点密度确定目标区域的点密度阈值；
将点云个数低于点密度阈值的像元确定为候选噪点像元；若候选噪点像元周围与之相邻的像元同时满足无像元点密度高于点密度阈值以及一半以上像元点密度均小于点密度阈值，确定所述候选噪点像元为噪点像元，并将所述噪点像元内的点云确定为噪点；
将确定出的噪点从所述目标二维图像中剔除。
进一步的，通过以下步骤对所述目标二维图像进行分类，确定出行驶过程中路面物体的分类信息：
以路面层为基准，将去噪后的目标二维图像路面层与距离所述路面层预设高度距离的平面之间的区域确定为目标区域；
在目标区域中根据路面物体的不同类型所对应的不同高度，对车辆行驶过程中的路面物体进行分类。
第二方面，本申请实施例还提供了一种道路点云中物体的分类装置，所述分类装置包括：
采集模块，用于采集车辆行驶过程中的初始点云数据；
划分模块，用于将所述初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；
转换模块，用于根据所述点云剖面中包括的每个像元中的点云个数，以及点云个数与灰度颜色值之间的映射关系，确定出所述点云剖面对应的目标二维图像；
分析模块，用于将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层，并通过每个切片层中包括的点云个数，确定出路面层；
处理模块，用于根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
进一步的，所述划分模块在用于确定点云剖面时，所述划分模块用于：
基于所述车辆行驶过程的总行驶距离以及第一预设划分间隔，确定出多个行驶节点以及每个行驶节点对应的行驶时刻；
基于每两个行驶时刻之间的行驶时间段对应的多个点云，确定所述点云剖面。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的道路点云中物体的分类方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述的道路点云中物体的分类方法的步骤。
本申请实施例提供的一种道路点云中物体的分类方法、装置、电子设备及存储介质，采集车辆行驶过程中的初始点云数据；将所述初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；根据所述点云剖面中包括的每个像元中的点云个数，以及点云个数与灰度颜色值之间的映射关系，确定出所述点云剖面对应的目标二维图像；将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层，并通过每个切片层中包括的点云个数，确定出路面层；根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
这样，采用本申请提供的技术方案能够实现在点云剖面构成的二维图像中进行点云去噪及分类，在进行去噪及分类处理前，首先提取出路面层，既减少了数据量，又能降低路面点对分类的影响，同时路面层也可作为去噪及分类的参考。在进行去噪和分类处理时，以一定宽度的二维点云剖面为处理单元，简化了点云数据的复杂度，减少了数据处理步骤，有助于提高点云数据处理效率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种道路点云中物体的分类方法的流程图；
图2示出了本申请实施例所提供的确定点云剖面对应的目标二维图像的流程图；
图3示出了本申请实施例所提供的对目标二维图像进行去噪的流程图；
图4示出了本申请实施例所提供的一种道路点云中物体的分类装置的结构示意图；
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“道路点云中物体的分类”，给出以下实施方式，对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行道路点云中路面物体的分类的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的一种道路点云中物体的分类方法、装置、电子设备及存储介质的方案均在本申请保护范围内。
值得注意的是，车载移动测量系统是由激光扫描仪、惯性导航、全景相机等多种高性能传感器组成的新型测量装备，可以直接搭载在汽车等移动载体上。采用非接触式的测量方法，在车辆行驶过程中就可以直接获得较大范围内海量点的三维坐标及属性信息，采集速度快，测量精度高，将输出的点云成果与全景相机拍摄的全景图片匹配融合，更是能最大程度的还原城市街景面貌。无论是外业过程还是内业成果，相比全站仪、RTK等单次仅支持单点测量的传统测绘方式都更加高效便捷。在城市建设越来越倾向于数字化和信息化的今天，车载移动测量系统输出的点云成果可以广泛应用于城市建设，如道路管理养护、资产普查、城市三维建模等，其中道路点云还能为自动驾驶赋能，根据道路点云制作高精度电子地图，更新地图底图等。然而城市道路场景复杂，不可避免地存在地物相互遮挡难以辨别的情况，强烈太阳光照射、高反射率物体、测距过近等产生的影响也会在点云中以噪点的形式显现，因此在应用车载点云成果前，首先要对点云进行噪点去除工作，以提高点云精度，通常情况下，仅去除噪点是远远不够的，为了更高效地使用点云成果，还会进一步对点云进行分类，恢复道路地物特征。因此，对于道路点云的应用来说，噪点去除及地物粗分类十分有必要。
现阶段，扫描范围广、点云数据密集是移动测量系统的优势之一，在现有技术中，点云去噪技术多应用在三维场景中，车载移动测量系统采集的点云数据的数据量大，难以统一处理，在三维场景中处理点云还需要在360度中比较选择观测方向，点云观测方向的选择影响对路面物体形状的判断，导致操作复杂，处理速度慢等问题。
基于此，本申请提出了一种道路点云中物体的分类方法、装置、电子设备及存储介质，在点云剖面构成的二维图像中进行点云去噪及分类，在进行去噪及分类处理前，首先提取出路面层，既减少了数据量，又能降低路面点对分类的影响，同时路面层也可作为去噪及粗分类的参考。在进行去噪和分类处理时，以一定宽度的二维点云剖面为处理单元，简化了点云数据的复杂度，减少了数据处理步骤，有助于提高点云数据处理效率。
为便于对本申请进行理解，下面结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1，图1为本申请实施例所提供的一种道路点云中物体的分类方法的流程图。如图1中所示，所述分类方法，包括：
S101、采集车辆行驶过程中的初始点云数据；
该步骤中，通过车载移动测量系统中的激光扫描仪、惯性导航、全景相机等设备，采集到车辆行驶过程中的行驶轨迹以及初始点云数据，包括点云的激光扫描时刻以及位置信息。其中，所述车载移动测量系统是搭载在车上的一种用于地球科学、测绘科学技术、水利工程领域的特种检测仪器；所述初始点云数据是通过车载移动测量系统在车辆行驶过程中以车为圆心，360°对行驶轨迹周围物体包括路面、路灯、绿化带、车辆、桥梁的物体进行扫描得到的点云数据。
S102、将所述初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；
该步骤中，将初始点云数据按照第一预设划分间隔分段裁剪，建立每段点云的点云剖面。建立点云剖面的目的是为了将点云数据在二维平面进行处理，简化了点云数据的复杂度，减少了数据处理步骤，提高点云数据处理效率。
作为示例，所述点云剖面可通过以下步骤被构建：
基于所述车辆行驶过程的总行驶距离以及第一预设划分间隔，确定出多个行驶节点以及每个行驶节点对应的行驶时刻；
基于每两个行驶时刻之间的行驶时间段对应的多个点云，确定所述点云剖面。
需要说明的是，将车辆行驶过程中的总行驶距离也就是总行驶轨迹按照第一预设划分间隔进行裁剪，从而确定出裁剪的轨迹节点以及该节点对应的行驶时刻；相邻的两个轨迹节点之间的区域，即两个轨迹节点之间的行驶时间段所对应的点云数据，以车辆行驶前进的方向为点云观测方向，确定每个时间段的点云剖面；例如，查看点云的起始时刻T1，确定T1时刻行驶轨迹对应的轨迹点P1，以轨迹点P1点为起点，设定第一预设划分间隔d，P1向前d米位置的轨迹点P2为终点。确定轨迹点P2后，继续确定P2的时刻T2，在点云中截取T1-T2时间段的点云数据。以P1到P2前进的方向为点云观测方向，确定T1-T2时间段中点云的剖面。继续以P2为起点向前d米找到轨迹点P3，确定点云的第二段剖面，以P3为起点向前d米找到轨迹点P4，确定点云的第三段剖面，直到采集到的所有点云划分完成，从而将所有点云的剖面建立完成。
S103、根据所述点云剖面中包括的每个像元中的点云个数，以及点云个数与灰度颜色值之间的映射关系，确定出所述点云剖面对应的目标二维图像；
该步骤中，基于S102步骤确定出的每段点云剖面，可以将其转换为目标二维图像，其中，确定所述点云剖面对应的目标二维图像的步骤请参阅图2，图2为本申请实施例所提供的确定点云剖面对应的目标二维图像的流程图。如图2中所示，本申请实施例提供的确定点云剖面对应的目标二维图像的方法，包括：
S201、将所述点云剖面的横向长度以及纵向长度按照预设像元大小进行划分，确定出多个像元；
该步骤中，点云剖面的横向长度以及纵向长度是根据该点云剖面中各个点云的坐标确定出来的，即根据该点云剖面中各个点云的坐标，确定出点云剖面包括的坐标范围，根据点云剖面的坐标范围以及预设的像元大小确定栅格网；其中，栅格网是由按行和列组织的网格组成，每个网格就是栅格的最小单位像元；示例性的，确定点云剖面中点的坐标范围Xmin、Xmax、Ymin、Ymax，计算△X(Xmax-Xmin)、△Y(Ymax-Ymin)，设定合适的像元大小s，以△X为长度、△Y为宽度，建立行数为△X/s，列数为△Y/s的栅格网。
S202、根据每个像元中的点云个数，确定出每个像元对应的灰度值；
该步骤中，根据每个像元内的点云个数，统计点云个数的最大值与最小值，通过以下公式计算中间值V以及每个像元的灰度值G，建立灰度图像。
Figure BDA0003262389350000101
G＝255×(1-V)；
上述公式中，V为当前像元的中间值Value，N为当前像元内的点云个数，Nmin为当前点云剖面图像中像元内点云个数的最小值，Nmax为当前点云剖面图像中像元内点云个数的最大值。
需要说明的是，统计每个像元内的点云个数N，确定点云个数的范围【Nmax，Nmin】，分别对应灰度图像的颜色范围【255，0】。根据像元内点云个数N，分别按照上述公式计算中间值V及每个像元的灰度值G，建立灰度图像，像元内点云个数越少时，像元越亮。
S203、根据确定出的每个像元所属的区间位置，确定各个像元的目标二维图像赋色值，建立每个点云剖面的目标二维图像；其中，所述每个像元所属的区间位置是基于该像元的灰度值确定的。
该步骤中，基于步骤S202确定的每个像元的灰度值，统计灰度范围【Gmax，Gmin】，按照以下公式计算每个灰度值所在的位置L；
Figure BDA0003262389350000111
上述公式中，L为当前像元所在的区间位置，G为当前像元的灰度值，Gmin为当前灰度图像中灰度值最小值，Gmax为当前灰度图像中灰度值最大值。
其次，确定该灰度值所在的颜色区间Lx以及该颜色区间上下边界点的颜色值【Ca，Cb】。按照以下公式计算灰度图像转化为目标二维图像，即RGB图像时的赋色值，建立与点云剖面对应的RGB图像。
C＝Ca+(Cb-Ca)×(L-Lx)；
上述公式中，C为当前像元的RGB图像赋色值，Ca为当前像元所在区间的上边界颜色值，Cb为当前像元所在区间的下边界颜色值，L为当前像元所在的区间位置，Lx为当前像元所属的区间号，即第X区间。
示例性的，将灰度值0-255进行四等分，得到四个颜色区间L1、L2、L3、L4和五个区间边界点C1、C2、C3、C4、C5，【0，63】为第一区间L1，【64，127】为第二区间L2，【128，191】为第三区间L3，【192，255】为第四区间L4，为了增强目标二维图像RGB图像的显示效果，分别选定RGB图像中的红色(255，0，0)、黄色(255，255，0)、绿色(0，255，0)、青色(0，255，255)、蓝色(0，0，255)这五个颜色为C1-C5区间边界点的颜色，L1【0，63】为红色-黄色，L2【64，127】为黄色-绿色，L3【128，191】为绿色-青色，L4【192，255】为青色-蓝色。
S104、将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层，并通过每个切片层中包括的点云个数，确定出路面层；
该步骤中，激光扫描仪进行360°扫描，点云均匀的分布在360°的扫描范围内，任意两点的角度间隔相等。天空通常是没有物体的，因此天空部分一般没有点云。扫描仪旋转360°获得的点云至少会有90°的范围在地面上，也就是地面上的点云至少占所有点云的25％。
作为示例，所述路面层可通过以下步骤被获取：
将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层；
获取所述每个切片层的点云个数；
将点云个数高于除这一层之外的其他每层点云个数的一个切片层，确定为路面层。
示例性的，按照第二划分预设间隔△H对步骤S203获得的每幅目标二维图像，即RGB图像沿预设方向进行切片，其中，第二划分预设间隔△H为垂直于地面的划分高度，即将地面到天空的距离以△H的高度进行等距划分，所述预设方向为车辆行驶的方向，按照△H的高度间隔沿车辆行驶的方向对RGB图像进行切片，获得至少一层的切片层，获得的每层切片层均平行于地面，先统计每层切片的像元个数，进而统计每层切片的点云个数。任意一层点云的占比，都会小于1/4(90°/360°)，因此，将点云个数最多的一层切面定义为路面，分类到地面(Ground)层中。
S105、根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
该步骤中，根据所述路面层以及预设高度距离对所述目标二维图像进行去噪。噪点有不同的表现形式及规律，有些聚集在一处，有些零散孤立，其中，进行去噪的流程图请参阅图3，图3为本申请实施例所提供的对目标二维图像进行去噪的流程图。如图3中所示，对目标二维图像进行去噪的步骤，包括：
本申请主要用以下两种方式去除噪点：
第一种去噪的方式：利用高程滤波去除噪点；
S301、将位于目标二维图像中的路面层以下以及路面层以上距离所述路面层预设高度距离以上的点云确定为噪点；
该步骤，在S104中已经确定了路面层，将位于目标二维图像中的路面层以下以及路面层以上距离所述路面层预设高度距离以上的点云确定为噪点；示例性的，将路面层以下及路面层以上30米在RGB图像中所映射的区域中的点云均视为噪点。
第二种去噪的方式：利用密度阈值法去除噪点；
S302、确定所述路面层与距离所述路面层预设高度距离的平面之间的目标区域，以及所述目标区域中的平均点密度；
该步骤中，确定所述路面层与距离所述路面层预设高度距离的平面之间的目标区域，统计目标区域中像元内的点云个数，计算目标区域的平均点密度；其中，目标区域的平均点密度为目标区域中像元内的点云个数除以目标区域的面积。
示例性的，S301步骤已经确定了路面层以下及路面层以上30米的点云为噪点，步骤S302中的目标区域为路面层到路面层30米之内的区域，此区域的平均点密度为此区域中所有像元内的点云个数之和除以此区域的面积，其中，此区域的面积为像元大小乘以该区域的像元个数。
S303、根据预先设定的比例系数以及平均点密度确定目标区域的点密度阈值；
该步骤中，设定比例系数，用S302获得的平均点密度乘以设定的比例系数，得到每张目标二维图像中目标区域的点密度阈值。示例性的，设定比例系数f，用平均点密度d乘以比例系数f，得到目标区域的点密度阈值ρ，即路面层到路面层30米之内在RGB图像中所映射的区域中的点密度阈值ρ。
S304、将点云个数低于点密度阈值的像元确定为候选噪点像元；若候选噪点像元周围与之相邻的像元同时满足无像元点密度高于点密度阈值以及一半以上像元点密度均小于点密度阈值，确定所述候选噪点像元为噪点像元，并将所述噪点像元内的点云确定为噪点；
示例性的，将点云个数低于点密度阈值ρ的像元确定为候选噪点像元，根据候选噪点像元周围像元的值决定此像元的最终输出，分别计算候选噪点像元n×n邻域每个像元的点密度，若邻域像元同时满足无像元点密度高于ρ、一半以上像元点密度都小于ρ，则确认该候选噪点像元为噪点像元，该候选噪点像元内的点云为噪点。
S305、将确定出的噪点从所述目标二维图像中剔除。
该步骤中，将步骤S301以及步骤S302至步骤S304两种方式确定出的噪点从所述目标二维图像中剔除，示例性的，第一种去噪的方式将步骤S301获得的位于路面层以下及路面层以上30米的点云从RGB图像中剔除；第二种去噪的方式将步骤S302至步骤S304获得的噪点从RGB图像中剔除。
S105、根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
该步骤中，根据所述路面层以及预设高度距离对所述目标二维图像进行分类，确定出车辆行驶过程中路面物体的分类信息。
作为示例，对所述目标二维图像进行分类，确定出行驶过程中路面物体的分类信息可通过以下步骤被构建：
以路面层为基准，将去噪后的目标二维图像路面层与距离所述路面层预设高度距离的平面之间的区域确定为目标区域；
在目标区域中根据路面物体的不同类型所对应的不同高度，对车辆行驶过程中的路面物体进行分类。
需要说明的是，对所述目标二维图像进行分类之前，需要从大量点云剖面的RGB图像中提取典型路面物体的二维形状特征，根据特征建立路面物体模板库。常见的道路中的物体有桥梁、路灯、信号灯、交通指示牌、树木等，在步骤S104中已经确定出路面层，在步骤S301以及步骤S304中已经确定出了噪点，将噪点统一分到噪点(Noise)层，将去噪后的目标二维图像路面层与距离所述路面层预设高度距离的平面之间的区域确定为目标区域；例如，将去噪后的RGB图像路面层与距离所述路面层30米的平面之间的区域确定为目标区域；在目标区域路面层以上h1米范围内的地物多为移动的机动车、非机动车、行人、低矮绿化带等，将这些地物暂时归为其他，分到其他(Others)层，先对其他(Others)层进行划分，再对目标区域中根据路面物体的不同类型所对应的不同高度的未处理的像元按照从低到高的顺序依次进行分类操作，对车辆行驶过程中的路面物体进行分类。
示例性的，先对其他(Others)层进行划分：在RGB图像中道路分车绿带剖面垂直方向会有明显边界，道路中央存在分车绿带时，路面层中间部分会有明显空缺。对其他(Others)层中路面层空缺以上像元内的点云进行聚类，符合绿化带特征则将其归为绿化带(Green Belt)类。对其他(Others)层中剩余点进行聚类，将其分到车辆(Car)层。
示例性的，将桥梁分类到桥梁(Bridge)层：根据车辆的常规设置及行驶规定可知，机动车道最小净高为4.5m，搜索路面层以上h2米范围内未分类像元内的点云进行聚类。桥梁剖面在空间内具有垂直方向连续向上，通过水平方向连接的特征，对像元点进行腐蚀和膨胀处理，提取剖面中的桥梁，在路面物体模板库中精准匹配，得到桥梁，并将其分到桥梁(Bridge)层。
示例性的，将交通指示牌分类到交通指示牌(Road Facility)层：搜索路面层以上h3米范围内未分类像元内的点云进行聚类。交通指示牌等杆状地物的剖面通常垂直于路面层，具有连续竖直向上、在高处往水平方向延伸的特征。对像素点进行腐蚀和膨胀处理，提取剖面中的交通指示牌，在路面物体模板库中匹配符合特征的模板，得到交通指示牌，将其分到交通指示牌(Road Facility)层。进一步对交通指示牌进行划分，利用图形处理中的特征提取算法识别出三角形、圆形、矩形等几何形状，将包含三角形的指示牌分类到R1层，将含有矩形的指示牌分类到R2层，将含有圆形的指示牌分类到R3层。
示例性的，将信号灯分类到信号灯分类(Traffic Light)层：根据道路交通信号灯设置与安装规范可知，车道信号灯的安装高度为5.5-7m，搜索路面层以上h4米范围内未分类像元内的点云进行聚类。信号灯符合杆状地物剖面的典型特征，且水平方向上有若干个圆形图形，对像元点进行腐蚀和膨胀处理，根据特征提取剖面中的信号灯。在实际道路中，信号灯中部以上可能有树木遮挡的情况，先利用PCA分析去除树木点，获得干净的信号灯杆，再在路面物体模板库中匹配，得到信号灯，分类到信号灯分类(Traffic Light)层。
示例性的，将路灯分类到路灯(Street light)层：根据城市道路照明设计标准可知，灯具安装在高度通常为15m以下的灯杆上，搜索路面层以上h5米范围内未分类像元内的点云进行聚类。路灯符合杆状地物剖面特征。对像元点进行腐蚀和膨胀处理，提取路灯。在实际道路中，路灯中部以上可能有树木遮挡的情况，先利用PCA分析去除树木点，获得干净的路灯杆，再在路面物体模板库中匹配，得到路灯，分类到路灯(Street light)层。
示例性的，将树木分类到树木(Tree)层：树木剖面可分为树干与树冠两大部分，树干部分垂直向上，树冠部分与树干相连且以树干为中心向两侧发散。对未处理像元点云进行聚类，提取同时具备树干与树冠特征的点，在路面物体模板库中匹配，得到树木，提取到树木(Tree)层。
需要说明的是，上述实施例中所述的h1-h5的距离高度为：0<h1<h2<h3<h4<h5<预设高度距离，在应用场景中，预设高度距离为米，在RGB图像中需要映射成像素。
本申请实施例提供的一种道路点云中物体的分类方法，采集车辆行驶过程中的初始点云数据；将所述初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；根据所述点云剖面中包括的每个像元中的点云个数，以及点云个数与灰度颜色值之间的映射关系，确定出所述点云剖面对应的目标二维图像；将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层，并通过每个切片层中包括的点云个数，确定出路面层；根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
这样，采用本申请提供的技术方案能够实现在点云剖面构成的二维图像中进行点云去噪及分类，在进行去噪及分类处理前，首先提取出路面层，既减少了数据量，又能降低路面点对分类的影响，同时路面层也可作为去噪及粗分类的参考。在进行去噪和分类处理时，以一定宽度的二维点云剖面为处理单元，简化了点云数据的复杂度，减少了数据处理步骤，有助于提高点云数据处理效率。
基于同一申请构思，本申请实施例中还提供了与上述实施例提供一种道路点云中物体的分类方法对应的一种道路点云中物体的分类装置，由于本申请实施例中的装置解决问题的原理与本申请上述实施例一种道路点云中物体的分类方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图4，图4为本申请实施例所提供的一种道路点云中物体的分类装置的结构示意图，如图4中所示，所述分类装置410包括：
采集模块411，用于采集车辆行驶过程中的初始点云数据；
划分模块412，用于将所述初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；
转换模块413，用于根据所述点云剖面中包括的每个像元中的点云个数，以及点云个数与灰度颜色值之间的映射关系，确定出所述点云剖面对应的目标二维图像；
分析模块414，用于将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层，并通过每个切片层中包括的点云个数，确定出路面层；
处理模块415，用于根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
可选的，所述划分模块412在用于确定点云剖面时，所述划分模块412用于：
基于所述车辆行驶过程的总行驶距离以及第一预设划分间隔，确定出多个行驶节点以及每个行驶节点对应的行驶时刻；
基于每两个行驶时刻之间的行驶时间段对应的多个点云，确定所述点云剖面。
可选的，所述转换模块413在用于确定出所述点云剖面对应的目标二维图像时，所述转换模块413用于：
将所述点云剖面的横向长度以及纵向长度按照预设像元大小进行划分，确定出多个像元；
根据每个像元中的点云个数，确定出每个像元对应的灰度值；
根据确定出的每个像元所属的区间位置，确定各个像元的目标二维图像赋色值，建立每个点云剖面的目标二维图像；其中，所述每个像元所属的区间位置是基于该像元的灰度值确定的。
可选的，所述分析模块414在用于确定出路面层时，所述分析模块414用于：
将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层；
获取所述每个切片层的点云个数；
将点云个数高于除这一层之外的其他每层点云个数的一个切片层，确定为路面层。
可选的，所述处理模块415在用于对所述目标二维图像进行去噪时，所述处理模块415用于：
将位于目标二维图像中的路面层以下以及路面层以上距离所述路面层预设高度距离以上的点云确定为噪点；
确定所述路面层与距离所述路面层预设高度距离的平面之间的目标区域，以及所述目标区域中的平均点密度；
根据预先设定的比例系数以及平均点密度确定目标区域的点密度阈值；
将点云个数低于点密度阈值的像元确定为候选噪点像元；若候选噪点像元周围与之相邻的像元同时满足无像元点密度高于点密度阈值以及一半以上像元点密度均小于点密度阈值，确定所述候选噪点像元为噪点像元，并将所述噪点像元内的点云确定为噪点；
将确定出的噪点从所述目标二维图像中剔除。
可选的，所述处理模块415在用于对所述目标二维图像进行分类，确定出行驶过程中路面物体的分类信息时，所述处理模块415用于：
以路面层为基准，将去噪后的目标二维图像路面层与距离所述路面层预设高度距离的平面之间的区域确定为目标区域；
在目标区域中根据路面物体的不同类型所对应的不同高度，对车辆行驶过程中的路面物体进行分类。
本申请实施例提供的一种道路点云中物体的分类装置，采集模块，用于采集车辆行驶过程中的初始点云数据；划分模块，用于将所述初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；转换模块，用于根据所述点云剖面中包括的每个像元中的点云个数，以及点云个数与灰度颜色值之间的映射关系，确定出所述点云剖面对应的目标二维图像；分析模块，用于将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层，并通过每个切片层中包括的点云个数，确定出路面层；处理模块，用于根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
这样，采用本申请提供的技术方案能够实现在点云剖面构成的二维图像中进行点云去噪及分类，在进行去噪及分类处理前，首先提取出路面层，既减少了数据量，又能降低路面点对分类的影响，同时路面层也可作为去噪及粗分类的参考。在进行去噪和分类处理时，以一定宽度的二维点云剖面为处理单元，简化了点云数据的复杂度，减少了数据处理步骤，有助于提高点云数据处理效率。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1至图3所示方法实施例中的道路点云中物体的分类方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1至图3所示方法实施例中的道路点云中物体的分类方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种道路点云中物体的分类方法，其特征在于，所述分类方法包括：
采集车辆行驶过程中的初始点云数据；
将所述初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；
根据所述点云剖面中包括的每个像元中的点云个数，以及点云个数与灰度颜色值之间的映射关系，确定出所述点云剖面对应的目标二维图像；
将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层，并通过每个切片层中包括的点云个数，确定出路面层；
根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
2.根据权利要求1所述的分类方法，其特征在于，通过以下步骤确定点云剖面：
基于所述车辆行驶过程的总行驶距离以及第一预设划分间隔，确定出多个行驶节点以及每个行驶节点对应的行驶时刻；
基于每两个行驶时刻之间的行驶时间段对应的多个点云，确定所述点云剖面。
3.根据权利要求1所述的分类方法，其特征在于，通过以下步骤确定出所述点云剖面对应的目标二维图像：
将所述点云剖面的横向长度以及纵向长度按照预设像元大小进行划分，确定出多个像元；
根据每个像元中的点云个数，确定出每个像元对应的灰度值；
根据确定出的每个像元所属的区间位置，确定各个像元的目标二维图像赋色值，建立每个点云剖面的目标二维图像；其中，所述每个像元所属的区间位置是基于该像元的灰度值确定的。
4.根据权利要求1所述的分类方法，其特征在于，通过以下步骤确定出路面层：
将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层；
获取所述每个切片层的点云个数；
将点云个数高于除这一层之外的其他每层点云个数的一个切片层，确定为路面层。
5.根据权利要求1所述的分类方法，其特征在于，通过以下步骤对所述目标二维图像进行去噪：
将位于目标二维图像中的路面层以下以及路面层以上距离所述路面层预设高度距离以上的点云确定为噪点；
确定所述路面层与距离所述路面层预设高度距离的平面之间的目标区域，以及所述目标区域中的平均点密度；
根据预先设定的比例系数以及平均点密度确定目标区域的点密度阈值；
将点云个数低于点密度阈值的像元确定为候选噪点像元；若候选噪点像元周围与之相邻的像元同时满足无像元点密度高于点密度阈值以及一半以上像元点密度均小于点密度阈值，确定所述候选噪点像元为噪点像元，并将所述噪点像元内的点云确定为噪点；
将确定出的噪点从所述目标二维图像中剔除。
6.根据权利要求1所述的分类方法，其特征在于，通过以下步骤对所述目标二维图像进行分类，确定出行驶过程中路面物体的分类信息：
以路面层为基准，将去噪后的目标二维图像路面层与距离所述路面层预设高度距离的平面之间的区域确定为目标区域；
在目标区域中根据路面物体的不同类型所对应的不同高度，对车辆行驶过程中的路面物体进行分类。
7.一种道路点云中物体的分类装置，其特征在于，所述分类装置包括：
采集模块，用于采集车辆行驶过程中的初始点云数据；
划分模块，用于将所述初始点云数据按照第一预设划分间隔进行划分，得到点云剖面；
转换模块，用于根据所述点云剖面中包括的每个像元中的点云个数，以及点云个数与灰度颜色值之间的映射关系，确定出所述点云剖面对应的目标二维图像；
分析模块，用于将所述目标二维图像按照第二划分预设间隔沿预设方向进行切片，得到至少一个切片层，并通过每个切片层中包括的点云个数，确定出路面层；
处理模块，用于根据所述路面层以及预设高度距离对所述目标二维图像进行去噪以及分类，确定出车辆行驶过程中路面物体的分类信息。
8.根据权利要求7所述的分类装置，其特征在于，所述划分模块在用于确定点云剖面时，所述划分模块用于：
基于所述车辆行驶过程的总行驶距离以及第一预设划分间隔，确定出多个行驶节点以及每个行驶节点对应的行驶时刻；
基于每两个行驶时刻之间的行驶时间段对应的多个点云，确定所述点云剖面。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至6任一所述的分类方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6任一所述的分类方法的步骤。
CN202111076339.6A 2021-09-14 2021-09-14 道路点云中物体的分类方法、装置、电子设备及存储介质 Pending CN113920483A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111076339.6A CN113920483A (zh) 2021-09-14 2021-09-14 道路点云中物体的分类方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111076339.6A CN113920483A (zh) 2021-09-14 2021-09-14 道路点云中物体的分类方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113920483A true CN113920483A (zh) 2022-01-11

Family

ID=79234714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111076339.6A Pending CN113920483A (zh) 2021-09-14 2021-09-14 道路点云中物体的分类方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113920483A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024011381A1 (zh) * 2022-07-11 2024-01-18 上海交通大学 点云编解码方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110164037A1 (en) * 2008-08-29 2011-07-07 Mitsubishi Electric Corporaiton Aerial image generating apparatus, aerial image generating method, and storage medium havng aerial image generating program stored therein
CN105551082A (zh) * 2015-12-02 2016-05-04 百度在线网络技术（北京）有限公司 一种基于激光点云的路面识别方法及装置
CN105761306A (zh) * 2016-01-29 2016-07-13 珠海汇迪科技有限公司 一种基于景深图像或者点云的路面模型及其建立方法
CN108267747A (zh) * 2017-01-03 2018-07-10 中交宇科（北京）空间信息技术有限公司 基于激光点云的道路特征提取方法和装置
CN109766404A (zh) * 2019-02-12 2019-05-17 湖北亿咖通科技有限公司 点云处理方法、装置及计算机可读存储介质
CN109840880A (zh) * 2017-11-27 2019-06-04 北京图森未来科技有限公司 一种路面识别方法和装置
CN111650599A (zh) * 2020-05-07 2020-09-11 国家电网有限公司 基于机载激光雷达遥感技术的电力输电线信息提取及安全检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110164037A1 (en) * 2008-08-29 2011-07-07 Mitsubishi Electric Corporaiton Aerial image generating apparatus, aerial image generating method, and storage medium havng aerial image generating program stored therein
CN105551082A (zh) * 2015-12-02 2016-05-04 百度在线网络技术（北京）有限公司 一种基于激光点云的路面识别方法及装置
CN105761306A (zh) * 2016-01-29 2016-07-13 珠海汇迪科技有限公司 一种基于景深图像或者点云的路面模型及其建立方法
CN108267747A (zh) * 2017-01-03 2018-07-10 中交宇科（北京）空间信息技术有限公司 基于激光点云的道路特征提取方法和装置
CN109840880A (zh) * 2017-11-27 2019-06-04 北京图森未来科技有限公司 一种路面识别方法和装置
CN109766404A (zh) * 2019-02-12 2019-05-17 湖北亿咖通科技有限公司 点云处理方法、装置及计算机可读存储介质
CN111650599A (zh) * 2020-05-07 2020-09-11 国家电网有限公司 基于机载激光雷达遥感技术的电力输电线信息提取及安全检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024011381A1 (zh) * 2022-07-11 2024-01-18 上海交通大学 点云编解码方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108345822B (zh) 一种点云数据处理方法及装置
WO2018068653A1 (zh) 点云数据处理方法、装置及存储介质
Gargoum et al. Automated highway sign extraction using lidar data
CN103500338B (zh) 基于车载激光扫描点云的道路斑马线自动提取方法
JP5430627B2 (ja) 道路付属物検出装置、道路付属物検出方法、及びプログラム
CN108898672A (zh) 一种制作三维高清道路图车道线的半自动点云方法
CN108845569A (zh) 生成三维高清道路图水平弯道行车线的半自动点云方法
Ibrahim et al. Curb-based street floor extraction from mobile terrestrial LiDAR point cloud
CN105844629A (zh) 一种大场景城市建筑物立面点云自动分割方法
CN111325138B (zh) 一种基于点云局部凹凸特征的道路边界实时检测方法
EP4120123A1 (en) Scan line-based road point cloud extraction method
CN107657636B (zh) 一种基于车载激光雷达数据自动提取道路地形图高程点的方法
Safaie et al. Automated street tree inventory using mobile LiDAR point clouds based on Hough transform and active contours
CN112241661B (zh) 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法
CN112560747B (zh) 基于车载点云数据的车道边界交互式提取方法
Soheilian et al. 3D road marking reconstruction from street-level calibrated stereo pairs
CN112418081B (zh) 一种空地联合快速勘察交通事故的方法及系统
CN112561944A (zh) 一种基于车载激光点云的车道线提取方法
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
CN117073664B (zh) 一种露天矿山道路地形建图方法
CN112014856A (zh) 一种适于交叉路段的道路边沿提取方法及装置
CN112070756A (zh) 一种基于无人机倾斜摄影的路面立体病害测量方法
Yao et al. Automated detection of 3D individual trees along urban road corridors by mobile laser scanning systems
WO2018151629A1 (ru) Способ и система автоматического построения трехмерных моделей городов
CN113920483A (zh) 道路点云中物体的分类方法、装置、电子设备及存储介质

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