CN114022760A - 铁路隧道障碍物监测预警方法、系统、设备及存储介质 - Google Patents
铁路隧道障碍物监测预警方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114022760A CN114022760A CN202111195771.7A CN202111195771A CN114022760A CN 114022760 A CN114022760 A CN 114022760A CN 202111195771 A CN202111195771 A CN 202111195771A CN 114022760 A CN114022760 A CN 114022760A
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- obstacle
- monitoring
- cloud data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000004888 barrier function Effects 0.000 title claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000000284 resting effect Effects 0.000 claims description 2
- 239000011435 rock Substances 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- -1 size Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Computer Graphics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种铁路隧道障碍物监测预警方法、系统、设备及存储介质，获取在历史时刻采集隧道的先验障碍物点云数据、三维地图数据和监测空间范围数据，基于先验障碍物点云数据和监测空间范围数据对当前时刻采集的第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的第一障碍物点云数据，基于三维地图数据和监测空间范围数据对当前时刻采集的第一障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的第一障碍物图像数据，基于处理后的第一障碍物点云数据、处理后的第一障碍物图像数据和三维地图数据，预测警报的类型和级别。本方案能够提高监测频率和效率，能够进行实时监测，能够提高监测准确度。
Description
技术领域
本发明涉及铁路隧道监测技术领域，具体涉及一种铁路隧道障碍物监测预警方法、系统、设备及存储介质。
背景技术
近年来，随着中国经济的发展，铁路建设规模逐年加大，高海拔、高烈度地震区、埋深大的超长铁路隧道越来越多。隧道穿越的山体工程地质及水文地质等条件复杂多变，隧道建设可能面临不良地质问题。受修建时期的设计与施工技术条件的限制，加上不可预知的自然灾害，隧道内偶尔会出现障碍物的情况。因此，铁路隧道的障碍物监测预警问题变得日益突出，如何对铁路隧道的障碍物进行高精度、实时的监测、预警就显得极为重要。
在现有的铁路隧道障碍物监测技术中，分为长期监测和定期监测。长期监测一般采用在隧道中安装视频监控装置或光栅传感器的方式来对铁路隧道中的障碍物进行监测，但视频监控装置监测距离受限，且只能二维成像，导致监测的位置精度差，无法获取障碍物的具体形状大小，大多数情况下需要依靠人工对障碍物情况进行判别，自动化程度和效率较低，容易产生错漏；光栅传感器使用激光格网对铁轨进行障碍物侵占监测，监测精度受限于激光格网的大小，若需要较高精度则需要加密布设光栅传感器，且不同的布设位置会对障碍物的落地点判断造成影响。定期监测采用人工和隧道巡检机器人定期对隧道进行监测，该种方式监测精度高，但频率低、效率低，无法保证实时性，无法及时对铁路隧道中障碍物情况进行监测。
发明内容
为解决现有技术中存在的问题，本发明提供一种铁路隧道障碍物监测预警方法、系统、设备及存储介质，能够提高监测频率和效率，能够进行实时监测。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明提供了一种铁路隧道障碍物监测预警方法，包括以下步骤：
获取在历史时刻采集隧道的先验障碍物点云数据、三维地图数据和监测空间范围数据，其中，所述三维地图数据是由所述隧道的历史点云数据和所述隧道的历史图像数据构成的数据，所述监测空间范围数据是通过设定所述三维地图数据中X、Y和Z三个方向上的监测空间范围之后获得的数据；
基于所述先验障碍物点云数据和所述监测空间范围数据对当前时刻采集的第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的所述第一障碍物点云数据；
基于所述三维地图数据和所述监测空间范围数据对当前时刻采集的第一障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的所述第一障碍物图像数据；
基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，预测警报的类型和级别。
进一步，所述获取所述先验障碍物点云数据，包括如下步骤：
通过激光雷达全方位采集隧道障碍物的历史点云数据；
提取所述隧道障碍物的所述历史点云数据的关键点集，计算每个关键点的特征向量和特征值，生成所述先验障碍物点云数据。
进一步，所述获取所述三维地图数据和所述监测空间范围数据，包括如下步骤：
获取激光雷达与相机的相对位置数据和相对姿态数据；
通过所述激光雷达和所述相机分别全方位采集所述隧道的所述历史点云数据和所述历史图像数据；
使用所述相对位置数据和所述相对姿态数据对所述隧道的所述历史点云数据和所述历史图像数据进行三维投影，将所述隧道的所述历史点云数据转换至以相机为中心的三维坐标上，获得三维数据；
以(x,y,z,R,G,B,T)作为基础数据格式对所述三维数据进行整理，并以八叉树建立空间索引，生成多层次结构，构建出所述三维地图数据；
基于所述三维地图数据，通过设定所述三维地图数据中X、Y和Z三个方向上的空间范围，获取所述监测空间范围数据。
进一步，所述基于所述先验障碍物点云数据和所述监测空间范围数据对当前时刻采集的第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的所述第一障碍物点云数据，包括如下步骤：
所述第一障碍物点云数据使用所述监测空间范围数据作为划分依据，对所述第一障碍物点云数据进行裁剪，获得裁剪点云数据；
对所述裁剪点云数据进行去噪采样处理，获得去噪点云数据；
对所述去噪点云数据进行聚类分割，获得点云实体；
基于所述点云实体与所述先验障碍物点云数据，进行障碍物特征匹配，获得所述处理后的所述第一障碍物点云数据。
进一步，所述基于所述三维地图数据和所述监测空间范围数据对当前时刻采集的第一障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的所述第一障碍物图像数据，包括如下步骤：
使用所述监测空间范围数据作为划分依据，获得监测空间范围内，相机实时采集的所述第一障碍物图像数据；
剔除所述第一障碍物图像数据中的每帧图像与所述三维地图数据相同的区域，保留有差异的区域，获得目标物体图像；
对所述目标物体图像进行图像特征提取，获取所述目标物体图像的像素位置；
基于所述像素位置，使用所述三维地图数据进行仿射变换，并与所述点云实体进行匹配，获得目标物体的位置；
监测所述目标物体的位置变换过程，获得所述目标物体的运动轨迹和运动状态，实现定位跟踪，获得所述处理后的所述第一障碍物图像数据。
进一步，所述基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，预测警报的类型和级别，包括步骤：
基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，获取障碍物的形态大小、材质、停留位置以及运动状态；
基于所述障碍物的所述形态大小、所述材质、所述停留位置以及所述运动状态，判断警报的类型和级别。
进一步，在所述基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，预测警报的类型和级别之后，还包括步骤：
基于所述第一障碍物点云数据和所述第一障碍物图像数据更新所述先验障碍物点云数据、所述三维地图数据和所述监测空间范围数据，获得新的先验障碍物点云数据、新的三维地图数据和新的监测空间范围数据；
基于所述新的先验障碍物点云数据和所述新的监测空间范围数据对下一时刻采集的第二障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的所述第二障碍物点云数据；
基于所述新的三维地图数据和所述新的监测空间范围数据对下一时刻采集的第二障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的所述第二障碍物图像数据；
基于所述处理后的所述第二障碍物点云数据、所述处理后的所述第二障碍物图像数据和所述新的三维地图数据，预测警报的类型和级别。
第二方面，本发明提供了一种铁路隧道障碍物监测预警系统，包括：
数据获取单元，用于获取在历史时刻采集隧道的先验障碍物点云数据、三维地图数据和监测空间范围数据，其中，所述三维地图数据是由所述隧道的历史点云数据和所述隧道的历史图像数据构成的数据，所述监测空间范围数据是通过设定所述三维地图数据中X、Y和Z三个方向上的监测空间范围之后获得的数据；
第一计算单元，用于基于所述先验障碍物点云数据和所述监测空间范围数据对当前时刻采集的第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的所述第一障碍物点云数据；
第二计算单元，用于基于所述三维地图数据和所述监测空间范围数据对当前时刻采集的第一障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的所述第一障碍物图像数据；
警报预测单元，用于基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，预测警报的类型和级别。
第三方面，本发明提供了一种铁路隧道障碍物监测预警设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种铁路隧道障碍物监测预警方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种铁路隧道障碍物监测预警方法。
与现有技术相比，本发明具有以下有益效果：
本申请第一方面使用激光雷达和相机对隧道障碍物进行监测，能够提高监测频率和效率，能够进行实时监测；基于先验障碍物点云数据和监测空间范围数据对第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，以及基于三维地图数据和监测空间范围数据对第一障碍物图像数据中的目标物体进行监测和定位跟踪，能够获得准确可靠的数据，从而提高监测准确度。
可以理解的是，上述第二方面至第三方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一个实施例提供的铁路隧道障碍物监测预警方法的流程图；
图2为本发明一个实施例提供的最佳铁路隧道障碍物监测预警方法的流程图；
图3为本发明一个实施例提供的更新历史时刻数据的流程图；
图4为本发明一个实施例提供的铁路隧道障碍物监测预警系统的结构图。
具体实施方式
下面将结合附图，对本公开实施例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公开一部分实施例，而不是全部的实施例。基于本公开的实施例，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，都属于本公开保护的范围。需要说明的是，在不冲突的情况下，本公开实施例及实施例中的特征可以相互组合。另外，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本公开的每个技术特征和整体技术方案，但其不能理解为对本公开保护范围的限制。
在本发明的描述中，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
在现有的铁路隧道障碍物监测技术中，分为长期监测和定期监测。长期监测一般采用在隧道中安装视频监控装置或光栅传感器的方式来对铁路隧道中的障碍物进行监测，但视频监控装置监测距离受限，且只能二维成像，导致监测的位置精度差，无法获取障碍物的具体形状大小信息，大多数情况下需要依靠人工对障碍物情况进行判别，自动化程度和效率较低，容易产生错漏；光栅传感器使用激光格网对铁轨进行障碍物侵占监测，监测精度受限于激光格网的大小，若需要较高精度则需要加密布设光栅传感器，且不同的布设位置会对障碍物的落地点判断造成影响。定期监测采用人工和隧道巡检机器人定期对隧道进行监测，该种方式监测精度高，但频率低、效率低，无法保证实时性，无法及时对铁路隧道中障碍物情况进行监测。
为解决上述问题，本申请使用激光雷达和相机对隧道障碍物进行监测，能够提高监测频率和效率，能够进行实时监测；基于先验障碍物点云数据和监测空间范围数据对第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，以及基于三维地图数据和监测空间范围数据对第一障碍物图像数据中的目标物体进行监测和定位跟踪，能够获得准确可靠的数据，从而提高监测准确度。
参照图1至图3，本发明实施例提供了一种铁路隧道障碍物监测预警方法，具体实施步骤如下：
步骤S100、获取先验障碍物点云数据、三维地图数据和监测空间范围数据，其中，获取先验障碍物点云数据，包括步骤：
通过激光雷达对铁路隧道较为常见的障碍物，包括塑料袋、饮料瓶、废纸张、石块等杂物，进行全方位采集隧道障碍物的历史点云数据，获得隧道障碍物的历史点云数据。
在历史点云数据中的任意目标点的附近选取n个点；
对选取的每个点，计算该点与目标点在x坐标方向上的平均差sx、y坐标方向上的平均差sy和z坐标方向上的平均差sz:
基于获得的sx、sy和sz，计算三维曲率c，三维曲率c的表达式为：
获得三维曲率c后,根据三维曲率阈值t选取关键点，形成关键点集，关键点集包括角关键点和平面关键点。
角关键点的选取过程为：
从三维曲率最大的点开始，最多选择N个，只有曲率c大于t的点才能被选取；
若一个点周围五个点中已有点被选为关键点,则跳过该点，从曲率更小的点中选取。
平面关键点的选取过程为:
从三维曲率最小的点开始,最多选择N个，只有曲率c小于t的点才能被选取；
若一个点周围五个点中已有点被选为平面关键点，则跳过该点，从曲率更大的点中选取。
最终得到关键点集P＝{Xi,Yi,Zi,Ci,Fi},(i＝0,1,2...)，其中，Xi，Yi，Zi表示该点的三维坐标，Ci表示该点的曲率，Fi表示该点属于角关键点或平面关键点。
对每一个关键点Pi，以半径r划分邻近区域，通过邻近点的三维坐标，利用协方差矩阵计算关键点集中每个关键点的特征向量和特征值，协方差矩阵的表达式为：
其中，λ表示特征值，
表示特征向量，K表示Pi的邻近区域内所包含的邻近点的数量，
表示最邻近点的三维中心，λj表示协方差矩阵的第j个特征值，
表示协方差矩阵的第j个特征向量。
基于特征向量和特征值生成点云特征直方图，对特征直方图进行保存，生成先验障碍物点云数据。
获取三维地图数据和监测空间范围数据，包括步骤：
固定连接激光雷达与相机，确定激光雷达与相机的相对位置数据和相对姿态数据，相对位置包括三维坐标X、Y和Z，相对姿态数据包括翻滚角，俯仰角和偏航角。其中，获取激光雷达与相机的相对位置数据和相对姿态数据为本技术领域人员公知的技术方案。
通过激光雷达全方位采集隧道的历史点云数据，相机全方位采集隧道的历史图像数据，使用相对位置数据和相对姿态数据对隧道的历史点云数据和历史图像数据进行三维投影，将历史点云数据转换至以相机为中心的三维坐标上，获得隧道的三维数据。
对隧道的三维数据使用(X,Y,Z,R,G,B,T)作为基础数据格式进行整理，并以八叉树建立空间索引，生成多层次结构，以此构建出三维地图数据。
基于三维地图数据，通过设定三维地图上X、Y和Z三个方向上的空间范围，剔除无需监测的区域，保留待监测区域，通过设定三维地图上X、Y和Z三个方向上的空间范围来决定需要监测的铁路轨道的空间位置，保留X、Y和Z三个方向上的空间范围数据作为监测空间范围数据。
将获得的三维地图数据与监测空间范围数据作为阶段性先验地图数据。
步骤S200、基于先验障碍物点云数据和监测空间范围数据对当前时刻采集的第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的第一障碍物点云数据。
将激光雷达和相机安装在隧道内需要监测的区域顶部，确保激光雷达的扫描中心线和相机主轴线保持平行，同时保证激光雷达和相机向下倾斜，与隧道内铁路轨道平面保持一定角度，以保证激光雷达与相机的数据采集范围覆盖需要监测的铁路轨道。
使用激光雷达实时采集第一障碍物点云数据。
将监测空间范围数据作为划分依据，对第一障碍物点云数据做裁剪处理，剔除无需监测的区域的点云数据，保留监测区域内的点云数据，获得裁剪点云数据。
对裁剪点云数据进行去噪采样处理，获得去噪点云数据，获得去噪点云数据的过程为：
遍历裁剪点云数据中的每个点，求取每个点与该点最近的K个邻域点的距离均值；
计算裁剪点云数据中所有点的距离均值μ与标准差σ，则距离阈值可表示为dmax＝μ+α×σ，α表示比例系数，该值取决于邻域点的数量，一般取1～3；
遍历裁剪点云数据中的每个点，对每个点与该点领域点的距离与距离阈值dmax进行比较，超出阈值的点被标记为离群点或噪声点，并将其移除，如此便完成了点云数据的去噪；
对保留下来的裁剪点云数据，根据空间范围对其进行划分为一个个极小的格子，该格子称为三维体素栅格，栅格的大小决定采样后的点云稀疏程度；
将体素栅格内的点取平均或加权平均，得到一个重心点，用于代表该栅格内的所有点；
将所有栅格内的点做上述相同处理，便得到了采样后的去噪点云数据。
对去噪点云数据进行聚类分割，获得点云实体，获得点云实体的过程为：
创建一个K维树，作为分割去噪点云数据时所用的搜索方法，并设定一个距离阈值d；
将空间中某个点P作为搜索对象，通过K维树近邻搜索找到N个离P点最近的点，判断这些点与P点的距离是否小于所设定的距离阈值d，若小于设定的阈值，则将该点聚类到集合J中；
若J中的点的数据不断增加，则集合J中选取除P点以外的点作为搜索对象，重复上述过程。
若J中的点的数目不再增加，则聚类过程结束，获得点云实体。
基于点云实体与先验障碍物点云数据，进行障碍物特征匹配，获得处理后的第一障碍物点云数据，获得处理后的第一障碍物点云数据的过程为：
利用上述提取历史点云数据的关键点集、特征向量和特征值的提取方法，提取出点云实体的点云特征数据；
将点云实体的点云特征数据，与先验障碍物点云数据进行匹配；
若先验障碍物点云数据中包含该类障碍物，则将该点云实体对应的障碍物标记为已知障碍物；
若先验障碍物点云数据中不包含该类障碍物，则将该点云实体对应的障碍物标记为未知障碍物；
从而获得处理后的第一障碍物点云数据。
步骤S300、基于三维地图数据和监测空间范围数据对第一障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的第一障碍物图像数据。
使用监测空间范围数据作为划分依据，获得监测空间范围内，相机实时采集的第一障碍物图像数据；
剔除第一障碍物图像数据中的每帧图像与三维地图数据相同的区域，保留有差异的区域，获得目标物体图像；
对目标物体图像进行图像特征提取，包括如下步骤：
对于获得的目标物体图像I，目标物体图像中每个像素所在坐标为(x,y)，则尺度空间L(x,y,σ)表达式为：
L(x,y,σ)＝G(x,y,σ)*I(x,y)，
其中，σ表示空间尺度因子，G(x,y,σ)表示变化尺度的高斯函数，G(x,y,σ)的表达式为：
目标物体图像中的每个像素与同尺度的8个邻域像素和相邻尺度的9个邻域像素比较，使用如下公式检测出局部极大值和极小值，作为关键像素特征点。
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)
其中，G(x,y,σ)表示高斯差分函数，k表示常数因子。
通过对每个关键像素特征点进行一阶有限拆分计算偏导数，计算公式如下：
m(x,y)＝[(L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2]1/2
其中，m(x,y)表示像素梯度的模，θ(x,y)表示像素梯度的方向。
根据关键像素特征点周围区域的像素梯度方向，构成直方图，对特征直方图进行保存，获得目标物体图像的图像特征数据。
基于目标物体图像的图像特征数据，在当前图像中确定目标物体图像的像素位置；
基于目标物体图像的像素位置，使用三维地图数据进行仿射变换，并与点云实体进行匹配，获得目标物体的位置；
监测目标物体的位置变换过程，获得目标物体的运动轨迹和运动状态，实现定位跟踪，获得处理后的第一障碍物图像数据。
步骤S400、基于处理后的第一障碍物点云数据、处理后的第一障碍物图像数据和三维地图数据，预测警报的类型和级别。
基于处理后的第一障碍物点云数据、处理后的第一障碍物图像数据和三维地图数据，获得障碍物的形态大小、材质、停留位置以及运动状态；
基于障碍物的形态大小、材质、停留位置以及运动状态，根据预定规则，预测警报的类型和级别；
根据警报的类型和级别，发出不同的警报提醒。
例如，当铁路轨道监测区域内出现落石时，根据落石所处位置和当前的运动状态，判断该落石是否会因自身惯性等力量离开铁路轨道，根据落石的大小、材质以及位置等特征判断该落石是否会对铁路的正常运营产生影响，是否会造成危险，对于较大较硬的落石予以重大风险提醒，对小型落石予以隐患提醒，对于无法判断材质的落石予以人工处理提醒。
步骤S500、更新历史时刻的先验障碍物点云数据、三维地图数据和监测空间范围数据。
参照图3，对于可判断警报的类型和级别的情况和无法判断警报的类型和级别的情况，通过预设的规则进行处理；
步骤S501、基于激光雷达采集的第一障碍物点云数据和相机采集的第一障碍物图像数据更新先验障碍物点云数据、三维地图数据和监测空间范围数据，获得新的先验障碍物点云数据、新的三维地图数据和新的监测空间范围数据；
步骤S502、基于新的先验障碍物点云数据和新的监测空间范围数据对下一时刻采集的第二障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的第二障碍物点云数据；
步骤S503、基于新的三维地图数据和新的监测空间范围数据对下一时刻采集的第二障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的第二障碍物图像数据；
步骤S504、基于处理后的第二障碍物点云数据、处理后的第二障碍物图像数据和新的三维地图数据，预测警报的类型和级别；
步骤S505、在预测完警报的类型和级别并通过预设的规则进行处理之后，第二障碍物点云数据和第二障碍物图像数据作为历史时刻的数据，并将第二障碍物点云数据和第二障碍物图像数据输入至步骤S501进行更新先验障碍物点云数据、三维地图数据和监测空间范围数据，以此进行循环。
随着更新先验障碍物点云数据、三维地图数据和监测空间范围数据的次数增加，监测隧道障碍物的准确率越高。
在本实施例中，第一障碍物点云数据和第一障碍物图像数据为当前时刻的数据，第二障碍物点云数据和第二障碍物图像数据为当前时刻的下一时刻的数据。
参照图4，本发明实施例还提供了一种铁路隧道障碍物监测预警系统，包括：
数据获取单元100，用于获取在历史时刻采集隧道的先验障碍物点云数据、三维地图数据和监测空间范围数据，其中，三维地图数据是由隧道的历史点云数据和隧道的历史图像数据构成的数据，监测空间范围数据是通过设定三维地图数据中X、Y和Z三个方向上的监测空间范围之后获得的数据；
第一计算单元200，用于基于先验障碍物点云数据和监测空间范围数据对当前时刻采集的第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的第一障碍物点云数据；
第二计算单元300，用于基于三维地图数据和监测空间范围数据对当前时刻采集的第一障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的第一障碍物图像数据；
警报预测单元400，用于基于处理后的第一障碍物点云数据、处理后的第一障碍物图像数据和三维地图数据，预测警报的类型和级别。
需要说明的是，由于本实施例中的铁路隧道障碍物监测预警系统与上述的铁路隧道障碍物监测预警方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本系统实施例，此处不再详述。
本发明实施例还提供了一种铁路隧道障碍物监测预警设备，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的铁路隧道障碍物监测预警方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的铁路隧道障碍物监测预警方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
以上所描述的系统实施例仅仅是示意性的，其中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，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。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的铁路隧道障碍物监测预警方法，例如，执行以上描述的图1中的方法步骤S100至S400的功能。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本发明权利要求所限定的范围内。
Claims (10)
1.一种铁路隧道障碍物监测预警方法，其特征在于，包括以下步骤：
获取在历史时刻采集隧道的先验障碍物点云数据、三维地图数据和监测空间范围数据，其中，所述三维地图数据是由所述隧道的历史点云数据和所述隧道的历史图像数据构成的数据，所述监测空间范围数据是通过设定所述三维地图数据中X、Y和Z三个方向上的监测空间范围之后获得的数据；
基于所述先验障碍物点云数据和所述监测空间范围数据对当前时刻采集的第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的所述第一障碍物点云数据；
基于所述三维地图数据和所述监测空间范围数据对当前时刻采集的第一障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的所述第一障碍物图像数据；
基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，预测警报的类型和级别。
2.根据权利要求1所述的铁路隧道障碍物监测预警方法，其特征在于，所述获取所述先验障碍物点云数据，包括如下步骤：
通过激光雷达全方位采集隧道障碍物的历史点云数据；
提取所述隧道障碍物的所述历史点云数据的关键点集，计算每个关键点的特征向量和特征值，生成所述先验障碍物点云数据。
3.根据权利要求1所述的铁路隧道障碍物监测预警方法，其特征在于，所述获取所述三维地图数据和所述监测空间范围数据，包括如下步骤：
获取激光雷达与相机的相对位置数据和相对姿态数据；
通过所述激光雷达和所述相机分别全方位采集所述隧道的所述历史点云数据和所述历史图像数据；
使用所述相对位置数据和所述相对姿态数据对所述隧道的所述历史点云数据和所述历史图像数据进行三维投影，将所述隧道的所述历史点云数据转换至以相机为中心的三维坐标上，获得三维数据；
以(x,y,z,R,G,B,T)作为基础数据格式对所述三维数据进行整理，并以八叉树建立空间索引，生成多层次结构，构建出所述三维地图数据；
基于所述三维地图数据，通过设定所述三维地图数据中X、Y和Z三个方向上的空间范围，获取所述监测空间范围数据。
4.根据权利要求1所述的铁路隧道障碍物监测预警方法，其特征在于，所述基于所述先验障碍物点云数据和所述监测空间范围数据对当前时刻采集的第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的所述第一障碍物点云数据，包括如下步骤：
所述第一障碍物点云数据使用所述监测空间范围数据作为划分依据，对所述第一障碍物点云数据进行裁剪，获得裁剪点云数据；
对所述裁剪点云数据进行去噪采样处理，获得去噪点云数据；
对所述去噪点云数据进行聚类分割，获得点云实体；
基于所述点云实体与所述先验障碍物点云数据，进行障碍物特征匹配，获得所述处理后的所述第一障碍物点云数据。
5.根据权利要求1所述的铁路隧道障碍物监测预警方法，其特征在于，所述基于所述三维地图数据和所述监测空间范围数据对当前时刻采集的第一障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的所述第一障碍物图像数据，包括如下步骤：
使用所述监测空间范围数据作为划分依据，获得监测空间范围内，相机实时采集的所述第一障碍物图像数据；
剔除所述第一障碍物图像数据中的每帧图像与所述三维地图数据相同的区域，保留有差异的区域，获得目标物体图像；
对所述目标物体图像进行图像特征提取，获取所述目标物体图像的像素位置；
基于所述像素位置，使用所述三维地图数据进行仿射变换，并与所述点云实体进行匹配，获得目标物体的位置；
监测所述目标物体的位置变换过程，获得所述目标物体的运动轨迹和运动状态，实现定位跟踪，获得所述处理后的所述第一障碍物图像数据。
6.根据权利要求1所述的铁路隧道障碍物监测预警方法，其特征在于，所述基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，预测警报的类型和级别，包括步骤：
基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，获取障碍物的形态大小、材质、停留位置以及运动状态；
基于所述障碍物的所述形态大小、所述材质、所述停留位置以及所述运动状态，判断警报的类型和级别。
7.根据权利要求1所述的铁路隧道障碍物监测预警方法，其特征在于，在所述基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，预测警报的类型和级别之后，还包括步骤：
基于所述第一障碍物点云数据和所述第一障碍物图像数据更新所述先验障碍物点云数据、所述三维地图数据和所述监测空间范围数据，获得新的先验障碍物点云数据、新的三维地图数据和新的监测空间范围数据；
基于所述新的先验障碍物点云数据和所述新的监测空间范围数据对下一时刻采集的第二障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的所述第二障碍物点云数据；
基于所述新的三维地图数据和所述新的监测空间范围数据对下一时刻采集的第二障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的所述第二障碍物图像数据；
基于所述处理后的所述第二障碍物点云数据、所述处理后的所述第二障碍物图像数据和所述新的三维地图数据，预测警报的类型和级别。
8.一种铁路隧道障碍物监测预警系统，其特征在于，包括：
数据获取单元，用于获取在历史时刻采集隧道的先验障碍物点云数据、三维地图数据和监测空间范围数据，其中，所述三维地图数据是由所述隧道的历史点云数据和所述隧道的历史图像数据构成的数据，所述监测空间范围数据是通过设定所述三维地图数据中X、Y和Z三个方向上的监测空间范围之后获得的数据；
第一计算单元，用于基于所述先验障碍物点云数据和所述监测空间范围数据对当前时刻采集的第一障碍物点云数据进行裁剪、去噪、聚类分割以及特征匹配，得到处理后的所述第一障碍物点云数据；
第二计算单元，用于基于所述三维地图数据和所述监测空间范围数据对当前时刻采集的第一障碍物图像数据中的目标物体进行监测和定位跟踪，得到处理后的所述第一障碍物图像数据；
警报预测单元，用于基于所述处理后的所述第一障碍物点云数据、所述处理后的所述第一障碍物图像数据和所述三维地图数据，预测警报的类型和级别。
9.一种铁路隧道障碍物监测预警设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的一种铁路隧道障碍物监测预警方法。
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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的一种铁路隧道障碍物监测预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111195771.7A CN114022760B (zh) | 2021-10-14 | 2021-10-14 | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111195771.7A CN114022760B (zh) | 2021-10-14 | 2021-10-14 | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114022760A true CN114022760A (zh) | 2022-02-08 |
| CN114022760B CN114022760B (zh) | 2022-08-05 |
Family
ID=80056161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111195771.7A Active CN114022760B (zh) | 2021-10-14 | 2021-10-14 | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022760B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及系统 |
| CN114924274A (zh) * | 2022-04-08 | 2022-08-19 | 苏州大学 | 一种基于固定网格的高动态铁路环境雷达感知方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108107444A (zh) * | 2017-12-28 | 2018-06-01 | 国网黑龙江省电力有限公司检修公司 | 基于激光数据的变电站异物识别方法 |
| CN108416257A (zh) * | 2018-01-19 | 2018-08-17 | 北京交通大学 | 融合视觉与激光雷达数据特征的地铁轨道障碍物检测方法 |
| WO2018195857A1 (zh) * | 2017-04-27 | 2018-11-01 | 深圳市大疆创新科技有限公司 | 无人机的控制方法、设备及障碍物的提示方法、设备 |
| CN109657698A (zh) * | 2018-11-20 | 2019-04-19 | 同济大学 | 一种基于点云的磁悬浮轨道障碍物检测方法 |
| GB201914524D0 (en) * | 2018-10-08 | 2019-11-20 | Ulc Robotics Inc | System and method for data acquisition |
| CN110945379A (zh) * | 2017-07-25 | 2020-03-31 | 伟摩有限责任公司 | 从地图数据、激光和相机确定偏航误差 |
| WO2020103533A1 (zh) * | 2018-11-20 | 2020-05-28 | 中车株洲电力机车有限公司 | 一种轨道和道路障碍物检测方法 |
| CN113496163A (zh) * | 2020-04-01 | 2021-10-12 | 北京京东乾石科技有限公司 | 障碍物识别方法和装置 |
-
2021
- 2021-10-14 CN CN202111195771.7A patent/CN114022760B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018195857A1 (zh) * | 2017-04-27 | 2018-11-01 | 深圳市大疆创新科技有限公司 | 无人机的控制方法、设备及障碍物的提示方法、设备 |
| CN110945379A (zh) * | 2017-07-25 | 2020-03-31 | 伟摩有限责任公司 | 从地图数据、激光和相机确定偏航误差 |
| CN108107444A (zh) * | 2017-12-28 | 2018-06-01 | 国网黑龙江省电力有限公司检修公司 | 基于激光数据的变电站异物识别方法 |
| CN108416257A (zh) * | 2018-01-19 | 2018-08-17 | 北京交通大学 | 融合视觉与激光雷达数据特征的地铁轨道障碍物检测方法 |
| GB201914524D0 (en) * | 2018-10-08 | 2019-11-20 | Ulc Robotics Inc | System and method for data acquisition |
| CN109657698A (zh) * | 2018-11-20 | 2019-04-19 | 同济大学 | 一种基于点云的磁悬浮轨道障碍物检测方法 |
| WO2020103533A1 (zh) * | 2018-11-20 | 2020-05-28 | 中车株洲电力机车有限公司 | 一种轨道和道路障碍物检测方法 |
| CN113496163A (zh) * | 2020-04-01 | 2021-10-12 | 北京京东乾石科技有限公司 | 障碍物识别方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| JING LI 等，: "Obstacle information detection based on fusion of 3D LADAR and camera", 《PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE》 * |
| 王庆龙: "基于激光雷达的智能车可行驶区域的障碍物检测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114924274A (zh) * | 2022-04-08 | 2022-08-19 | 苏州大学 | 一种基于固定网格的高动态铁路环境雷达感知方法 |
| CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114022760B (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Generation of horizontally curved driving lines in HD maps using mobile laser scanning point clouds | |
| CN113593017A (zh) | 露天矿地表三维模型构建方法、装置、设备及存储介质 | |
| CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
| CN114022760B (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
| Shirowzhan et al. | Building classification from lidar data for spatio-temporal assessment of 3D urban developments | |
| CN112070870B (zh) | 点云地图评估方法、装置、计算机设备和存储介质 | |
| Demantké et al. | Streamed vertical rectangle detection in terrestrial laser scans for facade database production | |
| Xiao et al. | Building segmentation and modeling from airborne LiDAR data | |
| US11861855B2 (en) | System and method for aerial to ground registration | |
| Sun et al. | Roads and Intersections Extraction from High‐Resolution Remote Sensing Imagery Based on Tensor Voting under Big Data Environment | |
| Schlichting et al. | Vehicle localization by lidar point correlation improved by change detection | |
| Xiao et al. | 3D urban object change detection from aerial and terrestrial point clouds: A review | |
| Wang et al. | 3D-LIDAR based branch estimation and intersection location for autonomous vehicles | |
| CN113189610B (zh) | 地图增强的自动驾驶多目标追踪方法和相关设备 | |
| Kukolj et al. | Road edge detection based on combined deep learning and spatial statistics of LiDAR data | |
| Dos Santos et al. | Building boundary extraction from LiDAR data using a local estimated parameter for alpha shape algorithm | |
| Gehrung et al. | A fast voxel-based indicator for change detection using low resolution octrees | |
| Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
| CN114863292B (zh) | 基于历史卫星影像指导的低分辨率卫星影像车辆计数方法 | |
| Azzaoui et al. | Detection of crescent sand dunes contours in satellite images using an active shape model with a cascade classifier | |
| Lee et al. | Determination of building model key points using multidirectional shaded relief images generated from airborne LiDAR data | |
| Chen et al. | Intelligent interpretation of the geometric properties of rock mass discontinuities based on an unmanned aerial vehicle | |
| Shokri et al. | POINTNET++ Transfer Learning for Tree Extraction from Mobile LIDAR Point Clouds | |
| Sayed et al. | Point clouds reduction model based on 3D feature extraction | |
| CN113551678B (zh) | 构建地图的方法、构建高精度地图的方法及移动设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220628 Address after: 410000 room 1913, building 1, microchip technology park, No. 217, Jianshan Road, Changsha high tech Development Zone, Changsha, Hunan Province Applicant after: HUNAN BDS MICRO CHIPSET INDUSTRY DEVELOPMENT CO.,LTD. Address before: 410000 room 2001, building 1, microchip technology park, No. 217, Jianshan Road, Changsha high tech Development Zone, Changsha, Hunan Province Applicant before: Hunan Beidou microchip Data Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |