CN114627257A - 三维路网地图的构建方法、装置、电子设备和存储介质 - Google Patents

三维路网地图的构建方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114627257A
CN114627257A CN202210252274.4A CN202210252274A CN114627257A CN 114627257 A CN114627257 A CN 114627257A CN 202210252274 A CN202210252274 A CN 202210252274A CN 114627257 A CN114627257 A CN 114627257A
Authority
CN
China
Prior art keywords
dimensional
road network
network map
dimensional road
point
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
CN202210252274.4A
Other languages
English (en)
Inventor
张军军
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210252274.4A priority Critical patent/CN114627257A/zh
Publication of CN114627257A publication Critical patent/CN114627257A/zh
Priority to US18/180,670 priority patent/US20230222734A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3819—Road shape data, e.g. outline of a route
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3852—Data derived from aerial or satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20036—Morphological image processing
    • G06T2207/20044—Skeletonization; Medial axis transform
    • 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
    • G06T2207/30181—Earth observation
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Abstract

本公开提供了一种三维路网地图的构建方法、装置和电子设备，涉及计算机技术领域，尤其涉及高精地图、地图构建、定位导航、智能交通技术领域。该方法包括：基于卫星遥感影像提取二维道路，对所述二维道路进行骨架化得到二维路网地图，基于三维点云数据的高程确定所述二维路网地图中各点的高度，得到三维路网地图。本公开技术方案实现了三维路网地图的自动构建，制图成本低，可操作性强，具有较高的实用性，而且基于多源数据融合得到三维路网地图，提高了数据完整度和地图精度，增强了准确性和可靠性。

Description

三维路网地图的构建方法、装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及高精地图、地图构建、定位导航、智能交通技术领域，特别涉及一种三维路网地图的构建方法、装置、电子设备和存储介质。
背景技术
目前路网地图数据多数都是二维地图，在山区等地形起伏较大的地区路网精度较小，而且无法表现三维路网地图，用户体验差。
发明内容
本公开提供了一种三维路网地图的构建方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的一方面，提供了一种三维路网地图的构建方法，包括：
基于卫星遥感影像提取二维道路；
对所述二维道路进行骨架化得到二维路网地图；
基于三维点云数据的高程确定所述二维路网地图中各点的高度，得到三维路网地图。
根据本公开的另一方面，提供了一种三维路网地图的构建装置，包括：
提取模块，用于基于卫星遥感影像提取二维道路；
骨架化模块，用于对所述二维道路进行骨架化得到二维路网地图；
构建模块，用于基于三维点云数据的高程确定所述二维路网地图中各点的高度，得到三维路网地图。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现本公开任一实施例中的方法。
本公开实施例的技术方案基于卫星遥感影像提取二维道路，进行骨架化后得到二维路网地图，再基于三维点云数据的高程确定二维路网地图中各点的高度，实现了三维路网地图的自动构建，制图成本低，可操作性强，具有较高的实用性，而且融合卫星遥感影像和三维点云数据得到的三维路网地图，提高了数据完整度和地图精度，增强了准确性和可靠性，提升了用户体验。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开一实施例中三维路网地图的构建方法示意图；
图2是根据本公开另一实施例中三维路网地图的构建方法示意图；
图3是根据本公开一实施例中卫星遥感影像语义分割的示意图；
图4是根据本公开一实施例中骨架化处理的示意图；
图5是根据本公开一实施例中确定骨架节点段的示意图；
图6是根据本公开一实施例中确定当前节点高度的流程示意图；
图7是根据本公开一实施例中三维路网地图的构建装置框图；
图8是用来实现本公开实施例的三维路网地图的构建方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开实施例的技术方案应用于地图构建场景，为了解决二维路网地图精度不高，表述不全面的问题，提供了一种三维路网地图的构建方法和装置，基于卫星遥感影像和三维点云数据的融合构建三维路网地图，不仅实现了三维路网地图的自动构建，而且提高了数据完整度和地图精度，增强了准确性和可靠性，提升了用户体验。其中，卫星遥感是指从地面到空间各种对地球、天体观测的综合性技术系统的总称。卫星遥感影像是指基于卫星遥感技术得到的记录各种地物电磁波大小的胶片或照片。三维点云数据是指扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信息(RGB)或反射强度信息(Intensity)。使用卫星遥感影像的好处是影像范围大，数据完整度高，进而能够提高地图的精度。而三维点云数据的优点是高度信息全面，准确度高，从而能够充分保证三维路网地图中高度信息的精度。基于卫星遥感影像和三维点云数据融合来构建三维路网地图，与二维路网地图相比，极大地提高了地图的精度和准确性。构建的三维路网地图可以用于定位导航、高精地图、自动驾驶、智能交通、智慧城市等领域，能够提升用户的体验。
图1为本公开一实施例中三维路网地图的构建方法示意图。如图1所示，该方法包括：
S101：基于卫星遥感影像提取二维道路；
S102：对二维道路进行骨架化得到二维路网地图；
S103：基于三维点云数据的高程确定二维路网地图中各点的高度，得到三维路网地图；
在一种实施方式下，对二维道路进行骨架化得到二维路网地图，包括：
对二维道路进行骨架化，并基于骨架节点确定骨架节点段；
对骨架节点段将像素坐标转换为地理坐标，得到二维路网地图。
这种实施方式下，经过骨架化处理能够去掉二维道路中的多余信息，将图像的线条从多像素宽度减少到单位像素宽度，使得道路的结构更清晰更简洁，且能够明确表达道路的实际情况，对于后续操作能够节省计算资源，提高处理效率。
在一种实施方式下，对骨架节点段将像素坐标转换为地理坐标，得到二维路网地图，包括：
对骨架节点段将像素坐标转换为地理坐标，并进行道路抽稀，得到由折点和折线段构成的二维路网地图。
这种实施方式下，经过道路抽稀可生成保留连通性属性和一般字符的简化道路网，从而实现以较小比例进行显示，即能够将无关要素从视图中移除，生成简单但却具有代表性的道路集合，进而方便后续分析计算，且节省计算资源，进一步提高处理效率。
在一种实施方式下，基于三维点云数据的高程确定二维路网地图中各点的高度，得到三维路网地图，包括：
基于三维点云数据得到平面点云；
对二维路网地图中的各点，在平面点云中确定关联点，根据关联点的高程确定各点的高度，得到三维路网地图。
这种实施方式下，基于三维点云数据在平面点云中得到地图中各点的关联点，进而确定各点的高度，保证了三维路网地图的高度的精度，提高了准确性和可靠性。
在一种实施方式下，基于三维点云数据得到平面点云，包括：
对三维点云数据进行滤波得到三维地面点云，将三维地面点云中的z坐标设置为零得到平面点云。
这种实施方式下，基于三维点云数据得到平面点云，以便于后续在平面点云中确定出地图中各点的关联点，该过程无需考虑z坐标，因此先处理得到平面点云后再计算，能够提高处理效率，节省计算资源。
在一种实施方式下，对二维路网地图中的各点，在平面点云中确定关联点，根据关联点的高程确定各点的高度，得到三维路网地图，包括：
分别将二维路网地图中的各点作为当前节点，以当前节点为中心对平面点云进行近邻搜索得到当前节点的多个关联点，根据多个关联点的高程和预设阈值确定当前节点的高度，最终得到三维路网地图。
这种实施方式下，基于近邻搜索得到的关联点与当前节点的距离具有紧密相关性，关联点的高程对于当前节点的高度具有重要的参考价值，因此，基于关联点的高程确定当前节点的高度，结果更准确，得到的三维路网地图精度更高。
在一种实施方式下，根据多个关联点的高程和预设阈值确定当前节点的高度，包括：
对多个关联点的高程取平均值；
计算多个关联点中每两点之间的高程差并比较确定最大高程差；
若最大高程差小于预设阈值,则确定当前节点的高度为平均值；
若最大高程差不小于预设阈值，则确定当前节点的高度为多个关联点中距离当前节点最近的关联点的高度。
这种实施方式下，小于预设阈值的情况表明关联点与当前节点的高度均比较接近，没有太大差异，因此可以用高程平均值来确定当前节点的高度；不小于预设阈值的情况表明关联点与当前节点的高度具有一定的差异，因此选取距离当前节点最近的关联点的高度作为当前节点的高度，更接近路面的真实情况，得到的三维路网地图更准确可靠，误差更小。
在一种实施方式下，上述方法还包括：
对三维路网地图中的每条道路，根据道路各点到道路起点的距离及道路各点的高度构建竖曲线，并进行贝瑟尔曲线平滑处理，将道路各点的高度更新为平滑处理后的高度。
这种实施方式下，通过构建竖曲线及贝瑟尔曲线平滑处理后得到的道路各点的高度，进一步得到了优化，提高了三维路网地图的精度和可靠性。
在一种实施方式下，基于卫星遥感影像提取二维道路，包括：
对卫星遥感影像进行路网的语义分割，并转换为二值影像后得到二维道路。
这种实施方式下，通过语义分割得到二维道路，能够完整地反映道路情况，结果数据更完整可靠。
本公开实施例提供的上述方法，基于卫星遥感影像提取二维道路，进行骨架化后得到二维路网地图，再基于三维点云数据的高程确定二维路网地图中各点的高度，实现了三维路网地图的自动构建，制图成本低，可操作性强，具有较高的实用性，而且融合卫星遥感影像和三维点云数据得到的三维路网地图，提高了数据完整度和地图精度，增强了准确性和可靠性。
图2为本公开一实施例中三维路网地图的构建方法示意图。如图2所示，该方法包括：
S201：对卫星遥感影像进行路网的语义分割，并转换为二值影像后得到二维道路；
本公开实施例中，可以利用ArcGIS的API(Application Programming Interface，应用程序接口)for Python(计算机编程语言)中提供的多任务学习模型Multi-Task RoadExtractor，对卫星遥感影像进行路网的语义分割。其中，ArcGIS产品线为用户提供一个可伸缩的，全面的GIS(Geographic Information System，地理信息系统)平台。ArcObjects包含了许多的可编程组件，从细粒度的对象(例如单个的几何对象)到粗粒度的对象(例如与现有ArcMap文档交互的地图对象)涉及面极广，这些对象为开发者集成了全面的GIS功能。
本公开实施例中，语义分割的结果可以转换为二值影像，即图像上的每个像素只有两种可能的取值或灰度等级状态，通常可以用黑白、B&W或单色图像来表示。例如，图像中的任何像素点的灰度值均为0或者255，分别代表黑色和白色。
图3为本公开一实施例中卫星遥感影像语义分割示意图。其中，左图为卫星遥感影像，右图为对卫星遥感影像进行语义分割后，再转换为二值影像后得到的二维道路。可以看出图中只有黑色像素点和白色像素点，黑色像素点清楚地表明了道路情况。
S202：对二维道路进行骨架化，并基于骨架节点确定骨架节点段；
本公开实施例中，骨架化(skeletonize)也可以理解为图像细化。所谓细化就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。骨架，可以理解为物体的中轴，例如一个长方形的骨架是它的长方向上的中轴线；正方形的骨架是它的中心点；圆的骨架是它的圆心，直线的骨架是它自身，孤立点的骨架也是自身。得到了骨架，就相当于突出物体的主要结构和形状信息，去除了多余信息，根据这些信息可以实现图像上特征点的检测，如端点，交叉点和拐点。
图4为本公开一实施例中骨架化处理示意图。其中，左图为基于卫星遥感影像得到的二维道路，对其进行骨架化后得到的道路如右图所示。从图上可以直观看出，骨架化后粗线变成了细线，但是仍然能够反映道路情况，整体道路结构并未发生变化。
本公开实施例中，骨架节点可以基于邻域黑色像素点的个数统计来确定。具体地，可以对道路上的每一个点，以该点为中心进行指定尺寸的邻域的统计分析，统计该邻域内黑色像素点的个数，若符合预设条件，则确定该点为骨架节点。例如，对道路上的每一个点，以该点为中心进行3*3邻域的统计分析，统计该3*3邻域内黑色像素点的个数，若大于等于4或等于2，则确定该点为骨架节点。
图5为本公开一实施例中确定骨架节点段的示意图。以图4的虚线框内的区域为例进行说明。其中，左图为该区域的二维道路，可以先根据邻域统计分析确定出每条道路中的骨架节点，得到右图所示的骨架节点1、2、3、4、5和6。再根据得到的骨架节点进行骨架线遍历得到骨架节点段。例如，以骨架节点1和2为例，取该两点中间的任一点，递归遍历周边的黑色像素点，直到遇到骨架节点1和2，则将这两点作为端点，两端点之间的像素链构成了骨架节点段1-2。类似的，还可以得到骨架节点段2-3，3-4，4-5，6-5和1-6。
S203：对骨架节点段将像素坐标转换为地理坐标，并进行道路抽稀，得到由折点和折线段构成的二维路网地图；
本公开实施例中，道路抽稀可生成保留连通性属性和一般字符的简化道路网，从而实现以较小比例进行显示，它通过在输入要素类的不可见性字段中指定值来识别无关要素，然后便可将这些无关要素从视图中移除，从而生成简单但却具有代表性的道路集合。生成的简化道路集合将由要素的含义、重要性和密集程度决定。经过道路抽稀后得到的二维路网地图中，每条道路都由折点和折线段组成，与骨架节点和骨架节点段的数量相比，大大简化。以图5中的骨架节点段1-2为例，节点1和2之间包括100个像素点，经过道路抽稀后可以得到4个点，由节点1和2以及这4个点得到了5个折线段，这5个折线段组成了由节点1至节点2的道路。每条道路经过上述处理后，最后可以得到由折点和折线段组成的整个二维路网地图。
示例性地，可以采用道格拉斯-普克算法(Douglas–Peucker algorithm)进行道路抽稀，该算法也可以称为拉默-道格拉斯-普克算法、迭代适应点算法或分裂与合并算法，是将曲线近似表示为一系列点，并减少点的数量的一种算法。它的优点是具有平移和旋转不变性，给定曲线与阈值后，抽样结果一定。
本公开实施例中，道路抽稀生成的二维路网地图的密度可以由最小长度参数决定，该参数对应需要在当前比例下清晰显示的最短线段。例如，可以以地图中两点之间的最小间隔为10m，最大间隔为30m为相应参数，来进行道路抽稀，从而得到精度合适的二维路网地图。
S204：对三维点云数据进行滤波得到三维地面点云，将三维地面点云中的z坐标设置为零得到平面点云；
本公开实施例中，可以利用机载激光雷达三维点云数据进行滤波处理得到三维地面点云。三维地面点云中点的属性“高程”是可以使用z坐标值来赋值的。获取平面点云的方式，可以采用将三维地面点云的xyz坐标中的z坐标值设置为0来实现，简单易行。
S205：对二维路网地图中的各点，在平面点云中确定关联点，根据关联点的高程确定各点的高度，得到三维路网地图；
其中，一个点的关联点可以为一个或多个，具体不限定，可以采用近邻搜索算法来确定关联点。例如，可以采用KNN(K-Nearest Neighbor，K最近邻)搜索算法来确定各点的关联点，此处不赘述。
在一种实施方式下，上述步骤S205可以包括：
分别将二维路网地图中的各点作为当前节点，以当前节点为中心对平面点云进行近邻搜索得到当前节点的多个关联点，根据多个关联点的高程和预设阈值确定当前节点的高度，最终得到三维路网地图。
S206：对三维路网地图中的每条道路，根据道路各点到道路起点的距离及道路各点的高度构建竖曲线，并进行贝瑟尔曲线平滑处理，将道路各点的高度更新为平滑处理后的高度。
上述步骤S206为道路高度的优化处理，示例性地，可以以道路各点的高度为y值，以道路各点到道路起点的距离为x值，构建竖曲线，并对该竖曲线进行贝瑟尔曲线平滑处理，将平滑处理后的y值作为各点的新高度进行更新，从而进一步提高了地图高度的精度。
图6为本公开一实施例中确定当前节点高度的流程示意图。如图6所示，在一种实施方式中，上述根据多个关联点的高程和预设阈值确定当前节点的高度，可以包括：
S601：对多个关联点的高程取平均值；
示例性地，以当前节点为中心对平面点云进行KNN近邻搜索得到当前节点的3个关联点，对这3个关联点的高程取平均值得到M。
S602：计算上述多个关联点中每两点之间的高程差并比较确定最大高程差；
本公开实施例中涉及的高程差均是指绝对值，从而方便进行比较。示例性地，在3个关联点中计算两两点之间的高程差，并比较大小，得到其中最大的高程差K。
S603：若最大高程差小于预设阈值,则确定当前节点的高度为平均值；
S604：若最大高程差不小于预设阈值，则确定当前节点的高度为多个关联点中距离当前节点最近的关联点的高度。
其中，上述预设阈值可以根据需要设置，具体数值不限定。由于点云数据中点与点之间的距离通常为0.5～1m，因此可以根据该精度来设置阈值，如设置为0.5m。示例性地，若K＜0.5m，则确定当前节点的高度为上述平均值M，若K≥0.5m，则确定当前节点的高度为距离当前节点最近的关联点的高度。
本公开实施例提供的上述方法，基于卫星遥感影像提取二维道路，进行骨架化后得到二维路网地图，再基于三维点云数据的高程确定二维路网地图中各点的高度，实现了三维路网地图的自动构建，制图成本低，可操作性强，具有较高的实用性，而且融合卫星遥感影像和三维点云数据得到的三维路网地图，提高了数据完整度和地图精度，增强了准确性和可靠性，提升用户的体验。
图7是根据本公开一实施例中三维路网地图的构建装置框图。如图7所示，该装置包括：
提取模块701，用于基于卫星遥感影像提取二维道路；
骨架化模块702，用于对二维道路进行骨架化得到二维路网地图；
构建模块703，用于基于三维点云数据的高程确定二维路网地图中各点的高度，得到三维路网地图。
在一种实施方式中，骨架化模块702包括：
骨架化单元，用于对二维道路进行骨架化，并基于骨架节点确定骨架节点段；
转换单元，用于对骨架节点段将像素坐标转换为地理坐标，得到二维路网地图。
在一种实施方式中，转换单元用于：
对骨架节点段将像素坐标转换为地理坐标，并进行道路抽稀，得到由折点和折线段构成的二维路网地图。
在一种实施方式中，构建模块703包括：
处理单元，用于基于三维点云数据得到平面点云；
构建单元，用于对二维路网地图中的各点，在平面点云中确定关联点，根据关联点的高程确定各点的高度，得到三维路网地图。
在一种实施方式中，处理单元用于：
对三维点云数据进行滤波得到三维地面点云，将三维地面点云中的z坐标设置为零得到平面点云。
在一种实施方式中，构建单元用于：
分别将二维路网地图中的各点作为当前节点，以当前节点为中心对平面点云进行近邻搜索得到当前节点的多个关联点，根据多个关联点的高程和预设阈值确定当前节点的高度，最终得到三维路网地图。
在一种实施方式中，构建单元根据多个关联点的高程和预设阈值确定当前节点的高度时具体用于：
对多个关联点的高程取平均值；
计算多个关联点中每两点之间的高程差并比较确定最大高程差；
若最大高程差小于预设阈值,则确定当前节点的高度为平均值；
若最大高程差不小于预设阈值，则确定当前节点的高度为多个关联点中距离当前节点最近的关联点的高度。
在一种实施方式中，上述装置还包括：
优化模块，用于对三维路网地图中的每条道路，根据道路各点到道路起点的距离及道路各点的高度构建竖曲线，并进行贝瑟尔曲线平滑处理，将道路各点的高度更新为平滑处理后的高度。
在一种实施方式中，提取模块701用于：
对卫星遥感影像进行路网的语义分割，并转换为二值影像后得到二维道路。
本公开实施例提供的上述装置，可以执行上述任一方法实施例中提供的方法，具体过程详见上述方法实施例中的描述，此处不再赘述。
本公开实施例提供的上述装置，基于卫星遥感影像提取二维道路，进行骨架化后得到二维路网地图，再基于三维点云数据的高程确定二维路网地图中各点的高度，实现了三维路网地图的自动构建，制图成本低，可操作性强，具有较高的实用性，而且融合卫星遥感影像和三维点云数据得到的三维路网地图，提高了数据完整度和地图精度，增强了准确性和可靠性，提升了用户的体验。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如三维路网地图的构建方法。例如，在一些实施例中，三维路网地图的构建方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的三维路网地图的构建方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行三维路网地图的构建方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (21)

1.一种三维路网地图的构建方法，包括：
基于卫星遥感影像提取二维道路；
对所述二维道路进行骨架化得到二维路网地图；
基于三维点云数据的高程确定所述二维路网地图中各点的高度，得到三维路网地图。
2.根据权利要求1所述的方法，其中，所述对所述二维道路进行骨架化得到二维路网地图，包括：
对所述二维道路进行骨架化，并基于骨架节点确定骨架节点段；
对所述骨架节点段将像素坐标转换为地理坐标，得到二维路网地图。
3.根据权利要求2所述的方法，其中，所述对所述骨架节点段将像素坐标转换为地理坐标，得到二维路网地图，包括：
对所述骨架节点段将像素坐标转换为地理坐标，并进行道路抽稀，得到由折点和折线段构成的二维路网地图。
4.根据权利要求1所述的方法，其中，所述基于三维点云数据的高程确定所述二维路网地图中各点的高度，得到三维路网地图，包括：
基于三维点云数据得到平面点云；
对所述二维路网地图中的各点，在所述平面点云中确定关联点，根据所述关联点的高程确定所述各点的高度，得到三维路网地图。
5.根据权利要求4所述的方法，其中，所述基于三维点云数据得到平面点云，包括：
对三维点云数据进行滤波得到三维地面点云，将所述三维地面点云中的z坐标设置为零得到平面点云。
6.根据权利要求4所述的方法，其中，所述对所述二维路网地图中的各点，在所述平面点云中确定关联点，根据所述关联点的高程确定所述各点的高度，得到三维路网地图，包括：
分别将所述二维路网地图中的各点作为当前节点，以所述当前节点为中心对所述平面点云进行近邻搜索得到所述当前节点的多个关联点，根据所述多个关联点的高程和预设阈值确定所述当前节点的高度，最终得到三维路网地图。
7.根据权利要求6所述的方法，其中，所述根据所述多个关联点的高程和预设阈值确定所述当前节点的高度，包括：
对所述多个关联点的高程取平均值；
计算所述多个关联点中每两点之间的高程差并比较确定最大高程差；
若所述最大高程差小于预设阈值,则确定所述当前节点的高度为所述平均值；
若所述最大高程差不小于所述预设阈值，则确定所述当前节点的高度为所述多个关联点中距离所述当前节点最近的关联点的高度。
8.根据权利要求1-7中任一项所述的方法，还包括：
对所述三维路网地图中的每条道路，根据道路各点到道路起点的距离及道路各点的高度构建竖曲线，并进行贝瑟尔曲线平滑处理，将所述道路各点的高度更新为所述平滑处理后的高度。
9.根据权利要求1-7中任一项所述的方法，其中，所述基于卫星遥感影像提取二维道路，包括：
对卫星遥感影像进行路网的语义分割，并转换为二值影像后得到二维道路。
10.一种三维路网地图的构建装置，包括：
提取模块，用于基于卫星遥感影像提取二维道路；
骨架化模块，用于对所述二维道路进行骨架化得到二维路网地图；
构建模块，用于基于三维点云数据的高程确定所述二维路网地图中各点的高度，得到三维路网地图。
11.根据权利要求10所述的装置，其中，所述骨架化模块包括：
骨架化单元，用于对所述二维道路进行骨架化，并基于骨架节点确定骨架节点段；
转换单元，用于对所述骨架节点段将像素坐标转换为地理坐标，得到二维路网地图。
12.根据权利要求11所述的装置，其中，所述转换单元用于：
对所述骨架节点段将像素坐标转换为地理坐标，并进行道路抽稀，得到由折点和折线段构成的二维路网地图。
13.根据权利要求10所述的装置，其中，所述构建模块包括：
处理单元，用于基于三维点云数据得到平面点云；
构建单元，用于对所述二维路网地图中的各点，在所述平面点云中确定关联点，根据所述关联点的高程确定所述各点的高度，得到三维路网地图。
14.根据权利要求13所述的装置，其中，所述处理单元用于：
对三维点云数据进行滤波得到三维地面点云，将所述三维地面点云中的z坐标设置为零得到平面点云。
15.根据权利要求13所述的装置，其中，所述构建单元用于：
分别将所述二维路网地图中的各点作为当前节点，以所述当前节点为中心对所述平面点云进行近邻搜索得到所述当前节点的多个关联点，根据所述多个关联点的高程和预设阈值确定所述当前节点的高度，最终得到三维路网地图。
16.根据权利要求15所述的装置，其中，所述构建单元根据所述多个关联点的高程和预设阈值确定所述当前节点的高度时具体用于：
对所述多个关联点的高程取平均值；
计算所述多个关联点中每两点之间的高程差并比较确定最大高程差；
若所述最大高程差小于预设阈值,则确定所述当前节点的高度为所述平均值；
若所述最大高程差不小于所述预设阈值，则确定所述当前节点的高度为所述多个关联点中距离所述当前节点最近的关联点的高度。
17.根据权利要求10-16中任一项所述的装置，还包括：
优化模块，用于对所述三维路网地图中的每条道路，根据道路各点到道路起点的距离及道路各点的高度构建竖曲线，并进行贝瑟尔曲线平滑处理，将所述道路各点的高度更新为所述平滑处理后的高度。
18.根据权利要求10-16中任一项所述的装置，其中，所述提取模块用于：
对卫星遥感影像进行路网的语义分割，并转换为二值影像后得到二维道路。
19.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-9中任一项所述的方法。
CN202210252274.4A 2022-03-15 2022-03-15 三维路网地图的构建方法、装置、电子设备和存储介质 Pending CN114627257A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210252274.4A CN114627257A (zh) 2022-03-15 2022-03-15 三维路网地图的构建方法、装置、电子设备和存储介质
US18/180,670 US20230222734A1 (en) 2022-03-15 2023-03-08 Construction of three-dimensional road network map

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210252274.4A CN114627257A (zh) 2022-03-15 2022-03-15 三维路网地图的构建方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114627257A true CN114627257A (zh) 2022-06-14

Family

ID=81901520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210252274.4A Pending CN114627257A (zh) 2022-03-15 2022-03-15 三维路网地图的构建方法、装置、电子设备和存储介质

Country Status (2)

Country Link
US (1) US20230222734A1 (zh)
CN (1) CN114627257A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612207A (zh) * 2023-04-12 2023-08-18 北京龙软科技股份有限公司 一种露天矿区矢量图件空间点要素注记抽稀方法和系统
CN117191004A (zh) * 2023-11-06 2023-12-08 中南大学 融合众源轨迹数据的户外三维步行导航路网地图生成方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422610B (zh) * 2023-12-19 2024-03-22 上海卫星互联网研究院有限公司 一种三维模型轻量化方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247029A1 (en) * 2015-02-19 2016-08-25 Here Global B.V. Method and apparatus for converting from an analytical curve road geometry to a clothoid road geometry
CN107704837A (zh) * 2017-10-19 2018-02-16 千寻位置网络有限公司 道路网拓扑和几何信息的提取方法
CN109948477A (zh) * 2019-03-06 2019-06-28 东南大学 一种提取图片中道路网络拓扑点的方法
US20200263998A1 (en) * 2017-11-03 2020-08-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for new road determination
CN111721308A (zh) * 2020-06-10 2020-09-29 百度在线网络技术（北京）有限公司 三维路网地图绘制方法、装置、设备和介质
CN113920260A (zh) * 2021-09-29 2022-01-11 北京搜狗科技发展有限公司 三维路网构建方法、装置、电子设备及存储介质
CN114018239A (zh) * 2021-10-29 2022-02-08 沈阳美行科技有限公司 一种三维车道地图构建方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247029A1 (en) * 2015-02-19 2016-08-25 Here Global B.V. Method and apparatus for converting from an analytical curve road geometry to a clothoid road geometry
CN107704837A (zh) * 2017-10-19 2018-02-16 千寻位置网络有限公司 道路网拓扑和几何信息的提取方法
US20200263998A1 (en) * 2017-11-03 2020-08-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for new road determination
CN109948477A (zh) * 2019-03-06 2019-06-28 东南大学 一种提取图片中道路网络拓扑点的方法
CN111721308A (zh) * 2020-06-10 2020-09-29 百度在线网络技术（北京）有限公司 三维路网地图绘制方法、装置、设备和介质
CN113920260A (zh) * 2021-09-29 2022-01-11 北京搜狗科技发展有限公司 三维路网构建方法、装置、电子设备及存储介质
CN114018239A (zh) * 2021-10-29 2022-02-08 沈阳美行科技有限公司 一种三维车道地图构建方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚远等: "基于稀疏点云的ADAS三维地图构建方法", 《地理空间信息》 *
梁其洋等: "基于GIS数据的城市路网快速三维建模", 《电子测量技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612207A (zh) * 2023-04-12 2023-08-18 北京龙软科技股份有限公司 一种露天矿区矢量图件空间点要素注记抽稀方法和系统
CN116612207B (zh) * 2023-04-12 2024-01-09 北京龙软科技股份有限公司 一种露天矿区矢量图件空间点要素注记抽稀方法和系统
CN117191004A (zh) * 2023-11-06 2023-12-08 中南大学 融合众源轨迹数据的户外三维步行导航路网地图生成方法
CN117191004B (zh) * 2023-11-06 2024-03-19 中南大学 融合众源轨迹数据的户外三维步行导航路网地图生成方法

Also Published As

Publication number Publication date
US20230222734A1 (en) 2023-07-13

Similar Documents

Publication Publication Date Title
CN114627257A (zh) 三维路网地图的构建方法、装置、电子设备和存储介质
EP3968286A2 (en) Method, apparatus, electronic device and storage medium for detecting change of building
CN112989995B (zh) 文本检测方法、装置及电子设备
CN112784732A (zh) 地物类型变化的识别、模型训练方法、装置、设备及介质
CN113362420A (zh) 道路标注生成方法、装置、设备以及存储介质
CN113298910A (zh) 生成交通标志线地图的方法、设备和存储介质
CN114283343B (zh) 基于遥感卫星图像的地图更新方法、训练方法和设备
CN113724388B (zh) 高精地图的生成方法、装置、设备以及存储介质
CN115855084A (zh) 地图数据融合方法、装置、电子设备及自动驾驶产品
CN115457152A (zh) 外参标定方法、装置、电子设备及存储介质
CN114926849A (zh) 一种文本检测方法、装置、设备及存储介质
CN114299242A (zh) 高精地图中图像处理方法、装置、设备以及存储介质
CN113932796A (zh) 高精地图车道线生成方法、装置和电子设备
CN115527028A (zh) 地图数据处理方法及装置
CN114925076A (zh) 地图数据的更新方法、装置、电子设备和存储介质
CN113706705B (zh) 用于高精地图的图像处理方法、装置、设备以及存储介质
CN115797961A (zh) 车道线变更检测方法、装置、电子设备及存储介质
CN114005098A (zh) 高精地图车道线信息的检测方法、装置和电子设备
CN114429631A (zh) 三维对象检测方法、装置、设备以及存储介质
CN114036247A (zh) 高精地图数据关联方法、装置、电子设备及存储介质
CN113361371A (zh) 道路提取方法、装置、设备以及存储介质
CN115049997B (zh) 边缘车道线的生成方法、装置、电子设备及存储介质
US20230142243A1 (en) Device environment identification method and apparatus, electronic device, and autonomous vehicle
US20230104674A1 (en) Machine learning techniques for ground classification
CN115410173B (zh) 多模态融合的高精地图要素识别方法、装置、设备及介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220614