CN114758086A - 一种城市道路信息模型的构建方法及装置 - Google Patents

一种城市道路信息模型的构建方法及装置 Download PDF

Info

Publication number
CN114758086A
CN114758086A CN202210670842.2A CN202210670842A CN114758086A CN 114758086 A CN114758086 A CN 114758086A CN 202210670842 A CN202210670842 A CN 202210670842A CN 114758086 A CN114758086 A CN 114758086A
Authority
CN
China
Prior art keywords
road
point
cloud data
point cloud
determining
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
Application number
CN202210670842.2A
Other languages
English (en)
Other versions
CN114758086B (zh
Inventor
周小平
王佳
曹宁宁
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.)
Qingdao Saab Weitong Technology Co.,Ltd.
Original Assignee
Bim Winner Shanghai Technology Co ltd
Foshan Yingjia Smart Space Technology Co ltd
Jiaxing Wuzhen Yingjia Qianzhen Technology Co ltd
Shandong Jiaying Internet Technology Co ltd
Shenzhen Bim Winner Technology Co ltd
Shenzhen Qianhai Yingjia Data Service Co ltd
Yingjia Internet Beijing Smart Technology Co ltd
Bim Winner Beijing 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 Bim Winner Shanghai Technology Co ltd, Foshan Yingjia Smart Space Technology Co ltd, Jiaxing Wuzhen Yingjia Qianzhen Technology Co ltd, Shandong Jiaying Internet Technology Co ltd, Shenzhen Bim Winner Technology Co ltd, Shenzhen Qianhai Yingjia Data Service Co ltd, Yingjia Internet Beijing Smart Technology Co ltd, Bim Winner Beijing Technology Co ltd filed Critical Bim Winner Shanghai Technology Co ltd
Priority to CN202210670842.2A priority Critical patent/CN114758086B/zh
Publication of CN114758086A publication Critical patent/CN114758086A/zh
Application granted granted Critical
Publication of CN114758086B publication Critical patent/CN114758086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Processing Or Creating Images (AREA)
  • Navigation (AREA)

Abstract

本申请提供了一种城市道路信息模型的构建方法及装置，涉及城市信息模型构建技术领域，包括：根据目标城市的正射影像以及开源地图数据，对目标城市的城市点云数据进行区域分割，获得目标城市的道路点云数据；根据道路点云数据对各点进行聚类，以获得目标城市的多条道路以及各条道路对应的单道路点云数据；针对每条道路，根据该条道路对应的单道路点云数据，提取该道路对应的关键点集合，利用关键点集合对单道路点云数据进行曲面拟合，确定与该条道路对应的城市道路信息模型。本申请通过城市的正射影像以及开源地图数据构建城市道路信息模型，提高道路建模准确性。

Description

一种城市道路信息模型的构建方法及装置
技术领域
本申请涉及城市信息模型构建技术领域，尤其涉及一种城市道路信息模型的构建方法及装置。
背景技术
城市信息模型是以建筑信息模型、地理信息系统、物联网等技术为基础，整合城市地上地下、室内室外、历史现状未来多维多尺度信息模型数据和城市感知数据，构建起三维数字空间的城市信息有机综合体。
CIM基础平台是在城市基础地理信息的基础上，建立建筑物、基础设施等三维数字模型，表达和管理城市三维空间的基础平台，是城市规划、建设、管理、运行工作的基础性操作平台，是智慧城市的基础性、关键性和实体性信息基础设施。
在当前的城市信息模型建立过程中，大多基于无人机航拍的智慧城市CIM道路贴图方法构建城市道路信息模型，该种方法，涉及重叠道路或交叉道路时，无法准确对道路进行拆分建模，降低了城市道路建模的准确性。
发明内容
有鉴于此，本申请的目的在于至少提供一种城市道路信息模型的构建方法及装置，通过城市的正射影像以及开源地图数据构建城市道路信息模型，提高道路建模准确性。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供一种城市道路信息模型的构建方法，包括：根据目标城市的正射影像以及开源地图数据，对目标城市的城市点云数据进行区域分割，获得目标城市的道路点云数据；根据道路点云数据对各点进行聚类拆分，以获得目标城市的多条道路以及各条道路对应的单道路点云数据，其中，道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征；针对每条道路，根据该条道路对应的单道路点云数据，提取该道路对应的关键点集合，利用关键点集合对单道路点云数据进行曲面拟合，确定与该条道路对应的城市道路信息模型。
在一种可能的实施方式中，根据述道路点云数据对各点进行聚类拆分，以获得目标城市的多条道路以及各条道路对应的单道路点云数据的步骤包括：根据开源地图数据中的道路矢量数据，确定目标城市的第一道路掩膜图像；通过第一预设语义分割网络对目标城市的正射影像进行道路识别，获得目标城市的第二道路掩膜图像；对第一道路掩膜图像和第二道路掩膜图像进行融合，获得城市道路语义图；将城市点云数据投射到城市道路语义图的坐标平面上，并利用第二预设语义分割网络参照城市道路语义图对城市点云数据进行分割，以获得目标城市的道路点云数据。
在一种可能的实施方式中，通过以下方式获得城市道路语义图：针对第二道路掩膜图像中的每个像素点：确定该像素点在第二道路掩膜图像中所属的目标道路以及该像素点在第二道路掩膜图像中的位置坐标；判断第一道路掩膜图像中是否存在该像素点对应的目标道路；若第一道路掩膜图像中存在该像素点对应的目标道路，则将第一道路掩膜图像中与位置坐标对应的像素点确定为城市道路语义图中的像素点；若第一道路掩膜图像中不存在该像素点对应的目标道路，则将该像素点确定为城市道路语义图中的像素点。
在一种可能的实施方式中，根据道路点云数据对各点进行聚类拆分，以获得目标城市的多条道路以及各道路对应的单道路点云数据的步骤包括：根据道路点云数据中每点对应的位置特征，计算道路点云数据中任意两点之间的欧式距离；根据道路点云数据中每点对应的空间特征，确定道路点云数据中任意两点所属道路之间的道路叠加情况；根据道路点云数据中每点对应的先验特征，确定道路点云数据中任意两点在开源地图数据中的位置关系；根据道路点云数据中任意两点之间的欧式距离、所属道路之间的道路叠加情况以及在开源地图数据中的位置关系，对道路点云数据进行聚类拆分，以获得多条道路以及各条道路对应的单道路点云数据。
在一种可能的实施方式中，通过以下公式对道路点云数据进行聚类拆分：
Figure 100002_DEST_PATH_IMAGE002
在该公式中，
Figure 100002_DEST_PATH_IMAGE004
表示空间特征对聚类的影响权重，
Figure 322622DEST_PATH_IMAGE004
表示先验特征对聚类的影 响权重，
Figure 100002_DEST_PATH_IMAGE006
表示道路点云数据中的第i个点
Figure 100002_DEST_PATH_IMAGE008
以及第j个点
Figure 100002_DEST_PATH_IMAGE010
之间 的聚类结果，
Figure 100002_DEST_PATH_IMAGE012
表示道路点云数据中第i个点的数据信息，其中，
Figure 100002_DEST_PATH_IMAGE014
，在该公式中，（
Figure 100002_DEST_PATH_IMAGE016
）表示道路点云数 据中第i个点的位置特征，其中，
Figure DEST_PATH_IMAGE017
分别表示第i个点在世界坐标系中x、y、z方向的坐 标，（
Figure DEST_PATH_IMAGE019
）表示道路点云数据中第i个点的空间特征，其中，
Figure 100002_DEST_PATH_IMAGE021
分别表示第i 个点在世界坐标系中x、y、z方向的法向量，
Figure 100002_DEST_PATH_IMAGE023
表示道路点云数据中第i个点在开源地图数据 中的所属道路标识；
Figure 100002_DEST_PATH_IMAGE025
表示道路点云数据中第j个点的数据信息，
其中，
Figure 100002_DEST_PATH_IMAGE027
，在该公式中，（
Figure 100002_DEST_PATH_IMAGE029
）表示道路点 云数据中第j个点的位置特征，其中，
Figure 91732DEST_PATH_IMAGE029
分别表示第j个点在世界坐标系中x、y、z方向 的坐标，（
Figure 100002_DEST_PATH_IMAGE031
）表示道路点云数据中第j个点的空间特征，其中，
Figure 100002_DEST_PATH_IMAGE032
分别 表示第j个点在世界坐标系中x、y、z方向的法向量，
Figure 100002_DEST_PATH_IMAGE034
表示道路点云数据中第j个点在开源 地图数据中的所属道路标识。
在一种可能的实施方式中，针对每条道路，通过以下方式提取该道路对应的关键点集合：（A）获取该条道路的单道路点云数据中的初始关键点，将初始关键点确定为预设区域中心点，并保存至关键点集合；（B）从该单道路点云数据中获取距离预设区域中心点最近的邻近点；（C）计算该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离是否小于预设区域半径；（D）若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离小于预设球形区域的半径，则将该邻近点确定为下一关键点并添加至关键点集合，确定关键点集合中的关键点的平均值，使用该平均值更新预设区域中心点，并返回执行步骤（B），直至遍历该单道路点云数据中所有的点，确定关键点集合；（E）若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离大于或等于预设区域的半径，则将当前预设区域中心点作为下一关键点添加至关键点集合，并返回执行步骤（B），直至遍历该单道路点云数据中所有的点，确定关键点集合。
在一种可能的实施方式中，针对每条道路，通过以下方式确定与该条道路对应的城市道路信息模型：对该条道路的关键点集合进行曲线插值，确定该条道路的平滑道路曲线；根据平滑道路曲线，计算关键点集合中各关键点处对应的空间特征；根据各关键点处对应的空间特征，确定各关键点在该条道路对应的单道路点云数据中的最大延伸长度；将每个关键点对应的最大延伸长度确定为道路宽度，同时确定与关键点集合对应的最大延伸长度集合；对目标最大延伸长度集合进行与关键点集合相同粒度的插值，确定用于反应该条道路的宽度变化的宽度变化数组；结合平滑道路曲线以及该条道路对应的宽度变化数组，确定该条道路对应的城市道路信息模型。
在一种可能的实施方式中，重建方法还包括：针对每条道路对应的城市道路信息模型，根据预先获取的该条道路的街景图片对该条道路的道路元素进行定位；根据目标城市的正射影像对道路元素的定位进行修正。
在一种可能的实施方式中，针对每条道路对应的城市道路信息模型，通过以下方式完成对该条道路的植物个体的定位：针对该条道路对应的街景图片，使用预先训练好的语义分割神经网络模型对该街景图片按多个道路元素进行分割，获取分割后的街景图片；从该条道路分割后的街景图片中分别提取每个道路元素对应的道路元素掩膜图；根据各道路元素掩膜图，确定该条道路中各道路元素在该条道路中的位置坐标，完成对该条道路中各道路元素的定位。
第二方面，本申请实施例还提供一种城市道路信息模型的构建装置，包括：分割模块，用于根据目标城市的正射影像以及开源地图数据，对目标城市的城市点云数据进行区域分割，获得目标城市的道路点云数据；聚类模块，用于根据道路点云数据对各点进行聚类拆分，以获得目标城市的多条道路以及各条道路对应的单道路点云数据，其中，道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征；拟合模块，用于针对每条道路，根据该条道路对应的单道路点云数据，提取该道路对应的关键点集合，利用关键点集合对单道路点云数据进行曲面拟合，确定与该条道路对应的城市道路信息模型。
本申请实施例提供的一种城市道路信息模型的构建方法及装置，包括：根据目标城市的正射影像以及开源地图数据，对目标城市的城市点云数据进行区域分割，获得目标城市的道路点云数据；根据道路点云数据对各点进行聚类拆分，以获得目标城市的多条道路以及各条道路对应的单道路点云数据，其中，道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征；针对每条道路，根据该条道路对应的单道路点云数据，提取该道路对应的关键点集合，利用关键点集合对单道路点云数据进行曲面拟合，确定与该条道路对应的城市道路信息模型。本申请通过城市的正射影像以及开源地图数据构建城市道路信息模型，提高道路建模准确性。
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城市道路信息模型的构建方法的流程图；
图2示出了本申请实施例提供的一种城市道路信息模型的构建装置的结构示意图；
图3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。
CIM基础平台是在城市基础地理信息的基础上，建立建筑物、基础设施等三维数字模型，表达和管理城市三维空间的基础平台，是城市规划、建设、管理、运行工作的基础性操作平台，是智慧城市的基础性、关键性和实体性信息基础设施。
在当前的城市信息模型建立过程中，道路模型的创建主要通过人为制作或相机拍摄获取，该种方法，涉及重叠道路或交叉道路时，无法准确对道路进行拆分建模，降低了城市道路建模的准确性。
基于此，本申请实施例提供了一种城市道路信息模型的构建方法及装置，通过城市的正射影像以及开源地图数据构建城市道路信息模型，提高道路建模准确性，具体如下
请参阅图1，图1示出了本申请实施例所提供的一种城市道路信息模型的构建方法的流程图。如图1所示，本申请实施例提供的方法，包括以下步骤：
S100、根据目标城市的正射影像以及开源地图数据，对目标城市的城市点云数据进行区域分割，获得目标城市的道路点云数据。
在一优选实施例中，根据道路点云数据对各点进行聚类拆分，以获得目标城市的多条道路以及各条道路对应的单道路点云数据的步骤包括：
根据开源地图数据中的道路矢量数据，确定目标城市的第一道路掩膜图像，通过第一预设语义分割网络对目标城市的正射影像进行道路识别，获得目标城市的第二道路掩膜图像，对第一道路掩膜图像和第二道路掩膜图像进行融合，获得城市道路语义图，将城市点云数据投射到城市道路语义图的坐标平面上，并利用第二预设语义分割网络参照城市道路语义图对城市点云数据进行分割，以获得目标城市的道路点云数据。
其中，第一预设语义分割网络采用Point-render
Figure DEST_PATH_IMAGE036
作为主干网络，并根据城市 构建要素对第一预设语义分割网络进行分类训练，得到训练好的第一预设语义分割网络， 第一预设语义分割网络将按照城市构建要素对目标城市的正射影像进行像素级分割，城市 构建要素包括但不限于以下项中至少一项：地形、水域、建筑、道路以及植被，识别第一预设 语义分割网络分割出的道路区域，获取目标城市的第二道路掩膜图像。
在一优选实施例中，通过以下方式获得城市道路语义图：
针对第二道路掩膜图像中的每个像素点：确定该像素点在第二道路掩膜图像中所属的目标道路以及该像素点在第二道路掩膜图像中的位置坐标，判断第一道路掩膜图像中是否存在该像素点对应的目标道路，若第一道路掩膜图像中存在该像素点对应的目标道路，则将第一道路掩膜图像中与位置坐标对应的像素点确定为城市道路语义图中的像素点，若第一道路掩膜图像中不存在该像素点对应的目标道路，则将该像素点确定为城市道路语义图中的像素点。
在一具体实施例中，可以通过以下公式对第一道路掩膜图像和第二道路掩膜图像进行融合，从而确定城市道路语义图：
Figure DEST_PATH_IMAGE038
在该公式中，
Figure DEST_PATH_IMAGE040
表示目标城市的城市道路语义图中第i行第j列的像素点，
Figure DEST_PATH_IMAGE042
表示第一道路掩膜图像中第i行第j列的像素点，
Figure DEST_PATH_IMAGE044
表示第二道路掩膜 图像中第i行第j列的像素点，
Figure DEST_PATH_IMAGE046
表示第二道路掩膜图像中第i行第j列的像素所在道 路。
S200、根据道路点云数据对各点进行聚类拆分，以获得目标城市的多条道路以及各条道路对应的单道路点云数据。
其中，道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征，其中，道路点云数据中每点可以通过以下公式表示：
Figure DEST_PATH_IMAGE047
在该公式中，
Figure DEST_PATH_IMAGE048
表示道路点云数据中第i个点的数据信息，（
Figure DEST_PATH_IMAGE049
）表示道 路点云数据中第i个点的位置特征，其中，
Figure 280006DEST_PATH_IMAGE049
分别表示第i个点在世界坐标系中x、y、z 方向的坐标，（
Figure 289419DEST_PATH_IMAGE019
）表示道路点云数据中第i个点的空间特征，其中，
Figure DEST_PATH_IMAGE050
分 别表示第i个点在世界坐标系中x、y、z方向的法向量，
Figure DEST_PATH_IMAGE052
表示道路点云数据中第i个点的先 验特征，即第i个点在开源地图数据中的所属道路标识。
根据道路点云数据对各点进行聚类拆分，以获得目标城市的多条道路以及各道路对应的单道路点云数据的步骤包括：
根据道路点云数据中每点对应的位置特征，计算道路点云数据中任意两点之间的欧式距离，根据道路点云数据中每点对应的空间特征，确定道路点云数据中任意两点所属道路之间的道路叠加情况，根据道路点云数据中每点对应的先验特征，确定道路点云数据中任意两点在开源地图数据中的位置关系，根据道路点云数据中任意两点之间的欧式距离、所属道路之间的道路叠加情况以及在开源地图数据中的位置关系，对道路点云数据进行聚类拆分，以获得多条道路以及各条道路对应的单道路点云数据。
在一优选实施例中，通过以下公式对道路点云数据进行聚类拆分：
Figure DEST_PATH_IMAGE054
在该公式中，
Figure 681086DEST_PATH_IMAGE004
表示空间特征对聚类的影响权重，
Figure DEST_PATH_IMAGE056
表示先验特征对聚类的影 响权重，
Figure DEST_PATH_IMAGE057
表示道路点云数据中的第i个点
Figure 817669DEST_PATH_IMAGE008
以及第j个点
Figure DEST_PATH_IMAGE058
之间 的聚类结果，
Figure DEST_PATH_IMAGE060
表示道路点云数据中第j个点的数据信息，
其中，
Figure DEST_PATH_IMAGE061
，在该公式中，（
Figure DEST_PATH_IMAGE062
）表示道路点 云数据中第j个点的位置特征，其中，
Figure 611182DEST_PATH_IMAGE062
分别表示第j个点在世界坐标系中x、y、z方向 的坐标，（
Figure 791496DEST_PATH_IMAGE031
）表示道路点云数据中第j个点的空间特征，其中，
Figure 545826DEST_PATH_IMAGE032
分别 表示第j个点在世界坐标系中x、y、z方向的法向量，
Figure DEST_PATH_IMAGE064
表示道路点云数据中第j个点在开源地 图数据中的所属道路标识。
具体的，可以通过
Figure DEST_PATH_IMAGE066
调节空间特征对道路点云数据的聚类效果，最终实现对道路 点云数据按照不同道路进行分割，得到每条道路对应的单道路点云数据，通过引入空间特 征对道路点云数据进行聚类，可以实现对重叠道路或交叉道路对应的单道路点云数据进行 上下分层，进而对分层后的单道路点云数据分别进行曲面拟合。
S300、针对每条道路，根据该条道路对应的单道路点云数据，提取该道路对应的关键点集合，利用关键点集合对单道路点云数据进行曲面拟合，确定与该条道路对应的城市道路信息模型。
在一优选实施例中，针对每条道路，通过以下方式提取该道路对应的关键点集合：
（A）获取该条道路的单道路点云数据中的初始关键点，将初始关键点确定为预设区域中心点，并保存至关键点集合；
（B）从该单道路点云数据中获取距离预设区域中心点最近的邻近点；
（C）计算该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离是否小于预设区域半径；
（D）若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离小于预设球形区域的半径，则将该邻近点确定为下一关键点并添加至关键点集合，确定关键点集合中的关键点的平均值，使用该平均值更新预设区域中心点，并返回执行步骤（B），直至遍历该单道路点云数据中所有的点，确定关键点集合；
（E）若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离大于或等于预设区域的半径，则将当前预设区域中心点作为下一关键点添加至关键点集合，并返回执行步骤（B），直至遍历该单道路点云数据中所有的点，确定关键点集合。
在具体实施中，具体的，对于第m条道路对应的单道路点云数据
Figure DEST_PATH_IMAGE068
，从
Figure 407471DEST_PATH_IMAGE068
中提取一个初始关键点，此时，将初始关键点确定为预设区域中心点，并保存至关 键点集合
Figure DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE072
，
Figure DEST_PATH_IMAGE074
表示关键点集合
Figure DEST_PATH_IMAGE076
中关键点的数量，从该单道路点云数据 中获取距离预设区域中心点
Figure DEST_PATH_IMAGE078
最近的邻近点
Figure DEST_PATH_IMAGE080
，对于预设区域半径
Figure DEST_PATH_IMAGE082
，若
Figure DEST_PATH_IMAGE084
<
Figure 180124DEST_PATH_IMAGE082
，则将该邻近点
Figure DEST_PATH_IMAGE085
加入关键点集合
Figure 547652DEST_PATH_IMAGE076
，同时通过以下公式 更新当前的预设区域中心点：
Figure DEST_PATH_IMAGE087
在该公式中，
Figure 976228DEST_PATH_IMAGE078
表示当前的预设区域中心点，
Figure 251351DEST_PATH_IMAGE074
表示关键点集合
Figure 832505DEST_PATH_IMAGE076
中关键点的数量，
Figure DEST_PATH_IMAGE089
表示关键点集合
Figure 354622DEST_PATH_IMAGE076
中的关键点，
Figure DEST_PATH_IMAGE091
表示关键点集合中 的关键点的平均值。
若
Figure DEST_PATH_IMAGE092
≥
Figure 208178DEST_PATH_IMAGE082
，则令e=e+1，将当前预设区域中心点作为下一关键 点添加至关键点集合。
在一具体实施例中，针对每条道路，通过以下方式确定与该条道路对应的城市道路信息模型：
对该条道路的关键点集合进行曲线插值，确定该条道路的平滑道路曲线，根据平滑道路曲线，计算关键点集合中各关键点处对应的空间特征。根据各关键点处对应的空间特征，确定各关键点在该条道路对应的单道路点云数据中的最大延伸长度，将每个关键点对应的最大延伸长度确定为道路宽度，同时确定与关键点集合对应的最大延伸长度集合，对目标最大延伸长度集合进行与关键点集合相同粒度的插值，确定用于反应该条道路的宽度变化的宽度变化数组，结合平滑道路曲线以及该条道路对应的宽度变化数组，确定该条道路对应的城市道路信息模型。
在一优选实施例中，对于第m条道路的关键点集合
Figure DEST_PATH_IMAGE094
进行曲线 差值后，确定第m条道路的平滑道路曲线
Figure DEST_PATH_IMAGE096
，计算各关键点处对应的法向量
Figure DEST_PATH_IMAGE098
，并 根据各关键点处对应的法向量
Figure DEST_PATH_IMAGE099
确定各关键点在该条道路对应的单道路点云数据中 形成的的最大延伸长度集合
Figure DEST_PATH_IMAGE101
，对最大延伸长度集合
Figure DEST_PATH_IMAGE102
进行与关键点集合相同 粒度的插值获得宽度变化数组
Figure DEST_PATH_IMAGE104
，结合平滑道路曲线
Figure DEST_PATH_IMAGE105
以及对应宽度变化数 组
Figure DEST_PATH_IMAGE106
，即可完成对第m条道路的重建。
在一优选实施例中，还包括：
针对每条道路对应的城市道路信息模型，根据预先获取的该条道路的街景图片对该条道路的植物个体进行定位。
根据目标城市的正射影像对植物个体的定位进行修正。
一示例中，针对每条道路对应的城市道路信息模型，通过以下方式完成对该条道路的植物个体的定位：
针对该条道路对应的街景图片，使用预先训练好的语义分割神经网络模型对该街景图片按多个道路元素进行分割，获取分割后的街景图片，从该条道路分割后的街景图片中分别提取每个道路元素对应的道路元素掩膜图；根据各道路元素掩膜图，确定该条道路中各道路元素在该条道路中的位置坐标，完成对该条道路中植物的定位。
在一具体实施例中，针对第m条道路对应的城市道路信息模型对应的街景图片
Figure DEST_PATH_IMAGE108
，使用由BDD100K数据集训练的语义分割神经网络模型对街景图片
Figure 497380DEST_PATH_IMAGE108
按照 多个道路元素进行分割，获取分割后的街景图片
Figure DEST_PATH_IMAGE110
，其中，多个道路元素包括但不限于道 路、人行道、建筑、墙、栅栏、电线杆、交通灯、交通指示牌、植物以及地面，以树木为例，说明 如何对该条道路中各道路元素的定位：
首先，从分割后的街景图片
Figure DEST_PATH_IMAGE111
中提取树木对应的道路元素掩膜图
Figure DEST_PATH_IMAGE113
，统计 道路元素掩膜图
Figure DEST_PATH_IMAGE114
中纵向像素频数（道路元素掩膜图
Figure DEST_PATH_IMAGE115
坐标y轴方向），获得纵 向像素频数对应的分布曲线，针对分布曲线中的每个峰值位置，将该峰值位置为树木所在 道路元素掩膜图
Figure 119992DEST_PATH_IMAGE113
中的x方向坐标，获取该峰值位置所在的纵列像素中的最小Y方向 坐标，将该最小Y方向坐标确定为该棵树木在所在道路元素掩膜图
Figure DEST_PATH_IMAGE116
中Y方向坐标，由 此可得到每个峰值位置对应的树木在道路元素掩膜图
Figure 78589DEST_PATH_IMAGE113
中的位置坐标。
利用预先设置的街景图深度神经网络模型，以及对应的位置坐标，可以确定每棵树木在该位置坐标处的图像深度值，同时根据获取街景图片的街景相机的视场角，确定每棵树木与街景相机之间的相对位移，根据每棵树木与街景相机之间的相对位移以及相机位置确定该棵树对应的世界坐标。
其中，通过以下公式确定每棵树木与街景相机之间的相对位置：
Figure DEST_PATH_IMAGE118
在该公式中，
Figure DEST_PATH_IMAGE120
表示树木与街景相机之间的相对位移，
Figure DEST_PATH_IMAGE122
表示树木在街 景图片中的图像深度值，
Figure DEST_PATH_IMAGE124
表示街景相机的视场视角，
Figure DEST_PATH_IMAGE126
表示树木在街景图片中的x坐 标，
Figure DEST_PATH_IMAGE128
表示街景图片宽度。
通过以下公式确定每棵树木对应的世界坐标：
Figure DEST_PATH_IMAGE130
在该公式中，
Figure DEST_PATH_IMAGE132
表示树木对应的世界坐标，
Figure DEST_PATH_IMAGE134
表示相机位置。
在一优选实施例中，受限于街景图片的获取方式，上述实施例只能对道路上的元素进行一定程度上的定位，对园区内部、山区、或其他无法获取街景的地方无法定位重建，同时近似计算和坐标转化的精度丢失也会导致定位结果不准确，不合理。因此，本申请使用正射影像进一步约束、补充定位结果。
其中，通过第一预设语义分割网络对所述目标城市的正射影像进行识别，会获取 分割后的各道路元素对应的分割图像，具体的，以树木对应的树木分割图像
Figure DEST_PATH_IMAGE136
为例，本申 请通过以下公式对树木的定位进行修正：
Figure DEST_PATH_IMAGE138
在该公式中，
Figure DEST_PATH_IMAGE140
表示待修正树木位置，
Figure DEST_PATH_IMAGE142
表示树木分割图像
Figure DEST_PATH_IMAGE143
中各 树木像素点位置集合
Figure DEST_PATH_IMAGE145
中的像素点，其中，
Figure DEST_PATH_IMAGE147
，
Figure DEST_PATH_IMAGE149
表示树木分割图像
Figure 731025DEST_PATH_IMAGE136
中树木类别的像素的数量。
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的城市道路信息模型的构建方法对应的城市道路信息模型的构建装置，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的城市道路信息模型构建方法相似，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2，图2示出了本申请实施例提供的一种城市道路信息模型的构建装置的结构示意图，城市道路信息模型的构建装置，包括：
分割模块410，用于根据目标城市的正射影像以及开源地图数据，对目标城市的城市点云数据进行区域分割，获得目标城市的道路点云数据；
聚类模块420，用于根据道路点云数据对各点进行聚类拆分，以获得目标城市的多条道路以及各条道路对应的单道路点云数据，其中，道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征；
拟合模块430，用于针对每条道路，根据该条道路对应的单道路点云数据，提取该道路对应的关键点集合，利用关键点集合对单道路点云数据进行曲面拟合，确定与该条道路对应的城市道路信息模型。
基于同一申请构思，请参阅图3，图3示出了本申请实施例提供的一种电子设备的结构示意图，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之间通过所述总线530进行通信，所述机器可读指令被所述处理器510运行时执行如上述实施例中任一所述的城市道路信息模型构建方法的步骤。
基于同一申请构思，本申请实施例还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上述实施例提供的城市道路信息模型构建方法的步骤。
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，上述描述的系统和装置的具体工作过程，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，应所述理解到，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所述技术方案的部分可以以软件产品的形式体现出来，所述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-Only Memory，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。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，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，可轻易想到变化或替换，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)

1.一种城市道路信息模型的构建方法，其特征在于，包括：
根据目标城市的正射影像以及开源地图数据，对所述目标城市的城市点云数据进行区域分割，获得目标城市的道路点云数据；
根据所述道路点云数据对各点进行聚类拆分，以获得所述目标城市的多条道路以及各条道路对应的单道路点云数据，其中，所述道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征；
针对每条道路，根据该条道路对应的单道路点云数据，提取该道路对应的关键点集合，利用关键点集合对单道路点云数据进行曲面拟合，确定与该条道路对应的城市道路信息模型。
2.根据权利要求1所述的方法，其特征在于，根据所述道路点云数据对各点进行聚类拆分，以获得所述目标城市的多条道路以及各条道路对应的单道路点云数据的步骤包括：
根据所述开源地图数据中的道路矢量数据，确定所述目标城市的第一道路掩膜图像；
通过第一预设语义分割网络对所述目标城市的正射影像进行道路识别，获得所述目标城市的第二道路掩膜图像；
对第一道路掩膜图像和第二道路掩膜图像进行融合，获得城市道路语义图；
将所述城市点云数据投射到城市道路语义图的坐标平面上，并利用第二预设语义分割网络参照所述城市道路语义图对所述城市点云数据进行分割，以获得目标城市的道路点云数据。
3.根据权利要求2所述的方法，其特征在于，通过以下方式获得城市道路语义图：
针对第二道路掩膜图像中的每个像素点：
确定该像素点在第二道路掩膜图像中所属的目标道路以及该像素点在所述第二道路掩膜图像中的位置坐标；
判断第一道路掩膜图像中是否存在该像素点对应的目标道路；
若所述第一道路掩膜图像中存在该像素点对应的目标道路，则将所述第一道路掩膜图像中与所述位置坐标对应的像素点确定为城市道路语义图中的像素点；
若所述第一道路掩膜图像中不存在该像素点对应的目标道路，则将该像素点确定为城市道路语义图中的像素点。
4.根据权利要求1所述的方法，其特征在于，根据所述道路点云数据对各点进行聚类拆分，以获得所述目标城市的多条道路以及各道路对应的单道路点云数据的步骤包括：
根据道路点云数据中每点对应的位置特征，计算道路点云数据中任意两点之间的欧式距离；
根据道路点云数据中每点对应的空间特征，确定道路点云数据中任意两点所属道路之间的道路叠加情况；
根据道路点云数据中每点对应的先验特征，确定道路点云数据中任意两点在开源地图数据中的位置关系；
根据道路点云数据中任意两点之间的欧式距离、所属道路之间的道路叠加情况以及在开源地图数据中的位置关系，对道路点云数据进行聚类拆分，以获得多条道路以及各条道路对应的单道路点云数据。
5.根据权利要求4所述的方法，其特征在于，通过以下公式对道路点云数据进行聚类拆分：
Figure DEST_PATH_IMAGE002
在该公式中，
Figure DEST_PATH_IMAGE004
表示空间特征对聚类的影响权重，
Figure DEST_PATH_IMAGE006
表示先验特征对聚类的影响权 重，
Figure DEST_PATH_IMAGE008
表示道路点云数据中的第i个点
Figure DEST_PATH_IMAGE010
以及第j个点
Figure DEST_PATH_IMAGE012
之间的聚 类结果，
Figure DEST_PATH_IMAGE014
表示道路点云数据中第i个点的数据信息，
其中，
Figure DEST_PATH_IMAGE016
，在该公式中，（
Figure DEST_PATH_IMAGE018
）表示道路点云数 据中第i个点的位置特征，其中，
Figure 186459DEST_PATH_IMAGE018
分别表示第i个点在世界坐标系中x、y、z方向的坐 标，（
Figure DEST_PATH_IMAGE020
）表示道路点云数据中第i个点的空间特征，其中，
Figure DEST_PATH_IMAGE021
分别表示第 i个点在世界坐标系中x、y、z方向的法向量，
Figure DEST_PATH_IMAGE023
表示道路点云数据中第i个点在开源地图数 据中的所属道路标识；
Figure DEST_PATH_IMAGE025
表示道路点云数据中第j个点的数据信息，
其中，
Figure DEST_PATH_IMAGE027
，在该公式中，（
Figure DEST_PATH_IMAGE029
）表示道路点云数 据中第j个点的位置特征，其中，
Figure 352867DEST_PATH_IMAGE029
分别表示第j个点在世界坐标系中x、y、z方向的坐 标，（
Figure DEST_PATH_IMAGE031
）表示道路点云数据中第j个点的空间特征，其中，
Figure DEST_PATH_IMAGE032
分别表示 第j个点在世界坐标系中x、y、z方向的法向量，
Figure DEST_PATH_IMAGE034
表示道路点云数据中第j个点在开源地图 数据中的所属道路标识。
6.根据权利要求1所述的方法，其特征在于，针对每条道路，通过以下方式提取该道路对应的关键点集合：
（A）获取该条道路的单道路点云数据中的初始关键点，将所述初始关键点确定为预设区域中心点，并保存至关键点集合；
（B）从该单道路点云数据中获取距离预设区域中心点最近的邻近点；
（C）计算该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离是否小于预设区域半径；
（D）若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离小于预设球形区域的半径，则将该邻近点确定为下一关键点并添加至关键点集合，确定关键点集合中的关键点的平均值，使用该平均值更新预设区域中心点，并返回执行步骤（B），直至遍历该单道路点云数据中所有的点，确定关键点集合；
（E）若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离大于或等于预设区域的半径，则将当前预设区域中心点作为下一关键点添加至关键点集合，并返回执行步骤（B），直至遍历该单道路点云数据中所有的点，确定关键点集合。
7.根据权利要求1所述的方法，其特征在于，针对每条道路，通过以下方式确定与该条道路对应的城市道路信息模型：
对该条道路的关键点集合进行曲线插值，确定该条道路的平滑道路曲线；
根据所述平滑道路曲线，计算关键点集合中各关键点处对应的空间特征；
根据各关键点处对应的空间特征，确定各关键点在该条道路对应的单道路点云数据中的最大延伸长度；
将每个关键点对应的最大延伸长度确定为道路宽度，同时确定与关键点集合对应的最大延伸长度集合；
对所述目标最大延伸长度集合进行与关键点集合相同粒度的插值，确定用于反应该条道路的宽度变化的宽度变化数组；
结合所述平滑道路曲线以及该条道路对应的宽度变化数组，确定该条道路对应的城市道路信息模型。
8.根据权利要求1所述的方法，其特征在于，还包括：
针对每条道路对应的城市道路信息模型，根据预先获取的该条道路的街景图片对该条道路的道路元素进行定位；
根据目标城市的正射影像对道路元素的定位进行修正。
9.根据权利要求8所述的方法，其特征在于，针对每条道路对应的城市道路信息模型，通过以下方式完成对该条道路的道路元素的定位：
针对该条道路对应的街景图片，使用预先训练好的语义分割神经网络模型对该街景图片按多个道路元素进行分割，获取分割后的街景图片；
从该条道路分割后的街景图片中分别提取每个道路元素对应的道路元素掩膜图；
根据各道路元素掩膜图，确定该条道路中各道路元素在该条道路中的位置坐标，完成对该条道路中各道路元素的定位。
10.一种城市道路信息模型的构建装置，其特征在于，包括：
分割模块，用于根据目标城市的正射影像以及开源地图数据，对所述目标城市的城市点云数据进行区域分割，获得目标城市的道路点云数据；
聚类模块，用于根据所述道路点云数据对各点进行聚类拆分，以获得所述目标城市的多条道路以及各条道路对应的单道路点云数据，其中，所述道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征；
拟合模块，用于针对每条道路，根据该条道路对应的单道路点云数据，提取该道路对应的关键点集合，利用关键点集合对单道路点云数据进行曲面拟合，确定与该条道路对应的城市道路信息模型。
CN202210670842.2A 2022-06-15 2022-06-15 一种城市道路信息模型的构建方法及装置 Active CN114758086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210670842.2A CN114758086B (zh) 2022-06-15 2022-06-15 一种城市道路信息模型的构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210670842.2A CN114758086B (zh) 2022-06-15 2022-06-15 一种城市道路信息模型的构建方法及装置

Publications (2)

Publication Number Publication Date
CN114758086A true CN114758086A (zh) 2022-07-15
CN114758086B CN114758086B (zh) 2022-08-30

Family

ID=82336407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210670842.2A Active CN114758086B (zh) 2022-06-15 2022-06-15 一种城市道路信息模型的构建方法及装置

Country Status (1)

Country Link
CN (1) CN114758086B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841558A (zh) * 2023-03-01 2023-03-24 航天宏图信息技术股份有限公司 城市道路建模的方法、装置、电子设备和存储介质
CN116797055A (zh) * 2023-08-28 2023-09-22 日照朝力信息科技有限公司 一种基于物联网的城市道路规划方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190286921A1 (en) * 2018-03-14 2019-09-19 Uber Technologies, Inc. Structured Prediction Crosswalk Generation
CN110648389A (zh) * 2019-08-22 2020-01-03 广东工业大学 基于无人机和边缘车辆协同的城市街景3d重建方法和系统
CN112598993A (zh) * 2020-12-25 2021-04-02 平安国际智慧城市科技股份有限公司 基于cim的城市地图平台可视化方法、装置及相关产品
CN113920266A (zh) * 2021-11-03 2022-01-11 泰瑞数创科技(北京)有限公司 城市信息模型语义信息人工智能生成方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190286921A1 (en) * 2018-03-14 2019-09-19 Uber Technologies, Inc. Structured Prediction Crosswalk Generation
CN110648389A (zh) * 2019-08-22 2020-01-03 广东工业大学 基于无人机和边缘车辆协同的城市街景3d重建方法和系统
CN112598993A (zh) * 2020-12-25 2021-04-02 平安国际智慧城市科技股份有限公司 基于cim的城市地图平台可视化方法、装置及相关产品
CN113920266A (zh) * 2021-11-03 2022-01-11 泰瑞数创科技(北京)有限公司 城市信息模型语义信息人工智能生成方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANXIONG XIAO ET AL.: "Image-based Street-side City Modeling", 《ACM TRANSACTIONS ON GRAPHICS》 *
李怡静等: "影像与LiDAR数据信息融合复杂场景下的道路自动提取", 《测绘学报》 *
罗玲: "基于LiDAR数据的铁路轨道信息提取方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841558A (zh) * 2023-03-01 2023-03-24 航天宏图信息技术股份有限公司 城市道路建模的方法、装置、电子设备和存储介质
CN115841558B (zh) * 2023-03-01 2023-05-12 航天宏图信息技术股份有限公司 城市道路建模的方法、装置、电子设备和存储介质
CN116797055A (zh) * 2023-08-28 2023-09-22 日照朝力信息科技有限公司 一种基于物联网的城市道路规划方法及系统
CN116797055B (zh) * 2023-08-28 2023-11-07 日照朝力信息科技有限公司 一种基于物联网的城市道路规划方法及系统

Also Published As

Publication number Publication date
CN114758086B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN111220993B (zh) 目标场景定位方法、装置、计算机设备和存储介质
WO2018068653A1 (zh) 点云数据处理方法、装置及存储介质
CN111542860A (zh) 用于自主车辆的高清地图的标志和车道创建
CN114758086B (zh) 一种城市道路信息模型的构建方法及装置
JP2019527832A (ja) 正確な位置特定およびマッピングのためのシステムおよび方法
CN107690840B (zh) 无人机视觉辅助导航方法及系统
JP7273927B2 (ja) 画像ベースの測位方法及びシステム
CN110796714A (zh) 一种地图构建方法、装置、终端以及计算机可读存储介质
US11232582B2 (en) Visual localization using a three-dimensional model and image segmentation
CN113989450A (zh) 图像处理方法、装置、电子设备和介质
KR102218881B1 (ko) 차량 위치 결정 방법 및 시스템
WO2021003487A1 (en) Training data generation for dynamic objects using high definition map data
CN108428254A (zh) 三维地图的构建方法及装置
CN114065364B (zh) 基于无人机遥感测绘的城市工程规划方法及系统
US20230289974A1 (en) Performing semantic segmentation of 3d data using deep learning
Zhang et al. Automated detecting and placing road objects from street-level images
CN115203352A (zh) 车道级定位方法、装置、计算机设备和存储介质
WO2018151629A1 (ru) Способ и система автоматического построения трехмерных моделей городов
Ogawa et al. Deep learning approach for classifying the built year and structure of individual buildings by automatically linking street view images and GIS building data
CN113838129A (zh) 一种获得位姿信息的方法、装置以及系统
Liu et al. 3D point cloud segmentation using GIS
KR102384429B1 (ko) 도로지도 구축을 위한 도로 혼잡 위치 판별 및 재조사 경로 생성 방법
CN114820931A (zh) 基于虚拟现实的智慧城市cim可视化实时成像方法
CN116310189B (zh) 地图模型构建方法及终端
CN114419338B (zh) 图像处理方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231027

Address after: Building 5, Niujiahou River, 100 meters east of Bijia Village, Beizhai Street, Laoshan District, Qingdao City, Shandong Province, 266000

Patentee after: Qingdao Saab Weitong Technology Co.,Ltd.

Address before: Room 1008, 10th floor, building 16, yard 30, Shixing street, Shijingshan District, Beijing 100049

Patentee before: BIM WINNER (BEIJING) TECHNOLOGY CO.,LTD.

Patentee before: BIM WINNER (SHANGHAI) TECHNOLOGY Co.,Ltd.

Patentee before: SHENZHEN BIM WINNER TECHNOLOGY Co.,Ltd.

Patentee before: Yingjia Internet (Beijing) Smart Technology Co.,Ltd.

Patentee before: Foshan Yingjia Smart Space Technology Co.,Ltd.

Patentee before: SHENZHEN QIANHAI YINGJIA DATA SERVICE Co.,Ltd.

Patentee before: JIAXING WUZHEN YINGJIA QIANZHEN TECHNOLOGY Co.,Ltd.

Patentee before: Shandong Jiaying Internet Technology Co.,Ltd.

TR01 Transfer of patent right