CN114758323A - 一种基于车载激光点云的城市道路标牌提取方法 - Google Patents
一种基于车载激光点云的城市道路标牌提取方法 Download PDFInfo
- Publication number
- CN114758323A CN114758323A CN202210659778.8A CN202210659778A CN114758323A CN 114758323 A CN114758323 A CN 114758323A CN 202210659778 A CN202210659778 A CN 202210659778A CN 114758323 A CN114758323 A CN 114758323A
- Authority
- CN
- China
- Prior art keywords
- laser point
- laser
- neighborhood
- vehicle
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种基于车载激光点云的城市道路标牌提取方法。包括:首先对每个激光点构建不同半径下熵函数,以熵函数值最小获取最佳邻域半径,基于最佳邻域半径计算点的维数特征、主方向、法向量,利用支持向量机将点标记为竖直杆状、非竖直杆状、竖直面状、非竖直面状、球状,并对不同类别采取不同的生长准则进行区域生长,采用归一化割的方法对初始分割区域进行合并,最后将分割结果作为几何基元,将空间相邻的几何基元组合并建立拓扑关系,将几何基元组合与给定交通标志牌模型进行匹配,完成道路交通标牌的提取与分类。相比现有技术,本方法不需要人工参与,可以自动化、高效率、高精度的实现城市大范围道路交通标牌的提取与识别。
Description
技术领域
本发明属于激光扫描数据处理技术领域,尤其涉及一种基于车载激光点云的城市道路标牌提取方法。
背景技术
随着激光扫描技术的发展,其应用越来越广泛。除了在逆向工程、工业应用、城市三维建模方面激光扫描技术展示了其不可替代的优势外,在堆积测量、变形监测、森林调查、岩石表面观测、文物古建筑重建、隧道管线测量以及医学应用方面更是受到了人们越来越多的关注。
在高速公路和城区环境中杆状物体(包括各种电线杆、交通信号灯、交通标志牌、路灯、部分树干等)非常多见,它们突出于周围的环境且容易被观察者识别,因此经常作为地标用于辅助驾驶、汽车和行人导航等方面。此外详细的道路信息在虚拟三维城市建模,城区规划,道路安全,道路维护,基于位置的服务等方面也有着重要的应用。传统的基于光学影像的杆状地物提取方法需要良好的光照条件,不能全天候作业,并且该方法很难提供目标精确的3维几何信息。车载LiDAR系统在获取空间信息方面提供了一种全新的技术手段,能够在高速移动状态下获取道路以及道路两侧建筑物、树木、交通标志牌、路灯等地物表面的三维空间坐标,弥补了传统光学影像数据采集手段的不足,已被广泛运用于数字城市、基础测绘、城市规划、交通、环保、文物保护等领域。研究基于车载LiDAR点云的杆状地物自动提取技术,并用于自动化生产带有地理参考的地标物体的导航地图,已经成为当前的研究热点。本发明针对车载激光点云,提出一种结合点云分类以及多层次分割过程实现地物目标几何基元的提取,采用基于模型匹配的方法对邻近构成的几何基元组合进行交通标牌类别的判断,实现城市道路标牌的识别与提取。
发明内容
本发明的技术方案提供一种基于车载激光点云的城市道路标牌提取方法,其特征在于,包括以下步骤:
步骤1, 对车载激光点云中对每个激光点分别在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量,将车载激光点云的每个激光点的特征向量作为维数特征,并构建车载激光点云的每个激光点在不同半径下的熵函数,计算每个激光点在不同邻域下的熵函数值,以车载激光点云的每个激光点对应的熵函数值最小为优化目标,依次优化求解得到车载激光点云的每个激光点的最佳邻域半径。
步骤2,根据车载激光点云的每个激光点的最佳邻域半径计算车载激光点云的每个激光点的最佳邻域半径的点云特征,并利用支持向量机分类器对点云进行分类,将车载激光点云的每个激光点的类别标签分别标记为竖直杆状点、非竖直杆状点、竖直面状点、非竖直面状点、球状点。
步骤3,设置每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值,根据每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值进行区域生长,得到多个初始的竖直杆状点云分割区域;设置每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值,根据每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值进行区域生长,得到多个初始的竖直面状点云分割区域;设置每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值,根据每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值进行区域生长,得到多个初始的球状点云分割区域;
步骤4,将多个初始的竖直杆状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直杆状点云分割区域;将多个初始的竖直面状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直面状点云分割区域;将多个初始的球状点云分割区域利用归一化分割的方法进行合并从而得到多个合并后的球状点云分割区域;
步骤5,将每个合并后的竖直杆状点云分割区域、每个合并后的竖直面状点云分割区域、每个合并后的球状点云分割区域依次作为每个几何基元,将多个几何基元基于其位置坐标信息得到几何基元的空间相邻关系,若每对空间相邻的几何基元之间的距离小于距离阈值,则将对应的空间相邻的几何基元组成几何基元组合,并获取几何基元组合的属性,属性包括:组合包含的几何基元个数、几何基元的类型标识、几何基元之间的拓扑关系。给定所有交通标志牌模型,并将其以几何基元组合进行属性描述。遍历上述步骤获取的所有几何基元组合,若其属性与给定模型相同,则把该几何基元组合标记为对应交通标志牌模型,完成交通标牌的分类与识别。
作为优选,步骤1所述车载激光点云的定义为:
其中,K为车载激光点云中激光点的数量,为车载激光点云中
第k个激光点,为车载激光点云中第k个激光点的反射强度信息,为车载激光点云中
第k个激光点的空间直角坐标系X轴的坐标值,为车载激光点云中第k个激光点的空间直
角坐标系Y轴的坐标值,为车载激光点云中第k个激光点的空间直角坐标系Z轴的坐标
值,其中Z值竖直向上,X、Y、Z轴两两垂直;
步骤1所述在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量,具体为:
所述不同邻域半径,具体构建方法为:
给定球形邻域半径,以车载点云中第k个激光点为球心,构建半径为
的球形邻域; 给定强度阈值,若激光点的强度与其激光点的球形邻域内的第t个邻域点的强度信息满足,则将激光点加入第k个激光点半径为的球形邻域对应的点集中;利用点集
中的激光点基于主成分分析方法计算第k个激光点在邻域半径为下的第一特征值、第二特征值、第三特征值,并定义第一维数特征、第二维数特
征、第三维数特征,其计算方法如下:
步骤1所述构建车载激光点云的每个激光点在不同半径下的熵函数,具体为:
步骤1以车载激光点云的每个激光点对应的熵函数值最小为优化目标,依次优化求解得到车载激光点云的每个激光点的最佳邻域半径,具体方法为:
作为优选,步骤2所述计算车载激光点云的每个激光点的最佳邻域半径的点云特征,具体方法为:
其中,为第k个激光点对应的球形邻域内的邻域激光点个数,t为
其球形邻域内的第t个邻域激光点,,邻域激光点由空间
坐标组成的向量,为邻域激光点X轴对应的坐标值,为邻域激光点Y轴对应的坐
标值,为邻域激光点Z轴对应的坐标值;,为第k个激光
点球形邻域内所有激光点空间坐标平均值组成的向量,为第k个激光点球形
邻域内所有激光点在X轴的坐标平均值,为第k个激光点球形邻域内所有
激光点在Y轴的坐标平均值,为第k个激光点球形邻域内所有激光点在Z轴的
坐标平均值;将车载点中第k个激光点的协方差矩阵通过矩阵特征值分解得到车载点
云中第k个激光点对应的第一特征值、车载点云中第i个激光点对应的第二特征值
、车载点云中第i个激光点对应的第三特征值,且;法向量为第k个激光点求得协方差矩阵的第三特征值对应的特征
向量;主方向为第k个激光点求得协方差矩阵的第一特征值
对应的特征向量。
作为优选,步骤3所述设置每个竖直杆状生长激光点的生长规则,具体为:
步骤3所述设置每个竖直面状生长激光点的生长规则,具体为:
步骤3所述设置每个球状生长激光点的生长规则,具体为:空间上相邻。
本发明优点在于,可以利用车载点云进行道路交通标志牌的提取。本方法以车载激光雷达数据作为数据源,基于点云分类与多层次点云分割过程,将分割结果作为几何基元并空间邻近组合,利用模型匹配的方式实现交通标牌的分类。相比现有技术,本方法不需要人工参与,可以自动化、高效率、高精度的实现城市大范围道路交通标牌的提取与识别。
附图说明
图1:是本发明实施例的整体流程图;
图2:是本发明实施例的点云分类计算最佳邻域示意图;
图3:是本发明实施例指示、警告及禁令标志类交通标牌示意图;
图4:是本发明实施例指路标志和公交站牌类交通标牌示意图;
图5:是本发明实施例大型指路标志类交通标牌示意图;
图6:是本发明实施例混合型类交通标牌示意图。
具体实施方式
以下结合附图1-6和实施例说明本发明的技术方案。
本发明的技术方案针对车载激光点云地物目标提取任务,结合点云分类以及多层次分割过程实现地物目标几何基元的提取,采用基于模型匹配的方法对邻近构成的几何基元组合进行交通标牌类别的判断,实现城市道路标牌的识别与提取。本发明的整体技术流程由图1所示。本方法分为5个关键步骤:基于点的维数特征与强度信息,确定点云分类中点的最佳邻域形状和大小;基于逐点的最佳邻域利用支持向量机标记点的形状类别;基于多规则的区域生长算法得到初步分割区域;利用归一化割算法优化分割结果;由分割结果得到几何基元的组合以及拓扑关系,基于模型匹配的方法实现交通标牌的提取与类别。
本发明第一实施例为一种基于车载激光点云的城市道路标牌提取方法,其特征在于,包括以下步骤:
步骤1, 对车载激光点云中对每个激光点分别在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量,将车载激光点云的每个激光点的特征向量作为维数特征,并构建车载激光点云的每个激光点在不同半径下的熵函数,计算每个激光点在不同邻域下的熵函数值,以车载激光点云的每个激光点对应的熵函数值最小为优化目标,依次优化求解得到车载激光点云的每个激光点的最佳邻域半径。
步骤2,根据车载激光点云的每个激光点的最佳邻域半径计算车载激光点云的每个激光点的最佳邻域半径的点云特征,并利用支持向量机分类器对点云进行分类,将车载激光点云的每个激光点的类别标签分别标记为竖直杆状点、非竖直杆状点、竖直面状点、非竖直面状点、球状点。
步骤3,设置每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值,根据每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值进行区域生长,得到多个初始的竖直杆状点云分割区域;设置每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值,根据每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值进行区域生长,得到多个初始的竖直面状点云分割区域;设置每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值,根据每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值进行区域生长,得到多个初始的球状点云分割区域;
步骤4,将多个初始的竖直杆状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直杆状点云分割区域;将多个初始的竖直面状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直面状点云分割区域;将多个初始的球状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的球状点云分割区域;
步骤5,将每个合并后的竖直杆状点云分割区域、每个合并后的竖直面状点云分割区域、每个合并后的球状点云分割区域依次作为每个几何基元,将多个几何基元基于其位置坐标信息得到几何基元的空间相邻关系,若每对空间相邻的几何基元之间的距离小于距离阈值,则将对应的空间相邻的几何基元组成几何基元组合,并获取几何基元组合的属性,属性包括:组合包含的几何基元个数、几何基元的类型标识、几何基元之间的拓扑关系。给定所有交通标志牌模型,并将其以几何基元组合进行属性描述。遍历上述步骤获取的所有几何基元组合,若其属性与给定模型相同,则把该几何基元组合标记为对应交通标志牌模型,完成交通标牌的分类与识别。
步骤1所述车载激光点云的定义为:
其中,K为车载激光点云中激光点的数量,为车载激光点云中
第k个激光点,为车载激光点云中第k个激光点的反射强度信息,为车载激光点云中
第k个激光点的空间直角坐标系X轴的坐标值,为车载激光点云中第k个激光点的空间直
角坐标系Y轴的坐标值,为车载激光点云中第k个激光点的空间直角坐标系Z轴的坐标
值,其中Z值竖直向上,X、Y、Z轴两两垂直;
步骤1所述在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量,具体为:
所述不同邻域半径,具体构建方法为:
给定球形邻域半径,以车载点云中第k个激光点为球心,构建半径为
的球形邻域; 给定强度阈值,若激光点的强度与其激光点的球形邻域内的第t个邻域点的强度信息满足,则将激光点加入第k个激光点半径为的球形邻域对应的点集中;利用点集
中的激光点基于主成分分析方法计算第k个激光点在邻域半径为下的第一特征值、第二特征值、第三特征值,并定义第一维数特征、第二维数特
征、第三维数特征,其计算方法如下:
步骤1所述构建车载激光点云的每个激光点在不同半径下的熵函数,具体为:
步骤1以车载激光点云的每个激光点对应的熵函数值最小为优化目标,依次优化求解得到车载激光点云的每个激光点的最佳邻域半径,具体方法为:
步骤2所述计算车载激光点云的每个激光点的最佳邻域半径的点云特征,具体方法为:
其中,为第k个激光点对应的球形邻域内的邻域激光点个数,t为
其球形邻域内的第t个邻域激光点,,邻域激光点由空间
坐标组成的向量,为邻域激光点X轴对应的坐标值,为邻域激光点Y轴对应的坐
标值,为邻域激光点Z轴对应的坐标值;,为第k个激光
点球形邻域内所有激光点空间坐标平均值组成的向量,为第k个激光点球形
邻域内所有激光点在X轴的坐标平均值,为第k个激光点球形邻域内所有
激光点在Y轴的坐标平均值,为第k个激光点球形邻域内所有激光点在Z轴的
坐标平均值;
步骤3所述设置每个竖直杆状生长激光点的生长规则,具体为:
步骤3所述设置每个竖直面状生长激光点的生长规则,具体为:
步骤3所述设置每个球状生长激光点的生长规则,具体为:空间上相邻。
本发明第二实施例包括以下步骤:
步骤1,对车载激光点云进行主成分分析,将得到的向量特征作为维数特征,并联合局部邻域内的强度约束逐点计算分类过程点对应的最佳邻域的大小和形状。
实施例中,步骤1实现如下:
计算点分类过程中的最佳邻域,首先需要确定最大邻域半径,最小邻域半径,半径的增量,强度差阈值,并初始化当前半径。实施例中,最大
邻域半径取值为0.5m,最小邻域半径取值为0.1m,半径的增量取值为0.1m,
强度差阈值取值为10。
和熵函数由下列公式定义:
步骤2,以确定的最佳邻域逐点计算点云分类特征,利用支持向量机分类器进行分类,将激光点分别标记为竖直杆状点、非竖直杆状点、竖直面状点、非竖直面状点、球状点5类标签。
实施例中,步骤2实现如下:
步骤3,由激光点云的类别标签对杆状、面状、球状的点分别设置生长规则,实现顾及激光点云类别的多规则区域生长,得到初步的点云分割区域。
实施例中,步骤3实现如下:
为兼顾各类地物的不同特点,克服传统区域生长方法单一生长准则的不足,对三种不同类别的点分别采取不同的生长准则进行区域生长。从未分割的三类扫描点中分别随机选取出每一类别的初始种子点;在区域生长过程中,把满足生长准则的点作为下次生长的种子点。
对于分类为“杆状”的扫描点,生长准则为空间上相邻并且相邻点的主方向之间的
夹角余弦值大于阈值;对于分类为面状的扫描点,生长准则为空间上相邻并且相邻点的
法向量之间的夹角余弦值大于阈值;对于分类为球状的扫描点,生长准则为空间上相
邻。实施例中阈值取值为0.985。递归实现区域增长,直到所有的点都已分割完毕。
步骤4,利用归一化割的方法,将初步得到的的分割区域作为节点,对杆状、面状、球状点云分割区域分别设置权值函数,以全局最优为目标获取最终分割结果。
实施例中,步骤4实现如下:
其中,分别为区域i和区域j的主方
向夹角值、法方向夹角值、相离距离(两个区域的最近距离)、区域i的中心点到杆状区域j的
距离(点到线的距离)、区域i的中心点到面状区域j的距离(点到面的距离)。同时为了控制
Normalized Cut中的参数取值范围,需要利用数据标准化方法对上述参数值进行无量纲化
和等数量级化处理,将参数值归一化到[0-1]。分别为每个影响因子的权
值调节参数,用于调整不同影响因子对权值函数的贡献程度。权值越大,两节点越相似。实
施例中,取值为0.4,取值为0.2,取值为0.4。
步骤5,将分割结果作为几何基元,将空间相邻的几何基元组合并建立拓扑关系。采取基于模型匹配的方法对几何基元组合进行语义分类,实现道路交通标牌的提取与分类。
实施例中,步骤5实现如下:
经过步骤3和步骤4的区域生长与合并得到了组成地物的几何基元,遍历所有的几何基元,将相邻的几何基元组合并并获取几何基元组合的属性,属性包括:组合包含的几何基元个数、几何基元的类型标识、几何基元之间的拓扑关系。给定所有交通标志牌模型,并将其以几何基元组合进行属性描述。遍历上述步骤获取的所有几何基元组合,若其属性与给定模型相同,则把该几何基元组合标记为对应交通标志牌模型,完成交通标牌的分类与识别。
在本技术中将交通标牌分为四类。第一类通常由1个竖直杆状几何基元与竖直面状几何基元按照特定的拓扑关系组合而成,多见于指示、警告及禁令标志,如图3;第二类通常有2个竖直杆状几何基元与竖直面状几何基元按照特定的拓扑关系组成,一般见于辅助的指路标志和公交站牌等,如图4;第三类通常由竖直杆状几何基元、非竖直杆状几何基元、竖直面状几何基元按照特定的拓扑关系组合而成,一般是大型的指路标志,如图5;第四类为以上三种类型的混合型,如图6。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种基于车载激光点云的城市道路标牌提取方法,其特征在于,包括以下步骤:
步骤1, 对车载激光点云的每个激光点分别在不同邻域半径下联合局部邻域内的强度约束进行主成分分析,得到点对应的特征向量,将车载激光点云的每个激光点的特征向量作为维数特征,构建车载激光点云的每个激光点在不同半径下的熵函数,计算车载激光点云的每个激光点在不同邻域下的熵函数值,以车载激光点云的每个激光点对应的熵函数值最小为优化目标,依次优化求解得到车载激光点云的每个激光点的最佳邻域半径;
步骤2,根据车载激光点云的每个激光点的最佳邻域半径计算车载激光点云的每个激光点的最佳邻域半径的点云特征,通过支持向量机分类器对车载激光点云进行分类,将车载激光点云的每个激光点的类别标签分别标记为竖直杆状生长激光点、非竖直杆状生长激光点、竖直面状生长激光点、非竖直面状生长激光点以及球状生长激光点;
步骤3,设置每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值,根据每个竖直杆状生长激光点的生长规则以及每个竖直杆状生长激光点的生长阈值进行区域生长,得到多个初始的竖直杆状点云分割区域;设置每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值,根据每个竖直面状生长激光点的生长规则以及每个竖直面状生长激光点的生长阈值进行区域生长,得到多个初始的竖直面状点云分割区域;设置每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值,根据每个球状生长激光点的生长规则以及每个球状生长激光点的生长阈值进行区域生长,得到多个初始的球状点云分割区域;
步骤4,将多个初始的竖直杆状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直杆状点云分割区域;将多个初始的竖直面状点云分割区域利用归一化割的方法进行合并从而得到多个合并后的竖直面状点云分割区域;将多个初始的球状点云分割区域利用归一化分割的方法进行合并从而得到多个合并后的球状点云分割区域;
步骤5,将每个合并后的竖直杆状点云分割区域、每个合并后的竖直面状点云分割区域、每个合并后的球状点云分割区域依次作为每个几何基元,将多个几何基元基于其位置坐标信息得到几何基元的空间相邻关系,若每对空间相邻的几何基元之间的距离小于距离阈值,则将对应的空间相邻的几何基元组成几何基元组合,并获取几何基元组合的属性;所述几何基元组合的属性由组合包含的几何基元个数、几何基元的类型标识、几何基元之间的拓扑关系构成;给定所有交通标志牌模型,并将其以几何基元组合进行属性描述;遍历所有几何基元组合,若几何基元组合属性与给定模型相同,则把所述几何基元组合标记为对应交通标志牌模型,完成交通标牌的分类与识别。
2.根据权利要求1所述的基于车载激光点云的城市道路标牌提取方法,其特征在于,步骤1所述车载激光点云的定义为:
其中,K为车载激光点云中激光点的数量,为车载激光点云中第k个激光点,为车载激光点云中第k个激光点的反射强度信息,为车载激光点云中第k个激光点的空间直角坐标系X轴的坐标值,为车载激光点云中第k个激光点的空间直角坐标系Y轴的坐标值,为车载激光点云中第k个激光点的空间直角坐标系Z轴的坐标值,其中Z值竖直向上,X、Y、Z轴两两垂直;
步骤1所述在不同邻域半径下联合局部邻域内的强度约束进行主成分分析得到点对应的特征向量,具体为:
所述不同邻域半径,具体构建方法为:
给定球形邻域半径,以车载点云中第k个激光点为球心,构建半径为的球形邻域; 给定强度阈值,若激光点的强度与其激光点的球形邻域内的第t个邻域点的强度信息满足,则将激光点加入第k个激光点半径为的球形邻域对应的点集中;利用点集中的激光点基于主成分分析方法计算第k个激光点在邻域半径为下的第一特征值、第二特征值、第三特征值,并定义第一维数特征、第二维数特征、第三维数特征,其计算方法如下:
步骤1所述构建车载激光点云的每个激光点在不同半径下的熵函数,具体为:
步骤1以车载激光点云的每个激光点对应的熵函数值最小为优化目标,依次优化求解得到车载激光点云的每个激光点的最佳邻域半径,具体方法为:
3.根据权利要求1所述的基于车载激光点云的城市道路标牌提取方法,其特征在于,步骤2所述计算车载激光点云的每个激光点的最佳邻域半径的点云特征,具体方法为:
其中,为第k个激光点对应的球形邻域内的邻域激光点个数,t为其球形邻域内的第t个邻域激光点,,邻域激光点由空间坐标组成的向量,为邻域激光点X轴对应的坐标值,为邻域激光点Y轴对应的坐标值,为邻域激光点Z轴对应的坐标值;,为第k个激光点球形邻域内所有激光点空间坐标平均值组成的向量,为第k个激光点球形邻域内所有激光点在X轴的坐标平均值,为第k个激光点球形邻域内所有激光点在Y轴的坐标平均值,为第k个激光点球形邻域内所有激光点在Z轴的坐标平均值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659778.8A CN114758323A (zh) | 2022-06-13 | 2022-06-13 | 一种基于车载激光点云的城市道路标牌提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659778.8A CN114758323A (zh) | 2022-06-13 | 2022-06-13 | 一种基于车载激光点云的城市道路标牌提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114758323A true CN114758323A (zh) | 2022-07-15 |
Family
ID=82336439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210659778.8A Pending CN114758323A (zh) | 2022-06-13 | 2022-06-13 | 一种基于车载激光点云的城市道路标牌提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114758323A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071530A (zh) * | 2023-03-07 | 2023-05-05 | 青岛市勘察测绘研究院 | 一种基于机载激光点云的建筑物屋顶体素化分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260737A (zh) * | 2015-11-25 | 2016-01-20 | 武汉大学 | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 |
CN106127153A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 车载激光扫描点云数据的交通标牌识别方法 |
CN114022857A (zh) * | 2021-11-16 | 2022-02-08 | 北京四维远见信息技术有限公司 | 一种杆状地物的提取分类方法、装置、设备和介质 |
-
2022
- 2022-06-13 CN CN202210659778.8A patent/CN114758323A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260737A (zh) * | 2015-11-25 | 2016-01-20 | 武汉大学 | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 |
CN106127153A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 车载激光扫描点云数据的交通标牌识别方法 |
CN114022857A (zh) * | 2021-11-16 | 2022-02-08 | 北京四维远见信息技术有限公司 | 一种杆状地物的提取分类方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
杨必胜 等: "《从车载激光扫描数据中提取复杂建筑物立面的方法》", 《测绘学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071530A (zh) * | 2023-03-07 | 2023-05-05 | 青岛市勘察测绘研究院 | 一种基于机载激光点云的建筑物屋顶体素化分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570428B (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 | |
CN107292276B (zh) | 一种车载点云聚类方法及系统 | |
CN106204705B (zh) | 一种基于多线激光雷达的3d点云分割方法 | |
CN108171131B (zh) | 基于改进MeanShift的Lidar点云数据道路标识线提取方法 | |
Zai et al. | 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts | |
CN106127153B (zh) | 车载激光扫描点云数据的交通标牌识别方法 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN111815776A (zh) | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 | |
CN110490888B (zh) | 基于机载激光点云的高速公路几何特征矢量化提取方法 | |
CN111626217A (zh) | 一种基于二维图片和三维点云融合的目标检测和追踪方法 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN106199558A (zh) | 障碍物快速检测方法 | |
CN109256028B (zh) | 一种用于无人驾驶的高精度路网自动生成的方法 | |
CN114419152B (zh) | 一种基于多维度点云特征的目标检测与跟踪方法及系统 | |
CN112099046B (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
CN112330661A (zh) | 一种多期车载激光点云道路变化监测方法 | |
CN110532963B (zh) | 一种车载激光雷达点云驱动的道路标线精准提取方法 | |
CN107944383A (zh) | 基于三维Voronoi图的建筑物屋顶面片分割方法 | |
CN112561944A (zh) | 一种基于车载激光点云的车道线提取方法 | |
WO2023060632A1 (zh) | 基于点云数据的街景地物多维度提取方法和系统 | |
CN114359876B (zh) | 一种车辆目标识别方法及存储介质 | |
Zheng et al. | Background noise filtering and clustering with 3D LiDAR deployed in roadside of urban environments | |
CN114782729A (zh) | 一种基于激光雷达与视觉融合的实时目标检测方法 | |
CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220715 |
|
RJ01 | Rejection of invention patent application after publication |