CN115294293A - 基于低空航摄成果自动化编译高精地图道路参考线的方法 - Google Patents
基于低空航摄成果自动化编译高精地图道路参考线的方法 Download PDFInfo
- Publication number
- CN115294293A CN115294293A CN202211229292.7A CN202211229292A CN115294293A CN 115294293 A CN115294293 A CN 115294293A CN 202211229292 A CN202211229292 A CN 202211229292A CN 115294293 A CN115294293 A CN 115294293A
- Authority
- CN
- China
- Prior art keywords
- line
- road
- lane line
- lane
- lines
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005520 cutting process Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 22
- 241001149900 Fusconaia subrotunda Species 0.000 claims description 19
- 230000000877 morphologic effect Effects 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 208000028257 Joubert syndrome with oculorenal defect Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于低空航摄成果自动化编译高精地图道路参考线的方法，步骤为：S1数据预处理：通过对目标区域进行测量获得目标区域的影像数据，再进行裁切，得到道路部分的成果数据；S2提取车道线：对道路部分的成果数据进行粗分割，分离车道及背景，再去噪后进行矢量化处理得到道路边界数据；S3高精地图车道线解译：先利用格网对道路边界数据进行分割，再在每个格网内提取车道线暂定中心线，再利用车道线接续算法对车道线暂定中心线进行追踪连接；后再通过数字地表模型DSM获取车道线中心线的高程值，得到完整的道路参考线。采用无人机航摄影像进行道路提取，保证数据高精度的同时既提升了数据获取的便利性，又降低了获取成本。
Description
技术领域
本发明属于高精地图技术领域，尤其涉及一种基于低空航摄成果自动化编译高精地图道路参考线的方法。
背景技术
道路是重要的人工地物，对经济发展、生态环保和军事国防等有着重要意义，尤其在交通管理、智慧城市以及自动驾驶等领域具有重要价值，因此如何高效地获取高质量道路一直是研究的热点。近年来，随着无人机技术的不断完善，基于无人机的低空摄影测量发展迅速，其生产的航摄影像分辨率更高、获取影像速度更快、受天气影响更小；机载激光雷达LIDAR通过主动发射激光波束探测地物特征，获取的数据具有高程、强度、回波等信息，具有不受阴影遮挡干扰的特点。因此在航测影像或点云数据基础上获取道路特征信息已成为遥感领域的重要手段。
现阶段的研究成果表明，用于智能驾驶的高精地图大体分为静态层和动态层，而静态层中的道路和车道信息是高精地图的重要组成部分，国内外对于高精地图静态车道级数据采集主要依赖于车载移动测量系统和无人机摄影测量，而以无人机为代表的高分辨率影像具有易获取、低成本等优势，数据获取的精度和效率也不断提升，因此利用低空航摄影像提取高精度的道路、车道等信息--如道路面、边界线、车道线等--已成为高精地图生产和编译的重要方法之一。
为了能有效并且准确提取出车道线，国内外的研究人员已经提出了各式各样的技术解决方案。目前，高精地图生产制作主要有两种方式，一种基于无人机低空高分辨率影像提取道路车道线信息，一种是基于车载LiDAR数据提取道路路面、标示线及其他道路要素的信息，还一种是基于多种数据源的融合进行道路提取。
针对航空影像和高分辨率遥感影像，很多学者提出了以人工智能为基础的道路自动识别方法。其核心思想来源于Marr的视觉理论。主要从以下三个点进行研究：基于低层次边缘检测及链接；基于中层次特征信息处理；基于高层次特征识别处理。余洁等学者以区域生长和道路基元为基础，提出遥感影像道路提取方法。张睿等结合矩形模板构造方法，计算像素点的角度纹理特征，利用最小二乘剖面匹配法，提取遥感影像道路中心线。
现今主要有两种从LiDAR数据中提取道路标识的方法。其一，通过将LiDAR数据转换为图像栅格数据，再使用图像分割的方法提取道路表示。Guan等使用拓展反距离权重插值法(IDW)生成地理参考特征影像(GRF)，然后使用多尺度张量投票来提取道路标识，也可使用基于点密度的多阈值分割提取道路标识。其二，则是直接从点云数据中，根据道路标示的异常反射率这一特征提取道路标识。Yu等将道路分割为多段，通过多段阈值和空间密度滤波直接从路面点提取道路标记。
利用多种数据源的融合进行道路提取也是目前国内外学者研究的热点，Salman等提出了一种融合激光雷达数据和遥感影像的分层提取的方法，该方法首先将LiDAR数据转换成DSM，然后利用一个高度阈值将DSM分割成二值图像，完成对建筑物的提取，然后结合NDVI植被指数完成对植被的提取，最后将道路从中分离出来，完成道路信息的提取；Gong等提出了一种基于聚类的从LiDAR数据和遥感影像中自动提取道路信息的方法。首先利用聚类算法对LiDAR点云数据按照高度信息进行聚类，初步分成道路和植被两大类，然后将航空遥感影像的RGB色彩信息与LiDAR点云数据进行融合，使点云数据既包含位置和高程信息又包含回波强度和光谱信息，最后利用融合的数据设置光谱范围进一步分离出道路信息。
中国专利文献CN108537169A公开了一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法，属于遥感影像处理技术领域。由于采用中心线检测算法直接提取的道路中心线会受到周围各种地物的影响，如树木，车辆，房屋等，导致中心线不完整，出现中断导致道路提取信息的不够完整、精度较差的问题。本发明通过引入张量场，通过张量场投票算法，对中心线检测中的中断部分进行补充，并再次利用中心线检测算法计算从而可以获得一个完整的道路中心线，并将距离中断部分最近中心线所对应的路宽作为实际路宽，实现了提取完整的道路信息。
中国专利文献CN109448046A公开了一种基于多描述子的半自动道路中心线快速提取方法，步骤为：输入影像中道路起止点坐标；对原始影像进行L 0 滤波；对原始影像进行线段提取；在滤波结果及线段提取结果的基础上，根据起止点坐标，建立多级线段方向直方图，以获得当前道路方向；建立扇形描述子；利用最小二乘法将所有得到的道路跟踪点进行拟合，进一步剔除错误提取的道路点，得到道路中心线。
中国专利文献CN110555423A公开了一种基于多维运动摄像机的航拍视频的交通参数提取方法；该方法框架包括四个步骤，首先采用时间上强大的全局运动补偿方法来补偿无人机摄相机移动并获得视频中稳定的背景。然后，应用核化相关滤波器快速准确地跟踪车辆。之后，使用霍夫线检测来找出视频中的参考标记，并将检测到的参考标记的实际长度映射到无人机视频中的图像长度。最后，使用先前步骤的输出估计交通流中的个体车辆速度，车头时距和车头间距等微观交通参数。将此方法应用于三个不同的航拍视频进行实验。实验结果表明，该方法在估算车速，车头时距和车头间距等交通参数均获得较高的准确率，得到了较好的估算效果。
中国专利文献CN111738094A公开了一种遥感影像道路自动提取方法及装置，其中，所述方法包括：对待提取道路影像进行分块，获得影像块；对影像块的边缘进行平行线检测，获取影像块边缘的平行线；利用方向线纹理特征对所述平行线进行判断以确定道路位置，从而确定影像块中的道路起始位置，获得影像块中起始道路位置的起始宽度、道路方向及道路中心点；根据道路的起始宽度、道路方向及道路中心点确定可变带宽的道路追踪模板，利用可变带宽的道路追踪模板从道路起始位置开始进行道路追踪，确定影像块中的道路；合并影像块，将每一个影像块中的道路联接，确定待提取道路影像中的道路。综合利用了传统半自动提取算法中模板匹配算法的优势和自动算法高效率无需人工干预的优点，能准确高效的提取道路。
中国专利文献CN113128405A公开了一种结合语义分割与点云处理的植物识别与模型构建方法，包括：1、根据倾斜摄影所得地景图像生成正射影像；2、训练深度学习网络，由神经网络对正射影像进行语义分割识别植物区域；3、生成图像对应的点云，通过坐标系转换实现点云数据与正射影像的坐标对应；4、分割点云数据，获取植物区域点云；5、结合倾斜摄影图像、点云数据，通过k-means点云聚类、目标检测等方法进一步识别植物种类；6、建立植物模型库；7、对植物区域点云进行处理，确定其包含的植物种类、位置、尺寸等参数，导入植物模型对点云进行替换；8、将植物模型转换为所需格式。
由于高分辨率影像中包含了丰富的地物信息，故本发明在设计算法提取道路时，既要考虑剔除这些地物的干扰，又要考虑算法能否高效的提取道路问题，以及算法适用性、准确性等方面。这些都使得从高分辨率遥感影像中提取道路特征的自动化算法设计变得十分困难。基于LiDAR点云提取道路时，由于点云数据量较大，同样存在着计算耗时长，提取效率低的问题。融合遥感影像和点云数据提取道路的方法中，多以点云提取的道路点作为影像提取道路像素的种子点，没有充分利用点云和影像的数据特点，导致提取的道路网完整率低。
因此，本发明针对基站设备接收到的用户数据，研究提出一种基于低空航摄成果自动化编译高精地图道路参考线的方法，充分发挥大数据的优势，利用数据间的关联关系，重点分析和解决各种复杂场景下用户分布的实际数量问题。
发明内容
本发明的目的是提供一种基于低空航摄成果自动化编译高精地图道路参考线的方法，自动化编译道路参考线，提高了高精地图作业的效率，降低了作业成本。
为了解决上述技术问题，本发明采用的技术方案为：基于低空航摄成果自动化编译高精地图道路参考线的方法，具体包括以下步骤：
S1数据预处理：通过对目标区域进行测量获得目标区域的影像数据，输出相应的成果数据，并对成果数据进行裁切，得到道路部分的成果数据；
S2提取车道线：对步骤S1中获取的道路部分的成果数据进行粗分割，分离车道及背景，再去噪后进行矢量化处理得到道路边界数据；
S3高精地图车道线解译：先利用格网对道路边界数据进行分割，再在每个格网内提取车道线暂定中心线，再利用车道线接续算法对车道线暂定中心线进行追踪连接；后再通过数字地表模型DSM获取车道线中心线的高程值，从而得到完整的道路参考线。
采用上述技术方案，通过低空航摄成果进行预处理，对粗分割的影像进行去噪，并提取车道线矢量数据，利用格网对实线车道线进行分割和提取，对虚线的车道线进行提取，再以中心线计算算法计算和追踪连接后，利用数字地表模型DSM对连接结果进行高程赋值，形成最终的道路参考线。采用无人机航摄影像进行道路提取，保证数据高精度的同时，既提升了数据获取的便利性，又降低了获取成本；通过算法自动提取道路参考线，解决了传统方法参考线提取自动化程度过低的问题。
作为本发明的优选技术方案，所述步骤S1中的成果数据包括DOM成果数据和DSM成果数据，数据预处理的具体步骤包括：
S11：布设像控点并测量像控点，同时进行无人机航空测量，获得目标区域的影像数据，采用三维建模进行数据处理，输出DOM成果数据和DSM成果数据；
S12：利用合并图层对对生成DOM成果数据和DSM成果数据进行裁剪，保留DOM成果数据和DSM成果数据中的道路部分的影像数据，形成道路部分的成果数据。其中DOM指Digital Orthophoto Map，数字正射影像图，缩写为DOM；DSM指Digital Surface Model，数字地表模型，缩写为DSM。
作为本发明的优选技术方案，所述步骤S2的具体步骤为：
S21粗分割：先将DOM成果数据转化成灰度图，再设置阈值并利用阈值对步骤S1中获得的道路部分的成果数据进行粗分割，将灰度值高于阈值的部分设置为白色，否则为黑色，从而实现车道线的粗分割；
S22去除噪声：对步骤S21中粗分割后的成果数据通过形态学算子及面积因子，分别实现点状及面状噪声的去除，获得去除噪声的结果图；
S23矢量化：在步骤S22中得到的结果图中利用白色及黑色分别表示车道线及背景，搜索区块边界点即可得到车道线矢量化结果。其中将DOM成果数据转化成灰度图之后，车道线呈现亮色，而背景呈现暗色，灰度值存在明显差异，基于此特性，经多次试验之后，将阈值设置为240。
但在成像因素、路面车辆、路边建筑物等因素的影响下，经粗分割后，车道线部分存在明显的点状及面状噪声，同时，面状噪声的面积明显大于道路车道线，基于此特性，本发明通过形态学算子及面积因子两种方法，实现分别实现点状及面状噪声的去除。
作为本发明的优选技术方案，所述步骤S3的具体步骤为：
S31格网分割：在得到车道线矢量化结果后，以交通要素属性表中“路宽”字段值的一半为格网边长，建立覆盖所有车道线的格网，利用该格网对车道线矢量化结果的图层进行分割，分割后车道线与格网的位置关系包括长实线和虚线；
S32提取车道线暂定中心线：针对长实线和虚线分别提取车道线暂定中心线，分别获得每个格网内的长实线的车道线暂定中心线和虚线的车道线暂定中心线；
S33暂定中心线的追踪连接：再利用车道线接续算法对步骤S32中获得的各个车道线暂定中心线进行追踪并连接，从而完成车道线中心线的提取；
S34最终车道中心线的高程赋值：将连接后的车道线中心线叠加在DSM成果数据上，根据连接后的车道线中心线的每个节点的平面坐标，在空间上找到对应的DSM栅格，并将该DSM栅格的高程值赋值给该节点，从而获取完整的有高程的道路参考线。
提取之后的道路车道线分为两种，一种是实线，一种是虚线，其矢量图形为由一系列折线首尾相连组成的多边形。而OpenDrive格式高精地图所需的车道线是一条位于车道线中间的折线，一直以来是人工方式绘制而成，所以本发明采用自动编译的方式进行绘制，以提高高精地图车道线编译的效率。
作为本发明的优选技术方案，所述步骤S22的具体步骤为：
S221形态学算子：先利用形态学开运算（先腐蚀后膨胀）滤除宽度小于或等于两个像素的噪声点，再利用形态学闭运算（先膨胀后腐蚀）填充空洞，实现噪声的初步去除，减小对车道线的影响的目的；
S222形状因子：设置比例因子及宽度因子，将设置为白色的区域中长宽比大于比例因子且宽度大于宽度因子的区块去除，即得到最终噪声去除结果图。
作为本发明的优选技术方案，所述步骤S222中将每个连通的白色的区域视为一个区块，计算区块中任意两点距离，取距离最大者为区块长，两者夹角为长度方向；与长度方向垂直的方向为宽度方向，则区块最小外接矩形的长视为区块长，宽视为区块宽，从而获得长宽比；比例因子及宽度因子分别设置为1/20和15。
作为本发明的优选技术方案，所述步骤S32的具体步骤包括：
S321提取长实线的车道线暂定中心线：按照车道线的长实线与某一格网的交点数量n，分为6种情况，当n≤2时，则不对该格网内的车道线进行处理；当n≥3时，利用n个交点Pn的平面坐标值（XPn，YPn）进行判断，提取车道线暂定中心线；
S322提取虚线的车道线暂定中心线：采用矩形边界围合计算中心线算法进行虚线的车道线暂定中心线的提取。
作为本发明的优选技术方案，所述步骤S321中当n≥3时的具体步骤为：
S3211：当n=3时，利用3个交点P0、P1和P2的平面坐标值（X，Y）进行判断：
当YP0=YP2，取P0点与P2点的中点M1；
当XP0=XP1，取P0点与P1点的中点M2；
连接M1点与M2点，提取其连线作为该格网内车道线的暂定中心线；
S3212：当n=4时，利用4个交点P0、P1、P2和P3的平面坐标值（X，Y）进行判断：
当YP0=YP3，取P0点与P3点的中点M1；
当XP1=XP2，取P1点与P2点的中点M2；
再利用中心线计算算法，提取车道线暂定中心线；
S3213：当n=5时，利用5个交点P0、P1、P2、P3和P4的平面坐标值（X，Y）进行判断：当YP2=YP3且XP2=XP1时，选择与P2点相邻的两个交点P1与P3，计算两点间的中点M1，同样计算另外两个交点P0与P4的中点M2；再利用中心线计算算法，提取车道线暂定中心线；
S3214：当n=6时，利用6个交点P0、P1、P2、P3、P4和P5的平面坐标值（X，Y）进行判断：
当YP5=YP0且XP5=XP4时，选择与P5点相邻的两个交点P0与P4，计算两点间的中点M1；
当YP2=YP3且XP2=XP1时，选择与P2点相邻的两个交点P1与P3，计算两点间的中点M2；
同样再利用中心线计算算法，计算格网内的车道线暂定中心线的所有节点，并连接成线，形成车道线暂定中心线。
作为本发明的优选技术方案，所述步骤S322的具体步骤为：
S3221：虚线的车道线矢量图在空间上是由一系列折线首尾连接而成的多边形，遍历多边形的每个顶点的坐标，寻找纵坐标方向上的最大值Ymax和最小值Ymin，以及横坐标方向上的最大值Xmax和最小值Xmin，组成矩形边界，且对单个虚线的图形进行围合；
S3222：分别计算SY=
和SX=
，将若SX、SY与进行比较，若SX或SY=
，则连接中点形成该虚线的车道线暂定中心线；若SY或SX≠
，则该虚线的车道线为倾斜状态，则利用中心线计算算法寻找该虚线的车道线暂定中心线。
作为本发明的优选技术方案，所述步骤S33利用车道线连续算法对各个车道线暂定中心线进行追踪并连接的具体步骤为：
S331：依据当前获得的车道线暂定中心线的片段，获取基准点及道路方向；
S332：以当前跟踪点为基础，在道路方向的左右α范围内，每0.5°设置一条射线，并在道路的两条方向线之间进行道路段搜索；
S333：以α、α-0.5°、α+0.5°、α-1°、α+1°、…、α+12°的顺序进行搜索，若射线接触到车道线暂定中心线的片段，则将当前道路段和搜索获取的车道线暂定中心线的片段作为同一车道线中心线进行连接，否则，认为已达此段道路尽头或车道线中心线中断，不再继续进行连接。
S334：重复步骤S331-S333，直至该条车道线中心线连接完毕或到达图像边界，则完成车道线中心线的提取。
与现有技术相比，该技术方案具有的有益效果为：
（1）本发明利用低空摄影测量成果进行车道线的提取方法，大大提高了高精地图作业的效率，降低了作业成本；
（2）通过粗分割、噪声去除、矢量化的方式实现车道线的自动提取，既降低了噪声等因素对车道线中心线提取的影响，又节省了大量的人力成本；
（3）通过格网分割、中心线提取算法、中心线追踪连接、高程赋值等方法实现了道路参考线的自动化编译，既提高了车道线中心线提取结果的正确性、完整性，也为道路高架、立交等复杂场景提供了道路参考线编译的解决方案。
以低空无人机航测生成的DSM和DOM为数据源，按照OpenDrive格式的要求，自动化编译道路参考线；提高了高精地图作业的效率，降低了作业成本；通过粗分割、噪声去除、矢量化的方式实现车道线的自动提取，既降低了噪声等因素对车道线中心线提取的影响，又节省了大量的人力成本。通过低空航摄成果进行预处理，采用形态学算子和形状因子对粗分割的影像进行去噪，并提取车道线矢量数据，利用格网对实线车道线进行分割和提取、利用最大矩形法对虚线的车道线进行提取，再以中心线计算算法计算和追踪连接后，利用数字地表模型DSM对连接结果进行高程赋值，形成最终的道路参考线。采用无人机航摄影像进行道路提取，保证数据高精度的同时，既提升了数据获取的便利性，又降低了获取成本；通过算法自动提取道路参考线，解决了传统方法参考线提取自动化程度过低的问题。
附图说明
图1为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的流程图；
图2a-图2b 为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法中原始DOM、DSM成果图，其中，图2a为原始DOM成果图，图2b为原始DSM成果图；
图3a-图3b为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的裁剪后DOM、DSM成果图；其中，图3a为裁剪后DOM成果数据图；图3b为裁剪后DOM成果数据与DSM成果数据的叠加图；
图4a-图4c为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的车道线提取过程图；其中，图4a为原图；图4b为粗分割结果图；图4c为去除噪声结果图；
图5为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的格网分割车道线；
图6a-图6f为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的长实线与格网交点分类图；其中，图6a为n=1；图6b为n=2；图6c为n=3；图6d为n=4；图6e为n=5；6f为n=6；
图7为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的n=3情况下提取的车道线暂定中心线的示意图；
图8为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的当n=4时，沿往方向搜寻节点的示意图；
图9为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的当n=4时，对沿往方向搜寻到的节点进行计算，提取中点的示意图；
图10为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的当n=4时，沿反方向搜寻节点，计算中点的示意图；
图11为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的n=4情况下提取的车道线暂定中心线的示意图；
图12为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的当n=5时，格网内车道线暂定中心线的端点提取的示意图；
图13为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的当n=5时，沿往方向提取格网内车道线暂定中心线的部分节点的示意图；
图14为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的当n=5时，沿反方向提取格网内车道线暂定中心线的部分节点的示意图；
图15为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的n=5情况下提取的车道线暂定中心线的示意图；
图16为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的n=6情况下提取的车道线暂定中心线的示意图；
图17a-图17e为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的GB/T 5768.3-2009中规定的常见虚线的车道线类型图；其中，图17a为可跨越同向虚线的车道线类型一；图17b为可跨越对向虚线的车道线类型；图17c为可跨越同向虚线的车道线类型二；图17d为路口导向线虚线的车道线类型；图17e为左转待转区虚线的车道线类型；
图18为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的计算水平状态下虚线的车道线暂定中心线的示意图；
图19为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的计算竖直状态下虚线的车道线暂定中心线的示意图；
图20为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的车道线暂定中心线提取的示意图；
图21为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的暂定中心线提取结果图；
图22a-图22b为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的断续的暂定中心线的示意图；其中，图22a为相邻格网内长实线车道线暂定中心线提取后出现断续的示意图；图22b为两相邻虚线的车道线暂定中心线提取后出现断续的示意图；
图23为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的车道线接续算法原理图；
图24为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的车道线追踪连接结果图；
图25为本发明的基于低空航摄成果自动化编译高精地图道路参考线的方法的道路参考线结果图（图中黑色实线则为道路参考线）。
具体实施方式
下面将结合本发明的实施例图中的附图，对本发明实施例中的技术方案进行清楚完整对描述。
实施例：如图1所示，该基于低空航摄成果自动化编译高精地图道路参考线的方法，具体包括以下步骤：
S1数据预处理：通过对目标区域进行测量获得目标区域的影像数据，输出相应的成果数据，并对成果数据进行裁切，得到道路部分的成果数据；
所述步骤S1中的成果数据包括DOM成果数据和DSM成果数据，数据预处理的具体步骤包括：
S11：布设像控点并测量像控点，同时进行无人机航空测量，获得目标区域的影像数据，采用三维建模进行数据处理，输出DOM成果数据和DSM成果数据；
（1）像控点布设及测量
参照《1:500 1:1000 1:2000 地形图航空摄影测量外业规范》（GB/T 7931-2008）、《数字航空摄影测量 控制测量规范》（CHT 3006-2011）等相关规范，航摄精度优于5cm，按惯性测量单元（Inertial Measurement Unit，缩写为IMU）与全球定位系统（GlobalPositioning System，缩写为GPS）辅助光束法区域网平差布点要求进行像控点布设（详见图1），测区平面像控点采用统一的区域网布设方案，并要求所有平面控制点均为平高控制点。测区空三加密区域网的划分按航线分布和地形条件划分，力求网的图形呈方形或矩形。
像控点测量采用连续运行卫星定位综合服务系统(Continuously OperatingReference Stations，缩写为CORS)进行观测，观测要求按《全球定位系统实时动态测量（RTK）技术规范》（CH/T 2009-2010）的RTK（Real-Time Kinematic，缩写为RTK）图根点测量要求执行，在能够应用网络RTK定位技术的区域，其定位精度基本能够达到以下的精度指标：平面点位精度=50mm；高程点位精度=50mm。
（2）无人机航空摄影测量
选择地面空旷区域，架设地面基站，采用CORS+PPK（后处理差分技术，PostProcessed Kinematic，缩写为PPK）模式；划定测区后，选定无人机机型和载荷后自动规划航线，使得航向重叠度和旁向重叠度满足GB/T 7931-2008要求。
无人机起飞后自动拍摄测区影像，记录每张影像的位置与姿态（Position andOrientation System，缩写为POS）数据。飞行完毕后，将无人机与电脑连接，导出影像和POS数据，对影像分辨率、重叠度等指标进行质量检查，严禁超限。检查无误后，将基站静态数据、飞机原始GPS数据和RTK轨迹数据导入无人机数据处理软件进行差分解算，解算后的数据方可进行坐标转换，转化为所需的平面坐标。
（3）内业三维建模
将原始影像、差分解算后的POS数据、像控点坐标等数据导入空中三角测量软件进行数据处理，经连接点匹配、控制点刺点、平差优化后，输出空中三角测量报告，检查精度是否满足要求；若不满足需求，则可进行控制点的调整，重复平差优化功能，直至精度符合要求。
空三完成后，即可输出DOM成果数据和DSM成果数据（如图2a、图2b所示）。
S12：利用合并图层对对生成DOM成果数据和DSM成果数据进行裁剪，保留DOM成果数据和DSM成果数据中的道路部分的影像数据，形成道路部分的成果数据；由于生成的DOM成果数据、DSM成果数据为CGCS2000坐标系，投影方式为高斯克吕格，与基本比例尺地形图一致，在ArcGIS软件中，加载DOM、DSM，并将基本比例尺地形图中交通要素（高速公路、国道、省道、县道、乡道、专用公路）叠加显示在影像图上；选择所有图形代码为2（即道路中心线）的要素，以各要素属性表中“路宽”字段值的一半为缓冲区距离建立缓冲区图层（Bufferlayer），并将缓冲区图层与交通要素中图形代码为3的要素（道路范围线构成的面）进行合并运算，形成合并图层（Union layer），目的是为了保证最大程度地对道路路面进行覆盖，以防在裁剪过程中造成道路缺失；利用合并图层对DOM和DSM数据进行裁剪，只保留DOM成果数据和DSM成果数据中的道路部分，形成道路的DOM和DSM成果数据（如图3a、3b所示）；
S2提取车道线：对步骤S1中获取的道路部分的成果数据进行粗分割，分离车道及背景，再去噪后进行矢量化处理得到道路边界数据；
所述步骤S2的具体步骤为：
S21粗分割：先将DOM成果数据转化成灰度图，再设置阈值并利用阈值对步骤S1中获得的道路部分的成果数据进行粗分割，将灰度值高于阈值的部分设置为白色，否则为黑色，从而实现车道线的粗分割；其中将DOM成果数据转化成灰度图之后，车道线呈现亮色，而背景呈现暗色，灰度值存在明显差异，基于此特性，经多次试验之后，将阈值设置为240；图4a为粗分割结果图；
S22去除噪声：对步骤S21中粗分割后的成果数据通过形态学算子及面积因子，分别实现点状及面状噪声的去除，获得去除噪声的结果图；由图4a可以看出，在成像因素、路面车辆、路边建筑物等因素的影响下，经粗分割后，车道线部分存在明显的点状及面状噪声，同时，面状噪声的面积明显大于道路车道线，基于此特性，本发明通过形态学算子及面积因子两种方法，实现分别实现点状及面状噪声的去除；
所述步骤S22的具体步骤为：
S221形态学算子：先利用形态学开运算（先腐蚀后膨胀）滤除宽度小于或等于两个像素的噪声点，再利用形态学闭运算（先膨胀后腐蚀）填充空洞，实现噪声的初步去除本发明利用影像图的分辨率为0.02米，实验对象为快速路、主干路及次干路，而通过《道路交通标志和标线 第3部分：道路交通标线（GB 5768.3-2009）》规范，车道线宽度通常为0.1-0.2米，加之道路倾斜角度等原因，影像中车道线宽度通常占5-15像素，在形态学开闭运算中，本文将其结构元设置为3*3，以达到在去除噪声的同时，减小对车道线的影响的目的；
S222形状因子：设置比例因子及宽度因子，将设置为白色的区域中长宽比大于比例因子且宽度大于宽度因子的区块去除，即得到最终噪声去除结果图。
所述步骤S222中将每个连通的白色的区域视为一个区块，计算区块中任意两点距离，取距离最大者为区块长，两者夹角为长度方向；与长度方向垂直的方向为宽度方向，则区块最小外接矩形的长视为区块长，宽视为区块宽，从而获得长宽比；比例因子及宽度因子分别设置为1/20和15；通过大量的观察、分析、实验，车道线呈现狭长特性，在图4a-图4c中，车道线的宽长比不大于1/20，同时，宽度通常在5-15个像素左右，考虑到误差因素的影响，不会出现大于15个像素的情况，本发明以裁切后DOM成果数据中的一个路段作为实验数据，验证本发明算法的可靠性；图4a为原图，图4b为粗分割结果图，图4c为噪声去除结果图；
S23矢量化：在步骤S22中得到的结果图中利用白色及黑色分别表示车道线及背景，搜索区块边界点即可得到车道线矢量化结果；
S3高精地图车道线解译：先利用格网对道路边界数据进行分割，再在每个格网内提取车道线暂定中心线，再利用车道线接续算法对车道线暂定中心线进行追踪连接；后再通过数字地表模型DSM获取车道线中心线的高程值，从而得到完整的道路参考线；提取之后的道路车道线分为两种，一种是实线，一种是虚线，其矢量图形为由一系列折线首尾相连组成的多边形；而OpenDrive格式高精地图所需的车道线是一条位于车道线中间的折线，一直以来是人工方式绘制而成，所以本发明采用自动编译的方式进行绘制，以提高高精地图车道线编译的效率；
所述步骤S3的具体步骤为：
S31格网分割：在得到车道线矢量化结果后，以交通要素（高速公路、国道、省道、县道、乡道、专用公路）属性表中“路宽”字段值的一半为格网边长，建立覆盖所有车道线的格网，利用该格网对车道线矢量化结果的图层进行分割（如图5所示），分割后车道线与格网的位置关系包括长实线和虚线；
S32提取车道线暂定中心线：针对长实线和虚线分别提取车道线暂定中心线，分别获得每个格网内的长实线的车道线暂定中心线和虚线的车道线暂定中心线；
所述步骤S32的具体步骤包括：
S321提取长实线的车道线暂定中心线：按照车道线的长实线与某一格网的交点数量n，分为6种情况（如图6a-6f所示），当n≤2时，则不对该格网内的车道线进行处理；当n≥3时，利用n个交点Pn的平面坐标值（XPn，YPn）进行判断，提取车道线暂定中心线；
所述步骤S321中当n≥3时的具体步骤为：
S3211：当n=3时，利用3个交点P0、P1和P2的平面坐标值（X，Y）进行判断：
当YP0=YP2，取P0点与P2点的中点M1；
当XP0=XP1，取P0点与P1点的中点M2；
连接M1点与M2点，提取其连线作为该格网内车道线的暂定中心线（如图7中画双点线）；
S3212：当n=4时，利用4个交点P0、P1、P2和P3的平面坐标值（X，Y）进行判断：
当YP0=YP3，取P0点与P3点的中点M1；
当XP1=XP2，取P1点与P2点的中点M2；
再利用中心线计算算法，提取车道线暂定中心线，具体步骤为：
从P0点开始，依次寻找多边形P0P1P2P3多边形上的下一个节点，若下一个阶段为P3，则转为相反方向（即图8中黑色箭头方向），即只能寻找到T1；再以T1为起点，沿同一方向寻找下一节点T2，依次类推，直到寻找到P1；
从P3开始，依次寻找多边形P0P1P2P3多边形上的下一个节点，若下一个阶段为P0，则转为相反方向（即图8中黑色箭头方向），即只能寻找到J1；再以J1为起点，沿同一方向寻找到下一节点J2，依次类推，一直往下遍历；
以上两步同时开展，每次寻找到的两个节点，根据其平面坐标，计算选取两者的中点，如T1和J1的中点L1，T2和J2的中点L2，依次类推（如图9）；当P0P1上的节点数少于P3P2上的节点时，P0点首先寻找到P1点结束，而P3点只寻找到J2点也同样结束，保持两者寻找的次数相等；当到达最后一个节点P1时，此时并不计算P1与J3的中点，而直接结束；
接下来，需要从P1和P2开始，用以上同样的方法，沿非彼此方向依次寻找线P1P0和线P2P3上的下一个节点：
从P1开始，依次寻找多边形P0P1P2P3多边形上的下一个节点，若下一个阶段为P2，则转为相反方向（图10中白色箭头方向），即只能寻找到T2；再以T2为起点，沿同一方向寻找到下一节点T1，依次类推，一直往下寻找；
从P2开始，依次寻找多边形P0P1P2P3多边形上的下一个节点，若下一个阶段为P1，则转为相反方向（图10中白色箭头方向），即只能寻找到J4；再以J4为起点，沿同一方向寻找到下一节点J3，依次类推，一直往下寻找，直到寻找到黑色箭头方向寻找到的最后一个节点J3时停止；
同样计算每次寻找到的两个节点的中点，如T2和J4的中点Ln，T1和J3的中点Ln-1，依次类推，直至停止（如图10），这样可保证白色箭头方向计算的中点不会出现在黑色箭头方向计算的中点之间，如Ln-1不会出现在L1和L2之间，对接下来的连接中点操作更加便利；
从M1开始，依次连接每次计算的中点，L1、L2等，再连接白色箭头方向计算的Ln-1、Ln，最后连接到M2，形成该格网内车道线的暂定中心线（如图11中的画双点线）；
S3213：当n=5时，利用5个交点P0、P1、P2、P3和P4的平面坐标值（X，Y）进行判断：当YP2=YP3且XP2=XP1时，选择与P2点相邻的两个交点P1与P3，计算两点间的中点M1，同样计算另外两个交点P0与P4的中点M2（如图12）；再利用中心线计算算法，提取车道线暂定中心线，具体步骤为：
从P0点开始，依次寻找多边形P0P1P2P3P4多边形上的下一个节点，若下一个阶段为P4，则转为相反方向（即图13中黑色箭头方向），即只能寻找到T1；再以T1为起点，沿同一方向寻找下一节点T2，依次类推，直到寻找到P1；
从P4开始，依次寻找多边形P0P1P2P3P4多边形上的下一个节点，若下一个阶段为P0，则转为相反方向（即图13中黑色箭头方向），即只能寻找到J1；再以J1为起点，沿同一方向寻找到下一节点J2，依次类推，一直往下遍历（如图13）；
以上两步同时开展，每次寻找到的两个节点，根据其平面坐标，计算选取两者的中点，如T1和J1的中点L1，T2和J2的中点L2，依次类推（如图13）；当P0P1上的节点数少于P4P3上的节点时，P0点首先寻找到P1点结束，而P3点只寻找到J4点也同样结束，保持两者寻找的次数相等；当到达最后一个节点P1时，此时并不计算P1与J4的中点，而直接结束；
接下来，需要从P1和P3开始，用以上同样的方法，沿非P2点方向依次寻找线P1P0和线P3P4上的下一个节点：
从P1开始，依次寻找多边形P0P1P2P3P4多边形上的下一个节点，若下一个阶段为P2，则转为相反方向（反方向，即图14中白色箭头方向），即只能寻找到T3；再以T3为起点，沿同一方向寻找到下一节点T2，依次类推，一直往下寻找；
从P3开始，依次寻找多边形P0P1P2P3P4多边形上的下一个节点，若下一个阶段为P2，则转为相反方向（反方向，即图14中白色箭头方向），即只能寻找到J4；再以J4为起点，沿同一方向寻找到下一节点J3，依次类推，一直往下寻找，直到寻找到黑色箭头方向寻找到的最后一个节点时停止；
同样计算每次寻找到的两个节点的中点，如T3和J4的中点Ln，依次类推，直至停止（如图14），这样可保证白色箭头方向计算的中点不会出现在黑色箭头方向计算的中点之间；
从M1开始，依次连接每次计算的中点，L1、L2等，再连接白色箭头方向计算的Ln，最后连接到M2，形成该格网内车道线的暂定中心线（如图15中的画双点线）；
S3214：当n=6时，利用6个交点P0、P1、P2、P3、P4和P5的平面坐标值（X，Y）进行判断：
当YP5=YP0且XP5=XP4时，选择与P5点相邻的两个交点P0与P4，计算两点间的中点M1；
当YP2=YP3且XP2=XP1时，选择与P2点相邻的两个交点P1与P3，计算两点间的中点M2；
同样再利用中心线计算算法，计算格网内的车道线暂定中心线的所有节点，并连接成线，形成车道线暂定中心线（如图16中的画双点线）；
S322提取虚线的车道线暂定中心线：按照《道路交通标志和标线 第3部分：道路交通标线》（GB/T 5768.3-2009）中对虚线的车道线的规定，其线长和线宽分为如图17a-17e所示的几类；由此可见虚线长度最大为600cm，这对于长度为道路一半宽度的格网边长来说实在太小，若仍使用格网分割，往往大部分情况下，虚线与格网没有交点，很难通过中心线计算算法寻找到车道线暂定中心线，故采用矩形边界围合计算中心线算法进行车道线暂定中心线的提取；其中虚线的处理分为两种：①当单个虚线长度超过格网边长时，可参照长实线的分类情况进行分类；②当单个虚线长度小于格网边长时，由于分类情况较为复杂无需进行分类；
所述步骤S322的具体步骤为：
S3221：虚线的车道线矢量图在空间上是由一系列折线首尾连接而成的多边形，遍历多边形的每个顶点的坐标，寻找纵坐标方向上的最大值Ymax和最小值Ymin，以及横坐标方向上的最大值Xmax和最小值Xmin，组成矩形边界，且对单个虚线的图形进行围合；
S3222：分别计算SY=
和SX=
，将若SX、SY与进行比较，若SX或SY=
，则连接中点形成该虚线的车道线暂定中心线；若SY或SX≠
，则该虚线的车道线为倾斜状态，则利用中心线计算算法寻找该虚线的车道线暂定中心线；
若SY=
，则虚线的车道线正好水平，则计算横坐标相等的P1和P3（XP1=XP3）中点L1，以及横坐标相等的P2和P4（XP2=XP4）中点L2，连接L1L2形成该虚线的车道线暂定中心线（如图18中的画双点线）；
若SX=
，则该虚线的车道线正好竖直，则计算纵坐标相等的P1和P4（YP1=YP4）中点L1，以及纵坐标相等的P2和P3（YP2=YP4）中点L2，连接L1L2形成该虚线的车道线暂定中心线（如图19中的画双点线）；
若SY或SX≠
，则该虚线的车道线为倾斜状态，则利用中心线计算算法寻找该虚线的车道线暂定中心线（如图20中画双点线）；
S33暂定中心线的追踪连接：再利用车道线接续算法对步骤S32中获得的各个车道线暂定中心线进行追踪并连接，从而完成车道线中心线的提取；基于噪声等因素的影响，提取的线段并不完整（如图22a、22b所示，图22a中相邻格网内长实线车道线暂定中心线提取后出现断续；图22b中两相邻虚线的车道线暂定中心线提取后出现断续），往往无法表示整个车道线的全部情形，因此需要将各暂定中心线的片段进行连接；在通常情况下，道路并不是严格的直线，但基于车辆行驶因素等考虑，在非十字路口区域，道路在局部范围内转角较小，相邻两个车道线中心线与水平方向形成的角度差并不会很大，基于此原理，本发明设计车道线接续算法，实现车道线片段的连接；将相邻虚线的车道线断裂视为实线车道线断续的一种特例（即等间距断续），图23中以虚线的车道线中心线为例，进行车道线接续算法原理展示，上下两条黑色的线为道路边界线，中间黑色虚线为虚线的车道线中心线，所述步骤S33利用车道线连续算法对各个车道线暂定中心线进行追踪并连接的具体步骤为：
S331：依据当前获得的车道线暂定中心线的片段，获取基准点及道路方向；图23中，黑色的点为基准点，灰色的点为待连接点，θ方向为道路方向（车道线暂定中心线片段与水平方向的夹角）；
S332：以当前跟踪点为基础，在道路方向的左右α范围内，每0.5°设置一条射线，如图23所示，在道路的两条方向线之间进行道路段搜索；
S333：以α、α-0.5°、α+0.5°、α-1°、α+1°、…、α+12°的顺序进行搜索，若射线接触到车道线暂定中心线的片段，则将当前道路段和搜索获取的车道线暂定中心线的片段作为同一车道线中心线进行连接，否则，认为已达此段道路尽头或车道线中心线中断，不再继续进行连接。
S334：重复步骤S331-S333，直至该条车道线中心线连接完毕或到达图像边界，则完成车道线中心线的提取；根据《道路交通标志和标线 第3部分：道路交通标线（GB5768.3-2009）》，可跨越同向车道线共有两种规格其车道线段间距和每段长度分别为4m、2m及9m、6m，有鉴于此，而根据《城市道路工程设计规范（CJJ 37-2012）》，本发明主要针对快速路、主干路及次干路，最小设计时速为30km/h，设超高最小半径值为40m，在此条件下，此段道路线终点与下段车道线起点间的最大距离为9m，下段道路的起点与当前车道线延长线的距离最大值为2.8m，相邻两车道线与水平方向夹角差值最大为10.77°，考虑到误差因素的影响，本发明将角度设置为搜索距离设置为15m（750像素），搜索角度α设置为12°；图24为车道线追踪连接结果图；
S34最终车道中心线的高程赋值：将连接后的车道线中心线叠加在DSM成果数据上，根据连接后的车道线中心线的每个节点的平面坐标，在空间上找到对应的DSM栅格，并将该DSM栅格的高程值赋值给该节点，从而获取完整的有高程的道路参考线（如图25所示）。
本文所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或说明或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求述所定义的范围。
Claims (10)
1.一种基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，具体包括以下步骤：
S1数据预处理：通过对目标区域进行测量获得目标区域的影像数据，输出相应的成果数据，并对成果数据进行裁切，得到道路部分的成果数据；
S2提取车道线：对步骤S1中获取的道路部分的成果数据进行粗分割，分离车道及背景，再去噪后进行矢量化处理得到道路边界数据；
S3高精地图车道线解译：先利用格网对道路边界数据进行分割，再在每个格网内提取车道线暂定中心线，再利用车道线接续算法对车道线暂定中心线进行追踪连接；后再通过数字地表模型DSM获取车道线中心线的高程值，从而得到完整的道路参考线。
2.根据权利要求1所述的基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，所述步骤S1中的成果数据包括DOM成果数据和DSM成果数据，数据预处理的具体步骤包括：
S11：布设像控点并测量像控点，同时进行无人机航空测量，获得目标区域的影像数据，采用三维建模进行数据处理，输出DOM成果数据和DSM成果数据；
S12：利用合并图层对生成DOM成果数据和DSM成果数据进行裁剪，保留DOM成果数据和DSM成果数据中的道路部分的影像数据，形成道路部分的成果数据。
3.根据权利要求2所述的基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，所述步骤S2的具体步骤为：
S21粗分割：先将DOM成果数据转化成灰度图，再设置阈值并利用阈值对步骤S1中获得的道路部分的成果数据进行粗分割，将灰度值高于阈值的部分设置为白色，否则为黑色，从而实现车道线的粗分割；
S22去除噪声：对步骤S21中粗分割后的成果数据通过形态学算子及面积因子，分别实现点状及面状噪声的去除，获得去除噪声的结果图；
S23矢量化：在步骤S22中得到的结果图中利用白色及黑色分别表示车道线及背景，搜索区块边界点即可得到车道线矢量化结果。
4.根据权利要求3所述的基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，所述步骤S3的具体步骤为：
S31格网分割：在得到车道线矢量化结果后，以交通要素属性表中“路宽”字段值的一半为格网边长，建立覆盖所有车道线的格网，利用该格网对车道线矢量化结果的图层进行分割，分割后车道线与格网的位置关系包括长实线和虚线；
S32提取车道线暂定中心线：针对长实线和虚线分别提取车道线暂定中心线，分别获得每个格网内的长实线的车道线暂定中心线和虚线的车道线暂定中心线；
S33暂定中心线的追踪连接：再利用车道线接续算法对步骤S32中获得的各个车道线暂定中心线进行追踪并连接，从而完成车道线中心线的提取；
S34最终车道中心线的高程赋值：将连接后的车道线中心线叠加在DSM成果数据上，根据连接后的车道线中心线的每个节点的平面坐标，在空间上找到对应的DSM栅格，并将该DSM栅格的高程值赋值给该节点，从而获取完整的有高程的道路参考线。
5.根据权利要求4所述的基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，所述步骤S22的具体步骤为：
S221形态学算子：先利用形态学开运算滤除宽度小于或等于两个像素的噪声点，再利用形态学闭运算填充空洞，实现噪声的初步去除；
S222形状因子：设置比例因子及宽度因子，将设置为白色的区域中长宽比大于比例因子且宽度大于宽度因子的区块去除，即得到最终噪声去除结果图。
6.根据权利要求5所述的基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，所述步骤S222中将每个连通的白色的区域视为一个区块，计算区块中任意两点距离，取距离最大者为区块长，两者夹角为长度方向；与长度方向垂直的方向为宽度方向，则区块最小外接矩形的长视为区块长，宽视为区块宽，从而获得长宽比；比例因子及宽度因子分别设置为1/20和15。
7.根据权利要求6所述的基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，所述步骤S32的具体步骤包括：
S321提取长实线的车道线暂定中心线：按照车道线的长实线与某一格网的交点数量n，分为6种情况，其中当n≤2时，则不对该格网内的车道线进行处理；当n≥3时，利用n个交点Pn的平面坐标值（XPn，YPn）进行判断，提取车道线暂定中心线；
S322提取虚线的车道线暂定中心线：采用矩形边界围合计算中心线算法进行虚线的车道线暂定中心线的提取。
8.根据权利要求7所述的基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，所述步骤S321中当n≥3时的具体步骤为：
S3211：当n=3时，利用3个交点P0、P1和P2的平面坐标值（X，Y）进行判断：
当YP0=YP2，取P0点与P2点的中点M1；
当XP0=XP1，取P0点与P1点的中点M2；
连接M1点与M2点，提取其连线作为该格网内车道线的暂定中心线；
S3212：当n=4时，利用4个交点P0、P1、P2和P3的平面坐标值（X，Y）进行判断：
当YP0=YP3，取P0点与P3点的中点M1；
当XP1=XP2，取P1点与P2点的中点M2；
再利用中心线计算算法，提取车道线暂定中心线；
S3213：当n=5时，利用5个交点P0、P1、P2、P3和P4的平面坐标值（X，Y）进行判断：当YP2=YP3且XP2=XP1时，选择与P2点相邻的两个交点P1与P3，计算两点间的中点M1，同样计算另外两个交点P0与P4的中点M2；再利用中心线计算算法，提取车道线暂定中心线；
S3214：当n=6时，利用6个交点P0、P1、P2、P3、P4和P5的平面坐标值（X，Y）进行判断：
当YP5=YP0且XP5=XP4时，选择与P5点相邻的两个交点P0与P4，计算两点间的中点M1；
当YP2=YP3且XP2=XP1时，选择与P2点相邻的两个交点P1与P3，计算两点间的中点M2；
同样再利用中心线计算算法，计算格网内的车道线暂定中心线的所有节点，并连接成线，形成车道线暂定中心线。
9.根据权利要求7所述的基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，所述步骤S322的具体步骤为：
S3221：虚线的车道线矢量图在空间上是由一系列折线首尾连接而成的多边形，遍历多边形的每个顶点的坐标，寻找纵坐标方向上的最大值Ymax和最小值Ymin，以及横坐标方向上的最大值Xmax和最小值Xmin，组成矩形边界，且对单个虚线的图形进行围合；
S3222：分别计算SY=
和SX=
，将若SX、SY与进行比较，若SX或SY=
，则连接中点形成该虚线的车道线暂定中心线；若SY或SX≠
，则该虚线的车道线为倾斜状态，则利用中心线计算算法寻找该虚线的车道线暂定中心线。
10.根据权利要求7所述的基于低空航摄成果自动化编译高精地图道路参考线的方法，其特征在于，所述步骤S33的具体步骤为：
S331：依据当前获得的车道线暂定中心线的片段，获取基准点及道路方向；
S332：以当前跟踪点为基础，在道路方向的左右α范围内，每0.5°设置一条射线，并在道路的两条方向线之间进行道路段搜索；
S333：以α、α-0.5°、α+0.5°、α-1°、α+1°、…、α+12°的顺序进行搜索，若射线接触到车道线暂定中心线的片段，则将当前道路段和搜索获取的车道线暂定中心线的片段作为同一车道线中心线进行连接，否则，认为已达此段道路尽头或车道线中心线中断，不再继续进行连接；
S334：重复步骤S331-S333，直至该条车道线中心线连接完毕或到达图像边界，则完成车道线中心线的提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211229292.7A CN115294293B (zh) | 2022-10-08 | 2022-10-08 | 基于低空航摄成果自动化编译高精地图道路参考线的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211229292.7A CN115294293B (zh) | 2022-10-08 | 2022-10-08 | 基于低空航摄成果自动化编译高精地图道路参考线的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115294293A true CN115294293A (zh) | 2022-11-04 |
| CN115294293B CN115294293B (zh) | 2023-03-24 |
Family
ID=83819300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211229292.7A Active CN115294293B (zh) | 2022-10-08 | 2022-10-08 | 基于低空航摄成果自动化编译高精地图道路参考线的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115294293B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593413A (zh) * | 2024-01-12 | 2024-02-23 | 航天宏图信息技术股份有限公司 | 基于道路几何矢量追踪的道路赋值方法、装置及设备 |
| CN117808703A (zh) * | 2024-02-29 | 2024-04-02 | 南京航空航天大学 | 一种多尺度大型部件装配间隙点云滤波方法 |
| CN117808703B (zh) * | 2024-02-29 | 2024-05-10 | 南京航空航天大学 | 一种多尺度大型部件装配间隙点云滤波方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596165A (zh) * | 2018-08-21 | 2018-09-28 | 湖南鲲鹏智汇无人机技术有限公司 | 基于无人机低空航拍图像的道路交通标线检测方法及系统 |
| CN112614206A (zh) * | 2020-12-14 | 2021-04-06 | 中国城市规划设计研究院 | 道路中心线提取方法和装置 |
| CN112801075A (zh) * | 2021-04-15 | 2021-05-14 | 速度时空信息科技股份有限公司 | 基于航摄影像的农村道路边界线的自动提取方法 |
| CN114494617A (zh) * | 2021-12-27 | 2022-05-13 | 中智行(苏州)科技有限公司 | 一种车道线自动提取方法 |
| CN114510761A (zh) * | 2022-01-24 | 2022-05-17 | 湖南省第一测绘院 | 一种消除dsm中道路面高程异常的方法 |
-
2022
- 2022-10-08 CN CN202211229292.7A patent/CN115294293B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596165A (zh) * | 2018-08-21 | 2018-09-28 | 湖南鲲鹏智汇无人机技术有限公司 | 基于无人机低空航拍图像的道路交通标线检测方法及系统 |
| CN112614206A (zh) * | 2020-12-14 | 2021-04-06 | 中国城市规划设计研究院 | 道路中心线提取方法和装置 |
| CN112801075A (zh) * | 2021-04-15 | 2021-05-14 | 速度时空信息科技股份有限公司 | 基于航摄影像的农村道路边界线的自动提取方法 |
| CN114494617A (zh) * | 2021-12-27 | 2022-05-13 | 中智行(苏州)科技有限公司 | 一种车道线自动提取方法 |
| CN114510761A (zh) * | 2022-01-24 | 2022-05-17 | 湖南省第一测绘院 | 一种消除dsm中道路面高程异常的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李磊: "一种基于无人机倾斜摄影的三维路网提取方法", 《中国公路学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593413A (zh) * | 2024-01-12 | 2024-02-23 | 航天宏图信息技术股份有限公司 | 基于道路几何矢量追踪的道路赋值方法、装置及设备 |
| CN117593413B (zh) * | 2024-01-12 | 2024-04-16 | 航天宏图信息技术股份有限公司 | 基于道路几何矢量追踪的道路赋值方法、装置及设备 |
| CN117808703A (zh) * | 2024-02-29 | 2024-04-02 | 南京航空航天大学 | 一种多尺度大型部件装配间隙点云滤波方法 |
| CN117808703B (zh) * | 2024-02-29 | 2024-05-10 | 南京航空航天大学 | 一种多尺度大型部件装配间隙点云滤波方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115294293B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zai et al. | 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts | |
| CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
| Hinz et al. | Automatic extraction of urban road networks from multi-view aerial imagery | |
| CN104123730A (zh) | 基于道路特征的遥感影像与激光点云配准方法及系统 | |
| CN101980317A (zh) | 基于改进c-v模型的遥感图路网提取的交通流量预测方法 | |
| Trinder et al. | Knowledge-based road interpretation in aerial images | |
| CN115131669A (zh) | 多源数据协同的人车路网一体化构建方法 | |
| CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
| CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
| Zhou et al. | Highway alignments extraction and 3D modeling from airborne laser scanning point clouds | |
| Liu et al. | Image-translation-based road marking extraction from mobile laser point clouds | |
| Badenko et al. | Comparison of software for airborne laser scanning data processing in smart city applications | |
| Hu et al. | Building modeling from LiDAR and aerial imagery | |
| Alshaiba et al. | Automatic manhole extraction from MMS data to update basemaps | |
| CN112435336B (zh) | 一种弯道类型识别方法、装置、电子设备及存储介质 | |
| CN114092658A (zh) | 一种高精度的地图构建方法 | |
| Forlani et al. | Building reconstruction and visualization from lidar data | |
| Baltsavias | Object extraction and revision by image analysis using existing geospatial data and knowledge: state-of-the-art and steps towards operational systems | |
| CN114820931B (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 | |
| Lee et al. | Determination of building model key points using multidirectional shaded relief images generated from airborne LiDAR data | |
| CN115690138A (zh) | 一种融合车载影像与点云的道路边界提取与矢量化方法 | |
| Zhu | A pipeline of 3D scene reconstruction from point clouds | |
| CN114659513A (zh) | 一种面向非结构化道路的点云地图构建与维护方法 | |
| Liu et al. | An automatic method for road centerline extraction from post-earthquake aerial images | |
| Shi et al. | Lane-level road network construction based on street-view images |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee after: Speed Technology Co.,Ltd. Address before: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee before: SPEED TIME AND SPACE INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Wei Inventor after: Sun Jun Inventor after: Feng Jianliang Inventor after: He Hai Inventor after: Zhang Guangsi Inventor after: Zhu Tingting Inventor before: Zhang Wei Inventor before: Sun Jun Inventor before: Feng Jianliang Inventor before: He Hai Inventor before: Zhang Guangsi Inventor before: Zhu Tingting |
|
| CB03 | Change of inventor or designer information |