CN117496517A - 一种城市级实景三维建设中激光雷达智慧管控方法及系统 - Google Patents

一种城市级实景三维建设中激光雷达智慧管控方法及系统 Download PDF

Info

Publication number
CN117496517A
CN117496517A CN202410007232.3A CN202410007232A CN117496517A CN 117496517 A CN117496517 A CN 117496517A CN 202410007232 A CN202410007232 A CN 202410007232A CN 117496517 A CN117496517 A CN 117496517A
Authority
CN
China
Prior art keywords
point cloud
live
laser radar
action
acquiring
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
CN202410007232.3A
Other languages
English (en)
Other versions
CN117496517B (zh
Inventor
姜立芳
王晓光
郑琳娜
吕昊鹏
孔玉柱
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202410007232.3A priority Critical patent/CN117496517B/zh
Publication of CN117496517A publication Critical patent/CN117496517A/zh
Application granted granted Critical
Publication of CN117496517B publication Critical patent/CN117496517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种城市级实景三维建设中激光雷达智慧管控方法及系统，包括，获取城市目标区域的实景图像信息，通过预处理后的实景图像数据分析实景复杂程度，将目标区域进行划分及数据标注；对子区域分配不同数量的激光雷达设备，并进行局部路径规划，根据不同子区域对应的激光扫描时间进行激光雷达设备的调度；利用多激光雷达设备获取点云数据，将预处理后点云数据进行配准，提取子区域的点云语义进行点云块融合；获取点云块融合后的全局点云进行场景识别，在目标区域的实景三维建设中进行场景标注。本发明对城市级实景三维建设中激光雷达设备进行智慧调度管理，并相应的规划作业路线，减少扫描作业时间及能耗，提高了三维重建的扫描效率。

Description

一种城市级实景三维建设中激光雷达智慧管控方法及系统
技术领域
本发明涉及智慧调度技术领域，更具体的，涉及一种城市级实景三维建设中激光雷达智慧管控方法及系统。
背景技术
随着智慧城市进程在不断发展推进，大规模、大范围、高精细的实景三维生产需求日益增长。实景三维模型广泛用于城市规划、资源管理、三维实景导航、城市旅游管理等领域。人们对智慧城市需求不断提高，各行各业对真实景三维模型的需求也在持续增加。为了提高采集和收集三维模型数据的准确率和效率，在构建数字城市的过程中，可以使用多种技术方法完成三维模型构建。传统三维建模技术需要大量人力物力，精度较低，不适于大面积建模。
无人机空中摄影技术能够高效率获得大面积实景模型，所以当前主要利用无人机图像，采用商业软件进行城市场景三维重建，取得了一定的成果，但仍存在重建耗时长、三维模型精度差、粒度低等问题，并其需要一些先验的人工操作，无法很好地适应不断出现的新场景。而且“智慧城市”不仅要求对场景的三维模型进行构造，还进一步要求对场景模型的实例有深层的了解。因此，如何捕捉场景语义标签对应的深度信息，解决传统三维重建在遮掩区域、弱纹理和重建效果差的情况是需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种城市级实景三维建设中激光雷达智慧管控方法及系统。
本发明第一方面提供了一种城市级实景三维建设中激光雷达智慧管控方法，包括：
获取城市目标区域的实景图像信息，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，根据所述复杂程度将目标区域进行划分及数据标注；
根据子区域的复杂程度标签分配不同数量的激光雷达设备，在子区域中进行局部路径规划，并根据不同子区域对应的激光扫描时间进行激光雷达设备的调度；
利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，提取子区域对应点云块的点云语义，基于所述点云语义进行点云块融合；
获取点云块融合后的全局点云，根据全局点云进行场景识别，在目标区域的实景三维建设中进行场景标注。
本方案中，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，具体为：
获取城市二维地图信息，在所述二维地图信息划分目标区域，根据目标区域范围中的多源感知设备读取多源异构数据，在所述多源异构数据中筛选视频及图像数据生成实景图像信息数据集；
将实景图像信息进行预处理，通过ResNet50网络提取预处理后实景图像信息中的图像特征，利用注意力机制将所述图像特征进行重新标定不同特征通道赋予权重信息进行编码；
将所述实景图像信息划分为若干图像块，将编码后的图像特征导入解码器进行特征解码，获取特征重构后带有图像块空间特征的图像特征序列；
获取实景图像信息中图像块的信息熵，将图像特征序列中的图像特征根据所在图像块进行划分，并利用图像块的信息熵对图像特征进行加权，并通过哈希函数将加权后的图像特征转化为哈希序列；
在目标区域中提取地面区域的实景图像信息中图像特征的哈希序列，作为基准哈希序列，获取目标区域实景图像信息对应的序列与基准哈希序列的汉明距离，根据所述汉明距离判定图像块的实景复杂程度。
本方案中，根据所述复杂程度将目标区域进行划分及数据标注，具体为：
获取目标区域中各实景图像信息中的实景复杂程度，根据实景复杂程度将目标区域的二维地图信息进行可视化标记，选取目标标签在邻域区域中预设搜索窗口，根据所述搜索窗口获取标签偏差；
当所述偏差标签小于预设偏差阈值时，则将邻域标签与目标标签同一类别区域，计算标签均值更新区域标签，当邻域区域搜索结束后则更换目标标签，遍历二维地图信息中的标签，获取子区域划分结果；
根据区域标签对不同复杂程度类别的子区域进行数据标注，利用数据检索获取激光雷达扫描的历史实例，根据历史实例获取不同复杂程度的实景区域在预设时长内所用激光雷达设备的平均数量；
基于所述平均数量及当前激光雷达设备总数获取不同复杂程度类别的子区域对应激光雷达设备数量，并获取子区域中的信道利用率，通过所述信道利用率对所述激光雷达设备数量进行调整优化。
本方案中，在子区域中进行局部路径规划，并根据不同子区域对应的激光扫描时间进行激光雷达设备的调度，具体为：
根据各子区域的二维地图信息获取几何形状特征，根据所述几何形状特征将对应数量的激光雷达设备进行随机分布，获取激光雷达设备的初始位置；
基于所述初始位置利用Voronoi图将子区域进行作业划分，为各个激光雷达设备分配扫描区域，在所述扫描区域中根据各激光雷达设备的总路径、有效扫描路径占比、转弯次数及能耗进行局部路径规划；
若当前子区域中存在扫描作业结束后的空闲激光雷达设备时，则判断空闲激光雷达设备的剩余能源及预计等待时间，根据历史激光扫描时间获取空闲激光设备在不同复杂程度区域的平均扫描时长；
根据所述剩余能源、预计等待时间及平均扫描时长估算扫描区域面积，利用估算的扫描区域面积在当前子区域的邻域子区域中检索，获取符合面积约束的邻域扫描区域；
将所述空闲激光雷达设备调度到所述邻域扫描区域进行激光扫描。
本方案中，利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，具体为：
获取多激光雷达设备扫描的点云数据，将所述点云数据进行异常点云剔除，在各子区域中将不同激光雷达设备的点云数据进行点云拼接，获取子区域对应的预处理后的点云数据；
将子区域对应的预处理后的点云数据进行采样，通过聚类算法对采样后的点云数据进行聚类，获取子区域中点云数据的聚类结果；
在聚类结果中选取目标类簇，将目标类簇中的点云数据利用多层感知获取局部点云特征，并将卷积后的点云数据利用平均池化获取局部分布特征，将所述局部点云特征及局部分布特征进行特征拼接获取局部特征；
引入注意力加权对所述局部特征进行加权，获取不同子区域中待配准点云特征，并根据子区域的实景图像信息获取模板信息，对模板信息中局部信息进行加权提取模板信息对应的模板点云特征；
将不同子区域待配准点云特征及模板点云特征利用最大池化进行特征聚合，并通过全连接层输出姿态特征，通过姿态特征利用旋转或平移与模板信息进行配准。
本方案中，获取点云块融合后的全局点云，根据全局点云进行场景识别，具体为：
获取不同子区域配准后的点云数据，根据所述点云数据生成子区域对应点云块，基于深度卷积网络获取点云块中各点云数据的点云语义，并根据各点云数据及邻近点云的点云语义获取语义特征差；
对各点云数据的点云语义、邻近点云的点云语义及语义特征差进行多维特征编码获取点云块的点云语义；
基于点云块的位置特征及点云语义进行点云块的连接融合，获取点云块融合后的全局点云，在全局点云中获取点云块点云语义的突变点，根据突变点进行分割；
获取分割后点云场景中不同点云块的上下文语义特征，根据所述上下文语义特征通过相似度计算进行场景识别，在城市实景三维建设中进行场景标注。
本发明第二方面还提供了一种城市级实景三维建设中激光雷达智慧管控系统，该系统包括：存储器、处理器，所述存储器中包括城市级实景三维建设中激光雷达智慧管控方法程序，所述城市级实景三维建设中激光雷达智慧管控方法程序被所述处理器执行时实现如下步骤：
获取城市目标区域的实景图像信息，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，根据所述复杂程度将目标区域进行划分及数据标注；
根据子区域的复杂程度标签分配不同数量的激光雷达设备，在子区域中进行局部路径规划，并根据不同子区域对应的激光扫描时间进行激光雷达设备的调度；
利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，提取子区域对应点云块的点云语义，基于所述点云语义进行点云块融合；
获取点云块融合后的全局点云，根据全局点云进行场景识别，在目标区域的实景三维建设中进行场景标注。
本发明公开了一种城市级实景三维建设中激光雷达智慧管控方法及系统，包括，获取城市目标区域的实景图像信息，通过预处理后的实景图像数据分析实景复杂程度，将目标区域进行划分及数据标注；对子区域分配不同数量的激光雷达设备，并进行局部路径规划，根据不同子区域对应的激光扫描时间进行激光雷达设备的调度；利用多激光雷达设备获取点云数据，将预处理后点云数据进行配准，提取子区域的点云语义进行点云块融合；获取点云块融合后的全局点云进行场景识别，在目标区域的实景三维建设中进行场景标注。本发明对城市级实景三维建设中激光雷达设备进行智慧调度管理，并相应的规划作业路线，减少扫描作业时间及能耗，提高了三维重建的扫描效率。
附图说明
图1示出了本发明一种城市级实景三维建设中激光雷达智慧管控方法的流程图；
图2示出了本发明根据实景图像数据分析实景复杂程度的流程图；
图3示出了本发明对点云数据进行配准的流程图；
图4示出了本发明一种城市级实景三维建设中激光雷达智慧管控系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种城市级实景三维建设中激光雷达智慧管控方法的流程图。
如图1所示，本发明第一方面提供了一种城市级实景三维建设中激光雷达智慧管控方法，包括
S102，获取城市目标区域的实景图像信息，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，根据所述复杂程度将目标区域进行划分及数据标注；
S104，根据子区域的复杂程度标签分配不同数量的激光雷达设备，在子区域中进行局部路径规划，并根据不同子区域对应的激光扫描时间进行激光雷达设备的调度；
S106，利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，提取子区域对应点云块的点云语义，基于所述点云语义进行点云块融合；
S108，获取点云块融合后的全局点云，根据全局点云进行场景识别，在目标区域的实景三维建设中进行场景标注。
需要说明的是，三维场景重构技术是通过对激光雷达获取的距离数据进行一系列后续处理完成的，主要包括对采集到的点云数据进行预处理、找到不同视角的转换关系、融合大规模的目标点云以及恢复出最终的三维场景。根据多源数据感知获取城市目标区域的视频监控信息、地理遥感信息及航拍信息等实景图像信息，通过海量的实景图像信息表征目标区域的场景复杂程度，即场景内建筑物或者设施越多，则场景复杂程度越高。
图2示出了本发明根据实景图像数据分析实景复杂程度的流程图。
根据本发明实施例，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，具体为：
S202，获取城市二维地图信息，在所述二维地图信息划分目标区域，根据目标区域范围中的多源感知设备读取多源异构数据，在所述多源异构数据中筛选视频及图像数据生成实景图像信息数据集；
S204，将实景图像信息进行预处理，通过ResNet50网络提取预处理后实景图像信息中的图像特征，利用注意力机制将所述图像特征进行重新标定不同特征通道赋予权重信息进行编码；
S206，将所述实景图像信息划分为若干图像块，将编码后的图像特征导入解码器进行特征解码，获取特征重构后带有图像块空间特征的图像特征序列；
S208，获取实景图像信息中图像块的信息熵，将图像特征序列中的图像特征根据所在图像块进行划分，并利用图像块的信息熵对图像特征进行加权，并通过哈希函数将加权后的图像特征转化为哈希序列；
S210，在目标区域中提取地面区域的实景图像信息中图像特征的哈希序列，作为基准哈希序列，获取目标区域实景图像信息对应的序列与基准哈希序列的汉明距离，根据所述汉明距离判定图像块的实景复杂程度。
需要说明的是，通过ResNet50网络提取预处理后实景图像信息中的图像特征，将ResNet50网络中引入残差学习，解决深度网络过深导致的梯度消失及退化问题，在ResNet50网络中学习不同特征通道之间的相关性，并引入注意力权重与对应的特征通道后结合，输出带有注意力标注的特征映射。通过计算信息熵对图像特征进行加权，根据不同特征贡献度添加不同的权重，加强了重要图像特征对于实景复杂程度评估的影响，并且引入哈希算法对图像特征转化为哈希序列，作为实景图像信息的标识。
需要说明的是，获取目标区域中各实景图像信息中的实景复杂程度，根据实景复杂程度将目标区域的二维地图信息进行可视化标记，选取目标标签在邻域区域中预设搜索窗口，根据所述搜索窗口获取标签偏差；当所述偏差标签小于预设偏差阈值时，则将邻域标签与目标标签同一类别区域，计算标签对应的实景复杂程度的均值，更新区域标签，当邻域区域搜索结束后则更换目标标签，遍历二维地图信息中的标签，获取子区域划分结果；根据区域标签对不同复杂程度类别的子区域进行数据标注，利用数据检索获取激光雷达扫描的历史实例，根据历史实例获取不同复杂程度的实景区域在预设时长内所用激光雷达设备的平均数量；基于所述平均数量及当前激光雷达设备总数获取不同复杂程度类别的子区域对应激光雷达设备数量，并获取子区域中的信道利用率，通过所述信道利用率对所述激光雷达设备数量进行调整优化，保证各子区域的点云数据在传输时始终保持较大的信道利用率，避免信道拥堵及信道空闲。
需要说明的是，根据各子区域的二维地图信息获取几何形状特征，根据所述几何形状特征将对应数量的激光雷达设备进行随机分布，获取激光雷达设备的初始位置；基于所述初始位置利用Voronoi图将子区域进行作业划分，为各个激光雷达设备分配扫描区域，所述Voronoi图为泰森多边形，在平面上任意给定的n个种子点与相邻的种子点进行连接，形成m个三角形，对m个三角形每条边作垂直平分线，将连续两邻点直线的垂直平分线连接，形成k个多边形，获取Voronoi图。
利用粒子群算法或遗传算法在所述扫描区域中根据各激光雷达设备的总路径、有效扫描路径占比、转弯次数及能耗进行局部路径规划；获取子区域中最后扫描完成的激光雷达设备对应时间戳与空闲激光雷达设备对应空闲时间戳的时间差，在时间差中减去空闲激光雷达设备的能耗补充时间获取预计等待时间，若当前子区域中存在扫描作业结束后的空闲激光雷达设备时，则判断空闲激光雷达设备的剩余能源及预计等待时间；根据历史激光扫描时间获取空闲激光设备在不同复杂程度区域的平均扫描时长；根据所述剩余能源、预计等待时间及平均扫描时长估算扫描区域面积，利用估算的扫描区域面积在当前子区域的邻域子区域中检索，获取符合面积约束的邻域扫描区域；将所述空闲激光雷达设备调度到所述邻域扫描区域进行激光扫描。
图3示出了本发明对点云数据进行配准的流程图。
根据本发明实施例，利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，具体为：
S302，获取多激光雷达设备扫描的点云数据，将所述点云数据进行异常点云剔除，在各子区域中将不同激光雷达设备的点云数据进行点云拼接，获取子区域对应的预处理后的点云数据；
S304，将子区域对应的预处理后的点云数据进行采样，通过聚类算法对采样后的点云数据进行聚类，获取子区域中点云数据的聚类结果；
S306，在聚类结果中选取目标类簇，将目标类簇中的点云数据利用多层感知获取局部点云特征，并将卷积后的点云数据利用平均池化获取局部分布特征，将所述局部点云特征及局部分布特征进行特征拼接获取局部特征；
S308，引入注意力加权对所述局部特征进行加权，获取不同子区域中待配准点云特征，并根据子区域的实景图像信息获取模板信息，对模板信息中局部信息进行加权提取模板信息对应的模板点云特征；
S310，将不同子区域待配准点云特征及模板点云特征利用最大池化进行特征聚合，并通过全连接层输出姿态特征，通过姿态特征利用旋转或平移与模板信息进行配准。
需要说明的是，对子区域中的点云数据进行聚类后，获取不同类簇的局部点云特征及局部分布特征进行信息关联，提升局部特征的编码学习能力。提取子区域中待配准点云及模板点云的局部特征，在局部特征中包含大量非重叠区域的冗余信息，引入注意力机制加权局部特征，使得点云相似的重叠区域在学习过程中变得更加显著，将局部特征进行加权聚合在全连接层进行特征解码，进行子区域中点云的位姿预测。
需要说明的是，获取不同子区域配准后的点云数据，根据所述点云数据生成子区域对应点云块，基于DeepLab网络等深度卷积网络获取点云块中各点云数据的点云语义，并根据各点云数据及邻近点云的点云语义获取语义特征差；对各点云数据的点云语义、邻近点云的点云语义及语义特征差进行多维特征编码获取点云块的点云语义；基于点云块的位置特征及点云语义进行点云块的连接融合，获取点云块融合后的全局点云，在全局点云中获取点云块点云语义的突变点，根据突变点进行分割；获取分割后点云场景中不同点云块的上下文语义特征，根据所述上下文语义特征通过相似度计算进行场景识别，在城市实景三维建设中进行场景标注。
根据本发明实施例，获取城市三维实景模型中不同场景标签，并根据场景区域内的多源感知数据获取场景基础信息，根据场景标签及基础信息获取当前场景区域中可能发生的应急事件类别，通过所述应急事件类别通过历史实例获取对应的应急措施，生成应急预案，存入应急数据库中；当发生应急事件时，获取现场情况导入应急数据库中进行分析，利用相似度计算获取符合预设标准的历史实例，提取对应的应急预案，进行应急事件的处置，所述处置内容包括利用最优路径分析方法得出最佳疏散路线和应急指挥路线，综合协调医院、公安、交通等资源力量投入应急保障。
图4示出了本发明一种城市级实景三维建设中激光雷达智慧管控系统的框图。
本发明第二方面还提供了一种城市级实景三维建设中激光雷达智慧管控系统4，该系统包括：存储器41、处理器42，所述存储器中包括城市级实景三维建设中激光雷达智慧管控方法程序，所述城市级实景三维建设中激光雷达智慧管控方法程序被所述处理器执行时实现如下步骤：
获取城市目标区域的实景图像信息，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，根据所述复杂程度将目标区域进行划分及数据标注；
根据子区域的复杂程度标签分配不同数量的激光雷达设备，在子区域中进行局部路径规划，并根据不同子区域对应的激光扫描时间进行激光雷达设备的调度；
利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，提取子区域对应点云块的点云语义，基于所述点云语义进行点云块融合；
获取点云块融合后的全局点云，根据全局点云进行场景识别，在目标区域的实景三维建设中进行场景标注。
根据本发明实施例，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，具体为：
获取城市二维地图信息，在所述二维地图信息划分目标区域，根据目标区域范围中的多源感知设备读取多源异构数据，在所述多源异构数据中筛选视频及图像数据生成实景图像信息数据集；
将实景图像信息进行预处理，通过ResNet50网络提取预处理后实景图像信息中的图像特征，利用注意力机制将所述图像特征进行重新标定不同特征通道赋予权重信息进行编码；
将所述实景图像信息划分为若干图像块，将编码后的图像特征导入解码器进行特征解码，获取特征重构后带有图像块空间特征的图像特征序列；
获取实景图像信息中图像块的信息熵，将图像特征序列中的图像特征根据所在图像块进行划分，并利用图像块的信息熵对图像特征进行加权，并通过哈希函数将加权后的图像特征转化为哈希序列；
在目标区域中提取地面区域的实景图像信息中图像特征的哈希序列，作为基准哈希序列，获取目标区域实景图像信息对应的序列与基准哈希序列的汉明距离，根据所述汉明距离判定图像块的实景复杂程度。
需要说明的是，通过ResNet50网络提取预处理后实景图像信息中的图像特征，将ResNet50网络中引入残差学习，解决深度网络过深导致的梯度消失及退化问题，在ResNet50网络中学习不同特征通道之间的相关性，并引入注意力权重与对应的特征通道后结合，输出带有注意力标注的特征映射。通过计算信息熵对图像特征进行加权，根据不同特征贡献度添加不同的权重，加强了重要图像特征对于实景复杂程度评估的影响，并且引入哈希算法对图像特征转化为哈希序列，作为实景图像信息的标识。
需要说明的是，根据各子区域的二维地图信息获取几何形状特征，根据所述几何形状特征将对应数量的激光雷达设备进行随机分布，获取激光雷达设备的初始位置；基于所述初始位置利用Voronoi图将子区域进行作业划分，为各个激光雷达设备分配扫描区域，所述Voronoi图为泰森多边形，在平面上任意给定的n个种子点与相邻的种子点进行连接，形成m个三角形，对m个三角形每条边作垂直平分线，将连续两邻点直线的垂直平分线连接，形成k个多边形，获取Voronoi图。
利用粒子群算法或遗传算法在所述扫描区域中根据各激光雷达设备的总路径、有效扫描路径占比、转弯次数及能耗进行局部路径规划；获取子区域中最后扫描完成的激光雷达设备对应时间戳与空闲激光雷达设备对应空闲时间戳的时间差，在时间差中减去空闲激光雷达设备的能耗补充时间获取预计等待时间，若当前子区域中存在扫描作业结束后的空闲激光雷达设备时，则判断空闲激光雷达设备的剩余能源及预计等待时间；根据历史激光扫描时间获取空闲激光设备在不同复杂程度区域的平均扫描时长；根据所述剩余能源、预计等待时间及平均扫描时长估算扫描区域面积，利用估算的扫描区域面积在当前子区域的邻域子区域中检索，获取符合面积约束的邻域扫描区域；将所述空闲激光雷达设备调度到所述邻域扫描区域进行激光扫描。
根据本发明实施例，利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，具体为：
获取多激光雷达设备扫描的点云数据，将所述点云数据进行异常点云剔除，在各子区域中将不同激光雷达设备的点云数据进行点云拼接，获取子区域对应的预处理后的点云数据；
将子区域对应的预处理后的点云数据进行采样，通过聚类算法对采样后的点云数据进行聚类，获取子区域中点云数据的聚类结果；
在聚类结果中选取目标类簇，将目标类簇中的点云数据利用多层感知获取局部点云特征，并将卷积后的点云数据利用平均池化获取局部分布特征，将所述局部点云特征及局部分布特征进行特征拼接获取局部特征；
引入注意力加权对所述局部特征进行加权，获取不同子区域中待配准点云特征，并根据子区域的实景图像信息获取模板信息，对模板信息中局部信息进行加权提取模板信息对应的模板点云特征；
将不同子区域待配准点云特征及模板点云特征利用最大池化进行特征聚合，并通过全连接层输出姿态特征，通过姿态特征利用旋转或平移与模板信息进行配准。
需要说明的是，对子区域中的点云数据进行聚类后，获取不同类簇的局部点云特征及局部分布特征进行信息关联，提升局部特征的编码学习能力。提取子区域中待配准点云及模板点云的局部特征，在局部特征中包含大量非重叠区域的冗余信息，引入注意力机制加权局部特征，使得点云相似的重叠区域在学习过程中变得更加显著，将局部特征进行加权聚合在全连接层进行特征解码，进行子区域中点云的位姿预测。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括城市级实景三维建设中激光雷达智慧管控方法程序，所述城市级实景三维建设中激光雷达智慧管控方法程序被处理器执行时，实现如上述任一项所述的城市级实景三维建设中激光雷达智慧管控方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该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）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种城市级实景三维建设中激光雷达智慧管控方法，其特征在于，包括以下步骤：
获取城市目标区域的实景图像信息，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，根据所述复杂程度将目标区域进行划分及数据标注；
根据子区域的复杂程度标签分配不同数量的激光雷达设备，在子区域中进行局部路径规划，并根据不同子区域对应的激光扫描时间进行激光雷达设备的调度；
利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，提取子区域对应点云块的点云语义，基于所述点云语义进行点云块融合；
获取点云块融合后的全局点云，根据全局点云进行场景识别，在目标区域的实景三维建设中进行场景标注。
2.根据权利要求1所述的一种城市级实景三维建设中激光雷达智慧管控方法，其特征在于，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，具体为：
获取城市二维地图信息，在所述二维地图信息划分目标区域，根据目标区域范围中的多源感知设备读取多源异构数据，在所述多源异构数据中筛选视频及图像数据生成实景图像信息数据集；
将实景图像信息进行预处理，通过ResNet50网络提取预处理后实景图像信息中的图像特征，利用注意力机制将所述图像特征进行重新标定不同特征通道赋予权重信息进行编码；
将所述实景图像信息划分为若干图像块，将编码后的图像特征导入解码器进行特征解码，获取特征重构后带有图像块空间特征的图像特征序列；
获取实景图像信息中图像块的信息熵，将图像特征序列中的图像特征根据所在图像块进行划分，并利用图像块的信息熵对图像特征进行加权，并通过哈希函数将加权后的图像特征转化为哈希序列；
在目标区域中提取地面区域的实景图像信息中图像特征的哈希序列，作为基准哈希序列，获取目标区域实景图像信息对应的序列与基准哈希序列的汉明距离，根据所述汉明距离判定图像块的实景复杂程度。
3.根据权利要求1所述的一种城市级实景三维建设中激光雷达智慧管控方法，其特征在于，根据所述复杂程度将目标区域进行划分及数据标注，具体为：
获取目标区域中各实景图像信息中的实景复杂程度，根据实景复杂程度将目标区域的二维地图信息进行可视化标记，选取目标标签在邻域区域中预设搜索窗口，根据所述搜索窗口获取标签偏差；
当所述偏差标签小于预设偏差阈值时，则将邻域标签与目标标签同一类别区域，计算标签均值更新区域标签，当邻域区域搜索结束后则更换目标标签，遍历二维地图信息中的标签，获取子区域划分结果；
根据区域标签对不同复杂程度类别的子区域进行数据标注，利用数据检索获取激光雷达扫描的历史实例，根据历史实例获取不同复杂程度的实景区域在预设时长内所用激光雷达设备的平均数量；
基于所述平均数量及当前激光雷达设备总数获取不同复杂程度类别的子区域对应激光雷达设备数量，并获取子区域中的信道利用率，通过所述信道利用率对所述激光雷达设备数量进行调整优化。
4.根据权利要求1所述的一种城市级实景三维建设中激光雷达智慧管控方法，其特征在于，在子区域中进行局部路径规划，并根据不同子区域对应的激光扫描时间进行激光雷达设备的调度，具体为：
根据各子区域的二维地图信息获取几何形状特征，根据所述几何形状特征将对应数量的激光雷达设备进行随机分布，获取激光雷达设备的初始位置；
基于所述初始位置利用Voronoi图将子区域进行作业划分，为各个激光雷达设备分配扫描区域，在所述扫描区域中根据各激光雷达设备的总路径、有效扫描路径占比、转弯次数及能耗进行局部路径规划；
若当前子区域中存在扫描作业结束后的空闲激光雷达设备时，则判断空闲激光雷达设备的剩余能源及预计等待时间，根据历史激光扫描时间获取空闲激光设备在不同复杂程度区域的平均扫描时长；
根据所述剩余能源、预计等待时间及平均扫描时长估算扫描区域面积，利用估算的扫描区域面积在当前子区域的邻域子区域中检索，获取符合面积约束的邻域扫描区域；
将所述空闲激光雷达设备调度到所述邻域扫描区域进行激光扫描。
5.根据权利要求1所述的一种城市级实景三维建设中激光雷达智慧管控方法，其特征在于，利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，具体为：
获取多激光雷达设备扫描的点云数据，将所述点云数据进行异常点云剔除，在各子区域中将不同激光雷达设备的点云数据进行点云拼接，获取子区域对应的预处理后的点云数据；
将子区域对应的预处理后的点云数据进行采样，通过聚类算法对采样后的点云数据进行聚类，获取子区域中点云数据的聚类结果；
在聚类结果中选取目标类簇，将目标类簇中的点云数据利用多层感知获取局部点云特征，并将卷积后的点云数据利用平均池化获取局部分布特征，将所述局部点云特征及局部分布特征进行特征拼接获取局部特征；
引入注意力加权对所述局部特征进行加权，获取不同子区域中待配准点云特征，并根据子区域的实景图像信息获取模板信息，对模板信息中局部信息进行加权提取模板信息对应的模板点云特征；
将不同子区域待配准点云特征及模板点云特征利用最大池化进行特征聚合，并通过全连接层输出姿态特征，通过姿态特征利用旋转或平移与模板信息进行配准。
6.根据权利要求1所述的一种城市级实景三维建设中激光雷达智慧管控方法，其特征在于，获取点云块融合后的全局点云，根据全局点云进行场景识别，具体为：
获取不同子区域配准后的点云数据，根据所述点云数据生成子区域对应点云块，基于深度卷积网络获取点云块中各点云数据的点云语义，并根据各点云数据及邻近点云的点云语义获取语义特征差；
对各点云数据的点云语义、邻近点云的点云语义及语义特征差进行多维特征编码获取点云块的点云语义；
基于点云块的位置特征及点云语义进行点云块的连接融合，获取点云块融合后的全局点云，在全局点云中获取点云块点云语义的突变点，根据突变点进行分割；
获取分割后点云场景中不同点云块的上下文语义特征，根据所述上下文语义特征通过相似度计算进行场景识别，在城市实景三维建设中进行场景标注。
7.一种城市级实景三维建设中激光雷达智慧管控系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括城市级实景三维建设中激光雷达智慧管控方法程序，所述城市级实景三维建设中激光雷达智慧管控方法程序被所述处理器执行时实现如下步骤：
获取城市目标区域的实景图像信息，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，根据所述复杂程度将目标区域进行划分及数据标注；
根据子区域的复杂程度标签分配不同数量的激光雷达设备，在子区域中进行局部路径规划，并根据不同子区域对应的激光扫描时间进行激光雷达设备的调度；
利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，提取子区域对应点云块的点云语义，基于所述点云语义进行点云块融合；
获取点云块融合后的全局点云，根据全局点云进行场景识别，在目标区域的实景三维建设中进行场景标注。
8.根据权利要求7所述的一种城市级实景三维建设中激光雷达智慧管控系统，其特征在于，将所述实景图像信息进行预处理，通过预处理后的实景图像数据分析实景复杂程度，具体为：
获取城市二维地图信息，在所述二维地图信息划分目标区域，根据目标区域范围中的多源感知设备读取多源异构数据，在所述多源异构数据中筛选视频及图像数据生成实景图像信息数据集；
将实景图像信息进行预处理，通过ResNet50网络提取预处理后实景图像信息中的图像特征，利用注意力机制将所述图像特征进行重新标定不同特征通道赋予权重信息进行编码；
将所述实景图像信息划分为若干图像块，将编码后的图像特征导入解码器进行特征解码，获取特征重构后带有图像块空间特征的图像特征序列；
获取实景图像信息中图像块的信息熵，将图像特征序列中的图像特征根据所在图像块进行划分，并利用图像块的信息熵对图像特征进行加权，并通过哈希函数将加权后的图像特征转化为哈希序列；
在目标区域中提取地面区域的实景图像信息中图像特征的哈希序列，作为基准哈希序列，获取目标区域实景图像信息对应的序列与基准哈希序列的汉明距离，根据所述汉明距离判定图像块的实景复杂程度。
9.根据权利要求7所述的一种城市级实景三维建设中激光雷达智慧管控系统，其特征在于，在子区域中进行局部路径规划，并根据不同子区域对应的激光扫描时间进行激光雷达设备的调度，具体为：
根据各子区域的二维地图信息获取几何形状特征，根据所述几何形状特征将对应数量的激光雷达设备进行随机分布，获取激光雷达设备的初始位置；
基于所述初始位置利用Voronoi图将子区域进行作业划分，为各个激光雷达设备分配扫描区域，在所述扫描区域中根据各激光雷达设备的总路径、有效扫描路径占比、转弯次数及能耗进行局部路径规划；
若当前子区域中存在扫描作业结束后的空闲激光雷达设备时，则判断空闲激光雷达设备的剩余能源及预计等待时间，根据历史激光扫描时间获取空闲激光设备在不同复杂程度区域的平均扫描时长；
根据所述剩余能源、预计等待时间及平均扫描时长估算扫描区域面积，利用估算的扫描区域面积在当前子区域的邻域子区域中检索，获取符合面积约束的邻域扫描区域；
将所述空闲激光雷达设备调度到所述邻域扫描区域进行激光扫描。
10.根据权利要求7所述的一种城市级实景三维建设中激光雷达智慧管控系统，其特征在于，利用多激光雷达设备获取各子区域的点云数据并进行预处理，将预处理后点云数据进行配准，具体为：
获取多激光雷达设备扫描的点云数据，将所述点云数据进行异常点云剔除，在各子区域中将不同激光雷达设备的点云数据进行点云拼接，获取子区域对应的预处理后的点云数据；
将子区域对应的预处理后的点云数据进行采样，通过聚类算法对采样后的点云数据进行聚类，获取子区域中点云数据的聚类结果；
在聚类结果中选取目标类簇，将目标类簇中的点云数据利用多层感知获取局部点云特征，并将卷积后的点云数据利用平均池化获取局部分布特征，将所述局部点云特征及局部分布特征进行特征拼接获取局部特征；
引入注意力加权对所述局部特征进行加权，获取不同子区域中待配准点云特征，并根据子区域的实景图像信息获取模板信息，对模板信息中局部信息进行加权提取模板信息对应的模板点云特征；
将不同子区域待配准点云特征及模板点云特征利用最大池化进行特征聚合，并通过全连接层输出姿态特征，通过姿态特征利用旋转或平移与模板信息进行配准。
CN202410007232.3A 2024-01-03 2024-01-03 一种城市级实景三维建设中激光雷达智慧管控方法及系统 Active CN117496517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410007232.3A CN117496517B (zh) 2024-01-03 2024-01-03 一种城市级实景三维建设中激光雷达智慧管控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410007232.3A CN117496517B (zh) 2024-01-03 2024-01-03 一种城市级实景三维建设中激光雷达智慧管控方法及系统

Publications (2)

Publication Number Publication Date
CN117496517A true CN117496517A (zh) 2024-02-02
CN117496517B CN117496517B (zh) 2024-04-05

Family

ID=89683436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410007232.3A Active CN117496517B (zh) 2024-01-03 2024-01-03 一种城市级实景三维建设中激光雷达智慧管控方法及系统

Country Status (1)

Country Link
CN (1) CN117496517B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210279950A1 (en) * 2020-03-04 2021-09-09 Magic Leap, Inc. Systems and methods for efficient floorplan generation from 3d scans of indoor scenes
CN115512100A (zh) * 2022-06-20 2022-12-23 北京理工大学 基于多尺度特征提取与融合的点云分割方法、装置及介质
US20230072731A1 (en) * 2021-08-30 2023-03-09 Thomas Enxu LI System and method for panoptic segmentation of point clouds
CN116051785A (zh) * 2023-02-08 2023-05-02 广州市城市规划勘测设计研究院 城市实景三维模型的构建方法、装置、设备及存储介质
CN116091883A (zh) * 2023-04-10 2023-05-09 深圳市普雷德科技有限公司 基于多源信息融合的目标检测识别方法、系统及存储介质
CN117268350A (zh) * 2023-09-18 2023-12-22 广东省核工业地质局测绘院 一种基于点云数据融合的移动式智能测绘系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210279950A1 (en) * 2020-03-04 2021-09-09 Magic Leap, Inc. Systems and methods for efficient floorplan generation from 3d scans of indoor scenes
US20230072731A1 (en) * 2021-08-30 2023-03-09 Thomas Enxu LI System and method for panoptic segmentation of point clouds
CN115512100A (zh) * 2022-06-20 2022-12-23 北京理工大学 基于多尺度特征提取与融合的点云分割方法、装置及介质
CN116051785A (zh) * 2023-02-08 2023-05-02 广州市城市规划勘测设计研究院 城市实景三维模型的构建方法、装置、设备及存储介质
CN116091883A (zh) * 2023-04-10 2023-05-09 深圳市普雷德科技有限公司 基于多源信息融合的目标检测识别方法、系统及存储介质
CN117268350A (zh) * 2023-09-18 2023-12-22 广东省核工业地质局测绘院 一种基于点云数据融合的移动式智能测绘系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张铭凯 等: "基于SR300体感器人体扫描点云的去噪方法", 《中南大学学报》, vol. 49, no. 9, 30 September 2018 (2018-09-30), pages 2225 - 2231 *

Also Published As

Publication number Publication date
CN117496517B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Li et al. V2X-Sim: Multi-agent collaborative perception dataset and benchmark for autonomous driving
CN116824859B (zh) 一种基于物联网的智慧交通大数据分析系统
CN110533048A (zh) 基于全景区域场景感知的组合语义层次连接模型的实现方法及系统
CN115758522A (zh) 一种数字孪生城市管理系统及方法
CN116468392A (zh) 一种电网工程项目进度监控方法、装置、设备及存储介质
CN115424059A (zh) 一种基于像素级对比学习的遥感土地利用分类方法
CN114661744B (zh) 一种基于深度学习的地形数据库更新方法及系统
Jin et al. A semi-automatic annotation technology for traffic scene image labeling based on deep learning preprocessing
CN114328780A (zh) 基于六角格的智慧城市地理信息更新方法、设备及介质
Masmoudi et al. Trajectory analysis for parking lot vacancy detection system
CN117351521A (zh) 基于数字孪生的输电线鸟类检测方法、系统、介质及设备
Lu et al. A segmentation-based multitask learning approach for isolating switch state recognition in high-speed railway traction substation
CN117011413B (zh) 道路图像重建方法、装置、计算机设备和存储介质
CN117496517B (zh) 一种城市级实景三维建设中激光雷达智慧管控方法及系统
CN117437382A (zh) 一种数据中心部件的更新方法及系统
CN116258820B (zh) 大规模城市点云数据集与建筑单体化构建方法及相关装置
CN115393751A (zh) 数据处理方法、存储介质及电子设备
Jiang et al. RailSeg: Learning Local-Global Feature Aggregation with Contextual Information for Railway Point Cloud Semantic Segmentation
CN114820931B (zh) 基于虚拟现实的智慧城市cim可视化实时成像方法
CN110188156A (zh) 一种输电线路工程三维设计成果关键信息提取方法和系统
CN116246076A (zh) 一种传统民居院落肌理特征识别应用方法和系统
CN117011692A (zh) 一种道路识别的方法以及相关装置
CN111310607B (zh) 基于计算机视觉和人工智能的公路安全风险识别方法及系统
Ma Road information extraction from mobile LiDAR point clouds using deep neural networks
Han et al. Decoupling the Curve Modeling and Pavement Regression for Lane Detection

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