CN102938064B - 基于LiDAR数据与正射影像的停车场结构提取方法 - Google Patents
基于LiDAR数据与正射影像的停车场结构提取方法 Download PDFInfo
- Publication number
- CN102938064B CN102938064B CN201210483627.8A CN201210483627A CN102938064B CN 102938064 B CN102938064 B CN 102938064B CN 201210483627 A CN201210483627 A CN 201210483627A CN 102938064 B CN102938064 B CN 102938064B
- Authority
- CN
- China
- Prior art keywords
- line
- parking stall
- stopway
- parking
- vehicle
- 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.)
- Expired - Fee Related
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 45
- 239000000284 extract Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 3
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000005286 illumination Methods 0.000 abstract description 6
- 238000002386 leaching Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 229920006343 melt-processible rubber Polymers 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于LiDAR数据与正射影像的停车场结构提取方法,该方法利用LiDAR数据将停车场分为空地区域和非空地区域,从LiDAR数据中生成非空地区域的车辆面片的中轴线,从正射影像数据中得到空地区域中的停车场车位线;套合非空地区域中的车辆中轴线和空地区域中的车位线,依其最大相交方向划分停车道;计算停车场结构参数,生成停车道的分割线,完成对停车场结构的提取。该方法能够解决停车场结构提取过程中面临的光照变化、阴影效应、透视变形以及车辆遮盖等问题,准确且高精度地提取停车场的结构。
Description
技术领域
本发明涉及一种停车场的结构提取方法,特别是涉及一种基于LiDAR数据与正射影像的停车场结构提取方法。
背景技术
停车场,作为一种车辆临时停歇的场所,伴随着城市化进程的不断发展正在迅速扩张着。如今,不论是在城镇还是在郊区,停车场随处可见,其范围甚至超过了他们所服务的建筑本身。
停车场,作为汽车社会的必需品,在人类生产生活中发挥着不可替代的作用,对于停车场的认知水平也显得尤为重要。对于停车场结构和停车位数量的认识直接关系到最小停车需求(MPRs)的决策。MPRs近年来吸引了越来越多的注意力,成为了车辆停放政策相关的一个重要议题。
合理的车辆停放政策不仅能够减少车位数的布置数量,节约土地利用,还能够减少其对自然环境的影响,例如车辆尾气污染,热岛效应,雨水流失等等。由于停车场数量是相关车辆停放政策的基础,停车场结构和数量十分重要。
另外,停车场结构在停车指导信息***(PGIS)中扮演者重要角色,PGIS能够有效地解决车辆停放问题。在PGIS中,一个热门话题就是空停车位的检测。对于这个问题,已经有了大量的技术手段,其共同点在于参照停车场结构的使用。还有一点就是,停车场的结构是机器人领域内研究热点之一的自动驾驶的基础。自动驾驶主要目标是使得车辆沿着预设的轨道行驶,并最终停靠下来,而其停靠位置必须是在一个准确的停车位内。这样的控制***要求自主驾驶一同提供有准确的路线信息以及准确的停车场结构信息。
尽管停车场结构有其不可替代的重要意义,目前对于停车场结构多是采用手工绘图方式,费时费力,效率低下。大范围的自动停车场结构的提取成为了一个新的问题。目前利用遥感手段自动获取停车场结构的方法还比较少。1998年,Wang,X等人在“Applications of Computer Vision,1998.WACV′98.Proceedings”会议上首次提出了利用立体像对进行停车场结构的提取,根据影像线段构建空停车位,根据立体像对的高程信息构建车辆区域停车位。2009年,Seo Y W等人在“Intelligent Robots and Systems,2009”和“Proceedings ofInternational Joint Conference on Artificial Intelligence”提出了一种分级策略的停车场结构提取方法,首先从影像中利用线段提取、插值、外推等步骤获取停车场结构,再利用机器学习的方法进行停车位的筛选。已有的方法多是利用影像进行的停车场结构提取,其主要挑战在于剧烈的光照变化、阴影效应、透视变形以及车辆遮盖等,这些涉及到影像质量的问题都直接制约着停车场结构的提取的质量,因此提取的停车场结构准确率和精度都不高。
发明内容
本发明解决的技术问题是:提出一种基于LiDAR数据与正射影像的停车场结构提取方法,能够解决停车场结构提取过程中面临的光照变化、阴影效应、透视变形以及车辆遮盖等问题,准确且高精度地提取停车场的结构。
为了解决上述技术问题,本发明提出的技术方案是:一种基于LiDAR数据与正射影像的停车场结构提取方法,包括以下步骤:
第一步、利用LiDAR数据将停车场分为空地区域和非空地区域;
第二步、提取LiDAR数据中非空地区域的疑似车辆面片,对疑似车辆面片进行筛选,去除非车辆面片,并生成车辆面片的中轴线;
第三步、检测正射影像数据中空地区域的边缘信息,提取影像数据中的矢量边缘线段,得到空地区域中的停车场车位线;
第四步、套合非空地区域中的车辆中轴线和空地区域中的车位线,对两者进行筛选,对筛选后的车辆中轴线和车位线依其最大相交方向划分停车道;
第五步、计算停车场结构参数,包括:停车道方向和停车道位置、停车位方向、停车位长度、停车位宽度;
第六步、依据所述停车场结构参数构建停车场的车位线,并生成停车道的分割线,完成对停车场结构的提取。
本发明的创新点在于:本发明综合利用从LiDAR数据提取的车辆中轴线和从正射影像数据提取的准确车位线信息进行停车场结构的构建,能够有效解决传统的基于影像的停车场结构提取过程中面临的光照变化、阴影效应、透视变形以及车辆遮盖等问题,从而可以准确高精度地进行停车场结构的构建。
本发明对上述技术方案的改进是:第四步中,将车辆中轴线与车位线套合后,互相之间夹角小于β的线段为一编组;对编组后的线段根据最大相交方向方法进行停车道划分的方法,具体如下:
1a)对所述编组中任一条线段中心点为圆心构建半圆,将半圆均分为n个扇形,依次将每个扇形的中心线双向延伸,记录每一中心线与其相交的所述编组中其他线段的数量,其中相交线段数量最多的中心线所在的方向为该线段的最大相交方向;
1b)每个编组内所有线段中相交线段数量最多的最大相交方向为该编组的主方向;
1c)计算编组内的所有线段中心点到所述编组主方向的距离,对距离值通过聚类计算进行编组,属于同一编组的线段即位于同一停车道。
上述方法中,β的范围为3-5°,n的范围为8-16。
为构建停车场车位线,需要计算停车场结构参数,本发明在第五步中,计算停车场结构参数的方法如下:
2a)停车道方向及位置:将位于同一停车道上的车辆中轴线的中点拟合直线,如果某停车道缺失车辆中轴线,则用该停车道上较长的车位线中点拟合直线,拟合得到的直线为停车道中心线,停车道中心线的斜率即为该停车道方向,截距即为停车道位置;
2b)停车位方向:将停车道的车位线角度的平均值作为该停车道的停车位候选方向,当停车位候选方向一侧是停车道或停车场边缘,则该侧方向为该停车道的停车位方向;
2c)停车位长度:对于纵向和斜向停车道,在车位线及车辆中轴线中长度最长的线段即为停车位长度;对于横向停车道,在车位线中长度最长的线段即为停车位长度;
2d)停车位宽度:对于纵向和横向停车道,找到所有相邻平行车位线之间的距离中出现次数最多的距离区间,该距离区间内所有平行车位线之间距离的平均值为停车位宽度;对于斜向停车道,停车位宽度需要转化为其在停车道方向上的长度,即其中α为停车道方向和车位线的夹角,D为车位线之间的平行距离。
本发明第六步中,根据停车场结构参数构建停车场车位线的方法具体如下:
3a)构建起始车位线——从每一停车道中选择任一从正射影像中提取的车位线,以其与相应停车道中心线的交点为中心,沿平行于所述停车位方向双向延伸,使其长度等于所述停车位长度,得到起始车位线;
3b)生成车位线——以起始车位线为起点,沿着平行于停车道方向以停车位宽度为间隔双向生长,生长的过程中,如果生长的车位线与最近邻车位线距离在0.3m之内,则沿停车道方向平行移动生长的车位线,使其与提取的车位线重合度最高;以生长的车位线为参照,继续向两侧生长,直到停车场边缘;
3c)生成停车道分割线——对每一停车道,在其停车位方向一侧,连接各车位线的端点,形成停车道分割线,完成停车场结构的提取。
为了计算停车场结构参数,本发明需要从LiDAR数据中生成非空地区域的车辆面片中轴线,并从正射影像数据中提取空地区域停车场车位线。其中本发明第二步中,从LiDAR数据中生成非空地区域的车辆面片中轴线的具体方法如下:
4a)对非空地区域的数据根据最大高程差、面积和最小外界矩形长宽比进行筛选,提取非空地区域中的车辆面片;
4b)对车辆面片的边缘进行离散化,使用离散点在车辆面片的多边形内部构建不规则三角网,其中相邻三角形个数为1的离散点为起始节点;
4c)从每个起始节点开始,连接该点与所在三角形的对边中点,由该中点继续生长,若该中点有两个未生长三角形,则计算这两个三角形的面积,向面积较大的三角形方向生长,直到到达另一个起始节点;
4d)在骨架线分支处,以分支部分的面积为标准,舍弃面积较小的分支,保留面积较大的分支,直至终止于多边形的两个节点,即得到主骨架线;对于主骨架线的各个节点进行拟合,即得到了多边形中轴线,即车辆面片的中轴线。
本发明从正射影像数据中提取空地区域停车场车位线的方法具体如下:提取正射影像数据中空地区域的矢量边缘线段,将角度小于5度、平行距离小于0.3m且中点距离小于2m的线段编组;当编组内存在两条以上线段时,根据这些线段的端点拟合出一条新的线段,完成车位线的提取。
本发明的有益效果是:
1)本发明综合利用从LiDAR数据提取的车辆中轴线和从正射影像数据提取的准确车位线信息进行停车场结构的构建,能够有效解决传统的基于影像的停车场结构提取过程中面临的光照变化、阴影效应、透视变形以及车辆遮盖等问题,从而可以准确高精度地进行停车场结构的构建。
2)本发明利用套合的车辆中轴线和车位线信息,提出一种基于最大相交方向的方法,有效地了实现停车道的划分,准确性高。
3)本发明在停车场结构参数的计算中,充分利用了车辆中轴线信息和车位线信息,与传统的仅使用车位线信息相比,利用的信息更全面更可靠,计算得到的结构参数准确性和精度更高。
4)本发明在提取停车场结构的过程中,使用从正射影像数据中提取的车位线作为约束,当生长的车位线与从提取的车位线距离较近时,将其移动至提取车位线位置,从而有效地减少了生长过程中的传递误差,提高了停车场结构提取的精度。
附图说明
下面结合附图对本发明的基于LiDAR数据与正射影像的停车场结构提取方法作进一步说明。
图1是本发明实施例的正射影像数据。
图2是本发明实施例的LiDAR数据。
图3是图2中提取的疑似车辆面片。
图4是图2中提取的车辆面片。
图5是提取的车辆面片的中轴线。
图6是图1中检测到的的线段图。
图7是对图6筛选后得到的结果图。
图8是本发明实施例划分的停车道的结果图。
图9是本发明实施例的停车场车位线生长示意图。
图10是本发明实施例提取的停车场结构图。
具体实施方式
实施例
本实施例的正射影像数据和LiDAR数据分别如图1和图2所示,其中正射影像数据分辨率为5cm,LiDAR数据以不同的灰度值表示不同的高程,平均点间距为1m,高程精度为15cm,平面精度为30cm。
本实施例的基于LiDAR数据与正射影像的停车场结构提取方法,采用ArcGIS9.3、matlab2009、Visual Studio2008以及开源软件Edge Detection and ImageSegmentation system共同完成,包括以下步骤:
第一步、利用LiDAR数据将停车场分为空地区域和非空地区域。
本实施例使用数学形态学方法的打开操作提取车辆。对于LiDAR数据来说,打开操作可以消除点集中小于指定窗口大小高值区域。这里利用数学形态学打开操作对LiDAR进行滤波,设定窗口大小为0.5m,得到的疑似车辆面片如图3所示,共30个面片。
第二步、提取Li DAR数据中非空地区域的疑似车辆面片,对疑似车辆面片进行筛选,去除非车辆面片,并生成车辆面片的中轴线。具体方法如下:
4a)本实施例中经过第一步滤波后LiDAR数据中的疑似车辆面片中,存在一些小灌丛、小房屋等非车辆面片。根据面片的几何特征对疑似车辆面片进行筛选,采用的几何特征包括最大高程差、面积和最小外接矩形长宽比。其中最大高程差阈值设置为3m,面积阈值设置为3-12m2,要求最小外接矩形长宽比小于4,得到的车辆面片如附图4所示,共19个面片。
4b)本实施例中对提取得到的19个车辆面片的边缘进行离散化,使用离散点在多边形内部构建不规则三角网。
4c)从每个起始节点开始,连接该点与所在三角形的对边中点,由该中点继续生长,若该中点有两个未生长三角形,则计算这两个三角形的面积,向面积较大的三角形方向生长,直到到达另一个起始节点。
4d)在骨架线分支处,以分支部分的面积为标准,舍弃面积较小的分支,保留面积较大的分支,直至终止于多边形的两个节点,即得到主骨架线;对于主骨架线的各个节点使用最小二乘拟合算法进行拟合,即得到了多边形中轴线,即车辆面片的中轴线。如图5所示,为对所有车辆面片检测车辆中轴线得到的结果。
第三步、检测正射影像数据中空地区域的边缘信息,提取影像数据中的矢量边缘线段,得到空地区域中的停车场车位线。
本实施例使用Edison边缘检测算子检测正射影像影像中空地区域的边缘信息,使用Hough变换提取矢量边缘线段,得到如附图6所示的结果。
对空地区域的矢量边缘线段,将角度小于5度、平行距离小于0.3m且中点距离小于2m的线段编组;当编组内存在两条以上线段时,根据这些线段的端点采用随机采样一致性算法拟合出一条新的线段,完成车位线的提取,如图7所示,共29条车位线。
第四步、套合非空地区域中的车辆中轴线和空地区域中的车位线,对两者进行筛选,对筛选后的车辆中轴线和车位线依其最大相交方向划分停车道。
本实施例将车辆中轴线与车位线套合后,把互相之间夹角小于5°的线段为一编组;对编组后的线段根据最大相交方向方法进行停车道划分的方法,具体如下:
1a)对所述编组中任一条线段中心点为圆心构建半圆,将半圆均分为12个扇形,依次将每个扇形的中心线双向延伸,记录每一中心线与其相交的所述编组中其他线段的数量,其中相交线段数量最多的中心线所在的方向为该线段的最大相交方向;
1b)每个编组内所有线段中相交线段数量最多的最大相交方向为该编组的主方向;
1c)计算编组内的所有线段中心点到所述编组主方向的距离,对距离值通过聚类计算进行编组,属于同一编组的线段即位于同一停车道。
使用最大相交方向得到的停车道结果如图8所示,共四个停车道。
第五步、计算停车场结构参数,包括:停车道方向和停车道位置、停车位方向、停车位长度、停车位宽度。
本实施例计算停车场结构参数,具体方法如下:
2a)停车道方向及位置:将位于同一停车道上的车辆中轴线的中点拟合直线,如果某停车道缺失车辆中轴线,则用该停车道上较长的车位线中点拟合直线,拟合得到的直线为停车道中心线,停车道中心线的斜率即为该停车道方向,截距即为停车道位置;本例中得到停车道方向为58.2°,四个停车道截距(位置)分别为2567516、2567496、2567486、2567466;
2b)停车位方向:将停车道的车位线角度的平均值作为该停车道的停车位候选方向,当停车位候选方向一侧是停车道或停车场边缘,则该侧方向为该停车道的停车位方向;本例中四个停车道停车位方向分别为:149°,-31°,149°,-31°;
2c)停车位长度:对于纵向和斜向停车道,在车位线及车辆中轴线中长度最长的线段即为停车位长度;对于横向停车道,在车位线中长度最长的线段即为停车位长度;本例中停车位长度为4.85m;
2d)停车位宽度:对于纵向和横向停车道,找到所有相邻平行车位线之间的距离中出现次数最多的距离区间,该距离区间内所有平行车位线之间距离的平均值为停车位宽度;对于斜向停车道,停车位宽度需要转化为其在停车道方向上的长度,即其中α为停车道方向和车位线的夹角,D为车位线之间的平行距离。本例中距离区间的宽度取0.3m,距离区间按照(0,0.3],(0.3,0.6]…进行划分,本例计算到的停车位宽度为2.47m。
第六步,依据所述停车场结构参数构建停车场的车位线,并生成停车道的分割线,完成对停车场结构的提取。
本实施例根据上述的停车场结构参数构建停车场车位线的方法,具体如下:
3a)构建起始车位线——从每一停车道中选择任一从正射影像中提取的车位线,以其与相应停车道中心线的交点为中心,沿平行于所述停车位方向双向延伸,使其长度等于所述停车位长度,得到起始车位线,图9中短实线为起始车位线;
3b)生成车位线——以起始车位线为起点,沿着平行于停车道方向以停车位宽度为间隔双向生长,生长的过程中(如图9所示,短实线为起始车位线,短虚线为生长出的车位线),如果生长的车位线与最近邻车位线距离在0.3m之内,则沿停车道方向平行移动生长的车位线,使其与提取的车位线重合度最高;以生长的车位线为参照,继续向两侧生长,直到停车场边缘;
3c)生成停车道分割线——对每一停车道,在其停车位方向一侧,连接各车位线的端点,形成停车道分割线,完成停车场结构的提取。
本实施例最终提取的停车场结构如图10所示。
本发明综合利用从LiDAR数据提取的车辆中轴线和从正射影像数据提取的准确车位线信息进行停车场结构的构建,能够有效解决传统的基于影像的停车场结构提取过程中面临的光照变化、阴影效应、透视变形以及车辆遮盖等问题,从而可以准确高精度地进行停车场结构的构建。
本发明基于LiDAR数据与正射影像的停车场结构提取方法不局限于上述实施例所述的具体技术方案,凡采用等同替换形成的技术方案均为本发明要求的保护范围。
Claims (5)
1.一种基于LiDAR数据与正射影像的停车场结构提取方法,包括以下步骤:
第一步、利用LiDAR数据将停车场分为空地区域和非空地区域;
第二步、提取LiDAR数据中非空地区域的疑似车辆面片,对疑似车辆面片进行筛选,去除非车辆面片,并生成车辆面片的中轴线;
在LiDAR数据中生成非空地区域的车辆面片中轴线的具体方法如下:
4a)对非空地区域的数据根据最大高程差、面积和最小外界矩形长宽比进行筛选,提取非空地区域中的车辆面片;
4b)对车辆面片的边缘进行离散化,使用离散点在车辆面片的多边形内部构建不规则三角网,其中相邻三角形个数为1的离散点为起始节点;
4c)从每个起始节点开始,连接该点与所在三角形的对边中点,由该中点继续生长,若该中点有两个未生长三角形,则计算这两个三角形的面积,向面积较大的三角形方向生长,直到到达另一个起始节点;
4d)在骨架线分支处,以分支部分的面积为标准,舍弃面积较小的分支,保留面积较大的分支,直至终止于多边形的两个节点,即得到主骨架线;对于主骨架线的各个节点进行拟合,即得到了多边形中轴线,即车辆面片的中轴线;
第三步、检测正射影像数据中空地区域的边缘信息,提取影像数据中的矢量边缘线段,得到空地区域中的停车场车位线;
第四步、套合非空地区域中的车辆中轴线和空地区域中的车位线,对两者进行筛选,互相之间夹角小于预设角度值β的车辆中轴线和车位线为一编组,其中预设角度值β的范围为3-5°,对筛选后的车辆中轴线和车位线依其最大相交方向划分停车道;
对编组后的线段根据最大相交方向方法进行停车道划分的方法,具体如下:
1a)对所述编组中任一条线段中心点为圆心构建半圆,将半圆均分为n个扇形,依次将每个扇形的中心线双向延伸,记录每一中心线与其相交的所述编组中其他线段的数量,其中相交线段数量最多的中心线所在的方向为该线段的最大相交方向;其中n的范围为8-16;
1b)每个编组内所有线段中相交线段数量最多的最大相交方向为该编组的主方向;
1c)计算编组内的所有线段中心点到所述编组主方向的距离,对距离值通过聚类计算进行编组,属于同一编组的线段即位于同一停车道;
第五步、计算停车场结构参数,包括:停车道方向和停车道位置、停车位方向、停车位长度和停车位宽度;
第六步、依据所述停车场结构参数构建停车场的车位线,并生成停车道的分割线,完成对停车场结构的提取。
2.根据权利要求1所述的基于LiDAR数据与正射影像的停车场结构提取方法,其特征在于,第五步中,计算停车场结构参数的方法如下:
2a)停车道方向及位置:将位于同一停车道上的车辆中轴线的中点拟合直线,如果某停车道缺失车辆中轴线,则用该停车道上较长的车位线中点拟合直线,拟合得到的直线为停车道中心线,停车道中心线的斜率即为该停车道方向,截距即为停车道位置;
2b)停车位方向:将停车道的车位线角度的平均值作为该停车道的停车位候选方向,当停车位候选方向一侧是停车道或停车场边缘,则该侧方向为该停车道的停车位方向;
2c)停车位长度:对于纵向和斜向停车道,在车位线及车辆中轴线中长度最长的线段即为停车位长度;对于横向停车道,在车位线中长度最长的线段即为停车位长度;
2d)停车位宽度:对于纵向和横向停车道,找到所有相邻平行车位线之间的距离中出现次数最多的距离区间,该距离区间内所有平行车位线之间距离的平均值为停车位宽度;对于斜向停车道,停车位宽度需要转化为其在停车道方向上的长度,即其中L为停车位在停车道方向上的长度,α为停车道方向和车位线的夹角,D为车位线之间的平行距离。
3.根据权利要求2所述的基于LiDAR数据与正射影像的停车场结构提取方法,其特征在于,第六步中,根据所述停车场结构参数构建停车场车位线的方法具体如下:
3a)构建起始车位线——从每一停车道中选择任一从正射影像中提取的车位线,以其与相应停车道中心线的交点为中心,沿平行于所述停车位方向双向延伸,使其长度等于所述停车位长度,得到起始车位线;
3b)生成车位线——以起始车位线为起点,沿着平行于停车道方向以停车位宽度为间隔双向生长,生长的过程中,如果生长的车位线与最近邻车位线距离在0.3m之内,则沿停车道方向平行移动生长的车位线,使其与提取的车位线重合度最高;以生长的车位线为参照,继续向两侧生长,直到停车场边缘;
3c)生成停车道分割线——对每一停车道,在其停车位方向一侧,连接各车位线的端点,形成停车道分割线,完成停车场结构的提取。
4.根据权利要求1所述的基于LiDAR数据与正射影像的停车场结构提取方法,其特征在于:在第一步中使用数学形态法对LiDAR数据进行滤波,将停车场划分为空地区域和非空地区域。
5.根据权利要求1所述的基于LiDAR数据与正射影像的停车场结构提取方法,其特征在于,在第三步中从正射影像数据中提取空地区域停车场车位线的方法具体如下:提取正射影像数据中空地区域的矢量边缘线段,将角度小于5度、平行距离小于0.3m且中点距离小于2m的线段编组;当编组内存在两条以上线段时,根据这些线段的端点拟合出一条新的线段,完成车位线的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210483627.8A CN102938064B (zh) | 2012-11-23 | 2012-11-23 | 基于LiDAR数据与正射影像的停车场结构提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210483627.8A CN102938064B (zh) | 2012-11-23 | 2012-11-23 | 基于LiDAR数据与正射影像的停车场结构提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102938064A CN102938064A (zh) | 2013-02-20 |
CN102938064B true CN102938064B (zh) | 2015-06-17 |
Family
ID=47696959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210483627.8A Expired - Fee Related CN102938064B (zh) | 2012-11-23 | 2012-11-23 | 基于LiDAR数据与正射影像的停车场结构提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102938064B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3392093A4 (en) * | 2015-12-17 | 2019-04-17 | Nissan Motor Co., Ltd. | METHOD AND DEVICE FOR ASSISTING PARKING |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400387B (zh) * | 2013-08-06 | 2018-10-09 | 上海合合信息科技发展有限公司 | 在图像中线段吸附的方法及装置,构造多边形的方法及装置 |
CN103399696B (zh) | 2013-08-16 | 2018-10-09 | 上海合合信息科技发展有限公司 | 直线/线段吸附的方法及装置,构造多边形的方法及装置 |
DE102015211114A1 (de) * | 2015-06-17 | 2016-12-22 | Robert Bosch Gmbh | Verwaltung eines Parkplatzes |
CN106887020A (zh) * | 2015-12-12 | 2017-06-23 | 星际空间(天津)科技发展有限公司 | 一种基于LiDAR点云的道路纵横断面获取方法 |
US10078790B2 (en) | 2017-02-16 | 2018-09-18 | Honda Motor Co., Ltd. | Systems for generating parking maps and methods thereof |
CN110472580B (zh) * | 2019-08-16 | 2022-04-05 | 北京茵沃汽车科技有限公司 | 基于全景影像的检测车位的方法、装置、存储介质 |
CN111739043B (zh) * | 2020-04-13 | 2023-08-08 | 北京京东叁佰陆拾度电子商务有限公司 | 一种停车位绘制方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
CN102521884A (zh) * | 2011-12-16 | 2012-06-27 | 南京大学 | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8060271B2 (en) * | 2008-06-06 | 2011-11-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Detecting principal directions of unknown environments |
US20110169957A1 (en) * | 2010-01-14 | 2011-07-14 | Ford Global Technologies, Llc | Vehicle Image Processing Method |
-
2012
- 2012-11-23 CN CN201210483627.8A patent/CN102938064B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
CN102521884A (zh) * | 2011-12-16 | 2012-06-27 | 南京大学 | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 |
Non-Patent Citations (1)
Title |
---|
集成多视航空影像与LiDAR数据重建3维建筑物模型;程亮等;《测绘学报》;20091231;第38卷(第6期);全文 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3392093A4 (en) * | 2015-12-17 | 2019-04-17 | Nissan Motor Co., Ltd. | METHOD AND DEVICE FOR ASSISTING PARKING |
Also Published As
Publication number | Publication date |
---|---|
CN102938064A (zh) | 2013-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102938064B (zh) | 基于LiDAR数据与正射影像的停车场结构提取方法 | |
CN102968634B (zh) | 一种主方向约束下的停车场结构提取方法 | |
CN103020342B (zh) | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 | |
CN105184852A (zh) | 一种基于激光点云的城市道路识别方法及装置 | |
CN103886152B (zh) | 基于城市下凹式立交桥区dem的流域汇水范围制作方法 | |
CN106023312A (zh) | 基于航空LiDAR数据的三维建筑物模型自动重建方法 | |
CN110208819A (zh) | 一种多个障碍物三维激光雷达数据的处理方法 | |
CN108254758A (zh) | 基于多线激光雷达和gps的三维道路构建方法 | |
CN105844629A (zh) | 一种大场景城市建筑物立面点云自动分割方法 | |
CN104166163B (zh) | 基于三维大数据量地震数据体的断层曲面自动提取方法 | |
CN105139434B (zh) | 露天矿山道路网自动构建方法及*** | |
CN104866670B (zh) | 基于gps时空轨迹的路网拓扑变化自动检测方法及*** | |
CN106887020A (zh) | 一种基于LiDAR点云的道路纵横断面获取方法 | |
CN105572687A (zh) | 一种基于车载激光雷达点云制作建筑物数字线划图的方法 | |
CN105701862A (zh) | 一种基于点云的地物关键点提取方法 | |
CN103324916B (zh) | 基于建筑轮廓的车载和航空LiDAR数据配准方法 | |
CN101807352A (zh) | 一种模糊模式识别的车位检测方法 | |
CN105787921A (zh) | 利用机载LiDAR数据重建大型复杂立交桥三维模型的方法 | |
CN101915570B (zh) | 一种基于灭点的地面移动测量影像线段自动提取分类方法 | |
CN102592454A (zh) | 一种基于车辆侧面与路面交线检测的交叉口车辆运动参数测量方法 | |
CN103927788A (zh) | 基于城市竖向规划的建筑地物分层dem模型制作方法 | |
CN104574512A (zh) | 一种顾及地形语义信息的多尺度dem构建方法 | |
CN108133081B (zh) | 基于bim技术的检验立体车库的方法及*** | |
CN110276952B (zh) | 一种交通信息模拟采集方法及装置 | |
CN102096072A (zh) | 一种城市部件自动化测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150617 Termination date: 20171123 |
|
CF01 | Termination of patent right due to non-payment of annual fee |