CN106780524A - 一种三维点云道路边界自动提取方法 - Google Patents
一种三维点云道路边界自动提取方法 Download PDFInfo
- Publication number
- CN106780524A CN106780524A CN201610996779.6A CN201610996779A CN106780524A CN 106780524 A CN106780524 A CN 106780524A CN 201610996779 A CN201610996779 A CN 201610996779A CN 106780524 A CN106780524 A CN 106780524A
- Authority
- CN
- China
- Prior art keywords
- point
- road boundary
- super voxel
- super
- distance
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims description 15
- 241000209094 Oryza Species 0.000 claims description 5
- 235000007164 Oryza sativa Nutrition 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 5
- 235000009566 rice Nutrition 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000012141 concentrate Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及点云处理领域,具体公开了一种三维点云道路边界自动提取方法,包括以下步骤:S1、对获得的整个三维点云数据集P,筛选种子点进行超体素划分;S2、使用α‑shape算法提取邻近非共面的超体素之间的边界点;S3、使用基于图割的能量最小化算法提取道路边界点;S4、基于欧几里得距离聚类算法去除离群点;S5、将提取的道路边界点拟合成平滑曲线。本发明的方法可以直接运行在大规模三维点云上,可用于不同场景,计算速度快,算法鲁棒性好,可快速提取道路边界。
Description
技术领域
本发明涉及点云处理领域,尤其是涉及一种三维点云道路边界自动提取方法。
背景技术
道路作为交通基础设施,其数字化的管理与建设对于城市规划、交通管理以及导航等应用具有重要的意义。车载激光扫描技术作为一项发展迅速的高新测绘技术,相比于传统测绘手段,具有数据获取速度快、数据精度高、非接触主动测量、实时性强等优势,在车辆正常行进过程中能快速获取道路及两侧地物详尽的三维空间信息,对于带状分布的道路信息获取具有明显优势。
传统获取道路信息的方法主要包括人工测量和数字摄影测量两张方式。人工测量虽然能够获得较为准确的道路坐标等信息,但是测量速度较慢,道路信息更新周期较长;数字摄影测量随着科学技术的发展和计算机等高新技术的广泛应用逐渐发展和成熟起来,但是受限于影像分辨率等原因,影像中提取的道路特征信息和精度要求仍然需要进一步提高。车载激光扫描***由全球定位***、惯性导航***、激光扫描仪和CCD相机等组成,成为获取三维空间数据的新手段。使用车载激光扫描技术能够有效地节省测量时间,提高测量效率,缩短道路信息更新周期,避免了交通环境下测量作业人员暴露的危险性,为城市空间资源的勘测与规划提供有力的技术保障。
然而,城市通常环境复杂,不仅附属部件复杂繁多,且被扫描目标之间相互遮挡造成数据缺失,对道路边界自动提取带来考验。此外,不同道路环境引起的复杂性(比如车辆停靠,植被环绕,栅栏等)加大了道路边界的自动提取难度。因此,从海量点云中快速、自动地提取道路边界难度大,要求高,但该技术具有重要的经济和应用需求,一直是国内外的研究热点。
目前,车载激光扫描数据处理方面的研究大多集中在地物点云分类、建筑物立面信息提取与建模、道路附属设施提取等方面,而对道路边界信息提取的研究相对较少,主要工作可以分为间接提取和直接提取两类。
间接提取的方法一般是首先使用点云的属性(高度、强度及波长等)产生深度图像,然后使用图像处理的方法(裁切、拟合以及滤波等)来检测、提取道路边界。对于间接提取的方法,即将点云转换成深度图像,然后使用图像处理的方法提取道路边界,这些方法势必会在转换过程中产生误差,很难获取准确的道路边界结果。
直接提取的方法一般是使用道路特征(比如平面、路牙子等)来检测、提取道路边界。常用的方法为用基于随机抽样一致(RANSAC)的方法提取道路面,然后用线性拟合的算法来得到道路边界。用高斯滤波的方法或者滑动窗口的方法来检测路牙子,由此获得道路边界。对于直接提取的方法而言,则对场景的应用范围有较大局限。使用基于随机抽样一致(RANSAC)的方法提取道路面,在面对道路起伏的情况时会有困难,往往提取的道路面也会损失一些细节。而使用高斯滤波的方法或者滑动窗口的方法来检测路牙子的方法,往往在面对不规则道路边界(比如墙,栅栏)或者植被环绕的情况时会有挑战。
发明内容
本发明的目的在于克服上述现有技术的不足,本发明提供一种三维点云道路边界自动提取方法,该方法可以直接运行在大规模三维点云上,可用于不同场景,计算速度快,算法鲁棒性好,可快速提取道路边界。
具体技术方案如下:
一种三维点云道路边界自动提取方法,包括以下步骤:
S1、对获得的整个三维点云数据集P,筛选种子点进行超体素划分;
S2、使用α-shape算法提取邻近非共面的超体素之间的边界点;
S3、使用基于图割的能量最小化算法提取道路边界点;
S4、基于欧几里得距离聚类算法去除离群点;
S5、将提取的道路边界点拟合成平滑曲线。
优选地,步骤S1对超体素的划分过程,具体如下:
S11、求解拟合平面Tp(pi):
对于整个三维点云数据集P的每个输入点pi,其切平面Tp(pi)可以表示为由其中心点oi和法向量nl组成的二元组,即
三维空间内的任一点p到Tp(pi)的距离可以表示为
记pi的K近邻构成的集合为Nbk(pi),通过求解下式可以得到最小二乘意义下的最佳拟合平面
然后采用迭代重加权的最小二乘法来优化拟合的平面
解带权最小二乘方程即可得到优化后的拟合平面Tp(pi)
对平面Tp(pi)重复上述过程,直到算法收敛。
S12、去除非地面点:
记最终构成切平面Tp(pi)的点集的协方差矩阵的三个特征值为λ1,λ2,和λ3,且满足λ1≥λ2≥λ3。则点pi的平滑度s(pi)可以表示为
使用下面两个限制来去除非地面点:
A、去除明显高于路面的点(zi≥5m)(zi为点pi的高度值);
B、去除其法向量与Z轴夹角大于22.5°的点。
S13、计算超体素fi:
将去除非地面点以后的点集Pg按照每个点的平滑度排序,首先选择平滑度大的点作为种子点。从种子点开始进行区域增长的方式来计算超体素。将超体素fi形式化的定义为一个有所属点集Pi,中心点oi,和法向量nl所构成的三元组对每个种子点seedi,令其初始的超体素fi的初始点集为{pi},中心点和法向量分别是Tp(pi).oi和Tp(pi).nl。然后,采用宽度优先的原则对fi进行区域增长。对每个候选点pj,如果满足(1)pj到pi的距离小于阈值Rseed;(2)向量Tp(pj).nl与Tp(pi).nl的夹角小于22.5°;(3)pj到Tp(pi)的距离小于阈值∈;则将pj加入到fi的点集中。当fi无法再扩展时,根据fi.pi使用最小二乘法拟合平面,并将fi.nlg更新为拟合平面的法向量。在这些初始小平面的基础上采用局部K均值聚类来将点赋值于超体素,并保证每个点到其所属的超体素的距离小于到其他超体素的距离。这里的距离函数定义为:
其中Ds,Dn和Di分别是欧几里得距离,法向量距离以及强度距离。ωs,ωn和ωi分别是对应的权值。
优选地,步骤S2使用α-shape算法提取邻近非共面的超体素之间的边界点的具体步骤为:
将点云分割成超体素以后,对于每个超体素,可以使用α-shape算法来提取边界点,同时,去除两个彼此共面的超体素之间的边界点,即如果两个超体素的法向量夹角小于22.5°,则删除这两个超体素之间的边界点,此时的边界点Pb包括道路边界点和非道路边界点。
优选地,步骤S3使用基于图割的能量最小化算法提取道路边界点,具体如下:
由车载激光扫描***提供车辆行驶轨迹线数据,将轨迹线数据作为图割算法的初始观测模型。能量公式定义为:
E(f)=Edata(f)+λ·Esmooth(f)
这里Pb是指步骤2中提取到的边界点的集合。n是pi所属超体素的点集的势。Δdj是指点pj到直线Lpi的距离。Δdi是指点pi邻域内所有点到直线Lpi的平均冗余。σ1是指所有点的平均冗余。直线Lpi定义为经过点pi且方向与距离pi最近的轨迹线的方向。
(xi,yi,zi),(xj,yj,zj)分别是点pi和pj的三维坐标,是指点pi和pj的欧式距离。这里表示的是如果点pi和pj分配的标签一致的话,代价为零,反之代价为
这里σ2指的是点集Pb的空间分辨率。使用图割算法求得上述能量公式最小值的结果即将边界点分为两类,一类是道路边界点,另一类是非道路边界点。
本发明的方案与现有技术相比,具有如下优点:
(1)本发明可以直接运行在大规模三维点云上,为道路边界的提取与定位提供一套快速有效地自动化解决方案。需要人为设置的参数非常少,减少了人为主观干预。与现有技术相比,本发明采用超体素分割和基于图割的最小化能量算法,在复杂的城市环境情况下依然可以有效提取道路边界,由于结合使用了车载***轨迹线数据进行计算,克服了点云数据遮挡,密度分布不均等缺点,使得结果稳定鲁棒,对不同场景都具有普适性,易于实际运用。
(2)本发明充分挖掘了点云的基础属性(空间距离,几何性质以及强度信息),将点云进行超体素分割,同时去除非地面点,提高了后续的计算效率。由于将种子点进行排序,优先选择的方法,超体素分割的结果非常好得保存了边界信息,提高了后续提取道路边界算法的鲁棒性。
(3)本发明在模型算法上进行了创新优化,首次提出基于图割的能量最小化算法,利用车载***提供的轨迹线数据,结合道路边界的内在特征来建立图割模型,有效快速地提取到道路边界。
附图说明
图1本发明技术方案的的流程示意图;
图2本发明实施例原始点云数据;
图3处理后的效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
本发明提出的基于车载激光扫描点云数据进行道路边界提取方法的具体实施方案如下(总的技术方案流程可见图1):
S1、对获得的整个三维点云数据集P,筛选种子点进行超体素划分(本实施例的原始点云数据可见图2);
超体素划分是指将邻近的性质一致的点聚拢为一个超级点,以此来减少数据处理的复杂度;
S11、求解拟合平面Tp(pi):
对于整个三维点云数据集P的每个输入点pi,其切平面Tp(pi)可以表示为由其中心点oi和法向量nl组成的二元组,即
三维空间内的任一点p到Tp(pi)的距离可以表示为
记pi的K近邻构成的集合为Nbk(pi),通过求解下式可以得到最小二乘意义下的最佳拟合平面
然后采用迭代重加权的最小二乘法来优化拟合的平面
解带权最小二乘方程即可得到优化后的拟合平面Tp(pi)
对平面Tp(pi)重复上述过程,直到算法收敛。
S12、去除非地面点:
记最终构成切平面Tp(pi)的点集的协方差矩阵的三个特征值为λ1,λ2,和λ3,且满足λ1≥λ2≥λ3。则点pi的平滑度s(pi)可以表示为
使用下面两个限制来去除非地面点:
A、去除明显高于路面的点(zi≥5m)(zi为点pi的高度值);
B、去除其法向量与Z轴夹角大于22.5°的点。
S13、计算超体素fi:
由此,将去除非地面点以后的点集Pg按照每个点的平滑度排序,首先选择平滑度大的点作为种子点。从种子点开始进行区域增长的方式来计算超体素。将超体素fi形式化的定义为一个有所属点集Pi,中心点oi,和法向量nl所构成的三元组对每个种子点seedi,令其初始的超体素fi的初始点集为{pi},中心点和法向量分别是Tp(pi).oi和Tp(pi).nl。然后,采用宽度优先的原则对fi进行区域增长。对每个候选点pj,如果满足(1)pj到pi的距离小于阈值Rseed;(2)向量Tp(pj).nl与Tp(pi).nl的夹角小于22.5°;(3)pj到Tp(pi)的距离小于阈值∈;则将pj加入到fi的点集中。当fi无法再扩展时,根据fi.pi使用最小二乘法拟合平面,并将fi.nlg更新为拟合平面的法向量。在这些初始小平面的基础上采用局部K均值聚类来将点赋值于超体素,并保证每个点到其所属的超体素的距离小于到其他超体素的距离。这里的距离函数定义为:
其中Ds,Dn和Di分别是欧几里得距离,法向量距离以及强度距离。ωs,ωn和ωi分别是对应的权值。
S2、使用α-shape算法提取邻近非共面的超体素之间的边界点;
将点云分割成超体素以后,对于每个超体素,可以使用α-shape算法来提取边界点。同时,去除两个彼此共面的超体素之间的边界点,即如果两个超体素的法向量夹角小于22.5°,则删除这两个超体素之间的边界点。此时的边界点Pb包括道路边界点和非道路边界点。
α-shape算法可以看作是闭包Convex Hull的扩展,它可以通过调整α参数计算更精细的闭包从而大致描述平面或空间上一群点的外形,具体是用某个固定半径的圆去套一对一对的点,当一对点都刚好落在圆上而且圆内不包含任何其他点的时候,这两个点就是形状的边界点。通过这样的方法找出所有的边界点,便描述出了Alpha shape。
S3、使用基于图割的能量最小化算法提取道路边界点;
接下来使用基于图割的能量最小化算法来提取道路边界点。车载激光扫描***提供车辆行驶轨迹线数据,观察到轨迹线数据与测量道路位置方向保持基本一致。由此将轨迹线数据作为图割算法的初始观测模型。能量公式定义为:
E(f)=Edata(f)+λ·Esmooth(f)
这里Pb是指步骤2中提取到的边界点的集合。n是pi所属超体素的点集的势。Δdj是指点pj到直线的距离。Δdi是指点pi邻域内所有点到直线的平均冗余。σ1是指所有点的平均冗余。直线定义为经过点pi且方向与距离pi最近的轨迹线的方向。
(xi,yi,zi),(xj,yj,zj)分别是点pi和pj的三维坐标,是指点pi和pj的欧式距离。这里表示的是如果点pi和pj分配的标签一致的话,代价为零,反之代价为
这里σ2指的是点集Pb的空间分辨率。使用图割算法求得上述能量公式最小值的结果即将边界点分为两类,一类是道路边界点,另一类是非道路边界点。
S4、基于欧几里得距离聚类算法去除离群点;
使用欧几里得距离聚类算法将上述获得的道路边界点进行聚类,并删除点数很小的类别,即聚类以后,如果一个类别包含的点的个数小于5,则删除这个类别。
S5、将提取的道路边界点拟合成平滑曲线。
将剩下的类分别拟合成光滑的曲线,由此就得到了道路边界。这里使用三次样条插值(Cubic Spline Interpolation)来拟合直线。
其中,图3为处理后的效果图,表示提取的道路。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (7)
1.一种三维点云道路边界自动提取方法,其特征在于:包括以下步骤:
S1、对获得的整个三维点云数据集P,筛选种子点进行超体素划分;
S2、使用α-shape算法提取邻近非共面的超体素之间的边界点;
S3、使用基于图割的能量最小化算法提取道路边界点;
S4、基于欧几里得距离聚类算法去除离群点;
S5、将提取的道路边界点拟合成平滑曲线。
2.根据权利要求1所述的一种三维点云道路边界自动提取方法,其特征在于:步骤S1对超体素的划分过程包括如下步骤:
S11、求解拟合平面Tp(pi);
S12、去除非地面点;
S13、计算超体素fi。
3.根据权利要求1所述的一种三维点云道路边界自动提取方法,其特征在于:步骤S2使用α-shape算法提取邻近非共面的超体素之间的边界点的具体步骤为:
将点云分割成超体素以后,对于每个超体素,可以使用α-shape算法来提取边界点,同时,去除两个彼此共面的超体素之间的边界点,即如果两个超体素的法向量夹角小于22.5°,则删除这两个超体素之间的边界点,此时的边界点Pb包括道路边界点和非道路边界点。
4.根据权利要求2所述的一种三维点云道路边界自动提取方法,其特征在于:
S11、求解拟合平面Tp(pi)具体步骤如下:
对于整个三维点云数据集P的每个输入点pi,其切平面Tp(pi)可以表示为由其中心点oi和法向量nl组成的二元组,即:
三维空间内的任一点p到Tp(pi)的距离可以表示为:
记pi的K近邻构成的集合为Nbk(pi),通过求解下式可以得到最小二乘意义下的最佳拟合平面:
然后采用迭代重加权的最小二乘法来优化拟合的平面:
解带权最小二乘方程即可得到优化后的拟合平面Tp(pi)
对平面Tp(pi)重复上述过程,直到算法收敛。
5.根据权利要求2所述的一种三维点云道路边界自动提取方法,其特征在于:
S12、去除非地面点的具体步骤如下:
记最终构成切平面Tp(pi)的点集的协方差矩阵的三个特征值为λ1,λ2,和λ3,且满足λ1≥λ2≥λ3,则点pi的平滑度s(pi)可以表示为:
使用下面两个限制来去除非地面点:
A、去除明显高于路面的点(zi≥5m)(zi为点pi的高度值);
B、去除其法向量与Z轴夹角大于22.5°的点。
6.根据权利要求2所述的一种三维点云道路边界自动提取方法,其特征在于:
S13、计算超体素fi的具体步骤如下:
将去除非地面点以后的点集Pg按照每个点的平滑度排序,首先选择平滑度大的点作为种子点,从种子点开始进行区域增长的方式来计算超体素;将超体素fi形式化的定义为一个有所属点集Pi,中心点oi,和法向量nl所构成的三元组对每个种子点seedi,令其初始的超体素fi的初始点集为{pi},中心点和法向量分别是Tp(pi).oi和Tp(pi).nl;然后,采用宽度优先的原则对fi进行区域增长,对每个候选点pj,如果满足(1)pj到pi的距离小于阈值Rseed;(2)向量Tp(pj).nl与Tp(pi).nl的夹角小于22.5°;(3)pj到Tp(pi)的距离小于阈值∈;则将pj加入到fi的点集中,当fi无法再扩展时,根据fi.pi使用最小二乘法拟合平面,并将fi.nlg更新为拟合平面的法向量;在这些初始小平面的基础上采用局部K均值聚类来将点赋值于超体素,并保证每个点到其所属的超体素的距离小于到其他超体素的距离,这里的距离函数定义为:
其中Ds,Dn和Di分别是欧几里得距离,法向量距离以及强度距离,ωs,ωn和ωi分别是这三个距离值对应的权值。
7.根据权利要求1所述的基于移动激光扫描***的城市道路树木特征目录获取算法,其特征在于:步骤S3使用基于图割的能量最小化算法提取道路边界点,具体如下:
将车载激光扫描***提供的车辆行驶轨迹线数据,作为初始观测模型,利用图割算法将边界点分为以下两类{“道路边界点”,“非道路边界点”},即图割算法的目标是,求得一个分类函数f给每个点分配一个标签fp∈L(L为类别集合{“道路边界点”,“非道路边界点”}),使得付出的代价最小,即使得能量公式最小化,
这里能量公式定义为:
E(f)=Edata(f)+λ·Esmooth(f)
这里Edata(f),即能量公式中的数据项,指的是分类结果与初始观测模型比较的误差,是分类过程中给每个点分配标签的代价,Esmooth(f),即能量公式中的光滑项,指的是分类函数f非光滑的程度,具体是指分类过程中每个点与邻近点之间分类结果不一致的代价,λ是光滑项Esmooth(f)的权重,这里按经验设置为32,其中,
这里Pb是指步骤2中提取到的边界点的集合。n是pi所属超体素的点集的势,Δdj是指点pj到直线的距离,Δdi是指点pi邻域内所有点到直线的平均冗余。σ1是指所有点的平均冗余,直线定义为经过点pi且方向与距离pi最近的轨迹线的方向,
(xi,yi,zi),(xj,yj,zj)分别是点pi和pj的三维坐标,是指点pi和pj的欧式距离,这里表示的是如果点pi和pj分配的标签一致的话,代价为零,反之代价为
这里σ2指的是点集Pb的空间分辨率,使用图割算法求得上述能量公式最小值的结果即将边界点分为两类,一类是道路边界点,另一类是非道路边界点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610996779.6A CN106780524B (zh) | 2016-11-11 | 2016-11-11 | 一种三维点云道路边界自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610996779.6A CN106780524B (zh) | 2016-11-11 | 2016-11-11 | 一种三维点云道路边界自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780524A true CN106780524A (zh) | 2017-05-31 |
CN106780524B CN106780524B (zh) | 2020-03-06 |
Family
ID=58973201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610996779.6A Active CN106780524B (zh) | 2016-11-11 | 2016-11-11 | 一种三维点云道路边界自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780524B (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107390152A (zh) * | 2017-07-14 | 2017-11-24 | 歌尔科技有限公司 | 一种磁力计的校准方法、装置及电子设备 |
CN107516098A (zh) * | 2017-07-30 | 2017-12-26 | 华南理工大学 | 一种基于边缘曲率角的目标轮廓三维信息提取方法 |
CN107657659A (zh) * | 2017-08-14 | 2018-02-02 | 南京航空航天大学 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
CN108615242A (zh) * | 2018-05-04 | 2018-10-02 | 重庆邮电大学 | 一种高速护栏跟踪方法 |
CN108831146A (zh) * | 2018-04-27 | 2018-11-16 | 厦门维斯云景信息科技有限公司 | 生成三维高清道路图交叉路口行车线的半自动点云方法 |
CN109241978A (zh) * | 2018-08-23 | 2019-01-18 | 中科光绘(上海)科技有限公司 | 地基三维激光点云中平面片的快速提取方法 |
CN109299739A (zh) * | 2018-09-26 | 2019-02-01 | 速度时空信息科技股份有限公司 | 基于法向量的曲面拟合对车载激光点云滤波的方法 |
CN109584294A (zh) * | 2018-11-23 | 2019-04-05 | 武汉中海庭数据技术有限公司 | 一种基于激光点云的路面点云提取方法和装置 |
CN109635641A (zh) * | 2018-11-01 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 道路边界线的确定方法、装置、设备和存储介质 |
CN109815943A (zh) * | 2019-03-18 | 2019-05-28 | 北京石油化工学院 | 一种危化品仓储堆垛图片样本生成方法及*** |
CN110044371A (zh) * | 2018-01-16 | 2019-07-23 | 华为技术有限公司 | 一种车辆定位的方法以及车辆定位装置 |
CN110046661A (zh) * | 2019-04-10 | 2019-07-23 | 武汉大学 | 一种基于上下文特征和图割算法的车载点云聚类方法 |
CN110060338A (zh) * | 2019-04-25 | 2019-07-26 | 重庆大学 | 一种基于bim模型的预制构件点云识别方法 |
CN110068834A (zh) * | 2018-01-24 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 一种路沿检测方法和装置 |
CN110222642A (zh) * | 2019-06-06 | 2019-09-10 | 上海黑塞智能科技有限公司 | 一种基于全局图聚类的平面建筑构件点云轮廓提取方法 |
CN110243369A (zh) * | 2019-04-30 | 2019-09-17 | 北京云迹科技有限公司 | 适用于机器人定位的远程建图方法及装置 |
CN110249741A (zh) * | 2019-06-05 | 2019-09-20 | 中国农业大学 | 一种基于点云模型的马铃薯种薯切块方法 |
CN110349252A (zh) * | 2019-06-30 | 2019-10-18 | 华中科技大学 | 一种基于点云边界构建小曲率零件实际加工曲线的方法 |
CN110458083A (zh) * | 2019-08-05 | 2019-11-15 | 武汉中海庭数据技术有限公司 | 一种车道线矢量化方法、装置及存储介质 |
CN110673107A (zh) * | 2019-08-09 | 2020-01-10 | 北京智行者科技有限公司 | 基于多线激光雷达的路沿检测方法及装置 |
CN110967024A (zh) * | 2019-12-23 | 2020-04-07 | 苏州智加科技有限公司 | 可行驶区域的检测方法、装置、设备及存储介质 |
CN111487646A (zh) * | 2020-03-31 | 2020-08-04 | 安徽农业大学 | 一种玉米植株形态在线检测方法 |
CN111553946A (zh) * | 2020-04-17 | 2020-08-18 | 中联重科股份有限公司 | 用于去除地面点云的方法及装置、障碍物检测方法及装置 |
CN111563457A (zh) * | 2019-12-31 | 2020-08-21 | 成都理工大学 | 一种无人驾驶汽车的道路场景分割方法 |
CN111768421A (zh) * | 2020-07-03 | 2020-10-13 | 福州大学 | 一种边缘感知的半自动点云目标分割方法 |
CN111783721A (zh) * | 2020-07-13 | 2020-10-16 | 湖北亿咖通科技有限公司 | 一种激光点云的车道线提取方法及电子设备 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 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 |
CN112560747A (zh) * | 2020-12-23 | 2021-03-26 | 苏州工业园区测绘地理信息有限公司 | 基于车载点云数据的车道边界交互式提取方法 |
CN112561808A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云和卫星影像的道路边界线复原方法 |
CN112731338A (zh) * | 2020-12-30 | 2021-04-30 | 潍柴动力股份有限公司 | 仓储物流agv小车障碍物检测方法、装置、设备及介质 |
CN112733696A (zh) * | 2021-01-04 | 2021-04-30 | 长安大学 | 一种基于多模型拟合的车载lidar道路边线提取方法 |
WO2021147551A1 (zh) * | 2020-01-23 | 2021-07-29 | 北京市商汤科技开发有限公司 | 点云数据处理方法、智能行驶方法及相关装置、电子设备 |
CN113378800A (zh) * | 2021-07-27 | 2021-09-10 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN113409332A (zh) * | 2021-06-11 | 2021-09-17 | 电子科技大学 | 一种基于三维点云的建筑物平面分割方法 |
CN114972377A (zh) * | 2022-05-24 | 2022-08-30 | 厦门大学 | 基于移动最小二乘法与超体素的3d点云分割方法和装置 |
CN117576144A (zh) * | 2024-01-15 | 2024-02-20 | 湖北工业大学 | 一种激光点云电力线提取方法、装置和电子设备 |
CN117726775A (zh) * | 2024-02-07 | 2024-03-19 | 法奥意威(苏州)机器人***有限公司 | 一种基于网格降采样的点云预处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559737A (zh) * | 2013-11-12 | 2014-02-05 | 中国科学院自动化研究所 | 一种对象全景建模方法 |
US20160154999A1 (en) * | 2014-12-02 | 2016-06-02 | Nokia Technologies Oy | Objection recognition in a 3d scene |
-
2016
- 2016-11-11 CN CN201610996779.6A patent/CN106780524B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559737A (zh) * | 2013-11-12 | 2014-02-05 | 中国科学院自动化研究所 | 一种对象全景建模方法 |
US20160154999A1 (en) * | 2014-12-02 | 2016-06-02 | Nokia Technologies Oy | Objection recognition in a 3d scene |
Non-Patent Citations (3)
Title |
---|
ANNE-LAURE CHAUVE ET AL: "Robust Piecewise-Planar 3D Reconstruction and Completion from Large-Scale Unstructured Point Data", 《2010 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
CHRISTIAN TEUTSCH ET AL: "A parallel point cloud clustering algorithm for subset segmentation and outlier detection", 《SPIE OPTICAL METROLOGY》 * |
DAWEI ZAI ET AL: "3D ROAD SURFACE EXTRACTION FROM MOBILE LASER SCANNING POINT CLOUDS", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107390152B (zh) * | 2017-07-14 | 2020-02-18 | 歌尔科技有限公司 | 一种磁力计的校准方法、装置及电子设备 |
CN107390152A (zh) * | 2017-07-14 | 2017-11-24 | 歌尔科技有限公司 | 一种磁力计的校准方法、装置及电子设备 |
CN107516098A (zh) * | 2017-07-30 | 2017-12-26 | 华南理工大学 | 一种基于边缘曲率角的目标轮廓三维信息提取方法 |
CN107516098B (zh) * | 2017-07-30 | 2021-08-10 | 华南理工大学 | 一种基于边缘曲率角的目标轮廓三维信息提取方法 |
CN107657659A (zh) * | 2017-08-14 | 2018-02-02 | 南京航空航天大学 | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 |
CN110044371A (zh) * | 2018-01-16 | 2019-07-23 | 华为技术有限公司 | 一种车辆定位的方法以及车辆定位装置 |
CN110068834A (zh) * | 2018-01-24 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 一种路沿检测方法和装置 |
CN110068834B (zh) * | 2018-01-24 | 2023-04-07 | 北京京东尚科信息技术有限公司 | 一种路沿检测方法和装置 |
CN108831146A (zh) * | 2018-04-27 | 2018-11-16 | 厦门维斯云景信息科技有限公司 | 生成三维高清道路图交叉路口行车线的半自动点云方法 |
CN108615242A (zh) * | 2018-05-04 | 2018-10-02 | 重庆邮电大学 | 一种高速护栏跟踪方法 |
CN108615242B (zh) * | 2018-05-04 | 2021-07-27 | 重庆邮电大学 | 一种高速护栏跟踪方法 |
CN109241978A (zh) * | 2018-08-23 | 2019-01-18 | 中科光绘(上海)科技有限公司 | 地基三维激光点云中平面片的快速提取方法 |
CN109241978B (zh) * | 2018-08-23 | 2021-09-07 | 中科光绘(上海)科技有限公司 | 地基三维激光点云中平面片的快速提取方法 |
CN109299739A (zh) * | 2018-09-26 | 2019-02-01 | 速度时空信息科技股份有限公司 | 基于法向量的曲面拟合对车载激光点云滤波的方法 |
CN109635641A (zh) * | 2018-11-01 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 道路边界线的确定方法、装置、设备和存储介质 |
CN109584294A (zh) * | 2018-11-23 | 2019-04-05 | 武汉中海庭数据技术有限公司 | 一种基于激光点云的路面点云提取方法和装置 |
CN109584294B (zh) * | 2018-11-23 | 2020-08-28 | 武汉中海庭数据技术有限公司 | 一种基于激光点云的路面点云提取方法和装置 |
CN109815943A (zh) * | 2019-03-18 | 2019-05-28 | 北京石油化工学院 | 一种危化品仓储堆垛图片样本生成方法及*** |
CN109815943B (zh) * | 2019-03-18 | 2021-02-09 | 北京石油化工学院 | 一种危化品仓储堆垛图片样本生成方法及*** |
CN110046661A (zh) * | 2019-04-10 | 2019-07-23 | 武汉大学 | 一种基于上下文特征和图割算法的车载点云聚类方法 |
CN110060338A (zh) * | 2019-04-25 | 2019-07-26 | 重庆大学 | 一种基于bim模型的预制构件点云识别方法 |
CN110243369A (zh) * | 2019-04-30 | 2019-09-17 | 北京云迹科技有限公司 | 适用于机器人定位的远程建图方法及装置 |
CN110249741A (zh) * | 2019-06-05 | 2019-09-20 | 中国农业大学 | 一种基于点云模型的马铃薯种薯切块方法 |
CN110222642A (zh) * | 2019-06-06 | 2019-09-10 | 上海黑塞智能科技有限公司 | 一种基于全局图聚类的平面建筑构件点云轮廓提取方法 |
CN110349252A (zh) * | 2019-06-30 | 2019-10-18 | 华中科技大学 | 一种基于点云边界构建小曲率零件实际加工曲线的方法 |
CN110458083A (zh) * | 2019-08-05 | 2019-11-15 | 武汉中海庭数据技术有限公司 | 一种车道线矢量化方法、装置及存储介质 |
CN110673107A (zh) * | 2019-08-09 | 2020-01-10 | 北京智行者科技有限公司 | 基于多线激光雷达的路沿检测方法及装置 |
CN110673107B (zh) * | 2019-08-09 | 2022-03-08 | 北京智行者科技有限公司 | 基于多线激光雷达的路沿检测方法及装置 |
CN110967024A (zh) * | 2019-12-23 | 2020-04-07 | 苏州智加科技有限公司 | 可行驶区域的检测方法、装置、设备及存储介质 |
CN111563457A (zh) * | 2019-12-31 | 2020-08-21 | 成都理工大学 | 一种无人驾驶汽车的道路场景分割方法 |
WO2021147551A1 (zh) * | 2020-01-23 | 2021-07-29 | 北京市商汤科技开发有限公司 | 点云数据处理方法、智能行驶方法及相关装置、电子设备 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 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 |
CN111487646A (zh) * | 2020-03-31 | 2020-08-04 | 安徽农业大学 | 一种玉米植株形态在线检测方法 |
CN111553946B (zh) * | 2020-04-17 | 2023-04-18 | 中联重科股份有限公司 | 用于去除地面点云的方法及装置、障碍物检测方法及装置 |
CN111553946A (zh) * | 2020-04-17 | 2020-08-18 | 中联重科股份有限公司 | 用于去除地面点云的方法及装置、障碍物检测方法及装置 |
CN111768421A (zh) * | 2020-07-03 | 2020-10-13 | 福州大学 | 一种边缘感知的半自动点云目标分割方法 |
CN111783721B (zh) * | 2020-07-13 | 2021-07-20 | 湖北亿咖通科技有限公司 | 一种激光点云的车道线提取方法及电子设备 |
CN111783721A (zh) * | 2020-07-13 | 2020-10-16 | 湖北亿咖通科技有限公司 | 一种激光点云的车道线提取方法及电子设备 |
CN112561808B (zh) * | 2020-11-27 | 2023-07-18 | 中央财经大学 | 一种基于车载激光点云和卫星影像的道路边界线复原方法 |
CN112561808A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云和卫星影像的道路边界线复原方法 |
CN112560747A (zh) * | 2020-12-23 | 2021-03-26 | 苏州工业园区测绘地理信息有限公司 | 基于车载点云数据的车道边界交互式提取方法 |
CN112731338A (zh) * | 2020-12-30 | 2021-04-30 | 潍柴动力股份有限公司 | 仓储物流agv小车障碍物检测方法、装置、设备及介质 |
CN112733696B (zh) * | 2021-01-04 | 2023-08-15 | 长安大学 | 一种基于多模型拟合的车载lidar道路边线提取方法 |
CN112733696A (zh) * | 2021-01-04 | 2021-04-30 | 长安大学 | 一种基于多模型拟合的车载lidar道路边线提取方法 |
CN113409332A (zh) * | 2021-06-11 | 2021-09-17 | 电子科技大学 | 一种基于三维点云的建筑物平面分割方法 |
CN113378800B (zh) * | 2021-07-27 | 2021-11-09 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN113378800A (zh) * | 2021-07-27 | 2021-09-10 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN114972377A (zh) * | 2022-05-24 | 2022-08-30 | 厦门大学 | 基于移动最小二乘法与超体素的3d点云分割方法和装置 |
CN117576144A (zh) * | 2024-01-15 | 2024-02-20 | 湖北工业大学 | 一种激光点云电力线提取方法、装置和电子设备 |
CN117576144B (zh) * | 2024-01-15 | 2024-03-29 | 湖北工业大学 | 一种激光点云电力线提取方法、装置和电子设备 |
CN117726775A (zh) * | 2024-02-07 | 2024-03-19 | 法奥意威(苏州)机器人***有限公司 | 一种基于网格降采样的点云预处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106780524B (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
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*** | |
Xia et al. | Geometric primitives in LiDAR point clouds: A review | |
CN112801022B (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
Zai et al. | 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts | |
CN106842231B (zh) | 一种道路边界检测及跟踪方法 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN106199558A (zh) | 障碍物快速检测方法 | |
CN110175576A (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
Wei | Building boundary extraction based on lidar point clouds data | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
CN111652241B (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
CN104657968B (zh) | 车载三维激光点云立面分类及轮廓线提取自动化方法 | |
Ye et al. | Robust lane extraction from MLS point clouds towards HD maps especially in curve road | |
CN111047695A (zh) | 一种城市群高度空间信息及等高线的提取方法 | |
CN109960269A (zh) | 一种服务于无人机自主导航的简化环境建模方法 | |
Cheng et al. | Three-dimensional reconstruction of large multilayer interchange bridge using airborne LiDAR data | |
CN113569915A (zh) | 一种基于激光雷达的多策略轨道交通障碍物识别方法 | |
CN109766824A (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
Xu et al. | A method of 3d building boundary extraction from airborne lidar points cloud | |
Rufei et al. | Research on a pavement pothole extraction method based on vehicle-borne continuous laser scanning point cloud | |
Qin et al. | A voxel-based filtering algorithm for mobile LiDAR data | |
Wang et al. | DRR-LIO: A dynamic-region-removal-based LiDAR inertial odometry in dynamic environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231214 Address after: 361000 Siming South Road, Xiamen, Fujian Province, No. 422 Patentee after: XIAMEN University Patentee after: National University of Defense Technology Address before: 361000 Siming South Road, Xiamen, Fujian Province, No. 422 Patentee before: XIAMEN University |