CN107704837A - 道路网拓扑和几何信息的提取方法 - Google Patents
道路网拓扑和几何信息的提取方法 Download PDFInfo
- Publication number
- CN107704837A CN107704837A CN201710981117.6A CN201710981117A CN107704837A CN 107704837 A CN107704837 A CN 107704837A CN 201710981117 A CN201710981117 A CN 201710981117A CN 107704837 A CN107704837 A CN 107704837A
- Authority
- CN
- China
- Prior art keywords
- road
- network structure
- geological information
- topological sum
- extracting method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种道路网拓扑和几何信息的提取方法。该方法包括如下步骤:采用深度学习对高精度正射航拍影像进行道路分割获得二值图像,对所述二值图像进行预处理;处理预处理得到的图像以生长出道路的整个网状结构;对所述道路的整个网状结构进行修正以得到正确的道路网拓扑信息。该方法在基于深度学习对高精度航拍影像进行精细道路分割的基础上,提供预处理方法,以减小道路分割存在的误检和漏检的影响,表现出了很好的鲁棒性,能够全自动生成完整、正确的道路网拓扑和几何信息。
Description
技术领域
本发明涉及道路拓扑和几何信息的提取方法,尤其涉及道路拓扑和几何信息的提取方法。
背景技术
从卫星遥感和航拍影像中自动地提取道路,是一个已经进行了20多年的研究课题。已有的方式主要利用计算机视觉和机器学习技术,采用边缘检测、特征提取、模板匹配、动态规划、模糊集、多尺度检测、随机场模型或神经网络等方法,进行道路的提取。但由于道路提取问题的复杂性(如道路上有车辆和行人、道路面颜色与建筑顶部颜色接近、道路与周围地面无明显分界和存在树木遮挡等),提取的准确度和鲁棒性一直是实现自动化的阻碍。目前道路提取及道路网拓扑和几何信息的生成仍然以人工为主。
通过网络和专利搜索,与本发明最为接近的技术方案如下:
(1)专利《一种基于自适应聚类学习的道路网提取的方法》(专利号申请号:201610273017.3)。该方法需要解决的目标问题包括路网提取。路网提取是在分段提取道路的基础上,基于路段连接的几何结构进行拼接来进行的,然后基于交叉结构再进行拼接的修正。
(2)专利《一种基于K means的高分辨率遥感地图道路提取方法》(专利申请号:201410219942.9)。该方法需要解决的目标问题是道路提取,但输出为原始图像的道路分割图像,而不是结构化的道路网拓扑和几何信息。该方法使用了连通域过滤来降噪,并对图像进行了骨架提取。
现有的技术主要利用计算机视觉和机器学习技术进行道路提取,并在提取过程中生成道路中心线和拓扑信息。道路网拓扑和几何信息的准确性受限于算法所能够达到的道路提取的准确性,并影响了技术的最终价值。同时,现有的研究大多关注在道路网的图像分割上,很少涉及可用于导航路线规划和辅助高精度地图车道线提取的道路网拓扑和几何信息的自动生成上。
深度学习在图像分割领域,已经表现出了传统计算机视觉和机器学习技术无法比拟的优势。尤其在存在海量标记样本数据的情况下,深度学习具有获得持续性能提升的潜力。
使用深度学习卷积神经网络对高精度正射航拍影像进行道路精细分割,可较大程度提升分割的准确率,但由于道路分割问题的复杂性,仍然会出现错检和漏检的情况。
发明内容
本发明解决的问题是现有道路拓扑和几何信息的提取存在错检和漏检的情况、不能自动提取以及鲁棒性差的问题。
为解决上述问题,本发明提供一种道路网拓扑和几何信息的提取方法,该方法包括如下步骤:采用深度学习对高精度正射航拍影像进行道路分割获得二值图像,对所述二值图像进行预处理;处理预处理得到的图像以生长出道路的整个网状结构;对所述道路的整个网状结构进行修正以得到正确的道路网拓扑信息。
在进一步方案中,所述预处理是采用计算机视觉形态学方法和连通域分析进行所述预处理。
在进一步方案中,所述预处理包括先对二值图像进行降采样;接着,使用形态学闭运算-先膨胀后腐蚀所述降采样得到的图像,以填充细小空洞和连接邻近区域;最后,后使用连通域分析,得到图像上所有的连通域,只保留最大面积的连通域。
在进一步方案中,所述生长出道路的整个网状结构包括:从预处理的图像中提取网状结构的结点;对所有结点使用种子填充算法,迭代生长出整个的网状结构。
在进一步方案中,所述预处理的图像中提取网状结构的结点包括:采用骨架提取算法获得单像素骨架,再通过均值滤波对所述单像素骨架图像进行卷积运算而提取网状结构的结点。
在进一步方案中,所述方法还包括对图像进行卷积操作后,统计所有大于255/3的像素作为网状结构的结点,对于所有相邻结点,只保留一个,删除其它所有与之相邻结点,从而获得了网状结构的所有结点。
在进一步方案中,所述对所述道路的整个网状结构进行修正包括设计网状算子去除网状结构中的短边。
在进一步方案中,所述对所述道路的整个网状结构进行修正包括设计网状算子去除网状结构中的小桥。
在进一步方案中,所述对所述道路的整个网状结构进行修正还包括对网状结构的每条边进行曲线拟合,并进行去噪和光滑。
在进一步方案中,所述对所述道路的整个网状结构进行修正还包括对去噪和光滑的图像进行矢量化,并对每条边进行抽稀,去除多余的点。
与现有技术相比,本发明至少具有以下优点:
由于本发明对采用深度学习对高精度正射航拍影像进行道路分割获得二值图像,对所述二值图像进行预处理,对分割结果的漏检和错检进行了修正;处理预处理得到的图像以全自动生长出道路的整个网状结构;对所述道路的整个网状结构进行修正以得到正确的道路网拓扑信息。这样,实现了全自动生成道路网拓扑和几何信息。经测试,算法具有高鲁棒性。生成的路网信息可用于传统的导航路线规划,也可用于高精度地图生产的道路段分割和车道线提取。
附图说明
图1是本发明道路网拓扑和几何信息的提取方法的流程图;
图2是迭代生长的流程图;
图3是基于深度学习的道路分割二值图;
图4是通过本发明的方法生成的道路网;
图5是手工绘制的道路二值图像;
图6是通过本发明的方法生成的道路网。
具体实施方式
为详细说明本发明的技术内容、构造特征、所达成目的及功效,下面将结合实施例并配合附图予以详细说明。
本发明在采用深度学习卷积神经网络对高精度正射航拍影像进行道路分割的基础上,采用计算机视觉形态学方法和连通域分析,对分割结果中错检和漏检的情况进行了修正;然后采用骨架提取算法,提取了道路图像网状结构的单像素骨架;再通过均值滤波对单像素骨架图像进行卷积运算,提取了网状结构的结点;然后对所有结点使用种子填充算法,迭代生长出整个网状结构;并设计了两个网状算子:去除短边和小桥,对生成的网状结构进行修剪;之后对网状结构的每条边进行曲线拟合,进行去噪和光滑;再进行矢量化,并对每条边进行抽稀,去除多余的点。至此,道路网拓扑和几何信息自动生成完毕。
请参阅图1和图2,本发明道路网拓扑和几何信息的提取方法包括如下步骤:
本发明的技术方案将道路网拓扑和几何信息的自动生成分成三个阶段:道路分割二值图像的预处理、道路网状结构的自动生成和修正。
(1)道路分割二值图像的预处理
在道路分割二值图像的预处理阶段,首先进行图像的降采样,以提升后续算法的执行速度。降采样的程度取决于后续应用对于道路网几何定位精度的要求。对于导航路线规划和给高精度车道的提取提供道路方向和形状信息等应用,对于道路网几何定位精度要求不高,可使用较大的采样率。通过降采样,得到了较小分辨率的二值图像后,使用形态学闭运算-先膨胀后腐蚀,以填充细小空洞和连接邻近区域。然后使用连通域分析,得到图像上所有的连通域,只保留最大面积的连通域,从而去除了所有孤立的小区域。然后进入下一阶段。
(2)道路网状结构的自动生成
在道路网状结构的自动生成阶段,对预处理获得的图像进行骨架提取,得到了单像素宽度的路网骨架。使用3X3的1/9单位矩阵作为核进行均值滤波,对图像进行卷积操作后,统计所有大于255/3的像素作为网状结构的结点(3条边相交的点),对于所有相邻结点,只保留一个,删除其它所有与之相邻结点,从而获得了网状结构的所有结点。
以下操作对道路所有结点执行,如图2所示。获得结点的相邻像素点集,先上下左右,再对角线。然后对所有相邻像素点做循环,判断该点是否为“使用过”。如果没有,则创建一条起始于该结点的边,并将该像素点加入边的点序列中,标记该像素点为“使用过”的点。对该边启动生长迭代,并传入相邻像素点集,作为下一迭代的生长需要排除的点。在边的生长迭代中,取得该边的点序列中的最后一个点,作为种子,获
得它的所有相邻像素点集。在相邻像素点集中去除从上一步骤传入该迭代的需要排除的点,去除所有已经“使用过”的点,去除该边的第一个结点。然后对剩下的相邻像素点集做循环,如果相邻像素点为结点,则将该结点加入边,并结束该边的迭代生长;否则将相邻像素点加入边的点序列,标记该像素点为“使用过”的点,然后启动新一轮的生长迭代,并传入相邻像素点集,作为下一迭代的生长需要排除的点。通过以上迭代算法,可以生长出整个网状结构。
(3)道路网状结构的自动修正
通过以上迭代算法生成的网状结构,因为道路分割的误检和骨架提取算法的特点,会包含短边和小桥。它们不属于道路网信息,应该予以删除。本技术方案通过构建了去除短边和小桥这两种网状结构算子,可以有效地去除所有短边和小桥,从而得到正确的道路网拓扑信息。
去除短边的网状结构算子的具体实现为:遍历所有边,获得长度小于预设阈值的且只有单个节点的边,在网状结构中删除该边和节点。
去除小桥的网状结构算子的具体实现为:遍历所有边,获得长度小于预设阈值的且有两个节点的边,在网状结构中删除该边,并将该边的两个节点合并为一个节点。
在目前获得网状结构中,各条边中的点序列仍然是端点为结点的相邻像素点集合。本技术方案对该点序列进行了曲线拟合,生成了新的点序列。拟合的过程对原有的点序列进行了降噪和光顺,从而得到了更好的边的形状信息。
然后对新的点序列进行矢量化,用LineString来描述每条边,边的点序列中每两个相邻点构成了LineString的线段。在矢量化的基础上,对每条边的LineString进行抽稀,以得到描述形状所需的最小点集。
到目前为止,道路网拓扑和几何信息的自动生成已全部完成。
基于自动生成的道路网拓扑和几何信息,可实现导航路径的规划。并可给定高精度航拍影像中道路上的一点,以获得该点处的道路方向和曲率信息。该信息可用于实现在高精度地图中车道线自动提取过程的降噪处理,去除所有经边缘滤波发现的与道路方向不符的边缘。
请参阅图3至图6,由于本发明对采用深度学习对高精度正射航拍影像进行道路分割获得二值图像,对所述二值图像进行预处理;处理预处理得到的图像以生长出道路的整个网状结构;对所述道路的整个网状结构进行修正以得到正确的道路网拓扑信息,这样,不会出现错检和漏检的情况,表现出了很好的鲁棒性,能够全自动生成完整、正确的道路网拓扑和几何信息。
Claims (10)
1.一种道路网拓扑和几何信息的提取方法,其特征是:该方法包括如下步骤:
采用深度学习对高精度正射航拍影像进行道路分割获得二值图像,对所述二值图像进行预处理;
处理预处理得到的图像以生长出道路的整个网状结构;
对所述道路的整个网状结构进行修正以得到正确的道路网拓扑信息。
2.如权利要求1所述的道路网拓扑和几何信息的提取方法,其特征是:所述预处理是采用计算机视觉形态学方法和连通域分析进行所述预处理。
3.如权利要求2所述的道路网拓扑和几何信息的提取方法,其特征是:所述预处理包括先对二值图像进行降采样;接着,使用形态学闭运算-先膨胀后腐蚀所述降采样得到的图像,以填充细小空洞和连接邻近区域;最后,后使用连通域分析,得到图像上所有的连通域,只保留最大面积的连通域。
4.如权利要求1所述的道路网拓扑和几何信息的提取方法,其特征是:所述生长出道路的整个网状结构包括:从预处理的图像中提取网状结构的结点;对所有结点使用种子填充算法,迭代生长出整个的网状结构。
5.如权利要求4所述的道路网拓扑和几何信息的提取方法,其特征是:所述预处理的图像中提取网状结构的结点包括:采用骨架提取算法获得单像素骨架,再通过均值滤波对所述单像素骨架图像进行卷积运算而提取网状结构的结点。
6.如权利要求5所述的道路网拓扑和几何信息的提取方法,其特征是:所述方法还包括对图像进行卷积操作后,统计所有大于255/3的像素作为网状结构的结点,对于所有相邻结点,只保留一个,删除其它所有与之相邻结点,从而获得了网状结构的所有结点。
7.如权利要求1所述的道路网拓扑和几何信息的提取方法,其特征是:所述对所述道路的整个网状结构进行修正包括设计网状算子去除网状结构中的短边,包括遍历所有边,获得长度小于预设阈值的且只有单个节点的边,在网状结构中删除该边和节点。
8.如权利要求1或7所述的道路网拓扑和几何信息的提取方法,其特征是:所述对所述道路的整个网状结构进行修正包括设计网状算子去除网状结构中的小桥,包括遍历所有边,获得长度小于预设阈值的且有两个节点的边,在网状结构中删除该边,并将该边的两个节点合并为一个节点。
9.如权利要求8所述的道路网拓扑和几何信息的提取方法,其特征是:所述对所述道路的整个网状结构进行修正还包括对网状结构的每条边进行曲线拟合,并进行去噪和光滑。
10.如权利要求9所述的道路网拓扑和几何信息的提取方法,其特征是:所述对所述道路的整个网状结构进行修正还包括对去噪和光滑的图像进行矢量化,并对每条边进行抽稀,去除多余的点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710981117.6A CN107704837A (zh) | 2017-10-19 | 2017-10-19 | 道路网拓扑和几何信息的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710981117.6A CN107704837A (zh) | 2017-10-19 | 2017-10-19 | 道路网拓扑和几何信息的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107704837A true CN107704837A (zh) | 2018-02-16 |
Family
ID=61181313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710981117.6A Pending CN107704837A (zh) | 2017-10-19 | 2017-10-19 | 道路网拓扑和几何信息的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704837A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472416A (zh) * | 2018-11-15 | 2019-03-15 | 索奇智能科技(北京)有限公司 | 基于自动路网数据提取的室内路径规划方法及装置、客户端 |
CN109558801A (zh) * | 2018-10-31 | 2019-04-02 | 厦门大学 | 道路网络提取方法、介质、计算机设备及*** |
CN109948477A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 一种提取图片中道路网络拓扑点的方法 |
CN110389991A (zh) * | 2018-04-12 | 2019-10-29 | 腾讯大地通途(北京)科技有限公司 | 地图路段的报错处理方法、装置和存储介质 |
CN111507153A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 用分割得分图和聚类图检测车道线的后处理方法以及装置 |
CN112950665A (zh) * | 2021-02-01 | 2021-06-11 | 武汉大学 | 一种曲线状目标半自动提取方法及*** |
CN113724385A (zh) * | 2021-07-30 | 2021-11-30 | 深圳市普渡科技有限公司 | 机器人拓扑地图生成***、方法、计算机设备及存储介质 |
CN114399124A (zh) * | 2022-03-24 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 路径数据处理、路径规划方法、装置和计算机设备 |
CN114627257A (zh) * | 2022-03-15 | 2022-06-14 | 北京百度网讯科技有限公司 | 三维路网地图的构建方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364259A (zh) * | 2008-04-09 | 2009-02-11 | 武汉大学 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 |
CN101901343A (zh) * | 2010-07-20 | 2010-12-01 | 同济大学 | 基于立体约束的遥感影像道路提取方法 |
CN101976335A (zh) * | 2010-09-03 | 2011-02-16 | 浙江大学 | 基于改进c-v模型的遥感图路网提取方法 |
CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
CN105719300A (zh) * | 2016-01-22 | 2016-06-29 | 黄河水利委员会信息中心 | 基于sne流形学习的河道主溜线检测方法 |
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106919915A (zh) * | 2017-02-22 | 2017-07-04 | 武汉极目智能技术有限公司 | 基于adas***的地图道路标记及道路质量采集装置及方法 |
-
2017
- 2017-10-19 CN CN201710981117.6A patent/CN107704837A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364259A (zh) * | 2008-04-09 | 2009-02-11 | 武汉大学 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 |
CN101901343A (zh) * | 2010-07-20 | 2010-12-01 | 同济大学 | 基于立体约束的遥感影像道路提取方法 |
CN101976335A (zh) * | 2010-09-03 | 2011-02-16 | 浙江大学 | 基于改进c-v模型的遥感图路网提取方法 |
CN104657978A (zh) * | 2014-12-24 | 2015-05-27 | 福州大学 | 一种基于遥感图像道路形状特征的道路提取方法 |
CN105719300A (zh) * | 2016-01-22 | 2016-06-29 | 黄河水利委员会信息中心 | 基于sne流形学习的河道主溜线检测方法 |
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106919915A (zh) * | 2017-02-22 | 2017-07-04 | 武汉极目智能技术有限公司 | 基于adas***的地图道路标记及道路质量采集装置及方法 |
Non-Patent Citations (6)
Title |
---|
J. AMINI 等: "Automatic road-side extraction from large scale imagemaps", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》 * |
J.B. MENA: "Automatic vectorization of segmented road networks by geometrical and topological analysis of high resolution binary images", 《KNOWLEDGE BASED SYSTEMS》 * |
刘如意 等: "一种自动的高分辨率遥感影像道路提取方法", 《西安电子科技大学学报(自然科学版)》 * |
李峰 等: "机载LiDAR点云提取城市道路网的半自动方法", 《测绘科学》 * |
栾学晨 等: "城市道路网主干道提取的形态分析方法", 《武汉大学学报·信息科学版》 * |
赵晓峰: "高分辨率遥感影像城区道路提取方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110389991B (zh) * | 2018-04-12 | 2022-02-22 | 腾讯大地通途(北京)科技有限公司 | 地图路段的报错处理方法、装置和存储介质 |
CN110389991A (zh) * | 2018-04-12 | 2019-10-29 | 腾讯大地通途(北京)科技有限公司 | 地图路段的报错处理方法、装置和存储介质 |
CN109558801A (zh) * | 2018-10-31 | 2019-04-02 | 厦门大学 | 道路网络提取方法、介质、计算机设备及*** |
CN109472416B (zh) * | 2018-11-15 | 2022-05-13 | 索奇智能科技(北京)有限公司 | 基于自动路网数据提取的室内路径规划方法及装置、客户端 |
CN109472416A (zh) * | 2018-11-15 | 2019-03-15 | 索奇智能科技(北京)有限公司 | 基于自动路网数据提取的室内路径规划方法及装置、客户端 |
CN111507153B (zh) * | 2019-01-31 | 2023-12-15 | 斯特拉德视觉公司 | 用分割得分图和聚类图检测车道线的后处理方法以及装置 |
CN111507153A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 用分割得分图和聚类图检测车道线的后处理方法以及装置 |
CN109948477B (zh) * | 2019-03-06 | 2022-05-13 | 东南大学 | 一种提取图片中道路网络拓扑点的方法 |
CN109948477A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 一种提取图片中道路网络拓扑点的方法 |
CN112950665A (zh) * | 2021-02-01 | 2021-06-11 | 武汉大学 | 一种曲线状目标半自动提取方法及*** |
CN113724385A (zh) * | 2021-07-30 | 2021-11-30 | 深圳市普渡科技有限公司 | 机器人拓扑地图生成***、方法、计算机设备及存储介质 |
CN114627257A (zh) * | 2022-03-15 | 2022-06-14 | 北京百度网讯科技有限公司 | 三维路网地图的构建方法、装置、电子设备和存储介质 |
CN114399124A (zh) * | 2022-03-24 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 路径数据处理、路径规划方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704837A (zh) | 道路网拓扑和几何信息的提取方法 | |
CN109409263B (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
Wegner et al. | Road networks as collections of minimum cost paths | |
Bastani et al. | Roadtracer: Automatic extraction of road networks from aerial images | |
CN111738165B (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
CN110853026B (zh) | 一种融合深度学习与区域分割的遥感影像变化检测方法 | |
CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
CN103927526B (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
CN112541483B (zh) | Yolo和分块-融合策略结合的稠密人脸检测方法 | |
CN107871124A (zh) | 一种基于深度神经网络的遥感图像目标检测方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN108875595A (zh) | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 | |
CN110443818A (zh) | 一种基于涂鸦的弱监督语义分割方法与*** | |
CN111126287B (zh) | 一种遥感影像密集目标深度学习检测方法 | |
Sun et al. | Information fusion for rural land-use classification with high-resolution satellite imagery | |
Ni et al. | HyperSfM | |
CN109271928A (zh) | 一种基于矢量路网融合与高分遥感影像验证的道路网自动更新方法 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
CN106910188A (zh) | 基于深度学习的遥感影像中机场跑道的检测方法 | |
CN106169186A (zh) | 基于水平集运动目标检测中获取初始轮廓的方法 | |
Attarzadeh et al. | Object-based building extraction from high resolution satellite imagery | |
Ok | Automated extraction of buildings and roads in a graph partitioning framework | |
Zhang | A method for continuous extraction of multispectrally classified urban rivers | |
CN107480693A (zh) | 条件随机场框架嵌入配准信息的弱监督图像场景理解方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180216 |
|
WD01 | Invention patent application deemed withdrawn after publication |