CN109948477B - 一种提取图片中道路网络拓扑点的方法 - Google Patents
一种提取图片中道路网络拓扑点的方法 Download PDFInfo
- Publication number
- CN109948477B CN109948477B CN201910168334.2A CN201910168334A CN109948477B CN 109948477 B CN109948477 B CN 109948477B CN 201910168334 A CN201910168334 A CN 201910168334A CN 109948477 B CN109948477 B CN 109948477B
- Authority
- CN
- China
- Prior art keywords
- point
- road
- nodes
- points
- node
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
- Instructional Devices (AREA)
Abstract
本发明提出了一种提取图片中道路网络拓扑点的方法,可快速、准确地识别路网的节点、拐点及中间节点。该方法包含了图片信息读取、图片预处理、骨架图扫描获取拓扑点和道路节点、删除多余节点四个步骤。本发明方法基于图片识别提取路网拓扑点,为获取路网数据及拓扑关系提供基础。此方法拓展了虚拟道路交通***基础数据库构建方法,实现批量快速获取路网拓扑点数据,可应用于规划区域道路。同时,本方法使得地图软件呈现的路网图片得到充分利用,拓展路网数据来源。
Description
技术领域
本发明涉及基于图像处理的虚拟道路交通***基础数据库构建领域,涉及一种提取图片中道路网络拓扑点的方法。
背景技术
虚拟道路交通***基础数据库构建是指建立道路网络数据库,核心包括获取并存储路网节点、拓扑邻接关系及道路走向数据。道路网络作为多行业的基础交通信息数据,在城市规划、交通规划、出行导航服务、抢险救援、军事等方面具有重要应用。道路网络构建的关键在于拓扑点,如何快速批量获取道路拓扑点数据意义重大。
当前虚拟道路交通***基础数据库构建方法分为人工输入和批量导入。人工输入依靠人力输入由GPS卫星导航设备等获得的路网数据。这一过程费时费力,效率低下。对于批量导入,当前主要基于免费开源网站OSM(Open Street Map)下载道路网络数据。而OSM网站所提供道路网络数据均为现有道路数据,对于规划区域或待建路段则缺少数据,基于OSM的虚拟道路交通基础数据库批量构建方法的普适性受到限制。
近年来,随着信息技术的发着及移动网络的普及,人们获得越来越便捷的出行导航及指引服务:“百度地图”、“高德地图”等以图形化界面向用户展示地理信息数据并提供出行服务。专业地图信息提供商有着精准、完善的道路交通网络数据,是构建虚拟道路交通***基础数据库绝佳的数据来源。但基础数据库保密,用户仅可使用地图软件提供的所列明开放的API(应用程序编程接口)功能对API相关服务数据的结果进行展示,不能直接存取使用内部数据、程序、模块等。如何运用地图软件提供的展示结果,如道路图片等构建虚拟道路交通***基础数据库可以有效提高效率,充分利用现有资源。为此,东南大学李东亚等提出的通过识别图片中的道路获取路网拓扑点的方法为获取道路拓扑点数据提供了一种切实可行的新方案,为基于图像识别路网提供基础。
通过识别图片中的道路,获取路网拓扑点,得到基础交通网络数据。这一方法可以批量操作,提高虚拟道路交通***基础数据库的构建速度,降低成本。不仅如此,该方法还适用于区域规划,适用范围广,并可以有效利用地图软件展示的图形数据,快速获取路网拓扑点,为构建虚拟道路交通网络数据库奠定基础。
发明内容
为了解决以上问题,本发明提供一种提取图片中道路网络拓扑点的方法,可快速、准确地识别路网的节点、拐点及中间节点,包含了依次进行的图片信息读取、图片预处理、骨架图扫描获取拓扑点和道路节点、删除多余节点。以图像识别为基础批量、快速获取路网拓扑点数据,为构建虚拟道路交通网络数据库提供基础,为达此目的,本发明提出一种提取图片中道路网络拓扑点的方法,包括如下步骤:
步骤1,图片信息读取及转化。该步骤主要包括:读取图片、去除图片噪声、二值化,具体流程为:读入照片,并输入图中拟提取道路所对应颜色的阈值范围;进行图像去噪处理,消除可能被误判为道路的干扰色,使用均值滤波去除图片中与道路颜色近似的噪声,减少对后续道路信息提取步骤的干扰;结合图片信息,根据图片中对应的道路颜色属性提取路网的二维位置信息,并存储至二值矩阵中,得到二值化图像;
步骤2,图片预处理,即道路图像膨胀及提取网络骨架。由于像素判断误差,二值化图像中的路段断开,步骤1得到的二值化路网图可能出现道路连接中断的现象,也就是会出现“断头路”,该步骤对步骤1得到的二值化图像进行膨胀处理,目的在于膨胀提取的道路,连接部分“断头路”,提高信息准确性,其次提取膨胀后的二值化图像的骨架,得到路网骨架图,简单进行二值化处理的图像不易提取完整道路拓扑信息,因此,对二值化后的图像进行膨胀处理,得到道路的骨架;
步骤3,扫描骨架网络。初步得到路网拓扑点和道路节点,其中拓扑点是能表示路网线形的拐点、路段交点和顶点,其中路段交点和顶点即是道路节点,首先判断像素点是否为道路像素点,若为道路像素点则依据周围道路像素点的个数判断此像素点为孤立点、路段顶点、拐点和中间点,若像素点被判别为拐点和中间点这一类,再依据道路走向得出像素点的具体类别;
步骤4,删除多余节点。此步骤为对步骤3的修正,步骤3的方法会造成节点冗余,即路网中的一个交叉口可能会识别出若干个节点,根据步骤3的判断规则得到的所有节点,总数记为n,依次判断该节点是否属于冗余节点,记已判断的节点数为i,第i个节点的坐标为(xi,yi)。判断节点i周围的节点个数,根据实例分析,取i节点周围的24个像素点为分析范围,即判断第xi-2至第xi+2行、第yi-2至第yi+2行范围内是否存在节点,若有,则删除该节点,此时该节点即变为拓扑点,仍保留在拓扑点文件中,保证路网的完整连通性,然后判断删除后剩下的并且未判断过的节点是否为冗余节点,以此类推,直至所有节点都被判断过。
作为本发明进一步改进,所属步骤3的具体流程为:
步骤31,初始化,依次扫描道路骨架图的像素点,其中忽略骨架图中最***的像素点,即对于一个m*n的骨架图,只扫描第2至第m-1行、第2至第n-1列的像素点;
步骤32,判断(2,2)位置的像素点的值,即该位置是否有道路经过,若为0,则读取下一个像素点,并判断下一个像素点属性;若为1,则进入步骤33;
步骤33:判断该像素点的属性,即是否是拐点或节点,判断该点周围8邻域的取值情况,记num为该点周围值为1的像素点的个数,即该点周围的道路连接信息,由于是骨架图,所以该点周围的像素信息即可反应其道路连接信息,判断规则如下:
若Num=0,则该点为孤立点,返回步骤32读取下一个点;
若Num=1,则该点为路段顶点,即该点即是拓扑点,又是节点,记录该点的坐标并编号,其中节点编号和拓扑点编号相同,将该点的编号和坐标信息输出至拓扑点和节点对应的文件中;
若Num=2,则该点为拐点或中间点,中间点不能表示路网信息,故不输出,判断该点为拐点或中间点的方法如下:设置方向标签,为该点8邻域中的每个点设置方向标签,其中对向的两个点的方向标签的和为零,记该点周围的方向标签的和为Flag,则若Flag=0,则该点为中间点;若Flag≠0,则该点为拐点,记录该点的坐标并编号,将该点的编号和坐标信息输出至拓扑点文件中;
若Num>2,则该点为路段交点,即该点即是拓扑点,又是节点,记录该点的坐标并编号,其中节点编号和拓扑点编号相同,将该点的编号和坐标信息输出至拓扑点和节点对应的文件中。
作为本发明进一步改进,所述步骤3中的拓扑点是指能表示路网线形的拐点、路段交点和顶点。
本发明提出的一种提取图片中道路网络拓扑点的方法,与现有技术相比,具有以下优点:
本发明提出了基于图像识别获取路网拓扑点数据的方法,扩展了虚拟道路交通***基础数据库构建方法。相比传统的人工采集、输入路网拓扑点数据的繁琐过程,可快速批量建立基础路网数据库。同时,本发明提出的方法,相较于当前主流的基于OSM获取路网基础数据的方法适用性更强,除可以获取现有道路网络拓扑点外,还可应用于有道路规划图的规划区域,以及具有满足分辨率要求的道路图片的其他任意情形,如过去的路网状态等。
本发明提出了一种快速判断道路像素点类型的判断算法,为每个待判断的像素点增加了其8邻域点的方向标签,通过标签判断像素点的属性。只需计算像素点周围像素点个数,以及周围像素点方向所对应的方向标签的和即可判断道路像素点类型,算法简单易用,复杂度为常数级别,可快速得到像素点类型,具备应用于大型复杂道路网络的条件,实际应用价值高。
本发明充分考虑到如何运用地图软件这一非开放的地理信息数据源,利用地图软件展示的图片结果,获取道路的拓扑点数据。地图软件展示界面可缩放,本发明提出的通过识别图片中的道路获取路网中拓扑点的方法可得到任意比例尺,任意范围内道路网络拓扑点数据,扩展虚拟道路交通***数据库构建的信息来源。本发明提出了一种通过识别图片中的道路获取路网中拓扑点的方法,可识别路网的节点、拐点以及中间点,为图像识别路网提供基础。
附图说明
图1为本发明像素点8邻域内点的方向标签示意图;
图2为本发明道路图片骨架提取示意图;
图3为本发明像素点属性判断示意图;
图4为本发明交叉口冗余节点示意图;
图5为本发明像素点24邻域示意图;
图6为本发明规划路网原始图;
图7为本发明规划路网二值化图;
图8为本发明规划路网骨架图;
图9为本发明提取规划路网节点的结果示意图;
图10为本发明方法的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种提取图片中道路网络拓扑点的方法,可识别路网的节点、拐点及中间节点。该方法包含了依次进行的图片信息读取、图片预处理、骨架图扫描获取拓扑点和道路节点、删除多余节点,利用图像识别获取道路网络基础。本发明方法基于图片识别提取路网拓扑点,拓展了虚拟道路交通***基础数据库的构建方法。
本发明提供一种提取图片中道路网络拓扑点的方法,可快速、准确地识别路网的节点、拐点及中间节点,包含了依次进行的图片信息读取、图片预处理、骨架图扫描获取拓扑点和道路节点、删除多余节点。以图像识别为基础批量、快速获取路网拓扑点数据,为构建虚拟道路交通网络数据库提供基础。为达此目的,本发明提供一种提取图片中道路网络拓扑点的方法,具体步骤如下:
步骤1,图片信息读取及转化。该步骤主要包括:读取图片、去除图片噪声、二值化。具体流程为:读入照片,并输入图中拟提取道路所对应颜色的阈值范围;进行图像去噪处理,消除可能被误判为道路的干扰色,使用均值滤波去除图片中与道路颜色近似的噪声,减少对后续道路信息提取步骤的干扰;结合图片信息,根据图片中对应的道路颜色属性提取路网的二维位置信息,并存储至二值矩阵中,得到二值化图像。
步骤2,图片预处理,即道路图像膨胀及提取网络骨架。由于像素判断误差,二值化图像中的路段断开,步骤1得到的二值化路网图可能出现道路连接中断的现象,也就是会出现“断头路”,该步骤对步骤1得到的二值化图像进行膨胀处理,目的在于膨胀提取的道路,连接部分“断头路”,提高信息准确性。其次提取膨胀后的二值化图像的骨架,得到路网骨架图。其次提取膨胀后的二值化图像的骨架,得到路网骨架图。简单进行二值化处理的图像不易提取完整道路拓扑信息,因此,对二值化后的图像进行膨胀处理,得到道路的骨架。具体实现时利用Python中的skimage函数,最终得到单像素表示的路网骨架信息,即道路宽度只有一个像素点,示意图如图2所示。
步骤3,扫描骨架网络,初步得到路网拓扑点和道路节点。其中拓扑点是能表示路网线形的拐点、路段交点和顶点,其中路段交点即是道路节点。具体实现步骤如下:
步骤31,初始化。依次扫描道路骨架图的像素点,其中忽略骨架图中最***的像素点,即对于一个m*n的骨架图,只扫描第2至第m-1行、第2至第n-1列的像素点。
步骤32,判断(2,2)处的像素点的值,即该位置是否有道路经过。若为0,则读取下一个像素点,并重新判断下一个像素点的值;若为1,则进入步骤33。
步骤33:判断该像素点的属性,即是否是拐点或节点。判断该点周围8邻域的取值情况。记num为该点周围值为1的像素点的个数,即该点周围的道路连接信息,由于是骨架图,所以该点周围的像素信息即可反应其道路连接信息。如图3所示,判断规则如下:
若Num=0,则该点为孤立点,返回步骤32读取并判断下一个点;
若Num=1,则该点为路段顶点,即该点即是拓扑点,又是节点,记录该点的坐标并编号,其中节点编号和拓扑点编号相同,将该点的编号和坐标信息输出至拓扑点和节点对应的文件中。
若Num=2,则该点为拐点或中间点,中间点不能表示路网信息,故不输出,判断该点为拐点或中间点的方法如下:设置方向标签,为该点8邻域中的每个点设置方向标签如图1所示,其中对向的点方向相加为零,记该点周围的方向标签的和为Flag。则若Flag=0,则该点为中间点;若Flag≠0,则该点为拐点,记录该点的坐标并编号,将该点的编号和坐标信息输出至拓扑点文件中。返回步骤32读取并判断下一个点;
若Num>2,则该点为路段交点,即该点即是拓扑点,又是节点,记录该点的坐标并编号,其中节点编号和拓扑点编号相同,将该点的编号和坐标信息输出至拓扑点和节点对应的文件中。返回步骤32读取并判断下一个点;
步骤4,删除多余节点。此步骤为对步骤3的修正。步骤3的方法会造成节点冗余,即路网中的一个交叉口可能会识别出若干个节点,如图4。
图4为一个道路交叉口的骨架图对应的像素点信息,根据步骤3的判断规则得到的所有节点,总数记为n,依次判断该节点是否属于冗余节点,记已判断的节点数为i,第i个节点的坐标为(xi,yi)。判断节点i周围的节点个数。根据提取图片骨架的算法以及大量的实例,我们取i节点周围的24个像素点为分析范围,即判断第xi-2至第xi+2行、第yi-2至第yi+2行范围内是否存在节点,判断区域如图5所示;若第i个节点周围存在节点,则将其周围的节点剔除,即将第i个节点周围的节点属性更改为普通拓扑点,此时该节点即变为拓扑点,仍保留在拓扑点文件中,这样既能删除多余的节点,又能保证路网的连通性。然后判断删除后剩下的并且未判断过的节点是否为冗余节点,以此类推,直至所有节点都被判断过。
作为本发明一种具体实施例,如图10所示为通过识别图片中的道路获取路网拓扑点的方法的总体流程图。下面结合图10对本发明方法作更进一步的说明。
通过识别图片中的道路获取路网拓扑点的方法,包括如下步骤:
步骤1,图片信息读取及转化。该步骤主要包括:读取图片、去除图片噪声、二值化。具体流程为:读入照片,如图6,并输入图中拟提取道路所对应颜色的阈值范围;进行图像去噪处理,消除可能被误判为道路的干扰色,使用均值滤波去除图片中与道路颜色近似的噪声,减少对后续道路信息提取步骤的干扰;结合图片信息,根据图片中对应的道路颜色属性提取路网的二维位置信息,并存储至二值矩阵中,得到二值化图像,如图7所示。
步骤2,图片预处理,即道路图像膨胀及提取网络骨架。由于像素判断误差,二值化图像中的路段断开,步骤1得到的二值化路网图可能出现道路连接中断的现象,也就是会出现“断头路”,该步骤对步骤1得到的二值化图像进行膨胀处理,目的在于膨胀提取的道路,连接部分“断头路”,提高信息准确性,其次提取膨胀后的二值化图像的骨架,得到路网骨架图。二值化图像不易提取道路拓扑信息,因此,对二值化后的道路进行细化处理,得到道路的骨架。具体实现时利用Python中的skimage函数,最终得到单像素表示的路网骨架信息,即道路宽度只有一个像素点,最终骨架图如图8所示。
步骤3,扫描骨架网络,初步得到路网拓扑点和道路节点。其中拓扑点时是能表示路网线形的拐点、路段交点和顶点,其中路段交点即是道路节点。具体实现步骤如下:
步骤31,初始化。依次扫描道路骨架图的像素点,其中忽略骨架图中最***的像素点,即对于一个l*h的骨架图,只扫描第2至第l-1行、第2至第h-1列的像素点。
步骤32,判断(2,2)位置的像素点的值,即该位置是否有道路经过。若为0,则读取下一个像素点,并判断下一个像素点属性;若为1,则进入步骤33。
步骤33:判断该像素点的属性,即是否是拐点或节点。判断该点周围8邻域的取值情况。记num为该点周围值为1的像素点的个数,即该点周围的道路连接信息,由于是骨架图,所以该点周围的像素信息即可反应其道路连接信息。判断规则如下:
若Num=0,则该点为孤立点,返回步骤32读取下一个点;
若Num=1,则该点为路段顶点,即该点即是拓扑点,又是节点,记录该点的坐标并编号,其中节点编号和拓扑点编号相同,将该点的编号和坐标信息输出至拓扑点和节点对应的文件中。
若Num=2,则该点为拐点或中间点,中间点不能表示路网信息,故不输出,判断该点为拐点或中间点的方法如下:设置方向标签,为该点8邻域中的每个点设置方向标签如图1所示,其中对向的点方向相加为零,记该点周围的方向标签的和为Flag。则若Flag=0,则该点为中间点;若Flag≠0,则该点为拐点,记录该点的坐标并编号,将该点的编号和坐标信息输出至拓扑点文件中。
若Num≥2,则该点为路段交点,即该点即是拓扑点,又是节点,记录该点的坐标并编号,其中节点编号和拓扑点编号相同,将该点的编号和坐标信息输出至拓扑点和节点对应的文件中。
步骤4,删除多余节点。此步骤为对步骤3的修正。步骤3的方法会造成节点冗余,即路网中的一个交叉口可能会识别出若干个节点。根据步骤3的判断规则得到的所有节点,总数记为n,依次判断该节点是否属于冗余节点,记已判断的节点数为i,第i个节点的坐标为(xi,yi)。判断节点i周围的节点个数。根据实例分析,取i节点周围的24个像素点为分析范围,即判断第xi-2至第xi+2行、第yi-2至第yi+2行范围内是否存在节点,若有,则删除该节点,此时该节点即变为拓扑点,仍保留在拓扑点文件中,保证路网的完整连通性。然后判断删除后剩下的并且未判断过的节点是否为冗余节点,以此类推,直至所有节点都被判断过。
图9为得到的路网拓扑点图,图中圆点为图像识别最终得到的节点,虚线为沿拐点可得到的道路线型,虚线为示意图。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (1)
1.一种提取图片中道路网络拓扑点的方法,包括如下步骤,其特征在于:
步骤1,图片信息读取及转化,该步骤主要包括:读取图片、去除图片噪声、二值化,具体流程为:读入照片,并输入图中拟提取道路所对应颜色的阈值范围;进行图像去噪处理,消除可能被误判为道路的干扰色,使用均值滤波去除图片中与道路颜色近似的噪声,减少对后续道路信息提取步骤的干扰;结合图片信息,根据图片中对应的道路颜色属性提取路网的二维位置信息,并存储至二值矩阵中,得到二值化图像;
步骤2,图片预处理,即道路图像膨胀及提取网络骨架,由于像素判断误差,二值化图像中的路段断开,步骤1得到的二值化路网图可能出现道路连接中断的现象,也就是会出现“断头路”,该步骤对步骤1得到的二值化图像进行膨胀处理,目的在于膨胀提取的道路,连接部分“断头路”,提高信息准确性,其次提取膨胀后的二值化图像的骨架,得到路网骨架图,简单进行二值化处理的图像不易提取完整道路拓扑信息,因此,对二值化后的图像进行膨胀处理,得到道路的骨架;
步骤3,扫描骨架网络,初步得到路网拓扑点和道路节点,其中拓扑点是能表示路网线形的拐点、路段交点和顶点,其中路段交点和顶点即是道路节点,首先判断像素点是否为道路像素点,若为道路像素点则依据周围道路像素点的个数判断此像素点为孤立点、路段顶点、拐点和中间点,若像素点被判别为拐点和中间点这一类,再依据道路走向得出像素点的具体类别;
所述步骤3中的拓扑点是指能表示路网线形的拐点、路段交点和顶点;
所属步骤3的具体流程为:
步骤31,初始化,依次扫描道路骨架图的像素点,其中忽略骨架图中最***的像素点,即对于一个m*n的骨架图,只扫描第2至第m-1行、第2至第n-1列的像素点;
步骤32,判断(2,2)位置的像素点的值,即该位置是否有道路经过,若为0,则读取下一个像素点,并判断下一个像素点属性;若为1,则进入步骤33;
步骤33:判断该像素点的属性,即是否是拐点或节点,判断该点周围8邻域的取值情况,记num为该点周围值为1的像素点的个数,即该点周围的道路连接信息,由于是骨架图,所以该点周围的像素信息即可反应其道路连接信息,判断规则如下:
若Num=0,则该点为孤立点,返回步骤32读取下一个点;
若Num=1,则该点为路段顶点,即该点即是拓扑点,又是节点,记录该点的坐标并编号,其中节点编号和拓扑点编号相同,将该点的编号和坐标信息输出至拓扑点和节点对应的文件中;
若Num=2,则该点为拐点或中间点,中间点不能表示路网信息,故不输出,判断该点为拐点或中间点的方法如下:设置方向标签,为该点8邻域中的每个点设置方向标签,其中对向的两个点的方向标签的和为零,记该点周围的方向标签的和为Flag,则若Flag=0,则该点为中间点;若Flag≠0,则该点为拐点,记录该点的坐标并编号,将该点的编号和坐标信息输出至拓扑点文件中;
若Num>2,则该点为路段交点,即该点即是拓扑点,又是节点,记录该点的坐标并编号,其中节点编号和拓扑点编号相同,将该点的编号和坐标信息输出至拓扑点和节点对应的文件中;
步骤4,删除多余节点,此步骤为对步骤3的修正,步骤3的方法会造成节点冗余,即路网中的一个交叉口可能会识别出若干个节点,根据步骤3的判断规则得到的所有节点,总数记为n,依次判断该节点是否属于冗余节点,记已判断的节点数为i,第i个节点的坐标为(xi,yi),判断节点i周围的节点个数,根据实例分析,取i节点周围的24个像素点为分析范围,即判断第xi-2至第xi+2行、第yi-2至第yi+2行范围内是否存在节点,若有,则删除该节点,此时该节点即变为拓扑点,仍保留在拓扑点文件中,保证路网的完整连通性,然后判断删除后剩下的并且未判断过的节点是否为冗余节点,以此类推,直至所有节点都被判断过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168334.2A CN109948477B (zh) | 2019-03-06 | 2019-03-06 | 一种提取图片中道路网络拓扑点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168334.2A CN109948477B (zh) | 2019-03-06 | 2019-03-06 | 一种提取图片中道路网络拓扑点的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948477A CN109948477A (zh) | 2019-06-28 |
CN109948477B true CN109948477B (zh) | 2022-05-13 |
Family
ID=67009148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910168334.2A Active CN109948477B (zh) | 2019-03-06 | 2019-03-06 | 一种提取图片中道路网络拓扑点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948477B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112164110B (zh) * | 2020-09-02 | 2022-05-31 | 南京星耀智能科技有限公司 | 一种基于骨骼化图片发现道路关键位置的方法 |
CN112212876A (zh) * | 2020-09-24 | 2021-01-12 | 南通路远科技信息有限公司 | 一种无人驾驶交通载具的导航寻径方法、装置及车辆 |
CN112212877A (zh) * | 2020-09-24 | 2021-01-12 | 南通路远科技信息有限公司 | 一种物联网无人驾驶车辆、导航路径计算方法及装置 |
CN112348917B (zh) * | 2020-10-16 | 2022-12-09 | 歌尔股份有限公司 | 一种路网地图实现方法、装置和电子设备 |
CN113177046B (zh) * | 2021-04-15 | 2024-05-03 | 北京世纪高通科技有限公司 | 路网拓扑图的生成方法、装置、设备及存储介质 |
CN113190642B (zh) * | 2021-07-02 | 2021-10-08 | 中山大学 | 一种城市路网架构连接线错误修正方法 |
CN113724279B (zh) * | 2021-11-01 | 2022-03-18 | 深圳市城市交通规划设计研究中心股份有限公司 | 路网自动划分交通小区的***、方法、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 |
CN114943842A (zh) * | 2022-04-18 | 2022-08-26 | 北京纵目安驰智能科技有限公司 | 基于车辆轨迹数据的路网提取方法、***、介质及终端 |
CN115878737B (zh) * | 2022-10-26 | 2023-09-01 | 中国电子科技集团公司第五十四研究所 | 一种基于路网数据的交叉口提取及拓扑结构描述方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704837A (zh) * | 2017-10-19 | 2018-02-16 | 千寻位置网络有限公司 | 道路网拓扑和几何信息的提取方法 |
CN107909187A (zh) * | 2017-10-19 | 2018-04-13 | 东南大学 | 一种快速匹配电子地图中公交站点与路段的方法 |
CN108021686A (zh) * | 2017-12-14 | 2018-05-11 | 东南大学 | 一种快速匹配电子地图中公交线路与道路网络的方法 |
KR101932214B1 (ko) * | 2017-11-30 | 2018-12-24 | 한국과학기술원 | 이미지 처리 기법을 이용하여 균열을 측정하기 위한 장치 및 그 방법 |
-
2019
- 2019-03-06 CN CN201910168334.2A patent/CN109948477B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704837A (zh) * | 2017-10-19 | 2018-02-16 | 千寻位置网络有限公司 | 道路网拓扑和几何信息的提取方法 |
CN107909187A (zh) * | 2017-10-19 | 2018-04-13 | 东南大学 | 一种快速匹配电子地图中公交站点与路段的方法 |
KR101932214B1 (ko) * | 2017-11-30 | 2018-12-24 | 한국과학기술원 | 이미지 처리 기법을 이용하여 균열을 측정하기 위한 장치 및 그 방법 |
CN108021686A (zh) * | 2017-12-14 | 2018-05-11 | 东南大学 | 一种快速匹配电子地图中公交线路与道路网络的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109948477A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948477B (zh) | 一种提取图片中道路网络拓扑点的方法 | |
Guo et al. | Deep building footprint update network: A semi-supervised method for updating existing building footprint from bi-temporal remote sensing images | |
WO2021232463A1 (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
Chen et al. | A methodology for automated segmentation and reconstruction of urban 3-D buildings from ALS point clouds | |
US7660441B2 (en) | System and method for fusing geospatial data | |
Heo et al. | Productive high-complexity 3D city modeling with point clouds collected from terrestrial LiDAR | |
US8340360B2 (en) | System and method for fusing vector data with imagery | |
Turker et al. | Building‐based damage detection due to earthquake using the watershed segmentation of the post‐event aerial images | |
Rüther et al. | Application of snakes and dynamic programming optimisation technique in modeling of buildings in informal settlement areas | |
CN110853057B (zh) | 基于全局和多尺度全卷积网络的航拍图像分割方法 | |
CN110009637B (zh) | 一种基于树形结构的遥感图像分割网络 | |
CN109993064B (zh) | 一种提取图片中道路网络节点间的连接路径的方法 | |
CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
CN111738113A (zh) | 基于双注意力机制与语义约束的高分辨遥感图像的道路提取方法 | |
CN113724279B (zh) | 路网自动划分交通小区的***、方法、设备及存储介质 | |
CN112733781A (zh) | 结合poi数据的城市功能区识别方法、存储介质和电子设备 | |
Tarsha Kurdi et al. | Automatic evaluation and improvement of roof segments for modelling missing details using Lidar data | |
CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与*** | |
CN106504219B (zh) | 有约束的路径形态学高分辨率遥感影像道路增强方法 | |
CN112733782B (zh) | 基于道路网的城市功能区识别方法、存储介质和电子设备 | |
CN109657728B (zh) | 样例生产方法及模型训练方法 | |
CN111626971B (zh) | 具有图像语义感知的智慧城市cim实时成像方法 | |
Zhang et al. | Vector data partition correction method supported by deep learning | |
CN111784822A (zh) | 具有图像语义感知的智慧城市cim实时成像方法 | |
Tutzauer et al. | Processing of crawled urban imagery for building use classification |
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 |