CN110909713A - 点云数据的轨道提取方法、***及介质 - Google Patents
点云数据的轨道提取方法、***及介质 Download PDFInfo
- Publication number
- CN110909713A CN110909713A CN201911234064.7A CN201911234064A CN110909713A CN 110909713 A CN110909713 A CN 110909713A CN 201911234064 A CN201911234064 A CN 201911234064A CN 110909713 A CN110909713 A CN 110909713A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- track
- plane
- orbit
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种点云数据的轨道提取方法、***及介质。其中,该方法包括:从获取的轨道场景点云数据中滤除干扰点云数据,得到轨道平面点云数据;根据所述轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线;根据所述轨道迹线,从所述轨道场景点云数据中提取轨道的点云数据。本发明的技术方案能够自动进行点云数据的轨道提取,无需人工参与,在降低成本的同时提高了点云数据轨道提取结果的准确性。
Description
技术领域
本发明实施例涉及激光雷达技术领域,尤其涉及一种点云数据的轨道提取方法、***及介质。
背景技术
随着环境感知技术的发展,轨道交通工具行驶的过程中,可基于安装在其上的激光雷达采集的点云数据自动判断行驶方向的轨道上是否存在障碍物。其中,若要保证障碍物判断的准确性,就需要准确完成对点云数据的轨道提取操作。
目前,现有技术在从点云数据中提取轨道时,通常是将激光雷达采集的点云数据与人工手动绘制出铁路走向进行匹配,借助人工的方式来从点云数据中提取轨道的点云数据,成本较高,且手动绘制铁路走向误差较大,影响后续实际提取轨道点云数据的准确性。
发明内容
本发明实施例提供了一种点云数据的目标检测方法、***及介质,能够自动进行点云数据的轨道提取,无需人工参与,在降低成本的同时提高了点云数据轨道提取结果的准确性。
第一方面,本发明实施例提供了一种点云数据的轨道提取方法,包括:
从获取的轨道场景点云数据中滤除干扰点云数据,得到轨道平面点云数据;
根据所述轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线;
根据所述轨道迹线,从所述轨道场景点云数据中提取轨道的点云数据。
第二方面,本发明实施例还提供了一种点云数据的轨道提取装置,该装置包括:
干扰点云滤除模块,用于从获取的轨道场景点云数据中滤除干扰点云数据,得到轨道平面点云数据;
轨道迹线拟合模块,用于根据所述轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线;
轨道点云提取模块,用于根据所述轨道迹线,从所述轨道场景点云数据中提取轨道的点云数据。
第三方面,本发明实施例还提供了一种测绘***,该测绘***包括至少一个激光雷达和控制设备;所述控制设备与所述至少一个激光雷达连接,所述至少一个激光雷达用于采集轨道场景点云数据;所述控制设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现第一方面所述的点云数据的轨道提取方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的点云数据的轨道提取方法。
本发明实施例提供的点云数据的轨道提取方法、***及介质,对获取的轨道场景点云数据进行干扰点云数据滤除处理,得到轨道平面点云数据,针对轨道平面点云数据中的每个点的坐标信息和位置类别信息,拟合轨道迹线,并基于该轨道迹线,从轨道场景点云数据中提取轨道的点云数据。本发明实施例的方案在进行轨道点云数据提取前滤除了轨道场景点云数据中的干扰点,提高了后续提取轨道点云数据的准确性。且自动拟合轨道迹线,并依据该轨道迹线从轨道场景点云数据中提取轨道的点云数据,无需人工参与,在降低成本的同时提高了点云数据轨道提取结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例一中的一种点云数据的轨道提取方法的流程图;
图2A是本发明实施例二中的一种点云数据的轨道提取方法的流程图;
图2B-2F是本发明实施例从轨道场景点云数据中滤除干扰点云数据时的可视化示意图;
图3A是本发明实施例三中的一种点云数据的轨道提取方法的流程图;
图3B-3D是本发明实施例将轨道平面点云数据投影到目标方向进行聚类处理时的可视化示意图;
图4是本发明实施例四中的一种点云数据的轨道提取装置的结构示意图;
图5A为本发明实施例五提供的一种测绘***的结构示意图;
图5B是本发明实施例五中的一种测绘***的控制设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例一
图1是本发明实施例一提供的一种点云数据的轨道提取方法的流程图,本实施例适用于从轨道场景采集的复杂点云数据中提取轨道点云数据的情况。该方法可以由本发明实施例的测绘***中的控制设备执行,该控制设备可采用软件和/或硬件的方式实现。如图1所示,该方法具体包括如下步骤:
S101,从获取的轨道场景点云数据中滤除干扰点云数据,得到轨道平面点云数据。
其中,轨道场景点云数据可以是激光雷达扫描轨道场景以点云的形式记录的三维坐标向量的集合,每一个三维坐标向量可以用(x,y,z)表示。除此之外点云数据中还可以包含每一个点云的反射光强度值。由于轨道场景中不仅包含轨道,还包含一些非轨道的干扰物体,例如,轨道两旁的墙体、围栏、或闯入轨道的行人等,所以轨道场景点云数据中不但包含轨道对应的点云数据,还包括一些干扰物体对应的点云数据。干扰点云数据可以是轨道场景点云数据中的干扰物体的各干扰点对应的点云数据。轨道平面点云数据可以是轨道场景点云数据中,滤除干扰点云数据后,粗提取出来的轨道平面点云数据,需要说明的是,该轨道平面点云数据是通过滤除干扰点云数据得到的,准确性并不是很高,其中可能仍然包含少量的干扰点云数据,也可能缺失部分的轨道点云数据,所以本发明实施例并不把其作为最终提取到的轨道点云数据。
可选的,本发明实施例可以是由固定在轨道交通工具上的激光雷达在轨道交通工具行驶过程中,实时或定时采集轨道场景点云数据,并将采集到的轨道场景点云数据传输至轨道交通工具的控制设备,以使控制设备来从该轨道场景点云数据中提取轨道点云数据。为了保证从轨道场景点云数据中提取轨道点云数据的准确性,控制设备可以在进行轨道点云数据提取之前,先对获取的轨道场景点云数据进行干扰点的滤除操作,得到轨道平面点云数据。
具体的,本发明实施例从轨道场景点云数据中滤除干扰点云数据的方法有很多,对此本实施例不进行限定。例如,可以是根据预先设置轨道位置范围,将轨道点云数据中不在该轨道位置范围内的点云数据作为干扰点云数据进行删除;还可以是通过预先训练好的干扰点滤除模型,将获取的轨道场景点云数据输入干扰点滤除模型中,得到轨道平面点云数据等。
可选的,轨道场景点云数据中的干扰点包括两种类型,一种是该场景下固有的固定干扰点云数据,如轨道周围的墙体或围栏等。另一种是该场景下非固有的移动干扰点云数据,如闯入轨道的行人或动物等。本实施例可以是分别针对两种不同类型的干扰物进行干扰点云数据的滤除操作,具体的包括以下两个子步骤:
S1011,从获取的轨道场景点云数据中滤除轨道场景的固定干扰点云数据,得到初步的轨道平面点云数据。
具体的,由于激光雷达与轨道交通工具之间的相对位置是固定的,且轨道交通工具与轨道之间的相对位置也是固定的,所以激光雷达采集的轨道场景点云数据中的固定干扰点云数据的位置坐标通常也是固定或在某一小范围内波动。例如,轨道场景点云数据中轨道两侧的墙体,其在轨道场景点云数据中的x坐标值、y坐标值和z坐标值通常在某个范围内波动。本子步骤可以预先通过获取大量的轨道场景点云数据确定固定干扰点云数据的位置范围,然后基于该位置范围,对轨道场景点云数据中x坐标值、y坐标值和z坐标值都满足其对应的位置范围的点云数据作为固定干扰点云数据,并将固定干扰点云数据在轨道场景点云数据中滤除。
S1012,从初步的轨道平面点云数据中滤除轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据。
具体的,由于移动干扰点云数据并不是一直存在的,所以,对于移动干扰点云数据来说,其位置范围并不是固定的,所以本子步骤在滤除移动干扰点云数据时不能按照上述S1011的方法为移动干扰点云数据确定一个位置范围,来进行移动干扰点云数据的滤除。此时考虑到初步的轨道平面点云数据中轨道点的高度相对固定(如高出地面10cm),且一般都低于移动干扰物,所以本子步骤根据轨道实际高度,对初步的轨道平面点云数据中z坐标值大于该轨道实际高度的点云数据作为移动干扰点云数据,并将移动干扰点云数据在初步的轨道平面点云数据中滤除。
S102,根据轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线。
其在,轨道平面点云数据中各点的坐标信息可以是每个点的x坐标值、y坐标值和z坐标值对应的点云坐标。位置类别信息可以是表征轨道平面点云数据中各点是位于左边轨道还是右边轨道的分类信息,该位置类别信息可以是通过文字、数字或字母来表示。例如,针对一个点,位置类别信息为1时,说明该点为左边轨道上的点,位置类别信息为2时,说明该点为右边轨道上的点。可选的,各点的位置类别信息可以是通过对轨道平面点云数据进行分析处理确定的,具体的确定方法将在后续实施例进行详细介绍。
可选的,由于轨道交通工具的轨道通常是由左右两条构成,所以在拟合轨道迹线时,需要为左右两条轨道各拟合一条轨道迹线。因此本步骤在拟合轨道迹线时,不但依据轨道平面点云数据中每个点的坐标信息,还要依据各点的位置类别信息。具体拟合过程可以是:根据轨道平面点云数据中各点的位置类别信息,将轨道平面点云数据划分至两个轨道点云数据集中;分别为每个轨道点云数据集拟合一条轨道迹线。
具体的,通过位置类别信息来判断轨道平面点云数据中的各点是属于左边轨道的点还是右边轨道的点,进而将轨道平面点云数据中的各点划分到左边轨道点云数据集或右边轨道点云数据集中;进而根据左边轨道点云数据集中所有点的具体坐标值,拟合左边轨道对应的轨道迹线;根据右边轨道点云数据集中所有点的具体坐标值,拟合右边轨道对应的轨道迹线。可选的,本发明实施例拟合的轨道迹线可以是三维轨道迹线。该轨道迹线可以为直线也可以为曲线对此本实施例不进行限定。
需要说明的是,如何根据多个点的具体坐标值拟合轨道迹线的方法有很多,对此本实施例不进行限定。例如,可以是采用最小二乘法将多个点的坐标值拟合成一条轨道迹线。
S103,根据轨道迹线,从轨道场景点云数据中提取轨道的点云数据。
可选的,本步骤在根据轨道迹线,从轨道场景点云数据中提取轨道的点云数据时,可以是根据轨道场景点云数据中各点到轨道迹线的距离来提取,具体可以包括以下两个子步骤:
S1031,确定轨道场景点云数据中各点到轨道迹线的距离值。
具体的,由于S102拟合的轨道迹线为三维直线或曲线,所以本子步骤可以是根据点到三维直线或曲线的计算公式来确定轨道场景点云数据中每个点到三维轨道迹线的距离值。示例性的,若拟合的三维轨道迹线为三维直线,则轨道场景点云数据中的某一点P到该三维轨道迹线的距离值d为:其中,Q为该三维轨道迹线上的任意一点,为该三维轨道迹线的方向向量。
可选的,由于S102在拟合轨道迹线时,针对左轨道和右轨道各拟合了一条三维轨道迹线,所以本子步骤可以是针对轨道场景点云数据中的每个点分别计算该点到左轨道迹线和该点到右轨道迹线的两个距离值。
S1032,从轨道场景点云数据中提取距离值在预设范围内的目标点的点云数据作为轨道的点云数据。
具体的,本子步骤可以是针对轨道场景点云数据中的每一个点,将S1031针对该点确定出的距离值与预设范围进行比较,判断该距离值是否在预设范围内,若在,则说明该点为轨道场景点云数据中的目标点(即轨道点),然后将该目标点对应的点云数据作为轨道的点云数据。若不在,则说明该点为轨道场景点云数据中的干扰点。其中,预设范围可以预先根据轨道实际宽度设置。
可选的,若S1031针对每个点分别计算该点到左轨道迹线和该点到右轨道迹线的两个距离值,则本步骤可以是针对每个点,判断其对应的两个距离值是否有一个在预设范围内,若是,则说明该点为轨道场景点云数据中的目标点,将该目标点对应的点云数据作为轨道的点云数据。
本发明实施例提供的点云数据的轨道提取方法,对获取的轨道场景点云数据进行干扰点云数据滤除处理,得到轨道平面点云数据,针对轨道平面点云数据中的每个点的坐标信息和位置类别信息,拟合轨道迹线,并基于该轨道迹线,从轨道场景点云数据中提取轨道的点云数据。本发明实施例的方案在进行轨道点云数据提取前滤除了轨道场景点云数据中的干扰点,提高了后续提取轨道点云数据的准确性。且自动拟合轨道迹线,并依据该轨道迹线从轨道场景点云数据中提取轨道的点云数据,无需人工参与,在降低成本的同时提高了点云数据轨道提取结果的准确性。
实施例二
图2A是本发明实施例二中的一种点云数据的轨道提取方法的流程图,图2B-2F是本发明实施例从轨道场景点云数据中滤除干扰点云数据时的可视化示意图。本实施例以上述实施例为基础,进行了进一步的优化,具体给出了如何从获取的轨道场景点云数据中滤除干扰点云数据,得到轨道平面点云数据的具体情况介绍。如图2A所示,本实施例的方法具体包括如下步骤:
S201,从获取的轨道场景点云数据中滤除轨道场景的固定干扰点云数据,得到初步的轨道平面点云数据。
示例性的,图2B示出了本实施例获取的场景轨道点云数据的可视化图像,由该可视化图像可以看出,其中包含了较多的干扰点云数据,本步骤将图2B中的固定干扰点云数据滤除后得到图2C示出的初步的轨道平面点云数据,具体的,图2C滤除了图2B中左右两侧以及上侧区域对应的墙体等固定干扰点云数据。
S202,根据轨道实际高度,从初步的轨道平面点云数据中确定剩余干扰点云数据。
可选的,由于实际场景中,轨道的水平坐标可能随着轨道的延伸而发生变换,但轨道的高度是相对固定的,所以本步骤可以根据轨道实际高度值来从初步的轨道平面点云数据中粗略地滤除轨道对应的点云数据,得到剩余干扰点云数据。具体的,本步骤可以是根据轨道实际高度,将初步的轨道平面点云数据中z坐标值不大于该实际高度的点云数据作为剩余干扰点云数据。示例性的,图2D示出了从图2C中粗略地滤除轨道对应的点云数据后,得到的剩余干扰点云数据的可视化图像。
S203,对剩余干扰点云数据进行聚类处理,确定轨道场景的移动干扰点的位置区域。
可选的,S202确定出的剩余干扰点云数据是轨道场景点云数据中滤除固定干扰点云数据和粗略地滤除轨道对应的点云数据后剩余的干扰点云数据,其中可能包含移动干扰物(如闯入轨道的行人)对应的移动干扰点云数据,还可能包含少量的环境干扰点云数据(如环境中的噪点);还可能包含少量误判的干扰点云数据等。因此,本步骤可以通过对剩余点干扰点云数据进行聚类处理,得到剩余干扰点云数据中的移动干扰点对应的位置区域。
具体的,可以是在S202确定出剩余干扰点云数据后,利用点云库(Point CloudLibrary,PCL),将剩余干扰点云数据输入点云库,并输入相关聚类参数后,调用点云库的聚类功能,此时点云库就会根据输入的数据得到聚类结果,该聚类结果包括但不限于剩余干扰点云数据聚类的个数,以及每个聚类对应的点云数据等。其中,输入的相关聚类参数可以包括但不限于:一个聚类最多包含的点数量和最小包含的点数量,以及两个聚类之间的间距等。可选的,聚类结果中每个聚类可以代表剩余干扰点云数据对应的一个移动干扰物。
针对聚类结果得到的每个聚类对应的点云数据的坐标值,确定每个聚类的位置区域,具体的确定方法有很多,对此本实施例不进行限定。例如,可以是根据每个聚类在x轴方向、y轴方向和z轴方向的最大值和最小值,确定三个方向的平均值,进而将三个方向的平均值对应的坐标点作为每个聚类对应的移动干扰物的质心坐标,将x轴方向、y轴方向和z轴方向的最大值和最小值作差后取绝对值得到每个聚类对应的移动干扰物的长、宽和高。进而根据每个聚类的质心坐标及其对应的长、宽和高,确定每个聚类(即每个移动干扰物对应的移动干扰点)的位置区域。
示例性的,若对图2D所示的剩余干扰点云数据进行聚类处理,可能得到一个聚类,该聚类即为图2D所示的行人对应的聚类,根据行人的点云数据坐标,确定出行人对应聚类的位置区域。
S204,根据移动干扰点的位置区域,从初步的轨道平面点云数据中滤除轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据。
可选的,S203确定出轨道场景的移动干扰点的位置区域后,可以判断S201得到的初步的轨道平面点云数据中的每个点是否属于移动干扰点的位置区域,若是,则将其从初步的轨道平面点云数据中滤除,得到最终的轨道平面点云数据。
可选的,为了提高最终提取的轨道平面点云数据的精准性,本步骤可以根据移动干扰点的位置区域和轨道实际高度,从初步的轨道平面点云数据中滤除轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据。
具体的,可以是先根据轨道实际高度,将初步轨道平面点云数据中,z坐标值高于该轨道实际高度的各点云数据滤除,得到第一轨道平面点云数据,此时第一轨道平面点云数据中,可能还包括移动干扰物底部的点云数据。示例性的,图2E为将图2C所示的初步轨道平面点云数据中z坐标值高于该轨道实际高度的各点云数据滤除后得到的第一平面点云数据的可视化图像,如图2E所示,由于行人是站在两轨道之间,其脚部点云数据位于轨道高度之下,此时若只删除了高于轨道的行人点云数据,得到的第一轨道平面点云数据中还会存在行人脚部的点云数据(如图2E中方框1所示)。而S203确定的移动干扰点的位置区域覆盖了移动干扰点的全部区域,所以为了保证干扰点云数据滤除的准确性,可以再针对第一轨道平面点云数据中的各点云数据,滤除处于移动干扰点的位置区域的各点云数据,得到最终的轨道平面点云数据。示例性的,图2F为图2E滤除处于移动干扰点的位置区域的各点云数据后,得到点云数据的可视化图像。本实施例这样设置的好处在于,与仅根据移动干扰点的位置区域确定最终的轨道平面点云数据相比,得到的轨道平面点云数据中不但准确的滤除了可移动干扰物的点云数据,还滤除了初步的轨道平面点云数据中未聚类成一类的少量干扰点云数据,提高了最终的轨道平面点云数据的准确性。
S205,根据轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线。
S206,根据轨道迹线,从轨道场景点云数据中提取轨道的点云数据。
可选的,为了降低运算功耗,本步骤还可以是根据轨道迹线,从S201得到的初步的轨道平面点云数据中提取轨道的点云数据。
本发明实施例提供的点云数据的轨道提取方法,在滤除轨道场景点云数据中的干扰点云数据时,先滤除固定干扰点云数据,得到初步的轨道平面点云数据,根据轨道实际高度,提取初步的轨道平面点云数据中的剩余干扰点云数据进行聚类处理,确定移动干扰点的位置区域,进而从初步的轨道平面点云数据中滤除移动干扰点的位置区域对应的点云数据,得到轨道平面点云数据。极大的提高了滤除轨道场景中的干扰点云数据的准确性,进而提高了后续拟合轨道迹线的准确性,以及根据拟合的轨道迹线,从轨道场景点云数据中提取轨道点云数据的准确性。
实施例三
图3A是本发明实施例三中的一种点云数据的轨道提取方法的流程图,图3B-3D是本发明实施例将轨道平面点云数据投影到目标方向进行聚类处理时的可视化示意图。本实施例以上述实施例为基础,进行了进一步的优化,给出了一种点云数据的轨道提取方法的优选实例。如图3A所示,本实施例的方法具体包括如下步骤:
S301,从获取的轨道场景点云数据中滤除干扰点云数据,得到轨道平面点云数据。
S302,将轨道平面点云数据投影到目标方向进行聚类处理。
其中,目标方向为轨道所在水平面与轨道主方向垂直的方向。具体的,轨道主方向为列车在轨道上的行驶方向,在轨道所在的水平面内,与该主方向垂直的方向即为目标方向。例如,若轨道主方向为y轴方向,则目标方向为轨道所在x0y平面对应的x轴方向。
可选的,由于轨道平面的点云数据,其分布大致为沿轨道主方向的两条直线,但不会特别均匀,在轨道主方向上分布稀疏,各点云数据之间的间隔较远,难以区分轨道平面点云数据中各点是属于左轨道点还是右轨道点。所以本步骤可以是将轨道平面点云数据投影到目标方向上,例如,若轨道主方向为y轴方向、轨道高度方向为z轴方向,目标方向为x轴方向,则可以令点云数据的z坐标值和y坐标值为0,仅保留x坐标值。然后对投影到目标方向上的各点云数据进行聚类处理。需要说明的是本步骤对投影到目标方向的轨道平面点云数据进行聚类的过程与上述实施例二中对剩余干扰点云数据进行聚类的过程类似,在此不进行赘述。由于轨道通常是包括左右两条,所以本步骤聚类处理的聚类结果可以包括左右两个聚类,以及每个聚类对应的点云数据。
可选的,若当前轨道场景为转弯场景,则S301得到的轨道平面点云数据可能对应倾斜的直线,此时若直接将轨道平面点云数据投影到目标方向进行聚类,难以准确得到左右两条轨道的聚类,因为,针对该特殊的转弯场景,本步骤可以通过以下三个子步骤来实现对轨道平面点云数据的聚类。
S3021,根据轨道平面点云数据,确定轨道的主方向向量,并将轨道平面点云数据旋转至主方向向量与水平面上的垂直方向或水平方向重合。
具体的,本子步骤可以是基于主要成分分析(Principal Component Analysis,PCA)确定轨道的主方向向量,该PCA分析算法为一种常规的数据分析方法,通过线性变换来进行降维处理,从而计算出轨道点云数据的主方向向量。由于当前场景属于转弯场景,所以确定出的轨道的主方向并不在水平面上的垂直方向(即y轴方向)或水平方向(即x轴方向)。此时可以将轨道平面点云数据进行旋转,以使旋转后的轨道平面点云数据的主方向向量与水平面上的x轴方向或y轴方向重合。示例性的,图3B示出了轨道平面点云数据的可视化示意图,图3B中的箭头为通过主要成分分析,确定出来的轨道的主方向向量,可以看出该主方向向量并不在图3B示出的轨道水平面的y轴方向,此时对图3B中的点云数据进行旋转,直到图3B中的主方向向量与轨道水平面的y轴重合,得到图3C所示的点云数据的可视化图像。需要说明的是,本实施例的图3B和图3C的可视化图像的视角并不是轨道水平面,图3B的y轴方向为轨道的高度方向,并不是轨道水平面的y方向。
需要说明的是,具体是旋转到主方向向量与x轴方向重合还是与y轴方向重合,取决于实际场景需要将列车前进方向设置为x轴方向,还是将列车前进方向设置为y轴方向,例如,若实际场景需要令列车前进方向为y轴方向,则本步骤就将轨道平面点云数据旋转至主方向向量于水平面上的y轴方向(即垂直方向)重合。
示例性的,若要将旋转后的主方向向量与水平面上的y轴方向重合,则可以是计算主方向向量到y轴方向的旋转角度和旋转方向,然后根据计算得到的旋转角度和旋转方向,对轨道平面点云数据进行旋转操作。其中,旋转方向可以通过主方向向量和y轴的方向向量作叉乘运算得到。
S3022,根据旋转后的轨道平面点云数据,确定轨道顶部点云数据。
具体的,为了更准确的拟合出轨道迹线,本子步骤需要对旋转后的轨道平面点云数据进行进一步的点云数据滤除操作,滤除轨道两侧和轨道下部多余的点云数据,只保留轨道顶部对应的点云数据。具体的,以S3021将轨道平面点云数据旋转至主方向向量与水平面上的垂直方向重合为例,本子步骤可以是设置水平面上的水平方向的第一滤除范围,将旋转后的轨道平面点云数据中x坐标值在第一滤除范围的点云数据作为轨道两侧多余点云数据进行滤除。设置高度方向的第二滤除范围,将两侧多余点云数据滤除后剩余的点云数据中z坐标值在第二滤除范围的点云数据作为轨道底部多余点云数据进行滤除。本子步骤的两次滤除操作后剩余的点云数据即为轨道顶部点云数据。示例性的,图3D为图3C进一步滤除点云数据后,得到的轨道顶部点云数据的可视化图像。
S3023,将轨道顶部点云数据投影到目标方向进行聚类处理。
具体的,由于S3021已经将轨道平面点云数据旋转至主方向向量与水平面上的垂直方向或水平方向重合,此时,可以是将S3022确定的轨道顶部点云数据投影到目标方向进行聚类处理,具体的聚类处理方法上述过程已经介绍,在此不进行赘述。需要说明的是,若S3021将轨道平面点云数据旋转至主方向向量与水平面上的垂直方向(即y轴方向)重合,则本子步骤对应的目标方向为该水平面上的水平方向(即x轴方向);若S3021将轨道平面点云数据旋转至主方向向量与水平面上的水平方向(即x轴方向)重合,则本子步骤对应的目标方向为该水平面上的垂直方向(即y轴方向)。
S303,根据聚类处理结果,确定轨道平面点云数据中各点的位置类别信息。
可选的,聚类处理结果包括左右两个聚类,以及每个聚类对应的点云数据。此时可以将左边聚类对应的点云数据所属点的位置类别信息设置为左边轨道,将右边聚类对应的点云数据所属点的位置类别信息设置为右边轨道。
S304,根据轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线。
S305,根据轨道迹线,从轨道场景点云数据中提取轨道的点云数据。
本发明实施例提供的点云数据的轨道提取方法,从轨道场景点云数据中滤除干扰点云数据后,将轨道平面点云数据投影到目标方向进行聚类,确定轨道平面点云数据中各点的位置类别信息,结合轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线,从轨道场景点云数据中提取轨道的点云数据。通过聚类确定轨道平面点云数据中各点的位置类别信息,提高了后续拟合轨道迹线的准确性。此外,本实施例针对转弯场景,在执行将轨道平面点云数据投影到目标方向进行聚类处理时,先确定轨道主方向向量,并根据主方向向量对轨道平面点云数据进行旋转以及提取轨道顶部点云数据后,再进行投影到目标方向进行聚类处理,避免了转弯场景下拟合的轨道迹线的准确性。为后续根据轨道迹线,精确从轨道场景点云数据中提取轨道的点云数据奠定了基础。
实施例四
图4为本发明实施例四提供的一种点云数据的轨道提取装置的结构示意图。该装置可执行本发明任意实施例所提供的点云数据的轨道提取方法,具备执行方法相应的功能模块和有益效果。如图4所示,该装置具体包括:
干扰点云滤除模块401,用于从获取的轨道场景点云数据中滤除干扰点云数据,得到轨道平面点云数据;
轨道迹线拟合模块402,用于根据所述轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线;
轨道点云提取模块403,用于根据所述轨道迹线,从所述轨道场景点云数据中提取轨道的点云数据。
本发明实施例提供的点云数据的轨道提取装置,对获取的轨道场景点云数据进行干扰点云数据滤除处理,得到轨道平面点云数据,针对轨道平面点云数据中的每个点的坐标信息和位置类别信息,拟合轨道迹线,并基于该轨道迹线,从轨道场景点云数据中提取轨道的点云数据。本发明实施例的方案在进行轨道点云数据提取前滤除了轨道场景点云数据中的干扰点,提高了后续提取轨道点云数据的准确性。且自动拟合轨道迹线,并依据该轨道迹线从轨道场景点云数据中提取轨道的点云数据,无需人工参与,在降低成本的同时提高了点云数据轨道提取结果的准确性。
进一步的,上述干扰点云滤除模块401包括:
第一点云滤除单元,用于从获取的轨道场景点云数据中滤除轨道场景的固定干扰点云数据,得到初步的轨道平面点云数据;
第二点云滤除单元,用于从所述初步的轨道平面点云数据中滤除所述轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据。
进一步的,上述第二点云滤除单元具体用于:
根据轨道实际高度,从所述初步的轨道平面点云数据中确定剩余干扰点云数据;
对所述剩余干扰点云数据进行聚类处理,确定所述轨道场景的移动干扰点的位置区域;
根据所述移动干扰点的位置区域,从所述初步的轨道平面点云数据中滤除所述轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据。
进一步的,上述第二点云滤除单元在执行根据所述移动干扰点的位置区域,从所述初步的轨道平面点云数据中滤除所述轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据时,具体用于:
根据所述移动干扰点的位置区域和所述轨道实际高度,从所述初步的轨道平面点云数据中滤除轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据。
进一步的,上述轨道迹线拟合模块402具体用于:
根据所述轨道平面点云数据中各点的位置类别信息,将所述轨道平面点云数据划分至两个轨道点云数据集中;
分别为每个轨道点云数据集拟合一条轨道迹线。
进一步的,上述轨道点云提取模块403具体用于:
确定所述轨道场景点云数据中各点到所述轨道迹线的距离值;
从所述轨道场景点云数据中提取所述距离值在预设范围内的目标点的点云数据作为轨道的点云数据。
进一步的,上述装置还包括:
投影聚类模块,用于将所述轨道平面点云数据投影到目标方向进行聚类处理;其中,所述目标方向为轨道所在水平面与轨道主方向垂直的方向;
位置类别确定模块,用于根据聚类处理结果,确定所述轨道平面点云数据中各点的位置类别信息。
进一步的,上述投影聚类模块具体用于:
根据所述轨道平面点云数据,确定轨道的主方向向量,并将所述轨道平面点云数据旋转至所述主方向向量与水平面上的垂直方向或水平方向重合;
根据旋转后的轨道平面点云数据,确定轨道顶部点云数据;
将所述轨道顶部点云数据投影到目标方向进行聚类处理。
实施例五
图5A为本发明实施例五提供的一种测绘***的结构示意图,图5B为本发明实施例五提供的一种测绘***的控制设备的结构示意图。图5A所示的测绘***5包括至少一个激光雷达51和控制设备50。其中,控制设备50分别与各个激光雷达51连接,各激光雷达51用于采集轨道场景点云数据。图5B示出了适于用来实现本发明实施方式的示例性控制设备50的框图。图5B显示的控制设备50仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图5B所示,该控制设备50以通用计算设备的形式表现。该控制设备50的组件可以包括但不限于:一个或者多个处理器501,存储装置502,连接不同***组件(包括存储装置502和处理器501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
控制设备50典型地包括多种计算机***可读介质。这些介质可以是任何能够被控制设备50访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置502可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)504和/或高速缓存存储器505。控制设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***506可以用于读写不可移动的、非易失性磁介质(图5B未显示,通常称为“硬盘驱动器”)。尽管图5B中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储装置502可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508,可以存储在例如存储装置502中,这样的程序模块507包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
控制设备50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信,还可与一个或者多个使得用户能与该设备交互的设备通信,和/或与使得该控制设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口511进行。并且,控制设备50还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图5B所示,网络适配器512通过总线503与控制设备50的其它模块通信。应当明白,尽管图中未示出,可以结合控制设备50使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器501通过运行存储在存储装置502中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的点云数据的轨道提取方法。
实施例六
本发明实施例六还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可实现上述实施例所述的点云数据的轨道提取方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员应该明白,上述的本发明实施例的各模块或各操作可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选的,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或操作制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间的相同或相似的部分互相参见即可。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种点云数据的轨道提取方法,其特征在于,包括:
从获取的轨道场景点云数据中滤除干扰点云数据,得到轨道平面点云数据;
根据所述轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线;
根据所述轨道迹线,从所述轨道场景点云数据中提取轨道的点云数据。
2.根据权利要求1所述的方法,其特征在于,从获取的轨道场景点云数据中滤除干扰点云数据,得到轨道平面点云数据,包括:
从获取的轨道场景点云数据中滤除轨道场景的固定干扰点云数据,得到初步的轨道平面点云数据;
从所述初步的轨道平面点云数据中滤除所述轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据。
3.根据权利要求2所述的方法,其特征在于,从所述初步的轨道平面点云数据中滤除所述轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据,包括:
根据轨道实际高度,从所述初步的轨道平面点云数据中确定剩余干扰点云数据;
对所述剩余干扰点云数据进行聚类处理,确定所述轨道场景的移动干扰点的位置区域;
根据所述移动干扰点的位置区域,从所述初步的轨道平面点云数据中滤除所述轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据。
4.根据权利要求3所述的方法,其特征在于,根据所述移动干扰点的位置区域,从所述初步的轨道平面点云数据中滤除所述轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据,包括:
根据所述移动干扰点的位置区域和所述轨道实际高度,从所述初步的轨道平面点云数据中滤除轨道场景的移动干扰点云数据,得到最终的轨道平面点云数据。
5.根据权利要求1所述的方法,其特征在于,根据所述轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线,包括:
根据所述轨道平面点云数据中各点的位置类别信息,将所述轨道平面点云数据划分至两个轨道点云数据集中;
分别为每个轨道点云数据集拟合一条轨道迹线。
6.根据权利要求1所述的方法,其特征在于,根据所述轨道迹线,从所述轨道场景点云数据中提取轨道的点云数据,包括:
确定所述轨道场景点云数据中各点到所述轨道迹线的距离值;
从所述轨道场景点云数据中提取所述距离值在预设范围内的目标点的点云数据作为轨道的点云数据。
7.根据权利要求1所述的方法,其特征在于,根据所述轨道平面点云数据中各点的坐标信息和位置类别信息,拟合轨道迹线之前,还包括:
将所述轨道平面点云数据投影到目标方向进行聚类处理;其中,所述目标方向为轨道所在水平面与轨道主方向垂直的方向;
根据聚类处理结果,确定所述轨道平面点云数据中各点的位置类别信息。
8.根据权利要求7所述的方法,其特征在于,将所述轨道平面点云数据投影到目标方向进行聚类处理,包括:
根据所述轨道平面点云数据,确定轨道的主方向向量,并将所述轨道平面点云数据旋转至所述主方向向量与水平面上的垂直方向或水平方向重合;
根据旋转后的轨道平面点云数据,确定轨道顶部点云数据;
将所述轨道顶部点云数据投影到目标方向进行聚类处理。
9.一种测绘***,其特征在于,包括至少一个激光雷达和控制设备;所述控制设备与所述至少一个激光雷达连接;所述至少一个激光雷达用于采集轨道场景点云数据;所述控制设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的点云数据的轨道提取方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的点云数据的轨道提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234064.7A CN110909713B (zh) | 2019-12-05 | 2019-12-05 | 点云数据的轨道提取方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234064.7A CN110909713B (zh) | 2019-12-05 | 2019-12-05 | 点云数据的轨道提取方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909713A true CN110909713A (zh) | 2020-03-24 |
CN110909713B CN110909713B (zh) | 2022-01-25 |
Family
ID=69822523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911234064.7A Active CN110909713B (zh) | 2019-12-05 | 2019-12-05 | 点云数据的轨道提取方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909713B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462141A (zh) * | 2020-05-19 | 2020-07-28 | 北京爱笔科技有限公司 | 点云平面的获取方法及装置、设备、计算机可读存储介质 |
CN111768417A (zh) * | 2020-06-23 | 2020-10-13 | 中南大学 | 基于单目视觉3d重建技术的铁路货车超限检测方法 |
CN111832411A (zh) * | 2020-06-09 | 2020-10-27 | 北京航空航天大学 | 一种基于视觉与激光雷达融合的轨道内障碍物检测方法 |
CN113379921A (zh) * | 2021-06-22 | 2021-09-10 | 北醒(北京)光子科技有限公司 | 轨道识别方法、装置、存储介质及设备 |
CN113689471A (zh) * | 2021-09-09 | 2021-11-23 | 中国联合网络通信集团有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104236499A (zh) * | 2014-10-15 | 2014-12-24 | 厦门大学 | 一种基于点云数据的铁路自动测量方法 |
CN106087621A (zh) * | 2016-05-31 | 2016-11-09 | 中铁第四勘察设计院集团有限公司 | 一种基于车载激光雷达技术的铁路既有线复测方法 |
CN108345822A (zh) * | 2017-01-22 | 2018-07-31 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法及装置 |
CN108549087A (zh) * | 2018-04-16 | 2018-09-18 | 北京瑞途科技有限公司 | 一种基于激光雷达的在线检测方法 |
US20190156569A1 (en) * | 2017-11-17 | 2019-05-23 | Thales Canada, Inc. | Point cloud rail asset data extraction |
CN110501719A (zh) * | 2019-08-27 | 2019-11-26 | 王玉娇 | 一种基于激光雷达的列车障碍物探测方法 |
-
2019
- 2019-12-05 CN CN201911234064.7A patent/CN110909713B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104236499A (zh) * | 2014-10-15 | 2014-12-24 | 厦门大学 | 一种基于点云数据的铁路自动测量方法 |
CN106087621A (zh) * | 2016-05-31 | 2016-11-09 | 中铁第四勘察设计院集团有限公司 | 一种基于车载激光雷达技术的铁路既有线复测方法 |
CN108345822A (zh) * | 2017-01-22 | 2018-07-31 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法及装置 |
US20190156569A1 (en) * | 2017-11-17 | 2019-05-23 | Thales Canada, Inc. | Point cloud rail asset data extraction |
CN108549087A (zh) * | 2018-04-16 | 2018-09-18 | 北京瑞途科技有限公司 | 一种基于激光雷达的在线检测方法 |
CN110501719A (zh) * | 2019-08-27 | 2019-11-26 | 王玉娇 | 一种基于激光雷达的列车障碍物探测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462141A (zh) * | 2020-05-19 | 2020-07-28 | 北京爱笔科技有限公司 | 点云平面的获取方法及装置、设备、计算机可读存储介质 |
CN111462141B (zh) * | 2020-05-19 | 2024-01-12 | 北京爱笔科技有限公司 | 点云平面的获取方法及装置、设备、计算机可读存储介质 |
CN111832411A (zh) * | 2020-06-09 | 2020-10-27 | 北京航空航天大学 | 一种基于视觉与激光雷达融合的轨道内障碍物检测方法 |
CN111768417A (zh) * | 2020-06-23 | 2020-10-13 | 中南大学 | 基于单目视觉3d重建技术的铁路货车超限检测方法 |
CN111768417B (zh) * | 2020-06-23 | 2023-12-05 | 中南大学 | 基于单目视觉3d重建技术的铁路货车超限检测方法 |
CN113379921A (zh) * | 2021-06-22 | 2021-09-10 | 北醒(北京)光子科技有限公司 | 轨道识别方法、装置、存储介质及设备 |
CN113689471A (zh) * | 2021-09-09 | 2021-11-23 | 中国联合网络通信集团有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN113689471B (zh) * | 2021-09-09 | 2023-08-18 | 中国联合网络通信集团有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110909713B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909713B (zh) | 点云数据的轨道提取方法、***及介质 | |
CN106951847B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
CN110286387B (zh) | 应用于自动驾驶***的障碍物检测方法、装置及存储介质 | |
CN109116374B (zh) | 确定障碍物距离的方法、装置、设备及存储介质 | |
CN109116867B (zh) | 一种无人机飞行避障方法、装置、电子设备及存储介质 | |
CN109214238B (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
CN109509260B (zh) | 动态障碍物点云的标注方法、设备及可读介质 | |
CN109271893B (zh) | 一种仿真点云数据的生成方法、装置、设备及存储介质 | |
CN109492507B (zh) | 红绿灯状态的识别方法及装置、计算机设备及可读介质 | |
US10628712B2 (en) | Method and apparatus for processing high-precision map data, storage medium and device | |
US10698106B2 (en) | Obstacle detecting method and apparatus, device and storage medium | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN110136273B (zh) | 一种用于机器学习中的样本数据标注方法及装置 | |
CN106845412B (zh) | 障碍物识别方法及装置、计算机设备及可读介质 | |
CN110176078B (zh) | 一种训练集数据的标注方法及装置 | |
CN110378966B (zh) | 车路协同相机外参标定方法、装置、设备及存储介质 | |
CN109993192B (zh) | 目标对象识别方法及装置、电子设备、存储介质 | |
CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN106709475B (zh) | 障碍物识别方法及装置、计算机设备及可读存储介质 | |
CN108229364B (zh) | 建筑物轮廓生成方法、装置、计算机设备及存储介质 | |
CN109509236B (zh) | 无人驾驶场景中的车辆包围盒生成方法、装置及存储介质 | |
CN109558854B (zh) | 障碍物感知方法、装置、电子设备及存储介质 | |
CN112613424A (zh) | 铁轨障碍物检测方法、装置、电子设备和存储介质 | |
CN111402414A (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
CN113514847A (zh) | 一种车辆外轮廓尺寸检测方法、***及存储介质 |
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 |