CN111091049B - 一种基于反向特征匹配的路面障碍物检测方法 - Google Patents

一种基于反向特征匹配的路面障碍物检测方法 Download PDF

Info

Publication number
CN111091049B
CN111091049B CN201911061150.2A CN201911061150A CN111091049B CN 111091049 B CN111091049 B CN 111091049B CN 201911061150 A CN201911061150 A CN 201911061150A CN 111091049 B CN111091049 B CN 111091049B
Authority
CN
China
Prior art keywords
road
point
obstacle
points
feature
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
Application number
CN201911061150.2A
Other languages
English (en)
Other versions
CN111091049A (zh
Inventor
戚浩平
康晋洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201911061150.2A priority Critical patent/CN111091049B/zh
Publication of CN111091049A publication Critical patent/CN111091049A/zh
Application granted granted Critical
Publication of CN111091049B publication Critical patent/CN111091049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于反向特征匹配的路面障碍物检测方法，属于遥感变化检测领域，基于空天高分遥感影像，使用SIFT特征点反向匹配的方法提取影像中的变化信息，通过对变化信息的处理来得到影像中路面障碍物的面积和位置信息，具有大范围、宏观检测的特点，能为抢险救灾路线规划和道路抢通工程量估算提供参考信息。该方法的特点或关键环节包括：对路损前后的遥感影像分别计算SIFT特征点集并实施特征匹配，对匹配结果取反得到变化信息特征点集；使用道路缓冲区筛选得到道路区域内变化信息特征点集再通过滑动窗法筛除伪变化点和微小变化点；最后，对特征点进行分组合并，得到障碍物的位置信息，再结合区域生长法得到障碍物的大致范围并进行面积估算。本发明关键技术属于遥感变化检测范畴，但无需进行影像配准即可获得道路障碍物的位置和面积信息，自动化程度高。

Description

一种基于反向特征匹配的路面障碍物检测方法
技术领域
本发明涉及路面障碍物检测问题，特别是使用遥感技术检测泥石流、滑坡、塌陷等灾害产生的道路通行障碍物问题，属于遥感技术领域。
背景技术
截至2018年年末，我国公路总里程达到484.65万公里，公路密度达到50.48公里/百平方公里。我国山区面积占全国总面积的三分之二以上，山区公路极易遭到泥石流、滑坡、塌陷、滚石等灾害的破坏。仅2018年度导致道路损毁的地质灾害就有501起，造成巨大经济损失。及时探明道路通行方向上的障碍物信息，根据障碍物性质、大小等因素判断抢通时间，实时调整行进方案，对军、民交通组织均有重大现实意义。
传统的道路障碍物信息获取方式主要是依靠人工实地勘察，存在耗费大量人力物力、数据组织困难、信息化程度低、实时性差等弊端。随着遥感技术的发展，目前更多地使用遥感技术进行道路损毁检测。主要方法有三类：人机交互解译、基于图像分类机器解译以及基于变化检测的机器解译。通过人机交互解译的方式进行损毁评估可靠性性高，但是自动化程度低，工作量大。基于图像分类的方法可对道路障碍物提取结果进行定性分析，但是该方法的精度依赖于分类的精度。基于变化检测的方法其精度取决于配准精度，且检测结果需要进一步的解译才能获得较为准确的障碍物信息。
因此，现有道路损毁遥感检测技术存在着自动化程度低、配准困难、需要具有专业知识的人员操作等不足。
发明内容
本发明正是针对现有技术的不足，提供一种基于反向特征匹配的路面障碍物检测方法，通过处理灾后影像中与灾前影像匹配不上的特征点来获取道路障碍物的位置和面积信息，该方法属于遥感变化检测的范畴但无需影像配准，且基本实现了自动化。
为了解决上述技术问题，本发明的技术方案如下，一种基于反向特征匹配的路面障碍物检测方法，所述方法包括以下步骤：
步骤一，对路损前后的遥感影像分别计算SIFT特征点集并实施特征匹配，对匹配结果取反得到变化信息特征点集；
步骤二，使用道路缓冲区筛选得到道路区域内变化信息特征点集；
步骤三，依据特征点分布聚集度，筛除伪变化特征点和微小变化特征点；
步骤四，依据点间距对特征点进行初步分组，区分属于不同障碍物的特征点；
步骤五，检测上一步得到的初步分组结果，通过相似性判断得到最终分组结果；
步骤六，由分组结果得到各处障碍物的位置信息，结合多种子点区域生长法获取障碍物分布范围并进行面积估算。
本发明的进一步改进，所述步骤一中，反向特征匹配公式为：
Qu＝CQQm (1)
点集Qu是点集Qm在Q中的补集，即其中，Q为灾后影像的特征点集，Qm为灾后影像中的可与灾前影像特征点匹配的特征点集，Qu为影像变化信息特征点集。
本发明的进一步改进，所述步骤二中，使用已有的道路矢量数据生成道路缓冲区，筛选位于缓冲区内的变化特征点集Qur，公式为：
式中Poly为道路缓冲区多边形，i＝0，1，…，k，k为点集Qu的特征点总数。
本发明的进一步改进，所述步骤三中，依据分布聚集度筛选特征点的具体实施步骤为：
步骤3.1，选择半径r＝15像元大小的圆形检测窗口，以每个未匹配特征点为圆心，不断移动检测窗口。
步骤3.2，统计窗口内未匹配特征点的数量N1以及所有特征点数量N2，并计算未匹配点占特征点总数的比例，也就是N1/N2的值，若N1≥n且N1/N2＞m则保留该特征点。
该步骤参考公式为：
通过该步骤可得到障碍物特征点集Qobs。
本发明的进一步改进，所述步骤四中，依据点间距对特征点进行初步分组主要包含以下步骤：
步骤4.1，确定道路方向。由道路中线数据可计算得到该路段中线的倾斜角θ(θ∈[0，π))。若则规定该路段方向为垂直方向。若/>则规定该路段方向为水平方向。
步骤4.2，特征点排序。垂直方向路段的特征点依坐标y排序，水平方向路段的特征点依坐标x排序。
步骤4.3，从第一个点开始向后查找，相邻两点间距不超过R，则均属同一组，直到查找到某一点q，在这一点之后R距离的范围之内没有其他特征点存在，则第一组搜索完成。取组内所有特征点坐标的中值作为该处障碍物的候选坐标点Oi。并将下一特征点作为第一点。
步骤4.4，重复步骤4.3直至检查完Qobs中的所有特征点，即可得到障碍物候选坐标点集O。
本发明的进一步改进，所述步骤五中，通过相似性判断精化分组结果的具体步骤如下：
步骤5.1，获取标准道路样本，使用上一步得到的障碍物候选坐标点集O来截取道路中线，截取路段距离定位点R/2的距离以避免取到路障像素点。以取出的道路中线上的每一点为中心，取其八邻域作为一个道路样本，如图2所示。统计所有道路样本的均值和方差，由这两个统计量对样本进行排序，取统计量众数对应的样本为标准路面样本。
步骤5.2，标注坐标点性质，规定道路前进方向为坐标轴正向，沿道路前进方向以R/2为步长，在每个坐标点Oi的前后两侧各取一个点，分别比较前侧点和后侧点与标准路面样本以及障碍物点的相似性，针对四种不同的情况为定位点赋予不同的标注如表1所示。
表1障碍物候选点的性质
步骤5.3，合并，沿道路前进方向若遇到两连续的坐标点性质分别为+1和-1，则判定这两点为位于同一障碍物两侧的点，取这两坐标的平均值作为该处障碍物的定位点。得到最终障碍物定位点集Robs：
式中ci，ci+1分别表示障碍物坐标点Oi，Oi+1的性质。
本发明的进一步改进，所述步骤六中，采用多种子点区域生长法：将定位点、与标准道路样本均值之差小于阈值α的邻域点均作为种子点；待生长点与任意种子点之差小于阈值α即满足生长条件。生长结束后即可获得障碍物的分布范围，统计每处障碍物位于道路区域内的像素数，结合影像分辨率即可大致估算出每处障碍物的实际占地面积。
本发明的进一步改进，所述步骤3.2中，n取值一般在3-6之间；m一般取0.5。
本发明的进一步改进，所述步骤4.3中，阈值R依据项目需要以及影像分辨率设置，精度要求越高，则R越小，反之则R越大。
本发明的进一步改进，所述步骤七中，阈值α取值一般在30-70之间。
本申请提供的方案，利用空、天遥感影像，通过反向特征点匹配技术获取路面变化区域特征点集，依据特征点分布密度和相邻点间距，对变化特征点集进行聚类，可以分割出不同位置的障碍物，进而对每个障碍物进行定位与面积计算。本方案在障碍物分割、定位、各障碍物定位点唯一性判断等方面有改进。本申请提供的障碍物识别与定位方法具有检索范围广、无需影像配准、自动化程度高、检测准确率高等优点。如案例所示：路面障碍物漏检率为0，虚检率低于10％，面积估算误差小于10％，能为抢险救灾路线规划和道路抢通工程量估算提供依据。
附图说明
图1是本发明方法的流程示意图；
图2是步骤4.1中提取标准道路样本的示意图；
图3是步骤4.2中标定障碍物候选点性质的示意图；
图4是本发明实施例所使用的灾后影像中的障碍物分布示意图；
图5是本发明实施例的道路缓冲区筛选结果图；
图6是本发明实施例的滑动窗法筛选结果图；
图7是本发明实施例的相邻点间距法分组结果图；
图8是本发明实施例的障碍物检测结果图。
具体实施方式
为了加深对本发明的认识和理解，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，但本发明并不仅限于所给出的实施例。
实施例1：参见图1，一种基于反向特征匹配的路面障碍物检测方法，所述方法包括以下步骤：
步骤一，对路损前后的遥感影像分别计算SIFT特征点集并实施特征匹配，对匹配结果取反得到变化信息特征点集；
步骤二，使用道路缓冲区筛选得到道路区域内变化信息特征点集；
步骤三，依据特征点分布聚集度，筛除伪变化特征点和微小变化特征点；
步骤四，依据点间距对特征点进行初步分组，区分属于不同障碍物的特征点；
步骤五，检测上一步得到的初步分组结果，通过相似性判断得到最终分组结果；
步骤六，由分组结果得到各处障碍物的位置信息，结合多种子点区域生长法获取障碍物分布范围并进行面积估算。
本发明的进一步改进，所述步骤一中，反向特征匹配公式为：
Qu＝CQQm (1)
点集Qu是点集Qm在Q中的补集，即其中，Q为灾后影像的特征点集，Qm为灾后影像中的可与灾前影像特征点匹配的特征点集，Qu为影像变化信息特征点集。
所述步骤二中，使用已有的道路矢量数据生成道路缓冲区，筛选位于缓冲区内的变化特征点集Qur，公式为：
式中Poly为道路缓冲区多边形，i＝0，1，…，k，k为点集Qu的特征点总数。
所述步骤三中，依据分布聚集度筛选特征点的具体实施步骤为：
步骤3.1，选择半径r＝15像元大小的圆形检测窗口，以每个未匹配特征点为圆心，不断移动检测窗口。
步骤3.2，统计窗口内未匹配特征点的数量N1以及所有特征点数量N2，并计算未匹配点占特征点总数的比例，也就是N1/N2的值，若N1≥n且N1/N2＞m则保留该特征点。
该步骤参考公式为：
通过该步骤可得到障碍物特征点集Qobs。
所述步骤四中，依据点间距对特征点进行初步分组主要包含以下步骤：
步骤4.1，确定道路方向。由道路中线数据可计算得到该路段中线的倾斜角θ(θ∈[0，π))。若则规定该路段方向为垂直方向。若/>则规定该路段方向为水平方向。
步骤4.2，特征点排序。垂直方向路段的特征点依坐标y排序，水平方向路段的特征点依坐标x排序。
步骤4.3，从第一个点开始向后查找，相邻两点间距不超过R，则均属同一组，直到查找到某一点q，在这一点之后R距离的范围之内没有其他特征点存在，则第一组搜索完成。取组内所有特征点坐标的中值作为该处障碍物的候选坐标点Oi。并将下一特征点作为第一点。
步骤4.4，重复步骤4.3直至检查完Qobs中的所有特征点，即可得到障碍物候选坐标点集O。
所述步骤五中，通过相似性判断精化分组结果的具体步骤如下：
步骤5.1，获取标准道路样本，使用上一步得到的障碍物候选坐标点集O来截取道路中线，截取路段距离定位点R/2的距离以避免取到路障像素点。以取出的道路中线上的每一点为中心，取其八邻域作为一个道路样本，如图2所示。统计所有道路样本的均值和方差，由这两个统计量对样本进行排序，取统计量众数对应的样本为标准路面样本。
步骤5.2，标注坐标点性质，规定道路前进方向为坐标轴正向，沿道路前进方向以R/2为步长，在每个坐标点Oi的前后两侧各取一个点，分别比较前侧点和后侧点与标准路面样本以及障碍物点的相似性，如图3所示。针对四种不同的情况为定位点赋予不同的标注如表1所示。
表1障碍物候选点的性质
步骤5.3，合并，沿道路前进方向若遇到两连续的坐标点性质分别为+1和-1，则判定这两点为位于同一障碍物两侧的点，取这两坐标的平均值作为该处障碍物的定位点。得到最终障碍物定位点集Robs：
式中ci，ci+1分别表示障碍物坐标点Oi，Oi+1的性质。
所述步骤六中，采用多种子点区域生长法：将定位点、与标准道路样本均值之差小于阈值α的邻域点均作为种子点；待生长点与任意种子点之差小于阈值α即满足生长条件。生长结束后即可获得障碍物的分布范围，统计每处障碍物位于道路区域内的像素数，结合影像分辨率即可大致估算出每处障碍物的实际占地面积。
所述步骤3.2中，n取值一般在3-6之间；m一般取0.5。
所述步骤4.3中，阈值R依据项目需要以及影像分辨率设置，精度要求越高，则R越小，反之则R越大。
所述步骤七中，阈值α取值一般在30-70之间。
应用实施例1：一种基于反向特征匹配的路面障碍物检测方法，所述方法包括以下步骤：本发明的技术流程图参见图1。下面将对流程图，图1中的关键步骤分别描述。
步骤一，使用SIFT算法检测灾前灾后两期影像特征点集(分别记为P，Q)并进行特征点匹配，为保证后续障碍物特征点提取的准确性，本文使用比值提纯法减少误匹配，并使用RANSAC算法剔除离群匹配进一步提纯匹配结果。经过反向特征匹配之后得到了灾后影像的变化信息特征点集Qu；
步骤二，通过道路缓冲区筛选后就提取出了道路区域内的变化信息特征点集Qur。图4为利用道路ROI提取路域变化特征点集的结果；
步骤三，根据影像分辨率、道路区域纹理特点，滑动窗筛选法各参数为r＝15个像素，n＝5(窗口内未匹配点数大于等于5)，m＝0.5(未匹配点数占特征点总数的一半以上)，图5(a)、(b)为滑动窗口筛选结果示例，得到了聚集度高的若干特征点簇；
步骤四，案例设定实地相距10m内的道路障碍点不予以区分，由于实验影像分辨率为0.5m，则阈值R＝20。由道路矢量数据计算得到道路为水平走向，所以将障碍物特征点集Qobs依坐标x进行排序，按R将Qobs分成了15个组，各组内求中值后得到15个障碍物候选点。6(a)、(b)为使用相邻点间距分组法得到的障碍物候选点示例；
步骤五，由图5(b)可见，检测到的特征点均属于同一障碍物，而如图6(b)所示经分组定位后的候选点却有两个，需要进行合并，依据相似性对比方法的实施步骤对15个候选点性质标定后的结果见表2：
表2候选点性质的标定结果
经对比统计，得出4组坐标点需要进行合并。取合并后的新坐标值作为这4处障碍物的定位点，其余7个坐标点不变，最终得到的11处障碍物的定位点坐标列于表3。
步骤六，得到准确的障碍物定位点之后就可以通过多种子区域生长法得到每处障碍物的形状信息，图8中白色部分为各处障碍物分布范围。从图8中可以发现，第处障碍物没有生长结果，原因是第/>处障碍物定位点其邻域与标准路面样本的相似性很高，没有找到合适的种子点，因此将该处障碍物的面积设置为0。其余10处障碍物通过统计其区域生长结果位于道路区域内的像素数进行面积估算，计算结果列于表3；表3中参考面积为利用人工目视解译圈定的障碍物边界范围计算所得的面积。这里的面积是道路缓冲区边界与提取的障碍物边界构建的面积，可直接作为抢险土石方量的参考。
表3障碍物提取结果
以上所述的具体实施例仅为本发明的较佳实施例，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修改或补充或采用类似方法，仍属于本发明所要求保护的范围。

Claims (8)

1.一种基于反向特征匹配的路面障碍物检测方法，其特征在于，具体包括以下步骤：
步骤一，对路损前后的遥感影像分别计算SIFT特征点集并实施特征匹配，对匹配结果取反得到变化信息特征点集；
步骤二，使用道路缓冲区筛选得到道路区域内变化信息特征点集；
步骤三，依据特征点分布聚集度，筛除伪变化特征点和微小变化特征点；
步骤四，依据点间距对特征点进行初步分组，区分属于不同障碍物的特征点；
步骤五，检测上一步得到的初步分组结果，通过相似性判断得到最终分组结果；
步骤六，由分组结果得到各处障碍物的位置信息，结合多种子点区域生长法获取障碍物分布范围并进行面积估算；
在步骤三中，依据分布聚集度筛选特征点的具体实施步骤为：
步骤3.1，选择半径r＝15像元大小的圆形检测窗口，以每个未匹配特征点为圆心，不断移动检测窗口；
步骤3.2，统计窗口内未匹配特征点的数量N1以及所有特征点数量N2，并计算未匹配点占特征点总数的比例，即N1/N2的值，若N1≥n且N1/N2＞m则保留该特征点；
该步骤参考公式为：
通过该步骤可得到障碍物特征点集Qobs；
在步骤六中，采用多种子点区域生长法：将定位点、与标准道路样本均值之差小于阈值α的邻域点均作为种子点；待生长点与任意种子点之差小于阈值α即满足生长条件，生长结束后即可获得障碍物的分布范围，统计每处障碍物位于道路区域内的像素数，结合影像分辨率即可大致估算出每处障碍物的实际占地面积。
2.根据权利要求1所述的一种基于反向特征匹配的路面障碍物检测方法，其特征在于：在步骤一中，反向特征匹配公式为Qu＝CQQm，点集Qu是点集Qm在Q中的补集，即Qu：其中，Q为灾后影像的特征点集，Qm为灾后影像中的可与灾前影像特征点匹配的特征点集，Qu为影像变化信息特征点集。
3.根据权利要求1所述的一种基于反向特征匹配的路面障碍物检测方法，其特征在于，在步骤二中，所使用的道路缓冲区由已有的道路矢量数据生成，用以得到道路缓冲区内的变化特征点集Qur，参考公式为：
式中Poly为道路缓冲区多边形，i＝0，1，···，k，k为点集Qu的特征点总数。
4.根据权利要求1所述的一种基于反向特征匹配的路面障碍物检测方法，其特征在于，在步骤四中，依据点间距对特征点进行初步分组主要包含以下步骤：
步骤4.1，确定道路方向，由道路中线数据可计算得到路段中线的倾斜角θ(θ∈[0，π))，若则规定该路段方向为垂直方向，若/>则规定该路段方向为水平方向；
步骤4.2，特征点排序，垂直方向路段的特征点依坐标y排序，水平方向路段的特征点依坐标x排序；
步骤4.3，从第一个点开始向后查找，相邻两点间距不超过R，则均属同一组，直到查找到某一点q，在这一点之后R距离的范围之内没有其他特征点存在，则第一组搜索完成，取组内所有特征点坐标的中值作为该处障碍物的候选坐标点Oi，并将下一特征点作为第一点；
步骤4.4，重复步骤4.3直至检查完Qobs中的所有特征点，即可得到障碍物候选坐标点集O。
5.根据权利要求1所述的一种基于反向特征匹配的路面障碍物检测方法，其特征在于，在步骤五中，通过相似性判断精化分组结果的具体步骤如下：
步骤5.1，获取标准道路样本，使用上一步得到的障碍物候选坐标点集O来截取道路中线，截取路段距离定位点R/2的距离以避免取到路障像素点；以取出的道路中线上的每一点为中心，取其八邻域作为一个道路样本，统计所有道路样本的均值和方差，由这两个统计量对样本进行排序，取统计量众数对应的样本为标准路面样本；
步骤5.2，标注坐标点性质，规定道路前进方向为坐标轴正向，沿道路前进方向以R/2为步长，在每个坐标点Oi的前后两侧各取一个点，分别比较前侧点和后侧点与标准路面样本以及障碍物点的相似性，针对四种不同的情况为定位点赋予不同的标注如表1所示：
表1障碍物候选点的性质
步骤5.3，合并，沿道路前进方向若遇到两连续的坐标点性质分别为+1和-1，则判定这两点为位于同一障碍物两侧的点，取这两坐标的平均值作为该处障碍物的定位点；得到最终障碍物定位点集Robs：
式中ci，ci+1分别表示障碍物坐标点Oi，Oi+1的性质。
6.根据权利要求5所述的一种基于反向特征匹配的路面障碍物检测方法，其特征在于，在步骤3.2中，n取值在3—6之间；m取0.5。
7.根据权利要求6所述的一种基于反向特征匹配的路面障碍物检测方法，其特征在于，在步骤4.3中，阈值R依据项目需要以及影像分辨率设置，精度要求越高，则R越小，反之则R越大。
8.根据权利要求7所述的一种基于反向特征匹配的路面障碍物检测方法，其特征在于，阈值α取值在30—70之间。
CN201911061150.2A 2019-11-01 2019-11-01 一种基于反向特征匹配的路面障碍物检测方法 Active CN111091049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911061150.2A CN111091049B (zh) 2019-11-01 2019-11-01 一种基于反向特征匹配的路面障碍物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911061150.2A CN111091049B (zh) 2019-11-01 2019-11-01 一种基于反向特征匹配的路面障碍物检测方法

Publications (2)

Publication Number Publication Date
CN111091049A CN111091049A (zh) 2020-05-01
CN111091049B true CN111091049B (zh) 2024-02-09

Family

ID=70393483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911061150.2A Active CN111091049B (zh) 2019-11-01 2019-11-01 一种基于反向特征匹配的路面障碍物检测方法

Country Status (1)

Country Link
CN (1) CN111091049B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783700B (zh) * 2020-07-06 2023-11-24 中国交通通信信息中心 一种路面异物自动识别预警方法和***
CN111858342A (zh) * 2020-07-23 2020-10-30 深圳慕智科技有限公司 一种基于智能交通图像输入特征识别的模糊测试数据生成方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914688A (zh) * 2014-03-27 2014-07-09 北京科技大学 一种城市道路障碍物识别***
WO2016076449A1 (en) * 2014-11-11 2016-05-19 Movon Corporation Method and system for detecting an approaching obstacle based on image recognition
CN109785307A (zh) * 2019-01-09 2019-05-21 武汉大学 一种基于矢量引导的无人机影像道路损毁评估方法
CN109815859A (zh) * 2019-01-10 2019-05-28 中交信息技术国家工程实验室有限公司 一种低等级道路自动提取及变化分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4406381B2 (ja) * 2004-07-13 2010-01-27 株式会社東芝 障害物検出装置及び方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914688A (zh) * 2014-03-27 2014-07-09 北京科技大学 一种城市道路障碍物识别***
WO2016076449A1 (en) * 2014-11-11 2016-05-19 Movon Corporation Method and system for detecting an approaching obstacle based on image recognition
CN109785307A (zh) * 2019-01-09 2019-05-21 武汉大学 一种基于矢量引导的无人机影像道路损毁评估方法
CN109815859A (zh) * 2019-01-10 2019-05-28 中交信息技术国家工程实验室有限公司 一种低等级道路自动提取及变化分析方法

Also Published As

Publication number Publication date
CN111091049A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
CN108519605B (zh) 基于激光雷达和摄像机的路沿检测方法
CN109949326B (zh) 基于背包式三维激光点云数据的建筑物轮廓线提取方法
CN112287807B (zh) 一种基于多分支金字塔神经网络的遥感影像道路提取方法
CN108197583B (zh) 基于图割优化和影像结构特征的建筑物变化检测方法
WO2017120897A1 (zh) 基于线扫描三维点云的物体表面变形特征提取方法
CN111784657A (zh) 一种基于数字图像的水泥路面病害自动识别的***及方法
CN108921076B (zh) 基于图像的道面裂缝病害自适应恒虚警检测方法
CN111091049B (zh) 一种基于反向特征匹配的路面障碍物检测方法
CN111145157B (zh) 基于高分辨率遥感影像的路网数据自动化质量检查方法
CN105069395B (zh) 基于地面三维激光扫描技术的道路标线自动识别方法
CN112819809B (zh) 一种岩石中矿物颗粒形态量化方法
CN112964712A (zh) 一种快速检测沥青路面状态的方法
CN112070756B (zh) 一种基于无人机倾斜摄影的路面立体病害测量方法
CN115115627B (zh) 基于数据处理的土壤盐碱地监测方法
CN111985552A (zh) 复杂背景下机场道面细带状结构病害检测方法
CN112801075A (zh) 基于航摄影像的农村道路边界线的自动提取方法
CN114387328A (zh) 基于深度学习模型和岩心图像的rqd计算方法
CN110705595B (zh) 一种基于背包式三维激光点云数据的停车位自动提取方法
JP6600615B2 (ja) クラスタリング装置、人工物識別装置、幹検出装置、方法、及びプログラム
CN115294066A (zh) 一种砂石粒径检测方法
CN112906627B (zh) 一种基于语义分割的青花椒识别方法
Huang et al. Crack fundamental element (CFE) for multi-scale crack classification
CN112862844B (zh) 基于车载点云数据的道路边界交互式提取方法
CN114139099A (zh) 基于轨迹密度匀化和层次分割的道路交叉口信息提取方法
CN109308468B (zh) 一种车道线检测方法

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
GR01 Patent grant
GR01 Patent grant