CN112686089B - 道路信息智能化自动提取方法 - Google Patents
道路信息智能化自动提取方法 Download PDFInfo
- Publication number
- CN112686089B CN112686089B CN202011078091.2A CN202011078091A CN112686089B CN 112686089 B CN112686089 B CN 112686089B CN 202011078091 A CN202011078091 A CN 202011078091A CN 112686089 B CN112686089 B CN 112686089B
- Authority
- CN
- China
- Prior art keywords
- road
- point cloud
- line
- marking
- extracting
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 69
- 230000008520 organization Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 28
- 238000013461 design Methods 0.000 claims description 18
- 238000002955 isolation Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 12
- 239000012535 impurity Substances 0.000 claims description 4
- 238000007726 management method Methods 0.000 abstract description 14
- 238000010276 construction Methods 0.000 abstract description 8
- 238000013439 planning Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
Images
Classifications
-
- 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
- Length Measuring Devices By Optical Means (AREA)
- Traffic Control Systems (AREA)
Abstract
道路信息智能化自动提取方法,涉及信息化领域,其特征在于该方法包括如下步骤:道路点云数据组织提取,道路中心线提取,道路矢量标线提取。优点:通过模糊定位聚类提取的方法,可快速精准的获取道路标线位置。最终形成的电子矢量标线。可广泛应用于高精度地图制作、智慧公路、城市及交通规划设计等领域,可长期有效地辅助智慧城市建设与管理。
Description
技术领域
本发明涉及信息化领域,特别涉及一种通过Kd-tree管理点云数据,可快速的调度点云数据。其中分间隔提取道路关键点的方法极大的减少了数据处理工作量。该方法采用道路纵向线管理的方式,可精确计算道路中心线。通过模糊定位聚类提取的方法,可快速精准的获取道路标线位置。最终形成的电子矢量标线。可广泛应用于高精度地图制作、智慧公路、城市及交通规划设计等领域,可长期有效地辅助智慧城市建设与管理的设置道路信息智能化自动提取方法。
背景技术
我国高速公路已突破15万公里,稳居世界第一。道路信息化、智能化在智慧城市、智慧公路的建设中显得尤为重要。道路信息的获取占据重要地位,同时也是基础地理信息的组成部分,准确丰富的道路信息对于城市规划及交通管理等具有十分重要的作用。目前,基础道路信息主要通过传统人工测量方法获得,更新难度大,周期长,已经无法满足城市建设和管理的需求。车载移动测量***作为一种先进的测量手段,具有快速、实时、动态、主动、高密度、高精度及不与测量物接触等特点。***在不影响交通情况下能快速获取道路及两侧三维点云数据,但如何从不同道路环境的点云中快速、准确提取道路路面与路边点仍然是一个难点。
目前尚未有一种基于高精度激光点云数据,通过智能化算法自动提取道路中央隔离带、道路标线等信息,提高了道路信息提取的自动化程度和智能化水平。通过Kd-tree管理点云数据,可快速的调度点云数据。其中分间隔提取道路关键点的方法极大的减少了数据处理工作量。该方法采用道路纵向线管理的方式,可精确计算道路中心线。通过模糊定位聚类提取的方法,可快速精准的获取道路标线位置。最终形成的电子矢量标线。可广泛应用于高精度地图制作、智慧公路、城市及交通规划设计等领域,可长期有效地辅助智慧城市建设与管理的设置道路信息智能化自动提取方法。
发明内容
本发明实施例提供道路信息智能化自动提取方法,本发明方法可实现通过Kd-tree管理点云数据,可快速的调度点云数据。其中分间隔提取道路关键点的方法极大的减少了数据处理工作量。该方法采用道路纵向线管理的方式,可精确计算道路中心线。通过模糊定位聚类提取的方法,可快速精准的获取道路标线位置。最终形成的电子矢量标线。可广泛应用于高精度地图制作、智慧公路、城市及交通规划设计等领域,可长期有效地辅助智慧城市建设与管理。
本发明提供道路信息智能化自动提取方法,其中:该方法包括如下步骤:
道路点云数据组织提取:通过Kd-tree方式管理激光器采集的点云数据,通过点云坐标范围索引点云数据;
道路中心线提取:根据固定间隔的点云索引文件,按照索引文件坐标范围逐个提取点云数据,提取关键点,计算中央隔离带角点坐标,通过平均值计算道路中心点坐标并连接生成道路中心线;
道路矢量标线提取:在获得精准的道路中线后,按照固定规则进行计数命名;根据道路的车道数和道路标线间的距离形成矩形模糊定位框用以标线模糊定位;通过运算提取标线点云数据;判定获得标线中心点,连接中心点形成矢量标线,叠加路面点云对其偏差进行位置纠正,提取到精准的道路矢量标线。
本发明提供道路信息智能化自动提取方法,其中:所述道路点云数据组织提取包括如下步骤:
点云数据组织:构建Kd-tree模型,将激光器采集到的条带型点云组条导入至Kd-tree模型中;
生成道路纵向线:对车载轨迹线、道路设计线中的重合数据进行删除,生成道路纵向线;
设置间隔索引点云:对道路纵向线设定固定间距,以道路纵向线为骨架,通过设定在道路纵向线中的固定间距计算相交于道路纵向线的范围线并记录,形成固定间隔的点云索引文件。
本发明提供道路信息智能化自动提取方法,其中:所述生成道路纵向线包括如下步骤:
通过车载轨迹线提取生成道路纵向线:导出编辑车载激光扫描轨迹线,删除停顿冗余数据转弯冗余数据,生成连续沿道路方向的道路纵向线;
通过道路设计线生成道路纵向线:对道路设计线中的支线数据、里程桩线数据进行删除,形成连续沿道路走向的道路纵向线。
本发明提供道路信息智能化自动提取方法,其中:所述道路中心线提取包括如下步骤:
点云分类:提取固定间隔范围内点云,通过计算点云平面几何特性区分路面点与非路面点;
点云去噪滤波:通过高斯滤波的方法对分类点云去噪滤波,剔除高于路面的噪点;
关键点提取:对滤波后的路面点云通过高程变化大于指定阈值范围时,提取该特征点内的点云数据,当临近点云高程值小于指定阈值的点云数据进行忽略,提取点云数据中高程变化大的关键点;
计算道路隔离带边界点云:依据已提取获得的道路关键点中的点云数据,对点云高程连续变化数值进行迭代计算,对超过指定阈值范围的点云即为道路隔离带边界点云;
精准提取道路中心线:对已获得的道路隔离带边界点云进行坐标平均值计算,获得中心拟合道路中心点,道路中心点连线即为道路中心线;
检查道路中线:叠加路面点云与道路中心线数据,判定道路中心线位置与路面点云的道路中心位置的一致性,当判定道路中心线位置与路面点云的道路中心位置出现偏差时,对其偏差进行位置纠正,提取到精准的道路中心线。
本发明提供道路信息智能化自动提取方法,其中:所述道路矢量标线提取包括如下步骤:
标线模糊定位:在获得精准的道路中线后,按照指定方向对车道线以固定规则进行计数命名;根据道路的车道数和道路标线间的固式距离形成矩形模糊定位框用以标线模糊定位;
计算标线中心点:按照标线范围与模糊定位框的面积比例提取较高反射强度的激光点云数据;通过运算提取标线点云数据;计算获得点云最小外接矩形;对矩形面积与标线设计面积的面积差进行判定,获得标线中心点;
连接矢量标线:依据预设车道线名称,沿道路纵断面线按照固定间隔连接标线中心点,连接形成矢量标线;
检查矢量标线:叠加路面点云与矢量标线数据,判定矢量标线位置与路面点云的道路中心位置的一致性,当判定矢量标线位置与路面点云的标线位置出现偏差时,对其偏差进行位置纠正,提取到精准的道路矢量标线。
本发明提供道路信息智能化自动提取方法,其中:所述计算标线中心点包括如下步骤:
提取概略标线点云:按照标线范围与模糊定位框的面积比例,依据点云反射强度高斯分布,以点云数目比例提取较高反射强度的激光点云数据;
聚类标线点云:将概略标线点云数据中存在部分高反射强度的杂点,通过运算提取标线点云数据,其具体公式如下:
式中:
x为数据集特征值;
Ci为每个簇的中心;
E为误差平方和准则;
k为点云簇数目;
其中,该算法输入点云簇的数目k和包含n个点云的数据集,最后输出k个点云簇,使平方误差准则最小;
提取矢量标线中心点:将精准提取标线点云通过最小二乘法计算获得点云最小外接矩形;对矩形面积与标线设计面积的面积差进行判定,当判定标线设计面积小于矩形面积的差值小于限差时,计算最小外接矩形的中心点即为标线中心点;当判定标线设计面积小于矩形面积的差值大于限差时,忽略该范围标线。
本发明提供道路信息智能化自动提取方法,其中:所述固定间距范围为5-10米;所述道路纵向线与道路纵向线骨架固定间距角度范围1-179°之间;所述阈值范围在1.8cm至3.8cm之间。
由此可见:
本发明实施例中的道路信息智能化自动提取方法:可实现通过Kd-tree管理点云数据,可快速的调度点云数据。其中分间隔提取道路关键点的方法极大的减少了数据处理工作量。该方法采用道路纵向线管理的方式,可精确计算道路中心线。通过模糊定位聚类提取的方法,可快速精准的获取道路标线位置。最终形成的电子矢量标线。可广泛应用于高精度地图制作、智慧公路、城市及交通规划设计等领域,可长期有效地辅助智慧城市建设与管理。
附图说明
图1为本发明的实施例提供的道路信息智能化自动提取方法的整体流程示意图;
图2为本发明的实施例提供的道路信息智能化自动提取方法中道路点云数据组织提取步骤的流程示意图;
图3为本发明的实施例提供的道路信息智能化自动提取方法中生成道路纵向线步骤的流程示意图;
图4为本发明的实施例提供的道路信息智能化自动提取方法中道路中心线提取步骤的流程示意图;
图5为本发明的实施例提供的道路信息智能化自动提取方法中道路矢量标线提取步骤的流程示意图;
图6为本发明的实施例提供的道路信息智能化自动提取方法中计算标线中心点步骤的流程示意图。
图7为本发明的实施例提供的道路信息智能化自动提取方法中提取道路中心点呈现图。
图8为本发明的实施例提供的道路信息智能化自动提取方法中矩形模糊定位框呈现图。
图9为本发明的实施例提供的道路信息智能化自动提取方法中聚类标线点云呈现图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合附图以及具体实施例来详细说明本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
名词解释:
Kd-tree:是K-dimensional tree的简写,KD树是一个二叉树结构,是一种分割k维数据空间的数据结构。
实施例1:
图1为道路信息智能化自动提取方法,如图1所示,该方法包括如下步骤:道路信息智能化自动提取方法,其特征在于,该方法包括如下步骤:
道路点云数据组织提取:通过Kd-tree方式管理激光器采集的点云数据,通过点云坐标范围索引点云数据;
道路中心线提取:根据固定间隔的点云索引文件,按照索引文件坐标范围逐个提取点云数据,提取关键点,计算中央隔离带角点坐标,通过平均值计算道路中心点坐标并连接生成道路中心线;
道路矢量标线提取:在获得精准的道路中线后,按照固定规则进行计数命名;根据道路的车道数和道路标线间的距离形成矩形模糊定位框用以标线模糊定位;通过运算提取标线点云数据;判定获得标线中心点,连接中心点形成矢量标线,叠加路面点云对其偏差进行位置纠正,提取到精准的道路矢量标线。
如图2所示的道路信息智能化自动提取方法,所述道路点云数据组织提取包括如下步骤:
点云数据组织:构建Kd-tree模型,将激光器采集到的条带型点云组条导入至Kd-tree模型中;
生成道路纵向线:对车载轨迹线、道路设计线中的重合数据进行删除,生成道路纵向线;
设置间隔索引点云:对道路纵向线设定固定间距,以道路纵向线为骨架,通过设定在道路纵向线中的固定间距计算相交于道路纵向线的范围线并记录,形成固定间隔的点云索引文件。
如图3所示的道路信息智能化自动提取方法,所述生成道路纵向线包括如下步骤:
通过车载轨迹线提取生成道路纵向线:导出编辑车载激光扫描轨迹线,删除停顿冗余数据转弯冗余数据,生成连续沿道路方向的道路纵向线;
通过道路设计线生成道路纵向线:对道路设计线中的支线数据、里程桩线数据进行删除,形成连续沿道路走向的道路纵向线。
如图4所示的道路信息智能化自动提取方法,所述道路中心线提取包括如下步骤:
点云分类:提取固定间隔范围内点云,通过计算点云平面几何特性区分路面点与非路面点;
点云去噪滤波:通过高斯滤波的方法对分类点云去噪滤波,剔除高于路面的噪点;
关键点提取:对滤波后的路面点云通过高程变化大于指定阈值范围时,提取该特征点内的点云数据,当临近点云高程值小于指定阈值的点云数据进行忽略,提取点云数据中高程变化大的关键点;
计算道路隔离带边界点云:依据已提取获得的道路关键点中的点云数据,对点云高程连续变化数值进行迭代计算,对超过指定阈值范围的点云即为道路隔离带边界点云;
精准提取道路中心线:对已获得的道路隔离带边界点云进行坐标平均值计算,获得中心拟合道路中心点,道路中心点连线即为道路中心线;
检查道路中线:叠加路面点云与道路中心线数据,判定道路中心线位置与路面点云的道路中心位置的一致性,当判定道路中心线位置与路面点云的道路中心位置出现偏差时,对其偏差进行位置纠正,提取到精准的道路中心线。
如图5所示的道路信息智能化自动提取方法,所述道路矢量标线提取包括如下步骤:
标线模糊定位:在获得精准的道路中线后,按照指定方向对车道线以固定规则进行计数命名;根据道路的车道数和道路标线间的固式距离形成矩形模糊定位框用以标线模糊定位;
计算标线中心点:按照标线范围与模糊定位框的面积比例提取较高反射强度的激光点云数据;通过运算提取标线点云数据;计算获得点云最小外接矩形;对矩形面积与标线设计面积的面积差进行判定,获得标线中心点;
连接矢量标线:依据预设车道线名称,沿道路纵断面线按照固定间隔连接标线中心点,连接形成矢量标线;
检查矢量标线:叠加路面点云与矢量标线数据,判定矢量标线位置与路面点云的道路中心位置的一致性,当判定矢量标线位置与路面点云的标线位置出现偏差时,对其偏差进行位置纠正,提取到精准的道路矢量标线。
如图6所示的道路信息智能化自动提取方法,所述计算标线中心点包括如下步骤:
提取概略标线点云:按照标线范围与模糊定位框的面积比例,依据点云反射强度高斯分布,以点云数目比例提取较高反射强度的激光点云数据;
聚类标线点云:将概略标线点云数据中存在部分高反射强度的杂点,通过运算提取标线点云数据,其具体公式如下:
式中:
x为数据集特征值;
Ci为每个簇的中心;
E为误差平方和准则;
k为点云簇数目;
其中,该算法输入点云簇的数目k和包含n个点云的数据集,最后输出k个点云簇,使平方误差准则最小;
提取矢量标线中心点:将精准提取标线点云通过最小二乘法计算获得点云最小外接矩形;对矩形面积与标线设计面积的面积差进行判定,当判定标线设计面积小于矩形面积的差值小于限差时,计算最小外接矩形的中心点即为标线中心点;当判定标线设计面积小于矩形面积的差值大于限差时,忽略该范围标线。
具体实施案例中:所述固定间距范围为5-10米;所述道路纵向线与道路纵向线骨架固定间距角度范围1-179°之间;所述阈值范围在1.8cm至3.8cm之间。
由此可见:本发明实施例中的道路信息智能化自动提取方法可实现通过Kd-tree管理点云数据,可快速的调度点云数据。其中分间隔提取道路关键点的方法极大的减少了数据处理工作量。该方法采用道路纵向线管理的方式,可精确计算道路中心线。通过模糊定位聚类提取的方法,可快速精准的获取道路标线位置。最终形成的电子矢量标线。可广泛应用于高精度地图制作、智慧公路、城市及交通规划设计等领域,可长期有效地辅助智慧城市建设与管理。
下面以一个具体实施案例进行说明:
道路点云数据组织提取:通过Kd-tree方式管理激光器采集的点云数据,将车载激光器采集的10条激光点云导入Kd-tree模型,通过点云坐标范围索引点云数据;
道路中心线提取:根据固定间隔5米的点云索引文件,按照索引文件坐标范围逐个提取点云数据,提取关键点,计算中央隔离带角点坐标,通过平均值计算道路中心点坐标并连接生成道路中心线;
道路矢量标线提取:在获得精准的道路中线后,按照固定规则进行计数命名;根据道路的车道数和道路标线间的距离形成矩形模糊定位框用以标线模糊定位;通过运算提取标线点云数据;判定获得标线中心点,连接中心点形成矢量标线,叠加路面点云对其偏差进行位置纠正,提取到精准的道路矢量标线。
如图2所示的道路信息智能化自动提取方法,所述道路点云数据组织提取包括如下步骤:
点云数据组织:构建Kd-tree模型,将车载激光器采集到的10条带型点云组条导入至Kd-tree模型中;
生成道路纵向线:对车载轨迹线、道路设计线中的重合冗余数据进行删除,生成道路纵向线;
设置间隔索引点云:对道路纵向线设定固定间距5米,以道路纵向线为骨架,通过设定在道路纵向线中的固定间距5米计算相交于道路纵向线的范围线并记录,形成固定间隔的点云索引文件。
如图3所示的道路信息智能化自动提取方法,所述生成道路纵向线包括如下步骤:
通过车载轨迹线提取生成道路纵向线:导出编辑车载激光扫描轨迹线,删除车载设备等信号时停顿冗余数据,道路转弯的冗余数据,生成连续沿道路方向的道路纵向线。
如图4所示的道路信息智能化自动提取方法,所述道路中心线提取包括如下步骤:
点云分类:提取固定间隔5米,宽度20厘米范围内点云,通过计算点云平面几何特性区分路面点与非路面点;
点云去噪滤波:通过高斯滤波的方法对分类点云去噪滤波,剔除高于路面的行驶车辆噪点;
关键点提取:对滤波后的路面点云通过高程变化大于指定2厘米时,提取该特征点内的点云数据,当临近点云高程值小于2厘米的点云数据进行忽略,提取点云数据中高程变化大的关键点;
计算道路隔离带边界点云:依据已提取获得的道路关键点中的点云数据,对点云高程连续变化数值进行迭代计算,连续超过2厘米的点云即为道路隔离带边界点云;
精准提取道路中心线:对已获得的道路隔离带边界点云进行平面坐标平均值计算,获得中心拟合道路中心点,固定间隔5米的道路中心点连线即为道路中心线,如图7所示已提取的道路中心点所示;
检查道路中线:叠加路面点云与道路中心线数据,判定道路中心线位置与路面点云的道路中心位置的一致性,当判定道路中心线位置与路面点云的道路中心位置出现偏差并超过5厘米时,对其偏差进行位置纠正,提取到精准的道路中心线。
如图5所示的道路信息智能化自动提取方法,所述道路矢量标线提取包括如下步骤:
标线模糊定位:在获得精准的道路中线后,按照道路由外至内的方向对车道线以line1、line2、line3、line4进行计数命名;根据道路的车道数和道路标线间的固式距离3.75米形成矩形模糊定位框尺寸0.8米×0.2米用以标线模糊定位,如图8所示矩形模糊定位框所示;
计算标线中心点:按照标线范围0.2米×0.2米与模糊定位框0.8米×0.2米的面积比例0.25提取较高反射强度的激光点云数据;通过运算提取标线点云数据;计算获得点云最小外接矩形;对矩形面积与标线设计面积的面积差小于52厘米判定满足要求,获得标线中心点;
连接矢量标线:依据预设车道线名称,沿道路纵断面线按照固定间隔连接标线中心点,连接形成line1、line2、line3、line4矢量标线;
检查矢量标线:叠加路面点云与矢量标线数据,判定矢量标线位置与路面点云的道路中心位置的一致性,当判定矢量标线位置与路面点云的标线位置偏差大于5厘米时,对其偏差进行位置纠正,提取到精准的道路矢量标线。
如图6所示的道路信息智能化自动提取方法,所述计算标线中心点包括如下步骤:
提取概略标线点云:按照标线范围与模糊定位框的面积比例0.25,依据点云反射强度高斯分布,以点云数目比例提取较高反射强度的激光点云数据;
聚类标线点云:将概略标线点云数据中存在部分高反射强度的杂点,通过运算提取标线点云数据,其具体公式如下:
式中:
x为数据集特征值;
Ci为每个簇的中心;
E为误差平方和准则;
k为点云簇数目;
其中,该算法输入点云簇的数目k和包含n个点云的数据集,最后输出k个点云簇,使平方误差准则最小;如图9所示已聚类的标线点云所示;
提取矢量标线中心点:将精准提取标线点云通过最小二乘法计算获得点云最小外接矩形;对矩形面积与标线设计面积的面积差进行判定,当判定标线设计面积小于矩形面积的差值小于限差52厘米时,计算最小外接矩形的中心点即为标线中心点;当判定标线设计面积小于矩形面积的差值大于限差52厘米时,忽略该范围标线;
虽然通过实施例描绘了本发明实施例,本领域普通技术人员知道,本发明有许多变形和变化而不脱离本发明的精神,希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。
Claims (4)
1.道路信息智能化自动提取方法,其特征在于,该方法包括如下步骤:
道路点云数据组织提取:通过Kd-tree方式管理激光器采集的点云数据,通过点云坐标范围索引点云数据;
道路中心线提取:根据固定间隔的点云索引文件,按照索引文件坐标范围逐个提取点云数据,提取关键点,计算中央隔离带角点坐标,通过平均值计算道路中心点坐标并连接生成道路中心线;
道路矢量标线提取:在获得精准的道路中线后,按照固定规则进行计数命名;根据道路的车道数和道路标线间的距离形成矩形模糊定位框用以标线模糊定位;通过运算提取标线点云数据;判定获得标线中心点,连接中心点形成矢量标线,叠加路面点云对其偏差进行位置纠正,提取到精准的道路矢量标线;
所述道路点云数据组织提取包括如下步骤:
点云数据组织:构建Kd-tree模型,将激光器采集到的条带型点云组条导入至Kd-tree模型中;
生成道路纵向线:对车载轨迹线、道路设计线中的重合数据进行删除,生成道路纵向线;
设置间隔索引点云:对道路纵向线设定固定间距,以道路纵向线为骨架,通过设定在道路纵向线中的固定间距计算相交于道路纵向线的范围线并记录,形成固定间隔的点云索引文件;
所述道路中心线提取包括如下步骤:
点云分类:提取固定间隔范围内点云,通过计算点云平面几何特性区分路面点与非路面点;
点云去噪滤波:通过高斯滤波的方法对分类点云去噪滤波,剔除高于路面的噪点;
关键点提取:对滤波后的路面点云通过高程变化大于指定阈值时,提取该特征点内的点云数据,当临近点云高程值小于指定阈值的点云数据进行忽略,提取点云数据中高程变化大的关键点;
计算道路隔离带边界点云:依据已提取获得的道路关键点中的点云数据,对点云高程连续变化数值进行迭代计算,对超过指定阈值的点云即为道路隔离带边界点云;
所述指定阈值为3.8cm;
精准提取道路中心线:对已获得的道路隔离带边界点云进行坐标平均值计算,获得中心拟合道路中心点,道路中心点连线即为道路中心线;
检查道路中线:叠加路面点云与道路中心线数据,判定道路中心线位置与路面点云的道路中心位置的一致性,当判定道路中心线位置与路面点云的道路中心位置出现偏差时,对其偏差进行位置纠正,提取到精准的道路中心线;
所述道路矢量标线提取包括如下步骤:
标线模糊定位:在获得精准的道路中线后,按照指定方向对车道线以固定规则进行计数命名;根据道路的车道数和道路标线间的固式距离形成矩形模糊定位框用以标线模糊定位;
计算标线中心点:按照标线范围与模糊定位框的面积比例提取较高反射强度的激光点云数据;通过运算提取标线点云数据;计算获得点云最小外接矩形;对矩形面积与标线设计面积的面积差进行判定,获得标线中心点;
连接矢量标线:依据预设车道线名称,沿道路纵断面线按照固定间隔连接标线中心点,连接形成矢量标线;
检查矢量标线:叠加路面点云与矢量标线数据,判定矢量标线位置与路面点云的道路中心位置的一致性,当判定矢量标线位置与路面点云的标线位置出现偏差时,对其偏差进行位置纠正,提取到精准的道路矢量标线。
2.根据权利要求1所述的道路信息智能化自动提取方法,其特征在于,所述生成道路纵向线包括如下步骤:
通过车载轨迹线提取生成道路纵向线:导出编辑车载激光扫描轨迹线,删除停顿冗余数据转弯冗余数据,生成连续沿道路方向的道路纵向线;
通过道路设计线生成道路纵向线:对道路设计线中的支线数据、里程桩线数据进行删除,形成连续沿道路走向的道路纵向线。
3.根据权利要求1所述的道路信息智能化自动提取方法,其特征在于,所述计算标线中心点包括如下步骤:
提取概略标线点云:按照标线范围与模糊定位框的面积比例,依据点云反射强度高斯分布,以点云数目比例提取较高反射强度的激光点云数据;
聚类标线点云:将概略标线点云数据中存在部分高反射强度的杂点,通过运算提取标线点云数据,其具体公式如下:
式中:
x为数据集特征值;
Ci为每个簇的中心;
E为误差平方和准则;
k为点云簇数目;
其中,该方法输入点云簇的数目k和包含n个点云的数据集,最后输出k个点云簇,使平方误差准则最小;
提取矢量标线中心点:将精准提取标线点云通过最小二乘法计算获得点云最小外接矩形;对矩形面积与标线设计面积的面积差进行判定,当判定标线设计面积小于矩形面积的差值小于限差时,计算最小外接矩形的中心点即为标线中心点;当判定标线设计面积小于矩形面积的差值大于限差时,忽略该范围标线。
4.根据权利要求1-3中任意一项所述的道路信息智能化自动提取方法,其特征在于:所述固定间距范围为5-10米;所述道路纵向线与道路纵向线骨架固定间距角度范围1-179°之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078091.2A CN112686089B (zh) | 2020-10-10 | 2020-10-10 | 道路信息智能化自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078091.2A CN112686089B (zh) | 2020-10-10 | 2020-10-10 | 道路信息智能化自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686089A CN112686089A (zh) | 2021-04-20 |
CN112686089B true CN112686089B (zh) | 2023-06-13 |
Family
ID=75445466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011078091.2A Active CN112686089B (zh) | 2020-10-10 | 2020-10-10 | 道路信息智能化自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686089B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104197897A (zh) * | 2014-04-25 | 2014-12-10 | 厦门大学 | 一种基于车载激光扫描点云的城区道路标线自动分类方法 |
CN106067003A (zh) * | 2016-05-27 | 2016-11-02 | 山东科技大学 | 一种车载激光扫描点云中道路矢量标识线自动提取方法 |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN108319920A (zh) * | 2018-02-05 | 2018-07-24 | 武汉武大卓越科技有限责任公司 | 一种基于线扫描三维点云的路面标线检测及参数计算方法 |
CN110502973A (zh) * | 2019-07-05 | 2019-11-26 | 同济大学 | 一种基于车载激光点云的道路标线自动化提取和识别方法 |
CN110532963A (zh) * | 2019-08-30 | 2019-12-03 | 扆亮海 | 一种车载激光雷达点云驱动的道路标线精准提取方法 |
CN111079611A (zh) * | 2019-12-09 | 2020-04-28 | 成都奥伦达科技有限公司 | 一种道路面及其标志线的自动提取方法 |
CN111192311A (zh) * | 2019-12-31 | 2020-05-22 | 武汉中海庭数据技术有限公司 | 一种高精度地图制作中纵向减速标线自动提取方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764187B (zh) * | 2018-06-01 | 2022-03-08 | 百度在线网络技术(北京)有限公司 | 提取车道线的方法、装置、设备、存储介质以及采集实体 |
-
2020
- 2020-10-10 CN CN202011078091.2A patent/CN112686089B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104197897A (zh) * | 2014-04-25 | 2014-12-10 | 厦门大学 | 一种基于车载激光扫描点云的城区道路标线自动分类方法 |
CN106067003A (zh) * | 2016-05-27 | 2016-11-02 | 山东科技大学 | 一种车载激光扫描点云中道路矢量标识线自动提取方法 |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
CN108319920A (zh) * | 2018-02-05 | 2018-07-24 | 武汉武大卓越科技有限责任公司 | 一种基于线扫描三维点云的路面标线检测及参数计算方法 |
CN110502973A (zh) * | 2019-07-05 | 2019-11-26 | 同济大学 | 一种基于车载激光点云的道路标线自动化提取和识别方法 |
CN110532963A (zh) * | 2019-08-30 | 2019-12-03 | 扆亮海 | 一种车载激光雷达点云驱动的道路标线精准提取方法 |
CN111079611A (zh) * | 2019-12-09 | 2020-04-28 | 成都奥伦达科技有限公司 | 一种道路面及其标志线的自动提取方法 |
CN111192311A (zh) * | 2019-12-31 | 2020-05-22 | 武汉中海庭数据技术有限公司 | 一种高精度地图制作中纵向减速标线自动提取方法和装置 |
Non-Patent Citations (1)
Title |
---|
车载激光点云数据结构化道路及标线提取;安瑶军;《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》;20191215(第12期);第A008-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112686089A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108267747B (zh) | 基于激光点云的道路特征提取方法和装置 | |
WO2020233152A1 (zh) | 基于城市建筑空间数据的建成区边界识别方法及设备 | |
CN104376595B (zh) | 一种基于机载LiDAR和GIS协同的三维道路生成方法 | |
CN103020342B (zh) | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
CN103778429A (zh) | 一种车载激光扫描点云中道路信息自动提取方法 | |
Huang et al. | Automatic generation of road maps from low quality GPS trajectory data via structure learning | |
CN116797055B (zh) | 一种基于物联网的城市道路规划方法及*** | |
CN107644452A (zh) | 机载LiDAR点云屋顶面片分割方法及*** | |
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 | |
CN113392169A (zh) | 一种高精度地图更新的方法、装置及服务器 | |
CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
CN115655098A (zh) | 高密度激光点云技术用于电网工程挖填土石方测算方法 | |
CN112686089B (zh) | 道路信息智能化自动提取方法 | |
Hou et al. | An automated sound barrier inventory method using mobile LiDAR | |
CN116129137A (zh) | 隧道点云特征的处理方法、装置、设备及存储介质 | |
CN115760876A (zh) | 基于地物形态特征的行道树点云渐进提取方法 | |
CN114063107A (zh) | 一种基于激光束的地面点云提取方法 | |
CN114882191A (zh) | 数字高程模型生成方法、电子设备及计算机可读存储装置 | |
CN114387293A (zh) | 道路边缘检测方法、装置、电子设备及车辆 | |
Qi et al. | Research on the 3D Fine Modeling Method of In‐Service Road | |
Wang et al. | GPS trajectory-based segmentation and multi-filter-based extraction of expressway curbs and markings from mobile laser scanning data | |
CN114485684A (zh) | 一种基于地面要素拓扑关系的地图道路匹配方法和*** | |
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 | |
Liu et al. | Extracting campus’ road network from walking gps trajectories |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210420 Assignee: Tianjin survey and Design Institute Group Co.,Ltd. Assignor: STARGIS (TIANJIN) TECHNOLOGY DEVELOPMENT Co.,Ltd. Contract record no.: X2023980054666 Denomination of invention: Intelligent Automatic Extraction Method for Road Information Granted publication date: 20230613 License type: Common license|Cross license Record date: 20231228 |
|
EE01 | Entry into force of recordation of patent licensing contract |