CN114170149A - 一种基于激光点云的道路几何信息提取方法 - Google Patents
一种基于激光点云的道路几何信息提取方法 Download PDFInfo
- Publication number
- CN114170149A CN114170149A CN202111362011.0A CN202111362011A CN114170149A CN 114170149 A CN114170149 A CN 114170149A CN 202111362011 A CN202111362011 A CN 202111362011A CN 114170149 A CN114170149 A CN 114170149A
- Authority
- CN
- China
- Prior art keywords
- point
- road
- points
- point cloud
- elevation
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Road Repair (AREA)
Abstract
本发明公开了一种基于激光点云的道路几何信息提取方法,包括:对点云进行半径滤波和网格降采样以精简点云;考虑到路面点高程分布较为集中,且道路表面更为平滑,提取点云的高程特征与局部法向量特征用来区分地面点与非地面点;在地面点上使用区域生长法连接路面点,经过误删点恢复后得到完整的路面点云;最后根据采集车辆的轨迹信息,计算轨迹向量并切取道路横截面,使用最小二乘法获取道路的几何参数。本发明同时兼顾了提取精度和程序运行效率,可以全方面考虑不同道路环境下道路几何信息的自动化提取。
Description
技术领域
本发明涉及路面自动检测技术领域,涉及一种基于激光点云的道路几何信息提取算法。
背景技术
改革开放以来我国的道路网迅速扩张。道路改扩建工程量逐年增加,并且随着时间推移,路基易发生不均匀沉降,这些原因导致道路真实情况愈发复杂。如何高效、低成本地采集道路信息,已经成为道路养护管理的一个重要课题。并且近年来,自动驾驶、智慧交通、高精度地图制作等领域蓬勃发展,精确高效地掌握道路信息更加迫在眉睫。人工收集道路特征参数的工作量很大,并且难以大规模进行,且需花费大量的人力、财力、物力,这促使着道路信息提取向着自动化方向发展。
车载激光扫描技术将激光扫描仪安装在汽车上,汽车移动过程中,可沿行驶路径采集周边的三维表面信息,根据坐标以及反射强度生成三维激光点云。车载激光扫描***在近些年迎来了高速发展日趋成熟,作为一种正在迅速发展的移动测量技术,相比于传统的人工测量技术,可以快速、精准、大范围地获取道路和道路环境的强度信息、三维空间信息甚至颜色信息,在道路后期管理养护以及智慧城市等方面可以起到重要作用。由于点云数据的数据量十分庞大,提升算法的运算效率对于车载激光扫描***的大规模应用而言十分重要。且道路环境复杂多变,可能存在交叉口、隧道等复杂道路场景。关于激光雷达点云数据的提取,尚且缺乏对提取结果的交通专业性处理。在道路设计、养护管理领域十分重要的平纵横参数还未有涉及。
发明内容
发明目的:针对现有人工收集道路几何信息费时费力的现状,提供了一种基于激光点云的道路几何信息提取算法,可以全方面考虑不同道路环境下道路几何信息的自动化提取,优化现有道路几何信息提取算法。
技术方案:为实现上述发明目的,本发明采用以下技术方案:
一种基于激光点云的道路几何信息提取算法,包括以下步骤:
(1)对车载激光扫描***采集到的点云进行半径滤波和网格降采样,以精简点云;
(2)提取精简后点云的高程特征与局部法向量特征,以区分地面点与非地面点;
(3)根据点云的三维坐标和激光反射强度信息,在地面点上使用区域生长法,连接路面点并除去地面点中的非路面部分,恢复误删点后得到完整的路面点云;
(4)根据车辆的轨迹信息,在(3)中得到的路面点云上切取道路横截面;
(5)利用横截面计算路宽和纵坡,使用最小二乘法计算道路曲率、横坡坡度,完成道路几何信息提取。
进一步的,步骤(1)中对点云进行半径滤波和网格降采样以精简点云的方法为:首先,使用K-D Tree方法建立数据点索引;其次,对每一点,搜索其距离R以内的全部点,若其总数小于阈值K,则将其删去,设搜索距离R=1.0m,半径滤波阈值K=100;接着使用固定大小三维网格划分点云,每个网格都是棱长为m的正方体,选择网格的重心点代替此网格的全部点,棱长m的值取0.4;
进一步的,步骤(2)中提取点云的高程特征与局部法向量特征用来区分地面点与非地面点的方法为:
(a)在水平平面创建二维栅格网,将精简后的点云投影至水平平面并按照栅格网划分点云为诸多方格,恢复每一方格内点云的高程信息,得到诸多连续分布的三维垂直柱,此后运算逐次选取每一垂直柱进行;
(c)对数据集中的每一点,找到距其最近的20个点构建局部点集并进行标准化处理,公式为:
其中xi、yi和zi分别是局部点集中第i点的X、Y、Z坐标值,分别表示点集中X、Y、Z坐标的平均值,Var(x)、Var(y)、Var(z)表示点集中X、Y、Z坐标的方差。计算相关系数矩阵,相关系数矩阵为:
进一步的,步骤(3)中在地面点上使用区域生长法,连接路面点并除去地面点中的非路面部分的具体方法为:首先在地面点中随机选定一个点作为种子点,作为此区域进行生长的起点,随后比较此种子点的邻域点是否满足生长准则,生长准则为:
(a)距离种子点距离小于距离阈值D,设D=1.0m;
(b)种子点的高程差小于高程差阈值,设高程差阈值为0.03m;
(c)与种子点的反射强度差小于强度差阈值,设强度差阈值为50;
将满足生长准则的邻域点纳入区域,并作为此区域新的种子点继续向外生长,直到全部具有相似空间分布特征和激光反射强度特征的点都涵盖在此区域中;若该区域中的点数超过地面点总数的50%,则该区域为地面点中的路面部分,否则该区域为地面点中的非路面部分;逐一选取非路面点,比较其与全部路面点的欧几里得距离(dΔ)和高程差(hΔ),若该非路面点与某一路面点的欧几里得距离和高程差在D/2和0.03m范围内,则将此非路面点恢复为路面点;
进一步的,步骤(4)中根据采集车辆的轨迹信息,利用车辆的轨迹点来定义每个轨迹向量起点和终点的位置向量,以i轨迹点作为起点的轨迹向量可以表示为:其中和为轨迹向量起点和终点的位置向量;随后计算每一轨迹向量的法向量表达式为:
其中,vx、vy、vz是轨迹向量的三个元素,分别表征轨迹在X、Y、Z轴上的投影长度;然后使用高度5.0m、厚度1.5m的长方体沿着轨迹点的法向量方向切取道路横截面;最后利用旋转矩阵将横截面旋转至Y轴正方向。旋转矩阵如下:
进一步的,步骤(5)中根利用横截面计算路宽和纵坡,使用最小二乘法计算道路曲率、横坡坡度的具体方法为:
(a)每一横截面中,用最大横坐标x_max减去最小横坐标x_min,得到该横截面处路面宽度;
(b)计算轨迹点i对应的横截面CSi的横坐标平均值x_mean、纵坐标平均值y_mean和高程平均值z_mean,则以(x_mean,y_mean,z_mean)为坐标的点即为横截面CSi处的道路中心点;由全部轨迹的计算得到的道路中心点集组成了道路中心线,选用道路中心线高程计算道路纵坡l,其表达式为:其中,H为道路中心线前后两点的相对高差,L为道路中心线前后两点的的水平距离;
(c)对于道路中心线上的点设A为计算曲率时的搜索范围,找到其半径A/2范围的全部道路中心点,设A=10m,这些点构成了一个圆弧,其对应的圆方程为:x2+y2+ax+by+c=0,其中x、y、z是道路中心点的坐标值,a、b、c是圆的特征参数。利用最小二乘法对圆进行拟合,求解使残差平方和取最小值的a,b,c,即可算出标准圆的半径r,其倒数1/r即为曲率;
(d)以道路中线为分界点,将路面分为左右两个点集,分别进行最小二乘法直线拟合,求得斜率,该斜率即为横坡坡度。
有益效果:与现有技术相比,本发明在现有技术的基础上解决了现有道路几何信息获取方法耗时耗力的不足,同时本发明公开的方法简单、方便,获得的结果弥补了现有技术对该领域的空白,从而能够全方面考虑不同道路环境下道路几何信息的自动化提取,优化现有道路几何信息提取算法。
附图说明
图1为本发明提供的方法流程图;
图2为区域生长法示意图;
图3为道路横截面切取示意图;
具体实施方式
下面结合附图对本发明做更进一步的解释。
如图1所示,本发明是一种基于激光点云的道路几何信息提取算法,主要包括以下步骤:
(1)对车载激光扫描***采集到的点云进行半径滤波和网格降采样,以精简点云。
移动激光扫描技术是将激光扫描仪安装在汽车上,汽车移动过程中,快速获取行驶路径周边的三维表面信息,根据X,Y,Z坐标以及强度值I生成三维激光点云。移动激光扫描***激光束密集且移动灵活,脉冲发射频率可达到几十万点每秒,随之建立的三维激光点云具有较大的数据量,超高的点密度使得点云文件较大,点云文件的处理和渲染也相对较慢。并且,点云通常由杂乱无章的数据点构成,数据点之间并无连续的位置关系,数据点的顺序反映了扫描的先后顺序,但不能表示各点之间的空间位置信息。
本方法使用K-D Tree建立点云索引。K-D Tree是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构,主要应用于多维空间关键数据的搜索。K-DTree的每个节点都为k维点的二叉树。所有非叶子节点可以视作用一个超平面把空间分割成两个半空间。节点左边的子树代表在超平面左边的点,节点右边的子树代表在超平面右边的点。选择超平面的方法如下:每个节点都与k维中垂直于超平面的那一维有关。因此,如果选择按照x轴划分,所有x值小于指定值的节点都会出现在左子树,所有x值大于指定值的节点都会出现在右子树。这样,超平面可以用该x值来确定,其法线为x轴的单位向量。
为了精简点云,本方法使用了半径滤波和网格降采样。半径滤波器以以某一点为中心创建半径一定的球体,随后计算数据集中此位于此球体内部的点的数目,当点的数目满足阈值条件时保留该点,不满足阈值条件时删除该点。随后,使用空间栅格划分原始点云,计算得到每一正方体网格中全部点的重心,使用该重心点来代替此正方体网格中的全部点,即照网格中全部点的坐标平均值、强度平均值以及颜色信息平均值,将其合并简化为一点。网格降采样的方法可以较好地保留原始点云的几何特征,显著降低点云密度,提高计算效率。
(2)提取精简后点云的高程特征与局部法向量特征,以区分地面点与非地面点。
相较于汽车,树木等物体,路面的高程分布较为集中且接近大地地面,路面最明显的几何特征是其具有平整连续的表面。可以利用点云高程特征与局部法向量特征粗略提取路面。
(a)在水平平面创建二维栅格网,将点云投影至水平平面并按照栅格网划分点云为诸多方格,得到诸多连续分布的三维垂直柱,此后运算逐次选取每一垂直柱进行;
(c)对数据集中的每一点,找到距其最近的20个点构建局部点集并进行标准化处理,公式为:
其中xi、yi和zi分别是局部点集中第i点的X、Y、Z坐标值,分别表示点集中X、Y、Z坐标的平均值,Var(x)、Var(y)、Var(z)表示点集中X、Y、Z坐标的方差。计算相关系数矩阵,相关系数矩阵为:
其中,x、y和z分别表示局部点集的X、Y、Z坐标向量。Cov表示协方差,进一步计算得到相关系数矩阵的特征值α1、α2、α3,其中,α1>α2>α3。随后,计算α1、α2、α3所对应的特征向量通常情况下路面点的特征值0.4≤α1≤0.6,0.4≤α2≤0.6,0≤α3≤0.1,平面特征较为明显。第三主成分对应的特征向量即为点云的法向量,删除法向量与Z轴夹角大于5°的点;
(3)在地面点上使用区域生长法连接路面点,恢复误删点后得到完整的路面点云。
如图2所示,区域生长法的核心思路是比较区域中的点云与其邻域点性质上的相似性,从而合并具有相似性质的点云。在地面点上使用区域生长法,连接路面点并除去地面点中的非路面部分的具体方法为:首先在地面点中随机选定一个点作为种子点,作为此区域进行生长的起点,随后比较此种子点的邻域点是否满足生长准则,生长准则为:
(a)距离种子点距离小于距离阈值D,设D=1.0m;
(b)种子点的高程差小于高程差阈值,设高程差阈值为0.03m;
(c)与种子点的反射强度差小于强度差阈值,设强度差阈值为50;
将满足生长准则的邻域点纳入区域,并作为此区域新的种子点继续向外生长,直到全部具有相似空间分布特征和激光反射强度特征的点都涵盖在此区域中;若该区域中的点数超过地面点总数的50%,则该区域为地面点中的路面部分,否则该区域为地面点中的非路面部分;由于网格化运算,道路边缘处的网格中路面点较少,部分此类网格中的路面点未被成功提取,所以提取的道路边缘较为粗糙,需要对误删点进行恢复。逐一选取非路面点,比较其与全部路面点的欧几里得距离(dΔ)和高程差(hΔ),若该非路面点与某一路面点的欧几里得距离和高程差在D/2和0.03m范围内,则将此非路面点恢复为路面点;
(4)根据采集车辆的轨迹信息,在步骤(3)中得到的路面点云上切取道路横截面。
道路是平铺在三维空间上的带状实体,道路路幅中心所组成的线为道路中线。道路中线是道路平纵横信息的核心要素,中线上任取一点,该点处的法向切面即为道路横断面,沿中线将道路竖直切面即为路线的纵断面。利用车辆的轨迹点来定义每个轨迹向量起点和终点的位置向量,以i轨迹点作为起点的轨迹向量可以表示为:其中和为轨迹向量起点和终点的位置向量,其中, 向量可以写成 xi、yi、zi是起点位置向量在X、Y、Z轴上的投影长度;xi+1、yi+1、zi+1是终点位置向量在X、Y、Z轴上的投影长度。轨迹向量的数目取决于激光雷达信息采集时车辆的轨迹点数其中和为轨迹向量起点和终点的位置向量;随后计算每一轨迹向量的法向量表达式为:
其中,vx、vy、vz是轨迹向量的三个元素,分别表征轨迹在X、Y、Z轴上的投影长度;然后使用高度5.0m、厚度1.5m的长方体沿着轨迹点的法向量方向切取道路横截面,如图3所示;最后利用旋转矩阵将横截面旋转至Y轴正方向。旋转矩阵如下:
(5)利用横截面计算路宽和纵坡,使用最小二乘法计算道路曲率、横坡坡度。
(a)每一横截面中,用最大横坐标x_max减去最小横坐标x_min,得到该横截面处路面宽度;
(b)一般而言,高等级公路以中央分隔带外缘处的高程作为设计高程,改建公路以道路中线高程或中央分隔带外缘高程作为设计高程。出于简化程序的考虑,本方法选用道路中线高程进行道路纵坡的计算。计算横截面的横坐标平均值x_mean、纵坐标平均值y_mean和高程平均值z_mean,则坐标点(x_mean,y_mean,z_mean)即可表示该切片处的道路中心点。由全部轨迹的计算得到的道路中心点集组成了道路中心线,选用道路中心线高程计算道路纵坡l,其表达式为:其中,H为道路中心线上前后两点的相对高差,L为道路中心线上前后两点的的水平距离;
(c)研究表明,车辆行驶轨迹具有如下三条几何特征:
1)轨迹是连续的、圆滑的;
2)轨迹具有连续的曲率,即行驶轨迹上不会存在轨迹的突变;
3)轨迹具有连续的曲率变化率,即行驶轨迹上任一点不会存在轨迹变化率的突变。
其中直线的曲率是0,圆曲线的曲率是1/r,缓和曲线的曲率为从0到1/r或从1/r到0的线形过渡。对于每一个道路中心点找到其曲率搜索范围A/2的全部道路中心点,设A=10m,这些点构成了一个圆弧,其对应的圆方差为:x2+y2+ax+by+c=0,其中x、y、z是道路中心点的坐标值,a、b、c是圆的特征参数。利用最小二乘法对其进行拟合,求解使残差平方和取最小值的a,b,c,即可算出标准圆的半径r,其倒数1/r即为曲率;
(d)以道路中线为分界点,将路面分为左右两个点集,分别进行最小二乘法直线拟合,求得斜率,该斜率即为横坡坡度。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种基于激光点云的道路几何信息提取方法,其特征在于:包括以下步骤:
(1)对车载激光扫描***采集到的点云进行半径滤波和网格降采样,以精简点云;
(2)提取精简后点云的高程特征与局部法向量特征,以区分地面点与非地面点;
(3)根据点云的三维坐标和激光反射强度信息,在地面点上使用区域生长法,连接路面点并除去地面点中的非路面部分,恢复误删点后得到完整的路面点云;
(4)根据车辆的轨迹信息,在(3)中得到的路面点上切取道路横截面;
(5)利用横截面计算路宽和纵坡,使用最小二乘法计算道路曲率、横坡坡度,完成道路几何信息提取。
2.根据权利要求1所述的一种基于激光点云的道路几何信息提取方法,其特征在于:步骤(1)的半径滤波和网格降采样具体方法为:首先,使用K-D Tree方法建立点云索引;其次,对每一点云,若其设定半径邻域内的点云总数小于设定阈值,则将该点云删去;最后,使用设定大小的三维网格划分点云,以每个网格的重心点代替此网格的全部点云。
3.根据权利要求1所述的一种基于激光点云的道路几何信息提取方法,其特征在于:步骤(2)的具体方法为:
(a)在水平平面创建二维栅格网,将精简后的点云投影至水平平面并按照栅格网划分点云为诸多方格,恢复每一方格内点云的高程信息,得到诸多连续分布的三维垂直柱,逐次选取每一垂直柱进行以下步骤(b)和(c)的运算;
(c)对(b)构建的点云集中的每一点云,找到距其最近的20个点云构建局部点集,并对局部点集中的点云进行标准化处理,对标准化处理后的局部点集构建协方差矩阵,求解协方差矩阵的特征值以及特征向量,协方差矩阵最小特征值对应的特征向量即为该点云的法向量;
(d)删除点云集中法向量与Z轴夹角大于5°的点云,剩余点云即为地面点。
4.根据权利要求1所述的一种基于激光点云的道路几何信息提取方法,其特征在于:步骤(3)中在地面点上使用区域生长法,连接路面点并除去地面点中的非路面部分的具体方法为:
首先,在地面点中随机选定一个点作为种子点,作为区域生长的起点,随后比较此种子点的邻域点是否满足生长准则,生长准则为:
(a)距离种子点距离小于设定距离阈值;
(b)种子点的高程差小于设定高程差阈值;
(c)与种子点的反射强度差小于设定强度差阈值;
然后,将满足生长准则的邻域点纳入区域,并作为此区域新的种子点继续向外生长,直至生长结束;若生长结束的区域中的点数超过地面点总数的50%,则该区域为地面点中的路面部分,否则该区域为地面点中的非路面部分;逐一选取非路面部分的非路面点,比较其与路面点的欧几里得距离和高程差,若该非路面点与某一路面点的欧几里得距离小于设定距离阈值的1/2且高程差小于设定高程差阈值,则将此非路面点恢复为路面点。
6.根据权利要求1所述的一种基于激光点云的道路几何信息提取方法,其特征在于:步骤(5)的具体方法为:
(a)轨迹点i对应的横截面CSi中,用最大横坐标减去最小横坐标,得到横截面CSi处的路面宽度;
(b)计算轨迹点i对应的横截面CSi的横坐标平均值x_mean、纵坐标平均值y_mean和高程平均值z_mean,则以(x_mean,y_mean,z_mean)为坐标的点即为横截面CSi处的道路中心点;由全部轨迹的计算得到的道路中心点集组成了道路中心线,选用道路中心线高程计算道路纵坡l,其表达式为:其中,H为道路中心线前后两点的相对高差,L为道路中心线前后两点的的水平距离;
(c)对于道路中心线上的点找到以其为圆心、设定A/2为半径范围的全部道路中心点,这些道路中心点构成了一个圆弧,利用最小二乘法对圆弧进行拟合,求解使残差平方和取最小值的拟合参数,进而计算该圆弧对应的标准圆的半径,半径的倒数即为曲率;其中,A为计算曲率时的搜索范围;
(d)以道路中线为分界点,将路面分为左右两个点集,分别进行最小二乘法直线拟合,求得斜率,该斜率即为横坡坡度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362011.0A CN114170149A (zh) | 2021-11-17 | 2021-11-17 | 一种基于激光点云的道路几何信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362011.0A CN114170149A (zh) | 2021-11-17 | 2021-11-17 | 一种基于激光点云的道路几何信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170149A true CN114170149A (zh) | 2022-03-11 |
Family
ID=80479392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111362011.0A Pending CN114170149A (zh) | 2021-11-17 | 2021-11-17 | 一种基于激光点云的道路几何信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170149A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821522A (zh) * | 2022-03-29 | 2022-07-29 | 东南大学 | 基于车载激光点云数据的城市道路横坡和超高值计算方法 |
CN114880423A (zh) * | 2022-07-08 | 2022-08-09 | 高德软件有限公司 | 高精资料数据的切分方法、装置、设备及产品 |
WO2024060209A1 (zh) * | 2022-09-23 | 2024-03-28 | 深圳市速腾聚创科技有限公司 | 一种处理点云的方法和雷达 |
CN118229789A (zh) * | 2024-05-23 | 2024-06-21 | 东南大学 | 一种自适应识别变坡点的道路点云横坡计算方法 |
CN118229699A (zh) * | 2024-05-23 | 2024-06-21 | 东南大学 | 一种基于加权拒绝策略的道路点云分割方法 |
CN118229699B (zh) * | 2024-05-23 | 2024-07-26 | 东南大学 | 一种基于加权拒绝策略的道路点云分割方法 |
-
2021
- 2021-11-17 CN CN202111362011.0A patent/CN114170149A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821522A (zh) * | 2022-03-29 | 2022-07-29 | 东南大学 | 基于车载激光点云数据的城市道路横坡和超高值计算方法 |
CN114880423A (zh) * | 2022-07-08 | 2022-08-09 | 高德软件有限公司 | 高精资料数据的切分方法、装置、设备及产品 |
WO2024060209A1 (zh) * | 2022-09-23 | 2024-03-28 | 深圳市速腾聚创科技有限公司 | 一种处理点云的方法和雷达 |
CN118229789A (zh) * | 2024-05-23 | 2024-06-21 | 东南大学 | 一种自适应识别变坡点的道路点云横坡计算方法 |
CN118229699A (zh) * | 2024-05-23 | 2024-06-21 | 东南大学 | 一种基于加权拒绝策略的道路点云分割方法 |
CN118229699B (zh) * | 2024-05-23 | 2024-07-26 | 东南大学 | 一种基于加权拒绝策略的道路点云分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114170149A (zh) | 一种基于激光点云的道路几何信息提取方法 | |
CN110570428B (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及*** | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN108898672A (zh) | 一种制作三维高清道路图车道线的半自动点云方法 | |
CN111598823A (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
CN111291776B (zh) | 基于众源轨迹数据的航道信息提取方法 | |
CN114332366B (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
CN112801022A (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
CN112633092B (zh) | 基于车载激光扫描点云的道路信息提取方法 | |
CN112561944A (zh) | 一种基于车载激光点云的车道线提取方法 | |
CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
CN111950589B (zh) | 结合K-means聚类的点云区域生长优化分割方法 | |
CN115205690A (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN117115012A (zh) | 一种道路路面点云标线分割去噪方法 | |
CN116485821A (zh) | 一种建筑物点云分割与矢量轮廓线提取方法及装置 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
CN107993242B (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
Cong et al. | Research on a point cloud registration method of mobile laser scanning and terrestrial laser scanning | |
CN111323026B (zh) | 一种基于高精度点云地图的地面过滤方法 | |
CN116824379A (zh) | 一种基于多维特征的激光点云建筑物轮廓渐进优化方法 | |
CN115115941B (zh) | 基于模板匹配的激光雷达点云地图杆状目标提取方法 | |
CN115760876A (zh) | 基于地物形态特征的行道树点云渐进提取方法 | |
Qin et al. | A voxel-based filtering algorithm for mobile LiDAR data | |
CN116051841A (zh) | 基于车载LiDAR点云的路边地上物多阶段聚类分割算法 |
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 |