CN114419231A - 基于点云数据和ai技术的交通设施矢量识别提取分析*** - Google Patents
基于点云数据和ai技术的交通设施矢量识别提取分析*** Download PDFInfo
- Publication number
- CN114419231A CN114419231A CN202210245836.2A CN202210245836A CN114419231A CN 114419231 A CN114419231 A CN 114419231A CN 202210245836 A CN202210245836 A CN 202210245836A CN 114419231 A CN114419231 A CN 114419231A
- Authority
- CN
- China
- Prior art keywords
- model
- point cloud
- data
- dimensional
- modeling
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了基于点云数据和AI技术的交通设施矢量识别提取分析***,属于智慧交通技术领域。为解决现有的交管部门在对道路车辆以及交通设施的监控都采用画面或者平面信号的方式,这种方式存在着一定的局限性,工作人员无法直观的获取到设施以及车辆的实际数据,从而导致一些应用上的使用会出现误差的问题,三维实景建模技术引擎是一个三合一引擎,是数据引擎、地图引擎和视频引擎的三合一自主引擎,采用视频融合、多地图集成多视角应用和第一人称视角的多镜头融合高低点联动室内外联动以及实时视频实时人脸车辆特征行为实时结构化解析分析实现全息刻画、身临其境和沉浸式体验指挥。
Description
技术领域
本发明涉及智慧交通技术领域,具体为基于点云数据和AI技术的交通设施矢量识别提取分析***。
背景技术
通过倾斜摄影建模、激光点云建模、BIM建模等可量测的实景三维数据,以高清晰度、高分辨率全景影像的方式来直接反映地物要素以及自然环境的原貌,它既包含了所要量测的目标地物信息,又包括了与之相关的各种自然和社会信息,而且作为一种新型地理信息数据源,可与天地图或各类地理信息共享服务平台无缝集成,为智慧城市建设各方面提供所需的实景化专题数据,对于智慧城市行业用户而言,可以实现对城市道路交通设施可视化管理、城管部件可视化定位管理、城市绿化信息全过程跟踪、城市公安应急指挥决策、城市地下管线可视化管理以及城市危房信息实时监控等提取所需的实景化的业务专题数据,更好满足管理与决策上的高层次应用;对于公众而言,实景三维影像是客观世界的最直观和最真实的写照,也是无需专业知识判读,市民可通过实景影像反映身边的城管问题和有效报案,开创“全民智慧城市”新模式”。
但是,现有的交管部门在对道路车辆以及交通设施的监控都采用画面或者平面信号的方式,这种方式存在着一定的局限性,工作人员无法直观的获取到设施以及车辆的实际数据,从而导致一些应用上的使用会出现误差;因此,不满足现有的需求,对此我们提出了基于点云数据和AI技术的交通设施矢量识别提取分析***。
发明内容
本发明的目的在于提供基于点云数据和AI技术的交通设施矢量识别提取分析***,采用视频融合、多地图集成多视角应用和第一人称视角的多镜头融合高低点联动室内外联动以及实时视频实时人脸车辆特征行为实时结构化解析分析实现全息刻画、身临其境和沉浸式体验指挥,可以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:一种基于点云数据和AI技术的交通设施矢量识别提取分析***,包括LiDAR技术应用,所述LiDAR技术应用包括道路LiDAR固位测量、车载LiDAR移动测量和机载LiDAR高空测量,且道路LiDAR固位测量、车载LiDAR移动测量和机载LiDAR高空测量均包括高速捕捉相机,所述道路LiDAR固位测量、车载LiDAR移动测量、机载LiDAR高空测量和高速捕捉相机的输出端与地面信号基站的输入端连接,所述地面信号基站的输出端与数据采集预处理模块的输入端连接,且数据采集预处理模块的输出端与城市道路运维管理平台的输入端连接;
道路LiDAR固位测量:通过将道路LiDAR设备安装在路灯或者监控结构上来完成对道路点云数据的采集;
车载LiDAR移动测量:通过将道路LiDAR设备安装在汽车的顶部,跟随汽车的行驶来采集道路以及周围街景的点云数据;
机载LiDAR高空测量:通过将道路LiDAR设备安装在无人机上从高空以俯视的角度拍摄更多的点云数据,且无人机可以对目标进行跟随移动;
高速捕捉相机:三组采集模式上都配备有高速相机,通过画面的采集可以获取到实景的色彩数据;
地面信号基站:用于接收仪器设备采集到的数据信息,再由基站上传至平台结构上;
数据采集预处理模块:主要是针对相同区域的采集数据进行规划整理,并将其一同进行打包压缩;
城市道路运维管理平台:由交管部门所提供建设的平台***,其结构同天眼***类似。
优选的,所述城市道路运维管理平台包括三维全景引擎平台、二维矢量数据服务平台、共享应用平台和设施交互管控平台,所述三维全景引擎平台包括全局三维优化展示,且二维矢量数据服务平台包括全局平面优化展示;
三维全景引擎平台:收集点云数据并对其进行分析处理,之后完成建模;
二维矢量数据服务平台:可以将三维地图中的数据同步到二维的平面地图中进行显示;
共享应用平台:可以将点云数据通过共享平台进行传输;
设施交互管控平台:可以同交管部门的交通设施控制***进行交互;
全局三维优化展示:以三维的方式来展示虚拟的道路模型;
全局平面优化展示:将三维转化为平面展示。
优选的,所述三维全景引擎平台包括静态点云采集和动态点云采集,且静态点云采集和动态点云采集的输出端与建模分析计算和三维模型渲染的输入端连接;
静态点云采集:静态点云包括树木花草、道路设施以及周边建筑;
动态点云采集:动态点云包括道路车辆以及人流;
建模分析计算:对采集到的点云数据进行高效的分析和计算;
三维模型渲染:对模型进行表面色彩的渲染。
优选的,所述建模分析计算包括体积分析、特征分析、色彩分析和层次分析,且三维模型渲染包括点云特征提取和点云渲染数据,所述建模分析计算的输出端与模型计算公式展示的输入端连接,且三维模型渲染的输出端与模型渲染公式展示的输入端连接;
体积分析:计算分析点云数据的长宽高;
特征分析:针对异形点云数据中较为突出的特征形状进行分析计算;
色彩分析:分析点云数据的表面色彩信息;
层次分析:针对多个点云数据之间的位置关系进行分析计算;
点云特征提取:提取较为突出的特征到***中;
点云渲染数据:获取到相对真是的色彩数据;
模型计算公式展示:***经过分析计算后会得到模型的各项建模数据公式,导入到建模平台后可自动生成模型;
模型渲染公式展示:***经过分析计算后会得到模型的各项色彩渲染数据公式,导入到建模平台内部的渲染***后可自动对模型进行上色。
优选的,所述模型计算公式展示和模型渲染公式展示的输出端与可视三维建模的输入端连接,且可视三维建模的输出端与模型形态展示的输入端连接,所述模型形态展示的输出端与模型数据库的输入端连接,且模型形态展示包括AI形态矫正比对和AI色彩矫正比对;
可视三维建模:***内部所使用的建模应用,可以直接导入公式生成模型结构;
模型形态展示:用来展示生成的模型外观;
模型数据库:可以以区域为单位来储存多组建模数据;
AI形态矫正比对:通过智能***来对模型的外部结构进行边缘矫正和裁切;
AI色彩矫正比对:通过智能***来对模型的渲染色彩进行调色矫正。
优选的,所述模型数据库的输出端与局内模型生成的输入端连接,且局内模型生成的输出端与模型预设标记的输入端连接,所述模型预设标记的输出端与全局三维优化展示的输入端连接,且全局三维优化展示的输入端与模型布置矫正的输出端连接;
局内模型生成:点击生成后,***会将库内的建模直接贴图到图纸对应的位置上;
模型预设标记:根据点云数据的提供,在局内图纸上将对应的模型建筑进行标记;
模型布置矫正:局内模型布置结束后,***会对其进行方向以及间距的矫正。
优选的,所述模型数据库的输出端与三维模型逆向点云采集的输入端连接,且三维模型逆向点云采集的输出端与三维重建的输入端连接;
三维模型逆向点云采集:可以根据模型结构来生成点云数据;
三维重建:定期对局内的点云建模数据进行更新重建。
优选的,所述三维模型逆向点云采集包括AI点云补全,所述三维重建的输入端与历史记录和数据流比对筛选的输出端连接,且历史记录与数据流比对筛选双向连接;
AI点云补全:借助人工智能中所存储的现有大数据来修补有所缺失的点云,从缺失点云出发估计完整点云,从而获得更高质量的点云;
历史记录:储存有***在启动以来所有的建模数据以及点云数据;
数据流比对筛选:在更新建模时,***会对局内点云数据进行筛选,将未发生变化的静态建模进行保存,只更新出现变化的动态建模。
优选的,所述三维全景引擎平台与局内目标标定双向连接,且局内目标标定的输出端与行动轨迹估算的输入端连接,所述行动轨迹估算的输入端与AI深度算法学习的输出端连接;
局内目标标定:标定目标主要为道路上的车辆模型;
行动轨迹估算:***会通过路面上的测速装置获取到当前标定目标的区间车速信息,以及该目标所在道路上的岔道信息来进行预判;
AI深度算法学习:借助人工智能***来辅助标定目标的各项计算操作。
优选的,所述局内目标标定的输出端与标定跟进的输入端连接,且标定跟进和行动轨迹估算的输出端与位置算法反馈的输入端连接;
标定跟进:标定的目标在移动时,局内的三维模型视角会跟随其一同进行移动;
位置算法反馈:参照当前目标的移动方向和移动速度来将其同步到局内建模中。
优选的,所述将三维地图中的数据同步到二维的平面地图中进行显示,包括如下步骤:
根据所述三维地图,获取进行地图轮廓线提取,转化为三维线框模型;
根据所述三维线框模型,生成多个地图面;其中,
所述地图面包括:前向面、后向面、底面和内向面;
基于地图面,分别确定每个面的背面,进行隐藏面第一次检测;其中,
所述隐藏面第一次检测包括:
分别确定每个面的棱边,依次确定每个面的棱边的对应棱边;
根据每个面的对应棱边,构成对应面,判断所述对应面是否在所述地图面之中;
当所述对应面在所述地图面之中,表示不存在隐藏面;
当所述对应面不在所述地图面之中,表示存在隐藏面。
优选的,所述地面信号基站还根据信号质量,选择对应的仪器设备,接收数据信息,包括如下步骤:
步骤1:根据基站连接的仪器设备,判断与基站连接的仪器设备的信号强度:
其中,表示仪器设备的信号强度;表示仪器设备的发射的信号的功
率函数;表示仪器设备发射的信号在路径中损耗;表示仪器设备发射的
信号的阴影衰落;表示阴影衰落因子;表示基站的位置参数;表示设备a的位置参数;
步骤2:确定每个仪器设备的信号强度,并在归一化处理后的确定每个仪器设备的信号质量:
步骤3:根据所述信号质量,判断每个仪器设备的信号质量是否达到预设的信号质量阈值;其中
当达到预设的信号质量阈值时,将信号质量达到所述信号质量阈值的仪器设备和基站绑定,地面信号基站接受对应仪器设备的数据;
当未达到预设的信号质量阈值时,通过仪器设备搜寻符合信号质量阈值的基站,并进行连接。
与现有技术相比,本发明的有益效果是:
1、本发明在视频大数据中进行深度学习,利用知识图谱技术按图索骥,精准破案。其深刻的洞察对其深刻二字是对三维实景智慧交通***的看的准、看的清、看的远,离不开数据引擎的支持,专有算法的赋能,协同战斗队形里,三维实景智慧交通***作为决策支持交互与展示的先锋,圈定多层防护圈和数据感知和模型的深刻洞察数据源,沉淀疑情案情的共性与特异性辅助精细化案事件解析,导入差异化算法和行为提供 给智慧交通数据源源源不断的新奇特数据输入,提供多维数据感知 的大数据研判海量数据支持,使得场景选取到落地更快准狠,通过三维实景智慧交通***形成面向指挥应用、全景侦察、精准布控、全息场景刻画、场景回溯周边视频、POI自动批量导入形成行业POI图层、视频动态可视域、盲区协防、视频PTZ分离、警务看板、大规模全景拼接一镜到底、警卫安保路线、安保预案演练、一标三实管理、视频巡更、周界防范、勤务指挥、视频警力调度、一机多用;
2、本发明三维实景建模技术引擎是一个三合一引擎,是数据引擎、地图引擎和视频引擎的三合一自主引擎,采用视频融合、多地图集成多视角应用和第一人称视角的多镜头融合高低点联动室内外联动以及实时视频实时人脸车辆特征行为实时结构化解析分析实现全息刻画、身临其境和沉浸式体验指挥;
3、本发明通过展示反馈对目标和路径知晓、对人地物事组织流程知晓、对疑情案情警情知悉,对布防布控警力知晓,具体来看就是对地图的POI位置,预案,路线,路径知晓,对视频的点位方向角度知晓、对视频中的人车实时结构化信息知晓、对跨镜头接力的视频追踪目标知晓,对数据的采集来源知晓,对数据的感知围闭线索知晓、对数据的对错数据对应的设施设备的好坏知晓,对目标嫌疑人车的从哪儿来,到哪儿去,去过哪儿,常用路径目的地 POI兴趣点,伴行人车轨迹知,从技术平台来看,对场景要素在运行中的日志、状态知晓、对可用性、可靠性、性能、容量、吞吐量、RTO故障恢复时间,RPO故障恢复关键事件知晓。
附图说明
图1为本发明的整体组成结构示意图;
图2为本发明的城市道路运维管理平台组成结构示意图;
图3为本发明的三维全景引擎平台组成结构示意图;
图4为本发明的可视化三维建模组成结构示意图;
图5为本发明的局内模型生成组成结构示意图;
图6为本发明的局内模型更新组成结构示意图;
图7为本发明的AR目标区域定向组成结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的一种实施例:一种基于点云数据和AI技术的交通设施矢量识别提取分析***,包括LiDAR技术应用,LiDAR技术应用包括道路LiDAR固位测量、车载LiDAR移动测量和机载LiDAR高空测量,LiDAR是一种集激光,全球定位***和惯性导航系三种技术于一身的***,用于获得点云数据并生成精确的数字化三维模型,这三种技术的结合,可以在一致绝对测量点位的情况下获取周围的三维实景,且道路LiDAR固位测量、车载LiDAR移动测量和机载LiDAR高空测量均包括高速捕捉相机,道路LiDAR固位测量、车载LiDAR移动测量、机载LiDAR高空测量和高速捕捉相机的输出端与地面信号基站的输入端连接,地面信号基站的输出端与数据采集预处理模块的输入端连接,且数据采集预处理模块的输出端与城市道路运维管理平台的输入端连接,道路LiDAR固位测量:通过将道路LiDAR设备安装在路灯或者监控结构上来完成对道路点云数据的采集,车载LiDAR移动测量:通过将道路LiDAR设备安装在汽车的顶部,跟随汽车的行驶来采集道路以及周围街景的点云数据,机载LiDAR高空测量:通过将道路LiDAR设备安装在无人机上从高空以俯视的角度拍摄更多的点云数据,且无人机可以对目标进行跟随移动,高速捕捉相机:三组采集模式上都配备有高速相机,通过画面的采集可以获取到实景的色彩数据,地面信号基站:用于接收仪器设备采集到的数据信息,再由基站上传至平台结构上,数据采集预处理模块:主要是针对相同区域的采集数据进行规划整理,并将其一同进行打包压缩,城市道路运维管理平台:由交管部门所提供建设的平台***,其结构同天眼***类似。
请参阅图2,城市道路运维管理平台包括三维全景引擎平台、二维矢量数据服务平台、共享应用平台和设施交互管控平台,三维全景引擎平台包括全局三维优化展示,且二维矢量数据服务平台包括全局平面优化展示,三维全景引擎平台:收集点云数据并对其进行分析处理,之后完成建模,二维矢量数据服务平台:可以将三维地图中的数据同步到二维的平面地图中进行显示,共享应用平台:可以将点云数据通过共享平台进行传输,设施交互管控平台:可以同交管部门的交通设施控制***进行交互,全局三维优化展示:以三维的方式来展示虚拟的道路模型,全局平面优化展示:将三维转化为平面展示,三维实景建模技术引擎是一个三合一引擎,是数据引擎、地图引擎和视频引擎的三合一自主引擎,采用视频融合、多地图集成多视角应用和第一人称视角的多镜头融合高低点联动室内外联动以及实时视频实时人脸车辆特征行为实时结构化解析分析实现全息刻画、身临其境和沉浸式体验指挥。
请参阅图3-5,三维全景引擎平台包括静态点云采集和动态点云采集,且静态点云采集和动态点云采集的输出端与建模分析计算和三维模型渲染的输入端连接,静态点云采集:静态点云包括树木花草、道路设施以及周边建筑,动态点云采集:动态点云包括道路车辆以及人流,建模分析计算:对采集到的点云数据进行高效的分析和计算,三维模型渲染:对模型进行表面色彩的渲染,建模分析计算包括体积分析、特征分析、色彩分析和层次分析,且三维模型渲染包括点云特征提取和点云渲染数据,建模分析计算的输出端与模型计算公式展示的输入端连接,且三维模型渲染的输出端与模型渲染公式展示的输入端连接,体积分析:计算分析点云数据的长宽高,特征分析:针对异形点云数据中较为突出的特征形状进行分析计算,色彩分析:分析点云数据的表面色彩信息,层次分析:针对多个点云数据之间的位置关系进行分析计算,点云特征提取:提取较为突出的特征到***中,点云渲染数据:获取到相对真是的色彩数据,模型计算公式展示:***经过分析计算后会得到模型的各项建模数据公式,导入到建模平台后可自动生成模型,模型渲染公式展示:***经过分析计算后会得到模型的各项色彩渲染数据公式,导入到建模平台内部的渲染***后可自动对模型进行上色,模型计算公式展示和模型渲染公式展示的输出端与可视三维建模的输入端连接,且可视三维建模的输出端与模型形态展示的输入端连接,模型形态展示的输出端与模型数据库的输入端连接,且模型形态展示包括AI形态矫正比对和AI色彩矫正比对,可视三维建模:***内部所使用的建模应用,可以直接导入公式生成模型结构,模型形态展示:用来展示生成的模型外观,模型数据库:可以以区域为单位来储存多组建模数据,AI形态矫正比对:通过智能***来对模型的外部结构进行边缘矫正和裁切,AI色彩矫正比对:通过智能***来对模型的渲染色彩进行调色矫正,模型数据库的输出端与局内模型生成的输入端连接,且局内模型生成的输出端与模型预设标记的输入端连接,模型预设标记的输出端与全局三维优化展示的输入端连接,且全局三维优化展示的输入端与模型布置矫正的输出端连接,局内模型生成:点击生成后,***会将库内的建模直接贴图到图纸对应的位置上,模型预设标记:根据点云数据的提供,在局内图纸上将对应的模型建筑进行标记,模型布置矫正:局内模型布置结束后,***会对其进行方向以及间距的矫正,在视频大数据中进行深度学习,利用知识图谱技术按图索骥,精准破案。其深刻的洞察对其深刻二字是对三维实景智慧交通***的看的准、看的清、看的远,离不开数据引擎的支持,专有算法的赋能,协同战斗队形里,三维实景智慧交通***作为决策支持交互与展示的先锋,圈定多层防护圈和数据感知和模型的深刻洞察数据源,沉淀疑情案情的共性与特异性辅助精细化案事件解析,导入差异化算法和行为提供 给智慧交通数据源源源不断的新奇特数据输入,提供多维数据感知 的大数据研判海量数据支持,使得场景选取到落地更快准狠,通过三维实景智慧交通***形成面向指挥应用、全景侦察、精准布控、全息场景刻画、场景回溯周边视频、POI自动批量导入形成行业POI图层、视频动态可视域、盲区协防、视频PTZ分离、警务看板、大规模全景拼接一镜到底、警卫安保路线、安保预案演练、一标三实管理、视频巡更、周界防范、勤务指挥、视频警力调度、一机多用。
请参阅图6,模型数据库的输出端与三维模型逆向点云采集的输入端连接,且三维模型逆向点云采集的输出端与三维重建的输入端连接,三维模型逆向点云采集:可以根据模型结构来生成点云数据,三维重建:定期对局内的点云建模数据进行更新重建,三维模型逆向点云采集包括AI点云补全,三维重建的输入端与历史记录和数据流比对筛选的输出端连接,且历史记录与数据流比对筛选双向连接,AI点云补全:借助人工智能中所存储的现有大数据来修补有所缺失的点云,从缺失点云出发估计完整点云,从而获得更高质量的点云,历史记录:储存有***在启动以来所有的建模数据以及点云数据,数据流比对筛选:在更新建模时,***会对局内点云数据进行筛选,将未发生变化的静态建模进行保存,只更新出现变化的动态建模,保障的数据的有效真实性,降低操作误差。
请参阅图7,三维全景引擎平台与局内目标标定双向连接,且局内目标标定的输出端与行动轨迹估算的输入端连接,行动轨迹估算的输入端与AI深度算法学***台来看,对场景要素在运行中的日志、状态知晓、对可用性、可靠性、性能、容量、吞吐量、RTO故障恢复时间,RPO故障恢复关键事件知晓。
综上,借助道路LiDAR固位测量、车载LiDAR移动测量和机载LiDAR高空测量来获取到道路的点云数据信息,同时三组采集模式上都配备有高速相机,通过画面的采集可以获取到实景的色彩数据,随后交由建模分析计算进行体积分析、特征分析、色彩分析和层次分析,***经过分析计算后会得到模型的各项建模数据公式,导入到建模平台后可自动生成模型,与此同时数据还会上传至三维模型渲染进行点云特征提取和点云渲染数据,***经过分析计算后会得到模型的各项色彩渲染数据公式,导入到建模平台内部的渲染***后可自动对模型进行上色,点击生成后,***会将库内的建模直接贴图到图纸对应的位置上。
优选的,所述将三维地图中的数据同步到二维的平面地图中进行显示,包括如下步骤:
根据所述三维地图,获取进行地图轮廓线提取,转化为三维线框模型;
根据所述三维线框模型,生成多个地图面;其中,
所述地图面包括:前向面、后向面、底面和内向面;
基于地图面,分别确定每个面的背面,进行隐藏面第一次检测;其中,
所述隐藏面第一次检测包括:
分别确定每个面的棱边,依次确定每个面的棱边的对应棱边;
根据每个面的对应棱边,构成对应面,判断所述对应面是否在所述地图面之中;
当所述对应面在所述地图面之中,表示不存在隐藏面;
当所述对应面不在所述地图面之中,表示存在隐藏面。
上述技术方案的原理在于:在现有技术中,我们将三维地图转化到二维的平面地图的时候,我们都明确,三维的地图有些面是可以见到的,有些面只能通过特殊的手段去浏览。例如一个立体地图,他的几座山围绕着一个深坑,这个深坑里面的面说就是无法显示的,在进行二维转化的时候,往往这个二维对于深坑只是显示垂直俯视深坑地面,对于深坑的内侧面,其就无法进行显示,也就造成了三维向二维转换的时候,出现了地图的缺失。针对这些缺陷,本发明在进行三维转换二维的时候,采用了地图轮廓线的方式,这种方式会抛弃天地图上的一些面,我们只将是棱边,或者地势低洼,或者凹凸不平的一些界面的轮廓线显示出来,同样对于隐藏面,其同样具有轮廓线。然后通过这些轮廓线,我们来把地图划分为多个面,包括:前向面(直接能看到的面)、后向面(每个正向面对应的面)、底面(地图底部的面)和内向面(凹凸不平的地势遮挡后,不容易发现的面);这些面应该包括了地图的所有面,也就是所有二维转化后的面,但是也可能在计算机的处理中存在泄露,所以本发明又采用了棱边对称的方式验证是不是存在隐藏面,从而保证面的全面性,防止二维转化显示的时候,存在面的缺失。
优选的,所述地面信号基站还根据信号质量,选择对应的仪器设备,接收数据信息,包括如下步骤:
步骤1:根据基站连接的仪器设备,判断与基站连接的仪器设备的信号强度:
其中,表示仪器设备的信号强度;表示仪器设备的发射的信号的功
率函数;表示仪器设备发射的信号在路径中损耗;表示仪器设备发射的
信号的阴影衰落;表示阴影衰落因子;表示基站的位置参数;表示设备a的位置参数;
步骤2:确定每个仪器设备的信号强度,并在归一化处理后的确定每个仪器设备的信号质量:
步骤3:根据所述信号质量,判断每个仪器设备的信号质量是否达到预设的信号质量阈值;其中
当达到预设的信号质量阈值时,将信号质量达到所述信号质量阈值的仪器设备和基站绑定,地面信号基站接受对应仪器设备的数据;
当未达到预设的信号质量阈值时,通过仪器设备搜寻符合信号质量阈值的基站,并进行连接。
上述技术方案的原理在于:因为本发明是一个基站连接仪器设备的***,所以信号质量尤为重要,因为信号质量确定的数据传输的延迟、中断、丢包率。为此,本发明需要时刻进行信号质量的计算,判断基站连接的仪器设备信号质量是不是达到标准,从而以更加快速的姿态进行数据传输。为此,本发明在步骤1中首先计算的是信号的强度,这个信号强度是基站接收到仪器设备的信号强度。本发明采用的计算方式是通过发出的信号的强度,减去损耗的信号和阴影衰落的信号,损耗的信号和阴影衰落的信号不同,损耗是因为设备自身的特性导致的信号的损耗,例如电压电流的变化。而,阴影衰落是与环境相关,就是两个数据传输点中,因为树木,高山等遮挡造成的信号强度的变化。信号强度变化之后,本发明计算的是信号质量,信号质量的计算本发明是通过信号强度减去每个仪器设备在指数函数上信号强度的分布参数,从而判断出每个仪器设备在所有的仪器设备中信号强度的强弱,最后再通过预设的阈值进行对比,确定每个一起设备连接的基站是否达到标准。之所以不直接设置一个信号强度的阈值,是因为,本发明主要运用于环境领域,所以不管采用多少仪器设备,都以当时仪器设备的总的分析下,每个仪器设备信号强度去衡量信号质量,而不是直接的设置一个值,更加符合实际的环境需求。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于点云数据和AI技术的交通设施矢量识别提取分析***,包括LiDAR技术应用,其特征在于:
所述LiDAR技术应用包括道路LiDAR固位测量、车载LiDAR移动测量和机载LiDAR高空测量,且道路LiDAR固位测量、车载LiDAR移动测量和机载LiDAR高空测量均包括高速捕捉相机,所述道路LiDAR固位测量、车载LiDAR移动测量、机载LiDAR高空测量和高速捕捉相机的输出端与地面信号基站的输入端连接,所述地面信号基站的输出端与数据采集预处理模块的输入端连接,且数据采集预处理模块的输出端与城市道路运维管理平台的输入端连接;
道路LiDAR固位测量:通过将道路LiDAR设备安装在路灯或者监控结构上来完成对道路点云数据的采集;
车载LiDAR移动测量:通过将道路LiDAR设备安装在汽车的顶部,跟随汽车的行驶来采集道路以及周围街景的点云数据;
机载LiDAR高空测量:通过将道路LiDAR设备安装在无人机上从高空以俯视的角度拍摄更多的点云数据,且无人机对目标进行跟随移动;
高速捕捉相机:三组采集模式上都配备有高速相机,通过画面的采集可以获取到实景的色彩数据;
地面信号基站:用于接收仪器设备采集到的数据信息,再由基站上传至平台结构上;
数据采集预处理模块:针对相同区域的采集数据进行规划整理,并将其一同进行打包压缩;
城市道路运维管理平台:由交管部门所提供建设的平台***。
2.根据权利要求1所述的基于点云数据和AI技术的交通设施矢量识别提取分析***,其特征在于:所述城市道路运维管理平台包括三维全景引擎平台、二维矢量数据服务平台、共享应用平台和设施交互管控平台,所述三维全景引擎平台包括全局三维优化展示,且二维矢量数据服务平台包括全局平面优化展示;
三维全景引擎平台:收集点云数据并对其进行分析处理,之后完成建模;
二维矢量数据服务平台:将三维地图中的数据同步到二维的平面地图中进行显示;
共享应用平台:将点云数据通过共享平台进行传输;
设施交互管控平台:同交管部门的交通设施控制***进行交互;
全局三维优化展示:以三维的方式来展示虚拟的道路模型;
全局平面优化展示:将三维转化为平面展示。
3.根据权利要求2所述的基于点云数据和AI技术的交通设施矢量识别提取分析***,其特征在于:所述三维全景引擎平台包括静态点云采集和动态点云采集,且静态点云采集和动态点云采集的输出端与建模分析计算和三维模型渲染的输入端连接;
静态点云采集:静态点云包括树木花草、道路设施以及周边建筑;
动态点云采集:动态点云包括道路车辆以及人流;
建模分析计算:对采集到的点云数据进行高效的分析和计算;
三维模型渲染:对模型进行表面色彩的渲染。
4.根据权利要求3所述的基于点云数据和AI技术的交通设施矢量识别提取分析***,其特征在于:所述建模分析计算包括体积分析、特征分析、色彩分析和层次分析,且三维模型渲染包括点云特征提取和点云渲染数据,所述建模分析计算的输出端与模型计算公式展示的输入端连接,且三维模型渲染的输出端与模型渲染公式展示的输入端连接;
体积分析:计算分析点云数据的长宽高;
特征分析:针对异形点云数据中较为突出的特征形状进行分析计算;
色彩分析:分析点云数据的表面色彩信息;
层次分析:针对多个点云数据之间的位置关系进行分析计算;
点云特征提取:提取较为突出的特征到***中;
点云渲染数据:获取到相对真是的色彩数据;
模型计算公式展示:***经过分析计算后会得到模型的各项建模数据公式,导入到建模平台后可自动生成模型;
模型渲染公式展示:***经过分析计算后会得到模型的各项色彩渲染数据公式,导入到建模平台内部的渲染***后可自动对模型进行上色。
5.根据权利要求4所述的基于点云数据和AI技术的交通设施矢量识别提取分析***,其特征在于:所述模型计算公式展示和模型渲染公式展示的输出端与可视三维建模的输入端连接,且可视三维建模的输出端与模型形态展示的输入端连接,所述模型形态展示的输出端与模型数据库的输入端连接,且模型形态展示包括AI形态矫正比对和AI色彩矫正比对;
可视三维建模:***内部所使用的建模应用,直接导入公式生成模型结构;
模型形态展示:用来展示生成的模型外观;
模型数据库:可以以区域为单位来储存多组建模数据;
AI形态矫正比对:通过智能***来对模型的外部结构进行边缘矫正和裁切;
AI色彩矫正比对:通过智能***来对模型的渲染色彩进行调色矫正。
6.根据权利要求5所述的基于点云数据和AI技术的交通设施矢量识别提取分析***,其特征在于:所述模型数据库的输出端与局内模型生成的输入端连接,且局内模型生成的输出端与模型预设标记的输入端连接,所述模型预设标记的输出端与全局三维优化展示的输入端连接,且全局三维优化展示的输入端与模型布置矫正的输出端连接;
局内模型生成:点击生成后,***会将库内的建模直接贴图到图纸对应的位置上;
模型预设标记:根据点云数据的提供,在局内图纸上将对应的模型建筑进行标记;
模型布置矫正:局内模型布置结束后,***会对其进行方向以及间距的矫正。
7.根据权利要求6所述的基于点云数据和AI技术的交通设施矢量识别提取分析***,其特征在于:所述模型数据库的输出端与三维模型逆向点云采集的输入端连接,且三维模型逆向点云采集的输出端与三维重建的输入端连接;
三维模型逆向点云采集:根据模型结构来生成点云数据;
三维重建:定期对局内的点云建模数据进行更新重建;
所述三维模型逆向点云采集包括AI点云补全,所述三维重建的输入端与历史记录和数据流比对筛选的输出端连接,且历史记录与数据流比对筛选双向连接;
AI点云补全:借助人工智能中所存储的现有大数据来修补有所缺失的点云,从缺失点云出发估计完整点云,从而获得更高质量的点云;
历史记录:储存有***在启动以来所有的建模数据以及点云数据;
数据流比对筛选:在更新建模时,***会对局内点云数据进行筛选,将未发生变化的静态建模进行保存,只更新出现变化的动态建模。
8.根据权利要求2所述的基于点云数据和AI技术的交通设施矢量识别提取分析***,其特征在于:所述三维全景引擎平台与局内目标标定双向连接,且局内目标标定的输出端与行动轨迹估算的输入端连接,所述行动轨迹估算的输入端与AI深度算法学习的输出端连接;
局内目标标定:标定目标主要为道路上的车辆模型;
行动轨迹估算:***会通过路面上的测速装置获取到当前标定目标的区间车速信息,以及该目标所在道路上的岔道信息来进行预判;
AI深度算法学习:借助人工智能***来辅助标定目标的各项计算操作;
所述局内目标标定的输出端与标定跟进的输入端连接,且标定跟进和行动轨迹估算的输出端与位置算法反馈的输入端连接;
标定跟进:标定的目标在移动时,局内的三维模型视角会跟随其一同进行移动;
位置算法反馈:参照当前目标的移动方向和移动速度来将其同步到局内建模中。
9.根据权利要求8所述的基于点云数据和AI技术的交设施矢量识别提取分析***,其特征在于:将三维地图中的数据同步到二维的平面地图中进行显示,包括如下步骤:
根据所述三维地图,获取进行地图轮廓线提取,转化为三维线框模型;
根据所述三维线框模型,生成多个地图面;其中,
所述地图面包括:前向面、后向面、底面和内向面;
基于地图面,分别确定每个面的背面,进行隐藏面第一次检测;其中,
所述隐藏面第一次检测包括:
分别确定每个面的棱边,依次确定每个面的棱边的对应棱边;
根据每个面的对应棱边,构成对应面,判断所述对应面是否在所述地图面之中;
当所述对应面在所述地图面之中,表示不存在隐藏面;
当所述对应面不在所述地图面之中,表示存在隐藏面。
10.根据权利要求1所述的基于点云数据和AI技术的交设施矢量识别提取分析***,其特征在于:所述地面信号基站还根据信号质量,选择对应的仪器设备,接收数据信息,包括如下步骤:
步骤1:根据基站连接的仪器设备,判断与基站连接的仪器设备的信号强度:
其中,表示仪器设备的信号强度;表示仪器设备的发射的信号的功率函
数;表示仪器设备发射的信号在路径中损耗;表示仪器设备发射
的信号的阴影衰落;表示阴影衰落因子;表示基站的位置参数;表示设备a的位置参
数;
步骤2:确定每个仪器设备的信号强度,并在归一化处理后的确定每个仪器设备的信号质量:
步骤3:根据所述信号质量,判断每个仪器设备的信号质量是否达到预设的信号质量阈值;其中,
当达到预设的信号质量阈值时,将信号质量达到所述信号质量阈值的仪器设备和基站绑定,地面信号基站接受对应仪器设备的数据;
当未达到预设的信号质量阈值时,通过仪器设备搜寻符合信号质量阈值的基站,并进行连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210245836.2A CN114419231B (zh) | 2022-03-14 | 2022-03-14 | 基于点云数据和ai技术的交通设施矢量识别提取分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210245836.2A CN114419231B (zh) | 2022-03-14 | 2022-03-14 | 基于点云数据和ai技术的交通设施矢量识别提取分析*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419231A true CN114419231A (zh) | 2022-04-29 |
CN114419231B CN114419231B (zh) | 2022-07-19 |
Family
ID=81263769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210245836.2A Active CN114419231B (zh) | 2022-03-14 | 2022-03-14 | 基于点云数据和ai技术的交通设施矢量识别提取分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419231B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187713A (zh) * | 2022-09-08 | 2022-10-14 | 山东信通电子股份有限公司 | 一种用于加速点云选点操作的方法、设备及介质 |
CN115277757A (zh) * | 2022-07-12 | 2022-11-01 | 智洋创新科技股份有限公司 | 一种基于宽窄带数据融合的智慧杆塔状态分析方法及*** |
CN116863087A (zh) * | 2023-06-01 | 2023-10-10 | 中国航空油料集团有限公司 | 基于数字孪生的航油信息显示方法、装置和可读存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090185741A1 (en) * | 2008-01-09 | 2009-07-23 | Tiltan Systems Engineering Ltd. | Apparatus and method for automatic airborne LiDAR data processing and mapping using data obtained thereby |
US20180224863A1 (en) * | 2016-01-18 | 2018-08-09 | Tencent Technology (Shenzhen) Company Limited | Data processing method, apparatus and terminal |
US20180232946A1 (en) * | 2015-08-03 | 2018-08-16 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for modelling three-dimensional road model, and storage medium |
CN109085966A (zh) * | 2018-06-15 | 2018-12-25 | 广东康云多维视觉智能科技有限公司 | 一种基于云计算的三维展示***及方法 |
US20190180467A1 (en) * | 2017-12-11 | 2019-06-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying and positioning objects around a vehicle |
US20190197311A1 (en) * | 2017-12-26 | 2019-06-27 | Harbin Institute Of Technology | Evaluation Method of Solar Energy Utilization Potential in Urban High-density Areas Based on Low-altitude Photogrammetry |
WO2019179200A1 (zh) * | 2018-03-22 | 2019-09-26 | 深圳岚锋创视网络科技有限公司 | 多目相机的三维重建方法、vr相机和全景相机 |
US20200209370A1 (en) * | 2018-12-28 | 2020-07-02 | Didi Research America, Llc | Interface for improved high definition map generation |
US20200211376A1 (en) * | 2018-12-31 | 2020-07-02 | Pujan Roka | Systems and Methods to Enable a Transportation Network with Artificial Intelligence for Connected and Autonomous Vehicles |
CN111462073A (zh) * | 2020-03-30 | 2020-07-28 | 国家基础地理信息中心 | 机载激光雷达点云密度的质量检查方法和装置 |
US20200250540A1 (en) * | 2018-12-29 | 2020-08-06 | Dassault Systemes | Machine-learning for 3d modeled object inference |
WO2020189909A2 (ko) * | 2019-03-15 | 2020-09-24 | 주식회사 스트리스 | 3d-vr 멀티센서 시스템 기반의 도로 시설물 관리 솔루션을 구현하는 시스템 및 그 방법 |
CN112927370A (zh) * | 2021-02-25 | 2021-06-08 | 苍穹数码技术股份有限公司 | 三维建筑物模型构建方法、装置、电子设备及存储介质 |
-
2022
- 2022-03-14 CN CN202210245836.2A patent/CN114419231B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090185741A1 (en) * | 2008-01-09 | 2009-07-23 | Tiltan Systems Engineering Ltd. | Apparatus and method for automatic airborne LiDAR data processing and mapping using data obtained thereby |
US20180232946A1 (en) * | 2015-08-03 | 2018-08-16 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for modelling three-dimensional road model, and storage medium |
US20180224863A1 (en) * | 2016-01-18 | 2018-08-09 | Tencent Technology (Shenzhen) Company Limited | Data processing method, apparatus and terminal |
US20190180467A1 (en) * | 2017-12-11 | 2019-06-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying and positioning objects around a vehicle |
US20190197311A1 (en) * | 2017-12-26 | 2019-06-27 | Harbin Institute Of Technology | Evaluation Method of Solar Energy Utilization Potential in Urban High-density Areas Based on Low-altitude Photogrammetry |
WO2019179200A1 (zh) * | 2018-03-22 | 2019-09-26 | 深圳岚锋创视网络科技有限公司 | 多目相机的三维重建方法、vr相机和全景相机 |
CN109085966A (zh) * | 2018-06-15 | 2018-12-25 | 广东康云多维视觉智能科技有限公司 | 一种基于云计算的三维展示***及方法 |
US20200209370A1 (en) * | 2018-12-28 | 2020-07-02 | Didi Research America, Llc | Interface for improved high definition map generation |
US20200250540A1 (en) * | 2018-12-29 | 2020-08-06 | Dassault Systemes | Machine-learning for 3d modeled object inference |
US20200211376A1 (en) * | 2018-12-31 | 2020-07-02 | Pujan Roka | Systems and Methods to Enable a Transportation Network with Artificial Intelligence for Connected and Autonomous Vehicles |
WO2020189909A2 (ko) * | 2019-03-15 | 2020-09-24 | 주식회사 스트리스 | 3d-vr 멀티센서 시스템 기반의 도로 시설물 관리 솔루션을 구현하는 시스템 및 그 방법 |
CN111462073A (zh) * | 2020-03-30 | 2020-07-28 | 国家基础地理信息中心 | 机载激光雷达点云密度的质量检查方法和装置 |
CN112927370A (zh) * | 2021-02-25 | 2021-06-08 | 苍穹数码技术股份有限公司 | 三维建筑物模型构建方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
王张飞等: "基于深度投影的三维点云目标分割和碰撞检测", 《光学精密工程》, no. 07, 15 July 2020 (2020-07-15), pages 1600 - 1607 * |
郑少武等: "基于激光点云与图像信息融合的交通环境车辆检测", 《仪器仪表学报》, no. 12, 15 December 2019 (2019-12-15), pages 143 - 151 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277757A (zh) * | 2022-07-12 | 2022-11-01 | 智洋创新科技股份有限公司 | 一种基于宽窄带数据融合的智慧杆塔状态分析方法及*** |
CN115277757B (zh) * | 2022-07-12 | 2023-04-11 | 智洋创新科技股份有限公司 | 一种基于宽窄带数据融合的智慧杆塔状态分析方法及*** |
CN115187713A (zh) * | 2022-09-08 | 2022-10-14 | 山东信通电子股份有限公司 | 一种用于加速点云选点操作的方法、设备及介质 |
CN115187713B (zh) * | 2022-09-08 | 2023-01-13 | 山东信通电子股份有限公司 | 一种用于加速点云选点操作的方法、设备及介质 |
CN116863087A (zh) * | 2023-06-01 | 2023-10-10 | 中国航空油料集团有限公司 | 基于数字孪生的航油信息显示方法、装置和可读存储介质 |
CN116863087B (zh) * | 2023-06-01 | 2024-02-02 | 中国航空油料集团有限公司 | 基于数字孪生的航油信息显示方法、装置和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114419231B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114419231B (zh) | 基于点云数据和ai技术的交通设施矢量识别提取分析*** | |
CN109064755B (zh) | 基于四维实景交通仿真路况感知管理***的路径识别方法 | |
CN115348247A (zh) | 基于天空地一体化技术的森林火灾检测预警及决策*** | |
CN102724482B (zh) | 基于gps和gis的智能视觉传感网络运动目标接力跟踪*** | |
CN103236160B (zh) | 基于视频图像处理技术的路网交通状态监测*** | |
KR102024695B1 (ko) | 감시카메라 배치 모델링 시스템 및 방법 | |
CN108961790A (zh) | 基于四维实景交通仿真的恶劣天气预警管理***及方法 | |
CN104766086B (zh) | 一种公路标识的监管方法和*** | |
CN109724610A (zh) | 一种全信息实景导航的方法及装置 | |
JP2011238242A (ja) | ナビゲーション及びインスペクションシステム | |
CN113781450A (zh) | 一种基于输配电线路无人机图像采集自动化智能缺陷分析*** | |
CN111540048A (zh) | 一种基于空地融合的精细化实景三维建模方法 | |
CN102436738A (zh) | 一种基于无人机的交通监测装置 | |
CN112668847A (zh) | 配网线路无人机自主巡检综合管理*** | |
CN111597666A (zh) | 一种将bim应用到变电站建设过程的方法 | |
CN106933961B (zh) | 基于制高点自动分析的三维警用地理信息平台 | |
CN102855659A (zh) | 高速综合检测列车三维全息可视化***与方法 | |
CN113593017A (zh) | 露天矿地表三维模型构建方法、装置、设备及存储介质 | |
JP2003287434A (ja) | 画像情報検索システム | |
CN112449093A (zh) | 一种三维全景视频融合监控平台 | |
CN116824859B (zh) | 一种基于物联网的智慧交通大数据分析*** | |
CN114399606A (zh) | 基于立体可视化的交互展示***、方法、设备 | |
CN110362895B (zh) | 一种基于bim+gis技术的征地拆迁应用管理*** | |
CN103632538A (zh) | 道路3d实景采集*** | |
CN115580708A (zh) | 一种光缆线路无人机巡检的方法 |
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 |