CN117372987B - 道路三维数据处理方法、装置、存储介质及电子设备 - Google Patents
道路三维数据处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117372987B CN117372987B CN202311674526.3A CN202311674526A CN117372987B CN 117372987 B CN117372987 B CN 117372987B CN 202311674526 A CN202311674526 A CN 202311674526A CN 117372987 B CN117372987 B CN 117372987B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- data matrix
- data
- matrix
- road
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 274
- 230000000149 penetrating effect Effects 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 76
- 238000012937 correction Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 32
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 239000000463 material Substances 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本公开涉及一种道路三维数据处理方法、装置、存储介质及电子设备，属于道路检测技术领域。所述方法包括：获取3D探地雷达数据矩阵；获取3D光栅设备数据矩阵；根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵。本公开实施例能够快速高效的实现道路三维数据处理，通过数据融合算法提高了道路测量的精度和效率。有助于实现高精度三维路面建模，从而可以为实现道路精准养护方案的科学决策，节省大量人力和物力。
Description
技术领域
本公开属于道路检测技术领域，特别涉及一种道路三维数据处理方法、装置、存储介质及电子设备。
背景技术
随着城市化和交通基础设施的不断发展，如何高效、精确的对公路路面状况和路面下结构进行快速检测与分析，以实现对道路的科学养护已是一个紧迫问题。
目前存在的解决方案多为集中于路面或地下结构的单一数据的检测，很难精准反应道路病害的定位以及成因，地下路基和路面的检测数据精度和检测效率都不尽如人意。
亟需一种新的道路三维数据处理方法来提高道路测量的精度和效率。
发明内容
为了解决上述问题，根据本公开实施例的第一方面，提供一种道路三维数据采集装置，所述装置包括：
位于采样车辆的车载底盘一端的3D探地雷达，用于采集道路的三维雷达数据；
位于所述车载底盘另一端的3D光栅设备，用于采集所述道路的三维路面数据；
位于所述采样车辆后轮轴位置的测距仪，用于以采样间距触发所述3D探地雷达和所述3D光栅设备采集所述道路的三维数据；
位于所述3D探地雷达的天线中心位置的第一网络实时差分定位仪，用于采集所述3D探地雷达的位置数据；
位于所述3D光栅设备的质心上方的第二网络实时差分定位仪，用于采集所述3D光栅设备的位置数据。
可选地，所述3D探地雷达距离地面高度为第一高度；所述3D光栅设备距离地面高度为第二高度，所述第一高度小于所述第二高度。
可选地，所述3D探地雷达与所述3D光栅设备之间的距离为所述采样间距的整数倍数。
可选地，所述3D光栅设备包括CCD面阵相机和光栅投射设备，所述CCD面阵相机的单次采样范围为所述道路的宽度与采样间距为边长的矩形，所述光栅投射设备用于投射编码面阵光栅条纹，所述编码面阵光栅条纹的投射范围大于所述CCD面阵相机的单次采样范围。
根据本公开实施例的第二方面，提供一种道路三维数据处理方法，应用于第一方面中任一项所述的数据采集装置，所述方法包括：
获取3D探地雷达数据矩阵；
获取3D光栅设备数据矩阵；
根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵。
可选地，所述根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵，包括：
根据所述3D光栅设备数据矩阵，通过测距仪距离校准，得到采样三维数据矩阵；
根据所述采样三维数据矩阵，通过第一网络实时差分定位仪和第二网络实时差分定位仪进行双差分动态高程校准，获得三维高程校正数据矩阵；
根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵；
对所述3D探地雷达数据矩阵和所述路面三维稀疏矩阵进行数据融合，获得所述三维路面建模数据矩阵。
可选地，所述根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵，包括：
根据所述3D光栅设备的原始相机采集数据，通过图像处理和相邻采样图片的特征点拼接算法，获取二维拼接数据矩阵；
根据所述二维拼接数据矩阵和所述3D探地雷达数据矩阵，对所述三维高程校正数据矩阵进行修正，获得所述路面三维稀疏矩阵。
可选地，在获取所述3D探地雷达数据矩阵之前，所述方法还包括：
采用全站仪对第一网络实时差分定位仪和第二网络实时差分定位仪进行静态校准。
可选地，在根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取所述三维路面建模数据矩阵之后，所述方法还包括：
对所述三维路面建模数据矩阵进行数据展示，以生成道路病害热力图。
可选地，所述对所述三维路面建模数据矩阵进行数据展示包括：
通过三维模拟软件、建筑信息模型或地图方式对所述三维路面建模数据矩阵进行数据展示。
根据本公开实施例的第三方面，提供一种道路三维数据处理装置，所述装置包括：
第一获取模块，用于获取3D探地雷达数据矩阵；
第二获取模块，用于获取3D光栅设备数据矩阵；
第三获取模块，用于根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵；
所述第三获取模块包括采样三维数据矩阵获取子模块，用于根据所述3D光栅设备数据矩阵，通过测距仪距离校准，得到采样三维数据矩阵；
所述第三获取模块包括三维高程校正数据矩阵获取子模块，用于根据所述采样三维数据矩阵，通过第一网络实时差分定位仪和第二网络实时差分定位仪进行双差分动态高程校准，获得三维高程校正数据矩阵；
所述第三获取模块包括路面三维稀疏矩阵获取子模块，用于根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵；
所述第三获取模块包括三维路面建模数据矩阵获取子模块，用于对所述3D探地雷达数据矩阵和所述路面三维稀疏矩阵进行数据融合，获得所述三维路面建模数据矩阵。
根据本公开实施例的第四方面，提供一种非临时性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二方面中任一项所述方法的步骤。
根据本公开实施例的第五方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现第二方面中任一项所述方法的步骤。
综上所述，本公开实施例提供一种道路三维数据处理方法，所述方法包括：获取3D探地雷达数据矩阵；获取3D光栅设备数据矩阵；根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵。本公开实施例能够快速高效的实现道路三维数据采集和处理，提高了道路测量的精度和效率。有助于实现高精度三维路面建模，从而可以为实现道路精准养护方案的科学决策，节省大量人力和物力。
附图说明
为了更清楚地说明本公开的实施方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，附图仅示出了本公开的某些实施方式，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，还可以根据附图获得其他相关的附图。
图1是根据一示例性实施例示出的一种道路三维数据采集装置的侧视示意图。
图2是根据一示例性实施例示出的一种道路三维数据采集装置的俯视示意图。
图3是根据一示例性实施例示出的一种道路三维数据处理方法的流程图。
图4是根据一示例性实施例示出的一种3D探地雷达数据矩阵的示意图；其中（a）子图为三维雷达采集数据示意图；（b）子图为三维雷达矩阵数据示意图。
图5是根据一示例性实施例示出的一种3D光栅设备数据矩阵的示意图；其中（a）子图为三维光栅数据拼接示意图；（b）子图为二维图像拼接示意图；（c）子图为三维光栅矩阵数据示意图。
图6是根据一示例性实施例示出的一种获取三维路面建模数据矩阵的方法流程图。
图7是根据一示例性实施例示出的一种双网络实时差分定位仪的定位偏差示意图；其中（a）子图为第一网络实时差分定位仪的定位信息示意图；（b）子图为第二网络实时差分定位仪的定位信息示意图。
图8是根据一示例性实施例示出的一种获得路面三维稀疏矩阵的方法流程图。
图9是根据一示例性实施例示出的又一种道路三维数据处理方法的流程图。
图10是根据一示例性实施例示出的再一种道路三维数据处理方法的流程图。
图11是根据一示例性实施例示出的一种道路病害分布图。
图12是根据一示例性实施例示出的一种道路三维数据处理装置的框图。
图13是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式并结合附图，对本公开进行详细阐述。
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。在本公开的描述中，除非另有说明，“多个”是指两个或多于两个，其它量词与之类似；“至少一项（个）”、“一项（个）或多项（个）”或其类似表达，是指的这些项（个）中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，至少一项（个）a，可以表示任意数目个 a；再例如，a，b和 c 中的一项（个）或多项（个），可以表示：a，b，c，a-b，a-c，b-c，或 a-b-c，其中 a，b，c 可以是单个，也可以是多个；“和/或”是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A 和/或 B，可以表示：单独存在 A，同时存在 A 和 B，单独存在 B 这三种情况，其中 A，B 可以是单数或者复数。
在本公开实施例中尽管在附图中以特定的顺序描述操作或步骤，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作或步骤，或是要求执行全部所示的操作或步骤以得到期望的结果。在本公开的实施例中，可以串行执行这些操作或步骤；也可以并行执行这些操作或步骤；也可以执行这些操作或步骤中的一部分。
同时，可以理解的是，本技术方案所涉及的数据（包括但不限于数据本身、数据的获取或使用）应当遵循相应法律法规及相关规定的要求。下面结合具体实施例对本公开进行说明。
首先，对本公开的应用场景进行说明。本公开涉及一种道路三维数据采集装置及数据处理方法，旨在提供一种高精确定位数据以及获取高质量三维道路数据的技术方案。该方法通过车载3D光栅设备与3D探地雷达集成设备分别对道路路面表观和路面内部进行原始数据采集，并利用自主开发的算法软件实现路面表观三维数据和深层路面内部三维数据的立体还原，并转换为矩阵格式进行数据融合；通过DMI（Distance MeasuringInstrument，测距仪）和双iRTK（internet Real - time kinematic，网络实时差分定位仪）进行厘米级别高精度定位，并进一步利用二维路面表观数据特征匹配算法建立路面三维精准模型数据矩阵，提高了道路测量的精度和效率。实现同时空数据采集和定位以及数据融合处理的基础上，结合BIM（Building Information Modeling，建筑信息模型）和地图对三维病害进行展示，可以进行道路表观和深层病害的关联分析，以明确道路病害成因；该车载装备外业检测行驶速度可达到40km/h，相比于传统通过取芯来判断病害成因的方式，测量精度和测量效率更高，能够为项目级道路养护决策提供精准化高效数据支撑，可应用于道路与交通工程检测和养护等领域。
图1是根据一示例性实施例示出的一种道路三维数据采集装置的侧视示意图。图2是根据一示例性实施例示出的一种道路三维数据采集装置的俯视示意图。如图1-图2所示，本公开实施例提供一种道路三维数据采集装置，该装置包括：位于采样车辆的车载底盘10一端的3D探地雷达20，用于采集道路的三维雷达数据；位于车载底盘10另一端的3D光栅设备30，用于采集道路的三维路面数据；位于采样车辆后轮轴位置的测距仪40，用于以采样间距D1，示例性的采样间距D1可以为75MM。触发3D探地雷达20和3D光栅设备30采集道路的三维数据；位于3D探地雷达20的天线中心位置的第一网络实时差分定位仪50，用于采集3D探地雷达20的位置数据；位于3D光栅设备30的质心上方的第一网络实时差分定位仪60，用于采集3D光栅设备30的位置数据。
综上所述，本公开实施例提供一种道路三维数据采集装置，所述装置包括：位于采样车辆的车载底盘一端的3D探地雷达，用于采集道路的三维雷达数据；位于所述车载底盘另一端的3D光栅设备，用于采集所述道路的三维路面数据；位于所述采样车辆后轮轴位置的测距仪，用于以采样间距触发所述3D探地雷达和所述3D光栅设备采集所述道路的三维数据；位于所述3D探地雷达的天线中心位置的第一网络实时差分定位仪，用于采集所述3D探地雷达的位置数据；位于所述3D光栅设备的质心上方的第二网络实时差分定位仪，用于采集所述3D光栅设备的位置数据。本公开实施例能够快速高效的实现道路三维数据采集和处理，有助于实现高精度三维路面建模，从而可以为实现道路精准养护方案的科学决策，节省大量人力和物力。
在一些实施例中，3D探地雷达20距离地面高度为第一高度D，示例性的，该第一高度D可以为30CM。3D光栅设备30距离地面高度为第二高度D+DZ，示例性的，该第二高度D+DZ可以为2M。第一高度D小于第二高度D+DZ。这样可以消除定位误差的偶然因素影响，保证测量精度更高。
在一些实施例中，3D探地雷达20与3D光栅设备30之间的距离Dy为采样间距D1的整数倍数。示例性的，采样间距D1可以为75MM，3D探地雷达20与3D光栅设备30之间的距离Dy可以为100倍的采样间距D1，即7.5M。这样可以方便后续的数据计算和处理。
在一些实施例中，3D光栅设备30包括CCD面阵相机301和光栅投射设备302，CCD面阵相机301的单次采样范围为道路的宽度与采样间距为边长的矩形，示例性的，道路的宽度可以为3.6M。光栅投射设备302用于投射编码面阵光栅条纹，编码面阵光栅条纹的投射范围大于CCD面阵相机20的单次采样范围。这样，可以保证3D光栅设备30不会遗漏采集数据。
图3是根据一示例性实施例示出的一种道路三维数据处理方法的流程图。如图3所示，本公开实施例提供一种道路三维数据处理方法，应用于上述实施例中所述的数据采集装置，所述方法可以包括如下步骤：
在步骤S10中，获取3D探地雷达数据矩阵。
在此步骤中，获取3D探地雷达数据矩阵MatGPR[x,y,z,Xi,Yi,Zi,ti]。示例性的，图4是根据一示例性实施例示出的一种3D探地雷达数据矩阵的示意图；其中（a）子图为三维雷达采集数据示意图；（b）子图为三维雷达矩阵数据示意图。如图4所示，通过在3D探地雷达20的主机（图中未示出）上设置DMI（测距仪40）采样间距D1（75mm）来触发雷达设备采集道路路面内部数据，其中单个路面横断面数据覆盖路面长度为采样宽度3600mm（为整数倍D1），横向采样间距也设置为D1，横向采样点数为：3600/D1+1；采样率，单位时间内的采样点数，本设备设定为512，并同步记录当前触发时间的iRTK1（第一网络实时差分定位仪50）数据（Xi,Yi,Zi,ti)（1<=i)，分别对应的第i次触发的3D探地雷达20的采集数据，DMI数据和iRTK1数据共同记录当前雷达采集数据的位置信息。采集完成后，雷达采集数据通过在雷达软件中进行滤波等处理，然后通过数据转换生成3D探地雷达数据矩阵MatGPR[x,y,z,Xi,Yi,Zi,ti]，其中：纵向为行车方向，横向为与纵向垂直方向。
x为横断面采样点数=横向采样宽度/横向采样间距+1，示例性的，可以为(3600mm/75mm)+1=49。
y为纵向采样点数=检测纵向长度L（检测里程）/触发采样间距D1（75mm）+1，每个采样点坐标：xi=横向采样点 x0,x1-x48,yi=纵向采样点y0,y1-……，横纵采样坐标间距都是75mm。
z为深度采样点数，单位时间内的深度采样点数，示例性的，可以是512，每个深度采样点有一个深度值v，垂直深度值集合为vi(i=1~512)。
L为检测纵向长度，每个竖线为采样点，位置坐标可以为（xi为横向采样坐标，具体为x0~x48；yi为纵向采样坐标具体为y1,……，i=L/D1，横、纵坐标i采样间距都是D1=75mm）。
d为单个3D光栅设备数据矩阵横向和纵向矩阵元素对应的相应像素点代表的路表深度数值。
dij为单个3D光栅设备数据矩阵中第i行(i∈(1,m))，第j列(j∈(1,n))元素对应的相应像素点代表的路表深度数值。
Xi,Yi,Zi=第i次触发雷达采样数据的同时刻ti的iRTK1网络动态差分模式的实时定位信息，Xi为经度，Yi为维度，Zi为高程数据。
在步骤S20中，获取3D光栅设备数据矩阵。
在此步骤中，获取3D光栅设备数据矩阵Mat3D[m,n,d,Qj,Wj,Ej,tj]。示例性的，图5是根据一示例性实施例示出的一种3D光栅设备数据矩阵的示意图；其中（a）子图为三维光栅数据拼接示意图；（b）子图为二维图像拼接示意图；（c）子图为三维光栅矩阵数据示意图。如图5的子图（a）、（b）和（c）所示，3D光栅设备30的CCD面阵相机301的单次采样有效像素点为3600（横向）*75（纵向）个，每个像素代表1mm*1mm实际大小，纵向大小正好相当于雷达采样间距D1）、光栅投射设备302（投射编码面阵光栅条纹，投射范围大于CCD面阵相机301采样范围）和iRTK2（第二网络实时差分定位仪60），设备集成后位于车载底盘10后方固定架（图中未示出）上，iRTK2设备位于整体设备质心正上方。通过上位机（图中未示出）设置DMI采样间距D1来触发3D光栅设备30采集道路表面数据，采集单幅照片数据有效宽度为单个车道宽度（3600mm），采集长度L为整数倍D1，并同步记录当前触发时间tj的iRTK2定位数据（Qj,Wj,Ej,tj），第j次触发的3D采集照片起始定位位置，DMI和iRTK2数据共同记录当前3D光栅设备30的采集数据的位置信息。通过设备的三维重建算法对该采集数据进行重建，生成3D光栅设备数据矩阵Mat3D[m,n,d,Qj,Wj,Ej,tj]，其中：
m为相机横向像素个数，示例性的可以为3600，1像素实际代表1mm，相机单次横向像素个数3600，像素位置记作mi（i=1,...,3600)；
n为纵向采样有效像素个数，每个像素点代表的实际长度为1MM，每个像素点位置记作nj:j=1,...,n=相机单次纵向采样间距（示例性的，可以为75个像素点，也即75MM）*采样次数j；
d为单个3D光栅设备数据矩阵横向和纵向矩阵元素对应的相应像素点代表的路表深度数值；
dij为单个3D光栅设备数据矩阵中第i行(i∈(1,m))，第j列(j∈(1,n))元素对应的相应像素点代表的路表深度数值；
L’为检测纵向长度，每个竖线为触发采样点，位置坐标可以为（mi为横向采样点，具体为m1~m3600；nj为纵向采样点，具体为n1,……，横纵位置坐标间距都是1mm）。
Qj,Wj,Ej,tj=第j次CCD面阵相机301的采样数据的同时刻tj的iRTK2网络动态差分模式的实时定位信息，Qj为经度，Wj,为维度，Ej为高程数据。
在步骤S30中，根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵。
在此步骤中，根据3D探地雷达数据矩阵MatGPR[x,y,z,Xi,Yi,Zi,ti]和3D光栅设备数据矩阵Mat3D[m,n,d,Qj,Wj,Ej,tj]，获取三维路面建模数据矩阵。示例性的，可以根据3D光栅设备数据矩阵，通过测距仪40进行距离校准，得到采样三维数据矩阵；再根据所述采样三维数据矩阵，通过第一网络实时差分定位仪50和第二网络实时差分定位仪60进行双差分动态高程校准，获得三维高程校正数据矩阵；再根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵；然后对所述3D探地雷达数据矩阵和所述路面三维稀疏矩阵进行数据融合，获得所述三维路面建模数据矩阵。
综上所述，本公开实施例提供一种道路三维数据处理方法，所述方法包括：获取3D探地雷达数据矩阵；获取3D光栅设备数据矩阵；根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵。本公开实施例能够快速高效的实现道路三维数据处理，通过数据融合算法提高了道路测量的精度和效率。有助于实现高精度三维路面建模，从而可以为实现道路精准养护方案的科学决策，节省大量人力和物力。
图6是根据一示例性实施例示出的一种获取三维路面建模数据矩阵的方法流程图。如图6所示，所述根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵，可以包括如下步骤：
在步骤S301中，根据所述3D光栅设备数据矩阵，通过测距仪距离校准，得到采样三维数据矩阵。
在此步骤中，可以根据3D光栅设备数据矩阵：Mat3D[m,n,d,Qj,Wj,Ej,tj]，通过测距仪40进行距离校准，得到采样三维数据矩阵Mat3D采样[m/D1,n/D1, d’]。示例性的，参见图5右半部分，依据测距仪40（DMI）触发3D探地雷达20和3D光栅设备30以相同采样间距D1触发采集原始数据，并记录同时间的记录iRTK1、iRTK2定位信息，对3D光栅设备数据矩阵Mat3D[m,n,d,Qj,Wj,Ej]进行横向m和纵向n所有坐标数据的深度值d以进行3x3大小窗口和5x5大小卷积窗口分别进行中值滤波，然后取两者均值生成三维滤波数据矩阵Mat3D滤波[m,n,d’]；并对m和n按照采样间距D1进行稀疏采样，生成采样三维数据矩阵Mat3D采样[m/D1,n/D1,d’]。
在步骤S302中，根据所述采样三维数据矩阵，通过第一网络实时差分定位仪和第二网络实时差分定位仪进行双差分动态高程校准，获得三维高程校正数据矩阵。
在此步骤中，根据采样三维数据矩阵Mat3D采样[m/D1,n/D1,d’]，通过第一网络实时差分定位仪50和第一网络实时差分定位仪60进行双差分动态高程校准，获得三维高程校正数据矩阵Mat3D高程修正[m/D1,n/D1,d’’]。
示例性的，图7是根据一示例性实施例示出的一种双网络实时差分定位仪的定位偏差示意图；其中（a）子图为第一网络实时差分定位仪的定位信息示意图；（b）子图为第二网络实时差分定位仪的定位信息示意图。图中横坐标为iRTK经度值，纵坐标为iRTK纬度值，图中轨迹上的数字代表定位点（采样点）信息。图7的（a）子图为第一网络实时差分定位仪50的定位信息，图7的（b）子图为第二网络实时差分定位仪60的定位信息。以3D探地雷达数据矩阵MatGPR[x,y,z,Xi,Yi,Zi,ti]数据为基准，对两个iRTK实时数据文件（Xi,Yi,Zi,ti)和（Qj,Wj,Ej,tj)导出后进行轨迹拟合，如图7所示，可以看到两套iRTK设备在采样车辆直线行驶时候有很好的一致性，在拐弯处两个设备的轨迹会有所偏差，这会造成3D探地雷达20的采集数据和3D光栅设备30的采集数据的定位偏差。通过iRTK网络差分配置的手簿“工具->坐标转换->导入文件”，把大地坐标（Xi,Yi,Zi,ti)和（Qj,Wj,Ej,tj)转换为高斯平面直角坐标（X’i,Y’i,Z’i,ti)和（Q’j,W’j,E’j,tj)。通过iRTK网络差分厘米级别精度和静态测量关系公式Z’i=E’j-Dz-d’±15=300mm进行位置高程匹配：如果高程精度满足上述需求，则保留采样三维数据矩阵Mat3D采样[m/D1,n/D1,d’]的高程d’数据；否则，按照关系公式进行自动修正高程d’数据，最后替换所有高程数据后生成三维高程校正矩阵数据Mat3D高程修正[m/D1,n/D1,d’’]。
在步骤S303中，根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵。
在此步骤中，根据3D探地雷达数据矩阵MatGPR[x,y,z,Xi,Yi,Zi,ti]对三维高程校正数据矩阵Mat3D高程修正[m/D1,n/D1,d’’]进行修正，获得路面三维稀疏矩阵Matfinal[m’/D1,n’/D1,d’’]。示例性的，可以根据所述3D光栅设备的原始相机采集数据，通过图像处理和相邻采样图片的特征点拼接算法，获取二维拼接数据矩阵；再根据所述二维拼接数据矩阵和所述3D探地雷达数据矩阵，对所述三维高程校正数据矩阵进行修正，获得所述路面三维稀疏矩阵Matfinal[m’/D1,n’/D1,d’’]。
在步骤S304中，对所述3D探地雷达数据矩阵和所述路面三维稀疏矩阵进行数据融合，获得所述三维路面建模数据矩阵。
在此步骤中，对3D探地雷达数据矩阵MatGPR[x,y,z,Xi,Yi,Zi,ti]和路面三维稀疏矩阵Matfinal[m’/D1,n’/D1,d’’]进行数据融合，获得三维路面建模数据矩阵Mat[x,y,z+1,vi]。示例性的，路面三维稀疏矩阵Matfinal[m’/D1,n’/D1,d’’]和3D探地雷达数据矩阵：MatGPR[x,y,z,Xi,Yi,Zi,ti]具有横向和纵向位置一一对应关系，d’’为横、纵坐标上路面表面单层三维深度数据，而z为3D探地雷达数据矩阵MatGPR[x,y,z,Xi,Yi,Zi,ti]的每个横、纵坐标上单点的深度数据个数512，也就是有512层深度的数据；只需把路面三维稀疏矩阵Matfinal[m’/D1,n’/D1,d’’]的单层深度矩阵数据d’’叠加到3D探地雷达数据矩阵MatGPR[x,y,z,Xi,Yi,Zi,ti]上，就可以实现位置上的精准融合，生成毫米级别三维路面建模数据矩阵Mat[x,y,z+1,vi]，z+1代表每个检测点的深度数据层数，vi（i=1~z+1)代表深度数据。
图8是根据一示例性实施例示出的一种获得路面三维稀疏矩阵的方法流程图。如图8所示，所述根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵，可以包括如下步骤：
在步骤S3031中，根据所述3D光栅设备的原始相机采集数据，通过图像处理和相邻采样图片的特征点拼接算法，获取二维拼接数据矩阵。
在此步骤中，根据3D光栅设备的原始相机采集数据，通过图像处理和相邻采样图片的特征点拼接算法，获取二维拼接数据矩阵Image2D[m,n]。示例性的，原始相机采集数据通过图像处理和相邻两张采样图片的特征点拼接算法，首先获取两张相邻图片的拼接处纵向5个像素大小范围的像素灰度值，用自适应Harris检测算法进行角点检测，将其灰度值分别记作：Ai[m,5]和Bj[m,5]；其次利用角点梯度之间满足一个向量与其正交的向量的点积为0的条件，用Soble算子(Qx,Qy)做卷积计算，其中，Qx=[-1 0 1;-2 0 2;-1 0 1]，为横向，Qy=[1 2 1;0 0 0;-1 -2 -1]，为纵向。对Ai[1,5]和Ai[m,5]之间的每个像素的梯度，记作Ci(Cx,Cy)；同理计算得到以Bj[1,5]、Bj[m,5]之间的每个像素的梯度，记作Dj（Dx,Dy)；最后，利用最小二乘法获得至少4个特征点，然后将两幅图片拼接融合，最终可得到二维拼接数据矩阵Image2D[m,n]。
在步骤S3032中，根据所述二维拼接数据矩阵和所述3D探地雷达数据矩阵，对所述三维高程校正数据矩阵进行修正，获得所述路面三维稀疏矩阵。
在此步骤中，根据二维拼接数据矩阵Image2D[m,n]和3D探地雷达数据矩阵MatGPR[x,y,z,Xi,Yi,Zi,ti]，对三维高程校正数据矩阵Mat3D高程修正[m/D1,n/D1,d’’]进行修正，获得路面三维稀疏矩阵：Matfinal[m’/D1,n’/D1,d’’]。示例性的，对3D探地雷达数据进行特征点标记得到3D探地雷达（病害）特征点位置（xi，yi），其中，xi代表横向采样位置，yi代表纵向采样位置。对二维拼接数据矩阵Image2D[m,n]（病害）特征点标记，得到二维（病害）特征点位置（mi，ni），其中，mi代表横向采样位置，ni代表纵向采样位置。同一（病害）特征点位置[xi,yi]和[mi,ni]在实际检测里程中处于同一个位置，以3D探地雷达数据位置为基准，对二维拼接数据矩阵Image2D[m,n]平面纵向位置n进行微调：3D探地雷达纵向采样检测长度L和二维拼接数据矩阵长度L’满足以下关系：
L-7500-L’=±5；L=(i-1)*D1;L’=nj*D1*i(DMI触发次数）。
二维拼接数据矩阵Image2D[m,n]的（病害）特征点纵向位置nj匹配为3D探地雷达数据的yi；对应重建三维高程校正数据矩阵Mat3D高程修正[m/D1,n/D1,d’’]中相同（病害）特征点位置的所有深度数据d’’,得到路面三维稀疏矩阵Matfinal[m’/D1,n’/D1,d’’]。
图9是根据一示例性实施例示出的又一种道路三维数据处理方法的流程图。如图9所示，在获取所述3D探地雷达数据矩阵之前，所述方法还可以包括如下步骤：
在步骤S1中，采用全站仪对第一网络实时差分定位仪和第二网络实时差分定位仪进行静态校准。
在此步骤中，采用全站仪对第一网络实时差分定位仪50和第二网络实时差分定位仪60进行静态校准。示例性的，采用全站仪精准测量iRTK1和iRTK2的设备位置，计算iRTK1和iRTK2的横向距离差Dx、纵向距离差Dy和高度差Dz；并对iRTK1和iRTK2安装在采集车辆的设备坐标值（x1,y1,z1)和（x2,y2,z2)进行位置微调校准,以iRTK1位置为基准，对iRTK2设备安装位置微调，最终确定两者的线性位置关系为：x1=x2=0,y2=y1+100*D1=7500mm,z2=z1+c（c为固定数值）。安装调试后，同时用iRTK1（X1,Y1,Z1,t0）和iRTK2(X2,Y2,Z2,t0)静态测量的经度X、纬度Y和高程Z进行位置验证，通过全站仪测量的两个控制点和网络差分配置的手簿“项目->参数选项->四参数法和高程拟合”直接换算后把大地高程Z转换为正常高程iRTK1（X1,Y1,Z1’,t0）和iRTK2(X2,Y2,Z2’,t0)，再和全站仪测量的大地高程数据进行对比得出关系：Z1’=Z2’-Dz=300±5mm。
图10是根据一示例性实施例示出的再一种道路三维数据处理方法的流程图。如图10所示，在根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取所述三维路面建模数据矩阵之后，所述方法还可以包括如下步骤：
在步骤S40中，对所述三维路面建模数据矩阵进行数据展示，以生成道路病害热力图。
在此步骤中，对三维路面建模数据矩阵Mat[x,y,z+1,vi]进行数据展示，以生成道路病害热力图。示例性的，图11是根据一示例性实施例示出的一种道路病害热力图。对三维路面建模数据矩阵Mat[x,y,z+1,vi]进行数据展示生成道路病害热力图可以如图11所示。
在一些实施例中，所述对所述三维路面建模数据矩阵进行数据展示包括：通过三维模拟软件、建筑信息模型BIM或地图方式对三维路面建模数据矩阵进行数据展示。
综上所述，本公开实施例提供一种道路三维数据处理方法，所述方法包括：获取3D探地雷达数据矩阵；获取3D光栅设备数据矩阵；根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵。本公开实施例能够快速高效的实现道路三维数据处理，通过数据融合算法提高了道路测量的精度和效率。有助于实现高精度三维路面建模，从而可以为实现道路精准养护方案的科学决策，节省大量人力和物力。
图12是根据一示例性实施例示出的一种道路三维数据处理装置的框图。本公开实施例提供一种道路三维数据处理装置1200，所述装置1200包括：
第一获取模块1210，用于获取3D探地雷达数据矩阵；
第二获取模块1220，用于获取3D光栅设备数据矩阵；
第三获取模块1230，用于根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵。
可选地，所述第三获取模块1230包括采样三维数据矩阵获取子模块，用于根据所述3D光栅设备数据矩阵，通过测距仪距离校准，得到采样三维数据矩阵；
所述第三获取模块1230包括三维高程校正数据矩阵获取子模块，用于根据所述采样三维数据矩阵，通过第一网络实时差分定位仪和第二网络实时差分定位仪进行双差分动态高程校准，获得三维高程校正数据矩阵；
所述第三获取模块1230包括路面三维稀疏矩阵获取子模块，用于根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵；
所述第三获取模块1230包括三维路面建模数据矩阵获取子模块，用于对所述3D探地雷达数据矩阵和所述路面三维稀疏矩阵进行数据融合，获得所述三维路面建模数据矩阵。
可选地，所述路面三维稀疏矩阵获取子模块包括拼接子模块，用于根据所述3D光栅设备的原始相机采集数据，通过图像处理和相邻采样图片的特征点拼接算法，获取二维拼接数据矩阵；
可选地，所述路面三维稀疏矩阵获取子模块包括修正子模块，用于根据所述二维拼接数据矩阵和所述3D探地雷达数据矩阵，对所述三维高程校正数据矩阵进行修正，获得所述路面三维稀疏矩阵。
可选地，所述道路三维数据处理装置1200还包括静态校准模块，用于在获取所述3D探地雷达数据矩阵之前，采用全站仪对第一网络实时差分定位仪和第二网络实时差分定位仪进行静态校准。
可选地，所述道路三维数据处理装置1200还包括展示模块，用于在根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取所述三维路面建模数据矩阵之后，对所述三维路面建模数据矩阵进行数据展示，以生成道路病害热力图。
可选地，所述展示模块包括展示子模块，用于通过三维模拟软件、建筑信息模型或地图方式对所述三维路面建模数据矩阵进行数据展示。
综上所述，本公开实施例提供一种道路三维数据处理装置，所述装置包括：第一获取模块，用于获取3D探地雷达数据矩阵；第二获取模块，用于获取3D光栅设备数据矩阵；第三获取模块，用于根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵。本公开实施例能够快速高效的实现道路三维数据处理，通过数据融合算法提高了道路测量的精度和效率。有助于实现高精度三维路面建模，从而可以为实现道路精准养护方案的科学决策，节省大量人力和物力。
图13是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备1300可以被提供为一服务器。参照图13，电子设备1300包括处理器1322，其数量可以为一个或多个，以及存储器1332，用于存储可由处理器1322执行的计算机程序。存储器1332中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1322可以被配置为执行该计算机程序，以执行上述的道路三维数据处理方法。
另外，电子设备1300还可以包括电源组件1326和通信组件1350，该电源组件1326可以被配置为执行电子设备1300的电源管理，该通信组件1350可以被配置为实现电子设备1300的通信，例如，有线或无线通信。此外，该电子设备1300还可以包括输入/输出（I/O）接口1358。电子设备1300可以操作基于存储在存储器1332的操作***。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的道路三维数据处理方法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令的存储器1332，上述程序指令可由电子设备1300的处理器1322执行以完成上述的道路三维数据处理方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的道路三维数据处理方法的代码部分。
以上所述实施例仅表达了本公开的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开构思的前提下，还可以做出若干变形和改进，这些都属于本公开的保护范围。因此，本公开专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种道路三维数据处理方法，其特征在于，所述方法包括：
获取3D探地雷达数据矩阵；
获取3D光栅设备数据矩阵；
根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵；
所述根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵，包括：
根据所述3D光栅设备数据矩阵，通过测距仪距离校准，得到采样三维数据矩阵；
根据所述采样三维数据矩阵，通过第一网络实时差分定位仪和第二网络实时差分定位仪进行双差分动态高程校准，获得三维高程校正数据矩阵；
根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵；
对所述3D探地雷达数据矩阵和所述路面三维稀疏矩阵进行数据融合，获得所述三维路面建模数据矩阵。
2.根据权利要求1所述的道路三维数据处理方法，其特征在于，所述根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵，包括：
根据所述3D光栅设备的原始相机采集数据，通过图像处理和相邻采样图片的特征点拼接算法，获取二维拼接数据矩阵；
根据所述二维拼接数据矩阵和所述3D探地雷达数据矩阵，对所述三维高程校正数据矩阵进行修正，获得所述路面三维稀疏矩阵。
3.根据权利要求1所述的道路三维数据处理方法，其特征在于，在获取所述3D探地雷达数据矩阵之前，所述方法还包括：
采用全站仪对第一网络实时差分定位仪和第二网络实时差分定位仪进行静态校准。
4.根据权利要求3所述的道路三维数据处理方法，其特征在于，在根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取所述三维路面建模数据矩阵之后，所述方法还包括：
对所述三维路面建模数据矩阵进行数据展示，以生成道路病害热力图。
5.根据权利要求4所述的道路三维数据处理方法，其特征在于，所述对所述三维路面建模数据矩阵进行数据展示包括：
通过三维模拟软件、建筑信息模型或地图方式对所述三维路面建模数据矩阵进行数据展示。
6.一种道路三维数据处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取3D探地雷达数据矩阵；
第二获取模块，用于获取3D光栅设备数据矩阵；
第三获取模块，用于根据所述3D探地雷达数据矩阵和所述3D光栅设备数据矩阵，获取三维路面建模数据矩阵；
所述第三获取模块包括采样三维数据矩阵获取子模块，用于根据所述3D光栅设备数据矩阵，通过测距仪距离校准，得到采样三维数据矩阵；
所述第三获取模块包括三维高程校正数据矩阵获取子模块，用于根据所述采样三维数据矩阵，通过第一网络实时差分定位仪和第二网络实时差分定位仪进行双差分动态高程校准，获得三维高程校正数据矩阵；
所述第三获取模块包括路面三维稀疏矩阵获取子模块，用于根据所述3D探地雷达数据矩阵对所述三维高程校正数据矩阵进行修正，获得路面三维稀疏矩阵；
所述第三获取模块包括三维路面建模数据矩阵获取子模块，用于对所述3D探地雷达数据矩阵和所述路面三维稀疏矩阵进行数据融合，获得所述三维路面建模数据矩阵。
7.一种非临时性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权利要求1-5中任一项所述方法的步骤。
8.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311674526.3A CN117372987B (zh) | 2023-12-08 | 2023-12-08 | 道路三维数据处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311674526.3A CN117372987B (zh) | 2023-12-08 | 2023-12-08 | 道路三维数据处理方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117372987A CN117372987A (zh) | 2024-01-09 |
| CN117372987B true CN117372987B (zh) | 2024-01-30 |
Family
ID=89396947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311674526.3A Active CN117372987B (zh) | 2023-12-08 | 2023-12-08 | 道路三维数据处理方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372987B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107544095A (zh) * | 2017-07-28 | 2018-01-05 | 河南工程学院 | 一种地面三维激光点云与探地雷达图像融合的方法 |
| WO2020135810A1 (zh) * | 2018-12-29 | 2020-07-02 | 华为技术有限公司 | 多传感器数据融合方法和装置 |
| CN114463303A (zh) * | 2022-01-29 | 2022-05-10 | 合肥工业大学 | 一种基于双目相机和激光雷达融合的道路目标检测方法 |
| CN116433737A (zh) * | 2023-04-26 | 2023-07-14 | 吉林大学 | 一种激光雷达点云与图像配准的方法、装置及智能终端 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111974B (zh) * | 2021-05-10 | 2021-12-14 | 清华大学 | 基于深度典型相关分析的视觉-激光雷达融合方法及*** |
-
2023
- 2023-12-08 CN CN202311674526.3A patent/CN117372987B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107544095A (zh) * | 2017-07-28 | 2018-01-05 | 河南工程学院 | 一种地面三维激光点云与探地雷达图像融合的方法 |
| WO2020135810A1 (zh) * | 2018-12-29 | 2020-07-02 | 华为技术有限公司 | 多传感器数据融合方法和装置 |
| CN114463303A (zh) * | 2022-01-29 | 2022-05-10 | 合肥工业大学 | 一种基于双目相机和激光雷达融合的道路目标检测方法 |
| CN116433737A (zh) * | 2023-04-26 | 2023-07-14 | 吉林大学 | 一种激光雷达点云与图像配准的方法、装置及智能终端 |
Non-Patent Citations (2)
| Title |
|---|
| 基于GprMax的道路空洞三维探地雷达正演数值模拟;李世念;王秀荣;林恬;杜文强;;中国地质灾害与防治学报(03);全文 * |
| 基于光纤传感技术的物联网感知数据监测方法;陆霞;张国华;;激光杂志(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117372987A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Elkhrachy | Accuracy assessment of low-cost unmanned aerial vehicle (UAV) photogrammetry | |
| US9830509B2 (en) | Method and apparatus for constructing a digital elevation model utilizing ground points captured by ground-based LiDAR | |
| Ashraf et al. | An investigation of interpolation techniques to generate 2D intensity image from LIDAR data | |
| Díaz-Vilariño et al. | Determining the limits of unmanned aerial photogrammetry for the evaluation of road runoff | |
| CN109100719B (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
| US8817093B2 (en) | Photogrammetric networks for positional accuracy | |
| Lim et al. | Accuracy assessment of a mobile terrestrial lidar survey at Padre Island National Seashore | |
| EP1370889A2 (en) | Method for merging position information with measurements and filtering to obtain high-quality images that are positioned accurately with respect to global coordinates | |
| Pérez et al. | Accuracy and effectiveness of orthophotos obtained from low cost UASs video imagery for traffic accident scenes documentation | |
| CN112731440A (zh) | 高速铁路边坡形变检测方法及装置 | |
| Ozturk et al. | A low-cost approach for determination of discontinuity orientation using smartphone images and application to a part of Ihlara Valley (Central Turkey) | |
| CN110363758B (zh) | 一种光学遥感卫星成像质量确定方法及*** | |
| CN111080682A (zh) | 点云数据的配准方法及装置 | |
| Tsai et al. | Horizontal roadway curvature computation algorithm using vision technology | |
| Tang et al. | Surveying, geomatics, and 3D reconstruction | |
| Shoab et al. | High-precise true digital orthoimage generation and accuracy assessment based on UAV images | |
| CN102147249B (zh) | 基于直线特征的星载光学线阵影像精确纠正处理方法 | |
| CN109658446B (zh) | 一种高分辨率遥感影像几何配准方法及装置 | |
| CN117372987B (zh) | 道路三维数据处理方法、装置、存储介质及电子设备 | |
| CN106758698B (zh) | 压路机控制方法和装置 | |
| CN108692710B (zh) | 一种公路宗地测量方法及*** | |
| Stylianidis et al. | A digital close-range photogrammetric technique for monitoring slope displacements | |
| SOUKUP et al. | Elastic conformal transformation of digital images | |
| CN110058211A (zh) | 一种车载LiDAR测量***检校初值的获取方法及装置 | |
| Abdelwahed et al. | Potential of using high resolution satellite images for mapping applications |
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 |