CN111968253A - 一种基于点云数据的路面提取方法及系统 - Google Patents
一种基于点云数据的路面提取方法及系统 Download PDFInfo
- Publication number
- CN111968253A CN111968253A CN202010658926.5A CN202010658926A CN111968253A CN 111968253 A CN111968253 A CN 111968253A CN 202010658926 A CN202010658926 A CN 202010658926A CN 111968253 A CN111968253 A CN 111968253A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- road surface
- filtering
- initial
- 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 46
- 238000001914 filtration Methods 0.000 claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000000007 visual effect Effects 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002146 bilateral effect Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种基于点云数据的路面提取方法及系统，该方法包括：获取目标路面不同视角下的初始三维点云数据；通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；对转换后的初始三维点云数据进行多重滤波，提取目标路面的点云数据。本发明实施例通过迭代最近点算法建立三维点云数据的空间索引，并且通过多重滤波互相结合的方法对目标路面的初始三维点云数据进行滤除，除去噪声和非路面点云数据，最后提取出路面点云数据，提高了路面提取精度。
Description
技术领域
本发明涉及测绘科学技术领域，尤其涉及一种基于点云数据的路面提取方法及系统。
背景技术
道路中线可清楚表示道路的拓扑结构，对于确定道路位置、改扩建以及地图更新都有着重要的作用。因此，提出一种基于车载LiDAR点云下的路面提取和中线拟合方法，有很重要的现实意义和研究价值。
经典的测量手段，比如全站仪，在正常运行的道路上采集数据，容易造成交通拥堵，也危害测量人员的安全。GPS数据只能提供有限密度的轨迹数据，无法全面展示道路全貌。街景数据虽然提供了清晰的道路影像，但是缺乏直接的高程信息。车载激光扫描技术获取的LiDAR点云等信息，可以快速获取海量高密度的道路坐标和颜色数据，为路面提取和中线拟合提供了可靠的数据。
虽然车载LiDAR点云可快速客观获得海量路面三维数据，但是无序点云缺乏拓扑结构、噪点多等特点，导致路面提取和拟合效果不佳。
因此，亟需一种基于点云数据的路面提取方法。
发明内容
本发明实施例提供一种基于点云数据的路面提取方法及系统，用以解决现有技术中路面提取效果不佳的缺陷，实现高精度的路面提取。
本发明实施例提供一种基于点云数据的路面提取方法，包括：
获取目标路面不同视角下的初始三维点云数据；
通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；
对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据。
根据本发明一个实施例的基于点云数据的路面提取方法，所述对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据，具体包括：
通过梯度滤波算法对转换后的初始三维点云数据进行滤波处理，获取第一道路点云数据；
通过高斯滤波算法对所述第一道路点云数据进行滤波处理，获取第二道路点云数据；
通过双边滤波算法对所述第二道路点云数据进行滤波处理，提取所述目标路面的点云数据。
根据本发明一个实施例的基于点云数据的路面提取方法，所述通过梯度滤波算法对转换后的初始三维点云数据进行滤波处理，获取第一道路点云数据，具体包括：
将所述梯度滤波的梯度阈值范围设置为预设阈值范围，通过所述预设阈值范围对转换后的初始三维点云数据进行滤波；
缩小所述预设阈值范围，重复上述过程，直到梯度滤波次数达到预设次数，最后获取所述第一道路点云数据。
根据本发明一个实施例的基于点云数据的路面提取方法，所述预设阈值范围为0-0.05。
根据本发明一个实施例的基于点云数据的路面提取方法，所述高斯滤波的阈值范围为3-10.5。
根据本发明一个实施例的基于点云数据的路面提取方法，所述双边滤波的阈值范围为0-0.09。
根据本发明一个实施例的基于点云数据的路面提取方法，还包括：
通过B样条曲线拟合算法，获得所述目标路面的拟合道路中线。
本发明实施例还提供一种基于点云数据的路面提取系统，包括：
获取模块，用于获取目标路面不同视角下的初始三维点云数据；
匹配模块，用于通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；
提取模块，用于对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于点云数据的路面提取方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于点云数据的路面提取方法的步骤。
本发明实施例提供的一种基于点云数据的路面提取方法及系统，通过迭代最近点算法建立三维点云数据的空间索引，建立三维点云数据之间的联系，便于后续的滤波操作；另外，结合路面场景中三维点云数据的空间分布特点，通过多重滤波互相结合的方法对路面的初始三维点云数据进行滤除，除去噪声和非路面点云数据，最后提取出路面点云数据，提高了路面提取精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于点云数据的路面提取方法的流程图；
图2为本发明实施例提供的一种基于点云数据的路面提取系统的结构示意图；
图3示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
下面结合图1-图3描述本发明实施例的技术方案。
图1为本发明实施例提供的一种基于点云数据的路面提取方法的流程图，如图1所示，该方法包括：
S1，获取目标路面不同视角下的初始三维点云数据；
具体地，目标路面的初始三维点云数据是通过车载LiDAR设备获取的，本发明实施例中以提取高速公路的路面为例进行说明。
三维点云数据能够以较小的存储成本获得物体准确的拓扑结构和几何结构，因而获得越来越广泛的关注。在实际的采集过程中，因为被测物体尺寸过大，物体表面被遮挡或者三维扫描设备的扫描角度等因素，单次的扫描往往得不到物体完整的几何信息。因此，为了获得被测物体的完整几何信息，就需要将不同视角即不同参考坐标下的两组或者多组三维点云数据统一到同一个坐标系下，进行点云的配准。在配准算法中，使用最多的是迭代最近点(IterativeClosestPoint，简称ICP)算法。
S2，通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；
通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，也就是将不同的坐标系下的初始三维点云数据转换到同一个坐标系下，得到转换后的初始三维点云数据。
另外，通过ICP算法，可以建立初始三维点云数据的空间索引，该空间索引包括初始三维点云数据的坐标、以及与其它相邻三维点云数据之间的距离。通过ICP算法建立三维点云数据之间的空间索引，便于后续滤波操作，并且可以可视化的展示三维点云数据，实现对三维点云数据的某一邻域内临近点坐标查询等操作。
另外，由于离散三维点云数据缺乏拓扑结构，本发明实施例中采用了ICP点云匹配算法建立空间索引，建立三维点云数据之间的联系，实现了三维点云数据的某一邻域内临近点坐标查询。
S3，对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据。
最后对转换后的初始三维点云数据进行多重滤波，所谓多重滤波是指将多种滤波方式组合在一起，每种滤波方式可以进行优势互补，最大限度的提高了滤波精度和提取效果。
综上，本发明针对路面场景中三维点云数据的空间分布特点，结合多重滤波对初始三维点云数据进行滤除，除去噪声和非路面点云数据，最后提取出路面点云数据，提高了路面提取精度。
在上述实施例的基础上，优选地，所述对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据，具体包括：
通过梯度滤波算法对转换后的初始三维点云数据进行滤波处理，获取第一道路点云数据；
初始三维点云数据由于是通过车载LiDAR设备获取的，包括路灯三维点云数据、绿化带三维点云数据和车载LiDAR设备的噪音，通过梯度滤波算法可以很好的滤除这些非道路点云和噪音，得到第一道路点云数据。
通过高斯滤波算法对所述第一道路点云数据进行滤波处理，获取第二道路点云数据；
滤除非道路点云后的第一道路点云数据中的非路面点云数据分布比较符合高斯分布，因此，通过高斯滤波算法可以比较好的滤除第一道路点云中的非路面点云，提取到第二道路点云数据。
通过双边滤波算法对所述第二道路点云数据进行滤波处理，提取所述目标路面的点云数据。
第二道路点云数据中包括的路面点云和其它非路面点云的分界线比较明显，而双边滤波算法对边界很明显的点云具有较好的分割效果，因此，通过双边滤波算法提取到目标路面的点云数据。
在上述实施例的基础上，优选地，所述通过梯度滤波算法对转换后的初始三维点云数据进行滤波处理，获取第一道路点云数据，具体包括：
将所述梯度滤波的梯度阈值范围设置为预设阈值范围，通过所述预设阈值范围对转换后的初始三维点云数据进行滤波；
利用梯度滤波算法进行滤波时，首先将该梯度滤波算法的阈值范围设置为预设阈值范围，利用该预设阈值范围的梯度进行对转换后的初始三维点云数据进行首次滤波。
缩小所述预设阈值范围，重复上述过程，直到梯度滤波次数达到预设次数，最后获取所述第一道路点云数据。
接着逐渐缩小预设阈值范围，对转换后的初始三维点云数据进行多次滤波，直到滤波次数达到预测次数，最后得到第一道路点云数据。
通过多次执行梯度滤波算法，逐渐缩小梯度滤波的预设阈值范围，逐步过滤非道路点云，从而提高了非道路点云的滤波精度，提高了第一道路点云数据的提取精度，从而使得后续的目标路面提取精度也进一步提高。
在上述实施例的基础上，优选地，所述预设阈值范围为0-0.05。
通过大量实验验证，当预设阈值范围为0-0.05时，梯度滤波算法的滤波精度比较好，因此，本发明实施例中将预设阈值范围为0-0.05。
在上述实施例的基础上，优选地，所述高斯滤波的阈值范围为3-10.5。
本发明实施例中选择3-10.5阈值范围进行高斯滤波。
在上述实施例的基础上，优选地，所述双边滤波的阈值范围为0-0.09。
具体地，双边滤波的阈值范围为0-0.09。
在上述实施例的基础上，优选地，还包括：
通过B样条曲线拟合算法，提取道路骨架线，获得所述目标路面的拟合道路中线。
为了寻找一条能正确反映出高速路面的点云形状与走向的B样条曲线，该问题通常转化为最优化问题求解：对于多重滤波后目标路面的点云数据，找到一组B样条，使得目标函数最小。
目标函数中包含点云到样条曲线的平方距离、控制曲线光顺性的能量函数及相应的能量因子。解算后，得到目标函数。
基于此，对目标路面的点云数据进行多曲线拟合，得到目标路面的拟合道路中心线。本发明提出的高速公路路面点云提取与中线拟合方法，可服务于地图更新、道路维养和资产管理等领域。
本发明实施例的主要优点如下：
(1)由于离散的三维点云数据缺乏拓扑结构，本发明实施例采用了ICP点云匹配算法建立空间索引，建立三维点云数据之间的联系，实现了三维点云数据的某一邻域内临近点坐标查询。
(2)根据高速公路场景中点云的空间分布特点，采用了设置高度阈值的方法来对路面点进行粗提取。基于高斯分布的统计分析，能够有效进一步除去非路面点，该方法尤其对路面范围外的低密度离散点有很好的过滤效果。双边滤波原理是先进行点云边缘分割，然后计算空间权值，因此对于高速公路等边界明显的道路，取得了较好的过滤效果。
(3)利用B样条曲线拟合算法完成高速公路路面中线的拟合提取。尤其在对较短长度直线段道路的路面中线拟合中，该方法取得了准确的效果。
下面对本发明实施例提供的一种基于点云数据的路面提取系统进行描述，下文描述的一种基于点云数据的路面提取系统与上文描述的一种基于点云数据的路面提取方法可相互对应参照。
图2为本发明实施例提供的一种基于点云数据的路面提取系统的结构示意图，如图2所示，该系统包括获取模块201、匹配模块202和提取模块203，其中：
获取模块201用于获取目标路面不同视角下的初始三维点云数据；
匹配模块202用于通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；
提取模块203用于对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据。
本系统实施例与上述方法实施例相对应，具体可参见上述方法实施例，本系统实施例在此不再赘述。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(CommunicationsInterface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行一种基于点云数据的路面提取方法，该方法包括：
获取目标路面不同视角下的初始三维点云数据；
通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；
对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的一种基于点云数据的路面提取方法，该方法包括：
获取目标路面不同视角下的初始三维点云数据；
通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；
对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的一种基于点云数据的路面提取方法，该方法包括：获取目标路面不同视角下的初始三维点云数据；
通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；
对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于点云数据的路面提取方法，其特征在于，包括：
获取目标路面不同视角下的初始三维点云数据；
通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；
对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据。
2.根据权利要求1所述的基于点云数据的路面提取方法，其特征在于，所述对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据，具体包括：
通过梯度滤波算法对转换后的初始三维点云数据进行滤波处理，获取第一道路点云数据；
通过高斯滤波算法对所述第一道路点云数据进行滤波处理，获取第二道路点云数据；
通过双边滤波算法对所述第二道路点云数据进行滤波处理，提取所述目标路面的点云数据。
3.根据权利要求2所述的基于点云数据的路面提取方法，其特征在于，所述通过梯度滤波算法对转换后的初始三维点云数据进行滤波处理，获取第一道路点云数据，具体包括：
将所述梯度滤波的梯度阈值范围设置为预设阈值范围，通过所述预设阈值范围对转换后的初始三维点云数据进行滤波；
缩小所述预设阈值范围，重复上述过程，直到梯度滤波次数达到预设次数，最后获取所述第一道路点云数据。
4.根据权利要求3所述的基于点云数据的路面提取方法，其特征在于，所述预设阈值范围为0-0.05。
5.根据权利要求2所述的基于点云数据的路面提取方法，其特征在于，所述高斯滤波的阈值范围为3-10.5。
6.根据权利要求2所述的基于点云数据的路面提取方法，其特征在于，所述双边滤波的阈值范围为0-0.09。
7.根据权利要求1所述的基于点云数据的路面提取方法，其特征在于，还包括：
通过B样条曲线拟合算法，获得所述目标路面的拟合道路中线。
8.一种基于点云数据的路面提取系统，其特征在于，包括：
获取模块，用于获取目标路面不同视角下的初始三维点云数据；
匹配模块，用于通过迭代最近点算法，将不同视角下的初始三维点云数据转换到同一视角下，获取转换后的初始三维点云数据；
提取模块，用于对转换后的初始三维点云数据进行多重滤波，提取所述目标路面的点云数据。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于点云数据的路面提取方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于点云数据的路面提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010658926.5A CN111968253A (zh) | 2020-07-09 | 2020-07-09 | 一种基于点云数据的路面提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010658926.5A CN111968253A (zh) | 2020-07-09 | 2020-07-09 | 一种基于点云数据的路面提取方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111968253A true CN111968253A (zh) | 2020-11-20 |
Family
ID=73361317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010658926.5A Pending CN111968253A (zh) | 2020-07-09 | 2020-07-09 | 一种基于点云数据的路面提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111968253A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581579A (zh) * | 2020-12-22 | 2021-03-30 | 同济大学 | 一种磁浮滑行面点云数据提取方法 |
| CN116188334A (zh) * | 2023-05-04 | 2023-05-30 | 四川省公路规划勘察设计研究院有限公司 | 一种车道线点云自动修补方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109559338A (zh) * | 2018-11-20 | 2019-04-02 | 西安交通大学 | 一种基于加权主成分分析法及m估计的三维点云配准方法 |
-
2020
- 2020-07-09 CN CN202010658926.5A patent/CN111968253A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109559338A (zh) * | 2018-11-20 | 2019-04-02 | 西安交通大学 | 一种基于加权主成分分析法及m估计的三维点云配准方法 |
Non-Patent Citations (4)
| Title |
|---|
| 宇文亮: "《基于Kinect的物体模型建立及识别定位技术研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, pages 1 - 36 * |
| 张志伟等: "《基于道路数据点云的公路平面线形恢复方法》", 《测绘工程》, vol. 19, no. 2, pages 45 - 48 * |
| 王艋: "《基于地面三维激光点云数据的三维重构研究》", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2, pages 1 - 38 * |
| 陈峰等: "《基于滚动引导滤波的红外与可见光图像融合算法》", 《红外技术》, vol. 42, no. 1, pages 55 - 56 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581579A (zh) * | 2020-12-22 | 2021-03-30 | 同济大学 | 一种磁浮滑行面点云数据提取方法 |
| CN112581579B (zh) * | 2020-12-22 | 2022-11-18 | 同济大学 | 一种磁浮滑行面点云数据提取方法 |
| CN116188334A (zh) * | 2023-05-04 | 2023-05-30 | 四川省公路规划勘察设计研究院有限公司 | 一种车道线点云自动修补方法及装置 |
| CN116188334B (zh) * | 2023-05-04 | 2023-07-18 | 四川省公路规划勘察设计研究院有限公司 | 一种车道线点云自动修补方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
| WO2021143778A1 (zh) | 一种基于激光雷达的定位方法 | |
| CN108062517B (zh) | 基于车载激光点云的非结构化道路边界线自动提取方法 | |
| CN106709946B (zh) | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 | |
| CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
| CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
| CN109584294B (zh) | 一种基于激光点云的路面点云提取方法和装置 | |
| CN106525000B (zh) | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 | |
| CN111192284A (zh) | 一种车载激光点云分割方法及系统 | |
| CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
| CN102944174A (zh) | 一种点云数据的处理方法及系统 | |
| EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
| CN112669333B (zh) | 一种单木信息提取方法 | |
| CN106952242A (zh) | 一种基于体素的渐进不规则三角网点云滤波方法 | |
| CN107679458B (zh) | 一种基于K-Means的道路彩色激光点云中道路标线的提取方法 | |
| CN110363771B (zh) | 一种基于三维点云数据的隔离护栏形点提取方法及装置 | |
| CN111968253A (zh) | 一种基于点云数据的路面提取方法及系统 | |
| CN111260668A (zh) | 一种电力线提取方法、系统及终端 | |
| CN112561944A (zh) | 一种基于车载激光点云的车道线提取方法 | |
| CN111340862A (zh) | 一种基于多特征融合的点云配准方法、装置及存储介质 | |
| CN109741450B (zh) | 一种基于扫描线的路面点云自动提取方法及装置 | |
| KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
| CN112462347A (zh) | 基于密度聚类的激光雷达点云快速分类滤波算法 | |
| CN116520353B (zh) | 基于激光点云的地面检测方法、装置、存储介质及设备 | |
| Arachchige et al. | Automatic processing of mobile laser scanner point clouds for building facade detection |
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 |