车载激光扫描数据的结构化道路自动提取方法

车载激光扫描系统获取的结构化道路环境(城市道路/高速公路)点云数据量大、目标复杂,难以有效提取出道路的点云.本文通过分析扫描线上激光点云的空间分布和统计特征,提出一种适用于结构化道路环境的道路点云自动提取方法.在Optech公司提供的两份车载激光扫描点云数据中,道路提取结果的完整率、准确率、提取质量相应地超过94.92％、95.80％和91.13％.通过定量和定性的试验分析,该方法不仅适应于有固定道路宽度的规则道路提取,同样适用于无固定宽度的非规则道路提取.     

车载激光扫描数据的道路边界线提取方法

鉴于城市道路两侧具有路坎这一特点,结合车载激光扫描系统的轨迹数据将整体点云进行分块处理,从每一块点云中截取部分数据投影到相应的截面上;然后,对获取的截面数据进行分割处理提取伪扫描线,根据路坎的坡度以及高差特点从伪扫描线中识别出路坎点;最后,利用三次样条插值的方法对提取的道路路坎点进行插值处理,得到道路边界线。实验证明了该方法的可行性和有效性。     

一种车载激光点云数据中道路自动提取方法

针对车载移动测量系统数据采集特点,构建车载激光点云扫描线索引,提出了一种基于扫描线索引的道路路面与路边点云稳健分类法。首先通过分析扫描线上不同地物剖面的空间分布特征,进行剖面激光点生长聚类,形成完整的地物剖面目标点集;然后根据点集的几何特征因子判断点集类型;最后利用相邻多条扫描线上路边点分布规律进行去噪。对车载移动测量系统获取的两份点云数据进行实验,路面与路边提取的平均完整率分别为94.4%、86%,平均准确率分别为98.9%、99.1%。实验分析表明,该方法能有效减少粗糙路面点的错误分类,适应不同的道路路边条件,降低独立地物对路边提取的干扰。     

基于车载激光扫描的城市道路提取方法

针对利用车载激光扫描数据进行道路信息提取的问题,通过分析城市环境中道路与邻近区域点云的高程差异,结合区域生长等图像处理算法,提出了一种城市道路提取方法。该方法算法简单,无需其他辅助数据,利用立得公司提供的两份点云数据进行试验,道路提取结果的正确性、完整性、提取质量都超过97%,对于无固定宽度道路、曲线道路等的适应情况也较好。     

多特征约束的高分辨率光学遥感影像道路提取

针对复杂场景中的遥感影像道路提取问题,论文提出了一种多特征约束的影像道路提取方法,并开展了论文方法可行性论证。该方法首先,根据道路宽度的先验知识以及道路的几何特征,提出一种改进的线段二次提取模型,利用线段长度和道路宽度确定候选道路种子点集;其次,输入道路结构信息,基于道路辐射特征对候选道路种子点进行整体匹配评价;再次,当候选道路种子无法符合辐射特征要求时,提出一种浅色机动车检测模型,以此将浅色机动车结果作为道路上下文特征,利用道路上下文特征对候选道路种子点进行分析;然后,构建道路拓扑分析模型,依据道路拓扑特征对候选道路种子点进行最终验证;最后,对提取道路种子点进行优化处理,并提出道路跟踪及拟合方法。通过不同复杂场景、不同分辨率高分辨率遥感影像下开展的不同方法实验结果对比分析表明,相对于其他商用软件ECognition和Erdas的方法,本方法自动化程度更高,运行效率高,适用于解决道路类型多样化、几何光谱噪声大的复杂场景道路提取问题。     

点云剖面特征描述的路面坑槽提取方法

提出一种基于点云剖面特征描述的路面坑槽提取方法,首先对原始点云进行滤波获得路面点云,根据路面点云的扫描线获取道路横向和纵向剖面;采用道格拉斯-普克算法拟合道路剖面轮廓,根据坑槽剖面的积分不变性和微分特性构建坑槽的特征描述算子,自动识别路面坑槽;通过点云的连续性和点云间的距离进行聚类去噪,最后通过形状约束分析进一步确定坑槽.以车载移动测量系统获取的某段道路点云数据进行实验,结果表明该方法对于轻微变形的坑槽提取效果良好,并且对不同形状,不同变形程度的坑槽识别具有较强的抗干扰性、较高的准确度和精度.     

车载激光扫描数据的高速道路自动提取方法

针对车载激光扫描技术存在数据量大、点云散乱、目标复杂以及地物相互遮挡等问题,该文提出一种从车载激光扫描数据中高速道路自动提取方法。①对激光点云进行基于扫描线的自适应滤波,剔除路面点。②对于滤波后激光点云数据,使用平滑度约束下的欧式聚类算法进行聚类。③对道路边界进行优化追踪,提取出完整的道路边界和道路面。实验结果表明,本文方法能够快速准确地提取高速公路道路边界和路面点云,提取结果的准确率、完整率和检测质量分别为97.52%、94.23%和92.69%。     

车载激光彩色点云的道路标志线提取方法

以车载激光扫描点云数据为研究对象,提取了车载激光扫描系统获取的路面道路标志信息;利用点云数据的坐标、RGB、强度等属性信息,提出了一种适用于城区街道道路标志线的自动提取方法流程;提出了点云高差法、灰度差值法、强度差值法和动态网格密度法配合使用解决问题,实现了目标物的提取。通过SSW激光建模测量车扫描的多个路段的点云数据试验,道路标志线点云的提取成功率达到90%以上,达到了算法的预期目标,具有较高的实际应用价值。     

基于车载点云数据的道路交通指示标志检测方法

测绘技术硬件、软件技术的发展为三维地理空间数据的高效获取提供了有效便捷,随着测绘新技术的发展与成熟,为实景三维中国、新型基础设施建设等提供重要支撑。基于此,本文基于移动车载激光扫描点云数据,研究并提出一种道路交通指示标志检测方法,提升道路交通指示标志检测效果,探索智能化测绘的实际应用。首先,按照车载激光扫描系统采集车载点云数据时,存储的扫描点反射角度,构造双向扫描线索引,按照扫描线上车载点云数据的空间分布特征,通过移动动态窗口分类交通指示标志与其余地物车载点云数据;其次,通过Canny边缘检测算法,在交通指示标志车载点云数据内,提取交通指示标志边缘信息;最后,在双线性卷积神经网络内输入交通指示标志边缘信息,提取交通指示标志特征,结合支持向量机,输出交通指示标志检测结果。实验证明：该方法可有效采集道路交通环境的车载点云数据;可有效分类交通指示标志与其余物体车载点云数据,并完整提取交通指示标志边缘信息,完成道路交通指示标志检测;在不同光照条件下,该方法的道路交通指示标志检测的一个用来评价二分类模型优劣的常用指标AUC值均接近1,检测精度较高。     

影像与LiDAR数据信息融合复杂场景下的道路自动提取

城区的道路自动提取受场景复杂度的影响一直是极具挑战的任务,尤其是阴影和遮挡较严重地区的道路提取难度较大。结合LiDAR数据和高分辨率遥感影像,提出一种自动道路提取方法。该方法首先对滤波后的点云强度信息获取初始道路中线及道路关键点;将地面点云强度,离散度及高分辨率遥感影像光谱数据多重信息融合建立道路模型,并以优化后的道路关键点作为种子点利用动态规划计算模型最优解,进一步提取道路网。试验表明,该方法在城市复杂场景下的自动提取主要道路是有效的。     

Semi-automated extraction and delineation of 3D roads of street scene from mobile laser scanning point clouds

Accurate 3D road information is important for applications such as road maintenance and virtual 3D modeling. Mobile laser scanning (MLS) is an efficient technique for capturing dense point clouds that can be used to construct detailed road models for large areas. This paper presents a method for extracting and delineating roads from large-scale MLS point clouds. The proposed method partitions MLS point clouds into a set of consecutive “scanning lines”, which each consists of a road cross section. A moving window operator is used to filter out non-ground points line by line, and curb points are detected based on curb patterns. The detected curb points are tracked and refined so that they are both globally consistent and locally similar. To evaluate the validity of the proposed method, experiments were conducted using two types of street-scene point clouds captured by Optech’s Lynx Mobile Mapper System. The completeness, correctness, and quality of the extracted roads are over 94.42%, 91.13%, and 91.3%, respectively, which proves the proposed method is a promising solution for extracting 3D roads from MLS point clouds.     

车载激光扫描数据分类支持下的路面数据提取

车载激光扫描系统可以快速采集道路及两旁的建筑物、植被、电杆等地物的点云数据,而点云数据的分类提取是车载激光扫描系统应用的关键。本文选用全景激光移动测量系统获取的激光点云数据,分析了路面点云数据的特征,采用渐进格网法进行了路面点云数据的提取研究;通过试验区的实例验证,取得了较好的分类效果。     

车载激光点云道路边界提取的Snake方法

针对车载激光点云中道路边界提取困难,自动化程度低的问题,提出一种基于离散点Snake的车载激光点云道路边界提取方法。不同于传统基于图像建立Snake,本文直接基于离散点建立Snake模型。先利用伪轨迹点数据,确定初始轮廓位置,参数化不同类型的道路边界初始轮廓;然后基于离散点构建适合多类型道路边界的Snake模型,定义模型内部、外部和约束能量,通过能量函数最小化推动轮廓曲线移动到显著道路边界特征点处,实现不同道路边界的精细提取。本文试验采用3份不同城市场景的车载激光点云数据验证本文方法的有效性,道路边界提取结果的准确率达到97.62%,召回率达到98.04%,F1-Measure值达到97.83%以上,且提取的道路边界结果与软件交互提取的结果有较好的吻合度。试验结果表明,本文方法能够修正噪声、断裂等数据质量对道路边界提取的影响,能够实现各类复杂城市环境中不同形状道路边界的提取,具有较强的稳健性和适用性。     

利用多元LBP特征自动提取城市道路边界

车载移动测量系统可采集高精度道路三维点云数据,为道路边界自动化提取提供了支撑.为解决车载激光点云中城市道路边界点云提取困难问题,本文引入局部二值模式LBP(Local Binary Pattern),针对各类城市道路边界特征,设计了高度LBP、高程离散度LBP和空间形状LBP3种改进算子;构建多元LBP特征语义识别模型...     

Distance-limited filter for extracting ground points

The extraction of points on the bare earth from point clouds acquired by airborne laser scanning is one of the most important steps for the generation of digital terrain models (DTM). This process is called “filtering”. However, most of the current filters erode the bare earth in steep sloped landscapes and at discontinuities, and they retain low vegetation. Therefore, a new filtering method for extracting ground points based on a distance limit is proposed in this paper. The angle criterion is used to assure the robustness of the algorithm. The experimental results show that the proposed filtering method can effectively derive the ground points from point clouds in complex urban areas.     

车载激光扫描数据的结构化道路要素自动提取方法

道路识别是无人驾驶、机器导航等领域的关键问题之一。本文利用局部特征约束方法进行点云的预处理分割,基于多尺度聚类方法实现道路要素的点云提取,并在结构化道路实例的识别中进行应用。结果表明,该方法效果良好,是一种合理有效的道路识别手段。     

车载激光扫描数据中实线型交通标线提取

本文提出一种基于路面点云强度增强的车载激光点云实线型交通标线提取方法。首先通过预处理提取路面点云，获取各激光点与轨迹线的距离。然后逐段对路面进行强度增强，集合多滤波器集成的策略进行强度变换和去噪，消除距离、点密度、磨损等因素对反射强度值影响，增强路面点云和标线的强度差异。基于增强后的反射强度，采用k均值聚类和连通分支聚类等方法对标线进行分割，并利用归一化图割方法优化强度分割结果。最后利用实线型标线的语义信息和空间分布特征从分割后标线对象中识别实线型交通标线。试验采用四份不同车载激光扫描系统获取的数据用于验证本文方法有效性，实线型标线提取结果的准确率达到95.98%，召回率达到91.87%，综合评价指标F₁-Measure值达到95.55%以上。试验结果表明本文方法能够有效增强受扫描距离、路面磨损及点密度分布不均等因素影响的点云强度信息，实现不同车载激光扫描获取的复杂道路环境下实线型交通标线的提取。     

一种自适应的坡度阈值地面点云分割方法

针对城市道路斜坡地形场景中地面欠分割或过分割的问题,提出了一种自适应的激光雷达地面分割算法。首先将激光点云按照水平角度分辨率进行有序组织,然后求取同一水平角度下前后扫描圈间激光点云的距离和局部坡度,最后采用自适应水平距离、局部高度和全局高度阈值区分地面点和非地面点。结合40线激光雷达进行多场景实例分析,结果表明本文算法分割的准确率更高,处理每帧数据均用时约1ms,满足无人驾驶汽车的实时性需求。提出了一种自适应的激光雷达地面分割算法,实现了对激光雷达地面点云的准确分割。     

基于直线特征检测的道路边线自动提取方法

针对如何从车载激光点云数据中快速、准确地提取道路边线的问题,本文提出一种基于直线特征检测的道路边线自动提取方法。首先对原始点云进行地面滤波,删除非地面点,获取包含道路信息的地面点云,接着把点云投影到二维图像上,根据反射强度获得平均强度图像,对平均强度图像进行LSD直线检测,获得道路边线的直线段,然后进行直线连接,把检测出来的短线段连接成长直线,最后根据直线特征提取出道路边线,并且利用定量指标对提取结果进行定量分析。实验证明,该方法提取的道路边线具有较高的准确率和完整性。