基于几何规则的车载近景立体影像道路交通标线自动提取

道路交通标线信息是道路导航地图中必不可少的数据，对于制作精度更高、道路细节信息更加丰富清晰的高精度导航地图具有重要的作用。本文以车载近景立体影像中的道路交通标线信息自动提取为研究目标，针对道路交通标线快速、精确采集的应用需求，提出了基于几何规则的车载近景立体影像道路交通标线自动提取方法。该方法首先分析了道路交通标线的几何特征；其次，构建了基于几何特征的交通标线信息提取规则；最后，以标线种子点为基础，结合前述规则，实现了道路交通标线三维空间信息的自动采集。以南京师范大学的车载移动测量系统拍摄的实际近景立体影像为数据进行了试验，试验结果证明，本文方法相比传统人机交互采集方法，在交通标线特征点采集效率、标线几何相似度等方面有较大的优势，可为高精度导航地图的生产提供一种可借鉴的技术支撑。     

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。     

车载LiDAR点云中交通标线的提取方法

交通标线,作为道路上重要的交通标识,为司机和行人提供重要的引导信息。车载激光扫描系统(车载LiDAR)可以快速获得被测目标的表面三维坐标信息,为提取高精度三维交通标线提供了可靠数据源。本文通过分析道路点云数据的平面距离、点云强度、点云密度等特征,将点云数据归化成地理参考强度图像。针对生成的二维参考图像,充分借鉴图像处理中目标分类与识别的手段,将交通标线信息准确提取出来。实验表明,该方法可行、有效。     

基于车载三维激光扫描系统的道路交通标线制作

道路交通标线的准确制作对于交通安全、指引交通等具有重要作用.新兴的车载三维激光扫描系统因集成了GPS、IMU、全景相机等多种传感器,具有采集效率高、精度高、全方位等优点,解决了传统正射影像因房屋、树木遮挡等引起的数据无法正确提取的难点,尤其是在高架桥遮挡的地面道路及隧道,传统正射影像根本无法获取道路交通标线数据.本文基于道路交通标线提取这一问题,利用EPS软件,利用点云数据提取道路交通标线数据.最后,结合智能化公安交通管理系统标线数据库建设项目,通过eps脚本处理器的二次开发对道路交通标线数据进行格式转换并重新编码,将实现道路交通标线数据的批量转换工作.实践表明,车载三维激光扫描系统在保持精度的前提下,能够有效地完成道路交通标线的提取工作,而基于EPS的脚本管理器的二次开发,可以高效地解决道路交通标线数据转换问题.     

融合空谱特征的车载LiDAR点云道路标识线提取

道路标识线是三维道路场景中重要的交通标识之一。自动提取点云场景中的标识线信息对于道路路宽测量、自动驾驶等任务具有十分重要的意义。本文提出了一种基于空谱特征的车载Li DAR点云道路标识线提取方法。该方法充分考虑车载激光点云中道路标识线的颜色、空间邻域和高程等位置关系,直接对点云数据进行自动分类,提取道路标识线。为了验证本文方法的有效性,采用高速公路路段场景的车载激光点云数据进行试验,从中选取训练数据及测试区域进行道路标识线提取试验。最后,本文基于手动标记数据验证本文方法的效果,道路标识线提取总体精度为99.64%。     

融合车载LiDAR点云和全景影像的道路标线自动提取方法

针对传统人工方式、人机交互方式提取公路标线成本高、效率低的问题,本文提出了融合车载LiDAR点云和全景影像数据,使用SCGA-Net网络提取并矢量化道路标线的方法,以解决车载LiDAR点云采集过程中因车辆遮挡、道路修补等造成的数据缺失问题。试验表明,该方法道路标线的提取率和正确率均优于仅使用LiDAR点云提取标线的方法,可有效地提升自动驾驶所依赖的高精地图的生产效率。     

融合点云和多视图的车载激光点云路侧多目标识别

城市环境中的行道树、车辆、杆状交通设施是重要的交通地物,也是智能交通,导航与位置服务,自动驾驶和高精地图等行业应用的核心要素.为了准确识别这些路侧目标,本文提出一种融合点云和多视角图像的深度学习模型PGVNet(point-group-vi ew network),充分利用目标点云数据中空间几何信息及其多视角图像中高级全局特征提升路侧行道树、车辆和杆状设施的分类精度.为了减少视图间的冗余信息并增强显著视图特征,PGVNet模型利用预训练的VGG网络提取多视图特征,对其进行分组赋权获取最优视图特征;采用嵌入注意力机制的融合策略,利用最优视图特征动态调整PGVNet模型对点云不同局部关系的注意力度,学习不同路侧目标的多层次、多尺度显著特征,实现行道树、车辆和杆状交通设施的精确分类.试验采用5份不同车载激光扫描系统获取的不同城市场景数据验证本文方法的有效性,其中行道树、车辆及杆状交通设施分类结果中的准确率、召回率、精度和F1指数分别达(99.19％、94.27％、93.58％、96.63％);(94.20％、97.56％、92.02％、95.68％);(91.48％、98.61％、90.39％、94.87％).结果表明,本文方法融合多视图全局信息和点云局部结构特征可以有效区分城市场景中的行道树、车辆和杆状交通设施,可为高精度地图中要素构建与矢量化提供数据支撑.     

移动车载激光点云的道路标线自动识别与提取

对移动车载激光测量LandMark系统获取的路面激光点云数据进行研究,结合激光点云的回波反射率、扫描角,以及量测距离等特征信息与道路标线的属性信息,提出了一种基于车载激光点云的道路标线自动识别与提取算法。从点云中提取道路标线,采用最小二乘线性最优拟合算法对提取的标线点云进行拟合,生成道路标线的CAD轮廓线,实现道路标线的自动化识别。以移动车载LandMark系统的Sick激光扫描仪获取的路面激光点云为例进行实验,实验结果表明该方法的可行性和有效性。     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

排水管网系统精细拓扑模型描述与实现

针对当前排水管网拓扑模型简单、拓扑分析能力较弱的现状,提出了一种管网拓扑精细模型,改进了节点单一问题,将节点细分为多类并提出相应的拓扑规则,使之更符合管线客观模型,有利于进行空间分析。在管线和节点数据结构设计中,采用十字链表作为管网数据结构,便于管线与节点双向分析,同时建立R树索引,实现对空间数据管理。结合镇江管网地理信息系统开发实验,实现了基于改进拓扑模型的空间分析算法,结果发现本文提出的拓扑模型结构简单,易于实现,能够模拟管线排水细节,提供更多基于水务模型的空间分析类型,数据访问效率较高。