图像引导和点云空间约束的公路洒落物检测定位方法

公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目标预测框信息,将目标预测框投影到激光雷达坐标系下得到锥形感兴趣区域(region of interest,ROI)。在ROI区域内的点云空间约束下,联合点云聚类和点云生成算法获得不同尺度的洒落物在三维空间中的检测定位结果。实验表明:改进的YOLOv7-OD网络在中尺度目标上的召回率和平均精度分别为85.4%和82.0%,相比YOLOv7网络分别提升6.6和8.0个百分点;在小尺度目标上的召回率和平均精度分别为66.8%和57.3%,均提升5.3个百分点;洒落物定位方面,对于距离检测车辆30~40 m处的目标,深度定位误差为0.19 m,角度定位误差为0.082°,实现了多尺度公路洒落物的检测和定位。

车载激光点云道路标线分类提取方法

利用车载激光道路点云提取道路标线的难度较大。针对此问题,文章采用一种改进的基于点云特征图像的道路标线分类提取方法。首先将道路点云投影生成点云特征图像,通过结合图像梯度分析、图像二值化和连通域分析等操作,进一步进行道路标线像素提取;然后反投影到三维点云后,利用高斯混合模型对道路标线精细优化,从而提取出完整的道路标线点云;最后通过模板匹配分类,对道路标线点云进行分类提取。实验结果表明,该方法对不同道路环境下道路标线提取的准确度、完整度以及综合评价都超过90%。

基于多特征约束的露天采场道路点云提取

针对露天采场道路点云数据通过法向量、路缘石等点云特征难以准确提取的问题,提出了一种多特征约束的露天采场道路点云提取方法.以辽阳市千山石灰石矿露天采场激光点云为数据源,首先对原始数据进行降采样;然后基于单点RGB信息、邻域RGB信息、邻域高差、邻域粗糙度、反射强度5类点云特征,制作并划分了训练集和验证集,利用随机森林算法构建了道路点云提取模型并进行了优化,进一步引入欧式聚类算法改进了道路点云提取模型结果,最后评估了露天采场道路点云提取结果.结果表明,本文方法可以实时有效准确地提取露天采场道路点云数据.

基于Transformer的道路场景点云分类与分割方法

针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Transformer模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在数据特征向量中持续增加全局特征属性,从而提高多目标识别中点云分类和分割的精度。实验中采用了标准基准数据集(ModelNet40、ShapeNet部分分割和SemanticKITTI场景语义分割数据集)以验证模型的性能,实验结果表明:DRPT模型的pIoU值为85.9%,比其他模型平均高出3.5%,有效提高了多目标识别检测时点云分类与分割精度,是对智能网联技术发展的有效支撑。

基于点云反射特性的前方道路附着系数估计方法研究

路面附着系数是影响自动驾驶系统决策控制策略的重要因素。为实现对道路附着系数前瞻性的高精度感知,本文基于车载激光雷达设计了一种新的路面附着系数估计方法。首先采集了干燥柏油路面、混凝土路面、湿滑柏油路面、结冰路面和积雪路面构建道路数据集;基于使用布料模拟滤波和RANSAC算法进行了道路点云提取、基于高斯滤波去除反射率异常噪点;根据点云反射率随距离和入射角变化的规律将路面划分为不同区域分别提取特征;基于深度神经网络构建了道路识别模型,并基于采集数据集进行了训练,最后基于路面材质和峰值附着系数的统计经验确定了前方道路的附着系数。测试结果表明,本文提出的算法道路类型辨识精度超过99.3%,算法平均运行周期55ms,可实现实时高精度的路面峰值附着系数估计。

基于注意力机制CNN-LSTM的毫米波雷达点云特征数据预测生成

在智能驾驶的环境感知领域,毫米波雷达是一种关键的传感器技术。然而,因数据量有限,其特征数据的采集具有一定的挑战性,这限制了环境感知分类模型的训练效果。针对这一难题,提出了一种融合自注意力机制的卷积长短期记忆网络模型,旨在预测并生成毫米波雷达点云的特征数据,以此来扩展雷达特征数据集。首先采集道路目标的运动状态数据,对数据进行二维快速傅里叶变换、恒虚警率检测,并利用多输入多输出(Multiple-Input Multiple-Output,MIMO)技术提升方位分辨率;接着执行点云聚类及特征提取;最后采用含注意力机制的卷积长短期记忆网络对特征数据进行进一步处理与预测。在真实采集的3类道路目标数据集上,与其他模型相比,该方法在不同道路目标运动特征的预测R^(2)上提高了1%~7%。

基于车载三维激光扫描的城市道路竣工测量探讨

车载三维激光扫描系统融合了多种传感器和数据源,可以自动、迅速地获取道路的全方位信息。其扫描速度迅捷、数据信息丰富、精确度高、采集过程安全简单,并能节省人力。此技术显著提高了外业生产效率,并降低了生产成本。对车载三维激光扫描技术在道路工程竣工测量中的内外业处理流程的研究结果表明:该技术的精度可达到1∶500测图精度要求,满足城市高架路竣工规划测绘的精度需求。该技术方案是切实可行的,且能高效地提高生产效率。

基于车载LiDAR的交通标线自动提取方法研究

针对自动驾驶技术对高精度道路信息实时存储分析的需求日渐增大、道路点云数据冗余离散的问题,本文提出了一种从车载LiDAR点云数据中自动提取道路面、分类并矢量化交通标线的有效方法。首先,将点云数据中的非地面点滤除;其次,基于载体车辆的行车轨迹线生成伪扫描线实现道路面的提取;然后,构建一系列二维点云参考影像,利用点云强度等特征信息检测交通标线边界像素点及坐标,并去除离群值对交通标线进行分类细化;最后,对本文方法提取与传统方法提取的交通要素进行对比,实验结果表明,本文提取方法的准确度及效率都有了一定的提升。

基于多平面分割和矩阵变换的航摄边坡点云滤波算法

点云滤波是实现地面点与非地面点分离,获取最真实地面点云的重要处理手段,是进行公路边坡点云灾害识别的基础.为了克服传统点云滤波算法在边坡场景下处理速度慢、结果精度低和误差大等问题,提出了基于多平面分割和矩阵变换的航摄边坡点云滤波算法.该方法首先利用基于曲率的区域生长算法对边坡进行多平面分割,得到多个边坡子点云;其次拟合得到边坡子点云平面模型,再利用旋转矩阵将边坡子点云进行空间转换至水平面;然后通过模拟布料下沉并设置距离阈值分离出非地面点;最后再次利用旋转矩阵的逆矩阵进行空间位置还原,进而得到滤波后的边坡点云.利用精细贴近仿地航线设计方法获取高精度点云模型以在不同的边坡场景下进行算法测试,并与其他传统滤波算法结果进行对比,结果表明:在所有的试验中,本文算法的总误差分别为7.11%、4.15%、1.45%、4.41%,在所有测试算法中最小;Kappa系数分别为0.77、0.90、0.96、0.90,在所有测试算法中最大.本文提出的算法在面对地形和植被情况复杂的边坡情景下,有着较高的准确性以及较强的适用性,为公路边坡点云滤波提供了新的解决方案.

基于车载点云的道路三维实景建模方法研究

传统的基础测绘存在组织管理固化、服务模式落后、产品形式单一等问题,在新型基础测绘体系下形成了全要素三维实景模型这一成果。本文探讨基于车载点云进行城市道路三维实景建模方法研究,并以某城市主干路为试验对象,对道路及道路两侧部件点云数据进行矢量化得到道路全要素地形数据,以部件点云数据为参考结合外业调绘尺寸用3ds Max软件制作道路部件模板库,并结合点云数据和矢量数据对各类要素进行单体化,最后将道路模型和部件模型融合。结果表明,基于车载点云数据构建的城市道路全要素实景模型不仅可以保证场景的完整性和真实性,还减少了作业时间和成本,实现了各类模型之间的无缝结合,制作完成的模型精度也能满足项目精度要求。

激光点云特征与知识规则协同的车道线提取

实现车道线高效的检测提取是自动驾驶领域中亟待攻克的关键技术之一,众多基于视觉方案的检测算法由于图像数据的特点存在一定局限性,如天气光照影响成像质量、难以兼顾弯道直道等。本文结合三维激光点云优势与道路知识规则提出了一种车道线自动提取算法。首先,通过多次强化道路边界高程差异获取路面点;其次,简化Isodata算法,自适应地得到反射强度滤波阈值;然后采用随机一致性算法检测直线聚类得到候选车道,将候选车道映射成二维矢量并通过类间距约束提取正确车道线;最后,基于相邻关键特征点对的向量拓扑关系一致性实现车道线拓扑重构,得到对应现实世界中意义完整的车道线。算法在车道线达5~6条的情况下,召回率达92.46%,准确率达94.79%,综合评价指标达92.41%,实验结果证明了方法的有效性和可行性。

车载移动测量技术在市政道路调查中的应用

首次提出了将车载移动测量技术应用于全国自然灾害综合风险普查的市政道路调查工作中,设计了市政道路调查的技术路线,研究了道路点云和街景影像数据采集及其处理方法,制作了道路三维矢量地图和360°可量测街景地图,并建立了市政道路调查数据库。通过武汉市第一次市政道路调查项目的应用实践证明,利用车载移动测量技术可有效克服传统外业测量调查方法的不足之处,有利于提高道路调查工作的精确度和效率。此外,通过一次调查还可同时获得道路三维矢量地图和街景地图等附加产品,提升了道路调查成果的潜在应用价值。

基于车载点云数据的城市道路特征目标提取与三维重构

随着现代城市交通管理、智能驾驶、城市规划和地理信息系统领域的发展,对高效、自动化的城市道路特征提取和三维重构技术的需求日益迫切。提出一种从激光点云数据中自动提取道路特征并建立三维模型的方法,该方法能够有效处理大规模复杂环境下的数据。首先通过提取路缘石描述算子来确定边界线,然后生成点云数据的地理参考图像,提取出精细化的道路标识线。接着在平滑度约束下进行杆状地物检测,再通过分类算法区分路灯和行道树。最后,分析了道路模型三维重构所需的参数,并提出一种连续四边形重建方法,实现了对道路元素的三维重构。实验结果显示,该研究方法在道路点云数据目标提取的评价精度达到92%,验证了其有效性。

顾及邻域局部特征的车载点云城市道路提取

本文针对区域生长算法导致城市道路提取过程中点云的过分割问题,结合点云空间邻域特征信息,提出了一种用于提取地面点云的改进区域生长算法。首先进行数据预处理,去除远离城市环境的离群点;其次建立二维空间虚拟格网,合理利用点云的空间局部性、减少运算规模;然后采用平均曲率约束和拟合平面夹角约束聚类提取出城市道路点云;最后利用两段城市道路点云进行试验,与现有的区域生长算法进行对比分析。试验结果表明,本文方法能够很好地兼顾提取完整度与准确度,在复杂城市道路点云提取和城市道路建模中具有实用性。

基于径向梯度的车载LiDAR点云路面点提取

针对大规模车载LiDAR点云数据量庞大,以及因障碍物遮挡或道路起伏导致提取结果准确度欠佳且存在噪声等问题,本文采用一种基于径向梯度的车载LiDAR点云路面点提取方法。首先对点云数据进行预处理,包括直通滤波和体素滤波降采样;然后根据车载激光雷达的设备参数,将极坐标系下的点云投影至扇形格网内;最后以扇形格网为基础,提取基于移动窗口的径向梯度路面点,并利用最小二乘法对提取的路面进行平面拟合,优化提取结果。试验选取KITTI数据集用于提取路面点,结果表明,相较于其他路面点提取方法,本文方法稳健性强、准确度高,其中,路面点提取的平均准确度可达91.85%,平均完整度可达80.63%,平均精度可达75.25%。

基于车载激光扫描系统的道路扩改建测量

以具体道路改扩建项目为例,本文通过将传统道路测量技术与车载激光扫描技术分别用于2段道路数据采集中,重点分析了车载激光扫描系统实现道路测量的关键技术,构建了完整的技术流程。试验结果表明,基于车载激光扫描系统的道路测量成果满足精度要求,具有传统技术手段不可比拟的技术优势,其安全、高效、可靠的作业方式具有很好的应用前景。

基于3DSSD的差异路口自适应联邦学习算法

在智能交通中,为弥补路侧端点云数据集的缺乏,提高目标检测模型泛化能力,提出了一种基于参数自适应联邦学习(FL)的点云目标检测算法(FLA3DSSD)。在各个路侧客户端数据不互通的情况下,将基于点的3D单级目标检测器(3DSSD)算法与经典联邦学习(FL)策略相结合,同时通过上传局部模型在路侧服务器进行模型自适应参数融合改进客户端模型参数更新策略,实现数据信息共享,并提升检测精度。结果表明:在车路协同差异路口场景算法部署任务中,对比本地数据训练模型,直接部署于其余客户端,用FL与3DSSD的聚合模型所测试的检测平均精度(AP),上升5%~40%;带有改进参数的自适应联邦学习FLA3DSSD聚合模型,实现AP值提升1%~7%。因此,在保护数据隐私的前提下,本方法能够提高模型泛化能力和检测精度。

基于图像点云的道路缺陷检测

本文针对无人机图像点云道路缺陷检测问题,提出了一种基于点云切片平面拟合与聚类的道路缺陷检测方法.首先,采集无人机图像进行三维重建生成图像点云,对点云进行坡度滤波与统计离群点滤波,消除噪声和异常点的干扰.然后,对点云进行切片并利用随机采样一致性平面拟合算法估计道路的平面模型.随后,运用点云DBSCAN聚类算法分类出边缘噪声与道路损伤点云.最后,采用点云切片法估计损伤程度.在实验中,我们使用真实无人机采集的点云数据,并与基于点云垂直度特征检测方法进行了对比.实验结果表明,本文方法表现出较高的准确性和鲁棒性,体积估计的误差为1 307 cm^(3).相较于传统方法,本文方法能够更精确地检测出道路损伤,并能适应复杂的道路形状变化.

无人机摄影测量点云道路自适应提取

在无人机摄影测量中,针对传统的地面点云提取方法对图像点云数据中的道路提取适应性较差的问题,本文提出了一种无人机摄影测量点云道路自适应提取方法.首先,根据点云的空间几何特征将点云划分为3个类别;然后,针对非道路的点云类别采取相应的方法进行剔除;最后,对经过自适应提取方法得到的点云数据进行滤波平滑和基于颜色的区域生长分割处理.实验结果表明,该方法提取的道路点云的I类误差为4.97%,II类误差为1.14%.该方法能够有效地提取目标道路路面,提高了无人机摄影测量工程应用中点云数据处理的效率.

基于多损失融合和混洗注意力的车载LiDAR点云道路标线提取方法

道路标线的准确提取在高级辅助驾驶系统和高精度地图的开发中具有重要意义。针对现有的基于阈值的车载激光点云道路标线提取方法在反射强度与点密度分布不均、道路标线与路面对比度低时提取效果较差的问题,本文提出了基于多损失融合和混洗注意力的车载LiDAR点云道路标线提取方法。选取典型高速公路试验样区进行道路标线提取试验,并与常规方法进行了精度对比分析。试验表明,本文方法在道路标线提取精度方面优于其他方法,有望更好地服务于自动驾驶的高精度地图开发应用。