基于LiDAR点云检测的城市道路轮廓提取技术

发布时间：2021-06-08 17:48

　　城市道路覆盖面广,容易忽略道路轮廓的分散性,LiDAR点云检测可以对其轮廓进行分割,很大程度上解决了提取效率低的问题。提出基于LiDAR点云检测的城市道路轮廓提取技术。采用空间区域网格扫描技术进行城市道路光学图像采集,对采集的城市道路光学图像进行区域性融合滤波处理,提取城市道路光学图像的灰度像素特征量,采用模糊信息融合方法进行城市道路光学图像信息融合,构建城市道路光学图像的三维点云特征大数据分布模型,结合LiDAR点云分布式检测的方法进行城市道路的轮廓特征分割,采用帧点最大灰度级特征集检测和多参数信息融合方法,实现城市道路轮廓提取和点云检测。仿真表明,在实验次数为100次时,所提方法提取时间为12 s;样本数为2 000个时,所提方法提取精度为1。充分证明采用该方法进行城市道路轮廓提取的时间较短、提取准确度较高,空间规划识别能力较强,具有很好的参数优化能力。 

【文章来源】：激光杂志. 2020,41(10)北大核心

【文章页数】：4 页

【部分图文】：

城市道路光学图像的网格分布模型

为了验证本文方法在实现城市道路轮廓提取中的应用性能，采用Matlab进行仿真测试分析，设定城市道路图像中心像素点的灰度值的为0.83，图像信息熵为2.8，灰度直方图的边缘像素集为Hm=0.78，联合模板匹配系数为0.89，最大的灰度级N=12,x,y,z方向的为边缘像素集为(12,26,62)，像素采样的大小400*800，干扰强度12 d B，根据上述仿真环境和参数设定，进行城市道路轮廓提取仿真，读取原始的城市道路光学图像如图2所示。采用模糊信息融合方法进行城市道路光学图像信息融合，并进行城市道路的运动目标检测，得到聚类目标检测结果如图3所示。

采用模糊信息融合方法进行城市道路光学图像信息融合，并进行城市道路的运动目标检测，得到聚类目标检测结果如图3所示。根据检测结果，结合Li DAR点云分布式检测的方法进行城市道路的轮廓特征分割，实现城市道路轮廓提取，得到提取结果如图4所示。

【参考文献】：
期刊论文
[1]基于Storm的城市智能交通规划方法[J]. 刘春燕,邹承明.  武汉大学学报(理学版). 2019(05)
[2]多阈值优化的运动图像轮廓特征提取方法[J]. 陈超.  沈阳工业大学学报. 2019(03)
[3]激光三维成像中光电混频技术的研究进展[J]. 卜禹铭,曾朝阳,杜小平,宋一铄.  激光与光电子学进展. 2019(08)
[4]一种改进的非局部均值超声图像降噪算法[J]. 刘保中,刘建宾.  北京信息科技大学学报(自然科学版). 2018(05)
[5]基于模拟退火遗传算法的虹膜轮廓提取方法[J]. 王延年,赵朗月,刘会敏.  激光杂志. 2018(06)
[6]基于超像素聚类的侧扫声呐图像分割算法[J]. 盛蕴霞,霍冠英,刘静.  计算机工程. 2018(06)
[7]鲁棒的自适应尺度和方向的目标跟踪方法[J]. 单玉刚,汪家宝.  计算机工程与应用. 2018(21)
[8]折反射共光路多谱段激光雷达光学系统设计[J]. 李晶,车英,王加安,金美善,栾爽.  中国激光. 2018(05)
[9]一种基于偏微分方程和Canny算子的图像分割方法[J]. 侯守明,王阳,唐琪博,张玉珍.  山西大学学报(自然科学版). 2017(04)
[10]基于多尺度形态学图像的屈肘角度检测方法与实现[J]. 司幸伟.  河南师范大学学报(自然科学版). 2017(05)



本文编号：3218903