手持三维激光扫描室内停车场地面标识要素提取方法

doi:10.13474/j.cnki.11-2246.2023.0348

测绘通报 ›› 2023, Vol. 0 ›› Issue (11): 173-176.doi: 10.13474/j.cnki.11-2246.2023.0348

• 测绘地理信息应用案例 • 上一篇下一篇

手持三维激光扫描室内停车场地面标识要素提取方法

刘云彤^1,2,3, 黄金亭¹, 王家耀^2,3

1. 黄河水利职业技术学院, 河南开封 475004;
2. 河南大学地理与环境学院, 河南开封 475004;
3. 河南大学时空大数据产业研究院, 河南郑州 450046

收稿日期:2023-07-10 出版日期:2023-11-25 发布日期:2023-12-07
作者简介:刘云彤(1977—),男,博士生,副教授,主要研究方向为遥感与地理信息技术。E-mail:yuntongliu@163.com

Method for extracting indoor parking lot ground marking elements based on handheld laser scanning point cloud

LIU Yuntong^1,2,3, HUANG Jinting¹, WANG Jiayao^2,3

1. Yellow River Conservancy Technical Institute, Kaifeng 475004, China;
2. The College of geography and environment, Henan University, Kaifeng 475004, China;
3. Henan Industrial Technology Academy of Spatio-temportal Big Data, Zhengzhou 450046, China

Received:2023-07-10 Online:2023-11-25 Published:2023-12-07

摘要/Abstract

摘要： 为了满足停车场快速建图的需求,本文提出了基于手持激光点云的室内停车场地面标识要素的提取方法。首先,为减少要素提取对内存空间的需求,将整个点云以规则网格进行划分;其次采用RANSAC平面拟合的方法提取每个网格内的地面点云;然后为提取地面标识要素,根据地面点云生成地面图像,并在地面图像的基础上,采用BiSeNet网络对不同的标识要素进行语义分割,得到车道线、车位线和导向箭头标识的像素;最后针对车道线和车位线,采用基于霍夫变换的直线提取方法对其进行提取,对于地面导线箭头,采用模板匹配的方法对其进行提取。试验证明,本文提出的方法能够对扫描的结构要素和标识要素进行快速提取,可大大减少制图的人工工作量,有效提高室内停车场建图的效率。

关键词: 手持三维激光扫描, 室内停车场, 地面标识要素, 三维点云, 深度学习

Abstract: In order to meet the demand for rapid mapping of indoor parking lots, a method is proposed for extracting ground marking features in indoor parking lots based on handheld LiDAR point clouds. Firstly, to reduce the memory space requirements for feature extraction, the entire point cloud is divided into regular grids. Then, the RANSAC plane fitting method is used to extract the ground point cloud within each grid. In order to extract ground marking features, a ground image is generated based on the ground point cloud. On this basis, the BiSeNet network is employed for semantic segmentation of different marking features, such as lane lines, parking lines, and directional arrow markings, to obtain the corresponding pixels. For lane lines and parking lines, a line extraction method based on Hough transform is used, while for ground arrow markings, a template matching method is applied for extraction. Experimental results demonstrate that the proposed method can quickly extract both structural elements and marking features from scanned data, significantly reducing manual mapping workload and improving the efficiency of indoor parking lot mapping.

Key words: handheld 3D laser scanning, parking garage, ground marking elements, 3D point cloud, deep learning

中图分类号:

P237

刘云彤, 黄金亭, 王家耀. 手持三维激光扫描室内停车场地面标识要素提取方法[J]. 测绘通报, 2023, 0(11): 173-176.

LIU Yuntong, HUANG Jinting, WANG Jiayao. Method for extracting indoor parking lot ground marking elements based on handheld laser scanning point cloud[J]. Bulletin of Surveying and Mapping, 2023, 0(11): 173-176.

参考文献

[1] 张微,华一丁,臧晨,等. 面向室内停车场的自主代客泊车关键技术研究[J]. 汽车电器,2019(8): 6-8.
[2] 樊培毅,陈阳,程森森,等. 基于WiFi室内定位的地下停车场智能导航系统[J]. 物联网技术,2016,6(4): 31-34.
[3] 李效超,王智,孙晓丽,等. 手持式移动三维激光扫描仪在地下空间普查中的应用研究[J]. 城市勘测,2020(2): 62-65.
[4] 李毅,徐超,廖开星,等. 手持式三维激光扫描仪在工业构件质量检测中的应用[J]. 测绘通报,2019(8): 102-105.
[5] 刘联红,饶建荣,洪伟. 手持三维激光扫描测量合拢管的改进方案[J]. 广东造船,2023,42(2): 62-64.
[6] 汪建波,孙亦东. 手持式三维激光扫描仪在文物保护中的应用[J]. 江西测绘,2017(1): 47-50.
[7] SCHNABEL R,WAHL R,KLEIN R. Efficient RANSAC for point-cloud shape detection[J]. Computer Graphics Forum,2007,26(2): 214-226.
[8] LECUN Y,BENGIO Y,HINTON G. Deep learning[J]. Nature,2015,521(7553): 436-444.
[9] SHELHAMER E,LONG J,DARRELL T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(4): 640-651.
[10] BADRINARAYANAN V,KENDALL A,CIPOLLA R. SegNet: a deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(12): 2481-2495.
[11] YU Changqian,WANG Jingbo,PENG Chao,et al. BiSeNet: bilateral segmentation network for real-time semantic segmentation[C]//Proceedings of 2018 European Conference on Computer Vision. Cham: Springer,2018: 334-349.
[12] HOU Jiawei,CHEN Qi,CHENG Yurong,et al. SUPS: a simulated underground parking scenario dataset for autonomous driving[C]//Proceedings of 2022 IEEE International Conference on Intelligent Transportation Systems (ITSC).[S.l.]:IEEE,2022: 2265-2271.
[13] 吴桐. 基于改进霍夫变换线段检测算法的实现和应用[D]. 济南: 山东大学,2018.
[14] 王棚飞,刘宏哲,袁家政,等. 一种简易有效的地面导向箭头检测识别算法[C]//中国计算机用户协会网络应用分会2014年第十八届网络新技术与应用年会.昆明:[s.n.],2014.

[1]	魏德宏, 禤键豪, 杨嘉伟, 张兴福, 余旭. 基于深度BP/ELMAN神经网络的山区GNSS高程转换精度分析[J]. 测绘通报, 2023, 0(9): 113-116,143.
[2]	张宝安, 高小龙, 金仔燕, 马兰花. 甘肃省地表要素遥感解译样本库建设与应用[J]. 测绘通报, 2023, 0(9): 144-149.
[3]	胡荣明, 李鑫, 竞霞, 武建强, 魏青博. YOLOv7在探地雷达B-Scan图像解译中的应用[J]. 测绘通报, 2023, 0(8): 29-33.
[4]	周宝定, 谢沛瑶, 郭文浩, 毛庆洲. 基于激光点云灰度图像的隧道渗水病害检测[J]. 测绘通报, 2023, 0(8): 34-39,90.
[5]	张戬, 高雅. 深度学习遥感影像解译技术在耕地保护中的应用[J]. 测绘通报, 2023, 0(8): 142-145.
[6]	杨盈, 邱芹军, 谢忠, 田苗, 郑诗语, 郑帅. 人在回路学习增强的地理命名实体识别[J]. 测绘通报, 2023, 0(8): 155-160,177.
[7]	钟静, 孙杰, 赖祖龙, 谌一夫. ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量[J]. 测绘通报, 2023, 0(7): 39-43.
[8]	赵丽凤, 王勇, 王晓静, 任传斌, 徐鹏宇. 改进U-Net模型支持下的高密度激光点云在沥青道路病害识别中的应用[J]. 测绘通报, 2023, 0(7): 136-141,159.
[9]	沈鑫甦, 嵇灵. 面向遥感地类变化检测的U型深度学习神经网络改进方法[J]. 测绘通报, 2023, 0(6): 93-97,103.
[10]	陈桥驿, 闫宇飞, 黄永芳. 融合面向对象和深度置信网络的农村建筑物信息提取[J]. 测绘通报, 2023, 0(6): 134-137.
[11]	王丽梅, 王延正. 基于高分辨率遥感影像的建筑物提取[J]. 测绘通报, 2023, 0(6): 180-183.
[12]	李心媛, 贺智, 楼桉君, 肖曼. 双线性图卷积网络的环南海地区湿地遥感分类[J]. 测绘通报, 2023, 0(5): 44-50.
[13]	蔡军, 温日强, 江伟, 严娇, 卢丽娟. 传统村落航拍图像中民族建筑识别的DeepLabV3+改进算法[J]. 测绘通报, 2023, 0(4): 49-53.
[14]	齐建伟, 王伟峰, 张乐, 王光彦. 基于改进DeepLabV3+算法的遥感影像建筑物变化检测[J]. 测绘通报, 2023, 0(4): 145-149.
[15]	佘佐明, 申勇智, 宋剑虹, 向玉瑨. 利用经典CNN网络方法构建贵阳市道路要素遥感影像自动提取模型[J]. 测绘通报, 2023, 0(4): 177-182.

手持三维激光扫描室内停车场地面标识要素提取方法

Method for extracting indoor parking lot ground marking elements based on handheld laser scanning point cloud

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价