-
公开(公告)号：CN113219439B
公开(公告)日：2023-12-26
申请号：CN202110379595.6
申请日：2021-04-08
Applicant: 广西综合交通大数据研究院 , 桂林电子科技大学
Abstract: 本申请实施例提供了一种目标主干点云提取方法、装置、设备及计算机存储介质，涉及激光雷达技术领域。该方法包括：获取目标平面的原始点云的坐标信息，确定目标平面的平面种子点；采用预设的线性模型对目标平面进行拟合，确定目标平面的拟合模型；采用预设的算法确定拟合模型中的主干点云，得到目标平面的主干点云。本申请实施例通过各激光点的坐标信息，采用坐标信息，能够有效去除原始点云中坐标高度值过高的激光点，采用线性模型能够有效模拟去除过高点后的点云的拟合平面，然后基于该拟合平面，进一步去除该拟合平面中过高或者距离过大的激光点，保证过高点和干扰点完全被去除，提升点云的精确度，方便后续点云的使用。
-
Patent Agency Ranking
公开(公告)号：CN115239981A
公开(公告)日：2022-10-25
申请号：CN202210652292.1
申请日：2022-06-09
Applicant: 广西综合交通大数据研究院
IPC: G06V10/75 , G06V10/764
Abstract: 本发明的技术方案涉及一种车辆位姿获取方法，包括：根据获取的IMU数据得到车辆当前的IMU估计位姿和对应的时间戳；结合IMU估计位姿和对应的时间戳，对获取的LiDAR扫描帧的激光点云进行运动畸变校正，得到预处理LiDAR扫描帧；从预处理LiDAR扫描帧中进行车辆位姿的特征点提取；根据车辆位姿的特征点，得到LiDAR的观测误差函数；根据IMU数据，得到IMU的误差函数；将LiDAR的观测误差函数和所述IMU的误差函数进行叠加计算，得到车辆位姿的误差函数；结合车辆位姿的特征点和所述IMU数据，令车辆位姿的误差函数达到最小值，从而得到车辆的位姿。本发明提供给的车辆位姿获取方法，在距离和方向上进行约束，具有更强的鲁棒性，并且约束位姿，提高获取的车辆位姿精确度。
-
公开(公告)号：CN113538699A
公开(公告)日：2021-10-22
申请号：CN202110687387.2
申请日：2021-06-21
Applicant: 广西综合交通大数据研究院 , 桂林电子科技大学
IPC: G06T19/00 , G06T17/05 , G06T7/73 , G01S17/931 , G01S17/86
Abstract: 本申请提供了一种基于三维点云的定位方法、装置、设备及存储介质，涉及自动驾驶技术领域，该方法包括：通过分别获取组合导航数据和激光雷达测量的点云数据，并分别对点云数据和组合导航数据进行处理，先基于组合导航数据确定车辆的当前位姿信息，并确定点云定位中的变换矩阵和平移矩阵，再基于该变换矩阵和平移矩阵确定车辆的激光雷达位姿信息，然后基于该激光雷达位姿信息和车辆的姿态信息确定车辆的姿态计算法方程，然后采用扩展卡尔曼滤波方法基于所述位姿状态计算方程对所述车辆进行定位，更加符合车辆的形式规律，保证车辆定位的准确性。
-
公开(公告)号：CN111444847A
公开(公告)日：2020-07-24
申请号：CN202010227134.2
申请日：2020-03-27
Applicant: 广西综合交通大数据研究院 , 桂林市国创朝阳信息科技有限公司
Abstract: 本发明公开了一种交通标志检测识别方法、系统、装置及存储介质，所述方法包括获取交通标志图像；对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF-YOLOv3卷积神经网络模型；利用DFF-YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。本发明通过对现有的基于YOLOv3的卷积神经网络模型的残差组件进行改进处理得到改进的DFF-YOLOv3卷积神经网络模型，利用改进的DFF-YOLOv3卷积神经网络模型对获取的小目标交通标志图像进行检测识别，具有实时性好和识别精度高的优点。本发明可以广泛应用于深度学习技术领域。
-
公开(公告)号：CN111444847B
公开(公告)日：2023-04-07
申请号：CN202010227134.2
申请日：2020-03-27
Applicant: 广西综合交通大数据研究院 , 桂林市国创朝阳信息科技有限公司
IPC: G06V20/58 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种交通标志检测识别方法、系统、装置及存储介质，所述方法包括获取交通标志图像；对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF‑YOLOv3卷积神经网络模型；利用DFF‑YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。本发明通过对现有的基于YOLOv3的卷积神经网络模型的残差组件进行改进处理得到改进的DFF‑YOLOv3卷积神经网络模型，利用改进的DFF‑YOLOv3卷积神经网络模型对获取的小目标交通标志图像进行检测识别，具有实时性好和识别精度高的优点。本发明可以广泛应用于深度学习技术领域。
-
公开(公告)号：CN113219439A
公开(公告)日：2021-08-06
申请号：CN202110379595.6
申请日：2021-04-08
Applicant: 广西综合交通大数据研究院 , 桂林电子科技大学
Abstract: 本申请实施例提供了一种目标主干点云提取方法、装置、设备及计算机存储介质，涉及激光雷达技术领域。该方法包括：获取目标平面的原始点云的坐标信息，确定目标平面的平面种子点；采用预设的线性模型对目标平面进行拟合，确定目标平面的拟合模型；采用预设的算法确定拟合模型中的主干点云，得到目标平面的主干点云。本申请实施例通过各激光点的坐标信息，采用坐标信息，能够有效去除原始点云中坐标高度值过高的激光点，采用线性模型能够有效模拟去除过高点后的点云的拟合平面，然后基于该拟合平面，进一步去除该拟合平面中过高或者距离过大的激光点，保证过高点和干扰点完全被去除，提升点云的精确度，方便后续点云的使用。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
