CN104298998A - 一种3d点云的数据处理方法 - Google Patents
一种3d点云的数据处理方法 Download PDFInfo
- Publication number
- CN104298998A CN104298998A CN201410509881.XA CN201410509881A CN104298998A CN 104298998 A CN104298998 A CN 104298998A CN 201410509881 A CN201410509881 A CN 201410509881A CN 104298998 A CN104298998 A CN 104298998A
- Authority
- CN
- China
- Prior art keywords
- point
- cloud
- cluster
- threshold
- grid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种3D点云的数据处理方法,其中的3D点云中的地面滤波方法通过构建3D栅格地图和拟合地平面曲线完成,数据结构简单,得到的地平面曲线精确可靠,滤波效果和实时性非常好;提出的分割方法采用柱坐标栅格地图中的搜索窗口聚类方法,大大缩减了聚类过程的计算量,实时性好,聚类结果精确;提出的训练样本标记方法将点云分割结合适当的显示和存储方法而形成,易于实现,可以在每帧点云数据中标记多个类别的样本,大大提高了样本的标记效率。
Description
技术领域
本发明涉及一种3D点云的数据处理方法,属于3D点云数据预处理技术领域。
背景技术
近年来,随着Kinect、Velodyne等旋转轴与地面垂直的3D激光传感器的发明及普及,对3D深度数据处理方法的研究越来越受到人们的重视。由Velodyne等激光雷达传感器对周围环境扫描采样得到的3D点云数据中,包含了传感器周围环境中几乎所有物体的反射数据。通过对扫描得到的3D点云数据进行处理就可以达到障碍物检测和识别的目的,但是由于3D点云数据往往规模过于庞大,会带来后续算法的实时性问题,所以首先要解决的问题就是对点云数据进行滤波和分割以减小数据规模。而3D点云中训练样本标记方法的研究也是众多监督学习方法在3D点云数据中扩展应用的基础。
滤波是指对点云数据中的地面点进行识别和滤除。目前3D点云数据的地面滤波方法主要可分为两类:直接依据点云数据的地平面滤波方法和依据点云数据特征的地平面滤波方法。前者多依据点云中数据点的坐标构建直角坐标系下的栅格地图,据传感器的安装高度,在各个栅格内设定高度阈值,通过比较点云中点坐标的高度值与高度阈值的大小进行地面滤波,该类方法思路简单,应用广泛,实时性好,但在栅格内固定高度阈值难以反应真实的地形特征,精确度较低,难以处理野外地形下的地面滤波任务。后者经过对点云数据进行特征提取,利用表面法向量特征,结合离线训练的监督模型,进行地平面的识别和滤波,此类方法地面滤波效果精确可靠,但特征提取、离线模型训练和匹配算法一般过于复杂,需要占用很大的内存空间、花费较长的计算时间,实时性难以保证。
分割指对地面以上的点云点通过聚类的方法分割成点云块儿,属于同一物体的点聚成同一类。而现有的点云分割方法都以聚类算法为基础,常用的聚类方法有k-means、高斯混合模型和基于K邻域的种子生长法。前两者需要预先指定聚类个数,而现实场景中的分割任务很难预先知道场景中的目标个数,强行预先指定聚类个数难免造成误分割,且前两种分割方法都需要不断的重新聚类,修正聚类中心的位置,直到算法收敛,适用于数据规模较小问题的聚类,而现实场景中的点云每帧数据包含数十万个激光点,前两种方法难以保证实时性。种子生长法比较适合激光点云的分割任务,但现有的基于K邻域的种子生长方法在搜索K邻域时需要进行过多重复无用运算,在处理数十万激光点的聚类时实时性不高。
现有的监督学习方法中训练样本的标记是一个需要人工来操作的步骤。常用的方法为利用第三方工具,如3D max等软件,将点云数据导入,通过人工选定样本,然后利用标注工具进行圈注和数据导出。该类方法需要对样本目标如车辆、行人等物体一个一个进行选定,圈注,导出,步骤繁琐,效率较低。
发明内容
为了在保证精确度的前提下提高3D点云数据处理的效率,保证实时性,本发明提出一种3D点云的数据处理方法,特别是对激光雷达传感器绕自身竖直中心轴旋转采集得到的3D点云数据进行预处理,其特征在于,包括以下步骤:
步骤1、以所述竖直中心轴为中心对称轴对激光雷达传感器的扫描区域进行等圆周角划分,得到N=360°/α个栅格通道,其中α为激光雷达传感器的角分辨率;
步骤2、地平面滤波,具体包含以下步骤:
S21、定义所述竖直中心轴为Z轴,定义激光雷达传感器扫描窗口中心点为原点,针对每个所述栅格通道,在所述原点至激光雷达传感器的安装高度范围内,沿Z轴进行等间隔划分,形成多个等高的小栅格,统计落入各小栅格的点云点占所在栅格通道内总点云点数的百分比,得到各栅格通道对应的高度直方图;
S22、地平面估计
在各个高度直方图中,从Z轴最低点向上逐个累加各小栅格内点云点的百分比值,当累加得到的百分比值大于阈值Pthreshold时,取这些被累加的小栅格内的点作为地平面上的点,用最后被累加的小栅格内的点拟合一条曲线,作为各栅格通道的地平面曲线,所述阈值Pthreshold的取值范围为10%~25%;
S23、地平面滤波
对各栅格通道内各个点云点进行判断:若Z轴高度值在地平面曲线以下,则将该点从点云中滤除,保留下的点即为地平面滤波后的点云数据;
步骤3、聚类分割,具体步骤如下:
S31、在滤波后的点云数据中选定一个没有被聚入任何类的点作为聚类起始点,在所述聚类起始点所在栅格通道及与其相邻的两个栅格通道内,将与所述聚类起始点水平距离为Rthreshold的区域定义为搜索窗口,其中Rthreshold为搜索窗口的尺寸参数;
S32、计算步骤S31的搜索窗口中每一个点与聚类起始点的距离,距离小于阈值Dthreshold的点加入该聚类,所述阈值Dthreshold的取值范围为0.4m~1.0m,同时对该点进行标记表示其已加入该聚类,得到第一代标记点;以每一个第一代标记点作为新的聚类起始点,按步骤S31所述的方法确定新的搜索窗口,对在搜索窗口中的所有未被标记的点计算其与新的聚类起始点的距离,对小于阈值Dthreshold的点进行标记表示加入该聚类,得到第二代标记点;以此类推,直至某一代标记点的搜索窗口中的所有点都不满足聚类条件或已全部加入聚类,即得到聚类分割后的点云块。
所述步骤1中,对各个栅格通道沿激光雷达传感器旋转的方向从1至N进行编号,然后针对每个栅格通道中的点云点,按照其所在的栅格通道的编号、该点云点与Z轴的水平距离以及该点云点的在Z轴的高度进行编码并存储。
所述步骤S21的小栅格的高度不大于0.2m。
所述步骤S31中搜索窗口的尺寸参数Rthreshold的取值范围为0.4m~1.2m。
本发明的一种3D点云的数据处理方法,还包括对步骤3得到的聚类分割后的点云块进行标记,具体为:首先将各个聚类得到的点云块编号,然后使用点云库中的点云3D显示方法,在显示界面中显示各个点云块及其编号,观察每个编号的点云块属于哪个类别,并统计记录;同时,在显示过程中,每显示一个点云块,则生成一个以其编号为名称的文本文件,将该点云块保存进该文本文件,完成标记。
所述步骤S22中,所述阈值Pthreshold为20%。
所述步骤S31中的搜索窗口的尺寸参数Rthreshold选为0.8m。
所述步骤S32中的阈值Dthreshold优选为0.5m。
本发明具有如下有益效果:
1、本发明提出的3D点云中的地面滤波方法通过构建3D栅格地图和拟合地平面曲线完成,数据结构简单,得到的地平面曲线精确可靠,滤波效果和实时性非常好;
2、本发明提出的分割方法采用柱坐标栅格地图中的搜索窗口聚类方法,大大缩减了聚类过程的计算量,实时性好,聚类结果精确;
3、本发明提出的训练样本标记方法将点云分割结合适当的显示和存储方法而形成,易于实现,可以在每帧点云数据中标记多个类别的样本,大大提高了样本的标记效率。
附图说明
图1为本发明实施方式中进行地面滤波和分割前的点云示意图;
图2为本发明实施方式中3D柱坐标栅格地图示意图;
图3为本发明实施方式中点的柱坐标表栅格通道编号确定方法示意图;
图4为地面直方图的示意图;
图5为本发明实施方式中搜索窗口聚类示意图;
图6为本发明实施方式中的训练样本标记示意图。
具体实施方式
下面结合附图及实施例对本发明的实施方式做详细说明。
本发明所采用的方法是针对按以下方式安装的传感器进行的:传感器的旋转轴与地面垂直。定义OXYZ坐标系为与传感器固连的直角坐标系,OZ轴与为传感器的竖直中心轴,与地平面垂直,OX轴为扫描起始平面中的水平射线,OY轴由X轴和Z轴根据右手螺旋定则确定,其中Z轴可以反映扫描到物体的高度值。
通过如上所述的传感器对周围环境进行一次采样,得到如图1所示的待处理的现实场景的点云数据图像。
对得到的点云数据的处理包括以下步骤:
步骤1、如图2所示,以所述竖直中心轴为中心对称轴对激光雷达传感器的圆柱状扫描区域进行等圆周角划分,得到N=360°/α个栅格通道,其中α为激光雷达传感器的角分辨率;
S11、每个划分后的栅格通道由两个过坐标原点O且与水平面垂直的面分割而成,两个面的夹角为α=0.5°。栅格通道的划分从OX轴开始,按传感器的扫描方向从1开始编号,至N=360°/α,共N=720个栅格通道。
S12、对各栅格通道中的点进行编码存储
如图3所示,点云中给定点p(x,y,z)及其与OX轴的夹角β=arctan(y/x),其栅格通道号的确定方法:即该点所在的栅格通道的编号。将点云中所有点按照其所在的栅格通道的编号n、与原点的水平距离及空间高度z值进行存储,并且同一栅格通道中的点,按水平距离r从近到远排序,同一水平距离的点,按z值由低到高排序存储。
步骤2、地平面滤波,具体包含以下步骤:
S21、统计栅格通道内点云点的高度直方图
在各栅格通道内,在所述原点至激光雷达传感器的安装高度范围内,沿Z轴进行等间隔划分,形成多个等高的小栅格,本实施例中,将0~2.4m按0.2m为间隔划分为12个直方图栅格,统计落入各小栅格的点云点占所在栅格通道内总点云点数的百分比,得到各栅格通道对应的高度直方图,得到如图4所示的高度直方图分布。
S22、地平面估计
从最低点往上累加各个直方图栅格中数据点的百分比值,当百分比大于阈值Pthreshold=20%时,取这些直方图栅格内的点作为地平面上的点,然后用最小二乘法拟合一条曲线,作为该栅格通道内的地平面曲线。地平面曲线为一个高度h关于r的函数:h=f(r),h为地平面在传感器中的高度,r为与传感器中心点的水平距离。
S23、地平面滤波
将该扇柱形中的各个点,与其距离传感器的水平距离r相同处的地平面高度h进行比较,低于h的为地平面的点,从点云中滤除。剩下的点即为滤波后的点云数据。
本发明提出的构建3D柱坐标栅格地图的方法,利用3D柱坐标系对激光点云进行编码,符合激光雷达的柱坐标扫描原理,大大简化了点云编码结构,点云定位简单,实时性好,而且在各个通道中可以方便地采用数学方法拟合地平面曲线,结果精确可靠。
步骤3、聚类分割,具体步骤如下:
本发明提出的分割方法主要对地平面滤波后的点云进行聚类分割,以完成对整个场景中非地面点的分割任务,对象为所有未经聚类的点。
S31、如图5所示,首先选定一个没有被聚入任何类的点作为聚类起始点,定义搜索窗口如下:}其中Rthreshold为搜索窗口的尺寸参数,与聚类起始点的水平距离小于Rthreshold的点都落入窗口内;rmax为各通道内最远激光点距离原点O的水平距离,窗口的最远边距离原点的距离小于等于rmax;为聚类起始点与原点的水平距离,为聚类起始点所在的柱坐标栅格通道编号。为保证将属于同一物体的点聚入同一个聚类,而不属于该物体的点不被聚入该类,根据实验选取的点云集的稀疏特点,本实施例中取Rthreshold=0.8m,rmax为各通道中最远点距离原点的水平距离,不是固定参数,由实验数据自动确定。
S32、以步骤31中定义的搜索窗口对该窗口中的每个点计算其与聚类起始点的距离距离小于阈值Dthreshold=0.5m的点加入该聚类,同时对该点进行标记表示其已加入该聚类,得到第一代标记点;以每一个第一代标记点作为新的聚类起始点,定位新的搜索窗口,在新的搜索窗口中对未被标记的点重复获取第一代标记点的操作,即对所有未被标记的点计算其与新的聚类起始点的距离,对小于阈值的点进行标记表示加入该聚类,得到第二代标记点。以此类推直至某一代标记点的所有搜索窗口中的所有点都不满足聚类条件或全部加入聚类,迭代终止。
该过程由第一个搜索窗口生成的第一代标记点及其对应的搜索窗口较多,但随着被标记的点越来越多,新生成的搜索窗口会越来越少,直至当前窗口中所有点都已标记为加入聚类或都不满足聚类条件d<Dthreshold,聚类终止。
上述过程由迭代算法完成,定义第一个窗口以后,各个新的搜索窗口的生成和搜索窗口中的聚类依次进行,通过对点的标记,可以大大减少新生成的窗口个数和在各窗口中的比较运算的次数。该方法从第一个窗口开始,后续各个窗口的位置不断根据新的聚类起始点的位置而变动,而窗口的尺寸固定不变。
本发明提供的基于3D柱坐标系的聚类分割方法,通过对聚类起始点在点云柱坐标系中的精确定位,结合迭代算法实现,经试验证明实时性好,结果精确可靠,且实现简单。
步骤4、基于显示和数据存储的训练样本标记
首先将各个聚类得到的点云块编号,然后使用点云库中的点云3D显示方法,在显示界面中编程显示各个聚类得到的点云块及其编号,点云库提供了相应的3D点云显示函数、3D字符串显示函数,在以上滤波分割处理程序之后,调用的相应的显示函数,输入各个点云块数据,及其相应的字符串格式的编号,即可进行显示,结果如图6所示。标记工作以人的观察和记录为主:观察每个编号的点云块属于哪个类别,并统计记录。同时,在显示过程中,每显示一个点云块,则生成一个以其编号为名称的文本文件,将该点云块保存进该文本文件。文本文件的生成和读写由C++的文本操作函数完成。统计记录完成后,根据统计结果以及各文件的名称,即可知该文件中存储的是哪个类别的点云数据。将输入同一类别的物体放入同一文件夹存储,如属于车辆的点云文本文件全部放入命名为Car的文件夹,输入树木的点云文本文件全部放入命名为Tree的文件夹,在使用时,按文件夹读取里面的文件即是该类别的标记文件。
本发明提出的基于以上点云滤波、分割结果,结合适当的显示和存储方法的训练样本标注方法。通过将每帧点云数据中的分割块编号,各自独立存储为单独文件,并显示分割结果与各个分割块的编号,再通过人工观察记录各分割块儿的类别与编号,即可完成样本标注。其每一帧点云数据一次可标注几十个各类别的样本,大大提高了训练样本标记的效率。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种3D点云的数据处理方法,特别是对激光雷达传感器绕自身竖直中心轴旋转采集得到的3D点云数据进行预处理,其特征在于,包括以下步骤:
步骤1、以所述竖直中心轴为中心对称轴对激光雷达传感器的扫描区域进行等圆周角划分,得到N=360°/α个栅格通道,其中α为激光雷达传感器的角分辨率;
步骤2、地平面滤波,具体包含以下步骤:
S21、定义所述竖直中心轴为Z轴,定义激光雷达传感器扫描窗口中心点为原点,针对每个所述栅格通道,在所述原点至激光雷达传感器的安装高度范围内,沿Z轴进行等间隔划分,形成多个等高的小栅格,统计落入各小栅格的点云点占所在栅格通道内总点云点数的百分比,得到各栅格通道对应的高度直方图;
S22、地平面估计
在各个高度直方图中,从Z轴最低点向上逐个累加各小栅格内点云点的百分比值,当累加得到的百分比值大于阈值Pthreshold时,取这些被累加的小栅格内的点作为地平面上的点,用最后被累加的小栅格内的点拟合一条曲线,作为各栅格通道的地平面曲线,所述阈值Pthreshold的取值范围为10%~25%;
S23、地平面滤波
对各栅格通道内各个点云点进行判断:若Z轴高度值在地平面曲线以下,则将该点从点云中滤除,保留下的点即为地平面滤波后的点云数据;
步骤3、聚类分割,具体步骤如下:
S31、在滤波后的点云数据中选定一个没有被聚入任何类的点作为聚类起始点,在所述聚类起始点所在栅格通道及与其相邻的两个栅格通道内,将与所述聚类起始点水平距离为Rthreshold的区域定义为搜索窗口,其中Rthreshold为搜索窗口的尺寸参数;
S32、计算步骤S31的搜索窗口中每一个点与聚类起始点的距离,距离小于阈值Dthreshold的点加入该聚类,所述阈值Dthreshold的取值范围为0.4m~1.0m,同时对该点进行标记表示其已加入该聚类,得到第一代标记点;以每一个第一代标记点作为新的聚类起始点,按步骤S31所述的方法确定新的搜索窗口,对在搜索窗口中的所有未被标记的点计算其与新的聚类起始点的距离,对小于阈值Dthreshold的点进行标记表示加入该聚类,得到第二代标记点;以此类推,直至某一代标记点的搜索窗口中的所有点都不满足聚类条件或已全部加入聚类,即得到聚类分割后的点云块。
2.如权利要求1所述的一种3D点云的数据处理方法,其特征在于,所述步骤1中,对各个栅格通道沿激光雷达传感器旋转的方向从1至N进行编号,然后针对每个栅格通道中的点云点,按照其所在的栅格通道的编号、该点云点与Z轴的水平距离以及该点云点的在Z轴的高度进行编码并存储。
3.如权利要求1所述的一种3D点云的数据处理方法,其特征在于,所述步骤S21的小栅格的高度不大于0.2m。
4.如权利要求1所述的一种3D点云的数据处理方法,其特征在于,所述步骤S31中搜索窗口的尺寸参数Rthreshold的取值范围为0.4m~1.2m。
5.如权利要求1所述的一种3D点云的数据处理方法,其特征在于,还包括对步骤3得到的聚类分割后的点云块进行标记,具体为:首先将各个聚类得到的点云块编号,然后使用点云库中的点云3D显示方法,在显示界面中显示各个点云块及其编号,观察每个编号的点云块属于哪个类别,并统计记录;同时,在显示过程中,每显示一个点云块,则生成一个以其编号为名称的文本文件,将该点云块保存进该文本文件,完成标记。
6.如权利要求1所述的3D点云的数据处理方法,其特征在于,所述步骤S22中,所述阈值Pthreshold为20%。
7.如权利要求1或4所述的3D点云的数据处理方法,其特征在于,所述步骤S31中的搜索窗口的尺寸参数Rthreshold选为0.8m。
8.如权利要求1所述的3D点云的数据处理方法,其特征在于,所述步骤S32中的阈值Dthreshold优选为0.5m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410509881.XA CN104298998B (zh) | 2014-09-28 | 2014-09-28 | 一种3d点云的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410509881.XA CN104298998B (zh) | 2014-09-28 | 2014-09-28 | 一种3d点云的数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104298998A true CN104298998A (zh) | 2015-01-21 |
CN104298998B CN104298998B (zh) | 2017-09-08 |
Family
ID=52318719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410509881.XA Active CN104298998B (zh) | 2014-09-28 | 2014-09-28 | 一种3d点云的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104298998B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118090A (zh) * | 2015-05-19 | 2015-12-02 | 西南交通大学 | 一种自适应复杂地形结构的点云滤波方法 |
CN106774296A (zh) * | 2016-10-24 | 2017-05-31 | 中国兵器装备集团自动化研究所 | 一种基于激光雷达和ccd摄像机信息融合的障碍检测方法 |
CN107016705A (zh) * | 2016-01-05 | 2017-08-04 | 德州仪器公司 | 计算机视觉系统中的地平面估计 |
CN107247926A (zh) * | 2017-05-19 | 2017-10-13 | 浙江大华技术股份有限公司 | 一种人体检测方法及装置 |
CN107817496A (zh) * | 2016-09-12 | 2018-03-20 | 德尔福技术有限公司 | 用于自动车辆的激光雷达对象检测系统 |
CN108375771A (zh) * | 2018-01-23 | 2018-08-07 | 四川国软科技发展有限责任公司 | 一种二维激光雷达铁路障碍物检测系统及其检测方法 |
CN108564525A (zh) * | 2018-03-31 | 2018-09-21 | 上海大学 | 一种基于多线激光雷达的3d点云2d化数据处理方法 |
CN109934141A (zh) * | 2019-03-01 | 2019-06-25 | 北京百度网讯科技有限公司 | 用于标注数据的方法和装置 |
CN109959910A (zh) * | 2019-03-18 | 2019-07-02 | 哈尔滨理工大学 | 基于高斯分布的地面滤波算法 |
CN109993192A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 目标对象识别方法及装置、电子设备、存储介质 |
CN110031825A (zh) * | 2019-04-17 | 2019-07-19 | 北京智行者科技有限公司 | 激光定位初始化方法 |
CN110222626A (zh) * | 2019-06-03 | 2019-09-10 | 宁波智能装备研究院有限公司 | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 |
CN110443899A (zh) * | 2018-05-02 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 用于处理数据的方法和装置 |
WO2020011265A1 (zh) * | 2018-07-12 | 2020-01-16 | 华为技术有限公司 | 点云编解码方法和编解码器 |
CN110738223A (zh) * | 2018-07-18 | 2020-01-31 | 郑州宇通客车股份有限公司 | 一种激光雷达的点云数据聚类方法及装置 |
CN110782465A (zh) * | 2019-12-30 | 2020-02-11 | 中智行科技有限公司 | 一种基于激光雷达的地面分割方法、装置及存储介质 |
WO2020057338A1 (zh) * | 2018-09-19 | 2020-03-26 | 华为技术有限公司 | 点云编码方法和编码器 |
CN111292275A (zh) * | 2019-12-26 | 2020-06-16 | 深圳一清创新科技有限公司 | 基于复杂地面的点云数据滤除方法、装置、计算机设备 |
CN111445401A (zh) * | 2020-03-19 | 2020-07-24 | 熵智科技(深圳)有限公司 | 圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 |
WO2020248187A1 (zh) * | 2019-06-13 | 2020-12-17 | 深圳市大疆创新科技有限公司 | 一种点云编码方法、点云解码方法及相关设备 |
CN112199991A (zh) * | 2020-08-27 | 2021-01-08 | 广州中国科学院软件应用技术研究所 | 一种应用于车路协同路侧感知的仿真点云滤波方法和系统 |
WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、系统及计算机存储介质 |
WO2021134339A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于点云的分割处理方法、装置、计算机设备和存储介质 |
CN113111627A (zh) * | 2020-01-13 | 2021-07-13 | 北京京东乾石科技有限公司 | 一种文本合成点云的方法和装置 |
CN113340314A (zh) * | 2021-06-01 | 2021-09-03 | 苏州天准科技股份有限公司 | 局部代价地图的生成方法、存储介质和智能无人巡检车 |
WO2022017136A1 (zh) * | 2020-07-22 | 2022-01-27 | 上海商汤临港智能科技有限公司 | 点云数据处理的方法及装置、电子设备及存储介质 |
CN115619963A (zh) * | 2022-11-14 | 2023-01-17 | 吉奥时空信息技术股份有限公司 | 一种基于内容感知的城市建筑物实体建模方法 |
CN115852789A (zh) * | 2022-12-16 | 2023-03-28 | 东南大学 | 一种基于移动激光测量系统的道路宽度检测方法 |
US11875538B2 (en) | 2018-09-19 | 2024-01-16 | Huawei Technologies Co., Ltd. | Point cloud encoding method and encoder |
CN115852789B (zh) * | 2022-12-16 | 2024-09-06 | 东南大学 | 一种基于移动激光测量系统的道路宽度检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120128207A1 (en) * | 2010-08-11 | 2012-05-24 | Pasco Corporation | Data analysis device, data analysis method, and program |
US20130127996A1 (en) * | 2011-11-23 | 2013-05-23 | Samsung Electronics Co., Ltd. | Method of recognizing stairs in three dimensional data image |
US20130142422A1 (en) * | 2011-10-28 | 2013-06-06 | Panasonic Corporation | Image processing method, and image processor |
CN103324945A (zh) * | 2013-07-08 | 2013-09-25 | 南京大学 | 一种基于模式识别的森林点云分类方法 |
CN103870845A (zh) * | 2014-04-08 | 2014-06-18 | 重庆理工大学 | 点云聚类去噪过程中新的k值优化方法 |
-
2014
- 2014-09-28 CN CN201410509881.XA patent/CN104298998B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120128207A1 (en) * | 2010-08-11 | 2012-05-24 | Pasco Corporation | Data analysis device, data analysis method, and program |
US20130142422A1 (en) * | 2011-10-28 | 2013-06-06 | Panasonic Corporation | Image processing method, and image processor |
US20130127996A1 (en) * | 2011-11-23 | 2013-05-23 | Samsung Electronics Co., Ltd. | Method of recognizing stairs in three dimensional data image |
CN103324945A (zh) * | 2013-07-08 | 2013-09-25 | 南京大学 | 一种基于模式识别的森林点云分类方法 |
CN103870845A (zh) * | 2014-04-08 | 2014-06-18 | 重庆理工大学 | 点云聚类去噪过程中新的k值优化方法 |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118090B (zh) * | 2015-05-19 | 2018-02-13 | 胡翰 | 一种自适应复杂地形结构的点云滤波方法 |
CN105118090A (zh) * | 2015-05-19 | 2015-12-02 | 西南交通大学 | 一种自适应复杂地形结构的点云滤波方法 |
US11763568B2 (en) | 2016-01-05 | 2023-09-19 | Texas Instruments Incorporated | Ground plane estimation in a computer vision system |
CN107016705A (zh) * | 2016-01-05 | 2017-08-04 | 德州仪器公司 | 计算机视觉系统中的地平面估计 |
CN107016705B (zh) * | 2016-01-05 | 2021-10-15 | 德州仪器公司 | 计算机视觉系统中的地平面估计 |
CN107817496A (zh) * | 2016-09-12 | 2018-03-20 | 德尔福技术有限公司 | 用于自动车辆的激光雷达对象检测系统 |
CN107817496B (zh) * | 2016-09-12 | 2021-05-07 | 安波福技术有限公司 | 适用于自动车辆的对象检测系统 |
CN106774296A (zh) * | 2016-10-24 | 2017-05-31 | 中国兵器装备集团自动化研究所 | 一种基于激光雷达和ccd摄像机信息融合的障碍检测方法 |
CN107247926A (zh) * | 2017-05-19 | 2017-10-13 | 浙江大华技术股份有限公司 | 一种人体检测方法及装置 |
CN109993192A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 目标对象识别方法及装置、电子设备、存储介质 |
CN109993192B (zh) * | 2018-01-03 | 2024-07-19 | 北京京东乾石科技有限公司 | 目标对象识别方法及装置、电子设备、存储介质 |
CN108375771A (zh) * | 2018-01-23 | 2018-08-07 | 四川国软科技发展有限责任公司 | 一种二维激光雷达铁路障碍物检测系统及其检测方法 |
CN108375771B (zh) * | 2018-01-23 | 2021-10-29 | 四川国软科技集团有限公司 | 一种二维激光雷达铁路障碍物检测方法 |
CN108564525A (zh) * | 2018-03-31 | 2018-09-21 | 上海大学 | 一种基于多线激光雷达的3d点云2d化数据处理方法 |
CN110443899A (zh) * | 2018-05-02 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 用于处理数据的方法和装置 |
CN110719497A (zh) * | 2018-07-12 | 2020-01-21 | 华为技术有限公司 | 点云编解码方法和编解码器 |
WO2020011265A1 (zh) * | 2018-07-12 | 2020-01-16 | 华为技术有限公司 | 点云编解码方法和编解码器 |
CN110719497B (zh) * | 2018-07-12 | 2021-06-22 | 华为技术有限公司 | 点云编解码方法和编解码器 |
CN110738223A (zh) * | 2018-07-18 | 2020-01-31 | 郑州宇通客车股份有限公司 | 一种激光雷达的点云数据聚类方法及装置 |
CN110738223B (zh) * | 2018-07-18 | 2022-04-08 | 宇通客车股份有限公司 | 一种激光雷达的点云数据聚类方法及装置 |
WO2020057338A1 (zh) * | 2018-09-19 | 2020-03-26 | 华为技术有限公司 | 点云编码方法和编码器 |
US11875538B2 (en) | 2018-09-19 | 2024-01-16 | Huawei Technologies Co., Ltd. | Point cloud encoding method and encoder |
CN109934141A (zh) * | 2019-03-01 | 2019-06-25 | 北京百度网讯科技有限公司 | 用于标注数据的方法和装置 |
CN109959910A (zh) * | 2019-03-18 | 2019-07-02 | 哈尔滨理工大学 | 基于高斯分布的地面滤波算法 |
CN110031825A (zh) * | 2019-04-17 | 2019-07-19 | 北京智行者科技有限公司 | 激光定位初始化方法 |
CN110222626B (zh) * | 2019-06-03 | 2021-05-28 | 宁波智能装备研究院有限公司 | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 |
CN110222626A (zh) * | 2019-06-03 | 2019-09-10 | 宁波智能装备研究院有限公司 | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 |
WO2020248187A1 (zh) * | 2019-06-13 | 2020-12-17 | 深圳市大疆创新科技有限公司 | 一种点云编码方法、点云解码方法及相关设备 |
WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、系统及计算机存储介质 |
CN111292275A (zh) * | 2019-12-26 | 2020-06-16 | 深圳一清创新科技有限公司 | 基于复杂地面的点云数据滤除方法、装置、计算机设备 |
CN111292275B (zh) * | 2019-12-26 | 2023-10-24 | 深圳一清创新科技有限公司 | 基于复杂地面的点云数据滤除方法、装置、计算机设备 |
CN113366532A (zh) * | 2019-12-30 | 2021-09-07 | 深圳元戎启行科技有限公司 | 基于点云的分割处理方法、装置、计算机设备和存储介质 |
CN110782465A (zh) * | 2019-12-30 | 2020-02-11 | 中智行科技有限公司 | 一种基于激光雷达的地面分割方法、装置及存储介质 |
WO2021134339A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于点云的分割处理方法、装置、计算机设备和存储介质 |
CN113366532B (zh) * | 2019-12-30 | 2023-03-21 | 深圳元戎启行科技有限公司 | 基于点云的分割处理方法、装置、计算机设备和存储介质 |
CN113111627A (zh) * | 2020-01-13 | 2021-07-13 | 北京京东乾石科技有限公司 | 一种文本合成点云的方法和装置 |
CN113111627B (zh) * | 2020-01-13 | 2024-07-19 | 北京京东乾石科技有限公司 | 一种文本合成点云的方法和装置 |
CN111445401A (zh) * | 2020-03-19 | 2020-07-24 | 熵智科技(深圳)有限公司 | 圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 |
CN111445401B (zh) * | 2020-03-19 | 2023-10-27 | 熵智科技(深圳)有限公司 | 圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 |
WO2022017136A1 (zh) * | 2020-07-22 | 2022-01-27 | 上海商汤临港智能科技有限公司 | 点云数据处理的方法及装置、电子设备及存储介质 |
CN112199991B (zh) * | 2020-08-27 | 2024-04-30 | 广州中国科学院软件应用技术研究所 | 一种应用于车路协同路侧感知的仿真点云滤波方法和系统 |
CN112199991A (zh) * | 2020-08-27 | 2021-01-08 | 广州中国科学院软件应用技术研究所 | 一种应用于车路协同路侧感知的仿真点云滤波方法和系统 |
CN113340314A (zh) * | 2021-06-01 | 2021-09-03 | 苏州天准科技股份有限公司 | 局部代价地图的生成方法、存储介质和智能无人巡检车 |
CN115619963B (zh) * | 2022-11-14 | 2023-06-02 | 吉奥时空信息技术股份有限公司 | 一种基于内容感知的城市建筑物实体建模方法 |
CN115619963A (zh) * | 2022-11-14 | 2023-01-17 | 吉奥时空信息技术股份有限公司 | 一种基于内容感知的城市建筑物实体建模方法 |
CN115852789A (zh) * | 2022-12-16 | 2023-03-28 | 东南大学 | 一种基于移动激光测量系统的道路宽度检测方法 |
CN115852789B (zh) * | 2022-12-16 | 2024-09-06 | 东南大学 | 一种基于移动激光测量系统的道路宽度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104298998B (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104298998A (zh) | 一种3d点云的数据处理方法 | |
Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
CN106157309B (zh) | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 | |
CN108564650B (zh) | 基于车载2D LiDAR点云数据的行道树靶标识别方法 | |
Dai et al. | Building segmentation and outline extraction from UAV image-derived point clouds by a line growing algorithm | |
CN104751505A (zh) | 基于lod模型和四叉树层次结构的三维场景渲染算法 | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN104318611B (zh) | 一种基于激光扫描点云的三维树木重建方法 | |
CN103268358A (zh) | 多源控制点影像数据库构建及更新方法 | |
CN104463164A (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN103617336B (zh) | 一种航空噪声等值线图的绘制方法 | |
CN108182218B (zh) | 一种基于地理信息系统的视频人物识别方法、系统及电子设备 | |
Fan et al. | Identifying man-made objects along urban road corridors from mobile LiDAR data | |
CN114004938B (zh) | 一种基于海量数据的城市场景重建方法及装置 | |
CN105404898A (zh) | 一种松散型点云数据分割方法和设备 | |
CN115586536A (zh) | 一种基于激光点云的森林资源调查监测系统及方法 | |
Yang et al. | Extracting buildings from airborne laser scanning point clouds using a marked point process | |
Albrecht et al. | Autogeolabel: Automated label generation for geospatial machine learning | |
Kukolj et al. | Road edge detection based on combined deep learning and spatial statistics of LiDAR data | |
Chen et al. | A clustering-based automatic registration of UAV and terrestrial LiDAR forest point clouds | |
CN117475314A (zh) | 一种地质灾害隐患立体识别方法、系统及介质 | |
Yildirim et al. | Stone Pine (Pinus Pinea L.) Detection from High-Resolution UAV Imagery Using Deep Learning Model | |
Zhou | 3D urban modeling from city-scale aerial LiDAR data | |
CN111323026B (zh) | 一种基于高精度点云地图的地面过滤方法 | |
CN117218063A (zh) | 基于施工阶段吊篮空间位置变化的桥体施工进度监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |