CN105701798A - 柱状物体的点云提取方法及装置 - Google Patents
柱状物体的点云提取方法及装置 Download PDFInfo
- Publication number
- CN105701798A CN105701798A CN201511029127.7A CN201511029127A CN105701798A CN 105701798 A CN105701798 A CN 105701798A CN 201511029127 A CN201511029127 A CN 201511029127A CN 105701798 A CN105701798 A CN 105701798A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud
- point
- column
- candidate
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Abstract
本发明公开了一种柱状物体的点云提取方法及装置,该方法包括:将采集的单帧点云合并为密集点云集合;从密集点云集合中查找预设方向上的线型点云块;对线型点云块切片,得到片点云;从片点云中查找周围为空白空间的至少一个候选片点云;根据至少一个候选片点云确定至少一个柱状物点云;根据预设柱状物模型对至少一个柱状物点云进行识别。本发明通过对片点云进行分析,得到柱状物的各个片点云与其他物体的粘连情况,进而得到柱状物点云与其他物体的粘连情况,达到识别出与其他物体粘连的柱状物点云的效果。实现从道路点云中识别出与其他物体粘连的柱状物的效果,提高柱状物的识别效率。
Description
技术领域
本发明实施例涉及点云数据处理技术,尤其涉及一种柱状物体的点云提取方法及装置。
背景技术
三维高精地图被工业界和学术界公认为下一代数字地图的主要发展方向,是实现汽车自动驾驶和辅助驾驶的前提条件,为自动驾驶汽车进行精确定位和正确决策提供主要依据。三维高精地图的一个重要环节为从道路点云中识别出柱状物,其中,柱状物为包含有柱子的物体,如红绿灯、路标等。
现有技术通过空间区域生长获取柱状物点云,判断柱状物点云的形状是否与预定义的柱状物形状相符,如果相符则识别出柱状物点云。
然而,在进行空间区域生长时,如果柱状物体与其他物体(如树冠、隔离带、护栏等)粘连,则获取的柱状物点云除了包含柱状物本体的点云还包含有粘连的其他物体的点云,导致柱状物识别失败,柱状物的识别效率低。
发明内容
本发明提供一种柱状物体的点云提取方法及装置,以实现对道路点云中的柱状物进行有效识别,提高柱状物的识别效率。
第一方面,本发明实施例提供了一种柱状物体的点云提取方法,包括:
将采集的单帧点云合并为密集点云集合;
从所述密集点云集合中查找预设方向上的线型点云块;
对所述线型点云块切片,得到片点云;
从所述片点云中查找周围为空白空间的至少一个候选片点云;
根据所述至少一个候选片点云确定至少一个柱状物点云;
根据预设柱状物模型对所述至少一个柱状物点云进行识别。
第二方面,本发明实施例还提供了一种柱状物体的点云提取装置,包括:
密集点云合成单元,用于将采集的单帧点云合并为密集点云集合;
线型点云块查找单元,用于从所述密集点云合成单元生成的所述密集点云集合中查找预设方向上的线型点云块;
切片单元,用于对所述线型点云块查找单元查找到的所述线型点云块切片,得到片点云;
候选片点云查找单元,用于从所述切片单元得到的所述片点云中查找周围为空白空间的至少一个候选片点云;
柱状物点云确定单元,用于根据所述候选片点云查找单元查找到的所述至少一个候选片点云确定至少一个柱状物点云;
识别单元,用于根据预设柱状物模型对所述柱状物点云确定单元确定的所述至少一个柱状物点云进行识别。
本发明能够将采集的单帧点云合并为密集点云集合并从密集点云集合中查找预设方向上的线型点云块,然后通过对线型点云的片点云进行分析,得到周围为空白空间的片点云,最后根据片点云查找出相应的柱状物点云。通过对片点云进行分析,得到柱状物的各个片点云与其他物体的粘连情况,进而得到柱状物点云与其他物体的粘连情况,达到识别出与其他物体粘连的柱状物点云的效果。现有技术中空间区域生长算法会将粘连的其他物体与柱状物一通识别为柱状物点云,无法区分识别柱状物是否粘连有其他物体,进而无法对粘连有其他物体的柱状物进行识别。尤其是在高速公路和林荫路的道路场景下,由于高速公路上的柱状物体通常粘连防护栏,林荫路的柱状物体通常粘连树冠,导致柱状物体基本无法被识别。本发明能够从道路点云中识别出与其他物体粘连的柱状物,提高柱状物的识别效率,进而提高高速公路和林荫路中的柱状物体的识别效率。
附图说明
图1为本发明实施例一中的柱状物体的点云提取方法的流程图;
图2是本发明实施例一中的三维坐标系的示意图;
图3是本发明实施例二中的柱状物体的点云提取方法的流程图;
图4是本发明实施例三中的柱状物体的点云提取方法的流程图;
图5是本发明实施例四中的柱状物体的点云提取方法的流程图;
图6是本发明实施例五中的柱状物体的点云提取装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的柱状物体的点云提取方法的流程图,本实施例可适用于从道路点云中提取柱状物点云的情况,该方法可以由用于进行柱状物点云提取的终端来执行,该终端可以为服务器、个人电脑、笔记本电脑、平板电脑、汽车中控台、智能手机或智能可穿戴设备等,该方法包括:
S110、将采集的单帧点云合并为密集点云集合。
激光点云采集设备每隔预设时长(如0.1或1秒)获取一个单帧点云。由人工或机器判断出柱状物可能存在的道路区间,并将该道路区间对应的多个单帧点云进行合并,合并时,将任意两相邻时间点对应的两个相邻单帧点云进行拼接,进而生成密集点云集合。
S120、从密集点云集合中查找预设方向上的线型点云块。
预设方向为待提取柱状物的杆体的轴向方向。在一种实现方式中,如图2所示的坐标系,该坐标系由x轴、y轴和z轴组成,其中x轴表示地面上的东方向,y轴表示地面上的北方向,z轴表示垂直地面的方向。如果待提取柱状物垂直设置于地面上,则预设方向为与地面垂直的方向,即z轴方向。
可通过主成分分析(PrincipalComponentAnalysis,PCA)算法,从密集点云集合中查找线型点云块。线型点云块为具有线型特征的空间点集合。主成分分析算法可从密集点云集合中找到具有线特征、面特征和体提特征的空间点集合。
S130、对线型点云块切片,得到片点云。
在一种实现方式中,在预设方向的垂直方向切片。例如,在图2所示的坐标系中,如果待提取柱状物直设置于地面上,则在x轴、y轴组成的平面中的取任意直线作为切割线进行切片。切片时每个预设高度进行一次切片,预设高度为5~30厘米,优选为20厘米。示例性的,假设线型点云块的高度为2米,按照每20厘米进行一次切片,得到10个切片。
S140、从片点云中查找周围为空白空间的至少一个候选片点云。
首先判断片点云占用的空间范围是否小于等于杆体占用的空间阈值(如以40厘米为半径的圆)。如果大于杆体占用的空间阈值,则滤除该片点云。如果小于等于杆体占用的空间阈值,则进一步判断杆体边缘以外的预设空间内是否为空白空间,其中,空白空间指没有激光点云或者等同于没有激光点云(如只有极少空间点,如1个或2个空间点时,可认为等同于没有激光点云)的空间,预设空间可根据实际使用需求确定,此处不做限定。示例性的,预设空间的高度与切片得到的片点云的高度相同,且预设空间的水平界面为一环形,该环形的内径为40厘米,外径为60厘米。
S150、根据至少一个候选片点云确定至少一个柱状物点云。
对任意线型点云块进行切片后,可得到至少一个候选片点云。将候选片点云进行组合,得到柱状物点云。当存在多个线型点云块时,得到多个柱状物点云。组合时,将位于相同投影区域的片点云进行合并。示例性地,在图2中,x轴和y轴组成的平面(简称为xy平面)为投影平面,如果两个候选片点云在xy平面上上的投影位于相同区域,则可将两个候选片点云进行合并。
S160、根据预设柱状物模型对至少一个柱状物点云进行识别。
根据柱状物点云确定柱状物点云的特征信息,特征信息可以为转动惯量、旋转图像以及最小包围盒等。将柱状物点云的特征信息带入到预设柱状物模型中进行识别,将柱状物点云与已知的柱状物进行匹配。
预设柱状物模型可以为下述模型中的任意一种:支持向量机(SupportVectorMachine,SVM)、随机森林(RandomForest)、决策树((DecisionTree)。
本实施例提供的技术方案能够将采集的单帧点云合并为密集点云集合并从密集点云集合中查找预设方向上的线型点云块,然后通过对线型点云的片点云进行分析,得到周围为空白空间的片点云,最后根据片点云查找出相应的柱状物点云。通过对片点云进行分析,得到柱状物的各个片点云与其他物体的粘连情况,进而得到柱状物点云与其他物体的粘连情况,达到识别出与其他物体粘连的柱状物点云的效果。现有技术中空间区域生长算法会将粘连的其他物体与柱状物一通识别为柱状物点云,无法区分识别柱状物是否粘连有其他物体,进而无法对粘连有其他物体的柱状物进行识别。尤其是在高速公路和林荫路的道路场景下,由于高速公路上的柱状物体通常粘连防护栏,林荫路的柱状物体通常粘连树冠,导致柱状物体基本无法被识别。本实施例能够从道路点云中识别出与其他物体粘连的柱状物,提高柱状物的识别效率,进而提高高速公路和林荫路中的柱状物体的识别效率。
实施例二
图3为本发明实施例二提供的柱状物体的点云提取方法的流程图,在实施上述实施例的过程中,发明人发现由于单帧道路点云包含路面点云以及路边的护栏点云、红绿灯点云、绿化带点云、道路标牌点云甚至还包括车辆点云,因此当将多个单帧道路点云合并为密集点云时,密集点云的数据量较大,进而影响点云处理速度。基于此,S120、从所述密集点云集合中查找线型点云块,可通过下述方式进行实施:
S121、根据车行轨迹的方向对密集点云集合进行切割,得到至少一个点云块。
获取单帧点云时,载有点云获取设备的车辆通常需要沿着道路前进方向移动,进而获取连续的道路点云。可以人工根据道路点云确定车行轨迹;也可通过点云分析找到点云中的路面,再根据路面延伸方向确定车行轨迹。
切割时,按照终端的计算能力确定每次切割的距离,每切割一次得到一点云块。例如,获取单帧点云中包含的空间点数量,根据终端的计算能力确定一次可处理的单帧点云数量,进而确定切割距离。单帧点云数量和切割距离可以根据行车速度和获取频率进行转换。
示例性地,密集点云集合由100米对应的10000个单帧点云组成,切割时,每个十米进行一次切割,得到0-10米对应的1000个单帧点云、10-20米对应的1000个单帧点云,以此类推直至90-100米对应的1000个单帧点云。其中,0-10米对应的1000个单帧点云合并为第一个点云块、0-10米对应的1000个单帧点云合并为第一个点云块、10-20米对应的1000个单帧点云合并为第二个点云块、以此类推,直至90-100米对应的1000个单帧点云合并为第十个点云块。
S122、通过主成分分析算法从至少一个点云块中查找线型点云块。
通过将密集点云集合进行切割,能够降低单次处理的数据量,提高点云处理速度。
进一步的,在S121、根据车行轨迹的方向对密集点云集合进行切割,得到至少一个点云块之后,还包括:
S123、对至少一个点云块进行降采样。
对S121切割后得到全部或部分点云块进行降采样。优选的,使用八叉树(Octree)对每块点云降采样。八叉树是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素,每个节点有八个子节点,将八个子节点所表示的体积元素加在一起就等于父节点的体积。示例性地,首先,使用立方体对点云块进行划分,得到多个小立方体;然后,通过八叉树对每个小立方体进行标识,最后,从八叉树中提取一叶子节点代表父节点,进而实现降采样。
可选的,通过三维网格对至少一个点云块进行降采样。利用三维网格单元(如10cm*10cm*10cm的三维网格单元)对每个点云块进行划分,然后丛固定数量的三维网格单元中提取一个三维网格单元,实现降采样。
通过对至少一个点云块进行降采样能够进一步降低点云数据量,提高道路点云处理效率。
进一步的,在S121、根据车行轨迹的方向对密集点云集合进行切割,得到至少一个点云块之后,还包括:
S124、对至少一个点云块进行滤波去噪。
S124和S123可以择一执行,也可顺序执行。可通过下述滤波技术中的任意一种进行滤波:高斯滤波、中值滤波。
高斯滤波是一种线性平滑滤波,高斯滤波中每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到。示例性地,用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值替代模板中心像素点的值。
通过对点云块进行高斯滤波,能够去除交点云块中的噪点,进一步提高柱状物点云的识别效率。
实施例三
图4为本发明实施例三提供的柱状物体的点云提取方法的流程图,可选的,S130、对线型点云块切片,得到片点云,可通过下述方式进行实施:
S131、构建三维网格。
三维网格的规格可以由用户进行定义。构建的三维网格的每个网格单元占用的空间v应满足:5cm*5cm*5cm≤v≤30cm*30cm*30cm。优选的,v=20cm*20cm*20cm。
S132、根据三维网格对线型点云块切片,得到片点云。
以图2所示的坐标系为例,若线型点云的方向为z轴方向,则地面开始,每隔20cm,沿水平方向对线型点云进行切割。得到片状的片点云,每个片点云在z轴方向上的厚度为20cm,且片点云由20cm*20cm*20cm的空间立方体组成。
通过三维网格的方式对线型点云块进行切片,能够得到厚度恒定的片点云,使得并行以及串行处理更加流畅,提高点云处理效率。同时,由于三维网格的厚度可以由用户定义,用户可根据终端的处理能力选择不同大小的三维网格单元进行切片,提高切片的可操作性。
进一步的,S140、从片点云中查找周围为空白空间的至少一个候选片点云,可通过下述方式进行实施:
S141、对片点云进行聚类,生成点云簇。
可根据欧拉聚类算法进行聚类,从片点云中查找同类点云,生成点云簇。在一个片点云中,通常只具有一个柱状物的点云,通过聚类将属于柱状物点云的空间点进行聚类,得到柱状物点云簇排除噪点。此外,有时也存在具有多个柱状物点云的情况。此时,通过聚类将属于不同柱状物的点云进行区分。
S142、如果所述点云簇的体积小于预设体积阈值且所述点云簇的周围为空白空间区域,则将所述点云簇确定为候选片点云。
预设体积阈值可以为柱状物点云的最小包围盒对应的体积。在片点云内,查找点云簇周围的空白区域。示例性地,取最小包围圆半径小于0.4m的,且在0.4m到0.6m范围内没有点的点云簇作为候选点云。
如果一柱状物(如路灯或道路标牌)的顶部与树冠相连,则树冠对应的片点云由于周围有树冠点云,因此不是空白区域,进而无法成为候选点云。通常柱状物的杆体周围为空白区域,因此可查找出周围为空白区域的杆体对应的片点云,并将其确定为候选点云。
通过在片点云内对空间点进行聚类,确定至少一个周围为空白区域的点云簇,并将含有至少一个周围为空白区域的点云簇的片点云确定为候选片点云,提高柱状物点云的识别效率。
实施例四
图5为本发明实施例四提供的柱状物体的点云提取方法的流程图,进一步的,S150、根据至少一个候选片点云确定至少一个柱状物点云,可通过下述方式进行实施:
S151、根据至少一个候选片点云确定柱状物点云的一端点。
如果至少一个候选片点云可组成柱状物点云,则将该柱状物点云的顶面或地面上的一个点作为端点。
S152、以柱状物点云的一端点为种子进行区域生长,得到柱状物点云。
区域生长(RegionGrowing)用于将成组的像素或区域发展成更大区域。从种子点(端点)的集合(候选片点云)开始,将与候选片点云中空间点相邻的空间点纳入到候选片点云中的过程,得到柱状物点云。
通过区域生长能够得到完整的柱状物点云,提高柱状物点云的完整性。
进一步的,在S151、根据至少一个候选片点确定柱状物点云的一端点之前,还包括:
S153、根据至少一个候选片点云确定至少一个候选柱状物点云。
如果多个柱状物距离较近,则在一个候选片点云中可能存在多个柱状物点云。通过聚类从候选片点云中找到不同类别(属于不同柱状物)的柱状物点云后,分别形成至少一个候选柱状物点云。
S154、将空间点密度符合预设条件的候选柱状物点云确定为柱状物点云。
将候选柱状物点云投影投影平面中,在图2所示的坐标系中,投影平面为xy平面。对于每个候选柱状物点云,计算其在投影片面上的点的密度,如果该密度大于预设密度则候选柱状物点云确定为柱状物点云,进而去除噪点。可选的,还可通过高斯滤波去除噪点。
通过对投影平面中空间点的密度可确定候选柱状物的密度是否为正常柱状物的密度,去除噪点,提高柱状物点云识别的准确性。
下面通过一个使用场景对上述实施例的执行过程进行举例说明。
首先,对单帧道路点云进行预处理。具体为:将采集的单帧激光点云合并成密集点云。沿车行轨迹的方向切割成点云块。使用八叉树对每个点云块降采样。使用点云滤波技术(如高斯滤波或中值滤波)去噪,得到处理后的块点云。使用主元分析技术对块点云进行分析,找出其中的体,面,线三种类型的点云集合,保留线型点云。
其次,提取出候选的柱状物。具体为:对每个点云块中的线型点云建立0.2m*0.2m*0.2m大小的三维网格,沿z轴的方向将线型点云切片,得到多个片点云。对每一片点云聚类成点云簇,取最小包围圆半径小于0.4m的,且在0.4m到0.6m范围内没有点的点云簇作为候选片点云。将候选片点云投影到xy平面上进行聚类,得到候选柱状物点云。使用密度和高度滤除其中的噪声。将每个候选柱状物点云的顶端点云为种子进行区域生长,得到完整的柱状物体点云。
最后,对候选柱状物进行识别。具体为:当柱状物点云被提取后,计算柱状物的物理特征:转动惯量与最小包围盒,结合柱状物与地面的高度差与半径,将柱状物粗略分类,得到具有不同高度和半径的柱状物点云,如从高到低依次为交通标志牌柱状物、路灯、红绿灯柱状物和路标架(Overpass)。再使用支持向量机的方法对粗略分类后的柱状物进行训练识别,最终分类成路灯,红绿灯,交通标志牌等具体物体。
实施例五
图6为本发明实施例五提供的柱状物体的点云提取装置的结构示意图,柱状物体的点云提取装置位于终端中,用于实现实施例一至实施例四所示的方法,所述柱状物体的点云提取装置包括:
密集点云合成单元11,用于将采集的单帧点云合并为密集点云集合;
线型点云块查找单元12,用于从所述密集点云合成单元11生成的所述密集点云集合中查找预设方向上的线型点云块;
切片单元13,用于对所述线型点云块查找单元12查找到的所述线型点云块切片,得到片点云;
候选片点云查找单元14,用于从所述切片单元13得到的所述片点云中查找周围为空白空间的至少一个候选片点云;
柱状物点云确定单元15,用于根据所述候选片点云查找单元14查找到的所述至少一个候选片点云确定至少一个柱状物点云;
识别单元16,用于根据预设柱状物模型对所述柱状物点云确定单元15确定的所述至少一个柱状物点云进行识别。
进一步的,所述线型点云块查找单元12具体用于:
根据车行轨迹的方向对所述密集点云集合进行切割,得到至少一个点云块;
通过主成分分析算法从所述至少一个点云块中查找线型点云块。
进一步的,所述线型点云块查找单元12还用于:
对所述至少一个点云块进行降采样;
或者,对所述至少一个点云块进行滤波去噪。
进一步的,所述切片单元13具体用于:
构建三维网格;
根据所述三维网格对所述线型点云块切片,得到片点云。
进一步的,所述候选片点云查找单元14具体用于:
对片点云进行聚类,生成点云簇;
如果所述点云簇的体积小于预设体积阈值且所述点云簇的周围为空白空间区域,则将所述点云簇确定为候选片点云。
进一步的,所述柱状物点云确定单元15具体用于:
根据所述至少一个候选片点云确定柱状物的一端点;
以所述柱状物的一端点为种子进行区域生长,得到柱状点云。
进一步的,所述柱状物点云确定单元15还用于:
根据所述至少一个候选片点云确定至少一个候选柱状物点云;
将空间点密度符合预设条件的候选柱状物点云确定为柱状物点云。
上述装置可执行本发明实施例一至实施例四所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例一和实施例四所提供的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (14)
1.一种柱状物体的点云提取方法,其特征在于,包括:
将采集的单帧点云合并为密集点云集合;
从所述密集点云集合中查找预设方向上的线型点云块;
对所述线型点云块切片,得到片点云;
从所述片点云中查找周围为空白空间的至少一个候选片点云;
根据所述至少一个候选片点云确定至少一个柱状物点云;
根据预设柱状物模型对所述至少一个柱状物点云进行识别。
2.根据权利要求1所述的柱状物体的点云提取方法,其特征在于,所述从所述密集点云集合中查找线型点云块,包括:
根据车行轨迹的方向对所述密集点云集合进行切割,得到至少一个点云块;
通过主成分分析算法从所述至少一个点云块中查找线型点云块。
3.根据权利要求2所述的柱状物体的点云提取方法,其特征在于,在根据车行轨迹的方向对所述密集点云集合进行切割,得到至少一个点云块之后,还包括:
对所述至少一个点云块进行降采样;
或者,对所述至少一个点云块进行滤波去噪。
4.根据权利要求1所述的柱状物体的点云提取方法,其特征在于,对所述线型点云块切片,得到片点云,包括:
构建三维网格;
根据所述三维网格对所述线型点云块切片,得到片点云。
5.根据权利要求1所述的柱状物体的点云提取方法,其特征在于,所述从所述片点云中查找周围为空白空间的至少一个候选片点云,包括:
对片点云进行聚类,生成点云簇;
如果所述点云簇的体积小于预设体积阈值且所述点云簇的周围为空白空间区域,则将所述点云簇确定为候选片点云。
6.根据权利要求1所述的柱状物体的点云提取方法,其特征在于,所述根据所述至少一个候选片点云确定至少一个柱状物点云,包括:
根据所述至少一个候选片点云确定柱状物点云的一端点;
以所述柱状物点云的一端点为种子进行区域生长,得到柱状物点云。
7.根据权利要求6所述的柱状物体的点云提取方法,其特征在于,在根据所述至少一个候选片点确定柱状物点云的一端点之前,还包括:
根据所述至少一个候选片点云确定至少一个候选柱状物点云;
将空间点密度符合预设条件的候选柱状物点云确定为柱状物点云。
8.一种柱状物体的点云提取装置,其特征在于,包括:
密集点云合成单元,用于将采集的单帧点云合并为密集点云集合;
线型点云块查找单元,用于从所述密集点云合成单元生成的所述密集点云集合中查找预设方向上的线型点云块;
切片单元,用于对所述线型点云块查找单元查找到的所述线型点云块切片,得到片点云;
候选片点云查找单元,用于从所述切片单元得到的所述片点云中查找周围为空白空间的至少一个候选片点云;
柱状物点云确定单元,用于根据所述候选片点云查找单元查找到的所述至少一个候选片点云确定至少一个柱状物点云;
识别单元,用于根据预设柱状物模型对所述柱状物点云确定单元确定的所述至少一个柱状物点云进行识别。
9.根据权利要求8所述的柱状物体的点云提取装置,其特征在于,所述线型点云块查找单元具体用于:
根据车行轨迹的方向对所述密集点云集合进行切割,得到至少一个点云块;
通过主成分分析算法从所述至少一个点云块中查找线型点云块。
10.根据权利要求9所述的柱状物体的点云提取装置,其特征在于,所述线型点云块查找单元还用于:
对所述至少一个点云块进行降采样;
或者,对所述至少一个点云块进行滤波去噪。
11.根据权利要求8所述的柱状物体的点云提取装置,其特征在于,所述切片单元具体用于:
构建三维网格;
根据所述三维网格对所述线型点云块切片,得到片点云。
12.根据权利要求8所述的柱状物体的点云提取装置,其特征在于,所述候选片点云查找单元具体用于:
对片点云进行聚类,生成点云簇;
如果所述点云簇的体积小于预设体积阈值且所述点云簇的周围为空白空间区域,则将所述点云簇确定为候选片点云。
13.根据权利要求8所述的柱状物体的点云提取装置,其特征在于,所述柱状物点云确定单元具体用于:
根据所述至少一个候选片点云确定柱状物的一端点;
以所述柱状物的一端点为种子进行区域生长,得到柱状点云。
14.根据权利要求13所述的柱状物体的点云提取装置,其特征在于,所述柱状物点云确定单元还用于:
根据所述至少一个候选片点云确定至少一个候选柱状物点云;
将空间点密度符合预设条件的候选柱状物点云确定为柱状物点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029127.7A CN105701798B (zh) | 2015-12-31 | 2015-12-31 | 柱状物体的点云提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029127.7A CN105701798B (zh) | 2015-12-31 | 2015-12-31 | 柱状物体的点云提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701798A true CN105701798A (zh) | 2016-06-22 |
CN105701798B CN105701798B (zh) | 2018-11-23 |
Family
ID=56226008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511029127.7A Active CN105701798B (zh) | 2015-12-31 | 2015-12-31 | 柱状物体的点云提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701798B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
CN108805143A (zh) * | 2018-06-01 | 2018-11-13 | 苏州工业园区测绘地理信息有限公司 | 一种基于切片点云的数据特征提取方法 |
CN109084680A (zh) * | 2018-09-07 | 2018-12-25 | 中科院金华信息技术有限公司 | 基于移动终端三维扫描图像采集处理的单株树木树干体积估算方法及系统 |
CN109635640A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 基于点云的交通灯识别方法、装置、设备及存储介质 |
CN109919237A (zh) * | 2019-03-13 | 2019-06-21 | 武汉海达数云技术有限公司 | 点云处理方法及装置 |
CN110275153A (zh) * | 2019-07-05 | 2019-09-24 | 上海大学 | 一种基于激光雷达的水面目标检测与跟踪方法 |
CN110363771A (zh) * | 2019-07-15 | 2019-10-22 | 武汉中海庭数据技术有限公司 | 一种基于三维点云数据的隔离护栏形点提取方法及装置 |
CN110378175A (zh) * | 2018-08-16 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 道路边沿的识别方法和装置 |
CN110986787A (zh) * | 2019-10-18 | 2020-04-10 | 南京慕荣电气科技有限公司 | 基于点云数据的变电站支撑式管母形变预警方法 |
CN111145182A (zh) * | 2019-12-30 | 2020-05-12 | 芜湖哈特机器人产业技术研究院有限公司 | 一种视觉定位三维点云分割方法 |
CN111696159A (zh) * | 2020-06-15 | 2020-09-22 | 湖北亿咖通科技有限公司 | 激光里程计的特征存储方法、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500329B (zh) * | 2013-10-16 | 2016-07-06 | 厦门大学 | 基于车载移动激光扫描点云的路灯自动提取方法 |
CN104020475B (zh) * | 2014-06-20 | 2016-03-23 | 西安煤航信息产业有限公司 | 一种基于机载LiDAR数据的电力线提取及建模方法 |
-
2015
- 2015-12-31 CN CN201511029127.7A patent/CN105701798B/zh active Active
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
CN108805143A (zh) * | 2018-06-01 | 2018-11-13 | 苏州工业园区测绘地理信息有限公司 | 一种基于切片点云的数据特征提取方法 |
CN110378175A (zh) * | 2018-08-16 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 道路边沿的识别方法和装置 |
CN110378175B (zh) * | 2018-08-16 | 2022-09-30 | 北京京东叁佰陆拾度电子商务有限公司 | 道路边沿的识别方法和装置 |
CN109084680A (zh) * | 2018-09-07 | 2018-12-25 | 中科院金华信息技术有限公司 | 基于移动终端三维扫描图像采集处理的单株树木树干体积估算方法及系统 |
CN109635640A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 基于点云的交通灯识别方法、装置、设备及存储介质 |
CN109919237A (zh) * | 2019-03-13 | 2019-06-21 | 武汉海达数云技术有限公司 | 点云处理方法及装置 |
CN110275153A (zh) * | 2019-07-05 | 2019-09-24 | 上海大学 | 一种基于激光雷达的水面目标检测与跟踪方法 |
CN110363771B (zh) * | 2019-07-15 | 2021-08-17 | 武汉中海庭数据技术有限公司 | 一种基于三维点云数据的隔离护栏形点提取方法及装置 |
CN110363771A (zh) * | 2019-07-15 | 2019-10-22 | 武汉中海庭数据技术有限公司 | 一种基于三维点云数据的隔离护栏形点提取方法及装置 |
CN110986787A (zh) * | 2019-10-18 | 2020-04-10 | 南京慕荣电气科技有限公司 | 基于点云数据的变电站支撑式管母形变预警方法 |
CN110986787B (zh) * | 2019-10-18 | 2021-08-10 | 南京慕荣电气科技有限公司 | 基于点云数据的变电站支撑式管母形变预警方法 |
CN111145182B (zh) * | 2019-12-30 | 2022-05-27 | 芜湖哈特机器人产业技术研究院有限公司 | 一种视觉定位三维点云分割方法 |
CN111145182A (zh) * | 2019-12-30 | 2020-05-12 | 芜湖哈特机器人产业技术研究院有限公司 | 一种视觉定位三维点云分割方法 |
CN111696159B (zh) * | 2020-06-15 | 2021-06-11 | 湖北亿咖通科技有限公司 | 激光里程计的特征存储方法、电子设备和存储介质 |
CN111696159A (zh) * | 2020-06-15 | 2020-09-22 | 湖北亿咖通科技有限公司 | 激光里程计的特征存储方法、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105701798B (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701798A (zh) | 柱状物体的点云提取方法及装置 | |
JP6561199B2 (ja) | レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器 | |
JP7167397B2 (ja) | 点群データを処理するための方法及び装置 | |
CN111462275B (zh) | 一种基于激光点云的地图生产方法和装置 | |
EP2849117B1 (en) | Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
GB2532948A (en) | Objection recognition in a 3D scene | |
Kang et al. | Voxel-based extraction and classification of 3-D pole-like objects from mobile LiDAR point cloud data | |
CN109815859A (zh) | 一种低等级道路自动提取及变化分析方法 | |
EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
CN109584294A (zh) | 一种基于激光点云的路面点云提取方法和装置 | |
CN108286976A (zh) | 一种点云数据的融合方法和装置、以及混合导航系统 | |
CN111291811B (zh) | 区域划分和分类方法、装置和计算机可读存储介质 | |
CN114596555B (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
CN108225334A (zh) | 一种基于三维实景数据的定位方法及装置 | |
JP2019192059A (ja) | 対象物認識装置 | |
Arachchige et al. | Automatic processing of mobile laser scanner point clouds for building facade detection | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及系统 | |
Huang et al. | Part-based modeling of pole-like objects using divergence-incorporated 3-d clustering of mobile laser scanning point clouds | |
CN112819700B (zh) | 一种点云数据的去噪方法、装置及可读存储介质 | |
Zhao et al. | Computing object-based saliency in urban scenes using laser sensing | |
CN114387293A (zh) | 道路边缘检测方法、装置、电子设备及车辆 | |
CN114063107A (zh) | 一种基于激光束的地面点云提取方法 | |
Ma et al. | Automated extraction of driving lines from mobile laser scanning point clouds |
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 |