CN107392209A - 一种提取线段的方法、模块、装置及存储装置 - Google Patents

一种提取线段的方法、模块、装置及存储装置 Download PDF

Info

Publication number
CN107392209A
CN107392209A CN201710562178.9A CN201710562178A CN107392209A CN 107392209 A CN107392209 A CN 107392209A CN 201710562178 A CN201710562178 A CN 201710562178A CN 107392209 A CN107392209 A CN 107392209A
Authority
CN
China
Prior art keywords
line segment
data point
module
data
subject matter
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
Application number
CN201710562178.9A
Other languages
English (en)
Other versions
CN107392209B (zh
Inventor
许鸿文
薛印玺
殷蔚明
李羚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201710562178.9A priority Critical patent/CN107392209B/zh
Publication of CN107392209A publication Critical patent/CN107392209A/zh
Application granted granted Critical
Publication of CN107392209B publication Critical patent/CN107392209B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种提取线段的方法、模块、装置及存储装置，包括一种提取线段的方法：向标的物投射光线；获取数据点集；对获取的数据点集进行预处理；对采集到的数据点分类；对分类后的数据点进行拟合；判定结果是否有效；获取有效结果。一组提取线段的模块及装置：光线投射模块及装置，点云获取模块及装置，预处理模块及装置，数据分类模块及装置，拟合模块及装置，结果判定模块及装置，结果获取模块及装置；上述模块及装置用于实现一种提取线段的方法。一种存储装置，用来存储需要存储的任何数据。本发明提高了线段提取算法实施的实时性，提高了线段提取效率，有效缩短了线段提取的时间，最终增强了线段提取的灵敏度。

Description

一种提取线段的方法、模块、装置及存储装置
技术领域
本发明涉及计算机技术领域，具体涉及一种提取线段的方法、模块、装置及存储装置
背景技术
目前，图像处理技术中常使用Hough变换对点云数据进行处理得到标的物线段，但是基于Hough变换线段提取的算法复杂度较大，对处理设备的运算能力要求较高。基于Hough变换算法定向，假设每一周扫描后的点数为m(典型值m＝360)；每个数据点有n个方向的线段(典型的n＝180)，即角度分辨率为1度；每条线段的距离最大值为600cm(假设激光雷达的测距范围为6m)，同时将距离分辨率设为1cm，因而距离的变化量为N＝600；最终需要计算m*n次才能得到每个数据点对应的θ和r，然后需要遍历表格N*n次得到最大的共线点位置。总的计算次数为m*n+N*n，大约为500*360次。如果距离的精确度与投射光线距离精确度一致，为毫米级别，则计算量还要扩大10倍，而且每次计算中不乏三角函数计算，比较费时，实时性较差。
发明内容
为了解决上述问题，本发明提供了一种提取线段的方法、模块、装置及存储装置，可以有效解决上述问题。
所述一种提取线段的方法，其原理是基于密度分类算法定向，假设每一周扫描后的点数为m(典型值m＝360)，得到的类别为k(k<m/2)，密度阈值内点数最多为h(h<50)，那么求取每个点的密度值需要计算h*m次，对密度数据进行分类需要遍历m次，对每组分类数据进行最小二乘法拟合的计算量为3*m次，最后从分类线段中找出两面墙壁线段最多需要k次，总共的计算量h*m+m+3*m+k次，大约为55*360次，就能判断是否为标的物线段。
本发明的技术方案是：提出了一种提取线段的方法，其特征在于：光线投射装置向标的物投射光线；点云获取装置获取数据点集，预先设定一个半径范围，对半径范围内的数据点集进行采集；预处理装置对获取的数据点集进行预处理,设定一个信号强度阈值,将信号强度低于所述信号强度阈值的数据点排除；数据分类装置对预处理后的数据点分类，将预处理后的数据点作为整体，计算数据采集区域中被采集点的分布密度，然后寻找点的分布密度值最大的位置，以此位置为中心，向两边依次探索，直到两边均达到数据点边界或者密度值变化趋势改变为止，将所探寻到的数据点作为一类，并将已经分类的数据点密度清零；拟合装置对所述分类后的数据点进行拟合,对每组分类好的数据点利用最小二乘法进行线段拟合，得到每组分类数据拟合线段的起点和终点，并记录每条拟合线段的实际拟合点数，即每组分类数据点所包含的点数；结果判定装置判定结果的有效度,在所有的拟合的线段中，寻找实际拟合线段长度最长的线段作为所述标的物的拟合线段，再寻找与所述标的物拟合线段距离依次减少的拟合线段，直到找到一条与所述标的物拟合线段斜率相等，且与所述标的物拟合线段距离大于预设宽度阈值的线段为止，从而成功识别出标的物线段；结果获取模块获取所述标的物拟合线段。
提出了一组提取线段的模块，其特征在于：包括光线投射模块，点云获取模块，预处理模块，数据分类模块，拟合模块，结果判定模块，结果获取模块；所述一组提取线段的模块用于实现一种提取线段的方法。
提出了一组提取线段的装置，其特征在于：包括光线投射装置，点云获取装置，预处理装置，数据分类装置，拟合装置，结果判定装置，结果获取装置；所述一组提取线段的装置与所述一组提取线段的模块相结合，用于实现一种提取线段的方法。
提出了一种存储装置，其特征在于：所述存储装置用来存储需要存储的任何数据。
本发明的有益效果是：本发明通过采用基于密度分类算法进行线段的提取，提高了算法实施的实时性，从而提高了线段提取效率，有效缩短了线段提取的时间，最终增强了线段提取的灵敏度。
附图说明
图1是本发明第一实施例的整体方法步骤流程图；
图2是本发明第一实施例的数据分类步骤流程图；
图3是本发明第一实施例的模块组工作示意图；
图4是本发明第一实施例的装置组工作示意图；
图5是本发明第二实施例的移动机器人位姿定位示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了一种用于提取线段的方法、模块、装置及存储装置，通过改进线段提取算法的实时性，可以有效提高线段提取的效率。参阅图1,图1是本发明的第一实施例，所述第一实施例概括地描述了提取线段的方法,包括以下步骤：
S101：光线投射装置向标的物投射光线；
点，数据分类模块304接收预处理模块303处理后的数据点集，将这些数据点集分类，拟合模块305对分类后的数据点集进行拟合，得到拟合线段(可为线段，曲线等)，结果判定模块306对拟合线段进行判定，确定是否成功识别标的物(可为墙壁，障碍物等)线段，结果获取模块307获取最终成功识别的标的物线段，并将成功识别的标的物线段作为其他处理的基础。所述模块的具体功能包括：
光线投射模块301：向标的物投射光线；
点云获取模块302：预先设定一个半径范围，对半径范围内的数据点集进行采集；
预处理模块303：设定一个信号强度阈值,将信号强度低于所述信号强度阈值的数据点排除；
数据分类模块304：设定半径范围，将采集到的数据点作为整体，计算数据采集区域中被采集点的分布密度，然后寻找点的分布密度值最大的位置，以此位置为中心，向两边依次探索，直到两边均达到数据点边界或者密度值变化趋势改变为止，将所探寻到的数据点作为一类，并将已经分类的数据点密度清零；
拟合模块305：对每组分类好的数据点利用最小二乘法进行线段拟合，得到每组分类数据拟合线段的起点和终点，并记录每条拟合线段的实际拟合点数，即每组分类数据点所包含的点数；
结果判定模块306：在所有的拟合的线段中，寻找实际拟合线段长度最长的线段作为标的物的拟合线段，再寻找与所述标的物拟合线段距离依次减少的拟合线段，直到找到一条与所述标的物拟合线段斜率相等，且与所述标的物拟合线段的距离大于预设宽度阈值的线段为止，从而成功识别出标的物线段。如果找不到一条与所述标的物拟合线段斜率相等，且与所述标的物拟合线段的距离大于预设宽度阈值的线段，则判定未能成功识别所述标的物线段，否则，判定成功识别所述标的物线段；
结果获取模块307：获取所述标的物拟合线段，并将其作为其他处理的基础。
参见图4，图4是第一实施例中硬件装置组的示意图，包括：光线投射装置401，点云获取装置402，预处理装置403，数据分类装置404，拟合装置405，结果判定装置406，结果获取装置407以及存储装置408。
其中，光线投射装置401操作光线投射装置向标的物投射光线，点云获取装置402接收光线并采集数据点集，预处理装置403设定信号强度阈值，对点云获取装置402采集的数据点集进行筛选，排除不符合信号强度阈值的数据点，数据分类装置404接收预处理装置403处理后的数据点集，将这些数据点集分类，拟合装置405对分类后的数据点集进行拟合，得到拟合线段(可为线段，曲线等)，结果判定装置406对拟合线段进行判定，确定是否成功识别标的物(可为墙壁，障碍物等)线段，结果获取装置407获取最终成功识别的标的物线段，并将成功识别的标的物线段作为其他处理的基础，存储装置408存储所述所有装置生成的需要存储的数据，如点云获取装置402采集的数据点集，预处理装置403设定的信号强度阈值等。所述模块的具体功能包括：
光线投射装置401：向标的物投射光线；
点云获取装置402：预先设定一个半径范围，对半径范围内的数据点集进行采集；
预处理装置403：设定一个信号强度阈值,将信号强度低于所述信号强度阈值的数据点排除；
数据分类装置404：设定半径范围，计算数据采集区域中被采集点的分布密度，然后寻找点的分布密度值最大的位置，以此位置为中心，向两边依次探索，直到两边均达到数据点边界或者密度值变化趋势改变为止，将所探寻到的数据点作为一类，并将已经分类的数据点密度清零；
拟合装置405：对每组分类好的数据点利用最小二乘法进行线段拟合，得到每组分类数据拟合线段的起点和终点，并记录每条拟合线段的实际拟合点数，即每组分类数据点所包含的点数；
结果判定装置406：在所有的拟合的线段中，寻找实际拟合线段长度最长的线段作为所述标的物的拟合线段，再寻找实际拟合线段距离依次减少的拟合线段，直到找到一条与所述标的物拟合线段斜率相等，且与所述标的物拟合线段的距离大于预设宽度阈值的线段为止，从而成功识别出标的物线段。如果找不到一条与所述标的物拟合线段斜率相等，且与所述标的物拟合线段的距离大于预设宽度阈值的线段，则判定未能成功识别所述标的物线段，否则，判定成功识别所述标的物线段；
结果获取装置407：获取有效结果，并将结果作为其他处理的基础；
存储装置408：存储所述所有装置生成的需要存储的数据，包括但不限于采集到的数据点集，信号强度阈值，预设宽度阈值及编写好的程序代码等，执行所述一种提取线段的方法。
通过执行本发明的第一实施例，所有权利要求中的提取线段的方法，模块，装置及存储装置的一个完整流程得到了实现。
区别于现有技术，本发明的第一实施例通过采用基于密度分类算法进行线段的提取，提高了算法实施的实时性，从而提高了线段提取效率，有效缩短了线段提取的时间，最终增强了线段提取的灵敏度。
参见图5，本发明的第二实施例为移动机器人501，移动机器人501的软硬件组成及具体实施例与第一实施例相同，具体还包括：
移动机器人本体501，移动机器人501投射出的光线503(具体为激光等)，光线503投射到标的物线段502上，光线503与标的物线段502形成夹角504；
所述标的物线段502判定成功识别,则结果获取模块求出标的物线段502与光线503构成任意角度(本例中为0度)的线段方向所构成的夹角504，从而确定移动机器人501的位姿。
通过执行本发明的第二实施例，本发明中所有权利要求中的技术特征都在一个具体的载体上得以实现。
区别于上述实施例，本发明的第五实施例在一个具体的移动机器人载体上实现本发明的线段提取方法，并验证了相关软硬件在具体载体，即移动机器人上的实际使用效果，对本发明的实用性给出了有力的证据。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)

1.一种提取线段的方法，其特征在于：包括如下步骤：
光线投射装置向标的物投射光线；
点云获取装置获取数据点集：具体为预先设定一个半径范围，对半径范围内的数据点集进行采集；
预处理装置对获取的数据点集进行预处理：设定一个信号强度阈值,将信号强度低于所述信号强度阈值的数据点排除；
数据分类装置对预处理后的数据点分类：将预处理后的数据点作为整体，计算数据采集区域中被采集点的分布密度，然后寻找点的分布密度值最大的位置，以此位置为中心，向两边依次探索，直到两边均达到数据点边界或者密度值变化趋势改变为止，将所探寻到的数据点作为一类，并将已经分类的数据点密度清零；
拟合装置对所述分类后的数据点进行拟合：对每组分类好的数据点进行线段拟合，得到每组分类数据拟合线段的起点和终点，并记录每条拟合线段的实际拟合点数，即每组分类数据点所包含的点数；
结果判定装置判定结果的有效度：在所有的拟合的线段中，寻找实际拟合线段长度最长的线段作为标的物拟合线段，再寻找与所述标的物拟合线段距离依次减少的拟合线段，直到找到一条与所述标的物拟合线段斜率相等，且与所述标的物拟合线段距离大于预设宽度阈值的线段为止，从而成功识别出标的物线段；
结果获取模块获取所述标的物拟合线段。
2.如权利要求1所述的一种提取线段的方法，其特征在于：
若所述标的物线段成功识别,则结果获取模块求出标的物线段与所述光线投射装置投射光线构成任意角度的线段方向所构成的夹角。
3.如权利要求1所述的一种提取线段的方法，其特征在于：
在所述计算所有数据点的密度值之后，寻找数据点中密度值最大的位置之前，所述数据分类装置判断所有数据是否均已分类，如果均已分类则数据点分类结束，如果仍有未分类的数据点，则继续寻找数据点中密度值最大的位置。
4.如权利要求1所述的一种提取线段的方法，其特征在于：
所述数据分类装置对预处理后的数据点分类，该流程执行不限于一次，保证所有数据点最终都被分类。
5.如权利要求1所述的一种提取线段的方法，其特征在于：
在所述结果判定装置判定结果是否有效之后，结果获取模块获取有效结果之前，如果找不到一条与所述标的物拟合线段斜率相等，且与所述标的物拟合线段的距离大于预设宽度阈值的线段，则判定未能成功识别所述标的物线段，否则，判定成功识别所述标的物线段。
6.如权利要求1所述的一种提取线段的方法，其特征在于：
在将所探寻到的数据点作为一类，并将已经分类的数据点密度清零之后，拟合装置对所述分类后的数据点进行拟合之前，所述数据分类装置判断所有数据是否均已分类，如果均已分类则数据点分类结束，如果仍有未分类的数据点，则继续寻找数据点中密度值最大的位置。
7.如权利要求2所述的一种提取线段的方法，其特征在于：
所述标的物线段与所述光线投射装置投射光线构成任意角度的线段方向所构成的夹角作为定位位姿的数据基础。
8.一组提取线段的模块，其特征在于：
包括：光线投射模块，点云获取模块，预处理模块，数据分类模块，拟合模块，结果判定模块，结果获取模块；
所述一组提取线段的模块用于实现权利要求1～7所述的一种提取线段的方法。
9.一组提取线段的装置，其特征在于：
包括：光线投射装置，点云获取装置，预处理装置，数据分类装置，拟合装置，结果判定装置，结果获取装置；
所述一组提取线段的装置与所述一组提取线段的模块相结合，用于实现权利要求1～7所述的一种提取线段的方法。
10.一种存储装置，其特征在于：
所述存储装置用来实现权利要求1～7所述的一种提取线段的方法。
CN201710562178.9A 2017-07-11 2017-07-11 一种提取线段的装置及方法 Expired - Fee Related CN107392209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710562178.9A CN107392209B (zh) 2017-07-11 2017-07-11 一种提取线段的装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710562178.9A CN107392209B (zh) 2017-07-11 2017-07-11 一种提取线段的装置及方法

Publications (2)

Publication Number Publication Date
CN107392209A true CN107392209A (zh) 2017-11-24
CN107392209B CN107392209B (zh) 2020-02-14

Family

ID=60340179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710562178.9A Expired - Fee Related CN107392209B (zh) 2017-07-11 2017-07-11 一种提取线段的装置及方法

Country Status (1)

Country Link
CN (1) CN107392209B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110412530A (zh) * 2018-04-27 2019-11-05 深圳市优必选科技有限公司 一种识别充电桩的方法、装置及机器人

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573705A (zh) * 2014-10-13 2015-04-29 北京建筑大学 一种建筑物激光扫描点云数据的聚类方法
CN105701478A (zh) * 2016-02-24 2016-06-22 腾讯科技（深圳）有限公司 杆状地物提取的方法和装置
CN106408581A (zh) * 2016-09-12 2017-02-15 厦门大学 一种快速的三维点云直线提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573705A (zh) * 2014-10-13 2015-04-29 北京建筑大学 一种建筑物激光扫描点云数据的聚类方法
CN105701478A (zh) * 2016-02-24 2016-06-22 腾讯科技（深圳）有限公司 杆状地物提取的方法和装置
CN106408581A (zh) * 2016-09-12 2017-02-15 厦门大学 一种快速的三维点云直线提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAIYAN GUAN 等: "AUTOMATIC EXTRACTION OF POWER LINES FROM MOBILE LASER SCANNING DATA", 《2014 IEEE GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
叶岚 等: "基于LIDAR点云数据的电力线提取和拟合方法研究", 《测绘与空间地理信息》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110412530A (zh) * 2018-04-27 2019-11-05 深圳市优必选科技有限公司 一种识别充电桩的方法、装置及机器人
CN110412530B (zh) * 2018-04-27 2021-09-17 深圳市优必选科技有限公司 一种识别充电桩的方法、装置及机器人

Also Published As

Publication number Publication date
CN107392209B (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
Wu et al. Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach
Chen et al. Principal axes descriptor for automated construction-equipment classification from point clouds
Clode et al. Detection and vectorization of roads from lidar data
Sahar et al. Using aerial imagery and GIS in automated building footprint extraction and shape recognition for earthquake risk assessment of urban inventories
Filin Surface clustering from airborne laser scanning data
Gamba et al. Improving urban road extraction in high-resolution images exploiting directional filtering, perceptual grouping, and simple topological concepts
CN105046235A (zh) 车道线的识别建模方法和装置、识别方法和装置
CN106093946B (zh) 一种适用于场面监视雷达的目标凝聚方法及装置
CN109446917B (zh) 一种基于级联霍夫变换的消失点检测方法
Guerreiro et al. Connectivity-enforcing Hough transform for the robust extraction of line segments
Hinz Detection and counting of cars in aerial images
Zheng et al. A decision tree based road recognition approach using roadside fixed 3D LiDAR sensors
Zhang et al. Rapid inspection of pavement markings using mobile LiDAR point clouds
CN108399424A (zh) 一种点云分类方法、智能终端及存储介质
CN105184225A (zh) 一种多国纸币图像识别方法和装置
Hu et al. Generalized image recognition algorithm for sign inventory
Eum et al. Vehicle detection from airborne LiDAR point clouds based on a decision tree algorithm with horizontal and vertical features
Chaitra et al. An impact of radon transforms and filtering techniques for text localization in natural scene text images
CN107392209A (zh) 一种提取线段的方法、模块、装置及存储装置
Gong et al. Point cloud segmentation of 3D scattered parts sampled by RealSense
Ahmed et al. Choosing thresholds for density-based map construction algorithms
N Kamal et al. License plate tilt correction: a review
Gaha et al. A new LiDAR-based approach for poles and distribution lines detection and modelling
Alhussein et al. Vehicle license plate detection and perspective rectification
Novack et al. Classification of urban settlements types based on space-borne SAR datasets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200214

Termination date: 20200711