CN108154516A - 面向封闭空间的点云拓扑分割方法及装置 - Google Patents
面向封闭空间的点云拓扑分割方法及装置 Download PDFInfo
- Publication number
- CN108154516A CN108154516A CN201810093524.8A CN201810093524A CN108154516A CN 108154516 A CN108154516 A CN 108154516A CN 201810093524 A CN201810093524 A CN 201810093524A CN 108154516 A CN108154516 A CN 108154516A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- closed path
- cloud data
- pending
- edge contour
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20068—Projection on vertical or horizontal image axis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种面向封闭空间的点云拓扑分割方法及装置,该方法包括:获取待处理封闭空间的目标点云数据;根据目标点云数据在预设栅格地图中的投影结果生成待处理图像;通过图像梯度算法对待处理图像进行处理,得到待处理封闭空间的边缘轮廓和边缘轮廓上的分叉点;通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个子拓扑空间和多个子拓扑空间对应的门。本发明中的方法通过路径规则遍历算法提取待处理封闭空间的封闭路径以进行拓扑分割和对门进行识别,计算方式简单有效,鲁棒性强,拓扑分割结果更加可靠,缓解了现有的方法通用性差,鲁棒性不强且误分割率高的技术问题。
Description
技术领域
本发明涉及空间点云拓扑分割的技术领域,尤其是涉及一种面向封闭空间的点云拓扑分割方法及装置。
背景技术
近年来,机器人技术作为高新科技,得到了不断地发展,家庭服务机器人也已经越来越贴近并进入我们的生活。随着对家庭服务机器人智能程度需求的愈来愈高,对以人工识别技术、人机交互技术、自主巡逻技术和智能控制技术等为代表的智能技术要求也愈来愈高。对于服务机器人,自主导航通常是必要的功能,而自主导航的应用前提是获得当前环境的地图表达。
目前移动机器人最为常用的地图表达方式为栅格地图和拓扑地图。栅格地图以精确和度量的方式描述环境,因其易于构建和维护、利于计算最短路径的优势被广泛应用于家庭服务机器人中。但是,栅格地图的分辨率必须足以捕捉到环境的重要细节,存储量大、路径规划效率低、复杂度高;同时,这种散点式的度量型地图抽象程度低,无法建立环境的语义,不利于人机交互和人性化导航(如,基于栅格地图的导航任务无法识别人类指令“去卧室”)。而拓扑地图紧凑、计算量小,仅需存储拓扑节点及节点间的连通关系即可,但其存在着定位困难的问题;此外,现有的拓扑地图大部分采用在线增量式构建的方法,即需要机器人在移动的过程中(接受运动指令或自主漫游)通过定义拓扑节点来构建,形式单一、呆板。
为了融合栅格地图和拓扑地图的优点,并让地图构建更加灵活,一些技术人员提出了在栅格地图的基础上通过空间点云分割进一步形成拓扑地图的方法。目前采用的方法基本上是提供空间边缘纹理特征或者利用聚类算法实现对空间点云的分割,但是提取空间边缘纹理特征并不具有普适性,比如家具环境中会存在家具或者杂物的遮挡,导致不一定存在有效纹理特征;而聚类算法则有可能导致过分割或者欠分割。
综上,现有的空间点云拓扑分割方法通用性差,鲁棒性不强且误分割率高。
发明内容
有鉴于此,本发明的目的在于提供一种面向封闭空间的点云拓扑分割方法及装置,以缓解现有的空间点云拓扑分割方法通用性差,鲁棒性不强且误分割率高的技术问题。
第一方面,本发明实施例提供了一种面向封闭空间的点云拓扑分割方法,所述方法包括:
获取待处理封闭空间的目标点云数据,其中,所述目标点云数据为经过预处理之后的点云数据,所述预处理包括:筛选处理,下采样处理,噪点去除处理;
根据所述目标点云数据在预设栅格地图中的投影结果生成待处理图像;
通过图像梯度算法对所述待处理图像进行处理,得到所述待处理封闭空间的边缘轮廓和所述边缘轮廓上的分叉点;
通过路径规则遍历算法对所述边缘轮廓和所述分叉点进行封闭路径遍历,得到多个子拓扑空间和所述多个子拓扑空间对应的门。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,获取待处理封闭空间的目标点云数据包括:
通过安装在机器人上的RGB-D相机获取所述待处理封闭空间中不同时刻时对应的里程计数据,深度图和RGB图;
通过时间对应关系将所述不同时刻时对应的里程计数据,所述深度图和所述RGB图进行配准,得到所述待处理封闭空间的原始点云数据;
通过预设筛选规则对所述原始点云数据进行筛选处理,得到筛选后的点云数据;
对所述筛选后的点云数据进行下采样处理和噪点去除处理,得到所述目标点云数据。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据所述目标点云数据在预设栅格地图中的投影结果生成待处理图像包括:
采用目标栅格对x-y平面进行离散化处理,得到所述预设栅格地图;
将所述目标点云数据投影至所述预设栅格地图;
统计落入所述预设栅格地图中每个栅格中的空间点,得到每个栅格中空间点的统计数据,其中,所述空间点为所述目标点云数据对应的点;
根据所述每个栅格中空间点的统计数据生成所述待处理图像,其中,所述每个栅格中空间点的统计数据为对应栅格的像素灰度值。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,通过图像梯度算法对所述待处理图像进行处理,得到所述待处理封闭空间的边缘轮廓和所述边缘轮廓上的分叉点包括:
对所述待处理图像进行第一处理,得到第一处理后的图像,其中,所述第一处理为高斯滤波处理;
分别计算所述第一处理后的图像的u向梯度和v向梯度;
确定所述u向梯度由正突变为非正的第一坐标点,并确定所述v向梯度由正突变为非正的第二坐标点;
根据所述第一坐标点和所述第二坐标点生成二值化图像;
遍历获取所述二值化图像中的连续曲线段和所述连续曲线段上的分叉点;
将所述连续曲线段作为所述待处理封闭空间的边缘轮廓,且将所述连续曲线段上的分叉点作为所述边缘轮廓上的分叉点。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,通过路径规则遍历算法对所述边缘轮廓和所述分叉点进行封闭路径遍历,得到多个子拓扑空间和所述多个子拓扑空间对应的门包括:
按照预设路径遍历规则对所述边缘轮廓和所述分叉点进行封闭路径遍历,得到多个封闭路径;
在所述多个封闭路径中确定目标封闭路径;
将所述目标封闭路径作为子拓扑空间分割边界,其中,所述目标封闭路径所围成的栅格区域为所述子拓扑空间;
确定所述子拓扑空间分割边界上的间隔距离;
如果所述间隔距离满足第一预设距离且所述间隔距离对应的间隔位于两个子拓扑空间之间,那么将所述间隔设定为门。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述预设路径遍历规则包括:
每条路径的起点为所述边缘轮廓的端点或所述边缘轮廓上的分叉点;
每条边缘轮廓的端点或所述边缘轮廓的分叉点有且只能成为一次起点;
每条路径的起点和终点为同一个坐标点;
同一条路径内只经过同一个坐标点一次;
每条路径遍历过程中遇到分叉点时,选择离回到终点最近的方向进行遍历;
当路径沿着边缘轮廓进行遍历无法回到起点时,则将欧式距离最近的边缘轮廓的端点作为中间点继续进行遍历。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,在所述多个封闭路径中确定目标封闭路径包括:
在所述多个封闭路径中去除重复的封闭路径,得到第一剩余封闭路径;
在第一剩余封闭路径中去除长度小于预设长度的封闭路径,得到第二剩余封闭路径;
在第二剩余封闭路径中去除面积小于预设面积的封闭路径,得到第三剩余封闭路径;
如果所述第三剩余封闭路径中的封闭路径存在间隔,去除间隔对应的距离大于第二预设距离的封闭路径,得到第四剩余封闭路径;
在所述第四剩余封闭路径中,计算任意两个封闭路径之间的交并比;
如果所述交并比大于预设比值或者两个封闭路中一个封闭路径包含另外一个封闭路径,那么去除两个封闭路径中面积较小的封闭路径,得到第五剩余封闭路径;
将所述第五剩余封闭路径作为所述目标封闭路径。
第二方面,本发明实施例还提供了一种面向封闭空间的点云拓扑分割装置,所述装置包括:
获取模块,用于获取待处理封闭空间的目标点云数据,其中,所述目标点云数据为经过预处理之后的点云数据,所述预处理包括:筛选处理,下采样处理,噪点去除处理;
生成模块,用于根据所述目标点云数据在预设栅格地图中的投影结果生成待处理图像;
处理模块,用于通过图像梯度算法对所述待处理图像进行处理,得到所述待处理封闭空间的边缘轮廓和所述边缘轮廓上的分叉点;
封闭路径遍历模块,用于通过路径规则遍历算法对所述边缘轮廓和所述分叉点进行封闭路径遍历,得到多个子拓扑空间和所述多个子拓扑空间对应的门。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述获取模块包括:
获取单元,用于通过安装在机器人上的RGB-D相机获取所述待处理封闭空间中不同时刻时对应的里程计数据,深度图和RGB图;
配准单元,用于通过时间对应关系将所述不同时刻时对应的里程计数据,所述深度图和所述RGB图进行配准,得到所述待处理封闭空间的原始点云数据;
筛选处理单元,用于通过预设筛选规则对所述原始点云数据进行筛选处理,得到筛选后的点云数据;
第一处理单元,用于对所述筛选后的点云数据进行下采样处理和噪点去除处理,得到所述目标点云数据。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述生成模块包括:
离散化处理单元,用于采用目标栅格对x-y平面进行离散化处理,得到所述预设栅格地图;
投影单元,用于将所述目标点云数据投影至所述预设栅格地图;
统计单元,用于统计落入所述预设栅格地图中每个栅格中的空间点,得到每个栅格中空间点的统计数据,其中,所述空间点为所述目标点云数据对应的点;
第一生成单元,用于根据所述每个栅格中空间点的统计数据生成所述待处理图像,其中,所述每个栅格中空间点的统计数据为对应栅格的像素灰度值。
本发明实施例带来了以下有益效果:本发明实施例提供了一种面向封闭空间的点云拓扑分割方法及装置,该方法包括:获取待处理封闭空间的目标点云数据,其中,目标点云数据为经过预处理之后的点云数据,预处理包括:筛选处理,下采样处理,噪点去除处理;根据目标点云数据在预设栅格地图中的投影结果生成待处理图像;通过图像梯度算法对待处理图像进行处理,得到待处理封闭空间的边缘轮廓和边缘轮廓上的分叉点;通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个子拓扑空间和多个子拓扑空间对应的门。
现有技术中通过提取边缘纹理特征的方式进行空间点云拓扑分割的方法中,由于家具环境中会存在家具或者杂物的遮挡,不一定存在有效纹理特征,使得该方法不具有普适性;而利用谱聚类算法进行空间点云拓扑分割的方法有可能导致过分割或欠分割,误分割率高。本发明中的面向封闭空间的点云拓扑分割方法中,先获取待处理封闭空间的目标点云数据,然后根据目标点云数据在预设栅格地图中的投影结果生成待处理图像,进而通过图像梯度算法对待处理图像进行处理,得到待处理封闭空间的边缘轮廓和边缘轮廓上的分叉点,最终通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个子拓扑空间和子拓扑空间对应的门。本发明中的方法通过路径规则遍历算法提取待处理封闭空间的封闭路径(即子拓扑空间的边缘连续性特征)以进行拓扑分割和对门进行识别,计算方式简单有效,提高了拓扑分割方法对待处理封闭空间中环境复杂多变问题的适应能力,更加适用于多种场景类型,该拓扑分割方法有效性好,鲁棒性强,缓解了现有的空间点云拓扑分割方法通用性差,鲁棒性不强且误分割率高的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种面向封闭空间的点云拓扑分割方法的流程图;
图2为本发明实施例提供的获取待处理封闭空间的目标点云数据的方法流程图;
图3为本发明实施例提供的根据目标点云数据在预设栅格地图中的投影结果生成待处理图像的方法流程图;
图4为本发明实施例提供的通过图像梯度算法对待处理图像进行处理,得到待处理封闭空间的边缘轮廓和边缘轮廓上的分叉点的方法流程图;
图5为本发明实施例提供的二值化图像的示意图;
图6为本发明实施例提供的通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个子拓扑空间和多个子拓扑空间对应的门的流程图;
图7为本发明实施例提供的一种面向封闭空间的点云拓扑分割装置的结构框图。
图标:
11-获取模块;12-生成模块;13-处理模块;14-封闭路径遍历模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种面向封闭空间的点云拓扑分割方法进行详细介绍。
实施例一:
一种面向封闭空间的点云拓扑分割方法,参考图1,该方法包括:
S102、获取待处理封闭空间的目标点云数据,其中,目标点云数据为经过预处理之后的点云数据,预处理包括:筛选处理,下采样处理,噪点去除处理;
在本发明实施例中,待处理封闭空间包括家庭空间,也可以包括其它空间,本发明实施例对其不做具体限制。
下文中再对获取待处理封闭空间的目标点云数据进行详细介绍,在此不再赘述。
S104、根据目标点云数据在预设栅格地图中的投影结果生成待处理图像;
在得到目标点云数据后,将目标点云数据投影至预设栅格地图中,根据目标点云数据在预设栅格地图中的投影结果生成待处理图像,以进行后续的处理,进而得到多个子拓扑空间。下文中再对该过程进行详细介绍,在此不再赘述。
S106、通过图像梯度算法对待处理图像进行处理,得到待处理封闭空间的边缘轮廓和边缘轮廓上的分叉点;
在得到待处理图像后,通过图像梯度算法对待处理图像进行处理,得到边缘轮廓和边缘轮廓上的分叉点。该边缘轮廓即为墙面,下文中再进行具体介绍。
S108、通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个子拓扑空间和多个子拓扑空间对应的门。
在得到边缘轮廓和边缘轮廓上的分叉点后,通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个封闭路径,每个封闭路径所围成的区域即为子拓扑空间,同时,对子拓扑空间对应的门进行识别。具体过程将在下文中进行详细介绍。
现有技术中通过提取边缘纹理特征的方式进行空间点云拓扑分割的方法中,由于家具环境中会存在家具或者杂物的遮挡,不一定存在有效纹理特征,使得该方法不具有普适性;而利用谱聚类算法进行空间点云拓扑分割的方法有可能导致过分割或欠分割,误分割率高。本发明中的面向封闭空间的点云拓扑分割方法中,先获取待处理封闭空间的目标点云数据,然后根据目标点云数据在预设栅格地图中的投影结果生成待处理图像,进而通过图像梯度算法对待处理图像进行处理,得到待处理封闭空间的边缘轮廓和边缘轮廓上的分叉点,最终通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个子拓扑空间和子拓扑空间对应的门。本发明中的方法通过路径规则遍历算法提取待处理封闭空间的封闭路径(即子拓扑空间的边缘连续性特征)以进行拓扑分割和对门进行识别,计算方式简单有效,提高了拓扑分割方法对待处理封闭空间中环境复杂多变问题的适应能力,更加适用于多种场景类型,该拓扑分割方法有效性好,鲁棒性强,缓解了现有的空间点云拓扑分割方法通用性差,鲁棒性不强且误分割率高的技术问题。
上述内容对面向封闭空间的点云拓扑分割方法进行了简要介绍,下面对其中涉及的具体内容进行详细描述。
在本发明实施例中,获取待处理封闭空间的目标点云数据的方式有多种,在一个可选地实施方式中,参考图2,获取待处理封闭空间的目标点云数据包括以下步骤:
S201、通过安装在机器人上的RGB-D相机获取待处理封闭空间中不同时刻时对应的里程计数据,深度图和RGB图;
具体的,将RGB-D相机小仰角安装在机器人上,通过机器人在待处理封闭空间中移动,获取不同位置的信息。
比如机器人在当前时刻A位置处(通过里程计数据表现出来)获得了一张深度图和RGB图,在另一时刻B位置处获得了另外的深度图和RGD图。这些深度图和RGB图都是待处理封闭空间中某一特定位置的图。
S202、通过时间对应关系将不同时刻时对应的里程计数据,深度图和RGB图进行配准,得到待处理封闭空间的原始点云数据;
在得到不同时刻时对应的里程计数据,深度图和RGB图后,通过时间对应关系将不同时刻时对应的里程计数据,深度图和RGB图进行配准,得到原始点云数据。该过程和现有技术中配准的过程相同,在此不再赘述。该过程最终得到的为整个的待处理封闭空间的原始点云数据,而非某一特定位置处的图。
S203、通过预设筛选规则对原始点云数据进行筛选处理,得到筛选后的点云数据;
在得到原始点云数据后,通过预设筛选规则对原始点云数据进行筛选处理。具体的,在本发明实施例中,预设筛选规则为去除Z坐标范围不在1.5m~2.5m之间的点云数据。
发明人考虑到对于家庭环境来说,低于1.5m内的数据中,其特征并不是固定的,比如,地面上摆放的椅子,可以随便移动,该特征并不固定,但是对于高度在1.5m~2.5m空间范围内,环境中的特征基本是固定的,所以发明人采用了该数据范围进行了点云数据的筛选。但是本发明实施例对该数据范围不进行具体限制,该数据范围可根据具体的家庭环境进行适当的调整。
S204、对筛选后的点云数据进行下采样处理和噪点去除处理,得到目标点云数据。
在得到筛选后的点云数据后,对筛选后的点云数据进行下采样处理和噪点去除处理,得到目标点云数据。具体的,下采样处理可以使用体素格滤波器;噪点去除处理可以使用统计滤波器或半径滤波器。
上述过程即为获取待处理封闭空间的目标点云数据的过程,下面对根据目标点云数据在预设栅格地图中的投影结果生成待处理图像的过程进行介绍。
可选地,参考图3,根据目标点云数据在预设栅格地图中的投影结果生成待处理图像包括:
S301、采用目标栅格对x-y平面进行离散化处理,得到预设栅格地图;
具体的,使用边长为dmm的目标栅格对x-y平面进行离散化处理,得到预设栅格地图,该预设栅格地图为空白的栅格地图。
S302、将目标点云数据投影至预设栅格地图;
在得到预设栅格地图后,将目标点云数据投影至预设栅格地图中。
S303、统计落入预设栅格地图中每个栅格中的空间点,得到每个栅格中空间点的统计数据,其中,空间点为目标点云数据对应的点;
投影完毕后,统计落入预设栅格地图中每个栅格中的空间点。之所以进行空间点的统计是因为在1.5m至2.5m的范围内,都是墙面的存在范围,墙面是可以摸得到的,是真实的物理点,是连续的,所以,通过墙面反射得到的空间点数最多。为了能够获取得到墙面,所以先统计每个栅格中空间点的统计数据。即该空间点的统计数据越大,也就是墙面,即待处理封闭空间内的子拓扑空间边缘。
S304、根据每个栅格中空间点的统计数据生成待处理图像,其中,每个栅格中空间点的统计数据为对应栅格的像素灰度值。
在得到每个栅格中空间点的统计数据后,根据该统计数据生成待处理图像。具体的,将每个栅格中空间点的统计数据作为该栅格的像素灰度值,这样,就能够得到待处理图像。
上述内容为生成待处理图像的过程,下面对待处理图像的处理过程进行介绍。
可选地,参考图4,通过图像梯度算法对待处理图像进行处理,得到待处理封闭空间的边缘轮廓和边缘轮廓上的分叉点包括:
S401、对待处理图像进行第一处理,得到第一处理后的图像,其中,第一处理为高斯滤波处理;
在得到待处理图像后,对待处理图像进行高斯滤波处理,得到第一处理后的图像。
S402、分别计算第一处理后的图像的u向梯度和v向梯度;
在得到第一处理后的图像后,计算第一处理后的图像的u向梯度和v向梯度。
具体的,计算公式为:
u向梯度:Gx=f(x,y)-f(x-1,y);
v向梯度:Gy=f(x,y)-f(x,y-1)。
也就是(1,1)点的u向梯度等于(1,1)点的灰度值减去(0,1)点的灰度值;(1,1)点的v向梯度等于(1,1)点的灰度值减去(1,0)点的灰度值;
S403、确定u向梯度由正突变为非正的第一坐标点,并确定v向梯度由正突变为非正的第二坐标点;
在得到u向梯度和v向梯度后,确定u向梯度由正突变为非正的第一坐标点,并确定v向梯度由正突变为非正的第二坐标点。
S404、根据第一坐标点和第二坐标点生成二值化图像;
下面以一个具体的实例进行说明:
如下表所示:原始数据如(a)所示,每一横行表示u向,每一竖列表示v向。根据计算公式,可以得到如(b)所示的u向梯度和如(c)所示的v向梯度。
在得到u向梯度和v向梯度后,确定u向梯度由正突变为非正的第一坐标点,并确定v向梯度由正突变为非正的第二坐标点,最终根据第一坐标点和第二坐标点生成二值化图像,如表(d)所示,其中,255表示白点,0表示黑点,如此可以得到对应的图像,如图5所示。
0 | 0 | 0 | 0 | 0 | 0 |
0 | 255 | 0 | 255 | 255 | 0 |
0 | 0 | 255 | 255 | 255 | 0 |
0 | 255 | 0 | 255 | 0 | 0 |
0 | 0 | 0 | 255 | 0 | 0 |
0 | 0 | 0 | 0 | 0 | 0 |
(d)二值化图像中黑白点的分布
S405、遍历获取二值化图像中的连续曲线段和连续曲线段上的分叉点;
图5中二值化图像为示意图。如图5所示,DEFP为连续曲线段,F为连续曲线段上的分叉点,在此不再一一举例。
S406、将连续曲线段作为待处理封闭空间的边缘轮廓,且将连续曲线段上的分叉点作为边缘轮廓上的分叉点。
上述内容为得到边缘轮廓和边缘轮廓上的分叉点的过程,下面对得到多个子拓扑空间和多个子拓扑空间对应的门的过程进行详细介绍。
可选地,参考图6,通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个子拓扑空间和多个子拓扑空间对应的门包括:
S601、按照预设路径遍历规则对边缘轮廓和分叉点进行封闭路径遍历,得到多个封闭路径;
具体的,预设路径遍历规则包括:
每条路径的起点为边缘轮廓的端点或边缘轮廓上的分叉点;
每条边缘轮廓的端点或边缘轮廓的分叉点有且只能成为一次起点;
每条路径的起点和终点为同一个坐标点;
同一条路径内只经过同一个坐标点一次;
每条路径遍历过程中遇到分叉点时,选择离回到终点最近的方向进行遍历;
当路径沿着边缘轮廓进行遍历无法回到起点时,则将欧式距离最近的边缘轮廓的端点作为中间点继续进行遍历。
也就是,当从A点作为起点,沿着边缘轮廓进行遍历时,到达B点,B点为一分叉点,根据选择离回到终点最近的方向进行遍历的原则,B点再到达O点,O点到N点,N点为一端点,N点遍历无法回到起点A时,将欧式距离最近的边缘轮廓的端点(即M点)作为中间点继续进行遍历,也就是N点处搜索,搜索到M点符合要求,继续到达M点,M点继续遍历经过Q点,L点,最终回到A点,得到ABONMQLA这样一条封闭路径。
A点只能成为一次路径的起点,A点遍历上述过程一次后,进行B点遍历,B点沿着边缘轮廓遍历时仍然遵循上述的预设路径遍历规则。
最终能够得到的封闭路径为:第一条:ABONMQLA;第二条:BCDEFPOB;第三条:CDEFPOBC等等,这样得到了多条封闭路径。
S602、在多个封闭路径中确定目标封闭路径;
具体的:
(1)、在多个封闭路径中去除重复的封闭路径,得到第一剩余封闭路径;
具体的,如步骤S601中所述,第二条封闭路径BCDEFPOB和第三条封闭路径CDEFPOBC即为同一条封闭路径,去除其中一条。当两条封闭路径中包括相同的边缘轮廓的端点和分叉点时,这两条封闭路径即为重复的封闭路径。
(2)、在第一剩余封闭路径中去除长度小于预设长度的封闭路径,得到第二剩余封闭路径;
如果封闭路径的长度小于预设长度的封闭路径,说明该封闭路径不是子拓扑空间(即房间)的封闭路径。比如家庭环境中存在一个立柜,在得到的轮廓边缘后,遍历后得到一个小的封闭路径,那么去除之。
(3)、在第二剩余封闭路径中去除面积小于预设面积的封闭路径,得到第三剩余封闭路径;
同理,当一个封闭路径的面积小于预设面积时,去除之。在家庭环境中,一个房间的面积一般至少5平方米,那么将小于5平方米的封闭路径去除。当然,该预设面积还可以为其它值,可根据具体情况而定,本发明实施例对其不做具体限制。
如图5所示,封闭路径LQRKL面积不满足预设面积,去除之。
(4)、如果第三剩余封闭路径中的封闭路径存在间隔,去除间隔对应的距离大于第二预设距离的封闭路径,得到第四剩余封闭路径;
具体的,如果封闭路径中存在间隔,去除间隔对应的距离大于第二预设距离的封闭路径。因为当路径沿着边缘轮廓进行遍历无法回到起点时,则将欧式距离最近的边缘轮廓的端点作为中间点继续进行遍历,有可能该过程中搜索的欧式距离最近的边缘轮廓的端点并非为正确的遍历点,而是其他的间隔很大的点,正常地,间隔只会出现在门位置,所以如果存在间隔距离很大的封闭路径,那么去除之。该第二预设距离可以为2m,本发明实施例对其不做具体限制。
(5)、在第四剩余封闭路径中,计算任意两个封闭路径之间的交并比;
即:IoU=(A∩B)/(A∪B)。
(6)、如果交并比大于预设比值或者两个封闭路中一个封闭路径包含另外一个封闭路径,那么去除两个封闭路径中面积较小的封闭路径,得到第五剩余封闭路径;
该预设比值可以为0.5,但本发明实施例对其不进行具体限制。
(7)、将第五剩余封闭路径作为目标封闭路径。
S603、将目标封闭路径作为子拓扑空间分割边界,其中,目标封闭路径所围成的栅格区域为子拓扑空间;
S604、确定子拓扑空间分割边界上的间隔距离;
S605、如果间隔距离满足第一预设距离且间隔距离对应的间隔位于两个子拓扑空间之间,那么将间隔设定为门。
具体的,该第一预设可以为0.7m~1.2m,本发明实施例对其不做具体限制。另外,之所以限定间隔位于两个子拓扑空间之间是因为本发明实施例只对待处理封闭空间内的门进行识别,不识别图5中客厅的门或者窗户,一般客厅中的门以及窗户并没有在两个子拓扑空间之间。
本发明通过提取待处理封闭空间内子拓扑空间边缘(墙)的连续性特征,采用路径规则遍历的方式实现了对待处理封闭空间的拓扑分割和门这一关键性节点的定位。计算方式简单有效,有效的提高了拓扑分割方法对待处理封闭空间的环境复杂多变问题的适应能力,更加适用于多种场景类型,具有简单有效,鲁棒性和可靠性高的特点,有效克服现有技术中分割方法通用性、鲁棒性不强、误分割率高的缺陷。
实施例二:
一种面向封闭空间的点云拓扑分割装置,参考图7,该装置包括:
获取模块11,用于获取待处理封闭空间的目标点云数据,其中,目标点云数据为经过预处理之后的点云数据,预处理包括:筛选处理,下采样处理,噪点去除处理;
生成模块12,用于根据目标点云数据在预设栅格地图中的投影结果生成待处理图像;
处理模块13,用于通过图像梯度算法对待处理图像进行处理,得到待处理封闭空间的边缘轮廓和边缘轮廓上的分叉点;
封闭路径遍历模块14,用于通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个子拓扑空间和多个子拓扑空间对应的门。
本发明中的面向封闭空间的点云拓扑分割装置中,先获取待处理封闭空间的目标点云数据,然后根据目标点云数据在预设栅格地图中的投影结果生成待处理图像,进而通过图像梯度算法对待处理图像进行处理,得到待处理封闭空间的边缘轮廓和边缘轮廓上的分叉点,最终通过路径规则遍历算法对边缘轮廓和分叉点进行封闭路径遍历,得到多个子拓扑空间和子拓扑空间对应的门。本发明中的装置通过路径规则遍历算法提取待处理封闭空间的封闭路径(即子拓扑空间的边缘连续性特征)以进行拓扑分割和对门进行识别,计算方式简单有效,提高了拓扑分割方法对待处理封闭空间中环境复杂多变问题的适应能力,更加适用于多种场景类型,该拓扑分割方法有效性好,鲁棒性强,缓解了现有的空间点云拓扑分割方法通用性差,鲁棒性不强且误分割率高的技术问题。
可选地,获取模块包括:
获取单元,用于通过安装在机器人上的RGB-D相机获取待处理封闭空间中不同时刻时对应的里程计数据,深度图和RGB图;
配准单元,用于通过时间对应关系将不同时刻时对应的里程计数据,深度图和RGB图进行配准,得到待处理封闭空间的原始点云数据;
筛选处理单元,用于通过预设筛选规则对原始点云数据进行筛选处理,得到筛选后的点云数据;
第一处理单元,用于对筛选后的点云数据进行下采样处理和噪点去除处理,得到目标点云数据。
可选地,生成模块包括:
离散化处理单元,用于采用目标栅格对x-y平面进行离散化处理,得到预设栅格地图;
投影单元,用于将目标点云数据投影至预设栅格地图;
统计单元,用于统计落入预设栅格地图中每个栅格中的空间点,得到每个栅格中空间点的统计数据,其中,空间点为目标点云数据对应的点;
第一生成单元,用于根据每个栅格中空间点的统计数据生成待处理图像,其中,每个栅格中空间点的统计数据为对应栅格的像素灰度值。
可选地,处理模块包括:
第二处理单元,用于对待处理图像进行第一处理,得到第一处理后的图像,其中,第一处理为高斯滤波处理;
计算单元,用于分别计算第一处理后的图像的u向梯度和v向梯度;
第一确定单元,用于确定u向梯度由正突变为非正的第一坐标点,并确定v向梯度由正突变为非正的第二坐标点;
第二生成单元,用于根据第一坐标点和第二坐标点生成二值化图像;
遍历获取单元,用于遍历获取二值化图像中的连续曲线段和连续曲线段上的分叉点;
第一设定单元,用于将连续曲线段作为待处理封闭空间的边缘轮廓,且将连续曲线段上的分叉点作为边缘轮廓上的分叉点。
可选地,封闭路径遍历模块包括:
封闭路径遍历单元,用于按照预设路径遍历规则对边缘轮廓和分叉点进行封闭路径遍历,得到多个封闭路径;
第二确定单元,用于在多个封闭路径中确定目标封闭路径;
第二设定单元,用于将目标封闭路径作为子拓扑空间分割边界,其中,目标封闭路径所围成的栅格区域为子拓扑空间;
第三确定单元,用于确定子拓扑空间分割边界上的间隔距离;
门设定单元,如果间隔距离满足第一预设距离且间隔距离对应的间隔位于两个子拓扑空间之间,那么将间隔设定为门。
可选地,预设路径遍历规则包括:
每条路径的起点为边缘轮廓的端点或边缘轮廓上的分叉点;
每条边缘轮廓的端点或边缘轮廓的分叉点有且只能成为一次起点;
每条路径的起点和终点为同一个坐标点;
同一条路径内只经过同一个坐标点一次;
每条路径遍历过程中遇到分叉点时,选择离回到终点最近的方向进行遍历;
当路径沿着边缘轮廓进行遍历无法回到起点时,则将欧式距离最近的边缘轮廓的端点作为中间点继续进行遍历。
可选地,第二确定单元包括:
第一去除子单元,用于在多个封闭路径中去除重复的封闭路径,得到第一剩余封闭路径;
第二去除子单元,用于在第一剩余封闭路径中去除长度小于预设长度的封闭路径,得到第二剩余封闭路径;
第三去除子单元,用于在第二剩余封闭路径中去除面积小于预设面积的封闭路径,得到第三剩余封闭路径;
第四去除子单元,如果第三剩余封闭路径中的封闭路径存在间隔,去除间隔对应的距离大于第二预设距离的封闭路径,得到第四剩余封闭路径;
计算子单元,用于在第四剩余封闭路径中,计算任意两个封闭路径之间的交并比;
第五去除子单元,如果交并比大于预设比值或者两个封闭路中一个封闭路径包含另外一个封闭路径,那么去除两个封闭路径中面积较小的封闭路径,得到第五剩余封闭路径;
设定子单元,用于将第五剩余封闭路径作为目标封闭路径。
该实施例二中的具体内容可以参考上述实施例一中的具体描述,在此不再赘述。
本发明实施例所提供的面向封闭空间的点云拓扑分割方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种面向封闭空间的点云拓扑分割方法,其特征在于,所述方法包括:
获取待处理封闭空间的目标点云数据,其中,所述目标点云数据为经过预处理之后的点云数据,所述预处理包括:筛选处理,下采样处理,噪点去除处理;
根据所述目标点云数据在预设栅格地图中的投影结果生成待处理图像;
通过图像梯度算法对所述待处理图像进行处理,得到所述待处理封闭空间的边缘轮廓和所述边缘轮廓上的分叉点;
通过路径规则遍历算法对所述边缘轮廓和所述分叉点进行封闭路径遍历,得到多个子拓扑空间和所述多个子拓扑空间对应的门。
2.根据权利要求1所述的方法,其特征在于,获取待处理封闭空间的目标点云数据包括:
通过安装在机器人上的RGB-D相机获取所述待处理封闭空间中不同时刻时对应的里程计数据,深度图和RGB图;
通过时间对应关系将所述不同时刻时对应的里程计数据,所述深度图和所述RGB图进行配准,得到所述待处理封闭空间的原始点云数据;
通过预设筛选规则对所述原始点云数据进行筛选处理,得到筛选后的点云数据;
对所述筛选后的点云数据进行下采样处理和噪点去除处理,得到所述目标点云数据。
3.根据权利要求1所述的方法,其特征在于,根据所述目标点云数据在预设栅格地图中的投影结果生成待处理图像包括:
采用目标栅格对x-y平面进行离散化处理,得到所述预设栅格地图;
将所述目标点云数据投影至所述预设栅格地图;
统计落入所述预设栅格地图中每个栅格中的空间点,得到每个栅格中空间点的统计数据,其中,所述空间点为所述目标点云数据对应的点;
根据所述每个栅格中空间点的统计数据生成所述待处理图像,其中,所述每个栅格中空间点的统计数据为对应栅格的像素灰度值。
4.根据权利要求1所述的方法,其特征在于,通过图像梯度算法对所述待处理图像进行处理,得到所述待处理封闭空间的边缘轮廓和所述边缘轮廓上的分叉点包括:
对所述待处理图像进行第一处理,得到第一处理后的图像,其中,所述第一处理为高斯滤波处理;
分别计算所述第一处理后的图像的u向梯度和v向梯度;
确定所述u向梯度由正突变为非正的第一坐标点,并确定所述v向梯度由正突变为非正的第二坐标点;
根据所述第一坐标点和所述第二坐标点生成二值化图像;
遍历获取所述二值化图像中的连续曲线段和所述连续曲线段上的分叉点;
将所述连续曲线段作为所述待处理封闭空间的边缘轮廓,且将所述连续曲线段上的分叉点作为所述边缘轮廓上的分叉点。
5.根据权利要求1所述的方法,其特征在于,通过路径规则遍历算法对所述边缘轮廓和所述分叉点进行封闭路径遍历,得到多个子拓扑空间和所述多个子拓扑空间对应的门包括:
按照预设路径遍历规则对所述边缘轮廓和所述分叉点进行封闭路径遍历,得到多个封闭路径;
在所述多个封闭路径中确定目标封闭路径;
将所述目标封闭路径作为子拓扑空间分割边界,其中,所述目标封闭路径所围成的栅格区域为所述子拓扑空间;
确定所述子拓扑空间分割边界上的间隔距离;
如果所述间隔距离满足第一预设距离且所述间隔距离对应的间隔位于两个子拓扑空间之间,那么将所述间隔设定为门。
6.根据权利要求5所述的方法,其特征在于,所述预设路径遍历规则包括:
每条路径的起点为所述边缘轮廓的端点或所述边缘轮廓上的分叉点;
每条边缘轮廓的端点或所述边缘轮廓的分叉点有且只能成为一次起点;
每条路径的起点和终点为同一个坐标点;
同一条路径内只经过同一个坐标点一次;
每条路径遍历过程中遇到分叉点时,选择离回到终点最近的方向进行遍历;
当路径沿着边缘轮廓进行遍历无法回到起点时,则将欧式距离最近的边缘轮廓的端点作为中间点继续进行遍历。
7.根据权利要求5所述的方法,其特征在于,在所述多个封闭路径中确定目标封闭路径包括:
在所述多个封闭路径中去除重复的封闭路径,得到第一剩余封闭路径;
在第一剩余封闭路径中去除长度小于预设长度的封闭路径,得到第二剩余封闭路径;
在第二剩余封闭路径中去除面积小于预设面积的封闭路径,得到第三剩余封闭路径;
如果所述第三剩余封闭路径中的封闭路径存在间隔,去除间隔对应的距离大于第二预设距离的封闭路径,得到第四剩余封闭路径;
在所述第四剩余封闭路径中,计算任意两个封闭路径之间的交并比;
如果所述交并比大于预设比值或者两个封闭路中一个封闭路径包含另外一个封闭路径,那么去除两个封闭路径中面积较小的封闭路径,得到第五剩余封闭路径;
将所述第五剩余封闭路径作为所述目标封闭路径。
8.一种面向封闭空间的点云拓扑分割装置,其特征在于,所述装置包括:
获取模块,用于获取待处理封闭空间的目标点云数据,其中,所述目标点云数据为经过预处理之后的点云数据,所述预处理包括:筛选处理,下采样处理,噪点去除处理;
生成模块,用于根据所述目标点云数据在预设栅格地图中的投影结果生成待处理图像;
处理模块,用于通过图像梯度算法对所述待处理图像进行处理,得到所述待处理封闭空间的边缘轮廓和所述边缘轮廓上的分叉点;
封闭路径遍历模块,用于通过路径规则遍历算法对所述边缘轮廓和所述分叉点进行封闭路径遍历,得到多个子拓扑空间和所述多个子拓扑空间对应的门。
9.根据权利要求8所述的装置,其特征在于,所述获取模块包括:
获取单元,用于通过安装在机器人上的RGB-D相机获取所述待处理封闭空间中不同时刻时对应的里程计数据,深度图和RGB图;
配准单元,用于通过时间对应关系将所述不同时刻时对应的里程计数据,所述深度图和所述RGB图进行配准,得到所述待处理封闭空间的原始点云数据;
筛选处理单元,用于通过预设筛选规则对所述原始点云数据进行筛选处理,得到筛选后的点云数据;
第一处理单元,用于对所述筛选后的点云数据进行下采样处理和噪点去除处理,得到所述目标点云数据。
10.根据权利要求8所述的装置,其特征在于,所述生成模块包括:
离散化处理单元,用于采用目标栅格对x-y平面进行离散化处理,得到所述预设栅格地图;
投影单元,用于将所述目标点云数据投影至所述预设栅格地图;
统计单元,用于统计落入所述预设栅格地图中每个栅格中的空间点,得到每个栅格中空间点的统计数据,其中,所述空间点为所述目标点云数据对应的点;
第一生成单元,用于根据所述每个栅格中空间点的统计数据生成所述待处理图像,其中,所述每个栅格中空间点的统计数据为对应栅格的像素灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810093524.8A CN108154516B (zh) | 2018-01-30 | 2018-01-30 | 面向封闭空间的点云拓扑分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810093524.8A CN108154516B (zh) | 2018-01-30 | 2018-01-30 | 面向封闭空间的点云拓扑分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154516A true CN108154516A (zh) | 2018-06-12 |
CN108154516B CN108154516B (zh) | 2020-06-09 |
Family
ID=62459442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810093524.8A Active CN108154516B (zh) | 2018-01-30 | 2018-01-30 | 面向封闭空间的点云拓扑分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154516B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143255A (zh) * | 2018-07-04 | 2019-01-04 | 厦门大学 | 一种铰接轮式装载机姿态预测方法 |
CN110888960A (zh) * | 2019-11-29 | 2020-03-17 | 深圳市银星智能科技股份有限公司 | 一种室内空间分区方法、装置及移动机器人 |
CN111862133A (zh) * | 2019-04-26 | 2020-10-30 | 速感科技(北京)有限公司 | 封闭空间的区域分割方法、装置和可移动设备 |
CN114326585A (zh) * | 2022-03-16 | 2022-04-12 | 广州王石软件技术有限公司 | 数控系统用的任意封闭图形的挖空加工方法及数控系统 |
CN115272381A (zh) * | 2022-09-28 | 2022-11-01 | 无锡日联科技股份有限公司 | 一种金属线分割方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1617170A (zh) * | 2003-09-19 | 2005-05-18 | 索尼株式会社 | 环境识别设备及方法,路径规划设备及方法以及机器人 |
US20110254833A1 (en) * | 2010-04-19 | 2011-10-20 | Caterpillar Inc. | Mesh estimation of terrain |
CN102542555A (zh) * | 2010-12-17 | 2012-07-04 | 北京大学 | 一种栅格图像边缝路径及边缝拓扑结构的生成方法及系统 |
CN107330925A (zh) * | 2017-05-11 | 2017-11-07 | 北京交通大学 | 一种基于激光雷达深度图像的多障碍物检测和跟踪方法 |
-
2018
- 2018-01-30 CN CN201810093524.8A patent/CN108154516B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1617170A (zh) * | 2003-09-19 | 2005-05-18 | 索尼株式会社 | 环境识别设备及方法,路径规划设备及方法以及机器人 |
US20110254833A1 (en) * | 2010-04-19 | 2011-10-20 | Caterpillar Inc. | Mesh estimation of terrain |
CN102542555A (zh) * | 2010-12-17 | 2012-07-04 | 北京大学 | 一种栅格图像边缝路径及边缝拓扑结构的生成方法及系统 |
CN107330925A (zh) * | 2017-05-11 | 2017-11-07 | 北京交通大学 | 一种基于激光雷达深度图像的多障碍物检测和跟踪方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143255A (zh) * | 2018-07-04 | 2019-01-04 | 厦门大学 | 一种铰接轮式装载机姿态预测方法 |
CN111862133A (zh) * | 2019-04-26 | 2020-10-30 | 速感科技(北京)有限公司 | 封闭空间的区域分割方法、装置和可移动设备 |
CN111862133B (zh) * | 2019-04-26 | 2023-07-21 | 速感科技(北京)有限公司 | 封闭空间的区域分割方法、装置和可移动设备 |
CN110888960A (zh) * | 2019-11-29 | 2020-03-17 | 深圳市银星智能科技股份有限公司 | 一种室内空间分区方法、装置及移动机器人 |
CN114326585A (zh) * | 2022-03-16 | 2022-04-12 | 广州王石软件技术有限公司 | 数控系统用的任意封闭图形的挖空加工方法及数控系统 |
CN114326585B (zh) * | 2022-03-16 | 2022-05-27 | 广州王石软件技术有限公司 | 数控系统用的任意封闭图形的挖空加工方法及数控系统 |
CN115272381A (zh) * | 2022-09-28 | 2022-11-01 | 无锡日联科技股份有限公司 | 一种金属线分割方法、装置、电子设备及存储介质 |
CN115272381B (zh) * | 2022-09-28 | 2023-02-03 | 无锡日联科技股份有限公司 | 一种金属线分割方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108154516B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154516A (zh) | 面向封闭空间的点云拓扑分割方法及装置 | |
CN107038717B (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
CN107767382B (zh) | 静态三维地图建筑物轮廓线的自动提取方法及系统 | |
CN108416785A (zh) | 面向封闭空间的拓扑分割方法及装置 | |
CN109325998A (zh) | 一种基于点云数据的室内3d建模方法、系统及相关装置 | |
CN108053432B (zh) | 基于局部icp的室内稀疏点云场景的配准方法 | |
CN109118500A (zh) | 一种基于图像的三维激光扫描点云数据的分割方法 | |
CN107330979A (zh) | 建筑户型的矢量图生成方法、装置及终端 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN112883878B (zh) | 一种基于三维格网的变电站场景下的点云自动分类方法 | |
CN106558072A (zh) | 一种基于改进sift特征在遥感图像上配准的方法 | |
Previtali et al. | A flexible methodology for outdoor/indoor building reconstruction from occluded point clouds | |
CN110246092A (zh) | 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法 | |
CN107092871A (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN111260668A (zh) | 一种电力线提取方法、系统及终端 | |
CN102609917A (zh) | 一种基于聚类算法的图像边缘拟合b样条生成方法 | |
CN116580048B (zh) | 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统 | |
CN109410183A (zh) | 基于点云数据的平面提取方法、系统、装置及存储介质 | |
CN114359437A (zh) | 基于点云的建筑结构二维平面图重建方法 | |
Thiemann et al. | 3D-symbolization using adaptive templates | |
CN117152172A (zh) | 一种基于点云数据的输电线路杆塔和电力线提取方法 | |
CN116645499A (zh) | 边界框的确定方法、装置、设备、存储介质和程序产品 | |
Barrett et al. | Houghing the hough: Peak collection for detection of corners, junctions and line intersections | |
CN116645500A (zh) | 边界框的确定方法、装置、设备、存储介质和程序产品 | |
CN113139982B (zh) | 一种室内房间点云的自动分割方法 |
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 |