CN109584294B - 一种基于激光点云的路面点云提取方法和装置 - Google Patents
一种基于激光点云的路面点云提取方法和装置 Download PDFInfo
- Publication number
- CN109584294B CN109584294B CN201811413345.4A CN201811413345A CN109584294B CN 109584294 B CN109584294 B CN 109584294B CN 201811413345 A CN201811413345 A CN 201811413345A CN 109584294 B CN109584294 B CN 109584294B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- curved surface
- road surface
- road
- surface point
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000001914 filtration Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 44
- 239000004744 fabric Substances 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30241—Trajectory
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种基于激光点云的路面点云提取方法和装置,首先使用点云采集时的轨迹构造多边形,再结合深度图像的边界点探索,对路面点云进行粗提取,可以剔除道路两侧的树木等大面积的干扰点云;在此基础上,再使用CSF布料模拟滤波对点云进行过滤,计算法向量,曲面探索等以精细提取路面点云,可以剔除马路牙、护栏、隔音棚,还有其他一些高于路面的噪声点云。通过以上粗提取和精细提取的方法组合,可以有效实现高速道路路面点云的精细提取。
Description
技术领域
本发明实施例涉及激光点云处理技术领域,更具体地,涉及一种基于激光点云的路面点云提取方法和装置。
背景技术
近年,自动驾驶技术快速发展。三维激光点云由于其完整的三维信息以及非常高的数学精度和地理精度,在自动驾驶领域受到重用,例如作为高精度地图的数据源,或者结合SLAM(simultaneous localization and mapping)技术用于定位。且伴随激光雷达的结构升级,成本降低,使得激光点云的广泛应用成为可能。不管是激光点云在高精度地图采集,还是在定位中的应用,道路面点云的提取都是至关重要的一项技术。有效道路面点云的提取,是后续在道路面点云中提取车道线、箭头等印刷类要素的重要保障。
目前也有许多道路点云面提取的方法,主要有网格划分法,分类训练法,轮廓分割法等。网格划分法是将点云划分为均匀的网格,计算网格内的点云平均高度,探索邻近网格之间的高度差,以找到高度差异小的网格集合,进行聚类,获取路面点云。这种方法是将基于图片的灰度探索应用于点云的高度差探索上。其效果受网格划分和高度聚类阈值等的影响,在上下坡道路上的效果可能不够稳定,且护栏、隔音棚、马路牙等高起的设施较难与路面精细划分开。分类训练法是基于点云样本的标记,进行训练以提取路面点云的方法。
由于地面、树木、护栏、建筑、汽车等对激光的反射程度各有不同,实际采集的点云是丰富多样的,直接导致点云的样本标注成本较高,而点云的数据量大,又使得样本训练的计算量大,这种方法在工程应用上尚难大范围展开。轮廓分割法是基于OpenStreetMap或其他二维地图来获取道路面的范围,构造多边形来分割点云。不管是未做偏移的OpenStreetMap,还是目前公开出版的加密二维地图,与高精度的激光点云的位置精度还是有明显差异的。并且是在道路分叉,交汇等位置,很难确定道路的范围。所以利用二维地图获取点云道路面边界的方法,只能对道路面做粗提取,也不能精细划分出护栏,马路牙等道路沿线的高起设施。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种基于激光点云的路面点云提取方法和装置。
第一方面,本发明实施例提供一种基于激光点云的路面点云提取方法,包括:
基于边界信息对路面点云进行提取,得到第二路面点云;
基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,基于预设法向量特征限定对所述第三路面点云进行过滤,得到第四路面点云,基于点云库PCL对所述第四路面点云进行曲面探测,得到多个曲面点云;
基于曲面点云的平均z值、曲面点云的点数的权重,以及曲面点云单位法向量在z轴上的分量的绝对值,构建用于评价曲面平坦度的评价值,取评价值最大的曲面点云作为目标路面点云。
作为优选的,基于边界信息对路面点云进行提取前,还包括:
基于轨迹信息对路面点云进行提取,若判断获知路面点云中存在轨迹信息,则基于PCL获取路面点云的三维包围盒,对所述轨迹信息和三维包围盒进行相交计算,得到所述三维包围盒内部的轨迹信息;
遍历三维包围盒内部的轨迹信息,分别获取每一个轨迹点沿通行方向向左设定距离的左点,以及沿通行方向向右设定距离的右点;
将左点按顺序、右点按倒序存储,形成一个多边形,以所述多边形分割路面点云,得到第一路面点云。
作为优选的,基于边界信息对路面点云进行提取,具体包括:
基于PCL将路面点云转换为深度图像,获取所述深度图像的边界点,并将所述边界点转换为路面点云的点云坐标;
获取点云坐标对应点集的凸包,基于所述凸包分割路面点云,得到第二路面点云。
作为优选的,基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,具体包括:
设定CSF滤波的刚性参数、分类阈值参数、采样阈值参数,并进行CSF滤波,得到地面点云的索引groundIndex;
基于PCL中的ExtractIndices模块,输入第二路面点云和索引groundIndex得到第三路面点云。
作为优选的,根据权利要求1所述的基于激光点云的路面点云提取方法,其特征在于,基于预设法向量特征限定对所述第三路面点云进行过滤,具体包括:
基于PCL中的NormalEstimation模块,设定查找半径,并基于所述查找半径获取第三路面点云的法向量;
连接第三路面点云和单位法向量,并基于PCL的条件滤波ConditionAnd模块,提取其中单位法向量在z轴上分量绝对值大于设定法向量阈值的点云,得到第四路面点云。
作为优选的,基于点云库PCL对所述第四路面点云进行曲面探测,具体包括:
基于PCL的SACSegmentationFromNormals模块,通过柱面曲面模型、球面曲面模型和平面曲面模型对所述第四路面点云进行曲面提取,得到符合相应曲面模型的参数,以及构成曲面的点的索引集合;
对构成曲面的点的索引集合和曲面模型的参数进行筛选:若索引集合内点数为0,则未探测到对应类型的曲面;若索引集合内点数大于0,且曲面模型为柱面模型或球面模型时,若曲面模型的半径小于R,则该曲面为无效曲面,剔除这个无效曲面;
基于剩余曲面的点的索引集合,提取构成曲面的曲面点云。
作为优选的,构建用于评价曲面平坦度的评价值,具体包括:
获取各个曲面点云的平均z值AvgZ,提取其中的最大值maxZ;并计算z值的权重:weightAvgZ=1-AvgZ/maxZ;
获取曲面点云的点数PtSz,获取各个曲面点云的点数中的最大值maxPtSz,并计算点数的权重:weightPtSz=PtSz/maxPtSz;
获取曲面点云的单位法向量,取单位法向量在z轴上的分量绝对值的均值AvgNormalZ;获取各曲面点云的AvgNormalZ中的最大值maxNormalZ,计算法向量的权重:weightNormalZ=AvgNormalZ/maxNormalZ;
构建评价值weightAvgZ+weightPtSz+weightNormalZ。
第二方面,本发明实施例提供一种基于激光点云的道路面点云提取装置,包括:
粗提取模块,用于基于边界信息对路面点云进行提取,得到第二路面点云;
精提取模块,用于基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,基于预设法向量特征限定对所述第三路面点云进行过滤,得到第四路面点云,基于点云库PCL对所述第四路面点云进行曲面探测,得到多个曲面点云;
基于曲面点云的平均z值、曲面点云的点数的权重,以及曲面点云单位法向量在z轴上的分量的绝对值,构建用于评价曲面平坦度的评价值,取评价值最大的曲面点云作为目标路面点云。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提出了一种基于激光点云的路面点云提取方法和装置,首先使用点云采集时的轨迹构造多边形,再结合深度图像的边界点探索,对路面点云进行粗提取,可以剔除道路两侧的树木等大面积的干扰点云;在此基础上,再使用CSF布料模拟滤波对点云进行过滤,计算法向量,曲面探索等以精细提取路面点云,可以剔除马路牙、护栏、隔音棚,还有其他一些高于路面的噪声点云。通过以上粗提取和精细提取的方法组合,可以有效实现高速道路路面点云的精细提取。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为根据本发明实施例的基于激光点云的路面点云提取方法示意图;
图2为根据本发明实施例的深度图像示意图;
图3为根据本发明实施例的基于轨迹计算的多边形和基于深度图像凸包边界的示意图;
图4为根据本发明实施例的旋转视角下分离出的道路面和护栏点云;
图5为根据本发明实施例的曲面探测结果示意图。
图6为根据本发明实施例的基于激光点云的路面点云提取装置示意图;
图7为根据本发明实施例的电子设备的实体结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中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作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。
由于自动驾驶技术的研究,优先以高速道路等封闭道路为应用场景。现有技术中的方法,主要可用于部分场景下道路面的粗提取。本文提出一种高速场景下道路面点云的精细提取方法。高速道路场景相比城市道路场景,少了沿路的建筑、行人等干扰,车辆较少,道路两侧常有护栏,马路牙等明确的高于路面的隔离设施,道路面坡度变化较小。解决高速场景下激光点云处理的重难点,对于激光点云的广泛应用有重要意义。本实施例中,利用点云采集时的轨迹数据构建轮廓分割点云,集合深度图像上的边界探索,对道路面点云进行粗提取。再结合法向量特征,滤波计算,曲面探索,对道路面点云进行精细提取。以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供的一种基于激光点云的路面点云提取方法,包括:
基于边界信息对路面点云进行提取,得到第二路面点云;
基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,基于预设法向量特征限定对所述第三路面点云进行过滤,得到第四路面点云,基于点云库PCL对所述第四路面点云进行曲面探测,得到多个曲面点云;
基于曲面点云的平均z值、曲面点云的点数的权重,以及曲面点云单位法向量在z轴上的分量的绝对值,构建用于评价曲面平坦度的评价值,取评价值最大的曲面点云作为目标路面点云。
在本实施例中,基于边界信息对路面点云进行提取,得到第二路面点云,主要是进行粗提取,采用PCL(Point Cloud Library,点云库)进行点云处理,PCL是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源C++编程库,它实现了大量点云相关的通用算法和高效数据结构,涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。
结合深度图像的边界点探索,对路面点云进行粗提取,可以剔除道路两侧的树木等大面积的干扰点云;在此基础上,再使用CSF布料模拟滤波对点云进行过滤,计算法向量,曲面探索等以精细提取路面点云,可以剔除马路牙、护栏、隔音棚,还有其他一些高于路面的噪声点云。通过以上粗提取和精细提取的方法组合,可以有效实现高速道路路面点云的精细提取。
在上述实施例的基础上,基于边界信息对路面点云进行提取前,还包括:
基于轨迹信息对路面点云进行提取,若判断获知路面点云中存在轨迹信息,则基于PCL获取路面点云的三维包围盒,对所述轨迹信息和三维包围盒进行相交计算,得到所述三维包围盒内部的轨迹信息;
遍历三维包围盒内部的轨迹信息,分别获取每一个轨迹点沿通行方向向左设定距离的左点,以及沿通行方向向右设定距离的右点;
将左点按顺序、右点按倒序存储,形成一个多边形,以所述多边形分割路面点云,得到第一路面点云。
在本实施例中,路面点云的粗提取包括两步,步骤S1为:计算原始点云PointCloud0的三维包围盒,计算轨迹点在包围盒内的部分;将这部分轨迹点按照通行方向,向左右两侧扩展一定距离,构造一个多边形。使用该多边形分割点云,得到第一路面点云PointCloud1。
在上述各实施例的基础上,步骤S1具体如下:
S11、判断当前的路面点云PointCloud0是否存在配套的轨迹,若没有则直接基于边界信息对路面点云PointCloud0进行提取;
S12、使用PCL计算路面点云的三维包围盒box,对轨迹数据和box计算相交运算,得到box内部的轨迹数据;
S13、遍历box内部的轨迹数据,取得每一个轨迹点上航向信息,并分别计算这个轨迹点沿通行方向向左、向右一定距离的点(高速道路一般三个车道,每个车道平均宽度一般为4m左右,这里的距离取值为15m);
S14、将左点按顺序,右点按倒序存储,形成一个多边形;
S15、使用多边形分割路面点云得到第一路面点云PointCloud1。
在上述各实施例的基础上,基于边界信息对路面点云进行提取,具体包括:
基于PCL将路面点云转换为深度图像,获取所述深度图像的边界点,并将所述边界点转换为路面点云的点云坐标;
获取点云坐标对应点集的凸包,基于所述凸包分割路面点云,得到第二路面点云。
在本实施例中,基于轨迹分割点云后,还需要进行步骤S2:基于边界信息对路面点云进行提取,得到第二路面点云。
所述步骤S2具体如下:
S21、使用PCL的RangeImage模块将PointCloud1转换为深度图像rImage;
S22、使用PCL的RangeImageBorderExtractor模块获取图像rImage的边界点,如图2所示,图中包括深度边界凸包1、轨迹多边形边界2和分割后的第二路面点云3。由于边界点的探索结果是不精确的,这里保留类别为BORDER_TRAIT__OBSTACLE_BORDER(障碍物边界点)、BORDER_TRAIT__VEIL_POINT(障碍物边界和阴影边界之间的内插点)、BORDER_TRAIT__SHADOW_BORDER(阴影边界)这三种类型的边界点。
S23、将S22获取的边界点,从图像坐标转换回点云坐标;
S24、使用PCL的convex_hull模块计算S23中获取的点集的凸包(点集Q的凸包是指一个最小凸多边形,满足Q中的点或者在多边形边上或者在其内);
S25、用凸包分割点云PointCloud1得到第二路面点云PointCloud2,将图像的边界点转换回点云的坐标,并构造凸包分割点云,得到PointCloud2,如图3所示;
经过S1~S2道路面点云的粗提取,扫描到道路两侧的树木等大面积非路面点云已经被剔除掉了。
在上述各实施例的基础上,基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,具体包括:
设定CSF滤波的刚性参数、分类阈值参数、采样阈值参数,并进行CSF滤波,得到地面点云的索引groundIndex;
基于PCL中的ExtractIndices模块,输入第二路面点云和索引groundIndex得到第三路面点云。
在本实施例中,步骤S3具体包括:
S31:设置CSF滤波的参数:rigidness为2,class_threshold为0.1,cloth_resolution为0.1(由于高速道路路面一般较为平坦,匝道路面坡度也较为平缓,设置rigidness为2是执行缓坡点云的CSF滤波;分类阈值class_threshold和采样阈值cloth_resolution均设置为0.1m);
S32:执行CSF滤波,得到地面点云的索引groundIndex;
S33:使用PCL的ExtractIndices模块,输入PointCloud2和索引groundIndex得到第三路面点云PointCloud3,如图4所示。
在上述各实施例的基础上,基于预设法向量特征限定对所述第三路面点云进行过滤,具体包括:
基于PCL中的NormalEstimation模块,设定查找半径,并基于所述查找半径获取第三路面点云的法向量;
连接第三路面点云和单位法向量,并基于PCL的条件滤波ConditionAnd模块,提取其中单位法向量在z轴上分量绝对值大于设定法向量阈值的点云,得到第四路面点云。
在本实施例中,步骤S4具体如下:
S41、使用PCL的NormalEstimation模块,对PointCloud3计算法向量normals,设置查找半径为0.1m;
S42、连接PointCloud3和normals,使PointCloud3包含法向量信息;
S43、使用PCL的条件滤波ConditionAnd模块,在字段"normal_z"(单位法向量在z轴上的分量)上执行大于0.5或小于-0.5的滤波;因为道路面是较为平缓的,单位法向量应接近平行于z轴,即单位法向量在z轴上的分量应接近于1或-1;过滤得到第四路面点云PointCloud4,并保存PointCloud4对应的法向量normals4。
在上述各实施例的基础上,基于点云库PCL对所述第四路面点云进行曲面探测,具体包括:
基于PCL的SACSegmentationFromNormals模块,通过柱面曲面模型、球面曲面模型和平面曲面模型对所述第四路面点云进行曲面提取,得到符合相应曲面模型的参数,以及构成曲面的点的索引集合;
对构成曲面的点的索引集合和曲面模型的参数进行筛选:若索引集合内点数为0,则未探测到对应类型的曲面;若索引集合内点数大于0,且曲面模型为柱面模型或球面模型时,若曲面模型的半径小于R,则该曲面为无效曲面,剔除这个无效曲面;
基于剩余曲面的点的索引集合,提取构成曲面的曲面点云。
在本实施例中,步骤S5具体如下:
S51、使用PCL的SACSegmentationFromNormals模块,输入PointCloud4,法向量normals4,设置提取方法为SAC_RANSAC,提取类型分别为SACMODEL_CYLINDER(柱面)、SACMODEL_SPHERE(球面)、SACMODEL_PLANE(平面),采用这三种模型分别对PointCloud4进行曲面提取,得到符合相应的曲面模型的参数,以及构成曲面的点的索引集合;
S52、对构成曲面的点的索引集合和曲面模型的参数按照如下规则进行判定:若索引集合内点数为0,则未探测到该类型的曲面;若索引集合内点数大于0,当曲面模型为柱面模型或球面模型时,若曲面模型的半径小于100m,则该曲面为无效曲面,剔除这个无效曲面;
S53、对S52步骤保留下来的曲面,使用PCL的ExtractIndices模块,按照构成曲面的点的索引集合,将构成曲面的点云提取出来。
在上述各实施例的基础上,构建用于评价曲面平坦度的评价值,具体包括:
获取各个曲面点云的平均z值AvgZ,提取其中的最大值maxZ;并计算z值的权重:weightAvgZ=1-AvgZ/maxZ;
获取曲面点云的点数PtSz,获取各个曲面点云的点数中的最大值maxPtSz,并计算点数的权重:weightPtSz=PtSz/maxPtSz;
获取曲面点云的单位法向量,取单位法向量在z轴上的分量绝对值的均值AvgNormalZ;获取各曲面点云的AvgNormalZ中的最大值maxNormalZ,计算法向量的权重:weightNormalZ=AvgNormalZ/maxNormalZ;
构建评价值weightAvgZ+weightPtSz+weightNormalZ。
在本实施例中,步骤S53后还包括:
S54、分别计算S53中获取的各个曲面点云的平均z值。由于经过S1~S2道路面点云的粗提取,扫描到道路两侧的树木等大面积非路面点云已经被剔除掉了。当前步骤中提取的曲面点云主要包含路面、马路牙、护栏、隔音棚、扫描到的汽车、其他噪声点云。对这些曲面点云,计算平均z值AvgZ,获取各个点云的平均z值中的最大值maxZ。计算1-AvgZ/maxZ(用1减去AvgZ除以maxZ),为z值的权重weightAvgZ;
S55、分别获取S53中曲面点云的点数PtSz,取获取各个点云的点数中的最大值maxPtSz。计算PtSz/maxPtSz(PtSz除以maxPtSz),为点数的权重weightPtSz;
S56、分别获取S53中曲面点云的法向量,取单位法向量在z轴上的分量的绝对值的均值AvgNormalZ,获取各个点云的AvgNormalZ中的最大值maxNormalZ。计算AvgNormalZ/maxNormalZ(AvgNormalZ除以maxNormalZ),为法向量的权重weightNormalZ。
S57、计算评价值weightAvgZ+weightPtSz+weightNormalZ,取评价值最大的曲面为路面点云。获取保留的点云,连接起来得到第五路面点云PointCloud5,即为精细提取到的道路面点云,如图5所示。
本实施例中还提供了一种基于激光点云的路面点云提取装置,基于上述各实施例中的基于激光点云的路面点云提取方法,如图6所示,包括:
粗提取模块60,用于基于边界信息对路面点云进行提取,得到第二路面点云;
精提取模块70,用于基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,基于预设法向量特征限定对所述第三路面点云进行过滤,得到第四路面点云,基于点云库PCL对所述第四路面点云进行曲面探测,得到多个曲面点云;
基于曲面点云的平均z值、曲面点云的点数的权重,以及曲面点云单位法向量在z轴上的分量的绝对值,构建用于评价曲面平坦度的评价值,取评价值最大的曲面点云作为目标路面点云。
图7为本发明实施例提供的电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储在存储器830上并可在处理器810上运行的计算机程序,以执行上述各实施例提供的基于激光点云的路面点云提取方法,例如包括:
基于边界信息对路面点云进行提取,得到第二路面点云;
基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,基于预设法向量特征限定对所述第三路面点云进行过滤,得到第四路面点云,基于点云库PCL对所述第四路面点云进行曲面探测,得到多个曲面点云;
基于曲面点云的平均z值、曲面点云的点数的权重,以及曲面点云单位法向量在z轴上的分量的绝对值,构建用于评价曲面平坦度的评价值,取评价值最大的曲面点云作为目标路面点云。
此外,上述的存储器830中的逻辑指令可以通过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,本发明实施例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。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于激光点云的路面点云提取方法,例如包括:
基于边界信息对路面点云进行提取,得到第二路面点云;
基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,基于预设法向量特征限定对所述第三路面点云进行过滤,得到第四路面点云,基于点云库PCL对所述第四路面点云进行曲面探测,得到多个曲面点云;
基于曲面点云的平均z值、曲面点云的点数的权重,以及曲面点云单位法向量在z轴上的分量的绝对值,构建用于评价曲面平坦度的评价值,取评价值最大的曲面点云作为目标路面点云。
本发明实施例还提供本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行如上述的基于激光点云的路面点云提取方法,例如包括:
基于边界信息对路面点云进行提取,得到第二路面点云;
基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,基于预设法向量特征限定对所述第三路面点云进行过滤,得到第四路面点云,基于点云库PCL对所述第四路面点云进行曲面探测,得到多个曲面点云;
基于曲面点云的平均z值、曲面点云的点数的权重,以及曲面点云单位法向量在z轴上的分量的绝对值,构建用于评价曲面平坦度的评价值,取评价值最大的曲面点云作为目标路面点云。
综上所述,本发明实施例提供的一种基于激光点云的路面点云提取方法和装置,首先使用点云采集时的轨迹构造多边形,再结合深度图像的边界点探索,对路面点云进行粗提取,可以剔除道路两侧的树木等大面积的干扰点云;在此基础上,再使用CSF布料模拟滤波对点云进行过滤,计算法向量,曲面探索等以精细提取路面点云,可以剔除马路牙、护栏、隔音棚,还有其他一些高于路面的噪声点云。通过以上粗提取和精细提取的方法组合,可以有效实现高速道路路面点云的精细提取。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于激光点云的路面点云提取方法,其特征在于,包括:
基于轨迹信息对路面点云进行提取,若判断获知路面点云中存在轨迹信息,则基于PCL获取路面点云的三维包围盒,对所述轨迹信息和三维包围盒进行相交计算,得到所述三维包围盒内部的轨迹信息;
遍历三维包围盒内部的轨迹信息,分别获取每一个轨迹点沿通行方向向左设定距离的左点,以及沿通行方向向右设定距离的右点;
将左点按顺序、右点按倒序存储,形成一个多边形,以所述多边形分割路面点云,得到第一路面点云;
基于边界信息对第一路面点云进行提取,得到第二路面点云;
基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,基于预设法向量特征限定对所述第三路面点云进行过滤,得到第四路面点云,基于点云库PCL对所述第四路面点云进行曲面探测,得到多个曲面点云;
基于曲面点云的平均z值、曲面点云的点数的权重,以及曲面点云单位法向量在z轴上的分量的绝对值,构建用于评价曲面平坦度的评价值,取评价值最大的曲面点云作为目标路面点云。
2.根据权利要求1所述的基于激光点云的路面点云提取方法,其特征在于,基于边界信息对第一路面点云进行提取,具体包括:
基于PCL将路面点云转换为深度图像,获取所述深度图像的边界点,并将所述边界点转换为路面点云的点云坐标;
获取点云坐标对应点集的凸包,基于所述凸包分割路面点云,得到第二路面点云。
3.根据权利要求1所述的基于激光点云的路面点云提取方法,其特征在于,基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,具体包括:
设定CSF滤波的刚性参数、分类阈值参数、采样阈值参数,并进行CSF滤波,得到地面点云的索引groundIndex;
基于PCL中的ExtractIndices模块,输入第二路面点云和索引groundIndex得到第三路面点云。
4.根据权利要求1所述的基于激光点云的路面点云提取方法,其特征在于,基于预设法向量特征限定对所述第三路面点云进行过滤,具体包括:
基于PCL中的NormalEstimation模块,设定查找半径,并基于所述查找半径获取第三路面点云的法向量;
连接第三路面点云和单位法向量,并基于PCL的条件滤波ConditionAnd模块,提取其中单位法向量在z轴上分量绝对值大于设定法向量阈值的点云,得到第四路面点云。
5.根据权利要求1所述的基于激光点云的路面点云提取方法,其特征在于,基于点云库PCL对所述第四路面点云进行曲面探测,具体包括:
基于PCL的SACSegmentationFromNormals模块,通过柱面曲面模型、球面曲面模型和平面曲面模型对所述第四路面点云进行曲面提取,得到符合相应曲面模型的参数,以及构成曲面的点的索引集合;
对构成曲面的点的索引集合和曲面模型的参数进行筛选:若索引集合内点数为0,则未探测到对应类型的曲面;若索引集合内点数大于0,且曲面模型为柱面模型或球面模型时,若曲面模型的半径小于R,则该曲面为无效曲面,剔除这个无效曲面;
基于剩余曲面的点的索引集合,提取构成曲面的曲面点云。
6.根据权利要求1所述的基于激光点云的路面点云提取方法,其特征在于,构建用于评价曲面平坦度的评价值,具体包括:
获取各个曲面点云的平均z值AvgZ,提取其中的最大值maxZ;并计算z值的权重:weightAvgZ=1-AvgZ/maxZ;
获取曲面点云的点数PtSz,获取各个曲面点云的点数中的最大值maxPtSz,并计算点数的权重:weightPtSz=PtSz/maxPtSz;
获取曲面点云的单位法向量,取单位法向量在z轴上的分量绝对值的均值AvgNormalZ;获取各曲面点云的AvgNormalZ中的最大值maxNormalZ,计算法向量的权重:weightNormalZ=AvgNormalZ/maxNormalZ;
构建评价值weightAvgZ+weightPtSz+weightNormalZ。
7.一种基于激光点云的路面点云提取装置,其特征在于,包括:
粗提取模块,用于基于轨迹信息对路面点云进行提取,若判断获知路面点云中存在轨迹信息,则基于PCL获取路面点云的三维包围盒,对所述轨迹信息和三维包围盒进行相交计算,得到所述三维包围盒内部的轨迹信息;
遍历三维包围盒内部的轨迹信息,分别获取每一个轨迹点沿通行方向向左设定距离的左点,以及沿通行方向向右设定距离的右点;
将左点按顺序、右点按倒序存储,形成一个多边形,以所述多边形分割路面点云,得到第一路面点云;
基于边界信息对第一路面点云进行提取,得到第二路面点云;
精提取模块,用于基于布料模拟滤波CSF对所述第二路面点云进行滤波得到第三路面点云,基于预设法向量特征限定对所述第三路面点云进行过滤,得到第四路面点云,基于点云库PCL对所述第四路面点云进行曲面探测,得到多个曲面点云;
基于曲面点云的平均z值、曲面点云的点数的权重,以及曲面点云单位法向量在z轴上的分量的绝对值,构建用于评价曲面平坦度的评价值,取评价值最大的曲面点云作为目标路面点云。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811413345.4A CN109584294B (zh) | 2018-11-23 | 2018-11-23 | 一种基于激光点云的路面点云提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811413345.4A CN109584294B (zh) | 2018-11-23 | 2018-11-23 | 一种基于激光点云的路面点云提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584294A CN109584294A (zh) | 2019-04-05 |
CN109584294B true CN109584294B (zh) | 2020-08-28 |
Family
ID=65924042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811413345.4A Active CN109584294B (zh) | 2018-11-23 | 2018-11-23 | 一种基于激光点云的路面点云提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584294B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795978B (zh) * | 2019-04-29 | 2020-12-18 | 当家移动绿色互联网技术集团有限公司 | 路面点云数据提取方法、装置、存储介质及电子设备 |
CN110163880B (zh) * | 2019-06-04 | 2020-04-14 | 奥特酷智能科技(南京)有限公司 | 一种在Unity中获取点云路面高度的方法 |
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 |
CN112526477B (zh) * | 2019-09-19 | 2023-12-15 | 北京百度网讯科技有限公司 | 用于处理信息的方法和装置 |
CN110812841B (zh) * | 2019-11-08 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 虚拟世界中的虚拟表面判断方法、装置、设备及介质 |
CN111429494B (zh) * | 2020-04-13 | 2023-04-07 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于生物视觉的点云高精度自动配准方法 |
CN111709432B (zh) * | 2020-06-19 | 2023-04-25 | 天津市滨海新区水务局 | 复杂城市环境下InSAR地面点提取方法、装置、服务器及存储介质 |
CN112034482A (zh) * | 2020-08-24 | 2020-12-04 | 北京航天发射技术研究所 | 一种道路边界实时提取及测量方法和装置 |
WO2022067647A1 (zh) * | 2020-09-30 | 2022-04-07 | 华为技术有限公司 | 一种路面要素确定方法及装置 |
CN112465765B (zh) * | 2020-11-24 | 2022-04-19 | 山东科技大学 | 一种基于车载移动激光点云的路面深度信息模型构建方法 |
CN114034299B (zh) * | 2021-11-08 | 2024-04-26 | 中南大学 | 一种基于主动激光slam的导航系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
CN108171131A (zh) * | 2017-12-15 | 2018-06-15 | 湖北大学 | 基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统 |
CN207924743U (zh) * | 2018-03-15 | 2018-09-28 | 西安电子科技大学 | 一种基于单线激光雷达与pcl点云库的三维重建系统 |
CN108648277A (zh) * | 2018-04-25 | 2018-10-12 | 南京理工大学 | 一种激光雷达点云数据的快速重建方法 |
-
2018
- 2018-11-23 CN CN201811413345.4A patent/CN109584294B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
CN108171131A (zh) * | 2017-12-15 | 2018-06-15 | 湖北大学 | 基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统 |
CN207924743U (zh) * | 2018-03-15 | 2018-09-28 | 西安电子科技大学 | 一种基于单线激光雷达与pcl点云库的三维重建系统 |
CN108648277A (zh) * | 2018-04-25 | 2018-10-12 | 南京理工大学 | 一种激光雷达点云数据的快速重建方法 |
Non-Patent Citations (1)
Title |
---|
基于法向量模糊聚类的道路面点云数据滤波;闫利等;《武汉大学学报 信息科技辑》;20071231;第1119-1122页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109584294A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584294B (zh) | 一种基于激光点云的路面点云提取方法和装置 | |
Yu et al. | Automatic 3D building reconstruction from multi-view aerial images with deep learning | |
Sohn et al. | Extraction of buildings from high resolution satellite data | |
Sithole et al. | Report: ISPRS comparison of filters | |
Ugelmann | Automatic breakline detection from airborne laser range data | |
CN110598541B (zh) | 一种提取道路边缘信息的方法及设备 | |
Wolf et al. | Automatic extraction and delineation of single trees from remote sensing data | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN107808524B (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
Karsli et al. | Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm | |
Liu et al. | Image-translation-based road marking extraction from mobile laser point clouds | |
CN115423968A (zh) | 基于点云数据和实景三维模型的输电通道优化方法 | |
Jiangui et al. | A method for main road extraction from airborne LiDAR data in urban area | |
CN112435336B (zh) | 一种弯道类型识别方法、装置、电子设备及存储介质 | |
CN114004740B (zh) | 基于无人机激光雷达点云的建筑物墙线提取方法 | |
Rottensteiner | Status and further prospects of object extraction from image and laser data | |
Lee et al. | Determination of building model key points using multidirectional shaded relief images generated from airborne LiDAR data | |
Mi et al. | Automatic road structure detection and vectorization Using Mls point clouds | |
Wang et al. | Automatic reconstruction of 3D environment using real terrain data and satellite images | |
Zabuawala et al. | Fusion of LiDAR and aerial imagery for accurate building footprint extraction | |
Sun | 3D building reconstruction from spaceborne TomoSAR point cloud | |
CN111414848B (zh) | 一种全类别3d障碍物检测方法、系统和介质 | |
Mendela-Anzlik et al. | Verification and updating of the Database of Topographic Objects with geometric information about buildings by means of airborne laser scanning data | |
Chen et al. | Extraction of Orthogonal Building Boundary from Airborne LIDAR Data Based on Feature Dimension Reduction | |
Zhou et al. | A random set approach for modeling integrated uncertainties of traffic islands derived from airborne laser scanning points |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Road Surface Point Cloud Extraction Method and Device Based on Laser Point Cloud Granted publication date: 20200828 Pledgee: Productivity Promotion Center of Wuhan East Lake New Technology Development Zone Pledgor: WUHHAN KOTEL BIG DATE Corp. Registration number: Y2024980005100 |