CN109614857A - 基于点云的杆状物识别方法、装置、设备及存储介质 - Google Patents
基于点云的杆状物识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109614857A CN109614857A CN201811290704.1A CN201811290704A CN109614857A CN 109614857 A CN109614857 A CN 109614857A CN 201811290704 A CN201811290704 A CN 201811290704A CN 109614857 A CN109614857 A CN 109614857A
- Authority
- CN
- China
- Prior art keywords
- point
- shaft
- cloud
- preset
- cluster
- 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
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种基于点云的杆状物识别方法、装置、设备及存储介质,通过获取点云,并对所述点云按照高度进行切片;基于预设的杆状物的特征,对每个切片中的点云进行聚类分析,获得候选点集合;采用预设的生长规则对所述候选点集合中的点进行生长操作,得到杆状物的点云,以根据所述杆状物的点云识别获得所述杆状物。本申请实施例提供的技术方案能够在不借助识别模型的情况下就能够实现对杆状物的识别。
Description
技术领域
本申请实施例涉及自动驾驶技术领域,尤其涉及一种基于点云的杆状物识别方法、装置、设备及存储介质。
背景技术
自动驾驶技术需要依赖高精地图,车辆可以基于高精地图中的道路信息行驶,因此,高精地图中的道路信息需要非常准确,才能够保证无人驾驶车辆安全行驶。
而制作高精地图需要采集道路元素,如红绿灯等。现有技术中,可以将点云中的杆状物提取出来,再从杆状物中识别出红绿灯结构。目前提取杆状物精度最高的方案是基于学习的方案,但这类方法一方面需要大量的样本输入才能得到比较稳定的模型,另一方面会产生大量的杂点,不利于后续进一步矢量化的工作。
发明内容
本申请实施例提供一种基于点云的杆状物识别方法、装置、设备及存储介质,用以在不借助识别模型的前提下,实现对杆状物的识别。
本申请实施例第一方面提供一种基于点云的杆状物识别方法,包括:获取点云,并对所述点云按照高度进行切片;基于预设的杆状物的特征,对每个切片中的点云进行聚类分析,获得候选点集合;采用预设的生长规则对所述候选点集合中的点进行生长操作,得到杆状物的点云,以根据所述杆状物的点云识别获得所述杆状物。
本申请实施例第二方面提供一种杆状物的识别装置,包括:获取模块,用于获取点云,并对所述点云按照高度进行切片;聚类分析模块,用于基于预设的杆状物的特征,对每个切片中的点云进行聚类分析,获得候选点集合;生长模块,用于采用预设的生长规则对所述候选点集合中的点进行生长操作,得到杆状物的点云,以根据所述杆状物的点云识别获得所述杆状物。
本申请实施例第三方面提供一种计算机设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述第一方面所述的方法。
本申请实施例第四方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的方法。
基于以上各方面,本申请实施例通过对获取到的点云按照高进行切片,并基于预设的杆状物的特征对每个切片中的点云进行聚类分析,获得候选点集合,采用预设的生长规则对候选点集合中的点进行生长操作,得到杆状物的点云,从而根据所述杆状物的点云识别获得所述杆状物。由于本申请实施例中是通过确定候选点,基于候选点采用生长的方式来获得杆状物结构的,不需要通过学习的方法预先训练识别模型,因此,节约了标注样本以及训练模型的工作,节约了成本。并且本申请实施例的技术方案相较于现有基于识别模型的方案,在提取杆状物点云时能够得到较少的杂点,对后续基于杆状物结构识别交通灯的操作产生较小的影响,提高交通灯识别的准确性。
应当理解,上述发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征,亦非用于限制本申请的范围。本公申请的其它特征将通过以下的描述变得容易理解。
附图说明
图1是现有技术提供的一种杆状物的识别场景示意图;
图2是本申请实施例提供的一种基于点云的杆状物识别方法的流程图;
图3是本申请实施例提供的一种切片操作的示意;
图4是本申请实施例提供的又一种切片操作的示意图;
图5是本申请实施例提供的又一种切片操作的示意图;
图6是本申请实施例提供的一种候选点集合的获取方法流程图;
图7是本申请实施例提供的一个点簇中的点水平面上的投影示意图;
图8是本申请实施例提供的一种基于点云的杆状物识别方法的流程图;
图9是本申请实施例提供的一种种子点长方法的示意图;
图10是本申请实施例提供的一种杆状物的识别装置的结构示意图;
图11是本申请实施例提供的一种聚类分析模块42的结构示意图;
图12是本申请实施例提供的一种杆状物的识别装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是现有技术提供的一种杆状物的识别场景示意图,如图1所示,在现有技术中,通常是直接将点云数据输入预设的识别模型中,由识别模型得到识别结果。其中所涉及的识别模型需要预先通过大量标注好的样本训练获得,并且为了模型稳定,样本数量越大越好,这就导致了训练模型在训练过程中的工作量会十分庞大,成本较高。并且基于模型的识别方式受模型的影响,通常会在识别过程中产生大量的杂点,在利用杆状物识别结果执行交通灯的识别操作时,会因为大量杂点对识别的准确性造成影响。
针对现有技术存在的上述缺陷,本申请实施例提供了一种基于点云的杆状物识别方案,该方案通过对获取到的点云按照高度进行切片,并基于预设的杆状物的特征对每个切片中的点云进行聚类分析,获得候选点集合,采用预设的生长规则对候选点集合中的点进行生长操作,得到杆状物的点云,从而根据所述杆状物的点云识别获得所述杆状物。本申请实施例通过生长的方法,解决了现有识别方法中模型训练工作量大、成本高的问题,同时也不会应为模型的影响,在识别过程中产生太多的杂点,方面利用杆状物的识别结果进行交通灯的识别。
以下将结合附图来具体描述本申请实施例的技术方案。
图2是本申请实施例提供的一种基于点云的杆状物识别方法的流程图,该方法可以由一种杆状物识别装置来执行。参见图2,该方法包括步骤S11-S13:
S11、获取点云,并对所述点云按照高度进行切片。
本实施例中涉及的点云包括杆状物的点云。
本实施例获取点云的方式可以有多种,示例的,在一种可能的获取方式中,可以通过激光扫描仪在特定的场景中扫描获得点云,其中该场景中包括杆状的物体,比如路灯、红路灯等。在另一种可能的获取方式中,可以通过双目摄像头拍摄获得的影像来获得特定场景的点云。当然上述两种方式仅是举例说明而不是对本申请的唯一限定。
进一步的,本实施例在获取到点云后,需要按照预设的切片规则,在高度上对点云进行切片操作,示例的,在一些场景中涉及的切片规则可能包括如下几种:
图3是本申请实施例提供的一种切片操作的示意图,在图3中h1、h2……hn表示切片的位置和高度,相邻两个切片之间的高度差相同为a。在图3所示的方式中,可以按照高度对点云进行等距离切片。
图4是本申请实施例提供的又一种切片操作的示意图,在图4中H1、H2……Hn示切片的位置和高度,在图4所示的方式中切片的数量以及每个切片的高度可以随机设定。
图5是本申请实施例提供的又一种切片操作的示意图,H1为点云的最低高度,Hn为点云的最大高度,在图5所示的方式中,现在H1和Hn处进行切片,再在H1和Hn之间进行预设数量的切片,其中H1和Hn之间可以是等距的,也可以是不等距的。
当然上述三种方式仅是示例说明,而不是对本申请的唯一限定。
S12、基于预设的杆状物的特征,对每个切片中的点云进行聚类分析,获得候选点集合。
本实施例涉及的杆状物的特征,包括杆状物横截面积和/或高度,示例的,在执行确定候选点集合的操作时,可以先基于杆状物的高度排除掉高度不符合要求的点,进一步的,再基于预设的杆状物横截面积,采用聚类的方法对每个切片中的点云进行聚类分析,获得候选点集合。这里为了方便理,通过一个示例来详细说明候选点集合的获取过程:
图6是本申请实施例提供的一种候选点集合的获取方法流程图,如图6所示,该方法包括:
步骤S121、针对每个切片,将所述切片中相互之间距离小于第一预设阈值的点聚为一类,形成聚类点簇。
步骤S122、针对每个聚类点簇,将所述聚类点簇中位于同一高度,且在水平面上的投影面积小于预设杆状物的截面面积的多个点确定为候选点。
步骤S123、基于各聚类点簇中确定出的候选点生成候选点集合。
以一个切片为例,示例的,图7是本申请实施例提供的一个点簇中的点水平面上的投影示意图,在图7中点m1、m2、m3、m4、m5位于同一个点簇,m1、m2、m3、m4、m5在水平面上投影形成的图形的面积为S1,S1小于预设的杆状物的截面面积S2,且根据点云中点m1、m2、m3、m4、m5的高度数据,m1、m2、m3、m4的高度相同,则确定m1、m2、m3、m4为候选点,以此类推,在确定所有切片中所有聚类点簇中的候选点后,根据该些候选点生成候选点集合。当然上述仅为示例说明而不是唯一限定。
S13、采用预设的生长规则对所述候选点集合中的点进行生长操作,得到杆状物的点云,以根据所述杆状物的点云识别获得所述杆状物。
示例的,本实施例可以将候选点集合中任意的一个点或多个点作为种子点,采用预设的生长规则(比如,每次生产预设长度和/或预设宽度),在高度方向上同时向每个种子点的两端生长,直到相邻种子点间的生长区域接触,且位于最外端的种子节点的生长区域超出候选点集合的范围为止,获得杆状物的点云。
本实施例通过对获取到的点云按照高进行切片,并基于预设的杆状物的特征对每个切片中的点云进行聚类分析,获得候选点集合,采用预设的生长规则对候选点集合中的点进行生长操作,得到杆状物的点云,从而根据所述杆状物的点云识别获得所述杆状物。由于本实施例中是通过确定候选点,基于候选点采用生长的方式来获得杆状物结构的,不需要通过学习的方法预先训练识别模型,因此,节约了标注样本以及训练模型的工作,节约了成本。并且本实施例的技术方案相较于现有基于识别模型的方案,在提取杆状物点云时能够得到较少的杂点,对后续基于杆状物结构识别交通灯的操作产生较小的影响,提高交通灯识别的准确性。
下面结合附图对上述实施例进行进一步的优化和扩展。
图8是本申请实施例提供的一种基于点云的杆状物识别方法的流程图,如图8所示,在图2实施例的基础上,本实施例包括步骤S21-S24.
S21、获取点云,并对所述点云按照高度进行切片。
S22、基于预设的杆状物的特征,对每个切片中的点云进行聚类分析,获得候选点集合。
S23、将所述候选点集合中高度最高的点作为第一种子点,将所述候选点集合中高度最低的点作为第二种子点。
S24、采用预设的生长规则,按照高度方向,向所述第一种子点的下方生长,向所述第二终种子点的上方生长,直到基于所述第一种子点生长获得的区域与基于所述第二种子点生长获得的区域接触为止。
示例的,图9是本申请实施例提供的一种种子点长方法的示意图,图9中的点为候选点集合中的点,其中H1为候选点中高度最低的点,Hn为候选点中高度最高的点,H1和Hn的生长方式相同,但生长方向不同,以H1为例,H1每次生长预设长度和预设宽度,在一次生长过程中若点m是生长区域d中的最高点,则在下一次生长过程中以点m为种子点进行生长,以此类推,直到H1和Hn的正常区域接触为止。当然这里仅为示例说明而并不是对本申请的唯一限定。
本实施例通过从候选点集合的两端同时进行生长能够提高生长效率,所点杆状物点云的提取时间。
图10是本申请实施例提供的一种杆状物的识别装置的结构示意图,如图10所示,该装置40包括:
获取模块41,用于获取点云,并对所述点云按照高度进行切片;
聚类分析模块42,用于基于预设的杆状物的特征,对每个切片中的点云进行聚类分析,获得候选点集合;
生长模块43,用于采用预设的生长规则对所述候选点集合中的点进行生长操作,得到杆状物的点云,以根据所述杆状物的点云识别获得所述杆状物。
在一种可能的设计中,所述获取模块41,包括:
第一获取子模块,用于按照高度对所述点云进行等距离切片。
在一种可能的设计中,所述获取模块41,包括:
第二获取子模块,用于在所述点云高度的最低端和最高端进行切片;在所述点云的所述最低端和所述最高端之间,获取预设数量的切片。
在一种可能的设计中,所述生长模块43,包括:
第一生长子模块,用于将所述候选点集合中的任意点作为种子点,采用预设的生长规则,在高度方向上同时向种子点的两端生长。
本实施例提供的装置能够用于执行图2实施例的方法其执行方式和有益效果类似,在这里不再赘述。
图11是本申请实施例提供的一种聚类分析模块42的结构示意图,如图11所示,在图10实施例的基础上,聚类分析模块42,包括:
聚类子模块421,用于针对每个切片,将所述切片中相互之间距离小于第一预设阈值的点聚为一类,形成聚类点簇;
确定子模块422,用于针对每个切片,将所述切片中相互之间距离小于第一预设阈值的点聚为一类,形成聚类点簇;
生成子模块423,用于基于各聚类点簇中确定出的候选点生成候选点集合。
本实施例提供的装置能够用于执行图6实施例的方法其执行方式和有益效果类似,在这里不再赘述。
图12是本申请实施例提供的一种杆状物的识别装置的结构示意图,如图12所示,在图10实施例的基础上,生长模块43,包括:
第二生长子模431块,用于将所述候选点集合中高度最高的点作为第一种子点,将所述候选点集合中高度最低的点作为第二种子点;采用预设的生长规则,按照高度方向,向所述第一种子点的下方生长,向所述第二终种子点的上方生长,直到基于所述第一种子点生长获得的区域与基于所述第二种子点生长获得的区域接触为止。
本实施例提供的装置能够用于执行图8实施例的方法其执行方式和有益效果类似,在这里不再赘述。
本申请实施例还提供一种计算机设备,包括:一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一实施例所述的方法。
本实施例通过对获取到的点云按照高进行切片,并基于预设的杆状物的特征对每个切片中的点云进行聚类分析,获得候选点集合,采用预设的生长规则对候选点集合中的点进行生长操作,得到杆状物的点云,从而根据所述杆状物的点云识别获得所述杆状物。由于本实施例中是通过确定候选点,基于候选点采用生长的方式来获得杆状物结构的,不需要通过学习的方法预先训练识别模型,因此,节约了标注样本以及训练模型的工作,节约了成本。并且本实施例的技术方案相较于现有基于识别模型的方案,在提取杆状物点云时能够得到较少的杂点,对后续基于杆状物结构识别交通灯的操作产生较小的影响,提高交通灯识别的准确性。
本申请实施例还提供在一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例所述的方法。
本实施例通过对获取到的点云按照高进行切片,并基于预设的杆状物的特征对每个切片中的点云进行聚类分析,获得候选点集合,采用预设的生长规则对候选点集合中的点进行生长操作,得到杆状物的点云,从而根据所述杆状物的点云识别获得所述杆状物。由于本实施例中是通过确定候选点,基于候选点采用生长的方式来获得杆状物结构的,不需要通过学习的方法预先训练识别模型,因此,节约了标注样本以及训练模型的工作,节约了成本。并且本实施例的技术方案相较于现有基于识别模型的方案,在提取杆状物点云时能够得到较少的杂点,对后续基于杆状物结构识别交通灯的操作产生较小的影响,提高交通灯识别的准确性。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (14)
1.一种基于点云的杆状物识别方法,其特征在于,包括:
获取点云,并对所述点云按照高度进行切片;
基于预设的杆状物的特征,对每个切片中的点云进行聚类分析,获得候选点集合;
采用预设的生长规则对所述候选点集合中的点进行生长操作,得到杆状物的点云,以根据所述杆状物的点云识别获得所述杆状物。
2.根据权利要求1所述的方法,其特征在于,所述对所述点云按照高度进行切片,包括:
按照高度对所述点云进行等距离切片。
3.根据权利要求1所述的方法,其特征在于,所述对所述点云按照高度进行切片,包括:
在所述点云高度的最低端和最高端进行切片;
在所述点云的所述最低端和所述最高端之间,获取预设数量的切片。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述基于预设的杆状物的特征,对每个切片中的点云进行聚类分析,获得候选点集合,包括:
针对每个切片,将所述切片中相互之间距离小于第一预设阈值的点聚为一类,形成聚类点簇;
针对每个聚类点簇,将所述聚类点簇中位于同一高度,且在水平面上的投影面积小于预设杆状物的截面面积的多个点确定为候选点;
基于各聚类点簇中确定出的候选点生成候选点集合。
5.根据权利要求4所述的方法,其特征在于,所述采用预设的生长规则对所述候选点集合中的点进行生长操作,包括:
将所述候选点集合中的任意点作为种子点,采用预设的生长规则,在高度方向上同时向种子点的两端生长。
6.根据权利要求4所述的方法,其特征在于,所述采用预设的生长规则对所述候选点集合中的点进行生长操作,包括:
将所述候选点集合中高度最高的点作为第一种子点,将所述候选点集合中高度最低的点作为第二种子点;
采用预设的生长规则,按照高度方向,向所述第一种子点的下方生长,向所述第二终种子点的上方生长,直到基于所述第一种子点生长获得的区域与基于所述第二种子点生长获得的区域接触为止。
7.一种杆状物的识别装置,其特征在于,包括:
获取模块,用于获取点云,并对所述点云按照高度进行切片;
聚类分析模块,用于基于预设的杆状物的特征,对每个切片中的点云进行聚类分析,获得候选点集合;
生长模块,用于采用预设的生长规则对所述候选点集合中的点进行生长操作,得到杆状物的点云,以根据所述杆状物的点云识别获得所述杆状物。
8.根据权利要求7所述的识别装置,其特征在于,所述获取模块,包括:
第一获取子模块,用于按照高度对所述点云进行等距离切片。
9.根据权利要求7所述的识别装置,其特征在于,所述获取模块,包括:
第二获取子模块,用于在所述点云高度的最低端和最高端进行切片;在所述点云的所述最低端和所述最高端之间,获取预设数量的切片。
10.根据权利要求7-9中任一项所述的装置,其特征在于,所述聚类分析模块,包括:
聚类子模块,用于针对每个切片,将所述切片中相互之间距离小于第一预设阈值的点聚为一类,形成聚类点簇;
确定子模块,用于针对每个切片,将所述切片中相互之间距离小于第一预设阈值的点聚为一类,形成聚类点簇;
生成子模块,用于基于各聚类点簇中确定出的候选点生成候选点集合。
11.根据权利要求10所述的装置,其特征在于,所述生长模块,包括:
第一生长子模块,用于将所述候选点集合中的任意点作为种子点,采用预设的生长规则,在高度方向上同时向种子点的两端生长。
12.根据权利要求10所述的装置,其特征在于,所述生长模块,包括:
第二生长子模块,用于将所述候选点集合中高度最高的点作为第一种子点,将所述候选点集合中高度最低的点作为第二种子点;采用预设的生长规则,按照高度方向,向所述第一种子点的下方生长,向所述第二终种子点的上方生长,直到基于所述第一种子点生长获得的区域与基于所述第二种子点生长获得的区域接触为止。
13.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290704.1A CN109614857B (zh) | 2018-10-31 | 2018-10-31 | 基于点云的杆状物识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290704.1A CN109614857B (zh) | 2018-10-31 | 2018-10-31 | 基于点云的杆状物识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614857A true CN109614857A (zh) | 2019-04-12 |
CN109614857B CN109614857B (zh) | 2020-09-29 |
Family
ID=66003051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811290704.1A Active CN109614857B (zh) | 2018-10-31 | 2018-10-31 | 基于点云的杆状物识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614857B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291662A (zh) * | 2020-01-21 | 2020-06-16 | 武汉大学 | 一种基于平面选择的车载点云杆状物提取方法 |
CN111598823A (zh) * | 2020-05-19 | 2020-08-28 | 北京数字绿土科技有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
WO2024060882A1 (zh) * | 2022-09-23 | 2024-03-28 | 腾讯科技(深圳)有限公司 | 图像中杆状物识别方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
WO2016038208A2 (fr) * | 2014-09-11 | 2016-03-17 | Snapkin | Procede et systeme de modelisation automatisee d'une piece |
WO2016073108A1 (en) * | 2014-11-06 | 2016-05-12 | Symbol Technologies, Llc | Non-parametric method of and system for estimating dimensions of objects of arbitrary shape |
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 |
CN105740798A (zh) * | 2016-01-27 | 2016-07-06 | 西安理工大学 | 一种基于结构分析的点云场景物体识别方法 |
CN105894044A (zh) * | 2016-04-29 | 2016-08-24 | 武汉大学 | 一种基于车载激光扫描数据的单株树木点云自动提取方法 |
CN106327558A (zh) * | 2015-07-08 | 2017-01-11 | 深圳市腾讯计算机系统有限公司 | 点云立面提取方法和装置 |
CN107146280A (zh) * | 2017-05-09 | 2017-09-08 | 西安理工大学 | 一种基于切分的点云建筑物重建方法 |
CN107909582A (zh) * | 2017-11-07 | 2018-04-13 | 国网甘肃省电力公司电力科学研究院 | 一种机载LiDAR塔头电力线自动检测分割方法 |
-
2018
- 2018-10-31 CN CN201811290704.1A patent/CN109614857B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
WO2016038208A2 (fr) * | 2014-09-11 | 2016-03-17 | Snapkin | Procede et systeme de modelisation automatisee d'une piece |
WO2016073108A1 (en) * | 2014-11-06 | 2016-05-12 | Symbol Technologies, Llc | Non-parametric method of and system for estimating dimensions of objects of arbitrary shape |
CN106327558A (zh) * | 2015-07-08 | 2017-01-11 | 深圳市腾讯计算机系统有限公司 | 点云立面提取方法和装置 |
CN105740798A (zh) * | 2016-01-27 | 2016-07-06 | 西安理工大学 | 一种基于结构分析的点云场景物体识别方法 |
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 |
CN105894044A (zh) * | 2016-04-29 | 2016-08-24 | 武汉大学 | 一种基于车载激光扫描数据的单株树木点云自动提取方法 |
CN107146280A (zh) * | 2017-05-09 | 2017-09-08 | 西安理工大学 | 一种基于切分的点云建筑物重建方法 |
CN107909582A (zh) * | 2017-11-07 | 2018-04-13 | 国网甘肃省电力公司电力科学研究院 | 一种机载LiDAR塔头电力线自动检测分割方法 |
Non-Patent Citations (2)
Title |
---|
JING HUANG等: ""Pole-like object detection and classification from urban point clouds"", 《2015 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 * |
肖杨等: ""从三维激光点云中快速统计树木信息的方法"", 《中国激光》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291662A (zh) * | 2020-01-21 | 2020-06-16 | 武汉大学 | 一种基于平面选择的车载点云杆状物提取方法 |
CN111291662B (zh) * | 2020-01-21 | 2022-06-07 | 武汉大学 | 一种基于平面选择的车载点云杆状物提取方法 |
CN111598823A (zh) * | 2020-05-19 | 2020-08-28 | 北京数字绿土科技有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
WO2024060882A1 (zh) * | 2022-09-23 | 2024-03-28 | 腾讯科技(深圳)有限公司 | 图像中杆状物识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109614857B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102338270B1 (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
CN108871353B (zh) | 路网地图生成方法、系统、设备及存储介质 | |
US9880012B2 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
CN109614857A (zh) | 基于点云的杆状物识别方法、装置、设备及存储介质 | |
CN105701798B (zh) | 柱状物体的点云提取方法及装置 | |
JP2019135544A (ja) | 電子地図における交差点を認識するための方法及び装置 | |
CN114926699B (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
US11341297B2 (en) | Obstacle distribution simulation method, device and terminal based on a probability graph | |
CN110992473A (zh) | 一种基于车载激光扫描点云的树木枝干建模方法及系统 | |
CN109635640A (zh) | 基于点云的交通灯识别方法、装置、设备及存储介质 | |
CN110967019A (zh) | 一种规划机器人局部路径的方法及机器人 | |
CN115393745A (zh) | 一种基于无人机与深度学习的桥梁形象进度自动识别方法 | |
Xu et al. | Separation of wood and foliage for trees from ground point clouds using a novel least-cost path model | |
CN112393735B (zh) | 定位方法及装置、存储介质、电子装置 | |
CN114943870A (zh) | 线特征提取模型的训练方法及装置、点云匹配方法及装置 | |
White et al. | Completeness in photometric and spectroscopic searches for clusters | |
CN116883612B (zh) | 一种三维场景模型生成方法及系统 | |
CN116258820B (zh) | 大规模城市点云数据集与建筑单体化构建方法及相关装置 | |
CN112819700B (zh) | 一种点云数据的去噪方法、装置及可读存储介质 | |
CN111858785B (zh) | 地图离散型要素的匹配方法、装置、系统及存储介质 | |
CN115713600A (zh) | 自动驾驶场景的数字高程模型的生成方法和装置 | |
CN113269202B (zh) | 一种提取门型电塔点云的方法 | |
Kippers et al. | Automatic Modelling of 3D Trees Using Aerial Lidar Point Cloud Data and Deep Learning | |
Gollub et al. | A partitioned approach for efficient graph–based place recognition | |
CN111435086A (zh) | 基于拼接图的导航方法和装置 |
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 |