CN109685898B - 点云数据的分层方法、装置、计算机设备和存储介质 - Google Patents
点云数据的分层方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109685898B CN109685898B CN201811588725.1A CN201811588725A CN109685898B CN 109685898 B CN109685898 B CN 109685898B CN 201811588725 A CN201811588725 A CN 201811588725A CN 109685898 B CN109685898 B CN 109685898B
- Authority
- CN
- China
- Prior art keywords
- track information
- point cloud
- cloud data
- data
- layered
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Graphics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Instructional Devices (AREA)
Abstract
本申请涉及一种点云数据的分层方法、装置、计算机设备和存储介质。所述方法包括:获取轨迹信息及对应的点云数据;对轨迹信息进行分层,获得分层轨迹信息;根据分层轨迹信息对点云数据进行分层,得到分层后的点云数据。采用本方法能够通过分层后的轨迹信息进行点云的匹配,提高数据处理效率,降低数据处理量及运行工作量,提高地图绘制速度和精度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种点云数据的分层处理方法、装置、计算机设备和存储介质。
背景技术
随着科学技术的发展,车辆自动驾驶技术也越来越成熟,车辆自动驾驶技术依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让计算机可以在没有任何人类主动的操作下,自动安全地操作机动车辆。
其中,通过激光雷达得到的点云数据尤为重要,其除了可以应用到车辆自动驾驶领域之外,还可以应用到地图绘制领域中。
但是,在点云数据的实际应用中,若点云数据包括重叠区域,如高架桥和地面、地面和隧道等,在通过点云数据绘制地图时,会降低绘制速度和精度;可见,点云数据的重叠区域的分层是一个急待解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高地图绘制速度和精度的点云数据的分层方法、装置、计算机设备和存储介质。
一种点云数据的分层方法,所述方法包括:
获取轨迹信息及对应的点云数据;
对所述轨迹信息进行分层,获得分层轨迹信息;
根据所述分层轨迹信息对所述点云数据进行分层,得到分层后的点云数据。
在其中一个实施例中,所述对所述轨迹信息进行分层,获得分层轨迹信息,包括:
通过编辑工具加载显示所述轨迹信息,获取重叠的两条轨迹信息;
通过编辑工具获取对所述重叠的两条轨迹信息的选取指令,根据所述选取指令确定所述重叠的两条轨迹信息中对应的分层轨迹信息。
在其中一个实施例中,所述对所述轨迹信息进行分层,获得分层轨迹信息,包括:
通过预置的重叠的两条轨迹信息及预置的分层轨迹信息训练机器学习模型,得到训练后的机器学习模型;
将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述分层轨迹信息。
在其中一个实施例中,所述将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述分层轨迹信息,包括:
将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述重叠的两条轨迹信息对应的第一分层轨迹信息及第二分层轨迹信息。
在其中一个实施例中,所述根据所述分层轨迹信息对所述点云数据进行分层,得到分层后的点云数据,包括:
计算所述点云数据中某个点数据与每个所述分层轨迹信息的点数据之间的欧拉距离;
根据所述欧拉距离,得到与所述分层轨迹信息的点数据匹配的点云数据中的点数据;
将所述匹配的点云数据中的点数据集合确定为所述分层后的点云数据。
在其中一个实施例中,所述根据所述欧拉距离,得到与所述分层轨迹信息的点数据匹配的点云数据中的点数据,包括:
当所述点云数据中某个点数据与所述分层轨迹信息中某个点数据之间的欧拉距离最小时,确定该点云数据中的点数据为与该分层轨迹信息中的点数据相匹配的点数据。
一种点云数据的分层装置,所述装置包括:
第一获取子模块,用于通过编辑工具加载显示所述轨迹信息,获取重叠的两条轨迹信息;
第一确定子模块,用于通过编辑工具获取对所述重叠的两条轨迹信息的选取指令,根据所述选取指令确定所述重叠的两条轨迹信息中对应的分层轨迹信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取轨迹信息及对应的点云数据;
对所述轨迹信息进行分层,获得分层轨迹信息;
根据所述分层轨迹信息对所述点云数据进行分层,得到分层后的点云数据。
一种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以下步骤:
获取轨迹信息及对应的点云数据;
对所述轨迹信息进行分层,获得分层轨迹信息;
根据所述分层轨迹信息对所述点云数据进行分层,得到分层后的点云数据。
上述点云数据的分层方法、装置、计算机设备和存储介质,通过获取轨迹信息及对应的点云数据;对轨迹信息进行分层,获得分层轨迹信息;根据分层轨迹信息对点云数据进行分层,得到分层后的点云数据;解决了具有重叠区域的点云分层的技术问题;通过分层后的轨迹信息进行点云的匹配,提高数据处理效率,降低数据处理量及运行工作量,提高地图绘制速度和精度。
附图说明
图1是一个实施例的一种点云数据的分层方法的流程示意图;
图2是一个实施例的重叠的两条轨迹信息的示意图;
图3是一个实施例的分层轨迹信息的示意图;
图4是一个实施例的分层轨迹信息的示意图;
图5是一个实施例的一种获得分层轨迹信息步骤的流程示意图;
图6是一个实施例的一种获得分层轨迹信息步骤的流程示意图;
图7是一个实施例的一种获得分层后的点云数据步骤的流程示意图;
图8是一个实施例的一种点云数据的分层装置的结构框图;
图9是一个实施例的一种第一分层模块的结构框图;
图10是一个实施例的一种第一分层模块的结构框图;
图11是一个实施例的一种第二分层模块的结构框图;
图12是一个实施例的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种点云数据的分层方法,包括以下步骤:
步骤S201,获取轨迹信息及对应的点云数据;
本实施例可应用于终端或者服务器中,本实施例对此不作限制,其中,终端可以是个人计算机、笔记本电脑、智能手机、平板电脑等,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。该方法可应用于自动驾驶或地图绘制场景中。
本实施例中,首先可以获取轨迹信息及对应的点云数据,需要说明的是,轨迹信息是指地图采集车辆在道路上运行时记录的位置信息,位置信息主要包括精度较低的经度信息、纬度信息,还可以包括高度信息等,本实施例对此不作限制,与点云数据相比,该轨迹信息的数据量较少,易于处理,提高数据处理效率。
在地图采集车辆记录该轨迹信息的同时,还可以记录在道路上运行时产生的点云数据,其中,点云数据可以包括空间三维坐标信息及反射强度信息,当地图采集车辆通过彩色图像采集设备采集颜色信息时,该点云数据还可以包括颜色信息,因此,点云数据的数据量是非常大的。需要说明的是,点云数据可以通过激光雷达等设备获得,以PCD(PointCloud,点云)文件的格式进行储存。
即在本实施例中,可以通过地图采集车辆同时获取在车辆在道路上运行时的轨迹信息及对应的点云数据,并对该轨迹信息及对应的点云数据进行保存。
而上述的道路可以包括重叠的两条道路,即该两条道路具有重叠区域;举例而言,地图采集车辆在一条地面公路A采集该地面公路A的轨迹信息及对应的点云数据后,距离地面公路A起点的200米处上方有一座高架桥B横穿该地面公路A,则该地面公路A与高架桥B为重叠的两条道路,还可以采集该高架桥B的轨迹信息及对应的点云数据。
再如,地图采集车辆在一条地面公路A采集该地面公路A的轨迹信息及对应的点云数据后,距离地面公路A起点的400米处下方有一条隧道C横穿该地面公路A,则该地面公路A与隧道C为重叠的两条道路,地图采集车辆还可以采集该隧道C的轨迹信息及对应的点云数据。
步骤S202,对轨迹信息进行分层,获得分层轨迹信息;
进一步应用到本实施例中,针对轨迹信息进行分层,获得分层轨迹信息;因为地图采集车辆采集的轨迹信息的两条道路有可能是重叠的两条道路,如上述的地面公路A与横穿该地面公路A的高架桥B,地图采集车辆行走的道路与轨迹信息具有对应关系,则该轨迹信息可以包括重叠的两条轨迹信息;即两条轨迹信息包含重叠区域。
参照图2,示出本实施的一种重叠的两条轨迹信息的示意图,如图2所示,标号为1的轨迹信息可以为上述举例中的地面公路A对应的轨迹信息,而标号为2的轨迹信息可以为上述举例中的高架桥B对应的轨迹信息;相交之处为两者的重叠区域。
针对轨迹信息分层的具体方式,可以根据选取指令针对重叠的两条轨迹信息进行分层,获得分层轨迹信息;还可以通过机器学习的方式针对重叠的两条轨迹信息进行分层,获得分层轨迹信息,当然还可以通过其他的方式将重叠的两条轨迹信息进行分层,如根据轨迹信息的连续性,识别出连续的轨迹信息,对该重叠的两条轨迹信息进行分层,本实施例对重叠的轨迹信息分层的具体方式不作过多的限制。
参照图3,示出本实施的一种分层轨迹信息的示意图,如图3所示,标号为3的线条所指向的轨迹信息可以为第一道路对应的分层轨迹信息,该第一道路可以包括上述举例中的高架桥B;该分层轨迹信息可以为重叠的两条轨迹信息中的其中一条,其分层方式可以是根据选取指令进行分层,或通过机器学习模型的方式进行分层。
进一步地,参照图4,示出本实施的一种分层轨迹信息的示意图,如图4所示,标号为4的线条所指向的轨迹信息可以为第二道路对应的分层轨迹信息,该第二道路可以包括上述举例中的地面公路A;该分层轨迹信息可以为重叠的两条轨迹信息中的另外一条,其分层方式可以是根据选取指令进行分层,或通过机器学习模型的方式进行分层。
步骤S203,根据分层轨迹信息对点云数据进行分层,得到分层后的点云数据。
实际应用到本实施例中,可以根据道路的分层轨迹信息对点云数据进行分层,得到分层后的点云数据。与轨迹信息类似的,该点云数据同样可以包括重叠的两个点云数据,该两个点云数据包括重叠区域。
在本实施例的一种核心构思中,通过分层轨迹信息对点云数据进行分层,而不是直接对数据量巨大的点云数据进行分层处理,提高数据处理效率,降低数据处理量及运行工作量,减少能源的消耗,提高地图绘制速度和精度。
具体而言,该轨迹信息与点云数据具有对应关系,即该分层轨迹信息与点云数据同样具有对应关系,可以根据分层轨迹信息中的点数据与点云数据中的点数据之间的欧氏距离判定该分层轨迹信息中的点数据相匹配的点云数据中的点数据,枚举分层轨迹信息中的点数据,可以得到所有与之匹配的点云数据中的点数据;可以将所有匹配的点云数据中的点数据集合确定为分层后的点云数据,如此,便可以将包含重叠区域的两个点云数据进行分层,解决了具有重叠区域的点云分层的技术问题。
根据本实施例提供的点云数据的分层方法,获取轨迹信息及对应的点云数据;对轨迹信息进行分层,获得分层轨迹信息;根据分层轨迹信息对点云数据进行分层,得到分层后的点云数据;解决了具有重叠区域的点云分层的技术问题;通过分层后的轨迹信息进行点云的匹配,提高数据处理效率,降低数据处理量及运行工作量,提高地图绘制速度和精度。
在另一个实施例中,参照图5,示出了本实施例的一种获得分层轨迹信息步骤的流程示意图,对轨迹信息进行分层,获得分层轨迹信息,包括以下子步骤:
子步骤S11,通过编辑工具加载显示轨迹信息,获取重叠的两条轨迹信息;
子步骤S12,通过编辑工具获取对重叠的两条轨迹信息的选取指令,根据选取指令确定重叠的两条轨迹信息中对应的分层轨迹信息。
本实施例中,还可以通过编辑工具加载显示轨迹信息,获取重叠的两条轨迹信息;该编辑工具可以包含编辑软件等,通过编辑软件显示轨迹信息,获取重叠的两条轨迹信息,具体可以参照图2,标号为1的轨迹信息为地面公路A对应的轨迹信息,即第一轨迹信息;标号为2的轨迹信息为的高架桥B对应的轨迹信息;即第二轨迹信息;两者包含重叠区域。
进一步地,通过编辑工具获取对重叠的两条轨迹信息的选取指令,可以根据用户针对重叠的两条轨迹信息的选取指令进行轨迹信息的分层,准确、快捷;分层的结果可以参照图3及图4。
在另一个实施例中,参照图6,示出了本实施例的一种获得分层轨迹信息步骤的流程示意图,对轨迹信息进行分层,获得分层轨迹信息,包括以下子步骤:
子步骤S21,通过预置的重叠的两条轨迹信息及预置的分层轨迹信息训练机器学习模型,得到训练后的机器学习模型;
子步骤S22,将重叠的两条轨迹信息输入至训练后的机器学习模型中,得到分层轨迹信息;
在另一种优选的实施例中,还可以通过机器学习模型对轨迹信息进行分层,获得分层轨迹信息。
首先以预置的重叠的两条轨迹信息及预置的分层轨迹信息为训练样本,对机器学习模型进行训练,得到训练后的机器学习模型;再将重叠的两条轨迹信息输入至训练后的机器学习模型中,输出对应的分层轨迹信息。
上述的机器学习模型可以为监督学习模型,此外,还可以通过无监督学习模型、半监督学习模型、强化学习模型等,获取对重叠的两条轨迹信息对应的分层轨迹信息,本实施例对此不作限制。
具体地,有监督学习模型主要包括用于分类及用于回归的模型,举例而言,可以包括线性分类器模型(Linear classifier)、支持向量机模型(Support Vector Machine)、朴素贝叶斯模型分类器(Naive Bayes Classifier)、K近邻模型(k-nearest neighbor)、决策树模型(Decision Tree)、线性回归模型(Linear Regression)、回归树模型(RegressionTree)等,本实施例对此不作限制。
进一步地,无监督学习模型主要包括数据聚类模型(K-means)、数据降维模型(Principal Component Analysis)、随机森林模型(Random forests)、自编码模型(Autoencoding)、主成分分析模型(Principal components analysis)等,本实施例同样对此不作限制。
在一种具体示例中,上述通过监督学习模型得到分层轨迹信息的方法可以包括以下步骤:
1、数据集的创建和分类:创建预置的重叠的两条轨迹信息的点数据集合,以及创建预置的分层轨迹信息的点数据集合;
2、训练:通过上述的点数据集合对监督学习模型进行训练,获得准确率达到一定程度的训练后的监督学习模型;
3、应用:得到训练后的监督学习模型,将重叠的两条轨迹信息输入至训练后的监督学习模型中,得到重叠的两条轨迹信息中点数据集合的点数据的输出概率,该输出概率为1时,可以说明该重叠的两条轨迹信息的点数据为分层轨迹信息的点数据。
在另一个实施例中,将轨迹信息输入至训练后的机器学习模型中,得到分层轨迹信息,包括:将重叠的两条轨迹信息输入至训练后的机器学习模型中,得到重叠的两条轨迹信息对应的第一分层轨迹信息及第二分层轨迹信息。
具体应用到本实施例中,将重叠的两条轨迹信息输入至训练后的机器学习模型中,得到重叠的两条轨迹信息对应的第一分层轨迹信息及第二分层轨迹信息,如图3所示,该第一分层轨迹信息为重叠的两条轨迹信息分层后的一条轨迹信息,即上述举例中的高架桥B的分层轨迹信息;如图4所示,第二分层轨迹信息为重叠的两条轨迹信息分层后的另一条轨迹信息,即上述举例中的地面公路A的分层轨迹信息。
在另一个实施例中,参照图7,示出了本实施例的一种获得分层后的点云数据步骤的流程示意图,根据分层轨迹信息对点云数据进行分层,得到分层后的点云数据,包括以下子步骤:
子步骤S31,计算点云数据中某个点数据与每个分层轨迹信息的点数据之间的欧拉距离;
子步骤S32,根据欧拉距离,得到与分层轨迹信息的点数据匹配的点云数据中的点数据;
子步骤S33,将匹配的点云数据中的点数据集合确定为分层后的点云数据。
实际应用到本实施例中,在点云数据的分层步骤中,首先可以计算出点云数据中某个点数据与每个分层轨迹信息的点数据之间的欧拉距离,根据欧拉距离得到匹配的点云数据中的点数据。
在另一个实施例中,根据欧拉距离,得到与分层轨迹信息的点数据匹配的点云数据中的点数据,包括:当点云数据中某个点数据与分层轨迹信息中某个点数据之间的欧拉距离最小时,确定该点云数据中的点数据为与该分层轨迹信息中的点数据相匹配的点数据。
具体而言,可以计算出点云数据中某个点数据与第一分层轨迹信息(即上述举例中的高架桥B的分层轨迹信息)中每个点数据之间的欧拉距离,获取到欧拉距离最小的点云数据中的点数据为匹配的点数据。
进一步地,还可以计算出点云数据中某个点数据与第二分层轨迹信息(即上述举例中的地面公路A的分层轨迹信息)中每个点数据之间的欧拉距离,获取到欧拉距离最小的点云数据中的点数据为匹配的点数据;欧拉距离是指两点之间直线的距离。
举例而言,地图采集车辆的轨迹信息可以是一系列离散的点,则该分层轨迹信息可以是以点数据集合的形式存在,对应的点云数据同样可以是以点数据集合的形式存在。
如分层轨迹信息的点数据集合为T1至Tn个集合,n为大于1的正整数;对应的点云数据的点数据集合为S1至Sn个集合,n为大于1的正整数;对于点云数据中的一个点数据P在所有分层轨迹信息的点数据中,找到一个距离点数据P最小的点数据Q(即与点数据P欧拉距离最小的点数据Q);假设点数据Q在T1至Tn任意一个集合中,那么点数据P在S1至Sn任意一个集合中。
如此,可以确定该点云数据中的点数据为与该分层轨迹信息中的点数据相匹配的点数据,将该匹配的点云数据中的点数据集合确定为分层后的点云数据,完成点云数据的分层过程,解决了具有重叠区域的点云分层的问题。
应该理解的是,虽然图1、5-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、5-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种点云数据的分层装置,包括:数据获取模块301、第一分层模块302和第二分层模块303,其中:
数据获取模块301,用于获取轨迹信息及对应的点云数据;
第一分层模块302,用于对所述轨迹信息进行分层,获得分层轨迹信息;
第二分层模块303,用于根据所述分层轨迹信息对所述点云数据进行分层,得到分层后的点云数据。
在其中一个实施例中,参照图9,示出了本实施例的一种第一分层模块的结构框图,所述第一分层模块302包括:
第一获取子模块3021,用于通过编辑工具加载显示所述轨迹信息,获取重叠的两条轨迹信息;
第一确定子模块3022,用于通过编辑工具获取对所述重叠的两条轨迹信息的选取指令,根据所述选取指令确定所述重叠的两条轨迹信息中对应的分层轨迹信息。
在其中一个实施例中,参照图10,示出了本实施例的一种第一分层模块的结构框图,所述第一分层模块302包括:
训练子模块3023,用于通过预置的重叠的两条轨迹信息及预置的分层轨迹信息训练机器学习模型,得到训练后的机器学习模型;
信息获得子模块3024,用于将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述分层轨迹信息。
在其中一个实施例中,所述信息获得子模块3024用于将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述重叠的两条轨迹信息对应的第一分层轨迹信息及第二分层轨迹信息。
在其中一个实施例中,参照图11,示出了本实施例的一种第二分层模块的结构框图,所述第二分层模块303包括:
计算子模块3031,用于计算所述点云数据中某个点数据与每个所述分层轨迹信息的点数据之间的欧拉距离;
第一获得子模块3032,用于根据所述欧拉距离,得到与所述分层轨迹信息的点数据匹配的点云数据中的点数据;
第二确定子模块3033,用于将所述匹配的点云数据中的点数据集合确定为所述分层后的点云数据。
在其中一个实施例中,所述第一获得子模块3032用于当所述点云数据中某个点数据与所述分层轨迹信息中某个点数据之间的欧拉距离最小时,确定该点云数据中的点数据为与该分层轨迹信息中的点数据相匹配的点数据。
关于点云数据的分层装置的具体限定可以参见上文中对于点云数据的分层方法的限定,在此不再赘述。上述点云数据的分层装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
上述提供的点云数据的分层装置可用于执行上述任意实施例提供的点云数据的分层方法,具备相应的功能和有益效果。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种点云数据的分层方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取轨迹信息及对应的点云数据;
对所述轨迹信息进行分层,获得分层轨迹信息;
根据所述分层轨迹信息对所述点云数据进行分层,得到分层后的点云数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过编辑工具加载显示所述轨迹信息,获取重叠的两条轨迹信息;
通过编辑工具获取对所述重叠的两条轨迹信息的选取指令,根据所述选取指令确定所述重叠的两条轨迹信息中对应的分层轨迹信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过预置的重叠的两条轨迹信息及预置的分层轨迹信息训练机器学习模型,得到训练后的机器学习模型;
将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述分层轨迹信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述重叠的两条轨迹信息对应的第一分层轨迹信息及第二分层轨迹信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
计算所述点云数据中某个点数据与每个所述分层轨迹信息的点数据之间的欧拉距离;
根据所述欧拉距离,得到与所述分层轨迹信息的点数据匹配的点云数据中的点数据;
将所述匹配的点云数据中的点数据集合确定为所述分层后的点云数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述点云数据中某个点数据与所述分层轨迹信息中某个点数据之间的欧拉距离最小时,确定该点云数据中的点数据为与该分层轨迹信息中的点数据相匹配的点数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取轨迹信息及对应的点云数据;
对所述轨迹信息进行分层,获得分层轨迹信息;
根据所述分层轨迹信息对所述点云数据进行分层,得到分层后的点云数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过编辑工具加载显示所述轨迹信息,获取重叠的两条轨迹信息;
通过编辑工具获取对所述重叠的两条轨迹信息的选取指令,根据所述选取指令确定所述重叠的两条轨迹信息中对应的分层轨迹信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过预置的重叠的两条轨迹信息及预置的分层轨迹信息训练机器学习模型,得到训练后的机器学习模型;
将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述分层轨迹信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述重叠的两条轨迹信息对应的第一分层轨迹信息及第二分层轨迹信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算所述点云数据中某个点数据与每个所述分层轨迹信息的点数据之间的欧拉距离;
根据所述欧拉距离,得到与所述分层轨迹信息的点数据匹配的点云数据中的点数据;
将所述匹配的点云数据中的点数据集合确定为所述分层后的点云数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述点云数据中某个点数据与所述分层轨迹信息中某个点数据之间的欧拉距离最小时,确定该点云数据中的点数据为与该分层轨迹信息中的点数据相匹配的点数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种点云数据的分层方法,其特征在于,包括:
获取轨迹信息及对应的点云数据,所述轨迹信息包括高度信息;
对所述轨迹信息进行分层,获得分层轨迹信息;
计算所述点云数据中某个点数据与每个所述分层轨迹信息的点数据之间的欧拉距离;当所述点云数据中某个点数据与所述分层轨迹信息中某个点数据之间的欧拉距离最小时,确定该点云数据中的点数据为与该分层轨迹信息中的点数据相匹配的点数据;将所述匹配的点云数据中的点数据集合确定为分层后的点云数据;
所述对所述轨迹信息进行分层,获得分层轨迹信息,包括:将重叠的两条轨迹信息输入至训练后的机器学习模型中,得到所述分层轨迹信息,所述训练后的机器学习模型是通过预置的重叠的两条轨迹信息及预置的分层轨迹信息训练机器学习模型得到。
2.根据权利要求1所述的方法,其特征在于,所述将重叠的两条轨迹信息输入至训练后的机器学习模型中,得到所述分层轨迹信息,包括:
将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述重叠的两条轨迹信息对应的第一分层轨迹信息及第二分层轨迹信息。
3.根据权利要求1至2中任一项所述的方法,其特征在于,所述点云数据包括空间三维坐标信息及反射强度信息和/或颜色信息。
4.一种点云数据的分层装置,其特征在于,包括:
数据获取模块,用于获取轨迹信息及对应的点云数据,所述轨迹信息包括高度信息;
第一分层模块,用于将重叠的两条轨迹信息输入至训练后的机器学习模型中,得到分层轨迹信息,所述训练后的机器学习模型是通过预置的重叠的两条轨迹信息及预置的分层轨迹信息训练机器学习模型得到;
第二分层模块,用于计算所述点云数据中某个点数据与每个所述分层轨迹信息的点数据之间的欧拉距离;当所述点云数据中某个点数据与所述分层轨迹信息中某个点数据之间的欧拉距离最小时,确定该点云数据中的点数据为与该分层轨迹信息中的点数据相匹配的点数据;将所述匹配的点云数据中的点数据集合确定为分层后的点云数据。
5.根据权利要求4所述的装置,其特征在于,所述第一分层模块,具体用于将重叠的两条轨迹信息输入至所述训练后的机器学习模型中,得到所述重叠的两条轨迹信息对应的第一分层轨迹信息及第二分层轨迹信息。
6.根据权利要求4所述的装置,其特征在于,所述点云数据包括空间三维坐标信息及反射强度信息和/或颜色信息。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述的点云数据的分层方法的步骤。
8.一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,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的点云数据的分层方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811588725.1A CN109685898B (zh) | 2018-12-25 | 2018-12-25 | 点云数据的分层方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811588725.1A CN109685898B (zh) | 2018-12-25 | 2018-12-25 | 点云数据的分层方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685898A CN109685898A (zh) | 2019-04-26 |
CN109685898B true CN109685898B (zh) | 2023-07-04 |
Family
ID=66189277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811588725.1A Active CN109685898B (zh) | 2018-12-25 | 2018-12-25 | 点云数据的分层方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685898B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163900B (zh) * | 2019-05-31 | 2021-04-20 | 北京百度网讯科技有限公司 | 用于调整点云数据方法和装置 |
CN112037317B (zh) * | 2020-06-05 | 2024-01-26 | 天津华宁电子有限公司 | 截割煤壁三维图形的绘制方法及绘制系统 |
CN114120795B (zh) * | 2020-09-01 | 2023-03-10 | 华为技术有限公司 | 一种地图绘制方法及装置 |
CN112630795B (zh) * | 2020-12-24 | 2023-05-26 | 浙江大学滨海产业技术研究院 | 一种基于2d激光雷达的三维点云数据合成系统 |
CN117011447A (zh) * | 2022-04-28 | 2023-11-07 | 北京初速度科技有限公司 | 一种点云数据的分层方法、装置、设备、介质及车辆 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及系统 |
CN107918753A (zh) * | 2016-10-10 | 2018-04-17 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407408B (zh) * | 2016-09-22 | 2019-08-16 | 北京数字绿土科技有限公司 | 一种海量点云数据的空间索引构建方法及装置 |
CN108205566B (zh) * | 2016-12-19 | 2021-09-28 | 北京四维图新科技股份有限公司 | 一种基于轨迹对点云进行管理的方法及装置、导航设备 |
US10539676B2 (en) * | 2017-03-22 | 2020-01-21 | Here Global B.V. | Method, apparatus and computer program product for mapping and modeling a three dimensional structure |
-
2018
- 2018-12-25 CN CN201811588725.1A patent/CN109685898B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及系统 |
CN107918753A (zh) * | 2016-10-10 | 2018-04-17 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109685898A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685898B (zh) | 点云数据的分层方法、装置、计算机设备和存储介质 | |
CN109798903B (zh) | 一种从地图数据中获取道路信息的方法及装置 | |
US10281284B2 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
CN110163248B (zh) | 模型评估的可视化方法、装置、计算机设备和存储介质 | |
US11676375B2 (en) | System and process for integrative computational soil mapping | |
CN109886719B (zh) | 基于网格的数据挖掘处理方法、装置和计算机设备 | |
CN111179274A (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
Ahmed et al. | Learning to extract buildings from ultra-high-resolution drone images and noisy labels | |
US20220164350A1 (en) | Searching an autonomous vehicle sensor data repository based on context embedding | |
CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
CN112862730A (zh) | 点云特征增强方法、装置、计算机设备和存储介质 | |
CN114782926B (zh) | 驾驶场景识别方法、装置、设备、存储介质和程序产品 | |
CN115782921A (zh) | 用于自动驾驶的环境感知方法、装置及电子设备 | |
CN115830073A (zh) | 地图要素重建方法、装置、计算机设备和存储介质 | |
CN114238541A (zh) | 敏感目标信息获取方法、装置和计算机设备 | |
CN111143424A (zh) | 特征场景数据挖掘方法、装置和终端 | |
CN114882115A (zh) | 车辆位姿的预测方法和装置、电子设备和存储介质 | |
CN114155391A (zh) | 轨迹处理方法、装置及计算机设备 | |
CN112016640B (zh) | 基于多特征建图的无人车定位方法、装置、设备和介质 | |
CN113837155B (zh) | 图像处理、地图数据更新方法、装置和存储介质 | |
CN111626288B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
Kanjalkar et al. | IoT-Based Pothole Detection and Analysis for Road Quality Assessment and Human Safety Using Machine Learning Approach | |
CN116772821A (zh) | 地图生成方法、装置、计算机设备和存储介质 | |
Garta et al. | Viewing on Google Maps Using Yolov8 for Damaged Traffic Signs Detection |
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 |