CN110346808B - 一种激光雷达的点云数据处理方法和系统 - Google Patents
一种激光雷达的点云数据处理方法和系统 Download PDFInfo
- Publication number
- CN110346808B CN110346808B CN201910635164.4A CN201910635164A CN110346808B CN 110346808 B CN110346808 B CN 110346808B CN 201910635164 A CN201910635164 A CN 201910635164A CN 110346808 B CN110346808 B CN 110346808B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- neural network
- data
- network model
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 230000003321 amplification Effects 0.000 claims abstract description 15
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 61
- 238000013527 convolutional neural network Methods 0.000 claims description 54
- 230000015654 memory Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种激光雷达的点云数据处理方法和系统，包括：接收激光雷达的点云数据；利用预设深度卷积神经网络模型对点云数据进行预处理操作，获得处理后的点云数据；输出处理后的点云数据。该技术方案，通过预设深度卷积神经网络模型对激光雷达的点云数据进行处理，如进行点云数据的信号增强和分辨率放大等，这样，使得点云数据无需进行滤波处理，还可以满足不同地形和不同气象条件下的数据处理需求。
Description
技术领域
本发明涉及深度学习算法技术领域，更具体地，涉及一种激光雷达的点云数据处理方法和系统。
背景技术
由于激光雷达能在短时间内获得地物三维坐标信息，并且数据量极大，因此，如何快速从海量的激光雷达的点云数据中提取有用的信息是目前研究的热点和难点。
相关技术中，主要采用滤波方法对激光雷达的点云数据进行处理，包括基于数学形态学的滤波算法，基于坡度的滤波算法，基于数据分割的滤波算法等等，但是，滤波方法的实用性很窄，无法满足不同的地形和气象条件。
发明内容
鉴于上述问题，本发明提出了一种激光雷达的点云数据处理方法和相应的系统，其可以通过深度卷积神经网络模型对激光雷达的点云数据进行处理，从而满足不同地形和不同气象条件下的数据处理需求。
根据本发明实施例的第一方面，提供一种激光雷达的点云数据处理方法，包括：
接收激光雷达的点云数据；
利用预设深度卷积神经网络模型对所述点云数据进行预处理操作，获得处理后的点云数据；
输出所述处理后的点云数据。
在一个实施例中，优选地，所述利用预设深度卷积神经网络模型对所述点云数据进行预处理操作，包括：
通过检测所述点云数据确定所需的预处理操作；
利用所述所需的预处理操作对应的预设深度卷积神经网络模型对所述点云数据进行预处理操作；
或者，
利用第一深度卷积神经网络模型对所述点云数据进行信号增强操作，得到信号增强点云数据；
通过检测所述信号增强点云数据判断是否进行进一步的预处理操作；
在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对所述点云数据进行预处理操作。
在一个实施例中，优选地，在接收激光雷达的点云数据之前，所述方法还包括：
根据深度学习算法训练得到所述预设深度卷积神经网络模型。
在一个实施例中，优选地，所述根据深度学习算法训练得到所述预设深度卷积神经网络模型，包括：
获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括点云目标数据和输入点云数据；
将所述训练样本信号集合中的输入点云数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；
将每个所述训练结果信号与各自对应的训练样本信号中的所述点云目标数据进行对比，得到对比结果；
根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。
在一个实施例中，优选地，所述预设深度卷积神经网络模型用于进行以下任一项操作：信号去噪，信号增强操作和分辨率放大操作，
当所述预设深度卷积神经网络模型用于进行信号去噪时，所述输入点云数据中叠加有所述点云目标数据和至少一个类型的高斯噪声信号；
当所述预设深度卷积神经网络模型用于进行信号增强操作时，所述输入点云数据和所述点云目标数据的比特位数相同，所述输入点云数据由所述点云目标数据经部分比特位无效处理得到；
当所述预设深度卷积神经网络模型用于进行分辨率放大操作时，所述输入点云数据经由所述点云目标数据经分辨率缩小处理得到。
在一个实施例中，优选地，所述将每个所述训练结果信号与各自对应的训练样本信号中的所述点云目标数据进行对比，得到对比结果，包括：
计算每个所述训练结果信号与各自对应的训练样本信号中的所述点云目标数据之间的信号差值；
所述根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数，包括：
根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；
在所述精度未达到精度阈值时，调整所述当前神经网络参数。
在一个实施例中，优选地，所述预设深度卷积神经网络模型用于进行以下任一项操作：信号去噪，信号增强操作和分辨率放大操作，
获取点云目标数据，包括：
获取三维模型数据集和设置的至少一个随机视角；
根据所述三维模型数据集和所述至少一个随机视角确定每个所述随机视角对应的点云目标数据并保存在内存中；
当所述预设深度卷积神经网络模型用于进行信号去噪时，获取输入点云数据，包括：
获取多个至少一个类型的高斯噪声信号并保存在内存中；
从内存中分别读取各个点云目标数据、回波信号及各个类型的高斯噪声信号，按照预定的规则利用所述内存中的高斯噪声信号对所述点云目标数据进行叠加，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第一训练样本信号集合中；
当所述预设深度卷积神经网络模型用于进行信号增强操作时，获取输入点云数据，包括：
随机获取一个或多个比特位无效规则；
从内存中读取各个点云目标数据，按照所述比特位无效规则对所述各个点云目标数据进行部分比特位无效处理，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第二训练样本信号集合中；
当所述预设深度卷积神经网络模型用于进行分辨率放大操作时，获取输入点云数据，包括：
随机获取一个或多个缩小系数；
从内存中读取各个点云目标数据，按照所述缩小系数对所述各个点云目标数据进行分辨率缩小处理，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第三训练样本信号集合中。
在一个实施例中，优选地，所述至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和点云数据丢失噪声掩码。
在一个实施例中，优选地，所述输出所述处理后的点云数据，包括：
将所述处理后的点云数据存储至预定存储空间。
根据本发明实施例的第二方面，提供一种激光雷达的点云数据处理系统，包括：
一个或多个处理器；
一个或多个存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行如第一方面或第一方面任一实施例中所述的方法。
本发明实施例中，通过预设深度卷积神经网络模型对激光雷达的点云数据进行处理，如进行点云数据的信号增强和分辨率放大等，这样，使得点云数据无需进行滤波处理，还可以满足不同地形和不同气象条件下的数据处理需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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是本发明一个实施例的激光雷达的点云数据处理方法流程图。
图2是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
图3是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
图4是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
图5是本发明另一个实施例的激光雷达的点云数据处理方法中步骤S401的流程图。
图6是本发明一个实施例的深度学习的单层网络结构参考图。
图7是本发明一个实施例的深度学习的单层网络结构示意图。
图8是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
图9是本发明一个实施例的激光雷达的点云数据处理方法中步骤S501的流程图。
图10是本发明另一个实施例的激光雷达的点云数据处理方法中步骤S501的流程图。
图11是本发明另一个实施例的激光雷达的点云数据处理方法中步骤S501的流程图。
图12是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
图13是本发明一个实施例的激光雷达的点云数据处理过程的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，所描述的实施例仅仅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。
激光雷达是用激光器作为发射光源，采用光电探测技术手段的主动遥感设备。点云数据是指在一个三维坐标系统中的一组向量的集合。这些向量通常以X,Y,Z三维坐标的形式表示，而且一般主要用来代表一个物体的外表面形状。不仅如此，除(X,Y,Z)代表的几何位置信息之外，点云数据还可以表示一个点的RGB颜色，灰度值，深度，分割结果等。激光雷达的点云数据即由激光雷达进行扫描所获取的三维坐标点的数据。比如，激光雷达扫描一栋房子，会产生很多三维坐标点，这些三维坐标点构成了点云数据，用来描述这栋房子。当然，还可以设置目标视角，从而得到从该目标视角进行扫描时，对应的点云目标数据。
作为3D扫描的结果，点云数据有多方面的用途，包括为制造部件，质量检查，多元化视觉，卡通制作，三维制图和大众传播工具应用等创建3D CAD模型。另外可以用于数字三维城市的建设、三维地形的获取、三维文物重建、地籍调查、电力清查等等各种需要测绘建模的行业。
图1是本发明一个实施例的激光雷达的点云数据处理方法流程图，如图1所示，所述激光雷达的点云数据处理方法包括：
步骤S101，接收激光雷达的点云数据；
步骤S102，利用预设深度卷积神经网络模型对点云数据进行预处理操作，获得处理后的点云数据；
在一个实施例中，优选地，预设深度卷积神经网络模型包括具有分辨率放大功能的深度卷积神经网络模型，或者具有信号增强功能的深度卷积神经网络模型。则具有分辨率放大功能的深度卷积神经网络模型对应的预处理操作为分辨率放大操作，具有信号增强功能的深度卷积神经网络模型对应的预处理操作为信号增强操作。
步骤S103，输出处理后的点云数据。
在该实施例中，通过预设深度卷积神经网络模型对激光雷达的点云数据进行预处理操作，如进行点云数据的分辨率放大或者信号增强等，这样，不需要通过滤波算法进行点云数据的处理，而只通过深度卷积神经网络模型就可以实现点云数据处理，与滤波算法相比，可以具有更广泛的应用范围，可以满足不同地形和不同气象条件下的数据处理需求。
图2是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
如图2所示，在一个实施例中，优选地，上述步骤S102包括：
步骤S201，通过检测点云数据确定所需的预处理操作；
步骤S202，利用所需的预处理操作对应的预设深度卷积神经网络模型对点云数据进行预处理操作；
在该实施例中，可以检测点云数据的分辨率是否达到预设分辨率，点云数据的信号强度是否达到预设强度等，进而确定是否需要对点云数据进行信号增强，或者分辨率放大和信号去噪等预处理操作，如果需要，则利用所需的预处理操作对应的预设深度卷积神经网络模型对点云数据进行预处理操作。
图3是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
如图3所示，在一个实施例中，优选地，上述步骤S102还包括：
步骤S301，利用第一深度卷积神经网络模型对点云数据进行信号增强操作，得到信号增强点云数据；
步骤S302，通过检测信号增强点云数据判断是否进行进一步的预处理操作；
步骤S303，在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对点云数据进行预处理操作。
在该实施例中，还可以先对点云数据进行信号增强操作，再根据信号增强点云数据判断是否进行进一步的预处理操作，如是否进行进一步的分辨率放大等，其中，在进行信号增强时，可以通过用于进行信号增强的预设深度卷积神经网络模型对点云数据进行处理。
图4是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
如图4所示，在一个实施例中，优选地，在步骤S101之前，方法还包括：
步骤S401，根据深度学习算法训练得到预设深度卷积神经网络模型。
在该实施例中，可以通过深度学习算法训练得到预设深度卷积神经网络模型。
图5是本发明另一个实施例的激光雷达的点云数据处理方法中步骤S401的流程图。
如图5所示，在一个实施例中，优选地，上述步骤S401包括：
步骤S501，获取训练样本数据集合，训练样本数据集合包括多组训练样本数据，每组训练样本数据包括点云目标数据和输入点云数据；
步骤S502，将训练样本信号集合中的输入点云数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；
步骤S503，将每个训练结果信号与各自对应的训练样本信号中的点云目标数据进行对比，得到对比结果；
步骤S504，根据对比结果确定预设深度卷积神经网络模型的神经网络参数。
在一个实施例中，优选地，神经网络参数包括以下至少一项：神经网络的层数和神经网络的节点数。
在该实施例中，可以通过端对端训练的方式训练得到预设深度卷积神经网络模型，具体地，通过预设深度卷积神经网络模型对输入点云数据进行处理，得到训练结果信号，再通过训练结果数据和点云目标数据的差异确定神经网络的层数和节点数，从而得到合适的深度卷积神经网络模型。
在一个实施例中，优选地，深度学习可以采用U-Net网络，但是不限于U-Net，深度学习的单层网络结构参考图6和图7。
在一个实施例中，优选地，预设深度卷积神经网络模型用于进行以下任一项操作：信号去噪，信号增强操作和分辨率放大操作，
当预设深度卷积神经网络模型用于进行信号去噪时，输入点云数据中叠加有点云目标数据和至少一个类型的高斯噪声信号；
当预设深度卷积神经网络模型用于进行信号增强操作时，输入点云数据和点云目标数据的比特位数相同，输入点云数据由点云目标数据经部分比特位无效处理得到；
当预设深度卷积神经网络模型用于进行分辨率放大操作时，输入点云数据经由点云目标数据经分辨率缩小处理得到。
图8是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
如图8所示，在一个实施例中，优选地，上述步骤S503包括：
步骤S801，计算每个训练结果信号与各自对应的训练样本信号中的点云目标数据之间的信号差值；
上述步骤S504包括：
步骤S802，根据各个信号差值确定当前神经网络的精度，在精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；
步骤S803，在精度未达到精度阈值时，调整当前神经网络参数。
在该实施例中，根据每个训练结果信号与各自对应的训练样本中的点云目标数据之间的信号差值确定当前神经网络的精度，如果精度未达到精度阈值，则调整当前神经网络参数，直到精度达到精度阈值为止，从而训练出准确的深度卷积神经网络模型。
其中，预设深度卷积神经网络模型可以用于进行信号去噪，信号增强操作和分辨率放大操作等。其中，在进行不同的处理操作时，点云目标数据的获取方式可以相同，而对应的输入点云数据的获取方式不同，训练得到的神经网络模型也不同。
图9是本发明一个实施例的激光雷达的点云数据处理方法中步骤S501的流程图。
如图9所示，在一个实施例中，优选地，当预设深度卷积神经网络模型用于进行信号去噪时，上述步骤S501包括：
步骤S901，获取三维模型数据集和设置的至少一个随机视角；三维模型数据集是指在一个三维坐标系统中的一组向量的集合。随机视角是指随机选取一个目标视角，进而从该目标视角进行扫描，获取该目标视角对应的点云目标数据。
步骤S902，根据三维模型数据集和至少一个随机视角确定每个随机视角对应的点云目标数据并保存在内存中；
步骤S903，获取至少一个类型的高斯噪声信号并保存在内存中；
在一个实施例中，优选地，至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和点云数据丢失噪声掩码。高斯噪声信号可以是随机生成之后存储在预定存储空间，也可以是存储了高斯噪声列表，随机或者按照某个规则从列表中选取高斯噪声。
步骤S904，从内存中分别读取各个点云目标数据及各个类型的高斯噪声信号，按照预定的规则利用内存中的高斯噪声信号和回波信号对点云目标数据进行叠加，得到多个输入点云数据，将点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第一训练样本信号集合中。
可以在点云目标数据中加入不同的回波信号，以模拟不同的地形，也可以加入不同的噪声信号，以模拟不同的气象，如下雨噪声，下雪噪声等。这样，就可以使得训练得到的预设深度卷积神经网络模型可以满足不同地形和不同气象条件下的数据处理需求。
在点云目标数据上加入回波信号，再加入深度高斯噪声信号，再加入平面位移高斯噪声信号，再加入点云数据丢失噪声掩码，这样，依次在点云目标数据中加入回波信号和多种高斯噪声信号，即可获得输入点云数据，从而扩大输入数据的数据集，得到较多的训练数据，使得训练得到的神经网络模型更加准确。
图10是本发明另一个实施例的激光雷达的点云数据处理方法中步骤S501的流程图。
如图10所示，在一个实施例中，优选地，当预设深度卷积神经网络模型用于进行信号增强操作时，上述步骤S501包括：
步骤S1001，获取三维模型数据集和设置的至少一个随机视角；三维模型数据集是指在一个三维坐标系统中的一组向量的集合。随机视角是指随机选取一个目标视角，进而从该目标视角进行扫描，获取该目标视角对应的点云目标数据。
步骤S1002，根据三维模型数据集和至少一个随机视角确定每个随机视角对应的点云目标数据并保存在内存中；
步骤S1003，随机获取一个或多个比特位无效规则；
步骤S1004，从内存中读取各个点云目标数据，按照比特位无效规则对各个点云目标数据进行部分比特位无效处理，得到多个输入点云数据，将点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第二训练样本信号集合中。
图11是本发明另一个实施例的激光雷达的点云数据处理方法中步骤S501的流程图。
如图11所示，在一个实施例中，优选地，当预设深度卷积神经网络模型用于进行分辨率放大操作时，上述步骤S501包括：
步骤S1101，获取三维模型数据集和设置的至少一个随机视角；三维模型数据集是指在一个三维坐标系统中的一组向量的集合。随机视角是指随机选取一个目标视角，进而从该目标视角进行扫描，获取该目标视角对应的点云目标数据。
步骤S1102，根据三维模型数据集和至少一个随机视角确定每个随机视角对应的点云目标数据并保存在内存中；
步骤S1103，随机获取一个或多个缩小系数；
步骤S1104，从内存中读取各个点云目标数据，按照缩小系数对各个点云目标数据进行分辨率缩小处理，得到多个输入点云数据，将点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第三训练样本信号集合中。
当然，除了对点云目标数据进行缩小处理外，还可以将点云目标数据作为输入点云数据，对点云目标数据进行分辨率放大，放大结果作为点云目标数据。
图12是本发明另一个实施例的激光雷达的点云数据处理方法的流程图。
如图12所示，在一个实施例中，优选地，上述步骤S103包括：
步骤S1201，将处理后的点云数据存储至预定存储空间。
在该实施例中，还可以将处理后的点云数据存储至预定存储空间，以便后续进行其他处理操作。
下面以一个具体实施例详细说明本申请的技术方案。
如图13所示，接收激光雷达的点云数据A，利用预设深度卷积神经网络模型对点云数据A进行预处理操作，获得处理后的点云数据B，这样，不需要通过滤波算法进行点云数据的处理，而只通过深度卷积神经网络模型就可以实现点云数据处理，与滤波算法相比，可以具有更广泛的应用范围，可以满足不同地形和不同气象条件下的数据处理需求。
根据本发明实施例的第二方面，提供一种激光雷达的点云数据处理系统，包括：
一个或多个处理器；
一个或多个存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行如第一方面或第一方面任一实施例中所述的方法。
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，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
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步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种便捷式多功能设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种激光雷达的点云数据处理方法，其特征在于，包括：
接收激光雷达的点云数据；
利用预设深度卷积神经网络模型对所述点云数据进行预处理操作，获得处理后的点云数据；
输出所述处理后的点云数据；
所述预设深度卷积神经网络模型用于进行以下操作：信号去噪；
获取点云目标数据，包括：
获取三维模型数据集和设置的至少一个随机视角；
根据所述三维模型数据集和所述至少一个随机视角确定每个所述随机视角对应的点云目标数据并保存在内存中；
当所述预设深度卷积神经网络模型用于进行信号去噪时，获取输入点云数据，包括：
获取多个至少一个类型的高斯噪声信号并保存在内存中；
从内存中分别读取各个点云目标数据及各个类型的高斯噪声信号，按照预定的规则利用所述内存中的高斯噪声信号对所述点云目标数据进行叠加，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第一训练样本信号集合中。
2.根据权利要求1所述的激光雷达的点云数据处理方法，其特征在于，所述利用预设深度卷积神经网络模型对所述点云数据进行预处理操作，包括：
通过检测所述点云数据确定所需的预处理操作；
利用所述所需的预处理操作对应的预设深度卷积神经网络模型对所述点云数据进行预处理操作；
或者，
利用第一深度卷积神经网络模型对所述点云数据进行信号增强操作，得到信号增强点云数据；
通过检测所述信号增强点云数据判断是否进行进一步的预处理操作；
在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对所述点云数据进行预处理操作。
3.根据权利要求1所述的激光雷达的点云数据处理方法，其特征在于，在接收激光雷达的点云数据之前，所述方法还包括：
根据深度学习算法训练得到所述预设深度卷积神经网络模型。
4.根据权利要求3所述的激光雷达的点云数据处理方法，其特征在于，所述根据深度学习算法训练得到所述预设深度卷积神经网络模型，包括：
获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括点云目标数据和输入点云数据；
将所述训练样本信号集合中的输入点云数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；
将每个所述训练结果信号与各自对应的训练样本信号中的所述点云目标数据进行对比，得到对比结果；
根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。
5.根据权利要求4所述的激光雷达的点云数据处理方法，其特征在于，所述预设深度卷积神经网络模型还用于进行以下任一项操作：信号增强操作和分辨率放大操作，
当所述预设深度卷积神经网络模型用于进行信号去噪时，所述输入点云数据中叠加有所述点云目标数据和至少一个类型的高斯噪声信号；
当所述预设深度卷积神经网络模型用于进行信号增强操作时，所述输入点云数据和所述点云目标数据的比特位数相同，所述输入点云数据由所述点云目标数据经部分比特位无效处理得到；
当所述预设深度卷积神经网络模型用于进行分辨率放大操作时，所述输入点云数据经由所述点云目标数据经分辨率缩小处理得到。
6.根据权利要求4所述的激光雷达的点云数据处理方法，其特征在于，所述将每个所述训练结果信号与各自对应的训练样本信号中的所述点云目标数据进行对比，得到对比结果，包括：
计算每个所述训练结果信号与各自对应的训练样本信号中的所述点云目标数据之间的信号差值；
所述根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数，包括：
根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；
在所述精度未达到精度阈值时，调整所述当前神经网络参数。
7.根据权利要求4所述的激光雷达的点云数据处理方法，其特征在于，所述预设深度卷积神经网络模型还用于进行以下任一项操作：信号增强操作和分辨率放大操作，
当所述预设深度卷积神经网络模型用于进行信号增强操作时，获取输入点云数据，包括：
随机获取一个或多个比特位无效规则；
从内存中读取各个点云目标数据，按照所述比特位无效规则对所述各个点云目标数据进行部分比特位无效处理，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第二训练样本信号集合中；
当所述预设深度卷积神经网络模型用于进行分辨率放大操作时，获取输入点云数据，包括：
随机获取一个或多个缩小系数；
从内存中读取各个点云目标数据，按照所述缩小系数对所述各个点云目标数据进行分辨率缩小处理，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第三训练样本信号集合中。
8.根据权利要求5所述的激光雷达的点云数据处理方法，其特征在于，所述至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和点云数据丢失噪声掩码。
9.根据权利要求1至8中任一项所述的激光雷达的点云数据处理方法，其特征在于，所述输出所述处理后的点云数据，包括：
将所述处理后的点云数据存储至预定存储空间。
10.一种激光雷达的点云数据处理系统，其特征在于，包括：
一个或多个处理器；
一个或多个存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行权利要求1至9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635164.4A CN110346808B (zh) | 2019-07-15 | 2019-07-15 | 一种激光雷达的点云数据处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635164.4A CN110346808B (zh) | 2019-07-15 | 2019-07-15 | 一种激光雷达的点云数据处理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110346808A CN110346808A (zh) | 2019-10-18 |
| CN110346808B true CN110346808B (zh) | 2023-01-31 |
Family
ID=68175300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910635164.4A Active CN110346808B (zh) | 2019-07-15 | 2019-07-15 | 一种激光雷达的点云数据处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110346808B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110879828B (zh) * | 2019-11-20 | 2020-11-24 | 上海眼控科技股份有限公司 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
| CN111539881B (zh) * | 2020-04-16 | 2021-07-13 | 南京航空航天大学 | 一种基于深度学习的航空零部件点云去噪方法 |
| CN111694019A (zh) * | 2020-05-13 | 2020-09-22 | 华南理工大学 | 一种基于激光雷达和端到端控制算法的智能行驶教育方法 |
| CN111612891B (zh) * | 2020-05-22 | 2023-08-08 | 北京京东乾石科技有限公司 | 模型生成方法、点云数据处理方法、装置、设备及介质 |
| CN111798397A (zh) * | 2020-07-08 | 2020-10-20 | 上海振华重工电气有限公司 | 一种激光雷达数据的消抖与雨雾处理方法 |
| CN112435193B (zh) * | 2020-11-30 | 2024-05-24 | 中国科学院深圳先进技术研究院 | 一种点云数据去噪的方法、装置、存储介质和电子设备 |
| CN113436234B (zh) * | 2021-08-26 | 2021-12-17 | 深圳市信润富联数字科技有限公司 | 轮毂毛刺识别方法、电子装置、装置及可读存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101975951B (zh) * | 2010-06-09 | 2013-03-20 | 北京理工大学 | 一种融合距离和图像信息的野外环境障碍检测方法 |
| CN106154247B (zh) * | 2016-06-24 | 2018-07-10 | 南京林业大学 | 一种多尺度全波形激光雷达数据最优化分解方法 |
| CN106650809B (zh) * | 2016-12-20 | 2018-02-23 | 福州大学 | 一种车载激光点云目标分类方法和系统 |
| CN109212510B (zh) * | 2017-07-04 | 2021-04-23 | 百度在线网络技术（北京）有限公司 | 用于测量多线激光雷达的角分辨率的方法和装置 |
| CN107862293B (zh) * | 2017-09-14 | 2021-05-04 | 北京航空航天大学 | 基于对抗生成网络的雷达生成彩色语义图像系统及方法 |
| CN108520274B (zh) * | 2018-03-27 | 2022-03-11 | 天津大学 | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 |
| CN109711410A (zh) * | 2018-11-20 | 2019-05-03 | 北方工业大学 | 一种三维物体快速分割和识别方法、装置及系统 |
| CN109959911A (zh) * | 2019-03-25 | 2019-07-02 | 清华大学 | 基于激光雷达的多目标自主定位方法及装置 |
-
2019
- 2019-07-15 CN CN201910635164.4A patent/CN110346808B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110346808A (zh) | 2019-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110346808B (zh) | 一种激光雷达的点云数据处理方法和系统 | |
| Cerrillo-Cuenca | An approach to the automatic surveying of prehistoric barrows through LiDAR | |
| CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
| Liu | Airborne LiDAR for DEM generation: some critical issues | |
| US9189862B2 (en) | Outline approximation for point cloud of building | |
| CN109584294B (zh) | 一种基于激光点云的路面点云提取方法和装置 | |
| CN111043988B (zh) | 一种基于图形学和深度学习的单张条纹投影测量方法 | |
| Tarsha Kurdi et al. | Automatic filtering and 2D modeling of airborne laser scanning building point cloud | |
| CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
| KR102702260B1 (ko) | 고해상도 영상과 LiDAR 점군 데이터를 활용한 하천 지형의 3차원 시각화 시스템 및 그 방법 | |
| CN116797787A (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
| CN112154448A (zh) | 目标检测方法、设备及可移动平台 | |
| Dong et al. | A framework for automated assessment of post-earthquake building damage using geospatial data | |
| CN114140758A (zh) | 一种目标检测方法、装置及计算机设备 | |
| Tarsha Kurdi et al. | Automatic evaluation and improvement of roof segments for modelling missing details using Lidar data | |
| CN111260564A (zh) | 一种图像处理方法和装置及计算机存储介质 | |
| CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
| CN112907744A (zh) | 数字高程模型的构建方法、装置、设备及存储介质 | |
| Li et al. | 3D virtual urban scene reconstruction from a single optical remote sensing image | |
| CN110363863B (zh) | 一种神经网络的输入数据生成方法和系统 | |
| Hesami et al. | Range segmentation of large building exteriors: A hierarchical robust approach | |
| CN110363288B (zh) | 一种神经网络的输入图像生成方法和系统 | |
| Qayyum et al. | Deep convolutional neural network processing of aerial stereo imagery to monitor vulnerable zones near power lines | |
| Sharifi et al. | Efficiency evaluating of automatic lineament extraction by means of remote sensing (Case study: Venarch, Iran) | |
| Lee et al. | Determination of building model key points using multidirectional shaded relief images generated from airborne LiDAR data |
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 |