CN110363834B - 一种点云数据的分割方法和装置 - Google Patents
一种点云数据的分割方法和装置 Download PDFInfo
- Publication number
- CN110363834B CN110363834B CN201810315338.4A CN201810315338A CN110363834B CN 110363834 B CN110363834 B CN 110363834B CN 201810315338 A CN201810315338 A CN 201810315338A CN 110363834 B CN110363834 B CN 110363834B
- Authority
- CN
- China
- Prior art keywords
- point
- distance
- scanning
- sub
- point cloud
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种点云数据的分割方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系;根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段;对不同扫描线之间的分割段进行聚类以得到子点集;根据所述子点集确定分割结果。该实施方式能够提高点云数据分割的效率和准确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种点云数据的分割方法和装置。
背景技术
目前自动驾驶技术发展迅速,多线激光雷达具有视角大(一般是360°)、探测距离远(150m以上)、测距精度高(厘米级)等优点,是目前自动驾驶中最为常用的传感器之一。点云数据是由传感器采集到的海量、稀疏的点所组成的数据集合,为了根据点云数据确定空间中的物体,需要对点云数据中的点进行分割。目前的点云分割大多使用点云处理开源库(PCL)中的欧氏距离分割算法,该算法通过KD-Tree储存三维点云数据,通过每个点与近邻点的欧氏距离判断是否属于同一类。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
由于多线雷达的水平扫描分辨率远高于垂直扫描分辨率,因此通过单一阈值对同扫描线上和不同扫描线间的点进行分割时,准确度较差;此外,现有的方法需要将任意两点的欧式距离与阈值对比进行判断,运行效率低。
发明内容
有鉴于此,本发明实施例提供一种点云数据的分割方法和装置,能够提高点云数据分割的效率和准确度。
为实现上述目的,根据本发明实施例的一个方面,提供了一种点云数据的分割方法,包括:
获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系;
根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段;
对不同扫描线之间的分割段进行聚类以得到子点集;
根据所述子点集确定分割结果。
可选的,根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段的步骤包括:
对于点云数据中一条扫描线上的点,依次判断前点和后点是否满足均为有效点且距离小于距离阈值的条件;若满足,则将后点加入前点所属的分割段;
对于每条扫描线执行上述步骤,以得到对应于各扫描线的分割段。
可选的,所述距离阈值为前点和后点与雷达中心之间距离的较大值与距离增益的乘积,加上点云测距精度所得到的结果;其中,所述距离增益为雷达水平扫描角与雷达水平扫描角和飞点角度之和的比值,所述雷达水平扫描角为雷达水平扫描角分辨率的整数倍,所述飞点角度为预设值,所述点云测距精度由雷达性能确定。
可选的,在对不同扫描线之间的分割段进行聚类以得到子点集的步骤前,还包括:
根据各分割段所包含的点,确定该分割段的扫描角度区间和扫描距离区间;其中,所述扫描角度区间为该分割段所包含的各点与雷达正向所呈最小夹角至最大夹角的区间,所述扫描距离区间为该分割段所包含的各点与雷达中心之间最小距离到最大距离的区间;
对不同扫描线之间的分割段进行聚类以得到子点集的步骤包括:
任取一条扫描线中的一分割段,判断该分割段与其他扫描线中各分割段的扫描角度区间和扫描距离区间是否均存在交集;若存在,则将该分割段与存在交集的分割段合并,并更新合并得到的分割段的扫描角度区间和扫描距离区间;
对于各分割段重复执行上述步骤,直至在一次对全部分割段的遍历后没有发生合并,以此时的各分割段作为各子点集。
可选的,根据所述子点集确定分割结果的步骤包括:
判断各所述子点集中点的数量是否小于数量阈值;其中,数量阈值为点云扫描线数和最小目标尺寸的乘积,与有效聚类距离和雷达水平扫描角分辨率的乘积的比值,所述点云扫描线数为所述子点集中各点所对应的不同扫描线的总数,所述最小目标尺寸和有效聚类距离为预设值,所述雷达水平扫描角分辨率由雷达性能确定;
若小于,则将该子点集滤除;
获取未被滤除的子点集作为分割结果。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种点云数据的分割装置,包括:
数据获取模块,用于获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系;
分割模块,用于根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段;
聚类模块,用于对不同扫描线之间的分割段进行聚类以得到子点集;
结果处理模块,用于根据所述子点集确定分割结果。
可选的,所述分割模块还用于:
对于点云数据中一条扫描线上的点,依次判断前点和后点是否满足均为有效点且距离小于距离阈值的条件;若满足,则将后点加入前点所属的分割段;
对于每条扫描线执行上述步骤,以得到对应于各扫描线的分割段。
可选的,所述距离阈值为前点和后点与雷达中心之间距离的较大值与距离增益的乘积,加上点云测距精度所得到的结果;其中,所述距离增益为雷达水平扫描角与雷达水平扫描角和飞点角度之和的比值,所述雷达水平扫描角为雷达水平扫描角分辨率的整数倍,所述飞点角度为预设值,所述点云测距精度由雷达性能确定。
可选的,所述聚类模块还用于:
根据各分割段所包含的点,确定该分割段的扫描角度区间和扫描距离区间;其中,所述扫描角度区间为该分割段所包含的各点与雷达正向所呈最小夹角至最大夹角的区间,所述扫描距离区间为该分割段所包含的各点与雷达中心之间最小距离到最大距离的区间;
任取一条扫描线中的一分割段,判断该分割段与其他扫描线中各分割段的扫描角度区间和扫描距离区间是否均存在交集;若存在,则将该分割段与存在交集的分割段合并,并更新合并得到的分割段的扫描角度区间和扫描距离区间;
对于各分割段重复执行上述步骤,直至在一次对全部分割段的遍历后没有发生合并,以此时的各分割段作为各子点集。
可选的,所述结果处理模块还用于:
判断各所述子点集中点的数量是否小于数量阈值;其中,数量阈值为点云扫描线数和最小目标尺寸的乘积,与有效聚类距离和雷达水平扫描角分辨率的乘积的比值,所述点云扫描线数为所述子点集中各点所对应的不同扫描线的总数,所述最小目标尺寸和有效聚类距离为预设值,所述雷达水平扫描角分辨率由雷达性能确定;
若小于,则将该子点集滤除;
获取未被滤除的子点集作为分割结果。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种点云数据的分割电子设备,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至少实现:
获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系;
根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段;
对不同扫描线之间的分割段进行聚类以得到子点集;
根据所述子点集确定分割结果。
为实现上述目的,根据本发明实施例的又一个方面,提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时至少实现:
获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系;
根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段;
对不同扫描线之间的分割段进行聚类以得到子点集;
根据所述子点集确定分割结果。
上述发明中的实施例具有如下优点或有益效果:
1.因为采用对点云数据中的点首先按照扫描线进行分割,然后再对分割段进行聚类以得到子点集作为分割结果的技术手段,大幅减少计算量;同时,这种分割方式避免了不同扫描线之间点的距离判断,可以方便设置阈值,从而提高结果精度;
2.通过设置随点与雷达距离动态变化的距离阈值,并将对“飞点”的判断加入到距离阈值中,从而提高了分割过程的准确度,并能够自动排除噪点(飞点)。
3.,通过设置与场景、扫描线数、最小物体尺寸和扫描分辨率等参数相关的动态数量阈值,对聚类得到的子点集进行进一步过滤。从而提高了分割结果的准确度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的点云数据的分割方法的主要步骤的示意图;
图2是根据本发明实施例的点云数据的分割方法中点位置信息的示意图;
图3是根据本发明实施例的点云数据的分割方法中两相邻点的位置示意图;
图4是根据本发明实施例的点云数据的分割方法中“飞点”的判定示意图;
图5是根据本发明实施例的点云数据的分割装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的点云数据的分割方法的主要步骤的示意图。
如图1所示,本发明实施例提供的点云数据的分割方法,适用于对多线雷达,例如多线激光雷达所采集的点云数据中点的分割。所述方法包括:
S100,获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系,除此之外,点云数据还包括各点的位置信息,例如点的高度、点与雷达中心的距离、点相对于正向的偏角等。
图2是根据本发明实施例的点云数据的分割方法中点位置信息的示意图。如图2所示,在一实施例中,以雷达的正前方作为x轴正向,则点云数据的位置信息可以包括点与雷达中心的距离(图2中d所示)、点相对于正向的偏角(图2中α所示)。
S101,根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段。在对相互距离进行判断时,采用的距离阈值可以根据被判断的点与雷达之间的距离等进行调整,在后续实施例中进行详细说明。
S102,对不同扫描线之间的分割段进行聚类以得到子点集。在得到分割段后,根据分割段之间的空间相关性对分割段中的点进行合并,从而得到子点集。
S103,根据所述子点集确定分割结果。在得到子点集后,可以将子点集作为点云分割的结果,还可以首先根据子点集中包含的点的数量对子点集进行过滤,去除包含点数过少的子点集,具体方式在后续实施例中进行说明。
从上面所述可以看出,本实施例中的方法因为采用对点云数据中的点首先按照扫描线进行分割,然后再对分割段进行聚类以得到子点集作为分割结果的技术手段,大幅减少计算量;同时,这种分割方式避免了不同扫描线之间点的距离判断,可以方便设置阈值,从而提高结果精度。
在一些可选的实施例中,S101,分别对点云数据中每条扫描线上的点按照相互距离进行分割,以得到对应于各扫描线的分割段的步骤包括:
对于点云数据中一条扫描线上的点,依次判断前点和后点是否满足均为有效点且距离小于距离阈值的条件。其中,“有效点”是指处无效点之外的其他点,无效点主要包括:
1.在雷达采集的过程中自动识别出的无效点,其数据是一个特殊值(例如NAN,nota number),可以被直接识别;
2.高度小于预设的高度阈值的点,在分割时这些点易对结果造成影响,因此将其排除在处理范围之外。
若满足,则将后点加入前点所属的分割段,然后以后点作为下一前点、后点的下一相邻点作为下一后点,继续执行判断;若不满足,则以后点作为下一前点、后点的下一相邻点作为下一后点,继续执行判断。需说明的是,在执行判断前,可以为每个点均设置一个分割段,初始状态下分割段中仅包括一个点;在执行判断的过程中,将被合并的点所对应的分割段删除。
对于每条扫描线执行上述步骤,以得到对应于各扫描线的分割段。在获取到分割段后,可以将包含点的数量过少的分割段滤除,以避免对分割精度造成影响。
在本实施例中,所述距离阈值的计算方式为:
距离阈值=点云测距精度+距离增益*两点与雷达距离的较大值;其中,点云测距精度由雷达性能确定,不同型号的雷达精度不同,一般会在产品规格书中说明;距离增益=雷达水平扫描角/(雷达水平扫描角+飞点角度),所述雷达水平扫描角为雷达水平扫描角分辨率的整数倍,所述飞点角度为预设值。雷达水平扫描角越小,则计算得到的距离阈值越小,因此雷达水平扫描角用于限定上述判断的严格程度。
图3是根据本发明实施例的点云数据的分割方法中两相邻点的位置示意图。
参考图3所示,对于同一扫描线上相邻的点A与点B,二者各自与雷达中心的连线所呈角度α1为雷达的水平扫描角分辨率,较远点A与雷达中心的连线和A、B点连线所呈角度为β。当点A的位置固定,点B在其与雷达中心的连线上朝向雷达运动时,点A与点B之间的距离增加,且β减小;当β减小至某一数值时,点A与点B距离较远,此时可以判定两点之间不连续,较远点A为所谓的“飞点”。上述飞点角度就是β的阈值,上述距离阈值的公式将飞点角度加入计算,从而将对于角度的判断转化为对于距离的判断。本实施例由于设置了动态变化的距离阈值,因此在对两点间的距离进行判断时,既能够减小点与雷达距离对判断结果造成的影响,又可以利用飞点角度一定程度上自动地过滤掉飞点,消除噪点(飞点)对判断结果的影响,从两个方面上提高了判断结果的精确度。
图4是根据本发明实施例的点云数据的分割方法中“飞点”的判定示意图。
参考图4所示,A、B、C和D分别表示位于不同位置的两个相邻点。A、C和D组表示的相邻点位于同一物体上,因此二者的距离较为接近,在判断时会被认定为连续点;而B组表示的相邻点分别位于不同物体上,导致二者之间距离较大,即二者连线和二者中较远点与雷达中心连线的夹角较小,在判断时会被认定为非连续点。结合图4可见,飞点角度的确定与场景中相邻物体之间的距离、相邻物体与雷达的距离、相邻物体与雷达中心距离之差甚至场景中物体的形状和尺寸均有关系,因此在实际使用中,可以通过对样本数据测试的方式确定对应于不同场景的飞点角度;即本申请中提到的飞点角度为“预设值”并非指飞点角度为定值,而是指其值是根据预先分析确定的。
在一些可选的实施例中,在S102,对不同扫描线之间的分割段进行聚类以得到子点集的步骤前,还包括:
根据各分割段所包含的点,确定该分割段的扫描角度区间和扫描距离区间;其中,所述扫描角度区间为该分割段所包含的各点与雷达正向所呈最小夹角至最大夹角的区间,所述扫描距离区间为该分割段所包含的各点与雷达中心之间最小距离到最大距离的区间。
在前已经说明过,点云数据中包含各点与雷达中心的距离,以及各点与雷达中心连线相对于雷达正向的偏角。根据点云数据,可以获取各分割段的扫描角度区间和扫描距离区间。
S102,对不同扫描线之间的分割段进行聚类以得到子点集的步骤包括:
任取一条扫描线中的一分割段,判断该分割段与其他扫描线中各分割段的扫描角度区间和扫描距离区间是否均存在交集;若存在,则将该分割段与存在交集的分割段合并,并更新合并得到的分割段的扫描角度区间和扫描距离区间;
对于各分割段重复执行上述步骤,直至在一次对全部分割段的遍历后没有发生合并,以此时的各分割段作为各子点集。
所述扫描角度区间和扫描距离区间在雷达的扫描平面上大致划分出了一个平面区域,本实施例将不同扫描线中扫描角度区间和扫描距离区间存在交集的分割段进行合并,将彼此相关的平面区域在空间上连通,从而形成了可以对空间中同一三维物体进行描述的点的集合,即所述子点集。
在一些可选的实施例中,S103,根据所述子点集确定分割结果的步骤包括:
判断各所述子点集中点的数量是否小于数量阈值;其中,数量阈值=点云扫描线数*最小目标尺寸/(有效聚类距离*雷达水平扫描角分辨率),所述雷达水平扫描精度由雷达性能确定,所述点云扫描线数为所述子点集中各点所对应的不同扫描线的总数,所述最小目标尺寸和有效聚类距离为预设值;
若小于,则将该子点集滤除;若不小于,则继续处理其他子点集;
获取未被滤除的子点集作为分割结果。
多线雷达中各扫描线是水平排列的,点云扫描线数越多,说明物体在竖直方向上的尺寸越大,或者物体距离雷达较近,相应地需要更多点进行描述;最小目标尺寸由人为设置,取决于应用该方法的场景,该数值越小,则说明越注重对小物体的判断,相应地需要将包含点数较少的子点集纳入处理范围;有效聚类距离由人为设置,通常与雷达载体的运动速度有关系,以较高速度运行的物体制动距离长、反应空间小,必然需要着重考虑较远处的物体判断,此时可以将有效聚类距离设置为一个较大的值,以便在远处物体对应的点数较少时仍能将其纳入处理范围。
图5是根据本发明实施例的点云数据的分割装置的主要模块的示意图。
如图5所示,根据本发明实施例提供的点云数据的分割装置500,包括:
数据获取模块501,用于获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系;其中,所述点云数据包括各点与扫描线的对应关系,除此之外,点云数据还包括各点的位置信息,例如点的高度、点与雷达中心的距离、点相对于正向的偏角等。
分割模块502,用于根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段;在对相互距离进行判断时,采用的距离阈值可以根据被判断的点与雷达之间的距离等进行调整,在后续实施例中进行详细说明。
聚类模块503,用于对不同扫描线之间的分割段进行聚类以得到子点集;在得到分割段后,该模块根据分割段之间的空间相关性对分割段中的点进行合并,从而得到子点集。
结果处理模块504,用于根据所述子点集确定分割结果。在得到子点集后,可以将子点集作为点云分割的结果,还可以首先根据子点集中包含的点的数量对子点集进行过滤,去除包含点数过少的子点集。
从上面所述可以看出,本实施例中的装置因为采用对点云数据中的点首先按照扫描线进行分割,然后再对分割段进行聚类以得到子点集作为分割结果的技术手段,大幅减少计算量;同时,这种分割方式避免了不同扫描线之间点的距离判断,可以方便设置阈值,从而提高结果精度。
在一些可选的实施例中,所述分割模块502还用于:
对于点云数据中一条扫描线上的点,依次判断前点和后点是否满足均为有效点且距离小于距离阈值的条件;若满足,则将后点加入前点所属的分割段;
对于每条扫描线执行上述步骤,以得到对应于各扫描线的分割段。
在一些可选的实施例中,所述距离阈值为前点和后点与雷达中心之间距离的较大值与距离增益的乘积,加上点云测距精度所得到的结果;其中,所述距离增益为雷达水平扫描角与雷达水平扫描角和飞点角度之和的比值,所述雷达水平扫描角为雷达水平扫描角分辨率的整数倍,所述飞点角度为预设值,所述点云测距精度由雷达性能确定。
在一些可选的实施例中,所述聚类模块503还用于:
根据各分割段所包含的点,确定该分割段的扫描角度区间和扫描距离区间;其中,所述扫描角度区间为该分割段所包含的各点与雷达正向所呈最小夹角至最大夹角的区间,所述扫描距离区间为该分割段所包含的各点与雷达中心之间最小距离到最大距离的区间;
任取一条扫描线中的一分割段,判断该分割段与其他扫描线中各分割段的扫描角度区间和扫描距离区间是否均存在交集;若存在,则将该分割段与存在交集的分割段合并,并更新合并得到的分割段的扫描角度区间和扫描距离区间;
对于各分割段重复执行上述步骤,直至在一次对全部分割段的遍历后没有发生合并,以此时的各分割段作为各子点集。
在一些可选的实施例中,所述结果处理模块504还用于:
判断各所述子点集中点的数量是否小于数量阈值;其中,数量阈值为点云扫描线数和最小目标尺寸的乘积,与有效聚类距离和雷达水平扫描角分辨率的乘积的比值,所述点云扫描线数为所述子点集中各点所对应的不同扫描线的总数,所述最小目标尺寸和有效聚类距离为预设值,所述雷达水平扫描角分辨率由雷达性能确定;
若小于,则将该子点集滤除;
获取未被滤除的子点集作为分割结果。
图6示出了可以应用本发明实施例的点云数据的分割方法或点云数据的分割装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以配置有雷达设备和配套的计算设备等。
需要说明的是,本发明实施例所提供的点云数据的分割方法可以由终端设备601、602、603执行,例如在自动驾驶场景中,终端设备601、602、603作为车载计算设备时;所述方法还可以由服务器604执行,例如在构建场景的三维模型时;相应地,点云数据的分割装置可设置于终端设备601、602、603或服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
根据本发明的实施例,本发明还提供了一种电子设备和一种可读存储介质。
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明的实施例,上文主要步骤的示意图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤的示意图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括数据获取模块、分割模块、聚类模块和结果处理模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,分割模块还可以被描述为“用于根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系;
根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段;
对不同扫描线之间的分割段进行聚类以得到子点集;
根据所述子点集确定分割结果。
根据本发明实施例的技术方案,因为采用对点云数据中的点首先按照扫描线进行分割,然后再对分割段进行聚类以得到子点集作为分割结果的技术手段,大幅减少计算量;同时,这种分割方式避免了不同扫描线之间点的距离判断,可以方便设置阈值,从而提高结果精度。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种点云数据的分割方法,其特征在于,包括:
获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系;
根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段;
根据各分割段所包含的点,确定该分割段的扫描角度区间和扫描距离区间;其中,所述扫描角度区间为该分割段所包含的各点与雷达正向所呈最小夹角至最大夹角的区间,所述扫描距离区间为该分割段所包含的各点与雷达中心之间最小距离到最大距离的区间;
对不同扫描线之间的分割段进行聚类以得到子点集,包括:
任取一条扫描线中的一分割段,判断该分割段与其他扫描线中各分割段的扫描角度区间和扫描距离区间是否均存在交集;若存在,则将该分割段与存在交集的分割段合并,并更新合并得到的分割段的扫描角度区间和扫描距离区间;
对于各分割段重复执行上述步骤,直至在一次对全部分割段的遍历后没有发生合并,以此时的各分割段作为各子点集;
根据所述子点集确定分割结果。
2.根据权利要求1所述的方法,其特征在于,根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段的步骤包括:
对于点云数据中一条扫描线上的点,依次判断前点和后点是否满足均为有效点且距离小于距离阈值的条件;若满足,则将后点加入前点所属的分割段;
对于每条扫描线执行上述步骤,以得到对应于各扫描线的分割段。
3.根据权利要求2所述的方法,其特征在于,所述距离阈值为前点和后点与雷达中心之间距离的较大值与距离增益的乘积,加上点云测距精度所得到的结果;其中,所述距离增益为雷达水平扫描角与雷达水平扫描角和飞点角度之和的比值,所述雷达水平扫描角为雷达水平扫描角分辨率的整数倍,所述飞点角度为预设值,所述点云测距精度由雷达性能确定。
4.根据权利要求1所述的方法,其特征在于,根据所述子点集确定分割结果的步骤包括:
判断各所述子点集中点的数量是否小于数量阈值;其中,数量阈值为点云扫描线数和最小目标尺寸的乘积,与有效聚类距离和雷达水平扫描角分辨率的乘积的比值,所述点云扫描线数为所述子点集中各点所对应的不同扫描线的总数,所述最小目标尺寸和有效聚类距离为预设值,所述雷达水平扫描角分辨率由雷达性能确定;
若小于,则将该子点集滤除;
获取未被滤除的子点集作为分割结果。
5.一种点云数据的分割装置,其特征在于,包括:
数据获取模块,用于获取点云数据;其中,所述点云数据包括各点与扫描线的对应关系;
分割模块,用于根据相邻点之间的距离对点云数据中各扫描线上的点进行分割,以得到对应于各扫描线的分割段;
聚类模块,用于对不同扫描线之间的分割段进行聚类以得到子点集;所述聚类模块还用于根据各分割段所包含的点,确定该分割段的扫描角度区间和扫描距离区间;其中,所述扫描角度区间为该分割段所包含的各点与雷达正向所呈最小夹角至最大夹角的区间,所述扫描距离区间为该分割段所包含的各点与雷达中心之间最小距离到最大距离的区间;任取一条扫描线中的一分割段,判断该分割段与其他扫描线中各分割段的扫描角度区间和扫描距离区间是否均存在交集;若存在,则将该分割段与存在交集的分割段合并,并更新合并得到的分割段的扫描角度区间和扫描距离区间;对于各分割段重复执行上述步骤,直至在一次对全部分割段的遍历后没有发生合并,以此时的各分割段作为各子点集;
结果处理模块,用于根据所述子点集确定分割结果。
6.根据权利要求5所述的装置,其特征在于,所述分割模块还用于:
对于点云数据中一条扫描线上的点,依次判断前点和后点是否满足均为有效点且距离小于距离阈值的条件;若满足,则将后点加入前点所属的分割段;
对于每条扫描线执行上述步骤,以得到对应于各扫描线的分割段。
7.根据权利要求6所述的装置,其特征在于,所述距离阈值为前点和后点与雷达中心之间距离的较大值与距离增益的乘积,加上点云测距精度所得到的结果;其中,所述距离增益为雷达水平扫描角与雷达水平扫描角和飞点角度之和的比值,所述雷达水平扫描角为雷达水平扫描角分辨率的整数倍,所述飞点角度为预设值,所述点云测距精度由雷达性能确定。
8.根据权利要求5所述的装置,其特征在于,所述结果处理模块还用于:
判断各所述子点集中点的数量是否小于数量阈值;其中,数量阈值为点云扫描线数和最小目标尺寸的乘积,与有效聚类距离和雷达水平扫描角分辨率的乘积的比值,所述点云扫描线数为所述子点集中各点所对应的不同扫描线的总数,所述最小目标尺寸和有效聚类距离为预设值,所述雷达水平扫描角分辨率由雷达性能确定;
若小于,则将该子点集滤除;
获取未被滤除的子点集作为分割结果。
9.一种用于点云数据分割的电子设备,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1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810315338.4A CN110363834B (zh) | 2018-04-10 | 2018-04-10 | 一种点云数据的分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810315338.4A CN110363834B (zh) | 2018-04-10 | 2018-04-10 | 一种点云数据的分割方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363834A CN110363834A (zh) | 2019-10-22 |
CN110363834B true CN110363834B (zh) | 2023-05-30 |
Family
ID=68212907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810315338.4A Active CN110363834B (zh) | 2018-04-10 | 2018-04-10 | 一种点云数据的分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363834B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232248B (zh) * | 2020-10-22 | 2023-04-07 | 中国人民解放军战略支援部队信息工程大学 | 一种多线LiDAR点云数据平面特征的提取方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143194B (zh) * | 2014-08-20 | 2017-09-08 | 清华大学 | 一种点云分割方法及装置 |
EP3078935A1 (en) * | 2015-04-10 | 2016-10-12 | The European Atomic Energy Community (EURATOM), represented by the European Commission | Method and device for real-time mapping and localization |
CN106225678B (zh) * | 2016-09-27 | 2018-10-19 | 北京正安维视科技股份有限公司 | 基于3d相机的动态物体定位与体积测量方法 |
-
2018
- 2018-04-10 CN CN201810315338.4A patent/CN110363834B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110363834A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951847B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
US11328429B2 (en) | Method and apparatus for detecting ground point cloud points | |
CN109359614B (zh) | 一种激光点云的平面识别方法、装置、设备和介质 | |
CN111209978B (zh) | 三维视觉重定位方法、装置及计算设备、存储介质 | |
CN110632608B (zh) | 一种基于激光点云的目标检测方法和装置 | |
CN111950543A (zh) | 一种目标检测方法和装置 | |
CN109948635B (zh) | 一种基于激光扫描的目标识别方法及装置 | |
CN113607185B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
WO2023179717A1 (zh) | 用于激光雷达的点云处理方法、装置、设备及存储介质 | |
CN112102202A (zh) | 一种图像分割方法和图像处理装置 | |
CN116432060A (zh) | 基于雷达的目标自适应聚类方法、装置、设备及存储介质 | |
CN111337898B (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
CN110363834B (zh) | 一种点云数据的分割方法和装置 | |
CN114966651A (zh) | 可行驶区域检测方法、计算机设备、存储介质及车辆 | |
CN112558035B (zh) | 用于估计地面的方法和装置 | |
US20230368407A1 (en) | Drivable area detection method, computer device, storage medium, and vehicle | |
CN110363847B (zh) | 一种基于点云数据的地图模型构建方法和装置 | |
CN116563802A (zh) | 一种隧道场景判断方法、装置、设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN110634155A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN110068834B (zh) | 一种路沿检测方法和装置 | |
CN116205964B (zh) | 一种基于水平距离的点云下采样方法和装置 | |
CN112560548B (zh) | 用于输出信息的方法和装置 | |
CN115131525B (zh) | 一种路牙检测方法 | |
CN115431968B (zh) | 车辆控制器、车辆及车辆控制方法 |
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 |