CN110377776A - 生成点云数据的方法和装置 - Google Patents

生成点云数据的方法和装置 Download PDF

Info

Publication number
CN110377776A
CN110377776A CN201810811353.8A CN201810811353A CN110377776A CN 110377776 A CN110377776 A CN 110377776A CN 201810811353 A CN201810811353 A CN 201810811353A CN 110377776 A CN110377776 A CN 110377776A
Authority
CN
China
Prior art keywords
point cloud
point
semantic
semanteme
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
Application number
CN201810811353.8A
Other languages
English (en)
Other versions
CN110377776B (zh
Inventor
李艳丽
张峥
孙晓峰
赫桂望
蔡金华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810811353.8A priority Critical patent/CN110377776B/zh
Publication of CN110377776A publication Critical patent/CN110377776A/zh
Application granted granted Critical
Publication of CN110377776B publication Critical patent/CN110377776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种生成点云数据的方法和装置，涉及计算机技术领域。其中，该方法包括：从单帧图像中提取采样点；根据单视图深度图估计算法确定所述采样点的深度值；根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云；其中，所述单帧图像、GPS数据以及IMU数据是通过众包模式采集得到的。通过以上步骤，能够获取稠密均匀、不受环境影响的点云数据，同时降低数据采集成本，提高点云数据生成效率。

Description

生成点云数据的方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种生成点云数据的方法和装置。
背景技术
街景点云是现实街景在虚拟三维空间中映射的点集合，街景语义点云是指带街景语义标签的点云，即标识每个点云点属于树木、车辆、行人或建筑等。随着自动驾驶技术的推进，街景语义点云具有广泛的应用前景，例如引导无人车进行环境智能感知、辅助操纵人员制作高清地图、以及实现道路街景的仿真重构等。
目前，为了获取街景语义点云，首先需要获取街景点云，然后对街景点云进行语义解析。其中，街景点云获取方式包括：1)用激光雷达配合GPS进行同步定位和地图构建(SLAM,Simultaneous localization and mapping)；2)用图像/视频进行多视图几何重建(SFM,Structure from motion)。其中，SLAM方式是在每个采集点由激光雷达捕获点云，然后通过平移和旋转将点云投影到统一坐标系下，以完成点云拼合；SFM方式是从视频帧图像中检测出一些角点，然后跟踪或匹配角点，计算这些角点在虚拟空间下的三维投影点。
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：
第一、在SLAM方式中，需要车载系统搭建GPS和激光雷达，并对两者进行同步和标定，然后需要专业采集人员到指定场所(甚至外地)采集数据，再对各种数据进行处理。一方面，激光雷达导致设备搭建成本较高；另一方面，由于每个地段都需要专业的采集人员进行出行采集，导致自动化程度低和人力成本过高、数据采集的并行度不高、生成效率偏低等问题。
第二、在SFM方式中，数据源为摄像机采集的图像或视频，虽然能降低硬件成本，但该方法依赖角点提取和跟踪算法(例如KLT算法)，这些算法难于提取无纹理区域(例如道路面)的场景点，导致点云数量少、点云分布不均匀、对环境比较敏感等缺陷。
发明内容
有鉴于此，本发明提供一种生成点云数据的方法和装置，能够得到稠密均匀、不受环境影响的点云数据，同时降低数据采集成本，提高点云数据生成效率。
为实现上述目的，根据本发明的一个方面，提供了一种生成点云数据的方法。
本发明的生成点云数据的方法包括：从单帧图像中提取采样点；根据单视图深度图估计算法确定所述采样点的深度值；根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云；其中，所述单帧图像、GPS数据以及IMU数据是通过众包模式采集得到的。
可选地，所述方法还包括：确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云。
可选地，所述语义标签包括：类别标签、物体编号；所述确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云的步骤包括：根据场景分割算法确定单帧图像中每个采样点的类别标签；根据实例分割算法确定单帧图像中属于前景物体类别的采样点的物体编号；然后，根据光流跟踪算法对不同单帧图像中属于同一物体的采样点的物体编号进行归并处理；将所述类别标签和归并处理后的物体编号赋予所述单帧点云，以得到单帧语义点云。
可选地，所述方法还包括：根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新。
可选地，所述根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新的步骤包括：对于所述单帧语义点云中属于背景物体的当前点云点，根据当前点云点所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域内的点云簇的点数；若所述点云簇的点数小于第一阈值，则将当前点云点添加至所述语义点云库中；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比小于第二阈值，则用所述当前点云点替换所述语义点云库中的所述点云簇；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比大于或等于第二阈值，则不对所述语义点云库进行操作。
可选地，所述根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新的步骤包括：对于所述单帧语义点云中属于前景物体类别、且具有同一物体编号的当前点云簇，根据当前点云簇所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域内的至少一个物体点云簇；分别计算每个物体点云簇的包围盒与所述当前点云簇的包围盒的重叠体积占比，若所有重叠体积占比均小于第三阈值，则将当前点云簇添加至所述语义点云库；若仅有一个重叠体积占比大于或等于第三阈值、且相应物体点云簇与当前点云簇的相似度满足预设条件时，则不对所述语义点云库进行操作；否则，将所述当前点云簇添加至所述语义点云库，并将所有重叠体积占比大于或等于第三阈值的物体点云簇删除。
可选地，所述方法还包括：将具有特定类别标签的点云点从所述单帧语义点云中滤除，以根据过滤剩下的单帧语义点云执行所述对语义点云库进行检索，并根据检索结果对语义点云库进行更新的步骤。
为实现上述目的，根据本发明的另一方面，提供了一种生成点云数据的装置。
本发明的生成点云数据的装置包括：提取模块，用于从单帧图像中提取采样点；确定模块，用于根据单视图深度图估计算法确定所述采样点的深度值；融合模块，用于根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云；其中，所述单帧图像、GPS数据以及IMU数据是通过众包模式采集得到的。
可选地，所述装置还包括：语义解析模块，用于确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云。
可选地，所述语义标签包括：类别标签、物体编号；所述语义解析模块确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云包括：所述语义解析模块根据场景分割算法确定单帧图像中每个采样点的类别标签；所述语义解析模块根据实例分割算法确定单帧图像中属于前景物体类别的采样点的物体编号；然后，所述语义解析模块根据光流跟踪算法对不同单帧图像中属于同一物体的采样点的物体编号进行归并处理；所述语义解析模块将所述类别标签和归并处理后的物体编号赋予所述单帧点云，以得到单帧语义点云。
可选地，所述装置还包括：更新模块，用于根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新。
可选地，所述更新模块根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新包括：对于所述单帧语义点云中属于背景物体的当前点云点，所述更新模块根据当前点云点所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域内的点云簇的点数；若所述点云簇的点数小于第一阈值，则所述更新模块将当前点云点添加至所述语义点云库中；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比小于第二阈值，则所述更新模块用所述当前点云点替换所述语义点云库中的所述点云簇；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比大于或等于第二阈值，则所述更新模块不对所述语义点云库进行操作。
可选地，所述更新模块根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新包括：对于所述单帧语义点云中属于前景物体类别、且具有同一物体编号的当前点云簇，所述更新模块根据当前点云簇所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域内的至少一个物体点云簇；所述更新模块分别计算每个物体点云簇的包围盒与所述当前点云簇的包围盒的重叠体积占比，若所有重叠体积占比均小于第三阈值，则所述更新模块将当前点云簇添加至所述语义点云库；若仅有一个重叠体积占比大于或等于第三阈值、且相应物体点云簇与当前点云簇的相似度满足预设条件时，则所述更新模块不对所述语义点云库进行操作；否则，所述更新模块将所述当前点云簇添加至所述语义点云库，并将所有重叠体积占比大于或等于第三阈值的物体点云簇删除。
可选地，所述装置还包括：过滤模块，用于将具有特定类别标签的点云点从所述单帧语义点云中滤除，以使所述更新模块根据过滤剩下的单帧语义点云执行所述对语义点云库进行检索，并根据检索结果对语义点云库进行更新的操作。
为实现上述目的，根据本发明的再一个方面，提供了一种电子设备。
本发明的电子设备，包括：一个或多个处理器；以及，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本发明的生成点云数据的方法。
为实现上述目的，根据本发明的又一个方面，提供了一种计算机可读介质。
本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明的生成点云数据的方法。
上述发明中的一个实施例具有如下优点或有益效果：通过众包模式采集单帧图像、GPS数据和IMU数据，从单帧图像中提取采样点，根据单视图深度图估计算法确定所述采样点的深度值，以及根据摄影几何中的点投影关系将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合这些步骤，能够得到稠密均匀、不受环境影响的点云数据，同时降低数据采集成本，提高点云数据生成效率。
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是根据本发明一个实施例的生成点云数据的方法的主要流程示意图；
图2是根据本发明另一实施例的生成点云数据的方法的主要流程示意图；
图3是从图像中提取采样点的示意图；
图4是根据本发明一个实施例的生成点云数据的装置的主要模块示意图；
图5是根据本发明另一实施例的生成点云数据的装置的主要模块示意图；
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电子设备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。
需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以相互组合。
图1是根据本发明一个实施例的生成点云数据的方法的主要流程示意图。如图1所示，本发明实施例的生成点云数据的方法包括：
步骤S101、从单帧图像中提取采样点。
其中，所述单帧图像可以为视频数据中的视频帧，也可以为图像数据中的一幅图像。示例性地，采样点提取方式包括但不限于：1)根据角点检测算法提取单帧图像中的采样点，比如SIFT(Scale Invariant Feature Transform，尺度不变特征变换)算法、Harris算法(是一种角点检测算法)；2)对单帧图像进行均匀采样，例如在水平方向和垂直方向上每50像素提取一个像素点作为采样点；3)根据超像素提取算法提取单帧图像中的采样点，比如SLIC算法(Simple Linear Iterative Cluster，是一种超像素提取算法)。
进一步，在步骤S101之前，可通过众包模式采集视频或图像数据、GPS数据、IMU数据。众包模式，可理解为将数据采集任务分给非特定人员，从而打破专业人员和业务人员的界限。例如，可在出租车出行送客或无人车出行送货时，由车辆上搭载的采集设备，比如摄像头、GPS设备(全球定位设备)、IMU设备((Inertial measurement unit，惯性测量单元，或称为“惯导设备”)自动采集数据。具体实施时，可由摄像头采集场景(比如街景)的视频或图像数据；由GPS设备采集GPS数据，其可包括：经纬度和高度(即在全球三维空间定位系统中的经度、纬度和高度)；由IMU设备采集IMU数据，其可包括：三个方向角(即在全球三维空间定位系统中的俯仰角、偏航角和旋转角)。由于摄像头、GPS设备以及IMU设备的价格低廉，因此降低了数据采集所需的硬件搭建成本；另外，由于出租车或者无人车出行时就可同步采集数据，因此有助于降低数据采集的人力成本、提高采集效率。
步骤S102、根据单视图深度图估计算法确定所述采样点的深度值。
示例性地，在该步骤中，所采用的单视图深度图估计算法包括但不限于：1)基于传统机器学习的算法，比如Make3D算法。Make3D算法以超像素为计算单元，提取超像素的特征并用有监督的分类器学习方式估计每个超像素的场景深度。2)基于深度学习的算法，比如在现有文献1(2017年发表在CVPR上的名为“Multi-Scale Continuous CRFs asSequential Deep Networks for Monocular Depth Estimation”的文章)中提到的算法，这篇现有文献提出了一种端到端的多尺度神经网络架构，并用神经网络训练学习方式进行深度估计。
一般而言，获取图像深度的方法包括双目立体匹配算法、激光点云扩散法和单视图深度图估计算法。其中，双目立体匹配算法是用类似人眼的两个平行摄像头同步采集两组图像(左、右视图)，然后由立体匹配算法来获取深度图，其缺点是需要两套采集设备，并且还需对两套设备进行位置关系的标定，不仅获取成本高、而且流程繁琐。激光点云扩散法是用激光雷达获取三维点云，再将三维点云的深度扩散成整个图像，其缺点是需要配套的激光雷达设备，设备价格昂贵。与双目立体匹配算法和激光点云扩散算法相比，本发明通过采用单视图深度估计算法进行深度估计，不仅降低了获取成本，而且提高了获取效率。
步骤S103、根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云。
其中，所述与所述单帧图像对应的GPS数据、IMU数据是指与所述单帧图像在时间上同步采集的GPS数据、IMU数据。具体实施时，令摄像头、GPS设备和IMU设备实现时间同步的方式包括但不限于硬件触发方式。
在本发明实施例中，通过以上步骤实现了一种新的生成点云数据的方式，不仅能够得到稠密均匀、不受环境影响的点云数据，而且能够降低数据采集成本，提高点云数据生成效率。
图2是根据本发明另一实施例的生成点云数据的方法的主要流程示意图。如图2所示，本发明实施例的生成点云数据的方法包括：
步骤S201、通过众包模式采集视频/图像、GPS数据以及IMU数据。
众包模式，可理解为将数据采集任务分给非特定人员，从而打破专业人员和业务人员的界限。例如，可在出租车出行送客或无人车出行送货时，由车辆上搭载的采集设备，比如摄像头、GPS设备(全球定位设备)、IMU设备((Inertial measurement unit，惯性测量单元，或称为“惯导设备”)自动采集数据。具体实施时，可由摄像头采集场景(比如街景)的视频或图像数据；由GPS设备采集GPS数据，其可包括：经纬度和高度(即在全球三维空间定位系统中的经度、纬度和高度)；由IMU设备采集IMU数据，其可包括：三个方向角(即在全球三维空间定位系统中的俯仰角、偏航角和旋转角)。由于摄像头、GPS设备以及IMU设备的价格低廉，因此降低了数据采集所需的硬件搭建成本；另外，由于出租车或者无人车出行时就可同步采集数据，因此有助于降低数据采集的人力成本、提高采集效率。
步骤S202、从单帧图像中提取采样点。
其中，所述单帧图像可以为视频数据中的视频帧，也可以为图像数据中的一幅图像。示例性地，在该步骤中，采样点提取方式包括但不限于：1)根据角点检测算法提取单帧图像中的采样点，比如SIFT(Scale Invariant Feature Transform，尺度不变特征变换)算法、Harris算法(是一种角点检测算法)；2)对单帧图像进行均匀采样，例如在水平方向和垂直方向上每50像素提取一个像素点作为采样点；3)根据超像素提取算法提取单帧图像中的采样点，比如SLIC算法(Simple Linear Iterative Cluster，是一种超像素提取算法)。关于方式3)可参见图3，图3中的采样点301即为根据超像素提取算法提取得到的。
步骤S203、根据单视图深度图估计算法确定所述采样点的深度值。
示例性地，在该步骤中，所采用的单视图深度图估计算法包括但不限于：1)基于传统机器学习的算法，比如Make3D算法。2)基于深度学习的算法，比如在现有文献1(2017年发表在CVPR上的名为“Multi-Scale Continuous CRFs as Sequential Deep Networks forMonocular Depth Estimation”的文章)中提到的算法。
步骤S204、根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云。
其中，所述与所述单帧图像对应的GPS数据、IMU数据是指与所述单帧图像在时间上同步采集的GPS数据、IMU数据。具体实施时，令摄像头、GPS设备和IMU设备实现时间同步的方式包括但不限于硬件触发方式。具体地，在该步骤中，可根据如下公式，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以实现采样点到点云点的转换：
其中，PT3d为点云点的三维坐标，PT3d＝(X,Y,Z)；(xc,yc)为单帧图像的中心坐标；(fx,fy)为摄像头焦距；RIMU为由IMU数据(三个方向角)定义的旋转矩阵；TGPS为由GPS数据定义的平移矩阵，d为采样点的深度值；(x,y)为采样点的坐标；λ为固定缩放系数。具体实施时，xc,yc,fx,fy为每个摄像头的固有参数，获取方式包括但不限于：通过相机标定或者读取图像属性计算出来；λ的获取方式包括但不限于：通过回归算法拟合出来或者根据经验进行设定。
步骤S205、确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云。
其中，语义标签可包括：类别标签、物体编号。进一步，类别标签又可分为两类：属于前景物体的类别标签、属于背景物体的类别标签。以单帧图像为单帧街景图像、单帧点云为单帧街景点云、单帧语义点云为单帧街景语义点云为例，前景物体可包括行人、车辆、路灯和路牌等，背景物体可包括天空、道路和建筑等。
在一可选实施方式中，步骤S205可进一步包括：根据场景分割算法确定单帧图像中每个采样点的类别标签；根据实例分割算法确定单帧图像中属于前景物体类别的采样点的物体编号；然后，根据光流跟踪算法对不同单帧图像中属于同一物体的采样点的物体编号进行归并处理；将所述类别标签和归并处理后的物体编号赋予所述单帧点云，以得到单帧语义点云。
示例性地，步骤S205所采用的场景分割算法包括但不限于ALE算法或者SegNet算法。其中，ALE算法是一种基于传统机器学习的算法，其以超像素为计算单元，提取超像素的特征并用有监督的分类器学习方式估计每个超像素的类别属性。关于ALE算法的详细介绍，可参考现有文献2(2010年发表在ECCV的名为“Graph Cut based Inference with Co-occurrence Statistics”的文章)。SegNet算法一种基于深度学习的算法，其提出了一种端到端的深度神经网络架构，并用神经网络训练学习方式进行场景解析。关于SegNet算法的详细介绍，可参考现有文献3(2017年发表在PAMI上的名为“SegNet：A Deep ConvolutionalEncoder-Decoder Architecture for Image Segmentation”的文章)。另外，步骤S205所采用的的实例分割算法包括但不限于Mask RCNN算法。Mask RCNN算法提出了一种端到端的深度神经网络架构，并通过对神经网络的有监督学习实现物体检测和实例分割。关于MaskRCNN算法的详细介绍，可参考现有文献4(2017年发表在ICCV上的名为“Mask RCNN”的文章)。
步骤S206、将具有特定类别标签的点云点从所述单帧语义点云中滤除。
示例性地，在自动驾驶系统中，由于某些类别(比如天空、行人、车辆)的点云点可能对各种具体应用(比如道路重建、仿真重建)产生干扰。因此，可通过步骤S206将特定类别标签的点云点从单帧语义点云过滤掉，从而只保留有限类别的点云点即可。
步骤S207、根据过滤剩下的单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新。
在本发明实施例中，通过以上步骤得到了单帧语义点云，接下来，可根据步骤S207对单帧语义点云和语义点云库中的数据进行对比、更新。其中，所述更新具体包括以下操作：添加、替换、不做处理。通过步骤S207，能够通过检测场景变化来自适应地更新语义点云库，不仅避免了将语义点云库数据全部替换带来的重复操作，而且提高了语义点云库数据的实时性。
在步骤S207的一可选实施方式中，可对单帧语义点云中属于背景物体类别的点云点和属于前景物体类别的点云点分别进行处理。一方面，对于单帧语义点云中属于背景物体类别的点云点，可对每个点云点独立地进行如下处理：根据当前点云点所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域(例如，所述位置邻域为以所述位置为中心、半径为R的球体)内的点云簇的点数；若所述点云簇中的点数小于第一阈值，则将当前点云点添加至所述语义点云库中；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比小于第二阈值，则用所述当前点云点替换所述语义点云库中的所述点云簇；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比大于或等于第二阈值，则不对所述语义点云库进行操作。其中，第一阈值、第二阈值的取值可根据经验进行灵活设置。比如，将第一阈值设为2或3等等，将第二阈值设为0.6或0.8等等。
另一方面，对于单帧语义点云中属于前景物体类别的点云点，为了减少噪声干扰和保持物体的完整性，可将属于前景物体类别、且具有同一物体编号的点云点作为一簇进行批量处理，具体包括：根据当前点云簇所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域(例如，所述位置邻域为以所述当前点云簇所在位置为中心、半径为R的球体)内的至少一个物体点云簇；分别计算每个物体点云簇的包围盒与所述当前点云簇的包围盒的重叠体积占比，若所有重叠体积占比均小于第三阈值，则将当前点云簇添加至所述语义点云库；若仅有一个重叠体积占比大于或等于第三阈值、且相应物体点云簇与当前点云簇的相似度满足预设条件时，则不对所述语义点云库进行操作；否则，将所述当前点云簇添加至所述语义点云库，并将所有重叠体积占比大于或等于第三阈值的物体点云簇删除。
其中，物体点云簇可理解为：在语义点云库中，出现在当前点云簇所在位置的邻域内、且属于同一物体的点云点的集合。示例性地，物体点云簇的包围盒的体积的计算方法包括但不限于：将物体点云簇中所有点云点的最大X坐标和最小X坐标之差作为包围盒在X轴上的长度，将物体点云簇中所有点云点的最大Y坐标和最小Y坐标之差作为包围盒在Y轴上的长度，将物体点云簇中所有点云点的最大Z坐标和最小X坐标之差作为包围盒在Z轴上的长度，然后根据矩形体积计算公式计算物体点云簇的包围盒的体积。类似地，可基于以上方法计算当前点云簇的包围盒的体积。
进一步，在得到物体点云簇的包围盒体积和当前点云簇的包围盒的体积之后，可根据如下公式计算重叠体积占比：
其中，η为重叠体积占比，Voverlapping为物体点云簇的包围盒与当前点云簇的包围盒的相交区域体积，V0为当前点云簇的包围盒的体积。
其中，所述相应物体点云簇与当前点云簇的相似度满足预设条件可理解为：在满足该预设条件时，认为相应物体点云簇与当前点云簇的相似度足够高。示例性地，所述述相应物体点云簇与当前点云簇的相似度可根据L2范式差公式计算。其中，L2范式差为可理解为两个向量之间的欧式距离。具体来说，在该示例中，可根据基于深度学习的算法(比如PointNet算法)从物体点云簇和当前点云簇中提取高维度(比如512维)特征向量，然后计算两个特征向量的L2范式差。当L2范式差小于预设阈值(比如0.001)时，认为相应物体点云簇与当前点云簇的相似度足够高。
在本发明实施例中，通过以上步骤实现了一种新的生成点云数据的方式，不仅能够得到稠密均匀、不受环境影响的点云数据，而且能够降低数据采集成本，提高点云数据生成效率；另外，通过检测场景变化来自适应地更新语义点云库，不仅避免了将语义点云库数据全部替换带来的重复操作，而且提高了语义点云库数据的实时性。
图4是根据本发明一个实施例的生成点云数据的装置的主要模块示意图。如图4所示，本发明实施例的生成点云数据的装置400包括：提取模块401、确定模块402、融合模块403。
提取模块401，用于从单帧图像中提取采样点。
其中，所述单帧图像可以为视频数据中的视频帧，也可以为图像数据中的一幅图像。示例性地，提取模块401提取采样点的方式包括但不限于：1)根据角点检测算法提取单帧图像中的采样点，比如SIFT(Scale Invariant Feature Transform，尺度不变特征变换)算法、Harris算法(是一种角点检测算法)；2)对单帧图像进行均匀采样，例如在水平方向和垂直方向上每50像素提取一个像素点作为采样点；3)根据超像素提取算法提取单帧图像中的采样点，比如SLIC算法(Simple Linear Iterative Cluster，是一种超像素提取算法)。
进一步，在通过提取模块401提取采样点之前，可通过众包模式采集视频或图像数据、GPS数据、IMU数据。具体实施时，可由摄像头采集场景(比如街景)的视频或图像数据；由GPS设备采集GPS数据，其可包括：经纬度和高度(即在全球三维空间定位系统中的经度、纬度和高度)；由IMU设备采集IMU数据，其可包括：三个方向角(即在全球三维空间定位系统中的俯仰角、偏航角和旋转角)。由于摄像头、GPS设备以及IMU设备的价格低廉，因此降低了数据采集所需的硬件搭建成本；另外，由于出租车或者无人车出行时就可同步采集数据，因此有助于降低数据采集的人力成本、提高采集效率。
确定模块402，用于根据单视图深度图估计算法确定所述采样点的深度值。
示例性地，确定模块402所采用的单视图深度图估计算法包括但不限于：1)基于传统机器学习的算法，比如Make3D算法。Make3D算法以超像素为计算单元，提取超像素的特征并用有监督的分类器学习方式估计每个超像素的场景深度。2)基于深度学习的算法，比如在现有文献1(2017年发表在CVPR上的名为“Multi-Scale Continuous CRFs asSequential Deep Networks for Monocular Depth Estimation”的文章)中提到的算法，这篇现有文献提出了一种端到端的多尺度神经网络架构，并用神经网络训练学习方式进行深度估计。
融合模块403，用于根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云。其中，所述与所述单帧图像对应的GPS数据、IMU数据是指与所述单帧图像在时间上同步采集的GPS数据、IMU数据。具体实施时，令摄像头、GPS设备和IMU设备实现时间同步的方式包括但不限于硬件触发方式。
在本发明实施例中，通过以上装置实现了一种新的生成点云数据的方式，不仅能够得到稠密均匀、不受环境影响的点云数据，而且能够降低数据采集成本，提高点云数据生成效率。
图5是根据本发明另一实施例的生成点云数据的装置的主要模块示意图。如图5所示，本发明实施例的生成点云数据的装置500包括：提取模块501、确定模块502、融合模块503、语义解析模块504、过滤模块505、更新模块506。
提取模块501，用于从单帧图像中提取采样点。
其中，所述单帧图像可以为视频数据中的视频帧，也可以为图像数据中的一幅图像。示例性地，提取模块401提取采样点的方式包括但不限于：1)根据角点检测算法提取单帧图像中的采样点，比如SIFT(Scale Invariant Feature Transform，尺度不变特征变换)算法、Harris算法(是一种角点检测算法)；2)对单帧图像进行均匀采样，例如在水平方向和垂直方向上每50像素提取一个像素点作为采样点；3)根据超像素提取算法提取单帧图像中的采样点，比如SLIC算法(Simple Linear Iterative Cluster，是一种超像素提取算法)。
进一步，在通过提取模块501提取采样点之前，可通过众包模式采集视频或图像数据、GPS数据、IMU数据。具体实施时，可由摄像头采集场景(比如街景)的视频或图像数据；由GPS设备采集GPS数据，其可包括：经纬度和高度(即在全球三维空间定位系统中的经度、纬度和高度)；由IMU设备采集IMU数据，其可包括：三个方向角(即在全球三维空间定位系统中的俯仰角、偏航角和旋转角)。由于摄像头、GPS设备以及IMU设备的价格低廉，因此降低了数据采集所需的硬件搭建成本；另外，由于出租车或者无人车出行时就可同步采集数据，因此有助于降低数据采集的人力成本、提高采集效率。
确定模块502，用于根据单视图深度图估计算法确定所述采样点的深度值。
示例性地，确定模块502所采用的单视图深度图估计算法包括但不限于：1)基于传统机器学习的算法，比如Make3D算法。2)基于深度学习的算法，比如在现有文献1(2017年发表在CVPR上的名为“Multi-Scale Continuous CRFs as Sequential Deep Networks forMonocular Depth Estimation”的文章)中提到的算法。
融合模块503，用于根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云。
其中，所述与所述单帧图像对应的GPS数据、IMU数据是指与所述单帧图像在时间上同步采集的GPS数据、IMU数据。具体实施时，令摄像头、GPS设备和IMU设备实现时间同步的方式包括但不限于硬件触发方式。具体地，融合模块503可根据如下公式，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以实现采样点到点云点的转换：
其中，PT3d为点云点的三维坐标，PT3d＝(X,Y,Z)；(xc,yc)为单帧图像的中心坐标；(fx,fy)为摄像头焦距；RIMU为由IMU数据(三个方向角)定义的旋转矩阵；TGPS为由GPS数据定义的平移矩阵；d为采样点的深度值；(x,y)为采样点的坐标；λ为固定缩放系数。具体实施时，xc,yc,fx,fy为每个摄像头的固有参数，获取方式包括但不限于：通过相机标定或者读取图像属性计算出来；λ的获取方式包括但不限于：通过回归算法拟合出来或者根据经验进行设定。
语义解析模块504，用于确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云。
其中，语义标签可包括：类别标签、物体编号。进一步，类别标签又可分为两类：属于前景物体的类别标签、属于背景物体的类别标签。以单帧图像为单帧街景图像、单帧点云为单帧街景点云、单帧语义点云为单帧街景语义点云为例，前景物体可包括行人、车辆、路灯和路牌等，背景物体可包括天空、道路和建筑等。
在一可选实施方式中，语义解析模块504确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云可进一步包括：语义解析模块504根据场景分割算法确定单帧图像中每个采样点的类别标签；语义解析模块504根据实例分割算法确定单帧图像中属于前景物体类别的采样点的物体编号；然后，语义解析模块504根据光流跟踪算法对不同单帧图像中属于同一物体的采样点的物体编号进行归并处理；语义解析模块504将所述类别标签和归并处理后的物体编号赋予所述单帧点云，以得到单帧语义点云。示例性地，语义解析模块504所采用的场景分割算法包括但不限于ALE算法或者SegNet算法。另外，语义解析模块504所采用的的实例分割算法包括但不限于Mask RCNN算法。
过滤模块505，用于将具有特定类别标签的点云点从所述单帧语义点云中滤除。示例性地，在自动驾驶系统中，由于某些类别(比如天空、行人、车辆)的点云点可能对各种具体应用(比如道路重建、仿真重建)产生干扰。因此，可通过过滤模块505将特定类别标签的点云点从单帧语义点云过滤掉，从而只保留有限类别的点云点即可。
更新模块506，用于根据过滤剩下的单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新。
在本发明实施例中，在得到单帧语义点云之后，可通过更新模块506对单帧语义点云和语义点云库中的数据进行对比、更新。其中，所述更新具体包括以下操作：添加、替换、不做处理。通过设置更新模块506，能够通过检测场景变化来自适应地更新语义点云库，不仅避免了将语义点云库数据全部替换带来的重复操作，而且提高了语义点云库数据的实时性。
在一可选实施方式中，更新模块506可对单帧语义点云中属于背景物体类别的点云点和属于前景物体类别的点云点分别进行处理。一方面，对于单帧语义点云中属于背景物体类别的点云点，更新模块506可对每个点云点独立地进行如下处理：更新模块506根据当前点云点所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域(例如，所述位置邻域为以所述位置为中心、半径为R的球体)内的点云簇的点数；若所述点云簇中的点数小于第一阈值，则更新模块506将当前点云点添加至所述语义点云库中；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比小于第二阈值，则更新模块506用所述当前点云点替换所述语义点云库中的所述点云簇；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比大于或等于第二阈值，则更新模块506不对所述语义点云库进行操作。其中，第一阈值、第二阈值的取值可根据经验进行灵活设置。比如，将第一阈值设为2或3等等，将第二阈值设为0.6或0.8等等。
另一方面，对于单帧语义点云中属于前景物体类别的点云点，为了减少噪声干扰和保持物体的完整性，更新模块506可将属于前景物体类别、且具有同一物体编号的点云点作为一簇进行批量处理，具体包括：更新模块506根据当前点云簇所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域(例如，所述位置邻域为以所述当前点云簇所在位置为中心、半径为R的球体)内的至少一个物体点云簇；更新模块506分别计算每个物体点云簇的包围盒与所述当前点云簇的包围盒的重叠体积占比，若所有重叠体积占比均小于第三阈值，则更新模块506将当前点云簇添加至所述语义点云库；若仅有一个重叠体积占比大于或等于第三阈值、且相应物体点云簇与当前点云簇的相似度满足预设条件时，则更新模块506不对所述语义点云库进行操作；否则，更新模块506将所述当前点云簇添加至所述语义点云库，并将所有重叠体积占比大于或等于第三阈值的物体点云簇删除。
其中，物体点云簇可理解为：在语义点云库中，出现在当前点云簇所在位置的邻域内、且属于同一物体的点云点的集合。示例性地，更新模块506所采用的计算物体点云簇的包围盒的体积的方法包括但不限于：将物体点云簇中所有点云点的最大X坐标和最小X坐标之差作为包围盒在X轴上的长度，将物体点云簇中所有点云点的最大Y坐标和最小Y坐标之差作为包围盒在Y轴上的长度，将物体点云簇中所有点云点的最大Z坐标和最小X坐标之差作为包围盒在Z轴上的长度，然后根据矩形体积计算公式计算物体点云簇的包围盒的体积。类似地，更新模块506可基于以上方法计算当前点云簇的包围盒的体积。在得到物体点云簇的包围盒体积和当前点云簇的包围盒的体积之后，更新模块506即可计算重叠体积占比。
其中，所述相应物体点云簇与当前点云簇的相似度满足预设条件可理解为：在满足该预设条件时，认为相应物体点云簇与当前点云簇的相似度足够高。示例性地，所述述相应物体点云簇与当前点云簇的相似度可根据L2范式差公式计算。其中，L2范式差为可理解为两个向量之间的欧式距离。具体来说，在该示例中，更新模块506可根据基于深度学习的算法(比如PointNet算法)从物体点云簇和当前点云簇中提取高维度(比如512维)特征向量，然后计算两个特征向量的L2范式差。当L2范式差小于预设阈值(比如0.001)时，认为相应物体点云簇与当前点云簇的相似度足够高。
在本发明实施例中，通过以上装置实现了一种新的生成点云数据的方式，不仅能够得到稠密均匀、不受环境影响的点云数据，而且能够降低数据采集成本，提高点云数据生成效率；另外，通过检测场景变化来自适应地更新语义点云库，不仅避免了将语义点云库数据全部替换带来的重复操作，而且提高了语义点云库数据的实时性。
图6示出了可以应用本发明实施例的生成点云数据的方法或生成点云数据的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上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的图像处理软件提供支持的后台管理服务器。后台管理服务器可以对接收到的生成点云数据的请求等数据进行分析等处理，并将处理结果(例如生成的点云数据)反馈给终端设备。
需要说明的是，本发明实施例所提供的生成点云数据的方法一般由服务器605执行，相应地，生成点云数据的装置一般设置于服务器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。
图7示出了适于用来实现本发明实施例的电子设备的计算机系统700的结构示意图。图7示出的电子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7Y04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，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开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流程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：一种处理器包括提取模块、确定模块和融合模块。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，提取单元还可以被描述为“从单帧图像中提取采样点的模块”。
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，使得该设备执行以下流程：从单帧图像中提取采样点；根据单视图深度图估计算法确定所述采样点的深度值；根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云；其中，所述单帧图像、GPS数据以及IMU数据是通过众包模式采集得到的。
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 (16)

1.一种生成点云数据的方法，其特征在于，所述方法包括：
从单帧图像中提取采样点；
根据单视图深度图估计算法确定所述采样点的深度值；
根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云；
其中，所述单帧图像、GPS数据以及IMU数据是通过众包模式采集得到的。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云。
3.根据权利要求2所述的方法，其特征在于，所述语义标签包括：类别标签、物体编号；所述确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云的步骤包括：
根据场景分割算法确定单帧图像中每个采样点的类别标签；根据实例分割算法确定单帧图像中属于前景物体类别的采样点的物体编号；然后，根据光流跟踪算法对不同单帧图像中属于同一物体的采样点的物体编号进行归并处理；将所述类别标签和归并处理后的物体编号赋予所述单帧点云，以得到单帧语义点云。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新。
5.根据权利要求4所述的方法，其特征在于，所述根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新的步骤包括：
对于所述单帧语义点云中属于背景物体的当前点云点，根据当前点云点所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域内的点云簇的点数；若所述点云簇的点数小于第一阈值，则将当前点云点添加至所述语义点云库中；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比小于第二阈值，则用所述当前点云点替换所述语义点云库中的所述点云簇；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比大于或等于第二阈值，则不对所述语义点云库进行操作。
6.根据权利要求4所述的方法，其特征在于，所述根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新的步骤包括：
对于所述单帧语义点云中属于前景物体类别、且具有同一物体编号的当前点云簇，根据当前点云簇所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域内的至少一个物体点云簇；分别计算每个物体点云簇的包围盒与所述当前点云簇的包围盒的重叠体积占比，若所有重叠体积占比均小于第三阈值，则将当前点云簇添加至所述语义点云库；若仅有一个重叠体积占比大于或等于第三阈值、且相应物体点云簇与当前点云簇的相似度满足预设条件时，则不对所述语义点云库进行操作；否则，将所述当前点云簇添加至所述语义点云库，并将所有重叠体积占比大于或等于第三阈值的物体点云簇删除。
7.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将具有特定类别标签的点云点从所述单帧语义点云中滤除，以根据过滤剩下的单帧语义点云执行所述对语义点云库进行检索，并根据检索结果对语义点云库进行更新的步骤。
8.一种生成点云数据的装置，其特征在于，所述装置包括：
提取模块，用于从单帧图像中提取采样点；
确定模块，用于根据单视图深度图估计算法确定所述采样点的深度值；
融合模块，用于根据摄影几何中的点投影关系，将带有深度值的采样点和与所述单帧图像对应的GPS数据、IMU数据进行融合，以得到单帧点云；
其中，所述单帧图像、GPS数据以及IMU数据是通过众包模式采集得到的。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
语义解析模块，用于确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云。
10.根据权利要求9所述的装置，其特征在于，所述语义标签包括：类别标签、物体编号；所述语义解析模块确定所述单帧图像中每个采样点的语义标签，并将所述语义标签赋予所述单帧点云，以得到单帧语义点云包括：
所述语义解析模块根据场景分割算法确定单帧图像中每个采样点的类别标签；所述语义解析模块根据实例分割算法确定单帧图像中属于前景物体类别的采样点的物体编号；然后，所述语义解析模块根据光流跟踪算法对不同单帧图像中属于同一物体的采样点的物体编号进行归并处理；所述语义解析模块将所述类别标签和归并处理后的物体编号赋予所述单帧点云，以得到单帧语义点云。
11.根据权利要求9所述的装置，其特征在于，所述装置还包括：
更新模块，用于根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新。
12.根据权利要求11所述的装置，其特征在于，所述更新模块根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新包括：
对于所述单帧语义点云中属于背景物体的当前点云点，所述更新模块根据当前点云点所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域内的点云簇的点数；若所述点云簇的点数小于第一阈值，则所述更新模块将当前点云点添加至所述语义点云库中；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比小于第二阈值，则所述更新模块用所述当前点云点替换所述语义点云库中的所述点云簇；若所述点云簇的点数大于或等于第一阈值，且在所述点云簇中具有所述当前点云点的类别标签的点云点的数量占比大于或等于第二阈值，则所述更新模块不对所述语义点云库进行操作。
13.根据权利要求11所述的装置，其特征在于，所述更新模块根据所述单帧语义点云对语义点云库进行检索，并根据检索结果对语义点云库进行更新包括：
对于所述单帧语义点云中属于前景物体类别、且具有同一物体编号的当前点云簇，所述更新模块根据当前点云簇所在位置检索语义点云库，以确定语义点云库中位于所述位置邻域内的至少一个物体点云簇；所述更新模块分别计算每个物体点云簇的包围盒与所述当前点云簇的包围盒的重叠体积占比，若所有重叠体积占比均小于第三阈值，则所述更新模块将当前点云簇添加至所述语义点云库；若仅有一个重叠体积占比大于或等于第三阈值、且相应物体点云簇与当前点云簇的相似度满足预设条件时，则所述更新模块不对所述语义点云库进行操作；否则，所述更新模块将所述当前点云簇添加至所述语义点云库，并将所有重叠体积占比大于或等于第三阈值的物体点云簇删除。
14.根据权利要求11所述的装置，其特征在于，所述装置还包括：
过滤模块，用于将具有特定类别标签的点云点从所述单帧语义点云中滤除，以使所述更新模块根据过滤剩下的单帧语义点云执行所述对语义点云库进行检索，并根据检索结果对语义点云库进行更新的操作。
15.一种电子设备，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至7中任一所述的方法。
16.一种计算机可读介质，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至7中任一所述的方法。
CN201810811353.8A 2018-07-23 2018-07-23 生成点云数据的方法和装置 Active CN110377776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810811353.8A CN110377776B (zh) 2018-07-23 2018-07-23 生成点云数据的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810811353.8A CN110377776B (zh) 2018-07-23 2018-07-23 生成点云数据的方法和装置

Publications (2)

Publication Number Publication Date
CN110377776A true CN110377776A (zh) 2019-10-25
CN110377776B CN110377776B (zh) 2022-06-07

Family

ID=68243735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810811353.8A Active CN110377776B (zh) 2018-07-23 2018-07-23 生成点云数据的方法和装置

Country Status (1)

Country Link
CN (1) CN110377776B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837370A (zh) * 2021-02-26 2021-05-25 梅卡曼德（北京）机器人科技有限公司 基于3d包围盒的物体堆叠判断方法、装置及计算设备
US11423615B1 (en) * 2018-05-29 2022-08-23 HL Acquisition, Inc. Techniques for producing three-dimensional models from one or more two-dimensional images

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500503A (zh) * 2013-09-17 2014-01-08 北京中广睛彩导航科技有限公司 一种基于众包模式的精准路况分析方法及系统
CN103514598A (zh) * 2013-07-20 2014-01-15 北京航空航天大学 一种建筑sfm点云的自动分割方法
US20150117723A1 (en) * 2013-10-31 2015-04-30 Toyota Motor Engineering & Manufacturing North America, Inc. Method for generating accurate lane level maps
CN106056614A (zh) * 2016-06-03 2016-10-26 武汉大学 一种地面激光点云数据的建筑物分割与轮廓线提取方法
CN106767820A (zh) * 2016-12-08 2017-05-31 立得空间信息技术股份有限公司 一种室内移动定位与制图方法
CN107133325A (zh) * 2017-05-05 2017-09-05 南京大学 一种基于街景地图的互联网照片地理空间定位方法
US20170345216A1 (en) * 2016-05-28 2017-11-30 Acoustic Knowledge, LLC Digital camera with audio, visual and motion analysis
CN107480603A (zh) * 2017-07-27 2017-12-15 大连和创懒人科技有限公司 基于slam和深度摄像头的同步建图与物体分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514598A (zh) * 2013-07-20 2014-01-15 北京航空航天大学 一种建筑sfm点云的自动分割方法
CN103500503A (zh) * 2013-09-17 2014-01-08 北京中广睛彩导航科技有限公司 一种基于众包模式的精准路况分析方法及系统
US20150117723A1 (en) * 2013-10-31 2015-04-30 Toyota Motor Engineering & Manufacturing North America, Inc. Method for generating accurate lane level maps
US20170345216A1 (en) * 2016-05-28 2017-11-30 Acoustic Knowledge, LLC Digital camera with audio, visual and motion analysis
CN106056614A (zh) * 2016-06-03 2016-10-26 武汉大学 一种地面激光点云数据的建筑物分割与轮廓线提取方法
CN106767820A (zh) * 2016-12-08 2017-05-31 立得空间信息技术股份有限公司 一种室内移动定位与制图方法
CN107133325A (zh) * 2017-05-05 2017-09-05 南京大学 一种基于街景地图的互联网照片地理空间定位方法
CN107480603A (zh) * 2017-07-27 2017-12-15 大连和创懒人科技有限公司 基于slam和深度摄像头的同步建图与物体分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11423615B1 (en) * 2018-05-29 2022-08-23 HL Acquisition, Inc. Techniques for producing three-dimensional models from one or more two-dimensional images
CN112837370A (zh) * 2021-02-26 2021-05-25 梅卡曼德（北京）机器人科技有限公司 基于3d包围盒的物体堆叠判断方法、装置及计算设备

Also Published As

Publication number Publication date
CN110377776B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
US10755112B2 (en) Systems and methods for reducing data storage in machine learning
Richter et al. Concepts and techniques for integration, analysis and visualization of massive 3D point clouds
US20150268058A1 (en) Real-time system for multi-modal 3d geospatial mapping, object recognition, scene annotation and analytics
CN106133756A (zh) 用于过滤、分割并且识别无约束环境中的对象的系统
CN112927363B (zh) 体素地图构建方法及装置、计算机可读介质和电子设备
CN106663196A (zh) 视频中的计算机显著人物识别
Richter et al. Object class segmentation of massive 3D point clouds of urban areas using point cloud topology
CN104182765A (zh) 一种互联网图像驱动的三维模型最优视图自动选择方法
CN111639147B (zh) 一种地图压缩方法、系统及计算机可读存储介质
CN112598780B (zh) 实例对象模型构建方法及装置、可读介质和电子设备
CN114429528A (zh) 图像处理方法、装置、设备、计算机程序及存储介质
CN113313832A (zh) 三维模型的语义生成方法、装置、存储介质与电子设备
Van Nguyen et al. Reconstruction of 3D digital heritage objects for VR and AR applications
CN110377776A (zh) 生成点云数据的方法和装置
CN113688839A (zh) 视频处理方法及装置、电子设备、计算机可读存储介质
Wang et al. Salient object detection using biogeography-based optimization to combine features
CN116188660B (zh) 一种基于流式渲染的点云数据处理方法及相关装置
Kharroubi et al. Marker-less mobile augmented reality application for massive 3d point clouds and semantics
CN112257638A (zh) 一种图像比对方法、系统、设备及计算机可读存储介质
CN111027376A (zh) 一种确定事件图谱的方法、装置、电子设备及存储介质
CN111652831B (zh) 对象融合方法、装置、计算机可读存储介质及电子设备
CN117011481A (zh) 构建三维地图的方法、装置、电子设备及存储介质
Ewerth et al. Estimating relative depth in single images via rankboost
CN113869367A (zh) 模型能力检测方法、装置、电子设备和计算机可读介质
CN111160197A (zh) 人脸检测方法、装置、电子设备、存储介质

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