CN110390237A - 点云数据处理方法和系统 - Google Patents
点云数据处理方法和系统 Download PDFInfo
- Publication number
- CN110390237A CN110390237A CN201810369777.3A CN201810369777A CN110390237A CN 110390237 A CN110390237 A CN 110390237A CN 201810369777 A CN201810369777 A CN 201810369777A CN 110390237 A CN110390237 A CN 110390237A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- barrier
- profile information
- ground
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种点云数据处理方法，包括：获取激光点云数据，所述激光点云数据中包括至少一个障碍物的点云数据；对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息；以及根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类。
Description
技术领域
本公开涉及计算机技术领域，更具体地，涉及一种点云数据处理方法和一种点云数据处理系统。
背景技术
随着科学技术的快速发展，激光雷达被越来越多地应用于资源勘探、城市规划、农业开发、水利工程、交通通讯和日常生活等诸多领域。激光雷达是以发射激光光束来探测目标的位置、速度等特征量的雷达系统，其工作原理是先向目标发射探测激光光束，然后将接收到的从目标反射回来的信号作适当处理后，就可获得目标的有关信息，例如目标距离、方位、高度、速度、姿态、甚至形状等参数。
激光雷达获取的反射信号通常以点云的形式呈现，点云的分类识别对于点云数据的应用具有重要意义。例如，在自动驾驶场景中，不可碰撞物体的识别是环境感知中重要的一部分，通过识别不可碰撞物体可以为后续路径规划避障问题提供保障。
在实现本发明构思的过程中，发明人发现现有技术中至少存在如下问题，即，现有技术中的物体识别往往是直接使用激光雷达获得的点云数据对物体进行聚类，从而获得物体所属的分类，但是，由于激光雷达获取的数据量较大，直接对激光点云数据进行处理可能造成实时性较差的问题。
发明内容
有鉴于此，本公开提供了一种快速的点云数据处理方法和点云数据处理系统。
本公开的一个方面提供了一种点云数据处理方法，包括：获取激光点云数据，所述激光点云数据中包括至少一个障碍物的点云数据，对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息，以及根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类。
根据本公开的实施例，上述方法还包括：去除所述激光点云数据中的地面点云数据。上述对激光点云数据进行降维处理包括：对去除地面点云数据后的激光点云数据进行降维处理。
根据本公开的实施例，上述去除所述激光点云数据中的地面点云数据包括：选择满足预设条件的点云数据作为地面候选点，对所述地面候选点进行面拟合操作，生成拟合面，将所述激光点云数据中距离所述拟合面的高度小于预设阈值的点确定为地面点，以及去除所述地面候选点以及所述地面点的数据。
根据本公开的实施例，上述对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息，包括：以预设尺寸的栅格对所述点云数据进行降维处理，生成二维栅格地图，所述二维栅格地图中包括所述至少一个障碍物的轮廓信息。
根据本公开的实施例，上述根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类，包括：通过深度学习识别所述轮廓信息，确定所述轮廓信息所属的分类。
本公开的另一个方面提供了一种点云数据处理系统，包括：获取模块、降维模块以及分类模块。其中，获取模块获取激光点云数据，所述激光点云数据中包括至少一个障碍物的点云数据。降维模块对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息。分类模块根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类。
根据本公开的实施例，上述系统还包括：去除模块，去除所述激光点云数据中的地面点云数据。上述对激光点云数据进行降维处理包括：对去除地面点云数据后的激光点云数据进行降维处理。
根据本公开的实施例，上述去除所述激光点云数据中的地面点云数据包括：选择满足预设条件的点云数据作为地面候选点，对所述地面候选点进行面拟合操作，生成拟合面，将所述激光点云数据中距离所述拟合面的高度小于预设阈值的点确定为地面点，以及去除所述地面候选点以及所述地面点的数据。
根据本公开的实施例，上述对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息，包括：以预设尺寸的栅格对所述点云数据进行降维处理，生成二维栅格地图，所述二维栅格地图中包括所述至少一个障碍物的轮廓信息。
根据本公开的实施例，上述根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类，包括：通过深度学习识别所述轮廓信息，确定所述轮廓信息所属的分类。
本公开的另一个方面提供了一种点云数据处理系统，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，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的方法。
本公开的另一方面提供了一种非易失性存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例，可以至少部分地解决现有技术中计算量大，计算速度慢问题，并因此可以实现减少计算量，有效提高实时性的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用点云数据处理方法的示例性系统架构；
图2示意性示出了根据本公开实施例的点云数据处理方法的应用场景；
图3示意性示出了根据本公开实施例的点云数据处理方法的流程图；
图4示意性示出了根据本公开另一实施例的点云数据处理方法的流程图；
图5示意性示出了根据本公开实施例的预设条件的示意图；
图6示意性示出了根据本公开实施例的点云数据处理系统的框图；
图7示意性示出了根据本公开另一实施例的点云数据处理系统的框图；以及
图8示意性示出了根据本公开实施例的适于实现点云数据处理方法的计算机系统的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
本公开的实施例提供了一种点云数据处理方法以及能够应用该方法的点云数据处理系统。该方法包括：获取激光点云数据，激光点云数据中包括至少一个障碍物的点云数据，对激光点云数据进行降维处理，生成二维图像，二维图图像中包括至少一个障碍物的轮廓信息，根据至少一个障碍物的轮廓信息确定相应障碍物所属的分类。
图1示意性示出了根据本公开实施例的可以应用点云数据处理方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括激光雷达101、102，用户终端103、网络104和服务器105。网络104用以在激光雷达101、102和服务器105之间，或者在激光雷达101、102和用户终端103之间，或者在用户终端103和服务器105之间提供通信链路的介质。网络104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。
激光雷达101、102可以是车载激光雷达、直接探测型激光雷达、或者相干探测型激光雷达等。激光雷达101、102可以用于获得周围环境的点云数据。
用户终端103可以是具有显示屏的电子设备，包括但不限于车载电视、车载导航、智能手机、平板电脑、膝上型便携计算机等等。
服务器105可以是提供各种服务的服务器，例如对接收到的激光点云数据进行分析等处理，并将处理结果反馈给用户终端103。
需要说明的是，本公开实施例所提供的点云数据处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的点云数据处理系统一般可以设置于服务器105中。本公开实施例所提供的点云数据处理方法也可以由不同于服务器105且能够与激光雷达101、102和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的点云数据处理系统也可以设置于不同于服务器105且能够与激光雷达101、102和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的点云数据处理方法也可以由激光雷达101、102执行，或者也可以由不同于激光设备101、102的其他终端设备(例如，用户终端103)执行。相应地，本公开实施例所提供的点云数据处理系统也可以设置于激光雷达101、102中，或设置于不同于激光雷达101、102的其他终端设备中(例如，用户终端106)。
例如，激光雷达101、102中的任意一个(例如，激光雷达101，但不限于此)可以用于获取激光点云数据。然后，激光雷达101可以在本地执行本公开实施例所提供的点云数据处理方法，或者将获取的激光点云数据发送到其他终端设备(例如，用户终端103)、服务器、或服务器集群，并由接收该激光点云数据的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的点云数据处理方法。
应该理解，图1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2示意性示出了根据本公开实施例的点云数据处理方法的应用场景。
如图2所示，激光雷达例如可以安装在无人驾驶车辆中，激光雷达能够检测到周围环境的点云数据，本公开实施例提供的点云数据处理方法可以根据点云数据识别周围环境中的障碍物所属的类别，无人驾驶车辆可以基于周围环境中的不同类别的障碍物(例如，行人、汽车、自行车、道路设施等)相应地做后续的路径规划。
需要注意的是，图2所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
图3示意性示出了根据本公开实施例的点云数据处理方法的流程图。
如图3所示，该方法包括操作S301～S303。
在操作S301，获取激光点云数据，激光点云数据中包括至少一个障碍物的点云数据。
在本公开实施例中，可以获取从激光雷达扫描得到的点云数据，点云数据可以包括每一点的位置信息。根据本公开实施例，激光点云数据中的每一个点都包含有三维坐标数据。
在本公开实施例中，可以以激光雷达扫描的每一帧为单位获取激光点云数据，例如，获取激光雷达扫描得到的多个单帧点云数据。
在操作S302，对激光点云数据进行降维处理，生成二维图像，二维图图像中包括至少一个障碍物的轮廓信息。
可以理解，本公开实施例中的激光点云数据为三维数据，在本公开实施例中，将三维点云数据通过降维处理，生成二维数据。
例如，可以通过预设尺寸的栅格对三维点云数据进行降维处理(例如，以20厘米为栅格大小对点云数据进行降维)，生成二维地图，二维地图中的信息即为障碍物的投影，从而可以从二维地图中提取障碍物的轮廓信息。在本公开实施例中，每个轮廓可以代表一个障碍物。
在本公开实施例中，降维处理例如可以是对点云数据在平行地面的方向进行网格化，若网格中的点超过一定数目，则可以在二维二值图像中将其灰度值设置为1。
根据本公开实施例，一个单帧点云数据可以通过降维处理生成一个二维图像，该二维图像中包括该单帧点云数据中的障碍物的投影的轮廓信息。
在操作S303，根据至少一个障碍物的轮廓信息确定相应障碍物所属的分类。
根据本公开实施例，通过识别障碍物的轮廓信息确定该障碍物所属的分类，例如，根据障碍物的轮廓信息确定该障碍物属于车辆、建筑、行人、路障等多个类别中的哪个类别。
在本公开实施例中，可以通过聚类分析获取障碍物的轮廓信息，然后通过深度学习对轮廓信息进行分类。
例如，可以通过深度学习的方法识别障碍物的轮廓信息，从而确定该相应障碍物所属的分类。例如，可以通过将多个障碍物的轮廓信息已经其相对应的分类信息作为训练数据，训练神经网络模型，以使该神经网络模型可以根据轮廓信息确定该轮廓信息代表的障碍物所属的分类。
本公开实施例通过将三维点云数据进行降维处理，生成二维图像，并根据二维图像中的障碍物的轮廓信息确定相应障碍物所属的分类，减少了点云数据的数据量，从而减少了分类的计算量，提高了计算速度。
本公开实施例通过深度学习的方法识别轮廓信息实现对障碍物的分类能够快速且方便地获得分类结果，减少人为参与，提高分类准确度。
图4示意性示出了根据本公开另一实施例的点云数据处理方法的流程图。
如图4所示，该方法包括操作S301、S303以及操作S401～S402。其中，操作S301、S303与上述参考图3描述的方法相同或类似，在此不再赘述。
在操作S401，去除激光点云数据中的地面点云数据。
具体地，选择满足预设条件的点云数据作为地面候选点，对地面候选点进行面拟合操作，生成拟合面，将激光点云数据中距离拟合面的高度小于预设阈值的点确定为地面点，去除地面候选点以及地面点的数据。
根据本公开实施例，预设条件包括：(1)同一旋转角，相邻两激光点的欧式距离大于第一阈值，(2)同一旋转角，相邻三个激光点间两两构成的向量的归一化向量点积大于第二阈值，将满足预设条件(1)和(2)的点确定为地面候选点。
例如，在如图5所示的预设条件的示意图中，其中，预设条件包括(ri+1-ri)要大于第一阈值，AB向量与BC向量的点积足够接近1。
在本公开实施例中，将同时满足上述预设条件的点选为地面候选点，并根据选择的地面候选点进行面拟合，确定点云中所有点距离该拟合面的高度距离，如点的高度距离在0～5厘米(仅为示例)之间则认为该点属于地面点，去除确定的地面候选点和地面点的数据，避免地面对障碍物分析的影响。
在本公开实施例中，还可以采用随机采样一致性方式进行面拟合操作，例如，可以每次随机选择3个点计算面方程，并且获取距离该面小于预设阈值的局内点数，通过多次迭代中选取局内点数最大的一次作为最终面方程输出。
在操作S402，对去除地面点云数据后的激光点云数据进行降维处理。具体的降维处理方法可以参考上述参考图3描述的操作S302，在此不再赘述。
本公开实施例将地面点云数据去除，实现了地面的高度校正，减少了地面对障碍物识别时造成的影响，使得识别出的障碍物更加可信。
图6示意性示出了根据本公开实施例的点云数据处理系统600的框图。
如图6所示，点云数据处理系统600包括获取模块610、降维模块620以及分类模块630。
获取模块610获取激光点云数据，激光点云数据中包括至少一个障碍物的点云数据。根据本公开实施例，获取模块610例如可以执行上文参考图3描述的操作S301，在此不再赘述。
降维模块620对激光点云数据进行降维处理，生成二维图像，二维图图像中包括至少一个障碍物的轮廓信息。根据本公开实施例，降维模块620例如可以执行上文参考图3描述的操作S302，在此不再赘述。
分类模块630根据至少一个障碍物的轮廓信息确定相应障碍物所属的分类。根据本公开实施例，分类模块630例如可以执行上文参考图3描述的操作S303，在此不再赘述。
图7示意性示出了根据本公开另一实施例的点云数据处理系统700的框图。
如图7所示，点云数据处理系统700包括获取模块610、降维模块620、分类模块630以及去除模块640。其中，获取模块610、降维模块620以及分类模块630与上述参考图6描述的模块相同或类似，在此不再赘述。
去除模块640去除激光点云数据中的地面点云数据。根据本公开实施例，去除模块640例如可以执行上文参考图4描述的操作S401，在此不再赘述。
其中，降维模块620还用于对去除地面点云数据后的激光点云数据进行降维处理。
可以理解的是，获取模块610、降维模块620、分类模块630以及去除模块640可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，获取模块610、降维模块620、分类模块630以及去除模块640中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。或者，获取模块610、降维模块620、分类模块630以及去除模块640中的至少一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行时，可以执行相应模块的功能。
图8示意性示出了根据本公开实施例的适于实现点云数据处理方法的计算机系统的方框图。图8示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，根据本公开实施例的计算机系统800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行参考图3～图4描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中，存储有系统800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行以上参考图3～图4描述的点云数据处理方法的各种操作。需要注意，所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行以上参考图3～图4描述的点云数据处理方法的各种操作。
根据本公开的实施例，系统800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。系统800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。
根据本公开的实施例，上文参考流程图描述的方法可以被实现为计算机软件程序。例如，本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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
需要说明的是，本公开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。在本公开中，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。而在本公开中，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。根据本公开的实施例，计算机可读介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
作为另一方面，本公开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：获取激光点云数据，所述激光点云数据中包括至少一个障碍物的点云数据，对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息，以及根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类。
根据本公开的实施例，上述方法还包括：去除所述激光点云数据中的地面点云数据。上述对激光点云数据进行降维处理包括：对去除地面点云数据后的激光点云数据进行降维处理。
根据本公开的实施例，上述去除所述激光点云数据中的地面点云数据包括：选择满足预设条件的点云数据作为地面候选点，对所述地面候选点进行面拟合操作，生成拟合面，将所述激光点云数据中距离所述拟合面的高度小于预设阈值的点确定为地面点，以及去除所述地面候选点以及所述地面点的数据。
根据本公开的实施例，上述对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息，包括：以预设尺寸的栅格对所述点云数据进行降维处理，生成二维栅格地图，所述二维栅格地图中包括所述至少一个障碍物的轮廓信息。
根据本公开的实施例，上述根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类，包括：通过深度学习识别所述轮廓信息，确定所述轮廓信息所属的分类。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种点云数据处理方法，包括：
获取激光点云数据，所述激光点云数据中包括至少一个障碍物的点云数据；
对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息；
根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类。
2.根据权利要求1所述的方法，其中：
所述方法还包括：去除所述激光点云数据中的地面点云数据；
所述对激光点云数据进行降维处理包括：对去除地面点云数据后的激光点云数据进行降维处理。
3.根据权利要求2所述的方法，其中，所述去除所述激光点云数据中的地面点云数据包括：
选择满足预设条件的点云数据作为地面候选点；
对所述地面候选点进行面拟合操作，生成拟合面；
将所述激光点云数据中距离所述拟合面的高度小于预设阈值的点确定为地面点；
去除所述地面候选点以及所述地面点的数据。
4.根据权利要求1所述的方法，其中，所述对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息，包括：
以预设尺寸的栅格对所述点云数据进行降维处理，生成二维栅格地图，所述二维栅格地图中包括所述至少一个障碍物的轮廓信息。
5.根据权利要求1所述的方法，其中，所述根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类，包括：
通过深度学习识别所述轮廓信息，确定所述轮廓信息所属的分类。
6.一种点云数据处理系统，包括：
获取模块，获取激光点云数据，所述激光点云数据中包括至少一个障碍物的点云数据；
降维模块，对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息；
分类模块，根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类。
7.根据权利要求6所述的系统，其中：
所述系统还包括：去除模块，去除所述激光点云数据中的地面点云数据；
所述对激光点云数据进行降维处理包括：对去除地面点云数据后的激光点云数据进行降维处理。
8.根据权利要求7所述的系统，其中，所述去除所述激光点云数据中的地面点云数据包括：
选择满足预设条件的点云数据作为地面候选点；
对所述地面候选点进行面拟合操作，生成拟合面；
将所述激光点云数据中距离所述拟合面的高度小于预设阈值的点确定为地面点；
去除所述地面候选点以及所述地面点的数据。
9.根据权利要求6所述的系统，其中，所述对所述激光点云数据进行降维处理，生成二维图像，所述二维图图像中包括所述至少一个障碍物的轮廓信息，包括：
以预设尺寸的栅格对所述点云数据进行降维处理，生成二维栅格地图，所述二维栅格地图中包括所述至少一个障碍物的轮廓信息。
10.根据权利要求6所述的系统，其中，所述根据所述至少一个障碍物的轮廓信息确定所述障碍物所属的分类，包括：
通过深度学习识别所述轮廓信息，确定所述轮廓信息所属的分类。
11.一种点云数据处理系统，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，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～5中任一项所述的方法。
12.一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810369777.3A CN110390237A (zh) | 2018-04-23 | 2018-04-23 | 点云数据处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810369777.3A CN110390237A (zh) | 2018-04-23 | 2018-04-23 | 点云数据处理方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110390237A true CN110390237A (zh) | 2019-10-29 |
Family
ID=68284682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810369777.3A Pending CN110390237A (zh) | 2018-04-23 | 2018-04-23 | 点云数据处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110390237A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880173A (zh) * | 2019-11-13 | 2020-03-13 | 珠海格力智能装备有限公司 | 空调底板的外轮廓提取方法及装置 |
| CN110889350A (zh) * | 2019-11-18 | 2020-03-17 | 四川西南交大铁路发展股份有限公司 | 一种基于三维成像的线路障碍物监测报警系统及方法 |
| CN111158378A (zh) * | 2020-01-16 | 2020-05-15 | 珠海格力电器股份有限公司 | 一种扫地机器人的清扫方法及扫地机器人 |
| CN111339876A (zh) * | 2020-02-19 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于识别场景中各区域类型的方法和装置 |
| CN111860321A (zh) * | 2020-07-20 | 2020-10-30 | 浙江光珀智能科技有限公司 | 一种障碍物识别方法及系统 |
| CN113177966A (zh) * | 2021-04-15 | 2021-07-27 | 中国科学院上海光学精密机械研究所 | 基于速度聚类统计的三维扫描相干激光雷达点云处理方法 |
| CN113375556A (zh) * | 2021-06-18 | 2021-09-10 | 盎锐（上海）信息科技有限公司 | 全栈式实测实量系统、测量方法及激光雷达 |
| CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
| CN114862884A (zh) * | 2022-05-13 | 2022-08-05 | 苏州大学 | 三维轮廓信息提取方法、装置、电子设备及存储介质 |
| CN114999087A (zh) * | 2022-05-24 | 2022-09-02 | 深圳康佳电子科技有限公司 | 一种保护隐私的监控方法、装置、介质及终端 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2545602A (en) * | 2016-09-21 | 2017-06-21 | Univ Oxford Innovation Ltd | A neural network and method of using a neural network to detect objects in an environment |
| CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术（北京）有限公司 | 障碍物检测方法、装置、设备及存储介质 |
-
2018
- 2018-04-23 CN CN201810369777.3A patent/CN110390237A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2545602A (en) * | 2016-09-21 | 2017-06-21 | Univ Oxford Innovation Ltd | A neural network and method of using a neural network to detect objects in an environment |
| CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术（北京）有限公司 | 障碍物检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 程健: "基于三维激光雷达的实时目标检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 赵兴东等: "《矿用三维激光数字测量原理及其工程应用》", 31 January 2016, 冶金工业出版 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880173A (zh) * | 2019-11-13 | 2020-03-13 | 珠海格力智能装备有限公司 | 空调底板的外轮廓提取方法及装置 |
| CN110889350A (zh) * | 2019-11-18 | 2020-03-17 | 四川西南交大铁路发展股份有限公司 | 一种基于三维成像的线路障碍物监测报警系统及方法 |
| CN111158378A (zh) * | 2020-01-16 | 2020-05-15 | 珠海格力电器股份有限公司 | 一种扫地机器人的清扫方法及扫地机器人 |
| CN111339876B (zh) * | 2020-02-19 | 2023-09-01 | 北京百度网讯科技有限公司 | 用于识别场景中各区域类型的方法和装置 |
| CN111339876A (zh) * | 2020-02-19 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于识别场景中各区域类型的方法和装置 |
| CN111860321A (zh) * | 2020-07-20 | 2020-10-30 | 浙江光珀智能科技有限公司 | 一种障碍物识别方法及系统 |
| CN111860321B (zh) * | 2020-07-20 | 2023-12-22 | 浙江光珀智能科技有限公司 | 一种障碍物识别方法及系统 |
| CN113177966B (zh) * | 2021-04-15 | 2022-06-28 | 中国科学院上海光学精密机械研究所 | 基于速度聚类统计的三维扫描相干激光雷达点云处理方法 |
| CN113177966A (zh) * | 2021-04-15 | 2021-07-27 | 中国科学院上海光学精密机械研究所 | 基于速度聚类统计的三维扫描相干激光雷达点云处理方法 |
| CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
| CN113610883B (zh) * | 2021-04-30 | 2022-04-08 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
| CN113375556A (zh) * | 2021-06-18 | 2021-09-10 | 盎锐（上海）信息科技有限公司 | 全栈式实测实量系统、测量方法及激光雷达 |
| CN113375556B (zh) * | 2021-06-18 | 2024-06-04 | 盎锐(杭州)信息科技有限公司 | 全栈式实测实量系统、测量方法及激光雷达 |
| CN114862884A (zh) * | 2022-05-13 | 2022-08-05 | 苏州大学 | 三维轮廓信息提取方法、装置、电子设备及存储介质 |
| CN114862884B (zh) * | 2022-05-13 | 2024-02-27 | 苏州大学 | 三维轮廓信息提取方法、装置、电子设备及存储介质 |
| CN114999087A (zh) * | 2022-05-24 | 2022-09-02 | 深圳康佳电子科技有限公司 | 一种保护隐私的监控方法、装置、介质及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390237A (zh) | 点云数据处理方法和系统 | |
| CN111079619B (zh) | 用于检测图像中的目标对象的方法和装置 | |
| US10593042B1 (en) | Perspective conversion for multi-dimensional data analysis | |
| CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| CN107025642B (zh) | 基于点云数据的车辆轮廓检测方法和装置 | |
| CN109840448A (zh) | 用于无人驾驶车辆的信息输出方法和装置 | |
| CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
| JP2021089724A (ja) | 構造的制約及び物理的制約を伴う３ｄ自動ラベル付け | |
| CN112001287B (zh) | 障碍物的点云信息生成方法、装置、电子设备和介质 | |
| CN112313703A (zh) | 点云的增量分割 | |
| US20210312177A1 (en) | Behavior prediction of surrounding agents | |
| US20230213646A1 (en) | Machine learning based object detection using radar information | |
| CN115147333A (zh) | 一种目标检测方法及装置 | |
| CN110110696B (zh) | 用于处理信息的方法和装置 | |
| Bai et al. | Vinet: Lightweight, scalable, and heterogeneous cooperative perception for 3d object detection | |
| CN112823353A (zh) | 使用机器学习进行对象定位 | |
| KR20200065590A (ko) | 정밀 도로 지도를 위한 차선 중앙점 검출 방법 및 장치 | |
| CN112639822B (zh) | 一种数据处理方法及装置 | |
| US11950166B2 (en) | Predicting occupancy probabilities of surrounding agents | |
| US20200166346A1 (en) | Method and Apparatus for Constructing an Environment Model | |
| WO2023133007A1 (en) | Machine learning based object detection using radar information | |
| CN114581869A (zh) | 确定目标对象位置的方法、装置、电子设备和存储介质 | |
| CN112668371B (zh) | 用于输出信息的方法和装置 | |
| CN113902898A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
| CN110361710A (zh) | 基于激光点云的物体识别方法和装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210305 Address after: Room 222, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Beijing Jingdong three hundred and sixty degree e-commerce Co.,Ltd. Address before: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080 Applicant before: Beijing Jingbangda Trading Co.,Ltd. Effective date of registration: 20210305 Address after: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080 Applicant after: Beijing Jingbangda Trading Co.,Ltd. Address before: 100195 Beijing Haidian Xingshikou Road 65 West Cedar Creative Garden 4 District 11 Building East 1-4 Floor West 1-4 Floor Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |
|
| RJ01 | Rejection of invention patent application after publication |