CN110458780A - 3d点云数据去噪方法、装置、计算机设备和可读存储介质 - Google Patents
3d点云数据去噪方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN110458780A CN110458780A CN201910748883.7A CN201910748883A CN110458780A CN 110458780 A CN110458780 A CN 110458780A CN 201910748883 A CN201910748883 A CN 201910748883A CN 110458780 A CN110458780 A CN 110458780A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- grid
- coordinate
- laser radar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/481—Constructional features, e.g. arrangements of optical elements
- G01S7/4817—Constructional features, e.g. arrangements of optical elements relating to scanning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
Abstract
本发明涉及一种3D点云数据去噪方法、装置、计算机设备和可读存储介质,该方法包括:将3D点云数据映射到球坐标系的平面;其中,所述3D点云数据为激光雷达对目标物体进行扫描得到的;θ为所述激光雷达的扫描水平角,为所述激光雷达的扫描垂直角;根据所述激光雷达的线数和水平分辨率对所述平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;根据所述各格子内3D点云数据的个数和坐标对所述各格子内的3D点云数据进行处理,使所述各格子内最多保留一个3D点云数据;将包含有一个3D点云数据的各格子的中心点坐标,确定为所述各格子中对应的3D点云数据的坐标,该方法能够将3D点云数据调整到正确的位置,对3D点云数据的噪声点进行修正。
Description
技术领域
本申请涉及车辆检测领域,特别是涉及一种3D点云数据去噪方法、装置、计算机设备和可读存储介质。
背景技术
目前在3D车辆检测任务中,3D点云数据一般由机械式的多线激光雷达获得,但得到的3D点云数据往往伴随着较强的噪声,具体表现为待检测车辆上部分材质测量坐标不准确导致收集到的3D点云数据向上漂浮,以及机械式的多线激光雷达发射的部分激光被待检测车辆吸收没有反射信号。
传统技术中,针对3D点云数据的噪声,主要是通过半径滤波、双边滤波等方法对3D点云数据进行去噪。但传统的去噪方法主要针对的是3D点云数据均匀而且高密度的场景,然而在3D车辆检测的场景中,得到的3D点云数据密度低而且点云密度分布不均匀,难以直接应用传统的去噪方法对3D车辆检测场景中得到的3D点云数据进行去噪。
因此,传统的去噪方法存在无法对3D车辆检测场景中得到的3D点云数据进行去噪的问题。
发明内容
基于此,有必要针对传统的去噪方法存在无法对3D车辆检测场景中得到的3D点云数据进行去噪的问题,提供一种3D点云数据去噪方法、装置、计算机设备和可读存储介质。
第一方面,本发明实施例提供一种3D点云数据去噪方法,所述方法包括:
将3D点云数据映射到球坐标系的平面;其中,所述3D点云数据为激光雷达对目标物体进行扫描得到的;θ为所述激光雷达的扫描水平角,为所述激光雷达的扫描垂直角;
根据所述激光雷达的线数和水平分辨率对所述平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;
根据所述各格子内3D点云数据的个数和坐标对所述各格子内的3D点云数据进行处理,使所述各格子内最多保留一个3D点云数据;
将包含有一个3D点云数据的各格子的中心点坐标,确定为所述各格子中对应的3D点云数据的坐标。
在其中一个实施例中,所述根据所述各格子内3D点云数据的个数和坐标对所述各格子内的3D点云数据进行处理,使所述各格子内最多保留一个3D点云数据,包括:
若所述各格子内的3D点云数据的个数大于1,则确定各所述3D点云数据中轴坐标最高的3D点云数据;
将所述轴坐标最高的3D点云数据保留在对应的格子中,并剔除所述各格子内除所述轴坐标最高的3D点云数据以外的其他3D点云数据。
在其中一个实施例中,所述剔除所述各格子内除所述轴坐标最高的3D点云数据以外的其他3D点云数据,包括:
将所述各格子内除所述轴坐标最高的3D点云数据以外的其他3D点云数据移入到当前格子沿轴负方向对应的下一格子中。
在其中一个实施例中,所述方法还包括:
若所述当前格子为沿轴负方向对应的最后一个格子,则丢弃所述当前格子内除所述轴坐标最高的3D点云数据以外的其他3D点云数据。
在其中一个实施例中,所述将3D点云数据映射到球坐标系的平面,包括:
将所述3D点云数据的坐标从激光雷达直角坐标系转换到球坐标系,得到所述3D点云数据在所述球坐标系下的坐标;
以所述球坐标系的θ轴为水平轴,以所述球坐标系的轴为垂直轴,将所述3D点云数据在所述球坐标系下的坐标展开到所述球坐标系的平面。
在其中一个实施例中,所述将包含有一个3D点云数据的各格子的中心点坐标,确定为所述各格子中对应的3D点云数据的坐标之后,所述方法还包括:
将确定的所述各格子中对应的3D点云数据的坐标由球坐标转换为激光雷达直角坐标。
在其中一个实施例中,所述根据所述激光雷达的线数和水平分辨率对所述平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标,包括:
当所述激光雷达的线数为L条,水平分辨率为水平方向一周扫描V次时,将所述平面划分为L×V个格子,并统计落在各格子内3D点云数据的个数和坐标;所述L与所述V均为自然数。
第二方面,本发明实施例提供一种3D点云数据去噪装置,所述装置包括:
映射模块,用于将3D点云数据映射到球坐标系的平面;其中,所述3D点云数据为激光雷达对目标物体进行扫描得到的;θ为所述激光雷达的扫描水平角,为所述激光雷达的扫描垂直角;
格子化模块,用于根据所述激光雷达的线数和水平分辨率对所述平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;
处理模块,用于根据所述各格子内3D点云数据的个数和坐标对所述各格子内的3D点云数据进行处理,使所述各格子内最多保留一个3D点云数据;
确定模块,用于将包含有一个3D点云数据的各格子的中心点坐标,确定为所述各格子中对应的3D点云数据的坐标。
第三方面,本发明实施例提供一种计算机设备,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:
将3D点云数据映射到球坐标系的平面;其中,所述3D点云数据为激光雷达对目标物体进行扫描得到的;θ为所述激光雷达的扫描水平角,为所述激光雷达的扫描垂直角;
根据所述激光雷达的线数和水平分辨率对所述平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;
根据所述各格子内3D点云数据的个数和坐标对所述各格子内的3D点云数据进行处理,使所述各格子内最多保留一个3D点云数据;
将包含有一个3D点云数据的各格子的中心点坐标,确定为所述各格子中对应的3D点云数据的坐标。
第四方面,本发明实施例提供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:
将3D点云数据映射到球坐标系的平面;其中,所述3D点云数据为激光雷达对目标物体进行扫描得到的;θ为所述激光雷达的扫描水平角,为所述激光雷达的扫描垂直角;
根据所述激光雷达的线数和水平分辨率对所述平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;
根据所述各格子内3D点云数据的个数和坐标对所述各格子内的3D点云数据进行处理,使所述各格子内最多保留一个3D点云数据;
将包含有一个3D点云数据的各格子的中心点坐标,确定为所述各格子中对应的3D点云数据的坐标。
上述实施例提供的3D点云数据去噪方法、装置、设备和介质中,计算机设备将3D点云数据映射到球坐标系的平面;其中,3D点云数据为激光雷达对目标物体进行扫描得到的;θ为激光雷达的扫描水平角,为激光雷达的扫描垂直角;根据激光雷达的线数和水平分辨率对平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;根据各格子内3D点云数据的个数和坐标对各格子内的3D点云数据进行处理,使各格子内最多保留一个3D点云数据;将包含有一个3D点云数据的各格子的中心点坐标,确定为各格子中对应的3D点云数据的坐标。在该方法中,计算机设备首先将激光雷达进行扫描得到的3D点云数据映射到最初激光雷达收集数据时的球坐标系下的平面并对平面进行格子化,之后,通过对各格子内的3D点云数据进行处理,使各格子内最多只保留一个3D点云数据,将包含有一个3D点云数据的各格子的中心点坐标确定为各格子中对应的3D点云数据的坐标,这样能够将利用激光雷达对目标物体进行检测时产生的向上偏移的3D点云数据调整到正确的位置,对激光雷达进行扫描得到的3D点云数据的噪声点进行修正。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图;
图2为一个实施例提供的3D点云数据去噪方法的流程示意图;
图3为另一个实施例提供的3D点云数据去噪方法的流程示意图;
图4为另一个实施例提供的3D点云数据去噪方法的流程示意图;
图5为另一个实施例提供的3D点云数据去噪方法的流程示意图;
图6为一个实施例提供的3D点云数据去噪装置结构示意图。
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。
本申请实施例提供的3D点云数据去噪方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、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。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是,本申请实施例提供的3D点云数据去噪方法,其执行主体可以是3D点云数据去噪装置,该3D点云数据去噪装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的3D点云数据去噪方法的流程示意图。本实施例涉及的是计算机设备对激光雷达扫描得到的3D点云数据进行去噪的具体实现过程。如图2所示,该方法可以包括:
S201,将3D点云数据映射到球坐标系的平面;其中,3D点云数据为激光雷达对目标物体进行扫描得到的;θ为激光雷达的扫描水平角,为激光雷达的扫描垂直角;
具体的,计算机设备将激光雷达对目标物体进行扫描得到的3D点云数据映射到球坐标系的平面。其中,θ为激光雷达的扫描水平角,为激光雷达的扫描垂直角。需要说明的是,此处使用的激光雷达为机械式的多线激光雷达,可选的,使用的激光雷达可以为16线、32线,也可以为64线等。可以理解的是,利用激光雷达对目标物体进行扫描得到的3D点云数据的坐标为激光雷达直角坐标系下的坐标。可选的,计算机设备可以根据激光雷达直角坐标系与球坐标系之间的映射关系,将3D点云数据映射到球坐标系的平面。
S202,根据激光雷达的线数和水平分辨率对平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标。
具体的,计算机设备根据激光雷达的线数和水平分辨率对平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标。可选的,计算机设备可以根据激光雷达的线数将平面的θ方向划分为均等的格,根据激光雷达的水平分辨率将平面的方向划分为均等的格,对平面进行格子化,例如,激光雷达的线数为L条,水平分辨率为水平方向一周扫描V次,则计算机设备可以将平面划分为个格子。可选的,计算机设备可以对得到的格子进行遍历,统计落在各格子内3D点云数据的个数和坐标。
S203,根据各格子内3D点云数据的个数和坐标对各格子内的3D点云数据进行处理,使各格子内最多保留一个3D点云数据。
具体的,计算机设备根据各格子内3D点云数据的个数和坐标对得到的各格子内的3D点云数据进行处理,使各格子内最多保留一个3D点云数据。可选的,各格子内可以只保留有一个3D点云数据,也可以没有3D点云数据。可选的,计算机设备可以首先根据各格子内3D点云数据的个数,确定出各格子内3D点云数据的个数大于1的各格子,然后根据3D点云数据的个数大于1的各格子内的3D点云数据的坐标,对各格子内的3D点云数据进行处理,使各格子内最多保留一个3D点云数据。
S204,将包含有一个3D点云数据的各格子的中心点坐标,确定为各格子中对应的3D点云数据的坐标。
具体的,计算机设备将包含有一个3D点云数据的各格子的中心点坐标,确定为各格子中对应的3D点云数据的坐标。可以理解的是,在S201中,计算机设备将3D点云数据映射到了球坐标系的平面,则包含有一个3D点云数据的各格子的中心点坐标也为球坐标系下的坐标。可选的,计算机设备可以利用公式:z=rcosθ,将确定的各格子中对应的3D点云数据的坐标由球坐标转换为激光雷达直角坐标。
在本实施例中,计算机设备首先将激光雷达进行扫描得到的3D点云数据映射到最初激光雷达收集数据时的球坐标系下的平面并对平面进行格子化,之后,通过对各格子内的3D点云数据进行处理,使各格子内最多只保留一个3D点云数据,将包含有一个3D点云数据的各格子的中心点坐标确定为各格子中对应的3D点云数据的坐标,这样能够将利用激光雷达对目标物体进行检测时产生的向上偏移的3D点云数据调整到正确的位置,对激光雷达进行扫描得到的3D点云数据的噪声点进行修正。
图3为另一个实施例提供的3D点云数据去噪方法的流程示意图。本实施例涉及的是计算机设备对各格子内的3D点云数据进行处理,使各格子内最多保留一个3D点云数据的具体实现过程。如图3所示,在上述实施例的基础上,作为一种可选的实施方式,上述S203,包括:
S301,若各格子内的3D点云数据的个数大于1,则确定各3D点云数据中轴坐标最高的3D点云数据。
具体的,若上述各格子内的3D点云数据的个数大于1,则计算机设备确定各格子内的各3D点云数据中轴坐标最高的3D点云数据。可选的,计算机设备可以将各格子内的各3D点云数据的坐标一一进行对比,确定出各3D点云数据中轴坐标最高的3D点云数据。
S302,将轴坐标最高的3D点云数据保留在对应的格子中,并剔除各格子内除轴坐标最高的3D点云数据以外的其他3D点云数据。
具体的,计算机设备将上述3D点云数据的个数大于1的各格子内轴坐标最高的3D点云数据保留在对应的格子中,剔除各格子内除轴坐标最高的3D点云数据以外的其他3D点云数据。可选的,计算机设备可以将各格子内除轴坐标最高的3D点云数据点以外的其他3D点云数据移入到当前格子沿轴负方向对应的下一格子中。可选的,若当前格子为沿轴负方向对应的最后一个格子,则计算机设备丢弃当前格子内除轴坐标最高的3D点云数据以外的其他3D点云数据。
在本实施例中,若各格子内的3D点云数据的个数大于1,则计算机设备确定各3D点云数据中轴坐标最高的3D点云数据,将轴坐标最高的3D点云数据保留在对应的格子中,并剔除各格子内除轴坐标最高的3D点云数据以外的其他3D点云数据,这样将各格子内除轴坐标最高的3D点云数据以外的其他3D点云数据都进行了剔除,能够将利用激光雷达对目标物体进行检测时产生的向上偏移的3D点云数据调整到正确的位置,能够对激光雷达进行扫描得到的3D点云数据的噪声点进行修正。
图4为另一个实施例提供的3D点云数据去噪方法的流程示意图。本实施例涉及的是计算机设备将3D点云数据映射到球坐标系的平面的具体实现过程。如图4所示,在上述实施例的基础上,作为一种可选的实施方式,上述S201,包括:
S401,将3D点云数据的坐标从激光雷达直角坐标系转换到球坐标系,得到3D点云数据在球坐标系下的坐标。
具体的,计算机设备将激光雷达扫描得到的3D点云数据的坐标从激光雷达直角坐标系转换到球坐标系,得到该3D点云数据在球坐标系下的坐标。可选的,计算机设备可以利用公式: 将3D点云数据的坐标从激光雷达直角坐标系转换都球坐标系,得到该3D点云数据在球坐标系下的坐标。
S402,以球坐标系的θ轴为水平轴,以球坐标系的轴为垂直轴,将3D点云数据在球坐标系下的坐标展开到球坐标系的平面。
具体的,计算机设备以球坐标系的θ轴为水平轴,以球坐标系的轴为垂直轴,将上述3D点云数据在球坐标系下的坐标展开到球坐标系的平面。例如,某3D点云数据的坐标从激光雷达直角坐标系转换到球坐标系后,得到的该3D点云数据在球坐标系下的坐标为计算机设备将该3D点云数据在球坐标系下的坐标展开到球坐标系的平面后,得到的对应坐标为
在本实施例中,计算机设备首先将3D点云数据的坐标从激光雷达直角坐标系转换到球坐标系,得到3D点云数据在球坐标系下的坐标,以球坐标系的θ轴为水平轴,以球坐标系的轴为垂直轴,将3D点云数据在球坐标系下的坐标展开到球坐标系的平面,该过程十分简单,需要进行计算的数据量也较小,提高了将3D点云数据在球坐标系下的坐标展开到球坐标系的平面的效率,进而提高了对3D点云数据进行去噪的效率。
在上述根据激光雷达的线数和水平分辨率对平面进行格子化的场景中,在上述实施例的基础上,作为一种可选的实施方式,上述S202,包括:当激光雷达的线数为L条,水平分辨率为水平方向一周扫描V次时,将平面划分为L×V个格子,并统计落在各格子内3D点云数据的个数和坐标;L与V均为自然数。
具体的,当激光雷达的线数为L条,水平分辨率为水平方向一周扫描V次时,计算机设备将平面划分为L×V个格子,并统计落在各格子内3D点云数据的个数和坐标。其中,L与V均为自然数。例如,当激光雷达的线数为32条,水平分辨率为水平方向一周扫描16次时,则计算机设备将平面划分为32×16个格子。
在本实施例中,计算机设备根据激光雷达的线数和水平分辨率,对平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标,由于根据激光雷达的线数和水平分辨率对平面进行格子化充分考虑了激光雷达的特征,能够对平面进行比较准确的格子化,进而提高了统计得到的落在各格子内3D点云数据的个数和坐标的准确度。
为了便于本领域技术人员的理解,以下对本申请提供的车辆检测方法进行详细介绍,如图5所示,该方法可以包括:
S501,将3D点云数据的坐标从激光雷达直角坐标系转换到球坐标系,得到3D点云数据在球坐标系下的坐标;
S502,以球坐标系的θ轴为水平轴,以球坐标系的轴为垂直轴,将3D点云数据在球坐标系下的坐标展开到球坐标系的平面;
S503,当激光雷达的线数为L条,水平分辨率为水平方向一周扫描V次时,将平面划分为L×V个格子,并统计落在各格子内3D点云数据的个数和坐标;L与V均为自然数;
S504,按照从上往下的顺序依次遍历各格子,若各格子内的3D点云数据的个数大于1,则确定各3D点云数据中轴坐标最高的3D点云数据;
S505,将轴坐标最高的3D点云数据保留在对应的格子中;
S506,判断当前格子是否为沿轴负方向对应的最后一个格子,若是,则执行S507;若否,则执行S508;
S507,丢弃当前格子内除轴坐标最高的3D点云数据以外的其他3D点云数据;
S508,将各格子内除轴坐标最高的3D点云数据以外的其他3D点云数据移入到当前格子沿轴负方向对应的下一格子中;
S509,将包含有一个3D点云数据的各格子的中心点坐标,确定为各格子中对应的3D点云数据的坐标;
S510,将确定的各格子中对应的3D点云数据的坐标由球坐标转换为激光雷达直角坐标。
需要说明的是,针对上述S501-510中的描述可以参见上述实施例中相关的描述,且其效果类似,本实施例在此不再赘述。
应该理解的是,虽然图2-5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2-5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。
图6为一个实施例提供的3D点云数据去噪装置结构示意图。如图6所示,该装置可以包括:映射模块10、格子化模块11、处理模块12和确定模块13。
具体的,映射模块10,用于将3D点云数据映射到球坐标系的平面;其中,3D点云数据为激光雷达对目标物体进行扫描得到的;θ为激光雷达的扫描水平角,为激光雷达的扫描垂直角;
格子化模块11,用于根据激光雷达的线数和水平分辨率对平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;
处理模块12,用于根据各格子内3D点云数据的个数和坐标对各格子内的3D点云数据进行处理,使各格子内最多保留一个3D点云数据;
确定模块13,用于将包含有一个3D点云数据的各格子的中心点坐标,确定为各格子中对应的3D点云数据的坐标。
本实施例提供的3D点云数据去噪装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述处理模块12包括:确定单元和剔除单元。
具体的,确定单元,用于若各格子内的3D点云数据的个数大于1,则确定各3D点云数据中轴坐标最高的3D点云数据;
剔除单元,用于将轴坐标最高的3D点云数据保留在对应的格子中,并剔除各格子内除轴坐标最高的3D点云数据以外的其他3D点云数据。
本实施例提供的3D点云数据去噪装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述剔除单元,具体用于将各格子内除轴坐标最高的3D点云数据以外的其他3D点云数据移入到当前格子沿轴负方向对应的下一格子中。
可选的,若当前格子为沿轴负方向对应的最后一个格子,则丢弃当前格子内除轴坐标最高的3D点云数据以外的其他3D点云数据。
本实施例提供的3D点云数据去噪装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述映射模块10包括:转换单元和展开单元。
具体的,转换单元,用于将3D点云数据的坐标从激光雷达直角坐标系转换到球坐标系,得到3D点云数据在球坐标系下的坐标;
展开单元,用于以球坐标系的θ轴为水平轴,以球坐标系的轴为垂直轴,将3D点云数据在球坐标系下的坐标展开到球坐标系的平面。
本实施例提供的3D点云数据去噪装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:转换模块。
具体的,转换模块,用于将确定的各格子中对应的3D点云数据的坐标由球坐标转换为激光雷达直角坐标。
本实施例提供的3D点云数据去噪装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述格子化模块11具体用于当激光雷达的线数为L条,水平分辨率为水平方向一周扫描V次时,将平面划分为L×V个格子,并统计落在各格子内3D点云数据的个数和坐标;L与V均为自然数。
本实施例提供的3D点云数据去噪装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于3D点云数据去噪装置的具体限定可以参见上文中对于3D点云数据去噪方法的限定,在此不再赘述。上述3D点云数据去噪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。
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:
将3D点云数据映射到球坐标系的平面;其中,3D点云数据为激光雷达对目标物体进行扫描得到的;θ为激光雷达的扫描水平角,为激光雷达的扫描垂直角;
根据激光雷达的线数和水平分辨率对平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;
根据各格子内3D点云数据的个数和坐标对各格子内的3D点云数据进行处理,使各格子内最多保留一个3D点云数据;
将包含有一个3D点云数据的各格子的中心点坐标,确定为各格子中对应的3D点云数据的坐标。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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:
将3D点云数据映射到球坐标系的平面;其中,3D点云数据为激光雷达对目标物体进行扫描得到的;θ为激光雷达的扫描水平角,为激光雷达的扫描垂直角;
根据激光雷达的线数和水平分辨率对平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;
根据各格子内3D点云数据的个数和坐标对各格子内的3D点云数据进行处理,使各格子内最多保留一个3D点云数据;
将包含有一个3D点云数据的各格子的中心点坐标,确定为各格子中对应的3D点云数据的坐标。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种3D点云数据去噪方法,其特征在于,所述方法包括:
将3D点云数据映射到球坐标系的平面;其中,所述3D点云数据为激光雷达对目标物体进行扫描得到的;θ为所述激光雷达的扫描水平角,为所述激光雷达的扫描垂直角;
根据所述激光雷达的线数和水平分辨率对所述平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;
根据所述各格子内3D点云数据的个数和坐标对所述各格子内的3D点云数据进行处理,使所述各格子内最多保留一个3D点云数据;
将包含有一个3D点云数据的各格子的中心点坐标,确定为所述各格子中对应的3D点云数据的坐标。
2.根据权利要求1所述的方法,其特征在于,所述根据所述各格子内3D点云数据的个数和坐标对所述各格子内的3D点云数据进行处理,使所述各格子内最多保留一个3D点云数据,包括:
若所述各格子内的3D点云数据的个数大于1,则确定各所述3D点云数据中轴坐标最高的3D点云数据;
将所述轴坐标最高的3D点云数据保留在对应的格子中,并剔除所述各格子内除所述轴坐标最高的3D点云数据以外的其他3D点云数据。
3.根据权利要求2所述的方法,其特征在于,所述剔除所述各格子内除所述轴坐标最高的3D点云数据以外的其他3D点云数据,包括:
将所述各格子内除所述轴坐标最高的3D点云数据以外的其他3D点云数据移入到当前格子沿轴负方向对应的下一格子中。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述当前格子为沿轴负方向对应的最后一个格子,则丢弃所述当前格子内除所述轴坐标最高的3D点云数据以外的其他3D点云数据。
5.根据权利要求1所述的方法,其特征在于,所述将3D点云数据映射到球坐标系的平面,包括:
将所述3D点云数据的坐标从激光雷达直角坐标系转换到球坐标系,得到所述3D点云数据在所述球坐标系下的坐标;
以所述球坐标系的θ轴为水平轴,以所述球坐标系的轴为垂直轴,将所述3D点云数据在所述球坐标系下的坐标展开到所述球坐标系的平面。
6.根据权利要求1所述的方法,其特征在于,所述将包含有一个3D点云数据的各格子的中心点坐标,确定为所述各格子中对应的3D点云数据的坐标之后,所述方法还包括:
将确定的所述各格子中对应的3D点云数据的坐标由球坐标转换为激光雷达直角坐标。
7.根据权利要求1所述的方法,其特征在于,所述根据所述激光雷达的线数和水平分辨率对所述平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标,包括:
当所述激光雷达的线数为L条,水平分辨率为水平方向一周扫描V次时,将所述平面划分为L×V个格子,并统计落在各格子内3D点云数据的个数和坐标;所述L与所述V均为自然数。
8.一种3D点云数据去噪装置,其特征在于,所述装置包括:
映射模块,用于将3D点云数据映射到球坐标系的平面;其中,所述3D点云数据为激光雷达对目标物体进行扫描得到的;θ为所述激光雷达的扫描水平角,为所述激光雷达的扫描垂直角;
格子化模块,用于根据所述激光雷达的线数和水平分辨率对所述平面进行格子化,并统计落在各格子内3D点云数据的个数和坐标;
处理模块,用于根据所述各格子内3D点云数据的个数和坐标对所述各格子内的3D点云数据进行处理,使所述各格子内最多保留一个3D点云数据;
确定模块,用于将包含有一个3D点云数据的各格子的中心点坐标,确定为所述各格子中对应的3D点云数据的坐标。
9.一种计算机设备,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1-7中任一项所述方法的步骤。
10.一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1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748883.7A CN110458780A (zh) | 2019-08-14 | 2019-08-14 | 3d点云数据去噪方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748883.7A CN110458780A (zh) | 2019-08-14 | 2019-08-14 | 3d点云数据去噪方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458780A true CN110458780A (zh) | 2019-11-15 |
Family
ID=68486459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910748883.7A Pending CN110458780A (zh) | 2019-08-14 | 2019-08-14 | 3d点云数据去噪方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458780A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113137919A (zh) * | 2021-04-29 | 2021-07-20 | 中国工程物理研究院应用电子学研究所 | 一种激光点云栅格化方法 |
WO2021207954A1 (zh) * | 2020-04-15 | 2021-10-21 | 华为技术有限公司 | 一种目标识别的方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127031A (zh) * | 2006-08-18 | 2008-02-20 | 鸿富锦精密工业(深圳)有限公司 | 点云数据均值过滤系统及方法 |
US7940279B2 (en) * | 2007-03-27 | 2011-05-10 | Utah State University | System and method for rendering of texel imagery |
US9767598B2 (en) * | 2012-05-31 | 2017-09-19 | Microsoft Technology Licensing, Llc | Smoothing and robust normal estimation for 3D point clouds |
CN108345831A (zh) * | 2017-12-28 | 2018-07-31 | 新智数字科技有限公司 | 基于点云数据的道路图像分割的方法、装置以及电子设备 |
CN108415032A (zh) * | 2018-03-05 | 2018-08-17 | 中山大学 | 一种基于深度学习与激光雷达的点云语义地图构建方法 |
CN109100741A (zh) * | 2018-06-11 | 2018-12-28 | 长安大学 | 一种基于3d激光雷达及图像数据的目标检测方法 |
CN109766404A (zh) * | 2019-02-12 | 2019-05-17 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
-
2019
- 2019-08-14 CN CN201910748883.7A patent/CN110458780A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127031A (zh) * | 2006-08-18 | 2008-02-20 | 鸿富锦精密工业(深圳)有限公司 | 点云数据均值过滤系统及方法 |
US7940279B2 (en) * | 2007-03-27 | 2011-05-10 | Utah State University | System and method for rendering of texel imagery |
US9767598B2 (en) * | 2012-05-31 | 2017-09-19 | Microsoft Technology Licensing, Llc | Smoothing and robust normal estimation for 3D point clouds |
CN108345831A (zh) * | 2017-12-28 | 2018-07-31 | 新智数字科技有限公司 | 基于点云数据的道路图像分割的方法、装置以及电子设备 |
CN108415032A (zh) * | 2018-03-05 | 2018-08-17 | 中山大学 | 一种基于深度学习与激光雷达的点云语义地图构建方法 |
CN109100741A (zh) * | 2018-06-11 | 2018-12-28 | 长安大学 | 一种基于3d激光雷达及图像数据的目标检测方法 |
CN109766404A (zh) * | 2019-02-12 | 2019-05-17 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
BAOQUAN SHI ET AL.: "Adaptive simplification of point cloud using k-means clustering", 《COMPUTER-AIDED DESIGN》 * |
韩磊: "点云数据三维表面重构技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021207954A1 (zh) * | 2020-04-15 | 2021-10-21 | 华为技术有限公司 | 一种目标识别的方法和装置 |
CN113137919A (zh) * | 2021-04-29 | 2021-07-20 | 中国工程物理研究院应用电子学研究所 | 一种激光点云栅格化方法 |
CN113137919B (zh) * | 2021-04-29 | 2022-10-28 | 中国工程物理研究院应用电子学研究所 | 一种激光点云栅格化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074267B (zh) | 交点检测装置及方法、摄像头校正系统及方法及记录介质 | |
CN104408055B (zh) | 一种激光雷达点云数据的存储方法及装置 | |
CN110458780A (zh) | 3d点云数据去噪方法、装置、计算机设备和可读存储介质 | |
CN108804714A (zh) | 点云数据存储方法及装置 | |
CN108924544A (zh) | 摄像头畸变测量方法与测试装置 | |
CN116152306B (zh) | 确定砌筑质量的方法、装置、设备和介质 | |
CN114972027A (zh) | 一种图像拼接方法、装置、设备、介质和计算机产品 | |
CN111311671A (zh) | 一种工件测量方法、装置、电子设备及存储介质 | |
US9652836B2 (en) | Defect cell clustering method and apparatus thereof | |
WO2020117851A2 (en) | Method and device for face selection, recognition and comparison | |
CN108898563A (zh) | 一种显示面板光学检测图像的处理方法及计算机可读介质 | |
CN111445513A (zh) | 基于深度图像的植株冠层体积获取方法、装置、计算机设备和存储介质 | |
CN113516721B (zh) | 一种基于多相机的测量方法、装置及存储介质 | |
CN113223178B (zh) | 管道选定结构特征参数的确定方法和装置 | |
CN108846856A (zh) | 图片特征点的跟踪方法和跟踪装置 | |
CN107833841A (zh) | 缺陷检测方法 | |
CN110119458B (zh) | 一种网格检索方法及装置 | |
CN114019532A (zh) | 工程进度核查方法及设备 | |
CN110930344A (zh) | 一种目标的质量确定方法、装置、系统及电子设备 | |
CN110853087A (zh) | 一种视差估计方法、装置、存储介质及终端 | |
CN110751657A (zh) | 一种基于三角形覆盖的图像三维分形维数计算方法 | |
CN117372567B (zh) | 一种版图生成方法、装置、设备及介质 | |
CN112881999B (zh) | 一种用于多线激光雷达与视觉传感器的半自动标定方法 | |
CN116500851B (zh) | 3d成像系统及其标定方法、装置、设备和存储介质 | |
CN112683221B (zh) | 一种建筑检测方法和相关装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |