CN110533055A - 一种点云数据的处理方法和装置 - Google Patents
一种点云数据的处理方法和装置 Download PDFInfo
- Publication number
- CN110533055A CN110533055A CN201810516128.1A CN201810516128A CN110533055A CN 110533055 A CN110533055 A CN 110533055A CN 201810516128 A CN201810516128 A CN 201810516128A CN 110533055 A CN110533055 A CN 110533055A
- Authority
- CN
- China
- Prior art keywords
- cloud data
- point cloud
- individual
- target individual
- moving distance
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种点云数据的处理方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:对点云数据集合的多帧点云数据分别进行聚类,得到对应的聚类结果;计算每个所述聚类结果中每个目标个体的中心点,以确定所述目标个体的移动距离;将所述移动距离与预设阈值进行比较,以根据比较结果识别所述目标个体的动静态。该方法通过对多帧点云数据分别进行聚类,并计算聚类结果中每个目标个体的中心点,以确定出目标个体的移动距离,进而根据该移动距离识别出目标个体的动静态,识别效率高、准确率高。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种点云数据的处理方法和装置。
背景技术
无人驾驶车辆利用扫描设备,如激光雷达、摄像头等,扫描道路以及周边环境,获取驾驶环境所需的点云数据,之后将扫描设备、全球定位系统(Global PositioningSystem,GPS)和惯性测量单元(Inertial Measurement Unit,IMU)等设备的数据融合,构建出高精度地图。其中,高精度地图相比于普通的电子地图而言,精度更高、所包含的目标地物更为丰富,用于为无人驾驶车辆提供先验地图,能够辅助其进行定位和导航。
在构建高精度地图的过程中,如果道路上的动态目标过多,会在地图中留下很多拖影,严重影响无人驾驶车辆的定位和导航。因此,去除动态目标点云是制作高精度地图的一个很重要的过程。现有技术中通常采用深度学习的方式,从点云数据中识别出动态目标,之后进行去除。
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:深度学习所需的训练样本,要很好的符合点云数据集合的特点;训练样本需要大量人员进行人工标注,工作量大、效率低;训练所需的硬件环境要求高;因为遮挡、距离较远等原因,导致点云数据中许多动态目标无法识别。
发明内容
有鉴于此,本发明实施例提供一种点云数据的处理方法和装置,通过多帧点云数据分别进行聚类,并计算聚类结果中每个目标个体的中心点,以确定出目标个体的移动距离,进而根据该移动距离识别出目标个体的动静态,识别效率高、准确率高。
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处理方法。
本发明实施例的一种点云数据的处理方法,包括:对点云数据集合的多帧点云数据分别进行聚类,得到对应的聚类结果;计算每个所述聚类结果中每个目标个体的中心点,以确定所述目标个体的移动距离;将所述移动距离与预设阈值进行比较,以根据比较结果识别所述目标个体的动静态。
可选地,所述对点云数据集合的多帧点云数据分别进行聚类,包括:去除每帧点云数据的地面点,对去除地面点后的每帧点云数据分别进行聚类。
可选地,所述确定所述目标个体的移动距离,包括:将相邻两帧点云数据对应的相同目标个体的中心点做差,以得到对应的差值;将所有的所述差值求和,将求和结果作为所述目标个体的移动距离。
可选地,所述确定所述目标个体的移动距离,包括:将每个分析单元的相邻两帧点云数据对应的相同目标个体的中心点做差,以得到对应的差值;其中,所述分析单元为所述点云数据集合的多帧点云数据;将归属于一个所述分析单元所有的所述差值求和,将求和结果作为所述分析单元的目标个体的移动距离。
可选地,所述根据比较结果识别所述目标个体的动静态,包括:当所述移动距离小于等于所述阈值时,所述目标个体为静态目标个体;当所述移动距离大于所述阈值时,所述目标个体为动态目标个体。
可选地,所述根据比较结果识别所述目标个体的动静态的步骤之后,还包括:在所述点云数据集合中查找出所述动态目标个体的点集,之后进行滤除。
可选地,所述根据比较结果识别所述目标个体的动静态的步骤之后,还包括:当获取到最新帧点云数据时,对所述最新帧点云数据进行聚类,以计算聚类结果中每个目标个体的中心点;将所述最新帧点云数据中当前目标个体的中心点,与所述最新帧点云数据的前一帧点云数据中所有所述目标个体的中心点做差;将在预设邻域半径范围内的,且差值最小的中心点对应的所述目标个体的动静态,作为所述当前目标个体的动静态。
为实现上述目的,根据本发明实施例的另一方面,提供了一种点云数据的处理装置。
本发明实施例的一种点云数据的处理装置,包括:聚类模块,用于对点云数据集合的多帧点云数据分别进行聚类,得到对应的聚类结果;确定模块,用于计算每个所述聚类结果中每个目标个体的中心点,以确定所述目标个体的移动距离;识别模块,用于将所述移动距离与预设阈值进行比较,以根据比较结果识别所述目标个体的动静态。
可选地,所述聚类模块,还用于:去除每帧点云数据的地面点,对去除地面点后的每帧点云数据分别进行聚类。
可选地,所述确定模块,还用于:将相邻两帧点云数据对应的相同目标个体的中心点做差,以得到对应的差值;以及将所有的所述差值求和,将求和结果作为所述目标个体的移动距离。
可选地,所述确定模块,还用于:将每个分析单元的相邻两帧点云数据对应的相同目标个体的中心点做差,以得到对应的差值;其中,所述分析单元为所述点云数据集合的多帧点云数据;以及将归属于一个所述分析单元所有的所述差值求和,将求和结果作为所述分析单元的目标个体的移动距离。
可选地,所述识别模块,还用于:当所述移动距离小于等于所述阈值时,所述目标个体为静态目标个体;以及当所述移动距离大于所述阈值时,所述目标个体为动态目标个体。
可选地,所述装置还包括:滤除模块,用于在所述点云数据集合中查找出所述动态目标个体的点集,之后进行滤除。
可选地,所述装置还包括:实时分析模块,用于当获取到最新帧点云数据时,对所述最新帧点云数据进行聚类,以计算聚类结果中每个目标个体的中心点;将所述最新帧点云数据中当前目标个体的中心点,与所述最新帧点云数据的前一帧点云数据中所有所述目标个体的中心点做差;以及将在预设邻域半径范围内的,且差值最小的中心点对应的所述目标个体的动静态,作为所述当前目标个体的动静态。
为实现上述目的,根据本发明实施例的再一方面,提供了一种电子设备。
本发明实施例的一种电子设备,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实现本发明实施例的一种点云数据的处理方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读介质。
本发明实施例的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实现本发明实施例的一种点云数据的处理方法。
上述发明中的一个实施例具有如下优点或有益效果:通过对多帧点云数据分别进行聚类,并计算聚类结果中每个目标个体的中心点,以确定出目标个体的移动距离,进而根据该移动距离识别出目标个体的动静态,识别效率高、准确率高;去除地面点能够减少每帧点云数据的数据量,在不影响地图构建效果的前提下,有效的提高了目标个体的识别效率;根据相邻两帧点云数据中相同目标个体的中心点的差值,来计算该目标个体的移动距离,进而由该移动距离确定目标个体的静动态,简单方便,动静态识别准确率高;将当前获取的最新帧点云数据中的目标个体,与前一帧点云数据的目标个体进行对比分析,以找出最新帧点云数据中的动态目标个体,进而能够实时去除最新帧点云数据中的动态目标个体。
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处理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处理方法的主要流程示意图;
图3为本发明实施例的聚类以及确定目标个体的移动距离的主要流程示意图;
图4是根据本发明实施例的点云数据的处理装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适用于来实现本发明实施例的电子设备的计算机装置的结构示意图。
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。
下面对本发明实施例中涉及到的词语进行解释。
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灰度值等。
点云强度信息,在激光雷达扫描得到的点云数据中,每种目标地物所对应的激光反射强度值不一样,这些反射强度值即为点云强度信息。
图1是根据本发明实施例的点云数据的处理方法的主要步骤的示意图。如图1所示,本发明实施例的点云数据的处理方法,主要包括如下步骤:
步骤S101:对点云数据集合的多帧点云数据分别进行聚类,得到对应的聚类结果。使用扫描设备,如激光雷达等,获取周围环境的点云数据集合。对每帧点云数据进行聚类时,可采用K-means、基于密度的聚类算法(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)等聚类算法实现。每帧点云数据的聚类结果中包括至少一个目标个体,所述目标个体可以为行人、树木、车辆等。
步骤S102:计算每个所述聚类结果中每个目标个体的中心点,以确定所述目标个体的移动距离。计算每个聚类结果中,每个目标个体外包围框的几何中心,将该几何中心作为对应目标个体的中心点。确定所述目标个体的移动距离的具体实现为:将相邻两帧点云数据对应的所述目标个体的中心点做差,以得到对应的差值;之后将所有的所述差值求和,将求和结果作为所述目标个体的移动距离。
步骤S103:将所述移动距离与预设阈值进行比较,以根据比较结果识别所述目标个体的动静态。其中,所述阈值为略大于0或者等于0的数值,其具体取值根据实际需求确定。当所述移动距离小于等于所述阈值时,所述目标个体为静态目标个体;当所述移动距离大于所述阈值时,所述目标个体为动态目标个体。
图2是根据本发明实施例的点云数据的处理方法的主要流程示意图。如图2所示,本发明实施例的点云数据的处理方法,主要包括如下步骤:
步骤S201:获取单帧点云数据集合,将每n帧点云数据作为一个分析单元。实施例中,使用激光雷达(比如三维激光雷达velodyne),扫描获取周围环境的单帧点云数据集合。该三维激光雷达水平安装在数据采集车的车顶,当激光光线扫描到周围物体时,即可返回该物体表面激光点(采样点)处的三维坐标信息和点云强度信息,这些三维坐标信息和点云强度信息构成一个点云数据。如此持续扫描,即可获取连续的点云数据集合。
一个分析单元中点云数据的帧数n为整数,可以取1、2、3、4、5等。实际应用中,n的取值需根据目标个体的行驶速度来确定。对于行驶缓慢的目标个体,比如行人,一个分析单元的点云数据帧数越多,该目标个体就会有明显的移动距离,越容易分析。对于行驶迅速的目标个体,比如车辆,该目标个体在相邻两帧点云数据中可能就会有明显的移动距离,此时n可取1。
实际应用中,由于每个目标个体的行驶速度有大有小,对于行驶速度小的目标个体,仅通过计算帧数较少的(比如两帧)点云数据对应中心点的移动距离,可能会将其错误识别为静态目标个体。本发明实施例中,根据目标个体的行驶速度,预先将点云数据集合的所有帧点云数据划分成多个分析单元,通过后续的聚类、确定移动距离、识别的过程,可以得到每个分析单元的目标个体的动静态。当采集到最新帧点云数据时,即可以根据当前最后一个分析单元的目标个体的动静态,来判断最新帧点云数据的目标个体的动静态。
步骤S202:去除每个所述分析单元中每帧点云数据的地面点,对去除地面点后的每帧点云数据分别进行聚类,得到对应的聚类结果。地面点在采集到的点云数据集合中占有很大的比重,但是地面点的存在对于地图的构建效果影响不大,去除地面点能够减少每帧点云数据的数据量,在不影响地图构建效果的前提下,有效的提高了目标个体的识别效率。实施例中,使用形态学滤波算法、格网最低点等方式去除每帧点云数据的地面点。对去除地面点后的每帧点云数据进行聚类时,可采用K-means、DBSCAN等聚类算法实现。在聚类算法中可以使用欧式距离、曼哈顿距离等计算相似度。每帧点云数据的聚类结果,比如是车辆、行人、树木、建筑物、立杆等。
步骤S203:计算每个所述聚类结果中每个目标个体的中心点,以确定所述目标个体的移动距离。将聚类结果中的车辆、行人、树木、建筑物、立杆等,作为单独的目标个体。实施例中,将每个目标个体外包围框的几何中心作为对应目标个体的中心点。
由于激光雷达采集的相邻两帧点云数据的时间间隔很短(10-2数量级,单位为秒),且相同目标个体在不同帧中的位置是连续变化的,因此,相邻两帧点云数据中,聚类结果相同且中心点位置挨着的两个目标个体为相同目标个体,且相邻两个目标个体之间不可能有其他的目标个体。比如,假设第一帧点云数据从左到右的聚类结果为行人、车辆、树木,则第二帧点云数据的聚类结果中,与第一帧点云数据的行人、车辆、树木的中心点位置相近处也会有同样的行人、车辆、树木。因此,可以通过将相邻两帧点云数据对应的聚类结果中相同目标个体的中心点做差,来确定该目标个体的移动距离。
一个分析单元中可能有两帧点云数据或者大于两帧点云数据,下面对这两种情况下如何确定目标个体的移动距离进行详细说明。
(1)一个分析单元中有两帧点云数据:将每个分析单元中,两帧点云数据对应的相同目标个体的中心点做差,得到对应的差值;之后将所有的所述差值求和,将求和结果作为所述目标个体的移动距离。
(2)一个分析单元中的点云数据大于两帧:将每个分析单元中,相邻两帧点云数据对应的相同目标个体的中心点做差,得到对应的差值;之后将归属于一个分析单元所有的所述差值求和,将求和结果作为对应分析单元的所述目标个体的移动距离。
下面对当前采集到的点云数据集合中包括多个分析单元,且每个分析单元中有多帧点云数据时,步骤S202和步骤S203的具体实现过程进行详细说明。
图3为本发明实施例的聚类以及确定目标个体的移动距离的主要流程示意图。如图3所示,本发明实施例的聚类以及确定目标个体的移动距离的实现过程,主要包括以下步骤:
步骤S301:在所述点云数据集合的所有分析单元中选取一个分析单元,将选取的所述分析单元作为当前分析单元;
步骤S302:在所述当前分析单元中选取一帧点云数据,将选取的所述点云数据作为当前帧点云数据;
步骤S303:使用形态学滤波算法精准去除所述当前帧点云数据的地面点,对去除地面点后的所述当前帧点云数据进行聚类,以获得到聚类结果;
步骤S304:计算所述聚类结果中每个目标个体的外包围框的几何中心,将所述几何中心作为所述目标个体的中心点;
步骤S305:判断所述当前帧点云数据是否为所述分析单元的最后一帧点云数据,如果不是,则执行步骤S306;如果是,则执行步骤S307;
步骤S306:在所述分析单元中选取下一帧点云数据,将所述下一帧点云数据作为所述当帧点云数据,执行步骤S303;
步骤S307:根据计算出的中心点,确定每个所述目标个体的移动距离;
步骤S308:判断所述当前分析单元是否为所有分析单元的最后一个分析单元,如果不是,则执行步骤S309;如果是,则结束本流程;
步骤S309:在所有分析单元中选取下一分析单元,将所述下一分析单元作为所述当前分析单元,执行步骤S302。
步骤S204:分别将每个所述分析单元的所述目标个体的移动距离与预设阈值进行比较,以根据比较结果识别每个所述分析单元的所述目标个体的动静态。静态目标个体在不同点云数据中的位置相同,动态目标个体在不同点云数据中的位置不同。不同帧计算出的相同目标个体的中心点可能会有偏差,因此,所述阈值可以设置为略大于0或者等于0的数值。通过将每个分析单元中每个目标个体的移动距离与所述阈值进行比较,识别出每个分析单元中每个目标个体的动静态。
在一优选的实施例中,所述预设阈值为0,假设当前点云数据集合中有两帧点云数据,目标个体A在第一帧点云数据的中心点为a,在第二帧点云数据的中心点为b,则目标个体A的移动距离为|b-a|,如果|b-a|=0,则说明目标个体A为静态目标个体;如果|b-a|≠0,则说明目标个体A为动态目标个体。
在另一优选的实施例中,假设当前点云数据集合中有三帧点云数据,目标个体A在第一帧点云数据的中心点为a,在第二帧点云数据的中心点为b,在第三帧点云数据的中心点为c,则目标个体A的移动距离为|b-a|+|c-b|,如果|b-a|+|c-b|=0,则说明目标个体A为静态目标个体;如果|b-a|+|c-b|≠0,则说明目标个体A为动态目标个体。
步骤S205:在所述点云数据集合中查找出所述动态目标个体的点集,之后进行滤除。将识别出的静态目标个体在点云数据集合中做标记,之后将点云数据集合中未被标记的目标个体(即动态目标个体)进行删除。
步骤S206:当获取到最新帧点云数据时,去除所述最新帧点云数据的地面点,对去除地面点后的最新帧点云数据进行聚类,得到对应的聚类结果。实施例中,同样使用形态学滤波算法、格网最低点等方式,去除最新帧点云数据的地面点。对去除地面点后的最新帧点云数据进行聚类时,也可采用K-means、DBSCAN等聚类算法实现。
步骤S207:计算步骤S206得到的聚类结果中每个目标个体的中心点。实施例中,将最新帧点云数据中,每个目标个体外包围框的几何中心作为对应目标个体的中心点。
步骤S208:将所述最新帧点云数据中当前目标个体的中心点,与所述最新帧点云数据的前一帧点云数据中所有所述目标个体的中心点做差。假设最新帧点云数据为第n+1帧点云数据,前一帧点云数据为第n帧点云数据,第n+1帧点云数据的当前目标个体的中心点为q,第n帧点云数据的所有目标个体A、B、C、D的中心点分别为e、f、m,w,则|e-q|、|f-q|、|m-q|、|w-q|即为第n+1帧点云数据的当前目标个体的中心点与第n帧点云数据的所有目标个体的中心点的差值。
步骤S209:将在预设邻域半径范围内的,且差值最小的中心点对应的所述目标个体的动静态,作为所述当前目标个体的动静态。其中,所述邻域半径根据目标个体的行驶速度来确定,比如行人,行驶速度小,邻域半径设置相对较小;比如车辆,行驶速度大,邻域半径设置相对较大。假设邻域半径范围为1~2厘米,|e-q|=1.8厘米、|f-q|=0、|m-q|=1.2厘米、|w-q|=15厘米,则第n帧点云数据中,目标个体C的动静态即为第n+1帧点云数据中当前目标个体的动静态。按照步骤S208和步骤S209的执行过程,即可识别所述最新帧点云数据中所有目标个体的动静态。
步骤S210:在所述最新帧点云数据中,查找出步骤S209识别的所有动态目标个体的点集,之后进行滤除。将识别出的静态目标个体在最新帧点云数据中做标记,之后将最新帧点云数据中未被标记的目标个体(即动态目标个体)进行删除。
步骤S206至步骤S210用于将当前获取的最新帧点云数据中的目标个体,与步骤S201至步骤S204使用分析单元分析出的动态目标个体进行对比分析,以找出最新帧点云数据中的动态目标个体,并进行实时滤除。
通过本发明实施例的点云数据的处理方法可以看出,通过对多帧点云数据分别进行聚类,并计算聚类结果中每个目标个体的中心点,以确定出目标个体的移动距离,进而根据该移动距离识别出目标个体的动静态,识别效率高、准确率高;去除地面点能够减少每帧点云数据的数据量,在不影响地图构建效果的前提下,有效的提高了目标个体的识别效率;根据相邻两帧点云数据中相同目标个体的中心点的差值,来计算该目标个体的移动距离,进而由该移动距离确定目标个体的静动态,简单方便,动静态识别准确率高;将当前获取的最新帧点云数据中的目标个体,与前一帧点云数据的目标个体进行对比分析,以找出最新帧点云数据中的动态目标个体,进而能够实时去除最新帧点云数据中的动态目标个体。
图4是根据本发明实施例的点云数据的处理装置的主要模块的示意图。如图4所示,本发明实施例的点云数据的处理装置400,主要包括:
聚类模块401,用于对点云数据集合的多帧点云数据分别进行聚类,得到对应的聚类结果。使用扫描设备,如激光雷达等,获取周围环境的点云数据集合。对每帧点云数据进行聚类时,可采用K-means、DBSCAN等聚类算法实现。每帧点云数据的聚类结果中包括至少一个目标个体,所述目标个体可以为行人、树木、车辆等。
确定模块402,用于计算每个所述聚类结果中每个目标个体的中心点,以确定所述目标个体的移动距离。计算每个聚类结果中,每个目标个体外包围框的几何中心,将该几何中心作为对应目标个体的中心点。确定所述目标个体的移动距离的具体实现为:将相邻两帧点云数据对应的所述目标个体的中心点做差,以得到对应的差值;之后将所有的所述差值求和,将求和结果作为所述目标个体的移动距离。
识别模块403,用于将所述移动距离与预设阈值进行比较,以根据比较结果识别所述目标个体的动静态。其中,所述阈值为略大于0或者等于0的数值,其具体取值根据实际需求确定。当所述移动距离小于等于所述阈值时,所述目标个体为静态目标个体;当所述移动距离大于所述阈值时,所述目标个体为动态目标个体。
另外,本发明实施例的点云数据的处理装置400还可以包括:滤除模块和实时分析模块(图4中未示出)。其中,所述滤除模块,用于在所述点云数据集合中查找出所述动态目标个体的点集,之后进行滤除。所述实时分析模块,用于当获取到最新帧点云数据时,对所述最新帧点云数据进行聚类,以计算聚类结果中每个目标个体的中心点;将所述最新帧点云数据中当前目标个体的中心点,与所述最新帧点云数据的前一帧点云数据中所有所述目标个体的中心点做差;以及将在预设邻域半径范围内的,且差值最小的中心点对应的所述目标个体的动静态,作为所述当前目标个体的动静态。
从以上描述可以看出,通过对多帧点云数据分别进行聚类,并计算聚类结果中每个目标个体的中心点,以确定出目标个体的移动距离,进而根据该移动距离识别出目标个体的动静态,识别效率高、准确率高;去除地面点能够减少每帧点云数据的数据量,在不影响地图构建效果的前提下,有效的提高了目标个体的识别效率;根据相邻两帧点云数据中相同目标个体的中心点的差值,来计算该目标个体的移动距离,进而由该移动距离确定目标个体的静动态,简单方便,动静态识别准确率高;将当前获取的最新帧点云数据中的目标个体,与前一帧点云数据的目标个体进行对比分析,以找出最新帧点云数据中的动态目标个体,进而能够实时去除最新帧点云数据中的动态目标个体。
图5示出了可以应用本发明实施例的点云数据的处理方法或点云数据的处理装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503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501、502、503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505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站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产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的点云数据的处理方法一般由服务器505执行,相应地,点云数据的处理装置一般设置于服务器505中。
应该理解,图5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计算机可读介质。
本发明的电子设备包括: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实现本发明实施例的一种点云数据的处理方法。
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实施例的一种点云数据的处理方法。
下面参考图6,其示出了适用于来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6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6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有计算机系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
特别地,根据本发明公开的实施例,上文主要步骤图描述的过程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主要步骤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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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:一种处理器包括聚类模块、确定模块和识别模块。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,聚类模块还可以被描述为“对点云数据集合的多帧点云数据分别进行聚类,得到对应的聚类结果的模块”。
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:对点云数据集合的多帧点云数据分别进行聚类,得到对应的聚类结果;计算每个所述聚类结果中每个目标个体的中心点,以确定所述目标个体的移动距离;将所述移动距离与预设阈值进行比较,以根据比较结果识别所述目标个体的动静态。
从以上描述可以看出,通过对多帧点云数据分别进行聚类,并计算聚类结果中每个目标个体的中心点,以确定出目标个体的移动距离,进而根据该移动距离识别出目标个体的动静态,识别效率高、准确率高;去除地面点能够减少每帧点云数据的数据量,在不影响地图构建效果的前提下,有效的提高了目标个体的识别效率;根据相邻两帧点云数据中相同目标个体的中心点的差值,来计算该目标个体的移动距离,进而由该移动距离确定目标个体的静动态,简单方便,动静态识别准确率高;将当前获取的最新帧点云数据中的目标个体,与前一帧点云数据的目标个体进行对比分析,以找出最新帧点云数据中的动态目标个体,进而能够实时去除最新帧点云数据中的动态目标个体。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
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)
1.一种点云数据的处理方法,其特征在于,包括:
对点云数据集合的多帧点云数据分别进行聚类,得到对应的聚类结果;
计算每个所述聚类结果中每个目标个体的中心点,以确定所述目标个体的移动距离;
将所述移动距离与预设阈值进行比较,以根据比较结果识别所述目标个体的动静态。
2.根据权利要求1所述的方法,其特征在于,所述对点云数据集合的多帧点云数据分别进行聚类,包括:去除每帧点云数据的地面点,对去除地面点后的每帧点云数据分别进行聚类。
3.根据权利要求1所述的方法,其特征在于,所述确定所述目标个体的移动距离,包括:
将相邻两帧点云数据对应的相同目标个体的中心点做差,以得到对应的差值;
将所有的所述差值求和,将求和结果作为所述目标个体的移动距离。
4.根据权利要求1所述的方法,其特征在于,所述确定所述目标个体的移动距离,包括:
将每个分析单元的相邻两帧点云数据对应的相同目标个体的中心点做差,以得到对应的差值;其中,所述分析单元为所述点云数据集合的多帧点云数据;
将归属于一个所述分析单元所有的所述差值求和,将求和结果作为所述分析单元的目标个体的移动距离。
5.根据权利要求1所述的方法,其特征在于,所述根据比较结果识别所述目标个体的动静态,包括:
当所述移动距离小于等于所述阈值时,所述目标个体为静态目标个体;
当所述移动距离大于所述阈值时,所述目标个体为动态目标个体。
6.根据权利要求5所述的方法,其特征在于,所述根据比较结果识别所述目标个体的动静态的步骤之后,还包括:在所述点云数据集合中查找出所述动态目标个体的点集,之后进行滤除。
7.根据权利要求1至6的任一项所述的方法,其特征在于,所述根据比较结果识别所述目标个体的动静态的步骤之后,还包括:
当获取到最新帧点云数据时,对所述最新帧点云数据进行聚类,以计算聚类结果中每个目标个体的中心点;
将所述最新帧点云数据中当前目标个体的中心点,与所述最新帧点云数据的前一帧点云数据中所有所述目标个体的中心点做差;
将在预设邻域半径范围内的,且差值最小的中心点对应的所述目标个体的动静态,作为所述当前目标个体的动静态。
8.一种点云数据的处理装置,其特征在于,包括:
聚类模块,用于对点云数据集合的多帧点云数据分别进行聚类,得到对应的聚类结果;
确定模块,用于计算每个所述聚类结果中每个目标个体的中心点,以确定所述目标个体的移动距离;
识别模块,用于将所述移动距离与预设阈值进行比较,以根据比较结果识别所述目标个体的动静态。
9.根据权利要求8所述的装置,其特征在于,所述聚类模块,还用于:去除每帧点云数据的地面点,对去除地面点后的每帧点云数据分别进行聚类。
10.根据权利要求8所述的装置,其特征在于,所述确定模块,还用于:
将相邻两帧点云数据对应的相同目标个体的中心点做差,以得到对应的差值;以及
将所有的所述差值求和,将求和结果作为所述目标个体的移动距离。
11.根据权利要求8所述的装置,其特征在于,所述确定模块,还用于:
将每个分析单元的相邻两帧点云数据对应的相同目标个体的中心点做差,以得到对应的差值;其中,所述分析单元为所述点云数据集合的多帧点云数据;以及
将归属于一个所述分析单元所有的所述差值求和,将求和结果作为所述分析单元的目标个体的移动距离。
12.根据权利要求8所述的装置,其特征在于,所述识别模块,还用于:
当所述移动距离小于等于所述阈值时,所述目标个体为静态目标个体;以及
当所述移动距离大于所述阈值时,所述目标个体为动态目标个体。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括:滤除模块,用于在所述点云数据集合中查找出所述动态目标个体的点集,之后进行滤除。
14.根据权利要求8至13的任一项所述的装置,其特征在于,所述装置还包括:实时分析模块,用于
当获取到最新帧点云数据时,对所述最新帧点云数据进行聚类,以计算聚类结果中每个目标个体的中心点;
将所述最新帧点云数据中当前目标个体的中心点,与所述最新帧点云数据的前一帧点云数据中所有所述目标个体的中心点做差;以及
将在预设邻域半径范围内的,且差值最小的中心点对应的所述目标个体的动静态,作为所述当前目标个体的动静态。
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1-7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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810516128.1A CN110533055B (zh) | 2018-05-25 | 2018-05-25 | 一种点云数据的处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810516128.1A CN110533055B (zh) | 2018-05-25 | 2018-05-25 | 一种点云数据的处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533055A true CN110533055A (zh) | 2019-12-03 |
CN110533055B CN110533055B (zh) | 2022-04-26 |
Family
ID=68656963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810516128.1A Active CN110533055B (zh) | 2018-05-25 | 2018-05-25 | 一种点云数据的处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533055B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111045010A (zh) * | 2019-12-17 | 2020-04-21 | 珠海云洲智能科技有限公司 | 一种基于船载雷达的环境重建方法及装置 |
CN111443359A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 定位方法、装置及设备 |
CN111551947A (zh) * | 2020-05-28 | 2020-08-18 | 东软睿驰汽车技术(沈阳)有限公司 | 激光点云定位方法、装置、设备及系统 |
CN111582352A (zh) * | 2020-04-30 | 2020-08-25 | 上海高仙自动化科技发展有限公司 | 基于对象的感知方法、装置、机器人及存储介质 |
CN111813120A (zh) * | 2020-07-10 | 2020-10-23 | 北京林业大学 | 机器人的移动目标的识别方法、装置和电子设备 |
CN111932943A (zh) * | 2020-10-15 | 2020-11-13 | 深圳市速腾聚创科技有限公司 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
CN112816959A (zh) * | 2021-01-14 | 2021-05-18 | 森思泰克河北科技有限公司 | 用于车辆的聚类方法、装置、设备和存储介质 |
CN113298950A (zh) * | 2021-05-13 | 2021-08-24 | 京东鲲鹏(江苏)科技有限公司 | 一种物体属性的确定方法、装置、电子设备和存储介质 |
CN113776544A (zh) * | 2020-06-10 | 2021-12-10 | 杭州海康威视数字技术股份有限公司 | 一种点云地图更新方法、装置、电子设备及定位系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955948A (zh) * | 2014-04-03 | 2014-07-30 | 西北工业大学 | 一种动态环境下的空间运动目标检测方法 |
CN104897161A (zh) * | 2015-06-02 | 2015-09-09 | 武汉大学 | 基于激光测距的室内平面地图制图方法 |
CN105260988A (zh) * | 2015-09-09 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种高精地图数据的处理方法和装置 |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
CN107341819A (zh) * | 2017-05-09 | 2017-11-10 | 深圳市速腾聚创科技有限公司 | 目标跟踪方法及存储介质 |
CN107610177A (zh) * | 2017-09-29 | 2018-01-19 | 联想(北京)有限公司 | 一种同步定位与地图构建中确定特征点的方法和设备 |
CN110309240A (zh) * | 2018-03-14 | 2019-10-08 | 北京京东尚科信息技术有限公司 | 去除动态目标的方法和装置 |
-
2018
- 2018-05-25 CN CN201810516128.1A patent/CN110533055B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955948A (zh) * | 2014-04-03 | 2014-07-30 | 西北工业大学 | 一种动态环境下的空间运动目标检测方法 |
CN104897161A (zh) * | 2015-06-02 | 2015-09-09 | 武汉大学 | 基于激光测距的室内平面地图制图方法 |
CN105260988A (zh) * | 2015-09-09 | 2016-01-20 | 百度在线网络技术(北京)有限公司 | 一种高精地图数据的处理方法和装置 |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
CN107341819A (zh) * | 2017-05-09 | 2017-11-10 | 深圳市速腾聚创科技有限公司 | 目标跟踪方法及存储介质 |
CN107610177A (zh) * | 2017-09-29 | 2018-01-19 | 联想(北京)有限公司 | 一种同步定位与地图构建中确定特征点的方法和设备 |
CN110309240A (zh) * | 2018-03-14 | 2019-10-08 | 北京京东尚科信息技术有限公司 | 去除动态目标的方法和装置 |
Non-Patent Citations (1)
Title |
---|
CANBEN YIN ET AL: "Removing Dynamic 3D Objects from Point Clouds of a Moving RGB-D Camera", 《PROCEEDING OF THE 2015 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111045010A (zh) * | 2019-12-17 | 2020-04-21 | 珠海云洲智能科技有限公司 | 一种基于船载雷达的环境重建方法及装置 |
CN111443359A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 定位方法、装置及设备 |
CN111443359B (zh) * | 2020-03-26 | 2022-06-07 | 达闼机器人股份有限公司 | 定位方法、装置及设备 |
CN111582352A (zh) * | 2020-04-30 | 2020-08-25 | 上海高仙自动化科技发展有限公司 | 基于对象的感知方法、装置、机器人及存储介质 |
CN111582352B (zh) * | 2020-04-30 | 2023-06-27 | 上海高仙自动化科技发展有限公司 | 基于对象的感知方法、装置、机器人及存储介质 |
CN111551947A (zh) * | 2020-05-28 | 2020-08-18 | 东软睿驰汽车技术(沈阳)有限公司 | 激光点云定位方法、装置、设备及系统 |
CN113776544A (zh) * | 2020-06-10 | 2021-12-10 | 杭州海康威视数字技术股份有限公司 | 一种点云地图更新方法、装置、电子设备及定位系统 |
CN111813120A (zh) * | 2020-07-10 | 2020-10-23 | 北京林业大学 | 机器人的移动目标的识别方法、装置和电子设备 |
CN111932943B (zh) * | 2020-10-15 | 2021-05-14 | 深圳市速腾聚创科技有限公司 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
CN111932943A (zh) * | 2020-10-15 | 2020-11-13 | 深圳市速腾聚创科技有限公司 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
CN112816959A (zh) * | 2021-01-14 | 2021-05-18 | 森思泰克河北科技有限公司 | 用于车辆的聚类方法、装置、设备和存储介质 |
CN112816959B (zh) * | 2021-01-14 | 2022-05-31 | 森思泰克河北科技有限公司 | 用于车辆的聚类方法、装置、设备和存储介质 |
CN113298950A (zh) * | 2021-05-13 | 2021-08-24 | 京东鲲鹏(江苏)科技有限公司 | 一种物体属性的确定方法、装置、电子设备和存储介质 |
CN113298950B (zh) * | 2021-05-13 | 2024-04-19 | 京东鲲鹏(江苏)科技有限公司 | 一种物体属性的确定方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110533055B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533055A (zh) | 一种点云数据的处理方法和装置 | |
CN109671103A (zh) | 目标跟踪方法及装置 | |
US9098744B2 (en) | Position estimation device, position estimation method, and program | |
CN110717918B (zh) | 行人检测方法和装置 | |
CN108491816A (zh) | 在视频中进行目标跟踪的方法和装置 | |
CN108280477A (zh) | 用于聚类图像的方法和装置 | |
CN110349158A (zh) | 一种处理点云数据的方法和装置 | |
CN110378175A (zh) | 道路边沿的识别方法和装置 | |
CN108764319A (zh) | 一种样本分类方法和装置 | |
US10380454B2 (en) | Identifying a visual center of a polygon | |
CN110309240A (zh) | 去除动态目标的方法和装置 | |
CN108182253A (zh) | 用于生成信息的方法和装置 | |
CN110689804A (zh) | 用于输出信息的方法和装置 | |
CN112651266A (zh) | 行人检测方法和装置 | |
CN110163900A (zh) | 用于调整点云数据方法和装置 | |
CN110727740B (zh) | 关联分析方法及装置、计算机设备与可读介质 | |
CN114003613A (zh) | 高精地图车道线更新方法、装置、电子设备以及存储介质 | |
CN110263209A (zh) | 用于生成信息的方法和装置 | |
CN111046895A (zh) | 一种确定目标区域的方法和装置 | |
CN109300139A (zh) | 车道线检测方法和装置 | |
CN110443899A (zh) | 用于处理数据的方法和装置 | |
CN109960959A (zh) | 用于处理图像的方法和装置 | |
CN114328785A (zh) | 提取道路信息的方法和装置 | |
CN110378173A (zh) | 一种确定道路边界线的方法和装置 | |
CN108376177B (zh) | 用于处理信息的方法和分布式系统 |
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 |