CN110782472A - 点云地面点的识别方法及装置 - Google Patents
点云地面点的识别方法及装置 Download PDFInfo
- Publication number
- CN110782472A CN110782472A CN201910839964.8A CN201910839964A CN110782472A CN 110782472 A CN110782472 A CN 110782472A CN 201910839964 A CN201910839964 A CN 201910839964A CN 110782472 A CN110782472 A CN 110782472A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- detected
- sample
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请的实施例提供了一种点云地面点的识别方法及装置。该点云地面点的识别方法包括:根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合;基于所述样本点集合,建立关于所述样本点集合的平面模型;将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。本申请实施例的技术方案通过平面模型识别地面点,能够有效避免将属于小目标物体的待检测点识别为地面点,以提高地面点识别结果的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种点云地面点的识别方法及装置。
背景技术
点云数据中所包含的地面点会对目标检测的结果造成一定的干扰,因此,在进行目标检测之前需识别并删除点云数据中所包含的地面点。在目前的技术方案中,通过计算预定面积内的点的高度差来识别地面点,会存在将属于小目标物体的点误识别为地面点等情况,使得地面点识别结果的准确率较低,进而会导致地面点误删或者漏删的情况发生。
发明内容
本申请的实施例提供了一种点云地面点的识别方法及装置,进而至少在一定程度上可以提高地面点识别结果的准确率,减少了地面点误删或者漏删的情况。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种点云地面点的识别方法,包括:
根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合;
基于所述样本点集合,建立关于所述样本点集合的平面模型;
将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。
根据本申请实施例的一个方面,提供了一种点云地面点的识别装置,该装置包括:
获取模块,根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合;
模型建立模块,用于基于所述样本点集合,建立关于所述样本点集合的平面模型;
识别模块,用于将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。
在本申请的一些实施例中,基于前述方案,所述获取模块被配置为:将所述点云数据集合中的待检测点按照从低到高的顺序进行排序,得到待检测点序列;并被配置为选取排列在所述待检测点序列中前预定比例的待检测点作为样本点,以得到所述样本点集合。
在本申请的一些实施例中,基于前述方案,所述获取模块还被配置为:从点云数据集合中筛除掉高度高于第一预定高度以及高度低于第二预定高度的待检测点,其中,所述第一预定高度高于所述第二预定高度。
在本申请的一些实施例中,基于前述方案,所述模型建立模块被配置为:基于所述样本点集合中样本点的坐标数据,计算得到与所述样本点的坐标数据相关的协方差矩阵;根据与所述样本点的坐标数据相关的协方差矩阵,计算得到所述协方差矩阵的特征向量;基于所述协方差矩阵的特征向量,建立关于所述样本点集合的平面模型。
在本申请的一些实施例中,基于前述方案,所述模型建立模块被配置为:基于所述协方差矩阵的特征向量,建立如下所示的平面模型:
ax+by+cz+d=0
其中,a、b和c分别对应为所述特征向量中的元素,d为用以判断所述待检测点是否符合平面模型的判定阈值。
在本申请的一些实施例中,基于前述方案,所述识别模块被配置为:根据所述点云数据集合中除所述样本点集合以外的待检测点的坐标数据和所述平面模型,计算得到所述待检测点的判定阈值;将判定阈值小于或等于所述预定阈值的待检测点识别为地面点。
在本申请的一些实施例中,基于前述方案,所述识别模块还被配置为:根据所述样本点集合中样本点的坐标数据以及所述平面模型,计算得到所述样本点对应的判定阈值;对所述样本点对应的判定阈值取绝对值,并将所述样本点对应的判定阈值的绝对值中的最大值作为所述预定阈值。
在本申请的一些实施例中,基于前述方案,所述获取模块还被配置为:根据所述点云数据集合中待检测点的坐标数据,将所述待检测点划分成至少两个第一预定区域,并确定各个第一预定区域对应的待检测点;分别从所述各个第一预定区域的待检测点中获取所述样本点集合;其中,所述模型建立模块还被配置为:根据所述各个第一预定区域对应的样本点集合,分别建立与所述各个第一预定区域对应的平面模型。
在本申请的一些实施例中,基于前述方案,所述识别模块还被配置为:从所述点云数据集合中筛除掉被确定为地面点的待检测点,得到目标点集合;
根据所述目标点集合中所包含的待检测点的坐标数据,将所述目标点集合中所包含的待检测点划分成至少两个第二预定区域,并确定各个第二预定区域对应的待检测点;
根据所述各个所述第二预定区域对应的待检测点的高度差,识别所述目标点集合中的地面点。
根据本申请实施例的一个方面,提供了一种计算机可读介质,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如上述实施例中所述的点云地面点的识别方法。
根据本申请实施例的一个方面,提供了一种电子设备,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时,使得所述一个或多个处理器实现如上述实施例中所述的点云地面点的识别方法。
在本申请的一些实施例所提供的技术方案中,根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合,再基于所述样本点集合,建立关于所述样本点集合的平面模型,并将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。通过基于点云数据集合的样本点集合建立平面模型,再基于所建立的平面模型识别地面点,能够避免出现将属于小目标物体的点识别为地面点等情况,提高了地面点识别结果的准确率,进而减少了地面点误删和漏删的情况发生。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示出了根据本申请的一个实施例的点云地面点的识别方法的流程示意图;
图3示出了根据本申请的一个实施例的图2的点云地面点的识别方法中步骤S210的流程示意图;
图4示出了根据本申请的一个实施例的图2的点云地面点的识别方法中步骤S220的流程示意图;
图5示出了根据本申请的一个实施例的图2的点云地面点的识别方法中步骤S230的流程示意图;
图6示出了根据本申请的一个实施例的点云地面点的识别方法中确定预定阈值的流程示意图;
图7示出了根据本申请的一个实施例的图2的点云地面点的识别方法中获取样本点集合的流程示意图;
图8示出了根据本申请的一个实施例的点云地面点的识别方法还包括的根据高度差进行识别的流程示意图;
图9示出了根据本申请的一个实施例的图8的点云地面点识别方法中步骤S830的流程示意图;
图10示出了根据本申请的一个实施例的点云地面点的识别方法的流程示意图;
图11示出了根据本申请的一个实施例的点云地面点的识别装置的示意框图;
图12示出了适于用来实现本申请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
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种,当然也可以是台式计算机、车载电脑等等)、网络104和服务器105。网络104用以在终端设备和服务器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,例如有线通信链路、无线通信链路等等。
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。比如服务器105可以是多个服务器组成的服务器集群等。
用户可以使用终端设备通过网络104与服务器105交互,以接收或发送信息等。服务器105可以是提供各种服务的服务器。例如服务器105可以根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合,再基于所述样本点集合,建立关于所述样本点集合的平面模型,并将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。
需要说明的是,本申请实施例所提供的点云地面点的识别方法一般由服务器105执行,相应地,点云地面点的识别装置一般设置于服务器105中。但是,在本申请的其它实施例中,终端设备也可以与服务器具有相似的功能,从而执行本申请实施例所提供的点云地面点的识别方法。即终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种,当然也可以是台式计算机、车载电脑等等)也可以根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合,再基于所述样本点集合,建立关于所述样本点集合的平面模型,并将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的点云地面点的识别方法的流程图,该点云地面点的识别方法可以由服务器来执行,该服务器可以是图1中所示的服务器。参照图2所示,该点云地面点的识别方法至少包括步骤S210至步骤S230,详细介绍如下:
在步骤S210中,根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合。
其中,待检测点可以是通过扫描设备(例如激光雷达、3D扫描仪等)进行扫描得出的、以点的形式存在的数据信息。每一待检测点都可具有对应的三维坐标数据,根据每一待检测点的三维坐标数据,即可知道该待检测点对应在空间中的具体位置。
点云数据集合可以是在一次扫描中所产生的多个待检测点的集合。该点云数据集合中可以包含空间中同一目标物体所产生的待检测点,也可以包含不同目标物体所产生的待检测点。
可以理解的是,属于同一目标物体的待检测点,在空间上的分布较为紧密,所以其对应的三维坐标数据也较为接近。因此,可根据待检测点在空间上的分布情况进行目标物体的识别,以识别出空间中的不同目标物体。例如在自动驾驶领域中,需根据激光雷达扫描所产生的点云数据集合进行目标检测,分辨出空间中存在的目标物体,以确定车辆当前的行驶路况,进而实现车辆的自动驾驶。然而在进行目标检测时,地面所产生的待检测点会对目标检测的结果造成影响,因此在进行目标检测之前,需识别出点云数据集合中所包含的地面点并将其进行筛除,以提高目标检测的准确性。
本申请的实施例通过建立平面模型以识别出点云数据集合中的地面点,该样本点集合可以是从点云数据集合中进行选取的、用以建立平面模型的待检测点的集合。
在该实施例中,根据点云数据集合中待检测点的高度,从点云数据集合中选取样本点集合。可以理解地是,所选取的样本点集合中的样本点应该符合空间中地面的特征,例如样本点集合中样本点的高度相比于剩余的其他待检测点的高度较低、样本点集合中的样本点应大致为一个平面等等。因此,根据点云数据集合中待检测点的高度进行选取样本点以得到样本点集合,能够避免将高度过高或者过低的待检测点作为样本点,保证了平面模型的适用性。
请继续参考图2,在步骤S220中,基于所述样本点集合,建立关于所述样本点集合的平面模型。
在该实施例中,根据样本点集合中样本点的三维坐标数据,建立关于样本点集合的平面模型,使得所建立的平面模型能够对该点云数据集合具有针对性,保证点云数据集合中地面点的识别结果。
在步骤S230中,将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。
在该实施例中,在根据样本点集合中的样本点建立的平面模型之后,通过平面模型来识别点云数据集合中除样本点集合以外的待检测点是否为地面点。若除样本点集合以外的待检测点符合该平面模型,即代表着该待检测点的高度与样本点集合中样本点的高度相近,并大致属于同一个平面,符合地面点的特征,因此将该待检测点识别为地面点;若除样本点集合以外的待检测点不符合该平面模型,则代表着该待检测点可能属于目标物体,因此将其识别为非地面点。
在图2所示的实施例中,从点云数据集合中选取样本点集合,基于该样本点集合,建立关于该样本点集合的平面模型。再根据点云数据集合中除样本点集合以外的待检测点是否符合所建立的平面模型,以此识别出点云数据集合中的地面点。能够提高点云数据集合中地面点识别的准确性,避免了将点云数据集合中属于小目标物体的点识别为地面点等情况,进而减少了点云数据集合中地面点误删或漏删的情况发生。
基于图2所示的实施例,图3示出了根据本申请的一个实施例的图2的点云地面点的识别方法中步骤S210的流程示意图。在图3所示的实施例中,该点云地面点的识别方法的步骤S210至少包括步骤S310至步骤S320,详细介绍如下:
在步骤S310中,将所述点云数据集合中的待检测点按照从低到高的顺序进行排序,得到待检测点序列。
在该实施例中,基于点云数据集合中待检测点的三维坐标数据,将点云数据集合中的待检测点按照其对应的Z坐标值(即高度值)从低到高的顺序进行排列,以得到待检测点序列。在该待检测点序列中,高度越高的待检测点的位置越靠后,高度越低的待检测点的位置越靠前。例如待检测点A、B、C和D所对应的Z坐标值分别为-4、6、-5和3,则将待检测点A、B、C和D按照从低到高的顺序进行排序,由于-5<-4<3<6,所以得到的待检测点序列为{C,A,D,B}。
在步骤S320中,选取排列在所述待检测点序列中前预定比例的待检测点作为样本点,以得到所述样本点集合。
其中,预定比例可以为预先配置的,该预定比例可以是10%、20%或者40%等等,本领域的技术人员可以根据实际应用需要对预定比例进行配置,本实施例对此不做特殊限定。
在该实施例中,由于待检测点序列中的待检测点是按照从低到高的顺序进行排列的,所以排列在待检测点序列前预定比例的待检测点即是待检测点中高度最低的前预定比例部分。例如待检测点序列为{C,A,D,B},该待检测点序列具有四个待检测点,预定比例为50%,则所选取的排列在待检测点序列中前50%的待检测点为C和A。
在图3所示的实施例中,将点云数据集合中的待检测点按照从低到高的顺序进行排列得到待检测点序列,再选取排列在待检测点序列前预定比例的待检测点作为样本点以得到样本点集合。使得所选取的样本点能够符合地面的特征(高度低),保证了所选取样本点的正确性,避免了高度过高的待检测点被选为样本点的情况,保证了所建立平面模型的准确性,进而提高后续地面点识别结果的准确性。
基于图2和图3所示的实施例,在本申请的一示例性实施例中,在从点云数据集合中获取样本点集合之前,该点云地面点的识别方法还包括:
从点云数据集合中筛除掉高度高于第一预定高度以及高度低于第二预定高度的待检测点,其中,所述第一预定高度高于所述第二预定高度。
在该实施例中,第一预定高度和第二预定高度可以为预先配置。由于点云数据集合中存在高度过高、明显不是地面点的待检测点,对其进行地面点识别是无意义的。因此,通过第一预定高度的设置,可以筛除掉点云数据集合中高度过高,明显不是地面点的待检测点,大大减少了需要进行检测的待检测点的数量,进而提高了地面点的识别效率,也减少了识别所需的计算功耗。例如第一预定高度为1.5m,则高度高于第一预定高度的待检测点明显不是地面点,所以无需对其进行地面点识别,直接将其进行筛除,以节省计算资源。
在点云数据集合中,也可能存在因为扫描设备而产生的噪声点,该噪声点的出现是无法预测的,位置也是无法预测的,所以其高度可能过高,也可能会过低。因此,对于高度过低的噪声点,可以筛除掉点云数据集合中高度低于第二预定高度的待检测点,以减少可能存在的噪声点对获取样本点集合造成影响。例如高度为-1.5m的待检测点,其明显不可能是地面点,很大可能是扫描设备产生的噪声点,所以无需对其进行地面点检测,可将其从点云数据集合中进行筛除,以减少所需进行识别的待检测点的数量,也保证了所建立的平面模型的准确性。
应该理解的是,待检测点在空间中的位置与其在三维坐标系中的坐标值是对应的。待检测点的高度可以是相对坐标原点的高度,即待检测点在空间中的实际高度可以根据坐标原点的在空间中的实际高度进行确定。例如待检测点相对于坐标原点的高度为-1.5m,坐标原点在空间中的实际高度为1m,则该待检测点在空间中的实际高度为-0.5m,等等。在一示例中,可以将扫描设备所在的位置配置为坐标原点,例如在自动驾驶领域中,车辆上所装载的激光雷达距离地面的高度为1m,则将坐标原点的实际高度也配置为1m,激光雷达的坐标值则为(0,0,0)。
在本申请的一示例性实施例中,第二预定高度可以与扫描设备(例如激光雷达等)在空间中的实际高度相关联,例如第二预定高度可以设置为扫描设备实际高度的负1.5倍,即坐标原点的实际高度为1m,则第二预定高度可以为-1.5m,等等。将第二预定高度与扫描设备的实际高度相关联,使得第二预定高度的设置更具有依据,保证了筛除可能存在的噪声点的准确性,进而减少了噪声点对样本点集合获取的影响,保证了建立的平面模型的准确性。
基于图2和图3所示的实施例,图4示出了根据本申请的一个实施例的图2的点云地面点的识别方法中步骤S220的流程示意图,在图4所示的实施例中,该点云地面点的识别方法的步骤S220至少包括步骤S410至步骤S430,详细介绍如下:
在步骤S410中,基于所述样本点集合中样本点的坐标数据,计算得到与所述样本点的坐标数据相关的协方差矩阵。
在该实施例中,协方差矩阵中的每个元素是各个向量元素之间的协方差。具体地,由于样本点集合中样本点的坐标数据都是三维坐标数据,每一坐标数据中都包括了X坐标值、Y坐标值和Z坐标值。基于所有样本点关于三条坐标轴的坐标值,得到三条坐标轴对应的向量表示,即X=(x1,x2,x3,...,xn),Y=(y1,y2,y3,...,yn)和Z=(z1,z2,z3,...,zn),其中,xi、yi和zi分别为样本点的三维坐标值(i=1、2、3、…、n)。基于该三条坐标轴的向量表示,计算得到各个坐标轴的向量元素之间的协方差,即cov(x,x)、cov(y,y)、cov(z,z)、cov(x,y)、cov(x,z)、cov(y,z)和cov(x,z)。再基于计算得到的协方差,建立与样本点的坐标数据相关的协方差矩阵,即:
在步骤S420中,根据与所述样本点的坐标数据相关的协方差矩阵,计算得到所述协方差矩阵的特征向量。
在该实施例中,基于上述计算得到的协方差矩阵,计算得到该协方差矩阵的特征向量。具体地,根据协方差矩阵计算该协方差矩阵对应的特征多项式,并根据计算该特征多项式所得到的特征值。再将每一个特征值代入原特征多项式中,计算得到的向量即是对应特征值的特征向量。
在步骤S430中,基于所述协方差矩阵的特征向量,建立关于所述样本点集合的平面模型。
在该实施例中,根据计算得到特征向量,建立关于所述样本点集合的平面模型。由于协方差矩阵可以用作表示多维随机变量的概率密度,因此通过计算关于样本点集合中样本点的坐标数据的协方差矩阵,并对应求出该协方差矩阵的特征向量,再基于该特征向量建立平面模型,使得所建立的平面模型能够用以判断点云数据集合中除样本点以外的待检测点与该平面模型的误差大小。若误差过大,则代表着该待检测点不符合该平面模型,即不是地面点。所以通过建立平面模型,能够准确识别出点云数据集合中除样本点以外的待检测点是否为地面点,提高了地面点识别结果的准确性。
基于图2、图3和图4所示的实施例,在本申请的一个实施例中,基于所述协方差矩阵的特征向量,建立关于所述样本点集合的平面模型,包括:
基于所述协方差矩阵的特征向量,建立如下所示的平面模型:
ax+by+cz+d=0
其中,a、b和c分别对应为所述特征向量中的元素,d为用以判断所述待检测点是否符合平面模型的判定阈值。
在该实施例中,a、b和c分别对应为所述特征向量中的元素,例如特征向量ξ=(ξ1,ξ2,ξ3),则a、b和c的值分别对应为ξ1、ξ2和ξ3。基于特征向量中的元素,得到平面模型中a、b和c的值,以此建立平面模型。此时,若将待检测点的三维坐标数据代入平面模型中,则可以对应求出每一个待检测点对应的判定阈值d的值。可将该判定阈值作为待检测点的坐标数据与平面模型之间的误差,误差越大,则代表着该待检测点符合该平面模型的可能性越小。因此根据该判定阈值,即可确定其对应的待检测点是否符合该平面模型,以此可以提高地面点的识别效率。且基于待检测点与平面模型之间的误差大小进行地面点识别,能够保证识别结果的准确率,进而减少地面点误删或者漏删的情况发生。
基于前述实施例,图5示出了根据本申请的一个实施例的图2的点云地面点的识别方法中步骤S230的流程示意图。在图5所示的实施例中,该点云地面点的识别方法中步骤S230至少包括步骤S510至步骤S520,详细介绍如下:
在步骤S510中,根据所述点云数据集合中除所述样本点集合以外的待检测点的坐标数据和所述平面模型,计算得到所述待检测点的判定阈值。
在该实施例中,基于所建立的平面模型,将点云数据集合中除样本点集合以外的待检测点的坐标数据代入该平面模型中,以求出每个待检测点所对应的判定阈值。
在步骤S520中,将判定阈值小于或等于所述预定阈值的待检测点识别为地面点。
在该实施例中,基于每个待检测点所对应的判定阈值,将该判定阈值与预定阈值进行比较。其中,该预定阈值可以为预先配置。若判定阈值大于预定阈值,则代表着该判定阈值对应的待检测点与平面模型的误差较大,该待检测点为地面点的可能性较低,所以将其识别为非地面点。若判定阈值小于或等于预定阈值,则代表着该判定阈值对应的待检测点与平面模型的误差较小,该待检测点为地面点的可能性较高,所以将其识别为地面点。
需要说明的是,由于计算得到的判定阈值可能为正数或者负数,因此,为了比较判定阈值与预定阈值的大小,需要将计算所得到的判定阈值进行取绝对值,以保证比较结果的正确性。
在图5所示的实施例中,基于所建立的平面模型,计算点云数据集合中除样本点集合以外的待检测点所对应的判定阈值,再将计算得到的判定阈值与预定阈值相比较,根据比较结果识别出符合该平面模型的地面点,以此能够提高地面点识别结果的准确率,进而减少点云数据集合中地面点误删或漏删的情况发生。
基于图2、图3、图4和图5所示的实施例,图6示出了根据本申请的一个实施例的点云地面点的识别方法中确定预定阈值的流程示意图。在图6所示的实施例中,该点云地面点的识别方法中确定预定阈值至少包括步骤S610至步骤S620,详细介绍如下:
在步骤S610中,根据所述样本点集合中样本点的坐标数据以及所述平面模型,计算得到所述样本点对应的判定阈值。
在该实施例中,基于所建立的平面模型,将样本点集合中样本点的坐标数据代入该平面模型中,计算得到每一样本点所对应的判定阈值。
在步骤S620中,对所述样本点对应的判定阈值取绝对值,并将所述样本点对应的判定阈值的绝对值中的最大值作为所述预定阈值。
在该实施例中,将计算所得到的样本点对应的判定阈值进行取绝对值,并从样本点对应的判定阈值的绝对值中选取最大值作为预定阈值。能够保证预定阈值设置的合理性,避免主观设置使得预定阈值偏高或者偏低,进而导致地面点识别结果的准确率较低,造成地面点误删或者漏删的情况发生。
基于图2所示的实施例,图7示出了根据本申请的一个实施例的图2的点云地面点的识别方法中获取样本点集合的流程示意图。在图7所示的实施例中,该点云地面点的识别方法中获取样本点集合至少包括步骤S710至步骤S720,详细介绍如下:
在步骤S710中,根据所述点云数据集合中待检测点的坐标数据,将所述待检测点划分成至少两个第一预定区域,并确定各个第一预定区域对应的待检测点。
在该实施例中,第一预定区域可以是预先设置的。根据待检测点的坐标数据,将待检测点划分成至少两个第一预定区域,则各个第一预定区域对应的待检测点总合即是该点云数据集合。可以理解的是,第一预定区域的数量可以是两个、三个或四个等,本领域的技术人员可以根据实际应用需求进行设置(例如点云数据集合涉及的区域越大,则第一预定区域的数量越多,等等),本示例对此不做特殊限定。
在本申请的一示例中,将待检测点划分成至少两个第一预定区域,可以是根据待检测点的X坐标值将待检测点进行划分。例如点云数据集合中待检测点的X坐标值的范围为(-50,50),将待检测点划分成两个第一预定区域,可以是将X坐标值介于(-50,0)之间的待检测点划分成一个第一预定区域,将X坐标值介于[0,50)之间的待检测点划分成另一第一预定区域,即可得到各个第一预定区域对应的待检测点。
在本申请的另一示例中,将待检测点划分成至少两个第一预定区域,也可以是根据待检测点的Y坐标值将待检测点进行划分,例如点云数据集合中待检测点的Y坐标值的范围为(-50,50),将待检测点划分成两个第一预定区域,可以是将Y坐标值介于(-50,0)之间的待检测点划分成一个第一预定区域,将Y坐标值介于[0,50)之间的待检测点划分成另一第一预定区域,即可得到各个第一预定区域对应的待检测点。
在本申请的又一示例中,在自动驾驶领域中,基于待检测点的坐标数据,可以将待检测点沿车辆的前进方向划分成至少两个第一预定区域。车辆行进的道路可能存在上坡或者下坡的情况,因此将待检测点按照车辆的前进方向划分成多个第一预定区域,对不同第一预定区域建立不同的平面模型,能够避免由于道路的坡度较陡,使用单一平面模型进行识别会导致将地面点误识别为非地面点的情况发生,进而提高了地面点识别结果的准确性。
在步骤S720中,分别从所述各个第一预定区域的待检测点中获取所述样本集合。
在该实施例中,基于第一预定区域的划分,从各个第一预定区域对应的待检测点中选取样本点集合,以得到每一第一预定区域对应的样本点集合。
在本申请的一示例性实施例中,基于所述样本点集合,建立关于所述样本点集合的平面模型,包括:
根据所述各个第一预定区域对应的样本点集合,分别建立与所述各个第一预定区域对应的平面模型。
在该实施例中,将点云数据集合中的待检测点划分成不同的第一预定区域,并从各个第一预定区域对应的待检测点中获取样本点集合,再根据各个第一预定区域对应的样本点集合分别建立不同的平面模型。对应于不同的第一预定区域建立多个平面模型,再基于所建立的平面模型对不同第一预定区域内的待检测点进行识别,能够有效避免由于点云数据集合所涉及的区域过大,导致地面点识别不准确的情况发生。例如在足够长度的路面上,即使坡度很小,该路面两端的高度差也可以达到一定的高度,通过单一的平面模型对其进行识别,则可能将路面高度较高一端的待检测点识别为非地面点。造成地面点的漏删。
因此,对应于不同的第一预定区域建立不同的平面模型,能够避免单一模型参数对地面点识别造成的影响,不同第一预定区域建立不同的平面模型,不同的平面模型采用不同的模型参数,进而提高地面点识别结果的准确率,能够减少地面点误删或漏删的情况发生。
基于前述实施例,图8示出了根据本申请的一个实施例的点云地面点的识别方法还包括的根据高度差进行识别的流程示意图。在图8所示的实施例中,该点云地面点的识别方法还至少包括步骤S810至步骤S820,详细介绍如下:
在步骤S810中,从所述点云数据集合中筛除掉被确定为地面点的待检测点,得到目标点集合。
在该实施例中,将通过平面模型识别出的地面点从点云数据集合中进行筛除,从而得到目标点集合。具体地,在通过平面模型识别地面点时,根据不同的识别结果,可对应赋予待检测点不同的标识信息。在进行筛除时,可将点云数据集合中具有对应于地面点的标识信息的待检测点进行筛除,得到目标点集合。
在步骤S820中,根据所述目标点集合中所包含的待检测点的坐标数据,将所述目标点集合中所包含的待检测点划分成至少两个第二预定区域,并确定各个第二预定区域对应的待检测点。
其中,第二预定区域可以是预先配置的,多个第二预定区域多对应的待检测点的总合即为目标点集合。
在步骤S830中,根据所述各个所述第二预定区域对应的待检测点的高度差,识别所述目标点集合中的地面点。
在该实施例中,第二预定区域对应的待检测点的高度差可以是第二预定区域对应的待检测点中最高点和最低点的高度之差。根据第二预定区域对应的待检测点的高度差,可以识别出目标点集合中的地面点。具体地,若第二预定区域对应的待检测点的高度差较大,则表示该第二预定区域对应的待检测点不符合斜面的特征,该第二预定区域对应的待检测点可能存在属于目标物体的点;若第二预定区域对应的待检测点的高度差较小,则表示该第二预定区域对应的待检测点符合斜面的特征,可能是因为地面的倾斜度而造成了高度差,所以可以将高度差较小的第二预定区域范围内的待检测点确定为地面点。
应该理解的是,为了计算各个第二预定区域对应的待检测点的高度差,则应该基于X坐标值和Y坐标值对待检测点进行划分(例如将目标带点集合中的待检测点划分成水平方向上的多个栅格,即分割成多个第二预定区域,等等),若根据待检测点的Z坐标值进行划分,则对第二预定区域的划分会限制该第二预定区域对应的待检测点的高度差,是无计算意义的。
在图8所示的实施例中,在使用平面模型对点云数据集合中的待检测点进行识别之后,将通过平面模型识别出的地面点从点云数据集合中进行筛除以得到目标点集合。将目标点集合中的待检测点划分成多个第二预定区域,并根据各个第二预定区域对应的待检测点的高度差,识别出目标点集合中的地面点,多次识别可以保证地面点识别结果的全面性,同时根据高度差进行识别地面点,也能够有效筛除掉坡度较大的地面点,进而减少了地面点漏删或误删的情况发生,保证了地面点识别结果的准确率。
基于图8所示的实施例,图9示出了根据本申请的一个实施例的图8的点云地面点识别方法中步骤S830的流程示意图,在图9所示的实施例中,该点云地面点的识别方法中步骤S830至少包括步骤S910至步骤S930,详细介绍如下:
在步骤S910中,选取所述第二预定区域对应的待检测点中的最低点和最高点。
在该实施例中,根据待检测点的坐标数据,可以选取第二预定区域对应的待检测点中Z坐标值最小的和最大的两个待检测点。具体地,可以将第二预定区域对应的待检测点按照从低到高的顺序进行排序,选取排列在第一位和最后一位的待检测点。
在步骤S920中,根据所述最低点和所述最高点的坐标数据,计算所述最低点和所述最高点所在的直线与水平面之间的夹角。
在该实施例中,计算最低点和最高点所在的直线与水平面之间的夹角,该夹角可用作判定该第二预定区域是否符合坡面模型的依据。具体地,计算最低点和最高点所在的直线与水平面之间的夹角,可以先过最高点作水平面的垂线,其中,该水平面与最低点和最高点所在的直线相交于最低点。再计算得到最低点到该垂线的距离,以及该垂线的长度(即最低点和最高点之间的高度差),利用反三角函数即可计算出最低点和最高点所在的直线与水平面之间的夹角。
在步骤S930中,若所述夹角小于预定角度,则确定所述第二预定区域对应的待检测点为地面点。
在该实施例中,预定角度可以是预先设定的,例如该预定角度可以是25°、30°或45°等等。将最低点和最高点所在的直线与水平面之间的夹角和预定角度相比较,如果该夹角大于预定角度,则表示该第二预定区域对应的待检测点的高度差过大,坡度较陡,地面上出现这种坡度的可能性较低,所以可以将该第二预定区域对应的待检测点识别为非地面点;如果该夹角小于预定角度,则表示该第二预定区域对应的待检测点的高度差较小,坡度较缓,为地面点的可能性比较大,所以可以将该第二预定区域对应的待检测点识别为地面点。
在图9所示的实施例中,通过计算第二预定区域对应的待检测点中过最低点和最高点的直线与平面的夹角,并将其与预定角度相比较,能够得知该第二预定区域对应的待检测点的坡度是缓或陡。根据该夹角进行识别地面点,能够准确识别出具有坡度的地面点,进而保证了地面点识别结果的准确性,减少了地面点误删或漏删的情况发生。
基于上述实施例的技术方案,以下介绍本申请实施例的一个具体应用场景:
请参考图10,图10示出了根据本申请的一个实施例的点云地面点的识别方法的流程示意图。在图10所示的实施例中,该点云地面点的识别方法至少包括步骤S1010至步骤S1070,详细介绍如下:
在步骤S1010中,从点云数据集合中筛除掉高度高于第一预定高度以及高度低于第二预定高度的待检测点,其中,所述第一预定高度高于所述第二预定高度。
在步骤S1020中,根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合。
在步骤S1030中,基于所述样本点集合,建立关于所述样本点集合的平面模型。
在步骤S1040中,将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。
在步骤S1050中,从所述点云数据集合中筛除掉被确定为地面点的待检测点,得到目标点集合。
在步骤S1060中,根据所述目标点集合中所包含的待检测点的坐标数据,将所述目标点集合中所包含的待检测点划分成至少两个第二预定区域,并确定各个第二预定区域对应的待检测点。
在步骤S1070中,根据所述各个所述第二预定区域对应的待检测点的高度差,识别所述目标点集合中的地面点。
在该实施例中,从点云数据集合中筛除掉高度高于第一预定高度以及高度低于第二预定高度的待检测点,能够筛除掉点云数据集合中明显不是地面点的待检测点,减少需要进行识别的待检测点,提高识别效率。在筛除之后,从剩下的点云数据集合中选取样本点集合,以基于该样本点集合建立相关的平面模型,再通过该平面模型识别出点云数据集合中除样本点集合以外的待检测点中的地面点,能够有效避免将属于小目标物体的待检测点识别为地面点的情况,进而提高地面点识别结果的准确性。
再将平面模型所识别出的地面点从点云数据集合中进行筛除,得到目标点集合,将目标点集合中的待检测点划分成多个第二预定区域,根据各个第二预定区域对应的待检测点的高度差,以识别目标点集合中的地面点,能够有效识别出具有坡度的地面点。经过二次识别,提高了地面点识别的全面性,进而减少了地面点误删或漏删的情况发生。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的点云地面点的识别方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的点云地面点的识别方法的实施例。
图11示出了根据本申请的一个实施例的点云地面点的识别装置的框图。
参照图11所示,根据本申请的一个实施例的点云地面点的识别装置,包括:
获取模块1110,根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合;
模型建立模块1120,用于基于所述样本点集合,建立关于所述样本点集合的平面模型;
识别模块1130,用于将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。
在本申请的一些实施例中,基于前述方案,所述获取模块1110被配置为:将所述点云数据集合中的待检测点按照从低到高的顺序进行排序,得到待检测点序列;并被配置为选取排列在所述待检测点序列中前预定比例的待检测点作为样本点,以得到所述样本点集合。
在本申请的一些实施例中,基于前述方案,所述获取模块1110还被配置为:从点云数据集合中筛除掉高度高于第一预定高度以及高度低于第二预定高度的待检测点,其中,所述第一预定高度高于所述第二预定高度。
在本申请的一些实施例中,基于前述方案,所述模型建立模块1120被配置为:基于所述样本点集合中样本点的坐标数据,计算得到与所述样本点的坐标数据相关的协方差矩阵;根据与所述样本点的坐标数据相关的协方差矩阵,计算得到所述协方差矩阵的特征向量;基于所述协方差矩阵的特征向量,建立关于所述样本点集合的平面模型。
在本申请的一些实施例中,基于前述方案,所述模型建立模块1120被配置为:基于所述协方差矩阵的特征向量,建立如下所示的平面模型:
ax+by+cz+d=0
其中,a、b和c分别对应为所述特征向量中的元素,d为用以判断所述待检测点是否符合平面模型的判定阈值。
在本申请的一些实施例中,基于前述方案,所述识别模块1130被配置为:根据所述点云数据集合中除所述样本点集合以外的待检测点的坐标数据和所述平面模型,计算得到所述待检测点的判定阈值;将判定阈值小于或等于所述预定阈值的待检测点识别为地面点。
在本申请的一些实施例中,基于前述方案,所述识别模块1130还被配置为:根据所述样本点集合中样本点的坐标数据以及所述平面模型,计算得到所述样本点对应的判定阈值;对所述样本点对应的判定阈值取绝对值,并将所述样本点对应的判定阈值的绝对值中的最大值作为所述预定阈值。
在本申请的一些实施例中,基于前述方案,所述获取模块1110还被配置为:根据所述点云数据集合中待检测点的坐标数据,将所述待检测点划分成至少两个第一预定区域,并确定各个第一预定区域对应的待检测点;分别从所述各个第一预定区域的待检测点中获取所述样本点集合;其中,所述模型建立模块还被配置为:根据所述各个第一预定区域对应的样本点集合,分别建立与所述各个第一预定区域对应的平面模型。
在本申请的一些实施例中,基于前述方案,所述识别模块1130还被配置为:从所述点云数据集合中筛除掉被确定为地面点的待检测点,得到目标点集合;
根据所述目标点集合中所包含的待检测点的坐标数据,将所述目标点集合中所包含的待检测点划分成至少两个第二预定区域,并确定各个第二预定区域对应的待检测点;
根据所述各个所述第二预定区域对应的待检测点的高度差,识别所述目标点集合中的地面点。
图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图12示出的电子设备的计算机系统仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统包括中央处理单元(Central Processing Unit,CPU)1201,其可以根据存储在只读存储器(Read-Only Memory,ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RandomAccess Memory,RAM)1203中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1203中,还存储有系统操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(Input/Output,I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,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1210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1208。
特别地,根据本申请的实施例,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,本申请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计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例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(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,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。而在本申请中,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计算机程序。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计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。其中,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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种点云地面点的识别方法,其特征在于,包括:
根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合;
基于所述样本点集合,建立关于所述样本点集合的平面模型;
将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。
2.根据权利要求1所述的识别方法,其特征在于,根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合,包括:
将所述点云数据集合中的待检测点按照从低到高的顺序进行排序,得到待检测点序列;
选取排列在所述待检测点序列中前预定比例的待检测点作为样本点,以得到所述样本点集合。
3.根据权利要求1所述的识别方法,其特征在于,在从点云数据集合中获取样本点集合之前,还包括:
从点云数据集合中筛除掉高度高于第一预定高度以及高度低于第二预定高度的待检测点,其中,所述第一预定高度高于所述第二预定高度。
4.根据权利要求1所述的识别方法,其特征在于,基于所述样本点集合,建立关于所述样本点集合的平面模型,包括:
基于所述样本点集合中样本点的坐标数据,计算得到与所述样本点的坐标数据相关的协方差矩阵;
根据与所述样本点的坐标数据相关的协方差矩阵,计算得到所述协方差矩阵的特征向量;
基于所述协方差矩阵的特征向量,建立关于所述样本点集合的平面模型。
5.根据权利要求4所述的识别方法,其特征在于,基于所述协方差矩阵的特征向量,建立关于所述样本点集合的平面模型,包括:
基于所述协方差矩阵的特征向量,建立如下所示的平面模型:
ax+by+cz+d=0
其中,a、b和c分别对应为所述特征向量中的元素,d为用以判断所述待检测点是否符合平面模型的判定阈值。
6.根据权利要求5所述的识别方法,其特征在于,将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点,包括:
根据所述点云数据集合中除所述样本点集合以外的待检测点的坐标数据和所述平面模型,计算得到所述待检测点的判定阈值;
将判定阈值小于或等于所述预定阈值的待检测点识别为地面点。
7.根据权利要求6所述的识别方法,其特征在于,还包括:
根据所述样本点集合中样本点的坐标数据以及所述平面模型,计算得到所述样本点对应的判定阈值;
对所述样本点对应的判定阈值取绝对值,并将所述样本点对应的判定阈值的绝对值中的最大值作为所述预定阈值。
8.根据权利要求1所述的识别方法,其特征在于,从点云数据集合中获取样本点集合,包括:
根据所述点云数据集合中待检测点的坐标数据,将所述待检测点划分成至少两个第一预定区域,并确定各个第一预定区域对应的待检测点;
分别从所述各个第一预定区域的待检测点中获取所述样本点集合;
其中,基于所述样本点集合,建立关于所述样本点集合的平面模型,包括:
根据所述各个第一预定区域对应的样本点集合,分别建立与所述各个第一预定区域对应的平面模型。
9.根据权利要求1所述的识别方法,其特征在于,还包括:
从所述点云数据集合中筛除掉被确定为地面点的待检测点,得到目标点集合;
根据所述目标点集合中所包含的待检测点的坐标数据,将所述目标点集合中所包含的待检测点划分成至少两个第二预定区域,并确定各个第二预定区域对应的待检测点;
根据所述各个所述第二预定区域对应的待检测点的高度差,识别所述目标点集合中的地面点。
10.一种点云地面点的识别装置,其特征在于,包括:
获取模块,根据点云数据集合中待检测点的高度,从点云数据集合中获取样本点集合;
模型建立模块,用于基于所述样本点集合,建立关于所述样本点集合的平面模型;
识别模块,用于将所述点云数据集合中除所述样本点集合以外的且符合所述平面模型的待检测点识别为地面点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910839964.8A CN110782472B (zh) | 2019-09-05 | 2019-09-05 | 点云地面点的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910839964.8A CN110782472B (zh) | 2019-09-05 | 2019-09-05 | 点云地面点的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782472A true CN110782472A (zh) | 2020-02-11 |
CN110782472B CN110782472B (zh) | 2022-06-07 |
Family
ID=69383573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910839964.8A Active CN110782472B (zh) | 2019-09-05 | 2019-09-05 | 点云地面点的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782472B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111427059A (zh) * | 2020-03-20 | 2020-07-17 | 燕山大学 | 一种车前地形检测方法及系统 |
CN113744323A (zh) * | 2021-08-11 | 2021-12-03 | 深圳蓝因机器人科技有限公司 | 点云数据处理方法和装置 |
CN114581361A (zh) * | 2021-06-28 | 2022-06-03 | 广州极飞科技股份有限公司 | 物体形态测量方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130188861A1 (en) * | 2012-01-19 | 2013-07-25 | Samsung Electronics Co., Ltd | Apparatus and method for plane detection |
CN104463856A (zh) * | 2014-11-25 | 2015-03-25 | 大连理工大学 | 基于法向量球的室外场景三维点云数据的地面提取方法 |
CN105701478A (zh) * | 2016-02-24 | 2016-06-22 | 腾讯科技(深圳)有限公司 | 杆状地物提取的方法和装置 |
CN106225665A (zh) * | 2016-09-29 | 2016-12-14 | 中国冶集团有限公司 | 室内结构面平整度检测装置及方法 |
CN106530380A (zh) * | 2016-09-20 | 2017-03-22 | 长安大学 | 一种基于三维激光雷达的地面点云分割方法 |
CN107545596A (zh) * | 2017-08-31 | 2018-01-05 | 西安理工大学 | 一种点云模型最优切割平面的提取方法 |
CN107918753A (zh) * | 2016-10-10 | 2018-04-17 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
CN108460333A (zh) * | 2018-01-19 | 2018-08-28 | 北京华捷艾米科技有限公司 | 基于深度图的地面检测方法及装置 |
CN109359614A (zh) * | 2018-10-30 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 一种激光点云的平面识别方法、装置、设备和介质 |
CN109684921A (zh) * | 2018-11-20 | 2019-04-26 | 吉林大学 | 一种基于三维激光雷达的道路边界检测与跟踪方法 |
-
2019
- 2019-09-05 CN CN201910839964.8A patent/CN110782472B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130188861A1 (en) * | 2012-01-19 | 2013-07-25 | Samsung Electronics Co., Ltd | Apparatus and method for plane detection |
CN104463856A (zh) * | 2014-11-25 | 2015-03-25 | 大连理工大学 | 基于法向量球的室外场景三维点云数据的地面提取方法 |
CN105701478A (zh) * | 2016-02-24 | 2016-06-22 | 腾讯科技(深圳)有限公司 | 杆状地物提取的方法和装置 |
CN106530380A (zh) * | 2016-09-20 | 2017-03-22 | 长安大学 | 一种基于三维激光雷达的地面点云分割方法 |
CN106225665A (zh) * | 2016-09-29 | 2016-12-14 | 中国冶集团有限公司 | 室内结构面平整度检测装置及方法 |
CN107918753A (zh) * | 2016-10-10 | 2018-04-17 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
CN107545596A (zh) * | 2017-08-31 | 2018-01-05 | 西安理工大学 | 一种点云模型最优切割平面的提取方法 |
CN108460333A (zh) * | 2018-01-19 | 2018-08-28 | 北京华捷艾米科技有限公司 | 基于深度图的地面检测方法及装置 |
CN109359614A (zh) * | 2018-10-30 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 一种激光点云的平面识别方法、装置、设备和介质 |
CN109684921A (zh) * | 2018-11-20 | 2019-04-26 | 吉林大学 | 一种基于三维激光雷达的道路边界检测与跟踪方法 |
Non-Patent Citations (3)
Title |
---|
MY YANG等: "Plane detection in point cloud data", 《PROCEEDINGS OF THE 2ND INT CONF ON MACHINE CONTROL GUIDANCE》 * |
李宝顺等: "基于平面提取的点云数据分割算法", 《计算机应用与软件》 * |
李茁等: "复杂环境下的激光雷达目标物实时检测方法", 《激光杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111427059A (zh) * | 2020-03-20 | 2020-07-17 | 燕山大学 | 一种车前地形检测方法及系统 |
CN111427059B (zh) * | 2020-03-20 | 2022-02-11 | 燕山大学 | 一种车前地形检测方法及系统 |
CN114581361A (zh) * | 2021-06-28 | 2022-06-03 | 广州极飞科技股份有限公司 | 物体形态测量方法、装置、设备及存储介质 |
CN114581361B (zh) * | 2021-06-28 | 2023-03-07 | 广州极飞科技股份有限公司 | 物体形态测量方法、装置、设备及存储介质 |
CN113744323A (zh) * | 2021-08-11 | 2021-12-03 | 深圳蓝因机器人科技有限公司 | 点云数据处理方法和装置 |
CN113744323B (zh) * | 2021-08-11 | 2023-12-19 | 深圳蓝因机器人科技有限公司 | 点云数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110782472B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
CN110782472B (zh) | 点云地面点的识别方法及装置 | |
CN106997466B (zh) | 用于检测道路的方法和装置 | |
CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
CN113869293B (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
CN110225366B (zh) | 视频数据处理及广告位确定方法、装置、介质及电子设备 | |
CN109711508B (zh) | 图像处理方法和装置 | |
CN111242097A (zh) | 一种人脸识别方法、装置、计算机可读介质及电子设备 | |
CN109189876B (zh) | 一种数据处理方法及装置 | |
JP2022540101A (ja) | ポジショニング方法及び装置、電子機器、コンピュータ読み取り可能な記憶媒体 | |
CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
CN111738319A (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN115296984A (zh) | 异常网络节点的检测方法及装置、设备、存储介质 | |
CN113239136B (zh) | 一种数据处理方法、装置、设备及介质 | |
CN113808134B (zh) | 油罐布局信息生成方法、装置、电子设备、介质 | |
CN113628256B (zh) | 一种数据处理方法和装置 | |
CN113111692B (zh) | 目标检测方法、装置、计算机可读存储介质及电子设备 | |
CN115471477A (zh) | 扫描数据的去噪方法、扫描方法、装置、设备和介质 | |
CN113947154A (zh) | 一种目标检测方法、系统、电子设备及存储介质 | |
CN111476886A (zh) | 智慧建筑楼宇三维模型渲染方法及楼宇云服务器 | |
CN112926356B (zh) | 一种目标跟踪方法和装置 | |
CN114647761A (zh) | 图像帧处理方法及装置、设备、计算机可读存储介质 | |
CN115659167A (zh) | 多特征库合并方法及装置、设备、计算机可读存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221019 Address after: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. Patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd. Address before: 518000 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 Floors Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |