路面点云数据提取方法、装置、存储介质及电子设备
技术领域
本公开涉及数据处理领域,具体地,涉及一种路面点云数据提取方法、装置、存储介质及电子设备。
背景技术
高精地图是指高精度、精细化定义的地图,其精度需要达到分米级才能够区分各个车道,而精细化定义,则是需要格式化存储交通场景中的各种交通要素,包括传统地图的道路网数据、车道网络数据、车道线以和交通标志等数据。用于构建高精地图的原始数据一般是经过数据处理后的点云数据,目前一种主流的获取用于构建高精地图的方法是通过专业的高精地图采集车使用工业级激光雷达(Lidar)扫描道路环境获取点云数据,使用工业级摄像头获取全景图,之后通过结合点云数据和全景图的数据,对原始点云数据进行数据清洗,矢量抽取,数据处理等过程,最终输出道路完整的矢量数据。
道路信息检测是构建高精地图的关键前提。以道路本身的路网为例,从采集车采集的路面点云提取的矢量数据包括地面油漆矢量:例如实线,虚线,地面箭头的轮廓等。通过算法能对这些原始矢量数据进行强语义加工,加工后的强语义数据可以区分车道线,道路边界线,箭头标识等,并且进一步可以加工成一段完整的道路。
在上述的强语义加工过程中,若得到高程数据的辅助,相当于在二维平面的基础上,增加第三维的高度信息,此举将显著提高加工后的结果准确性、帮助高精地图还原得更加真实并扩大应用范围。因此,路面高程信息采集是道路信息检测的重要组成部分。为提高工作效率,如何基于原始的点云数据,自动化采集路面点云数据及相应的高程信息就成为高精地图构建中一个十分重要的问题。
发明内容
本公开的目的是提供一种路面点云数据提取方法、装置、存储介质及电子设备,能够从原始采集到的点云数据中、尤其是在车载设备采集到的点云数据中自动将路面相关的点云数据提取出来,且提取出来的点云数据中还包括了经过平滑后的路面高程信息,进而能够大大提高高精地图的生成效率。
为了实现上述目的,本公开提供一种路面点云数据提取方法,所述方法包括:
获取点云数据中每个采样点的三维坐标,所述三维坐标包括X轴坐标、Y轴坐标和Z轴坐标,其中,所述Z轴坐标用于表示路面的高度;
根据每个所述采样点的三维坐标将所述采样点中不属于路面的所述采样点滤除,以得到过滤后的点云数据;
对过滤后的所述点云数据中每个所述采样点的Z轴坐标进行平滑处理,将该平滑处理后的点云数据作为目标路面点云数据。
可选地,所述方法还包括:
根据所述X轴坐标和所述Y轴坐标将所述点云数据进行格网化,以得到包括所述点云数据中的所有所述采样点的多个连续格网,每个所述格网中分别包括所述点云数据中的一个或多个所述采样点。
可选地,所述根据每个所述采样点的三维坐标将所述采样点中不属于路面的所述采样点滤除包括:
根据每个所述采样点的三维坐标,分别计算每个所述格网中的所述采样点所能构成的平面的第一法向量,与所述Z轴向量之间的夹角;
若所述格网所对应的所述夹角大于第一预设阈值,则判定所述格网中的所述采样点不属于路面。
可选地,所述根据每个所述采样点的三维坐标,分别计算每个所述格网中的所述采样点所能构成的平面的第一法向量包括:
根据每个所述采样点的三维坐标,计算每个所述格网的格网质心坐标;
分别计算每个所述格网中的每个所述采样点与所述格网质心连接所构成的第一向量,与所述Z轴向量的向量积;
分别获取所述向量积和与之对应的所述第一向量所构成的平面的第二法向量;
将每个所述格网中的所有所述第二法向量的平均向量作为所述格网中的所述采样点所能构成的平面的所述第一法向量。
可选地,所述根据每个所述采样点的三维坐标将所述采样点中不属于路面的所述采样点滤除还包括:
计算每个所述格网中的所述采样点所能构成的平面的第一法向量分别与该格网中的所有所述第一向量的点积;
若所述格网中所包括的所有点积之和大于第二预设阈值,则判定所述格网中的所述采样点不属于路面。
可选地,所述根据每个所述采样点的三维坐标将所述采样点中不属于路面的所述采样点滤除还包括:
根据所述格网中的所述采样点的三维坐标对所述格网进行聚类;
将所述聚类后得到的每个类别中所包括的所述采样点的个数不满足预设条件的所述类别中的所述采样点判定为不属于路面的采样点。
可选地,所述对过滤后的所述点云数据中每个所述采样点的Z轴坐标进行平滑处理包括:
通过对所述采样点的所述Z轴坐标进行高斯滤波以实现所述平滑处理。
本公开还提供一种路面点云数据提取装置,所述装置包括:
获取模块,用于获取点云数据中每个采样点的三维坐标,所述三维坐标包括X轴坐标、Y轴坐标和Z轴坐标,其中,所述Z轴坐标用于表示路面的高度;
过滤模块,用于根据每个所述采样点的三维坐标将所述采样点中不属于路面的所述采样点滤除,以得到过滤后的点云数据;
平滑模块,用于对过滤后的所述点云数据中每个所述采样点的Z轴坐标进行平滑处理,将该平滑处理后的点云数据作为目标路面点云数据。
可选地,所述装置还包括:
格网化模块,用于根据所述X轴坐标和所述Y轴坐标将所述点云数据进行格网化,以得到包括所述点云数据中的所有所述采样点的多个连续格网,每个所述格网中分别包括所述点云数据中的一个或多个所述采样点。
可选地,所述过滤模块包括:
第一计算子模块,用于根据每个所述采样点的三维坐标,分别计算每个所述格网中的所述采样点所能构成的平面的第一法向量,与所述Z轴向量之间的夹角;
第一判定子模块,用于若所述格网所对应的所述夹角大于第一预设阈值,则判定所述格网中的所述采样点不属于路面。
可选地,所述第一计算子模块包括:
第二计算子模块,用于根据每个所述采样点的三维坐标,计算每个所述格网的格网质心坐标;
第三计算子模块,用于分别计算每个所述格网中的每个所述采样点与所述格网质心连接所构成的第一向量,与所述Z轴向量的向量积;
第四计算子模块,用于分别获取所述向量积和与之对应的所述第一向量所构成的平面的第二法向量;
第五计算子模块,用于将每个所述格网中的所有所述第二法向量的平均向量作为所述格网中的所述采样点所能构成的平面的所述第一法向量。
可选地,所述过滤模块还包括:
第六计算子模块,用于计算每个所述格网中的所述采样点所能构成的平面的第一法向量分别与该格网中的所有所述第一向量的点积;
第二判定子模块,用于若所述格网中所包括的所有点积之和大于第二预设阈值,则判定所述格网中的所述采样点不属于路面。
可选地,所述过滤模块还包括:
聚类子模块,用于根据所述格网中的所述采样点的三维坐标对所述格网进行聚类;
第三判定子模块,用于将所述聚类后得到的每个类别中所包括的所述采样点的个数不满足预设条件的所述类别中的所述采样点判定为不属于路面的采样点。
可选地,所述平滑模块包括:
滤波子模块,用于通过对所述采样点的所述Z轴坐标进行高斯滤波以实现所述平滑处理。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以上所述路面点云数据提取方法的步骤。
本公开还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现以上所述路面点云数据提取方法的步骤。
通过上述技术方案,能够从原始采集到的点云数据中、尤其是由车载设备采集到的点云数据中自动将路面相关的点云数据提取出来,且提取出来的目标路面点云数据中还包括了经过平滑之后的路面高程信息,因此根据上述技术方案提取出来的目标路面点云数据,能够为高精地图的生成提供其所需的路面高程数据,为高精地图语义生成流程提供了强有力的支持,大大提高了点云数据的利用效率,大大提高了高精度图的生成效率,特别适用于车载设备采集到的点云数据,能够使得点云数据的利用率和高精地图的生成效率进一步大大提高。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开一示例性实施例示出的一种路面点云数据提取方法的流程图。
图2是根据本公开又一示例性实施例示出的一种路面点云数据提取方法的流程图。
图3是根据本公开又一示例性实施例示出的一种路面点云数据提取方法的流程图。
图4是根据本公开又一示例性实施例示出的一种路面点云数据提取方法中计算格网中的采样点所能构成的平面的第一法向量的方法的流程图。
图5是根据本公开一示例性实施例示出的一种路面点云数据提取装置的结构框图。
图6是根据本公开又一示例性实施例示出的一种路面点云数据提取装置的结构框图。
图7是电子设备的一种结构示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据本公开一示例性实施例示出的一种路面点云数据提取方法的流程图。如图1所示,所述方法包括步骤101至步骤103。
在步骤101中,获取点云数据中每个采样点的三维坐标,所述三维坐标包括X轴坐标、Y轴坐标和Z轴坐标,其中,所述Z轴坐标用于表示路面的高度。该点云数据可以为通过激光测量原理得到的点云数据,也可以为通过摄影测量原理得到的点云数据,或者还可以是结合激光测量和摄影测量原理得到的点云数据。例如,可以是通过激光雷达来获取到的点云数据,该激光雷达可以为车载激光雷达。该点云数据中包括的信息可以根据获取的方式的不同而不同,但无论根据何种原理和方式获得的点云数据,其中都包括每个采样点的三维坐标信息,该三维坐标包括X轴坐标、Y轴坐标和Z轴坐标,用Z轴坐标来表示要提取的路面的高度,即每个采样点的Z轴坐标即为该采样点的高程信息。
在步骤102中,根据每个所述采样点的三维坐标将所述采样点中不属于路面的所述采样点滤除,以得到过滤后的点云数据。根据点云数据中每个采样点的三维坐标,能够判断该采样点是否属于路面。例如,可以通过判断该采样点与其周围的其他采样点的结构关系是否满足构成路面的条件,或者判断点云数据中的某一部分采样点所构成的平面是否满足构成路面的条件,其中,构成路面的条件可以为多种预设条件,例如,可以为某一部分的多个采样点的高程信息是否较为平均且连续,或者某一部分的多个采样点的高程信息的变化是否呈线性变化,是平均连续增高或平均连续降低等等。
在步骤103中,对过滤后的所述点云数据中每个所述采样点的Z轴坐标进行平滑处理,将该平滑处理后的点云数据作为目标路面点云数据。在将点云数据中不属于路面的采样点滤除之后,对剩下的属于路面的点云数据的Z轴坐标,即高程信息进行平滑处理。点云数据中获取到的每个采样点的高程信息的准确度与用于获取点云数据的装置的精度相关,因此,如果直接利用获取到的点云数据中的采样点的Z轴坐标作为最终输出的目标路面点云数据中的高程信息,可能会出现由于获取点云数据的装置的精度不佳的问题导致根据该高程信息生成的路面不平整的问题。因此,在将原始的点云数据中将不属于路面的采样点滤除之后,对剩余的属于路面的采样点的高程信息进行平滑处理,从而就能够保证最终根据该目标路面点云数据生成的路面的平整。
其中,对该Z轴坐标进行平滑处理的方法可以为任意能够实现对数据进行平滑处理的方法,例如均值滤波(Simple Blurring)、中值滤波(Median Blurring)、高斯滤波(Gaussian Blurring)、双边滤波(Bilateral Blurring)等,包括但不限于以上列举出来的平滑方法。
通过上述技术方案,能够从原始采集到的点云数据中、尤其是由车载设备采集到的点云数据自动将路面相关的点云数据提取出来,且提取出来的目标路面点云数据中还包括了经过平滑之后的路面高程信息,因此根据上述技术方案提取出来的目标路面点云数据,能够为高精地图的生成提供其所需的路面高程数据,为高精地图语义生成流程提供了强有力的支持,大大大提高了点云数据的利用效率,大大提高了高精度图的生成效率,特别适用于车载设备采集到的点云数据,能够使得点云数据的利用率和高精地图的生成效率进一步大大提高。
图2是根据本公开又一示例性实施例示出的一种路面点云数据提取方法的流程图。如图2所示,所述方法除了包括如图1中示出的步骤101至步骤103之外,还包括步骤201。
在步骤201中,根据所述X轴坐标和所述Y轴坐标将所述点云数据进行格网化,以得到包括所述点云数据中的所有所述采样点的多个连续格网,每个所述格网中分别包括所述点云数据中的一个或多个所述采样点。
通过利用点云数据中的采样点的X轴坐标和Y轴坐标对该点云数据进行格网化的方法,能够将点云数据中X轴坐标和Y轴坐标相近的采样点划分在同一个格网中,从而使得后续对点云数据中的采样点进行处理时,能够通过格网来更加快速的对点云数据中的采样点进行定位,另外,也可以以格网为单位来对该采样点进行处理,即将被划分在同一个格网中的采样点作为一个整体,在步骤102中对不属于路面的采样点进行滤除时,可以将一个格网中所包括的所有采样点作为一个整体,当判断该格网中所有采样点所构成的几何面不属于路面时,判定该格网中所有采样点都不属于路面。
需要注意的是,上述格网是在X轴和Y轴所构成的二维平面上来进行划分的,但实际落在各个格网中的采样点依旧是具有三维坐标的采样点,在根据划分的格网来对点云数据中的采样点进行处理时,仍然可以根据每个采样点的三维坐标来进行处理。
上述格网的划分可以按照预设的规格来进行,每个格网的长度与宽度可以相同,也可以不相同,该预设的规格可以根据待处理的点云数据的数据规模来进行调整。
图3是根据本公开又一示例性实施例示出的一种路面点云数据提取方法的流程图。如图3所示,所述方法除了包括图2中所示的步骤101、步骤201和步骤103之外,还包括步骤301至步骤306。其中,步骤301至步骤306为对图1和图2中所示的步骤102的一种实施方式。
在步骤301中,根据每个所述采样点的三维坐标,分别计算每个所述格网中的所述采样点所能构成的平面的第一法向量,与所述Z轴向量之间的夹角。每个格网中的采样点所能构成的平面的第一法向量的计算方法可以如图4所示,包括步骤401至步骤404。
在步骤401中,根据每个所述采样点的三维坐标,计算每个所述格网的格网质心坐标。其中,该格网的格网质心的坐标可以通过求该格网中所有采样点的平均坐标来获得,如公式(1)所示:
其中,(x,y,z)为格网质心的坐标,(x1,y1,z1)…(xn,yn,zn)分别为该格网中所有采样点的三维坐标,n为该格网中所有采样点的个数。
在步骤402中,分别计算每个所述格网中的每个所述采样点与所述格网质心连接所构成的第一向量,与所述Z轴向量的向量积。该第一向量和该向量积的个数,以及该格网中所有采样点是一一对应的。
在步骤403中,分别获取所述向量积和与之对应的所述第一向量所构成的平面的第二法向量。由于向量积的性质,在步骤402中计算得到的每一个向量积都能和该与之对应的第一向量构成一个平面,该平面的法向量即为第二法向量,该第二法向量与该第一向量、向量积、以及各个采样点也是一一对应的。根据每个格网中所包括的采样点的不同,计算得到多个该向量积之间可能相等或不相等,多个该第二法向量之间也可能相等或不相等。
在步骤404中,将每个所述格网中的所有所述第二法向量的平均向量作为所述格网中的所述采样点所能构成的平面的所述第一法向量。计算每个格网中所有第二法向量的平均向量,并将该平均向量作为该格网中所有采样点能够构成的平面的第一法向量,由此,就完成了一种计算每个格网中的采样点所能构成的平面的第一法向量的方法。
在步骤302中,若所述格网所对应的所述夹角大于第一预设阈值,则判定所述格网中的所述采样点不属于路面。在获得每个格网中所有采样点所能构成的平面的第一法向量之后,计算该第一法向量与Z轴向量之间的夹角,由于Z轴向量可以看做是X轴和Y轴所构成的水平面的法向量,因此该第一法向量和Z轴向量之间的夹角就可以反映出该格网中所有采样点所能构成的平面与水平面之间的夹角,按照常规的标准,正常的路面与水平面之间的夹角是需要保持在一定角度范围内的,因此如果该夹角过大,大于该第一预设阈值,则表示该格网中所有采样点能够构成的平面并不属于路面,应该将该格网中的所有采样点从点云数据中滤除。
因此,步骤301和步骤302给出了一种根据每个采样点的三维坐标将采样点中不属于路面的采样点滤除,以得到过滤后的点云数据的方法。另外,步骤303和步骤304也给出了一种根据每个采样点的三维坐标将采样点中不属于路面的采样点滤除,以得到过滤后的点云数据的方法。
在步骤303中,计算每个格网中的采样点所能构成的平面的第一法向量分别与该格网中的每个所述采样点与格网质心连接所构成的第一向量的点积。其中,格网中的采样点所能构成的平面的第一法向量的计算方法可以为如图4中所示的方法。
在步骤304中,若所述格网中所包括的所有点积之和大于第二预设阈值,则判定所述格网中的所述采样点不属于路面。步骤303中计算得到的所有点积之和能够表征该格网中所有采样点所能构成的平面的平整度,该点积之和越大,表示该平面越不平整,而根据路面的特性之一可以知道路面应该是相对较为平整的,因此,若该点积之和大于第二预设阈值,则表示该格网中的采样点所能构成的平面不属于路面,应该将该格网中的所有采样点从点云数据中滤除。
步骤301和步骤302给出的方法,与步骤303和步骤304给出的方法可以同时使用,以对该点云数据中采样点进行滤除,也可以仅使用其中一种方法,其中,当同时使用上述两种方法时,其二者之间没有必然的先后顺序。
另外,步骤305和步骤306还给出了一种根据每个采样点的三维坐标将采样点中不属于路面的采样点滤除,以得到过滤后的点云数据的方法。
在步骤305中,根据所述格网中的所述采样点的三维坐标对所述格网进行聚类。其中,对格网进行聚类的方法可以包括多种,例如,可以先计算每个格网中的采样点所能构成的平面的该第一法向量,然后计算每两个格网之间利用各自的第一法向量相乘得到的点乘,然后根据对该点乘的判断来判定该两个格网是否可聚类,点乘越大,该两个格网第一法向量越相近,该两个格网越相似,因此,可以通过判断该点乘是否大于第三预设阈值;其次,还可以通过计算一个格网中的格网质心投影至另一格网的该第一法向量的值,以及该另一格网中的格网质心投影至该格网中的该第一法向量的值,若二值的差距小于第四预设阈值,则说明该两个格网可聚类。上述第三预设阈值和第四预设阈值都可以为预设设置好的数值。
通过上述给出的两种聚类方法的任意一种或多种和/或其他任意的聚类方法对该点云数据中的所有格网都进行聚类分析之后,就能够得到多个分别包括多个格网的聚类类别。
在步骤306中,将所述聚类后得到的每个类别中所包括的所述采样点的个数不满足预设条件的所述类别中的所述采样点判定为不属于路面的采样点。例如,可以根据聚类后得到的每个类别中所包括的格网的个数按照大小顺序进行排序,然后保留包括格网的个数最多的四个类别,将其余类别中所包括的格网中的采样点判定为不属于路面的采样点;或者,还可以设置第五预设阈值,将聚类后得到的聚类类别中包括的格网的个数小于该第五预设阈值的类别中的所有格网中的采样点判定为不属于路面的采样点。
其中,步骤305和步骤306所给出的根据每个采样点的三维坐标将采样点中不属于路面的采样点滤除,以得到过滤后的点云数据的方法可以与步骤301和步骤302给出的方法,以及步骤303和步骤305给出的方法同时使用,也可以在三者之间择其一种或两种使用,三者之间不设定特定的先后顺序。图3中给出的流程图中即为使用了三种采样点滤除的方法的路面点云数据提取方法的示意图。
另外,在使用多种方法来对点云数据中的采样点进行滤除时,在后的方法用于对采样点进行滤除的待处理数据可以为已经经前一种滤除方法滤除掉一部分采样点之后所得到的点云数据。或者,也可以分别都对原始点云数据进行采样点的滤除,然后对多个滤除结果取交集或者取合集等。
在一种可能的实施方式中,在步骤103中,对过滤后的所述点云数据中每个所述采样点的Z轴坐标进行平滑处理可以包括:通过对所述采样点的所述Z轴坐标进行高斯滤波以实现所述平滑处理。
下面给出一种对过滤后的点云数据中的采样点的Z轴坐标进行高斯滤波以实现平滑处理的具体实施方式:
1)根据所述X轴坐标和所述Y轴坐标将所述过滤后的点云数据进行格网化,所述格网化的方法可以与步骤201中所示的格网化方法相同。
2)遍历格网,若格网中包括点云数据中的采样点,则计算该格网中所有采样点的第一平均高程,并将该第一平均高程作为此格网的高程,同时记录该格网的状态权重为1;若格网中不包括点云数据中的采样点,则计算经过过滤后的点云数据中所有采样点的第二平均高程,并将该第二平均高程作为此格网的高程,同时记录该格网的状态权重为-1。
3)遍历格网,若该格网的状态权重为1,则收集该格网邻域内的每个状态权重为1的格网的高程。其中,该邻域的范围可以为例如距离该格网三个格网的距离范围;收集到的格网的高程根据大小从低到高进行排列,并以该排列中位于预设位置的高程作为基准,将收集到的格网的高程中与该基准之差在预设差值范围内的高程作为计算滤波时的邻域内的格网的目标高程;根据计算得到的目标高程对该格网进行高斯滤波,得到平滑后的该格网的高程。
4)遍历格网,若该格网的状态权重为-1,则再次计算该点云数据中的所有采样点的第三平均高程,并将该第三平均高程作为该格网的高程。
5)遍历格网,若该格网的状态权重为-1,则收集该格网邻域内的每个状态权重为1的格网的高程;若邻域内没有状态权重为1的格网,则继续遍历下一个格网;若邻域内有一个以上状态权重为1的格网,则将当前格网的状态权重记录为1,并将邻域内收到的状态权重为1的格网的高程根据大小从低到高排列,并以该排列中位于预设位置的高程作为该格网的高程。
6)遍历格网,若该格网的状态权重为-1,则再次计算该点云数据中的所有采样点的第四平均高程,并将该第四平均高程作为该格网的高程。
7)多次组合重复以上遍历。
图5是根据本公开一示例性实施例示出的一种路面点云数据提取装置的结构框图。如图5所示,所述装置包括:获取模块10,用于获取点云数据中每个采样点的三维坐标,所述三维坐标包括X轴坐标、Y轴坐标和Z轴坐标,其中,所述Z轴坐标用于表示路面的高度;过滤模块20,用于根据每个所述采样点的三维坐标将所述采样点中不属于路面的所述采样点滤除,以得到过滤后的点云数据;平滑模块30,用于对过滤后的所述点云数据中每个所述采样点的Z轴坐标进行平滑处理,将该平滑处理后的点云数据作为目标路面点云数据。
通过上述技术方案,能够从原始采集到的点云数据中、尤其是由车载设备采集到的点云数据中自动将路面相关的点云数据提取出来,且提取出来的目标路面点云数据中还包括了经过平滑之后的路面高程信息,因此根据上述技术方案提取出来的目标路面点云数据,能够为高精地图的生成提供其所需的路面高程数据,为高精地图语义生成流程提供了强有力的支持,大大提高了点云数据的利用效率,大大提高了高精度图的生成效率,特别适用于车载设备采集到的点云数据,能够使得点云数据的利用率和高精地图的生成效率进一步大大提高。
图6是根据本公开又一示例性实施例示出的一种路面点云数据提取装置的结构框图。如图6所示,所述装置还包括:格网化模块40,用于根据所述X轴坐标和所述Y轴坐标将所述点云数据进行格网化,以得到包括所述点云数据中的所有所述采样点的多个连续格网,每个所述格网中分别包括所述点云数据中的一个或多个所述采样点。
如图6所示,所述过滤模块20包括:第一计算子模块201,用于根据每个所述采样点的三维坐标,分别计算每个所述格网中的所述采样点所能构成的平面的第一法向量,与所述Z轴向量之间的夹角;第一判定子模块202,用于若所述格网所对应的所述夹角大于第一预设阈值,则判定所述格网中的所述采样点不属于路面。
如图6所示,所述第一计算子模块201包括:第二计算子模块2011,用于根据每个所述采样点的三维坐标,计算每个所述格网的格网质心坐标;第三计算子模块2012,用于分别计算每个所述格网中的每个所述采样点与所述格网质心连接所构成的第一向量,与所述Z轴向量的向量积;第四计算子模块2013,用于分别获取所述向量积和与之对应的所述第一向量所构成的平面的第二法向量;第五计算子模块2014,用于将每个所述格网中的所有所述第二法向量的平均向量作为所述格网中的所述采样点所能构成的平面的所述第一法向量。
如图6所示,所述过滤模块20还包括:第六计算子模块203,用于计算每个所述格网中的所述采样点所能构成的平面的第一法向量分别与该格网中的所有所述第一向量的点积;第二判定子模块204,用于若所述格网中所包括的所有点积之和大于第二预设阈值,则判定所述格网中的所述采样点不属于路面。
如图6所示,所述过滤模块20还包括:聚类子模块205,用于根据所述格网中的所述采样点的三维坐标对所述格网进行聚类;第三判定子模块206,用于将所述聚类后得到的每个类别中所包括的所述采样点的个数不满足预设条件的所述类别中的所述采样点判定为不属于路面的采样点。
如图6所示,所述平滑模块30包括:滤波子模块301,用于通过对所述采样点的所述Z轴坐标进行高斯滤波以实现所述平滑处理。
本领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述功能模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
通过上述路面点云数据提取装置,能够从原始采集到的点云数据中、尤其是由车载设备采集到的点云数据中自动将路面相关的点云数据提取出来,且提取出来的目标路面点云数据中还包括了经过平滑之后的路面高程信息,因此根据上述路面点云数据提取装置提取出来的目标路面点云数据,能够为高精地图的生成提供其所需的路面高程数据,为高精地图语义生成流程提供了强有力的支持,大大提高了点云数据的利用效率,大大提高了高精度图的生成效率,特别适用于车载设备采集到的点云数据,能够使得点云数据的利用率和高精地图的生成效率进一步大大提高。
本公开实施例还提供一种算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法实施例提供的路面点云数据提取方法的步骤。
本公开实施例还提供一种电子设备,该电子设备可以被提供作为一种服务器,该电子设备包括:存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述方法实施例提供的路面点云数据提取方法的步骤。
图7是电子设备700的一种结构示意图,如图7所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的交通信号识别方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的交通信号识别方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的交通信号识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的交通信号识别方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。