CN110969689A - 点云特征提取方法、装置、计算机设备和存储介质 - Google Patents
点云特征提取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110969689A CN110969689A CN201911217636.0A CN201911217636A CN110969689A CN 110969689 A CN110969689 A CN 110969689A CN 201911217636 A CN201911217636 A CN 201911217636A CN 110969689 A CN110969689 A CN 110969689A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- convolution
- cloud data
- feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种点云特征提取方法、装置、计算机设备和存储介质。包括：获取目标点云数据；对于目标点云数据中的每一点，获取以该为卷积中心的第一点集中的每一被卷积点的卷积核参数；根据卷积核参数，对该进行卷积处理，得到预测的第一卷积中心以及与第一卷积中心对应的第一特征和第一得分；对第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换目标点云数据中的点对应的位置坐标和特征，并返回获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为目标点云数据的点云特征。从而避免了体素化后使用普通卷积和对称性函数消除输入数据的无序性的做法，从而能快速有效地提取点云数据的特征。
Description
技术领域
本申请涉及点云数据处理技术领域，特别涉及一种点云特征提取方法、装置、计算机设备和存储介质。
背景技术
随着激光雷达技术的不断发展，因激光雷达采集到的点云数据包含目标物体的准确位置信息，应用激光雷达进行点云数据的采集广泛用于各个领域。通过点云数据可以实现目标检测、三维目标重建、虚拟/增强现实等目的。在通过上述方式应用点云数据之前，一般需要对点云数据的特征进行提取。传统技术中一般通过体素化路线或对称性函数进行点云数据特征的提取。
然而，上述体素化路线容易导致数据精度下降，对称性函数容易导致点云数据特征丢失，均无法快速有效地提取点云数据的特征。
发明内容
基于此，有必要针对上述技术问题，提供一种点云特征提取方法、装置、计算机设备和存储介质。
一种点云特征提取方法，所述方法包括：
获取目标点云数据；其中，所述目标点云数据中的每一点包括对应的位置坐标和特征；
对于所述目标点云数据中的每一点，获取以所述点为卷积中心的第一点集中的每一被卷积点的卷积核参数；
根据所述卷积核参数，对所述点进行卷积处理，得到预测的第一卷积中心以及与所述第一卷积中心对应的第一特征和第一得分；
对所述第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换所述目标点云数据中的点对应的位置坐标和特征，并返回所述获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为所述目标点云数据的点云特征。
在其中一个实施例中，所述对于所述目标点云数据中的每一点，获取以所述点为卷积中心的第一点集中的每一被卷积点的卷积核参数，包括：
获取以所述点为中心以预设长度为半径的点对应的局部坐标系下的第一点集；
以所述点为初始卷积中心，以所述预设长度为卷积半径，获取所述第一点集中的每一被卷积点的卷积核参数。
在其中一个实施例中，所述获取以所述点为中心以预设长度为半径的点对应的局部坐标系下的第一点集，包括：
获取以所述点为中心以预设长度为半径的点对应的第二点集；
以所述点为原点，对所述第二点集中的点进行坐标变换，得到与所述点对应的局部坐标系下的第一点集。
在其中一个实施例中，所述以所述点为初始卷积中心，以所述预设长度为卷积半径，获取所述第一点集中的每一被卷积点的卷积核参数，包括：
以所述点为初始卷积中心，以所述预设长度为卷积半径，对所述第一点集中的每一被卷积点进行间接编码，得到所述每一被卷积点的卷积核参数。
在其中一个实施例中，所述目标点云数据中的每一点对应一个第一卷积中心、一个第一特征和一个第一得分；
所述对所述第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换所述目标点云数据中的点对应的位置坐标和特征，包括：
将所述第一得分中满足第二预设条件的得分确定为第二得分；
将与所述第二得分对应的第一卷积中心确定为第二卷积中心，以及将与所述第二得分对应的第一特征确定为第二特征；
用所述第二卷积中心和所述第二特征替换所述目标点云数据中的点对应的位置坐标和特征。
在其中一个实施例中，所述将所述第一得分中满足第二预设条件的得分确定为第二得分，包括：
筛选所述第一得分中得分高的前预设数量个第一得分；
将所述得分高的前预设数量个第一得分确定为所述第二得分。
在其中一个实施例中，所述将满足第一预设条件的第一特征确定为所述目标点云数据的点云特征，包括：
比较所述第一特征和预设特征，若所述第一特征与所述预设特征的相似度达到预设阈值，则将所述第一特征确定为所述目标点云数据的点云特征；
或，执行预设次数的迭代循环，将最后一次迭代得到的第一特征确定为所述目标点云数据的点云特征。
一种点云特征提取装置，所述装置包括：
点云数据获取模块，用于获取目标点云数据；其中，所述目标点云数据中的每一点包括对应的位置坐标和特征；
卷积核参数确定模块，用于对于所述目标点云数据中的每一点，获取以所述点为卷积中心的第一点集中的每一被卷积点的卷积核参数；
得分/特征确定模块，用于根据所述卷积核参数，对所述点进行卷积处理，得到预测的第一卷积中心以及与所述第一卷积中心对应的第一特征和第一得分；
点云特征确定模块，用于对所述第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换所述目标点云数据中的点对应的位置坐标和特征，并返回所述获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为所述目标点云数据的点云特征。
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上述任一项所述方法的步骤。
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上述任一项所述方法的步骤。
上述点云特征提取方法、装置、计算机设备和存储介质，通过获取目标点云数据，其中，目标点云数据中的每一点包括对应的位置坐标和特征，对于目标点云数据中的每一点，获取以该点为卷积中心的第一点集中的每一被卷积点的卷积核参数，根据卷积核参数，对该点进行卷积处理，得到预测的第一卷积中心以及与第一卷积中心对应的第一特征和第一得分，对第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换目标点云数据中的点对应的位置坐标和特征，并返回获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为目标点云数据的点云特征。其中，分别以每一点为卷积中心进行间接编码，以获取卷积核参数，并进一步得到预测得到的第一卷积中心进行点云数据特征提取的方式，避免了体素化后使用普通卷积和对称性函数消除输入数据的无序性的做法，从而能快速有效地提取点云数据的特征。
附图说明
图1为一个实施例中点云特征提取方法的流程示意图；
图2为一个实施例中步骤S200的一种可实施方式的流程示意图；
图3为一个实施例中计算卷积核参数的MLP网络结构示意图；
图4为一个实施例中步骤S400的一种可实施方式的流程示意图；
图5为一个实施例中步骤S400的一种可实施方式的流程示意图；
图6为一个实施例中点云特征提取装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
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。
可以理解本申请中所使用的术语“第一”、“第二”等可在本文中用于描述各种条件关系，但这些条件关系不受这些术语限制。这些术语仅用于将一个条件关系与另一个条件关系区分开来。
在一个实施例中，如图1所示，提供了一种点云特征提取方法，包括以下步骤：
步骤S100，获取目标点云数据；其中，目标点云数据中的每一点包括对应的位置坐标和特征。
步骤S200，对于目标点云数据中的每一点，获取以该点为卷积中心的第一点集中的每一被卷积点的卷积核参数。
步骤S300，根据卷积核参数，对该点进行卷积处理，得到预测的第一卷积中心以及与第一卷积中心对应的第一特征和第一得分。
步骤S400，对第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换目标点云数据中的点对应的位置坐标和特征，并返回获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为目标点云数据的点云特征。
其中，目标点云数据是指由激光雷达获取到的其周围物体反射回来的激光点数据的集合，该数据集合可以用于实现目标检测、三维目标重建、虚拟/增强现实等目的。第一预设条件为根据用户对点云数据特征的要求进行限定的，不同用户要求对应不同的第一预设条件，此处不对具体第一预设条件进行限定。
具体地，在获取到目标点云数据后，根据目标点云数据中的每一点与其周围的激光点之间的距离确定出多个以每一点为中心的第一点集，以每一第一点集中的中心点为卷积中心，每一第一点集中卷积中心点以外的点为被卷积点，得到每一卷积中心对应的所有被卷积点的卷积核参数。在每一卷积中心处，根据卷积核参数进行卷积操作，预测得到新的卷积中心坐标，并将新的卷积中心坐标确定为第一卷积中心，同时得到第一卷积中心对应的第一特征和第一得分，其中，第一得分越高说明预测得到的第一卷积中心越能代表第一点集的中心，同时第一得分越高也说明对应的第一特征能在更大程度上反应第一点集中中心点的特征。因此，按照第一得分的大小进行筛选，用符合要求的第一得分对应的第一卷积中心替换目标点云数据中的点对应的位置坐标，用符合要求的第一得分对应的第一特征替换目标点云数据中的点对应的特征，得到新的目标点云数据，返回执行获取目标点云数据，进行迭代循环，直到得到满足第一预设条件的第一特征，并将期望的第一特征确定为目标点云数据的点云特征。
上述点云特征提取方法，通过获取目标点云数据，其中，目标点云数据中的每一点包括对应的位置坐标和特征，对于目标点云数据中的每一点，获取以该点为卷积中心的第一点集中的每一被卷积点的卷积核参数，根据卷积核参数，对该点进行卷积处理，得到预测的第一卷积中心以及与第一卷积中心对应的第一特征和第一得分，对第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换目标点云数据中的点对应的位置坐标和特征，并返回获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为目标点云数据的点云特征。其中，分别以每一点为卷积中心进行间接编码，以获取卷积核参数，并进一步得到预测得到的第一卷积中心进行点云数据特征提取的方式，避免了体素化后使用普通卷积和对称性函数消除输入数据的无序性的做法，从而能快速有效地提取点云数据的特征。
在其中一个实施例中，如图2所示，为步骤S200的一种可实施方式的流程示意图，其中，对于目标点云数据中的每一点，获取以该点为卷积中心的第一点集中的每一被卷积点的卷积核参数，包括：
步骤S210，获取以该点为中心以预设长度为半径的点对应的局部坐标系下的第一点集。
可选地，获取以该点为中心以预设长度为半径的点对应的第二点集；以该点为原点，对第二点集中的点进行坐标变换，得到与该点对应的局部坐标系下的第一点集。
步骤S220，以该点为初始卷积中心，以预设长度为卷积半径，获取第一点集中的每一被卷积点的卷积核参数。
其中，预设长度为根据目标点云数据设定的长度，具体可以根据目标点云数据采集对象的和目标点云数据的稀疏性以及对点云特征的提取要求设定。例如，目标点云数据中点与点之间的距离分布在0.5mm邻域内，则一般需要将预设长度设定为大于0.5mm的数值。
具体地，目标点云数据由集合P表示，P＝{pi|i＝0,…,N}，其中N为目标点云数据中点的个数。对于目标点云数据中的每一点pi∈P，由其在激光雷达坐标系下的位置坐标(xpi，ypi，zpi)以及对应的特征fpi表示。对于每一点pi∈P，首先，以点P为中心，确定P中所有与其欧式距离小于预设长度(卷积半径)r的点的第二点集Qpi＝{qj|j＝0,…,M}，其中M为满足欧式距离小于卷积半径r的点的个数，每一个点qj∈Qpi由其在激光雷达坐标系下的坐标(xqj，yqj，zqj)以及对应的特征fqj表示。对于第二点集中的每一点qj∈Qpi，计算其相对于点pi的相对坐标tpi qj＝(xqj-xpi,yqj-ypi,zqj-zpi)。接着，以点P为初始卷积中心，以预设长度r为卷积半径，通过MLP网络计算得到每一被卷积点的卷积核参数。
可选地，以该点为初始卷积中心，以预设长度为卷积半径，对第一点集中的每一被卷积点进行间接编码，得到每一被卷积点的卷积核参数。
如图3所示，为计算卷积核参数的MLP网络结构示意图。具体地，将上述得到的所有tpi qj通过如图3所示的MLP网络计算卷积核参数W，W＝{wpi qj|i＝0,…,N，j＝0,…,M}，其中wpi qj＝MLP(tpi qj)。此处，MLP网络的作用就是间接编码卷积核参数。
上述实施例中，通过获取以该点为中心以预设长度为半径的点对应的局部坐标系下的第一点集，并以该点为初始卷积中心，以预设长度为卷积半径，获取第一点集中的每一被卷积点的卷积核参数，是分别以每一点为卷积中心进行间接编码，以获取卷积核参数的方式，为后续得到预测得到的第一卷积中心进行点云数据特征提取提供了基础，这种使用间接编码网络来计算卷积核参数以及预测新的卷积中心的做法，能够避免体素化后使用普通卷积和对称性函数消除输入数据的无序性的做法，从而能快速有效地提取点云数据的特征。
在其中一个实施例中，如图4所示，为步骤S400的一种可实施方式的流程示意图，其中，对第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换目标点云数据中的点对应的位置坐标和特征，包括：
步骤S410，将第一得分中满足第二预设条件的得分确定为第二得分；
步骤S420，将与第二得分对应的第一卷积中心确定为第二卷积中心，以及将与第二得分对应的第一特征确定为第二特征；
步骤S430，用第二卷积中心和第二特征替换目标点云数据中的点对应的位置坐标和特征。
其中，第二预设条件为用户根据对点云特征提取精度要求等综合因素进行的设定，可以为取第一得分中的前预设数量个，也可以为取第一得分中得分大于某一设定值的第一得分，此处并不对第二预设条件进行具体限定。
可选地，筛选第一得分中得分高的前预设数量个第一得分；将得分高的前预设数量个第一得分确定为第二得分。
具体地，当第二预设条件为取第一得分中的前K个时。根据步骤S300中得到的第一得分对得到的新的卷积中心(第一卷积中心)进行排序，将前K个第一得分确定为第二得分。将与第二得分对应的第一卷积中心确定为第二卷积中心，以及将与第二得分对应的第一特征确定为第二特征，第二卷积中心与第二特征一一对应，用被保留的一一对应的新卷积中心(第一卷积中心)和特征(第一特征)替换掉原目标点云数据中的点对应的位置坐标和特征。
上述实施例中，将第一得分中满足第二预设条件的得分确定为第二得分，将与第二得分对应的第一卷积中心确定为第二卷积中心，以及将与第二得分对应的第一特征确定为第二特征，并用第二卷积中心和第二特征替换目标点云数据中的点对应的位置坐标和特征。其中，对预测得到的第一卷积中心(第一卷积中心)和对应的特征(第一特征)进行筛选，为后续循环迭代提供了数据基础，为有效地提取点云数据的特征提供保证。
在其中一个实施例中，如图5所示，为步骤S400的一种可实施方式的流程示意图，其中，将满足第一预设条件的第一特征确定为目标点云数据的点云特征，包括：
步骤S441，比较第一特征和预设特征，若第一特征与预设特征的相似度达到预设阈值，则将第一特征确定为目标点云数据的点云特征。
步骤S442，执行预设次数的迭代循环，将最后一次迭代得到的第一特征确定为目标点云数据的点云特征。
其中，预设特征为用户对目标点云数据的预期特征。预设次数为根据目标点云数据的特性和数据量进行设定的。
具体地，用筛选后的第一得分对应的第一卷积中心和第一特征替换目标点云数据中的点对应的位置坐标和特征，并返回获取目标点云数据的步骤，进行迭代循环的目的是保证最终得到的点云特征全面有效。因此，迭代循环的收敛条件可以根据用户对点云特征提取精度要求等综合因素确定。
当以第一特征与预设特征的相似度达到预设阈值作为迭代循环的收敛条件时，比较第一特征和预设特征，若第一特征与预设特征的相似度达到预设阈值，则将第一特征确定为目标点云数据的点云特征。
当以预设次数作为迭代循环的收敛条件时，执行预设次数的迭代循环，将最后一次迭代得到的第一特征确定为目标点云数据的点云特征。
上述实施例中，分别以第一特征与预设特征的相似度达到预设阈值和预设次数作为迭代循环的收敛条件，可以满足实际需求不同时的特征提取要求，从而能快速有效地提取点云数据的特征。
在一个实施例中，如图6所示，提供了一种点云特征提取装置，包括：点云数据获取模块601、卷积核参数确定模块602、得分/特征确定模块603和点云特征确定模块604，其中：
点云数据获取模块601，用于获取目标点云数据；其中，目标点云数据中的每一点包括对应的位置坐标和特征；
卷积核参数确定模块602，用于对于目标点云数据中的每一点，获取以该点为卷积中心的第一点集中的每一被卷积点的卷积核参数；
得分/特征确定模块603，用于根据卷积核参数，对该点进行卷积处理，得到预测的第一卷积中心以及与第一卷积中心对应的第一特征和第一得分；
点云特征确定模块604，用于对第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换目标点云数据中的点对应的位置坐标和特征，并返回获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为目标点云数据的点云特征。
在其中一个实施例中，卷积核参数确定模块602还用于获取以该点为中心以预设长度为半径的点对应的局部坐标系下的第一点集；以该点为初始卷积中心，以预设长度为卷积半径，获取第一点集中的每一被卷积点的卷积核参数。
在其中一个实施例中，卷积核参数确定模块602还用于获取以该点为中心以预设长度为半径的点对应的第二点集；以该点为原点，对第二点集中的点进行坐标变换，得到与该点对应的局部坐标系下的第一点集。
在其中一个实施例中，卷积核参数确定模块602还用于以该点为初始卷积中心，以预设长度为卷积半径，对第一点集中的每一被卷积点进行间接编码，得到每一被卷积点的卷积核参数。
在其中一个实施例中，点云特征确定模块604还用于将第一得分中满足第二预设条件的得分确定为第二得分；将与第二得分对应的第一卷积中心确定为第二卷积中心，以及将与第二得分对应的第一特征确定为第二特征；用第二卷积中心和第二特征替换目标点云数据中的点对应的位置坐标和特征。
在其中一个实施例中，点云特征确定模块604还用于筛选第一得分中得分高的前预设数量个第一得分；将得分高的前预设数量个第一得分确定为第二得分。
在其中一个实施例中，点云特征确定模块604还用于比较第一特征和预设特征，若第一特征与预设特征的相似度达到预设阈值，则将第一特征确定为目标点云数据的点云特征；或，执行预设次数的迭代循环，将最后一次迭代得到的第一特征确定为目标点云数据的点云特征。
关于点云特征提取装置的具体限定可以参见上文中对于点云特征提取方法的限定，在此不再赘述。上述点云特征提取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，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、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。该计算机程序被处理器执行时以实现一种点云特征提取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
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：
获取目标点云数据；其中，目标点云数据中的每一点包括对应的位置坐标和特征；
对于目标点云数据中的每一点，获取以该点为卷积中心的第一点集中的每一被卷积点的卷积核参数；
根据卷积核参数，对该点进行卷积处理，得到预测的第一卷积中心以及与第一卷积中心对应的第一特征和第一得分；
对第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换目标点云数据中的点对应的位置坐标和特征，并返回获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为目标点云数据的点云特征。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取以该点为中心以预设长度为半径的点对应的局部坐标系下的第一点集；以该点为初始卷积中心，以预设长度为卷积半径，获取第一点集中的每一被卷积点的卷积核参数。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取以该点为中心以预设长度为半径的点对应的第二点集；以该点为原点，对第二点集中的点进行坐标变换，得到与该点对应的局部坐标系下的第一点集。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：以该点为初始卷积中心，以预设长度为卷积半径，对第一点集中的每一被卷积点进行间接编码，得到每一被卷积点的卷积核参数。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：将第一得分中满足第二预设条件的得分确定为第二得分；将与第二得分对应的第一卷积中心确定为第二卷积中心，以及将与第二得分对应的第一特征确定为第二特征；用第二卷积中心和第二特征替换目标点云数据中的点对应的位置坐标和特征。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：筛选第一得分中得分高的前预设数量个第一得分；将得分高的前预设数量个第一得分确定为第二得分。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：比较第一特征和预设特征，若第一特征与预设特征的相似度达到预设阈值，则将第一特征确定为目标点云数据的点云特征；或，执行预设次数的迭代循环，将最后一次迭代得到的第一特征确定为目标点云数据的点云特征。
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：
获取目标点云数据；其中，目标点云数据中的每一点包括对应的位置坐标和特征；
对于目标点云数据中的每一点，获取以该点为卷积中心的第一点集中的每一被卷积点的卷积核参数；
根据卷积核参数，对该点进行卷积处理，得到预测的第一卷积中心以及与第一卷积中心对应的第一特征和第一得分；
对第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换目标点云数据中的点对应的位置坐标和特征，并返回获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为目标点云数据的点云特征。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取以该点为中心以预设长度为半径的点对应的局部坐标系下的第一点集；以该点为初始卷积中心，以预设长度为卷积半径，获取第一点集中的每一被卷积点的卷积核参数。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取以该点为中心以预设长度为半径的点对应的第二点集；以该点为原点，对第二点集中的点进行坐标变换，得到与该点对应的局部坐标系下的第一点集。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：以该点为初始卷积中心，以预设长度为卷积半径，对第一点集中的每一被卷积点进行间接编码，得到每一被卷积点的卷积核参数。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第一得分中满足第二预设条件的得分确定为第二得分；将与第二得分对应的第一卷积中心确定为第二卷积中心，以及将与第二得分对应的第一特征确定为第二特征；用第二卷积中心和第二特征替换目标点云数据中的点对应的位置坐标和特征。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：筛选第一得分中得分高的前预设数量个第一得分；将得分高的前预设数量个第一得分确定为第二得分。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：比较第一特征和预设特征，若第一特征与预设特征的相似度达到预设阈值，则将第一特征确定为目标点云数据的点云特征；或，执行预设次数的迭代循环，将最后一次迭代得到的第一特征确定为目标点云数据的点云特征。
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。
以上实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种点云特征提取方法，其特征在于，所述方法包括：
获取目标点云数据；其中，所述目标点云数据中的每一点包括对应的位置坐标和特征；
对于所述目标点云数据中的每一点，获取以所述点为卷积中心的第一点集中的每一被卷积点的卷积核参数；
根据所述卷积核参数，对所述点进行卷积处理，得到预测的第一卷积中心以及与所述第一卷积中心对应的第一特征和第一得分；
对所述第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换所述目标点云数据中的点对应的位置坐标和特征，并返回所述获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为所述目标点云数据的点云特征。
2.根据权利要求1所述的方法，其特征在于，所述对于所述目标点云数据中的每一点，获取以所述点为卷积中心的第一点集中的每一被卷积点的卷积核参数，包括：
获取以所述点为中心以预设长度为半径的点对应的局部坐标系下的第一点集；
以所述点为初始卷积中心，以所述预设长度为卷积半径，获取所述第一点集中的每一被卷积点的卷积核参数。
3.根据权利要求2所述的方法，其特征在于，所述获取以所述点为中心以预设长度为半径的点对应的局部坐标系下的第一点集，包括：
获取以所述点为中心以预设长度为半径的点对应的第二点集；
以所述点为原点，对所述第二点集中的点进行坐标变换，得到与所述点对应的局部坐标系下的第一点集。
4.根据权利要求2所述的方法，其特征在于，所述以所述点为初始卷积中心，以所述预设长度为卷积半径，获取所述第一点集中的每一被卷积点的卷积核参数，包括：
以所述点为初始卷积中心，以所述预设长度为卷积半径，对所述第一点集中的每一被卷积点进行间接编码，得到所述每一被卷积点的卷积核参数。
5.根据权利要求1所述的方法，其特征在于，所述目标点云数据中的每一点对应一个第一卷积中心、一个第一特征和一个第一得分；
所述对所述第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换所述目标点云数据中的点对应的位置坐标和特征，包括：
将所述第一得分中满足第二预设条件的得分确定为第二得分；
将与所述第二得分对应的第一卷积中心确定为第二卷积中心，以及将与所述第二得分对应的第一特征确定为第二特征；
用所述第二卷积中心和所述第二特征替换所述目标点云数据中的点对应的位置坐标和特征。
6.根据权利要求5所述的方法，其特征在于，所述将所述第一得分中满足第二预设条件的得分确定为第二得分，包括：
筛选所述第一得分中得分高的前预设数量个第一得分；
将所述得分高的前预设数量个第一得分确定为所述第二得分。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述将满足第一预设条件的第一特征确定为所述目标点云数据的点云特征，包括：
比较所述第一特征和预设特征，若所述第一特征与所述预设特征的相似度达到预设阈值，则将所述第一特征确定为所述目标点云数据的点云特征；
或，执行预设次数的迭代循环，将最后一次迭代得到的第一特征确定为所述目标点云数据的点云特征。
8.一种点云特征提取装置，其特征在于，所述装置包括：
点云数据获取模块，用于获取目标点云数据；其中，所述目标点云数据中的每一点包括对应的位置坐标和特征；
卷积核参数确定模块，用于对于所述目标点云数据中的每一点，获取以所述点为卷积中心的第一点集中的每一被卷积点的卷积核参数；
得分/特征确定模块，用于根据所述卷积核参数，对所述点进行卷积处理，得到预测的第一卷积中心以及与所述第一卷积中心对应的第一特征和第一得分；
点云特征确定模块，用于对所述第一得分进行筛选，用筛选后的第一得分对应的第一卷积中心和第一特征替换所述目标点云数据中的点对应的位置坐标和特征，并返回所述获取目标点云数据的步骤，迭代循环，将满足第一预设条件的第一特征确定为所述目标点云数据的点云特征。
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至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至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911217636.0A CN110969689A (zh) | 2019-12-03 | 2019-12-03 | 点云特征提取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911217636.0A CN110969689A (zh) | 2019-12-03 | 2019-12-03 | 点云特征提取方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110969689A true CN110969689A (zh) | 2020-04-07 |
Family
ID=70032767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911217636.0A Pending CN110969689A (zh) | 2019-12-03 | 2019-12-03 | 点云特征提取方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969689A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898654A (zh) * | 2020-07-14 | 2020-11-06 | 上海眼控科技股份有限公司 | 三维对象特征获取方法、装置、计算机设备和存储介质 |
| CN111986071A (zh) * | 2020-08-27 | 2020-11-24 | 苏州浪潮智能科技有限公司 | 一种图片数据处理方法、装置、设备及存储介质 |
| CN113762310A (zh) * | 2021-01-26 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种点云数据分类方法、装置、计算机存储介质及系统 |
| WO2023050950A1 (en) * | 2021-09-30 | 2023-04-06 | Beijing Xiaomi Mobile Software Co., Ltd. | Method and apparatus of encoding/decoding point cloud geometry data sensed by at least one sensor |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170213093A1 (en) * | 2016-01-27 | 2017-07-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for detecting vehicle contour based on point cloud data |
| CN110163906A (zh) * | 2019-05-22 | 2019-08-23 | 北京市商汤科技开发有限公司 | 点云数据处理方法、装置、电子设备及存储介质 |
| US10408939B1 (en) * | 2019-01-31 | 2019-09-10 | StradVision, Inc. | Learning method and learning device for integrating image acquired by camera and point-cloud map acquired by radar or LiDAR corresponding to image at each of convolution stages in neural network and testing method and testing device using the same |
| JP2019159940A (ja) * | 2018-03-14 | 2019-09-19 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | 点群特徴抽出装置、点群特徴抽出方法及びプログラム |
| CN110321910A (zh) * | 2018-03-29 | 2019-10-11 | 中国科学院深圳先进技术研究院 | 面向点云的特征提取方法、装置及设备 |
| CN110503148A (zh) * | 2019-08-26 | 2019-11-26 | 清华大学 | 一种具有尺度不变性的点云对象识别方法 |
-
2019
- 2019-12-03 CN CN201911217636.0A patent/CN110969689A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170213093A1 (en) * | 2016-01-27 | 2017-07-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for detecting vehicle contour based on point cloud data |
| JP2019159940A (ja) * | 2018-03-14 | 2019-09-19 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | 点群特徴抽出装置、点群特徴抽出方法及びプログラム |
| CN110321910A (zh) * | 2018-03-29 | 2019-10-11 | 中国科学院深圳先进技术研究院 | 面向点云的特征提取方法、装置及设备 |
| US10408939B1 (en) * | 2019-01-31 | 2019-09-10 | StradVision, Inc. | Learning method and learning device for integrating image acquired by camera and point-cloud map acquired by radar or LiDAR corresponding to image at each of convolution stages in neural network and testing method and testing device using the same |
| CN110163906A (zh) * | 2019-05-22 | 2019-08-23 | 北京市商汤科技开发有限公司 | 点云数据处理方法、装置、电子设备及存储介质 |
| CN110503148A (zh) * | 2019-08-26 | 2019-11-26 | 清华大学 | 一种具有尺度不变性的点云对象识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘春晓;邵为真;邵帅;井文胜;: "基于散乱点云特征提取算法研究" * |
| 李洋洋;史历程;万卫兵;赵群飞;: "基于卷积神经网络的三维物体检测方法" * |
| 牛辰庚;刘玉杰;李宗民;李华;: "基于点云数据的三维目标识别和模型分割方法" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898654A (zh) * | 2020-07-14 | 2020-11-06 | 上海眼控科技股份有限公司 | 三维对象特征获取方法、装置、计算机设备和存储介质 |
| CN111986071A (zh) * | 2020-08-27 | 2020-11-24 | 苏州浪潮智能科技有限公司 | 一种图片数据处理方法、装置、设备及存储介质 |
| CN111986071B (zh) * | 2020-08-27 | 2022-11-29 | 苏州浪潮智能科技有限公司 | 一种图片数据处理方法、装置、设备及存储介质 |
| CN113762310A (zh) * | 2021-01-26 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种点云数据分类方法、装置、计算机存储介质及系统 |
| WO2023050950A1 (en) * | 2021-09-30 | 2023-04-06 | Beijing Xiaomi Mobile Software Co., Ltd. | Method and apparatus of encoding/decoding point cloud geometry data sensed by at least one sensor |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969689A (zh) | 点云特征提取方法、装置、计算机设备和存储介质 | |
| CN110348562B (zh) | 神经网络的量化策略确定方法、图像识别方法和装置 | |
| CN108805898B (zh) | 视频图像处理方法和装置 | |
| CN109635657B (zh) | 目标跟踪方法、装置、设备及存储介质 | |
| CN109241903B (zh) | 样本数据清洗方法、装置、计算机设备及存储介质 | |
| CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
| CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
| CN109472213B (zh) | 掌纹识别方法、装置、计算机设备和存储介质 | |
| CN108830900B (zh) | 关键点的抖动处理方法和装置 | |
| JP2021508123A (ja) | リモートセンシング画像認識方法、装置、記憶媒体及び電子機器 | |
| CN110443165B (zh) | 神经网络量化方法、图像识别方法、装置和计算机设备 | |
| CN111191533B (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
| CN110838104B (zh) | 多时间点的感兴趣区域匹配方法、设备和存储介质 | |
| CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
| CN112241952B (zh) | 大脑中线识别方法、装置、计算机设备及存储介质 | |
| CN110555164A (zh) | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 | |
| CN115344692A (zh) | 聚类方法、装置、计算机设备和存储介质 | |
| CN113192175A (zh) | 模型训练方法、装置、计算机设备和可读存储介质 | |
| CN110163151B (zh) | 人脸模型的训练方法、装置、计算机设备和存储介质 | |
| CN112102235A (zh) | 人体部位识别方法、计算机设备和存储介质 | |
| CN115630663A (zh) | 一种二维码识别方法、装置及电子设备 | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| CN110930449A (zh) | 预测结果的评估方法、装置、计算机设备和存储介质 | |
| CN110807342B (zh) | 条形码定位方法、装置、计算机设备和存储介质 |
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 |