CN111179290A - 一种确定凸包的方法和相关装置 - Google Patents

Abstract

本申请公开了一种确定凸包的方法和相关装置，该方法包括：首先，基于点云数据形成的点云图像进行二值化处理获得二值化图像；其次，基于二值化图像进行边缘提取处理获得边缘图像；然后，基于边缘图像进行轮廓提取处理获得多个轮廓点集合；最后，利用凸包算法确定多个轮廓点集合中每个轮廓点集合的凸包。由此可见，当点云数据是较为分散且距离不统一的离散点时，先对点云数据形成的点云图像进行二值化处理、边缘提取处理和轮廓提取处理，将点云数据划分为多个轮廓点集合，再通过凸包算法确定轮廓点集合的凸包，确定出的凸包更加接近于真实情况的凸包，该方法应用于实际场景中效果较好且适用性高，从而大大提高车辆驾驶的安全性。

Description

一种确定凸包的方法和相关装置

技术领域

本申请涉及凸包技术领域，尤其涉及一种确定凸包的方法和相关装置。

背景技术

凸包，是指在一个实数向量空间中，对于给定的集合，所有包含该集合的凸集的交集。简单的说，对于给定二维平面上的点集，凸包就是将最外层的点连接起来所构成的凸多边形，该凸多边形可以包含点集中所有的点。

在车辆驾驶场景中，尤其是无人驾驶场景，利用激光雷达采集有关周围障碍物的点云数据后，需要确定该点云数据的凸包以便确定车辆的周围障碍物。现有技术中，在获取点云数据后，一般是通过凸包算法确定点云数据的凸包。

但是，发明人经过研究发现，实际场景中，点云数据一般是较为分散且距离不统一的离散点，采用上述方法存在确定凸包效果不好的问题，即，上述方法对实际场景适用性不高，影响车辆驾驶的安全性。

发明内容

有鉴于此，本申请实施例提供一种确定凸包的方法和相关装置，确定出的凸包更加接近于真实情况的凸包，该方法应用于实际场景中效果较好且适用性高，从而大大提高车辆驾驶的安全性。

第一方面，本申请实施例提供了一种确定凸包的方法，该方法包括：

基于点云数据形成的点云图像进行二值化处理获得二值化图像；

基于所述二值化图像进行边缘提取处理获得边缘图像；

基于所述边缘图像进行轮廓提取处理获得多个轮廓点集合；

利用凸包算法确定多个所述轮廓点集合中每个所述轮廓点集合的凸包。

可选的，所述基于点云数据形成的点云图像进行二值化处理获得二值化图像，包括：

基于所述点云图像利用网格生成算法获得二维网格图像；

基于所述二维网格图像进行二值化处理获得所述二值化图像。

可选的，所述基于所述二值化图像进行边缘提取处理获得边缘图像，具体为：

利用高斯拉普拉斯算子对所述二值化图像进行边缘提取处理获得所述边缘图像。

可选的，所述基于所述边缘图像进行轮廓提取处理获得多个轮廓点集合，包括：

基于所述边缘图像进行膨胀处理获得膨胀图像；

基于所述膨胀图像进行轮廓提取处理获得多个所述轮廓点集合。

可选的，所述利用凸包算法获得多个所述轮廓点集合中每个所述轮廓点集合的凸包，具体为：

利用Graham扫描法确定多个所述轮廓点集合中每个所述轮廓点集合的凸包。

可选的，还包括：

将每个所述轮廓点集合作为目标轮廓点集合，针对每个目标轮廓点集合和每个其他轮廓点集合，获得所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距；所述其他轮廓点集合是指多个所述轮廓点集合中除所述目标轮廓点集合外的一个轮廓点集合；

若所述间距小于预设间距，合并所述间距对应的两个凸包确定目标凸包。

可选的，所述获得所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距，包括：

计算所述目标轮廓点集合的凸包中每个点与所述其他轮廓点集合的凸包中每条边的距离，获得距离集合；

将所述距离集合中的最小距离确定为所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距。

第二方面，本申请实施例提供了一种确定凸包的装置，该装置包括：

第一获得单元，用于基于点云数据形成的点云图像进行二值化处理获得二值化图像；

第二获得单元，用于基于所述二值化图像进行边缘提取处理获得边缘图像；

第三获得单元，用于基于所述边缘图像进行轮廓提取处理获得多个轮廓点集合；

第一确定单元，用于利用凸包算法获得多个所述轮廓点集合中每个所述轮廓点集合的凸包。

第三方面，本申请实施例提供了一种终端设备，该终端设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述第一方面任一项所述的确定凸包的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面任一项所述的确定凸包的方法。

与现有技术相比，本申请至少具有以下优点：

采用本申请实施例的技术方案，首先，基于点云数据形成的点云图像进行二值化处理获得二值化图像；其次，基于二值化图像进行边缘提取处理获得边缘图像；然后，基于边缘图像进行轮廓提取处理获得多个轮廓点集合；最后，利用凸包算法确定多个轮廓点集合中每个轮廓点集合的凸包。由此可见，当点云数据是较为分散且距离不统一的离散点时，先对点云数据形成的点云图像进行二值化处理、边缘提取处理和轮廓提取处理，将点云数据划分为多个轮廓点集合，再通过凸包算法确定轮廓点集合的凸包，确定出的凸包更加接近于真实情况的凸包，该方法应用于实际场景中效果较好且适用性高，从而大大提高车辆驾驶的安全性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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它的附图。

图1为本申请实施例中一种应用场景所涉及的系统框架示意图；

图2为本申请实施例提供的一种确定凸包的方法的流程示意图；

图3为本申请实施例提供的另一种确定凸包的方法的流程示意图；

图4为本申请实施例提供的一种确定凸包的装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

现阶段，在车辆驾驶场景中，尤其是无人驾驶场景，利用激光雷达采集有关周围障碍物的点云数据后，一般是通过凸包算法确定该点云数据的凸包以便确定车辆的周围障碍物。但是，发明人经过研究发现，实际场景中，点云数据一般是较为分散且距离不统一的离散点，采用上述方法存在确定凸包效果不好的问题，即，上述方法对实际场景适用性不高，影响车辆驾驶的安全性。

为了解决这一问题，在本申请实施例中，基于点云数据形成的点云图像进行二值化处理获得二值化图像；基于二值化图像进行边缘提取处理获得边缘图像；基于边缘图像进行轮廓提取处理获得多个轮廓点集合；利用凸包算法确定多个轮廓点集合中每个轮廓点集合的凸包。可见，当点云数据是较为分散且距离不统一的离散点时，先对点云数据形成的点云图像进行二值化处理、边缘提取处理和轮廓提取处理，将点云数据划分为多个轮廓点集合，再通过凸包算法确定轮廓点集合的凸包，确定出的凸包更加接近于真实情况的凸包，该方法应用于实际场景中效果较好且适用性高，从而大大提高车辆驾驶的安全性。

举例来说，本申请实施例的场景之一，可以是应用到如图1所示的场景中，该场景包括车辆电子控制单元101和服务器102，车辆激光雷达采集有关周围障碍物的点云数据，该点云数据形成点云图像；车辆电子控制单元101将点云图像发送至服务器102，以请求服务器102确定凸包；服务器102采用本申请实施例的实施方式确定凸包返回至车辆电子控制单元101，以便车辆电子控制单元101控制车辆避开周围障碍物。

可以理解的是，在上述应用场景中，虽然将本申请实施方式的动作描述由服务器102执行，但是，本申请在执行主体方面不受限制，只要执行了本申请实施方式所公开的动作即可。

可以理解的是，上述场景仅是本申请实施例提供的一个场景示例，本申请实施例并不限于此场景。

下面结合附图，通过实施例来详细说明本申请实施例中确定凸包的方法和相关装置的具体实现方式。

示例性方法

参见图2，示出了本申请实施例中一种确定凸包的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：

步骤201：基于点云数据形成的点云图像进行二值化处理获得二值化图像。

需要说明的是，当点云数据是较为分散且距离不统一的离散点时，直接通过凸包算法确定出的凸包并不符合真实情况的凸包，影响车辆驾驶的安全性。因此，在本申请实施例中，针对点云数据是较为分散且距离不统一的离散点的情况，考虑对点云数据形成的点云图像先进行图像预处理以划分得到多个点集合，再通过凸包算法确定点集合的凸包。其中，为了更加方便处理点云图像，首先需要对点云图像采用二值化处理方式，即，执行步骤201。

在步骤201具体实施时，为了便于点云图像进行二值化处理，可以先利用网格生成算法将点云图像转为二维网格图像；然后，对二维网格图像进行二值化处理得到二值化图像。因此，在本申请实施例一种可选的实施方式中，所述步骤201例如可以包括以下步骤：

步骤A：基于所述点云图像利用网格生成算法获得二维网格图像。

步骤B：基于所述二维网格图像进行二值化处理获得所述二值化图像。

步骤202：基于所述二值化图像进行边缘提取处理获得边缘图像。

需要说明的是，由于点云数据是较为分散且距离不统一的离散点，二值化图像中各个像素点仍然是较为分散且距离不统一的离散点，在步骤201获得二值化图像后，需要提取二值化图像的边缘以便后续划分得到多个点集合，即，需要对二值化图像采用边缘提取处理的方式，执行步骤202.

在步骤201具体实施时，对二值化图像例如可以采用高斯拉普拉斯算子进行边缘提取处理，其中，高斯拉普拉斯算子是指首先对二值化图像进行高斯滤波处理，然后，计算高斯滤波处理结果的拉普拉斯二阶导数，最后，通过检测高斯滤波处理结果的零交叉获得边缘图像。因此，在本申请实施例一种可选的实施方式中，所述步骤202例如具体可以为：利用高斯拉普拉斯算子对所述二值化图像进行边缘提取处理获得所述边缘图像。其中，高斯拉普拉斯算子例如可以为5*5的模板。

步骤203：基于所述边缘图像进行轮廓提取处理获得多个轮廓点集合。

需要说明的是，在步骤202获得边缘图像后，对边缘图像采用轮廓提取处理的方式即可完成图像预处理以划分得到多个轮廓点集合，即，执行步骤203。

步骤203具体实施时，由于步骤202获得的边缘图像中有些能够连续的边缘并不一定连续，则首先需要对边缘图像采用膨胀处理的方式，使得边缘图像中的高亮部分膨胀，得到比边缘图像具有更大高亮区域的膨胀图像；然后，对膨胀图像采用轮廓提取处理的方式，得到多个连通区域中每个连通区域的轮廓点集合，即，多个轮廓点集合。因此，在本申请实施例一种可选的实施方式中，所述步骤203例如可以包括以下步骤：

步骤C：基于所述边缘图像进行膨胀处理获得膨胀图像。

步骤D：基于所述膨胀图像进行轮廓提取处理获得多个所述轮廓点集合。

步骤204：利用凸包算法确定多个所述轮廓点集合中每个所述轮廓点集合的凸包。

需要说明的是，在步骤203获得多个轮廓点集合后，对多个轮廓点集合中每个轮廓点集合采用凸包算法，即可确定每个轮廓点集合的凸包，该方式确定出的凸包相较于现有技术方式确定出的凸包，更加接近于真实情况的凸包，应用于实际场景中效果较好且适用性高，从而大大提高车辆驾驶的安全性。

在步骤204具体实施时，由于对于给定二维平面上的点集，凸包简单来说就是将最外层的点连接起来所构成的凸多边形，该凸多边形可以包含点集中所有的点；则凸包算法例如可以为Graham扫描法，Graham扫描法是指先查找点集得到点集的凸包上一个点，然后从该点开始按逆时针方向逐个找点集的凸包上其他点，从而确定出点集的凸包。因此，在本申请实施例一种可选的实施方式中，所述步骤204例如具体可以为：利用Graham扫描法确定多个所述轮廓点集合中每个所述轮廓点集合的凸包。

通过本实施例提供的各种实施方式，首先，基于点云数据形成的点云图像进行二值化处理获得二值化图像；其次，基于二值化图像进行边缘提取处理获得边缘图像；然后，基于边缘图像进行轮廓提取处理获得多个轮廓点集合；最后，利用凸包算法确定多个轮廓点集合中每个轮廓点集合的凸包。由此可见，当点云数据是较为分散且距离不统一的离散点时，先对点云数据形成的点云图像进行二值化处理、边缘提取处理和轮廓提取处理，将点云数据划分为多个轮廓点集合，再通过凸包算法确定轮廓点集合的凸包，确定出的凸包更加接近于真实情况的凸包，该方法应用于实际场景中效果较好且适用性高，从而大大提高车辆驾驶的安全性。

需要说明的是，本申请中确定凸包的目的是确定车辆的周围障碍物，以便车辆避开周围障碍物，对于上述方法实施例中确定出的凸包，可能存在两个凸包的间距无法车辆驾驶通过，则在车辆驾驶时，还需要判断两个凸包的间距是否适合车辆驾驶通过。因此，本申请实施例中还考虑在上述方法实施例基础上，还需要继续获得每两个凸包的间距，当间距无法车辆驾驶通过时将两个凸包合并得到一个凸包，该方式确定出的凸包不需要再执行上述间距判断过程。

参见图3，示出了本申请实施例中另一种确定凸包的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：

步骤301：基于点云数据形成的点云图像进行二值化处理获得二值化图像。

步骤302：基于所述二值化图像进行边缘提取处理获得边缘图像。

步骤303：基于所述边缘图像进行轮廓提取处理获得多个轮廓点集合。

步骤304：利用凸包算法确定多个所述轮廓点集合中每个所述轮廓点集合的凸包。

可以理解的是，步骤301-步骤304和上述方法实施例中步骤201-步骤204相同，详细说明参见上述方法实施例中步骤201-步骤204的详细说明，在此不再赘述。

步骤305：将每个所述轮廓点集合作为目标轮廓点集合，针对每个目标轮廓点集合和每个其他轮廓点集合，获得所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距；所述其他轮廓点集合是指多个所述轮廓点集合中除所述目标轮廓点集合外的一个轮廓点集合。

需要说明的是，对于两个凸包而言，比如第一凸包和第二凸包，第一凸包与第二凸包间距是通过对第一凸包中每个点与第二凸包中每个边进行距离计算并选取最小距离值得到的。因此，在本申请实施例一种可选的实施方式中，所述步骤305中获得所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距步骤例如可以包括以下步骤：

步骤E：计算所述目标轮廓点集合的凸包中每个点与所述其他轮廓点集合的凸包中每条边的距离，获得距离集合。

步骤F：将所述距离集合中的最小距离确定为所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距。

步骤306：若所述间距小于预设间距，合并所述间距对应的两个凸包确定目标凸包。

可以理解的是，预设间距是基于车辆宽度确定的，当间距小于预设间距时，表示目标轮廓点集合的凸包与所述其他轮廓点集合的凸包间距较小，无法车辆驾驶通过，则可以将上述两个凸包合并成一个凸包作为目标凸包，车辆需要避开该合并后的目标凸包。

通过本实施例提供的各种实施方式，首先，基于点云数据形成的点云图像进行二值化处理获得二值化图像；其次，基于二值化图像进行边缘提取处理获得边缘图像；然后，基于边缘图像进行轮廓提取处理获得多个轮廓点集合；最后，利用凸包算法确定多个轮廓点集合中每个轮廓点集合的凸包。由此可见，当点云数据是较为分散且距离不统一的离散点时，先对点云数据形成的点云图像进行二值化处理、边缘提取处理和轮廓提取处理，将点云数据划分为多个轮廓点集合，再通过凸包算法确定轮廓点集合的凸包，确定出的凸包更加接近于真实情况的凸包，该方法应用于实际场景中效果较好且适用性高，从而大大提高车辆驾驶的安全性。

示例性装置

参见图4，示出了本申请实施例中一种确定凸包的装置的结构示意图。在本实施例中，所述装置例如具体可以包括：

第一获得单元401，用于基于点云数据形成的点云图像进行二值化处理获得二值化图像；

第二获得单元402，用于基于所述二值化图像进行边缘提取处理获得边缘图像；

第三获得单元403，用于基于所述边缘图像进行轮廓提取处理获得多个轮廓点集合；

第一确定单元404，用于利用凸包算法获得多个所述轮廓点集合中每个所述轮廓点集合的凸包。

在本申请实施例一种可选的实施方式中，所述第一获得单元401包括：

第一获得子单元，用于基于所述点云图像利用网格生成算法获得二维网格图像；

第二获得子单元，用于基于所述二维网格图像进行二值化处理获得所述二值化图像。

在本申请实施例一种可选的实施方式中，所述第二获得单元402具体用于：

利用高斯拉普拉斯算子对所述二值化图像进行边缘提取处理获得所述边缘图像。

在本申请实施例一种可选的实施方式中，所述第三获得单元403包括：

第三获得子单元，用于基于所述边缘图像进行膨胀处理获得膨胀图像；

第四获得子单元，用于基于所述膨胀图像进行轮廓提取处理获得多个所述轮廓点集合。

在本申请实施例一种可选的实施方式中，所述第一确定单元404具体用于：

利用Graham扫描法确定多个所述轮廓点集合中每个所述轮廓点集合的凸包。

在本申请实施例一种可选的实施方式中，所述装置还包括：

第四获得单元，用于将每个所述轮廓点集合作为目标轮廓点集合，针对每个目标轮廓点集合和每个其他轮廓点集合，获得所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距；所述其他轮廓点集合是指多个所述轮廓点集合中除所述目标轮廓点集合外的一个轮廓点集合；

第二确定单元，用于若所述间距小于预设间距，合并所述间距对应的两个凸包确定目标凸包。

在本申请实施例一种可选的实施方式中，所述获得所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距，包括：

计算所述目标轮廓点集合的凸包中每个点与所述其他轮廓点集合的凸包中每条边的距离，获得距离集合；

将所述距离集合中的最小距离确定为所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距。

通过本实施例提供的各种实施方式，首先，基于点云数据形成的点云图像进行二值化处理获得二值化图像；其次，基于二值化图像进行边缘提取处理获得边缘图像；然后，基于边缘图像进行轮廓提取处理获得多个轮廓点集合；最后，利用凸包算法确定多个轮廓点集合中每个轮廓点集合的凸包。由此可见，当点云数据是较为分散且距离不统一的离散点时，先对点云数据形成的点云图像进行二值化处理、边缘提取处理和轮廓提取处理，将点云数据划分为多个轮廓点集合，再通过凸包算法确定轮廓点集合的凸包，确定出的凸包更加接近于真实情况的凸包，该方法应用于实际场景中效果较好且适用性高，从而大大提高车辆驾驶的安全性。

此外，本申请实施例还提供了一种终端设备，该终端设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述任一方法实施例所述的确定凸包的方法。

另外，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述任一方法实施例所述的确定凸包的方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。

Claims (10)

1.一种确定凸包的方法，其特征在于，包括：

基于点云数据形成的点云图像进行二值化处理获得二值化图像；

基于所述二值化图像进行边缘提取处理获得边缘图像；

基于所述边缘图像进行轮廓提取处理获得多个轮廓点集合；

利用凸包算法确定多个所述轮廓点集合中每个所述轮廓点集合的凸包。

2.根据权利要求1所述的方法，其特征在于，所述基于点云数据形成的点云图像进行二值化处理获得二值化图像，包括：

基于所述点云图像利用网格生成算法获得二维网格图像；

基于所述二维网格图像进行二值化处理获得所述二值化图像。

3.根据权利要求1所述的方法，其特征在于，所述基于所述二值化图像进行边缘提取处理获得边缘图像，具体为：

利用高斯拉普拉斯算子对所述二值化图像进行边缘提取处理获得所述边缘图像。

4.根据权利要求1所述的方法，其特征在于，所述基于所述边缘图像进行轮廓提取处理获得多个轮廓点集合，包括：

基于所述边缘图像进行膨胀处理获得膨胀图像；

基于所述膨胀图像进行轮廓提取处理获得多个所述轮廓点集合。

5.根据权利要求1所述的方法，其特征在于，所述利用凸包算法获得多个所述轮廓点集合中每个所述轮廓点集合的凸包，具体为：

利用Graham扫描法确定多个所述轮廓点集合中每个所述轮廓点集合的凸包。

6.根据权利要求1所述的方法，其特征在于，还包括：

将每个所述轮廓点集合作为目标轮廓点集合，针对每个目标轮廓点集合和每个其他轮廓点集合，获得所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距；所述其他轮廓点集合是指多个所述轮廓点集合中除所述目标轮廓点集合外的一个轮廓点集合；

若所述间距小于预设间距，合并所述间距对应的两个凸包确定目标凸包。

7.根据权利要求6所述的方法，其特征在于，所述获得所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距，包括：

计算所述目标轮廓点集合的凸包中每个点与所述其他轮廓点集合的凸包中每条边的距离，获得距离集合；

将所述距离集合中的最小距离确定为所述目标轮廓点集合的凸包与所述其他轮廓点集合的凸包的间距。

8.一种确定凸包的装置，其特征在于，包括：

第一获得单元，用于基于点云数据形成的点云图像进行二值化处理获得二值化图像；

第二获得单元，用于基于所述二值化图像进行边缘提取处理获得边缘图像；

第三获得单元，用于基于所述边缘图像进行轮廓提取处理获得多个轮廓点集合；

第一确定单元，用于利用凸包算法获得多个所述轮廓点集合中每个所述轮廓点集合的凸包。

9.一种终端设备，其特征在于，所述终端设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的确定凸包的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的确定凸包的方法。

Images