CN111292275A - 基于复杂地面的点云数据滤除方法、装置、计算机设备 - Google Patents
基于复杂地面的点云数据滤除方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN111292275A CN111292275A CN201911363580.XA CN201911363580A CN111292275A CN 111292275 A CN111292275 A CN 111292275A CN 201911363580 A CN201911363580 A CN 201911363580A CN 111292275 A CN111292275 A CN 111292275A
- Authority
- CN
- China
- Prior art keywords
- cloud data
- point cloud
- points
- test
- candidate
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012360 testing method Methods 0.000 claims abstract description 180
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及一种基于复杂地面的点云数据滤除方法、装置、计算机设备和存储介质。方法包括：获取激光点云数据，包括多个单帧点云数据；利用第一函数对单帧点云数据进行提取，得到与最优平面模型对应的第一候选点；利用第二函数对单帧点云数据进行提取，得到与满足预设斜率条件对应的第二候选点；对第一候选点、第二候选点进行筛选，得到对应的候选点云数据；利用候选点云数据对高斯模型进行优化，得到优化后的高斯模型；利用优化后的高斯模型对点云数据进行测试，得到测试点的测试结果；将测试点的测试结果与阈值进行比较，将小于阈值的测试点滤除，剩余的测试点作为非地面点。采用本方法即使在复杂的路面场景中，也可以保证得到理想的滤除效果。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于复杂地面的点云数据滤 除方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，智能驾驶作为车辆未来发展的核心方向，其对于 车辆行业甚至是交通运输业有着深远的影响。基于智能驾驶的激光雷达感知框 架中，地面点云滤除是最为核心的预处理步骤之一，也是激光点云感知后续步 骤的基础，在地面点被滤除后，系统可以进一步对非地面点进行聚类、跟踪等。
然而，目前的地面滤除方式中，对于简单的路面场景可以达到很好的滤除 效果，但在复杂的路面场景中，例如路面有过大起伏、路面斜率过大等情景中， 容易出现极端的错误滤除结果，并不能保证得到理想的滤除效果。
发明内容
基于此，有必要针对上述技术问题，提供一种能提高地面点云数据滤除准 确性的基于复杂地面的点云数据滤除方法、装置、计算机设备和存储介质。
一种基于复杂地面的点云数据滤除方法，所述方法包括：
获取激光点云数据，所述激光点云数据包括多个单帧点云数据；
利用第一函数对所述单帧点云数据进行提取，得到与最优平面模型对应的 第一候选点；
利用第二函数对所述单帧点云数据进行提取，得到与满足预设斜率条件对 应的第二候选点；
对所述第一候选点、所述第二候选点进行筛选，得到对应的候选点云数据；
利用所述候选点云数据对高斯模型进行优化，得到优化后的高斯模型；
利用优化后的高斯模型对多个所述单帧点云数据进行测试，得到多个测试 点对应的测试结果；
将多个所述测试点的测试结果与阈值进行比较，将小于阈值的测试点滤除， 剩余的测试点作为非地面点。
在其中一个实施例中，所述利用第一函数对所述单帧点云数据进行提取， 得到与最优平面模型对应的第一候选点，包括：
选取与所述单帧点云数据激光原点距离满足第一阈值条件的点，得到对应 的初始点集；
随机选取所述初始点集中的初始点，利用随机采样一致性函数对所述初始 点进行平面拟合，得到对应的多个平面模型；
计算与多个所述平面模型距离小于预设阈值的激光点的数量，得到与多个 所述平面模型对应的候选点；
从多个所述平面模型中选取最优平面模型，将所述最优平面模型对应的候 选点作为第一候选点。
在其中一个实施例中，所述利用第二函数对所述单帧点云数据进行提取， 得到与满足预设斜率条件对应的第二候选点，包括：
将所述单帧点云数据中的激光点按照水平角度进行分割，得到每个水平角 度对应的多个激光点；
将多个所述激光点进行排序，得到带有标识的多个激光点；
对每两个相邻的激光点进行线性计算，得到对应的多个斜率；
当所述斜率大于预设阈值时，则将满足所述斜率的激光点标记为第二候选 点。
在其中一个实施例中，所述利用所述候选点云数据对高斯模型进行优化， 得到优化后的高斯模型，包括：
获取高斯模型的超参数；
利用所述高斯模型的超参数、所述候选点云数据对高斯模型进行优化，得 到优化后的高斯模型。
在其中一个实施例中，所述获取高斯模型的超参数，包括：
获取离线高斯模型训练的多帧点云数据；
对多帧所述点云数据中的地面点进行标注，得到对应的多个地面候选点；
利用多个所述地面候选点对高斯模型进行训练，得到多个对应的高斯过程 回归参数；
对多个所述高斯过程回归参数进行中位数计算，得到对应的高斯模型的超 参数。
在其中一个实施例中，所述利用优化后的高斯模型对多个所述单帧点云数 据进行测试，得到多个测试点对应的测试结果之前，所述方法还包括：
将所述单帧点云数据按照水平角度进行分割，得到对应的多个扇区；
对每个扇区中的激光点进行坐标转换，得到转换后的每个扇区对应的激光 点；
利用高斯模型对所述转换后的每个扇区对应的激光点进行训练。
在其中一个实施例中，所述将多个所述测试点的测试结果与阈值进行比较， 将小于阈值的测试点滤除，剩余的测试点作为非地面点，包括：
多个所述测试点对应的测试结果包括每个测试点对应的水平高度；
将每个所述测试点对应的水平高度与每个所述测试点对应的扇区候选点云 数据进行高斯联合分布计算，得到对应的估计阈值；
当所述测试点的水平高度小于所述估计阈值时，则将所述测试点进行滤除；
当所述测试点的水平高度大于所述估计阈值时，则将所述测试点作为非地 面点进行保存。
一种基于复杂地面的点云数据滤除装置，所述装置包括：
获取模块，用于获取激光点云数据，所述激光点云数据包括多个单帧点云 数据；
提取模块，用于利用第一函数对所述单帧点云数据进行提取，得到与最优 平面模型对应的第一候选点；利用第二函数对所述单帧点云数据进行提取，得 到与满足预设斜率条件对应的第二候选点；
筛选模块，用于对所述第一候选点、所述第二候选点进行筛选，得到对应 的候选点云数据；
优化模块，用于利用所述候选点云数据对高斯模型进行优化，得到优化后 的高斯模型；
测试模块，用于利用优化后的高斯模型对多个所述单帧点云数据进行测试， 得到多个测试点对应的测试结果；
滤除模块，用于将多个所述测试点的测试结果与阈值进行比较，将小于阈 值的测试点滤除，剩余的测试点作为非地面点。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上 运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取激光点云数据，所述激光点云数据包括多个单帧点云数据；
利用第一函数对所述单帧点云数据进行提取，得到与最优平面模型对应的 第一候选点；
利用第二函数对所述单帧点云数据进行提取，得到与满足预设斜率条件对 应的第二候选点；
对所述第一候选点、所述第二候选点进行筛选，得到对应的候选点云数据；
利用所述候选点云数据对高斯模型进行优化，得到优化后的高斯模型；
利用优化后的高斯模型对多个所述单帧点云数据进行测试，得到多个测试 点对应的测试结果；
将多个所述测试点的测试结果与阈值进行比较，将小于阈值的测试点滤除， 剩余的测试点作为非地面点。
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 理器执行时实现以下步骤：
获取激光点云数据，所述激光点云数据包括多个单帧点云数据；
利用第一函数对所述单帧点云数据进行提取，得到与最优平面模型对应的 第一候选点；
利用第二函数对所述单帧点云数据进行提取，得到与满足预设斜率条件对 应的第二候选点；
对所述第一候选点、所述第二候选点进行筛选，得到对应的候选点云数据；
利用所述候选点云数据对高斯模型进行优化，得到优化后的高斯模型；
利用优化后的高斯模型对多个所述单帧点云数据进行测试，得到多个测试 点对应的测试结果；
将多个所述测试点的测试结果与阈值进行比较，将小于阈值的测试点滤除， 剩余的测试点作为非地面点。
上述基于复杂地面的点云数据滤除方法、装置、计算机设备和存储介质， 通过获取激光点云数据，激光点云数据包括多个单帧点云数据。利用第一函数 对单帧点云数据进行提取，得到与最优平面模型对应的第一候选点。利用第二 函数对单帧点云数据进行提取，得到与满足预设斜率条件对应的第二候选点。 对第一候选点、第二候选点进行筛选，得到对应的候选点云数据。利用候选点 云数据对高斯模型进行优化，得到优化后的高斯模型。利用优化后的高斯模型 对多个单帧点云数据进行测试，得到多个测试点对应的测试结果，将多个测试 点的测试结果与阈值进行比较，将小于阈值的测试点滤除，剩余的测试点作为 非地面点。相对于传统的地面滤除方式，采用离线与在线相结合的方式，利用 不同的提取方式，得到与最优平面模型对应的第一候选点以及满足预设斜率条 件对应的第二候选点，通过对第一候选点、第二候选点筛选，得到对应的候选 点云数据，通过利用上述候选点云数据对高斯模型进行优化，利用优化后的高 斯模型对每帧点云数据进行实时测试，可以准确的将小于阈值的测试点滤除， 保留剩余的非地面点，由此使得能够提高地面点云数据滤除的准确性，同时对 于不同地面场景的适用性更强，即使在复杂的路面场景中，也可以保证得到理 想的滤除效果。
附图说明
图1为一个实施例中基于复杂地面的点云数据滤除方法的应用场景图；
图2为一个实施例中基于复杂地面的点云数据滤除方法的流程示意图；
图3为一个实施例中利用第一函数对单帧点云数据进行提取，得到与最优 平面模型对应的第一候选点步骤的流程示意图；
图4为另一个实施例中利用第二函数对单帧点云数据进行提取，得到与满 足预设斜率条件对应的第二候选点步骤的流程示意图；
图5为一个实施例中获取高斯模型的超参数步骤的流程示意图；
图6为一个实施例中基于复杂地面的点云数据滤除装置的结构框图；
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。
本申请提供的基于复杂地面的点云数据滤除方法，可以应用于如图1所示 的智能驾驶的应用环境中。其中，可以包括激光传感器102和计算机设备104。 计算机设备104可以根据与激光传感器102之间建立的连接，与激光传感器102 进行通信。激光传感器102与计算机设备104之间可以建立有线连接，也可以 建立无线连接。激光传感器102可以采集周围环境的多帧点云数据，计算机设 备104可以获取激光传感器102采集到的激光点云数据，激光点云数据包括多 个单帧点云数据。计算机设备104利用第一函数对单帧点云数据进行提取，得 到与最优平面模型对应的第一候选点，计算机设备104利用第二函数对单帧点 云数据进行提取，得到与满足预设斜率条件对应的第二候选点。计算机设备104 对第一候选点、第二候选点进行筛选，得到对应的候选点云数据。计算机设备 104利用候选点云数据对高斯模型进行优化，得到优化后的高斯模型。计算机设 备104利用优化后的高斯模型对多个单帧点云数据进行测试，得到多个测试点 对应的测试结果。计算机设备104将多个测试点的测试结果与阈值进行比较， 将小于阈值的测试点滤除，剩余的测试点作为非地面点。
在一个实施例中，如图2所示，提供了一种基于复杂地面的点云数据滤除 方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
步骤202，获取激光点云数据，激光点云数据包括多个单帧点云数据。
智能驾驶车辆中安装有激光传感器和计算机设备，激光点云数据指的是利 用激光传感器扫描获取到的在一个三维坐标系统中的一组向量的集合。当一束 激光照射到物体表面时，所反射的激光会携带方位、距离等信息。若将激光束 按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极 为精细，则能够得到大量的激光点，因而就可形成激光点云数据。计算机终端 通过获取激光传感器扫描采集到的激光点云数据，激光点云数据可以包括多种 场景下的多个单帧点云数据。
步骤204，利用第一函数对单帧点云数据进行提取，得到与最优平面模型对 应的第一候选点。
终端根据获取到的激光点云数据，利用第一函数对多个单帧点云数据进行 提取，得到与最优平面模型对应的第一候选点。具体的，终端通过设置距离阈 值，对获取到的点云数据进行平面拟合，筛选出符合平面约束条件的激光点作 为第一候选点。
步骤206，利用第二函数对单帧点云数据进行提取，得到与满足预设斜率条 件对应的第二候选点。
终端根据获取到的激光点云数据，利用第二函数对多个单帧点云数据进行 提取，得到与满足预设斜率条件对应的第二候选点。具体的，终端利用激光点 云数据的特性，对获取到的激光点云数据进行斜率计算，筛选出符合相邻地面 点的斜率约束条件的点作为第二候选点。
步骤208，对第一候选点、第二候选点进行筛选，得到对应的候选点云数据。
终端根据上述初步筛选得到第一候选点、第二候选点，终端对第一候选点、 第二候选点进行筛选，得到对应的候选点云数据。
步骤210，利用候选点云数据对高斯模型进行优化，得到优化后的高斯模型。
步骤212，利用优化后的高斯模型对多个单帧点云数据进行测试，得到多个 测试点对应的测试结果。
步骤214，将多个测试点的测试结果与阈值进行比较，将小于阈值的测试点 滤除，剩余的测试点作为非地面点。
终端根据上述得到的候选点云数据对高斯模型进行优化，得到优化后的高 斯模型；利用优化后的高斯模型对候选点云数据进行测试，得到多个测试点对 应的测试结果。具体的，终端利用离线训练得到的超参数以及上述候选点云数 据对高斯模型进行优化训练，终端利用优化后的高斯模型对每个输入的点云数 据进行测试，得到每个测试点对应的测试结果。终端将每个测试点的测试结果 与阈值进行比较，将小于阈值的测试点滤除，剩余的测试点作为非地面点。
本实施例中，通过获取激光点云数据，激光点云数据包括多个单帧点云数 据。利用第一函数对单帧点云数据进行提取，得到与最优平面模型对应的第一 候选点。利用第二函数对单帧点云数据进行提取，得到与满足预设斜率条件对 应的第二候选点。对第一候选点、第二候选点进行筛选，得到对应的候选点云 数据。利用候选点云数据对高斯模型进行优化，得到优化后的高斯模型。利用 优化后的高斯模型对多个单帧点云数据进行测试，得到多个测试点对应的测试 结果，将多个测试点的测试结果与阈值进行比较，将小于阈值的测试点滤除， 剩余的测试点作为非地面点。相对于传统的地面滤除方式，采用离线与在线相 结合的方式，利用不同的提取方式，得到与最优平面模型对应的第一候选点以 及满足预设斜率条件对应的第二候选点，通过对第一候选点、第二候选点筛选， 得到对应的候选点云数据，通过利用上述候选点云数据对高斯模型进行优化， 利用优化后的高斯模型对每帧点云数据进行实时测试，可以准确的将小于阈值 的测试点滤除，保留剩余的非地面点，由此使得能够提高地面点云数据滤除的 准确性，同时对于不同地面场景的适用性更强，即使在复杂的路面场景中，也 可以保证得到理想的滤除效果。
在一个实施例中，利用第一函数对单帧点云数据进行提取，得到与最优平 面模型对应的第一候选点的步骤，如图3所示，包括：
步骤302，选取与单帧点云数据激光原点距离满足第一阈值条件的点，得到 对应的初始点集。
步骤304，随机选取初始点集中的初始点，利用随机采样一致性函数对初始 点进行平面拟合，得到对应的多个平面模型。
步骤306，计算与多个平面模型距离小于预设阈值的激光点的数量，得到与 多个平面模型对应的候选点。
步骤308，从多个平面模型中选取最优平面模型，将最优平面模型对应的候 选点作为第一候选点。
终端根据获取到的激光点云数据，利用第一函数对单帧点云数据进行提取， 得到与最优平面模型对应的第一候选点。具体的，终端选取与单帧点云数据激 光原点距离满足第一阈值条件的点，第一阈值条件可以是预置的距离激光原点 的距离范围。例如终端可以利用近似法来计算激光原点的最近邻元素，终端可 以预先设置第一阈值条件为满足在半径r范围内的邻近元素，终端在半径r的 范围内，搜索该激光原点的所有邻近元素，选取满足第一阈值条件的点，得到 对应的初始点集。进一步的，终端随机选取上述初始点集中的初始点，利用随 机采样一致性函数(Random Sample Consensus)对选取到的初始点进行平面拟 合，得到对应的多个平面模型，终端调用计算模块计算与多个平面模型距离小 于预设阈值的激光点的数量，得到与多个平面模型对应的候选点。例如，终端 随机选取上述初始点集中的三个不共线的初始点(即根据三个不共线的点可确 定一个平面)，得到对应的拟合平面的平面模型参数，终端根据预置的阈值，计 算与该平面模型距离小于阈值的点的个数，例如终端根据预置的阈值距离为20， 终端计算与该平面模型距离小于20的点的个数为10，则该平面模型对应的候选 点即为小于阈值距离的这10个点。终端重复上述步骤直到对初始点集中的所有 初始点都进行对应的平面拟合之后，终端从拟合得到的多个平面模型中选取最 优的平面模型，即终端将小于阈值的内点个数最多的模型(即最优平面模型)作为最终拟合的平面模型，终端将该最优平面模型对应的内点个数作为第一候 选点。通过遍历初始点集中的每个点进行平面拟合，从拟合的多个平面模型中 最优的平面模型，得到与最优平面模型对应的第一候选点，由此使得选取的候 选点精确度更高，选取鲁棒的候选点作为模型训练的数据。
在一个实施例中，利用第二函数对单帧点云数据进行提取，得到与满足预 设斜率条件对应的第二候选点的步骤，如图4所示，包括：
步骤402，将单帧点云数据中的激光点按照水平角度进行分割，得到每个水 平角度对应的多个激光点。
步骤404，将多个激光点进行排序，得到带有标识的多个激光点。
步骤406，对每两个相邻的激光点进行线性计算，得到对应的多个斜率。
步骤408，当斜率大于预设阈值时，则将满足斜率的激光点标记为第二候选 点。
终端根据获取到的激光点云数据，利用第二函数对单帧点云数据进行提取， 得到与满足预设斜率条件对应的第二候选点。具体的，终端根据激光点云数据 的特性，例如对于16线激光，其每个水平角度有16个激光点，这16个点是对 该水平角度上的物体空间分布的采样。终端将获取到的单帧点云数据中的激光 原点按照水平角度进行分割，得到每个水平角度对应的多个激光点，终端将多 个激光点按照由近及远的顺序进行排序编号，得到带有编号标识的多个激光点， 终端对每两个相邻编号的激光点进行线性计算，得到对应的多个相邻点的斜率。 当终端检测到其中两个相邻点的斜率大于预设阈值时，则将满足该斜率相邻点 之前的所有编号点标记为第二候选点。以16线激光举例说明，终端将单帧点云 数据中的点按照水平角度进行分割，得到每个水平角度对应的16个激光点；终 端将上述16个激光点按照由近及远的顺序进行排序编号，得到带有编号标识的 16个激光点。进一步的，终端通过假设第一个编号点01为地面点，终端对上述 16个激光点从编号点01开始，终端对每两个相邻编号的激光点进行斜率计算， 得到对应的多个斜率。例如，终端对07、08编号点进行斜率计算，得到对应的 斜率为k78；当终端检测到该斜率k78大于预设阈值时，则表明该斜率发生了突 变，可能是激光雷达扫描到了地面上的障碍物，故不能作为地面点。由于该算 法使用了相邻点云的信息，只有前序点为地面点时，斜率的约束才有作用，故 后续点不能使用。终端将满足该斜率之前的编号点标记为第二候选点，即01、 02、03、04、05、06、07标记为第二候选点。通过使用相邻点云信息，并由近 到远地遍历，通过假设第一个点为地面点，迭代地扩展地面点，利用相邻地面 点的斜率作为约束，选取鲁棒的地面候选点，从而避免了选取非地面点的错误 发生，提高了候选点选取的准确性。
在一个实施例中，利用候选点云数据对高斯模型进行优化，得到优化后的 高斯模型的步骤，包括：
获取高斯模型的超参数；利用高斯模型的超参数、候选点云数据对高斯模 型进行优化，得到优化后的高斯模型。
终端利用高斯模型对候选点云数据进行测试之前，终端利用离线获取多帧 激光点云数据对高斯模型进行训练，得到对应的高斯模型的超参数。进一步的， 终端利用得到的高斯模型的超参数、候选点云数据对高斯模型进行优化，得到 优化后的高斯模型。通过将在线模型训练的步骤化简为离线训练，既减少了计 算量，提高模型计算效率，又能缓解地面检测中训练数据初始化难的问题，保 证测试点云数据的稳定性。
在其中一个实施例中，获取高斯模型的超参数的步骤，如图5所示，包括：
步骤502，获取离线高斯模型训练的多帧点云数据。
步骤504，对多帧点云数据中的地面点进行标注，得到对应的多个地面候选 点。
步骤506，利用多个地面候选点对高斯模型进行训练，得到多个对应的高斯 过程回归参数。
步骤508，对多个高斯过程回归参数进行中位数计算，得到对应的高斯模型 的超参数。
终端利用高斯模型对候选点云数据进行测试之前，终端利用离线获取的多 帧激光点云数据对高斯模型进行训练，得到对应的高斯模型的超参数。具体的， 终端获取离线的多帧点云数据，终端对获取到的多帧点云数据中的地面点进行 标注，得到对应的多个地面候选点；终端利用高斯模型对多个地面候选点进行 训练，得到多个对应的高斯过程回归参数；终端对多个高斯过程回归参数进行 中位数计算，得到对应的高斯模型的超参数。以16线激光举例说明，终端获取 离线的16线激光的多帧点云数据，终端利用分类识别模型对离线的每帧16线 激光点云数据中的地面点进行标注，筛选出对应的多个16线激光的地面候选点； 终端利用筛选出的多个16线激光的地面候选点对高斯模型进行训练，调用计算模块计算得到多个对应的高斯过程回归参数；终端对多个高斯过程回归参数进 行中位数计算，得到对应的高斯模型的超参数。终端将上述计算得到的高斯模 型超参数作为在线检测中的模型参数，通过使用多帧激光数据离线确定超参数， 增加模型参数对不同地面场景的适应性，由此使得能够适用绝大多数场景，即 使在复杂的路面场景中，也可以保证得到理想的滤除效果。
在一个实施例中，利用优化后的高斯模型对多个单帧点云数据进行测试， 得到多个测试点对应的测试结果之前，方法还包括：
将单帧点云数据按照水平角度进行分割，得到对应的多个扇区；对每个扇 区中的激光点进行坐标转换，得到转换后的每个扇区对应的激光点；利用高斯 模型对转换后的每个扇区对应的激光点进行训练。
终端在获取到高斯模型超参数之后，终端将单帧点云数据按照水平角度进 行分割，得到对应的多个扇区；终端对每个扇区中的激光点进行坐标转换，得 到转换后的每个扇区对应的激光点；终端利用高斯模型对转换后的每个扇区对 应的激光点进行训练。
以16线激光举例说明。终端将16线激光的单帧点云数据按照水平角度进 行分割，得到对应的360个扇区，终端对每个扇区建立对应的高斯过程模型进 行训练。终端将每个扇区中的激光点进行坐标转换，即终端将每个扇区中的激 光点的坐标，从笛卡尔坐标系(x,y,z)转换到极坐标系(ρ,z),其中
终端利用高斯模型对转换后的每个扇区对应的激光点进行训练。其中，高斯过 程模型中的自变量为点到激光原点的距离ρ，因变量为激光点水平的高度z，终 端选取线性函数和平方指数核函数(Squared Exponential)分别作为均值函数与 协方差函数。终端将多个单帧点云数据输入下述模型公式中：
m(ρ)＝kρ+b， (1)
其中，k和b是线性函数的模型参数，由每个扇区中的地面候选点直线拟合 求得；σi与l为离线求得的协方差函数中的超参数；σn为训练数据的噪声参数， 由经验设计得到；δ(ρ,ρ')为狄拉克δ函数(Dirac delta)。终端利用上述公式(1) (2)以及地面候选点云数据，训练得到联合概率密度均值μ∈Rn与协方差矩阵∑ ∈Rn×n，得到训练优化后的模型。其中，n为训练输入点的个数。进一步的，终 端利用上述训练后的高斯模型对转换后的每个扇区对应的激光点进行测试，滤 除其中满足模型的地面点。由此使得高斯过程回归能实时地对地面建模，且不 仅能提供地面的模型描述，还能提供地面模型与真实地面点的误差范围(方差)。 通过将当前帧点云数据的所有激光点与模型阈值进行比较，滤除其中满足模型 的地面点，能够满足系统对该模型实时性与稳定性的要求。
在一个实施例中，将多个测试点的测试结果与阈值进行比较，将小于阈值 的测试点滤除，剩余的测试点作为非地面点的步骤，包括：
多个测试点对应的测试结果包括每个测试点对应的水平高度；将每个测试 点对应的水平高度与每个测试点对应的扇区候选点云数据进行高斯联合分布计 算，得到对应的估计阈值；当测试点的水平高度小于估计阈值时，则将测试点 进行滤除；当测试点的水平高度大于估计阈值时，则将测试点作为非地面点进 行保存。
终端利用上述训练后的高斯模型对转换后的每个扇区对应的激光点进行测 试，得到多个测试点对应的测试结果。其中，多个测试点对应的测试结果包括 每个测试点对应的水平高度。终端将每个测试点对应的水平高度与每个测试点 对应的扇区候选点云数据进行高斯联合分布计算，得到对应的估计阈值。当终 端检测到该测试点的水平高度小于估计阈值时，则将该测试点进行滤除。当终 端检测到该测试点的水平高度大于估计阈值时，则将该测试点作为非地面点进 行保存。例如，对于某个测试激光点(ρi,zi)，终端利用上述训练后的高斯模型 对该激光点进行测试，得到该测试点对应的测试结果，即该测试点对应的水平 高度为z*。终端由上述公式(1)(2)即均值函数和协方差函可以求得z*所对应 的均值μ*、方差∑**以及z*与训练数据z之间的协方差矩阵∑*。由高斯过程的定 义可知，z*与z满足联合高斯分布，则终端计算该测试激光点(ρi,zi)在高斯过 程模型中均值与方差的最优估计为：
进一步的，终端根据上述公式(3)(4)得到对应的估计阈值公式为：
当终端检测到该测试点满足上述估计阈值公式时，则将该测试点进行滤除。当 终端检测到该测试点不满足上述估计阈值公式时，则将该测试点作为非地面点 进行保存。由此使得可以准确的将小于阈值的测试点即地面点滤除，保留剩余 的非地面点，不仅能够提高地面滤除的准确性，而且对于不同地面场景的适用 性更强。
应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显 示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明 确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺 序执行。而且，图1-5中的至少一部分步骤可以包括多个子步骤或者多个阶段， 这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻 执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它 步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种基于复杂地面的点云数据滤除 装置，包括：获取模块602、提取模块604、筛选模块606、测试模块608和滤 除模块610，其中：
获取模块602，用于获取激光点云数据，激光点云数据包括多个单帧点云数 据。
提取模块604，用于利用第一函数对单帧点云数据进行提取，得到与最优平 面模型对应的第一候选点；利用第二函数对单帧点云数据进行提取，得到与满 足预设斜率条件对应的第二候选点。
筛选模块606，用于对第一候选点、第二候选点进行筛选，得到对应的候选 点云数据。
优化模块608，用于利用候选点云数据对高斯模型进行优化，得到优化后的 高斯模型。
测试模块610，用于利用优化后的高斯模型对候选点云数据进行测试，得到 多个测试点对应的测试结果。
滤除模块612，用于将多个测试点的测试结果与阈值进行比较，将小于阈值 的测试点滤除，剩余的测试点作为非地面点。
在一个实施例中，该装置还包括：选取模块和计算模块。
选取模块用于选取与单帧点云数据激光原点距离满足第一阈值条件的点， 得到对应的初始点集；选取模块还用于随机选取初始点集中的初始点，利用随 机采样一致性函数对初始点进行平面拟合，得到对应的多个平面模型。
计算模块用于计算与多个平面模型距离小于预设阈值的激光点的数量，得 到与多个平面模型对应的候选点。选取模块还用于从多个平面模型中选取最优 平面模型，将最优平面模型对应的候选点作为第一候选点。
在一个实施例中，该装置还包括：分割模块、排序模块和标记模块。
分割模块用于将单帧点云数据中的激光点按照水平角度进行分割，得到每 个水平角度对应的多个激光点。排序模块用于将多个激光点进行排序，得到带 有标识的多个激光点。计算模块还用于对每两个相邻的激光点进行线性计算， 得到对应的多个斜率。标记模块用于当斜率大于预设阈值时，则将满足斜率的 激光点标记为第二候选点。
在一个实施例中，获取模块602还用于获取高斯模型的超参数。优化模块 608还用于利用高斯模型的超参数、候选点云数据对高斯模型进行优化，得到优 化后的高斯模型。
在一个实施例中，该装置还包括：标注模块和训练模块。
获取模块602还用于获取离线高斯模型训练的多帧点云数据。标注模块用 于对多帧点云数据中的地面点进行标注，得到对应的多个地面候选点。训练模 块用于利用多个地面候选点对高斯模型进行训练，得到多个对应的高斯过程回 归参数。计算模块还用于对多个高斯过程回归参数进行中位数计算，得到对应 的高斯模型的超参数。
在一个实施例中，该装置还包括：转换模块。
分割模块还用于将单帧点云数据按照水平角度进行分割，得到对应的多个 扇区。转换模块用于对每个扇区中的激光点进行坐标转换，得到转换后的每个 扇区对应的激光点。训练模块还用于利用高斯模型对转换后的每个扇区对应的 激光点进行训练。
在一个实施例中，该装置还包括：保存模块。
计算模块还用于将每个测试点对应的水平高度与每个测试点对应的扇区候 选点云数据进行高斯联合分布计算，得到对应的估计阈值。滤除模块610还用 于当测试点的水平高度小于估计阈值时，则将测试点进行滤除。保存模块用于 当测试点的水平高度大于估计阈值时，则将测试点作为非地面点进行保存。
关于基于复杂地面的点云数据滤除装置的具体限定可以参见上文中对于基 于复杂地面的点云数据滤除方法的限定，在此不再赘述。上述基于复杂地面的 点云数据滤除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 种基于复杂地面的点云数据滤除方法。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、处理器及存储在 存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上 述各个方法实施例的步骤。
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。
以上所述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)
1.一种基于复杂地面的点云数据滤除方法，所述方法包括：
获取激光点云数据，所述激光点云数据包括多个单帧点云数据；
利用第一函数对所述单帧点云数据进行提取，得到与最优平面模型对应的第一候选点；
利用第二函数对所述单帧点云数据进行提取，得到与满足预设斜率条件对应的第二候选点；
对所述第一候选点、所述第二候选点进行筛选，得到对应的候选点云数据；
利用所述候选点云数据对高斯模型进行优化，得到优化后的高斯模型；
利用优化后的高斯模型对多个所述单帧点云数据进行测试，得到多个测试点对应的测试结果；
将多个所述测试点的测试结果与阈值进行比较，将小于阈值的测试点滤除，剩余的测试点作为非地面点。
2.根据权利要求1所述的方法，其特征在于，所述利用第一函数对所述单帧点云数据进行提取，得到与最优平面模型对应的第一候选点，包括：
选取与所述单帧点云数据激光原点距离满足第一阈值条件的点，得到对应的初始点集；
随机选取所述初始点集中的初始点，利用随机采样一致性函数对所述初始点进行平面拟合，得到对应的多个平面模型；
计算与多个所述平面模型距离小于预设阈值的激光点的数量，得到与多个所述平面模型对应的候选点；
从多个所述平面模型中选取最优平面模型，将所述最优平面模型对应的候选点作为第一候选点。
3.根据权利要求1所述的方法，其特征在于，所述利用第二函数对所述单帧点云数据进行提取，得到与满足预设斜率条件对应的第二候选点，包括：
将所述单帧点云数据中的激光点按照水平角度进行分割，得到每个水平角度对应的多个激光点；
将多个所述激光点进行排序，得到带有标识的多个激光点；
对每两个相邻的激光点进行线性计算，得到对应的多个斜率；
当所述斜率大于预设阈值时，则将满足所述斜率的激光点标记为第二候选点。
4.根据权利要求1所述的方法，其特征在于，所述利用所述候选点云数据对高斯模型进行优化，得到优化后的高斯模型，包括：
获取高斯模型的超参数；
利用所述高斯模型的超参数、所述候选点云数据对高斯模型进行优化，得到优化后的高斯模型。
5.根据权利要求4所述的方法，其特征在于，所述获取高斯模型的超参数，包括：
获取离线高斯模型训练的多帧点云数据；
对多帧所述点云数据中的地面点进行标注，得到对应的多个地面候选点；
利用多个所述地面候选点对高斯模型进行训练，得到多个对应的高斯过程回归参数；
对多个所述高斯过程回归参数进行中位数计算，得到对应的高斯模型的超参数。
6.根据权利要求1所述的方法，其特征在于，所述利用优化后的高斯模型对多个所述单帧点云数据进行测试，得到多个测试点对应的测试结果之前，所述方法还包括：
将所述单帧点云数据按照水平角度进行分割，得到对应的多个扇区；
对每个扇区中的激光点进行坐标转换，得到转换后的每个扇区对应的激光点；
利用高斯模型对所述转换后的每个扇区对应的激光点进行训练。
7.根据权利要求1所述的方法，其特征在于，所述将多个所述测试点的测试结果与阈值进行比较，将小于阈值的测试点滤除，剩余的测试点作为非地面点，包括：
多个所述测试点对应的测试结果包括每个测试点对应的水平高度；
将每个所述测试点对应的水平高度与每个所述测试点对应的扇区候选点云数据进行高斯联合分布计算，得到对应的估计阈值；
当所述测试点的水平高度小于所述估计阈值时，则将所述测试点进行滤除；
当所述测试点的水平高度大于所述估计阈值时，则将所述测试点作为非地面点进行保存。
8.一种基于复杂地面的点云数据滤除装置，其特征在于，所述装置包括：
获取模块，用于获取激光点云数据，所述激光点云数据包括多个单帧点云数据；
提取模块，用于利用第一函数对所述单帧点云数据进行提取，得到与最优平面模型对应的第一候选点；利用第二函数对所述单帧点云数据进行提取，得到与满足预设斜率条件对应的第二候选点；
筛选模块，用于对所述第一候选点、所述第二候选点进行筛选，得到对应的候选点云数据；
优化模块，用于利用所述候选点云数据对高斯模型进行优化，得到优化后的高斯模型；
测试模块，用于利用优化后的高斯模型对多个所述单帧点云数据进行测试，得到多个测试点对应的测试结果；
滤除模块，用于将多个所述测试点的测试结果与阈值进行比较，将小于阈值的测试点滤除，剩余的测试点作为非地面点。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911363580.XA CN111292275B (zh) | 2019-12-26 | 2019-12-26 | 基于复杂地面的点云数据滤除方法、装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911363580.XA CN111292275B (zh) | 2019-12-26 | 2019-12-26 | 基于复杂地面的点云数据滤除方法、装置、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111292275A true CN111292275A (zh) | 2020-06-16 |
| CN111292275B CN111292275B (zh) | 2023-10-24 |
Family
ID=71025356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911363580.XA Active CN111292275B (zh) | 2019-12-26 | 2019-12-26 | 基于复杂地面的点云数据滤除方法、装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111292275B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184736A (zh) * | 2020-10-10 | 2021-01-05 | 南开大学 | 一种基于欧式聚类的多平面提取方法 |
| CN113345100A (zh) * | 2021-05-19 | 2021-09-03 | 上海非夕机器人科技有限公司 | 用于物体的目标抓取姿态的预测方法、装置、设备和介质 |
| CN113484875A (zh) * | 2021-07-30 | 2021-10-08 | 燕山大学 | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 |
| CN113534193A (zh) * | 2021-07-19 | 2021-10-22 | 京东鲲鹏(江苏)科技有限公司 | 确定目标反射点的方法、装置、电子设备及存储介质 |
| 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280649A1 (en) * | 2009-04-29 | 2010-11-04 | General Electric Company | Method and system for gash parameter extraction of a cutting tool |
| US20140192050A1 (en) * | 2012-10-05 | 2014-07-10 | University Of Southern California | Three-dimensional point processing and model generation |
| CN104298998A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云的数据处理方法 |
| CN108052624A (zh) * | 2017-12-15 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 点云数据处理方法、装置及计算机可读存储介质 |
| CN108596910A (zh) * | 2018-03-14 | 2018-09-28 | 浙江大学 | 一种基于单高斯模型的三维声纳点云图像分割方法 |
| US20190122377A1 (en) * | 2017-10-24 | 2019-04-25 | Xyzprinting, Inc. | 3d modeling method based on point cloud data |
| CN110227876A (zh) * | 2019-07-15 | 2019-09-13 | 西华大学 | 基于3d点云数据的机器人焊接路径自主规划方法 |
| CN110349192A (zh) * | 2019-06-10 | 2019-10-18 | 西安交通大学 | 一种基于三维激光点云的在线目标跟踪系统的跟踪方法 |
-
2019
- 2019-12-26 CN CN201911363580.XA patent/CN111292275B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280649A1 (en) * | 2009-04-29 | 2010-11-04 | General Electric Company | Method and system for gash parameter extraction of a cutting tool |
| US20140192050A1 (en) * | 2012-10-05 | 2014-07-10 | University Of Southern California | Three-dimensional point processing and model generation |
| CN104298998A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云的数据处理方法 |
| US20190122377A1 (en) * | 2017-10-24 | 2019-04-25 | Xyzprinting, Inc. | 3d modeling method based on point cloud data |
| CN108052624A (zh) * | 2017-12-15 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 点云数据处理方法、装置及计算机可读存储介质 |
| CN108596910A (zh) * | 2018-03-14 | 2018-09-28 | 浙江大学 | 一种基于单高斯模型的三维声纳点云图像分割方法 |
| CN110349192A (zh) * | 2019-06-10 | 2019-10-18 | 西安交通大学 | 一种基于三维激光点云的在线目标跟踪系统的跟踪方法 |
| CN110227876A (zh) * | 2019-07-15 | 2019-09-13 | 西华大学 | 基于3d点云数据的机器人焊接路径自主规划方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184736A (zh) * | 2020-10-10 | 2021-01-05 | 南开大学 | 一种基于欧式聚类的多平面提取方法 |
| CN112184736B (zh) * | 2020-10-10 | 2022-11-11 | 南开大学 | 一种基于欧式聚类的多平面提取方法 |
| 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 |
| CN113345100A (zh) * | 2021-05-19 | 2021-09-03 | 上海非夕机器人科技有限公司 | 用于物体的目标抓取姿态的预测方法、装置、设备和介质 |
| CN113534193A (zh) * | 2021-07-19 | 2021-10-22 | 京东鲲鹏(江苏)科技有限公司 | 确定目标反射点的方法、装置、电子设备及存储介质 |
| CN113484875A (zh) * | 2021-07-30 | 2021-10-08 | 燕山大学 | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111292275B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111292275A (zh) | 基于复杂地面的点云数据滤除方法、装置、计算机设备 | |
| KR102143108B1 (ko) | 차선 인식 모델링 방법, 장치, 저장 매체 및 기기, 및 인식 방법, 장치, 저장 매체 및 기기 | |
| Sánchez-Rodríguez et al. | Automated detection and decomposition of railway tunnels from Mobile Laser Scanning Datasets | |
| WO2021143778A1 (zh) | 一种基于激光雷达的定位方法 | |
| Zhuang et al. | Automated vision inspection of rail surface cracks: A double-layer data-driven framework | |
| CN103699905B (zh) | 一种车牌定位方法及装置 | |
| Aydin et al. | Defect classification based on deep features for railway tracks in sustainable transportation | |
| CN108305260B (zh) | 一种图像中角点的检测方法、装置及设备 | |
| CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
| CN111144304A (zh) | 车辆目标检测模型的生成方法、车辆目标检测方法及装置 | |
| CN101964060B (zh) | 基于局部纹理特征的sar变体目标识别方法 | |
| CN101996401A (zh) | 基于强度图像和深度图像的目标分析方法及设备 | |
| CN115066708A (zh) | 点云数据运动分割方法、装置、计算机设备和存储介质 | |
| CN111145120A (zh) | 能见度检测方法、装置、计算机设备和存储介质 | |
| KR102619326B1 (ko) | 이미지 피라미드를 이용한 차량 인식 장치 및 방법 | |
| CN115240149A (zh) | 三维点云检测识别方法、装置、电子设备及存储介质 | |
| CN113490965A (zh) | 图像跟踪处理方法、装置、计算机设备和存储介质 | |
| CN110674674A (zh) | 一种基于yolo v3的旋转目标检测方法 | |
| Jwa et al. | Kalman filter based railway tracking from mobile Lidar data | |
| CN113609895A (zh) | 基于改进Yolov3的获取道路交通信息方法 | |
| CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
| CN114721008A (zh) | 一种障碍物检测方法、装置、计算机设备和存储介质 | |
| Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
| CN114663598A (zh) | 三维建模方法、装置和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |