CN111311752B - 一种基于映射图的LiDAR数据随机采样及重构方法 - Google Patents
一种基于映射图的LiDAR数据随机采样及重构方法 Download PDFInfo
- Publication number
- CN111311752B CN111311752B CN202010092005.7A CN202010092005A CN111311752B CN 111311752 B CN111311752 B CN 111311752B CN 202010092005 A CN202010092005 A CN 202010092005A CN 111311752 B CN111311752 B CN 111311752B
- Authority
- CN
- China
- Prior art keywords
- map
- distance
- reflection intensity
- ind
- pitch angle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005070 sampling Methods 0.000 title claims abstract description 27
- 238000013507 mapping Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 description 8
- 230000006835 compression Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种基于映射图的LiDAR数据随机采样及重构方法。采集端随机捕获特定角度发射光束测得的距离和反射强度值,接收端利用基于梯度和小波稀疏性的交替方向法分别恢复出距离映射图和强度映射图,进而转换为点云帧。本发明能够直接处理激光雷达采集的第一手数据,具有节约采集端存储空间,提升重构效率的优点。
Description
技术领域
本发明涉及一种基于映射图的LiDAR数据随机采样及重构方法。
背景技术
点云主要指三维空间中的离散点集,它是对物体表面信息的离散采样。在数字化文物,自由视点赛事转播,虚拟现实/增强现实/混合现实,自动驾驶及辅助驾驶等方面有广阔的应用前景。在智能驾驶领域,激光雷达动态捕获的点云数据非常庞大。实际应用中由于存储和传输带宽受限,迫切需要进行点云压缩。
由于点云的稀疏性和无序性,很难直接减少点云的空间冗余。诸多学者研究了基于树形结构和基于2D矩阵的点云压缩算法。基于树形结构的单帧点云压缩算法可以达到很高精度,但难以进行帧间预测;2D矩阵压缩算法直接提取原始LiDAR数据包数据,然后采用现有的图像和视频压缩方法对其进行压缩,然而采集端需要很大的存储空间存储动态数据包。
作为一种新型的信息处理理论,压缩感知打破了奈奎斯特理论的瓶颈,可以直接压缩采样的数据,并能从少量的投影值出恢复出稀疏或可压缩的信号。近年来压缩感知被引入到点云的几何属性和颜色属性压缩中。例如,西电的李佳和上大的张习民等研究了点云几何属性的稀疏化算法,对xyz三个坐标轴分别进行分段、降维、变换和测量,并利用正交匹配追踪(OMP)算法重构。Shuai Gu将三维点云的不规则特征作为几何信息,引导颜色属性的虚拟自适应采样过程,并利用OMP进行重建。然而,这些点云压缩感知算法仅适合于静态三维点云,不适合动态捕获的激光雷达数据。
发明内容
本发明的目的在于提供一种基于映射图的LiDAR数据随机采样及重构方法,进一步简化激光雷达数据包的压缩过程,提升动态点云重构效率。
为实现上述目的,本发明的技术方案是:一种基于映射图的LiDAR数据随机采样及重构方法,包括采集过程和重构过程,具体如下:
采集过程包括如下步骤:
步骤A1:解析原始的LiDAR数据包,分离出包括俯仰角ω、偏航角α、时间戳t、距离R和反射强度I的相关信息;
步骤A2:随机捕获距离和反射强度,保留对应的俯仰角索引ω_ind、偏航角索引α_ind和时间索引值t_ind,并提取俯仰角、偏航角及时间参数;
重构过程包括以下步骤:
步骤B1:根据所捕获的俯仰角索引、偏航角索引和时间索引对应的距离和反射强度,利用基于梯度稀疏性和小波稀疏性的交替方向乘子法(ADMM)求解每帧的距离映射图(Range Map)和反射强度映射图(Intensity Map);同时,根据俯仰角、偏航角信息和时间参数,恢复出不同时间索引下的俯仰角和偏航角的数值;
步骤B2:将极坐标系下的俯仰角ω、偏航角α和距离R的重构值变换到空间坐标系下,得到不同时间索引下的xyz坐标,并将xyz及对应的反射强度I的重构值矢量化得到三维点云帧。
在本发明一实施例中,所述步骤A2中随机捕获距离和反射强度,即bR=PR和bI=PI,其中P为随机采样操作,并保留对应的俯仰角索引ω_ind、偏航角索引α_ind和时间索引值t_ind;定义距离或反射强度映射图(Map)为纵坐标为俯仰角编号,横坐标为偏航角编号,时间轴为时间编号,内容为距离或反射强度的三维映射图,随机捕获相当于取映射图上部分三维坐标点(ω_ind,α_ind,t_ind)对应的R和I。
在本发明一实施例中,所述步骤B1中利用基于三维映射图的梯度和小波稀疏性,通过交替地逼近采样数据的精确性,最小化梯度和小波系数的范数的交替方向乘子法ADMM求解三维的距离映射图(Range Map)和反射强度映射图(Intensity Map);映射图的重构过程即求解如下的凸优化问题:
其中,d为待求距离或反射强度,P为随机采样操作,b为采样值,||d||TV=||Dd||2表示d的TV范数,这里取梯度系数的2范数,||d||DWT=||Ψd||1表示d的小波系数的1范数,D表示梯度算子,Ψ为小波变换基,为重构数据,α、β和γ是关于梯度域和小波域稀疏性,以及采样精度的权重因子。
在本发明一实施例中,所述步骤B2中利用坐标转换公式x=Rcosωcosα,y=Rcosωsinα,z=Rsinα,将极坐标系下的俯仰角ω、偏航角α和距离R变换到空间坐标系下,得到不同时间索引下的xyz坐标,并将xyz及对应的反射强度重构值矢量化得到三维点云帧。
相较于现有技术,本发明具有以下有益效果:本发明处理激光点云数据时,直接捕获压缩后的数据,采集所需的存储空间少,重构效率高,尤其适用于低采样率条件的动态捕获点云压缩感知。
附图说明
图1是本发明总体流程图。
图2是本发明随机采样距离(或反射强度)示意图。
图3是本发明基于ADMM的Map重构算法流程图。
图4是本发明极坐标转空间坐标示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了一种基于映射图的LiDAR数据随机采样及重构方法,包括采集过程和重构过程,具体如下:
采集过程包括如下步骤:
步骤A1:解析原始的LiDAR数据包,分离出包括俯仰角ω、偏航角α、时间戳t、距离R和反射强度I的相关信息;
步骤A2:随机捕获距离和反射强度,保留对应的俯仰角索引ω_ind、偏航角索引α_ind和时间索引值t_ind,并提取俯仰角、偏航角及时间参数;
重构过程包括以下步骤:
步骤B1:根据所捕获的俯仰角索引、偏航角索引和时间索引对应的距离和反射强度,利用基于梯度稀疏性和小波稀疏性的交替方向乘子法(ADMM)求解每帧的距离映射图(Range Map)和反射强度映射图(Intensity Map);同时,根据俯仰角、偏航角信息和时间参数,恢复出不同时间索引下的俯仰角和偏航角的数值;
步骤B2:将极坐标系下的俯仰角ω、偏航角α和距离R的重构值变换到空间坐标系下,得到不同时间索引下的xyz坐标,并将xyz及对应的反射强度I的重构值矢量化得到三维点云帧。
以下为本发明的具体实现过程。
请参照图1,本发明提供一种基于映射图的激光雷达数据的随机采样及重构算法,其特征在于:
步骤A1:解析原始的LiDAR数据包,每帧分离出俯仰角(ω)、偏航角(α)、时间戳(t)、距离(R)和反射强度(I)等相关信息。例如,解析出该数据包包含了4帧LiDAR数据,每帧包含4个俯仰角和6个偏航角下的距离和反射强度。
步骤A2:随机捕获距离和反射强度,即bR=PR和bI=PI(其中P为随机采样操作),并保留对应的俯仰角索引(ω_ind)、偏航角索引(α_ind)和帧索引值(t_ind)。定义距离(或反射强度)映射图(Map)为纵坐标为俯仰角编号,横坐标为偏航角编号,时间轴为帧编号,内容为距离(或反射强度)的三维映射图,如图2所示。随机捕获相当于取映射图上部分三维坐标点(ω_ind,α_ind,t_ind)对应的R和I,图2举例说明了随机在第1帧上抽取了7个位置(Sa1,…,Sa7)处的距离值(R111,…,R451)和反射强度值(I111,…,I451)。此外,提取俯仰角的初始值和增量(ω0和Δω),偏航角的初始值和增量(α0和Δα)及时间增量(Δtα)。其中,俯仰角增量Δω=(ωmax-ω0)/3,偏航角增量Δα=(αmax-α0)/5。
重构过程包括以下步骤:
步骤B1:根据俯仰角、偏航角索引和时间索引对应的距离和反射强度,利用基于梯度稀疏性和小波稀疏性的交替方向乘子法(ADMM)求解每帧的距离映射图(Range Map)和反射强度映射图(Intensity Map)。映射图的重构过程即求解如下的凸优化问题:
其中,d为待求距离或反射强度,P为随机采样操作,b为采样值,||d||TV=||Dd||2表示d的TV范数,这里取梯度系数的2范数,||d||DWT=||Ψd||1表示d的小波系数的1范数,D表示梯度算子,Ψ为小波变换基,为重构数据,α、β和γ是关于梯度域和小波域稀疏性,以及采样精度的权重因子。
上述问题可以转化成如下的带约束的凸优化问题:
其中,z1、z2和z3为中间变量。求解上式的ALM-ADMM(基于增广拉格朗日乘子法的交替方向法)的算法流程如图3所示。
同时,根据俯仰角、偏航角索引和时间参数,恢复出俯仰角和偏航角的数值。假设等间隔发射激光束的时间增量固定为Δtα,所有帧的俯仰角固定为ωi=ω0+Δω*(i-1)(俯仰角索引i=1,2,3,4),偏航角通过公式α=α0+Δα*Δtα计算。
步骤B2:利用坐标转换公式x=Rcosωcosα,y=Rcosωsinα,z=Rsinα,将极坐标系下的俯仰角(ω)、偏航角(α)和距离(R)的重构值变换到空间坐标系下的xyz,如图4所示。将各时间索引下的xyz坐标及对应的反射强度(I)重构值矢量化得到三维点云帧。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (3)
1.一种基于映射图的LiDAR数据随机采样及重构方法,其特征在于,包括采样过程和重构过程,具体如下:
采样过程包括如下步骤:
步骤A1:解析原始的LiDAR数据包,分离出包括俯仰角ω、偏航角α、时间戳t、距离R和反射强度I的相关信息;
步骤A2:随机捕获距离和反射强度,保留对应的俯仰角索引ω_ind、偏航角索引α_ind和时间索引值t_ind,并提取俯仰角、偏航角及时间参数;
重构过程包括以下步骤:
步骤B1:根据所捕获的俯仰角索引、偏航角索引和时间索引对应的距离和反射强度,利用基于梯度稀疏性和小波稀疏性的交替方向乘子法(ADMM)求解每帧的距离映射图(RangeMap)和反射强度映射图(Intensity Map);同时,根据俯仰角、偏航角信息和时间参数,恢复出不同时间索引下的俯仰角和偏航角的数值;
步骤B2:将极坐标系下的俯仰角ω、偏航角α和距离R的重构值变换到空间坐标系下,得到不同时间索引下的xyz坐标,并将xyz及对应的反射强度I的重构值矢量化得到三维点云帧;
所述步骤A2中随机捕获距离和反射强度,即bR=PR和bI=PI,其中P为随机采样操作,并保留对应的俯仰角索引ω_ind、偏航角索引α_ind和时间索引值t_ind;将距离或反射强度映射图(Map)定义为三维映射图,该三维映射图的纵坐标是俯仰角编号,横坐标是偏航角编号,时间轴是时间编号,内容是距离或反射强度,随机捕获相当于取映射图上部分三维坐标点(ω_ind,α_ind,t_ind)对应的R和I。
2.根据权利要求1所述的一种基于映射图的LiDAR数据随机采样及重构方法,其特征在于,所述步骤B1中利用基于三维映射图的梯度和小波稀疏性,通过交替地逼近采样数据的精确性,最小化梯度和小波系数的范数的交替方向乘子法(ADMM)求解三维的距离映射图(Range Map)和反射强度映射图(Intensity Map);映射图的重构过程即求解如下的凸优化问题:
3.根据权利要求1所述的一种基于映射图的LiDAR数据随机采样及重构方法,其特征在于,所述步骤B2中利用坐标转换公式x=Rcosωcosα,y=Rcosωsinα,z=Rsinα,将极坐标系下的俯仰角ω、偏航角α和距离R变换到空间坐标系下,得到不同时间索引下的xyz坐标,并将xyz及对应的反射强度重构值矢量化得到三维点云帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092005.7A CN111311752B (zh) | 2020-02-14 | 2020-02-14 | 一种基于映射图的LiDAR数据随机采样及重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092005.7A CN111311752B (zh) | 2020-02-14 | 2020-02-14 | 一种基于映射图的LiDAR数据随机采样及重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311752A CN111311752A (zh) | 2020-06-19 |
CN111311752B true CN111311752B (zh) | 2021-04-27 |
Family
ID=71154570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010092005.7A Active CN111311752B (zh) | 2020-02-14 | 2020-02-14 | 一种基于映射图的LiDAR数据随机采样及重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311752B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7218763B2 (en) * | 2003-02-27 | 2007-05-15 | Eastman Kodak Company | Method for automated window-level settings for magnetic resonance images |
JP6153366B2 (ja) * | 2013-03-29 | 2017-06-28 | 株式会社バンダイナムコエンターテインメント | 画像生成システム及びプログラム |
CN103440675A (zh) * | 2013-07-30 | 2013-12-11 | 湖北工业大学 | 图像分块压缩感知的全局重构优化模型构造方法 |
CN104952107A (zh) * | 2015-05-18 | 2015-09-30 | 湖南桥康智能科技有限公司 | 基于车载LiDAR点云数据的桥梁三维重建方法 |
CN105182359B (zh) * | 2015-07-31 | 2018-11-02 | 武汉大学 | 一种星载Lidar超混沌压缩感知高空间分辨率成像方法 |
CN107767453B (zh) * | 2017-11-01 | 2021-02-26 | 中北大学 | 一种基于规则约束的建筑物lidar点云重构优化方法 |
CN107993204B (zh) * | 2017-11-28 | 2022-05-06 | 成都国一科技有限公司 | 一种基于图像块增强稀疏表示的mri图像重构方法 |
US10699571B2 (en) * | 2017-12-04 | 2020-06-30 | Ford Global Technologies, Llc | High definition 3D mapping |
CN108509918B (zh) * | 2018-04-03 | 2021-01-08 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN110095750B (zh) * | 2019-05-28 | 2020-11-24 | 中国人民解放军国防科技大学 | 基于准平稳信号稀疏重构的快速二维欠定测角方法 |
CN110632615B (zh) * | 2019-10-30 | 2021-07-23 | 中国科学院电子学研究所 | 基于稀疏孔径的合成孔径激光雷达三维成像方法 |
-
2020
- 2020-02-14 CN CN202010092005.7A patent/CN111311752B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111311752A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10552989B2 (en) | Point cloud attribute compression method based on KD tree and optimized graph transformation | |
US10853687B2 (en) | Method and apparatus for determining matching relationship between point cloud data | |
CN110264416B (zh) | 稀疏点云分割方法及装置 | |
CN108875813B (zh) | 一种基于几何图像的三维网格模型检索方法 | |
US7542047B2 (en) | Multi-dimensional texture drawing apparatus, compressing apparatus, drawing system, drawing method, and drawing program | |
CN110288586A (zh) | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 | |
CN106897295B (zh) | 一种基于Hadoop的输电线路监控视频分布式检索方法 | |
WO2021169498A1 (zh) | 三维点云的增广方法、装置、存储介质及计算机设备 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN110097605B (zh) | 一种基于支持向量机的点云压缩编码器关键参数优化方法 | |
Huang et al. | Super-resolution reconstruction method of remote sensing image based on multi-feature fusion | |
CN111311752B (zh) | 一种基于映射图的LiDAR数据随机采样及重构方法 | |
CN103902569A (zh) | 基于Bag of Words的视频匹配方法 | |
CN109241342B (zh) | 基于深度线索的视频场景检索方法和系统 | |
CN109215122B (zh) | 一种街景三维重建系统及方法、智能小车 | |
CN115410090A (zh) | 基于图像分割的空间外差光谱仪图像压缩感知重构方法 | |
CN112581505B (zh) | 一种简易的激光雷达点云与光学影像自动配准方法 | |
CN113763539A (zh) | 一种基于图像和三维输入的隐式函数三维重建方法 | |
CN107451540B (zh) | 一种可压缩的3d识别方法 | |
Yang et al. | Improving Semantic Segmentation Performance by Jointly Using High Resolution Remote Sensing Image and Ndsm | |
Ma et al. | Dynamic reconstruction method of unmanned aerial vehicle aerial remote sensing image based on compressed sensing | |
Kavitha et al. | Exemplary Content Based Image Retrieval using visual contents & genetic approach | |
Qiao et al. | Research on the Rapid Extraction Method of Overhead Line Laser Point Cloud Based on Fusion Segmentation | |
CN114627236A (zh) | 一种视频中三维运动轨迹的测绘方法 | |
CN116363385A (zh) | 一种面向局部失真的点云无参考质量度量方法 |
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 |