CN111461194B - 点云处理方法及装置、行驶控制方法、电子装置和车辆 - Google Patents
点云处理方法及装置、行驶控制方法、电子装置和车辆 Download PDFInfo
- Publication number
- CN111461194B CN111461194B CN202010227292.8A CN202010227292A CN111461194B CN 111461194 B CN111461194 B CN 111461194B CN 202010227292 A CN202010227292 A CN 202010227292A CN 111461194 B CN111461194 B CN 111461194B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- association
- points
- coefficient
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 57
- 238000005457 optimization Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请公开了一种点云处理方法。点云处理方法包括:分别计算第一点云和第二点云的维度特征系数,根据维度特征系数对第一点云和第二点云进行分类,基于分类构建第一点云和第二点云的关联点集;和构建关联点集的目标方程以对关联点集中关联点对的变换关系进行优化。本申请实施方式的点云处理方法中,基于维度特征对点云进行分类,针对不同类别的关联点集分别构建不同的目标方程,从而对不同场景、不同物体区分采样,具有更强的针对性,从而使得点云的匹配和拼接精度更高。本申请还公开了一种行驶控制方法、处理装置、电子装置和车辆。
Description
技术领域
本申请涉及自动驾驶技术领域,特别涉及一种点云处理方法、行驶控制方法、处理装置、电子装置和车辆。
背景技术
随着汽车电子技术的发展,自动驾驶或者无人驾驶技术逐渐成为热点。而生成车辆行驶环境的点云地图是无人驾驶技术中的关键,而点云拼接则是实现点云地图的关键。相关技术中,对于所有点均采用相同的采样方式,而忽略了现实物体形状的差异,影响点云拼接的效果。
发明内容
有鉴于此,本申请的实施例提供了一种点云处理方法、行驶控制方法点云处理装置、电子装置、车辆和计算机可读存储介质。
本申请提供了一种点云处理方法,所述点云处理方法包括:
分别计算第一点云和第二点云的维度特征系数;
根据所述维度特征系数对所述第一点云和所述第二点云进行分类;
基于所述分类构建所述第一点云和所述第二点云的关联点集;和
构建所述关联点集的目标方程对所述关联点集中关联点对的变换关系进行优化。
在某些实施方式中,维度特征包括平面性、线性和散状性,所述分别计算第一点云和第二点云的维度特征系数包括:
确定所述第一点云和所述第二点云中每个点的邻近点集;
计算所述邻近点集的协方差矩阵;
对所述协方差矩阵进行奇异值分解以得到特征值和特征向量;和
根据所述特征值分别确定平面性系数、线性系数和散状性系数。
在某些实施方式中,所述根据所述维度特征系数对所述第一点云和所述第二点云进行分类包括:
根据所述维度特征系数采用图割算法将所述第一点云和所述第二点云分为平面点、线状点和散状点。
在某些实施方式中,所述基于所述分类构建所述第一点云和所述第二点云的关联点集包括:
根据最近点原则基于所述分类查找第一点云和第二点云中的平面点关联点对、线状点关联点对和散状点关联点对;
根据所述查找的结果形成所述关联点集。
在某些实施方式中,所述构建所述关联点集的目标方程以对所述关联点集中关联点对的变换关系进行优化包括:
分别构建平面点距离函数、线状点距离函数和散状点距离函数;
分别为所述平面点距离函数、所述线状点距离函数和所述散状点距离函数添加权重;
根据所述平面点距离函数、所述线状点距离函数、所述散状点距离函数和所述权重构建所述目标方程;
求解所述目标方程以对所述关联点集的所述关联点对中第一点云和第二点云的变换关系进行优化。
在某些实施方式中,所述点云处理方法还包括:
判断对所述变换关系的优化结果是否满足预设要求;和
在所述优化结果不满足所述预设要求的情况下返回所述基于所述分类构建所述第一点云和所述第二点云的关联点集以对所述变换关系的优化进行迭代处理。
本申请提供了一种车辆的行驶控制方法,包括:
从所述车辆的车载传感器获取点云数据,所述点云数据包括第一点云和第二点云;
分别计算第一点云和第二点云的维度特征系数;
根据所述维度特征系数对所述第一点云和所述第二点云进行分类;
基于所述分类构建所述第一点云和所述第二点云的关联点集;
构建所述关联点集的目标方程以对所述关联点集中关联点对的变换关系进行优化;和
根据所述优化的结果控制所述车辆行驶。
本申请提供了一种点云处理装置,所述点云处理装置包括:
计算模块,用于分别计算第一点云和第二点云的维度特征系数;
分类模块,用于根据所述维度特征系数对所述第一点云和所述第二点云进行分类;
构建模块,用于基于所述分类构建所述第一点云和所述第二点云的关联点集并构建所述关联点集的目标方程以对所述关联点集中关联点对的变换关系进行优化。
本申请提供了一种电子装置,包括处理器,所述处理器用于:
分别计算第一点云和第二点云的维度特征系数;
根据所述维度特征系数对所述第一点云和所述第二点云进行分类;
基于所述分类构建所述第一点云和所述第二点云的关联点集;和
构建所述关联点集的目标方程以对对所述关联点集中关联点对的变换关系进行优化。
本申请提供了一种车辆,包括一个或多个处理器、存储器;和一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被所述一个或多个处理器执行,所述程序包括用于执行如上所述的点云处理方法的指令或车辆的行驶控制方法的指令。
本申请提供了一种包含计算机可执行指令的非易失性计算机可读存储介质,当所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行所述的点云处理方法或车辆的行驶控制方法。
本申请实施方式的点云处理方法、行驶控制方法、点云处理装置、电子装置、车辆及计算机可读存储介质中,基于维度特征对点云进行分类,针对不同类别的关联点集分别构建不同的目标方程,从而对不同场景、不同物体区分采样,具有更强的针对性,从而使得点云的匹配和拼接精度更高。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请某些实施方式的点云处理方法的流程示意图。
图2是本申请某些实施方式的点云处理装置的模块示意图。
图3是本申请某些实施方式的点云处理方法的流程示意图。
图4是本申请某些实施方式的点云处理方法的流程示意图。
图5是本申请某些实施方式的点云处理方法的流程示意图。
图6是本申请某些实施方式的点云处理方法的流程示意图。
图7是本申请某些实施方式的点云处理方法的流程示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
请参阅图1,本申请提供了一种点云处理方法。包括:
S10:分别计算第一点云和第二点云的维度特征系数;
S20:根据维度特征系数对第一点云和第二点云进行分类;
S30:基于分类构建第一点云和第二点云的关联点集;和
S40:构建关联点集的目标方程以对关联点集中关联点对的变换关系进行优化。
请参阅图2,本申请实施方式提供了一种电子装置。电子装置包括处理器。处理器用于分别计算第一点云和第二点云的维度特征系数,及用于根据维度特征系数对第一点云和第二点云进行分类,及用于基于分类构建第一点云和第二点云的关联点集,以及用于构建关联点集的目标方程以对关联点集中关联点对的变换关系进行优化。电子装置可以是行车电脑或云端用于处理数据的计算设备。
本申请实施方式还提供了一种点云处理装置110,本申请实施方式的点云处理方法可以由本申请实施方式的点云处理装置110实现。
具体地,点云处理装置110包括计算模块112、分类模块114和优化模块116。S10可以由计算模块112实现,S20可以由分类模块114实现,S30、S40可以由优化模块116实现。或者说,计算模块112用于分别计算第一点云和第二点云的维度特征系数。分类模块114用于根据维度特征系数对第一点云和第二点云进行分类。优化模块116用于基于分类构建第一点云和第二点云的关联点集,并构建关联点集的目标方程以对关联点集中关联点对的变换关系进行优化。
本申请实施方式的点云处理方法、点云处理装置及电子装置中,基于维度特征对点云进行分类,针对不同类别的关联点集分别构建不同的目标方程,从而对不同场景、不同物体区分采样,具有更强的针对性,从而使得点云的匹配和拼接精度更高。
具体地,点云通常是指通过3D扫描设备,例如激光雷达、立体摄像头、TOF相机等测量的物体表面的点的信息,其中每一个点包含有三维坐标,并可能含有颜色信息或反射强度信息等。这些点云通过扫描设备采集到并以相关数据形式输出,从而可以被在后的处理装置读取。
在本实施方式中,点云是指激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点。
随着汽车电子技术的发展,相关技术如传感技术、图像处理以及人工智能等逐渐在汽车领域中得到应用,自动驾驶或者无人驾驶技术逐渐成为热点。通过对车辆进行控制,可以使车辆自动按照预先制定的行驶路径安全行驶,实现自动驾驶。生成车辆行驶环境的点云地图是自动驾驶技术中的关键。相关技术中,通常在车辆搭载激光雷达(LightDetection And Ranging,LiDAR)采集数据,并结合GPS数据来生成点云地图。点云地图需要通过点云拼接实现,通过点云拼接可提供车辆的实时位姿,方便车辆进行实时定位和路径规划。
可以理解地,在理想情况下,一个物体在不同视角下应当对应相同的点,点云拼接即是将采集设备在不同时间或不同角度针对同一场景所采集的不同帧的点云进行匹配和拼接从而可以获得被采集物的三维信息。
相关技术中,迭代最近点(Iterative Closest Point,ICP)是一种常用的点云拼接优化算法,其基本原理是计算两帧点云中的关联点,并通过最小化关联点间的距离计算两帧点云间的变化关系,从而实现点云拼接。然而ICP算法仅考虑了点对之间的坐标匹配情况,而没有考虑点附近的几何特性。
对于另一种点云拼接算法广义迭代最近点(Generalized Iterative ClosestPoint,GICP),在ICP算法的基础上进行改进,将点的采集过程看作是对点周围曲面的采样,将所有点建模为平面点,然而实际上,由于激光器激光发射频率导致激光雷达点云存在稀疏性,并且现实世界物体形状各异,导致这种假设在实际处理中会存在问题,很多物体对应的扫描点并不能简单看作平面,例如散乱而又稀疏的树叶,以及道路两旁的树杆、电线杆、路灯杆等杆状物。此外,GICP算法平均地看待了所有点,然而不同地物对点云拼接的影响不应完全相同,例如杆状物通常较为稀疏而稳定,对点云拼接而言是重要的路标点,在显著的面状地物较少的场景下,经GICP算法得到点云拼接效果较差。
本实施方式中,第一点云和第二点云也即是不同帧的点云数据。处理过程中,首先基于维度特征对点云中的各个点进行分类,相关联的第一点云中的点和第二点云中的点构成一个关联点对,如此,可形成包含多个关联点对的关联点集,形成的关联点集也是不同类别的。然后依据不同类别的关联点集所具有的特性,分别构建目标方程进行优化,如此,区别对待具有不同特征的点,相对于上述GICP算法的匹配精度更高。
请参阅图3,在某些实施方式中,维度特征包括平面性、线性和散状性,S10包括:
S11:确定第一点云和第二点云中每个点的邻近点集;
S12:计算邻近点集的协方差矩阵;
S13:对协方差矩阵进行奇异值分解以得到特征值和特征向量;和
S14:根据特征值分别确定平面性系数、线性系数和散状性系数。
在某些实施方式中,S11-S14可以由计算模块112实现。也即是说,计算模块112用于确定第一点云和第二点云中每个点的邻近点集,及用于计算邻近点集的协方差矩阵,及用于对协方差矩阵进行奇异值分解以得到特征值和特征矩阵,以及用于根据特征值分别确定平面性系数、线性系数和散状性系数。
在某些实施方式中,处理器用于确定第一点云和第二点云中每个点的邻近点集,及用于计算邻近点集的协方差矩阵,及用于对协方差矩阵进行奇异值分解以得到特征值和特征矩阵,以及用于根据特征值分别确定平面性系数、线性系数和散状性系数。
以下以一个点p的维度特征系数计算为例进行说明:
首先,对点p采用k近邻算法,得到邻近点集S。
然后计算邻近点集S的协方差(Covariance,cov)矩阵,如下式:
其中,u表示邻近点集S内点的坐标的均值,|S|表示邻近点集S内点的个数。
进而,对协方差矩阵进行奇异值分解(Singular Value Decomposition,SVD),如下式:
cov=UΣVT
其中,U为一个酉矩阵,Σ为一个对角矩阵,VT为另一个酉矩阵的转置。
根据协方差矩阵SVD的性质,有:
U=[e1 e2 e3]
V=U
其中,λ1、λ2、λ3为矩阵的特征值,e1、e2、e3为特征值对应的特征向量。不失一般性,令λ1≥λ2≥λ3。
本实施方式中,维度特征可定义为点的平面性(planar)、线性(linear)和散状性(Scatter),相应地,维度特征系数分别包括平面性系数fp、线性系数fl以及散状性系数fs,分别令:
如此,对第一点云和第二点云,分别计算点云中每隔点的维度特征,可得到各个点的三个特征值和三个特征向量,从而可确定平面性系数、线性系数和散状性系数。
请参阅图4,在某些实施方式中,S20包括:
S21:根据维度特征系数采用图割算法将第一点云和第二点云分为平面点、线状点和散状点。
在某些实施方式中,S21可以由分类模块114实现,也即是说,优化模块114用于根据维度特征系数采用图割算法将第一点云和第二点云分为平面点、线状点和散状点。
在某些实施方式中,处理器用于根据维度特征系数采用图割算法将第一点云和第二点云分为平面点、线状点和散状点。
具体地,利用维度特征可将第一点云及第二点云中的各点分类成平面点、线状点和面状点。维度特征系数已能初步指示点的类别,为考虑点云分类的平滑性,实现更为准确的分类,本实施方式采用图割算法(GraphCut)进行点云分类,也即是相似且彼此相近的点应该划分到同一区域即同一类别,从而将点云的分类转化为图的问题。
GraphCut的分类代价函数如下:
E=∑(-In(pi))+w∑δ(li,lj)
上式中,L={li},为点的类别,为隐藏变量。
pi为点i的类别为li的概率,可表示为:pi=p(li),具体地,p(planar)=fp(1-fl)(1-fs);p(linear)=fl(1-fp)(1-fs);p(scatter)=fs(1-fl)(1-fp)。
δ(li,lj)为边存在函数,当点i和点j为邻近点,且li≠lj时,存在边;否则,不存在边,可用下式表示:
其中,pointi、pointj分别代表点i和点j的三维向量,dmax为邻近点的最大距离。
对上述代价函数求解即可实现对点云的分类。
请参阅图5,在某些实施方式中,S30包括:
S31:根据最近点原则基于分类查找第一点云和第二点云中的平面点关联点对、线状点关联点对和散状点关联点对;
S32:根据查找的结果形成关联点集。
在某些实施方式中,S31可以由优化模块116实现,也即是说,优化模块116用于根据最近点原则基于分类查找第一点云和第二点云中的平面点关联点对、线状点关联点对和散状点关联点对,并用于根据查找的结果形成关联点集。
在某些实施方式中,处理器用于根据最近点原则基于分类查找第一点云和第二点云中的平面点关联点对、线状点关联点对和散状点关联点对,并用于根据查找的结果形成关联点集。
具体地,本实施方式中,利用KDTree等相关算法进行邻近搜索,使得每个最近点对构成一对关联点。对于第一点云A中的点ai,在第二点云B中的关联点bi满足下式:
bi=nearest(ai,Tbj),bj∈B,
考虑到可能出现部分点云不在重叠区因而没有关联点的情况,在查找关联点时设定一个最大搜索距离dmax,ai和bi满足如下关系:
||Tbj-ai||<dmax
其中,dmax为最大搜索距离,T为当前的变换矩阵,即bi经平移和/或旋转到ai的变换关系。
可以理解地,在前述步骤中,已经将点云中的各点进行分类,因此,形成的点对包括平面点关联点对、线状点关联点对和散状点关联点对。
请参阅图6,在某些实施方式中,S40包括:
S41:分别构建平面点距离函数、线状点距离函数和散状点距离函数;
S42:分别为平面点距离函数、线状点距离函数和散状点距离函数添加权重;
S43:根据平面点距离函数、线状点距离函数、散状点距离函数和权重构建目标方程;
S44:求解目标方程以对关联点集的关联点对中第一点云和第二点云的变换关系进行优化。
在某些实施方式中,S41-S44可以用由优化模块116实现。或者说,优化模块116用于分别构建平面点距离函数、线状点距离函数和散状点距离函数,及用于分别为平面点距离函数、线状点距离函数和散状点距离函数添加权重,及用于根据平面点距离函数、线状点距离函数、散状点距离函数和权重构建目标方程,以及用于求解目标方程以对关联点集的关联点对中第一点云和第二点云的变换关系进行优化。
在某些实施方式中,处理器用于分别构建平面点距离函数、线状点距离函数和散状点距离函数,及用于分别为平面点距离函数、线状点距离函数和散状点距离函数添加权重,及用于根据平面点距离函数、线状点距离函数、散状点距离函数和权重构建目标方程,以及用于求解目标方程以对关联点集的关联点对中第一点云和第二点云的变换关系进行优化。
经上述步骤将点云分为平面点、线状点和散状点并据此进行构建关联点对后,针对不同类别的关联点分别构建对应的距离函数,具体如下:
据此,构建目标方程:
其中,di=Tbi-ai,为关联点对的距离向量,αi、βi、γi分别为平面点关联点对、线状点关联点对和散状关联点对的判断参数,Eplanar、Elinear、Escatter分别为平面点距离函数、线状点距离函数和散状点距离函数,Cplanar、Clinear、Cscatter分别为面状点、线状点和散状点的协方差矩阵,wplanar、wlinear、wscatter分别是平面点距离函数、线状点距离函数和散状点在目标方程中的权重。
具体地,αi、βi、γi的取值为0或1,并分别满足一下关系:
αi=1-βi-γi
也即是说,只有当ai、bi同为线状点或散状点时,该关联点对才为线状点关联点对或散状关联点对,这使得线状点和散状点的特性判断更加可靠。同时,还保留了平面点的设置,同时又可以区别对待特征显著的线状点和散状点,使得匹配精度更高。
对于面状点协方差矩阵,Cplanar可参考GICP算法中的设计,令
对于散状点协方差矩阵,由于散状点为非规则点,可令Cscatter取单位矩阵,即Cscatter=I;
对于线状点协方差矩阵,可认为点的采样沿直线方向具有较小的可信度,而沿线的割平面方向具有更大的可信度,因而,令
在Cplanar和Clinear中,R=[e1 e2 e3],e1、e2、e3即前述的三个特征向量,按特征值从大到小排列,∈为一个较小的常数,∈可取10-3。
考虑到线状点和平面点均为显著而稳定的特征,且通常线状点数量少于平面点数量,将三者权重设计为以下关系:
wscatter<wplanar<wlinear
构建目标方程后,可求取目标方程对待优化变量,即T的导数,进而可以按照非线性优化的相关方法对目标方程求解,优化的目标在于使得T值最小,实际处理过程中可以采用g2o、CeresSolver等非线性优化库对目标方程求解。
如此,本实施方式中,针对不同类型的关联点对,设计不同的距离函数和权重,使得匹配的精度更高。
请参阅图7,在某些实施方式中,点云处理方法还包括:
S50:判断对变换关系的优化结果是否满足预设要求;和
S60:在优化结果不满足预设要求的情况下返回S30对变换关系的优化进行迭代处理。
在某些实施方式中,处理装置110还包括判断模块。S50可以判断模块实现,S60可以用由优化模块116实现。或者说,判断模块用于判断判断对变换关系的优化结果是否满足预设要求,优化模块116用于在优化结果不满足预设要求的情况下基于分类构建第一点云和第二点云的关联点集,并构建关联点集的目标方程对变换关系的优化进行迭代处理。
在某些实施方式中,处理器用于判断对变换关系的优化结果是否满足预设要求,以及用于在优化结果不满足预设要求的情况下基于分类构建第一点云和第二点云的关联点集,并构建关联点集的目标方程对变换关系的优化进行迭代处理。
可以理解,对于所构建的目标方程求解,实际上是高维非线性优化问题。可通过迭代方法逐渐收敛到目标函数的最小值。
初始时,可令相关步骤中的T为单位变换,T中包含了ai和bi之间的平移和旋转关系,初始时,认为由bi到ai的过程不发生平移和旋转。在对变换关系进行优化后,需要比较优化前后来判断是否收敛从而确认优化后的变换关系是否达到要求。
具体地,预设要求可包括判断变换关系的优化结果是否收敛以及迭代处理的次数是否达到最大迭代次数。在判断优化后的变换关系不收敛的情况下,采用优化后的结果来更新初始的变换关系,即用T*更新T,更新变换关系后,重复前述步骤S30、S40,即在跟新变换关系后,重新查找关联点对形成关联点集,构建目标方程,从而对当前的变换关系再次进行优化,直至优化后的结果收敛。当然,考虑到计算设备的处理性能和计算时间,可对迭代次数的上限进行限定。在实际处理过程中,当迭代次数达到最大迭代次数时,将不再进行迭代处理,而采用最后一次优化的变换关系结果。
本申请实施方式还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质,当计算机可执行指令被一个或多个处理器执行时,使得处理器执行上述任一实施方式的点云处理方法。
本申请实施方式还提供了一种车辆。车辆包括激光雷达、存储器及一个或多个处理器,一个或多个程序被存储在存储器中,并且被配置成由一个或多个处理器执行。程序包括用于执行上述任意一项实施方式所述的点云处理方法。
处理器可用于提供计算和控制能力,支撑整个车辆的运行。车辆中的存储器为存储器其中的计算机可读指令运行提供环境。
本申请实施方式还提供一种车辆的行驶控制方法,包括以下步骤:
从车辆的车载传感器获取点云数据,点云数据包括第一点云和第二点云;
分别计算第一点云和第二点云的维度特征系数;
根据维度特征系数对第一点云和第二点云进行分类;
基于分类构建第一点云和第二点云的关联点集;
构建关联点集的目标方程以对关联点集中关联点对的变换关系进行优化;和
根据所述优化的结果控制车辆行驶。
本申请实施方式的点云处理方法应用于车辆的行驶控制方法中,可用于为实现车辆的自动驾驶提供更为快速准确的点云拼接处理方案。其中,车载传感器可以是车载激光雷达。
需要说明地,本申请的行驶控制方法,包括上述点云处理方法的全部实施方式,在此不再赘述,相关内容请参考前述相关部分的解释说明。
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,程序可存储于一非易失性计算机可读存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等。
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本申请专利范围的限制。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 (11)
1.一种点云处理方法,其特征在于,所述点云处理方法包括:
分别计算第一点云和第二点云的维度特征系数,所述第一点云和所述第二点云是不同帧的点云数据,所述维度特征系数包括平面性系数、线性系数和散状性系数;
根据所述维度特征系数对所述第一点云和所述第二点云进行分类,以将将所述第一点云和所述第二点云分为平面点、线状点和散状点;
基于所述分类构建所述第一点云和所述第二点云的不同类别的关联点集;和
分别构建所述关联点集的目标方程以对所述关联点集中关联点对的变换关系进行优化。
2.根据权利要求1所述的点云处理方法,其特征在于,维度特征包括平面性、线性和散状性,所述分别计算第一点云和第二点云的维度特征系数包括:
确定所述第一点云和所述第二点云中每个点的邻近点集;
计算所述邻近点集的协方差矩阵;
对所述协方差矩阵进行奇异值分解以得到特征值和特征向量;和
根据所述特征值分别确定所述平面性系数、所述线性系数和所述散状性系数。
3.根据权利要求2所述的点云处理方法,其特征在于,所述根据所述维度特征系数对所述第一点云和所述第二点云进行分类包括:
根据所述维度特征系数采用图割算法将所述第一点云和所述第二点云分为所述平面点、所述线状点和所述散状点。
4.根据权利要求3所述的点云处理方法,其特征在于,所述基于所述分类构建所述第一点云和所述第二点云的关联点集包括:
根据最近点原则基于所述分类查找第一点云和第二点云中的平面点关联点对、线状点关联点对和散状点关联点对;
根据所述查找的结果形成所述关联点集。
5.根据权利要求3所述的点云处理方法,其特征在于,所述构建所述关联点集的目标方程以对所述关联点集中关联点对的变换关系进行优化包括:
分别构建平面点距离函数、线状点距离函数和散状点距离函数;
分别为所述平面点距离函数、所述线状点距离函数和所述散状点距离函数添加权重;
根据所述平面点距离函数、所述线状点距离函数、所述散状点距离函数和所述权重构建所述目标方程;
求解所述目标方程以对所述关联点集的所述关联点对中第一点云和第二点云的变换关系进行优化。
6.根据权利要求5所述的点云处理方法,其特征在于,所述点云处理方法还包括:
判断对所述变换关系的优化结果是否满足预设要求;和
在所述优化结果不满足所述预设要求的情况下返回所述基于所述分类构建所述第一点云和所述第二点云的关联点集以对所述变换关系的优化进行迭代处理。
7.一种车辆的行驶控制方法,其特征在于,包括:
从所述车辆的车载传感器获取点云数据,所述点云数据包括第一点云和第二点云;
分别计算第一点云和第二点云的维度特征系数,所述维度特征系数包括平面性系数、线性系数和散状性系数;
根据所述维度特征系数对所述第一点云和所述第二点云进行分类;
基于所述分类构建所述第一点云和所述第二点云的不同类别的关联点集,以将将所述第一点云和所述第二点云分为平面点、线状点和散状点;
分别构建所述关联点集的目标方程以对所述关联点集中关联点对的变换关系进行优化;和
根据所述优化的结果控制所述车辆行驶。
8.一种点云处理装置,其特征在于,所述点云处理装置包括:
计算模块,用于分别计算第一点云和第二点云的维度特征系数,所述第一点云和所述第二点云是不同帧的点云数据,所述维度特征系数包括平面性系数、线性系数和散状性系数;
分类模块,用于根据所述维度特征系数对所述第一点云和所述第二点云进行分类,以将将所述第一点云和所述第二点云分为平面点、线状点和散状点;
优化模块,用于基于所述分类构建所述第一点云和所述第二点云的不同类别的关联点集并分别构建所述关联点集的目标方程以对所述关联点集中关联点对的变换关系进行优化。
9.一种电子装置,其特征在于,包括处理器,所述处理器用于:
分别计算第一点云和第二点云的维度特征系数,所述第一点云和所述第二点云是不同帧的点云数据,所述维度特征系数包括平面性系数、线性系数和散状性系数;
根据所述维度特征系数对所述第一点云和所述第二点云进行分类,以将将所述第一点云和所述第二点云分为平面点、线状点和散状点;
基于所述分类构建所述第一点云和所述第二点云的不同类别的关联点集;和
分别构建所述关联点集的目标方程以对所述关联点集中关联点对的变换关系进行优化。
10.一种车辆,其特征在于,包括:
一个或多个处理器、存储器;和
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被所述一个或多个处理器执行,所述程序包括用于执行根据权利要求1-6任意一项所述的点云处理方法的指令或根据权利要求7所述的车辆的行驶控制方法的指令。
11.一种计算机可执行指令的非易失性计算机可读存储介质,其特征在于,当所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行权利要求1-6中任一项所述的点云处理方法或根据权利要求7所述的车辆的行驶控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227292.8A CN111461194B (zh) | 2020-03-27 | 2020-03-27 | 点云处理方法及装置、行驶控制方法、电子装置和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227292.8A CN111461194B (zh) | 2020-03-27 | 2020-03-27 | 点云处理方法及装置、行驶控制方法、电子装置和车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461194A CN111461194A (zh) | 2020-07-28 |
CN111461194B true CN111461194B (zh) | 2024-03-12 |
Family
ID=71680530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010227292.8A Active CN111461194B (zh) | 2020-03-27 | 2020-03-27 | 点云处理方法及装置、行驶控制方法、电子装置和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461194B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686949A (zh) * | 2020-12-30 | 2021-04-20 | 深圳艾灵网络有限公司 | 一种车辆定位方法、系统及相关设备 |
CN114720993A (zh) * | 2022-03-30 | 2022-07-08 | 上海木蚁机器人科技有限公司 | 机器人定位方法、装置、电子设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228798A (zh) * | 2017-12-29 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 确定点云数据之间的匹配关系的方法和装置 |
CN109544700A (zh) * | 2018-10-12 | 2019-03-29 | 深圳大学 | 基于神经网络的点云数据的处理方法、装置和设备 |
CN110738730A (zh) * | 2019-10-15 | 2020-01-31 | 业成科技(成都)有限公司 | 点云匹配方法、装置、计算机设备和存储介质 |
-
2020
- 2020-03-27 CN CN202010227292.8A patent/CN111461194B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228798A (zh) * | 2017-12-29 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 确定点云数据之间的匹配关系的方法和装置 |
CN109544700A (zh) * | 2018-10-12 | 2019-03-29 | 深圳大学 | 基于神经网络的点云数据的处理方法、装置和设备 |
CN110738730A (zh) * | 2019-10-15 | 2020-01-31 | 业成科技(成都)有限公司 | 点云匹配方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111461194A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
CN109598781B (zh) | 通过回归分析从2d边界框获取伪3d框的方法以及使用该方法的学习装置和测试装置 | |
CN111693972A (zh) | 一种基于双目序列图像的车辆位置与速度估计方法 | |
US11556745B2 (en) | System and method for ordered representation and feature extraction for point clouds obtained by detection and ranging sensor | |
CN111126269A (zh) | 三维目标检测方法、装置以及存储介质 | |
CN106326810B (zh) | 道路场景识别方法及设备 | |
CN111461194B (zh) | 点云处理方法及装置、行驶控制方法、电子装置和车辆 | |
US20140253543A1 (en) | Performance prediction for generation of point clouds from passive imagery | |
Reina et al. | 3D traversability awareness for rough terrain mobile robots | |
US9405959B2 (en) | System and method for classification of objects from 3D reconstruction | |
Hu et al. | An automatic 3D registration method for rock mass point clouds based on plane detection and polygon matching | |
Gu et al. | Histograms of the normalized inverse depth and line scanning for urban road detection | |
CN114118252A (zh) | 一种基于传感器多元信息融合的车辆检测方法及检测装置 | |
Gu et al. | Lidar-based urban road detection by histograms of normalized inverse depths and line scanning | |
CN107274446B (zh) | 一种利用法向一致性的尖锐几何边缘点识别方法 | |
US11415698B2 (en) | Point group data processing device, point group data processing method, point group data processing program, vehicle control device, and vehicle | |
Drews et al. | Fast and adaptive 3d change detection algorithm for autonomous robots based on gaussian mixture models | |
Persson et al. | Automatic building detection from aerial images for mobile robot mapping | |
CN109063543B (zh) | 一种考虑局部形变的视频车辆重识别方法、系统及装置 | |
Zhao et al. | Computing object-based saliency in urban scenes using laser sensing | |
CN113723540B (zh) | 一种基于多视图的无人驾驶场景聚类方法及系统 | |
CN115307622A (zh) | 在动态环境下基于深度学习的自主建图方法和系统 | |
CN112712062A (zh) | 基于解耦截断物体的单目三维物体检测方法和装置 | |
Fu et al. | Feature line extraction from point clouds based on geometric structure of point space | |
Zhao et al. | CDSVR: An effective curb detection method for self-driving by 3D lidar |
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 |