CN111462141A - 点云平面的获取方法及装置、设备、计算机可读存储介质 - Google Patents
点云平面的获取方法及装置、设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN111462141A CN111462141A CN202010424957.4A CN202010424957A CN111462141A CN 111462141 A CN111462141 A CN 111462141A CN 202010424957 A CN202010424957 A CN 202010424957A CN 111462141 A CN111462141 A CN 111462141A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- target
- line
- segmented
- 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
- 238000000034 method Methods 0.000 title claims description 29
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 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
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请所述的技术方案，依据点云数据中各个点的线信息，将属于相同环线的点确定为目标点云，将目标点云划分得到分段点云集，任意分段点云中的点构成直线，将分段点云按照位置和直线的方向聚类，得到构成相同平面的点云，可见，不再依赖于点云的局部信息获得点云平面，而是利用点云的线信息，得到点云平面，所以，在局部信息不充分的情况下，能够获得点云平面。
Description
技术领域
本申请涉及电子信息领域，尤其涉及一种点云平面的获取方法及装置、设备、计算机可读存储介质。
背景技术
在目前的三维重建与点云处理技术中，点云平面分割是一项非常基础并且重要的技术。点云平面是指，点云中的点构成的平面。例如，在进行机器人激光雷达外参标定时，需要将激光雷达生成的点云数据中的点云平面分割出来。
目前传统的点云平面分割方法为，利用主成分分析(PCA)、随机迭代一致性(RANSAC)、区域生长等算法分割出点云平面。这些传统方法通常依赖于点云的局部信息，如区域生长算法中，通过种子点在周围区域不断“生长”，进行点云平面的分割。
而稀疏的或者各个点之间相对独立的点云数据，例如单次扫描得到的点云数据，局部信息不充分，针对此类点云数据，难以利用传统算法分割得到点云平面。
发明内容
本申请提供了一种点云平面的获取方法及装置、设备、计算机可读存储介质，解决如何在局部信息不充分的情况下，获取点云平面的问题。
为了实现上述目的，本申请提供了以下技术方案：
一种点云平面的获取方法，包括：
依据点云数据中各个点的线信息，将属于相同环线的点确定为目标点云；
将所述目标点云划分为分段点云，任意所述分段点云中的点构成直线；
将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云。
可选的，所述点的线信息的获取方法包括：
从所述点云的扫描设备，获取所述点云数据中的所述各个点所属的雷达环线的标识，作为所述点的线信息。
可选的，所述将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云，包括：
将所述分段点云按照所述直线的方向进行聚类，得到第一集合，其中，任意一个所述第一集合包括方向的聚类结果相同的所述分段点云；
将任意一个所述第一集合中的所述分段点云，按照位置信息进行聚类，得到构成相同平面的点云。
可选的，所述将所述目标点云划分为分段点云，包括：
从目标环线上的点云中，选择端点，所述目标环线为所述环线中的任意一条；
以所述端点确定线段，任意一条线段为相邻的两个所述端点共同确定；
计算所述目标环线上，构成目标线段的所述端点之间的每一点，到所述目标线段的距离；所述目标线段为所述线段中的任意一条；
若最大距离小于预设阈值，则将所述构成目标线段的所述端点之间的每一点，划分为同一分段点云；所述最大距离为所述距离中的最大值。
一种点云平面的获取装置，包括：
获取模块，用于依据点云数据中各个点的线信息，将属于相同环线的点确定为目标点云；
划分模块，用于将所述目标点云划分为分段点云，任意所述分段点云中的点构成直线；
分类模块，用于将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云。
可选的，所述获取模块还用于：
在所述依据点云的线信息，获取目标点云之前，从所述点云的扫描设备，获取所述点云数据中的所述各个点所属的雷达环线的标识，作为所述点的线信息。
可选的，所述分类模块用于将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云，包括：
所述分类模块具体用于，将所述分段点云按照所述直线的方向进行聚类，得到第一集合，其中，所述任意一个所述第一集合包括方向的聚类结果相同的所述分段点云；将任意一个所述第一集合中的所述分段点云，按照位置信息进行聚类，得到构成相同平面的点云。
可选的，所述划分模块用于将所述目标点云划分为分段点云，包括：
所述划分模块具体用于，从目标环线上的点云中，选择端点，所述目标环线为所述环线中的任意一条；以所述端点确定线段，任意一条线段为两个所述端点共同确定；计算所述目标环线上，构成目标线段的所述端点之间的每一点，到所述目标线段的距离；所述目标线段为所述线段中的任意一条；若最大距离小于预设阈值，则将所述构成目标线段的所述端点之间的每一点，划分为同一分段点云；所述最大距离为所述距离中的最大值。
一种点云平面的获取设备，包括：
存储器和处理器；
所述存储器用于存储程序；
所述处理器用于运行所述程序，以实现上述的点云平面的获取方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在计算设备上运行时，实现上述的点云平面的获取方法。
本申请所述的技术方案，依据点云数据中各个点的线信息，将属于相同环线的点确定为目标点云，将目标点云划分为分段点云，其中，任意分段点云中的点构成直线，将分段点云按照位置和直线的方向进行聚类，得到构成相同平面的点云，可见，不再依赖于点云的局部信息获得点云平面，而是利用点的线信息和位置信息，得到点云平面，所以，在局部信息不充分的情况下，能够获得点云平面。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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他的附图。
图1为本申请实施例公开的一种点云平面的获取方法的流程图；
图2为本申请实施例公开的又一种点云平面的获取方法的流程图；
图3为本申请实施例公开的一种点云平面的获取装置的结构示意图。
具体实施方式
本申请实施例公开的点云平面的获取方法以及装置、设备，可以应用在以下场景：使用线激光雷达向目标对象或区域发射激光，并通过线激光雷达扫描收集目标对象或区域反馈的激光反射数据，获取点云。其中，线激光雷达每一线发射的激光点构成环线，点云中的每个点均对应所属(所在)的环线的标识。
需要说明的是，只要点云中存在共线(并一定是环线，例如还可以为弧线)的点，且能够确定点云中的每个点所属的线的标识即可，而并不限定于使用线激光雷达获取点云。
本申请实施例公开的技术方案，以对单次扫描(激光雷达在固定点位扫描一圈)获得的稀疏点云中找出点云平面为初衷，但并不限定应用于稀疏点云，也可以用于从非稀疏点云中分割得到点云平面。
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。
图1为本申请实施例公开的一种点云平面的获取方法，包括以下步骤：
S101：获取点云数据。
本实施例中，点云数据包括点云中各个点的位置信息和线信息。如前所述，可以从点云的扫描设备(例如线激光雷达)获取点云中各个点的位置信息和线信息。
具体的，位置信息可以为三维坐标值。线信息可以为点所属的线的标识。本实施例中，以线激光雷达获取的点云构成环线为例进行说明。各个环线具有唯一标识。
S102：依据线信息，将位于同一条环线上的点确定为目标点云。
可以理解的是，在线激光雷达发射多条环线的情况下，可以具有多条环线的标识，则可以划分得到每条环线的目标点云。
本实施例中，假设线激光雷达发射三条环线，则可以得到每条环线的目标点云，三条环线的目标点云集合，分别记为集合1、集合2和集合3。也就是说，集合1中的目标点云，均位于环线1上，集合2中的目标点云，均位于环线2上，集合3中的目标点云，均位于环线3上。
S103：将同一条环线上的点云进行分割，得到分段点云，其中，任意一个分段点云中的点构成直线。
也就是说，将共环线的点云，以构成直线为依据，进一步划分为点云集，具体的，可以在现有的Ramer–Douglas–Peucker算法的基础上进行改进，获得分段点云。
具体的，将任一条环线的目标点云划分为分段点云的步骤如下：
A：从该条环线上的点云中，选择端点。
例如，选择两个点作为端点，进一步的，选择该条环线的起点和终点作为端点，以防止丢失环线上的点。
B：以端点确定线段。任意一条线段为相邻的两个端点共同确定的线段。
具体的，以在该条环线上相邻的两个端点，确定一条线段。
例如，在步骤A之后即执行步骤B的情况下，A中选择的两个端点能够确定一条线段L。
C：对于任意一条线段，计算该条环线上，构成该条线段的端点之间的每一点到该线段的距离，并确定最大距离Lmax。
D：对于任意一条线段，选择直线距离阈值T，比较最大距离与T的大小，若Lmax小于阈值T，则认为该条环线上位于该线段的端点之间的所有点处于一条直线，即构成一个分段点云；若Lmax大于阈值T，则将具有最大距离的点P作为新端点。
E：使用全部端点，确定新的线段。
其中，全部端点包括之前确定的端点例如步骤A中选择的两个端点，还包括新端点。具体的，全部端点中，相邻的两个端点确定一条线段。
跳转执行C。
接上例，集合1、集合2和集合3分别进行上述分割，每个集合均可以得到至少一个点云集。假设集合1分割得到点云集1-50，集合2分割得到点云集51-70，集合3分割得到点云集71-100。
S104：将全部的分段点云按照方向进行聚类，得到至少一个第一集合。其中，方向的聚类结果相同的分段点云，构成一个第一集合。
接上例，全部的点云集为点云集1-100。
任意一个第一集合中包括至少一个分段点云，在包括多个分段点云的情况下，这多个分段点云的方向的聚类结果相同。其中，分段点云的方向为构成分段点云的点构成的直线的方向。直线的方向的计算方式可以参见现有技术，这里不再赘述。
接上例，假设点云集1-60构成一个第一集合。
S105：将任意一个第一集合中的点，按照位置进行聚类，得到构成相同平面的点云。
其中，位置可以为上述得到的点云中的点的位置信息。
可以理解的是，构成相同平面的点云，方向和位置都相似，即构成点云平面。
接上例，将点云集1-60中的点云按照位置进行聚类，得到点云类别集合A和B，则点云类别集合A中的点云构成平面，点云类别集合B中的点云构成平面。
从图1所示的流程可以看出，依据点云的线信息进行点云平面的分割，而不再依赖于点云的局部信息，因此，在点云稀疏或者各个点之间相对独立的情况下，仍然可以准确地得到点云平面，进而，能够针对稀疏点云进行鲁棒的点云平面分割。
需要说明的是，图1所示的流程，不仅可以应用于稀疏点云，也可以用于非稀疏的点云。
需要说明的是，以上实施例中，两个聚类步骤，执行的顺序并不做限定，因此，图1所示的流程，可以概括为以下方法：
图2为本申请实施例公开的又一种点云平面的获取方法，包括以下步骤：
S201：依据点云数据中各个点的线信息，将属于相同环线的点确定为目标点云。
S202：将目标点云划分为分段点云，任意分段点云中的点构成直线。
S203：将分段点云按照位置和直线的方向进行聚类，得到构成相同平面的点云。
图2所示的方法，与现有技术相比，不再依赖点云的局部信息分割点云平面，而是以线信息为基础得到点云平面。所以即使针对稀疏或各个点之间相对独立的点云，只要点云数据具有线信息，即可得到点云平面。
图3为本申请实施例公开的一种点云平面的获取装置，包括：获取模块、划分模块和分类模块。
其中，获取模块用于依据点云数据中各个点的线信息，将属于相同环线的点确定为目标点云。划分模块用于将所述目标点云划分为分段点云，任意所述分段点云中的点构成直线。分类模块用于将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云。
可选的，获取模块还用于：在所述依据点云的线信息，获取目标点云之前，从所述点云的扫描设备，获取所述点云数据中的所述各个点所属的雷达环线的标识，作为所述点的线信息。
可选的，分类模块将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云的具体实现方式为：将所述分段点云按照所述直线的方向进行聚类，得到第一集合，其中，所述任意一个所述第一集合包括方向的聚类结果相同的所述分段点云；将任意一个所述第一集合中的所述分段点云，按照位置信息进行聚类，得到构成相同平面的点云。
可选的，划分模块将所述目标点云划分为分段点云的具体实现方式为：从目标环线上的点云中，选择端点，所述目标环线为所述环线中的任意一条；以所述端点确定线段，任意一条线段为两个所述端点共同确定；计算所述目标环线上，构成目标线段的所述端点之间的每一点，到所述目标线段的距离；所述目标线段为所述线段中的任意一条；若最大距离小于预设阈值，则将所述构成目标线段的所述端点之间的每一点，划分为同一分段点云；所述最大距离为所述距离中的最大值。
图3所述的装置，能对在点云的局部信息较少的情况下，获取准确的点云平面。
本申请实施例还公开了一种点云平面的获取设备，包括：存储器和处理器。
其中，存储器用于存储程序。处理器用于运行所述程序，以实现图1或图2所示的方法。
本申请实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在计算设备上运行时，实现图1或图2所示的方法。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种点云平面的获取方法，其特征在于，包括：
依据点云数据中各个点的线信息，将属于相同环线的点确定为目标点云；
将所述目标点云划分为分段点云，任意所述分段点云中的点构成直线；
将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云。
2.根据权利要求1所述的方法，其特征在于，所述点的线信息的获取方法包括：
从所述点云的扫描设备，获取所述点云数据中的所述各个点所属的雷达环线的标识，作为所述点的线信息。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云，包括：
将所述分段点云按照所述直线的方向进行聚类，得到第一集合，其中，任意一个所述第一集合包括方向的聚类结果相同的所述分段点云；
将任意一个所述第一集合中的所述分段点云，按照位置信息进行聚类，得到构成相同平面的点云。
4.根据权利要求1所述的方法，其特征在于，所述将所述目标点云划分为分段点云，包括：
从目标环线上的点云中，选择端点，所述目标环线为所述环线中的任意一条；
以所述端点确定线段，任意一条线段为相邻的两个所述端点共同确定；
计算所述目标环线上，构成目标线段的所述端点之间的每一点，到所述目标线段的距离；所述目标线段为所述线段中的任意一条；
若最大距离小于预设阈值，则将所述构成目标线段的所述端点之间的每一点，划分为同一分段点云；所述最大距离为所述距离中的最大值。
5.一种点云平面的获取装置，其特征在于，包括：
获取模块，用于依据点云数据中各个点的线信息，将属于相同环线的点确定为目标点云；
划分模块，用于将所述目标点云划分为分段点云，任意所述分段点云中的点构成直线；
分类模块，用于将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云。
6.根据权利要求5所述的装置，其特征在于，所述获取模块还用于：
在所述依据点云的线信息，获取目标点云之前，从所述点云的扫描设备，获取所述点云数据中的所述各个点所属的雷达环线的标识，作为所述点的线信息。
7.根据权利要求5或6所述的装置，其特征在于，所述分类模块用于将所述分段点云按照位置和所述直线的方向进行聚类，得到构成相同平面的点云，包括：
所述分类模块具体用于，将所述分段点云按照所述直线的方向进行聚类，得到第一集合，其中，所述任意一个所述第一集合包括方向的聚类结果相同的所述分段点云；将任意一个所述第一集合中的所述分段点云，按照位置信息进行聚类，得到构成相同平面的点云。
8.根据权利要求7所述的装置，其特征在于，所述划分模块用于将所述目标点云划分为分段点云，包括：
所述划分模块具体用于，从目标环线上的点云中，选择端点，所述目标环线为所述环线中的任意一条；以所述端点确定线段，任意一条线段为两个所述端点共同确定；计算所述目标环线上，构成目标线段的所述端点之间的每一点，到所述目标线段的距离；所述目标线段为所述线段中的任意一条；若最大距离小于预设阈值，则将所述构成目标线段的所述端点之间的每一点，划分为同一分段点云；所述最大距离为所述距离中的最大值。
9.一种点云平面的获取设备，其特征在于，包括：
存储器和处理器；
所述存储器用于存储程序；
所述处理器用于运行所述程序，以实现权利要求1-4任一项所述的点云平面的获取方法。
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，所述计算机程序在计算设备上运行时，实现权利要求1-4任一项所述的点云平面的获取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010424957.4A CN111462141B (zh) | 2020-05-19 | 2020-05-19 | 点云平面的获取方法及装置、设备、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010424957.4A CN111462141B (zh) | 2020-05-19 | 2020-05-19 | 点云平面的获取方法及装置、设备、计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111462141A true CN111462141A (zh) | 2020-07-28 |
| CN111462141B CN111462141B (zh) | 2024-01-12 |
Family
ID=71682986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010424957.4A Active CN111462141B (zh) | 2020-05-19 | 2020-05-19 | 点云平面的获取方法及装置、设备、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111462141B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104143194A (zh) * | 2014-08-20 | 2014-11-12 | 清华大学 | 一种点云分割方法及装置 |
| GB201701383D0 (en) * | 2017-01-27 | 2017-03-15 | Ucl Business Plc | Apparatus, method and system for alignment of 3D datasets |
| US20180275277A1 (en) * | 2017-03-22 | 2018-09-27 | Here Global B.V. | Method, apparatus and computer program product for mapping and modeling a three dimensional structure |
| CN108614939A (zh) * | 2018-05-02 | 2018-10-02 | 北京建筑大学 | 顾及三维拓扑的地下工井设施建模方法 |
| CN109463003A (zh) * | 2018-03-05 | 2019-03-12 | 香港应用科技研究院有限公司 | 对象识别 |
| CN109615698A (zh) * | 2018-12-03 | 2019-04-12 | 哈尔滨工业大学（深圳） | 基于互回环检测的多无人机slam地图融合算法 |
| CN110427696A (zh) * | 2019-08-01 | 2019-11-08 | 中铁隧道局集团有限公司 | 一种适应不同断面的隧道Lidar点云初支面预警方法 |
| CN110675392A (zh) * | 2019-09-29 | 2020-01-10 | 山东科技大学 | 一种基于路面连续激光点云的车辙精细三维特征提取方法 |
| CN110909713A (zh) * | 2019-12-05 | 2020-03-24 | 深圳市镭神智能系统有限公司 | 点云数据的轨道提取方法、系统及介质 |
| CN110998659A (zh) * | 2017-08-14 | 2020-04-10 | 乐天株式会社 | 图像处理系统、图像处理方法、及程序 |
| GB202002903D0 (en) * | 2020-02-28 | 2020-04-15 | Correvate Ltd | Object recognition via object data database and augmentation of 3d image data |
| CN111046735A (zh) * | 2019-11-13 | 2020-04-21 | 武汉中海庭数据技术有限公司 | 一种车道线点云提取方法、电子设备及存储介质 |
-
2020
- 2020-05-19 CN CN202010424957.4A patent/CN111462141B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104143194A (zh) * | 2014-08-20 | 2014-11-12 | 清华大学 | 一种点云分割方法及装置 |
| GB201701383D0 (en) * | 2017-01-27 | 2017-03-15 | Ucl Business Plc | Apparatus, method and system for alignment of 3D datasets |
| US20180275277A1 (en) * | 2017-03-22 | 2018-09-27 | Here Global B.V. | Method, apparatus and computer program product for mapping and modeling a three dimensional structure |
| CN110998659A (zh) * | 2017-08-14 | 2020-04-10 | 乐天株式会社 | 图像处理系统、图像处理方法、及程序 |
| CN109463003A (zh) * | 2018-03-05 | 2019-03-12 | 香港应用科技研究院有限公司 | 对象识别 |
| CN108614939A (zh) * | 2018-05-02 | 2018-10-02 | 北京建筑大学 | 顾及三维拓扑的地下工井设施建模方法 |
| CN109615698A (zh) * | 2018-12-03 | 2019-04-12 | 哈尔滨工业大学（深圳） | 基于互回环检测的多无人机slam地图融合算法 |
| CN110427696A (zh) * | 2019-08-01 | 2019-11-08 | 中铁隧道局集团有限公司 | 一种适应不同断面的隧道Lidar点云初支面预警方法 |
| CN110675392A (zh) * | 2019-09-29 | 2020-01-10 | 山东科技大学 | 一种基于路面连续激光点云的车辙精细三维特征提取方法 |
| CN111046735A (zh) * | 2019-11-13 | 2020-04-21 | 武汉中海庭数据技术有限公司 | 一种车道线点云提取方法、电子设备及存储介质 |
| CN110909713A (zh) * | 2019-12-05 | 2020-03-24 | 深圳市镭神智能系统有限公司 | 点云数据的轨道提取方法、系统及介质 |
| GB202002903D0 (en) * | 2020-02-28 | 2020-04-15 | Correvate Ltd | Object recognition via object data database and augmentation of 3d image data |
Non-Patent Citations (3)
| Title |
|---|
| QIN,XY: "《Detecting Inspection Objects of Power Line from Cable Inspection Robot LIDAR Data》", 《SENSORS》 * |
| 方莉娜: "《车载激光点云中道路环境几何特征提取》", 《基础科学辑》 * |
| 时磊: "《电力线激光点云的分割及安全检测研究》", 《激光技术 》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111462141B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210429B (zh) | 点云数据划分方法及装置、障碍物检测方法及装置 | |
| CN112847343B (zh) | 动态目标跟踪定位方法、装置、设备和存储介质 | |
| JP2015506045A (ja) | 画像特徴の類似性に基づく画像索引作成 | |
| CN108961294B (zh) | 一种三维点云的分割方法及装置 | |
| US20180082424A1 (en) | Single-tree segmentation method and apparatus | |
| CN106886980B (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
| US20220365186A1 (en) | Automatic detection of a calibration standard in unstructured lidar point clouds | |
| CN111553946B (zh) | 用于去除地面点云的方法及装置、障碍物检测方法及装置 | |
| CN104081435A (zh) | 一种基于级联二值编码的图像匹配方法 | |
| CN111582054A (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
| El‐Sayed et al. | Plane detection in 3D point cloud using octree‐balanced density down‐sampling and iterative adaptive plane extraction | |
| CN110390706B (zh) | 一种物体检测的方法和装置 | |
| CN106683105B (zh) | 图像分割方法及图像分割装置 | |
| CN112102178B (zh) | 一种点云保特征去噪方法、装置、电子设备及存储介质 | |
| CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
| US9443312B2 (en) | Line parametric object estimation | |
| CN111736167B (zh) | 一种获取激光点云密度的方法和装置 | |
| Bergamasco et al. | A graph-based technique for semi-supervised segmentation of 3D surfaces | |
| US11538260B2 (en) | Object identification apparatus, object identification method, and nontransitory computer readable medium storing control program | |
| US8611695B1 (en) | Large scale patch search | |
| WO2018151211A1 (ja) | 点群データ処理装置、点群データ処理方法、点群データ処理プログラム、車両制御装置及び車両 | |
| US9916663B2 (en) | Image processing method and process simulation apparatus | |
| CN111382760B (zh) | 图片类别的识别方法、装置及计算机可读存储介质 | |
| CN111462141A (zh) | 点云平面的获取方法及装置、设备、计算机可读存储介质 | |
| CN111489386B (zh) | 点云特征点提取方法、装置、存储介质、设备及系统 |
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 |