CN111489386B - 点云特征点提取方法、装置、存储介质、设备及系统 - Google Patents

点云特征点提取方法、装置、存储介质、设备及系统 Download PDF

Info

Publication number
CN111489386B
CN111489386B CN201910075421.3A CN201910075421A CN111489386B CN 111489386 B CN111489386 B CN 111489386B CN 201910075421 A CN201910075421 A CN 201910075421A CN 111489386 B CN111489386 B CN 111489386B
Authority
CN
China
Prior art keywords
point
laser
cloud data
point cloud
points
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
Application number
CN201910075421.3A
Other languages
English (en)
Other versions
CN111489386A (zh
Inventor
刘冬冬
赫桂望
蔡金华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingbangda Trade Co Ltd
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Qianshi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingdong Qianshi Technology Co Ltd
Priority to CN201910075421.3A priority Critical patent/CN111489386B/zh
Publication of CN111489386A publication Critical patent/CN111489386A/zh
Application granted granted Critical
Publication of CN111489386B publication Critical patent/CN111489386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/255—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures for measuring radius of curvature
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明实施例公开了点云特征点提取方法、装置、存储介质、设备及系统。该方法包括：获取多线激光扫描仪采集到的单帧的点云数据；将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列；对于每个点云数据队列，计算当前点云数据队列中每个激光点的点曲率，将点曲率满足预设要求的激光点作为特征点进行提取。通过以点云数据所属激光线号为单位进行分组形成点云数据队列，基于当前队列中激光点的点曲率对特征点进行提取，不需要重复采样以及大量的重复计算，提高了特征点提取效率，并且具有较高的实时性。

Description

点云特征点提取方法、装置、存储介质、设备及系统
技术领域
本发明实施例涉及计算机技术领域，尤其涉及点云特征点提取方法、装置、存储介质、设备及系统。
背景技术
三维激光扫描技术又被称为实景复制技术，是测绘领域中的重要技术之一，能够提供扫描物体表面的三维点云数据，可用于获取高精度高分辨率的数字地形模型。目前，基于点云数据的一些应用，如三维激光即时定位与地图构建(simultaneous localizationand mapping，SLAM)、点云拼接等，实现的前提是点云匹配，而点云匹配的关键是进行三维特征点的提取。
在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：目前的从点云中提取三维特征点的主要方法，如点特征直方图(Point Feature Histograms，PFH)、点对特征(Point Pair Feature，PPF)等，存在计算效率低等缺点，需要改进。
发明内容
本发明实施例提供了点云特征点提取方法、装置、存储介质、设备及系统，可以优化现有的点云特征点提取方案。
第一方面，本发明实施例提供了一种点云特征点提取方法，包括：
获取多线激光扫描仪采集到的单帧的点云数据；
将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列；
对于每个点云数据队列，计算当前点云数据队列中每个激光点的点曲率，将点曲率满足预设要求的激光点作为特征点进行提取。
第二方面，本发明实施例提供了一种点云特征点提取装置，包括：
点云数据获取模块，用于获取多线激光扫描仪采集到的单帧的点云数据；
点云数据分组模块，用于将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列；
特征点提取模块，用于对于每个点云数据队列，计算当前点云数据队列中每个激光点的点曲率，将点曲率满足预设要求的激光点作为特征点进行提取。
第三方面，本发明实施例提供了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，该程序被处理器执行时实现如本发明实施例提供的点云特征点提取方法。
第四方面，本发明实施例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，其特征在于，所述处理器执行所述计算机程序时实现如本发明实施例提供的点云特征点提取方法。
第五方面，本发明实施例提供了一种激光扫描系统，包括本发明实施例提供的计算机设备和多线激光扫描仪。
本发明实施例中提供的点云特征点提取方案，获取多线激光扫描仪采集到的单帧的点云数据，将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列，并计算当前点云数据队列中每个激光点的点曲率，将点曲率满足预设要求的激光点作为特征点进行提取，解决了目前的特征提取中需要进行大量重复计算、计算效率低的问题，通过以点云数据所属激光线号为单位进行费祖形成点云数据队列，基于当前队列中激光点的点曲率就可以对特征点进行提取，不需要重复采样以及大量的重复计算，提高了点云数据特征点提取效率，并且具有较高的实时性。
附图说明
图1为本发明实施例提供的一种点云特征点提取方法的流程示意图；
图2为本发明实施例提供的又一种点云特征点提取方法的流程示意图；
图3为本发明实施例提供的另一种点云特征点提取方法的流程示意图；
图4为本发明实施例提供的一种点云特征点提取装置的结构框图；
图5为本发明实施例提供的一种计算机设备的结构框图；
图6为本发明实施例提供的一种激光扫描系统的结构框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1为本发明实施例提供的一种点云特征点提取方法的流程示意图，该方法可以由点云特征点提取装置执行，其中该装置可由软件和/或硬件实现，一般可集成在计算机设备中。如图1所示，该方法包括：
步骤101、获取多线激光扫描仪采集到的单帧的点云数据。
示例性的，本发明实施例中的计算机可以是激光扫描系统的一部分，可以作为一种控制设备与多线激光扫描仪通过有线或无线的方式建立连接，多线激光扫描仪用于对空间物体进行扫描得到点云数据，本发明实施例对多线激光扫描仪的具体型号和采集系统不做限定，技术人员可以根据具体需要进一步选定，例如，多线激光扫描仪可以为16线激光雷达，以ROS(Robot Operating System，机器人操作系统)作为采集系统，用于进行数据采集。
示例性的，采集系统采集数据时，以一帧为数据单位进行采集，并将每帧的激光点云数据发送至计算机设备。计算机设备获取单帧的点云数据，从而进行进一步处理。
步骤102、将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列。
示例性的，多线激光扫描仪通过多线激光对空间物体进行扫描，各激光束对应有激光线号，各条激光扫描空间物体时会得到相对应的点云数据。获取到点云数据，通过对点云数据进行分析能够得知各激光点具体属于哪一条激光扫描所得到的点云数据，从而将点云数据以所属激光线号为单位进行分组，并进一步排列记录各激光线所包含的点云索引号，存储为点云数据队列。
具体的，将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列，可包括：基于所述点云数据中的各激光点在局部坐标系中的三维坐标，计算所述各激光点的仰角，其中，所述局部坐标系以所述多线激光扫描仪为中心；根据所述仰角计算所述各激光点所属的激光线号；将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列。示例性的，以多线激光扫描仪为中心原点建立局部坐标系，确定点云数据中各激光点在局部坐标系中的三维坐标，根据各激光点的三维坐标计算各激光点的仰角，表示为θang°，可基于如下表达式计算各激光点的仰角的值θang：
其中，x、y、z表示激光点的三维坐标值，表示返回/>的反正切值，PI表示圆周率，可以取3.14进行近似计算。
进一步地，根据各激光点的仰角的值θang可以计算得到各激光点所属激光线号，可以基于如下表达式计算各激光点所属激光线号Nidx：
Nidx＝(int)((θang+a)*b+b)
其中，a为激光束扫描所覆盖的纵向俯仰角的数值，b为最小垂直角分辨率的数值，int为对数值取整。a和b的具体取值可根据实际所采用的激光多线激光扫描仪自身配置信息来确定。
以16线激光雷达采集的点云数据为例，单帧点云数据中包含有16条激光线束扫描得到的点云数据，激光束扫描所覆盖的纵向俯仰角为±15°，最小垂直角分辨率为0.5°，因此，可基于如下表达式计算各激光点所属激光线号Nidx：
Nidx＝(int)((θang+15)*0.5+0.5)
其中，15为激光束扫描所覆盖的纵向俯仰角的数值，0.5为最小垂直角分辨率的数值，int为对数值取整。
进一步地，将点云数据以各激光点所属激光线号为单位进行分组，将所属激光线号相同的各激光点分为一组。将各组内的点云数据按照点云索引号进行排列，形成多个点云数据队列。
步骤103、对于每个点云数据队列，计算当前点云数据队列中每个激光点的点曲率，将点曲率满足预设要求的激光点作为特征点进行提取。
可选的，本步骤可具体包括：对于当前点云数据队列中的每个激光点，获取当前激光点前面的第五预设数量的相邻激光点和所述当前激光点后面的所述第五预设数量的相邻激光点，作为参考激光点；基于预设曲率计算公式，利用所述参考激光点计算所述当前激光点的点曲率。示例性的，遍历每个点云数据队列，计算各点云数据队列中各激光点的曲率。可选的，根据当前待计算激光点在点云数据队列中前后邻域的若干个点计算该激光点的点曲率，例如，选取在点云数据队列中与待计算激光点前后相邻的各5个激光点，共10个激光点对待计算激光点的点曲率进行计算，可基于如下公式计算各激光点的点曲率c：
其中，S表示为当前激光点周围的激光点组成的集合，|S|表示集合中激光点个数，i表示当前激光点索引号，j表示集合中其它激光点索引号，Xi表示当前激光点坐标，Xj表示其他激光点的坐标，||Xi||表示激光点坐标的模，||∑j∈S,j≠i(Xi-Xj)||表示∑j∈S，j≠i(Xi-Xj)的模。
进一步地，将点曲率满足预设要求的激光点作为特征点进提取。示例性的，可以将点曲率超过预设曲率阈值的激光点作为特征点作为特征进行提取，其中预设率阈值可以由技术人员根据实际情况进行设定，以保证提取适当数量的特征点并能够反映扫描物体的原本形状。
本发明实施例中提供的点云特征点提取方法，通过对多线激光扫描仪采集到的点云数据以所述激光线号为单位进行分组，并得到多个点云数据队列，进一步计算当前点云数据队列中每个激光点的点曲率，从而根据点曲率对特征点进行提取。本发明实施例提供的方案不需要进行重复采样和大量的重复计算，提高了点云特征点提取的效率，并具有较高的实时性。
图2为本发明实施例提供的又一种点云特征点提取方法的流程示意图，如图2所示，具体的，该方法包括如下步骤：
步骤201、获取多线激光扫描仪采集到的单帧的点云数据。
步骤202、将所述点云数据以所属激光线号为单位进行分组，得到多个初始点云数据队列。
在点云数据中，存在激光点构成的直线或平面与激光束保持平行，或者存在激光点为被其他激光点遮挡的点，则上述激光点不适宜作为特征点，需要将上述激光点进行剔除。因此，在本发明实施例中，将点云数据以所属激光线号为单位进行分组后，得到多个初始点云数据队列，进而通过执行步骤203得到最终的点云数据队列。
步骤203、针对每个初始点云数据队列，对当前初始点云数据队列中的目标激光点进行剔除，得到对应的点云数据队列。
其中，通过以下至少一项确定所述目标激光点：
(1)计算当前激光点和第一激光点之间的第一距离，其中，所述第一激光点为所述当前激光点后面相邻的激光点；计算所述当前激光点对应的第一向量和所述第一激光点对应的第二向量之间的第一夹角；当所述第一距离大于第二预设距离阈值，且所述第一夹角小于预设夹角阈值时，将从所述第一激光点开始的第六预设数量的连续的激光点确定为目标激光点。其中，第一向量为从局部坐标系原点指向当前激光点的向量，第二向量为从局部坐标系原点指向第一激光点的向量。具体的，若各初始点云数据队列中当前激光点与其后面相邻的第一激光点的距离大于第二预设距离阈值，并且当前激光点的第一向量与第一激光点的第二向量之间的第一夹角小于预设夹角阈值时，则说明第一激光点为被遮挡的点，并且第一激光点后面临近的激光点也会存在相应的遮挡，不宜作为特征点，因此将第一激光点以及其后面连续的第六预设数量的激光点作为目标激光点进行剔除(或标记)，其中，第六预设数量可以由技术人员根据实际情况进行设定，例如，若当前激光点比较密集，则可以设定较大的第六预设数量，若当前激光点比较稀疏，则可以设定较小的第六预设数量，从而实现精准地剔除存在遮挡的激光点。可选的，将第一激光点以及其后面连续的五个激光点作为目标激光点进行剔除(或标记)。其中，第二预设距离阈值和预设夹角阈值可以由技术人员根据具体情况进行设定，在本实施例中不做具体限定。
(2)计算当前激光点和第二激光点之间的第二距离，计算所述当前激光点和第三激光点之间的第三距离，其中，所述第二激光点为所述当前激光点前面相邻的激光点，所述第二激光点为所述当前激光点后面相邻的激光点；当所述第二距离和所述第三距离均大于第三预设距离阈值时，将所述当前激光点确定为目标激光点，其中，所述第三预设距离阈值根据所述当前激光点的深度确定，其中，当前激光点的深度为当前激光点与局部坐标系原点之间的距离，可选的，第三预设距离阈值可以为n倍深度，其中n可以为任意非负数，可由技术人员具体设定。具体的，若各初始点云数据队列中当前激光点与其前后相邻的激光点的距离均大于第四预设距离时，则说明激光光束的方向与当前激光点所在平面近似平行，则当前激光点不宜作为体征点，因此将当前激光点作为目标激光点进行剔除(或标记)。
步骤204、对于每个点云数据队列，获取当前点云数据队列对应的激光扫描线上的起始激光点的位置和终止激光点的位置。
示例性的，根据每个点云数据队列中各激光点的存储排列顺序，将排于首位置的激光点位置作为激光扫描线上的起始点激光点的位置，将排于末位置的激光点位置作为激光扫描线上的终止激光点的位置。
步骤205、基于所述起始激光点的位置和所述终止激光点的位置计算所述当前点云数据队列对应的扫描角度。
示例性的，计算起始激光点的位置坐标与局部坐标系中心点连线以及终止激光点的位置坐标与局部坐标系中心点连线之间的夹角，得到当前点云数据队列对应的扫描角度。
步骤206、基于所述扫描角度将所述当前点云数据队列均分为第一预设数量的点云数据子队列。
示例性的，将扫描角度等分为满足第一预设数量的多份角度，并将各份角度所对应的点云数据归为各点云数据子队列。其中，所述第一预设数量可以由技术人员根据实际情况进行设定，例如根据扫描角度进行设置，当扫描角度较大时，可以设置第一预设数量较大，当扫描角度较小时，可以设置第一预设数量较小，从而保证特征点提取的均匀性，防止特征点聚集。例如可以设置第一预设数量为6个，相应地，将扫描角度均分为6份角度，每份角度所对应的点云数据归为一个点云数据子队列，共将点云数据队列均分为6个点云数据子队列。
步骤207、对于每个点云数据子队列中的当前点云数据子队列，将点曲率满足预设要求的激光点作为特征点进行提取。
示例性的，若上述步骤203中，采用对目标激光点进行标记的方式，则在提取特征点时，将被标记的目标激光点排除在外。
本发明实施例提供的点云特征点提取方法，通过判断点云数据队列中的各激光点是否不宜作为特征点，并将判定为不宜作为特征点的激光点剔除，提高了特征点提取的准确性。通过将点云数据队列均分为点云数据子队列，并对于点云数据子队列根据各激光点的曲率进行特征点提取，从而保证了特征点于单帧点云数据中的均匀分布，进一步提高了特征点提取的准确性。
图3为本发明实施例提供的另一种点云特征点提取方法的流程示意图，具体的，该方法包括如下步骤：
步骤301、获取多线激光扫描仪采集到的单帧的点云数据。
步骤302、将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列。
步骤303、对于每个点云数据队列，获取当前点云数据队列对应的激光扫描线上的起始激光点的位置和终止激光点的位置。
步骤304、基于所述起始激光点的位置和所述终止激光点的位置计算所述当前点云数据队列对应的扫描角度。
步骤305、基于所述扫描角度将所述当前点云数据队列均分为第一预设数量的点云数据子队列。
步骤306、对于每个点云数据子队列中的当前点云数据子队列，将点曲率最大的第二预设数量的激光点作为特征点进行提取。
可选的，该步骤可具体包括：将点曲率最大的两个激光点作为边特征点进行提取；将点曲率最大的第二预设数量的激光点作为面特征点进行提取。示例性的，基于上述实施例中的计算方法计算各点云数据子队列中各激光点的点曲率，将各点云数据子队列中的激光点按照点曲率大小进行排序，例如，将各激光点按照点曲率升序排序，选取点曲率最大的两个激光点作为边特征点进行提取。将点曲率最大的满足第二预设数量的激光点作为面特征点进行提取，其中，对第二预设数量不作具体限定，可以根据具体情况进行设定，例如可以根据当前点云数据子队列中激光点的数量设置提取的特征点的数量。可选的，设置第二预设数量为20，则将点云数据子队列中曲率最大的20个激光点作为面特征点进行提取。
可选的，在将点曲率最大的第二预设数量的激光点作为面特征点进行提取之后，还包括：对于每个面特征点，判断与当前面特征点相邻的第三预设数量的面特征点中，是否存在与所述当前面特征点之间的距离小于第一预设距离阈值的目标面特征点，若存在，则对所述目标面特征点进行剔除处理。示例性的，为了防止面特征点中存在距离比较近的多个面特征点，导致面特征点聚集，因此对提取的聚集面特征点进行剔除处理。遍历面特征点，获取与当前面特征点相邻的第三预设数量的面特征点，并判断各面特征点与当前面特征点的距离，当面特征点与当前面特征点的距离小于第一预设距离时，则将面特征点确定为目标面特征点，并将目标面特征点从面特征点中剔除，从而保证在当前面特征点邻域内只存在一个面特征点，防止面特征点聚集，从而提高面特征点提取的准确性。
可选的，在将点曲率最大的第二预设数量的激光点作为面特征点进行提取之后，还包括：采用预设滤波算法对所述面特征点进行采样滤波，以对所述面特征点进行抽稀处理。在实际面特征点提取中，对每个点云数据子队列进行面特征点提取，因此得到的总的面特征点数据量较大，不利于对数据进行存储，并且可能会存在多余重复数据浪费存储空间。因此，对获取的面特征点进行抽稀处理，以减少数据量，在保证面特征点能够反映原物体形状的同时，进一步节省存储空间，便于存储。示例性的，采用体素栅格滤波算法面特征点进行采样滤波，得到最终面特征点。
本发明实施例提供的点云特征点提取方法，通过将点曲率最大的两个点作为边特征点进行提取；将点曲率最大的第二预设数量的激光点作为面特征点进行提取，实现了特征点的精准提取。通过判断是否存在聚集面特征点，并对聚集的面特征点进行剔除，从而保证了特征点的均匀分布，提高了特征点提取的准确性。通过对面特征点进行抽稀处理，去除了多余数据，减少了数据量，便于保存，节省了存储空间。
图4为本发明实施例提供的一种点云特征点提取装置的结构框图，该装置可由软件和/或硬件实现，一般可集成在计算机设备中，可通过执行点云特征点提取方法来进行点云特征点提取。如图4所示，该装置包括：
点云数据获取模块401，用于获取多线激光扫描仪采集到的单帧的点云数据；
点云数据分组模块402，用于将所述点云数据以所处激光线号为单位进行分组，得到多个点云数据队列；
特征点提取模块403，用于对于每个点云数据队列，计算当前点云数据队列中每个激光点的点曲率，将点曲率满足预设要求的激光点作为特征点进行提取。
本发明实施例中提供的点云特征点提取装置，通过对多线激光扫描仪采集到的点云数据以所述激光线号为单位进行分组，并得到多个点云数据队列，进一步计算当前点云数据队列中每个激光点的点曲率，从而根据点曲率对特征点进行提取。本发明实施例提供的方案不需要进行重复采样和大量的重复计算，提高了点云特征点提取的效率，并具有较高的实时性。
可选的，所述将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列，包括：
基于所述点云数据中的各激光点在局部坐标系中的三维坐标，计算所述各激光点的仰角，其中，所述局部坐标系以所述多线激光扫描仪为中心；
根据所述仰角计算所述各激光点所属的激光线号；
将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列。
可选的，所述将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列之后，还包括：
对于每个点云数据队列，获取当前点云数据队列对应的激光扫描线上的起始激光点的位置和终止激光点的位置；
所述将点曲率满足预设要求的激光点作为特征点进行提取，包括：
基于所述起始激光点的位置和所述终止激光点的位置计算所述当前点云数据队列对应的扫描角度；
基于所述扫描角度将所述当前点云数据队列均分为第一预设数量的点云数据子队列；
对于每个点云数据子队列中的当前点云数据子队列，将点曲率满足预设要求的激光点作为特征点进行提取。
可选的，所述将点曲率满足预设要求的激光点作为特征点进行提取，包括：
将点曲率最大的第二预设数量的激光点作为特征点进行提取；或，
将点曲率超过预设曲率阈值的激光点作为特征点进行提取。
可选的，所述将点曲率最大的第二预设数量的激光点作为特征点进行提取，包括：
将点曲率最大的两个点作为边特征点进行提取；
将点曲率最大的第二预设数量的激光点作为面特征点进行提取。
可选的，在将点曲率最大的第二预设数量的激光点作为面特征点进行提取之后，还包括：
对于每个面特征点，判断与当前面特征点相邻的第三预设数量的面特征点中，是否存在与所述当前面特征点之间的距离小于第一预设距离阈值的目标面特征点，若存在，则对所述目标面特征点进行剔除处理。
可选的，在将点曲率最大的第二预设数量的激光点作为面特征点进行提取之后，还包括：
采用预设滤波算法对所述面特征点进行采样滤波，以对所述面特征点进行抽稀处理。
可选的，所述计算当前点云数据队列中每个激光点的点曲率，包括：
对于当前点云数据队列中的每个激光点，获取当前激光点前面的第五预设数量的相邻激光点和所述当前激光点后面的所述第五预设数量的相邻激光点，作为参考激光点；基于预设曲率计算公式，利用所述参考激光点计算所述当前激光点的点曲率。
可选的，所述将所述点云数据以所处激光线号为单位进行分组，得到多个点云数据队列，包括：
将所述点云数据以所处激光线号为单位进行分组，得到多个初始点云数据队列；
针对每个初始点云数据队列，对当前初始点云数据队列中的目标激光点进行剔除，得到对应的点云数据队列；
其中，通过以下至少一项确定所述目标激光点：
(1)计算当前激光点和第一激光点之间的第一距离，其中，所述第一激光点为所述当前激光点后面相邻的激光点；
计算所述当前激光点对应的第一向量和所述第一激光点对应的第二向量之间的第一夹角；
当所述第一距离大于第二预设距离阈值，且所述第一夹角小于预设夹角阈值时，将从所述第一激光点开始的第六预设数量的连续的激光点确定为目标激光点；
(2)计算当前激光点和第二激光点之间的第二距离，计算所述当前激光点和第三激光点之间的第三距离，其中，所述第二激光点为所述当前激光点前面相邻的激光点，所述第二激光点为所述当前激光点后面相邻的激光点；
当所述第二距离和所述第三距离均大于第三预设距离阈值时，将所述当前激光点确定为目标激光点，其中，所述第三预设距离阈值根据所述当前激光点的深度确定。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行点云特征点提取方法，该方法包括：
获取多线激光扫描仪采集到的单帧的点云数据；
将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列；
对于每个点云数据队列，计算当前点云数据队列中每个激光点的点曲率，将点曲率满足预设要求的激光点作为特征点进行提取。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的点云特征点提取操作，还可以执行本发明任意实施例所提供的点云特征点提取方法中的相关操作。
本发明实施例提供了一种计算机设备，该计算机设备中可集成本发明实施例提供的点云特征点提取装置。图5为本发明实施例提供的一种计算机设备的结构框图。计算机设备500可以包括：存储器501，处理器502及存储在存储器501上并可在处理器运行的计算机程序，所述处理器502执行所述计算机程序时实现如本发明实施例所述的点云特征点提取方法。
本发明实施例提供的计算机设备，通过对多线激光扫描仪采集到的点云数据以所述激光线号为单位进行分组，并得到多个点云数据队列，进一步计算当前点云数据队列中每个激光点的点曲率，从而根据点曲率对特征点进行提取。本发明实施例提供的方案不需要进行重复采样和大量的重复计算，提高了点云特征点提取的效率，并具有较高的实时性。
本发明实施例还提供了一种激光扫描系统，图6为本发明实施例提供的一种激光扫描系统的结构框图，如图6所示，该系统包括本发明实施例提供的计算机设备601和多线激光扫描仪602，计算机设备601和多线激光扫描仪602可以通过有线或无线的方式连接。
计算机设备601用于获取到多线激光扫描仪采集的点云数据，并执行上述实施例中的点云特征点提取方法，对点云数据中的特征点进行提取。
多线激光扫描仪602用于对空间物体进行扫描，以一帧为数据单位采集得到点云数据，并将每帧的点云数据发送至计算机设备。
本发明实施例提供的激光扫描系统，解决了目前点云数据特征点提取中需要重复采样并且大量计算的问题，通过以点云数据所属激光线号为单位进行分组形成点云数据队列，基于当前队列中激光点的点曲率可以对特征点进行提取，不需要重复采样以及大量的重复计算，提高了特征点提取效率，并且具有较高的实时性。
上述实施例中提供的点云特征点提取装置、存储介质、计算机设备及激光扫描系统可执行本发明任意实施例所提供的点云特征点提取方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的点云特征点提取方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种点云特征点提取方法，其特征在于，包括：
获取多线激光扫描仪采集到的单帧的点云数据；
将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列；
对于每个点云数据队列，计算当前点云数据队列中每个激光点的点曲率，将点曲率满足预设要求的激光点作为特征点进行提取；
其中，所述将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列，包括：
基于所述点云数据中的各激光点在局部坐标系中的三维坐标，计算所述各激光点的仰角，其中，所述局部坐标系以所述多线激光扫描仪为中心；
根据所述仰角计算所述各激光点所处的激光线号；
将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列；
其中，所述计算当前点云数据队列中每个激光点的点曲率，包括：
对于当前点云数据队列中的每个激光点，获取当前激光点前面的第五预设数量的相邻激光点和所述当前激光点后面的所述第五预设数量的相邻激光点，作为参考激光点；基于预设曲率计算公式，利用所述参考激光点计算所述当前激光点的点曲率。
2.根据权利要求1所述的方法，其特征在于，所述将所述点云数据以所处激光线号为单位进行分组，得到多个点云数据队列之后，还包括：
对于每个点云数据队列，获取当前点云数据队列对应的激光扫描线上的起始激光点的位置和终止激光点的位置；
所述将点曲率满足预设要求的激光点作为特征点进行提取，包括：
基于所述起始激光点的位置和所述终止激光点的位置计算所述当前点云数据队列对应的扫描角度；
基于所述扫描角度将所述当前点云数据队列均分为第一预设数量的点云数据子队列；
对于每个点云数据子队列中的当前点云数据子队列，将点曲率满足预设要求的激光点作为特征点进行提取。
3.根据权利要求1-2任一所述的方法，其特征在于，所述将点曲率满足预设要求的激光点作为特征点进行提取，包括：
将点曲率最大的第二预设数量的激光点作为特征点进行提取；或，
将点曲率超过预设曲率阈值的激光点作为特征点进行提取。
4.根据权利要求3所述的方法，其特征在于，所述将点曲率最大的第二预设数量的激光点作为特征点进行提取，包括：
将点曲率最大的两个激光点作为边特征点进行提取；
将点曲率最大的第二预设数量的激光点作为面特征点进行提取。
5.根据权利要求4所述的方法，其特征在于，在将点曲率最大的第二预设数量的激光点作为面特征点进行提取之后，还包括：
对于每个面特征点，判断与当前面特征点相邻的第三预设数量的面特征点中，是否存在与所述当前面特征点之间的距离小于第一预设距离阈值的目标面特征点，若存在，则对所述目标面特征点进行剔除处理。
6.根据权利要求4或5所述的方法，其特征在于，在将点曲率最大的第二预设数量的激光点作为面特征点进行提取之后，还包括：
采用预设滤波算法对所述面特征点进行采样滤波，以对所述面特征点进行抽稀处理。
7.根据权利要求1所述的方法，其特征在于，所述将所述点云数据以所处激光线号为单位进行分组，得到多个点云数据队列，包括：
将所述点云数据以所处激光线号为单位进行分组，得到多个初始点云数据队列；
针对每个初始点云数据队列，对当前初始点云数据队列中的目标激光点进行剔除，得到对应的点云数据队列；
其中，通过以下至少一项确定所述目标激光点：
（1）计算当前激光点和第一激光点之间的第一距离，其中，所述第一激光点为所述当前激光点后面相邻的激光点；
计算所述当前激光点对应的第一向量和所述第一激光点对应的第二向量之间的第一夹角；
当所述第一距离大于第二预设距离阈值，且所述第一夹角小于预设夹角阈值时，将从所述第一激光点开始的第六预设数量的连续的激光点确定为目标激光点；
（2）计算当前激光点和第二激光点之间的第二距离，计算所述当前激光点和第三激光点之间的第三距离，其中，所述第二激光点为所述当前激光点前面相邻的激光点，所述第二激光点为所述当前激光点后面相邻的激光点；
当所述第二距离和所述第三距离均大于第三预设距离阈值时，将所述当前激光点确定为目标激光点，其中，所述第三预设距离阈值根据所述当前激光点的深度确定。
8.一种点云特征点提取装置，其特征在于，包括：
点云数据获取模块，用于获取多线激光扫描仪采集到的单帧的点云数据；
点云数据分组模块，用于将所述点云数据以所处激光线号为单位进行分组，得到多个点云数据队列；
特征点提取模块，用于对于每个点云数据队列，计算当前点云数据队列中每个激光点的点曲率，将点曲率满足预设要求的激光点作为特征点进行提取；
其中，所述将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列，包括：
基于所述点云数据中的各激光点在局部坐标系中的三维坐标，计算所述各激光点的仰角，其中，所述局部坐标系以所述多线激光扫描仪为中心；
根据所述仰角计算所述各激光点所处的激光线号；
将所述点云数据以所属激光线号为单位进行分组，得到多个点云数据队列；
其中，所述计算当前点云数据队列中每个激光点的点曲率，包括：
对于当前点云数据队列中的每个激光点，获取当前激光点前面的第五预设数量的相邻激光点和所述当前激光点后面的所述第五预设数量的相邻激光点，作为参考激光点；基于预设曲率计算公式，利用所述参考激光点计算所述当前激光点的点曲率。
9.一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，该程序被处理器执行时实现如权利要求1-7任一项所述的方法。
10.一种计算机设备，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如权利要求1-7任一项所述的方法。
11.一种激光扫描系统，包括如权利要求10所述的计算机设备和多线激光扫描仪。
CN201910075421.3A 2019-01-25 2019-01-25 点云特征点提取方法、装置、存储介质、设备及系统 Active CN111489386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910075421.3A CN111489386B (zh) 2019-01-25 2019-01-25 点云特征点提取方法、装置、存储介质、设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910075421.3A CN111489386B (zh) 2019-01-25 2019-01-25 点云特征点提取方法、装置、存储介质、设备及系统

Publications (2)

Publication Number Publication Date
CN111489386A CN111489386A (zh) 2020-08-04
CN111489386B true CN111489386B (zh) 2024-04-16

Family

ID=71791257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910075421.3A Active CN111489386B (zh) 2019-01-25 2019-01-25 点云特征点提取方法、装置、存储介质、设备及系统

Country Status (1)

Country Link
CN (1) CN111489386B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113639782A (zh) * 2021-08-13 2021-11-12 北京地平线信息技术有限公司 车载传感器的外参标定方法和装置、设备和介质
CN115599526B (zh) * 2022-10-31 2023-05-16 上海铼钠克信息技术有限公司 五轴数控机床智能编辑方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742091A (zh) * 2016-08-22 2018-02-27 腾讯科技（深圳）有限公司 一种路肩提取的方法及装置
CN108320329A (zh) * 2018-02-02 2018-07-24 维坤智能科技（上海）有限公司 一种基于3d激光的3d地图创建方法
WO2018205119A1 (zh) * 2017-05-09 2018-11-15 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法和系统
CN108875804A (zh) * 2018-05-31 2018-11-23 腾讯科技（深圳）有限公司 一种基于激光点云数据的数据处理方法和相关装置
CN208279212U (zh) * 2017-12-21 2018-12-25 北京主线科技有限公司 用于轨道吊的激光防撞检测系统
CN109254303A (zh) * 2018-09-19 2019-01-22 绵阳紫蝶科技有限公司 基于激光扫描引导的电力线走廊快速巡检系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017106965A1 (en) * 2015-12-21 2017-06-29 Ord Solutions Inc. Method and apparatus for large format three-dimensional printing

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742091A (zh) * 2016-08-22 2018-02-27 腾讯科技（深圳）有限公司 一种路肩提取的方法及装置
WO2018205119A1 (zh) * 2017-05-09 2018-11-15 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法和系统
CN208279212U (zh) * 2017-12-21 2018-12-25 北京主线科技有限公司 用于轨道吊的激光防撞检测系统
CN108320329A (zh) * 2018-02-02 2018-07-24 维坤智能科技（上海）有限公司 一种基于3d激光的3d地图创建方法
CN108875804A (zh) * 2018-05-31 2018-11-23 腾讯科技（深圳）有限公司 一种基于激光点云数据的数据处理方法和相关装置
CN109254303A (zh) * 2018-09-19 2019-01-22 绵阳紫蝶科技有限公司 基于激光扫描引导的电力线走廊快速巡检系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Dali Cheng ; Xuefei Li.Extracting human body feature measurement based on 3D point cloud data.IEEE.2011,全文. *
基于地面三维激光扫描仪点云数据的去噪算法研究;张金花;吴思;胡本刚;陈勇;应国伟;;测绘与空间地理信息(第03期);全文 *
基于断面激光扫描的移动车辆交通流参数提取;吴杭彬;刘豆;刘启远;孙剑;姚连璧;汪志飞;刘春;吴声援;;同济大学学报(自然科学版)(第07期);全文 *
拟万有引力定律三维激光点云数据精简方法;邓博文;王召巴;金永;;中国测试(第05期);全文 *

Also Published As

Publication number Publication date
CN111489386A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN108228798B (zh) 确定点云数据之间的匹配关系的方法和装置
CN106373118B (zh) 可有效保留边界和局部特征的复杂曲面零件点云精简方法
CN111311650B (zh) 一种点云数据的配准方法、装置及存储介质
CN111079801B (zh) 基于点云匹配快速搜索最近点的方法、介质、终端和装置
WO2021052283A1 (zh) 处理三维点云数据的方法和计算设备
CN111598770A (zh) 一种基于三维数据和二维图像的物体检测方法和装置
WO2022247137A1 (zh) 机器人及其充电桩识别方法和装置
CN109461133B (zh) 桥梁螺栓脱落检测方法及终端设备
CN113761999A (zh) 一种目标检测方法、装置、电子设备和存储介质
US20230260216A1 (en) Point cloud annotation device, method, and program
CN111489386B (zh) 点云特征点提取方法、装置、存储介质、设备及系统
CN111275821B (zh) 一种电力线拟合方法、系统及终端
US9443312B2 (en) Line parametric object estimation
CN114897669A (zh) 一种标注方法、装置及电子设备
CN111736167B (zh) 一种获取激光点云密度的方法和装置
WO2021056501A1 (zh) 提取特征点的方法、可移动平台及存储介质
WO2024125434A1 (zh) 基于区域一致性的建筑物主角度修正方法
US20230368407A1 (en) Drivable area detection method, computer device, storage medium, and vehicle
CN109993695B (zh) 一种不规则图形标注的图像碎片拼接方法及系统
CN116678418A (zh) 一种改进激光slam快速回环检测方法
US20230266773A1 (en) Vehicle attitude estimation method, electronic device and storage medium
CN115131240A (zh) 一种用于三维点云数据的目标识别方法和系统
CN110189403B (zh) 一种基于单波束前视声纳的水下目标三维重建方法
CN107392209B (zh) 一种提取线段的装置及方法
CN110619650A (zh) 一种基于线结构激光点云的边缘点提取方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210226

Address after: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080

Applicant after: Beijing Jingbangda Trading Co.,Ltd.

Address before: 100080 8th floor, 76 Zhichun Road, Haidian District, Beijing

Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd.

Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd.

Effective date of registration: 20210226

Address after: Room a1905, 19 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Beijing Jingdong Qianshi Technology Co.,Ltd.

Address before: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080

Applicant before: Beijing Jingbangda Trading Co.,Ltd.

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant