CN111598770A - 一种基于三维数据和二维图像的物体检测方法和装置 - Google Patents
一种基于三维数据和二维图像的物体检测方法和装置 Download PDFInfo
- Publication number
- CN111598770A CN111598770A CN202010413677.3A CN202010413677A CN111598770A CN 111598770 A CN111598770 A CN 111598770A CN 202010413677 A CN202010413677 A CN 202010413677A CN 111598770 A CN111598770 A CN 111598770A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- point cloud
- cloud data
- data
- laser radar
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
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)
- Image Processing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种基于三维数据和二维图像的物体检测方法和装置，检测方法包括以下步骤：获取环境二维图像、三维点云数据；从二维图像中识别物体，获取物体在二维图像中的位置、边界框；将三维图像中的数据映射到二维图像中，获得物体边界框范围内的三维点云数据；过滤边界框内的三维点云数据；计算过滤后的三维点云数据的物理中心，获取识别物体的中心位置的三维坐标，实现对物体三维坐标的精确定位。检测装置包括多个摄像头、三维激光雷达、数据处理中心，摄像头与三维激光雷达的相对位置固定，实现在水平方向摄像头的视觉范围小于等于三维激光雷达的扫描范围。检测装置采用检测方法，实现了识别物体、确定物体三维坐标。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种基于三维数据和二维图像的物体检测方法和装置。
背景技术
目前，对图像的处理，只是单独对三维图像或二维图像进行处理，而二维图像能够识别物体，但二维图像得到的物体是平面的，无法获得物体的三维信息；三维图像能够获取物体的三维信息，目前，能够获得三维图像信息的包括三维激光雷达，激光雷达的线数与点云数据的稠密度成正比，线数越多，点云数据的稠密度越高，而高线数的三维激光雷达价格昂贵，低线数的三维激光雷达受线数量的限制，距离较远的时候，线与线之间的距离加大，点云会变得稀疏，无法使用常规的聚类分割方法有效提取物体点云，导致数据稀疏，识别物体的成功率和准确率都较低。
因此，如何发挥三维图像与二维图像各自的优势，取长补短，准确识别物体，获得物体的三维坐标，是目前亟待解决的问题。
发明内容
本发明的目的是提供一种基于三维数据和二维图像的物体检测方法和装置，基于二维图像得到平面物体的位置、边界框，根据二维图像与三维图像的坐标原点，将三维点云数据映射到二维图像中，获得物体边界框范围内的三维点云数据，过滤边界框范围内的三维点云数据，经过计算，获得识别物体的中心位置的三维坐标，实现对物体三维坐标的精确定位。
本发明的上述发明目的通过以下技术方案得以实现：
一种基于三维数据和二维图像的物体检测方法，包括以下步骤：
S1、获取环境二维图像、三维点云数据；
S2、从二维图像中识别物体，获取物体在二维图像中的位置、边界框；
S3、将三维图像中的数据映射到二维图像中，获得物体边界框范围内的三维点云数据；
S4、过滤边界框内的三维点云数据；
S5、计算过滤后的三维点云数据的物理中心，获取识别物体的中心位置的三维坐标。
本发明进一步设置为：步骤S2中，采用深度学习方法，对二维图像进行视觉识别，检测到识别物体，绘制物体边界框。
本发明进一步设置为：步骤S3中，根据三维点云数据的坐标原点与二维图像的坐标原点的相对位置关系，将三维点云数据一一对应为二维图像中的像素点，获得物体边界框范围内的三维点云数据。
本发明进一步设置为：步骤S4中，采用至少一次过滤方法，过滤边界框内的三维点云数据。
本发明进一步设置为：步骤S4中，包括以下步骤：
A1、采用设定高度范围或聚类分割法，过滤掉对象边界框范围内属于地面和天花板的三维点云数据点；
A2、缩小边界框，减少边界框内的三维点云数据；
A3、选定中心参考点，计算每个三维点云数据点到中心参考点的中心距离，依据中心距离数值进行聚类分割，将分割好的每一类点云簇中的点映射到二维平面坐标，根据像素坐标值，分别对每个分类结果绘制最小包络矩形；将最小包络矩形与物体检测的边界框进行比较，滤除噪点数据。
本发明进一步设置为：步骤A2中，设定边界框缩放值，对边界框进行缩小，删除变换后处于缩小后的边界框外的三维点云数据，减少非识别物体数据的比例。
本发明进一步设置为：步骤S5中，对过滤后的三维点云数据，分别求取点云数据点的三维坐标值的平均值；获取物体中心的三维坐标、物体的三维坐标信息。
本发明进一步设置为：包括至少一组环境二维图像，根据三维数据与各组二维图像的位置关系，分别进行三维点云数据映射到二维图像坐标的变换，对每组二维图像，过滤超出二维图像对应的视觉范围的点，将所有二维图像结合，从而将所有三维点云数据点全部映射到二维图像坐标中。
本发明的上述发明目的通过以下技术方案得以实现：
一种三维数据和二维图像的物体检测装置，包括摄像头、三维激光雷达、数据处理中心，三维激光雷达水平设置，摄像头与三维激光雷达的相对位置需固定，确保两者数据能够实现坐标互相变换，摄像头的水平拍摄范围小于等于三维激光雷达的扫描范围；三维激光雷达产生至少二条激光线，采集每条激光线的点云数据，数据处理中心获取摄像头拍摄的二维图像、三维激光雷达拍摄的三维点云数据，采用基于三维激光雷达和视觉的物体检测方法，获取被摄对象的三维坐标。
本发明进一步设置为：包括至少一个摄像头，当摄像头数量多于二个时，所有摄像头沿三维激光雷达的垂直轴线环形设置，所有摄像头高度相同，朝向互补，确保所有摄像头的水平拍摄范围结合后的范围小于等于三维激光雷达的扫描范围；数据处理中心包括存储器与处理器，所述存储器存储有能够被处理器加载并执行所述物体检测方法的计算机程序。
与现有技术相比，本发明的有益技术效果为：
1.本申请的方法，通过根据三维图像与二维图像的相对位置，将三维图像点云数据映射到二维图像中，实现了三维图像与二维图像在一个坐标系中的拟合，为后续处理提供了基础；
2.进一步地，本申请通过二维图像识别物体，得到物体的边界框与位置，从而只处理边界框内的三维点云数据，减少了待处理数据，提高了效率；
3.进一步地，本申请通过对边界框内的三维点云数据进行过滤，滤除掉物体边界的噪点，计算得到物体的中心位置的三维坐标，获得物体的准确位置；
4.本申请的装置，采用三维激光雷达获得三维数据，摄像头摄像二维图像，对二者进行数据处理与计算 ，得到物体的三维坐标，实现对物体的识别与准确定位。
附图说明
图1是本发明的一个具体实施例的物体检测方法流程示意图；
图2是本发明的一个具体实施例的物体检测装置结构示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
具体实施例一
本发明的一种基于三维数据和二维图像的物体检测方法，如图1所示，包括以下步骤：
S1、获取环境二维图像、三维点云数据；
S2、从二维图像中识别物体，获取物体在二维图像中的位置、边界框；
S3、将三维图像中的数据映射到二维图像中，获得物体边界框范围内的三维点云数据；
S4、过滤边界框内的三维点云数据；
S5、计算过滤后的三维点云数据的物理中心，获取识别物体的中心位置的三维坐标。
在本申请的一个具体实施例中，采用摄像头获得二维图像，采用三维激光雷达或深度相机获得三维图像数据，三维图像数据与二维图像是同时获取的，以保证三维图像与二维图像对应相同环境。
将摄像头与三维激光雷达相对固定设置，摄像头的坐标原点与三维激光雷达的坐标原点，相互之间对应关系就确定了。
采用深度学习方法，对二维图像进行视觉识别，检测到识别物体，获得物体的相对位置，绘制物体边界框，边界框用矩形框表示。
根据三维点云数据的坐标原点与二维图像的坐标原点的相对位置关系，将三维点云数据点一一对应为二维图像中的像素点，获得物体边界框范围内的三维点云数据，即获得了物体所对应的、包含物体三维信息的三维点云簇，实现三维点云数据与二维图像数据的对齐。
由于边界框的二维属性，在对齐到三维激光雷达坐标时，无法区分深度信息，即距离信息，导致如果有其他物体遮挡在识别对象与识别装置之间，遮挡物的三维点云数据也会被纳入识别对象的数据范围；且由于边界框是一个矩形，而识别对象的形状却不一定是矩形，因此边界框内会有许多不属于识别对象的点云数据，如地面、背景等的点云数据。因此，需要对边界框内的数据点进行过滤以滤除噪点，获取只属于识别对象的数据点。
对于边界框范围内的三维点云数据进行处理，滤除掉物体边界框内的噪点，获得物体的三维点云数据，计算物体的中心位置三维坐标，实现对物体的三维定位。
至少采用一次过滤过程或一种过滤方法，过滤物体边界框内的噪点。
本申请的一个具体实施例中，对物体边界框内噪点的过滤，包括以下步骤：
A1、采用设定高度范围或聚类分割法，过滤掉对象边界框范围内属于地面和天花板的三维点云数据点；
A2、缩小边界框，减少边界框内的三维点云数据；
A3、选定中心参考点，计算每个三维点云数据点到中心参考点的中心距离，依据中心距离数值进行聚类分割，将分割好的每一类点云簇中的点映射到二维平面坐标，根据像素坐标值，分别对每个分类结果绘制最小包络矩形；将最小包络矩形与物体检测的边界框进行比较，滤除噪点数据。
具体地，通过设定高度范围，过滤掉地面和天花板的点云数据，剔除掉超出高度范围的点云数据，保留高度范围内的点云数据。
对每条激光线的点云数据进行基于二维平面坐标的聚类方法，再对聚类结果通过三维高度上的坐标对齐，实现针对整个三维激光雷达物体点云的聚类分割。进而实现对边界框内三维点云数据的过滤。
设定边界框缩放值，对边界框进行缩小，删除变换后处于缩小后的边界框外的三维点云数据，减少非识别物体数据的比例。
边界框是以被识别物体的中心为中心进行绘制的，故非识别对象的物体点云数据大多分布在边界框靠近边缘的位置，通过设置合适的边界框缩放量，能够有效减少噪点点云数据，保留识别对象的物体点云数据。
如果遮挡物体将识别物体全部遮挡住，那就无法检测到识别物体，如果识别物体仍然被检测出来，说明识别物体的物理尺寸远大于遮挡物体，这种情况下，遮挡物体的三维点云数据不能真实反应识别物体的三维信息，需要滤除。采用聚类方法实现对遮挡物体的点云数据滤除。
具体地，根据中心距离，对边界框内的三维点云簇进行聚类，将分割好的每一类点云簇中的点映射到摄像头的二维平面坐标，并根据像素坐标值，分别对每个分类结果绘制最小包络矩形。将最小包络矩形与物体检测的边界框进行比较，其中大小差异过大且对应物体点云距离较近的，即为遮挡物体所产生的噪点点云，将其予以滤除。
对过滤后的三维点云数据，分别求取点云数据点的x、y、z三维坐标值的平均值；获取物体中心的三维坐标，从而也获得物体相应各点的三维坐标信息，完成对物体的检测，获得物体精确的三维信息。
具体实施例二
在本申请的一个具体实施例中，包括M组环境二维图像，根据三维数据与各组二维图像的位置关系，分别进行三维点云数据映射到二维图像坐标中，对每组二维图像，过滤超出二维图像对应的视觉范围的点，将所有二维图像结合，从而将所有三维点云数据点全部映射到二维图像坐标中。其中，M是大于等于1的正整数。
具体地，包括3组环境二维图像，形成水平方向360度的全覆盖，每组环境二维图像对应水平方向的视觉范围大于等于120度，根据三维数据与各组二维图像的位置关系，将对应水平方向视觉范围的三维点云数据分别映射到3组二维图像坐标中，对每组二维图像，过滤超出该二维图像对应的视觉范围的点，将3组二维图像结合，从而将所有三维点云数据点全部映射到二维图像坐标中。
通过本方法，能够获得识别到的物体名称、物体边界框、过滤后的物体点云数据、物体的三维坐标。
具体实施例三
一种三维数据和二维图像的物体检测装置，包括摄像头、三维激光雷达、数据处理中心，三维激光雷达水平设置，摄像头与三维激光雷达的相对位置固定，确保二维数据与三维数据能够实现坐标互相变换，摄像头的水平拍摄范围小于等于三维激光雷达的扫描范围；三维激光雷达产生16条激光线，采集每条激光线的点云数据，数据处理中心获取摄像头拍摄的二维图像、三维激光雷达拍摄的16条激光线的三维点云数据，采用基于三维激光雷达和视觉的物体检测方法，在二维图像中进行物体识别，获得物体的边界框，根据摄像头与三维激光雷达的相对位置关系，将16条激光线的三维点云数据映射到二维图像中，对物体边界框内的三维点云数据进行过滤，得到物体的三维点云数据，对边界框内的激光线的三维点云数据，分别求取点云数据点的三维坐标值的平均值；获取对象中心的三维坐标、对象的三维坐标信息。
在本申请的一个具体实施例中，如图2所示，包括四个摄像头，所有摄像头沿三维激光雷达的垂直轴线环形设置，所有摄像头高度相同，朝向互补，这样能够保证所有摄像头的水平拍摄范围，在结合后的范围小于等于三维激光雷达的扫描范围；每个摄像头的视角范围为90度，结合后实现水平方向360度的全覆盖。
如果摄像头的视角范围小于90度，结合后水平方向的范围就小于360度，在三维激光雷达的扫描范围内。
如果摄像头的视角范围大于90度，结合后水平方向的范围就会有相互重叠的部分，需要进行过滤，实现水平方向360度的全覆盖。
在本申请的一个具体实施例中，数据处理中心包括存储器与处理器，存储器存储有所述物体检测方法的计算机程序，处理器能够加载并执行所述计算机程序。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种基于三维数据和二维图像的物体检测方法，其特征在于：包括以下步骤：
S1、获取环境二维图像、三维点云数据；
S2、从二维图像中识别物体，获取物体在二维图像中的位置、边界框；
S3、将三维图像中的数据映射到二维图像中，获得物体边界框范围内的三维点云数据；
S4、过滤边界框内的三维点云数据；
S5、计算过滤后的三维点云数据的物理中心，获取识别物体的中心位置的三维坐标。
2.根据权利要求1所述物体检测方法，其特征在于：步骤S2中，采用深度学习方法，对二维图像进行视觉识别，检测到识别物体，绘制物体边界框。
3.根据权利要求1所述物体检测方法，其特征在于：步骤S3中，根据三维点云数据的坐标原点与二维图像的坐标原点的相对位置关系，将三维点云数据一一对应为二维图像中的像素点，获得物体边界框范围内的三维点云数据。
4.根据权利要求1所述物体检测方法，其特征在于：步骤S4中，采用至少一种过滤方法，过滤边界框内的三维点云数据。
5.根据权利要求1所述物体检测方法，其特征在于：步骤S4中，包括以下步骤：
A1、采用设定高度范围或聚类分割法，过滤掉对象边界框范围内属于地面和天花板的三维点云数据点；
A2、缩小边界框，减少边界框内的三维点云数据；
A3、选定中心参考点，计算每个三维点云数据点到中心参考点的中心距离，依据中心距离数值进行聚类分割，将分割好的每一类点云簇中的点映射到二维平面坐标，根据像素坐标值，分别对每个分类结果绘制最小包络矩形；将最小包络矩形与物体检测的边界框进行比较，滤除噪点数据。
6.根据权利要求1所述物体检测方法，其特征在于：步骤A2中，设定边界框缩放值，对边界框进行缩小，删除变换后处于缩小后的边界框外的三维点云数据，减少非识别物体数据的比例。
7.根据权利要求1所述物体检测方法，其特征在于：步骤S5中，对过滤后的三维点云数据，分别求取点云数据点的三维坐标值的平均值；获取物体中心的三维坐标、物体的三维坐标信息。
8.根据权利要求1所述物体检测方法，其特征在于：包括至少一组环境二维图像，根据三维数据与各组二维图像的位置关系，分别进行三维点云数据映射到二维图像坐标的变换，对每组二维图像，过滤超出二维图像对应的视觉范围的点，将所有二维图像结合，从而将所有三维点云数据点全部映射到二维图像坐标中。
9.一种三维数据和二维图像的物体检测装置，其特征在于：包括摄像头、三维激光雷达、数据处理中心，三维激光雷达水平设置，摄像头与三维激光雷达的相对位置固定，确保两者数据能够实现坐标互相变换，摄像头的水平拍摄范围小于等于三维激光雷达的扫描范围；三维激光雷达产生至少二条激光线，采集每条激光线的点云数据，数据处理中心获取摄像头拍摄的二维图像、三维激光雷达拍摄的三维点云数据，采用基于三维激光雷达和视觉的物体检测方法，获取被摄对象的三维坐标。
10.根据权利要求9所述物体检测装置，其特征在于：包括至少一个摄像头，当摄像头数量多于二个时，所有摄像头沿三维激光雷达的垂直轴线环形设置，所有摄像头高度相同，朝向互补，确保所有摄像头的水平拍摄范围结合后的范围小于等于三维激光雷达的扫描范围；数据处理中心包括存储器与处理器，所述存储器存储有能够被处理器加载并执行如权利要求1-8任一项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010413677.3A CN111598770B (zh) | 2020-05-15 | 2020-05-15 | 一种基于三维数据和二维图像的物体检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010413677.3A CN111598770B (zh) | 2020-05-15 | 2020-05-15 | 一种基于三维数据和二维图像的物体检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598770A true CN111598770A (zh) | 2020-08-28 |
| CN111598770B CN111598770B (zh) | 2023-09-19 |
Family
ID=72183384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010413677.3A Active CN111598770B (zh) | 2020-05-15 | 2020-05-15 | 一种基于三维数据和二维图像的物体检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598770B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200865A (zh) * | 2020-09-30 | 2021-01-08 | 张成林 | 物体定位方法及物体定位装置 |
| CN112200851A (zh) * | 2020-12-09 | 2021-01-08 | 北京云测信息技术有限公司 | 一种基于点云的目标检测方法、装置及其电子设备 |
| CN112581629A (zh) * | 2020-12-09 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 增强现实显示方法、装置、电子设备及存储介质 |
| CN112990129A (zh) * | 2021-04-27 | 2021-06-18 | 长沙万为机器人有限公司 | 基于视觉与激光雷达联合的三维物体检测方法及系统 |
| CN113256574A (zh) * | 2021-05-13 | 2021-08-13 | 中国科学院长春光学精密机械与物理研究所 | 一种三维目标检测方法 |
| CN113298840A (zh) * | 2021-05-26 | 2021-08-24 | 南京邮电大学 | 基于带电作业场景下的多模态物体检测方法、系统、装置及存储介质 |
| CN113538487A (zh) * | 2021-07-14 | 2021-10-22 | 安徽炬视科技有限公司 | 一种基于多摄像机三维重建的虚拟三维周界管控算法 |
| CN113822159A (zh) * | 2021-08-20 | 2021-12-21 | 杭州飞步科技有限公司 | 三维目标检测方法、装置和计算机 |
| CN113902927A (zh) * | 2021-12-09 | 2022-01-07 | 北京车网科技发展有限公司 | 一种融合了图像与点云信息的综合信息处理方法 |
| CN114589688A (zh) * | 2020-12-07 | 2022-06-07 | 山东新松工业软件研究院股份有限公司 | 一种应用于工业机器人的多功能视觉控制方法及装置 |
| CN115236689A (zh) * | 2022-09-23 | 2022-10-25 | 北京小马易行科技有限公司 | 确定激光雷达和图像采集设备的相对位置的方法与装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226833A (zh) * | 2013-05-08 | 2013-07-31 | 清华大学 | 一种基于三维激光雷达的点云数据分割方法 |
| US20170220876A1 (en) * | 2017-04-20 | 2017-08-03 | GM Global Technology Operations LLC | Systems and methods for visual classification with region proposals |
| CN109100741A (zh) * | 2018-06-11 | 2018-12-28 | 长安大学 | 一种基于3d激光雷达及图像数据的目标检测方法 |
| CN110276793A (zh) * | 2019-06-05 | 2019-09-24 | 北京三快在线科技有限公司 | 一种标定三维物体的方法及装置 |
-
2020
- 2020-05-15 CN CN202010413677.3A patent/CN111598770B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226833A (zh) * | 2013-05-08 | 2013-07-31 | 清华大学 | 一种基于三维激光雷达的点云数据分割方法 |
| US20170220876A1 (en) * | 2017-04-20 | 2017-08-03 | GM Global Technology Operations LLC | Systems and methods for visual classification with region proposals |
| CN109100741A (zh) * | 2018-06-11 | 2018-12-28 | 长安大学 | 一种基于3d激光雷达及图像数据的目标检测方法 |
| CN110276793A (zh) * | 2019-06-05 | 2019-09-24 | 北京三快在线科技有限公司 | 一种标定三维物体的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 邵昀岑;: "基于深度学习的三维目标检测算法综述" * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200865A (zh) * | 2020-09-30 | 2021-01-08 | 张成林 | 物体定位方法及物体定位装置 |
| CN112200865B (zh) * | 2020-09-30 | 2023-01-03 | 张成林 | 物体定位方法及物体定位装置 |
| CN114589688A (zh) * | 2020-12-07 | 2022-06-07 | 山东新松工业软件研究院股份有限公司 | 一种应用于工业机器人的多功能视觉控制方法及装置 |
| CN112200851A (zh) * | 2020-12-09 | 2021-01-08 | 北京云测信息技术有限公司 | 一种基于点云的目标检测方法、装置及其电子设备 |
| CN112581629A (zh) * | 2020-12-09 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 增强现实显示方法、装置、电子设备及存储介质 |
| CN112581629B (zh) * | 2020-12-09 | 2024-05-28 | 中国科学院深圳先进技术研究院 | 增强现实显示方法、装置、电子设备及存储介质 |
| CN112990129A (zh) * | 2021-04-27 | 2021-06-18 | 长沙万为机器人有限公司 | 基于视觉与激光雷达联合的三维物体检测方法及系统 |
| CN113256574B (zh) * | 2021-05-13 | 2022-10-25 | 中国科学院长春光学精密机械与物理研究所 | 一种三维目标检测方法 |
| CN113256574A (zh) * | 2021-05-13 | 2021-08-13 | 中国科学院长春光学精密机械与物理研究所 | 一种三维目标检测方法 |
| CN113298840A (zh) * | 2021-05-26 | 2021-08-24 | 南京邮电大学 | 基于带电作业场景下的多模态物体检测方法、系统、装置及存储介质 |
| CN113298840B (zh) * | 2021-05-26 | 2022-09-16 | 南京邮电大学 | 基于带电作业场景下的多模态物体检测方法、系统、装置及存储介质 |
| CN113538487A (zh) * | 2021-07-14 | 2021-10-22 | 安徽炬视科技有限公司 | 一种基于多摄像机三维重建的虚拟三维周界管控算法 |
| CN113822159A (zh) * | 2021-08-20 | 2021-12-21 | 杭州飞步科技有限公司 | 三维目标检测方法、装置和计算机 |
| CN113822159B (zh) * | 2021-08-20 | 2023-09-22 | 杭州飞步科技有限公司 | 三维目标检测方法、装置和计算机 |
| CN113902927A (zh) * | 2021-12-09 | 2022-01-07 | 北京车网科技发展有限公司 | 一种融合了图像与点云信息的综合信息处理方法 |
| CN115236689A (zh) * | 2022-09-23 | 2022-10-25 | 北京小马易行科技有限公司 | 确定激光雷达和图像采集设备的相对位置的方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598770B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598770B (zh) | 一种基于三维数据和二维图像的物体检测方法和装置 | |
| CN110781827B (zh) | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 | |
| CN109035320B (zh) | 基于单目视觉的深度提取方法 | |
| CN110031824B (zh) | 激光雷达联合标定方法及装置 | |
| CN108604301B (zh) | 用于大rgb-d扫描的可缩放自动全局配准的基于关键点的点对特征 | |
| CN106650640B (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
| CN110097536B (zh) | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 | |
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN104331876B (zh) | 直线检测、图像处理的方法及相关装置 | |
| WO2016106955A1 (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
| CN110070557A (zh) | 一种基于边缘特征检测的目标识别与定位方法 | |
| CN110930411B (zh) | 一种基于深度相机的人体分割方法及系统 | |
| CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
| CN111524168A (zh) | 点云数据的配准方法、系统、装置及计算机存储介质 | |
| JP2016194895A (ja) | 室内２ｄ平面図の生成方法、装置及びシステム | |
| CN107680035B (zh) | 一种参数标定方法和装置、服务器及可读存储介质 | |
| US11816857B2 (en) | Methods and apparatus for generating point cloud histograms | |
| CN115267722A (zh) | 一种角点提取方法、装置及存储介质 | |
| CN111179271B (zh) | 一种基于检索匹配的物体角度信息标注方法及电子设备 | |
| CN112197705A (zh) | 一种基于视觉和激光测距的果实定位方法 | |
| CN111783648A (zh) | 道路点云中护栏的提取方法及装置 | |
| CN116503567A (zh) | 基于ai大数据的智慧建模管理系统 | |
| CN114742876B (zh) | 一种土地视觉立体测量方法 | |
| CN115880643A (zh) | 一种基于目标检测算法的社交距离监测方法和装置 | |
| CN114155291A (zh) | 箱体的位姿识别方法及装置、终端、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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201203 Address after: B1205, phase II, Bolton Science Park, 1044 chaguang Road, Shuguang community, Xili street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Huizhi robot technology (Shenzhen) Co.,Ltd. Address before: 200000 Shanghai City, Pudong New Area Chinese (Shanghai) free trade zone fanchun Road No. 400 Building 1 layer 3 Applicant before: FLYINGWINGS INTELLIGENT ROBOT TECHNOLOGY (SHANGHAI) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |