CN111611900B - 一种目标点云识别方法、装置、电子设备和存储介质 - Google Patents
一种目标点云识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111611900B CN111611900B CN202010414261.3A CN202010414261A CN111611900B CN 111611900 B CN111611900 B CN 111611900B CN 202010414261 A CN202010414261 A CN 202010414261A CN 111611900 B CN111611900 B CN 111611900B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- target
- cloud data
- identified
- determining
- 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 56
- 238000001914 filtration Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种目标点云识别方法、装置、设备和存储介质,该方法包括:获取用于构建地图的单帧点云数据;将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据。通过本发明实施例的技术方案,实现了对目标点云进行识别的目的。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种目标点云识别方法、装置、电子设备和存储介质。
背景技术
高精地图的构建是无人驾驶技术的重要组成部分。目前,常用的高精地图包括基于点云数据构建的点云地图。点云数据通常是由车载雷达和惯导系统按照行驶路线依次扫描得到。在扫描过程中,道路上的车、人等可移动目标不可避免地被扫描,使得获得的用于构建地图的点云数据中不可避免地包括车、人等噪声数据。因此,为了保证所构建点云地图的精度,在构建点云地图时,需要剔除点云数据中的噪声数据。而对点云数据中的噪声数据进行识别是噪声数据剔除的首要环节。
目前,对点云数据中的噪声数据进行识别主要包括两种常用方式:一种是基于深度学习训练识别模型,利用该识别模型对点云数据中的噪声数据进行识别;另一种是依靠人工肉眼的识别。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
上述基于深度学习训练识别模型的识别方式,存在训练数据获取困难的问题。而依靠人工肉眼的识别方式显然效率较低、人力投入成本较高。
发明内容
本发明实施例提供了一种目标点云识别方法、装置、电子设备和存储介质,实现了对目标点云进行识别的目的。
第一方面,本发明实施例提供了一种目标点云识别方法,所述方法包括:
获取用于构建地图的单帧点云数据;
将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;
根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据。
第二方面,本发明实施例还提供了一种目标点云识别装置,所述装置包括:
获取模块,用于获取用于构建地图的单帧点云数据;
划分模块,用于基于地面的平坦特征将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;
识别模块,用于根据待识别目标的特征属性基于所述非地面点云数据确定所述待识别目标的点云数据。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的目标点云识别方法步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的目标点云识别方法步骤。
上述发明中的实施例具有如下优点或有益效果:
通过将用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据的技术手段,实现了对目标点云进行识别的目的。
附图说明
图1是本发明实施例一提供的一种目标点云识别方法的流程示意图;
图2是本发明实施例二提供的一种目标点云识别方法的流程示意图;
图3是本发明实施例三提供的一种目标点云识别方法的流程示意图;
图4是本发明实施例三提供的另一种目标点云识别方法的流程示意图;
图5是本发明实施例四提供的一种目标点云识别装置的结构示意图;
图6是本发明实施例五提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。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。
实施例一
图1为本发明实施例一提供的一种目标点云识别方法的流程图,本实施例可适用于对单帧点云数据中的目标点云进行识别的场景,所述目标点云例如具体是行人的点云、车辆的点云等。本实施例以所述目标点云为行人的点云为例进行解释说明。该方法可以由目标点云识别装置来执行,该装置可以由软件和/或硬件的方式来实现。
如图1所示,该方法具体包括以下步骤:
步骤110、获取用于构建地图的单帧点云数据。
其中,所述单帧点云数据通常指车载雷达扫描一圈,即360°所获得的点云数据。
步骤120、将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据。
常用的车载雷达有16线雷达、32线雷达以及64线雷达,可以理解的是,16线雷达有16个激光发射端,32线雷达有32个激光发射端,64线雷达有64个激光发射端。
以16线雷达为例,单帧点云数据为16个激光发射端同时旋转一圈所扫描到的点云数据。安装时,16个激光发射端的仰角均匀分布,一般为2度。每个激光发射端旋转一圈,大约可以扫描到1800个点云数据(由扫描频率确定),所以单帧点云数据由16*1800个点云数据组成,组成16行1800列的矩阵。由于地面具有平坦特征,针对地面点云数据,同一列相邻行的两个点云数据之间的倾角不大于相邻的两个激光发射端的仰角之差,因此可利用该特征识别单帧点云数据中的地面点云数据与非地面点云数据。
示例性的,所述将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据,包括:
确定所述单帧点云数据中,相同时刻通过相邻的两个激光发射端扫描获得的两个点云点之间的倾角;
若所述倾角小于倾角阈值,则将所述两个点云点标记为地面点云数据,所述单帧点云数据中未被标记的点云点为非地面点云数据;
其中,所述单帧点云数据通过彼此相邻的至少两个激光发射端旋转扫描一圈获得。
所述确定所述单帧点云数据中,相同时刻通过相邻的两个激光发射端扫描获得的两个点云点之间的倾角,包括:
基于如下公式确定两个点云点之间的倾角:
其中,α(i,j)表示单帧点云数据集合中第i行第j列的点云点与第(i+1)行第j列的点云点之间的倾角,xi,j表示单帧点云数据集合中第i行第j列的点云点的x坐标值,yi,j表示单帧点云数据集合中第i行第j列的点云点的y坐标值,zi,j表示单帧点云数据集合中第i行第j列的点云点的z坐标值,单帧点云数据集合中的行元素表示通过同一个激光发射端在不同时刻扫描获得的点云点,列元素表示相同时刻通过不同激光发射端扫描获得的点云点。atan2(y,x)所表达的意思是以坐标原点为起点,指向点(x,y)的射线在坐标平面上与x轴正方向之间的角度。
步骤130、根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据。
其中,假设所述待识别目标为行人,行人的特征属性包括:身高特征(0-2米),体积特征(不像汽车的体积那么大,也不像小树或者路灯线杆的体积那么小),上下分布相对较均匀的特征(例如,区别于树木,树木的上下分布不均匀,下部树干区域较窄,而上部树枝区域则所占面积较广)以及点云密度特征等。
示例性的,所述基于待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据,包括:
根据待识别目标的高度特征确定高度范围;
通过设定聚类算法对处于所述高度范围内的非地面点云数据进行聚类处理,获得至少一个原始点云簇;
根据待识别目标的体积特征以及所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇;
基于所述第一目标点云簇确定所述待识别目标的点云数据。
其中,所述高度范围例如为行人腿部以上的范围,行人腿部以上范围内的行人点云数据与其他物体的点云数据具有较大区别,例如行人腿部以上的外观形态与树木、车辆、垃圾桶以及电线杆之间具有较大区别,因此行人腿部以上范围内的行人特征较容易被识别。通过设定高度范围,可减少参与计算的点云数据的数量,进而降低计算量,提高计算效率以及识别效率。
所述设定聚类算法可以是欧氏聚类算法。通过设定聚类算法对处于所述高度范围内的非地面点云数据进行聚类处理,可获得一个一个按照物体的外观形态排布的原始点云簇。通过结合待识别目标的体积特征以及所述原始点云簇的体积特征,可获得待识别目标所对应的至少一个第一目标点云簇,基于所述第一目标点云簇以及待识别目标的更细节特征确定所述待识别目标的点云数据,从而获得准确度较高的识别结果。
进一步的,所述确定所述待识别目标的点云数据之后,所述方法还包括:
将所述待识别目标的点云数据从所述用于构建地图的单帧点云数据中滤除,以使基于滤除后的单帧点云数据所构建的点云地图中不包括所述待识别目标。例如,若所述待识别目标为行人,通过将单帧点云数据中行人对应的点云数据滤除,基于滤除后的单帧点云数据可构建无行人的点云地图,有效去除了点云地图中的噪点。
本实施例的技术方案,通过将用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据的技术手段,实现了对目标点云进行识别的目的。
实施例二
图2为本发明实施例二提供的一种目标点云识别方法的流程图,本实施例在上述实施例的基础上,对上述步骤“基于所述第一目标点云簇确定所述待识别目标的点云数据”给出了具体实现方式,以准确识别目标点云。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图2,本实施例提供的目标点云识别方法具体包括以下步骤:
步骤210、获取用于构建地图的单帧点云数据。
步骤220、将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据。
步骤230、根据待识别目标的高度特征确定高度范围,通过设定聚类算法对处于所述高度范围内的非地面点云数据进行聚类处理,获得至少一个原始点云簇。
步骤240、根据待识别目标的体积特征以及所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇。
步骤250、针对各所述第一目标点云簇,根据当前第一目标点云簇所包含的点云点总数,以及当前第一目标点云簇的体积确定当前第一目标点云簇的密度。
步骤260、根据待识别目标的密度特征,结合各第一目标点云簇的密度对所述第一目标点云簇进行筛选,获得待识别目标所对应的至少一个第二目标点云簇,基于所述第二目标点云簇确定所述待识别目标的点云数据。
其中,点云簇的密度=点云簇所包含的点云点总数/点云簇的体积。根据待识别目标的密度,以及各所述第一目标点云簇的密度,进一步对所述第一目标点云簇进行筛选,获得待识别目标所对应的至少一个第二目标点云簇。通过逐步缩小待识别目标所对应的候选点云簇的数量,提高最终的识别精度。
进一步的,在地图构建场景中,道路行驶区域外的行人、车辆等可移动物体并不会给地图的构建带来干扰,因此在该场景下,所述基于所述第二目标点云簇确定所述待识别目标的点云数据,可包括:
基于所述地面点云数据确定行驶区域;
将位于所述行驶区域外的所述第二目标点云簇进行过滤;
将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
示例性的,所述基于所述地面点云数据确定行驶区域,包括:
通过设定平面抽取算法,确定所述地面点云数据中的平面点云点,所述地面点云数据中除去所述平面点云点之外的点云点为非平面点云点;
确定每个所述非平面点云点,与点云坐标系参考原点之间的距离;
将与点云坐标系参考原点之间距离最小的目标非平面点云点,确定为所述目标非平面点云点所在扇形区域的边界点,其中,所述平面点云点所在区域被划分为设定数量的所述扇形区域;
根据各所述扇形区域的边界点确定所述行驶区域。
其中,所述设定平面抽取算法包括RANSAC(RANdom Sample Consensus,随机抽样一致)算法、区域增长法、法线与RANSAC组合法等。所述平面点云点指同一个平面内的点云点。根据行驶道路具有平坦特征的假设,通过设定平面抽取算法所抽取的平面点云点组成道路的可行驶区域,平面点云点以外的点云点为不可行驶区域的点云点。为了进一步扩展可行驶区域,遍历每一个非平面点云点,将与点云坐标系参考原点的距离最小的目标非平面点云点确定为可行驶区域与不可行驶区域之间的边界。具体的,将所述平面点云点所在区域划分为设定数量的扇形区域,将与点云坐标系参考原点之间距离最小的目标非平面点云点,确定为所述目标非平面点云点所在扇形区域的边界点,所述边界点组成可行驶区域与不可行驶区域之间的边界。
示例性的,通过如下计算方式遍历每一个非平面点云点,将与点云坐标系参考原点的距离最小的目标非平面点云点确定为其所在扇形区域的边界点:
index=atan2(y,x)/(2π/steps)+steps/2
range[index]=range[index]>dist?dist:range[index]
其中,index表示点云点(x,y)所在扇形区域的编号,atan2(y,x)所表达的意思是以坐标原点为起点,指向点云点(x,y)的射线在坐标平面上与x轴正方向之间的角度,steps为设定计算步长,dist表示点云坐标系参考原点与点云点(x,y)之间的距离,range[index]表示扇形区域index的历史边界点与点云坐标系参考原点之间的距离。上述表达式的含义为,若扇形区域index的历史边界点与点云坐标系参考原点之间的距离range[index]大于点云点(x,y)与点云坐标系参考原点之间的距离dist,则利用dist替换range[index],即range[index]=dist,并继续遍历下一个点云点,最终利用最小的dist作为扇形区域index的边界点。
进一步的,所述基于所述第二目标点云簇确定所述待识别目标的点云数据,包括:
基于所述待识别目标的平面特征,对平面点数超过点数阈值,和/或,平面面积超过面积阈值的所述第二目标点云簇进行过滤;
将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
具体的,针对每个所述第二目标点云簇,利用上述设定平面抽取算法,抽取每个所述第二目标点云簇的平面点(其中,平面点指组成同一平面的点云点),对平面点超过点数阈值的第二目标点云簇进行过滤,和/或将平面面积(平面面积指平面点所组成的平面的面积)超过面积阈值的第二目标点云簇进行过滤。可以理解的是,由于单帧点云数据为激光雷达旋转一圈所扫描到的点云数据,结合行人的形态特点,单帧点云数据行人所对应的点云数据中的平面点云点的数量不会太多,因此可通过阈值比较的方式将平面点云点超过点数阈值的第二目标点云簇过滤掉。同样的道理,行人所对应的点云数据中平面点云点所组成的平面的面积不会太大,可将平面面积超过面积阈值的第二目标点云簇过滤掉,以提高目标点云的识别精度。
进一步的,所述基于所述第二目标点云簇确定所述待识别目标的点云数据,包括:
确定每个所述第二目标点云簇上方设定区域范围内的点云点数量;
将所述点云点数量超过数量阈值的第二目标点云簇进行过滤,其中,所述数量阈值基于待识别目标的高度特征确定;
将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
对于较高的物体,例如树木、电线杆等,则在所述第二目标点云簇上方的一定区域范围内还会存在一定数量的点云点,而对于行人,2米以上的区域基本就没有很多点云点了,因此可以利用该特征,对第二目标点云簇进行过滤,提高行人对应的点云点的识别精度。
进一步的,所述基于所述第二目标点云簇确定所述待识别目标的点云数据,包括:
针对每个所述第二目标点云簇,按照高度将当前第二目标点云簇等分为上、下两部分;
统计上部分所包含的第一点云点数量,以及下半部分所包含的第二点云点数量;
若所述第一点云点数量与所述第二点云点数量之间的差值大于差值阈值,则将当前第二目标点云簇进行过滤,所述差值阈值基于待识别目标的形态特征确定;
将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
具体的,上述识别方式是利用了行人上下分布相对较均匀的特征,例如,区别于树木,树木的上下分布不均匀,下部树干区域较窄,而上部树枝区域则所占面积较广,而行人的上下形态分布则较均匀,因此可以所述第一点云点数量与所述第二点云点数量之间的差值对所述第二目标点云簇进行过滤,达到进一步提高识别精度的目的。
本实施例的技术方案,通过结合待识别目标的体积特征、密度特征、平面特征、高度特征以及上下形态分布特征对原始点云簇进行层层筛选,实现了对目标点云的准确识别。
实施例三
图3为本发明实施例三提供的一种目标点云识别方法的流程图,本实施例在上述实施例的基础上,对方案进行了进一步优化,具体是基于待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,以达到快速识别目标点云,且减少后续进一步被识别的候选点云的数据量,从而达到提高整体识别效率与精度的目的。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图3,本实施例提供的目标点云识别方法具体包括以下步骤:
步骤310、获取用于构建地图的单帧点云数据。
步骤320、将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据。
步骤330、根据待识别目标的高度特征确定高度范围,通过设定聚类算法对处于所述高度范围内的非地面点云数据进行聚类处理,获得至少一个原始点云簇。
步骤340、根据待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,以对所述原始点云簇进行过滤。
示例性的,所述根据待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,以对所述原始点云簇进行过滤,包括:
确定所述第一位置与各所述原始点云簇的质心之间的距离;
将所述距离小于距离阈值的原始点云簇进行过滤。
其中,所述距离小于距离阈值的原始点云簇表示当前帧点云数据中的所述待识别目标。通过利用待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,实现了对当前帧点云数据中所述待识别目标的快速识别。
步骤350、根据待识别目标的体积特征,以及过滤后剩余的所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇。
以行人为例,其是可运动物体,因此同一扫描场景中,每时刻的行人都可能有变化,通过目标跟踪,可将同时出现在当前帧点云数据,以及与当前帧相邻的上一帧点云数据中的待识别目标快速识别,而只出现在当前帧点云数据,而没有出现在上一帧点云数据中的行人,则需要通过结合行人的体积特征、密度特征、平面特征、高度特征以及上下形态分布特征利用上述实施例所述的识别方法进行层层筛选,最终识别出当前帧点云数据中的所有待识别目标(例如行人)。
通过基于待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,还减少了后续进一步被识别的候选点云的数据量,从而达到了提高整体识别效率的目的。
步骤360、针对各所述第一目标点云簇,根据当前第一目标点云簇所包含的点云点总数,以及当前第一目标点云簇的体积确定当前第一目标点云簇的密度。
步骤370、根据待识别目标的密度特征,结合各第一目标点云簇的密度对所述第一目标点云簇进行筛选,获得待识别目标所对应的至少一个第二目标点云簇,基于所述第二目标点云簇确定所述待识别目标的点云数据。
本实施例的技术方案,通过基于待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,达到了快速识别目标点云的目的,且减少了后续进一步被识别的候选点云的数据量,从而达到了提高整体识别效率与精度的目的;对于当前帧点云数据中剩余的待识别目标通过结合待识别目标的体积特征、密度特征、平面特征、高度特征以及上下形态分布特征进行层层筛选,实现了对所有待识别目标的准确识别。
在上述技术方案的基础上,参见图4所示的另一种目标点云识别方法的流程示意图,首先将单帧雷达点云数据划分为地面点云数据与非地面点云数据;针对非地面点云数据,指定高度范围,对高度范围内的点云数据进行聚类,得到原始点云簇。针对原始点云簇,一方面可基于待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,从而快速获得当前帧点云数据中的待识别目标。针对剩余的未被识别出的原始点云簇,结合待识别目标的体积特征以及原始点云簇的体积过滤点云,结合待识别目标的密度特征以及原始点云簇的密度过滤点云,根据点云簇上方区域的点云特点过滤点云,根据点云簇上半部的点云特点过滤点云,抽取平面点云,结合待识别目标的平面特征过滤点云,最终得到当前帧点云数据中的所有待识别目标的点云。针对地面点云数据,还可以通过确定道路的可行驶区域,对可行驶区域外的点云进行过滤,因为可行驶区域外的点云在一些场景中不会造成干扰,例如自动驾驶过程中的地图构建场景。
以下是本发明实施例提供的目标点云识别装置的实施例,该装置与上述各实施例的目标点云识别方法属于同一个发明构思,在目标点云识别装置的实施例中未详尽描述的细节内容,可以参考上述目标点云识别方法的实施例。
实施例四
图5为本发明实施例四提供的一种目标点云识别装置的结构示意图,该装置具体包括:获取模块510、划分模块520和识别模块530。
其中,获取模块510,用于获取用于构建地图的单帧点云数据;划分模块520,用于基于地面的平坦特征将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;识别模块530,用于根据待识别目标的特征属性基于所述非地面点云数据确定所述待识别目标的点云数据。
进一步的,划分模块520包括:
确定子模块,用于确定所述单帧点云数据中,相同时刻通过相邻的两个激光发射端扫描获得的两个点云点之间的倾角;
标记子模块,用于若所述倾角小于倾角阈值,则将所述两个点云点标记为地面点云数据,所述单帧点云数据中未被标记的点云点为非地面点云数据;
其中,所述单帧点云数据通过彼此相邻的至少两个激光发射端旋转扫描一圈获得。
进一步的,所述确定子模块具体用于:
基于如下公式确定两个点云点之间的倾角:
其中,α(i,j)表示单帧点云数据集合中第i行第j列的点云点与第(i+1)行第j列的点云点之间的倾角,xi,j表示单帧点云数据集合中第i行第j列的点云点的x坐标值,yi,j表示单帧点云数据集合中第i行第j列的点云点的y坐标值,zi,j表示单帧点云数据集合中第i行第j列的点云点的z坐标值,单帧点云数据集合中的行元素表示通过同一个激光发射端在不同时刻扫描获得的点云点,列元素表示相同时刻通过不同激光发射端扫描获得的点云点。
进一步的,识别模块530包括:
确定子模块,用于根据待识别目标的高度特征确定高度范围;
聚类子模块,用于通过设定聚类算法对处于所述高度范围内的非地面点云数据进行聚类处理,获得至少一个原始点云簇;
第一识别子模块,用于根据待识别目标的体积特征以及所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇;
第二识别子模块,用于基于所述第一目标点云簇确定所述待识别目标的点云数据。
进一步的,所述第二识别子模块包括:
密度确定单元,用于针对各所述第一目标点云簇,根据当前第一目标点云簇所包含的点云点总数,以及当前第一目标点云簇的体积确定当前第一目标点云簇的密度;
识别单元,用于根据待识别目标的密度特征,结合各第一目标点云簇的密度对所述第一目标点云簇进行筛选,获得待识别目标所对应的至少一个第二目标点云簇,基于所述第二目标点云簇确定所述待识别目标的点云数据。
进一步的,所述识别单元包括:
确定子单元,用于基于所述地面点云数据确定行驶区域;
过滤子单元,用于将位于所述行驶区域外的所述第二目标点云簇进行过滤;
识别子单元,用于将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
进一步的,所述确定子单元具体用于:
通过设定平面抽取算法,确定所述地面点云数据中的平面点云点,所述地面点云数据中除去所述平面点云点之外的点云点为非平面点云点;
确定每个所述非平面点云点,与点云坐标系参考原点之间的距离;
将与点云坐标系参考原点之间距离最小的目标非平面点云点,确定为所述目标非平面点云点所在扇形区域的临界点,其中,所述平面点云点所在区域被划分为设定数量的所述扇形区域;
根据各所述扇形区域的临界点确定所述行驶区域。
进一步的,所述过滤子单元,还用于基于所述待识别目标的平面特征,对平面点数超过点数阈值,和/或,平面面积超过面积阈值的所述第二目标点云簇进行过滤;
所述识别子单元,还用于将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
进一步的,所述确定子单元还用于:确定每个所述第二目标点云簇上方设定区域范围内的点云点数量;
所述过滤子单元,还用于将所述点云点数量超过数量阈值的第二目标点云簇进行过滤,其中,所述数量阈值基于待识别目标的高度特征确定;
所述识别子单元,还用于将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
进一步的,所述识别单元还包括:
划分子单元,用于针对每个所述第二目标点云簇,按照高度将当前第二目标点云簇等分为上、下两部分;
统计子单元,用于统计上部分所包含的第一点云点数量,以及下半部分所包含的第二点云点数量;
所述过滤子单元,还用于若所述第一点云点数量与所述第二点云点数量之间的差值大于差值阈值,则将当前第二目标点云簇进行过滤,所述差值阈值基于待识别目标的形态特征确定;
所述识别子单元,还用于将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
进一步的,所述装置还包括:
跟踪模块,用于在所述根据待识别目标的体积特征以及所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇之前,根据待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,以对所述原始点云簇进行过滤。
进一步的,所述跟踪模块包括:
确定单元,用于确定所述第一位置与各所述原始点云簇的质心之间的距离;
过滤单元,用于将所述距离小于距离阈值的原始点云簇进行过滤;
对应的,所述第一识别子模块,用于:
根据待识别目标的体积特征,以及过滤后剩余的所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇。
进一步的,所述装置还包括:过滤模块,用于在确定所述待识别目标的点云数据之后,将所述待识别目标的点云数据从所述用于构建地图的单帧点云数据中滤除,以使基于滤除后的单帧点云数据所构建的点云地图中不包括所述待识别目标。
本实施例的技术方案,通过将用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据的技术手段,实现了对目标点云进行识别的目的。
本发明实施例所提供的目标点云识别装置可执行本发明任意实施例所提供的目标点云识别方法,具备执行目标点云识别方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例四提供的一种设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性设备12的框图。图6显示的设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个获取模块510、划分模块520或者识别模块530)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个获取模块510、划分模块520或者识别模块530)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及目标点云识别,例如实现本发实施例所提供的一种目标点云识别方法步骤,该方法包括:
获取用于构建地图的单帧点云数据;
将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;
根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的目标点云识别方法的技术方案。
实施例六
本实施例六提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的目标点云识别方法步骤,该方法包括:
获取用于构建地图的单帧点云数据;
将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;
根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
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 (15)
1.一种目标点云识别方法,其特征在于,包括:
获取用于构建地图的单帧点云数据;
将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;
根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据;
所述将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据,包括:
确定所述单帧点云数据中,相同时刻通过相邻的两个激光发射端扫描获得的两个点云点之间的倾角;
若所述倾角小于倾角阈值,则将所述两个点云点标记为地面点云数据,所述单帧点云数据中未被标记的点云点为非地面点云数据;
其中,所述单帧点云数据通过彼此相邻的至少两个激光发射端旋转扫描一圈获得。
2.根据权利要求1所述的方法,其特征在于,所述确定所述单帧点云数据中,相同时刻通过相邻的两个激光发射端扫描获得的两个点云点之间的倾角,包括:
基于如下公式确定两个点云点之间的倾角:
其中,α(i,j)表示单帧点云数据集合中第i行第j列的点云点与第(i+1)行第j列的点云点之间的倾角,xi,j表示单帧点云数据集合中第i行第j列的点云点的x坐标值,yi,j表示单帧点云数据集合中第i行第j列的点云点的y坐标值,zi,j表示单帧点云数据集合中第i行第j列的点云点的z坐标值,单帧点云数据集合中的行元素表示通过同一个激光发射端在不同时刻扫描获得的点云点,列元素表示相同时刻通过不同激光发射端扫描获得的点云点。
3.根据权利要求1-2任一项所述的方法,其特征在于,所述根据待识别目标的特征属性从所述非地面点云数据中,确定所述待识别目标的点云数据,包括:
根据待识别目标的高度特征确定高度范围;
通过设定聚类算法对处于所述高度范围内的非地面点云数据进行聚类处理,获得至少一个原始点云簇;
根据待识别目标的体积特征以及所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇;
基于所述第一目标点云簇确定所述待识别目标的点云数据。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一目标点云簇确定所述待识别目标的点云数据,包括:
针对各所述第一目标点云簇,根据当前第一目标点云簇所包含的点云点总数,以及当前第一目标点云簇的体积确定当前第一目标点云簇的密度;
根据待识别目标的密度特征,结合各第一目标点云簇的密度对所述第一目标点云簇进行筛选,获得待识别目标所对应的至少一个第二目标点云簇,基于所述第二目标点云簇确定所述待识别目标的点云数据。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第二目标点云簇确定所述待识别目标的点云数据,包括:
基于所述地面点云数据确定行驶区域;
将位于所述行驶区域外的所述第二目标点云簇进行过滤;
将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
6.根据权利要求5所述的方法,其特征在于,所述基于所述地面点云数据确定行驶区域,包括:
通过设定平面抽取算法,确定所述地面点云数据中的平面点云点,所述地面点云数据中除去所述平面点云点之外的点云点为非平面点云点;
确定每个所述非平面点云点,与点云坐标系参考原点之间的距离;
将与点云坐标系参考原点之间距离最小的目标非平面点云点,确定为所述目标非平面点云点所在扇形区域的边界点,其中,所述平面点云点所在区域被划分为设定数量的所述扇形区域;
根据各所述扇形区域的边界点确定所述行驶区域。
7.根据权利要求4所述的方法,其特征在于,所述基于所述第二目标点云簇确定所述待识别目标的点云数据,包括:
基于所述待识别目标的平面特征,对平面点数超过点数阈值,和/或,平面面积超过面积阈值的所述第二目标点云簇进行过滤;
将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
8.根据权利要求4所述的方法,其特征在于,所述基于所述第二目标点云簇确定所述待识别目标的点云数据,包括:
确定每个所述第二目标点云簇上方设定区域范围内的点云点数量;
将所述点云点数量超过数量阈值的第二目标点云簇进行过滤,其中,所述数量阈值基于待识别目标的高度特征确定;
将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
9.根据权利要求4所述的方法,其特征在于,所述基于所述第二目标点云簇确定所述待识别目标的点云数据,包括:
针对每个所述第二目标点云簇,按照高度将当前第二目标点云簇等分为上、下两部分;
统计上部分所包含的第一点云点数量,以及下半部分所包含的第二点云点数量;
若所述第一点云点数量与所述第二点云点数量之间的差值大于差值阈值,则将当前第二目标点云簇进行过滤,所述差值阈值基于待识别目标的形态特征确定;
将过滤后剩余的第二目标点云簇确定为所述待识别目标的点云数据。
10.根据权利要求3所述的方法,其特征在于,所述根据待识别目标的体积特征以及所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇之前,所述方法还包括:
根据待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,以对所述原始点云簇进行过滤。
11.根据权利要求10所述的方法,其特征在于,根据待识别目标在与当前帧相邻的上一帧用于构建地图的单帧点云数据中的第一位置,对当前帧点云数据中所述待识别目标进行跟踪,以对所述原始点云簇进行过滤,包括:
确定所述第一位置与各所述原始点云簇的质心之间的距离;
将所述距离小于距离阈值的原始点云簇进行过滤;
对应的,所述根据待识别目标的体积特征以及所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇,包括:
根据待识别目标的体积特征,以及过滤后剩余的所述原始点云簇的体积特征,确定所述待识别目标所对应的至少一个第一目标点云簇。
12.根据权利要求1-2任一项所述的方法,其特征在于,所述确定所述待识别目标的点云数据之后,所述方法还包括:
将所述待识别目标的点云数据从所述用于构建地图的单帧点云数据中滤除,以使基于滤除后的单帧点云数据所构建的点云地图中不包括所述待识别目标。
13.一种目标点云识别装置,其特征在于,包括:
获取模块,用于获取用于构建地图的单帧点云数据;
划分模块,用于基于地面的平坦特征将所述用于构建地图的单帧点云数据,划分为地面点云数据和非地面点云数据;
识别模块,用于根据待识别目标的特征属性基于所述非地面点云数据确定所述待识别目标的点云数据;
所述划分模块包括:
确定子模块,用于确定所述单帧点云数据中,相同时刻通过相邻的两个激光发射端扫描获得的两个点云点之间的倾角;
标记子模块,用于若所述倾角小于倾角阈值,则将所述两个点云点标记为地面点云数据,所述单帧点云数据中未被标记的点云点为非地面点云数据;
其中,所述单帧点云数据通过彼此相邻的至少两个激光发射端旋转扫描一圈获得。
14.一种电子设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-12中任一所述的目标点云识别方法步骤。
15.一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1-12中任一所述的目标点云识别方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414261.3A CN111611900B (zh) | 2020-05-15 | 2020-05-15 | 一种目标点云识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414261.3A CN111611900B (zh) | 2020-05-15 | 2020-05-15 | 一种目标点云识别方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611900A CN111611900A (zh) | 2020-09-01 |
CN111611900B true CN111611900B (zh) | 2023-06-30 |
Family
ID=72204891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414261.3A Active CN111611900B (zh) | 2020-05-15 | 2020-05-15 | 一种目标点云识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611900B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634260A (zh) * | 2020-12-31 | 2021-04-09 | 上海商汤智能科技有限公司 | 一种地图评估的方法、装置、电子设备及存储介质 |
WO2023166700A1 (ja) * | 2022-03-04 | 2023-09-07 | パイオニア株式会社 | 情報処理装置、制御方法、プログラム及び記憶媒体 |
CN115311457B (zh) * | 2022-10-09 | 2023-03-24 | 广东汇天航空航天科技有限公司 | 点云数据处理方法、计算设备、飞行装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180131932A (ko) * | 2017-06-01 | 2018-12-11 | 충남대학교산학협력단 | 드론과 공간정보를 이용한 하천지형정보 생성 방법 |
CN109359614A (zh) * | 2018-10-30 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 一种激光点云的平面识别方法、装置、设备和介质 |
CN109993192A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 目标对象识别方法及装置、电子设备、存储介质 |
WO2019209727A1 (en) * | 2018-04-23 | 2019-10-31 | Blackmore Sensors and Analytics Inc. | Method and system for controlling autonomous vehicle using coherent range doppler optical sensors |
CN110647835A (zh) * | 2019-09-18 | 2020-01-03 | 合肥中科智驰科技有限公司 | 基于3d点云数据的目标检测与分类方法和系统 |
CN110866449A (zh) * | 2019-10-21 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 识别道路中目标对象的方法和装置 |
-
2020
- 2020-05-15 CN CN202010414261.3A patent/CN111611900B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180131932A (ko) * | 2017-06-01 | 2018-12-11 | 충남대학교산학협력단 | 드론과 공간정보를 이용한 하천지형정보 생성 방법 |
CN109993192A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 目标对象识别方法及装置、电子设备、存储介质 |
WO2019209727A1 (en) * | 2018-04-23 | 2019-10-31 | Blackmore Sensors and Analytics Inc. | Method and system for controlling autonomous vehicle using coherent range doppler optical sensors |
CN109359614A (zh) * | 2018-10-30 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 一种激光点云的平面识别方法、装置、设备和介质 |
CN110647835A (zh) * | 2019-09-18 | 2020-01-03 | 合肥中科智驰科技有限公司 | 基于3d点云数据的目标检测与分类方法和系统 |
CN110866449A (zh) * | 2019-10-21 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 识别道路中目标对象的方法和装置 |
Non-Patent Citations (8)
Title |
---|
A multiscale curvature algorithm for classifying discrete return LiDAR in forested environments;Jeffrey S等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;第45卷(第4期);1029-1038 * |
A SLAM Method Based on LOAM for Ground Vehicles in the Flat Ground;ZhuYouji等;《2019 IEEE International Conference on Industrial Cyber Physical Systems》;1-6 * |
A time efficient algorithm for ground point filtering from mobile LiDAR data;Arshad Husain等;《2016 International Conference on Control, Computing, Communication and Materials》;1-5 * |
Ground Surface Filtering of 3D Point Clouds Based on Hybrid Regression Technique;KAIQI LIU等;《IEEE Access》;第7卷;23270-23284 * |
基于密度的K邻近空间球算法研究;赵灿等;《设计与研究》(第12期);25-26 * |
基于激光扫描与视觉融合的地形估计与属性认知研究;李星河;《中国优秀硕士学位论文全文数据库 信息科技辑》(第11期);I138-288 * |
基于激光点云的油菜数据处理方法研究;陈昆;《中国优秀硕士学位论文全文数据库 基础科学辑》(第2期);A005-261 * |
智能汽车激光雷达障碍物检测方法研究;谭亮;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);C035-186 * |
Also Published As
Publication number | Publication date |
---|---|
CN111611900A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611900B (zh) | 一种目标点云识别方法、装置、电子设备和存储介质 | |
CN108763287B (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
CN104766058B (zh) | 一种获取车道线的方法和装置 | |
CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
CN113761999B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN110598541B (zh) | 一种提取道路边缘信息的方法及设备 | |
CN109190573B (zh) | 应用于无人驾驶车辆的地面检测方法、电子设备、车辆 | |
CN108564650B (zh) | 基于车载2D LiDAR点云数据的行道树靶标识别方法 | |
CN114359758B (zh) | 一种输电线的检测方法、装置、计算机设备和存储介质 | |
CN108734780B (zh) | 用于生成地图的方法、装置和设备 | |
CN114485698B (zh) | 一种交叉路口引导线生成方法及系统 | |
CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
CN112711034A (zh) | 物体检测方法、装置及设备 | |
CN110798805A (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN116630798A (zh) | 一种基于改进YOLOv5的SAR图像飞机目标检测方法 | |
CN114037966A (zh) | 高精地图特征提取方法、装置、介质及电子设备 | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
CN111736167B (zh) | 一种获取激光点云密度的方法和装置 | |
CN114325759A (zh) | 激光雷达定位中的动态障碍物剔除方法及相关方法、装置 | |
CN114778774A (zh) | 基于人工智能的温室气体监测方法及相关设备 | |
CN113721254A (zh) | 一种基于道路指纹空间关联矩阵的车辆定位方法 | |
CN117152949A (zh) | 一种基于无人机的交通事件识别方法及系统 | |
CN117269952A (zh) | 一种4d成像毫米波雷达动目标点云半自动标注方法及装置 | |
CN110530376A (zh) | 机器人定位方法、装置、机器人及存储介质 | |
CN114820931A (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 |
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 |