CN111754636B - 三维点云处理方法、三维点云处理模型训练方法及装置 - Google Patents

三维点云处理方法、三维点云处理模型训练方法及装置 Download PDF

Info

Publication number
CN111754636B
CN111754636B CN202010593114.7A CN202010593114A CN111754636B CN 111754636 B CN111754636 B CN 111754636B CN 202010593114 A CN202010593114 A CN 202010593114A CN 111754636 B CN111754636 B CN 111754636B
Authority
CN
China
Prior art keywords
dimensional point
point cloud
coordinate system
cylindrical coordinate
model
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
CN202010593114.7A
Other languages
English (en)
Other versions
CN111754636A (zh
Inventor
方进
周定富
宋希彬
张良俊
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010593114.7A priority Critical patent/CN111754636B/zh
Publication of CN111754636A publication Critical patent/CN111754636A/zh
Application granted granted Critical
Publication of CN111754636B publication Critical patent/CN111754636B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请公开了三维点云处理方法、三维点云处理模型训练方法及装置，涉及人工智能、计算机视觉、深度学习、智能交通等领域。具体实现方案为：将三维点云输入预先训练的三维点云处理模型，三维点云处理模型包括第一子模型和第二子模型；第一子模型被配置为接收三维点云，将三维点云进行旋转，并将旋转后的三维点云输入第二子模型；第二子模型被配置为对旋转后的三维点云进行处理，得到处理结果；获取三维点云处理模型输出的处理结果。解决了现有技术中对于三维点云旋转的复杂处理的问题，提高了三维点云旋转的准确度。

Description

三维点云处理方法、三维点云处理模型训练方法及装置
技术领域
本申请涉及图像处理领域，尤其涉及人工智能、计算机视觉、深度学习、智能交通等领域。
背景技术
随着工业界中3D传感器的广泛使用，围绕三维点云的应用越来越多。基于三维点云的数据表示成为三维点云应用上的核心技术。尤其是随着深度学习的兴起，寻找更好的三维点云特征表示，在自动驾驶、机器人等领域发挥更加重要的作用。其中，三维点云的旋转不变形的研究在三维点云特征表示中具有重要意义。典型的应用在机器手臂对象抓取和自动驾驶对象检测项目中。如果对象的角度未知，则无法获取到一个对三维点云进行处理的最佳角度，会对处理带来困难。
发明内容
本申请提供了一种三维点云处理方法、三维点云处理模型训练方法及装置、设备以及存储介质。
根据本申请的一方面，提供了一种三维点云处理的方法，包括：
将三维点云输入预先训练的三维点云处理模型，三维点云处理模型包括第一子模型和第二子模型；
第一子模型被配置为接收三维点云，将三维点云进行旋转，并将旋转后的三维点云输入第二子模型；
第二子模型被配置为对旋转后的三维点云进行处理，得到处理结果；
获取三维点云处理模型输出的处理结果。
根据本申请的另一方面，提供了一种三维点云处理模型的训练方法，包括：
将三维点云样本输入待训练的三维点云处理模型，待训练的三维点云处理模型包括第一子模型和第二子模型；
第一子模型被配置为接收三维点云样本，将三维点云样本进行旋转，并将旋转后的三维点云样本输入第二子模型；
第二子模型被配置为对旋转后的三维点云样本进行处理，得到处理结果的预测值；
根据处理结果的预测值及处理结果的真实值对待训练的三维点云处理模型进行训练，直至处理结果的预测值与处理结果的真实值的误差在允许范围内。
根据本申请的第三方面，提供了一种三维点云处理的装置，包括：
三维点云输入模块，用于将三维点云输入预先训练的三维点云处理模型，三维点云处理模型包括第一子模型和第二子模型；
第一子模型被配置为接收三维点云，将三维点云进行旋转，并将旋转后的三维点云输入第二子模型；
第二子模型被配置为对旋转后的三维点云进行处理，得到处理结果；
处理结果获取模块，用于获取三维点云处理模型输出的处理结果。
根据本申请的第四方面，提供了一种三维点云处理模型的训练的装置，包括：
三维点云样本输入模块，用于将三维点云样本输入待训练的三维点云处理模型，待训练的三维点云处理模型包括第一子模型和第二子模型；
第一子模型被配置为接收三维点云样本，将三维点云样本进行旋转，并将旋转后的三维点云样本输入第二子模型；
第二子模型被配置为对旋转后的三维点云样本进行处理，得到处理结果的预测值；
模型训练模块，用于根据处理结果的预测值及处理结果的真实值对待训练的三维点云处理模型进行训练，直至处理结果的预测值与处理结果的真实值的误差在允许范围内。
根据本申请的第五方面，本申请实施例提供一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意一项实施例所提供的方法。
根据本申请的第六方面，本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请任意一项实施例所提供的方法。
根据本申请的第七方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
根据本申请的技术解决了现有技术中对于三维点云旋转的复杂处理的问题，提高了三维点云旋转的准确度。由于三维点云处理模型是根据处理结果的真实值训练的，即，利用了处理结果真实值对三维点云处理模型中的第一子模型进行训练，从而可以得到最适合的旋转角度。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的三维点云处理的方法的流程图；
图2是根据本申请第一实施例对三维点云进行旋转的流程图；
图3是根据本申请第一实施例的得到调整后的旋转角度的流程图；
图4是根据本申请第一实施例的将三维点云的旋转角度调整拆分为二维点云的示意图；
图5是根据本申请第一实施例的得到处理结果的流程图；
图6是根据本申请第二实施例的三维点云处理模型的训练方法的流程图；
图7是根据本申请第二实施例的对三维点云样本进行旋转的流程图；
图8是根据本申请第二实施例的得到调整后的旋转角度的流程图；
图9是根据本申请第二实施例的训练原理示意图；
图10是根据本申请第三实施例的三维点云处理的装置的示意图；
图11是根据本申请第四实施例的三维点云处理模型的训练的装置的示意图；
图12是用来实现本申请实施例的三维点云处理的方法和/或三维点云处理模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，本申请提供一种三维点云处理的方法，包括：
S101：将三维点云输入预先训练的三维点云处理模型，三维点云处理模型包括第一子模型和第二子模型；
第一子模型被配置为接收三维点云，将三维点云进行旋转，并将旋转后的三维点云输入第二子模型；
第二子模型被配置为对旋转后的三维点云进行处理，得到处理结果；
S102：获取三维点云处理模型输出的处理结果。
三维点云可以是通过三维激光扫描仪目标对象，从而进行数据采集获取到的目标对象的点云数据。三维点云中可以包括丰富的信息，例如可以包括目标对象的三维坐标、颜色、采集时间等信息。
为了获得对三维点云最佳的处理效果，通常需要将三维点云进行一定角度的旋转。对三维点云的处理可以包括识别、分类、分割等。将三维点云旋转到处理设备可处理的最佳处理角度后，可以得到较佳的处理效果；反之，若未对三维点云进行旋转，则可能会无法进行后续处理或导致处理效果不佳。
在本申请实施例中，构建了用于对三维点云进行处理的模型。该模型包括第一子模型和第二子模型。其中，第一子模型被配置为接收三维点云，对将接收的三维点云进行旋转，并将旋转后的三维点云输入第二子模型。第二子模型被配置为对旋转后的三维点云进行处理，得到处理结果。
第二子模型得到的处理结果为三维点云处理模型输出的结果。
上述三维点云处理模型可以采用端到端模型，根据对于三维点云的不同处理场景，可以构建不同的三维点云处理模型。
例如，对于智能交通领域，需要车载设备对道路中的障碍物进行识别，以确定障碍物是车、人或是其他等。在此情况下，处理模型中的第一子模型配置不变，第二子模型可以配置为障碍物识别子模型。
再例如，对于机械臂抓取场景，需要机械臂对待抓取的对象进行检测。在此情况下，处理模型中的第一子模型配置不变，第二子模型可以配置为待抓取对象检测子模型。
在对三维点云处理模型训练时，可以采用三维点云样本和处理结果的真实值进行。其中，待训练的第二子模型(三维点云处理模型)会输出处理结果的预测值。将处理结果的预测值与处理结果的真实值之间的误差反馈至第一子模型。第一子模型中的角度调整参数会根据这个误差进行调整，直到三维点云处理模型的输出收敛或达到预期的效果才结束。
通过上述方案，由于三维点云处理模型是根据处理结果的真实值训练的，即，利用了处理结果真实值对三维点云处理模型中的第一子模型进行训练，从而可以得到最适合的旋转角度。克服了现有技术中对于三维点云旋转的复杂处理过程，提高了三维点云旋转的准确度。
如图2所示，在一种实施方式中，第一子模型将三维点云进行旋转，包括；
S201：将接收的三维点云转换至圆柱坐标系下，得到圆柱坐标系下的第一三维点云；
S202：利用第一子模型中的角度调整参数对圆柱坐标系下的第一三维点云的旋转角度进行调整，得到调整后的旋转角度；
S203：根据调整后的旋转角度对圆柱坐标系下的第一三维点云进行旋转。
圆柱坐标系为二维极坐标系向第三维的延伸。圆柱坐标系中的位置参数包括径向距离、方位角和高度。通过将三维点云的坐标系换算至圆柱坐标系，可以将方位角直接参与运算，使得后续得到旋转角度更加简便。
第一子模型可以包含角度预测神经网络。角度预测神经网络可以包含卷积层、池化层等，各层中的神经元可以统称为角度调整参数。对该角度预测神经网络进行训练时，可以利用向各个角度倾斜的三维点云样本作为输入，利用零角度倾斜的三维点云样本作为结果，训练角度预测神经网络中的角度调整参数，以使角度预测神经网络具有旋转角度调整的功能。
将圆柱坐标系下的第一三维点云输入至第一子模型，第一子模型中的角度预测神经网络便可以利用角度调整参数对圆柱坐标系下的三维点云的旋转角度调整，得到第一三维点云在圆柱坐标系下的旋转角度。
进一步的，根据旋转角度对圆柱坐标系下的第一三维点云进行旋转，即可得到旋转后的第一三维点云。
通过上述方案，将三维点云转换至圆柱坐标系下，从而可以将方位角直接参与运算，简化了复杂的数据转换，提高计算效率。
在一种实施方式中，圆柱坐标系包括：圆柱坐标系包括：由xy平面的二维极坐标系向z轴延伸的第一圆柱坐标系、由xz平面的二维极坐标系向y轴延伸的第二圆柱坐标系和由yz平面的二维极坐标系向x轴延伸的第三圆柱坐标系；
如图3所示，在此基础上，步骤S202包括：
S2021：将第一三维点云分别在第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系进行二维映射，得到第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下的二维点云。
S2022：利用第一子模型中的角度调整参数分别对映射至第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下的二维点云的旋转角度调整，对应得到调整后的x轴方向、y轴方向和z轴方向的旋转角度。
S2023：将调整后的x轴方向、y轴方向和z轴方向的旋转角度作为第一三维点云在圆柱坐标系下的旋转角度。
在本申请中，可以将第一三维点云的旋转角度调整拆分为三个二维点云的旋转角度调整。将第一三维点云分别映射至第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下，得到上述三个圆柱坐标系下的二维点云。
利用第一子模型中的角度调整参数分别对第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下的二维点云的旋转角度调整，可以对应得到调整后的x轴方向、y轴方向和z轴方向的旋转角度。
结合图4所示，以由xy平面的二维极坐标系向z轴延伸的第一圆柱坐标系为例进行说明。M点为空间上的任意一点，其位置参数表示为(ρ，θ，z)。其中，ρ可以表示径向距离，即M点与z轴的垂直距离，θ可以表示方位角，即，M点在xy平面的投影M’与xy平面的原点连线OM’与x轴的夹角。z可以表示高度，即M点距xy平面的距离。将三维点云映射至第一圆柱坐标系时，可以将三维点云整体看作M，将其z值置0。
第一子模型中的角度调整参数对第一圆柱坐标系下的二维点云进行旋转角度调整处理，可以得到x轴方向的旋转角度。
同理，对第二圆柱坐标系、第三圆柱坐标系下的二维点云进行旋转角度调整处理，可以得到y轴方向和z轴方向的旋转角度。
可以将调整后的x轴方向、y轴方向和z轴方向的旋转角度作为第一三维点云在圆柱坐标系下的旋转角度。
通过上述方案，将三维点云的旋转角度调整拆分为三个二维点云的旋转角度调整，一方面可以满足调整精度，另一方面通过降维的方式降低运算量。
在一种实施方式中，还包括以下步骤：
对圆柱坐标系下的三维点云进行栅格化处理；
将栅格化处理后的三维点云作为第一三维点云。
将三维点云转换到各圆柱坐标系下之后，可以对三维点云进行栅格化处理。
格化处理的目的是将三维点云拆分成有序结构，即由面到点，使得对三维点云的处理更加简便，同时对栅格化处理后的三维点云的各个部分，对噪声等更加不敏感。
如图5所示，在一种实施方式中，第二子模型被配置为对按照一定角度旋转的三维点云进行处理，得到处理结果，包括以下过程：
S501：从旋转后的三维点云中提取特征；
S502：据特征进行处理，得到处理结果。
按照一定角度旋转后的三维点云，对于特征提取来说已处于最佳角度。所提取出的特征可以作为三维点云的更有表达能力的特征。提取特征前的三维点云数据量非常庞大，直接处理比较困难，通过进行特征提取，去除冗余数据更加有利于后续的处理。
可以根据场景的不同，选择不同处理模型对特征进行处理，得到不同处理结果。例如包括三维点云的分类、分割、检测等。
通过上述方案，可以根据旋转后的三维点云进行处理，从而保证可以获取到最终的处理结果。
在一种实施方式中，处理结果包括：三维点云的分类结果、三维点云的分割结果、三维点云的检测结果中的至少一种。
三维点云的分类可以应用在工厂场景，例如需要机械臂移动A类型的零件。通过对所有的零件的扫描，可以获取到零件的三维点云。利用分类模型，可以从所有零件中确定出A类型的零件。
三维点云的分割可应用在自动驾驶或辅助驾驶等场景。车辆通过雷达扫描出道路中各目标对象的三维点云，利用分割模型可以对三维点云进行分割，分割出路面、植被等。
三维点云的检测同样可以应用在自动驾驶或辅助驾驶等场景。利用检测模型可以对三维点云进行检测，检测出行人、车辆等。
通过上述方案，基于处理模型的不同，可以对三维点云进行不同处理，最终得到处理结果。
如图6所示，在一种实施方式中，本申请还提供一种三维点云处理模型的训练方法，包括：
S601：将三维点云样本输入待训练的三维点云处理模型，待训练的三维点云处理模型包括第一子模型和第二子模型；
第一子模型被配置为接收三维点云样本，将三维点云样本进行旋转，并将旋转后的三维点云样本输入第二子模型；
第二子模型被配置为对旋转后的三维点云样本进行处理，得到处理结果的预测值；
S602：根据处理结果的预测值及处理结果的真实值对待训练的三维点云处理模型进行训练，直至处理结果的预测值与处理结果的真实值的误差在允许范围内。
上述三维点云处理模型可以采用端到端模型，在对三维点云处理模型训练时，可以采用三维点云样本和处理结果的真实值进行。其中，待训练的第二子模型会输出处理结果的预测值。将该预测值与处理结果的真实值之间的误差反馈至第一子模型。第一子模型中的角度调整参数会根据这个误差进行调整，直到三维点云处理模型的输出收敛或达到预期的效果才结束。
通过上述方案，由于三维点云处理模型是根据处理结果的真实值训练的，即，利用了处理结果真实值对三维点云处理模型中的第一子模型进行训练，从而可以得到最适合的旋转角度。克服了现有技术中对于三维点云旋转的复杂处理过程，提高了三维点云旋转的准确度。
如图7所示，在一种实施方式中，第一子模型将三维点云样本进行旋转，包括；
S701：将接收的三维点云样本转换至圆柱坐标系下，得到圆柱坐标系下的第一三维点云样本；
S702：利用第一子模型中的角度调整参数对圆柱坐标系下的第一三维点云样本的旋转角度进行调整，得到调整后的旋转角度；
S703：根据调整后的旋转角度对圆柱坐标系下的第一三维点云样本进行旋转。
通过将三维点云样本的坐标系换算至圆柱坐标系得到第一三维点云样本，可以将方位角直接参与运算，使得后续得到旋转角度更加简便。将圆柱坐标系下的第一三维点云样本输入至第一子模型，第一子模型中的角度预测神经网络便可以利用角度调整参数对圆柱坐标系下的第一三维点云样本的旋转角度调整，得到三维点云样本在圆柱坐标系下的旋转角度。
通过上述方案，将三维点云样本转换至圆柱坐标系下，从而可以将方位角直接参与运算，简化了复杂的数据转换，提高计算效率。
在一种实施方式中，圆柱坐标系包括：由xy平面的二维极坐标系向z轴延伸的第一圆柱坐标系、由xz平面的二维极坐标系向y轴延伸的第二圆柱坐标系和由yz平面的二维极坐标系向x轴延伸的第三圆柱坐标系；
如图8所示，步骤S702包括以下步骤：
S7021：将第一三维点云样本分别在第一圆柱坐标系、第二圆柱坐标系、第三圆柱坐标系进行二维映射，得到第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下的三维点云样本所对应的二维点云；
S7022：利用第一子模型中的角度调整参数分别对映射至第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下的三维点云样本所对应的二维点云的旋转角度调整，对应得到调整后的x轴方向、y轴方向和z轴方向的旋转角度；
S7023：将调整后的x轴方向、y轴方向和z轴方向的旋转角度作为第一三维点云样本在圆柱坐标系下的旋转角度。
结合图9所示，在训练过程中，第一子模型中包括对x轴方向、y轴方向和z轴方向的旋转角度的调整。在训练时，可以将三维点云样本和第二子模型反馈的处理结果的预测值与处理结果的真实值之间的误差(图9中以“误差”表示)输入至第一子模型，使得第一子模型根据误差调整x轴方向、y轴方向和z轴方向的旋转角度，直至处理结果的预测值与处理结果的真实值之间的误差在允许范围内。图9中是以x轴方向、y轴方向和z轴方向为顺序，实际并不限于此。
通过上述方案，将三维点云的旋转角度调整拆分为三个二维点云的旋转角度调整模块进行训练，使得训练后的模型一方面可以满足调整精度，另一方面通过降维的方式降低运算量。
如图10所示，本申请提供一种三维点云处理的装置，包括：
三维点云输入模块1001，用于将三维点云输入预先训练的三维点云处理模型，三维点云处理模型包括第一子模型和第二子模型；
第一子模型被配置为接收三维点云，将三维点云进行旋转，并将旋转后的三维点云输入第二子模型；
第二子模型被配置为对旋转后的三维点云进行处理，得到处理结果；
处理结果获取模块1002，用于获取三维点云处理模型输出的处理结果。
在一种实施方式中，将三维点云进行旋转，包括；
将接收的三维点云转换至圆柱坐标系下，得到圆柱坐标系下的第一三维点云；
利用第一子模型中的角度调整参数对圆柱坐标系下的第一三维点云的旋转角度进行调整，得到调整后的旋转角度；
根据调整后的旋转角度对圆柱坐标系下的第一三维点云进行旋转。
在一种实施方式中，圆柱坐标系包括：由xy平面的二维极坐标系向z轴延伸的第一圆柱坐标系、由xz平面的二维极坐标系向y轴延伸的第二圆柱坐标系和由yz平面的二维极坐标系向x轴延伸的第三圆柱坐标系；
利用第一子模型中的角度调整参数对圆柱坐标系下的三维点云的旋转角度进行调整，得到调整后的旋转角度，包括：
将第一三维点云分别在第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系进行二维映射，得到第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下的二维点云；
利用第一子模型中的角度调整参数分别对映射至第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下的二维点云的旋转角度调整，对应得到调整后的x轴方向、y轴方向和z轴方向的旋转角度；
将调整后的x轴方向、y轴方向和z轴方向的旋转角度作为第一三维点云在圆柱坐标系下的旋转角度。
在一种实施方式中，还包括：对圆柱坐标系下的三维点云进行栅格化处理；将栅格化处理后的三维点云作为第一三维点云。
在一种实施方式中，对旋转后的三维点云进行处理，包括：
从旋转后的三维点云中提取特征；
根据特征进行处理，得到处理结果。
如图11所示，本申请提供一种三维点云处理模型的训练的装置，包括：
三维点云样本输入模块1101，用于将三维点云样本输入待训练的三维点云处理模型，待训练的三维点云处理模型包括第一子模型和第二子模型；
第一子模型被配置为接收三维点云样本，将三维点云样本进行旋转，并将旋转后的三维点云样本输入第二子模型；
第二子模型被配置为对旋转后的三维点云样本进行处理，得到处理结果的预测值；
模型训练模块1102，用于根据处理结果的预测值及处理结果的真实值对待训练的三维点云处理模型进行训练，直至处理结果的预测值与处理结果的真实值的误差在允许范围内。
将三维点云样本进行旋转，包括；
将接收的三维点云样本转换至圆柱坐标系下，得到圆柱坐标系下的第一三维点云样本；
利用第一子模型中的角度调整参数对圆柱坐标系下的第一三维点云样本的旋转角度进行调整，得到调整后的旋转角度；
根据调整后的旋转角度对圆柱坐标系下的第一三维点云样本进行旋转。
圆柱坐标系包括：由xy平面的二维极坐标系向z轴延伸的第一圆柱坐标系、由xz平面的二维极坐标系向y轴延伸的第二圆柱坐标系和由yz平面的二维极坐标系向x轴延伸的第三圆柱坐标系；
利用第一子模型中的角度调整参数对圆柱坐标系下的第一三维点云样本的旋转角度进行调整，得到调整后的旋转角度，包括：
将第一三维点云样本分别在第一圆柱坐标系、第二圆柱坐标系、第三圆柱坐标系进行二维映射，得到第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下的三维点云样本所对应的二维点云；
利用第一子模型中的角度调整参数分别对映射至第一圆柱坐标系、第二圆柱坐标系和第三圆柱坐标系下的三维点云样本所对应的二维点云的旋转角度调整，对应得到调整后的x轴方向、y轴方向和z轴方向的旋转角度；
将调整后的x轴方向、y轴方向和z轴方向的旋转角度作为第一三维点云样本在圆柱坐标系下的旋转角度。
在一种实施方式中，还包括：对圆柱坐标系下的三维点云样本进行栅格化处理；将栅格化处理后的三维点云样本作为第一三维点云样本。
在一种实施方式中，对旋转后的三维点云样本进行处理，包括：
从旋转后的三维点云样本中提取特征；
根据特征进行处理，得到处理结果。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图12所示，是根据本申请实施例的三维点云处理的方法和/或三维点云处理模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图12所示，该电子设备包括：一个或多个处理器1210、存储器1220，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图12中以一个处理器1210为例。
存储器1220即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的三维点云处理的方法和/或三维点云处理模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的三维点云处理的方法和/或三维点云处理模型的训练方法。
存储器1220作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的三维点云处理的方法和/或三维点云处理模型的训练方法对应的程序指令/模块(例如，附图10所示的三维点云输入模块1001和处理结果获取模块1002，或者附图11所示的三维点云样本输入模块1101和模型训练模块1102)。处理器1210通过运行存储在存储器1220中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的三维点云处理的方法和/或三维点云处理模型的训练方法。
存储器1220可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据三维点云处理的方法和/或三维点云处理模型的训练方法的电子设备的使用所创建的数据等。此外，存储器1220可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1220可选包括相对于处理器1210远程设置的存储器，这些远程存储器可以通过网络连接至三维点云处理的方法和/或三维点云处理模型的训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
三维点云处理的方法和/或三维点云处理模型的训练方法的电子设备还可以包括：输入装置1230和输出装置1240。处理器1210、存储器1220、输入装置1230和输出装置1240可以通过总线或者其他方式连接，图12中以通过总线连接为例。
输入装置1230可接收输入的数字或字符信息，以及产生与三维点云处理的方法和/或三维点云处理模型的训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1240可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种三维点云处理的方法，包括：
将三维点云输入预先训练的三维点云处理模型，所述三维点云处理模型包括第一子模型和第二子模型；
所述第一子模型被配置为接收三维点云，将所述三维点云进行旋转，并将旋转后的所述三维点云输入所述第二子模型；
所述第二子模型被配置为对所述旋转后的三维点云进行处理，得到处理结果；
获取所述三维点云处理模型输出的所述处理结果；
其中，所述将所述三维点云进行旋转，包括；
将接收的三维点云转换至圆柱坐标系下，得到所述圆柱坐标系下的第一三维点云；
利用所述第一子模型中的角度调整参数对所述圆柱坐标系下的第一三维点云的旋转角度进行调整，得到调整后的旋转角度；
根据所述调整后的旋转角度对所述圆柱坐标系下的所述第一三维点云进行旋转；
其中，所述圆柱坐标系包括：由xy平面的二维极坐标系向z轴延伸的第一圆柱坐标系、由xz平面的二维极坐标系向y轴延伸的第二圆柱坐标系和由yz平面的二维极坐标系向x轴延伸的第三圆柱坐标系；
所述利用所述第一子模型中的角度调整参数对所述圆柱坐标系下的三维点云的旋转角度进行调整，得到调整后的旋转角度，包括：
将所述第一三维点云分别在所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系进行二维映射，得到所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系下的二维点云；
利用所述第一子模型中的角度调整参数分别对映射至所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系下的二维点云的旋转角度调整，对应得到调整后的x轴方向、y轴方向和z轴方向的旋转角度；
将所述调整后的x轴方向、y轴方向和z轴方向的旋转角度作为所述第一三维点云在所述圆柱坐标系下的旋转角度；
其中，所述对所述旋转后的三维点云进行处理，包括：
从旋转后的所述三维点云中提取特征；
根据所述特征进行处理，得到处理结果。
2.根据权利要求1所述的方法，还包括：对所述圆柱坐标系下的三维点云进行栅格化处理；
将所述栅格化处理后的三维点云作为所述第一三维点云。
3.根据权利要求1所述的方法，其中，所述处理结果包括：所述三维点云的分类结果、所述三维点云的分割结果和所述三维点云的检测结果中的至少一种。
4.一种三维点云处理模型的训练方法，包括：
将三维点云样本输入待训练的三维点云处理模型，所述待训练的三维点云处理模型包括第一子模型和第二子模型；
所述第一子模型被配置为接收三维点云样本，将所述三维点云样本进行旋转，并将旋转后的三维点云样本输入所述第二子模型；
所述第二子模型被配置为对所述旋转后的三维点云样本进行处理，得到处理结果的预测值；
根据所述处理结果的预测值及处理结果的真实值对所述待训练的三维点云处理模型进行训练，直至所述处理结果的预测值与处理结果的真实值的误差在允许范围内；
其中，所述将所述三维点云样本进行旋转，包括；
将接收的三维点云样本转换至圆柱坐标系下，得到所述圆柱坐标系下的第一三维点云样本；
利用所述第一子模型中的角度调整参数对圆柱坐标系下的第一三维点云样本的旋转角度进行调整，得到调整后的旋转角度；
根据所述调整后的旋转角度对所述圆柱坐标系下的所述第一三维点云样本进行旋转；
其中，所述圆柱坐标系包括：由xy平面的二维极坐标系向z轴延伸的第一圆柱坐标系、由xz平面的二维极坐标系向y轴延伸的第二圆柱坐标系和由yz平面的二维极坐标系向x轴延伸的第三圆柱坐标系；
利用所述第一子模型中的角度调整参数对所述圆柱坐标系下的第一三维点云样本的旋转角度进行调整，得到调整后的旋转角度，包括：
将所述第一三维点云样本分别在所述第一圆柱坐标系、所述第二圆柱坐标系、所述第三圆柱坐标系进行二维映射，得到所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系下的所述三维点云样本所对应的二维点云；
利用所述第一子模型中的角度调整参数分别对映射至所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系下的所述三维点云样本所对应的二维点云的旋转角度调整，对应得到调整后的x轴方向、y轴方向和z轴方向的旋转角度；
将所述调整后的x轴方向、y轴方向和z轴方向的旋转角度作为所述第一三维点云样本在所述圆柱坐标系下的旋转角度；
其中，所述对所述旋转后的三维点云样本进行处理，得到处理结果的预测值，包括：
从旋转后的所述三维点云样本中提取特征；
根据所述特征进行处理，得到处理结果的预测值。
5.一种三维点云处理的装置，包括：
三维点云输入模块，用于将三维点云输入预先训练的三维点云处理模型，所述三维点云处理模型包括第一子模型和第二子模型；
所述第一子模型被配置为接收三维点云，将所述三维点云进行旋转，并将旋转后的所述三维点云输入所述第二子模型；
所述第二子模型被配置为对所述旋转后的三维点云进行处理，得到处理结果；
处理结果获取模块，用于获取所述三维点云处理模型输出的所述处理结果；
其中，所述将所述三维点云进行旋转，包括；
将接收的三维点云转换至圆柱坐标系下，得到所述圆柱坐标系下的第一三维点云；
利用所述第一子模型中的角度调整参数对所述圆柱坐标系下的第一三维点云的旋转角度进行调整，得到调整后的旋转角度；
根据所述调整后的旋转角度对所述圆柱坐标系下的所述第一三维点云进行旋转；
其中，所述圆柱坐标系包括：由xy平面的二维极坐标系向z轴延伸的第一圆柱坐标系、由xz平面的二维极坐标系向y轴延伸的第二圆柱坐标系和由yz平面的二维极坐标系向x轴延伸的第三圆柱坐标系；
所述利用所述第一子模型中的角度调整参数对所述圆柱坐标系下的三维点云的旋转角度进行调整，得到调整后的旋转角度，包括：
将所述第一三维点云分别在所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系进行二维映射，得到所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系下的二维点云；
利用所述第一子模型中的角度调整参数分别对映射至所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系下的二维点云的旋转角度调整，对应得到调整后的x轴方向、y轴方向和z轴方向的旋转角度；
将所述调整后的x轴方向、y轴方向和z轴方向的旋转角度作为所述第一三维点云在所述圆柱坐标系下的旋转角度；
其中，所述对所述旋转后的三维点云进行处理，包括：
从旋转后的所述三维点云中提取特征；
根据所述特征进行处理，得到处理结果。
6.根据权利要求5所述的装置，还包括：对所述圆柱坐标系下的三维点云进行栅格化处理；将所述栅格化处理后的三维点云作为所述第一三维点云。
7.根据权利要求5所述的装置，其中，所述处理结果包括：所述三维点云的分类结果、所述三维点云的分割结果和所述三维点云的检测结果中的至少一种。
8.一种三维点云处理模型的训练的装置，包括：
三维点云样本输入模块，用于将三维点云样本输入待训练的三维点云处理模型，所述待训练的三维点云处理模型包括第一子模型和第二子模型；
所述第一子模型被配置为接收三维点云样本，将所述三维点云样本进行旋转，并将旋转后的三维点云样本输入所述第二子模型；
所述第二子模型被配置为对所述旋转后的三维点云样本进行处理，得到处理结果的预测值；
模型训练模块，用于根据所述处理结果的预测值及处理结果的真实值对所述待训练的三维点云处理模型进行训练，直至所述处理结果的预测值与处理结果的真实值的误差在允许范围内；
其中，所述将所述三维点云样本进行旋转，包括；
将接收的三维点云样本转换至圆柱坐标系下，得到所述圆柱坐标系下的第一三维点云样本；
利用所述第一子模型中的角度调整参数对圆柱坐标系下的第一三维点云样本的旋转角度进行调整，得到调整后的旋转角度；
根据所述调整后的旋转角度对所述圆柱坐标系下的所述第一三维点云样本进行旋转；
所述圆柱坐标系包括：由xy平面的二维极坐标系向z轴延伸的第一圆柱坐标系、由xz平面的二维极坐标系向y轴延伸的第二圆柱坐标系和由yz平面的二维极坐标系向x轴延伸的第三圆柱坐标系；
利用所述第一子模型中的角度调整参数对所述圆柱坐标系下的第一三维点云样本的旋转角度进行调整，得到调整后的旋转角度，包括：
将所述第一三维点云样本分别在所述第一圆柱坐标系、所述第二圆柱坐标系、所述第三圆柱坐标系进行二维映射，得到所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系下的所述三维点云样本所对应的二维点云；
利用所述第一子模型中的角度调整参数分别对映射至所述第一圆柱坐标系、所述第二圆柱坐标系和所述第三圆柱坐标系下的所述三维点云样本所对应的二维点云的旋转角度调整，对应得到调整后的x轴方向、y轴方向和z轴方向的旋转角度；
将所述调整后的x轴方向、y轴方向和z轴方向的旋转角度作为所述第一三维点云样本在所述圆柱坐标系下的旋转角度；
其中，所述对所述旋转后的三维点云样本进行处理，得到处理结果的预测值，包括：
从旋转后的所述三维点云样本中提取特征；
根据所述特征进行处理，得到处理结果的预测值。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至4中任一项所述的方法。
CN202010593114.7A 2020-06-26 2020-06-26 三维点云处理方法、三维点云处理模型训练方法及装置 Active CN111754636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010593114.7A CN111754636B (zh) 2020-06-26 2020-06-26 三维点云处理方法、三维点云处理模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010593114.7A CN111754636B (zh) 2020-06-26 2020-06-26 三维点云处理方法、三维点云处理模型训练方法及装置

Publications (2)

Publication Number Publication Date
CN111754636A CN111754636A (zh) 2020-10-09
CN111754636B true CN111754636B (zh) 2023-07-25

Family

ID=72677250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010593114.7A Active CN111754636B (zh) 2020-06-26 2020-06-26 三维点云处理方法、三维点云处理模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN111754636B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469404A (zh) * 2015-11-26 2016-04-06 北京建筑大学 一种基于三维点云数据的旋转体拟合方法及装置
CN107180409A (zh) * 2017-03-31 2017-09-19 河海大学 一种针对弯曲骨架型对象三维点云的广义圆柱投影方法
WO2018039871A1 (zh) * 2016-08-29 2018-03-08 北京清影机器视觉技术有限公司 三维视觉测量数据的处理方法和装置
CN110378246A (zh) * 2019-06-26 2019-10-25 深圳前海达闼云端智能科技有限公司 地面检测方法、装置、计算机可读存储介质及电子设备
CN110574071A (zh) * 2017-01-27 2019-12-13 Ucl商业有限公司 用于对齐3d数据集的设备，方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427248A (zh) * 2014-09-11 2016-03-23 富泰华工业（深圳）有限公司 点云拼接处理系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469404A (zh) * 2015-11-26 2016-04-06 北京建筑大学 一种基于三维点云数据的旋转体拟合方法及装置
WO2018039871A1 (zh) * 2016-08-29 2018-03-08 北京清影机器视觉技术有限公司 三维视觉测量数据的处理方法和装置
CN110574071A (zh) * 2017-01-27 2019-12-13 Ucl商业有限公司 用于对齐3d数据集的设备，方法和系统
CN107180409A (zh) * 2017-03-31 2017-09-19 河海大学 一种针对弯曲骨架型对象三维点云的广义圆柱投影方法
CN110378246A (zh) * 2019-06-26 2019-10-25 深圳前海达闼云端智能科技有限公司 地面检测方法、装置、计算机可读存储介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Rotation Invariant Convolutions for 3D Point Clouds Deep Learning";Zhiyuan Zhang等;《2019 International Conference on 3D Vision (3DV)》;第204-213页 *
"三维枪弹痕点云数据处理及特征提取研究";马鑫等;《液晶与显示》;第31卷(第9期);第889-896页 *

Also Published As

Publication number Publication date
CN111754636A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111753961B (zh) 模型训练方法和装置、预测方法和装置
CN112132829A (zh) 车辆信息的检测方法、装置、电子设备和存储介质
US11587332B2 (en) Method, apparatus, system, and storage medium for calibrating exterior parameter of on-board camera
CN111539347B (zh) 用于检测目标的方法和装置
CN111612753B (zh) 三维物体检测方法、装置、电子设备和可读存储介质
CN110675635B (zh) 相机外参的获取方法、装置、电子设备及存储介质
KR20210052409A (ko) 차선의 확정방법, 포지셔닝 정밀도의 평가방법, 장치, 기기 및 컴퓨터 프로그램
JP2021101365A (ja) 測位方法、測位装置及び電子機器
CN110794844B (zh) 自动驾驶方法、装置、电子设备及可读存储介质
CN111797745B (zh) 一种物体检测模型的训练及预测方法、装置、设备及介质
JP7228623B2 (ja) 障害物検出方法、装置、設備、記憶媒体、及びプログラム
CN113591573A (zh) 多任务学习深度网络模型的训练及目标检测方法、装置
CN110717933B (zh) 针对运动物体漏检的后处理方法、装置、设备和介质
KR102694715B1 (ko) 장애물의 검출 방법, 전자 기기, 노변 기기 및 클라우드 컨트롤 플랫폼
CN111401251B (zh) 车道线提取方法、装置、电子设备及计算机可读存储介质
CN111680596B (zh) 基于深度学习的定位真值校验方法、装置、设备及介质
CN113887400B (zh) 障碍物检测方法、模型训练方法、装置及自动驾驶车辆
CN111767843A (zh) 三维位置预测方法、装置、设备以及存储介质
CN111666876A (zh) 用于检测障碍物的方法、装置、电子设备和路侧设备
CN112581533A (zh) 定位方法、装置、电子设备及存储介质
CN111814651B (zh) 车道线的生成方法、装置和设备
CN111337898B (zh) 激光点云的处理方法、装置、设备及存储介质
CN111597987A (zh) 用于生成信息的方法、装置、设备和存储介质
CN111191619A (zh) 车道线虚线段的检测方法、装置、设备和可读存储介质
CN112749701B (zh) 车牌污损分类模型的生成方法和车牌污损分类方法

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