CN111815707A - 点云确定方法、点云筛选方法、装置、计算机设备 - Google Patents
点云确定方法、点云筛选方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN111815707A CN111815707A CN202010630808.3A CN202010630808A CN111815707A CN 111815707 A CN111815707 A CN 111815707A CN 202010630808 A CN202010630808 A CN 202010630808A CN 111815707 A CN111815707 A CN 111815707A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- image
- point
- target object
- clouds
- 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 abstract description 59
- 238000012216 screening Methods 0.000 title claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 30
- 230000014509 gene expression Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及一种点云确定方法、点云筛选方法、装置、计算机设备和存储介质。该方法包括:获取目标对象在图像中所处的目标区域;获取点云的位置,点云与图像是同一时刻采集的;根据点云的位置,将点云投影到图像中,得到点云对应的像素位置;将像素位置位于目标区域中的点云,确定为目标对象对应的点云。可以理解,在同一时刻采集的图像和点云中,通过检测出图像中目标对象所在的区域,并根据点云的位置将点云投影到图像中,由此可判断出位于图像中目标区域的点云,该点云即为目标对象对应的点云。这样,将干扰对象作为目标对象,即可确定出干扰对象对应的点云。本方法无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,提高了扫描效率。
Description
技术领域
本申请涉及图像数据处理技术领域,特别是涉及一种点云确定方法、点云筛选方法、装置、计算机设备和存储介质。
背景技术
随着计算机视觉技术的发展,出现了点云建模技术。点云建模技术是采用点云数据来构建三维空间下的三维模型。其中,点云数据通过点云扫描设备(例如激光雷达)扫描得到。但是,在较大的三维空间中,点云扫描设备每次扫描的覆盖范围有限,且每次扫描到的点云较为稀疏,因此,为了获得整个三维空间中的全局点云,采用即时定位与地图构建技术,将每次扫描到的局部点云按照点云扫描设备的位姿进行拼接,得到全局点云,进而基于该全局点云生成三维模型。在构建三维模型时,有些对象属于干扰对象(例如行人),这些干扰对象是不属于三维模型中的元素,需要剔除。
传统技术中,在点云扫描设备每次扫描时,需确保扫描范围内不能存在干扰对象,以此得到无干扰对象的点云数据。
然而,采用传统方法,存在扫描效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高扫描效率的点云确定方法、点云筛选方法、装置、计算机设备和存储介质。
一种点云确定方法,所述方法包括:
获取目标对象在图像中所处的目标区域;
获取点云的位置,其中,所述点云与所述图像是同一时刻采集得到的;
根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置;
将所述像素位置位于所述目标区域中的点云,确定为所述目标对象对应的点云。
在其中一个实施例中,所述点云的位置为所述点云在点云坐标系中的点云坐标,所述点云坐标系为基于点云扫描设备构建的点云坐标系;所述像素位置为所述点云在像素坐标系中的像素坐标,所述像素坐标系为基于图像采集设备构建的像素坐标系;
所述根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置,包括:
根据所述图像采集设备与所述点云扫描设备之间的外参数,将所述点云坐标转换为相机坐标系中的三维坐标,所述相机坐标系为基于所述图像采集设备构建的相机坐标系;
根据所述图像采集设备的内参数和所述三维坐标,将所述点云投影到所述图像中,得到所述点云对应的像素位置。
在其中一个实施例中,所述根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置,包括:
根据所述点云的位置,确定所述点云的高度;
选取所述高度位于预设高度范围内的点云投影到所述图像中,得到所述点云对应的像素位置。
在其中一个实施例中,所述目标对象包括人或车辆中的至少一种。
一种点云筛选方法,所述方法包括:
获取点云的位置和点云扫描设备的位姿信息;
根据所述点云的位置和所述点云扫描设备的位姿信息,确定发生运动的点云;
获取目标对象对应的点云,其中,所述目标对象对应的点云是根据目标对象在图像中所处的目标区域和所述点云的位置来确定的,所述图像与所述点云是同一时刻采集得到的;
从所述点云中,舍弃所述发生运动的点云和所述目标对象对应的点云,得到舍弃后剩余的点云。
在其中一个实施例中,所述方法还包括:
将三维空间划分为多个栅格;
所述根据所述点云的位置和所述点云扫描设备的位姿信息,确定发生运动的点云,包括:
根据所述点云的位置,统计各栅格中点云的数量;
根据所述点云的位置和所述点云扫描设备的位姿信息,确定所述点云扫描设备与所述点云中的各点之间构成的各线段的表达式;
根据所述各线段的表达式,确定所述各线段经过的栅格;
统计经过所述各栅格的线段的数量;
将所述经过所述各栅格的线段的数量大于所述各栅格中点云的数量的栅格中的点云,确定为发生运动的点云。
在其中一个实施例中,所述根据所述点云的位置,统计各栅格中点云的数量,包括:
根据点云的位置,确定包含点云的栅格;
将所述包含点云的栅格存储在内存中;
从所述内存中读取所述包含点云的栅格,统计所述包含点云的栅格中各栅格中点云的数量。
在其中一个实施例中,所述获取目标对象对应的点云,包括:
获取目标对象在图像中所处的目标区域;
获取点云的位置;
根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置;
将所述像素位置位于所述目标区域中的点云,确定为所述目标对象对应的点云。
在其中一个实施例中,所述点云的位置为所述点云在点云坐标系中的点云坐标,所述点云坐标系为基于点云扫描设备构建的点云坐标系;所述像素位置为所述点云在像素坐标系中的像素坐标,所述像素坐标系为基于图像采集设备构建的像素坐标系;
所述根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置,包括:
根据所述图像采集设备与所述点云扫描设备之间的外参数,将所述点云坐标转换为相机坐标系中的三维坐标,所述相机坐标系为基于所述图像采集设备构建的相机坐标系;
根据所述图像采集设备的内参数和所述三维坐标,将所述点云投影到所述图像中,得到所述点云对应的像素位置。
在其中一个实施例中,所述方法还包括:
根据所述舍弃后剩余的点云的位置,构建三维模型。
一种点云确定装置,所述装置包括:
目标区域获取模块,用于获取目标对象在图像中所处的目标区域;
点云位置获取模块,用于获取点云的位置;
像素位置确定模块,用于根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置;
目标点云确定模块,用于将所述像素位置位于所述目标区域中的点云,确定为所述目标对象对应的点云。
一种点云筛选装置,所述装置包括:
信息获取模块,用于获取点云的位置和点云扫描设备的位姿信息;
点云确定模块,用于根据所述点云的位置和所述点云扫描设备的位姿信息,确定发生运动的点云;
点云获取模块,用于获取目标对象对应的点云,其中,所述目标对象对应的点云是根据目标对象在图像中所处的目标区域和所述点云的位置来确定的;
点云舍弃模块,用于从所述点云中,舍弃所述发生运动的点云和所述目标对象对应的点云,得到舍弃后剩余的点云。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标对象在图像中所处的目标区域;
获取点云的位置,其中,所述点云与所述图像是同一时刻采集得到的;
根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置;
将所述像素位置位于所述目标区域中的点云,确定为所述目标对象对应的点云。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标对象在图像中所处的目标区域;
获取点云的位置,其中,所述点云与所述图像是同一时刻采集得到的;
根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置;
将所述像素位置位于所述目标区域中的点云,确定为所述目标对象对应的点云。
上述点云确定方法、点云筛选方法、装置、计算机设备和存储介质,首先获取目标对象在图像中所处的目标区域,并获取与该图像在同一时刻采集的点云的位置,然后根据该点云的位置,将点云投影到图像中,得到该点云对应的像素位置,最后将像素位置位于目标区域中的点云,确定为目标对象对应的点云。可以理解,在同一时刻采集的图像和点云中,通过检测出图像中目标对象所在的区域,并根据点云的位置将点云投影到图像中,由此可判断出位于图像中目标区域的点云,该点云即为目标对象对应的点云。这样,将干扰对象作为目标对象,即可确定出干扰对象对应的点云,如此可将这些干扰对象的点云剔除再构建三维模型。可见,相对于传统技术而言,本申请无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,降低了扫描难度,提高了扫描效率。
附图说明
图1为一个实施例中点云确定方法的应用环境图;
图2为一个实施例中点云确定方法的流程示意图;
图3为一个实施例中根据点云的位置,将点云投影到图像中,得到点云对应的像素位置的补充方案的流程示意图;
图4为一个实施例中点云投影到图像中的示意图;
图5为另一个实施例中根据点云的位置,将点云投影到图像中,得到点云对应的像素位置的补充方案的流程示意图;
图6为一个实施例中采用神经网络模型进行目标检测的示意图;
图7为一个实施例中点云筛选方法的流程示意图;
图8为一个实施例中根据点云的位置和点云扫描设备的位姿信息,确定发生运动的点云的补充方案的流程示意图;
图9为一个实施例中根据点云的位置和点云扫描设备的位姿信息,确定点云扫描设备与点云中的各点之间构成的各线段的表达式的示意图;
图10为一个实施例中根据点云的位置,统计各栅格中点云的数量的补充方案的流程示意图;
图11为一个实施例中点云确定装置的结构框图;
图12为一个实施例中点云筛选装置的结构框图;
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的点云确定方法和点云筛选方法,可以应用于如图1所示的应用环境中。其中,终端102分别与图像采集设备104和点云扫描设备106连接。图像采集设备104用于采集三维空间中的图像;点云扫描设备106用于采集三维空间中的点云的位置;终端102获取目标对象在图像中所处的目标区域,并获取点云的位置,然后根据该点云的位置,将点云投影到与该点云在同一时刻采集的图像中,得到点云对应的像素位置,最后将该像素位置位于目标区域中的点云,确定为目标对象对应的点云。
其中,终端102可以是移动终端或固定终端。移动终端可以但不限于是笔记本电脑、智能手机、平板电脑、便携式可穿戴设备或移动机器人。
在一个实施例中,以移动机器人为例,图像采集设备104和点云扫描设备106可安装在该移动机器人上,移动机器人可采用即时定位与地图构建技术,计算出点云扫描设备106每次扫描时的位姿,这样,终端可获取在同一时刻下所采集的图像、点云的位置和点云扫描设备106的位姿。
在一示例性实施例中,如图2所示,提供了一种点云确定方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤S202,获取目标对象在图像中所处的目标区域。
其中,图像可以是由图像采集设备拍摄的图像。可选地,图像采集设备可以是摄像头、摄像机或相机中的至少一种。在一个实施例中,图像采集设备可以安装在终端上。
具体地,终端获取目标对象在图像中所处的目标区域。其中,目标对象可以是人、车辆等等。在一个实施例中,可采用目标检测方法对图像进行检测,检测出目标对象及目标对象在图像中所处的目标区域。
步骤S204,获取点云的位置。
其中,点云与图像是同一时刻采集得到的。点云可以是由点云扫描设备扫描得到的点云。可选地,点云扫描设备可以是三维激光扫描仪或照相式扫描仪。其中,三维激光扫描仪可以是激光雷达。在一个实施例中,激光雷达可以安装在终端上。当然,激光雷达也可以安装在三维空间的其他位置处。
具体地,终端获取点云的位置。可选地,在某些场景下,点云扫描设备需扫描的三维空间较大,对此,需移动该点云扫描设备进行扫描。在扫描过程中,由于点云扫描设备是时时移动的,这样,在每一时刻所在的位置所扫描的点云数据是不一样的,为了便于理解,可以将点云扫描设备每一时刻扫描到的点云成为局部点云,通过对每个位置处的局部点云进行拼接,可得到全局点云。而为了保证后续点云数据处理的准确,因此,终端会获取多个点云扫描设备的位置及多组点云的位置,并建立各个点云扫描设备的位置和各组点云的位置的对应关系。这样,在存在点云扫描设备在多个位置处扫描多次点云时,可准确区别多个点云扫描设备的位置与多组点云的位置的对应关系。
步骤S206,根据点云的位置,将点云投影到图像中,得到点云对应的像素位置。
其中,点云的位置是以点云扫描设备为参考确定的点云的位置。点云对应的像素位置是以图像采集设备为参考确定的点云在相机平面中的位置。可选地,点云的位置可以用三维坐标表示;像素位置可以用二维坐标表示。
具体地,终端根据点云的位置,并根据图像采集设备与点云扫描设备之间的外参数以及图像采集设备的内参数,确定投影矩阵,根据该投影矩阵,将点云投影到图像中,得到点云对应的像素位置。
步骤S208,将像素位置位于目标区域中的点云,确定为目标对象对应的点云。
具体地,终端在获得点云对应的像素位置后,判断点云中的各点是否位于目标区域中,并将像素位置位于目标区域中的点云,确定为目标对象对应的点云。可选地,终端在确定为目标对象对应的点云后,对该目标对象对应的点云添加预设标识进行标记。例如,对该目标对象对应的点云添加预设的颜色标识进行标记,以此来区分目标对象对应的点云和非目标对象对应的点云。
上述点云确定方法中,首先获取目标对象在图像中所处的目标区域,并获取与该图像在同一时刻采集的点云的位置,然后根据该点云的位置,将点云投影到图像中,得到该点云对应的像素位置,最后将像素位置位于目标区域中的点云,确定为目标对象对应的点云。可以理解,在同一时刻采集的图像和点云中,通过检测出图像中目标对象所在的区域,并根据点云的位置将点云投影到图像中,由此可判断出位于图像中目标区域的点云,该点云即为目标对象对应的点云。这样,将干扰对象作为目标对象,即可确定出干扰对象对应的点云,如此可将这些干扰对象的点云剔除再构建三维模型。可见,相对于传统技术而言,本方法无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,降低了扫描难度,提高了扫描效率。
在一示例性实施例中,涉及根据点云的位置,将点云投影到图像中,得到点云对应的像素位置的一种可能的实现方式。其中,点云的位置为点云在点云坐标系中的点云坐标,点云坐标系为基于点云扫描设备构建的点云坐标系;像素位置为点云在像素坐标系中的像素坐标,像素坐标系为基于图像采集设备构建的像素坐标系。在上述实施例的基础上,如图3所示,步骤S206具体可以通过以下步骤实现:
步骤S2062,根据图像采集设备与点云扫描设备之间的外参数,将点云坐标转换为相机坐标系中的三维坐标;
步骤S2064,根据图像采集设备的内参数和三维坐标,将点云投影到图像中,得到点云对应的像素位置。
其中,相机坐标系为基于图像采集设备构建的相机坐标系。
具体地,以图像采集设备为相机为例,终端根据相机与点云扫描设备之间标定得到的外参数,通过如下公式(1),将点云坐标p转换到相机坐标系中,得到三维坐标p’。
p′=R*p+t (1)
其中,p表示点云在点云扫描设备中构建的坐标系中的位置,可表示为(x,y,z)。p’表示该点云在相机坐标系中的位置,可表示为(x’,y’,z’)。R,t为相机与点云扫描设备之间标定得到的外参数,R表示点云扫描设备相对于相机的固定旋转量,一般采用一个四元数或者欧拉角表示,三维空间内的旋转量一般包括绕(x,y,z)三个轴的旋转,是一个既有旋转方向,也有旋转角度的量纲,因此,R可以理解为绕某个轴如(x’,y’,z’),旋转了θ度。t表示点云扫描设备相对于相机的固定平移,可表示为(tx,ty,tz),其是一个既有方向也有大小的量纲,是三维空间中的一个向量,可以理解为平移向量。
请一并参阅图4,终端根据相机标定得到的内参数将点云投影到图像中,具体为通过如下公式(2)和(3),将三维坐标p’转换到像素坐标系中,得到像素坐标。
其中,(u,v)表示像素坐标。fx,fy,cx,cy为相机标定得到的内参数,fx表示相机在x方向上的焦距,fy表示相机在y方向上的焦距,cx表示相机的光心在x方向上的位置,cy表示相机的光心在y方向上的位置。
本申请实施例中,通过图像采集设备与点云扫描设备之间的外参数和图像采集设备的内参数,将点云的位置投影到相机平面中得到点云对应的像素位置,这样,可准确判断点云是否为目标对象对应的点云,提高目标对象对应的点云确定的准确性。
在一示例性实施例中,涉及根据点云的位置,将点云投影到图像中,得到点云对应的像素位置的一种可能的实现方式。在上述实施例的基础上,如图5所示,步骤S206具体可以通过以下步骤实现:
步骤S206a,根据点云的位置,确定点云的高度;
步骤S206b,选取高度位于预设高度范围内的点云投影到图像中,得到点云对应的像素位置。
在一个实施例中,点云的位置可以用坐标(x,y,z)表示,其中,z表示点云的高度。可选地,z可以表示点云相对于地面的高度。接着,终端根据点云的高度,选取高度位于预设高度范围内的点云投影到图像中,得到点云对应的像素位置。通常,目标对象多为行人、车辆等,这些对象的高度一般小于2.5米,基于此,预设高度范围可以设置为0米-2.5米,这样,终端可以选取0米-2.5米的点云进行投影,而高于2.5米的点云则不进行投射。当然,预设高度范围也可以选择其他范围,只要高度上可以包含目标对象即可。在一个实施例中,预设高度范围可根据目标对象的高度确定。假设目标对象的高度为2米,则预设高度范围可以为包含2米的高度范围。
本申请实施例中,考虑到目标对象所处的目标区域可能存在干扰因素,例如天花板、墙壁等,通过限定将位于预设高度范围内的点云投影到图像中,可过滤掉这些干扰因素对应的点云,减少误判几率,提高目标对象对应的点云确定的准确性。
在一示例性实施例中,获取目标对象在图像中所处的目标区域的实现方式可以是:请一并参阅图6,采用训练好的卷积神经网络(例如Faster RCNN网络),对每一帧图像进行特征提取,获得每一帧图像的多组特征图,然后根据该多组特征图以及候选区域提取网络,提取出每一帧图像中可能存在目标对象的多个候选区域,最后通过判别器网络,对每一帧图像中所有的候选区域进行边框优化和判定,确定目标对象在每一帧图像中所处的目标区域,如图5中的边框所示。
本申请实施例中,采用卷积神经网络、候选区域提取网络和判别器网络来实现对每一帧图像进行目标检测,可快速且准确地检测出目标对象及目标对象在图像中所处的目标区域。
在一示例性实施例中,如图7所示,提供了一种点云筛选方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤S302,获取点云的位置和点云扫描设备的位姿信息。
具体地,终端获取点云的位置和点云扫描设备的位姿信息。其中,位姿信息包括点云扫描设备的位置和姿态。在一个实施例中,终端获取建立了对应关系的点云扫描设备的位置和姿态及在该位姿下采集的点云的位置。可以理解,点云扫描设备在一种位姿下采集到点云的位置,会将该位姿信息与该点云的位置建立对应关系,那么,点云扫描设备在另一种位姿下采集到点云的位置,会将该位姿信息与该点云的位置也建立对应关系,这样,终端可获取点云的位置、点云扫描设备的位姿信息及点云的位置与位姿信息的对应关系。
步骤S304,根据点云的位置和点云扫描设备的位姿信息,确定发生运动的点云。
具体地,终端根据点云的位置和点云扫描设备的位姿信息,将每一种位姿下局部点云的位置进行拼接,得到所有位姿下的全局点云的位置。在全局点云中,若有些点云的位置发生了改变,则终端确定这些点云为发生运动的点云。
步骤S306,获取目标对象对应的点云。
其中,目标对象对应的点云是根据目标对象在图像中所处的目标区域和点云的位置来确定的。
具体地,针对同一时刻采集的图像和点云,终端获取目标对象在该图像中所处的目标区域,并根据该点云的位置,将该点云投影到该图像中,得到点云对应的像素位置,进而将像素位置位于目标区域中的点云,确定为目标对象对应的点云。由于在点云扫描设备的移动过程中,点云扫描设备会采集多个时刻的点云的位置,对应地,图像采集设备也会采集多个时刻的点云的位置,因此,目标对象对应的点云包括多个时刻中每一时刻对应的点云。
步骤S308,从点云中,舍弃发生运动的点云和目标对象对应的点云,得到舍弃后剩余的点云。
具体地,在确定发生运动的点云和目标对象对应的点云后,舍弃这些点云,得到舍弃后剩余的点云。可选地,在确定发生运动的点云和目标对象对应的点云后,可对这些点云添加标识,进而根据标识信息舍弃这些点云。
上述点云筛选方法中,根据点云的位置和点云扫描设备的位姿信息,确定并舍弃发生运动的点云,并且舍弃根据目标对象在图像中所处的目标区域和点云的位置确定的目标对象对应的点云,从而得到舍弃后剩余的点云。这样,一方面,可以剔除发生运动的干扰对象,另一方面,即使干扰对象未发生运动,将该干扰对象作为目标对象,通过先采集图像,并检测出目标对象在图像中所处的目标区域,结合点云的位置来确定干扰对象的点云,由此也可以实现对未发生运动的干扰对象的剔除,这样,本方法无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,降低了扫描难度,提高了扫描效率,同时还可以保证三维模型构建的准确性。
在一示例性实施例中,该方法还包括以下步骤:
步骤S312,将三维空间划分为多个栅格。
具体地,终端根据预设的分辨率,将整个三维空间划分为多个三维的栅格。可选地,栅格的大小可以相同,也可以不同,或者部分相同,部分不同。分辨率可以为0.1米、0.2米或其他数值。例如,假设分辨率为0.1米,栅格的大小相同,则终端可以将三维空间划分为多个1立方厘米的栅格。
进一步地,如图8所示,步骤S304具体可以通过以下步骤实现:
步骤S3041,根据点云的位置,统计各栅格中点云的数量;
步骤S3043,根据点云的位置和点云扫描设备的位姿信息,确定点云扫描设备与点云中的各点之间构成的各线段的表达式;
步骤S3045,根据各线段的表达式,确定各线段经过的栅格;
步骤S3047,统计经过各栅格的线段的数量;
步骤S3049,将经过各栅格的线段的数量大于各栅格中点云的数量的栅格中的点云,确定为发生运动的点云。
具体地,终端根据点云的位置,确定处于各栅格中的点云,并统计各栅格中点云的数量,例如栅格A包含5个点构成的点云,栅格B包含10个点构成的点云,栅格C包含20个点构成的点云。接下来,终端根据点云的位置和点云扫描设备的位姿信息,计算得到点云扫描设备与点云中的各点之间构成的各线段的表达式,续举上例,终端根据栅格A中5个点的位置以及点云扫描设备的位姿信息,可计算得到点云扫描设备与5个点之间构成的5条线段的表达式,以此类推,在栅格B中,终端可计算得到点云扫描设备与10个点之间构成的10条线段的表达式,在栅格C中,终端可计算得到点云扫描设备与20个点之间构成的20条线段的表达式。接下来,终端根据各线段的表达式,确定各线段经过的栅格,并统计各栅格所经过的线段的数量。接下来,终端将经过各栅格的线段的数量大于各栅格中点云的数量的栅格中的点云,确定为发生运动的点云。
本申请实施例中,采用体素滤波的方式,可以有效判别出扫描过程中发生了运动的对象,由此可准确剔除发生运动的对象对应的点云,提高三维模型构建的准确性。
在一示例性实施例中,涉及根据点云的位置,统计各栅格中点云的数量的一种可能的实现方式。在上述实施例的基础上,步骤S3041具体可以通过以下步骤实现:
步骤S304a,根据点云的位置,确定包含点云的栅格;
步骤S304b,将包含点云的栅格存储在内存中;
步骤S304c,从内存中读取包含点云的栅格,统计包含点云的栅格中各栅格中点云的数量。
具体地,终端根据点云的位置,确定包含点云的栅格,并将该包含点云的栅格存储在内存中,之后,在对栅格中的点云进行统计时,从该内存中读取包含点云的栅格,并统计各栅格中点云的数量。之后,终端统计包含点云的栅格中各栅格所经过的线段的数量。
本申请实施例中,在内存中仅仅保存包含点云的栅格,可以缩减内存的占用,且降低了计算复杂度。
在一示例性实施例中,涉及获取目标对象对应的点云的一种可能的实现方式。在上述实施例的基础上,步骤S306具体可以通过以下步骤实现:
步骤S3062,获取目标对象在图像中所处的目标区域;
步骤S3064,获取点云的位置;
步骤S3066,根据点云的位置,将点云投影到图像中,得到点云对应的像素位置;
步骤S3068,将像素位置位于目标区域中的点云,确定为目标对象对应的点云。
具体地,步骤S3062~步骤S3068的具体实现过程可参见上述步骤S202-步骤S208的具体实现过程,在此不再赘述。
在一示例性实施例中,涉及根据点云的位置,将点云投影到图像中,得到点云对应的像素位置的一种可能的实现方式。其中,点云的位置为点云在点云坐标系中的点云坐标,点云坐标系为基于点云扫描设备构建的点云坐标系;像素位置为点云在像素坐标系中的像素坐标,像素坐标系为基于图像采集设备构建的像素坐标系。在上述实施例的基础上,步骤S3066具体可以通过以下步骤实现:
步骤S306a,根据图像采集设备与点云扫描设备之间的外参数,将点云坐标转换为相机坐标系中的三维坐标,相机坐标系为基于图像采集设备构建的相机坐标系;
步骤S306b,根据图像采集设备的内参数和三维坐标,将点云投影到图像中,得到点云对应的像素位置。
具体地,步骤S306a~步骤S306b的具体实现过程可参见上述步骤S2062-步骤S2064的具体实现过程,在此不再赘述。
在一示例性实施例中,该方法还包括以下步骤:
步骤S322,根据舍弃后剩余的点云的位置,构建三维模型。
具体地,终端根据舍弃后剩余的点云的位置,构建三维模型。在一个实施例中,终端对舍弃后剩余的点云的位置进行局部表面特征分析,得到法向量和曲率值,接着,根据法向量和曲率值对舍弃后剩余的点云的位置进行集成分割操作,得到各初始平面,之后,对各初始平面进行三维空间构造重建,得到三维模型。
本申请实施例中,将干扰对象的点云剔除后再构建三维模型,提高了三维模型的准确性。
应该理解的是,虽然图2-10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-10中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一示例性实施例中,如图11所示,提供了一种点云确定装置,包括:目标区域获取模块402、点云位置获取模块404、像素位置确定模块406和目标点云确定模块408,其中:
该目标区域获取模块402,用于获取目标对象在图像中所处的目标区域。
该点云位置获取模块404,用于获取点云的位置。
该像素位置确定模块406,用于根据点云的位置,将点云投影到图像中,得到点云对应的像素位置。
该目标点云确定模块408,用于将像素位置位于目标区域中的点云,确定为目标对象对应的点云。
上述点云确定装置中,首先获取目标对象在图像中所处的目标区域,并获取与该图像在同一时刻采集的点云的位置,然后根据该点云的位置,将点云投影到图像中,得到该点云对应的像素位置,最后将像素位置位于目标区域中的点云,确定为目标对象对应的点云。可以理解,在同一时刻采集的图像和点云中,通过检测出图像中目标对象所在的区域,并根据点云的位置将点云投影到图像中,由此可判断出位于图像中目标区域的点云,该点云即为目标对象对应的点云。这样,将干扰对象作为目标对象,即可确定出干扰对象对应的点云,如此可将这些干扰对象的点云剔除再构建三维模型。可见,相对于传统技术而言,本装置无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,降低了扫描难度,提高了扫描效率。
在一示例性实施例中,点云的位置为点云在点云坐标系中的点云坐标,点云坐标系为基于点云扫描设备构建的点云坐标系;像素位置为点云在像素坐标系中的像素坐标,像素坐标系为基于图像采集设备构建的像素坐标系;该像素位置确定模块406具体用于根据图像采集设备与点云扫描设备之间的外参数,将点云坐标转换为相机坐标系中的三维坐标,相机坐标系为基于图像采集设备构建的相机坐标系;根据图像采集设备的内参数和三维坐标,将点云投影到图像中,得到点云对应的像素位置。
在一示例性实施例中,该像素位置确定模块406具体用于根据点云的位置,确定点云的高度;选取高度位于预设高度范围内的点云投影到图像中,得到点云对应的像素位置。
在一示例性实施例中,目标对象包括人或车辆中的至少一种。
关于点云确定装置的具体限定可以参见上文中对于点云确定方法的限定,在此不再赘述。上述点云确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一示例性实施例中,如图12所示,提供了一种点云确定装置,包括:信息获取模块502、点云确定模块504、点云获取模块506和点云舍弃模块508,其中:
该信息获取模块502,用于获取点云的位置和点云扫描设备的位姿信息;
该点云确定模块504,用于根据点云的位置和点云扫描设备的位姿信息,确定发生运动的点云;
该点云获取模块506,用于获取目标对象对应的点云,其中,目标对象对应的点云是根据目标对象在图像中所处的目标区域和点云的位置来确定的;
该点云舍弃模块508,用于从点云中,舍弃发生运动的点云和目标对象对应的点云,得到舍弃后剩余的点云。
上述点云筛选装置中,根据点云的位置和点云扫描设备的位姿信息,确定并舍弃发生运动的点云,并且舍弃根据目标对象在图像中所处的目标区域和点云的位置确定的目标对象对应的点云,从而得到舍弃后剩余的点云。这样,一方面,可以剔除发生运动的干扰对象,另一方面,即使干扰对象未发生运动,将该干扰对象做为目标对象,通过先采集图像,并检测出目标对象在图像中所处的目标区域,结合点云的位置来确定干扰对象的点云,由此也可以实现对未发生运动的干扰对象的剔除,这样,本装置无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,降低了扫描难度,提高了扫描效率,同时还可以保证三维模型构建的准确性。
在一示例性实施例中,该点云确定模块504具体用于根据点云的位置,统计各栅格中点云的数量;根据点云的位置和点云扫描设备的位姿信息,确定点云扫描设备与点云中的各点之间构成的各线段的表达式;根据各线段的表达式,确定各线段经过的栅格;统计经过各栅格的线段的数量;将经过各栅格的线段的数量大于各栅格中点云的数量的栅格中的点云,确定为发生运动的点云。
在一示例性实施例中,该点云确定模块504具体用于根据点云的位置,确定包含点云的栅格;将包含点云的栅格存储在内存中;从内存中读取包含点云的栅格,统计包含点云的栅格中各栅格中点云的数量。
在一示例性实施例中,该点云获取模块506具体用于获取目标对象在图像中所处的目标区域;获取点云的位置;根据点云的位置,将点云投影到图像中,得到点云对应的像素位置;将像素位置位于目标区域中的点云,确定为目标对象对应的点云。
在一示例性实施例中,点云的位置为点云在点云坐标系中的点云坐标,点云坐标系为基于点云扫描设备构建的点云坐标系;像素位置为点云在像素坐标系中的像素坐标,像素坐标系为基于图像采集设备构建的像素坐标系;该点云获取模块506具体用于根据图像采集设备与点云扫描设备之间的外参数,将点云坐标转换为相机坐标系中的三维坐标,相机坐标系为基于图像采集设备构建的相机坐标系;根据图像采集设备的内参数和三维坐标,将点云投影到图像中,得到点云对应的像素位置。
在一示例性实施例中,该装置还包括:模型构建模块(图未示),其中:
该模型构建模块,用于根据舍弃后剩余的点云的位置,构建三维模型。
关于点云筛选装置的具体限定可以参见上文中对于点云筛选方法的限定,在此不再赘述。上述点云筛选装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一示例性实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种点云确定方法或点云筛选方法。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一示例性实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标对象在图像中所处的目标区域;
获取点云的位置,其中,点云与图像是同一时刻采集得到的;
根据点云的位置,将点云投影到图像中,得到点云对应的像素位置;
将像素位置位于目标区域中的点云,确定为目标对象对应的点云。
上述计算机设备中,首先获取目标对象在图像中所处的目标区域,并获取与该图像在同一时刻采集的点云的位置,然后根据该点云的位置,将点云投影到图像中,得到该点云对应的像素位置,最后将像素位置位于目标区域中的点云,确定为目标对象对应的点云。可以理解,在同一时刻采集的图像和点云中,通过检测出图像中目标对象所在的区域,并根据点云的位置将点云投影到图像中,由此可判断出位于图像中目标区域的点云,该点云即为目标对象对应的点云。这样,将干扰对象作为目标对象,即可确定出干扰对象对应的点云,如此可将这些干扰对象的点云剔除再构建三维模型。可见,相对于传统技术而言,本计算机设备无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,降低了扫描难度,提高了扫描效率。
在另一示例性实施例中,处理器执行计算机程序时还实现以下步骤:根据图像采集设备与点云扫描设备之间的外参数,将点云坐标转换为相机坐标系中的三维坐标,相机坐标系为基于图像采集设备构建的相机坐标系;根据图像采集设备的内参数和三维坐标,将点云投影到图像中,得到点云对应的像素位置。
在一示例性实施例中,处理器执行计算机程序时还实现以下步骤:根据点云的位置,确定点云的高度;选取高度位于预设高度范围内的点云投影到图像中,得到点云对应的像素位置。
在一示例性实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取点云的位置和点云扫描设备的位姿信息;
根据点云的位置和点云扫描设备的位姿信息,确定发生运动的点云;
获取目标对象对应的点云,其中,目标对象对应的点云是根据目标对象在图像中所处的目标区域和点云的位置来确定的,图像与点云是同一时刻采集得到的;
从点云中,舍弃发生运动的点云和目标对象对应的点云,得到舍弃后剩余的点云。
上述计算机设备中,根据点云的位置和点云扫描设备的位姿信息,确定并舍弃发生运动的点云,并且舍弃根据目标对象在图像中所处的目标区域和点云的位置确定的目标对象对应的点云,从而得到舍弃后剩余的点云。这样,一方面,可以剔除发生运动的干扰对象,另一方面,即使干扰对象未发生运动,将该干扰对象做为目标对象,通过先采集图像,并检测出目标对象在图像中所处的目标区域,结合点云的位置来确定干扰对象的点云,由此也可以实现对未发生运动的干扰对象的剔除,这样,本计算机设备无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,降低了扫描难度,提高了扫描效率,同时还可以保证三维模型构建的准确性。
在一示例性实施例中,处理器执行计算机程序时还实现以下步骤:根据点云的位置,统计各栅格中点云的数量;根据点云的位置和点云扫描设备的位姿信息,确定点云扫描设备与点云中的各点之间构成的各线段的表达式;根据各线段的表达式,确定各线段经过的栅格;统计经过各栅格的线段的数量;将经过各栅格的线段的数量大于各栅格中点云的数量的栅格中的点云,确定为发生运动的点云。
在一示例性实施例中,处理器执行计算机程序时还实现以下步骤:根据点云的位置,确定包含点云的栅格;将包含点云的栅格存储在内存中;从内存中读取包含点云的栅格,统计包含点云的栅格中各栅格中点云的数量。
在一示例性实施例中,处理器执行计算机程序时还实现以下步骤:获取目标对象在图像中所处的目标区域;获取点云的位置;根据点云的位置,将点云投影到图像中,得到点云对应的像素位置;将像素位置位于目标区域中的点云,确定为目标对象对应的点云。
在一示例性实施例中,处理器执行计算机程序时还实现以下步骤:根据图像采集设备与点云扫描设备之间的外参数,将点云坐标转换为相机坐标系中的三维坐标,相机坐标系为基于图像采集设备构建的相机坐标系;根据图像采集设备的内参数和三维坐标,将点云投影到图像中,得到点云对应的像素位置。
在一示例性实施例中,处理器执行计算机程序时还实现以下步骤:根据舍弃后剩余的点云的位置,构建三维模型。
在一示例性实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标对象在图像中所处的目标区域;
获取点云的位置,其中,点云与图像是同一时刻采集得到的;
根据点云的位置,将点云投影到图像中,得到点云对应的像素位置;
将像素位置位于目标区域中的点云,确定为目标对象对应的点云。
上述计算机可读存储介质中,首先获取目标对象在图像中所处的目标区域,并获取与该图像在同一时刻采集的点云的位置,然后根据该点云的位置,将点云投影到图像中,得到该点云对应的像素位置,最后将像素位置位于目标区域中的点云,确定为目标对象对应的点云。可以理解,在同一时刻采集的图像和点云中,通过检测出图像中目标对象所在的区域,并根据点云的位置将点云投影到图像中,由此可判断出位于图像中目标区域的点云,该点云即为目标对象对应的点云。这样,将干扰对象作为目标对象,即可确定出干扰对象对应的点云,如此可将这些干扰对象的点云剔除再构建三维模型。可见,相对于传统技术而言,本计算机可读存储介质无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,降低了扫描难度,提高了扫描效率。
在一示例性实施例中,计算机程序被处理器执行时还实现以下步骤:根据图像采集设备与点云扫描设备之间的外参数,将点云坐标转换为相机坐标系中的三维坐标,相机坐标系为基于图像采集设备构建的相机坐标系;根据图像采集设备的内参数和三维坐标,将点云投影到图像中,得到点云对应的像素位置。
在一示例性实施例中,计算机程序被处理器执行时还实现以下步骤:根据点云的位置,确定点云的高度;选取高度位于预设高度范围内的点云投影到图像中,得到点云对应的像素位置。
在另一示例性实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取点云的位置和点云扫描设备的位姿信息;
根据点云的位置和点云扫描设备的位姿信息,确定发生运动的点云;
获取目标对象对应的点云,其中,目标对象对应的点云是根据目标对象在图像中所处的目标区域和点云的位置来确定的,图像与点云是同一时刻采集得到的;
从点云中,舍弃发生运动的点云和目标对象对应的点云,得到舍弃后剩余的点云。
上述计算机可读存储介质中,根据点云的位置和点云扫描设备的位姿信息,确定并舍弃发生运动的点云,并且舍弃根据目标对象在图像中所处的目标区域和点云的位置确定的目标对象对应的点云,从而得到舍弃后剩余的点云。这样,一方面,可以剔除发生运动的干扰对象,另一方面,即使干扰对象未发生运动,将该干扰对象做为目标对象,通过先采集图像,并检测出目标对象在图像中所处的目标区域,结合点云的位置来确定干扰对象的点云,由此也可以实现对未发生运动的干扰对象的剔除,这样,本计算机可读存储介质无需在扫描范围内不能存在干扰对象的情况下才可以进行扫描,降低了扫描难度,提高了扫描效率,同时还可以保证三维模型构建的准确性。
在一示例性实施例中,计算机程序被处理器执行时还实现以下步骤:根据点云的位置,统计各栅格中点云的数量;根据点云的位置和点云扫描设备的位姿信息,确定点云扫描设备与点云中的各点之间构成的各线段的表达式;根据各线段的表达式,确定各线段经过的栅格;统计经过各栅格的线段的数量;将经过各栅格的线段的数量大于各栅格中点云的数量的栅格中的点云,确定为发生运动的点云。
在一示例性实施例中,计算机程序被处理器执行时还实现以下步骤:根据点云的位置,确定包含点云的栅格;将包含点云的栅格存储在内存中;从内存中读取包含点云的栅格,统计包含点云的栅格中各栅格中点云的数量。
在一示例性实施例中,计算机程序被处理器执行时还实现以下步骤:获取目标对象在图像中所处的目标区域;获取点云的位置;根据点云的位置,将点云投影到图像中,得到点云对应的像素位置;将像素位置位于目标区域中的点云,确定为目标对象对应的点云。
在一示例性实施例中,计算机程序被处理器执行时还实现以下步骤:根据图像采集设备与点云扫描设备之间的外参数,将点云坐标转换为相机坐标系中的三维坐标,相机坐标系为基于图像采集设备构建的相机坐标系;根据图像采集设备的内参数和三维坐标,将点云投影到图像中,得到点云对应的像素位置。
在一示例性实施例中,计算机程序被处理器执行时还实现以下步骤:根据舍弃后剩余的点云的位置,构建三维模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种点云确定方法,其特征在于,所述方法包括:
获取目标对象在图像中所处的目标区域;
获取点云的位置,其中,所述点云与所述图像是同一时刻采集得到的;
根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置;
将所述像素位置位于所述目标区域中的点云,确定为所述目标对象对应的点云。
2.根据权利要求1所述的方法,其特征在于,所述点云的位置为所述点云在点云坐标系中的点云坐标,所述点云坐标系为基于点云扫描设备构建的点云坐标系;所述像素位置为所述点云在像素坐标系中的像素坐标,所述像素坐标系为基于图像采集设备构建的像素坐标系;
所述根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置,包括:
根据所述图像采集设备与所述点云扫描设备之间的外参数,将所述点云坐标转换为相机坐标系中的三维坐标,所述相机坐标系为基于所述图像采集设备构建的相机坐标系;
根据所述图像采集设备的内参数和所述三维坐标,将所述点云投影到所述图像中,得到所述点云对应的像素位置。
3.根据权利要求1所述的方法,其特征在于,所述根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置,包括:
根据所述点云的位置,确定所述点云的高度;
选取所述高度位于预设高度范围内的点云投影到所述图像中,得到所述点云对应的像素位置。
4.根据权利要求1-3任一所述的方法,其特征在于,所述目标对象包括人或车辆中的至少一种。
5.一种点云筛选方法,其特征在于,所述方法包括:
获取点云的位置和点云扫描设备的位姿信息;
根据所述点云的位置和所述点云扫描设备的位姿信息,确定发生运动的点云;
获取目标对象对应的点云,其中,所述目标对象对应的点云是根据目标对象在图像中所处的目标区域和所述点云的位置来确定的,所述图像与所述点云是同一时刻采集得到的;
从所述点云中,舍弃所述发生运动的点云和所述目标对象对应的点云,得到舍弃后剩余的点云。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将三维空间划分为多个栅格;
所述根据所述点云的位置和所述点云扫描设备的位姿信息,确定发生运动的点云,包括:
根据所述点云的位置,统计各栅格中点云的数量;
根据所述点云的位置和所述点云扫描设备的位姿信息,确定所述点云扫描设备与所述点云中的各点之间构成的各线段的表达式;
根据所述各线段的表达式,确定所述各线段经过的栅格;
统计经过所述各栅格的线段的数量;
将所述经过所述各栅格的线段的数量大于所述各栅格中点云的数量的栅格中的点云,确定为发生运动的点云。
7.根据权利要求6所述的方法,其特征在于,所述根据所述点云的位置,统计各栅格中点云的数量,包括:
根据点云的位置,确定包含点云的栅格;
将所述包含点云的栅格存储在内存中;
从所述内存中读取所述包含点云的栅格,统计所述包含点云的栅格中各栅格中点云的数量。
8.根据权利要求5所述的方法,其特征在于,所述获取目标对象对应的点云,包括:
获取目标对象在图像中所处的目标区域;
获取点云的位置;
根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置;
将所述像素位置位于所述目标区域中的点云,确定为所述目标对象对应的点云。
9.根据权利要求8所述的方法,其特征在于,所述点云的位置为所述点云在点云坐标系中的点云坐标,所述点云坐标系为基于点云扫描设备构建的点云坐标系;所述像素位置为所述点云在像素坐标系中的像素坐标,所述像素坐标系为基于图像采集设备构建的像素坐标系;
所述根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置,包括:
根据所述图像采集设备与所述点云扫描设备之间的外参数,将所述点云坐标转换为相机坐标系中的三维坐标,所述相机坐标系为基于所述图像采集设备构建的相机坐标系;
根据所述图像采集设备的内参数和所述三维坐标,将所述点云投影到所述图像中,得到所述点云对应的像素位置。
10.根据权利要求5-9任一所述的方法,其特征在于,所述方法还包括:
根据所述舍弃后剩余的点云的位置,构建三维模型。
11.一种点云确定装置,其特征在于,所述装置包括:
目标区域获取模块,用于获取目标对象在图像中所处的目标区域;
点云位置获取模块,用于获取点云的位置;
像素位置确定模块,用于根据所述点云的位置,将所述点云投影到所述图像中,得到所述点云对应的像素位置;
目标点云确定模块,用于将所述像素位置位于所述目标区域中的点云,确定为所述目标对象对应的点云。
12.一种点云筛选装置,其特征在于,所述装置包括:
信息获取模块,用于获取点云的位置和点云扫描设备的位姿信息;
点云确定模块,用于根据所述点云的位置和所述点云扫描设备的位姿信息,确定发生运动的点云;
点云获取模块,用于获取目标对象对应的点云,其中,所述目标对象对应的点云是根据目标对象在图像中所处的目标区域和所述点云的位置来确定的;
点云舍弃模块,用于从所述点云中,舍弃所述发生运动的点云和所述目标对象对应的点云,得到舍弃后剩余的点云。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
14.一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,所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630808.3A CN111815707B (zh) | 2020-07-03 | 2020-07-03 | 点云确定方法、点云筛选方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630808.3A CN111815707B (zh) | 2020-07-03 | 2020-07-03 | 点云确定方法、点云筛选方法、装置、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815707A true CN111815707A (zh) | 2020-10-23 |
CN111815707B CN111815707B (zh) | 2024-05-28 |
Family
ID=72856174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630808.3A Active CN111815707B (zh) | 2020-07-03 | 2020-07-03 | 点云确定方法、点云筛选方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815707B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598735A (zh) * | 2020-12-21 | 2021-04-02 | 西北工业大学 | 一种融合三维模型信息的单张图像物体位姿估计方法 |
CN112764004A (zh) * | 2020-12-22 | 2021-05-07 | 中国第一汽车股份有限公司 | 一种点云处理方法、装置、设备及存储介质 |
CN113219439A (zh) * | 2021-04-08 | 2021-08-06 | 广西综合交通大数据研究院 | 目标主干点云提取方法、装置、设备及计算机存储介质 |
CN114051628A (zh) * | 2020-10-30 | 2022-02-15 | 华为技术有限公司 | 一种确定目标对象点云集的方法及装置 |
CN114581867A (zh) * | 2022-03-01 | 2022-06-03 | 亿咖通(湖北)技术有限公司 | 目标检测方法、设备、存储介质及程序产品 |
WO2022133770A1 (zh) * | 2020-12-23 | 2022-06-30 | 深圳元戎启行科技有限公司 | 点云法向量的生成方法、装置、计算机设备和存储介质 |
CN115330652A (zh) * | 2022-08-15 | 2022-11-11 | 北京城市网邻信息技术有限公司 | 点云拼接方法、设备及存储介质 |
WO2023000596A1 (zh) * | 2021-07-22 | 2023-01-26 | 梅卡曼德(北京)机器人科技有限公司 | 基于动态画幅的3d点云处理方法及装置 |
WO2023040737A1 (zh) * | 2021-09-17 | 2023-03-23 | 中国第一汽车股份有限公司 | 目标位置确定方法、装置、电子设备以及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140132733A1 (en) * | 2012-11-09 | 2014-05-15 | The Boeing Company | Backfilling Points in a Point Cloud |
CN106355194A (zh) * | 2016-08-22 | 2017-01-25 | 广东华中科技大学工业技术研究院 | 一种基于激光成像雷达的无人艇水面目标处理方法 |
CN108932475A (zh) * | 2018-05-31 | 2018-12-04 | 中国科学院西安光学精密机械研究所 | 一种基于激光雷达和单目视觉的三维目标识别系统及方法 |
CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
US20190385360A1 (en) * | 2018-06-14 | 2019-12-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating a high-resolution map based on binocular images |
US10650278B1 (en) * | 2017-07-21 | 2020-05-12 | Apple Inc. | Semantic labeling of point clouds using images |
CN111273314A (zh) * | 2018-11-16 | 2020-06-12 | 北京四维图新科技股份有限公司 | 点云数据处理方法、装置和存储介质 |
-
2020
- 2020-07-03 CN CN202010630808.3A patent/CN111815707B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140132733A1 (en) * | 2012-11-09 | 2014-05-15 | The Boeing Company | Backfilling Points in a Point Cloud |
CN106355194A (zh) * | 2016-08-22 | 2017-01-25 | 广东华中科技大学工业技术研究院 | 一种基于激光成像雷达的无人艇水面目标处理方法 |
US10650278B1 (en) * | 2017-07-21 | 2020-05-12 | Apple Inc. | Semantic labeling of point clouds using images |
CN108932475A (zh) * | 2018-05-31 | 2018-12-04 | 中国科学院西安光学精密机械研究所 | 一种基于激光雷达和单目视觉的三维目标识别系统及方法 |
US20190385360A1 (en) * | 2018-06-14 | 2019-12-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating a high-resolution map based on binocular images |
CN111273314A (zh) * | 2018-11-16 | 2020-06-12 | 北京四维图新科技股份有限公司 | 点云数据处理方法、装置和存储介质 |
CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114051628A (zh) * | 2020-10-30 | 2022-02-15 | 华为技术有限公司 | 一种确定目标对象点云集的方法及装置 |
CN112598735A (zh) * | 2020-12-21 | 2021-04-02 | 西北工业大学 | 一种融合三维模型信息的单张图像物体位姿估计方法 |
CN112598735B (zh) * | 2020-12-21 | 2024-02-27 | 西北工业大学 | 一种融合三维模型信息的单张图像物体位姿估计方法 |
CN112764004A (zh) * | 2020-12-22 | 2021-05-07 | 中国第一汽车股份有限公司 | 一种点云处理方法、装置、设备及存储介质 |
CN112764004B (zh) * | 2020-12-22 | 2024-05-03 | 中国第一汽车股份有限公司 | 一种点云处理方法、装置、设备及存储介质 |
WO2022133770A1 (zh) * | 2020-12-23 | 2022-06-30 | 深圳元戎启行科技有限公司 | 点云法向量的生成方法、装置、计算机设备和存储介质 |
CN113219439B (zh) * | 2021-04-08 | 2023-12-26 | 广西综合交通大数据研究院 | 目标主干点云提取方法、装置、设备及计算机存储介质 |
CN113219439A (zh) * | 2021-04-08 | 2021-08-06 | 广西综合交通大数据研究院 | 目标主干点云提取方法、装置、设备及计算机存储介质 |
WO2023000596A1 (zh) * | 2021-07-22 | 2023-01-26 | 梅卡曼德(北京)机器人科技有限公司 | 基于动态画幅的3d点云处理方法及装置 |
WO2023040737A1 (zh) * | 2021-09-17 | 2023-03-23 | 中国第一汽车股份有限公司 | 目标位置确定方法、装置、电子设备以及存储介质 |
CN114581867A (zh) * | 2022-03-01 | 2022-06-03 | 亿咖通(湖北)技术有限公司 | 目标检测方法、设备、存储介质及程序产品 |
CN114581867B (zh) * | 2022-03-01 | 2024-05-14 | 亿咖通(湖北)技术有限公司 | 目标检测方法、设备、存储介质及程序产品 |
CN115330652A (zh) * | 2022-08-15 | 2022-11-11 | 北京城市网邻信息技术有限公司 | 点云拼接方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111815707B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815707B (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
CN111179358B (zh) | 标定方法、装置、设备及存储介质 | |
CN111797650B (zh) | 障碍物的识别方法、装置、计算机设备和存储介质 | |
CN111353969B (zh) | 道路可行驶区域的确定方法、装置及计算机设备 | |
CN112927279A (zh) | 一种图像深度信息生成方法、设备及存储介质 | |
US20220319146A1 (en) | Object detection method, object detection device, terminal device, and medium | |
JP7279848B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN110120091B (zh) | 电力巡检图像样本制作方法、装置和计算机设备 | |
CN112270719B (zh) | 相机标定方法、装置及系统 | |
CN110634138A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN115035235A (zh) | 三维重建方法及装置 | |
CN111142514A (zh) | 一种机器人及其避障方法和装置 | |
CN114761997A (zh) | 目标检测方法、终端设备和介质 | |
CN116778094B (zh) | 一种基于优选视角拍摄的建筑物变形监测方法及装置 | |
CN113034347A (zh) | 倾斜摄影图像处理方法、装置、处理设备及存储介质 | |
JP2019175283A (ja) | 認識装置、認識システム、プログラムおよび位置座標検出方法 | |
CN112215036B (zh) | 跨镜追踪方法、装置、设备及存储介质 | |
CN111721283B (zh) | 定位算法的精度检测方法、装置、计算机设备和存储介质 | |
CN111445513A (zh) | 基于深度图像的植株冠层体积获取方法、装置、计算机设备和存储介质 | |
JP2014099055A (ja) | 検出装置、検出方法、及びプログラム | |
US20220301176A1 (en) | Object detection method, object detection device, terminal device, and medium | |
US20220276046A1 (en) | System and method for providing improved geocoded reference data to a 3d map representation | |
CN115376018A (zh) | 建筑物高度及占地面积计算方法、装置、设备及存储介质 | |
CN114445415A (zh) | 可行驶区域的分割方法以及相关装置 | |
CN111489384B (zh) | 基于互视角的遮挡评估方法及装置、设备、系统和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |