CN112053427A - 一种点云的特征提取方法、装置、设备及可读存储介质 - Google Patents
一种点云的特征提取方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112053427A CN112053427A CN202011104364.6A CN202011104364A CN112053427A CN 112053427 A CN112053427 A CN 112053427A CN 202011104364 A CN202011104364 A CN 202011104364A CN 112053427 A CN112053427 A CN 112053427A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- key points
- cloud data
- dimensional point
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims description 25
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000015654 memory Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 20
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种点云的特征提取方法、装置、设备及可读存储介质,其中,该点云的特征提取方法包括:获取三维点云数据;提取三维点云数据对应的关键点;基于关键点确定三维点云数据对应的目标区域;将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点;对投影关键点进行二值化处理,确定点云特征值。通过实施本发明,节省了计算时间,提高了计算效率,抑制了噪声干扰,提高了鲁棒性。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种点云的特征提取方法、装置、设备及可读存储介质。
背景技术
点云数据为最常见、最基础的三维图像模型。点云数据通常由测量直接得到,每个点对应一个测量点,未经过其他处理手段,因而包含了最大的信息量,而进行三维图像处理需要提取隐藏在点云数据中的信息量。由于点云数据的纹理特征包含了大量有用信息,因此点云数据的纹理特征提取对三维图像处理具有很大作用。现有的点云特征提取通常是通过直接遍历全局的方式,计算局部二值模式(Local Binary Pattern,LBP)的值,该计算得到的LBP值即为纹理特征。然而,现有的LBP值的计算方法没有采样过程,直接通过遍历全局的方式计算不仅耗时巨大,且抗噪声干扰的能力差。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的LBP值计算存在的耗时大且抗噪声干扰能力差的缺陷,从而提供一种点云的特征提取方法、装置、设备及可读存储介质。
根据第一方面,本发明实施例提供了一种点云的特征提取方法,包括如下步骤:获取三维点云数据;提取所述三维点云数据对应的关键点;基于所述关键点确定所述三维点云数据对应的目标区域;将所述目标区域内的所述关键点投影至预设平面,确定所述关键点对应的投影关键点;对所述投影关键点进行二值化处理,确定点云特征值。
结合第一方面,在第一方面的第一实施方式中,所述提取所述三维点云数据对应的关键点,包括:基于目标算法从所述三维点云数据中提取关键点。
结合第一方面,在第一方面的第二实施方式中,所述基于目标算法从所述三维点云数据中提取关键点,包括:遍历所述三维点云数据中包含的所有点,获取所有点对应的点云数量,根据所述点云数量,确定所述三维点云数据中的突变点;根据所述突变点,确定所述三维点云数据的边缘点以及所述三维点云数据中各点的变化主方向;计算所述变化主方向对应的响应值;基于非最大值抑制方法以及所述响应值,确定所述三维点云数据的关键点。
结合第一方面第二实施方式,在第一方面的第三实施方式中,所述遍历所述三维点云数据中包含的所有点,获取所有点对应的点云数量,根据所述点云数量,确定所述三维点云数据中的突变点,包括:建立局部坐标系,设定法线方向,分别计算所述三维点云数据中包含的所有点在所述法线方向上的法向量;根据所述法向量构建协方差矩阵;基于所述协方差矩阵,分别计算所述三维点云数据中包含的所有点对应的点云数量;根据所述点云数量的变化情况,确定所述三维点云数据中的突变点。
结合第一方面,在第一方面的第四实施方式中,所述基于所述关键点确定所述三维点云数据对应的目标区域,包括:获取以所述关键点为原点的球半径;判断所述球半径值是否小于预设值;当所述球半径小于所述预设值时,则以当前的所述球半径形成的球体所包含区域为目标区域。
结合第一方面第四实施方式,在第一方面的第五实施方式中,所述目标区域内包含的所述关键点为有效关键点;所述将所述目标区域内的所述关键点投影至预设平面,确定所述关键点对应的投影关键点,包括:计算由所述有效关键点形成的最小包围立方体;将所述立方体划分为若干个的像素单元,确定各像素单元对应的像素灰度值;确定有效关键点对应的预设平面,将所述有效关键点投影至所述预设平面上,得到所述有效关键点在所述预设平面上的投影关键点。
结合第一方面第五实施方式,在第一方面的第六实施方式中,所述确定各像素单元对应的像素灰度值,包括:根据所述有效关键点与所述预设平面之间的距离,确定所述各像素单元对应的像素灰度值。
结合第一方面第六实施方式,在第一方面的第七实施方式中,所述对所述投影关键点进行二值化处理,确定点云特征值,包括:根据所述像素灰度值,生成所述投影关键点对应的特征矩阵;基于所述特征矩阵,计算得到二值化的点云特征值。
结合第一方面第五实施方式,在第一方面的第八实施方式中,所述立方体划分为256个像素单元,所述像素灰度值为0至255。
根据第二方面,本发明实施例提供了一种点云的特征提取装置,包括:获取模块,用于获取三维点云数据;提取模块,用于提取所述三维点云数据对应的关键点;确定模块,用于基于所述关键点确定所述三维点云数据对应的目标区域;投影模块,用于将所述目标区域内的所述关键点投影至预设平面,确定所述关键点对应的投影关键点;处理模块,用于对所述投影关键点进行二值化处理,确定点云特征值。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或第一方面任一实施方式所述的点云的特征提取方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行第一方面或第一方面任一实施方式所述的点云的特征提取方法。
本发明技术方案,具有如下优点:
本发明提供的点云的特征提取方法、装置、设备及可读存储介质,通过获取三维点云数据,提取三维点云数据对应的关键点,基于关键点确定三维点云数据对应的目标区域,将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点,对投影关键点进行二值化处理,确定点云特征值。该方法避免了直接遍历全局进行点云特征值计算耗时巨大的问题,节省了计算时间,提高了计算效率,同时通过提取关键点抑制了遍历三维点云数据各点计算特征值时而存在的噪声影响,提高了鲁棒性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中点云的特征提取方法的流程图;
图2为本发明实施例中点云的特征提取方法的另一流程图;
图3为本发明实施例中点云的特征提取方法的另一流程图;
图4为本发明实施例中点云的特征提取装置的原理框图;
图5为本发明实施例中电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
当对三维图像模型进行处理时,通常采用点云数据进行分析处理,由于点云数据的纹理特征包含了大量有用信息,因此点云数据的纹理特征提取对三维图像处理具有很大作用。然而点云数据通常是直接测量得到的,每个点对应一个测量点,未经过其他处理手段,因而包含了最大的信息量,而进行三维图像处理需要提取隐藏在点云数据中的信息量。现有的点云特征提取通常是通过直接遍历全局的方式,计算局部二值模式(Local BinaryPattern,LBP)的值,该计算得到的LBP值即为纹理特征。然而,由于现有的LBP值的计算方法没有采样过程,而是直接通过遍历全局的方式进行数据计算,导致在计算点云数据时,其特征提取不仅耗时巨大,且抗噪声干扰能力差。
基于现有的LBP值的计算方法存在耗时大且抗噪声干扰能力差的问题,通过提取三维点云数据对应的关键点,对点云数据进行采样,解决了计算时间过长的问题,同时避免了噪声干扰,提高了鲁棒性。
根据本发明实施例,提供了一种点云的特征提取方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种点云的特征提取方法,可用于电子设备,如电脑、手机、平板电脑等,图1是根据本发明实施例的点云的特征提取方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取三维点云数据。
三维点云数据是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合,在获取到物体表面每个采样点的空间坐标后而得到的点的集合。目标物体的三维点云数据可以通过三维激光扫描仪对进行获取,也可以通过其他图像扫描仪进行获取。当然本发明实施例中所述的获取三维点云数据的获取方式并不限于上述获取方式的描述,也可以采用其他方式进行获取,在此对三维点云数据的获取方式并不做任何限定,只需保证其是与目标物体对应的三维点云数据即可。
S12,提取三维点云数据对应的关键点。
由于获取的原始三维点云数据的数据量较大,为了加快后续识别以及跟踪等信息处理速度,则需要对三维点云数据对应的关键点进行提取。关键点为三维点云数据中通过定义检测标准获取的具有稳定性和区别性的点集。具体地,可以通过关键点提取算法对三维点云数据对应的关键点进行提取,例如Harris角点检测算法。关键点也可以采用其他提取算法确定,在此对关键点的提取算法并不做任何限定。
S13,基于关键点确定三维点云数据对应的目标区域。
目标区域为三维点云数据的有效区域。目标区域内的关键点包含有三维点云数据对应的纹理特征信息。根据三维点云数据中包含的各个点与关键点之间的距离确定目标区域。具体地,分别获取三维点云数据中的各点与关键之间的各个距离,判断各个距离是否超过预设距离,若某一点的距离与关键点之间的距离未超过预设距离,则该点为目标区域内的关键点,即与关键点之间的距离处于预设距离内的所有点组成的区域为目标区域。
S14,将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点。
三维点云数据对应空间坐标系,即XYZ坐标系。预设平面可以为X与Y轴所在平面,也可以为Y与Z轴所在平面,还可以为Z与X轴所在平面。本申请对此不作具体限定。以Y与Z轴所在平面为例,将目标区域内的关键点投影至Y与Z轴所在平面,得到与关键点对应的投影关键点。
以关键点A、B以及C为例,其中:
关键点A的空间坐标为(x1,y1,z1),将关键点投影至Y与Z轴所在平面,得到与关键点A对应的投影关键点A1(y11,z11);
关键点B的空间坐标为(x2,y2,z2),将关键点投影至Y与Z轴所在平面,得到与关键点B对应的投影关键点B1(y22,z22);
关键点C的空间坐标为(x3,y3,z3),将关键点投影至Y与Z轴所在平面,得到与关键点C对应的投影关键点C1(y33,z33)。
S15,对投影关键点进行二值化处理,确定点云特征值。
对投影关键点进行二值化处理,得到与投影关键点对应的点云特征值。具体地,以一投影关键点为中心,获取投影关键点的像素灰度值,将与中心投影关键点相邻的其他投影关键点的像素灰度值与中心投影关键点的像素灰度值进行比较,若相邻的投影关键点的像素灰度值大于中心投影关键点的像素灰度值,则将该点的像素灰度值置为1,否则置为0。以此可以得到一组二进制编码,将该二进制编码转化为十进制数,即可得到该投影关键点对应的点云特征值。
例如,将与中心投影关键点相邻的8个其他投影关键点的像素灰度值与中心投影关键点的像素灰度值进行比较,若相邻的投影关键点的像素灰度值大于中心投影关键点的像素灰度值,则将该与中心投影关键点相邻的投影关键点的像素灰度值置为1,否则该与中心投影关键点相邻的投影关键点的像素灰度值置为0,如下表所示:
从左上角开始,按照顺时针顺序,可以得到一组8位的二进制编码为10011110,将这个二进制编码转化为十进制数,就得到当前中心投影关键点对应的点云特征值为158。
本发明实施例提供的点云的特征提取方法,通过获取三维点云数据,提取三维点云数据对应的关键点,基于关键点确定三维点云数据对应的目标区域,将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点,对投影关键点进行二值化处理,确定点云特征值。该方法避免了直接遍历全局进行点云特征值计算耗时巨大的问题,节省了计算时间,提高了计算效率,同时通过提取关键点抑制了遍历三维点云数据各点计算特征值时而存在的噪声影响,提高了鲁棒性。
在本实施例中提供了一种点云的特征提取方法,可用于电子设备,如电脑、手机、平板电脑等,图2是根据本发明实施例的点云的特征提取方法的流程图,如图2所示,该流程包括如下步骤:
S21,获取三维点云数据。详细内容参见上述实施例对应步骤S11的相关描述,此处不再赘述。
S22,提取三维点云数据对应的关键点。
具体地,上述S22可以包括步骤:
S221,基于目标算法从三维点云数据中提取关键点。
目标算法可以为Harris算法,基于Harris角点检测方法从三维点云数据中提取关键点。
具体地,上述S221可以包括如下步骤:
(1)遍历三维点云数据中包含的所有点,获取所有点对应的点云数量,根据点云数量,确定三维点云数据中的突变点。
原始三维点云数据中包含大量的点,对三维点云数据的所有点进行遍历,以三维点云数据中的某一点建立滑动窗口,滑动窗口可以在任意方向上进行滑动,获取滑动窗口中的点云数量,根据点云数量的变化情况,确定该点是否为突变点,依次类推,可以获取三维点云数据中各点对应的点云数量,根据点云数量的变化情况即可确定三维点云数据中的突变点。
具体地,确定三维点云数据中的突变点的步骤包括:
首先,建立局部坐标系,设定法线方向,分别计算三维点云数据中包含的所有点在所述法线方向上的法向量。选择三维点云数据中的某一点P,在P上建立局部坐标系,设定法线方向,例如以z方向为法线方向,x方向和y方向与z方向垂直,获取该点P在法线方向上的法向量,依次类推,可以得到各点对应的法向量。
其次,根据所述法向量构建协方差矩阵。将计算得到的法向量构建为协方差矩阵。
其次,基于协方差矩阵,分别计算三维点云数据中包含的所有点对应的点云数量。根据法向量构建的协方差矩阵,可以分别计算得到各点所对应的点云数量。
再次,根据点云数量的变化情况,确定三维点云数据中的突变点。如果滑动窗口在沿z方向移动时,则滑动窗口的点云数量应该不变;如果滑动窗口位于边缘上,则当滑动窗口在沿边缘移动时,其点云数量几乎不变;如果滑动窗口沿垂直边缘方向移动时,其点云数量发生改变;如果滑动窗口位于角点上,则有两个方向都会大幅改变点云数量。由此可以确定三维点云数据中的突变点,即角点。
(2)根据突变点,确定三维点云数据的边缘点以及三维点云数据中各点的变化主方向。
根据滑动窗口的点云数量的变化,可以确定突变点。确定突变点之后,能够根据滑动窗口的点云数量的变化进一步确定边缘点,基于突变点和边缘点能够确定三维点云数据中各点发生变化的主方向,即各点的变化主方向为垂直边缘方向或z方向或边缘方向或角点方向。
(3)计算变化主方向对应的响应值。
响应值可以根据协方差矩阵进行确定。具体地,若法向量为A、B、C、D、E、F,则协方差矩阵M为:
其中,Nx为x方向的特征向量,Ny为y方向的特征向量,Nz为z方向的特征向量。w(x,y,z)为滑动窗口的函数,相当于不同类型的权重算子,可以为高斯函数,也可以为平均函数,此处不作限定。
响应值R的计算公式如下:
R=det(M)-k(trace(M))2
其中,det(M)为协方差矩阵M的行列式;trace(M)为协方差矩阵M的迹;k为相应参数,通常0<k<1。
(4)基于非最大值抑制方法以及响应值,确定三维点云数据的关键点。
采用非最大值抑制法以及计算得到的响应值,获取局部坐标系中的最大响应值,以该响应值对应的点作为三维点云数据的关键点,依次可以确定三维点云数据对应的所有关键点。
S23,基于关键点确定三维点云数据对应的目标区域。详细内容参见上述实施例对应步骤S13的相关描述,此处不再赘述。
S24,将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点。详细内容参见上述实施例对应步骤S14的相关描述,此处不再赘述。
S25,对投影关键点进行二值化处理,确定点云特征值。详细内容参见上述实施例对应步骤S15的相关描述,此处不再赘述。
本发明实施例提供的点云的特征提取方法,通过目标算法提取三维点云数据对应的关键点,基于关键点确定三维点云数据对应的目标区域,将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点,对投影关键点进行二值化处理,确定点云特征值,由此对三维点云数据进行采样,避免了直接遍历全局进行点云特征值计算,节省了计算时间,提高了计算效率,同时抑制了遍历三维点云数据而存在的噪声影响。
在本实施例中提供了一种点云的特征提取方法,可用于电子设备,如电脑、手机、平板电脑等,图3是根据本发明实施例的点云的特征提取方法的流程图,如图3所示,该流程包括如下步骤:
S31,获取三维点云数据。详细内容参见上述实施例对应步骤S11的相关描述,此处不再赘述。
S32,提取三维点云数据对应的关键点。详细内容参见上述实施例对应步骤S12的相关描述,此处不再赘述。
S33,基于关键点确定三维点云数据对应的目标区域。
具体地,上述S33可以包括如下步骤:
S331,获取以关键点为原点的球半径。
基于目标算法确定关键点之后,可以以该关键点为球心作球,并获取以该关键点为球心的球体半径n,获取球体包含的所有点。
S332,判断球半径值是否小于预设值。
预设值为设定的有效区域的球半径最大值。将以该关键点为球心的球体半径n与预设值进行比较,确定球半径值是否小于预设值。当球半径小于预设值时,则执行步骤S333,否则,判定为无效区域。
S333,以当前的球半径形成的球体所包含区域为目标区域。
当确定球半径值小于预设值时,则将以当前的球半径形成的球体所包含区域作为有效区域,即以当前的球半径形成球体所包含的所有关键点组成的有效区域为目标区域。
S34,将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点。
具体地,目标区域内包含的关键点为有效关键点,上述S34可以包括如下步骤:
S341,计算由有效关键点形成的最小包围立方体。
根据目标区域内包含的多个有效关键点构建包围立方体,并确定最小的包围立方体,以该最小包围立方体作为滑动窗口,在z方向或x方向或y方向进行滑动。
S342,将立方体划分为若干个的像素单元,确定各像素单元对应的像素灰度值。
将该最小包围立方体划分为若干个像素单元,计算各个像素单元对应的像素灰度值。具体地,可以将该最小包围立方体均分为256个像素单元,则像素灰度值可以为0~255。
S343,确定有效关键点对应的预设平面,将有效关键点投影至预设平面上,得到有效关键点在预设平面上的投影关键点。
对预设平面的具体说明参见上述实施例对应的相关描述,此处不再赘述。将目标区域内的有效关键点投影至预设平面上,即可得到有效关键点在预设平面上的投影关键点。具体地,投影的基本原则可以设定为:距离预设平面越远,则像素灰度值越大,其投影关键点的颜色越深。
具体地,上述S342可以包括:根据有效关键点与预设平面之间的距离,确定各像素单元对应的像素灰度值。
获取有效关键点在坐标系中的空间坐标,确定有效关键点与预设平面之间的距离,根据该距离确定有效关键点投影至预设平面时,其对应的投影关键点的像素灰度值。根据距离可以对像素灰度值由0-255进行分配,距离越大,像素灰度值越大,颜色越深。
例如,选取与Z轴垂直的平面作为预设平面进行投影,即以X与Y轴所在平面作为预设平面,若有效关键点距离X与Y轴所在平面的值越大,则投影关键点在X与Y轴所在平面上的像素灰度值越大,表征该有效关键点的颜色越深。
S35,对投影关键点进行二值化处理,确定点云特征值。
具体地,上述S35可以包括如下步骤:
S351,根据像素灰度值,生成投影关键点对应的特征矩阵。
特征矩阵为像素灰度值方阵,根据投影关键点的像素灰度值可以生成一特征方阵,即该特征矩阵的行数与列数相等。
S352,基于特征矩阵,计算得到二值化的点云特征值。
将该特征矩阵中的像素灰度值以表格形式进行表示,并将各个像素灰度值按照特征矩阵的位置填写在表格中,进而可以确定处于中心位置的像素灰度值,将与中心位置相邻的其他位置的像素灰度值与中心位置的像素灰度值进行比较,若相邻的像素灰度值大于中心位置的像素灰度值,则将该相邻位置的像素灰度值置为1,否则置为0。以此可以得到一组二进制编码,将该二进制编码转化为十进制数,即可得到该投影关键点对应的点云特征值,具体计算方式参见上述实施例对应的相关描述,此处不再赘述。
本发明实施例提供的点云的特征提取方法,通过根据提取三维点云数据对应的关键点确定三维点云数据对应的目标区域,将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点,对投影关键点进行二值化处理,确定点云特征值,进而节省了点云特征值的计算时间,提高了计算效率,同时避免了遍历三维点云数据各点计算特征值,进而抑制了遍历三维点云数据各点计算特征值时而存在的噪声影响,从而提高了鲁棒性。
在本实施例中还提供了一种点云的特征提取装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种点云的特征提取装置,如图4所示,包括:
获取模块41,用于获取三维点云数据。详细内容参见上述方法实施例对应的相关描述,此处不再赘述。
提取模块42,用于提取三维点云数据对应的关键点。详细内容参见上述方法实施例对应的相关描述,此处不再赘述。
确定模块43,用于基于关键点确定三维点云数据对应的目标区域。详细内容参见上述方法实施例对应的相关描述,此处不再赘述。
投影模块44,用于将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点。详细内容参见上述方法实施例对应的相关描述,此处不再赘述。
处理模块45,用于对投影关键点进行二值化处理,确定点云特征值。详细内容参见上述方法实施例对应的相关描述,此处不再赘述。
本发明提供的点云的特征提取装置,通过获取三维点云数据,提取三维点云数据对应的关键点,基于关键点确定三维点云数据对应的目标区域,将目标区域内的关键点投影至预设平面,确定关键点对应的投影关键点,对投影关键点进行二值化处理,确定点云特征值。该装置避免了直接遍历全局进行点云特征值计算耗时巨大的问题,节省了计算时间,提高了计算效率,同时通过提取关键点抑制了遍历三维点云数据各点计算特征值时而存在的噪声影响,提高了鲁棒性。
本实施例中的点云的特征提取装置是以功能模块的形式来呈现,这里的模块是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图4所示的点云的特征提取装置。
请参阅图5,图5是本发明可选实施例提供的一种电子设备的结构示意图,如图5所示,该电子设备可以包括:至少一个处理器501,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口503,存储器504,至少一个通信总线502。其中,通信总线502用于实现这些组件之间的连接通信。其中,通信接口503可以包括显示屏(Display)、键盘(Keyboard),可选通信接口503还可以包括标准的有线接口、无线接口。存储器504可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器504可选的还可以是至少一个位于远离前述处理器501的存储装置。其中处理器501可以结合图4所描述的装置,存储器504中存储应用程序,且处理器501调用存储器504中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线502可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线502可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器504可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器504还可以包括上述种类的存储器的组合。
其中,处理器501可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器501还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器504还用于存储程序指令。处理器501可以调用程序指令,实现如本申请图1-3实施例中所示的点云的特征提取方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的点云的特征提取方法的处理方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (11)
1.一种点云的特征提取方法,其特征在于,包括如下步骤:
获取三维点云数据;
提取所述三维点云数据对应的关键点;
基于所述关键点确定所述三维点云数据对应的目标区域;
将所述目标区域内的所述关键点投影至预设平面,确定所述关键点对应的投影关键点;
对所述投影关键点进行二值化处理,确定点云特征值。
2.根据权利要求1所述的方法,其特征在于,所述提取所述三维点云数据对应的关键点,包括:
基于目标算法从所述三维点云数据中提取关键点。
3.根据权利要求1所述的方法,其特征在于,所述基于目标算法从所述三维点云数据中提取关键点,包括:
遍历所述三维点云数据中包含的所有点,获取所有点对应的点云数量,根据所述点云数量,确定所述三维点云数据中的突变点;
根据所述突变点,确定所述三维点云数据的边缘点以及所述三维点云数据中各点的变化主方向;
计算所述变化主方向对应的响应值;
基于非最大值抑制方法以及所述响应值,确定所述三维点云数据的关键点。
4.根据权利要求3所述的方法,其特征在于,所述遍历所述三维点云数据中包含的所有点,获取所有点对应的点云数量,根据所述点云数量,确定所述三维点云数据中的突变点,包括:
建立局部坐标系,设定法线方向,分别计算所述三维点云数据中包含的所有点在所述法线方向上的法向量;
根据所述法向量构建协方差矩阵;
基于所述协方差矩阵,分别计算所述三维点云数据中包含的所有点对应的点云数量;
根据所述点云数量的变化情况,确定所述三维点云数据中的突变点。
5.根据权利要求1所述的方法,其特征在于,所述基于所述关键点确定所述三维点云数据对应的目标区域,包括:
获取以所述关键点为原点的球半径;
判断所述球半径值是否小于预设值;
当所述球半径小于所述预设值时,则以当前的所述球半径形成的球体所包含区域为目标区域。
6.根据权利要求5所述的方法,其特征在于,所述目标区域内包含的所述关键点为有效关键点;所述将所述目标区域内的所述关键点投影至预设平面,确定所述关键点对应的投影关键点,包括:
计算由所述有效关键点形成的最小包围立方体;
将所述立方体划分为若干个的像素单元,确定各像素单元对应的像素灰度值;
确定有效关键点对应的预设平面,将所述有效关键点投影至所述预设平面上,得到所述有效关键点在所述预设平面上的投影关键点。
7.根据权利要求6所述的方法,其特征在于,所述确定各像素单元对应的像素灰度值,包括:
根据所述有效关键点与所述预设平面之间的距离,确定所述各像素单元对应的像素灰度值。
8.根据权利要求7所述的方法,其特征在于,所述对所述投影关键点进行二值化处理,确定点云特征值,包括:
根据所述像素灰度值,生成所述投影关键点对应的特征矩阵;
基于所述特征矩阵,计算得到二值化的点云特征值。
9.一种点云的特征提取装置,其特征在于,包括:
获取模块,用于获取三维点云数据;
提取模块,用于提取所述三维点云数据对应的关键点;
确定模块,用于基于所述关键点确定所述三维点云数据对应的目标区域;
投影模块,用于将所述目标区域内的所述关键点投影至预设平面,确定所述关键点对应的投影关键点;
处理模块,用于对所述投影关键点进行二值化处理,确定点云特征值。
10.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-9中任一项所述的点云的特征提取方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的点云的特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011104364.6A CN112053427A (zh) | 2020-10-15 | 2020-10-15 | 一种点云的特征提取方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011104364.6A CN112053427A (zh) | 2020-10-15 | 2020-10-15 | 一种点云的特征提取方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112053427A true CN112053427A (zh) | 2020-12-08 |
Family
ID=73606368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011104364.6A Pending CN112053427A (zh) | 2020-10-15 | 2020-10-15 | 一种点云的特征提取方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053427A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767415A (zh) * | 2021-01-13 | 2021-05-07 | 深圳瀚维智能医疗科技有限公司 | 胸部扫查区域自动确定方法、装置、设备及存储介质 |
CN113160285A (zh) * | 2021-05-08 | 2021-07-23 | 中国科学院自动化研究所苏州研究院 | 一种基于局部深度图像关键性的点云匹配方法 |
CN114463165A (zh) * | 2021-09-28 | 2022-05-10 | 西安大医集团股份有限公司 | 感兴趣体积voi确定方法及装置 |
CN114494380A (zh) * | 2022-04-18 | 2022-05-13 | 武汉大学 | 二进制形状上下文特征描述子构建方法及点云配准方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299260A (zh) * | 2014-09-10 | 2015-01-21 | 西南交通大学 | 一种基于sift和lbp的点云配准的接触网三维重建方法 |
CN105809118A (zh) * | 2016-03-03 | 2016-07-27 | 重庆中科云丛科技有限公司 | 三维目标识别方法及装置 |
KR20170104287A (ko) * | 2016-03-07 | 2017-09-15 | 한국전자통신연구원 | 주행 가능 영역 인식 장치 및 그것의 주행 가능 영역 인식 방법 |
CN110427917A (zh) * | 2019-08-14 | 2019-11-08 | 北京百度网讯科技有限公司 | 用于检测关键点的方法和装置 |
-
2020
- 2020-10-15 CN CN202011104364.6A patent/CN112053427A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299260A (zh) * | 2014-09-10 | 2015-01-21 | 西南交通大学 | 一种基于sift和lbp的点云配准的接触网三维重建方法 |
CN105809118A (zh) * | 2016-03-03 | 2016-07-27 | 重庆中科云丛科技有限公司 | 三维目标识别方法及装置 |
KR20170104287A (ko) * | 2016-03-07 | 2017-09-15 | 한국전자통신연구원 | 주행 가능 영역 인식 장치 및 그것의 주행 가능 영역 인식 방법 |
CN110427917A (zh) * | 2019-08-14 | 2019-11-08 | 北京百度网讯科技有限公司 | 用于检测关键点的方法和装置 |
Non-Patent Citations (5)
Title |
---|
JYOTIRMOY BANERJEE 等: "3D LBP-Based Rotationally Invariant Region Description", COMPUTER VISION - ACCV 2012 WORKSHOPS, 23 May 2013 (2013-05-23), pages 26 - 37 * |
李宇: "基于局部描述符的三维人脸识别研究", 中国优秀硕士学位论文全文数据库信息科技辑, pages 29 - 31 * |
梁静 等: "三维激光扫描技术及应用", 31 May 2020, 黄河水利出版社, pages: 103 - 104 * |
范强 等: "基于3D-Harris 与FPFH 改进的3D-NDT 配准算法", 图学学报, 7 August 2020 (2020-08-07), pages 567 - 575 * |
赵玉普: "基于多特征融合的学术图像检索方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 23 - 27 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767415A (zh) * | 2021-01-13 | 2021-05-07 | 深圳瀚维智能医疗科技有限公司 | 胸部扫查区域自动确定方法、装置、设备及存储介质 |
CN113160285A (zh) * | 2021-05-08 | 2021-07-23 | 中国科学院自动化研究所苏州研究院 | 一种基于局部深度图像关键性的点云匹配方法 |
CN113160285B (zh) * | 2021-05-08 | 2024-04-16 | 中国科学院自动化研究所苏州研究院 | 一种基于局部深度图像关键性的点云匹配方法 |
CN114463165A (zh) * | 2021-09-28 | 2022-05-10 | 西安大医集团股份有限公司 | 感兴趣体积voi确定方法及装置 |
CN114494380A (zh) * | 2022-04-18 | 2022-05-13 | 武汉大学 | 二进制形状上下文特征描述子构建方法及点云配准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112053427A (zh) | 一种点云的特征提取方法、装置、设备及可读存储介质 | |
CN108337551B (zh) | 一种屏幕录制方法、存储介质及终端设备 | |
CN107169489B (zh) | 倾斜图像校正的方法和装置 | |
CN110751620B (zh) | 估算体积和重量的方法、电子设备及计算机可读存储介质 | |
CN110807110B (zh) | 结合局部和全局特征的图片搜索方法、装置及电子设备 | |
CN107749071B (zh) | 大畸变棋盘格图像角点检测方法及装置 | |
CN111539238B (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
CN111681284A (zh) | 一种角点检测方法、装置、电子设备及存储介质 | |
CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
CN115131714A (zh) | 视频图像智能检测分析方法及系统 | |
CN111553881A (zh) | 基于三维点云识别的检测铁塔形变的方法和系统 | |
CN116883336A (zh) | 图像处理方法、装置、计算机设备及介质 | |
CN111209908A (zh) | 更新标注框的方法、装置、存储介质和计算机设备 | |
CN113052754A (zh) | 一种图片背景虚化的方法及装置 | |
CN117635615A (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN117115358A (zh) | 数字人自动建模方法及装置 | |
CN112435283A (zh) | 图像的配准方法、电子设备以及计算机可读存储介质 | |
CN116542926A (zh) | 电池的二维码缺陷识别方法、装置、设备及存储介质 | |
CN113870190B (zh) | 竖直线条检测方法、装置、设备及存储介质 | |
CN112634382B (zh) | 一种非自然对象的图像识别、替换方法和装置 | |
CN110796050A (zh) | 一种无人机巡检过程中目标物体的识别方法及相关装置 | |
CN112507921B (zh) | 基于目标区域的图形搜索方法、系统、电子装置及存储介质 | |
CN116468611B (zh) | 图像拼接方法、装置、设备和存储介质 | |
CN115775234A (zh) | 混凝土试块的检测方法及设备 | |
CN118171261A (zh) | 安防密码验证方法、装置、设备、介质及其计算机产品 |
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 |