CN112199459A - 3d点云分割方法、分割装置 - Google Patents
3d点云分割方法、分割装置 Download PDFInfo
- Publication number
- CN112199459A CN112199459A CN202011069517.8A CN202011069517A CN112199459A CN 112199459 A CN112199459 A CN 112199459A CN 202011069517 A CN202011069517 A CN 202011069517A CN 112199459 A CN112199459 A CN 112199459A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser radar
- coordinate
- segmentation
- coordinates
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2255—Hash tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供一种3D点云分割方法、分割装置,所述方法包括:获取激光雷达采集的3D点云坐标;将所述3D点云坐标转换为球体坐标;采用哈希表对所述球体坐标进行编码;查找每个所述球体坐标的临近点;根据所述临近点进行聚类,以根据聚类结果进行3D点云分割。本发明将3D点云坐标转换为球体坐标,根据球体的临近点进行聚类分割,解决了激光雷达数据的近密远疏问题,可以提高分割效率和准确性,且采用哈希表对球体坐标进行编码,提高了分割速度。
Description
技术领域
本发明涉及点云分割技术领域,具体涉及一种3D点云分割方法、一种3D点云分割装置、一种计算机设备和一种非临时性计算机可读存储介质。
背景技术
随着人工智能、大数据的不断发展,无人驾驶同样得到了广泛的关注,无人驾驶技术未来在辅助驾驶、解决城市问题、减少交通事故等起到关键的作用。
目前无人驾驶领域的定位和导航,主要使用的传感器有很多种,使用较广泛的是摄像机和三维激光雷达,在使用激光雷达进行定位和导航的过程中,点云地图的生成需要进行地面点云分割。
相关技术中,地面点云分割是基于三维点云欧式空间的密度进行聚类分割,然而激光雷达点云具有近处比较密集而远处比较稀疏的特性,针对远近的点云使用同等的方法来处理,会造成点云分割不准。
发明内容
本发明为解决上述技术问题,提供了一种3D点云分割方法,将3D点云坐标转换为球体坐标,根据球体的临近点进行聚类分割,解决了激光雷达数据的近密远疏问题,可以提高分割效率和准确性,且采用哈希表对球体坐标进行编码,提高了分割速度。
本发明还提出一种3D点云分割装置。
本发明还提出一种计算机设备。
本发明还提出一种非临时性计算机可读存储介质。
本发明采用的技术方案如下:
本发明第一方面实施例提出了一种3D点云分割方法,包括以下步骤:获取激光雷达采集的3D点云坐标;将所述3D点云坐标转换为球体坐标;采用哈希表对所述球体坐标进行编码;查找每个所述球体坐标的临近点;根据所述临近点进行聚类,以根据聚类结果进行3D点云分割。
根据本发明的一个实施例,所述球体坐标为(ρ,θ,),其中,ρ为所述3D点云坐标至所述激光雷达的距离ρ;θ为所述3D点云坐标与所述激光雷达的连线在激光雷达xy平面的投影线,与激光雷达正x轴之间的方位角;为所述3D点云坐标与所述激光雷达的连线与激光雷达正z轴之间的夹角。
根据本发明的一个实施例,上述的方法还包括:以球体坐标系的每一个方向的单位尺寸进行网格划分。
根据本发明的一个实施例,查找每个球体坐标的临近点,包括:判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;如果满足所述预设值,则记录所述相邻网格中的3D点云,并将所述邻居网格作为当前网格,返回步骤判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;如果不满足所述预设值,则将记录的3D点云进行聚类。
本发明第二方面实施例提出了一种3D点云分割装置,包括:获取模块,所述获取模块用于获取激光雷达采集的3D点云坐标;转换模块,所述转换模块用于将所述3D点云坐标转换为球体坐标;编码模块,所述编码模块用于采用哈希表对所述球体坐标进行编码;查找模块,所述查找模块用于查找每个所述球体坐标的临近点;分割模块,所述分割模块用于根据所述临近点进行聚类,以根据聚类结果进行3D点云分割。
根据本发明的一个实施例,所述球体坐标为(ρ,θ,),其中,ρ为所述3D点云坐标至所述激光雷达的距离ρ;θ为所述3D点云坐标与所述激光雷达的连线在激光雷达xy平面的投影线,与激光雷达正x轴之间的方位角;为所述3D点云坐标与所述激光雷达的连线与激光雷达正z轴之间的夹角。
根据本发明的一个实施例,上述的装置还包括:划分模块,所述划分模块用于以球体坐标系的每一个方向的单位尺寸进行网格划分。
根据本发明的一个实施例,所述分割模块具体用于:判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;如果满足所述预设值,则记录所述相邻网格中的3D点云,并将所述邻居网格作为当前网格,返回步骤判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;如果不满足所述预设值,则将记录的3D点云进行聚类。
本发明的第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现本发明第一方面实施例所述的3D点云分割方法。
本发明的第四方面实施例提出了一种非临时性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本发明第一方面实施例所述的3D点云分割方法。
本发明的有益效果:
本发明将3D点云坐标转换为球体坐标,根据球体的临近点进行聚类分割,解决了激光雷达数据的近密远疏问题,可以提高分割效率和准确性,且采用哈希表对球体坐标进行编码,提高了分割速度。
附图说明
图1是根据本发明一个实施例的3D点云分割方法的流程图;
图2是根据本发明一个实施例的3D点云坐标转换为球体坐标的示意图;
图3是根据本发明一个实施例的网格划分示意图;
图4是根据本发明另一个实施例的3D点云分割方法的流程图;
图5是根据本发明一个具体示例的3D点云分割效果图;
图6是根据本发明一个实施例的3D点云分割装置的方框示意图。
具体实施方式
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,所描述的实施例仅仅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,本领域普通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。
图1是根据本发明一个实施例的3D点云分割方法的流程图。如图1所示,该方法包括以下步骤:
S1,获取激光雷达采集的3D点云坐标。
具体的,激光雷达广泛应用于无人驾驶汽车,无人小型飞机,无人运货车,移动测绘车,街景车,游艇,机场等各个方面,三维激光雷达的工作原理与雷达非常相近,以激光作为信号源,由激光器发射出的脉冲激光,打到地面的树木、道路、桥梁和建筑物上,引起散射,一部分散射光波会反射到激光雷达的接收器上,根据激光测距原理计算,就得到从激光雷达到目标点的距离,以雷达为原点,就可以得到目标的坐标数据(3D点云坐标),脉冲激光不断地扫描目标物,就可以得到目标物上全部目标点的数据,用此数据进行成像处理后,就可得到的三维立体图像。激光雷达的坐标轴包括满足右手坐标系的三个坐标轴x、y、z(三维笛卡尔坐标系),z轴垂直向上,x轴向前,y轴向左,即3D点云坐标为(x,y,z)。
S2,将3D点云坐标转换为球体坐标。
根据本发明的一个实施例,如图2所示,球体坐标为(ρ,θ,),其中,ρ为3D点云坐标P至激光雷达的距离;θ为3D点云坐标P与激光雷达O的连线在激光雷达xy平面的投影线,与激光雷达正x轴之间的方位角;为3D点云坐标P与激光雷达O的连线与激光雷达正z轴之间的夹角。
S3,采用哈希表对球体坐标进行编码。
具体的,哈希表通过把关键码值映射到表中一个位置来访问记录,可以以加快查找的速度。
S4,查找每个球体坐标的临近点。
S5,根据临近点进行聚类,以根据聚类结果进行3D点云分割。
具体的,将3D点云坐标转换为球体坐标,解决了激光雷达数据的近密远疏问题,采用哈希表对球体坐标进行编码,可以提高查找速度,根据球体坐标的临近点进行聚类,能很好的分割物体的轮廓,分割速度快、分割准确。
根据本发明的一个实施例,上述的3D点云分割方法还包括:以球体坐标系的每一个方向的单位尺寸进行网格划分。
具体的,如图3所示,图3中的Δρ、Δθ、Δφ为球体坐标系的每一个朝向的单位尺寸,根据Δρ、Δθ、Δφ的单位尺寸进行网格划分,图3中左侧为透视图,右侧为俯视图。如图3所示,一个网格在ρ方向和激光雷达线束平行的方向会有四条边,两个互相独立的参数Δθ、Δφ可以在水平和垂直方向自适应网格的大小。
根据本发明的一个实施例,如图4所示,查找每个球体坐标的临近点,可以包括:
S41,判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值。如果满足预设值,则执行步骤S42,如果不满足预设值,则执行步骤S43。
预设值为正整数,可以根据实际情况进行预设,例如,16线激光雷达预设值可以为5,32线激光雷达预设值可以为10。
S42,记录相邻网格中的3D点云,并将所述邻居网格作为当前网格,返回步骤S41。
S43,如果不满足预设值,则将记录的3D点云进行聚类。
具体的,预先将球体进行网格划分,然后判断相邻网格中的3D点云个数是否满足预设值,如果判断相邻网格中的3D点云个数满足预设值,则记录相邻网格中的3D点云,并将邻居网格作为当前网格,继续寻找当前网格的邻居网格中的3D点云,如此反复,直至相邻网格中的3D点云个数不满足预设值,联合记录的3D点云,得到聚类结果,由此,完成3D点云分割。
经相关实验证明,图5是采用本发明上述的3D点云分割方法分割后的效果图,如图5所示,采用本发明上述的3D点云分割方法,能很好的将点云目标分割出来,即不会出现过分割情况,也不会出现欠分割情况。
综上所述,根据本发明实施例的3D点云分割方法,获取激光雷达采集的3D点云坐标;将所述3D点云坐标转换为球体坐标;采用哈希表对所述球体坐标进行编码;查找每个所述球体坐标的临近点;根据所述临近点进行聚类,以根据聚类结果进行3D点云分割。由此,将3D点云坐标转换为球体坐标,根据球体的临近点进行聚类分割,解决了激光雷达数据的近密远疏问题,可以提高分割效率和准确性,且采用哈希表对球体坐标进行编码,提高了分割速度。
与上述的3D点云分割方法相对应,本发明还提出一种3D点云分割装置。由于本发明的装置实施例与上述的方法实施例相对应,对于装置实施例中未披露的细节可参照上述的方法实施例,本发明中不再进行赘述。
图6是根据本发明一个实施例的3D点云分割装置的方框示意图。如图6所示,该装置包括:获取模块1、转换模块2、编码模块3、分割模块4。
其中,获取模块1用于获取激光雷达采集的3D点云坐标;转换模块2用于将3D点云坐标转换为球体坐标;编码模块3用于采用哈希表对球体坐标进行编码;分割模块4用于查找每个球体坐标的临近点,并根据临近点进行聚类,以根据聚类结果进行3D点云分割。
具体的,激光雷达广泛应用于无人驾驶汽车,无人小型飞机,无人运货车,移动测绘车,街景车,游艇,机场等各个方面,三维激光雷达的工作原理与雷达非常相近,以激光作为信号源,由激光器发射出的脉冲激光,打到地面的树木、道路、桥梁和建筑物上,引起散射,一部分散射光波会反射到激光雷达的接收器上,根据激光测距原理计算,就得到从激光雷达到目标点的距离,以雷达为原点,就可以得到目标的坐标数据(3D点云坐标),脉冲激光不断地扫描目标物,就可以得到目标物上全部目标点的数据,用此数据进行成像处理后,就可得到的三维立体图像。激光雷达的坐标轴包括满足右手坐标系的三个坐标轴x、y、z(三维笛卡尔坐标系),z轴垂直向上,x轴向前,y轴向左,即3D点云坐标为(x,y,z)。
根据本发明的一个实施例,如图2所示,球体坐标为(ρ,θ,),其中,ρ为3D点云坐标P至激光雷达的距离;θ为3D点云坐标P与激光雷达O的连线在激光雷达xy平面的投影线,与激光雷达正x轴之间的方位角;为3D点云坐标P与激光雷达O的连线与激光雷达正z轴之间的夹角。
根据本发明的一个实施例,上述的3D点云分割装置还包括:划分模块,划分模块用于以球体坐标系的每一个方向的单位尺寸进行网格划分。
根据本发明的一个实施例,分割模块4可以具体用于:判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;如果满足预设值,则记录相邻网格中的3D点云,并将邻居网格作为当前网格,返回步骤判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;如果不满足预设值,则将记录的3D点云进行聚类。
综上所述,根据本发明实施例的3D点云分割装置,通过获取模块获取激光雷达采集的3D点云坐标,转换模块将3D点云坐标转换为球体坐标,编码模块采用哈希表对球体坐标进行编码,分割模块查找每个球体坐标的临近点,并根据临近点进行聚类,以根据聚类结果进行3D点云分割。由此,将3D点云坐标转换为球体坐标,根据球体的临近点进行聚类分割,解决了激光雷达数据的近密远疏问题,可以提高分割效率和准确性,且采用哈希表对球体坐标进行编码,提高了分割速度。
此外,本发明还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现本发明上述的3D点云分割方法。
根据本发明实施例的计算机设备,存储在存储器上的计算机程序被处理器执行时,获取激光雷达采集的3D点云坐标;将所述3D点云坐标转换为球体坐标;采用哈希表对所述球体坐标进行编码;查找每个所述球体坐标的临近点;根据所述临近点进行聚类,以根据聚类结果进行3D点云分割。由此,将3D点云坐标转换为球体坐标,根据球体的临近点进行聚类分割,解决了激光雷达数据的近密远疏问题,可以提高分割效率和准确性,且采用哈希表对球体坐标进行编码,提高了分割速度。
本发明还提出一种非临时性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本发明上述的3D点云分割方法。
根据本发明实施例的非临时性计算机可读存储介质,存储在其上的计算机程序被处理器执行时,,获取激光雷达采集的3D点云坐标;将所述3D点云坐标转换为球体坐标;采用哈希表对所述球体坐标进行编码;查找每个所述球体坐标的临近点;根据所述临近点进行聚类,以根据聚类结果进行3D点云分割。由此,将3D点云坐标转换为球体坐标,根据球体的临近点进行聚类分割,解决了激光雷达数据的近密远疏问题,可以提高分割效率和准确性,且采用哈希表对球体坐标进行编码,提高了分割速度。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种3D点云分割方法,其特征在于,包括以下步骤:
获取激光雷达采集的3D点云坐标;
将所述3D点云坐标转换为球体坐标;
采用哈希表对所述球体坐标进行编码;
查找每个所述球体坐标的临近点;
根据所述临近点进行聚类,以根据聚类结果进行3D点云分割。
3.根据权利要求2所述的3D点云分割方法,其特征在于,还包括:
以球体坐标系的每一个方向的单位尺寸进行网格划分。
4.根据权利要求3述的3D点云分割方法,其特征在于,查找每个球体坐标的临近点,包括:
判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;
如果满足所述预设值,则记录所述相邻网格中的3D点云,并将所述邻居网格作为当前网格,返回步骤判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;
如果不满足所述预设值,则将记录的3D点云进行聚类。
5.一种3D点云分割装置,其特征在于,包括:
获取模块,所述获取模块用于获取激光雷达采集的3D点云坐标;
转换模块,所述转换模块用于将所述3D点云坐标转换为球体坐标;
编码模块,所述编码模块用于采用哈希表对所述球体坐标进行编码;
分割模块,所述分割模块用于查找每个所述球体坐标的临近点,并根据所述临近点进行聚类,以根据聚类结果进行3D点云分割。
7.根据权利要求6所述的3D点云分割装置,其特征在于,还包括:
划分模块,所述划分模块用于以球体坐标系的每一个方向的单位尺寸进行网格划分。
8.根据权利要求7所述的3D点云分割装置,其特征在于,所述分割模块具体用于:
判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;
如果满足所述预设值,则记录所述相邻网格中的3D点云,并将所述邻居网格作为当前网格,返回步骤判断当前球体坐标所在的网格的相邻网格中的3D点云个数是否满足预设值;
如果不满足所述预设值,则将记录的3D点云进行聚类。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现根据权利要求1-4中任一项所述的3D点云分割方法。
10.一种非临时性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根据权利要求1-4中任一项所述的3D点云分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069517.8A CN112199459A (zh) | 2020-09-30 | 2020-09-30 | 3d点云分割方法、分割装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069517.8A CN112199459A (zh) | 2020-09-30 | 2020-09-30 | 3d点云分割方法、分割装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112199459A true CN112199459A (zh) | 2021-01-08 |
Family
ID=74014343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011069517.8A Pending CN112199459A (zh) | 2020-09-30 | 2020-09-30 | 3d点云分割方法、分割装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112199459A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332259A (zh) * | 2021-12-29 | 2022-04-12 | 福州大学 | 一种基于车载激光雷达的点云编解码方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645480A (zh) * | 2013-12-04 | 2014-03-19 | 北京理工大学 | 基于激光雷达和图像数据融合的地形地貌特征构建方法 |
CN108010116A (zh) * | 2017-11-30 | 2018-05-08 | 西南科技大学 | 点云特征点检测方法和点云特征提取方法 |
CN108828621A (zh) * | 2018-04-20 | 2018-11-16 | 武汉理工大学 | 基于三维激光雷达的障碍检测和路面分割算法 |
CN109270544A (zh) * | 2018-09-20 | 2019-01-25 | 同济大学 | 基于杆状物识别的移动机器人自定位系统 |
CN110033457A (zh) * | 2019-03-11 | 2019-07-19 | 北京理工大学 | 一种目标点云分割方法 |
CN110542908A (zh) * | 2019-09-09 | 2019-12-06 | 阿尔法巴人工智能(深圳)有限公司 | 应用于智能驾驶车辆上的激光雷达动态物体感知方法 |
CN110766719A (zh) * | 2019-09-21 | 2020-02-07 | 北醒(北京)光子科技有限公司 | 一种目标跟踪方法、设备及存储介质 |
CN110781927A (zh) * | 2019-10-11 | 2020-02-11 | 苏州大学 | 车路协同下基于深度学习的目标检测与分类方法 |
-
2020
- 2020-09-30 CN CN202011069517.8A patent/CN112199459A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645480A (zh) * | 2013-12-04 | 2014-03-19 | 北京理工大学 | 基于激光雷达和图像数据融合的地形地貌特征构建方法 |
CN108010116A (zh) * | 2017-11-30 | 2018-05-08 | 西南科技大学 | 点云特征点检测方法和点云特征提取方法 |
CN108828621A (zh) * | 2018-04-20 | 2018-11-16 | 武汉理工大学 | 基于三维激光雷达的障碍检测和路面分割算法 |
CN109270544A (zh) * | 2018-09-20 | 2019-01-25 | 同济大学 | 基于杆状物识别的移动机器人自定位系统 |
CN110033457A (zh) * | 2019-03-11 | 2019-07-19 | 北京理工大学 | 一种目标点云分割方法 |
CN110542908A (zh) * | 2019-09-09 | 2019-12-06 | 阿尔法巴人工智能(深圳)有限公司 | 应用于智能驾驶车辆上的激光雷达动态物体感知方法 |
CN110766719A (zh) * | 2019-09-21 | 2020-02-07 | 北醒(北京)光子科技有限公司 | 一种目标跟踪方法、设备及存储介质 |
CN110781927A (zh) * | 2019-10-11 | 2020-02-11 | 苏州大学 | 车路协同下基于深度学习的目标检测与分类方法 |
Non-Patent Citations (1)
Title |
---|
安陆: "室外场景三维点云数据分割分类算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 17 - 20 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332259A (zh) * | 2021-12-29 | 2022-04-12 | 福州大学 | 一种基于车载激光雷达的点云编解码方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110031824B (zh) | 激光雷达联合标定方法及装置 | |
CN110658531B (zh) | 一种用于港口自动驾驶车辆的动态目标追踪方法 | |
CN109143207B (zh) | 激光雷达内参精度验证方法、装置、设备及介质 | |
Paek et al. | K-radar: 4d radar object detection for autonomous driving in various weather conditions | |
CN111192295B (zh) | 目标检测与跟踪方法、设备和计算机可读存储介质 | |
CN110531376B (zh) | 用于港口无人驾驶车辆的障碍物检测和跟踪方法 | |
CN112513679B (zh) | 一种目标识别的方法和装置 | |
CN109635816B (zh) | 车道线生成方法、装置、设备以及存储介质 | |
CN112394726B (zh) | 一种基于证据理论的无人船障碍物融合检测方法 | |
CN112446227A (zh) | 物体检测方法、装置及设备 | |
WO2024012211A1 (zh) | 自动驾驶环境感知方法、介质及车辆 | |
CN111257882B (zh) | 数据融合方法、装置、无人驾驶设备和可读存储介质 | |
CN112166457A (zh) | 点云分割方法、系统和可移动平台 | |
CN112782721A (zh) | 一种可通行区域检测方法、装置、电子设备和存储介质 | |
CN111999744A (zh) | 一种无人机多方位探测、多角度智能避障方法 | |
CN111736167B (zh) | 一种获取激光点云密度的方法和装置 | |
US10134182B1 (en) | Large scale dense mapping | |
CN112199459A (zh) | 3d点云分割方法、分割装置 | |
CN112639822B (zh) | 一种数据处理方法及装置 | |
CN111912418A (zh) | 删除移动载体不可行驶区域内障碍物的方法、装置及介质 | |
CN109598199B (zh) | 车道线生成方法和装置 | |
CN111781606A (zh) | 一种新型激光雷达和超声波雷达融合的小型化实现方法 | |
CN112200849A (zh) | 基于深度图的3d点云分割方法、分割装置 | |
CN111742242A (zh) | 点云处理方法、系统、设备及存储介质 | |
Steinemann et al. | Determining the outline contour of vehicles In 3D-LIDAR-measurements |
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 |