CN112215867A - 点云数据分割方法、设备、存储介质及装置 - Google Patents
点云数据分割方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN112215867A CN112215867A CN202011151679.6A CN202011151679A CN112215867A CN 112215867 A CN112215867 A CN 112215867A CN 202011151679 A CN202011151679 A CN 202011151679A CN 112215867 A CN112215867 A CN 112215867A
- Authority
- CN
- China
- Prior art keywords
- laser
- cloud data
- point
- point cloud
- groups
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims description 13
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000013499 data model Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 abstract description 4
- 238000013500 data storage Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种点云数据分割方法、设备、存储介质及装置,该方法包括:获取激光雷达点云数据,对激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据,对有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组,对不同类别的激光点组进行分割,以获得新的激光点组。本发明通过对不同类别的激光点组进行分组,并对不同类别的激光点组进行分割,克服了现有技术中点云数据分割精度低的缺陷,从而能够提高点云数据的分割精度。
Description
技术领域
本发明涉及智能机器人领域,尤其涉及一种点云数据分割方法、设备、存储介质及装置。
背景技术
目前,我国智能物流系统发展迅猛,而其中自然导航AGV首当其冲,成为了目前市场上发展前景最好的智能物流设备之一。由于现有技术自然导航AGV对车辆定位时,点云数据处理方式需要处理的数据量过大,从而导致点云数据分割处理时的精度很难保证,无法保证车辆定位精度,从而无法实现车辆稳定运行。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种点云数据分割方法、设备、存储介质及装置,旨在解决现有技术中点云数据分割处理精度低的技术问题。
为实现上述目的,本发明提供一种点云数据分割方法,所述点云数据分割方法包括以下步骤:
获取激光雷达点云数据;
对所述激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据;
对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组;
对所述不同类别的激光点组进行分割,以获得新的激光点组。
优选地,所述对所述激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据的步骤,包括:
对所述激光雷达点云数据中的激光点进行遍历;
在遍历到的当前激光点与相邻激光点对中每一激光点之间的距离均大于第一预设阈值时,将所述当前激光点作为无效噪声点。
在遍历结束时,将所述无效噪声点从所述激光雷达点云数据中剔除,获得有效激光雷达点云数据。
优选地,所述对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组的步骤,包括:
对所述有效激光雷达点云数据中的有效激光点进行遍历;
在遍历到的当前有效激光点与相邻有效激光点对中每一有效激光点之间的距离大于第二预设阈值时,将所述当前有效激光点进行归类,获得不同类别的激光点组。
优选地,所述对所述不同类别的激光点组进行分割,以获得新的激光点组的步骤,包括:
对所述不同类别的激光点组进行遍历,以确定各激光点组对应的起始激光点和终止激光点;
根据所述起始激光点和所述终止激光点构建各激光点组对应的直线段;
计算各激光点组内所有激光点到所述直线段的垂线距离,以获得最大垂线距离值;
根据第三预设阈值和所述最大垂涎距离值对所述不同类别的激光点组进行分割,以获得新的激光点组。
优选地,所述根据第三预设阈值和所述最大垂涎距离值对所述不同类别的激光点组进行分割,以获得新的激光点组的步骤,包括:
在所述最大垂线距离值大于第三预设阈值时,将所述最大垂线距离值对应的激光点作为分割点;
根据所述分割点对所述激光点组进行分割,以获得新的激光点组。
优选地,所述根据所述分割点对所述激光点组进行分割,以获得新的激光点组的步骤之后,还包括:
所述根据所述分割点对所述激光点组进行分割,以获得新的激光点组的步骤,还包括:
判断所述激光点组中是否存在待分割的激光点组;
在不存在待分割的激光点组时,停止对所述激光点组的分割。
优选地,所述对所述不同类别的激光点组进行分割,以获得新的激光点组的步骤之后,还包括:
根据最小二乘法对所述新的激光点组进行直线拟合,并获得拟合后的直线;
根据自动造型模型对所述拟合后的直线进行构型,并获得数据模型;
对预设模型与所述数据模型进行匹配,获得匹配点数信息;
根据所述匹配点数信息确定匹配结果;
根据所述匹配结果确定所述有效激光点云数据的特征信息。
此外,为实现上述目的,本发明还提出一种点云数据分割设备,所述点云数据分割设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的点云数据分割程序,所述点云数据分割程序配置为实现如上文所述的点云数据分割的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有点云数据分割程序,所述点云数据分割程序被处理器执行时实现如上文所述的点云数据分割方法的步骤。
此外,为实现上述目的,本发明还提出一种点云数据分割装置,所述点云数据分割装置包括:
数据获取模块,用于获取激光雷达点云数据;
滤波处理模块,用于对所述激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据;
数据分组模块,用于对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组;
数据分割模块,用于对所述不同类别的激光点组进行分割,以获得新的激光点组;
本发明通过获取激光雷达点云数据,对激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据,对有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组,对不同类别的激光点组进行分割,以获得新的激光点组。本发明通过对不同类别的激光点组进行分组,并对不同类别的激光点组进行分割,克服了现有技术中点云数据分割精度低的缺陷,从而能够提高点云数据的分割精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的点云数据分割设备的结构示意图;
图2为本发明点云数据分割方法第一实施例的流程示意图;
图3为本发明点云数据分割方法第二实施例的流程示意图;
图4为本发明点云数据分割方法第三实施例的流程示意图;
图5为本发明点云数据分割装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的点云数据分割设备结构示意图。
如图1所示,该点云数据分割设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对点云数据分割设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及点云数据分割程序。
在图1所示的点云数据分割设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述点云数据分割设备通过处理器1001调用存储器1005中存储的点云数据分割程序,并执行本发明实施例提供的点云数据分割方法。
基于上述硬件结构,提出本发明点云数据分割方法的实施例。
参照图2,图2为本发明点云数据分割方法第一实施例的流程示意图,提出本发明点云数据分割方法第一实施例。
在本施例中,所述点云数据分割方法包括以下步骤:
步骤S10:获取激光雷达点云数据。
需说明的是,本实施例中的执行主体可以是具有对点云数据分割功能的设备。该设备可以是车载电脑、手机、电脑、平板电脑等设备,也可以是安装在激光雷达设备内的数据处理模块,激光雷达可以是一种集激光扫描与定位定姿系统于一身的测量装备,激光雷达系统包括激光器和一个接收系统,激光雷达还可为其他可实现相同或相似功能的设备,本实施例对此不做限制,在本实施例以及下述各实施例中以激光雷达为例对本发明点云数据分割方法进行说明。
应理解的是,点云数据可以是通过3D扫描仪获取的海量点数据,每一个点可以包含三维坐标信息、颜色信息或反射强度信息。点云数据可以用于数字三维城市的建设、三维地形的获取、三维文物重建、地籍调查、电力清查等各种需要测绘建模的行业。也可以用于为制造部件,质量检查,多元化视觉,卡通制作,三维制图和大众传播工具应用等创建3DCAD模型。
可理解的是,激光雷达点云数据可以是由激光雷达进行扫描所获取的数据。激光雷达采用光电探测技术手段的主动遥感设备,主要由发射系统、接受系统、信息处理等部分组成。激光雷达点云数据可广泛应用于地形测量、方量测量、道路测绘、地籍测量、电力巡线等领域。
具体实现中,激光雷达可以通过扫描采集环境三维原始数据并对三维原始点云数据进行预处理,激光雷达可以根据三维匹配算法完成两帧或多帧点云数据之间的匹配,所述匹配算法可以是全局匹配算法和ICP算法;完成三维点云数据的获取,激光雷达将三维点云数据转换为2D点云数据,并将2D点云数据进行分帧存储,一帧一个文件。
步骤S20:对所述激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据。
需说明的是,有效激光雷达点云数据可以是剔除掉无敌噪声点后所剩下的有效激光点集合。
可理解的是,只有在滤波处理流程中将噪声点、离群点、空洞、数据压缩等按照后续定制,才能更好地进行配准、特征提取、曲面重建、可视化等后续应用处理。
具体实现中,激光雷达可以根据体素滤波器对所述激光雷达点云数据进行预处理。例如:激光雷达根据点云数据预处理子地图的尺寸时,需要根据待测环境进行调整。由于子地图尺寸过小,地图之间累积误差过大,会导致子地图数目过多,使得检测难度上升,即在确定子地图之后,首先对激光点云数据进行尺寸滤波,并剔除掉超出子地图范围的点云数据,初次滤波后的点云数据,因数据量大,存在随机误差,即需要再次进行体素滤波,体素滤波可以使点云数据在保持形状特征的基础上大幅度减少点云数据,减轻后续计算负荷并获得有效激光雷达点。
步骤S30:对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组。
需说明的是,激光点组可以是由不同数量的激光点集合,也可以是由不同的尺寸的激光点集合,也可以是根据激光点密度构建的激光点集合,也可以按照频率构建的激光点集合。
具体实现中,激光雷达对有效激光雷达点云数据中的激光点进行归类,例如:激光雷达可以根据欧几里得聚类算法进行归类,即根据激光点之间的距离进行归类,在一定半径范围内的点属于一个聚类。
步骤S40:对所述不同类别的激光点组进行分割,以获得新的激光点组。
需说明的是,新的激光点组可以是基于激光点分割后的集合。
具体实现中,激光雷达可以采用RanSaC算法对点云数据进行分割,本算法适用于从杂乱点云中检测具有特殊外形的物体,也可以采用基于临近信息的点云分割,例如:由于分割工作需要对点云的邻近点进行操作,不断对比和访问某个点的邻居,即点云的相邻关系非常重要。但对于很多杂乱点云,或者滤波,分割后的点云来说,邻居关系被破坏了。确定一个点云之间的相邻关系可以通过“树”来完成,如果点云分布非常规整,是某个特定物体的点云模型,则可以使用ocTree算法对点云数据进行分割,并获得新的激光点组。
本实施例通过获取激光雷达点云数据,对激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据,对有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组,对不同类别的激光点组进行分割,以获得新的激光点组。本实施例通过对不同类别的激光点组进行分组,并对不同类别的激光点组进行分割,克服了现有技术中点云数据分割精度低的缺陷,从而能够提高点云数据的分割精度
参照图3,图3为本发明点云数据分割方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明点云数据分割方法的第二实施例。
在本实施例中,所述步骤S20,包括:
步骤S201:对所述激光雷达点云数据中的激光点进行遍历。
具体实现中,激光雷达在采集到各帧点云数据时,根据树的遍历对对所述激光雷达点云数据中的激光点进行遍历。
步骤S202:在遍历到的当前激光点与相邻激光点对中每一激光点之间的距离均大于第一预设阈值时,将所述当前激光点作为无效噪声点。
需说明的是,相邻激光点对可以是指当前激光点相邻的至少两个激光点的集合;第一预设阈值可以是标定激光点之间的距离值,相邻激光点对可以是指当前激光点相邻的至少两个激光点组成的集合。
可理解的是,无效噪声点可以是指激光雷达在采集周围环境的点云数据时,由于电路或自身传感器所产的噪声,给数据识别产生错误信号的数据点。
具体实现中,激光雷达可以通过条件滤波器对所述激光雷达点云数据进行遍历,在遍历到的当前激光点与至少两个相邻激光点之间的距离均大于第一预设阈值时,将所述当前激光点作为无效噪声点。
步骤S203:在遍历结束时,将所述无效噪声点从所述激光雷达点云数据中剔除,获得有效激光雷达点云数据。
具体实现中,在遍历结束时,激光雷达可以通过统计滤波器将所述无效噪声点从所述激光雷达点云数据中剔除,获得有效激光雷达点云数据。在激光点密度达到设定阈值时,也可以通过半径滤波器剔除无效噪声点,例如:以预设点为中心画一个圆计算在该圆中点的数量,当数量大于设定值时,则保留该点,当数量小于设定值时,则剔除该点。此算法运行速度快,更快获取有效激光雷达点云数据。
进一步地,为了让数据处理更加高效,所述步骤S30,包括:对所述有效激光雷达点云数据中的有效激光点进行遍历;在遍历到的当前有效激光点与相邻有效激光点对中每一有效激光点之间的距离大于第二预设阈值时,将所述当前有效激光点进行归类,获得不同类别的激光点组。
需说明的是,第二预设阈值可以是对有效激光点进行分类时设定的距离值。相邻有效激光点对可以是指当前有效激光点相邻的至少两个有效激光点的集合。
具体实现中,激光雷达可以通过条件滤波器对所述有效激光雷达点云数据进行遍历,在遍历到的当前激光点与相邻激光点对之间的距离大于第二预设阈值时,将所述当前激光点进行归类,获得不同类别的激光点组。
进一步地,为了提高分割精度,所述步骤S40,包括:对所述不同类别的激光点组进行遍历,以确定各激光点组对应的起始激光点和终止激光点;根据所述起始激光点和所述终止激光点构建各激光点组对应的直线段;计算各激光点组内所有激光点到所述直线段的垂线距离,以获得最大垂线距离值;根据第三预设阈值和所述最大垂涎距离值对所述不同类别的激光点组进行分割,以获得新的激光点组。
需说明的是,起始激光点可以是本组首部或尾部激光点;终止激光点可以是本组首部或尾部激光点。
可理解的是,直线段内可以是首尾激光点相连构建的线段。
具体实现中,激光雷达可以基于法线和曲率算法采样获得各激光点距离直线段的距离,获取最大垂线距离值;根据第三预设阈值和所述最大垂线距离值对所述不同类别的激光点组进行分割,以获得新的激光点组。
进一步地,为了提高分割精度,所述根据第三预设阈值和所述最大垂线距离值对所述不同类别的激光点组进行分割,以获得新的激光点组的步骤,包括:在所述最大垂线距离值大于第三预设阈值时,将所述最大垂线距离值对应的激光点作为分割点;根据所述分割点对所述激光点组进行分割,以获得新的激光点组。
需说明的是,不同类别的激光点组可以是根据频率、颜色、坐标等类别划分的激光点组。
具体实现中,激光雷达可以根据将最大垂线距离值对应的激光点作为分割点,并根据分割点对激光点组进行分割,以获得新的激光点组。
本实施例通过获取激光雷达点云数据,对激光雷达点云数据进行遍历,在遍历到的当前激光点与至少两个相邻激光点之间的距离均大于第一预设阈值时,将当前激光点作为无效噪声点,在遍历结束时,将所述无效噪声点从所述激光雷达点云数据中剔除,并获得有效激光雷达点云数据,对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组,对所述不同类别的激光点组进行分割,以获得新的激光点组,根据最小二乘法对所述新的分组点云数据进行直线拟合,并获得拟合后的直线,由于是将无效噪声点从点云数据中剔除掉,获得有效激光雷达点云数据本实施例相对于现有技术对点云数据处理易导致误差,从而导致环境信息误判,本实施例实现了更为精确的环境信息定位,从而提高定位的准确性。
参照图4,图4为本发明点云数据分割方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明点云数据分割方法的第三实施例。
在本实施例中,所述步骤S40之后,还包括:
步骤S410:判断所述激光点组中是否存在待分割的激光点组。
需说明的的是,待分割的激光点组可以是未被分割过得激光点组,也可以是分割过至少一次的激光点组。
具体实现中,激光雷达通过预设迭代模型对待分割的激光点组进行迭代分割,直至分割不出新的激光点组。
步骤S420:在不存在待分割的激光点组时,停止对所述激光点组的分割。
具体实现中,根据预设虚拟迭代模型对有效激光点组进行迭代分割,直至分割不出新的有效激光点组。
进一步地,为了准确获得周围环境信息,步骤S40之后,还包括:根据最小二乘法对所述新的激光点组进行直线拟合,并获得拟合后的直线;根据自动造型模型对所述拟合后的直线进行构型,并获得数据模型;对预设模型与所述数据模型进行匹配,获得匹配点数信息;根据所述匹配点数信息确定匹配结果;根据所述匹配结果确定所述有效激光点云数据的特征信息。
需说明的是,需说明的是,在提取直线时,由于直线精度不高,则需要进行直线拟合。激光雷达在对周围环境进行定位时,需要直线拟合获得直线从而构建环境模型,即可以通过EM+GMM(高斯模糊模型)点云分割聚类算法的实现;基于RANSAC单帧lidar数据直线拟合算法实现直线拟合。多帧lidar数据实时直线优化算法实现直线拟合。自动造型模型可以用于对点云数据进行自动构型获得对应的数据模型。
可理解的是,预设模型可以是本地存储的模型信息,例如,树木模型、房屋模型、路面模型等模型对应的模型信息,模型信息可以包含对应的数据特征信息,例如树木模型对应的特征点信息
应理解的是,匹配点数信息可以是基于立体匹配时匹配点数,可以分为稀疏立体匹配和密集立体匹配,稀疏立体匹配对应的匹配点数稀少,而密集立体匹配对应的匹配点数密集,一般采用密集立体匹配可以达到高精度移动测量和环境感知的要求。匹配结果可以是根据匹配点数信息所对应的匹配模型特征信息。
具体实现中,激光雷达可以基于立体匹配对当前环境进行检测与识别,可以通过摄像头获取当前图像,提取特征点信息与预设模型特征点进行比对,并获得目标模型信息,以识别当前环境中的障碍物。也可以通过点云数据进行直线拟合后获得的直线,通过自动构型获取当前拟合模型,根据本地存储的基准模型特征信息进行比对,确定拟合模型特征信息,从而实现对当前环境的场景识别。
本实施例通过获取激光雷达点云数据,对所述激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据。对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组。对所述不同类别的激光点组进行分割,以获得新的激光点组。判断是否存在待分割的激光点组;判断所述激光点组中是否存在待分割的激光点组;在不存在待分割的激光点组时,停止对所述激光点组的分割。由于是对激光点组不停地进行分割。本实施例相对于现有技术分割精度更高。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有点云数据分割程序,所述点云数据分割程序被处理器执行时实现如上文所述的点云数据分割方法的步骤。
参照图5,图5为本发明点云数据分割装置第一实施例的结构框图。
如图5所示,本发明实施例提出的点云数据分割装置包括:
数据获取模块10,用于获取激光雷达点云数据;
滤波处理模块20,用于对所述激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据;
数据分组模块30,用于对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组。
数据分割模块40,用于对所述不同类别的激光点组进行分割,以获得新的激光点组。
本实施例通过获取激光雷达点云数据,对激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据,对有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组,对不同类别的激光点组进行分割,以获得新的激光点组。本实施例通过对不同类别的激光点组进行分组,并对不同类别的激光点组进行分割,克服了现有技术中点云数据分割精度低的缺陷,从而能够提高点云数据的分割精度。
进一步地,所述滤波处理模块20还用于对所述激光雷达点云数据中的激光点进行遍历;在遍历到的当前激光点与相邻激光点对中每一激光点之间的距离均大于第一预设阈值时,将所述当前激光点作为无效噪声点。在遍历结束时,将所述无效噪声点从所述激光雷达点云数据中剔除,获得有效激光雷达点云数据。
进一步地,所述数据分组模块30还用于对所述有效激光雷达点云数据中的有效激光点进行遍历;在遍历到的当前有效激光点与相邻有效激光点对中每一有效激光点之间的距离大于第二预设阈值时,将所述当前有效激光点进行归类,获得不同类别的激光点组。
进一步地,所述数据分割模块40还用于对所述不同类别的激光点组进行遍历,以确定各激光点组对应的起始激光点和终止激光点;根据所述起始激光点和所述终止激光点构建各激光点组对应的直线段;计算各激光点组内所有激光点到所述直线段的垂线距离,以获得最大垂线距离值;根据第三预设阈值和所述最大垂涎距离值对所述不同类别的激光点组进行分割,以获得新的激光点组。
进一步地,所述数据分割模块40还用于在所述最大垂线距离值大于第三预设阈值时,将所述最大垂线距离值对应的激光点作为分割点;根据所述分割点对所述激光点组进行分割,以获得新的激光点组。
进一步地,所述点云数据分割装置还包括数据迭代模块,用于判断所述激光点组中是否存在待分割的激光点组;在不存在待分割的激光点组时,停止对所述激光点组的分割。
进一步地,所述点云数据分割装置还包括特征确定模块,用于根据最小二乘法对所述新的激光点组进行直线拟合,并获得拟合后的直线;根据自动造型模型对所述拟合后的直线进行构型,并获得数据模型;对预设模型与所述数据模型进行匹配,获得匹配点数信息;根据所述匹配点数信息确定匹配结果;根据所述匹配结果确定所述有效激光点云数据的特征信息。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有点云数据分割程序,所述点云数据分割程序被处理器执行时实现如上文所述的点云数据分割方法的步骤。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的点云数据分割方法,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种点云数据分割方法,其特征在于,所述点云数据分割方法包括以下步骤:
获取激光雷达点云数据;
对所述激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据;
对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组;
对所述不同类别的激光点组进行分割,以获得新的激光点组。
2.如权利要求1所述的点云数据分割方法,其特征在于,所述对所述激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据的步骤,包括:
对所述激光雷达点云数据中的激光点进行遍历;
在遍历到的当前激光点与相邻激光点对中每一激光点之间的距离均大于第一预设阈值时,将所述当前激光点作为无效噪声点。
在遍历结束时,将所述无效噪声点从所述激光雷达点云数据中剔除,获得有效激光雷达点云数据。
3.如权利要求2所述的点云数据分割方法,其特征在于,所述对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组的步骤,包括:
对所述有效激光雷达点云数据中的有效激光点进行遍历;
在遍历到的当前有效激光点与相邻有效激光点对中每一有效激光点之间的距离大于第二预设阈值时,将所述当前有效激光点进行归类,获得不同类别的激光点组。
4.如权利要求3所述的点云数据分割方法,其特征在于,所述对所述不同类别的激光点组进行分割,以获得新的激光点组的步骤,包括:
对所述不同类别的激光点组进行遍历,以确定各激光点组对应的起始激光点和终止激光点;
根据所述起始激光点和所述终止激光点构建各激光点组对应的直线段;
计算各激光点组内所有激光点到所述直线段的垂线距离,以获得最大垂线距离值;
根据第三预设阈值和所述最大垂涎距离值对所述不同类别的激光点组进行分割,以获得新的激光点组。
5.如权利要求4所述的点云数据分割方法,其特征在于,所述根据第三预设阈值和所述最大垂涎距离值对所述不同类别的激光点组进行分割,以获得新的激光点组的步骤,包括:
在所述最大垂线距离值大于第三预设阈值时,将所述最大垂线距离值对应的激光点作为分割点;
根据所述分割点对所述激光点组进行分割,以获得新的激光点组。
6.如权利要求5所述的点云数据分割方法,其特征在于,所述根据所述分割点对所述激光点组进行分割,以获得新的激光点组的步骤,还包括:
判断所述激光点组中是否存在待分割的激光点组;
在不存在待分割的激光点组时,停止对所述激光点组的分割。
7.如权利要求1所述的点云数据分割方法,其特征在于,所述对所述不同类别的激光点组进行分割,以获得新的激光点组的步骤之后,还包括:
根据最小二乘法对所述新的激光点组进行直线拟合,并获得拟合后的直线;
根据自动造型模型对所述拟合后的直线进行构型,并获得数据模型;
对预设模型与所述数据模型进行匹配,获得匹配点数信息;
根据所述匹配点数信息确定匹配结果;
根据所述匹配结果确定所述有效激光点云数据的特征信息。
8.一种点云数据分割设备,其特征在于,所述点云数据分割设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的点云数据分割程序,所述点云数据分割程序被所述处理器执行时实现如权利要求1至7中任一项所述的点云数据分割方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有点云数据分割程序,所述点云数据分割程序被处理器执行时实现如权利要求1至7中任一项所述的点云数据分割方法的步骤。
10.一种点云数据分割装置,其特征在于,所述点云数据分割装置包括:
数据获取模块,用于获取激光雷达点云数据;
滤波处理模块,用于对所述激光雷达点云数据进行滤波处理,并获取有效激光雷达点云数据;
数据分组模块,用于对所述有效激光雷达点云数据中的激光点进行归类,获得不同类别的激光点组;
数据分割模块,用于对所述不同类别的激光点组进行分割,以获得新的激光点组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011151679.6A CN112215867A (zh) | 2020-10-23 | 2020-10-23 | 点云数据分割方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011151679.6A CN112215867A (zh) | 2020-10-23 | 2020-10-23 | 点云数据分割方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215867A true CN112215867A (zh) | 2021-01-12 |
Family
ID=74055145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011151679.6A Pending CN112215867A (zh) | 2020-10-23 | 2020-10-23 | 点云数据分割方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215867A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5253307A (en) * | 1991-07-30 | 1993-10-12 | Xerox Corporation | Image analysis to obtain typeface information |
JP2007114831A (ja) * | 2005-10-18 | 2007-05-10 | Omron Corp | 物体検出装置 |
CN103389103A (zh) * | 2013-07-03 | 2013-11-13 | 北京理工大学 | 一种基于数据挖掘的地理环境特征地图构建与导航方法 |
CN103679741A (zh) * | 2013-12-30 | 2014-03-26 | 北京建筑大学 | 一种基于三维线特征的激光点云数据自动配准方法 |
US20170301104A1 (en) * | 2015-12-16 | 2017-10-19 | Objectvideo, Inc. | Profile matching of buildings and urban structures |
CN107610223A (zh) * | 2017-09-20 | 2018-01-19 | 广东电网有限责任公司机巡作业中心 | 基于LiDAR点云的电力塔三维重建方法 |
CN108038908A (zh) * | 2017-11-21 | 2018-05-15 | 泰瑞数创科技(北京)有限公司 | 基于人工智能的空间对象识别及建模方法和系统 |
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
-
2020
- 2020-10-23 CN CN202011151679.6A patent/CN112215867A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5253307A (en) * | 1991-07-30 | 1993-10-12 | Xerox Corporation | Image analysis to obtain typeface information |
JP2007114831A (ja) * | 2005-10-18 | 2007-05-10 | Omron Corp | 物体検出装置 |
CN103389103A (zh) * | 2013-07-03 | 2013-11-13 | 北京理工大学 | 一种基于数据挖掘的地理环境特征地图构建与导航方法 |
CN103679741A (zh) * | 2013-12-30 | 2014-03-26 | 北京建筑大学 | 一种基于三维线特征的激光点云数据自动配准方法 |
US20170301104A1 (en) * | 2015-12-16 | 2017-10-19 | Objectvideo, Inc. | Profile matching of buildings and urban structures |
CN107610223A (zh) * | 2017-09-20 | 2018-01-19 | 广东电网有限责任公司机巡作业中心 | 基于LiDAR点云的电力塔三维重建方法 |
CN108038908A (zh) * | 2017-11-21 | 2018-05-15 | 泰瑞数创科技(北京)有限公司 | 基于人工智能的空间对象识别及建模方法和系统 |
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vosselman et al. | Contextual segment-based classification of airborne laser scanner data | |
CN110148196B (zh) | 一种图像处理方法、装置以及相关设备 | |
Lari et al. | An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data | |
US10430659B2 (en) | Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
CN114179788B (zh) | 自动泊车方法、系统、计算机可读存储介质及车机端 | |
Lin et al. | CNN-based classification for point cloud object with bearing angle image | |
CN116452852A (zh) | 一种高精度矢量地图的自动生成方法 | |
JP4568845B2 (ja) | 変化領域認識装置 | |
CN111709988A (zh) | 一种物体的特征信息的确定方法、装置、电子设备及存储介质 | |
Yogeswaran et al. | 3d surface analysis for automated detection of deformations on automotive body panels | |
CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
Guo et al. | Extraction of dense urban buildings from photogrammetric and LiDAR point clouds | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
Miyazaki et al. | Line-based planar structure extraction from a point cloud with an anisotropic distribution | |
CN116309943B (zh) | 一种停车场语义地图路网构建方法、装置及电子设备 | |
CN111583406A (zh) | 杆塔脚基点坐标计算方法、装置及终端设备 | |
CN111259709B (zh) | 基于弹性多边形的停车位结构检测模型的训练方法 | |
CN112215867A (zh) | 点云数据分割方法、设备、存储介质及装置 | |
CN115656991A (zh) | 车辆外参标定方法、装置、设备以及存储介质 | |
JP3966419B2 (ja) | 変化領域認識装置および変化認識システム | |
CN112433193B (zh) | 一种基于多传感器的模位置定位方法及系统 | |
CN114820505A (zh) | 一种动态目标的非接触测量方法 | |
CN114549764A (zh) | 基于无人车的障碍物识别方法、装置、设备及存储介质 | |
CN114387293A (zh) | 道路边缘检测方法、装置、电子设备及车辆 |
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 |