CN112232248A - 一种多线LiDAR点云数据平面特征的提取方法及装置 - Google Patents
一种多线LiDAR点云数据平面特征的提取方法及装置 Download PDFInfo
- Publication number
- CN112232248A CN112232248A CN202011141551.1A CN202011141551A CN112232248A CN 112232248 A CN112232248 A CN 112232248A CN 202011141551 A CN202011141551 A CN 202011141551A CN 112232248 A CN112232248 A CN 112232248A
- Authority
- CN
- China
- Prior art keywords
- point
- plane
- subsections
- point cloud
- cloud data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种多线LiDAR点云数据平面特征的提取方法及装置。提取方法包括:获取多线LiDAR的原始点云数据,得到包括N条扫描线的距离图像;找出每条扫描线的断点,利用断点将各扫描线分割为若干子段;以子段为单位进行扫描线上和扫描线间的生长,得到合并子段;根据合并子段的面积、维度特征描述符、点集变化最小的方向、被投票平面的法向量确定合并子段在各个潜在平面上的投票得分,选取得分较高的若干个潜在平面作为该合并子段的候选平面;选出为候选平面投票的合并子段进行平面拟合,得到若干平面片;将若干平面片进行以点为单位的区域生长,生长停止后计算各平面片的参数,完成平面特征的提取。本发明能够准确和完整的提取出多线LiDAR点云的平面特征。
Description
技术领域
本发明涉及一种多线LiDAR点云数据平面特征的提取方法及装置,属于点云数据处理技术领域。
背景技术
激光雷达(Light Detection and Ranging,LiDAR)作为一种主动式传感器,通常采用800~1000nm波段的不可见光作为光源,该波段的光不会与环境光产生相互干扰,因此能够在不同光照条件下工作。LiDAR的距离测量是基于飞行时间或相位差原理,可以输出回光强度信息。根据测量维度,可将LiDAR分为2D LiDAR和3D LiDAR两种。3D LiDAR有三种类型,分别为基于旋转的2D LiDAR而定制的3D LiDAR(也可以称为Ro-LiDAR)、地面激光扫描仪(Terrestrial Laser Scanner,TLS)和多线LiDAR。其中,TLS测量精度可达毫米级,价格高昂,主要用于高精度三维信息采集;其他LiDAR测量精度一般为厘米级。多线LiDAR内部有一个由多个激光发射器垂直排列构成的阵列,用于实现垂直扫描测量;而水平方向的扫描测量是通过LiDAR测量头部的机械旋转实现的。多线LiDAR的扫描频率可达10~15Hz,水平视场范围可达360°,但垂直方向视场范围较小,一般在30~40°左右。
近年来,随着机器人技术的不断发展,移动机器人感知与自主定位逐渐成为学术研究和工程实践中的热点问题。由于多线LiDAR的测量频率高,测程较远,且相对于其他传感器具有较高的精度,同时产品尺寸和价格得到大幅度降低,因此多线LiDAR在机器人感知和自主定位中的重要性日益凸显,几乎已成为高性能移动机器人(如自动驾驶车辆)的标配传感器。
虽然不同线束的多线LiDAR测量原理相似,但内部配置各有不同,对于一些考虑LiDAR传感器结构特性的算法,往往需要进行特异性处理(主要指参数设置)。多线LiDAR每秒可输出几十到一百多万个点,庞大的数据量给点云处理算法带来一定挑战,为此一些算法从原始LiDAR点云中提取几何基元,作为后续功能性算法处理的输入来提高处理效率的问题。几何基元可分为形状基元和结构基元,形状基元包括线(如直线和曲线)、面(如平面)和体基元(如立方体和圆柱);结构基元包括骨架、二维轮廓和三维边界。几何基元被广泛应用于目标识别、场景理解和三维重建中,并且其中的形状基元还可用于提高定位精度以及实现场景的模型化。作为最常见的一种形状基元,平面特征大量存在于室内及城市场景中,利用平面特征可通过扫描匹配实现移动机器人的自主定位,同时可作为特征路标用于机器人位姿的全局优化。平面特征的有效提取是移动机器人的感知、定位和地图构建等任务中的先决条件。在测绘遥感等领域中已有许多点云平面特征提取(又称点云平面分割)的有效方法,如图1a和图1b所示:基于霍夫变换的平面特征提取方法,该方法将多线LiDAR的点云作为无序点云处理,以点为单元对潜在平面进行投票,实现了平面特征的提取。
然而,多线LiDAR点云存在较强的稀疏性,现有的平面提取方法主要针对的是较为稠密的点云,直接将这些提取方法应用于较为稀疏的多线LiDAR点云往往难以取得令人满意的效果,如图2所示,在一些位置或方向上点云分布极为稀疏,这可能导致平面提取效果较差,可能存在过分割或欠分割问题,同时对于稀疏区域往往会漏检或误检的现象,为此,需要提出一种针对多线LiDAR点云平面特征提取的技术方案。
发明内容
本申请的目的在于提供一种多线LiDAR点云数据平面特征的提取方法及装置,为多线LiDAR点云平面特征的提取提出一种行之有效的技术方案。
为实现上述目的,本申请提出了一种多线LiDAR点云数据平面特征的提取方法的技术方案,包括以下步骤:
1)获取多线LiDAR的原始点云数据,将原始点云数据投影为距离图像;所述距离图像包括N条扫描线;
2)找出每条扫描线中的断点,根据断点将各扫描线分割为若干子段;
3)以子段为单位进行扫描线上和扫描线间的区域生长,得到合并子段;
4)进行基于三维高斯核的霍夫变换投票,根据合并子段的面积、维度特征描述符、点集变化最小的方向、被投票平面的法向量确定合并子段在各个潜在平面上的投票得分,选取得分较高的若干个潜在平面作为该合并子段的候选平面;
5)选出为候选平面投票的合并子段进行平面拟合,得到若干平面片;
6)将所述若干平面片向外进行以点为单位的区域生长,生长停止后重新计算各平面片的参数,完成平面特征的提取。
另外,本申请还提出了一种多线LiDAR点云数据平面特征的提取装置的技术方案,包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序,所述处理器在执行所述计算机程序时实现上述多线LiDAR点云数据平面特征的提取方法的技术方案。
本发明的多线LiDAR点云数据平面特征的提取方法及装置的技术方案的有益效果是:本发明在获取原始点云数据后,将原始点云数据投影为距离图像,恢复出点云的线束结构,也即将无序的点云投影为有序的点云,在有序的点云中找出若干子段,通过子段生长得到合并子段,利用合并子段的几何属性对潜在平面进行投票,选出投票得分较高的候选平面,进而将为候选平面投票的合并子段进行平面拟合,得到平面片,将平面片进行区域生长完成平面特征的提取。本发明不仅能够准确和完整的提取出多线LiDAR点云的平面特征;而且提取处理效率大大提高,可实现实时处理,平均单帧点云处理时间为几十毫秒,可用于移动机器人的实时感知、定位与地图构建等任务中。
进一步的,上述多线LiDAR点云数据平面特征的提取方法及装置中,为了便于被投票平面的构建,被投票平面为球型累加器中的分区。
进一步的,上述多线LiDAR点云数据平面特征的提取方法及装置中,为了更准确和全面地找出断点,找出每条扫描线的断点的方法为局部光滑度的方法,若某个扫描点的局部光滑度大于光滑度设定高值,则判断该扫描点为边缘点,若某个扫描点的局部光滑度小于光滑度设定低值,则判断该点为平面点,所述局部光滑度的计算过程为:
其中,s为局部光滑度;pi为某个扫描线上第i个扫描点;Y表示同一扫描线上pi左右两侧的邻域扫描点序号组成的集合;pj为同一扫描线上的第j个扫描点;|Y|表示pi左右两侧的邻域扫描点的数量,(·)n表示将向量单位化。
进一步的,上述多线LiDAR点云数据平面特征的提取方法及装置中,为了更准确和全面地找出断点,找出每条扫描线的断点的方法为局部表面方向角的方法,若某个扫描点的局部表面方向角大于等于方向角设定阈值,则判断该扫描点为断点,若某个扫描点的局部表面方向角小于方向角设定阈值,则判断该点为平面点,所述局部表面方向角为该扫描点左侧的相邻点拟合的直线与该扫描点右侧的相邻点拟合的直线的夹角。
进一步的,上述多线LiDAR点云数据平面特征的提取方法及装置中,为了提高平面特征的提取效率,所述步骤3)中对子段进行区域生长前还包括对子段进行筛选的步骤:若某个子段中,平面点的数量超过设定阈值,则该子段为有效的子段,计算每个有效的子段的质心、特征向量和特征值,对有效的子段进行扫描线上和扫描线间的区域生长。
进一步的,上述多线LiDAR点云数据平面特征的提取方法及装置中,为了提高潜在平面投票的准确性,合并子段在各个潜在平面上的投票得分等于权重因子乘以投票值,所述权重因子根据合并子段的面积和维度特征描述符确定,且权重因子与合并子段的面积、维度特征描述符正相关;所述维度特征描述符根据合并子段的特征值得到;所述投票值根据子段点集变化最小的方向、被投票平面的法向量得到。
进一步的,上述多线LiDAR点云数据平面特征的提取方法及装置中,为了提高平面特征的提取效率,所述步骤4)中还包括对候选平面进行过滤的步骤:将合并子段投票的数量小于设定数量低值的候选平面进行剔除,完成对候选平面进行过滤。
进一步的,上述多线LiDAR点云数据平面特征的提取方法及装置中,为了提高平面拟合的效率,所述步骤5)中进行平面拟合的步骤包括:
对为候选平面投票的合并子段进行聚类操作,得到每个候选平面的点簇,将含子段较少的点簇剔除,对剩余点簇进行平面拟合。
进一步的,上述多线LiDAR点云数据平面特征的提取方法及装置中,为了提高平面片区域生长的效率,所述步骤6)中进行区域生长的平面片为合并后的平面片,合并的方式为相似平面合并方式。
附图说明
图1a是现有技术中原始点云数据为稠密点云的效果图;
图1b是现有技术对稠密点云进行平面特征提取的效果图;
图2是现有技术多线LiDAR的稀疏点云效果图;
图3是本发明多线LiDAR点云数据平面特征的提取方法的流程图;
图4是本发明多线LiDAR测量及点云的线束结构示意图;
图5a是本发明局部表面方向角法的不连续性断点的示意图;
图5b是本发明局部表面方向角法的计算原理图;
图6是本发明子段内点集特征向量的几何意义示意图;
图7是本发明随机霍夫变换的球形累加器示意图;
图8是本发明三维空间平面的球坐标示意图;
图9是本发明多线LiDAR点云数据平面特征的提取方法所提取的效果图;
图10是本发明多线LiDAR点云数据平面特征的提取装置的结构示意图。
具体实施方式
多线LiDAR点云数据平面特征的提取方法实施例:
本发明的主要构思在于,考虑到多线LiDAR的测量特性,首先,根据多线LiDAR水平和垂直扫描角度分辨率将原始点云数据投影为距离图像,恢复出点云数据的线束结构;其次,对每条扫描线分别进行处理,根据深度的不连续及表面方向的不连续找出各条扫描线上的断点(即两侧变化剧烈的点);根据断点将各扫描线划分为若干子段,并计算各子段的几何属性;接下来,对子段分别进行同一扫描线上和相邻扫描线上的生长,进而得到若干合并子段,以合并子段为单位对潜在平面进行基于3D高斯核的霍夫变换投票;再次,对潜在平面进行筛选,剔除支持度较低的平面,对合并子段进行聚类分割,合并相似平面,通过区域生长吸收遗漏的、属于平面的点;最后,通过点云平面拟合算法获得最终的平面参数,完成平面特征的提取。
具体的,多线LiDAR点云数据平面特征的提取方法如图3所示,包括以下步骤:
1)通过多线LiDAR获取扫描的原始点云数据。
2)将原始点云数据投影为距离图像,恢复点云数据的线束结构。
原始点云数据中每个扫描点对应一个距离图像的像素,像素值为距离值,将原始点云数据采用一一映射的形式完成距离图像的投影。具体为:根据三维点坐标计算各扫描点对应的水平角和垂直角,进而根据水平角分辨率、垂直角分辨率以及投影公式将扫描点转为距离图像(也即将无序点云转化为一种有序点云),投影公式为:
3)对每条扫描线进行分别处理,找出每条扫描线上的断点(也即分割点)。
本实施例中,为提高处理效率,采用并行处理的方式,同时对每条扫描线进行处理。断点对应于角点、不同表面的边界、深度变化突兀的一些点,可通过多种不同方式实现断点的检测。本实施例利用局部光滑度和局部表面方向角的方法进行断点的综合检测。
局部光滑度的方法为,对于某点pi,定义其局部光滑度s,若某点pi的局部光滑度s大于光滑度设定高值smax(如0.55),则判断某点pi为断点,若某点pi的局部光滑度s小于光滑度设定低值smin(如0.25),则判断某点pi为潜在的平面点,局部光滑度s的计算公式为:
其中,s为局部光滑度;pi为某个扫描线上第i个扫描点;Y表示同一扫描线上pi左右两侧的邻域扫描点序号组成的集合;pj为同一扫描线上的第j个扫描点;|Y|表示pi左右两侧的邻域扫描点的数量,(·)n表示将向量单位化。
局部表面方向角的方法为:利用表面方向的不连续来检测断点,假设在某水平扫描角附近连续测得的点近似属于同一局部平面,则可定义一个局部表面方向角α如图5a、图5b所示,α的准确计算方法为,利用下式将某扫描点pi左右两侧各k个相邻点投影为局部平面点:
其中,α为局部表面方向角,为扫描点pi的邻域点pi+j投影到局部平面上的x轴坐标分量;为扫描点pi的邻域点pi+j投影到局部平面上的y轴坐标分量;pi为某个扫描线上第i个扫描点;dpi+j为扫描点pi与其邻域点pi+j的距离;为邻域点pi+j对应的水平扫描角;为扫描点pi对应的水平扫描角。j的正负号表示与扫描点pi的位置关系,j>0,表明该点在扫描点pi的右侧,j<0,表明该点在扫描点pi的左侧。
随后利用扫描点pi左右两侧相邻点集分别拟合直线ll和lr,计算ll和lr的夹角即为α。但大量直线的拟合耗时严重,为实现平面特征的实时提取,可采用一种简单近似方法来计算各扫描点处α的余弦值,计算公式为:
为pi+j在局部平面的2D投影点,此处j=-1、-2、-4、-5,1、2、4、5。由此可得到表面方向角图像Iα。为抑制测量噪声及异常点对断点检测的不良影响,采用Savitsky-Golay滤波器对Iα进行平滑处理;若某扫描点的α值大于等于方向角设定阈值(如5°),将其标记为断点;若某扫描点的α值小于方向角设定阈值,将其标记为平面点。
利用局部光滑度实际上是通过深度的不连续来检测断点,因此可联合上述两种策略同时进行断点检测,二者结果存在一定重合,因此进行去重复处理即可。当然也可以采用其中一种方法进行断点的检测,本发明对此不做限制。
4)根据步骤3)得到的断点将各条扫描线分割为若干子段,并对若干子段进行过滤,选出包含平面点较多的有效的子段,将有效的子段进行生长得到合并子段,并计算出合并子段的质心、特征向量和特征值。
有效的子段的选取规则为:若某一子段中平面点(平面点即局部光滑度s小于光滑度设定低值smin的点)数量超过设定阈值,则确定该子段为有效的子段。
将有效的子段保留,对于各有效的子段,计算其子段内点集的质心c和协方差矩阵C,对协方差矩阵C进行特征值分解,获得升序排列的特征值λ1,λ2,λ3以及相应的特征向量v1,v2,v3,特征向量的几何意义如图6所示,其中v3为有效的子段的点集的主方向,v1为有效的子段的点集变化最小的方向;若有效的子段的点集位于同一平面上,则可将v1视为平面的法向量。同时,计算各有效子段的维度特征描述符α2D(这里为二维特征描述符);
统一调整各有效的子段的点集的主方向v3,使其指向顺时针方向,随后对有效子段进行扫描线上(左右邻域)和扫描线间(上下邻域)的生长,选取α2D值较大的子段作为种子子段,生长的规则为:若种子子段与其左右邻域子段间的距离小于生长设定阈值且主方向v3近似平行,则该邻域子段满足生长条件并以其为新的种子子段进行进一步生长,直到不满足生长条件。完成上述生长后得到一系列合并子段(也包含未生长成功的单个子段),采用增量式主成分分析算法对合并子段的质心、特征向量、特征值等变量进行更新,并计算合并子段的面积SB(这里为最小包围矩形面积,用于近似表示平面面积)和维度特征描述符α2D。若合并子段SB和α2D值越小,则v1作为平面法向量的不确定度越高。
由于生长规则的存在,因此会有单个有效的子段并未得到生长进而合并,此时存在未合并的有效的子段和已合并的有效的子段,但在后续处理中均被称为合并子段。
5)构建如图7所示的类似于随机霍夫变换的球形累加器(用于后续的霍夫变换平面检测投票)。
构建过程为:采用如图8所示的平面参数的球坐标表示形式,即根据垂直角φ调整水平(沿θ)方向上分区(可理解为投票箱)的数量以确保分区的大小均匀,完成累加器的构建。该累加器包含的分区总量由各个维度上的最大分区数量确定,分别记为kθ、kφ和kρ,理想情况下,这些分区对应着客观世界中的实际平面,将所有可能的空间平面在参数空间中进行了离散化。
当然,除了球形累加器,还可以采用立方体累加器、八面体累加器等其他形状的累加器,本发明对此不做限制。
6)利用步骤4)中的合并子段,向步骤5)中的球形累加器中的潜在平面进行投票(也即对每个分区进行投票),选出候选平面。
以各个合并子段为单元对潜在平面进行投票;考虑到测量不确定度的影响,除了给合并子段的最优拟合平面所在分区投票外,还需给其邻近分区进行投票,以提高平面检测的鲁棒性。为此采用一种基于3D高斯核的HT(3DGK-HT)投票方式,利用合并子段点集最优平面拟合参数的不确定度来确定投票分布(对应不同的潜在平面),不确定度越小则在累加器上的投票区域越小,反之投票区域越大。
首先,计算平面参数(也即球形累加器中的各分区对应的平面)在参数空间中的协方差矩阵Σθφρ(也即被投票平面的法向量的协方差矩阵):
其中,为ρ变量的方差;σρφ为ρ变量与φ变量的协方差;σρθ为ρ变量与θ变量的协方差;为φ变量的方差;σφθ为φ变量与θ变量的协方差;为θ变量的方差;Σxyz为xyz坐标系下的协方差矩阵;为x变量的方差;为y变量的方差;为z变量的方差;σxy为x变量与y变量的协方差;σxz为x变量与z变量的协方差;σyz为y变量与z变量的协方差;J为参数(θφρ)的雅可比矩阵。
其次,合并子段即可利用3D高斯核在球形累加器上进行投票,该高斯核实际上对应一个扁平的分布椭球,其描述了合并子段最优拟合平面的位置、方位和不确定度,该3D高斯核的形式为:
式中,υ=x-μ,上述表达式是用于计算某个合并子段来自某个平面μ(即被投票平面的法向量)的概率p;x是合并子段点集拟合的平面参数(即合并子段的点集变化最小的方向的向量),υ是拟合的平面参数x与投票分区对应的平面参数μ的差值,是个中间变量。
该高斯核函数用于计算合并子段点集来自累加器分区对应平面的概率值,在投票过程中作为投票值使用。与此同时,利用合并子段的最小包围矩形面积SB和维度特征描述符α2D构建如下式所示的权重因子wseg:
最后,投票时从3D高斯核中心开始,投票区域边界位于距离核中心2倍标准差处。对于给定累加器分区Bi(θi,φi,ρi),某合并子段对其投票的得分si为权重因子与投票值的乘积。
7)对候选平面进行过滤,找出为过滤后的平面进行投票的所有合并子段,对这些合并子段进行平面拟合,得到若干平面片。
考虑到噪声的影响,需要对候选平面进行过滤,过滤的条件为:将投票的合并子段数量小于2条的候选平面剔除,平面对应着累加器中的分区,因此,也是对球形累加器中的分区进行过滤。
过滤后,找到为过滤后的平面投票的所有合并子段,进行聚类操作得到点簇(一系列子段的集合),聚类条件为所有合并子段主方向夹角为锐角且相邻子段间的距离不超过距离设定阈值;完成聚类后剔除包含子段较少的点簇,对剩余点簇重新进行平面拟合,得到若干平面片。
当然,作为其他实施方式,也可以采用最小二乘平面拟合、主成分分析方法进行平面拟合,本发明对此不做限制。
8)对步骤7)中所得的若干平面片进行合并处理,得到合并平面。
合并处理的方式为相似平面合并,具体为:根据法向量近似平行以及原点到平面距离相近来判断相似平面并予以合并,首先遍历点簇中各合并子段投过票的平面,根据合并子段点集中点到平面的平均距离来确定一个最优法向量,剔除与该法向量夹角过大的平面,随后构建图模型来实现相似平面的合并,图模型的节点为各待合并平面片,若某合并子段同时为两个平面投过票,则用一条边连接该两个节点(平面),表明这两个平面片连通,可以作为相似平面进行合并,为此计算所有连通分支,并利用各分支所包含合并子段点集重新拟合平面,该步骤获得与实际物理平面相对应的平面片,但可能遗漏了部分点。
当然,作为其他实施方式,也可以直接根据两平面法向量判断平面是否平行,再判断距离原点的距离是否相等,来进行平面片的合并,若两个条件都满足,则合并为一个平面。
9)将步骤8)得到的合并平面进行区域生长,生产停止后完成生长操作,得到各生长平面,采用顾及传感器测量噪声的点云平面拟合算法重新计算各生长平面的参数,完成平面特征的提取。
生长的停止条件为连续点间的距离过大或点到平面的距离过大,所提取的平面特征如图9所示。
上述实施例中,提取方法包括对合并子段的筛选的步骤,以及对候选平面进行筛选的步骤,作为其他实施方式,不考虑提取效率的情况,这些步骤也可以没有。
本发明实现了多线LiDAR点云数据平面特征的提取,并且提取效率大大提高,可实现实时处理,平均单帧点云处理时间为几十毫秒,可用于移动机器人的实时感知、定位与地图构建等任务中。
多线LiDAR点云数据平面特征的提取装置实施例:
多线LiDAR点云数据平面特征的提取装置,如图10所示,包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序,所述处理器在执行所述计算机程序时实现多线LiDAR点云数据平面特征的提取方法。
多线LiDAR点云数据平面特征的提取方法的具体实施过程以及效果在上述多线LiDAR点云数据平面特征的提取方法实施例中介绍,这里不做赘述。
也就是说,以上多线LiDAR点云数据平面特征的提取方法实施例中的方法应理解可由计算机程序指令实现多线LiDAR点云数据平面特征的提取方法的流程。可提供这些计算机程序指令到处理器(如通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备等),使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。
本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置;
本实施例所指的存储器用于存储实现多线LiDAR点云数据平面特征的提取方法而形成的计算机程序指令,包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如:利用电能方式存储信息的各式存储器,RAM、ROM等;利用磁能方式存储信息的的各式存储器,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的各式存储器,CD或DVD。当然,还有其他方式的存储器,例如量子存储器、石墨烯存储器等等。
通过上述存储有实现多线LiDAR点云数据平面特征的提取方法而形成的计算机程序指令的存储器、处理器构成的多线LiDAR点云数据平面特征的提取装置,在计算机中由处理器执行相应的程序指令来实现,计算机可使用windows操作系统、linux系统、或其他,例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
作为其他实施方式,多线LiDAR点云数据平面特征的提取装置还可以包括其他的处理硬件,如数据库或多级缓存、GPU等,本发明并不对多线LiDAR点云数据平面特征的提取装置的结构做具体的限定。
Claims (10)
1.一种多线LiDAR点云数据平面特征的提取方法,其特征在于,包括以下步骤:
1)获取多线LiDAR的原始点云数据,将原始点云数据投影为距离图像;所述距离图像包括N条扫描线;
2)找出每条扫描线的断点,根据断点将各扫描线分割为若干子段;
3)以子段为单位进行扫描线上和扫描线间的区域生长,得到合并子段;
4)进行基于三维高斯核的霍夫变换投票,根据合并子段的面积、维度特征描述符、点集变化最小的方向、被投票平面的法向量确定合并子段在各个潜在平面上的投票得分,选取得分较高的若干个潜在平面作为该合并子段的候选平面;
5)选出为候选平面投票的合并子段进行平面拟合,得到若干平面片;
6)将所述若干平面片向外进行以点为单位的区域生长,生长停止后重新计算各平面片的参数,完成平面特征的提取。
2.根据权利要求1所述的多线LiDAR点云数据平面特征的提取方法,其特征在于,被投票平面为球型累加器中的分区。
4.根据权利要求1或2所述的多线LiDAR点云数据平面特征的提取方法,其特征在于,找出每条扫描线的断点的方法为局部表面方向角的方法,若某个扫描点的局部表面方向角大于等于方向角设定阈值,则判断该扫描点为断点,若某个扫描点的局部表面方向角小于方向角设定阈值,则判断该点为平面点,所述局部表面方向角为该扫描点左侧的相邻点拟合的直线与该扫描点右侧的相邻点拟合的直线的夹角。
5.根据权利要求1所述的多线LiDAR点云数据平面特征的提取方法,其特征在于,所述步骤3)中对子段进行区域生长前还包括对子段进行筛选的步骤:若某个子段中,平面点的数量超过设定阈值,则该子段为有效的子段,计算每个有效的子段的质心、特征向量和特征值,对有效的子段进行扫描线上和扫描线间的区域生长。
6.根据权利要求1所述的多线LiDAR点云数据平面特征的提取方法,其特征在于,合并子段在各个潜在平面上的投票得分等于权重因子乘以投票值,所述权重因子根据合并子段的面积和维度特征描述符确定,且权重因子与合并子段的面积、维度特征描述符正相关;所述维度特征描述符根据合并子段的特征值得到;所述投票值根据子段点集变化最小的方向、被投票平面的法向量得到。
7.根据权利要求1所述的多线LiDAR点云数据平面特征的提取方法,其特征在于,所述步骤4)中还包括对候选平面进行过滤的步骤:将合并子段投票的数量小于设定数量低值的候选平面进行剔除,完成对候选平面进行过滤。
8.根据权利要求1所述的多线LiDAR点云数据平面特征的提取方法,其特征在于,所述步骤5)中进行平面拟合的步骤包括:
对为候选平面投票的合并子段进行聚类操作,得到每个候选平面的点簇,将含合并子段较少的点簇剔除,对剩余点簇进行平面拟合。
9.根据权利要求1所述的多线LiDAR点云数据平面特征的提取方法,其特征在于,所述步骤6)中进行区域生长的平面片为合并后的平面片,合并的方式为相似平面合并方式。
10.一种多线LiDAR点云数据平面特征的提取装置,其特征在于,包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1-9中任一项所述的多线LiDAR点云数据平面特征的提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011141551.1A CN112232248B (zh) | 2020-10-22 | 2020-10-22 | 一种多线LiDAR点云数据平面特征的提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011141551.1A CN112232248B (zh) | 2020-10-22 | 2020-10-22 | 一种多线LiDAR点云数据平面特征的提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232248A true CN112232248A (zh) | 2021-01-15 |
CN112232248B CN112232248B (zh) | 2023-04-07 |
Family
ID=74110552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011141551.1A Active CN112232248B (zh) | 2020-10-22 | 2020-10-22 | 一种多线LiDAR点云数据平面特征的提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232248B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907601A (zh) * | 2021-03-30 | 2021-06-04 | 中铁工程装备集团隧道设备制造有限公司 | 一种基于特征变换的隧道拱架点云自动提取方法及装置 |
CN114897895A (zh) * | 2022-07-12 | 2022-08-12 | 深圳市信润富联数字科技有限公司 | 点云调平方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
CN106056614A (zh) * | 2016-06-03 | 2016-10-26 | 武汉大学 | 一种地面激光点云数据的建筑物分割与轮廓线提取方法 |
CN108389250A (zh) * | 2018-03-08 | 2018-08-10 | 武汉大学 | 基于点云数据快速生成建筑物断面图的方法 |
CN109685080A (zh) * | 2018-12-27 | 2019-04-26 | 中国科学院大学 | 基于霍夫变换与区域生长的多尺度平面提取方法 |
JP2019100855A (ja) * | 2017-12-01 | 2019-06-24 | パイオニア株式会社 | 制御装置、検知装置、制御方法、プログラム及び記憶媒体 |
CN110363834A (zh) * | 2018-04-10 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 一种点云数据的分割方法和装置 |
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110853081A (zh) * | 2019-11-18 | 2020-02-28 | 武汉数智云绘技术有限公司 | 基于单木分割的地面和机载LiDAR点云配准方法 |
JP2020086471A (ja) * | 2018-11-14 | 2020-06-04 | 国際航業株式会社 | 天端面段差抽出システム、及び天端面段差抽出方法 |
CN111709981A (zh) * | 2020-06-22 | 2020-09-25 | 高小翎 | 特征线融合的激光点云与模拟图像的配准方法 |
-
2020
- 2020-10-22 CN CN202011141551.1A patent/CN112232248B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
CN106056614A (zh) * | 2016-06-03 | 2016-10-26 | 武汉大学 | 一种地面激光点云数据的建筑物分割与轮廓线提取方法 |
JP2019100855A (ja) * | 2017-12-01 | 2019-06-24 | パイオニア株式会社 | 制御装置、検知装置、制御方法、プログラム及び記憶媒体 |
CN108389250A (zh) * | 2018-03-08 | 2018-08-10 | 武汉大学 | 基于点云数据快速生成建筑物断面图的方法 |
CN110363834A (zh) * | 2018-04-10 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 一种点云数据的分割方法和装置 |
JP2020086471A (ja) * | 2018-11-14 | 2020-06-04 | 国際航業株式会社 | 天端面段差抽出システム、及び天端面段差抽出方法 |
CN109685080A (zh) * | 2018-12-27 | 2019-04-26 | 中国科学院大学 | 基于霍夫变换与区域生长的多尺度平面提取方法 |
CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
CN110853081A (zh) * | 2019-11-18 | 2020-02-28 | 武汉数智云绘技术有限公司 | 基于单木分割的地面和机载LiDAR点云配准方法 |
CN111709981A (zh) * | 2020-06-22 | 2020-09-25 | 高小翎 | 特征线融合的激光点云与模拟图像的配准方法 |
Non-Patent Citations (3)
Title |
---|
WENPENG ZONG等: "A Fast and Accurate Planar-Feature-Based", 《IEEE SENSORS JOURNAL》 * |
周炳南等: "PCL环境下的3D点云分割算法研究", 《微电子学与计算机》 * |
宗文鹏等: "激光扫描匹配方法研究综述", 《中国光学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907601A (zh) * | 2021-03-30 | 2021-06-04 | 中铁工程装备集团隧道设备制造有限公司 | 一种基于特征变换的隧道拱架点云自动提取方法及装置 |
CN112907601B (zh) * | 2021-03-30 | 2021-09-24 | 中铁工程装备集团隧道设备制造有限公司 | 一种基于特征变换的隧道拱架点云自动提取方法及装置 |
CN114897895A (zh) * | 2022-07-12 | 2022-08-12 | 深圳市信润富联数字科技有限公司 | 点云调平方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112232248B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7995055B1 (en) | Classifying objects in a scene | |
CN109186608B (zh) | 一种面向重定位的稀疏化三维点云地图生成方法 | |
CN111723721A (zh) | 基于rgb-d的三维目标检测方法、系统及装置 | |
CN110349260B (zh) | 一种路面标线自动提取方法及装置 | |
CN104299260A (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN112232248B (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
CN115372989A (zh) | 基于激光雷达的越野自动小车长距离实时定位系统及方法 | |
CN113640826B (zh) | 一种基于3d激光点云的障碍物识别方法及系统 | |
CN113643270A (zh) | 一种基于点云数据的图像配准方法及装置 | |
CN115187803B (zh) | 一种用于名优茶嫩芽采摘过程的定位方法 | |
CN111126116A (zh) | 无人船河道垃圾识别方法及系统 | |
CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
CN111209828A (zh) | 从机载激光雷达点云中提取建筑物屋顶点的方法和系统 | |
CN113920134A (zh) | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 | |
CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
CN112837309A (zh) | 果树冠层靶标识别装置、方法、计算设备及存储介质 | |
CN114863376A (zh) | 一种基于车载激光点云数据的道路标线分割方法及系统 | |
CN115293287A (zh) | 一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置 | |
CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
CN111736167B (zh) | 一种获取激光点云密度的方法和装置 | |
CN112435336B (zh) | 一种弯道类型识别方法、装置、电子设备及存储介质 | |
CN108345007B (zh) | 一种障碍物识别方法和装置 | |
Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
CN112581511A (zh) | 基于近似直立扫描点云快速配准的三维重建方法及系统 |
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 |