CN112365575A - 地平面数据测量方法、装置、可移动设备和可读存储介质 - Google Patents
地平面数据测量方法、装置、可移动设备和可读存储介质 Download PDFInfo
- Publication number
- CN112365575A CN112365575A CN202011248090.8A CN202011248090A CN112365575A CN 112365575 A CN112365575 A CN 112365575A CN 202011248090 A CN202011248090 A CN 202011248090A CN 112365575 A CN112365575 A CN 112365575A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ground plane
- target
- detected
- group
- 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 description 32
- 230000014509 gene expression Effects 0.000 claims abstract description 155
- 238000000691 measurement method Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C7/00—Tracing profiles
- G01C7/02—Tracing profiles of land surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本申请的实施例提供了一种地平面数据测量方法、装置、可移动设备和可读存储介质,涉及地形测量领域,地平面数据测量方法包括:获得待测区域的点云模型并根据点云模型计算待测区域的全局地平面表达式;将点云模型划分为多个待测点云群并计算每个待测点云群的局部地平面表达式;基于全局地平面表达式或局部地平面表达式确定每个待测点云群的目标地平面表达式;根据每个待测点云群的目标地平面表达式得到待测区域的地平面数据,能够准确地测量得到地平面数据。
Description
技术领域
本申请涉及地形测量领域,具体而言,涉及一种地平面数据测量方法、装置、可移动设备和可读存储介质。
背景技术
目前,随着农业机械化、智能化进程的推进,越来越多的自动化设备在农田中作业,而为了定制自动化设备在农田中进行作业的路径和操作等数据,农田中地平面的确定尤为重要,不仅如此,确定了农田中的地平面相关数据,也为后续进行测量作物高度、分离地表物体(如障碍物)等做铺垫。在现有技术中,地平面的确定一般针对正常的形式路面,现有的地平面确定方案(例如激光雷达测量)并不适用于农田环境这类地平面并不平整且存在较多障碍物的场景,这使得测量得到的地平面相关数据并不准确。
有鉴于此,如何提供一种能够更加准确地测量得到地平面数据的方案,是本领域技术人员需要解决的。
发明内容
本申请提供了一种地平面数据测量方法、装置、可移动设备和可读存储介质。
本申请的实施例可以这样实现:
第一方面,本申请实施例提供一种地平面数据测量方法,包括:
获得待测区域的点云模型并根据点云模型计算待测区域的全局地平面表达式;
将点云模型划分为多个待测点云群并计算每个待测点云群的局部地平面表达式;
基于全局地平面表达式或局部地平面表达式确定每个待测点云群的目标地平面表达式;
根据每个待测点云群的目标地平面表达式得到待测区域的地平面数据。
在可选的实施方式中,基于全局地平面表达式或局部地平面表达式确定每个待测点云群的目标地平面表达式的步骤,包括:
在目标待测点云群符合第一条件的情况下,根据目标待测点云群的局部地平面表达式确定目标待测点云群对应的目标地平面表达式,其中,目标待测点云群为多个待测点云群中的任一个;
在目标待测点云群符合第二条件的情况下,根据全局地平面表达式确定目标待测点云群对应的目标地平面表达式。
在可选的实施方式中,在基于全局地平面表达式或局部地平面表达式确定每个待测点云群的目标地平面表达式的步骤之前,方法还包括:
获得目标待测点云群的相邻点云群,其中,相邻点云群为在目标待测点云群在预设范围内的点云群,相邻点云群为多个;
在相邻点云群为有效点云群的数量超过预设有效数量阈值的情况下,判定目标待测点云群符合第一条件;
在相邻点云群为有效点云群的数量未超过预设有效数量阈值的情况下,判定目标待测点云群符合第二条件。
在可选的实施方式中,每个相邻点云群包括多个测试点,在获得目标待测点云群的相邻点云群的步骤之后,方法还包括:
计算目标相邻点云群的多个目标测试点到目标相邻点云群的局部地平面表达式表征的地平面的多个测试距离,其中,目标相邻点云群为多个相邻点云群中的任一个,每个目标测试点与每个测试距离一一对应;
获得多个测试距离中超过预设有效距离阈值的有效距离;
在有效距离的数量超过预设距离有效数量阈值的条件下,判定目标相邻点云群为有效点云群。
在可选的实施方式中,局部地平面表达式包括向量系数;
根据目标待测点云群的局部地平面表达式确定目标待测点云群对应的目标地平面表达式的步骤,包括:
获得目标待测点云群的局部地平面表达式的向量系数;
获得每个相邻点云群的局部地平面表达式中包括的向量系数以及预先设置的每个相邻点云群的权重系数;
根据相邻点云群的局部地平面表达式中包括的向量系数和权重系数计算更新向量系数;
将目标待测点云群的局部地平面表达式的向量系数替换为更新向量系数,得到目标地平面表达式。
在可选的实施方式中,根据相邻点云群的局部地平面表达式中包括的向量系数和权重系数通过公式:
在可选的实施方式中,获得待测区域的点云模型并根据点云模型计算待测区域的全局地平面表达式的步骤,包括:
获得待测区域的点云模型对应的三维点云数据,并根据三维点云数据生成初始地平面;
获得三维点云数据相对于初始地平面的距离分布;
根据距离分布及地面分割学习模型得到待测区域的全局地平面表达式。
第二方面,本申请实施例提供一种地平面数据测量装置,包括:
获得模块,用于获得待测区域的点云模型并根据点云模型计算待测区域的全局地平面表达式;
分区模块,用于将点云模型划分为多个待测点云群并计算每个待测点云群的局部地平面表达式;
计算模块,用于基于全局地平面表达式或局部地平面表达式确定每个待测点云群的目标地平面表达式;根据每个待测点云群的目标地平面表达式得到待测区域的地平面数据。
第三方面,本申请实施例提供一种可移动设备,可移动设备包括处理器及存储有计算机指令的非易失性存储器,计算机指令被处理器执行时,可移动设备执行前述实施方式中任意一项的地平面数据测量方法。
在可选的实施方式中,可移动设备为带有图像采集模块的植保无人机,植保无人机通过图像采集模块采集待测区域的真实图像,以得到待测区域的点云模型。
第四方面,本申请实施例提供一种可读存储介质,可读存储介质包括计算机程序,计算机程序运行时控制可读存储介质所在可移动设备执行前述实施方式中任意一项的地平面数据测量方法。
本申请实施例的有益效果包括,例如:本申请实施例提供一种地平面数据测量方法、装置、可移动设备和可读存储介质,通过获得待测区域的点云模型并根据点云模型计算待测区域的全局地平面表达式;再将点云模型划分为多个待测点云群并计算每个待测点云群的局部地平面表达式;然后基于全局地平面表达式或局部地平面表达式确定每个待测点云群的目标地平面表达式;最终根据每个待测点云群的目标地平面表达式得到待测区域的地平面数据,巧妙地利用全局地平面表达式和局部地平面表达式准确地得到地平面数据。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的地平面数据测量系统的一种交互示意图;
图2为本申请实施例提供的地平面数据测量方法的一种步骤流程示意图;
图3为本申请实施例提供的地平面数据测量方法的另一种步骤流程示意图;
图4为本申请实施例提供的地平面数据测量方法的又一种步骤流程示意图;
图5为本申请实施例提供的待测试点云群的示意图;
图6为本申请实施例提供的地平面数据测量方法的又一种步骤流程示意图;
图7为本申请实施例提供的地平面数据测量装置的一种结构示意框图;
图8为本申请实施例提供的可移动设备的一种结构示意框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
随着农业机械化、智能化进程的推进,人工直接参与的农业活动越来越少,取而代之的是自动化的设备,而自动化设备在进行调控时,地平面数据是重要的参考数据,其原因在于农田环境下的地平面数据难以确定,农田的地平面相对不规整,同时存在较多干扰因素,例如农田内的作物、树木以及建筑等。这也使得现有技术中针对城市中相对平坦的道路、广场等位置的地平面数据测试方案并不适用。基于此,请参考图1,本实施例提供了一种地平面数据测量系统10的交互示意图,其中,地平面数据测量系统10可以包括计算机设备100以及与计算机设备100通信连接的可移动设备200,该可移动设备200具备测绘和三维重建的功能,计算机设备100可以用于接收和存储可移动设备200发送的数据。
为了解决上述提出的问题,请结合参考图2,图2为本申请实施例提供的地平面数据测量方法的步骤流程示意图。该地平面数据测量方法可以由图1中的计算机设备100执行实施,也可以有可移动设备200执行实施,下面对该地平面数据测量方法进行详细的介绍。
步骤201,获得待测区域300的点云模型并根据点云模型计算待测区域300的全局地平面表达式。
步骤202,将点云模型划分为多个待测点云群并计算每个待测点云群的局部地平面表达式。
步骤203,基于全局地平面表达式或局部地平面表达式确定每个待测点云群的目标地平面表达式。
步骤204,根据每个待测点云群的目标地平面表达式得到待测区域300的地平面数据。
如前所描述的,可移动设备200具备测绘和三维重建的功能,本申请实施例中提到的待测区域300的点云模型可以是由可移动设备200采集数据并构建的,构建好的待测区域300的点云模型可以发送至可移动设备200中进行存储,以供后续使用。
在获取待测区域300的点云模型后,可以利用RANSAC(RANdom SAmple Consensus,简称随机抽样一致算法)、最小二乘法等算法对点云模型进行计算以得到全局地平面表达式,然后可以将点云模型划分为多个待测点云群并同样采取RANSAC、最小二乘法等算法计算每个待测点云群的局部地平面表达式,将点云模型划分为多个待测点云群的方式可以是按照地平面延展方向(即垂直于水平面方向)将点云模型分群成一个个方格,以方便后续进行并行化快速计算和精细化处理。
应当理解的是,在本申请实施例中,前述涉及地平面表达式的计算过程,既可以是在可移动设备200上完成的,也可以是由与可移动设备200通信连接的计算机设备100在接收到相关数据后计算完成的,在此不做限制。
至此,便可以基于全局地平面表达式或局部地平面表达式中较为合适的表达式确定每个待测点云群的目标地平面表达式,而在确定了每个待测点云群的目标地平面表达式后,便可以根据每个待测点云群的目标地平面表达式得到待测区域300的地平面数据。通过上述步骤能够通过对待测区域300(如农田区域这类地平面情况较为复杂的区域)构建点云模型,并通过全局地平面表达式或局部地平面表达式两者配合较为准确地确定其地平面数据。
在此基础上,请结合参考图3,作为一种可替换的实施例,前述步骤203可以由以下详细的步骤实现。
子步骤203-1,在目标待测点云群符合第一条件的情况下,根据目标待测点云群的局部地平面表达式确定目标待测点云群对应的目标地平面表达式。
其中,目标待测点云群为多个待测点云群中的任一个。
子步骤203-2,在目标待测点云群符合第二条件的情况下,根据全局地平面表达式确定目标待测点云群对应的目标地平面表达式。
对于目标待测点云群选择采取该待测点云群的局部地平面表达式还是由全局地平面表达式在表征目标待测点云群确定的地平面,可以根据目标待测点云群是否满足第一条件或者第二条件来判定。
在此基础上,前述步骤203之前,该方法可以包括以下步骤。
步骤205,获得目标待测点云群的相邻点云群。
其中,相邻点云群为在目标待测点云群在预设范围内的点云群,相邻点云群为多个。
步骤206,在相邻点云群为有效点云群的数量超过预设有效数量阈值的情况下,判定目标待测点云群符合第一条件。
步骤207,在相邻点云群为有效点云群的数量未超过预设有效数量阈值的情况下,判定目标待测点云群符合第二条件。
为了确定目标待测点云群符合第一条件或第二条件,可以获得目标待测点云群的相邻点云群,如前所描述的,可以按照地平面延展方向(即将点云模型分群成一个个方格,而相邻点云群即为与目标待测点云群相邻的点点云群(即预设范围设置为0)。应当理解的是,在本申请实施例中,划分的多个待测点云群中,每个待测点云群都是与多个待测点云群相邻的,即目标待测点云群的相邻点云群为多个。基于此,在相邻点云群为有效点云群的数量超过预设有效数量阈值的情况下,判定目标待测点云群符合第一条件,反之,则判定目标待测点云群符合第二条件。
在前述基础上,每个相邻点云群包括多个测试点,在前述步骤205之后,请结合参考图4,该方法还包括以下步骤。
步骤208,计算目标相邻点云群的多个目标测试点到目标相邻点云群的局部地平面表达式表征的地平面的多个测试距离。
其中,目标相邻点云群为多个相邻点云群中的任一个,每个目标测试点与每个测试距离一一对应。
步骤209,获得多个测试距离中超过预设有效距离阈值的有效距离。
步骤210,在有效距离的数量超过预设距离有效数量阈值的条件下,判定目标相邻点云群为有效点云群。
为了确定相邻点云群是否为有效点云群,可以计算目标相邻点云群的多个目标测试点到目标相邻点云群的局部地平面表达式表征的地平面的多个测试距离,应当理解的是,点云模型是由多个点组成的三维模型,划分后的点云群也包括多个组合点云的点,即相邻点云群可以包括多个测试点。而每个相邻点云群各自有对应的局部地平面表达式表征的地平面,基于此,可以得知每个相邻点云群中的测试点距离各自对应的局部地平面表达式表征的地平面的距离,值得说明的是,为了提高测试距离的参考性,在本申请实施例中,涉及的测试距离可以是指欧几里得距离。
可以获得多个测试距离中超过预设有效距离阈值的有效距离,并在有效距离的数量超过预设距离有效数量阈值的条件下,判定目标相邻点云群为有效点云群,值得说明的是,预设有效距离阈值的设置标准可以参考可能会出现在农田中的树木、电线杆、房屋建筑之类的干扰项的高度设置,例如,正常情况下,点云模型与地平面之间的距离可以是30-35米,之间有5米因农田地平面不平存在的高地差,而在农田的某区域中存在一树木群,高度为10米,可以将预设有效距离阈值设置为28米,在将该区域对应的点云群作为相邻点云群时,由于树木的影响,必然存在测试点距离该区域的地平面的距离在25米左右,低于预设有效距离阈值28米,该测试点确定的测试距离则不是有效距离,而该相邻点云群中其他测试点得到的测试距离超过28米的,可以作为有效距离。
而构建每个相邻点云群的测试点的数量可以是100个,可以将预设距离有效数量阈值设置为80个,即在每个测试点确定的测试距离中在有效距离超过80个时,可以认为该相邻点云群为有效点云群。
除此之外,局部地平面表达式包括向量系数。为了能够更加清楚的表达本申请提出的方案,前述子步骤203-1可以由以下步骤实现。
(1)获得目标待测点云群的局部地平面表达式的向量系数。
(2)获得每个相邻点云群的局部地平面表达式中包括的向量系数以及预先设置的每个相邻点云群的权重系数。
(3)根据相邻点云群的局部地平面表达式中包括的向量系数和权重系数计算更新向量系数。
(4)将目标待测点云群的局部地平面表达式的向量系数替换为更新向量系数,得到目标地平面表达式。
在本申请实施例中,局部地平面表达式的表现形式可以是:
基于此,可以获取每个相邻点云群的局部地平面表达式的向量系数(即上述法向量)和预先设置的每个相邻点云群的权重系数,即根据每个相邻点云群的向量系数以及权重系数计算得到的更新向量系数来对目标待测点云群的局部地平面表达式进行修正,修正的方式是将目标待测点云群的局部地平面表达式原本的向量系数替换为计算得到的更新向量系数。
在此基础上,根据相邻点云群的局部地平面表达式中包括的向量系数和权重系数通过公式:
为了能够更加清楚地描述本申请实施例提供的方案,可以参考图5,在本申请实施例中,目标待测点云群E可以有相邻点云群A、相邻点云群B、相邻点云群C、相邻点云群D、相邻点云群F、相邻点云群G、相邻点云群H和相邻点云群I,其中,在经过前述步骤,可以确定相邻点云群B、相邻点云群C、相邻点云群D、相邻点云群G和相邻点云群I为有效点云群,且目标待测点云群E符合第一条件,可以通过公式计算目标待测点云群的更新向量系数,具体的,可以通过公式:
计算得到的,其中,便是目标待测点云群E的更新向量系数,便可以将计算得到替换至目标待测点云群的局部地平面表达式中,以得到目标待测点云群的目标地平面表达式,重复上述所有步骤,直至得到每个待测点云群的目标地平面表达式,便可以根据每个待测点云群的目标地平面表达式确定待测区域300的地平面数据。
为了能够更加清楚地对本申请实施例提供的方案进行解释,请结合参考图6,前述步骤201可以由以下的方式实施实现。
子步骤201-1,获得待测区域的点云模型对应的三维点云数据,并根据三维点云数据生成初始地平面。
在一些实施例中,可以通过随机抽样一致算法(Random sample consensus,RANSAC)等方式,根据三维点云数据进行初始地平面拟合。
子步骤201-2,获得三维点云数据相对于初始地平面的距离分布。
应当理解的是,上述距离分布用于表征三维点云数据中各个点云点与初始地平面之间的距离关系。
子步骤201-3,根据距离分布及地面分割学习模型得到待测区域的全局地平面表达式。
上述网络学习模型可以是但不限于是逻辑回归模型(Logistic Regression,LR)、支持向量机模型(Support Vector Machine,SVM)或者卷积神经网络模型(CNN)。
其中,上述LR模型是机器学习中的算法实现简单且高效的分类模型,应用场景非常广泛。上述SVM模型是在所有知名的数据挖掘算法中最健壮,最准确的方法之一,它属于二分类算法,可以支持线性和非线性的分类。上述CNN模型是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类。
在本申请实施例中,地面分割学习模型可以是通过根据距离分布及标准地表面,对预先选择的网络学习模型进行迭代训练得到的,该地面分割学习模型用于识别地平面。可以先根据三维点云数据生成初始地平面,初始地平面为基于三维点云数据通过运算拟合得到的地平面。可以理解地,本申请实施例所提供的地面分割学习模型训练方法进行模型训练时,将距离分布作为训练的因子。可以理解地,上述距离分布用于表征点云点与初始地平面之间的距离关系。虽然初始地平面容易受到噪声的影响,但也能相对准确地表征真实的地面。故,上述距离分布,从一定程度上能够用以区分地面和非地面,利用距离分布进行模型训练,能够提高训练后得到的模型对地面的识别能力。该方式相较于直接将拟合出的地面作为真实地面而言,更加准确,能够有效减少点云中存在的噪点对识别地面的影响。
为了能够更加清楚的对本申请提供的方案进行解释,作为一种可替换的具体实施方式,前子步骤201-2可以由以下方式实现。
(1)计算三维点云数据中每一个点云点与初始地平面之间的距离值。
在一些实施例中,遍历三维点云数据中每一个点云点,获取遍历到的点云点与初始地平面之间的距离值。
(2)根据三维点云数据所对应的所有的距离值,构建距离分布。
在一些实施例中,可以直接根据三维点云数据所对应的所有的距离值,及各个点云点之间的相对位置关系,构建该三维点云数据所对应的距离分布。
在另一些实施例中,还可以间接根据三维点云数据所对应的所有的距离值构建距离分布。比如,可以根据所对应的所有的距离值,进行数值分布的统计,以得到距离分布。
在一些实施例中,上述地面分割学习模型训练方法还包括:获取三维点云数据对应的颜色分布。
在一些实施例中,上述获取三维点云数据对应的颜色分布可以包括以下步骤:
(一)、提取三维点云数据中每一个点云点所对应的颜色信息。
在一些实施例中,可以遍历三维点云数据中每一个点云点,以获取每个点云点所对应的RGB值。
(二)、根据点云点的颜色信息,构建对应的颜色分布。
在一些实施例中,可以直接根据三维点云数据中所有点云点的RGB值及各个点云点之间的相对位置关系,构建颜色分布。
在另一些实施例中,还可以间接根据三维点云数据中所有点云点的RGB值构建颜色分布。比如,可以根据所有点云点的RGB值,分别对不同颜色通道(R通道、G通道及B通道)进行数值分布统计,根据不同颜色通道所对应的数值分布统计结果,构建特征描述向量,以作为颜色分布。
相应的,作为一种可替换的具体实施方式,前述地面分割学习模型可以通过以下方式训练得到。
(1)将颜色分布、距离分布输入网络学习模型,以得到输出地表。
在一些实施例中,可以将颜色分布和距离分布融合后输入网络学习模型。将上述网络学习模型对融合后的颜色分布和距离分布进行处理后的输出结果作为输出地表。
在一些实施例中,上述将颜色分布和距离分布融合的方式可以是将上述颜色分布和距离分布拼接。
(2)获取输出地表和标准地表面的偏差评估值。
在一些实施例中,可以将输出地表和标准地表面中重叠的点云点的数量与标准地表面中点云点的总数之间的比例作为偏差评估值。
(3)将偏差评估值作为损失值,反向传播调整网络学习模型的模型参数,以得到地面分割学习模型。
在一些实施例中,可以依次根据不同的三维点云数据所对应的颜色分布、距离分布及标准地表面,按照上述(1)-至(3)对网络学习模型进行迭代训练,直至触发迭代终止条件,将此时的模型确定为地面分割学习模型。可以理解地,上述迭代终止条件可以是设置的迭代次数,也可以得到的偏差评估值满足预设要求。
可以理解地,该实施例所提供的地面分割学习模型训练方法进行模型训练时,考虑到真实空间中地面与非地面之间颜色存在差异,从一定程度上能够用以区分地面和非地面。故将其作为训练的一个因子,用以提高训练后得到的模型对地面的识别能力。
本申请实施例提供一种地平面数据测量装置110,请结合参考图7,地平面数据测量装置110包括:
获得模块1101,用于获得待测区域300的点云模型并根据点云模型计算待测区域300的全局地平面表达式。
分区模块1102,用于将点云模型划分为多个待测点云群并计算每个待测点云群的局部地平面表达式。
计算模块1103,用于基于全局地平面表达式或局部地平面表达式确定每个待测点云群的目标地平面表达式;根据每个待测点云群的目标地平面表达式得到待测区域300的地平面数据。
进一步地,计算模块1103具体用于:
在目标待测点云群符合第一条件的情况下,根据目标待测点云群的局部地平面表达式确定目标待测点云群对应的目标地平面表达式,其中,目标待测点云群为多个待测点云群中的任一个;在目标待测点云群符合第二条件的情况下,根据全局地平面表达式确定目标待测点云群对应的目标地平面表达式。
进一步地,获得模块1101还用于:
获得目标待测点云群的相邻点云群,其中,相邻点云群为在目标待测点云群在预设范围内的点云群,相邻点云群为多个;在相邻点云群为有效点云群的数量超过预设有效数量阈值的情况下,判定目标待测点云群符合第一条件;在相邻点云群为有效点云群的数量未超过预设有效数量阈值的情况下,判定目标待测点云群符合第二条件。
进一步地,每个相邻点云群包括多个测试点,计算模块1103还用于:
计算目标相邻点云群的多个目标测试点到目标相邻点云群的局部地平面表达式表征的地平面的多个测试距离,其中,目标相邻点云群为多个相邻点云群中的任一个,每个目标测试点与每个测试距离一一对应;获得多个测试距离中超过预设有效距离阈值的有效距离;在有效距离的数量超过预设距离有效数量阈值的条件下,判定目标相邻点云群为有效点云群。
进一步地,局部地平面表达式包括向量系数,计算模块1103进一步具体用于:
获得目标待测点云群的局部地平面表达式的向量系数;获得每个相邻点云群的局部地平面表达式中包括的向量系数以及预先设置的每个相邻点云群的权重系数;根据相邻点云群的局部地平面表达式中包括的向量系数和权重系数计算更新向量系数;将目标待测点云群的局部地平面表达式的向量系数替换为更新向量系数,得到目标地平面表达式。
进一步地,根据相邻点云群的局部地平面表达式中包括的向量系数和权重系数通过公式:
本申请实施例提供一种可移动设备200,可移动设备200包括处理器及存储有计算机指令的非易失性存储器,计算机指令被处理器执行时,可移动设备200执行前述的地平面数据测量方法。如图8所示,图8为本申请实施例提供的可移动设备200的结构框图。可移动设备200包括地平面数据测量装置110、存储器111、处理器112及通信单元113。
存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。地平面数据测量装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器111中或固化在可移动设备200的操作系统(operating system,OS)中的软件功能模块。处理器112用于执行存储器111中存储的可执行模块,例如地平面数据测量装置110所包括的软件功能模块及计算机程序等。
其中,存储器111可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
在一些实施方式中,可移动设备200可以为航测无人机。或者,所述可移动设备200还可以为带有图像采集模块的植保无人机,植保无人机通过图像采集模块采集待测区域的真实图像,以得到待测区域的点云模型。
本申请实施例提供一种可读存储介质,可读存储介质包括计算机程序,计算机程序运行时控制可读存储介质所在可移动设备200执行前述的地平面数据测量方法。
综上,本申请实施例提供了一种地平面数据测量方法、装置、可移动设备和可读存储介质,通过获得待测区域的点云模型并根据点云模型计算待测区域的全局地平面表达式;再将点云模型划分为多个待测点云群并计算每个待测点云群的局部地平面表达式;然后基于全局地平面表达式或局部地平面表达式确定每个待测点云群的目标地平面表达式;最终根据每个待测点云群的目标地平面表达式得到待测区域的地平面数据,巧妙地利用点云分群、全局地平面表达式和局部地平面表达式获得更高精度、精细度的地平面数据。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种地平面数据测量方法,其特征在于,包括:
获得待测区域的点云模型并根据所述点云模型计算所述待测区域的全局地平面表达式;
将所述点云模型划分为多个待测点云群并计算每个所述待测点云群的局部地平面表达式;
基于所述全局地平面表达式或所述局部地平面表达式确定每个所述待测点云群的目标地平面表达式;
根据每个所述待测点云群的目标地平面表达式得到所述待测区域的地平面数据。
2.根据权利要求1所述的方法,其特征在于,所述基于所述全局地平面表达式或所述局部地平面表达式确定每个所述待测点云群的目标地平面表达式的步骤,包括:
在目标待测点云群符合第一条件的情况下,根据所述目标待测点云群的局部地平面表达式确定所述目标待测点云群对应的目标地平面表达式,其中,所述目标待测点云群为所述多个待测点云群中的任一个;
在所述目标待测点云群符合第二条件的情况下,根据所述全局地平面表达式确定所述目标待测点云群对应的目标地平面表达式。
3.根据权利要求2所述的方法,其特征在于,在所述基于所述全局地平面表达式或所述局部地平面表达式确定每个所述待测点云群的目标地平面表达式的步骤之前,所述方法还包括:
获得所述目标待测点云群的相邻点云群,其中,所述相邻点云群为在所述目标待测点云群在预设范围内的点云群,所述相邻点云群为多个;
在所述相邻点云群为有效点云群的数量超过预设有效数量阈值的情况下,判定所述目标待测点云群符合所述第一条件;
在所述相邻点云群为有效点云群的数量未超过预设有效数量阈值的情况下,判定所述目标待测点云群符合所述第二条件。
4.根据权利要求3所述的方法,其特征在于,每个所述相邻点云群包括多个测试点,在所述获得所述目标待测点云群的相邻点云群的步骤之后,所述方法还包括:
计算目标相邻点云群的多个目标测试点到所述目标相邻点云群的局部地平面表达式表征的地平面的多个测试距离,其中,所述目标相邻点云群为多个所述相邻点云群中的任一个,每个所述目标测试点与每个所述测试距离一一对应;
获得所述多个测试距离中超过预设有效距离阈值的有效距离;
在所述有效距离的数量超过预设距离有效数量阈值的条件下,判定所述目标相邻点云群为有效点云群。
5.根据权利要求3所述的方法,其特征在于,所述局部地平面表达式包括向量系数;
所述根据所述目标待测点云群的局部地平面表达式确定所述目标待测点云群对应的目标地平面表达式的步骤,包括:
获得所述目标待测点云群的局部地平面表达式的向量系数;
获得每个所述相邻点云群的局部地平面表达式中包括的向量系数以及预先设置的每个所述相邻点云群的权重系数;
根据所述相邻点云群的局部地平面表达式中包括的向量系数和所述权重系数计算更新向量系数;
将所述目标待测点云群的局部地平面表达式的向量系数替换为所述更新向量系数,得到所述目标地平面表达式。
7.根据权利要求1-6任一项所述的地平面数据测量方法,其特征在于,所述获得待测区域的点云模型并根据所述点云模型计算所述待测区域的全局地平面表达式的步骤,包括:
获得待测区域的点云模型对应的三维点云数据,并根据所述三维点云数据生成初始地平面;
获得所述三维点云数据相对于所述初始地平面的距离分布;
根据所述距离分布及地面分割学习模型得到所述待测区域的全局地平面表达式。
8.一种地平面数据测量装置,其特征在于,包括:
获得模块,用于获得待测区域的点云模型并根据所述点云模型计算所述待测区域的全局地平面表达式;
分区模块,用于将所述点云模型划分为多个待测点云群并计算每个所述待测点云群的局部地平面表达式;
计算模块,用于基于所述全局地平面表达式或所述局部地平面表达式确定每个所述待测点云群的目标地平面表达式;根据每个所述待测点云群的目标地平面表达式得到所述待测区域的地平面数据。
9.一种可移动设备,其特征在于,所述可移动设备包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述可移动设备执行权利要求1-7中任意一项所述的地平面数据测量方法。
10.根据权利要求9所述的可移动设备,其特征在于,所述可移动设备为带有图像采集模块的植保无人机,所述植保无人机通过所述图像采集模块采集待测区域的真实图像,以得到所述待测区域的点云模型。
11.一种可读存储介质,其特征在于,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在可移动设备执行权利要求1-7中任意一项所述的地平面数据测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011248090.8A CN112365575B (zh) | 2020-11-10 | 2020-11-10 | 地平面数据测量方法、装置、可移动设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011248090.8A CN112365575B (zh) | 2020-11-10 | 2020-11-10 | 地平面数据测量方法、装置、可移动设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365575A true CN112365575A (zh) | 2021-02-12 |
CN112365575B CN112365575B (zh) | 2022-06-21 |
Family
ID=74509215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011248090.8A Active CN112365575B (zh) | 2020-11-10 | 2020-11-10 | 地平面数据测量方法、装置、可移动设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365575B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240678A (zh) * | 2021-05-10 | 2021-08-10 | 青岛小鸟看看科技有限公司 | 平面信息检测方法及系统 |
CN114255325A (zh) * | 2021-12-31 | 2022-03-29 | 广州极飞科技股份有限公司 | 地面模型生成、障碍数据确定、作业控制方法及相关装置 |
US11741621B2 (en) | 2021-05-10 | 2023-08-29 | Qingdao Pico Technology Co., Ltd. | Method and system for detecting plane information |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
CN107341804A (zh) * | 2016-04-29 | 2017-11-10 | 成都理想境界科技有限公司 | 点云数据中平面的确定方法及装置、图像叠加方法及设备 |
CN111368607A (zh) * | 2018-12-26 | 2020-07-03 | 北京欣奕华科技有限公司 | 一种机器人、障碍物的检测方法及检测装置 |
CN111639682A (zh) * | 2020-05-13 | 2020-09-08 | 北京三快在线科技有限公司 | 基于点云数据的地面分割方法及装置 |
CN111712855A (zh) * | 2019-05-06 | 2020-09-25 | 深圳市大疆创新科技有限公司 | 地面信息处理方法、装置和无人驾驶车辆 |
CN111860060A (zh) * | 2019-04-29 | 2020-10-30 | 顺丰科技有限公司 | 目标检测方法、装置、终端设备及计算机可读存储介质 |
-
2020
- 2020-11-10 CN CN202011248090.8A patent/CN112365575B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
CN107341804A (zh) * | 2016-04-29 | 2017-11-10 | 成都理想境界科技有限公司 | 点云数据中平面的确定方法及装置、图像叠加方法及设备 |
CN111368607A (zh) * | 2018-12-26 | 2020-07-03 | 北京欣奕华科技有限公司 | 一种机器人、障碍物的检测方法及检测装置 |
CN111860060A (zh) * | 2019-04-29 | 2020-10-30 | 顺丰科技有限公司 | 目标检测方法、装置、终端设备及计算机可读存储介质 |
CN111712855A (zh) * | 2019-05-06 | 2020-09-25 | 深圳市大疆创新科技有限公司 | 地面信息处理方法、装置和无人驾驶车辆 |
CN111639682A (zh) * | 2020-05-13 | 2020-09-08 | 北京三快在线科技有限公司 | 基于点云数据的地面分割方法及装置 |
Non-Patent Citations (1)
Title |
---|
王开鑫等: "点云分割匹配的三维重建算法", 《长春理工大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240678A (zh) * | 2021-05-10 | 2021-08-10 | 青岛小鸟看看科技有限公司 | 平面信息检测方法及系统 |
US11741621B2 (en) | 2021-05-10 | 2023-08-29 | Qingdao Pico Technology Co., Ltd. | Method and system for detecting plane information |
CN114255325A (zh) * | 2021-12-31 | 2022-03-29 | 广州极飞科技股份有限公司 | 地面模型生成、障碍数据确定、作业控制方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112365575B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365575B (zh) | 地平面数据测量方法、装置、可移动设备和可读存储介质 | |
Han et al. | Modeling maize above-ground biomass based on machine learning approaches using UAV remote-sensing data | |
Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
US11317562B2 (en) | Generating a yield map for an agricultural field using classification and regression methods | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Côté et al. | An architectural model of trees to estimate forest structural attributes using terrestrial LiDAR | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
Lin et al. | Quality control and crop characterization framework for multi-temporal UAV LiDAR data over mechanized agricultural fields | |
Koenig et al. | Comparative classification analysis of post-harvest growth detection from terrestrial LiDAR point clouds in precision agriculture | |
CN106372277B (zh) | 森林立地指数时空估测中的变异函数模型优化方法 | |
Wang et al. | Integrating remotely sensed leaf area index and leaf nitrogen accumulation with RiceGrow model based on particle swarm optimization algorithm for rice grain yield assessment | |
Betzek et al. | Computational routines for the automatic selection of the best parameters used by interpolation methods to create thematic maps | |
CN108763811A (zh) | 动态数据驱动林火蔓延预测方法 | |
CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
CN117592005B (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
CN115700370A (zh) | 碳储量计算方法、装置、电子设备和存储介质 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
Rocha et al. | Automatic detection and evaluation of sugarcane planting rows in aerial images | |
Malinowski et al. | Mapping rill soil erosion in agricultural fields with UAV‐borne remote sensing data | |
Wang et al. | Computer-based synthetic data to assess the tree delineation algorithm from airborne LiDAR survey | |
CN109726679B (zh) | 一种遥感分类误差空间分布制图方法 | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN113822892B (zh) | 仿真雷达的评测方法、装置、设备及计算机存储介质 | |
Mensah et al. | Mapping site index in coniferous forests using bi-temporal airborne laser scanning data and field data from the Swedish national forest inventory |
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 | ||
CB02 | Change of applicant information |
Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant after: XAG Co., Ltd. Address before: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Xaircraft Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |