CN112417965A - 激光点云处理方法、电子装置和存储介质 - Google Patents

Abstract

本申请涉及一种激光点云处理方法、电子装置和存储介质，其中，该方法包括：获取第一点云和与第一点云对应的车辆轨迹；从第一点云中提取第二点云，其中，第二点云中各点距车辆轨迹的高度不大于预设高度；对第二点云中的各点进行地址编码，根据地址编码得到的各点的地址编码值将第二点云中的各点分组为多个点云块；获取各点云块中的各点的极坐标数据，生成分别以各点云块对应的地址编码值为索引的文件，其中，每个点云块的文件包括点云块中的各点的极坐标数据。通过本申请，解决了激光点云定位图层占用的存储空间大的问题，降低了激光点云定位图层占用的存储空间。

Description

激光点云处理方法、电子装置和存储介质

技术领域

本申请涉及计算机视觉领域，特别是涉及激光点云处理方法、电子装置和存储介质。

背景技术

计算机视觉是无人驾驶技术的关键技术。其中，在计算机视觉中的高精度厘米级定位应用中，激光雷达点云定位地图起到了至关重要的作用。由于目前各公司、研究院所所研发的厘米级定位方案不同，其对应的点云图层的构建方式也不同。比如斯坦福大学的方法构建了一幅去除了动态物的平面地图。按照5厘米的解析度生成的地图中，每一个网格(grid)中存的是激光在该处的反射率强度值。高于地面的物体都被剔除掉后，每英里(约1760米)数据大约10MB。但是该方案过于依赖反射率，泛化能力不强。密歇根大学的方案是使用高斯混合模型(Gaussian Mixture Maps，简称为GMM)方法来构建多尺度的高斯先验地图。该方案除了需要道路表面的反射率意外，还将高程信息也作为GMM的分布信息。该方案地面信息使用6.4cm的解析度，高程信息使用25.6cm的解析度来构建高斯分布。每千米的数据大约为44.3MB。百度的方案是最近两年提出的比较有代表性的方案。其先验地图的解析度约为12.5cm。构建的地图类似密歇根大学的方法，同时包括了地面的反射率强度和高程信息。但是该方案只使用了一个高斯分布将上述两个维度的信息构建出来，所以每千米的数据大约5MB。Autoware开源自动驾驶框架中使用了正态分布变换(Normal DistributionsTransform，简称为NDT)的定位方案，其激光点云定位图层保留了大部分原始点云结构，定位精度比较好且比较鲁棒。上述方案的重点均在研究定位算法的精度提升，其对应的激光点云定位图层存储空间需求较大；且由于没有划分数据存储单元，很难实现大范围道路场景变化后的更新。

目前针对相关技术中激光点云定位图层占用的存储空间大的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种激光点云处理方法、电子装置和存储介质，以至少解决相关技术中激光点云定位图层占用的存储空间大的问题。

第一方面，本申请实施例提供了一种激光点云处理方法，包括：获取第一点云和与所述第一点云对应的车辆轨迹；从所述第一点云中提取第二点云，其中，所述第二点云中各点距所述车辆轨迹的高度不大于预设高度；对所述第二点云中的各点进行地址编码，根据地址编码得到的各点的地址编码值将所述第二点云中的各点分组为多个点云块；获取各所述点云块中的各点的极坐标数据，生成分别以各所述点云块对应的地址编码值为索引的文件，其中，每个所述点云块的文件包括所述点云块中的各点的极坐标数据。

在其中一些实施例中，所述车辆轨迹包括按照预设间隔距离分布的多个车辆轨迹点；从所述第一点云中提取第二点云包括：获取所述第一点云中各点的站心坐标数据和多个所述车辆轨迹点的站心坐标数据；根据所述第一点云中各点的站心坐标数据和多个所述车辆轨迹点的站心坐标数据，确定与所述第一点云中各点距离最近的车辆轨迹点，并以该距离最近的车辆轨迹点为基准确定所述第一点云中各点距所述车辆轨迹的高度；提取所述第一点云中距所述车辆轨迹的高度不大于所述预设高度的点，得到所述第二点云。

在其中一些实施例中，从所述第一点云中提取第二点云包括：从所述第一点云中提取由距所述车辆轨迹的高度不大于预设高度的点组成的第三点云；对所述第三点云进行下采样处理，得到所述第二点云。

在其中一些实施例中，对所述第三点云进行下采样处理，得到所述第二点云包括：将所述第三点云分割为地面点云和非地面点云；对所述地面点云和所述非地面点云分别采用不同采样率进行下采样处理，其中，下采样处理所述地面点云的采样率小于下采样处理所述非地面点云的采样率。

在其中一些实施例中，将所述第三点云分割为地面点云和非地面点云包括：将所述第三点云分成具有相同尺寸的多个体素块；判断各所述体素块中的点云是否分布在相同平面；在判断到所述体素块中的点云分布在相同平面的情况下，判断所述体素块中的点云分布的平面距所述车辆轨迹的高度是否不大于预设距离；在判断到所述体素块中的点云分布的平面距所述车辆轨迹的高度不大于所述预设距离的情况下，确定所述体素块中的点云属于所述地面点云；在判断到所述体素块中的点云未分布在相同平面，或者判断到所述体素块中的点云分布的平面距所述车辆轨迹的高度大于所述预设距离的情况下，确定所述体素块中的点云属于所述非地面点云。

在其中一些实施例中，生成分别以各所述点云块对应的地址编码值为索引的文件包括：查询预先存储的以所述点云块对应的地址编码值为索引的文件；在查询到以所述点云块对应的地址编码值为索引的文件的情况下，根据所述点云块中的各点的极坐标数据生成以所述点云块对应的地址编码值为索引的更新文件，并使用所述更新文件替换预先存储的以所述点云块对应的地址编码值为索引的文件；在未查询到以所述点云块对应的地址编码值为索引的文件的情况下，根据所述点云块中的各点的极坐标数据生成文件，并将生成的文件以所述点云块对应的地址编码值为索引进行存储。

在其中一些实施例中，在获取各所述点云块中的各点的极坐标数据之后，所述方法还包括：按照预设距离分辨率和预设角度分辨率对各点的极坐标数据进行离散化处理；其中，在生成分别以各所述点云块对应的地址编码值为索引的文件时，使用经离散化处理后的极坐标数据生成分别以各所述点云块对应的地址编码值为索引的文件。

在其中一些实施例中，生成分别以各所述点云块对应的地址编码值为索引的文件包括：将各所述点云块中各点的极坐标数据存储为以各所述点云块对应的地址编码值为索引的预设格式的文件，其中，所述预设格式的文件包括文件头和数据段，所述文件头中存储的信息包括：所述点云块的偏移值、与矢量地图关联的道路ID值以及所述数据段中点云的数量，所述数据段中存储的信息包括以二进制形式存储的所述点云块的极坐标数据。

第二方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行第一方面所述的激光点云处理方法。

第三方面，本申请实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行第一方面所述的激光点云处理方法。

相比于相关技术，本申请实施例提供的激光点云处理方法、电子装置和存储介质，解决了相关技术中激光点云定位图层占用的存储空间大的问题，降低了激光点云定位图层占用的存储空间。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的车载终端的硬件结构框图；

图2是根据本申请实施例的激光点云处理方法的流程图；

图3是根据本申请优选实施例的激光点云处理方法的流程图；

图4是根据本申请优选实施例的在点云侧视图上进行高程分割的示意图；

图5是根据本申请优选实施例的对图4所示的点云进行高程分割后得到的点云的示意图；

图6是根据本申请优选实施例的对图5所示的点云进行下采样后得到的点云的示意图；

图7是根据本申请优选实施例的geo-grids的示意图；

图8是根据本申请优选实施例的极坐标的示意图；

图9是根据本申请优选实施例的文件的数据存储结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本实施例提供的方法实施例可以在终端、计算机或者类似的运算装置中执行，尤其是运行在车载的终端设备上。以运行在车载终端上为例，图1是本发明实施例的车载终端的硬件结构框图。如图1所示，该车载终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104。

可选地，上述车载终端还可以包括用于通信功能的传输设备106以及输入输出设备108。其中，输入输出设备108包括但不限于以下至少之一：用于采集点云的摄像头和/或激光雷达；用于显示路况信息的显示器；用于输入操作指令的键盘、触摸板和/或鼠标；用于发出声光报警的报警器等。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述车载终端的结构造成限定。例如，车载终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的激光点云处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至车载终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括车载终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

本实施例提供了一种激光点云处理方法，图2是根据本申请实施例的激光点云处理方法的流程图，如图2所示，该流程包括如下步骤：

步骤S201，获取第一点云和与第一点云对应的车辆轨迹。

在本实施例中，第一点云可以基于相关技术中的任意点云采集方法得到，例如通过车辆端的激光雷达采集得到原始点云，然后对原始点云进行同步定位与建图(Simultaneous Localization And Mapping，简称为SLAM)处理后得到上述第一点云。本实施例中与第一点云对应的车辆轨迹可以通过车辆端的传感器(例如转速传感器、轮速传感器等)、惯性导航设备等采集，并经过轨迹算法得到的与第一点云处于相同参考坐标系的车辆轨迹，该相同参考坐标系可以为笛卡尔坐标系，也可以为其他坐标系，例如极坐标系等。通过上述方式，可以分别得到第一点云的坐标数据和车辆轨迹的坐标数据。

步骤S202，从第一点云中提取第二点云，其中，第二点云中各点距车辆轨迹的高度不大于预设高度。

在本实施例中，通过高程切割去除掉相对于车辆轨迹的高度大于预设高度的点云，减小点云的大小。其中，预设高度是根据经验或者试验测试结果选取的。在地面之上预设高度之内的非地面点云是保证定位精度的其中一个方面，而车辆轨迹在正常情况下位于地面，因此，在本实施例中保留相对于车辆轨迹的高度不大于预设高度的点云，以保障定位精度。

在其中一些实施例中，预设高度可以选取为3米。需要说明的是，预设高度的取值还可以是其他值，例如其取值范围可以是大于2.5米且小于5米的其他值。

计算点云到车辆轨迹的高度有多种计算方法，亦可以在任意参考坐标系之下计算。为了简化计算过程，在本实施例中在站心坐标系下计算点云到车辆轨迹的高度。其中，站心坐标系也叫东-北-天(ENU)坐标系。

在一些实施例中，车辆轨迹的坐标数据和第一点云的坐标数据均采用笛卡尔坐标系下的坐标数据来表示。为了简化步骤S202中高度计算的运算过程，在其中一些实施例中，可以将车辆轨迹的坐标数据和第一点云的坐标数据由笛卡尔坐标系转换到站心坐标系。

例如，将第一点云中各点的坐标数据和车辆轨迹的坐标数据转换到站心坐标系；根据第一点云中各点在站心坐标系下的坐标数据和车辆轨迹在站心坐标系下的坐标数据计算第一点云中各点距车辆轨迹的高度，然后删除第一点云中距车辆轨迹的高度不大于预设高度的点，得到第二点云。站心坐标系下的点采用东-北-天(E-N-U)三个参数来表示点的位置，其中U为天向坐标数据。由于在站心坐标系下计算两个位置的高度差只需要对这两个位置的天向坐标数据作差，因此简化了高度计算。

在其中一些实施例中，车辆轨迹包括按照预设间隔分布的多个车辆轨迹点；在步骤S202中，可以获取第一点云中各点的站心坐标数据和多个车辆轨迹点的站心坐标数据；根据第一点云中各点的站心坐标数据和多个车辆轨迹点的站心坐标数据，确定与第一点云中各点距离最近的车辆轨迹点，并以该距离最近的车辆轨迹点为基准确定第一点云中各点距车辆轨迹的高度；提取第一点云中距车辆轨迹的高度不大于预设高度的点，得到第二点云。

其中，站心坐标系的天向与道路的法向平行，因此分别以距第一点云中各点最近的车辆轨迹点为原点建立的站心坐标系中，点的天向坐标数据即为点距车辆轨迹的高度值，从而简化了计算高度的运算过程。并且，在上述实施例中，通过以距点最近的车辆轨迹点为基准计算点云距车辆轨迹的高度，可以避免道路坡度、曲率变化对站心坐标转换后的道路法向量不平行于站心坐标天向导致的运算误差。

在其中一些实施例中，在上述步骤S202中，可以先从第一点云中提取由距车辆轨迹的高度不大于预设高度的点组成的第三点云，然后再对第三点云进行下采样处理，得到第二点云。通过对第三点云进行下采样处理得到的第二点云减少了点云中点的数量，同时能够保持点云的形状特征。

在第三点云中，地面点云和非地面点云对定位精度的影响程度存在差异，非地面点云对定位精度的影响相对更大一些，因此，在一些实施例中，可以对地面点云和非地面点云进行采样率不同的下采样，且非地面点云的采样率大于地面点云的采样率。

为了快速区分第三点云中的地面点云和非地面点云，在本实施例中，将第三点云分成具有相同尺寸的多个体素块；判断各体素块中的点云是否分布在相同平面；在判断到体素块中的点云分布在相同平面的情况下，判断体素块中的点云分布的平面距车辆轨迹的高度是否不大于预设距离；在判断到体素块中的点云分布的平面距车辆轨迹的高度不大于预设距离的情况下，确定体素块中的点云属于地面点云；在判断到体素块中的点云未分布在相同平面，或者判断到体素块中的点云分布的平面距车辆轨迹的高度大于预设距离的情况下，确定体素块中的点云属于非地面点云。通过上述方式，实现了对第三点云中地面点云和非地面点云的识别，并且基于体素块的识别提高了识别效率。

其中，可以通过相同体素块中各点之间的高度差是否在预设距离之内来判断多个体素块中各体素块中的点云是否分布在相同平面。其中，若各点之间的高度差均不大于预设距离，则可以认为该体素块中各点分布在相同平面；否则则认为该体素块中各点分布没有分布在相同平面。

上述的体素块的尺寸例如可以选取为10cm×10cm×10cm，或者20cm×20cm×20cm，或者其他值。体素块也可以不是正方体，例如上述的体素块的尺寸也可以选取为20cm×20cm×10cm或者其他值。上述的预设距离可以选取为5cm、10cm、20cm或者其他值。上述的预设高度差可以选取为5cm、6cm或者其他值。

对点云进行下采样处理有多种方式，在本实施例可以通过体素化网格方法结合重心法实现下采样。例如，将地面点云按照预设尺寸的网格分成多个体素块，并将体素块中的每个点视为相等重量的物质，然后根据体素块中点的分布情况确定每个体素块中点云的重心的位置；然后，在每个体素块中，仅保留距离该重心位置最近的一个点，或者在该重心位置生成一个新的点。通过这样的方式，在每个体素块中仅保留一个点而代替之前的点云，实现对点云的下采样。对非地面点云，也采用与地面点云相同的方式进行下采样处理。

根据上述描述的体素化网格方法结合重心法实现下采样的描述可知，点云的采样率与点云被分成的体素块的尺寸有关。尺寸越小，则点云被分成的体素块越多，采样率也就越高。因此，体素块的尺寸与采样率呈反比例关系。

在上述实施例中，在对点云进行下采样时，可以将地面点云按照第一预设尺寸的网格分成多个体素块，将非地面点云按照第二预设尺寸的网格分成多个体素块，且按照第一预设尺寸分成的体素块大于按照第二预设尺寸分成的体素块，以使得非地面点云的采样率大于地面点云的采样率。

步骤S203，对第二点云中的各点进行地址编码，根据地址编码得到的各点的地址编码值将第二点云中的各点分组为多个点云块。

在本实施例中的地址编码可以采用geohash编码或者其他类似的编码方式。geohash编码是一种公共领域地理编码方法，该geohash编码将地理位置(经纬度值)编码为一小段字母和数字。其中，geohash编码长度越长则geohash编码值代表的区域越小也越精确，geohash编码长度越短则geohash编码值代表的区域越大。

在本实施例中，可以以geohash编码长度为8对第二点云进行地址编码，得到的geohash编码值在地理上对应了一个区域，该区域内的点云的点云将被存储在以geohash编码值为索引的文件中。

步骤S204，获取各点云块中的各点的极坐标数据，生成分别以各点云块对应的地址编码值为索引的文件，其中，每个点云块的文件包括点云块中的各点的极坐标数据。

在本步骤中，将第二点云分成多个点云块，将点云块中各点的坐标数据分块存储，从而使得点云的坐标数据可以按照点云块为单位进行数据更新。

例如，查询预先存储的以点云块对应的地址编码值为索引的文件；在查询到以点云块对应的地址编码值为索引的文件的情况下，根据点云块中的各点的极坐标数据生成以点云块对应的地址编码值为索引的更新文件，并使用更新文件替换预先存储的以点云块对应的地址编码值为索引的文件；在未查询到以点云块对应的地址编码值为索引的文件的情况下，根据点云块中的各点的极坐标数据生成文件，并将生成的文件以点云块对应的地址编码值为索引进行存储。

相关技术通常按照笛卡尔坐标系的坐标数据存储点云的坐标数据。在上述步骤S204中可以将点云块中各点的坐标数据从笛卡尔坐标系转换到极坐标系数据中之后，为了进一步减小每个点占用的存储空间，还可以按照预设距离分辨率和预设角度分辨率对各点的极坐标数据进行离散化处理，然后才将离散化处理后的极坐标数据存储到以各点云块对应的地址编码值为索引的文件中。

在上述步骤S204中生成分别以各点云块对应的地址编码值为索引的文件时，可以将各点云块中各点的极坐标数据存储为以各点云块对应的地址编码值为索引的预设格式的文件，其中，预设格式的文件包括文件头和数据段，文件头中存储的信息包括：点云块的偏移值、与矢量地图关联的道路ID值以及数据段中点云的数量，数据段中存储的信息包括以二进制形式存储的点云块的极坐标数据。

通过上述步骤S201至步骤S204，通过对采集到的点云进行高程切割、降采样、极坐标离散化中的一种或者多种处理后，再将点云的极坐标数据存储在以地址编码值为索引的文件中，解决了相关技术中激光点云定位图层占用的存储空间大的问题，降低了激光点云定位图层占用的存储空间。

下面通过优选实施例对本申请的激光点云处理方法进行描述和说明。

图3是根据本申请优选实施例的激光点云处理方法的流程图。图3示出的流程图是图2所示流程图的一种变形形式。

如图3所示，本优选实施例的激光点云处理方法包括下列步骤：

步骤S301，获取原始点云的点云以及车辆轨迹，其中，车辆轨迹包括按照预设间隔分布的多个车辆轨迹点；根据第一点云和多个车辆轨迹点的数据，对原始点云进行高度裁剪。

步骤S302，将高度裁剪后得到的点云进行地面及非地面的分割，针对不同分割区域进行各自下采样。

步骤S303，将下采样后的点云中各点进行地址编码，然后根据地址编码值对点云进行分区(geo-grid)存储操作，每个分区内的点云存储为一个临时点云。

步骤S304，将处理好的临时点云按极坐标格式压缩并存成以地址编码值为索引的文件。

其中，步骤S301中，经SLAM处理后的点云有较高的相对精度以及绝对精度。该点云以及其对应的车辆轨迹作为输入数据。图4是根据本申请优选实施例的在点云侧视图上进行高程分割的示意图，在图4中展示了点云的侧视图，其中虚线箭头所指向的圆点以及其他类似的圆点为按10米抽稀的车辆轨迹点。

这里的点云可以是通过车辆端的激光雷达采集的原始点云经过SLAM处理后的点云，车辆轨迹点可以是通过车辆端的惯性测量单元(Inertial Measurement Unit，简称为IMU)、惯性导航设备等采集的原始数据经过轨迹算法得到的车辆轨迹点。

继续参考图4，步骤S301包括如下步骤：

步骤S3011，计算原始点云中各点的最邻近的车辆轨迹点。

步骤S3012，保留距地面距离小于3米的点云。

在本实施例中，可以在将点和车辆轨迹(记为TRA)转换到站心坐标系后，为每个点云中的点(记为pt_n)搜索距离其最近的车辆轨迹点(记为TRA_1stNN)。以车辆轨迹点TRA_1stNN为基准，计算各点pt_n距离地面距离h，并保留h＜3米的点，其中，车辆轨迹是指在地面形成的行车轨迹线，点pt_n距离地面的距离h即为点pt_n距离车辆轨迹TRA的高度。

距离h的计算公式如下：

h＝(pt_n-TRA_1stNN)*(0，0，1)^T，

其中，(0，0，1)^T表示天向的单位向量。

在本实施例中，选取距离点pt_n最近的车辆轨迹点TRA_1stNN作为计算基准，可以有效避免道路坡度曲率变化对站心坐标转换后的道路法向量不平行于站心坐标z轴的问题。图5是根据本申请优选实施例的对图4所示的点云进行高程分割后得到的点云的示意图，通过上述步骤S301切割后的点云如图5所示。

在其中一些实施例中，步骤S302包括如下步骤：

步骤S3021，将高度裁剪后得到的点云分割成地面点云和非地面点云。

在下采样之前，对步骤S301输出的点云进行地面点和非地面点分割。为快速完成分割操作，本发明将点云分成三维体素块，每个体素块中所有点z值的分布范围小于5厘米，即可认为该体素中的点云属于平面。同时使用TRA_1stNN约束地面高度，即可快速对分割出地面点和非地面点。

步骤S3022，判断当前处理的点云是否属于地面点云，若是则执行步骤S3023，否则执行步骤S3024。

步骤S3023，将当前处理的点云分割成长宽高分别为0.6cm×0.6cm×0.6cm的体素块，进行下采样处理。

步骤S3024，将当前处理的点云分割成长宽高分别为0.3cm×0.3cm×0.4cm的体素块，进行下采样处理。

在本实施例中，针对地面点云和非地面点云采用不同的采样率进行下采样。其中，针对地面点云，设置体素块的大小leaf size为0.6cm×0.6cm×0.6cm进行下采样操作。这里的0.6cm×0.6cm×0.6cm表示体素块的三个边长。即在0.6cm×0.6cm×0.6cm的空间中只保留一个原始点云的点，或者用体素块中所有点的重心来近似表示体素中其他点，这样该体素就内所有点就用一个重心点最终表示。

针对非地面点云，设置leaf size为0.3cm×0.3cm×0.4cm进行下采样，非地面点是定位结果中除高程之外5个自由度(DoF)的主要精度保证，所以对其下采样时保留的点比地面点多。图6是根据本申请优选实施例的对图5所示的点云进行下采样后得到的点云的示意图，将地面点云和非地面点云分别进行下采样后，再将其融合成一个点云，则得到图6所示的点云。此时每公里的存储量大约为15mb。

下采样操作可以保留地面场景对定位结果中高程的估计精度，大量减少了点云数量并同时保持点云的形状特征，在提高配准、曲面重建、形状识别等算法速度中非常实用。

步骤S3025，合并下采样后的地面点云和非地面点云。

在本实施例中，将对切割后的点云进行下采样操作，下采样的目的是在不改变点云原始物理结构的前提下，减少点云中点的数量，保证定位精度的同时，能够提升输入输出点云的速度并减少点云的存储空间。

在其中一些实施例中，采用geohash编码对点云块进行地址编码。其中，步骤S303包括如下步骤：

步骤S3031，将合并后得到的点云块进行geohash编码。

其中，针对步骤S302输出的下采样后点云，将每个点转换为GPS位置信息，并对其进行哈希编码，不同长度的哈希编码代表了一点范围之内的地理位置区域。在本实施例中，取geohash编码长度为N＝8，代表每个用来存储点云的区域大小为(38.2m×19m)的地理栅格(geo-grid)。即每个点云点转换成N＝8的geohash编码，从而确定该点属于哪个点云块。

在某条道路上采集数据，经过上述处理后的点云按照不同geo-grid仿真，整条道路所在的区域按照38.2m×19m大小分成了多个矩形框的组合，点云分配到不同的矩形框中，并按不同灰度值展示。在图7的左图中展示了由多个较小的地理栅格(geo-grid)拼接而成的大的地理栅格的示意图，在该图7中示出一条道路所在区域内的所有的点云。图7的右图是对左图中局部区域的放大图像，右图中的虚线框区域代表了一个38.2m×19m的地理区域，其中虚线框的索引是当前geo-grid对应的geohash编码值。

通过步骤S3031可以快速地确定点云地图的分块范围，该分块范围同时也是之后做点云地图变化更新的最小单位。

步骤S3032，按照geohash编码值为索引查询存储系统的文件，判断存储点云的文件是否存在，如果不存在，则执行步骤S304，如果存在，则执行步骤S3033。

步骤S3033，判断点云是否属于当前采集工程，若是，则执行步骤S3034，若否，则执行步骤S3035。

步骤S3034，读取已存储的以该geohash编码值为索引的文件，并确定将点云合并至该文件中。

步骤S3035，删除存储系统中以该geohash编码值为索引的文件。

在上述步骤中，在生成存储点云的文件时，例如，可以首先生成存储点云的文件，该文件以点云对应的geohash编码值为索引，并标记该文件属于当前采集工程新建的文件，然后将待写入该文件中的点云写入到该文件中。通过上述的方式，在同一个采集工程中可以并行生成和存储多个geohash编码值为索引的文件，提高点云存储的速度。

在步骤S3033至步骤S3035中包括以下三个存储文件的策略：

策略1)：新建。每个点云块将被存储为一个以该geohash编码值为索引的文件。

策略2)：替换。如果在该geo-grid对应位置已经存储以该geohash编码值为索引的文件，说明该区域已经被采集过。如果是在之前采集的工程存储的以该geohash编码值为索引的文件，说明本次采集工程对该区域进行了重新采集，那么可以使用本次采集的数据直接替换之前的以该geohash编码值为索引的文件。

策略3)合并。如果该以该geohash编码值为索引的文件是本次采集工程的数据，则将所有本次采集工程在该geo-grid中分配的点云点累积到一起并最终存储。

其中，采集工程是指同一次点云处理流程，在同一次点云处理流程中，由于待存储的点云都是基于当前采集到的点云生成的，如果对应的文件也是在当前采集工程中新建的，则将这些待存储的点云存储到该文件中；如果对应的文件是在历史采集工程中建立的，如果将当前待存储的点云存储到文件中，将会导致新采集的点云被叠加到历史点云之上，导致点云出错，因此在步骤S3035中将会删除对应的文件。在上述步骤S3033至步骤S3035中通过判断点云是否属于当前采集工程并进行对应的处理，不仅提高了点云存储的速度，还能够实现点云按照geo-grid更新，并避免当前点云与历史点云相互叠加导致的数据错误。

在其中一些实施例中，步骤S304包括如下步骤：

步骤S3041，将geo-grid中各点的坐标数据转换到极坐标系。

在上述步骤中，如果geo-grid中点云中各点的坐标数据不是以极坐标系表示的，则将geo-grid中点云的每个点转换到极坐标系表示。例如，三维空间中的一个点pt在笛卡尔坐标系下，如果以PointXYZI格式来表示点pt，则点pt的坐标数据包括：双精度浮点型的pt.x，双精度浮点型的pt.y，双精度浮点型的pt.z，整型的pt.intensity，其中，pt.x、pt.y、pt.z分别为点pt的x、y、z轴的坐标值，pt.intensity为点pt的灰度值。由于每个双精度浮点型数据存储需要占用8字节存储空间，每个整型数据存储需要占用4字节存储空间，因此，一个笛卡尔坐标系下的坐标数据中每个三维空间中的点需要占28字节的存储空间。

如图8所示，在其中一些实施例中，为减少坐标数据占用的存储空间，设某个点云的中心点为极坐标系的原点(称为offset点，即偏移点)，并将该点云中每个点pt按照极坐标表示，即使用距离d，垂角β，旋转角α表示。然后按照距离分辨率(rd)以及角度分辨率(ra)对(d,α,β)离散化。公式如下：

如果选择rd＝0.004，即d′每加1，代表距离增加0.004米。若设置d′为无符号短整型(unsigned short)，每个无符号短整型数据占用3字节存储空间，则其最远能够表示260米。同理，如果选择ra＝0.006，则可以设置角度α′，β′为短整型(short)，每个短整型数据占用3字节存储空间。由于点云的灰度值的取值范围为0-255，设置为无符号字符型(unsignedchar)，每个无符号字符型数据占用1字节存储空间，即可满足点云的灰度值取值范围要求。经极坐标转换后，每个点占用7字节的存储空间。

将geo-grid中每个点都按照极坐标转换，并以二进制形式将转换得到的极坐标数据的d′，α′，β′存储到以相应的geohash编码值为索引的文件中。

步骤S3042，将geo-grid与相关地图数据进行关联，并将geo-grid中点云的点云存储为以相应的geohash编码值为索引的文件。

在图9中示出了点云被存储为的文件的文件结构，如图9所示，由于在极坐标系中表示点云块的各点位置时，设置点云块的中心位置为极坐标系的offset点，在极坐标系的极轴选取为自offset点引出的设定的射线(例如水平向右的射线)。该极坐标系的offset点在世界坐标系中的坐标数据与极轴决定了点云块中各点的极坐标数据，因此，在极轴方向事先约定的情况下，在以相应的geohash编码值为索引的文件中可以在文件的文件头(header)中存储该offset点的坐标数据。上述的世界坐标系是指系统的绝对坐标系，在该坐标系中能够表示所有点云中的点的空间位置关系，也能够表示所有geo-grid之间的空间位置关系。

此外，在将矢量地图与点云关联时，该geo-grid对应的矢量地图中的道路ID值(roadID)、点云块的偏移值(即上述的offset点在世界坐标系中的值)以及点云块中点云的数量(pointNum)等信息也可以写入到文件头header中；点云块中各点的极坐标数据则可以以二进制的形式依次写入到文件头header之后的数据段points中，最后使用N＝8的geohash编码值对该文件进行命名，以索引该文件。由于每个文件只需记录一组header值，所以文件头占用的空间可忽略。通过上述处理，每公里的点云占用的存储空间大约为4mb。

上述的以geohash编码值为索引的文件可以存储为预先设定的文件格式，例如存储为后缀为fmp的文件格式。但是需要说明的是，点云最终被存储成的文件的结构及其后缀并不限于此，即可以根据需要生成任意已知格式或私有格式用来存储点云。

通过上述优选实施例，针对激光定位图层的生成、存储以及更新设计了特有的基于原始点云去噪、降采样、分区处理后的存储方式。在上述实施例中，经过对采集到的点云及车辆轨迹的坐标数据进行SLAM处理后，对其生成的拼接点云进行高程切割、降采样；并按照geohash编码方式将处理后的点云分别存储到不同geo-grid中；根据geohash编码来确定geo-grid中的点云将以新建、合并或替换的方式，以极坐标二进制的格式落盘存储。上述实施例能够保证在世界坐标系下快速定位存储位置，并进行点云图层生成，同时节约了存储空间。

本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取第一点云和与第一点云对应的车辆轨迹。

S2，从第一点云中提取第二点云，其中，第二点云中各点距车辆轨迹的高度不大于预设高度。

S3，对第二点云中的各点进行地址编码，根据地址编码得到的各点的地址编码值将第二点云中的各点分组为多个点云块。

S4，获取各点云块中的各点的极坐标数据，生成分别以各点云块对应的地址编码值为索引的文件，其中，每个点云块的文件包括点云块中的各点的极坐标数据。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

另外，结合上述实施例中的激光点云处理方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种激光点云处理方法。

本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种激光点云处理方法，其特征在于包括：

获取第一点云和与所述第一点云对应的车辆轨迹；

从所述第一点云中提取第二点云，其中，所述第二点云中各点距所述车辆轨迹的高度不大于预设高度；

对所述第二点云中的各点进行地址编码，根据地址编码得到的各点的地址编码值将所述第二点云中的各点分组为多个点云块；

获取各所述点云块中的各点的极坐标数据，生成分别以各所述点云块对应的地址编码值为索引的文件，其中，每个所述点云块的文件包括所述点云块中的各点的极坐标数据。

2.根据权利要求1所述的激光点云处理方法，其特征在于，所述车辆轨迹包括按照预设间隔距离分布的多个车辆轨迹点；从所述第一点云中提取第二点云包括：

获取所述第一点云中各点的站心坐标数据和多个所述车辆轨迹点的站心坐标数据；

根据所述第一点云中各点的站心坐标数据和多个所述车辆轨迹点的站心坐标数据，确定与所述第一点云中各点距离最近的车辆轨迹点，并以该距离最近的车辆轨迹点为基准确定所述第一点云中各点距所述车辆轨迹的高度；

提取所述第一点云中距所述车辆轨迹的高度不大于所述预设高度的点，得到所述第二点云。

3.根据权利要求1所述的激光点云处理方法，其特征在于，从所述第一点云中提取第二点云包括：

从所述第一点云中提取由距所述车辆轨迹的高度不大于预设高度的点组成的第三点云；

对所述第三点云进行下采样处理，得到所述第二点云。

4.根据权利要求3所述的激光点云处理方法，其特征在于，对所述第三点云进行下采样处理，得到所述第二点云包括：

将所述第三点云分割为地面点云和非地面点云；

对所述地面点云和所述非地面点云分别采用不同采样率进行下采样处理，其中，下采样处理所述地面点云的采样率小于下采样处理所述非地面点云的采样率。

5.根据权利要求4所述的激光点云处理方法，其特征在于，将所述第三点云分割为地面点云和非地面点云包括：

将所述第三点云分成具有相同尺寸的多个体素块；

判断各所述体素块中的点云是否分布在相同平面；

在判断到所述体素块中的点云分布在相同平面的情况下，判断所述体素块中的点云分布的平面距所述车辆轨迹的高度是否不大于预设距离；

在判断到所述体素块中的点云分布的平面距所述车辆轨迹的高度不大于所述预设距离的情况下，确定所述体素块中的点云属于所述地面点云；

在判断到所述体素块中的点云未分布在相同平面，或者判断到所述体素块中的点云分布的平面距所述车辆轨迹的高度大于所述预设距离的情况下，确定所述体素块中的点云属于所述非地面点云。

6.根据权利要求1所述的激光点云处理方法，其特征在于，生成分别以各所述点云块对应的地址编码值为索引的文件包括：

查询预先存储的以所述点云块对应的地址编码值为索引的文件；

在查询到以所述点云块对应的地址编码值为索引的文件的情况下，根据所述点云块中的各点的极坐标数据生成以所述点云块对应的地址编码值为索引的更新文件，并使用所述更新文件替换预先存储的以所述点云块对应的地址编码值为索引的文件；

在未查询到以所述点云块对应的地址编码值为索引的文件的情况下，根据所述点云块中的各点的极坐标数据生成文件，并将生成的文件以所述点云块对应的地址编码值为索引进行存储。

7.根据权利要求1所述的激光点云处理方法，其特征在于，在获取各所述点云块中的各点的极坐标数据之后，所述方法还包括：

按照预设距离分辨率和预设角度分辨率对各点的极坐标数据进行离散化处理；其中，在生成分别以各所述点云块对应的地址编码值为索引的文件时，使用经离散化处理后的极坐标数据生成分别以各所述点云块对应的地址编码值为索引的文件。

8.根据权利要求1所述的激光点云处理方法，其特征在于，生成分别以各所述点云块对应的地址编码值为索引的文件包括：

将各所述点云块中各点的极坐标数据存储为以各所述点云块对应的地址编码值为索引的预设格式的文件，其中，所述预设格式的文件包括文件头和数据段，所述文件头中存储的信息包括：所述点云块的偏移值、与矢量地图关联的道路ID值以及所述数据段中点云的数量，所述数据段中存储的信息包括以二进制形式存储的所述点云块的极坐标数据。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的激光点云处理方法。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至8中任一项所述的激光点云处理方法。

Images