CN112700479A - 一种基于cnn点云目标检测的配准方法 - Google Patents

一种基于cnn点云目标检测的配准方法 Download PDF

Info

Publication number
CN112700479A
CN112700479A CN202011545903.XA CN202011545903A CN112700479A CN 112700479 A CN112700479 A CN 112700479A CN 202011545903 A CN202011545903 A CN 202011545903A CN 112700479 A CN112700479 A CN 112700479A
Authority
CN
China
Prior art keywords
point cloud
cnn
registration
prediction information
node
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
Application number
CN202011545903.XA
Other languages
English (en)
Other versions
CN112700479B (zh
Inventor
文博
张剑
梁爽
陆天翼
熊祺
姜晓旭
赖豪文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Chaoxing Future Technology Co ltd
Original Assignee
Beijing Chaoxing Future Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Chaoxing Future Technology Co ltd filed Critical Beijing Chaoxing Future Technology Co ltd
Priority to CN202011545903.XA priority Critical patent/CN112700479B/zh
Publication of CN112700479A publication Critical patent/CN112700479A/zh
Application granted granted Critical
Publication of CN112700479B publication Critical patent/CN112700479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例中提供了一种基于CNN点云目标检测的配准方法，具体步骤包括：获取源点云数据；将所述源点云数据在GPU上进行源点云数据前处理；将处理结果输入CNN感知模型，得到中心偏移预测信息和物体预测信息；在GPU上利用所述CNN感知模型推理结果进行后处理，根据物体预测信息剔除或保留所述源点云中的点生成配准模块的输入点云；将所述输入点云输入配准模块进行点云配准。通过本申请的处理方案，利用基于CNN的点云检测模型和GPU的并行计算能力，在配准任务开始之前对路面噪声，即车辆，行人和骑行人等进行快速过滤，保证加入CNN模型滤波后定位配准模块整体的低延时，降低了配准难度，提高了配准精度。

Description

一种基于CNN点云目标检测的配准方法
技术领域
本申请涉及点云配准计算机技术领域，尤其涉及一种基于CNN点云目标检测的配准方法。
背景技术
基于CNN(Convolutional Neural Networks，卷积神经网络)的点云检测模型被广泛应用于各个领域。特别的，在自动驾驶领域，基于CNN的点云目标检测常与控制，决策和规划模块相结合，以实现停车、并线、避障等复杂任务。点云配准方法在自动驾驶中有广泛应用，点云配准方法主要作为一种辅助定位技术校准由组合导航(如：IMU，GPS，里程计)产生的定位误差，使定位结果更加精准，它的原理是将已有的点云地图和车辆在行驶时激光雷达扫描得到的点云地图匹配，获得将车辆从车辆坐标系变换到地图坐标系的位姿变换矩阵。
应用于自动驾驶中的点云配准方法主要依赖于已有的地图描绘车辆所处环境的信息。在对地图进行采样建图时，一般会选择在路面及道路两侧人行道、自行车道信息不复杂时进行操作，即在道路无车无人的情况下对地图信息进行采集，以避免增加地图噪声，尽量高度还原原始的环境信息。
车辆在实际状况下行驶时无法保证道路无车无人，也就是无法避免噪声。这种情况下，车载激光雷达实时扫描得到的点云包括了道路上的车辆，行人和骑行人。这样的噪声就会导致实时定位时车载雷达得到的信息与原始地图的信息不匹配，因此导致配准难度增大，配准精度降低，甚至配准失败。
发明内容
有鉴于此，本申请实施例提供一种基于CNN点云目标检测的配准方法，至少部分解决现有技术中存在的问题。
第一方面，本申请实施例提供了一种基于CNN点云目标检测的配准方法，包括以下步骤:
获取源点云数据；
将所述源点云数据输入CNN感知模型进行推理，计算得到中心偏移预测信息和物体预测信息，所述中心偏移预测信息用于判定不同点是否属于相同物体，所述物体预测信息用于判定是否为障碍物点；
在GPU上对所述源点云中的障碍物点进行剔除并生成用于点云配准的输入点云；
利用所述输入点云进行点云配准。
根据本申请实施例的一种具体实现方式，所述将所述源点云数据输入CNN模型，得到中心偏移预测信息和物体预测信息，具体步骤为：
将所述源点云输入到所述CNN模型的前处理模块，在局部坐标系中构建俯视图2D网格，所述2D网格包含若干个单元格；
基于所述源点云中点的X、Y坐标数据，将所述源点云中的每个点均映射到各自所属的所述单元格中；
映射结束后，计算所述2D网格内每个单元格中点的若干个统计测量，并将所述若干个统计测量分别传递给所述CNN模型的输入特征通道，所述统计测量与所述输入特征通道一一对应；
将所述输入通道特征输入至所述CNN模型进行计算，得到中心偏移预测信息和物体预测信息。
根据本申请实施例的一种具体实现方式，所述在GPU上对所述源点云中的障碍物点进行剔除并生成用于点云配准的输入点云，具体步骤为：
将所述源点云从CPU内存拷入GPU显存；
在所述GPU显存中创建局部坐标系俯视图2D网格，所述2D网格包含若干个单元格；
为所述源点云中的每一个点分配一个GPU线程，根据点的X，Y坐标将每一个点映射到所述2D网格中各自所属的单元格；
为每一个所述2D网格的单元格分配一个GPU线程，每一个单元格都被看作是一个节点，利用所述CNN模型输出的所述物体预测信息判定各个节点是否为障碍物节点，利用所述中心偏移预测确定各个节点的中心节点；
为每一个所述2D网格的单元格分配一个GPU线程，根据确定的每一节点的中心节点，结合快慢指针算法，将所有属于相同物体的节点进行链接形成链表；
为每一个所述2D网格的单元格分配一个GPU线程，随机为每个节点分配置信度；
为每一个所述2D网格的单元格分配一个GPU线程，利用快慢指针和GPU原子操作为每一个节点搜寻父节点，一个链表中置信度最大的节点被选为该链表的父节点，链表当中的所有节点拥有相同的父节点和中心节点，并根据所述物体预测信息将所有链表中的节点更新为障碍物节点；
为所述源点云中的每一个点分配一个GPU线程，检查该点是否被量化入障碍物节点，若是，则剔除该点，若不是，则保留该点；
滤除障碍物点后生成配准模块的输入点云。
根据本申请实施例的一种具体实现方式，所述CNN模型为CNNSeg模型、PointPillars模型、Complex-YOLO模型和SECOND模型中的一种。
根据本申请实施例的一种具体实现方式，所述统计测量为单元格中点的最大高度、单元格中点的最大强度、单元格中点的平均高度、单元格中点的平均强度、单元格中的点数、单元格中心相对于原点的角度、单元格中心与原点之间的距离和二进制值标示单元格是空还是被占用。
根据本申请实施例的一种具体实现方式，所述每个节点的置信度互不相等。
第二方面，本申请实施列提供一种基于CNN点云目标检测的配准装置，包括：
点云数据获取模块，所述点云数据获取模块用于获取源点云数据；
点云数据前处理模块，所述点云数据前处理模块用于将所述源点云数据输入CNN模型，计算得到中心偏移预测信息和物体预测信息，所述中心偏移预测信息用于判定是否为相同物体的点，所述物体预测信息用于判定是否为障碍物点；
点云数据后处理模块，所述点云数据后处理模块用于在GPU上对所述源点云中的障碍物点进行剔除并生成配准模块的输入点云；
点云配准模块，所述点云配准模块用于利用所述输入点云进行点云配准。
第三方面，本申请实施列还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于CNN点云目标检测的配准方法的步骤。
第四方面，本申请实施列还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述第一方面所述的基于CNN点云目标检测的配准方法的步骤。
与现有技术相比，本发明的优点在于：本申请实施例提供的一种基于CNN点云目标检测的配准方法，利用基于CNN的点云检测模型和GPU的并行计算能力，在配准任务开始之前对路面噪声，即车辆，行人和骑行人等进行快速过滤，保证加入CNN模型滤波后定位配准模块整体的低延时，降低了配准难度，提高了配准精度。
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，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。
图1为本申请实施例提供的基于CNN点云目标检测的配准方法的流程图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。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。
要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本申请实施例提供的基于CNN点云目标检测的配准方法中所采用的CNN模型可以不做限定，所述CNN模型可以为CNNSeg模型、PointPillars模型、Complex-YOLO模型和SECOND模型中的一种，但又不局限于本申请所列出的模型。在以下的描述中，以基于CNNSeg模型点云目标检测的配准方法为例进行描述，CNNSeg模型是基于点云的感知的检测模型，但是应当理解，还可以是采用其他合适配准方法的检测模型。
如图1所示，本申请实施例提供了一种基于CNN点云目标检测的配准方法，所述配准方法包括以下步骤：
步骤1：车载雷达扫描得到源点云数据。
此时，车载雷达实时扫描得到的点云包括了道路上的车辆，行人和骑行人等噪声，这些噪声可能会导致实时定位时车载雷达得到的信息与原始地图的信息不匹配，在下述步骤中将基于CNNSeg模型将噪声数据滤除。
步骤2：将所述源点云数据输入CNNSeg模型，得到中心偏移预测信息和物体预测信息，具体步骤为：
步骤2.1：将所述源点云输入到所述CNNSeg模型的前处理模块，在局部坐标系中构建俯视图2D网格，所述2D网格包含若干个单元格；
所述局部坐标系中构建俯视图2D网格，即为将源点云数据投影到X-Y平面上。
步骤2.2：基于所述源点云中点的X、Y坐标数据，相对于车载雷达传感器原点的预定范围，将所述源点云中的每个点均映射到各自所属的所述单元格中，此时，每个单元格中包含有若干个源点云中的点；
步骤2.3：映射结束后，计算所述2D网格内每个单元格中点的若干个统计测量，并将所述若干个统计测量分别传递给所述CNNSeg模型的输入特征通道，所述统计测量与所述输入通道特征一一对应，即所述输入通道特征的个数与所述统计测量的个数相等并且一一对应。
在本申请实施列中，所述统计测量的个数为8个，并且，8个统计测量分别为单元格中点的最大高度、单元格中点的最大强度、单元格中点的平均高度、单元格中点的平均强度、单元格中的点数、单元格中心相对于原点的角度、单元格中心与原点之间的距离和二进制值标示单元格是空还是被占用，即所述输入通道特征的个数也为8个，并且所述统计测量与输入通道特征一一对应。
步骤2.4：将所述输入通道特征输入至所述CNNSeg模型进行推理；
步骤2.5：从所述CNNSeg模型推理后的输出得到中心偏移预测信息和物体预测信息，所述中心偏移预测信息和物体预测信息分别用于判定节点是否为障碍物节点和确定节点的中心节点。
步骤3：在GPU上利用所述源点云进行CNNSeg模型的后处理，对所述源点云中的点进行剔除和保留并生成配准模块的输入点云，具体步骤如下：
步骤3.1：将所述源点云从CPU内存拷入GPU显存，利用GPU的并行计算能力保证配准模块的时效性；
步骤3.2：在所述GPU显存中创建一个局部坐标系俯视图2D网格，所述局部坐标系俯视图2D网格与前述步骤2.1中类似，均为将源点云数据投影到X-Y平面上，并且所述2D网格包含若干个单元格；
步骤3.3：为所述源点云中的每一个点分配一个GPU线程，根据点的X，Y坐标将每一个点映射到所述2D网格中各自所属的单元格；
步骤3.4：为每一个所述2D网格的单元格分配一个GPU线程，每一个单元格都被看作是一个节点，利用所述CNNSeg模型输出的所述物体预测信息判定各个节点是否为障碍物节点，利用所述中心偏移预测确定各个节点的中心节点；
步骤3.5：为每一个所述2D网格的单元格分配一个GPU线程，根据确定的每一节点的中心节点，结合快慢指针算法，将所有属于相同物体的节点进行链接形成链表，应当理解的是，属于相同物体的节点拥有相同的中心节点，将拥有相同的中心节点的节点进行链接即将所有属于相同物体的节点进行链接形成链表；
步骤3.6：为每一个所述2D网格的单元格分配一个GPU线程，随机为每个节点分配置信度；
在本申请实施例中，所述置信度完全随机，并保证每个节点的置信度互不相等，此时，确保在下一步骤进行父节点搜寻时可以准确找到每个链表的父节点。
步骤3.7：为每一个所述2D网格的单元格分配一个GPU线程，利用快慢指针和GPU原子操作为每一个节点搜寻父节点，一个链表中置信度最大的节点被选为该链表的父节点，链表当中的所有节点拥有相同的父节点和中心节点，并将所有链表中的节点更新为障碍物节点；
步骤3.8：为所述源点云中的每一个点分配一个GPU线程，检查该点是否被标记为障碍物节点，若是，则剔除该点，若不是，则保留该点；
步骤3.9：滤除障碍物点后生成配准模块的输入点云。
步骤4：将所述输入点云输入配准模块进行点云配准。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
根据本申请实施例的一种具体实现方式，所述配准模块所用的算法根据具体应用设定，例如ICP,NDT,GMM算法均可，本申请实施列中并没有给出一个特定的配准算法。
本申请实施例还提供一种基于CNN点云目标检测的配准装置，包括：
点云数据获取模块，所述点云数据获取模块用于获取源点云数据；
点云数据前处理模块，所述点云数据前处理模块用于将所述源点云数据输入CNN模型，计算得到中心偏移预测信息和物体预测信息，所述中心偏移预测信息用于判定是否为相同物体的点，所述物体预测信息用于判定是否为障碍物点；
点云数据后处理模块，所述点云数据后处理模块用于在GPU上对所述源点云中的障碍物点进行剔除并生成配准模块的输入点云；
点云配准模块，所述点云配准模块用于利用所述输入点云进行点云配准。
本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述实施例中任一项所述的基于CNN点云目标检测的配准方法的步骤：
获取源点云数据；
将所述源点云数据输入CNN模型，计算得到中心偏移预测信息和物体预测信息，所述中心偏移预测信息用于判定是否为相同物体的点，所述物体预测信息用于判定是否为障碍物点；
在GPU上对所述源点云中的障碍物点进行剔除并生成用于点云配准的输入点云；
利用所述输入点云进行点云配准。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述实施例中任一项所述的基于CNN点云目标检测的配准方法的步骤：
获取源点云数据；
将所述源点云数据输入CNN模型，计算得到中心偏移预测信息和物体预测信息，所述中心偏移预测信息用于判定是否为相同物体的点，所述物体预测信息用于判定是否为障碍物点；
在GPU上对所述源点云中的障碍物点进行剔除并生成用于点云配准的输入点云；
利用所述输入点云进行点云配准。
本申请提供的实施例针对车载激光雷达实时扫描得到的点云存在噪声使配准难度增大的问题，发明了一种基于CNN点云目标检测的配准方法，利用基于CNN的点云检测模型和GPU的并行计算能力，在配准任务开始之前对路面噪声，即车辆，行人和骑行人等进行快速过滤，达到了降低配准难度，提高配准精度的效果，并能保证加入CNN模型滤波后定位配准模块整体的低延时。
以上所述，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 (9)

1.一种基于CNN点云目标检测的配准方法，其特征在于，包括以下步骤:
获取源点云数据；
将所述源点云数据输入CNN模型，计算得到中心偏移预测信息和物体预测信息，所述中心偏移预测信息用于判定是否为相同物体的点，所述物体预测信息用于判定是否为障碍物点；
在GPU上对所述源点云中的障碍物点进行剔除并生成用于点云配准的输入点云；
利用所述输入点云进行点云配准。
2.根据权利要求1所述的基于CNN点云目标检测的配准方法，其特征在于，所述将所述源点云数据输入CNN模型，得到中心偏移预测信息和物体预测信息，具体步骤为：
将所述源点云输入到所述CNN模型的前处理模块，在局部坐标系中构建俯视图2D网格，所述2D网格包含若干个单元格；
基于所述源点云中点的X、Y坐标数据，将所述源点云中的每个点均映射到各自所属的所述单元格中；
映射结束后，计算所述2D网格内每个单元格中点的若干个统计测量，并将所述若干个统计测量分别传递给所述CNN模型的输入通道特征，所述统计测量与所述输入通道特征一一对应；
将所述输入通道特征输入至所述CNN模型进行计算，得到中心偏移预测信息和物体预测信息。
3.根据权利要求2所述的基于CNN点云目标检测的配准方法，其特征在于，所述在GPU上对所述源点云中的障碍物点进行剔除并生成用于点云配准的输入点云，具体步骤为：
将所述源点云从CPU内存拷入GPU显存；
在所述GPU显存中创建局部坐标系俯视图2D网格，所述2D网格包含若干个单元格；
为所述源点云中的每一个点分配一个GPU线程，根据点的X，Y坐标将每一个点映射到所述2D网格中各自所属的单元格；
为每一个所述2D网格的单元格分配一个GPU线程，每一个单元格都被看作是一个节点，利用所述CNN模型输出的所述物体预测信息判定各个节点是否为障碍物节点，利用所述中心偏移预测确定各个节点的中心节点；
为每一个所述2D网格的单元格分配一个GPU线程，根据确定的每一节点的中心节点，结合快慢指针算法，将所有属于相同物体的节点进行链接形成链表；
为每一个所述2D网格的单元格分配一个GPU线程，随机为每个节点分配置信度；
为每一个所述2D网格的单元格分配一个GPU线程，利用快慢指针和GPU原子操作为每一个节点搜寻父节点，一个链表中置信度最大的节点被选为该链表的父节点，链表当中的所有节点拥有相同的父节点和中心节点，并根据所述物体预测信息将所有链表中的节点更新为障碍物节点；
为所述源点云中的每一个点分配一个GPU线程，检查该点是否被标记为障碍物节点，若是，则剔除该点，若不是，则保留该点；
滤除障碍物点后生成配准模块的输入点云。
4.根据权利要求1所述的基于CNN点云目标检测的配准方法，其特征在于，所述CNN模型为CNNSeg模型、PointPillars模型、Complex-YOLO模型和SECOND模型中的一种。
5.根据权利要求2所述的基于CNN点云目标检测的配准方法，其特征在于，所述统计测量为单元格中点的最大高度、单元格中点的最大强度、单元格中点的平均高度、单元格中点的平均强度、单元格中的点数、单元格中心相对于原点的角度、单元格中心与原点之间的距离和二进制值标示单元格是空还是被占用。
6.根据权利要求3所述的基于CNN点云目标检测的配准方法，其特征在于，所述每个节点的置信度互不相等。
7.一种基于CNN点云目标检测的配准装置，其特征在于，所述配准装置包括：
点云数据获取模块，所述点云数据获取模块用于获取源点云数据；
点云数据前处理模块，所述点云数据前处理模块用于将所述源点云数据输入CNN模型，计算得到中心偏移预测信息和物体预测信息，所述中心偏移预测信息用于判定不同点是否属于相同物体的点，所述物体预测信息用于判定是否为障碍物点；
点云数据后处理模块，所述点云数据后处理模块用于在GPU上对所述源点云中的障碍物点进行剔除并生成配准模块的输入点云；
点云配准模块，所述点云配准模块用于利用所述输入点云进行点云配准。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的基于CNN点云目标检测的配准方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于CNN点云目标检测的配准方法的步骤。
CN202011545903.XA 2020-12-23 2020-12-23 一种基于cnn点云目标检测的配准方法 Active CN112700479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011545903.XA CN112700479B (zh) 2020-12-23 2020-12-23 一种基于cnn点云目标检测的配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011545903.XA CN112700479B (zh) 2020-12-23 2020-12-23 一种基于cnn点云目标检测的配准方法

Publications (2)

Publication Number Publication Date
CN112700479A true CN112700479A (zh) 2021-04-23
CN112700479B CN112700479B (zh) 2024-02-23

Family

ID=75509522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011545903.XA Active CN112700479B (zh) 2020-12-23 2020-12-23 一种基于cnn点云目标检测的配准方法

Country Status (1)

Country Link
CN (1) CN112700479B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111612A (zh) * 2021-06-15 2021-07-13 中国空气动力研究与发展中心计算空气动力研究所 一种基于自适应空间剖分的离散点云重复点快速查找方法
CN113673383A (zh) * 2021-08-05 2021-11-19 苏州智加科技有限公司 一种面向复杂道路场景的时空域障碍物检测方法及系统
CN113706710A (zh) * 2021-08-11 2021-11-26 武汉大学 基于fpfh特征差异的虚拟点多源点云融合方法及系统
CN114895686A (zh) * 2022-05-27 2022-08-12 广州高新兴机器人有限公司 机器人对桩充电方法及系统
WO2023015508A1 (zh) * 2021-08-12 2023-02-16 上海慧姿化妆品有限公司 甲形提取系统及其方法、存储介质、指甲贴及其制造系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203465675U (zh) * 2013-08-21 2014-03-05 杨凯 一种指戴式空中鼠标
US9513130B1 (en) * 2014-09-24 2016-12-06 Rockwell Collins, Inc. Variable environment high integrity registration transformation system and related method
CN108917761A (zh) * 2018-05-07 2018-11-30 西安交通大学 一种无人车在地下车库中的精确定位方法
CN110187782A (zh) * 2019-05-30 2019-08-30 河南大学 一种体感指环鼠标
US20200026925A1 (en) * 2018-07-23 2020-01-23 Baidu Online Network Technology (Beijing) Co., Ltd. Method, device and apparatus for generating electronic map, storage medium, and acquisition entity
CN111340862A (zh) * 2020-02-18 2020-06-26 广州智能装备研究院有限公司 一种基于多特征融合的点云配准方法、装置及存储介质
CN111707262A (zh) * 2020-05-19 2020-09-25 上海有个机器人有限公司 基于最近点向量投影的点云匹配方法、介质、终端和装置
CN111721283A (zh) * 2019-03-18 2020-09-29 深圳市速腾聚创科技有限公司 定位算法的精度检测方法、装置、计算机设备和存储介质
US20200388004A1 (en) * 2018-02-26 2020-12-10 Intel Corporation Method and system of point cloud registration for image processing

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203465675U (zh) * 2013-08-21 2014-03-05 杨凯 一种指戴式空中鼠标
US9513130B1 (en) * 2014-09-24 2016-12-06 Rockwell Collins, Inc. Variable environment high integrity registration transformation system and related method
US20200388004A1 (en) * 2018-02-26 2020-12-10 Intel Corporation Method and system of point cloud registration for image processing
CN108917761A (zh) * 2018-05-07 2018-11-30 西安交通大学 一种无人车在地下车库中的精确定位方法
US20200026925A1 (en) * 2018-07-23 2020-01-23 Baidu Online Network Technology (Beijing) Co., Ltd. Method, device and apparatus for generating electronic map, storage medium, and acquisition entity
CN111721283A (zh) * 2019-03-18 2020-09-29 深圳市速腾聚创科技有限公司 定位算法的精度检测方法、装置、计算机设备和存储介质
CN110187782A (zh) * 2019-05-30 2019-08-30 河南大学 一种体感指环鼠标
CN111340862A (zh) * 2020-02-18 2020-06-26 广州智能装备研究院有限公司 一种基于多特征融合的点云配准方法、装置及存储介质
CN111707262A (zh) * 2020-05-19 2020-09-25 上海有个机器人有限公司 基于最近点向量投影的点云匹配方法、介质、终端和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QQ_41206519 等: "Apollo基于卷积神经网络分割", 《HTTPS://BLOG.CSDN.NET/QQ_41206519/ARTICLE/DETAILS/88563705》, pages 1 - 6 *
STUART P. BAKER 等: "GPU Assisted Processing of Point cloud Data Sets for Ground Segmentation in Autonomous Vehicles", 《IEEE》 *
徐祯琦 等: "基于 Kinect 的物体表面重建方法研究", 《中国体视学与图像分析》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111612A (zh) * 2021-06-15 2021-07-13 中国空气动力研究与发展中心计算空气动力研究所 一种基于自适应空间剖分的离散点云重复点快速查找方法
CN113673383A (zh) * 2021-08-05 2021-11-19 苏州智加科技有限公司 一种面向复杂道路场景的时空域障碍物检测方法及系统
CN113673383B (zh) * 2021-08-05 2024-04-19 苏州智加科技有限公司 一种面向复杂道路场景的时空域障碍物检测方法及系统
CN113706710A (zh) * 2021-08-11 2021-11-26 武汉大学 基于fpfh特征差异的虚拟点多源点云融合方法及系统
CN113706710B (zh) * 2021-08-11 2024-03-08 武汉大学 基于fpfh特征差异的虚拟点多源点云融合方法及系统
WO2023015508A1 (zh) * 2021-08-12 2023-02-16 上海慧姿化妆品有限公司 甲形提取系统及其方法、存储介质、指甲贴及其制造系统
CN114895686A (zh) * 2022-05-27 2022-08-12 广州高新兴机器人有限公司 机器人对桩充电方法及系统

Also Published As

Publication number Publication date
CN112700479B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN112700479B (zh) 一种基于cnn点云目标检测的配准方法
US11030803B2 (en) Method and apparatus for generating raster map
CN112880694B (zh) 确定车辆的位置的方法
CN112731334B (zh) 一种激光定位车辆的方法及装置
CN111336917A (zh) 体积测量方法、装置、系统及计算机可读存储介质
CN114485698B (zh) 一种交叉路口引导线生成方法及系统
CN114051628A (zh) 一种确定目标对象点云集的方法及装置
CN111915675A (zh) 基于粒子漂移的粒子滤波点云定位方法及其装置和系统
JP2009229394A (ja) 移動ロボットの走行領域判別装置及び走行領域判別方法
CN113570665A (zh) 路沿提取的方法、装置及电子设备
CN112085843B (zh) 一种隧道类目标特征实时提取及测量方法和装置
CN112767545A (zh) 一种点云地图构建方法、装置、设备及计算机存储介质
CN113514843A (zh) 多子图激光雷达定位方法、系统以及终端
CN117590362B (zh) 一种多激光雷达外参标定方法、装置和设备
CN113050660B (zh) 误差补偿方法、装置、计算机设备及存储介质
CN117195361B (zh) 高边坡稳定性监测方法、装置、设备及可读存储介质
CN110174115B (zh) 一种基于感知数据自动生成高精度定位地图的方法及装置
CN111951059A (zh) 一种房地产估值方法、装置、终端以及可读存储介质
CN116843860A (zh) 激光雷达点云与影像密集匹配点云融合建模方法及装置
CN116973891A (zh) 车辆的激光雷达标定方法、装置、电子设备及存储介质
CN113503883B (zh) 采集用于构建地图的数据的方法、存储介质及电子设备
CN115507840A (zh) 一种栅格地图构建方法、栅格地图构建装置及电子设备
CN115619953A (zh) 一种面向崎岖地形的移动机器人地形建图方法及系统
WO2022141494A1 (zh) 三维点云聚类方法、装置、计算机设备和存储介质
WO2022021209A9 (zh) 电子地图生成方法、装置、计算机设备和存储介质

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