CN112819700B - 一种点云数据的去噪方法、装置及可读存储介质 - Google Patents
一种点云数据的去噪方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112819700B CN112819700B CN201911120488.0A CN201911120488A CN112819700B CN 112819700 B CN112819700 B CN 112819700B CN 201911120488 A CN201911120488 A CN 201911120488A CN 112819700 B CN112819700 B CN 112819700B
- Authority
- CN
- China
- Prior art keywords
- data
- point
- point cloud
- cloud data
- processed
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 208000034699 Vitreous floaters Diseases 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 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
- 238000002310 reflectometry Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种点云数据的去噪方法、装置及可读存储介质，该方法包括：对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据；每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，该帧点云数据与所获取的点云数据作为待处理点云数据；根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据；将所述孤立的点数据作为噪点数据去除。本发明实施例可实现在点云解算的过程中实时去除点云数据的噪点数据，达到高效、准确的对点云数据进行去噪的目的。
Description
技术领域
本发明实施例涉及数据处理技术领域，具体涉及一种点云数据的去噪方法、装置及可读存储介质。
背景技术
点云数据是表达目标的空间分布和表面特性的点数据的集合，其主要用于制作地图数据，特别是制作高精地图数据。由于激光扫描数据仅包括反射强度、反射时延等信息，这些信息无法还原激光扫描的物体，因此，需要对激光扫描数据进行解算，即在使用激光雷达扫描物体，得到激光扫描数据后，需要对激光扫描数据进行点云解算，以得到具有空间位置信息的点云数据。
然而，受到空气中的漂浮物、灰尘等干扰物的干扰，激光扫描数据解算后会存在噪点数据，噪点数据会影响点云数据的准确性，进而影响了使用点云数据制作的地图数据的质量；因此，如何高效、准确的对点云数据进行去噪，成为了本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明实施例提供一种点云数据的去噪方法、装置及可读存储介质，以高效、准确的对点云数据进行去噪。
为实现上述目的，本发明实施例提供如下技术方案：
一种点云数据的去噪方法，包括：
对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据；
每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，该帧点云数据与所获取的点云数据作为待处理点云数据；
根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据；
将所述孤立的点数据作为噪点数据去除。
可选的，所述根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据包括：
根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，以识别孤立的点数据。
可选的，所述根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，以识别孤立的点数据包括：
根据所述待处理点云数据中点数据的空间位置，将点数据进行基于密度的聚类处理，以识别孤立的点数据。
可选的，所述根据所述待处理点云数据中点数据的空间位置，将点数据进行基于密度的聚类处理，以识别孤立的点数据包括：
对于所述待处理点云数据中的任一点数据，根据所述点数据的空间位置，寻找与所述点数据的空间距离在预设扫描半径内的其他点数据；
若寻找到不少于预设数量的其他点数据，将所述点数据与寻找到的其他点数据聚为一类，该聚为一类的点数据作为正常点数据；
若未寻找到不少于预设数量的其他点数据，将所述点数据识别为孤立的点数据。
可选的，所述对于所述待处理点云数据中的任一点数据，根据所述点数据的空间位置，寻找与所述点数据的空间距离在预设扫描半径内的其他点数据包括：
从所述待处理点云数据中选择一个未被选择过的点数据，所选择的点数据的状态修改为已选择；
根据所述点数据的空间位置，寻找与所述点数据的空间距离在预设扫描半径内的其他点数据；其中，若寻找到不少于预设数量的其他点数据，将所述预设扫描半径内未被选择的点数据的状态修改为已选择；
若所述待处理点云数据中还存在未被选择过的点数据，返回所述从所述待处理点云数据中选择一个未被选择过的点数据的步骤。
可选的，所述根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，以识别孤立的点数据包括：
根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，得到点数据的聚类结果；
将所述点数据的聚类结果中点数据的数量小于预定值的聚类，识别为孤立的点数据的聚类。
可选的，所述每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据包括：
每解算得到一帧点云数据，获取与该帧点云数据相邻的、且在该帧点云数据之前解算出的两帧点云数据。
可选的，所述点数据的空间位置为所述点数据相对于采集车的位置，所述采集车上的激光扫描设备用于输出激光扫描数据；或者，所述点数据的空间位置为所述点数据的地理位置。
本发明实施例还提供一种点云数据的去噪装置，包括：
点云数据得到模块，用于对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据；
待处理点云数据确定模块，用于每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，该帧点云数据与所获取的点云数据作为待处理点云数据；
聚类识别模块，用于根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据；
噪点去除模块，用于将所述孤立的点数据作为噪点数据去除。
本发明实施例还提供一种可读存储介质，所述可读存储介质存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行上述任一项所述的点云数据的去噪方法。
本发明实施例提供的点云数据的去噪方法，可对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据，从而在点云解算的过程中，每解算得到一帧点云数据，本发明实施例可获取至少在该帧点云数据之前解算出的两帧点云数据，将该帧点云数据与所获取的点云数据作为待处理点云数据；本发明实施例可针对待处理点云数据进行去噪，根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别出孤立的点数据；对于识别出的孤立的点数据，本发明实施例可作为噪点数据去除。可见，本发明实施例可实现在点云解算的过程中实时去除点云数据的噪点数据，达到高效、准确的对点云数据进行去噪的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为采集车采集激光扫描数据的示例图；
图2为本发明实施例提供的点云数据的去噪方法的流程图；
图3为点云数据的示例图；
图4为点数据聚类结果的示例图；
图5为去噪后点云数据的示例图；
图6为本发明实施例提供的点云数据的去噪方法的另一流程图；
图7为本发明实施例提供的点云数据的去噪方法的应用示例图；
图8为本发明实施例提供的点云数据的去噪装置的框图；
图9为本发明实施例提供的计算设备的硬件框图。
具体实施方式
以利用点云数据制作地图数据，特别是高精地图数据为例，点云数据可以是通过对道路上行驶的采集车所采集的激光扫描数据进行点云解算后得到，如图1所示，道路上行驶的采集车01上可设置激光扫描设备02，激光扫描设备例如激光雷达，激光扫描设备02以一定的频率在场景中发射激光并通过反射回的激光，获得激光扫描数据；激光扫描数据可通过有线或者无线方式传输给计算设备03，计算设备03对激光扫描数据进行点云解算，得到点云数据。由于空气中的漂浮物、灰尘等干扰物的干扰，激光扫描数据解算后极可能存在噪点数据，这极大影响了点云数据的准确性，进而影响了使用点云数据制作的地图数据的质量。
基于此，本发明实施例提供一种点云数据的去噪方法、装置及可读存储介质，以高效、准确的去除点云数据中的噪点数据。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
作为本发明实施例公开内容的一种可选实现，图2示出了本发明实施例提供的点云数据的去噪方法的一种可选流程，该流程可以在点云解算的过程中进行；可选的，本发明实施例提供的点云数据的去噪方法可由具有数据处理能力的计算设备执行，在一种示例中，本发明实施例提供的点云数据的去噪方法可由执行点云解算的计算设备执行；
如图2所示，本发明实施例提供的点云数据的去噪方法可以包括：
步骤S10、对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据。
对于激光扫描设备(例如激光雷达)输出的每一帧激光扫描数据，本发明实施例可进行点云解算，得到每帧点云数据。
可选的，对激光扫描数据进行点云解算，得到点云数据的过程可以认为是，根据激光扫描数据携带的激光的时间序列，解算点云数据中的点数据的空间位置的过程；
在一种示例中，激光扫描数据可以包括激光的时间序列，以及描述激光照射物体的反射信息(如反射率、颜色等)；激光的时间序列可以至少包括激光的发射时间，以及激光从照射物体反射回的返回时间等；由于激光头(激光扫描设备中发射激光的器件)的位置在某个发射时间是固定的，且激光的速度是已知的，因此通过激光的发射时间以及激光从照射物体反射回的返回时间，可以确定出激光所到达的位置；从而根据激光头的空间位置，激光在激光头上的相对位置以及激光所到达的位置，可以解算出相应点数据的空间位置；相应的，激光扫描数据可以包括：时间序列，反射信息等；点云解算得到的点云数据可以包括：时间序列，空间位置，反射信息等。
可选的，作为点云数据的一种示例示意，如图3所示点云数据，图3中一行的点数据可以对应一帧点云数据，每帧点云数据可以包括多个点数据，图3中一个点可以表示一个点数据，在图3示例中，一行的点数据可以具有同样的颜色。
步骤S11、每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，该帧点云数据与所获取的点云数据作为待处理点云数据。
在点云解算的过程中，每解算得到一帧点云数据，本发明实施例可获取至少在该帧点云数据之前解算出的两帧点云数据；从而当前解算得到的一帧点云数据，与至少在该帧点云数据之前解算得到的两帧点云数据，可以作为待处理点云数据；本发明实施例可针对待处理点云数据进行去噪。
在可选实现中，在解算得到一帧点云数据时，本发明实施例可至少获取与该帧点云数据相邻的前两帧点云数据，例如，获取与该帧点云数据相邻的、且在该帧点云数据之前解算出的两帧点云数据；示例的，在解算得到第3帧点云数据时，本发明实施例可获取第1帧点云数据和第2帧点云数据，从而第1、2和3帧点云数据作为待处理点云数据进行去噪；又如，在解算得到第4帧点云数据时，本发明实施例可获取第2帧点云数据和第3帧点云数据，从而第2、3和4帧点云数据作为待处理点云数据进行去噪。
需要说明的是，每解算得到一帧点云数据时，获取该帧点云数据之前解算出的两帧点云数据仅是可选实现，本发明实施例也可能获取该帧点云数据之前解算出的多于两帧的点云数据，例如获取之前解算出的三帧或四帧等点云数据，具体的数值可以根据实际情况设置，本发明实施例并不局限。
步骤S12、根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据。
对于待处理点云数据，本发明实施例可基于待处理点云数据中点数据的空间位置，对点数据进行聚类，从而识别出待处理点云数据中孤立的点数据，所识别出的孤立的点数据可认为是噪点数据。
在可选实现中，本发明实施例可根据待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，从而实现对待处理点云数据中包括的点数据进行聚类；
具体的，待处理点云数据由于是多帧相邻的点云数据(即当前解算得到的一帧点云数据，与之前解算得到的至少两帧点云数据)，因此待处理点云数据中表示同一几何形状的点数据的空间位置存在关联性，这些关联的点数据形成的几何形状可用于勾画激光扫描场景中同一物体的形状；例如，激光所扫描的道路上的某一交通指示牌、车辆等物体的几何形状，可使用相邻的多帧点云数据中空间位置紧密的点数据形成的几何形状勾画；
基于此，在可选实现中，本发明实施例在对待处理点云数据中的点数据进行聚类时，可根据待处理点云数据包括的点数据的空间位置，将表示同一几何形状的点数据聚为一类，从而待处理点云数据可划分出表示不同几何形状的点数据的聚类。
在更为具体的一种可选实现中，本发明实施例可根据所述待处理点云数据包括的点数据的空间位置，将点数据进行基于密度的聚类处理，使得表示同一几何形状的空间位置较为紧密的点数据聚为一类；基于密度的聚类处理一般假定类别可以通过样本分布的紧密程度决定，同一类别的样本之间紧密相连。在一种示例中，本发明实施例可使用DBscan(基于密度的噪声应用空间聚类，Density-Based Spatial Clustering of Applicationswith Noise)算法，对所述待处理点云数据包括的点数据进行基于密度的聚类处理；DBSCAN算法是一种基于密度的聚类算法，能够把具有足够高密度的区域划分为一类，并可在存在噪点的数据集中发现任意形状的聚类；
需要说明的是，根据所述待处理点云数据包括的点数据的空间位置，将点数据进行基于密度的聚类处理，仅是对所述待处理点云数据包括的点数据进行聚类的一种可选实现，本发明实施例也可选用其他方式实现点数据的聚类；例如，本发明实施例可将点数据的空间位置的距离在预定距离内的相邻点数据聚为一类；又如，本发明实施例可训练具有将表示同一几何形状的点数据聚为一类功能的机器学习模型，从而通过训练的机器学习模型，对所述待处理点云数据中包括的点数据进行聚类。
由于噪点数据一般是由空气中漂浮的灰尘、漂浮物等造成，因此噪点数据在空间位置上较为孤立，基于本发明实施例对所述待处理点云数据包括的点数据进行聚类，本发明实施例可识别出空间位置孤立的点数据，从而该孤立的点数据可认为是噪点数据。
可选的，在对所述待处理点云数据包括的点数据进行聚类后，点数据的聚类结果可以包括正常点数据的聚类，及孤立的点数据(噪点数据)，正常点数据可以认为是非噪点数据；可选的，进一步，在点数据的聚类结果中，孤立的点数据(即噪点数据)的数量相比于正常点数据的数量一般较少；在一种示例中，如图4所示点数据的聚类结果，可以明显的看到：点数据的聚类结果中包括了表达交通指示牌的正常点数据，以及孤立的点数据(孤立的点数据在图4中的空间位置上较为孤立，且数量较少)。
可选的，本发明实施例所指的点数据的空间位置可以是，点数据相对于采集车的位置；在另一种可选实现中，点数据的空间位置可以是，点数据的地理位置。
步骤S13、将所述孤立的点数据作为噪点数据去除。
在从点数据的聚类结果中识别出孤立的点数据后，该孤立的点数据作为噪点数据，可从待处理点云数据中进行去除，从而实现对点云数据进行去噪；示例的，以图4所示基础为例，图5示出了去除噪点数据后的点云数据。
执行步骤S12之后，本发明实施例可在点云解算的过程中，输出去除噪点数据的点云数据。
本发明实施例提供的点云数据的去噪方法，可对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据，从而在点云解算的过程中，每解算得到一帧点云数据，本发明实施例可获取至少在该帧点云数据之前解算出的两帧点云数据，将该帧点云数据与所获取的点云数据作为待处理点云数据；本发明实施例可针对待处理点云数据进行去噪，根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别出孤立的点数据；对于识别出的孤立的点数据，本发明实施例可作为噪点数据去除。可见，本发明实施例可实现在点云解算的过程中实时去除点云数据的噪点数据，达到高效、准确的对点云数据进行去噪的目的。
在可选实现中，本发明实施例在对待处理点云数据中包括的点数据进行聚类的过程中，可区分出正常点数据和孤立的点数据(即噪点数据)；在示例实现中，本发明实施例可定义预设扫描半径和预设数量，从而对于所述待处理点云数据中的任一点数据，本发明实施例可基于该点数据的空间位置，在预设扫描半径内寻找其他点数据；
如果与所述点数据的空间距离在预设扫描半径内的其他点数据的数量达到预设数量，则可将所述点数据与寻找到的其他点数据聚为一类，该聚为一类的点数据可作为是正常点数据；
如果与所述点数据的空间距离在预设扫描半径内的其他点数据的数量未达到预设数量，则所述点数据可以作为是孤立的点数据。
可见，本发明实施例可在对待处理点云数据中的点数据进行聚类处理的过程中，区分出正常点数据和孤立的点数据，实现识别出孤立的点数据；可选的，图6示出了本发明实施例提供的点云数据的去噪方法的另一种可选流程，参照图6，该点云数据的去噪方法可以包括：
步骤S20、对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据。
步骤S21、每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，该帧点云数据与所获取的点云数据作为待处理点云数据。
可选的，步骤S20和步骤S21的介绍可参照前文部分的描述，此处不再赘述。
步骤S22、从所述待处理点云数据中选择一个未被选择过的点数据。
可选的，所述待处理点云数据所包括的点数据可以作为一个数据集，本发明实施例可将数据集中包含的点数据的状态初始设置为未选择(如unvisited)，从而随机从数据集中选择一个未被选择过的点数据，选择过的点数据的状态则修改为已选择(如visited)。
步骤S23、根据所述点数据的空间位置，判断所述点数据的预设扫描半径内的点数据数量是否达到预设数量，若否，执行步骤S24，若是，执行步骤S25。
在从所述待处理点云数据中选择一个未被选择过的点数据后，本发明实施例可修改所选择的点数据的状态为已选择，并根据该点数据的空间位置，判断该点数据的预设扫描半径内所包含的点数据的数量是否至少为预设数量。
步骤S24、确定所述点数据为孤立的点数据。
如果该点数据的预设扫描半径内的点数据数量未达到预设数量，则该点数据作为孤立的点数据。
步骤S25、将所述预设扫描半径内未被选择的点数据的状态修改为已选择。
在所述点数据的预设扫描半径内的点数据数量达到预设数量时，本发明实施例可将所述点数据的预设扫描半径内的点数据的状态修改为已选择，同时，本发明实施例将所述点数据以及所述点数据的预设扫描半径内的点数据聚为一类，所聚为一类的点数据可以作为是正常点数据。
步骤S26、判断所述待处理点云数据中是否存在未选择过的点数据，若是，执行步骤S22，若否，执行步骤S27。
本发明实施例可进一步判断所述待处理点云数据中是否还存在未选择过的点数据；若是，则返回步骤S22，从所述待处理点云数据中选择未选择过的点数据，并依照步骤S23至步骤S25，实现点数据的聚类，直至所述待处理点云数据中不存在未被选择过的点数据；若否，则说明所述待处理点云数据中的点数据均已被选择，可完成对点数据的聚类处理。
步骤S27、完成对点数据的聚类。
进一步，本发明实施例可将识别的孤立的点数据作为噪点数据去除。
为便于说明图6所示方法，假设所述待处理点云数据为数据集D，例如当前解算得到的一帧点云数据，与之前解算得到的两帧点云数据相集合，作为数据集D；数据集D中的所有点数据可以在初始时标记为unvisited，本发明实施例可随机从数据集D中选择一个标记为unvisited的点数据P，并修改点数据P的标记为visited；根据点数据P的空间位置，检查点数据P的预设扫描半径内的点数据数量是否至少为预设数量；
若否，则点数据P识别为孤立的点数据；
若是，则为点数据P创建一个新的类别C；并且将点数据P的预设扫描半径内的点数据加入到候选集合N中；本发明实施例可迭代的将候选集合N中不属于其他类别的点数据添加到类别C中；这个过程中，对于候选集合N中标记为unvisited的点数据P’，本发明实施例可将该点数据P’的状态标记为visited，并且若检查到该点数据P’的预设扫描半径内的点数据数量至少为预设数量，则可将该点数据P’的预设扫描半径内的点数据添加到候选集合N中；
当候选集合N中没有可以加入到类别C中的点数据后，类别C完成点数据的扩充；为了确定下一个类别，本发明实施例可从数据集D中再随机选择一个unvisited的点数据，依照前文描述过程实现点数据的聚类处理，直至数据集D中的所有点数据均被选择。
在另一种可选实现中，本发明实施例在对所述待处理点云数据中包括的点数据进行聚类后，可分析点数据的聚类结果中，各聚类的点数据的数量，由于点云数据中噪点数据的数量较少，且噪点数据的空间位置较为孤立，因此本发明实施例可通过设定预定值(可选的，预定值的数值可不大于所述预设数量的数值)，将所述点数据的聚类结果中点数据的数量小于预定值的聚类，确定为孤立的点数据的聚类，从而该聚类中的点数据为孤立的点数据(即噪点数据)。可见，本发明实施例也可在得到点数据的聚类结果后，通过分析点数据的聚类结果中各聚类的点数据的数量，将点数据的聚类结果中点数据的数量小于预定值的聚类，确定为孤立的点数据的聚类，从而实现识别孤立的点数据，进而可将孤立的点数据作为噪点数据去除。
作为一种可选应用示例，图7示出了本发明实施例提供的点云数据的去噪方法的一种可选应用过程，如图7所示，采集车行驶在道路上，采集车上设置的激光扫描设备可以一定的频率在场景中发射激光并通过反射回的激光，获得激光扫描数据；激光扫描数据可通过有线或者无线方式传输给计算设备；计算设备对激光扫描数据进行点云解算，在计算设备点云解算出当前帧的点云数据后，计算设备可结合之前解算出的前两帧点云数据(如前一帧的点云数据和前第二帧的点云数据)，形成待处理点云数据，从而以待处理点云数据为单位，进行去噪；
具体的，计算设备可根据所述待处理点云数据中点数据的空间位置，对点数据进行聚类(可选过程可如图6相应部分所示)，以识别出孤立的点数据，从而将所述孤立的点数据作为噪点数据去除，实现在计算设备进行点云解算的过程中实时去除点云数据的噪点数据，达到高效、准确的对点云数据进行去噪的目的。
上文描述了本发明实施例提供的多个实施例方案，各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用，从而延伸出多种可能的实施例方案，这些均可认为是本发明实施例披露、公开的实施例方案。
下面对本发明实施例提供的点云数据的去噪装置进行介绍，下文描述的点云数据的去噪装置可以认为是，为实现本发明实施例提供的点云数据的去噪方法所需设置的功能模块。下文描述的点云数据的去噪装置的内容，可与上文描述的点云数据的去噪方法的内容相互对应参照。
可选的，图8为本发明实施例提供的点云数据的去噪装置的可选框图，参照图8，该点云数据的去噪装置可以包括：
点云数据得到模块100，用于对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据；
待处理点云数据确定模块200，用于每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，该帧点云数据与所获取的点云数据作为待处理点云数据；
聚类识别模块300，用于根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据；
噪点去除模块400，用于将所述孤立的点数据作为噪点数据去除。
可选的，聚类识别模块300，用于根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据，具体包括：
根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，以识别孤立的点数据。
可选的，聚类识别模块300，用于根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，以识别孤立的点数据，具体包括：
根据所述待处理点云数据中点数据的空间位置，将点数据进行基于密度的聚类处理，以识别孤立的点数据。
可选的，聚类识别模块300，用于根据所述待处理点云数据中点数据的空间位置，将点数据进行基于密度的聚类处理，以识别孤立的点数据，具体包括：
对于所述待处理点云数据中的任一点数据，根据所述点数据的空间位置，寻找与所述点数据的空间距离在预设扫描半径内的其他点数据；
若寻找到不少于预设数量的其他点数据，将所述点数据与寻找到的其他点数据聚为一类，该聚为一类的点数据作为正常点数据；
若未寻找到不少于预设数量的其他点数据，将所述点数据识别为孤立的点数据。
可选的，聚类识别模块300，用于对于所述待处理点云数据中的任一点数据，根据所述点数据的空间位置，寻找与所述点数据的空间距离在预设扫描半径内的其他点数据，具体包括：
从所述待处理点云数据中选择一个未被选择过的点数据，所选择的点数据的状态修改为已选择；
根据所述点数据的空间位置，寻找与所述点数据的空间距离在预设扫描半径内的其他点数据；其中，若寻找到不少于预设数量的其他点数据，将所述预设扫描半径内未被选择的点数据的状态修改为已选择；
若所述待处理点云数据中还存在未被选择过的点数据，返回所述从所述待处理点云数据中选择一个未被选择过的点数据的步骤。
可选的，在另一种实现中，聚类识别模块300，用于根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，以识别孤立的点数据，具体包括：
根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，得到点数据的聚类结果；
将所述点数据的聚类结果中点数据的数量小于预定值的聚类，识别为孤立的点数据的聚类。
可选的，待处理点云数据确定模块200，用于每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，具体包括：
每解算得到一帧点云数据，获取与该帧点云数据相邻的、且在该帧点云数据之前解算出的两帧点云数据。
可选的，所述点数据的空间位置为所述点数据相对于采集车的位置，所述采集车上的激光扫描设备用于输出激光扫描数据；或者，所述点数据的空间位置为所述点数据的地理位置。
本发明实施例提供的点云数据的去噪装置可实现在点云解算的过程中实时去除点云数据的噪点数据，达到高效、准确的对点云数据进行去噪的目的。。
本发明实施例还提供一种计算设备，该计算设备可通过装载程序形式的上文描述的点云数据的去噪装置，执行本发明实施例提供的点云数据的去噪方法。可选的，该计算设备的一种可选硬件结构可如图9所示，包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本发明实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
可选的，通信接口2可以为通信模块的接口；
处理器1可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
其中，存储器3存储有一条或多条计算机可执行指令，处理器1调用所述一条或多条计算机可执行指令，以执行本发明实施例提供的点云数据的去噪方法。
本发明实施例还提供一种可读存储介质，该可读存储介质可以存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行本发明实施例提供的点云数据的去噪方法。
所述一条或多条计算机可执行指令可用于：
对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据；
每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，该帧点云数据与所获取的点云数据作为待处理点云数据；
根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据；
将所述孤立的点数据作为噪点数据去除。
所述计算机可执行指令的可选实现和扩展实现可参照前文相应部分的描述，此处不再赘述。
虽然本发明实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种点云数据的去噪方法，其特征在于，包括：
对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据；
每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，该帧点云数据与所获取的点云数据作为待处理点云数据；
根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据；其中，所述待处理点云数据中表示同一几何形状的点数据的空间位置具有关联性；
将所述孤立的点数据作为噪点数据去除。
2.根据权利要求1所述的点云数据的去噪方法，其特征在于，所述根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据包括：
根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，以识别孤立的点数据。
3.根据权利要求2所述的点云数据的去噪方法，其特征在于，所述根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，以识别孤立的点数据包括：
根据所述待处理点云数据中点数据的空间位置，将点数据进行基于密度的聚类处理，以识别孤立的点数据。
4.根据权利要求3所述的点云数据的去噪方法，其特征在于，所述根据所述待处理点云数据中点数据的空间位置，将点数据进行基于密度的聚类处理，以识别孤立的点数据包括：
对于所述待处理点云数据中的任一点数据，根据所述点数据的空间位置，寻找与所述点数据的空间距离在预设扫描半径内的其他点数据；
若寻找到不少于预设数量的其他点数据，将所述点数据与寻找到的其他点数据聚为一类，该聚为一类的点数据作为正常点数据；
若未寻找到不少于预设数量的其他点数据，将所述点数据识别为孤立的点数据。
5.根据权利要求4所述的点云数据的去噪方法，其特征在于，所述对于所述待处理点云数据中的任一点数据，根据所述点数据的空间位置，寻找与所述点数据的空间距离在预设扫描半径内的其他点数据包括：
从所述待处理点云数据中选择一个未被选择过的点数据，所选择的点数据的状态修改为已选择；
根据所述点数据的空间位置，寻找与所述点数据的空间距离在预设扫描半径内的其他点数据；其中，若寻找到不少于预设数量的其他点数据，将所述预设扫描半径内未被选择的点数据的状态修改为已选择；
若所述待处理点云数据中还存在未被选择过的点数据，返回所述从所述待处理点云数据中选择一个未被选择过的点数据的步骤。
6.根据权利要求2所述的点云数据的去噪方法，其特征在于，所述根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，以识别孤立的点数据包括：
根据所述待处理点云数据中点数据的空间位置，将表示同一几何形状的点数据聚为一类，得到点数据的聚类结果；
将所述点数据的聚类结果中点数据的数量小于预定值的聚类，识别为孤立的点数据的聚类。
7.根据权利要求1所述的点云数据的去噪方法，其特征在于，所述每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据包括：
每解算得到一帧点云数据，获取与该帧点云数据相邻的、且在该帧点云数据之前解算出的两帧点云数据。
8.根据权利要求1所述的点云数据的去噪方法，其特征在于，所述点数据的空间位置为所述点数据相对于采集车的位置，所述采集车上的激光扫描设备用于输出激光扫描数据；或者，所述点数据的空间位置为所述点数据的地理位置。
9.一种点云数据的去噪装置，其特征在于，包括：
点云数据得到模块，用于对激光扫描设备输出的每一帧激光扫描数据进行解算，得到每帧点云数据；
待处理点云数据确定模块，用于每解算得到一帧点云数据，则获取至少在该帧点云数据之前解算出的两帧点云数据，该帧点云数据与所获取的点云数据作为待处理点云数据；
聚类识别模块，用于根据所述待处理点云数据中点数据的空间位置，对所述待处理点云数据中包括的点数据进行聚类，以识别孤立的点数据；其中，所述待处理点云数据中表示同一几何形状的点数据的空间位置具有关联性；
噪点去除模块，用于将所述孤立的点数据作为噪点数据去除。
10.一种可读存储介质，其特征在于，所述可读存储介质存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行权利要求1-8任一项所述的点云数据的去噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120488.0A CN112819700B (zh) | 2019-11-15 | 2019-11-15 | 一种点云数据的去噪方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120488.0A CN112819700B (zh) | 2019-11-15 | 2019-11-15 | 一种点云数据的去噪方法、装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112819700A CN112819700A (zh) | 2021-05-18 |
| CN112819700B true CN112819700B (zh) | 2023-04-25 |
Family
ID=75851793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911120488.0A Active CN112819700B (zh) | 2019-11-15 | 2019-11-15 | 一种点云数据的去噪方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819700B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610143B (zh) * | 2021-08-02 | 2022-11-11 | 广州文远知行科技有限公司 | 一种点云噪点的分类方法、装置、设备及存储介质 |
| CN114071112B (zh) * | 2021-10-18 | 2023-09-01 | 北京魔鬼鱼科技有限公司 | 车辆点云识别成像方法及系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345822B (zh) * | 2017-01-22 | 2022-02-01 | 腾讯科技（深圳）有限公司 | 一种点云数据处理方法及装置 |
| CN107833270B (zh) * | 2017-09-28 | 2020-07-03 | 浙江大学 | 基于深度相机的实时物体三维重建方法 |
| CN108171791B (zh) * | 2017-12-27 | 2020-11-17 | 清华大学 | 基于多深度摄像机的动态场景实时三维重建方法及装置 |
| CN108647646B (zh) * | 2018-05-11 | 2019-12-13 | 北京理工大学 | 基于低线束雷达的低矮障碍物的优化检测方法及装置 |
| CN109375228B (zh) * | 2018-10-31 | 2020-07-24 | 歌尔股份有限公司 | 激光雷达的异常帧点云数据的确定方法、处理方法及装置 |
| CN109934120B (zh) * | 2019-02-20 | 2021-04-23 | 东华理工大学 | 一种基于空间密度和聚类的分步点云噪声去除方法 |
| CN109710724B (zh) * | 2019-03-27 | 2019-06-25 | 深兰人工智能芯片研究院（江苏）有限公司 | 一种构建点云地图的方法和设备 |
| CN110147815A (zh) * | 2019-04-10 | 2019-08-20 | 深圳市易尚展示股份有限公司 | 基于k均值聚类的多帧点云融合方法及装置 |
| CN110060336A (zh) * | 2019-04-24 | 2019-07-26 | 北京华捷艾米科技有限公司 | 三维人脸重建方法、装置、介质以及设备 |
-
2019
- 2019-11-15 CN CN201911120488.0A patent/CN112819700B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112819700A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11709058B2 (en) | Path planning method and device and mobile device | |
| JP6561199B2 (ja) | レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器 | |
| EP3505962A1 (en) | Method and apparatus for processing point cloud data | |
| CN109521757B (zh) | 静态障碍物识别方法和装置 | |
| CN106709475B (zh) | 障碍物识别方法及装置、计算机设备及可读存储介质 | |
| CN113570665B (zh) | 路沿提取的方法、装置及电子设备 | |
| JP2022552753A (ja) | 点群データラベリング方法、装置、電子機器及びコンピュータ可読記憶媒体 | |
| CN112240772B (zh) | 一种车道线生成方法及装置 | |
| CN105701798A (zh) | 柱状物体的点云提取方法及装置 | |
| CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
| CN107133966B (zh) | 一种基于采样一致性算法的三维声纳图像背景分割方法 | |
| CN110363771B (zh) | 一种基于三维点云数据的隔离护栏形点提取方法及装置 | |
| CN112819700B (zh) | 一种点云数据的去噪方法、装置及可读存储介质 | |
| CN110879960A (zh) | 生成卷积神经网络学习用图像数据集的方法及计算装置 | |
| WO2022226831A1 (zh) | 未定义类别障碍物的检测方法、装置和计算机设备 | |
| US20220075059A1 (en) | Learning data generation device, learning data generation method, learning data generation program, learning device, learning method, learning program, inference device, inference method, inference program, learning system, and inference system | |
| CN111027601B (zh) | 一种基于激光传感器的平面检测方法、装置 | |
| CN110826488A (zh) | 一种针对电子文档的图像识别方法、装置及存储设备 | |
| CN114612627B (zh) | 地形高程图的处理方法、装置、交通工具及介质 | |
| CN115148022A (zh) | 共享车辆行驶轨迹的分段方法及装置 | |
| CN115457496A (zh) | 自动驾驶的挡墙检测方法、装置及车辆 | |
| CN114519686A (zh) | 用于检测路牙的方法、装置、电子设备和介质 | |
| CN114241083A (zh) | 一种车道线生成方法、装置、电子设备及存储介质 | |
| CN113763308A (zh) | 一种地面检测方法、装置、服务器及介质 | |
| Lagahit et al. | Exploring Ground Segmentation from LIDAR Scanning-Derived Images Using Convolutional Neural Networks |
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 |