CN112991234A - 一种监控数据处理方法及装置 - Google Patents
一种监控数据处理方法及装置 Download PDFInfo
- Publication number
- CN112991234A CN112991234A CN202110531574.1A CN202110531574A CN112991234A CN 112991234 A CN112991234 A CN 112991234A CN 202110531574 A CN202110531574 A CN 202110531574A CN 112991234 A CN112991234 A CN 112991234A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- current frame
- density
- points
- cloud set
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 230000003190 augmentative effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 101100194362 Schizosaccharomyces pombe (strain 972 / ATCC 24843) res1 gene Proteins 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 19
- 238000013507 mapping Methods 0.000 description 13
- 244000025254 Cannabis sativa Species 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 239000004575 stone Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开一种监控数据处理方法及装置。其中,该方法包括:实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前帧的点云增集Padt;对所述当前帧的点云增集Padt进行滤波和抽稀得到当前帧待分析点云集;对当前时段内的所有帧的帧待分析点云集进行点云分割及动态分析,得到动态物体点云集并反馈至监控中心。本发明解决了现有技术中三维激光扫描技术无法对运动物体扫描成像、以及无法在遮挡发生的位置、远处、刚出现过入侵物的附近保留噪点的问题。确保在遮挡发生的位置、远处、刚出现过入侵物的附近保留更多可能特征点的同时滤去噪点以及提高了点云数据处理速度。
Description
技术领域
本发明涉及周界监管防范领域,具体而言,涉及一种监控数据处理方法及装置。
背景技术
周界是监管场所最外层的一道最主要防线,不容出现任何意外场所,现有周界的防范系统主要采用红外对射报警系统和雷达墙报警系统;红外对射报警系统其易受天气遮挡物等环境影响,容易发生误报,需要定期调试,维护量大;雷达报警系统其反射干扰大,易受信号干扰、易误报、无法准确识别物体大小。
进一步的,现有技术中的三维激光扫描技术主要应用于测绘、自动驾驶等技术领域,其扫描成像的场景都是静态的,扫描的目的也是对固定物体进行成像。其次,在测绘、自动驾驶等技术领域中,三维激光扫描技术用于对障碍物进行识别,主要是对点云的三维重建,即主要对点云的外轮廓进行平滑;以及对点云的具体位置、外轮廓进行描述。而在周界防范中,其主要关心对目标物体点云的走向识别,确保小物体或者遮挡情况的识别,而无需光滑曲面和严格计算外外轮廓;要对本场景有危害的远距离处物体进行识别,以及有入侵物出现过的区域进行识别。在自动驾驶、测绘领域中,会在遮挡发生的位置、远处、刚出现过入侵物的附近对噪点全部滤除。
针对现有技术中三维激光扫描技术无法对运动物体扫描成像、以及无法在遮挡发生的位置、远处、刚出现过入侵物的附近保留噪点、点云数据处理速度慢的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供一种监控数据处理方法及装置,以解决现有技术中三维激光扫描技术无法对运动物体扫描成像、以及无法在遮挡发生的位置、远处、刚出现过入侵物的附近保留噪点、点云数据处理速度慢的问题。
为达到上述目的,一方面,本发明提供了一种监控数据处理方法,其中,该方法包括:
实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;
将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前帧的点云增集Padt;
对所述当前帧的点云增集Padt进行滤波和抽稀,得到当前帧待分析点云集;
对当前时段内的所有帧的帧待分析点云集进行点云分割及动态分析,得到动态物体点云集并反馈至监控中心。
可选的,所述滤波包括:
实时获取所述当前帧的点云增集Padt;
根据上一帧预处理后的点云集Ppre'判断所述当前点云增集Padt中的离群点是否为因遮挡产生的离群点;若是,将所述因遮挡产生的离群点保留;若否,则将该离群点滤除。
可选的,所述根据上一帧预处理后的点云集Ppre'判断所述当前点云增集Padt中的离群点是否为因遮挡产生的离群点包括:
根据所述上一帧预处理后的点云集Ppre'在所述离群点附近的密度以及该离群点到最近遮挡边缘的最短距离判断该离群点是否为因遮挡产生的离群点。
可选的,所述抽稀包括:
确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集;
提取当前帧的所述密度中心点云集的关键密度中心点云集;
将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集。
可选的,所述确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集包括:
将预设第一半径内密度大于第一预设阈值的所有点确定为所述密度中心点云集;
将预设第二半径内密度小于第二预设阈值的所有点确定为所述离散中心点云集;
将预设第三半径内密度分布差值大于第三预设阈值的所有点确定为所述边缘点云集。
可选的,所述提取当前帧的所述密度中心点云集的关键密度中心点云集,包括:
连接相邻的密度中心点kn和kn+1,获得直线knkn+1;
在kn处以预设第一半径内寻找节点kn’,并忽略到直线knkn+1距离小于所述第三预设阈值的节点kn’,使得对kn半径内的所有点kj和kn+1半径内的所有点kg有,若存在最小的res大于给定阈值的res1,则认为kn’为新的密度中心点,加入新一轮计算,重复计算直到不再有新的密度中心点产生;
其中,dkj表示所有点kj到直线knkn+1的距离,dkg表示所有点kg到直线knkn+1的距离,d’kj表示所有点kj到直线knkn’的距离,d’kg表示所有点kg到直线kn’kn+1的距离。
另一方面,本发明提供了一种监控数据处理装置,包括:
扫描单元,用于实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;
差分单元,用于将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前帧的点云增集Padt;
数据处理单元,用于对所述当前帧的点云增集Padt进行滤波和抽稀,得到当前帧待分析点云集;
分析单元,用于对当前时段内的所有帧的帧待分析点云集进行点云分割及动态分析,得到动态物体点云集并反馈至监控中心。
可选的,所述数据处理单元包括:
数据获取子单元,用于实时获取所述当前帧的点云增集Padt;
第一滤除子单元,用于根据上一帧预处理后的点云集Ppre'判断所述当前点云增集Padt中的离群点是否为因遮挡产生的离群点;若是,将所述因遮挡产生的离群点保留;若否,则将该离群点滤除。
可选的,所述数据处理单元还包括:
数据确定子单元,用于确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集;
提取子单元,用于提取当前帧的所述密度中心点云集的关键密度中心点云集;
集合子单元,用于将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集。
可选的,所述数据确定子单元包括:
第一数据确定模块,用于将预设第一半径内密度大于第一预设阈值的所有点确定为所述密度中心点云集;
第二数据确定模块,用于将预设第二半径内密度小于第二预设阈值的所有点确定为所述离散中心点云集;
第三数据确定模块,用于将预设第三半径内密度分布差值大于第三预设阈值的所有点确定为所述边缘点云集。
本发明的有益效果:本发明实施例通过对所述当前帧的点云增集进行滤波;解决了现有技术中三维激光扫描技术无法对运动物体扫描成像、以及无法在遮挡发生的位置、远处、刚出现过入侵物的附近保留噪点、点云数据处理速度慢的问题,确保了在遮挡发生的位置、远处、刚出现过入侵物的附近保留更多可能的特征点的同时滤去噪点;以及通过对所述当前帧的点云增集进行抽稀,保证了在不破坏点云整体走向趋势的情形下保留关键点云集,提高了点云数据处理速度,节省了时间。
附图说明
图1是根据本发明实施例的一种监控数据处理方法的流程图;
图2是根据本发明实施例的相邻两个密度中心点相连的结构示意图;
图3是根据本发明实施例的一种监控数据处理装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,本文中使用的术语“和/或”仅仅是一种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。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
下面结合附图详细说明本发明的可选实施例。
周界是监管场所最外层的一道最主要防线,不容出现任何意外场所,现有周界的防范系统主要采用红外对射报警系统和雷达墙报警系统;红外对射报警系统其易受天气遮挡物等环境影响,容易发生误报,需要定期调试,维护量大;雷达报警系统其反射干扰大,易受信号干扰、易误报、无法准确识别物体大小。
进一步的,现有技术中的三维激光扫描技术主要应用于测绘、自动驾驶等技术领域,其扫描成像的场景都是静态的,扫描的目的也是对固定物体进行成像。其次,在测绘、自动驾驶等技术领域中,三维激光扫描技术用于对障碍物进行识别,主要是对点云的三维重建,即主要对点云的外轮廓进行平滑;以及对点云的具体位置、外轮廓进行描述。而在周界防范中,其主要关心对目标物体点云的走向识别,确保小物体或者遮挡情况的识别,而无需光滑曲面和严格计算外外轮廓;要对本场景有危害的远距离处物体进行识别,以及有入侵物出现过的区域进行识别。在自动驾驶、测绘领域中,会在遮挡发生的位置、远处、刚出现过入侵物的附近对噪点全部滤除。
因而,本发明提供了一种监控数据处理方法,图1是根据本发明实施例的一种监控数据处理方法的流程图,如图1所示,该方法包括以下步骤:
S101.实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;
S102.将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前帧的点云增集Padt;
S103.对所述当前帧的点云增集Padt进行滤波和抽稀,得到当前帧待分析点云集;
S104.对当前时段内的所有帧的帧待分析点云集进行点云分割及动态分析,得到动态物体点云集并反馈至监控中心。
本发明中采用三维激光扫描技术与无光相机进行融合的立体区域警戒安防技术对周界进行防范。通过激光束进行高速扫描,利用不同物体的反射,对三维空间场景进行高精度测量,从而形成三维点云空间数据。其具有超强的环境适应能力,可在多种模式下滤除误报事件。需要重点监控各种运动的物体,算法侧重于从固定场景中差分出入侵物,并分析入侵物的运动状态与种类。更关心对目标物体点云的走向识别,确保小物体或者遮挡情况的识别,而无需光滑曲面和严格计算外外轮廓。
通过对所述当前帧的点云增集进行滤波;确保了在遮挡发生的位置、远处、刚出现过入侵物的附近保留更多可能的特征点的同时滤去噪点;以及通过对所述当前帧的点云增集进行抽稀,保证了在不破坏点云整体走向趋势的情形下保留关键点云集,提高了点云数据处理速度,节省了时间。
在一个可选的实施方式中,所述滤波包括:实时获取所述当前帧的点云增集Padt;根据上一帧预处理后的点云集Ppre'判断所述当前点云增集Padt中的离群点是否为因遮挡产生的离群点;若是,将所述因遮挡产生的离群点保留;若否,则将该离群点滤除。
现有技术中,在测绘、自动驾驶领域中,对于遮挡是不敏感的,例如,当汽车在行驶时,需要对以下的情况保持敏感,具体为:汽车行驶前方突然出现一过马路的人、汽车行驶的道路上有一个石块、汽车行驶时距离其侧面很近的墙面等等,而汽车在行驶的过程中,对于墙后藏匿的一个人,该人体因遮挡只露出一个头部,对于该人体头部是不敏感的,即该藏匿的人体因遮挡只露出的头部对于汽车的行驶不造成任何的威胁。因而在使用三维激光扫描技术对当前场景进行扫描时,会得到当前帧的点云增集Padt,而对于藏匿在墙后的人体因遮挡会产生多个离群点,在测绘、自动驾驶领域中,进行滤波时,会对该遮挡产生的多个离群点全部滤除,而在本发明中,则将所述因遮挡产生的多个离群点保留。
特别的,对于当前场景内的非固定细小物体,例如:树叶、草、电线等,都不属于遮挡情况,因而其扫描形成的点云集,在进行滤波时会全部滤除。通过该方法,确保了在遮挡发生的位置保留更多可能的特征点的同时滤去噪点。
在一个可选的实施方式中,对于如何判断扫描出的点云增集Padt是否为非固定细小物体点云集,本发明提供了一实施例,即所述根据上一帧预处理后的点云集Ppre'判断所述当前点云增集Padt中的离群点是否为因遮挡产生的离群点包括:根据所述上一帧预处理后的点云集Ppre'在所述离群点附近的密度以及该离群点到最近遮挡边缘的最短距离判断该离群点是否为因遮挡产生的离群点。
因遮挡产生的离群点和不是遮挡产生的离群点,其是有差别的,例如:非固定细小物体(树叶、草、电线)的特征与因遮挡产生的离群点(藏匿在墙体后只露出的人体头部)的特征是不同,即非固定细小物体在当前时段内是会发生晃动的,而藏匿在墙体后只露出的人体头部为了不被发现是不会去晃动的。本发明中,只要根据离群点到光源的距离、所述上一帧预处理后的点云集Ppre'在所述离群点附近的密度以及该离群点到最近遮挡边缘的最短距离就可以判断该离群点是否为因遮挡产生的离群点,具体公式为;其中,y为离群点到光源的距离,B为给定系数,为所述上一帧预处理后的点云集Ppre'在所述离群点附近的密度,r为该离群点到最近遮挡边缘的最短距离。
通过该方法,确保了能够判断出通过三维激光扫描技术扫描出的当前场景内的当前帧的点云增集Padt中的离群点是否为因遮挡产生的离群点,进而能够确保不会滤除因遮挡而产生的离群点,即在遮挡发生的位置保留更多可能的特征点的同时滤去噪点。
在一个可选的实施方式中,所述滤波还包括:将待测点的点密度换算成相同y值时的点密度,并据此确定离群点;所述y值指被测点到光源的距离。
现有技术中,在测绘、自动驾驶领域中,对于远处的物体是不敏感的,例如,当汽车在行驶时,需要对以下的情况保持敏感,具体为:汽车行驶时距离其侧面很近的墙面、汽车行驶前方距离汽车很近的人、汽车行驶前侧距离汽车很近的大石块等等,而汽车在行驶的过程中,对于很远处的人体,侧方很远的树或者墙体、以及前方很远处的石块是不敏感的,即这些物体因距离汽车很远对于汽车的行驶不造成任何的威胁。因而在使用三维激光扫描技术对当前场景进行扫描时,会得到当前帧的点云增集Padt,而对于远距离物体产生的多个离群点,在测绘、自动驾驶领域中,进行滤波时,会对所述多个离群点全部滤除,而在本发明中,周界防范对远距离入侵物体(例如:远距离处的人体)是敏感的,因而在滤波时要保留噪点,即在周界防范领域中,距离检测范围更大,可检测200m长的距离,远距离处的物体在扫描时因为激光发散,较为分散,因而扫描出的远距离物体的相邻两个离群点之间的距离d1相较于近距离物体的相邻两个离群点之间的距离d2会更大,即d1>d2。
因而本发明中,在判断所述点云增集Padt中的离群点时,需要将待测点的点密度换算成相同y值时的点密度来进行判断;所述y值指被测点到光源的距离。(即若y值为10m时,若大于3m处的点为离群点,而当y值为100m时,大于30m处的点为离群点);当判断出是远处物体产生的离群点时,在滤波时保留噪点;进而能够确保不会滤除远处物体产生的离群点,通过该方法,确保了在远距离处保留更多可能的特征点的同时滤去噪点。
在一个可选的实施方式中,所述滤波还包括:对预设时段内曾出现过入侵物的区域降低对噪点的敏感度,以保留更多的噪点。
本发明中,在预设时段内,有前一帧数据作为参考,对于有入侵物出现过的区域降低对噪点的敏感度,以保留更多的噪点。例如:在预设时段内,在某个区域出现过三次入侵物,或者出现过一次入侵物。只要出现过入侵物,即可对该区域降低对噪点的敏感度,以保留更多的噪点。
通过该方法,确保了在刚出现过入侵物的附近保留更多可能的特征点的同时滤去噪点。
在一个可选的实施方式中,所述抽稀包括:确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集;提取当前帧的所述密度中心点云集的关键密度中心点云集;将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集。
本发明中,激光扫描出物体的点云增集Padt后,点云数据量非常大,处理时需要花费很长的时间,因而为了提高数据处理的速度,本发明需要在滤波后进行抽稀,而在抽稀时不应破坏点云增集Padt的结构语义(表现为点云增集Padt的整体走向趋势)。在得到当前帧去噪后的所述点云增集Padt后,先确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集;密度中心点云集中点云数据大(例如:人体头部、四肢、身体中心),需要对该密度中心点云集进行精简,但在追求效率的情况下不应过分的精简,要保留关键密度中心点云集,即能表现出人体的关键点云集(例如:人体头部1个点云、四肢各2个点云、身体中心2个点云),提取出关键密度中心点云集后,再将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集;通过提取当前帧的所述密度中心点云集的关键密度中心点云集,保证了在不破坏点云整体走向趋势的情形下提高了后续点云数据处理速度,节省了时间。
在一个可选的实施方式中,所述确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集包括:将预设第一半径内密度大于第一预设阈值的所有点确定为所述密度中心点云集;将预设第二半径内密度小于第二预设阈值的所有点确定为所述离散中心点云集;将预设第三半径内密度分布差值大于第三预设阈值的所有点确定为所述边缘点云集。
本发明中,将预设第一半径内密度大于第一预设阈值的所有点确定为密度中心点云集(例如:人体头部、四肢、身体中心处,在给定的第一半径内密度大于给定的第一预设阈值,则确定该人体头部、四肢、身体中心处的点云集为密度中心点云集);将预设第二半径内密度小于第二预设阈值的所有点确定为离散中心点云集(例如:人手持的棒子、人的手指处,在给定的第二半径内密度小于给定的第一预设阈值,则确定该人手持的棒子、人的手指处的点云集为离散中心点云集);将预设第三半径内密度分布差值大于第三预设阈值的所有点确定为边缘点云集(例如:人体头部的外轮廓、人体四肢的外轮廓处,在给定的第三半径内密度分布差异大,即密度分布差值大于给定的第三预设阈值的点确定为边缘点云集);通过该方法,可以精准的确定出当前帧的所述去噪点云增集Padt的密度中心点云集,从而可以在当前帧的所述密度中心点云集中提取出关键密度中心点云集。
在一个可选的实施方式中,所述提取当前帧的所述密度中心点云集的关键密度中心点云集,包括:连接相邻的密度中心点kn和kn+1,获得直线knkn+1;在kn处以预设第一半径内寻找节点kn’,并忽略到直线knkn+1距离小于所述第三预设阈值的节点kn’,使得对kn半径内的所有点kj和kn+1半径内的所有点kg有,若存在最小的res大于给定阈值的res1,则认为kn’为新的密度中心点,加入新一轮计算,重复计算直到不再有新的密度中心点产生;其中,dkj表示所有点kj到直线knkn+1的距离,dkg表示所有点kg到直线knkn+1的距离,d’kj表示所有点kj到直线knkn’的距离,d’kg表示所有点kg到直线kn’kn+1的距离。
如图2所示,A代表密度中心点kn,B代表密度中心点kn+1,获得直线knkn+1;在kn处以预设第一半径内寻找节点kn’,节点kn′位于图2中以A为圆心的圆内,为了便于计算,忽略到直线knkn+1距离小于所述第三预设阈值的节点kn’。之后对kn半径内的所有点kj和kn+1半径内的所有点kg有,若存在最小的res大于给定阈值的res1,则认为kn’为新的密度中心点,加入新一轮计算,重复计算直到不再有新的密度中心点产生;其中,dkj表示所有点kj到直线knkn+1的距离,dkg表示所有点kg到直线knkn+1的距离,d’kj表示所有点kj到直线knkn’的距离,d’kg表示所有点kg到直线kn’kn+1的距离。通过该方法,可以找出新的密度中心点即关键密度中心点。
图3是根据本发明实施例的一种监控数据处理装置的结构示意图,如图3所示,该装置包括:扫描单元201,用于实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;差分单元202,用于将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前帧的点云增集Padt;数据处理单元203,用于对所述当前帧的点云增集Padt进行滤波和抽稀,得到当前帧待分析点云集;分析单元204,用于对当前时段内的所有帧的帧待分析点云集进行点云分割及动态分析,得到动态物体点云集并反馈至监控中心。
本发明中采用三维激光扫描技术与无光相机进行融合的立体区域警戒安防技术对周界进行防范。通过激光束进行高速扫描,利用不同物体的反射,对三维空间场景进行高精度测量,从而形成三维点云空间数据。其具有超强的环境适应能力,可在多种模式下滤除误报事件。需要重点监控各种运动的物体,算法侧重于从固定场景中差分出入侵物,并分析入侵物的运动状态与种类。更关心对目标物体点云的走向识别,确保小物体或者遮挡情况的识别,而无需光滑曲面和严格计算外外轮廓。
通过对所述当前帧的点云增集进行滤波;确保了在遮挡发生的位置、远处、刚出现过入侵物的附近保留更多可能的特征点的同时滤去噪点;以及通过对所述当前帧的点云增集进行抽稀,保证了在不破坏点云整体走向趋势的情形下保留关键点云集,提高了点云数据处理速度,节省了时间。
在一个可选的实施方式中,所述数据处理单元203包括:数据获取子单元,用于实时获取所述当前帧的点云增集Padt;第一滤除子单元,用于根据上一帧预处理后的点云集Ppre'判断所述当前点云增集Padt中的离群点是否为因遮挡产生的离群点;若是,将所述因遮挡产生的离群点保留;若否,则将该离群点滤除。
现有技术中,在测绘、自动驾驶领域中,对于遮挡是不敏感的,例如,当汽车在行驶时,需要对以下的情况保持敏感,具体为:汽车行驶前方突然出现一过马路的人、汽车行驶的道路上有一个石块、汽车行驶时距离其侧面很近的墙面等等,而汽车在行驶的过程中,对于墙后藏匿的一个人,该人体因遮挡只露出一个头部,对于该人体头部是不敏感的,即该藏匿的人体因遮挡只露出的头部对于汽车的行驶不造成任何的威胁。因而在使用三维激光扫描技术对当前场景进行扫描时,会得到当前帧的点云增集Padt,而对于藏匿在墙后的人体因遮挡会产生多个离群点,在测绘、自动驾驶领域中,进行滤波时,会对该遮挡产生的多个离群点全部滤除,而在本发明中,则将所述因遮挡产生的多个离群点保留。
特别的,对于当前场景内的非固定细小物体,例如:树叶、草、电线等,都不属于遮挡情况,因而其扫描形成的点云集,在进行滤波时会全部滤除。通过该方法,确保了在遮挡发生的位置保留更多可能的特征点的同时滤去噪点。
进一步的,对于如何判断扫描出的点云增集Padt是否为非固定细小物体点云集,本发明提供了一实施例,即第一滤除子单元包括:根据所述上一帧预处理后的点云集Ppre'在所述离群点附近的密度以及该离群点到最近遮挡边缘的最短距离判断该离群点是否为因遮挡产生的离群点。
因遮挡产生的离群点和不是遮挡产生的离群点,其是有差别的,例如:非固定细小物体(树叶、草、电线)的特征与因遮挡产生的离群点(藏匿在墙体后只露出的人体头部)的特征是不同,即非固定细小物体在当前时段内是会发生晃动的,而藏匿在墙体后只露出的人体头部为了不被发现是不会去晃动的。本发明中,只要根据离群点到光源的距离、所述上一帧预处理后的点云集Ppre'在所述离群点附近的密度以及该离群点到最近遮挡边缘的最短距离就可以判断该离群点是否为因遮挡产生的离群点,具体公式为;其中,y为离群点到光源的距离,B为给定系数,为所述上一帧预处理后的点云集Ppre'在所述离群点附近的密度,r为该离群点到最近遮挡边缘的最短距离。
通过该方法,确保了能够判断出通过三维激光扫描技术扫描出的当前场景内的当前帧的点云增集Padt中的离群点是否为因遮挡产生的离群点,进而能够确保不会滤除因遮挡而产生的离群点,即在遮挡发生的位置保留更多可能的特征点的同时滤去噪点。
在一个可选的实施方式中,所述数据处理单元203还包括:第二滤除子单元,用于将待测点的点密度换算成相同y值时的点密度,并据此确定离群点;所述y值指被测点到光源的距离。
现有技术中,在测绘、自动驾驶领域中,对于远处的物体是不敏感的,例如,当汽车在行驶时,需要对以下的情况保持敏感,具体为:汽车行驶时距离其侧面很近的墙面、汽车行驶前方距离汽车很近的人、汽车行驶前侧距离汽车很近的大石块等等,而汽车在行驶的过程中,对于很远处的人体,侧方很远的树或者墙体、以及前方很远处的石块是不敏感的,即这些物体因距离汽车很远对于汽车的行驶不造成任何的威胁。因而在使用三维激光扫描技术对当前场景进行扫描时,会得到当前帧的点云增集Padt,而对于远距离物体产生的多个离群点,在测绘、自动驾驶领域中,进行滤波时,会对所述多个离群点全部滤除,而在本发明中,周界防范对远距离入侵物体(例如:远距离处的人体)是敏感的,因而在滤波时要保留噪点,即在周界防范领域中,距离检测范围更大,可检测200m长的距离,远距离处的物体在扫描时因为激光发散,较为分散,因而扫描出的远距离物体的相邻两个离群点之间的距离d1相较于近距离物体的相邻两个离群点之间的距离d2会更大,即d1>d2。
因而本发明中,在判断所述点云增集Padt中的离群点时,需要将待测点的点密度换算成相同y值时的点密度来进行判断;所述y值指被测点到光源的距离。(即若y值为10m时,若大于3m处的点为离群点,而当y值为100m时,大于30m处的点为离群点);当判断出是远处物体产生的离群点时,在滤波时保留噪点;进而能够确保不会滤除远处物体产生的离群点,通过该方法,确保了在远距离处保留更多可能的特征点的同时滤去噪点。
在一个可选的实施方式中,所述数据处理单元203还包括:第三滤除子单元,用于对预设时段内曾出现过入侵物的区域降低对噪点的敏感度,以保留更多的噪点。
本发明中,在预设时段内,有前一帧数据作为参考,对于有入侵物出现过的区域降低对噪点的敏感度,以保留更多的噪点。例如:在预设时段内,在某个区域出现过三次入侵物,或者出现过一次入侵物。只要出现过入侵物,即可对该区域降低对噪点的敏感度,以保留更多的噪点。
通过该方法,确保了在刚出现过入侵物的附近保留更多可能的特征点的同时滤去噪点。
在一个可选的实施方式中,所述数据处理单元203还包括:数据确定子单元,用于确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集;提取子单元,用于提取当前帧的所述密度中心点云集的关键密度中心点云集;集合子单元,用于将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集。
本发明中,激光扫描出物体的点云增集Padt后,点云数据量非常大,处理时需要花费很长的时间,因而为了提高数据处理的速度,本发明需要在滤波后进行抽稀,而在抽稀时不应破坏点云增集Padt的结构语义(表现为点云增集Padt的整体走向趋势)。在得到当前帧去噪后的所述点云增集Padt后,先确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集;密度中心点云集中点云数据大(例如:人体头部、四肢、身体中心),需要对该密度中心点云集进行精简,但在追求效率的情况下不应过分的精简,要保留关键密度中心点云集,即能表现出人体的关键点云集(例如:人体头部1个点云、四肢各2个点云、身体中心2个点云),提取出关键密度中心点云集后,再将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集;通过提取当前帧的所述密度中心点云集的关键密度中心点云集,保证了在不破坏点云整体走向趋势的情形下提高了后续点云数据处理速度,节省了时间。
进一步的,所述提取子单元包括:连接相邻的密度中心点kn和kn+1,获得直线knkn+1;在kn处以预设第一半径内寻找节点kn’,并忽略到直线knkn+1距离小于所述第三预设阈值的节点kn’,使得对kn半径内的所有点kj和kn+1半径内的所有点kg有,若存在最小的res大于给定阈值的res1,则认为kn’为新的密度中心点,加入新一轮计算,重复计算直到不再有新的密度中心点产生;其中,dkj表示所有点kj到直线knkn+1的距离,dkg表示所有点kg到直线knkn+1的距离,d’kj表示所有点kj到直线knkn’的距离,d’kg表示所有点kg到直线kn’kn+1的距离。
如图2所示,A代表密度中心点kn,B代表密度中心点kn+1,获得直线knkn+1;在kn处以预设第一半径内寻找节点kn’,节点kn′位于图2中以A为圆心的圆内,为了便于计算,忽略到直线knkn+1距离小于所述第三预设阈值的节点kn’。之后对kn半径内的所有点kj和kn+1半径内的所有点kg有,若存在最小的res大于给定阈值的res1,则认为kn’为新的密度中心点,加入新一轮计算,重复计算直到不再有新的密度中心点产生。其中,dkj表示所有点kj到直线knkn+1的距离,dkg表示所有点kg到直线knkn+1的距离,d’kj表示所有点kj到直线knkn’的距离,d’kg表示所有点kg到直线kn’kn+1的距离。通过该方法,可以找出新的密度中心点即关键密度中心点。
在一个可选的实施方式中,所述数据确定子单元包括:第一数据确定模块,用于将预设第一半径内密度大于第一预设阈值的所有点确定为所述密度中心点云集;第二数据确定模块,用于将预设第二半径内密度小于第二预设阈值的所有点确定为所述离散中心点云集;第三数据确定模块,用于将预设第三半径内密度分布差值大于第三预设阈值的所有点确定为所述边缘点云集。
本发明中,将预设第一半径内密度大于第一预设阈值的所有点确定为密度中心点云集(例如:人体头部、四肢、身体中心处,在给定的第一半径内密度大于给定的第一预设阈值,则确定该人体头部、四肢、身体中心处的点云集为密度中心点云集);将预设第二半径内密度小于第二预设阈值的所有点确定为离散中心点云集(例如:人手持的棒子、人的手指处,在给定的第二半径内密度小于给定的第一预设阈值,则确定该人手持的棒子、人的手指处的点云集为离散中心点云集);将预设第三半径内密度分布差值大于第三预设阈值的所有点确定为边缘点云集(例如:人体头部的外轮廓、人体四肢的外轮廓处,在给定的第三半径内密度分布差异大,即密度分布差值大于给定的第三预设阈值的点确定为边缘点云集);通过该方法,可以精准的确定出当前帧的所述去噪点云增集Padt的密度中心点云集,从而可以在当前帧的所述密度中心点云集中提取出关键密度中心点云集。
以下通过一具体实施例对本发明进行说明:
实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前帧的点云增集Padt;即去除背景点云数据Pbg,对所述当前帧的点云增集进行滤波,即判断点云增集Padt中离群点是否为因遮挡产生的离群点、是否为远距离物体产生的离群点以及将前一帧数据作为参考,判断当前帧中是否有入侵物出现过的区域,从而确保在敏感区域(遮挡发生的位置、远处、刚出现过入侵物的附近)保留更多可能的特征点的同时,滤去噪点;之后在当前帧的所述去噪点云增集Padt中确定密度中心点云集、离散中心点云集和边缘点云集;提取当前帧的所述密度中心点云集的关键密度中心点云集;将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集;最后对当前时段内的所有帧的帧待分析点云集进行点云分割及动态分析,得到动态物体点云集并反馈至监控中心。
例如:当前场景内有一人体藏匿在墙体后面只露出人体头部、草、电线等,对当前场景进行扫描以得到当前帧的点云数据Pcurr;将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前帧的点云增集Padt;即去除墙体的点云数据,只保留出人体头部的离群点、草的离群点、电线的离群点,将所述因遮挡产生的离群点保留,而将草的离群点、电线的离群点全部滤除,之后确定所述人体中的密度中心点云集(人体头部、四肢、身体中心处)、离散中心点云集(人手持的棒子、人的手指处)和边缘点云集(人体头部的外轮廓、人体四肢的外轮廓处),提取当前帧的所述密度中心点云集的关键密度中心点云集(例如:人体头部1个点云、四肢各2个点云、身体中心2个点云)、将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集;最后对当前时段内的所有帧的帧待分析点云集进行点云分割及动态分析,得到动态物体点云集并反馈至监控中心。
另一方面,本发明还提供了一种监控数据处理系统,包括上述的监控数据处理装置。
监控数据处理系统可用于对周界进行防范,通过实时扫描与一系列的计算方式获取当前环境下的入侵目标。在该过程中,通过对点云增集进行滤波和抽稀,确保了在遮挡发生的位置、远处、刚出现过入侵物的附近保留更多可能的特征点的同时滤去噪点;提高了点云数据处理速度,节省了时间。
另一方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上所述的监控数据处理方法。
上述存储介质中存储有上述软件,该存储介质包括但不限于:光盘、软盘、硬盘、可擦写存储器等。
本发明的有益效果:本发明实施例通过对所述当前帧的点云增集进行滤波;解决了现有技术中三维激光扫描技术无法对运动物体扫描成像、以及无法在遮挡发生的位置、远处、刚出现过入侵物的附近保留噪点、点云数据处理速度慢的问题,确保了在遮挡发生的位置、远处、刚出现过入侵物的附近保留更多可能的特征点的同时滤去噪点;以及通过对所述当前帧的点云增集进行抽稀,保证了在不破坏点云整体走向趋势的情形下保留关键点云集,提高了点云数据处理速度,节省了时间。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种监控数据处理方法,其特征在于,所述方法包括:
实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;
将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前帧的点云增集Padt;
对所述当前帧的点云增集Padt进行滤波和抽稀,得到当前帧待分析点云集;
对当前时段内的所有帧的帧待分析点云集进行点云分割及动态分析,得到动态物体点云集并反馈至监控中心。
2.根据权利要求1所述的方法,其特征在于,所述滤波包括:
实时获取所述当前帧的点云增集Padt;
根据上一帧预处理后的点云集Ppre'判断所述当前点云增集Padt中的离群点是否为因遮挡产生的离群点;若是,将所述因遮挡产生的离群点保留;若否,则将该离群点滤除。
3.根据权利要求2所述的方法,其特征在于,所述根据上一帧预处理后的点云集Ppre'判断所述当前点云增集Padt中的离群点是否为因遮挡产生的离群点包括:
根据所述上一帧预处理后的点云集Ppre'在所述离群点附近的密度以及该离群点到最近遮挡边缘的最短距离判断该离群点是否为因遮挡产生的离群点。
4.根据权利要求1所述的方法,其特征在于,所述抽稀包括:
确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集;
提取当前帧的所述密度中心点云集的关键密度中心点云集;
将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集。
5.根据权利要求4所述的方法,其特征在于,所述确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集包括:
将预设第一半径内密度大于第一预设阈值的所有点确定为所述密度中心点云集;
将预设第二半径内密度小于第二预设阈值的所有点确定为所述离散中心点云集;
将预设第三半径内密度分布差值大于第三预设阈值的所有点确定为所述边缘点云集。
6.根据权利要求5所述的方法,其特征在于,所述提取当前帧的所述密度中心点云集的关键密度中心点云集,包括:
连接相邻的密度中心点kn和kn+1,获得直线knkn+1;
在kn处以预设第一半径内寻找节点kn’,并忽略到直线knkn+1距离小于所述第三预设阈值的节点kn’,使得对kn半径内的所有点kj和kn+1半径内的所有点kg有,若存在最小的res大于给定阈值的res1,则认为kn’为新的密度中心点,加入新一轮计算,重复计算直到不再有新的密度中心点产生;
其中,dkj表示所有点kj到直线knkn+1的距离,dkg表示所有点kg到直线knkn+1的距离,d’kj表示所有点kj到直线knkn’的距离,d’kg表示所有点kg到直线kn’kn+1的距离。
7.一种监控数据处理装置,其特征在于,包括:
扫描单元,用于实时对当前场景进行扫描以得到当前帧的点云数据Pcurr;
差分单元,用于将所述当前帧的点云数据Pcurr与背景点云数据Pbg进行差分运算,得到当前帧的点云增集Padt;
数据处理单元,用于对所述当前帧的点云增集Padt进行滤波和抽稀,得到当前帧待分析点云集;
分析单元,用于对当前时段内的所有帧的帧待分析点云集进行点云分割及动态分析,得到动态物体点云集并反馈至监控中心。
8.根据权利要求7所述的装置,其特征在于,所述数据处理单元包括:
数据获取子单元,用于实时获取所述当前帧的点云增集Padt;
第一滤除子单元,用于根据上一帧预处理后的点云集Ppre'判断所述当前点云增集Padt中的离群点是否为因遮挡产生的离群点;若是,将所述因遮挡产生的离群点保留;若否,则将该离群点滤除。
9.根据权利要求7所述的装置,其特征在于,所述数据处理单元还包括:
数据确定子单元,用于确定当前帧去噪后的所述点云增集Padt的密度中心点云集、离散中心点云集和边缘点云集;
提取子单元,用于提取当前帧的所述密度中心点云集的关键密度中心点云集;
集合子单元,用于将所述关键密度中心点云集、离散中心点云集和边缘点云集集合以得到当前帧待分析点云集。
10.根据权利要求9所述的装置,其特征在于,所述数据确定子单元包括:
第一数据确定模块,用于将预设第一半径内密度大于第一预设阈值的所有点确定为所述密度中心点云集;
第二数据确定模块,用于将预设第二半径内密度小于第二预设阈值的所有点确定为所述离散中心点云集;
第三数据确定模块,用于将预设第三半径内密度分布差值大于第三预设阈值的所有点确定为所述边缘点云集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110531574.1A CN112991234B (zh) | 2021-05-17 | 2021-05-17 | 一种监控数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110531574.1A CN112991234B (zh) | 2021-05-17 | 2021-05-17 | 一种监控数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991234A true CN112991234A (zh) | 2021-06-18 |
CN112991234B CN112991234B (zh) | 2021-08-13 |
Family
ID=76336601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110531574.1A Active CN112991234B (zh) | 2021-05-17 | 2021-05-17 | 一种监控数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991234B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505679A (zh) * | 2021-07-02 | 2021-10-15 | 浙江华是科技股份有限公司 | 变电站线缆的监控方法、装置、系统及计算机存储介质 |
CN118072360A (zh) * | 2024-04-19 | 2024-05-24 | 浙江华是科技股份有限公司 | 一种周界入侵单个人体完整识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063702A (zh) * | 2014-07-16 | 2014-09-24 | 中南大学 | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 |
US20160321820A1 (en) * | 2015-05-01 | 2016-11-03 | Raytheon Company | Systems and methods for 3d point cloud processing |
CN109272458A (zh) * | 2018-08-10 | 2019-01-25 | 河海大学 | 一种基于先验信息的点云滤波方法 |
CN112270694A (zh) * | 2020-07-07 | 2021-01-26 | 中国人民解放军61540部队 | 基于激光雷达扫描图进行城市环境动态目标检测的方法 |
CN112634457A (zh) * | 2021-01-06 | 2021-04-09 | 广西科技大学 | 基于豪斯多夫距离和平均投影距离局部熵的点云精简方法 |
-
2021
- 2021-05-17 CN CN202110531574.1A patent/CN112991234B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063702A (zh) * | 2014-07-16 | 2014-09-24 | 中南大学 | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 |
US20160321820A1 (en) * | 2015-05-01 | 2016-11-03 | Raytheon Company | Systems and methods for 3d point cloud processing |
CN109272458A (zh) * | 2018-08-10 | 2019-01-25 | 河海大学 | 一种基于先验信息的点云滤波方法 |
CN112270694A (zh) * | 2020-07-07 | 2021-01-26 | 中国人民解放军61540部队 | 基于激光雷达扫描图进行城市环境动态目标检测的方法 |
CN112634457A (zh) * | 2021-01-06 | 2021-04-09 | 广西科技大学 | 基于豪斯多夫距离和平均投影距离局部熵的点云精简方法 |
Non-Patent Citations (2)
Title |
---|
张军军 等: "边缘系数建筑物雷达点云数据简化方法", 《测绘科学》 * |
苏靖峰: "基于激光扫描的运动目标检测与识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505679A (zh) * | 2021-07-02 | 2021-10-15 | 浙江华是科技股份有限公司 | 变电站线缆的监控方法、装置、系统及计算机存储介质 |
CN113505679B (zh) * | 2021-07-02 | 2023-12-26 | 浙江华是科技股份有限公司 | 变电站线缆的监控方法、装置、系统及计算机存储介质 |
CN118072360A (zh) * | 2024-04-19 | 2024-05-24 | 浙江华是科技股份有限公司 | 一种周界入侵单个人体完整识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112991234B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070570B (zh) | 一种基于深度信息的障碍物检测系统及方法 | |
KR102198724B1 (ko) | 포인트 클라우드 데이터를 처리하기 위한 방법 및 장치 | |
JP5297078B2 (ja) | 車両の死角における移動物体を検知するための方法、および死角検知装置 | |
US8744125B2 (en) | Clustering-based object classification | |
JP5551595B2 (ja) | 滑走路監視システムおよび方法 | |
KR101271092B1 (ko) | 감시 카메라 시스템에서 움직임을 검출하기 위한 실시간움직임 영역 분할 방법 및 장치 | |
CN111753609A (zh) | 一种目标识别的方法、装置及摄像机 | |
CN112799098B (zh) | 雷达盲区监测方法、装置、电子设备和存储介质 | |
CN113192091B (zh) | 一种基于激光雷达与相机融合的远距离目标感知方法 | |
CN111724558B (zh) | 一种监控方法、装置及入侵报警系统 | |
TWI279521B (en) | Apparatus and method for detecting obstacle located at surrounding of pantograph of railway vehicle | |
KR102265980B1 (ko) | 선박 및 항만 모니터링 장치 및 방법 | |
JP4102885B2 (ja) | 駐車車両検知方法及び駐車車両検知システム | |
CN112949566A (zh) | 一种监控方法、装置、系统及计算机存储介质 | |
CN115205796B (zh) | 轨道线路异物侵限监测与风险预警方法及系统 | |
CN111913177A (zh) | 对目标物探测方法、装置以及存储介质 | |
CN112991234B (zh) | 一种监控数据处理方法及装置 | |
CN111428644A (zh) | 基于深度神经网络的斑马线区域监测方法、系统及介质 | |
CN114842166A (zh) | 应用于结构化道路的负障碍检测方法、系统、介质及设备 | |
Sharma et al. | Automatic vehicle detection using spatial time frame and object based classification | |
JP2003187248A (ja) | 画像処理システムおよび画像処理装置 | |
CN116935551A (zh) | 周界入侵检测方法、系统、设备及存储介质 | |
Hu et al. | Negative obstacle detection from image sequences | |
CN116402994A (zh) | 基于激光雷达和视频图像融合的铁路危情监测方法 | |
JP3740531B2 (ja) | 駐車車両検知方法、検知システム及び駐車車両検出装置 |
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 |