CN113066004A - 点云数据的处理方法和装置 - Google Patents

点云数据的处理方法和装置 Download PDF

Info

Publication number
CN113066004A
CN113066004A CN202110298448.6A CN202110298448A CN113066004A CN 113066004 A CN113066004 A CN 113066004A CN 202110298448 A CN202110298448 A CN 202110298448A CN 113066004 A CN113066004 A CN 113066004A
Authority
CN
China
Prior art keywords
point cloud
cloud data
height
segment
area
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.)
Withdrawn
Application number
CN202110298448.6A
Other languages
English (en)
Inventor
杨海溢
贾宁
傅志刚
刘玉平
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.)
Guangdong Bozhilin Robot Co Ltd
Original Assignee
Guangdong Bozhilin Robot 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 Guangdong Bozhilin Robot Co Ltd filed Critical Guangdong Bozhilin Robot Co Ltd
Priority to CN202110298448.6A priority Critical patent/CN113066004A/zh
Publication of CN113066004A publication Critical patent/CN113066004A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G06T3/06—
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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

Abstract

本发明公开了一种点云数据的处理方法和装置。其中，该方法包括：将待处理的点云数据投影至第一维度，得到点云数据的高度信息，其中，第一维度为用于表示空间中的指定维度；将高度信息在第一维度上进行分段，得到多段高度范围；在每段高度范围中检测构成水平区域的目标点云数据；根据目标点云数据从水平区域中筛选出用于表示障碍物的障碍物区域。本发明解决了现有技术中基于点云数据提取障碍物平面的运算量较大的技术问题。

Description

点云数据的处理方法和装置
技术领域
本发明涉及数据处理领域，具体而言，涉及一种点云数据的处理方法和装置。
背景技术
在建筑施工过程中，现场施工环境复杂度高，障碍物分布杂乱，通过激光点云对建筑施工场景进行扫描后，对障碍物的分割识别等处理难度也相应地提高。因此，为了获取更准确的建筑场景三维信息，对激光点云数据进行预处理往往是不可忽略的步骤。
对于建筑施工区域的三维点云数据，为了滤除三维点云中的干扰点，降低后续点云分割步骤复杂度。具体而言，其核心为检测建筑场景内具有不同高度的平面区域，判别可能属于地平面的区域以及其他平面区域，并将其他平面区域内的点云作为干扰点进行过滤。在三维点云处理相关技术领域中，提取点云内平面的方法已经得到广泛应用，例如对路面、房屋内外的墙面、物体表面等区域进行检测识别，常用方法包括最小二乘拟合、随机采样一致性拟合(RANSAC)等，但是此类方法存在计算量大的问题，因此在应用时通常作为一个独立的处理步骤。而在建筑场景的三维点云中，由于现场物料类型多样、堆放杂乱，导致局部表面变化大，平面分层现象多，此时传统拟合方法的计算代价更大，不适用于作为点云的预处理步骤。
针对现有技术中基于点云数据提取障碍物平面的运算量较大的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种点云数据的处理方法和装置，以至少解决现有技术中基于点云数据提取障碍物平面的运算量较大的技术问题。
根据本发明实施例的一个方面，提供了一种点云数据的处理方法，包括：将待处理的点云数据投影至第一维度，得到点云数据的高度信息，其中，第一维度为用于表示空间中的高度的维度；将高度信息在第一维度上进行分段，得到多段高度范围；在每段高度范围中检测构成水平区域的目标点云数据；根据目标点云数据从水平区域中筛选出用于表示障碍物的障碍物区域。
进一步地，在将点云数据投影至第一维度，得到点云数据的高度信息之前，方法还包括：对获取的初始点云数据进行预处理，得到待处理的点云数据，其中，预处理包括如下至少一项：离群值过滤和降采样。
进一步地，将高度信息在第一维度上进行分段，得到多段高度范围，包括：根据高度信息获取每个单位高度分段内所包含的点云数据的数量；按照数量由大至小的顺序，依次确定每个单位高度分段内所包含的点云数据所属的高度范围。
进一步地，按照数量由大至小的顺序，依次确定每个单位高度分段内所包含的点云数据所属的高度范围，包括：在单位高度分段内点云数据的数量大于上方相邻单位高度分段内的数量且大于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为一个新的高度范围；在单位高度分段内点云数据的数量小于上方相邻单位高度分段内的数量且大于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为下方相邻单位高度分段所属的高度范围；在单位高度分段内点云数据的数量大于上方相邻单位高度分段内的数量且小于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为上方相邻单位高度分段所属的高度范围；在单位高度分段内点云数据的数量小于上方相邻单位高度分段内的数量且小于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为上方相邻单位高度分段和下方相邻单位高度分段中，与单位高度分段的数量差距较小的单位高度分段所属的高度范围。
进一步地，在根据高度信息获取每个单位高度分段内所包含的点云数据的数量之后，获取包含的点云数据的数量少于预设数量的单位高度分段；清除获取的单位高度分段内的点云数据。
进一步地，在每段高度范围中检测构成水平区域的目标点云数据，包括：获取分段对应的高度范围的起点和终点；获取分段中点云数量最大的目标位置；确定由目标位置至起点内的多个梯度值，以及由目标位置至终点内的多个梯度值，其中，梯度值用于表示相邻点云数据的高度差；获取所述多个第一梯度值中的第一最大梯度值和所述多个第二梯度值中的第二最大梯度值；在目标位置与所述第一最大梯度值对应的位置之间的距离小于预设值，且所述目标位置与所述第二最大梯度值对应的位置之间的距离小于预设值的情况下，确定检测到所述水平区域。
进一步地，根据目标点云数据从水平区域中筛选出用于表示障碍物的障碍物区域，包括：将目标点云数据所属高度范围内的点云数据投影至第二维度和第三维度所构成的平面，得到投影平面，其中，第二维度和第三维度所构成的平面垂直于第一维度；获取投影平面的面积；根据投影平面的面积筛选出用于表示障碍物的障碍物区域。
进一步地，在获取投影平面的面积之前，方法还包括：对投影平面进行标准化处理，其中，对投影平面进行标准化处理的步骤包括：将投影平面转换为灰度图；对灰度图进行形态学滤波处理。
进一步地，根据投影平面的面积筛选出用于表示障碍物的障碍物区域，包括：获取满足预设条件的投影平面区域，其中，预设条件包括：投影平面的面积大于预设面积，或投影平面的面积与投影平面的最小外接矩形的面积的比值大于预设值；从投影平面中过滤掉满足预设条件的投影平面区域，得到障碍物区域。
根据本发明实施例的一个方面，提供了一种点云数据的处理装置，包括：投影模块，用于将待处理的点云数据投影至第一维度，得到点云数据的高度信息，其中，第一维度为用于表示空间中的指定维度；分段模块，用于将高度信息在第一维度上进行分段，得到多段高度范围；检测模块，用于在每段高度范围中检测构成水平区域的目标点云数据；筛选模块，用于根据目标点云数据从水平区域中筛选出用于表示障碍物的障碍物区域。
根据本发明实施例的一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的点云数据的处理方法。
根据本发明实施例的一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的点云数据的处理方法。
在本发明实施例中，将待处理的点云数据投影至第一维度，得到点云数据的高度信息，其中，第一维度为用于表示空间中的指定维度，将高度信息在第一维度上进行分段，得到多段高度范围，在每段高度范围中检测构成水平区域的目标点云数据，根据目标点云数据从水平区域中筛选出用于表示障碍物的障碍物区域。上述方案通过将待处理的点云数据投影至指定维度，对这一维度的点云数据进行分段处理，从而检测出平面区域，再对平面区域进行筛选，得到障碍物区域。由于对点云数据进行了单一维度的投影和分段，使用单一维度的点云数据进行平面区域的检测，从而大大的降低了数据处理量，提高了数据处理效率，解决了现有技术中基于点云数据提取障碍物平面的运算量较大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种点云数据的处理方法的流程图；
图2a是一种点云数据的示意图；
图2b是对图2a中的点云数据进行离群值过滤和降采样的效果示意图；
图3是根据本发明实施例的一种可选的点云数据的处理方法的流程图；
图4是根据本发明实施例的一种高度方向投影后进行分段的示意图；
图5a是根据本发明实施例的一种不同高度分段内点云数据投影至第二维度和第三维度的示意图；
图5b是根据本发明实施例的一种待过滤区域的示意图；
图6是根据本发明实施例的一种点云数据的处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种点云数据的处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种点云数据的处理方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，将待处理的点云数据投影至第一维度，得到点云数据的高度信息，其中，第一维度为用于表示空间中的指定维度。
具体的，上述待处理的点云数据可以是通过雷达扫描装置在室内扫描得到的点云数据，点云数据是指在一个三维坐标系统中的一组向量的集合。该三维坐标系统在下述实施例中以x-y-z的坐标系统表示，其中，x，y，z分别表示第二维度、第三维度和第一维度，x-y构成水平面，z表示高度信息。
在上述方案中，指定维度可以为高度，将待处理的点云数据投影至坐标中的高度上，得到点云数据的高度信息。需要注意的是，在将待处理的点云数据投影至第一维度得到点云数据的高度信息之后，并不将其他两个维度的数据删除，而是在该步骤以及步骤S104、步骤S106中以每个点云数据的高度信息来表示点云数据。
步骤S104，将高度信息在第一维度上进行分段，得到多段高度范围。
在上述方案中，将高度信息进行分段，可以是根据单位高度内所包含的点云数据进行分段，以得到多段高度范围。
在进行分段时，可以使用多种不同的分段方式，以使得每段高度范围内点云数据的数量均具有一个峰值。由于由于水平方向与高度方向为垂直关系，因此水平区域的点云在投影后，相应高度的点云数量可能形成局部峰值，因此每个高度范围内的峰值处有可能是水平区域所在位置，上述步骤可以基于这一思想将高度信息进行分段。
在一种可选的实施例中，可以先将高度信息划分为多个单位高度分段，并获取每个单位高度分段所包含的点数据的数量。然后找出多个所包含的点云数据的数量与相邻的单位高度分段相比呈现峰值的单位高度分段，将数量峰值所在的单位高度分段分别作为一个高度范围，其他单位高度分段归入这些已经确定的高度范围。归入的方式可以是，归入点云数据的数量大于自身数量的相邻单位高度分段所属的高度范围。
需要说明的是，障碍物的点云数据主要分布在某一局部高度范围内，将点云数据在高度向上投影后，该局部高度范围内的点云数量包含该物体点云数量的总和，因此相比于其他不包含障碍物的高度位置，该局部高度范围内的点云数量更大；反之，可以通过比较高度方向上点云数量的分布情况，来判断不同高度范围内是否存在障碍物。除此之外，由于物体的尺寸、位置变化、以及存在噪声干扰，因此上述方案在高度方向上划分出大小不固定的分段，以获取不同的高度范围，进而能够在不同的高度范围内检测水平区域。将高度信息划分为多段高度范围，即可应用水平区域的点云在投影后相应高度的点云数量可形成局部峰值的这一特性，分别在每段高度范围内检测水平区域，从而避免滤除三维点云中的干扰点。
步骤S106，在每段高度范围中检测构成水平区域的目标点云数据。
在上述方案中，由于水平方向与高度方向为垂直关系，因此水平区域的点云在投影后，相应高度的点云数量可能形成局部峰值。
在一种可选的实施例中，可以根据步骤S104中的高度范围进行峰值检测，由于水平区域内点云数量在高度方向较为集中，因此可以从每个高度范围内的峰值点云数据所在的位置开始进行搜索，分别搜索峰值两侧具有最大梯度的位置；由于这一位置即有可能是水平区域和非水平区域的交界处，因此可以根据峰值两侧最大梯度位置，确定出构成水平区域的目标点云数据，例如，可以确定峰值两侧最大梯度位置之间的点云数据为构成水平区域的目标点云数据。
步骤S108，根据目标点云数据从水平区域中筛选出用于表示障碍物的障碍物区域。
具体的，对于一个室内区域内的水平区域，可能是室内的障碍物，也可能是室内的地板或者天花板，上述步骤对目标点云数据进行筛选，即对室内的水平区域进行筛选，从而排除地面和天花板等室内结构固有的水平区域，得到障碍物区域。
由上可知，本申请上述实施例待处理的点云数据投影至第一维度，得到点云数据的高度信息，其中，第一维度为用于表示空间中的指定维度；将高度信息在第一维度上进行分段，得到多段高度范围；在每段高度范围中检测构成水平区域的目标点云数据；根据目标点云数据从水平区域中筛选出用于表示障碍物的障碍物区域。上述方案通过将待处理的点云数据投影至高度信息所在的维度，对这一维度的点云数据进行分段处理，从而检测出平面区域，再对平面区域进行筛选，得到障碍物区域。由于对点云数据进行了单一维度的投影和分段，使用单一维度的点云数据进行平面区域的检测，从而大大的降低了数据处理量，提高了数据处理效率，解决了现有技术中基于点云数据提取障碍物平面的运算量较大的技术问题。
作为一种可选的实施例，在将点云数据投影至第一维度，得到点云数据的高度信息之前，上述方法还包括：对获取的初始点云数据进行预处理，得到待处理的点云数据，其中，预处理包括如下至少一项：离群值过滤和降采样。
上述方案通过离群值过滤和降采样，过滤三维点云中的离群噪声点和重复扫描点，进一步降低数据处理量，从而提高数据处理效率。下面对这两种预处理方式分别进行说明。
在使用激光雷达获取建筑场景三维点云过程中，可能存在一些离散的噪声点，且场景中相同位置的点可能被多次扫描到，这些噪声点或重复扫描点对于从点云数据中提取物体信息不具有帮助，反而可能增加处理步骤的计算量，因此需要进行过滤。离群值过滤方法可以如下：首先对每一个点进行邻域搜索，计算该点到其邻域内所有点的平均距离；然后所有点到其邻域的平均距离进行统计分析，假设该平均距离服从高斯分布，并计算所有点的邻域平均距离的均值和标准差；最后，由均值和标准差计算阈值，如阈值取均值加三倍标准差，将邻域平均距离大于阈值的点判别为离群点，并从点云数据中滤除。
在一种可选的实施例中，本实施例中仅利用点云的三维坐标，因此记点云中第i个点的坐标为pi≡(xi，yi，zi)。设置邻域搜索参数k，对每个点搜索与其距离最近的k个点，例如k＝4；设与第i个点相邻的k个点为{pj|j∈[1，k]}，计算第i个点的平均距离为：
Figure BDA0002985183370000071
对每个点的平均距离di计算统计量：均值m和标准差s；设计阈值thd＝m+s×3；判断每个点的平均距离是否大于阈值，当di大于阈值时将第i个点从点云中删除；遍历所有点后完成离群值过滤。
上述方案中的降采样可以通过体素来实现，将点云数据换算为体素数据表示。体素表示为三维空间中具有特定大小和方向的立方体所占据空间，通常其大小由参数指定，方向与坐标轴对齐；于是，三维点云空间可以划分为由相邻且不重叠的体素组成，则每个体素空间包含了局部点云。认为体素空间内的局部点云属于重复点，计算局部点云的质心位置，此时质心等于体素内所包含的所有点云数据的位置坐标的均值；删除局部点云数据，将每个体素内局部点云的质心添加为新的点，实现点云数据降采样。
在一种可选的实施例中，体素为三维空间的立方体构成空间，通常将体素立方体的长宽高设为相同值，本实施例中体素立方体长宽高均取δ＝0.01cm；将三维点云数据沿三维空间的坐标轴划分为不重叠的相同大小体素立方体，则一个体素空间的坐标范围为：
Figure BDA0002985183370000072
然后，判断位于该体素空间内的点pi∈Λlwh，对所有位于该体素空间内的点计算质心，本实施例中点云数据仅为坐标值，因此质心为：
Figure BDA0002985183370000073
其中hlwh为体素内点云数量；删除该体素空间内的点云数据删除，并把质心pc添加为新的点。
图2a是一种点云数据的示意图，图2b是对图2a中的点云数据进行离群值过滤和降采样的效果示意图。结合图2a和图2b所示，原始输入点云数据包含11986972个数据点，图2a显示了点云数据某局部区域，白色点为点云存在点的位置。通过上述步骤过滤后的点云数据包含2507998个数据点，数据量约为原始点云的21％，过滤后的点云局部区域如图2b所示。可以看出，处理后点云的整体密度有所降低，且原始点云中存在重复扫描的位置出现了不均匀的条纹效应，而在处理后的点云中则基本上被过滤。
图3是根据本发明实施例的一种可选的点云数据的处理方法的流程图，结合图3所示，在获取三维点云数据之后，可以先对运维点云数据进行离群值过滤和降采样，以降低数据处理量，再进入步骤S102，依次进行高度方向的一维投影、水平区域的检测以及水平点云的过滤，最后输出得到的点云数据，即为用于表示障碍物的点云数据。
作为一种可选的实施例，将高度信息在第一维度上进行分段，得到多段高度范围，包括：根据高度信息获取每个单位高度分段内所包含的点云数据的数量；按照数量由大至小的顺序，依次确定每个单位高度分段内所包含的点云数据所属的高度范围。
在建筑施工场景中，由于存在多个楼层或堆放在不同高度的施工材料，导致三维点云中的物体会形成相互遮挡等现象，增加点云数据处理的难度。因此，先对建筑施工场景三维点云进行高度方向上的预处理，以有效过滤干扰点云。通常，三维点云的高度方向由坐标轴z轴表示，于是将高度方向投影等同于z轴方向投影。假设某物体点云主要分布在某一局部高度范围内，在高度向上投影后，该局部高度范围内点云数量包含该物体点云数量的总和。因此相比于其他不存在物体的高度位置，该局部高度范围内的点云数量更大；反之，通过比较高度方向上点云数量的分布情况，可以判断不同高度范围内是否存在物体。除此之外，由于物体的尺寸、位置变化、以及存在噪声干扰，应在高度方向上划分出大小不固定的范围以获取不同高度的物体。
在上述方案中，由于空间内障碍物的分布与点云数据的数量息息相关，某个高度空间内存在障碍物，其点云数据必然较大，因此依据数量进行点云数据在高度上的分段，能够有效地滤除点云数据中不同高度范围内的干扰，便于对平面区域的搜索。
作为一种可选的实施例，按照数量由大至小的顺序，依次确定每个单位高度分段内所包含的点云数据所属的高度范围，包括：
在单位高度分段内点云数据的数量大于上方相邻单位高度分段内的数量且大于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为一个新的高度范围；
在单位高度分段内点云数据的数量小于上方相邻单位高度分段内的数量且大于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为下方相邻单位高度分段所属的高度范围；
在单位高度分段内点云数据的数量大于上方相邻单位高度分段内的数量且小于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为上方相邻单位高度分段所属的高度范围；
在单位高度分段内点云数据的数量小于上方相邻单位高度分段内的数量且小于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为上方相邻单位高度分段和下方相邻单位高度分段中，与单位高度分段的数量差距较小的单位高度分段所属的高度范围。
上述步骤分别对四种情况进行了描述，下面以可选的实施例对上述几种情况进行详细说明。
在一种可选的实施例中，本实施例中，设高度方向网格(即上述单位高度)的分辨率为r＝0.02cm，然后将点云数据沿z轴进行投影，得到点云数据的高度信息，即当第i个点的坐标满足
Figure BDA0002985183370000095
将点投影到第h个高度方向网格。由于网格分辨率相同，可直接用整数h代表高度。
对所有点进行投影后，按高度值h从小到大的顺序生成数组，则第i个网格为hi，若其下方也存在网格，则下方网格高度为hi-1，反之若上方存在网格，则上方网格高度为hi+1。计算投影到每个网格的点的数量ni，并保存到数组对应顺序的位置；同时，为了降低噪声的影响，对该数组进行均值滤波，滤波窗口大小为3，则滤波后数组的值为：
Figure BDA0002985183370000091
对滤波后的数组计算均值
Figure BDA0002985183370000092
H为高度方向网格数量，计算高度阈值thh＝α×mn，本实施例中α＝0.3。
设投影点云数量ni最大值所对应网格的序号为1，依次按ni的大小为每个网格分配序号
Figure BDA0002985183370000093
反之，把序号为q的网格在数组中的位置记为i，对应的投影点云的数量值为ni。从序号为1的网格开始依次执行高度划分。设当前序号q，判断条件：
1)ni＞ni-1；
2)ni＞ni+1；
其中，当条件1)和2)同时满足，说明当前网格对应数量为局部极大值，则在网格位置划分一个新的标记li＝q，并记录
Figure BDA0002985183370000094
为标记li＝q所对应的极大值所在网格位置；当条件1)满足，条件2)不满足，说明当前网格对应数量值小于其上方网格对应数量值，根据处理网格的序号可知，此时其上方网格已执行过高度分段且标记为li+1，因此将序号q的网格划分为与上方网格相同的标记，即li＝li+1；反之，当条件1)不满足，条件2)满足，将当前网格划分为与下方网格相同的标记,即li＝li-1；当条件1)和条件2)均不满足时，分别取上方网格和下方网格所划分标记的极大值所在网格位置
Figure BDA0002985183370000101
判断极大值
Figure BDA0002985183370000102
与当前网格的值ni的差距，将差距更小的标记划分给当前网格：
Figure BDA0002985183370000103
图4是根据本发明实施例的一种高度方向投影后进行分段的示意图，其中，横轴表示高度网格h_i，纵轴表示高度网格的点云数量的归一化值，即点云数量除以数组中最大的值；曲线线条和圆点表示归一化后每个高度网格对应的数组的值，由矩形线条框出了具有相同标记的高度范围。忽略标记为0的高度网格，本实施例的高度划分结果包含5个高度范围：25：12-100；174：168-196；200：197-207；233：228-236；238：237-242，其中，以25：12-100为例，25表示该高度范围内数组的极大值所在网格位置
Figure BDA0002985183370000104
12-100表示高度范围划分的起点网格位置至终点网格位置。
本申请上述方案按照每个单位高度分段中所包含的点云数据的数量，确定每个单位高度分段所属的高度范围，从而将点云数据划分成为多段高度范围。该方案在确定每个单位高度分段所属的高度范围时，通过上述几个步骤，将点云数据的数量少的单位高度分段向数量多的单位高度分段中聚集，并按照所包含的点云数据的数量由大至小的顺序，依次确定每个单位高度分段所属的高度范围。通过这样的方式，使得每个高度范围内的点云数量均呈现出中间多，两端低的趋势，也即每个高度范围内均具有一个单位高度分段的数据量处于峰值。由于构成水平区域的目标点云数据通常会聚集在同一高度，使得处于同一高度的数量较多的点云数据大概率是构成水平区域的目标点云数据，因此上述方案构成的每个高度范围中均有可能包含了一个水平区域，在这种情况下，再在每个高度范围内寻找构成水平区域的目标点云数据，从而能够滤除三维点云中的干扰点，降低点云分割的复杂度，进而具有更高的效率。
作为一种可选的实施例，在根据高度信息获取每个单位高度分段内所包含的点云数据的数量之后，上述方法还包括：获取包含的点云数据的数量少于预设数量的单位高度分段，清除获取的单位高度分段内的点云数据。
上述方案通过清除数量少于预设数量的单位高度中的点云数据，对一些噪声点云数据或意义不大的点云数据进行了清除。
在一种可选的上述中，滤波后数组的值为：
Figure BDA0002985183370000105
对滤波后的数组计算均值
Figure BDA0002985183370000106
H为高度方向网格数量，计算高度阈值thh＝α×mn，α＝0.3。当序号为q的网格对应数量值ni＜thh时，将该网格与剩余未处理网格的标记均设为0，并终止高度分段的步骤。
作为一种可选的实施例，在每段高度范围中检测构成水平区域的目标点云数据，包括：获取分段对应的高度范围的起点和终点；获取分段中点云数量最大的目标位置；确定由目标位置至起点内的多个梯度值，以及由目标位置至终点内的多个梯度值，其中，梯度值用于表示相邻点云数据的高度差；获取所述多个第一梯度值中的第一最大梯度值和所述多个第二梯度值中的第二最大梯度值；在目标位置与所述第一最大梯度值对应的位置之间的距离小于预设值，且所述目标位置与所述第二最大梯度值对应的位置之间的距离小于预设值的情况下，确定检测到所述水平区域。
当一个高度范围内存在水平区域时，水平区域所在位置的点云数量较多，而非水平区域所在位置的点云数量较少，因此水平区域和非水区域的交界处的梯度值较大，上述方案正是基于这一原理，假设点云数量最大的目标位置为水平区域的中心，并分别向两个方向搜索假设的水平区域与非水平区域的交界处(即最大的梯度值所在的位置)，再根据目标位置和最大梯度值所在位置之间的距离进一步判断假设的水平区域是否为真实的水平区域。
在上述方案中，对每个高度范围内的点云数据进行检测。由于水平方向与高度方向为垂直关系，因此水平区域的点云在投影至高度这一维度后，相应高度的点云数量可能形成局部峰值。该局部峰值所在位置即为上述的目标位置。根据分段结果进行峰值检测，由于水平区域内点云数量在高度方向较为集中，峰值检测过程从每个高度划分范围内的峰值开始，基于高度网格内点云数量的梯度进行搜索，分别搜索峰值两侧具有最大梯度的位置；最终，当峰值到两侧最大梯度位置的距离小于阈值thp时，认为两侧最大梯度位置之间检测到水平区域。
需要说明的是，在进行峰值检测时候，将峰值两侧点云数量较低的其他网格位置删除，可进一步减少数据处理量，提高处理效率。
在一种可选的实施例中，对高度分段结果进行检测，例如对标记为lq所对应的高度范围划分，取范围起点为s，终点为e，且点云数量最大值的位置，即上述目标位置
Figure BDA0002985183370000111
对保存投影点云数量的数组，分别从左侧由p到s，与右侧由p到e计算的梯度值：
Figure BDA0002985183370000112
计算左侧和右侧的最大梯度值所在位置：
Figure BDA0002985183370000113
当目标位置与最大梯度值位置的距离小于thp(即上述预设值)时，即p-is＜thp∧ie-p＜thp，认为检测到水平点云区域，且对应的高度范围为[is，ie]，反之，认为不存在水平点云区域。
基于图4的高度划分范围结果，上述实施例检测到的水平点云区域对应的高度范围为：[22-30]，[169-176]，[232-236]，[237-242]，也即，共检测出4个水平点云区域所在的高度范围。
作为一种可选的实施例，根据目标点云数据从水平区域中筛选出用于表示障碍物的障碍物区域，包括：将目标点云数据所属高度范围内的点云数据投影至第二维度和第三维度所构成的平面，得到投影平面，其中，第二维度和第三维度所构成的平面垂直于第一维度；获取投影平面的面积；根据投影平面的面积筛选出用于表示障碍物的障碍物区域。
上述方案用于在检测到的水平点云区域的高度范围内，对属于这一范围内的点云进行二维投影，并滤除面积较大的水平区域，面积较大的水平区域实际表示的是地板或天花板等室内建筑固有的结构，而并不表示障碍物。
由于水平点云区域所在高度范围内同时存在其他非平面的点云，例如某些较高的障碍物，在很大的高度范围内都分布有其点云。因此，需要将上述步骤检测出的高度范围内的点云在水平面上进行二维投影，通过分析投影图中物体的轮廓，判别对应点云是否属于平面区域，进而过滤掉面积较大的平面区域点云，完成点云预处理。
作为一种可选的实施例，在获取投影平面的面积之前，上述方法还包括：对投影平面进行标准化处理，其中，对投影平面进行标准化处理的步骤包括：将投影平面转换为灰度图；对灰度图进行形态学滤波处理。
作为一种可选的实施例，首先获取步骤S106中检测出平面的高度分段，提取位于该高度分段内的点云数据，即
Figure BDA0002985183370000122
在水平面上进行二维投影，其过程与一维投影相似，设分辨率r＝0.02cm，则当点云坐标满足
Figure BDA0002985183370000121
该点投影到第(l，w)个网格，并计算最大高度值。将投影网格转换为二维图像，记为Ih，且每个网格对应像素的值设为网格中投影点的最大高度值。同时，假设所有点云数据高度均为正数，则将不存在投影点的网格所对应像素的值设为0。
对二维图像Ih进行标准化，即将图像像素值的取值缩放到0-255之间，并转换为8位无符号数据灰度图，转换公式为：
Figure BDA0002985183370000131
其中，minIh，maxIh分别为Ih中的最小值和最大值，符号
Figure BDA0002985183370000136
表示对数值*向下取整并转为无符号8位整数。
对图像
Figure BDA0002985183370000132
进行阈值化和形态学滤波处理，则小于阈值的像素变为0，大于阈值的像素变为255。本实施例中的将阈值设为1，形态学滤波采用大小为7×7的矩形结构元素，对图像
Figure BDA0002985183370000133
阈值化后的结果执行形态学闭运算后，输出图像记为
Figure BDA0002985183370000134
并应用轮廓检测算法提取
Figure BDA0002985183370000135
中区域的轮廓，以及轮廓的外接矩形。
作为一种可选的实施例，根据投影平面的面积筛选出用于表示障碍物的障碍物区域，包括：获取满足预设条件的投影平面区域，其中，预设条件包括：投影平面的面积大于预设面积，或投影平面的面积与投影平面的最小外接矩形的面积的比值大于预设值；从投影平面中过滤掉满足预设条件的投影平面平面，得到障碍物区域。
在一种可选的实施例中，计算轮廓包含区域的面积aC和相应外接矩形的面积aR，当aC＞tha或者aC/aR＞thr时，认为该轮廓所包含区域为待过滤区域。本实施例中，tha＝600，thr＝0.8。获取待过滤区域内像素所对应的投影网格，并将网格内所有投影点对应的原始点云数据删除，完成水平点云区域过滤。
图5a是根据本发明实施例的一种不同高度分段内点云数据投影至第二维度和第三维度的示意图，图5b是根据本发明实施例的一种待过滤区域的示意图，其中从上到下表示在不同高度范围内的点云数据，图5a中白色点为对应高度范围内的点云数据在水平面投影后的图像，图5b中不为黑色的部分表示待过滤区域。
实施例2
根据本发明实施例，提供了一种点云数据的处理装置的实施例，图6是根据本发明实施例的一种点云数据的处理装置的示意图，如图6所示，该装置包括：
投影模块60，用于将待处理的点云数据投影至第一维度，得到点云数据的高度信息，其中，第一维度为用于表示空间中的指定维度；
分段模块62，用于将高度信息在第一维度上进行分段，得到多段高度范围；
检测模块64，用于在每段高度范围中检测构成水平区域的目标点云数据；
筛选模块66，用于根据目标点云数据从水平区域中筛选出用于表示障碍物的障碍物区域。
作为一种可选的实施例，上述装置还包括：预处理模块，用于在将点云数据投影至第一维度，得到点云数据的高度信息之前，对获取的初始点云数据进行预处理，得到待处理的点云数据，其中，预处理包括如下至少一项：离群值过滤和降采样。
作为一种可选的实施例，分段模块包括：第一获取子模块，用于根据高度信息获取每个单位高度分段内所包含的点云数据的数量；第一确定子模块，用于按照数量由大至小的顺序，依次确定每个单位高度分段内所包含的点云数据所属的高度范围。
作为一种可选的实施例，确定子模块包括：
第一划分单元，用于在单位高度分段内点云数据的数量大于上方相邻单位高度分段内的数量且大于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为一个新的高度范围；
第二划分单元，用于在单位高度分段内点云数据的数量小于上方相邻单位高度分段内的数量且大于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为下方相邻单位高度分段所属的高度范围；
第三划分单元，用于在单位高度分段内点云数据的数量大于上方相邻单位高度分段内的数量且小于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为上方相邻单位高度分段所属的高度范围；
第四划分单元，用于在单位高度分段内点云数据的数量小于上方相邻单位高度分段内的数量且小于下方相邻单位高度分段内的数量的情况下，将单位高度分段划分为上方相邻单位高度分段和下方相邻单位高度分段中，与单位高度分段的数量差距较小的单位高度分段所属的高度范围。
作为一种可选的实施例，上述装置还包括：第二获取子模块，用于在根据高度信息获取每个单位高度分段内所包含的点云数据的数量之后，获取包含的点云数据的数量少于预设数量的单位高度分段；清除子模块，用于清除获取的单位高度分段内的点云数据。
作为一种可选的实施例，检测模块包括：第三获取子模块，用于获取分段对应的高度范围的起点和终点；第四获取子模块，用于获取分段中点云数量最大的目标位置；第二确定子模块，用于确定由目标位置至起点内的多个梯度值，以及由目标位置至终点内的多个梯度值，其中，梯度值用于表示相邻点云数据的高度差；第五获取子模块，用于获取所述多个第一梯度值中的第一最大梯度值和所述多个第二梯度值中的第二最大梯度值；第三确定子模块，用于在目标位置与所述第一最大梯度值对应的位置之间的距离小于预设值，且所述目标位置与所述第二最大梯度值对应的位置之间的距离小于预设值的情况下，确定检测到所述水平区域。
作为一种可选的实施例，筛选模块包括：投影子模块，用于将目标点云数据所属高度范围内的点云数据投影至第二维度和第三维度所构成的平面，得到投影平面，其中，第二维度和第三维度所构成的平面垂直于第一维度；第六获取子模块，用于获取投影平面的面积；筛选子模块，用于根据投影平面的面积筛选出用于表示障碍物的障碍物区域。
作为一种可选的实施例，上述装置还包括：处理模块，用于在获取投影平面的面积之前，对投影平面进行标准化处理，其中，处理模块包括：转换子模块，用于将投影平面转换为灰度图；滤波子模块，用于对灰度图进行形态学滤波处理。
作为一种可选的实施例，筛选模块包括：第七获取子模块，用于获取满足预设条件的投影平面区域，其中，预设条件包括：投影平面的面积大于预设面积，或投影平面的面积与投影平面的最小外接矩形的面积的比值大于预设值；过滤子模块，用于从投影平面中过滤掉满足预设条件的投影平面区域，得到障碍物区域。
实施例3
根据本发明实施例，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行实施例1的点云数据的处理方法。
实施例4
根据本发明实施例，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行实施例1的点云数据的处理方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种点云数据的处理方法，其特征在于，包括：
将待处理的点云数据投影至第一维度，得到所述点云数据的高度信息，其中，第一维度为用于表示空间中的指定维度；
将所述高度信息在所述第一维度上进行分段，得到多段高度范围；
在每段所述高度范围中检测构成水平区域的目标点云数据；
根据所述目标点云数据从所述水平区域中筛选出用于表示障碍物的障碍物区域。
2.根据权利要求1所述的方法，其特征在于，在将所述点云数据投影至第一维度，得到高度信息之前，所述方法还包括：对获取的初始点云数据进行预处理，得到所述待处理的点云数据，其中，所述预处理包括如下至少一项：离群值过滤和降采样。
3.根据权利要求1或2所述的方法，其特征在于，将所述高度信息在所述第一维度上进行分段，得到多段高度范围，包括：
根据所述高度信息获取每个单位高度分段内所包含的点云数据的数量；
按照所述数量由大至小的顺序，依次确定每个单位高度分段内所包含的点云数据所属的高度范围。
4.根据权利要求3所述的方法，其特征在于，按照所述数量由大至小的顺序，依次确定每个单位高度分段内所包含的点云数据所属的高度范围，包括：
在单位高度分段内点云数据的数量大于上方相邻单位高度分段内的数量且大于下方相邻单位高度分段内的数量的情况下，将所述单位高度分段划分为一个新的高度范围；
在所述单位高度分段内点云数据的数量小于上方相邻单位高度分段内的数量且大于下方相邻单位高度分段内的数量的情况下，将所述单位高度分段划分为下方相邻单位高度分段所属的高度范围；
在所述单位高度分段内点云数据的数量大于上方相邻单位高度分段内的数量且小于下方相邻单位高度分段内的数量的情况下，将所述单位高度分段划分为上方相邻单位高度分段所属的高度范围；
在所述单位高度分段内点云数据的数量小于上方相邻单位高度分段内的数量且小于下方相邻单位高度分段内的数量的情况下，将所述单位高度分段划分为所述上方相邻单位高度分段和所述下方相邻单位高度分段中，与所述单位高度分段的数量差距较小的单位高度分段所属的高度范围。
5.根据权利要求3所述的方法，其特征在于，在根据所述高度信息获取每个单位高度分段内所包含的点云数据的数量之后，所述方法还包括：
获取包含的点云数据的数量少于预设数量的单位高度分段；
清除获取的所述单位高度分段内的点云数据。
6.根据权利要求1所述的方法，其特征在于，在每段所述高度范围中检测构成水平区域的目标点云数据，包括：
获取分段对应的高度范围的起点和终点；
获取所述分段中点云数量最大的目标位置；
确定由所述目标位置至所述起点内的多个第一梯度值，以及由所述目标位置至所述终点内的多个第二梯度值，其中，所述梯度值用于表示相邻点云数据的高度差；
获取所述多个第一梯度值中的第一最大梯度值和所述多个第二梯度值中的第二最大梯度值；
在目标位置与所述第一最大梯度值对应的位置之间的距离小于预设值，且所述目标位置与所述第二最大梯度值对应的位置之间的距离小于预设值的情况下，确定检测到所述水平区域。
7.根据权利要求1所述的方法，其特征在于，根据所述目标点云数据从所述水平区域中筛选出用于表示障碍物的障碍物区域，包括：
将所述目标点云数据所属高度范围内的点云数据投影至第二维度和第三维度所构成的平面，得到投影平面，其中，所述第二维度和所述第三维度所构成的平面垂直于所述第一维度；
获取所述投影平面的面积；
根据所述投影平面的面积筛选出用于表示障碍物的障碍物区域。
8.根据权利要求7所述的方法，其特征在于，在获取所述投影平面的面积之前，所述方法还包括：对所述投影平面进行标准化处理，其中，对所述投影平面进行标准化处理的步骤包括：
将所述投影平面转换为灰度图；
对所述灰度图进行形态学滤波处理。
9.根据权利要求7或8所述的方法，其特征在于，根据所述投影平面的面积筛选出用于表示障碍物的障碍物区域，包括：
获取满足预设条件的投影平面区域，其中，所述预设条件包括：所述投影平面的面积大于预设面积，或所述投影平面的面积与所述投影平面的最小外接矩形的面积的比值大于预设值；
从所述投影平面中过滤掉满足所述预设条件的投影平面区域，得到所述障碍物区域。
10.一种点云数据的处理装置，其特征在于，包括：
投影模块，用于将待处理的点云数据投影至第一维度，得到所述点云数据的高度信息，其中，第一维度为用于表示空间中的指定维度；
分段模块，用于将所述高度信息在所述第一维度上进行分段，得到多段高度范围；
检测模块，用于在每段所述高度范围中检测构成水平区域的目标点云数据；
筛选模块，用于根据所述目标点云数据从所述水平区域中筛选出用于表示障碍物的障碍物区域。
11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至9中任意一项所述的点云数据的处理方法。
12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至9中任意一项所述的点云数据的处理方法。
CN202110298448.6A 2021-03-19 2021-03-19 点云数据的处理方法和装置 Withdrawn CN113066004A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110298448.6A CN113066004A (zh) 2021-03-19 2021-03-19 点云数据的处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110298448.6A CN113066004A (zh) 2021-03-19 2021-03-19 点云数据的处理方法和装置

Publications (1)

Publication Number Publication Date
CN113066004A true CN113066004A (zh) 2021-07-02

Family

ID=76562534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110298448.6A Withdrawn CN113066004A (zh) 2021-03-19 2021-03-19 点云数据的处理方法和装置

Country Status (1)

Country Link
CN (1) CN113066004A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581739A (zh) * 2022-04-15 2022-06-03 长沙公信诚丰信息技术服务有限公司 一种基于特征识别的点云标注方法、装置及电子设备
CN115937466A (zh) * 2023-02-17 2023-04-07 烟台市地理信息中心 一种融合gis的三维模型生成方法、系统及存储介质
CN116977600A (zh) * 2023-07-03 2023-10-31 上海鱼微阿科技有限公司 一种xr设备及xr设备高度采集方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104349094A (zh) * 2013-08-09 2015-02-11 联想(北京)有限公司 投影方法及设备
CN106951847A (zh) * 2017-03-13 2017-07-14 百度在线网络技术（北京）有限公司 障碍物检测方法、装置、设备及存储介质
CN110349195A (zh) * 2019-06-25 2019-10-18 杭州汇萃智能科技有限公司 一种基于深度图像的目标物体3d测量参数获取方法、系统和存储介质
CN111210429A (zh) * 2020-04-17 2020-05-29 中联重科股份有限公司 点云数据划分方法及装置、障碍物检测方法及装置
CN111598034A (zh) * 2020-05-22 2020-08-28 知行汽车科技（苏州）有限公司 障碍物检测方法、装置及存储介质
US20200294254A1 (en) * 2019-03-12 2020-09-17 L&T Technology Services Limited Generating composite image from multiple images captured for subject
CN112348781A (zh) * 2020-10-26 2021-02-09 广东博智林机器人有限公司 一种基准面高度检测方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104349094A (zh) * 2013-08-09 2015-02-11 联想(北京)有限公司 投影方法及设备
US20150042684A1 (en) * 2013-08-09 2015-02-12 Lenovo (Beijing) Limited Projection methods and projection devices
CN106951847A (zh) * 2017-03-13 2017-07-14 百度在线网络技术（北京）有限公司 障碍物检测方法、装置、设备及存储介质
US20200294254A1 (en) * 2019-03-12 2020-09-17 L&T Technology Services Limited Generating composite image from multiple images captured for subject
CN110349195A (zh) * 2019-06-25 2019-10-18 杭州汇萃智能科技有限公司 一种基于深度图像的目标物体3d测量参数获取方法、系统和存储介质
CN111210429A (zh) * 2020-04-17 2020-05-29 中联重科股份有限公司 点云数据划分方法及装置、障碍物检测方法及装置
CN111598034A (zh) * 2020-05-22 2020-08-28 知行汽车科技（苏州）有限公司 障碍物检测方法、装置及存储介质
CN112348781A (zh) * 2020-10-26 2021-02-09 广东博智林机器人有限公司 一种基准面高度检测方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PENG Y, QU D, ZHONG Y, ET AL.: ""The obstacle detection and obstacle avoidance algorithm based on 2-d lidar"", 《 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION》, no. 2015, pages 1648 - 1653, XP033222638, DOI: 10.1109/ICInfA.2015.7279550 *
刘辉席, 陈文浩, 刘守印.: ""基于IMU和动态目标检测的多帧点云融合算法"", 《计算机应用研究》, vol. 38, no. 07, pages 2179 - 2182 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581739A (zh) * 2022-04-15 2022-06-03 长沙公信诚丰信息技术服务有限公司 一种基于特征识别的点云标注方法、装置及电子设备
CN115937466A (zh) * 2023-02-17 2023-04-07 烟台市地理信息中心 一种融合gis的三维模型生成方法、系统及存储介质
CN116977600A (zh) * 2023-07-03 2023-10-31 上海鱼微阿科技有限公司 一种xr设备及xr设备高度采集方法
CN116977600B (zh) * 2023-07-03 2024-04-09 玩出梦想(上海)科技有限公司 一种xr设备及xr设备高度采集方法

Similar Documents

Publication Publication Date Title
Vosselman et al. Recognising structure in laser scanner point clouds
Che et al. Multi-scan segmentation of terrestrial laser scanning data based on normal variation analysis
CN113066004A (zh) 点云数据的处理方法和装置
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
Deschaud et al. A fast and accurate plane detection algorithm for large noisy point clouds using filtered normals and voxel growing
Rottensteiner et al. Automatic extraction of buildings from LIDAR data and aerial images
CA2657957C (en) Geospatial modeling system providing building roof type identification features and related methods
Lee et al. Fusion of lidar and imagery for reliable building extraction
Lari et al. An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data
Matei et al. Building segmentation for densely built urban regions using aerial lidar data
CN114612488A (zh) 建筑物单体化信息提取方法、计算机装置及存储介质
Becker et al. Refinement of building fassades by integrated processing of lidar and image data
Korah et al. Strip histogram grid for efficient lidar segmentation from urban environments
Tarsha Kurdi et al. Automatic filtering and 2D modeling of airborne laser scanning building point cloud
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
Bebeselea-Sterp et al. A comparative study of stereovision algorithms
CN114332134B (zh) 一种基于密集点云的建筑物立面提取方法和装置
Zhang et al. Lidar-guided stereo matching with a spatial consistency constraint
CN116452852A (zh) 一种高精度矢量地图的自动生成方法
Recky et al. Façade segmentation in a multi-view scenario
Benciolini et al. Roof planes detection via a second-order variational model
Belton et al. Automating post-processing of terrestrial laser scanning point clouds for road feature surveys
Polat et al. An investigation of tree extraction from UAV-based photogrammetric dense point cloud
Novacheva Building roof reconstruction from LiDAR data and aerial images through plane extraction and colour edge detection
Sumi et al. Multiple TLS point cloud registration based on point projection images

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210702

WW01 Invention patent application withdrawn after publication