CN113569958A - 激光点云数据聚类方法、装置、设备及介质 - Google Patents
激光点云数据聚类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113569958A CN113569958A CN202110864378.6A CN202110864378A CN113569958A CN 113569958 A CN113569958 A CN 113569958A CN 202110864378 A CN202110864378 A CN 202110864378A CN 113569958 A CN113569958 A CN 113569958A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- grid
- coordinate system
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000006854 communication Effects 0.000 claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 239000002609 medium Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013519 translation Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了激光点云数据聚类方法、装置、设备及介质,该方法包括:获取车载激光雷达采集的点云数据,并将点云数据转换至车身坐标系,得到点云数据的空间分布;对点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含点云数据的扇形栅格坐标确定目标栅格;确定目标栅格中的种子栅格,对种子栅格的预设范围内满足连通条件的目标栅格进行处理,得到点云数据对应的连通域;根据点云数据对应的连通域确定点云数据的聚类结果。采用上述技术方案,可以根据点云分布特性及分布规律,将车载激光雷达采集的大量的、离散的点云数据划分为扇形栅格,实现将点云数据进行准确聚类的技术效果,从而实现自动驾驶车辆的安全行驶。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及激光点云数据聚类方法、装置、设备及介质。
背景技术
随着自动驾驶技术的发展,利用激光雷达对障碍物进行识别及跟踪时,需要对激光雷达采集的点云数据进行聚类,以实现对不同障碍物采取不同的处理措施。
现有技术中,对激光雷达采集的点云数据是通过将点云数据进行平面栅格处理,并以设定个数的栅格构成的窗口对所有的栅格依次进行扫描;针对窗口内存在含有点云的栅格,通过判断窗口内的每个栅格被标记的情况赋予栅格不同的标签值,对含有相同标签值的栅格进行合并,实现了点云数据的快速聚类。
但是,由于激光雷达获取的点云数据具备数据量大以及离散程度较高的特征,现有针对点云数据的聚类方式并未考虑点云数据的空间分布情况,不能对采集的点云数据进行准确聚类,影响车辆的行驶安全。
发明内容
本发明实施例提供了激光点云数据聚类方法、装置、设备及介质,可以优化现有的激光点云数据聚类方案。
第一方面,本发明实施例提供了一种激光点云数据聚类方法,包括:
获取车载激光雷达采集的点云数据,并将所述点云数据转换至车身坐标系,得到所述点云数据的空间分布;
对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含所述点云数据的扇形栅格标确定目标栅格;
确定目标栅格中的种子栅格,对所述种子栅格的预设范围内满足连通条件的所述目标栅格进行处理,得到所述点云数据对应的连通域;
根据所述点云数据对应的连通域确定所述点云数据的聚类结果。
第二方面,本发明实施例提供了一种激光点云数据聚类装置,包括:
点云数据获取模块,用于获取车载激光雷达采集的点云数据,并将所述点云数据转换至车身坐标系,得到所述点云数据的空间分布;
扇形栅格确定模块,用于对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含所述点云数据的扇形栅格标确定目标栅格;
目标栅格处理模块,用于确定目标栅格中的种子栅格,对所述种子栅格的预设范围内满足连通条件的所述目标栅格进行处理,得到所述点云数据对应的连通域;
聚类结果确定模块,用于根据所述点云数据对应的连通域确定所述点云数据的聚类结果。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例提供的激光点云数据聚类方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例提供的激光点云数据聚类方法。
本发明实施例中提供的激光点云数据聚类方案,首先获取车载激光雷达采集的点云数据,并将点云数据转换至车身坐标系,得到点云数据的空间分布;然后对点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含点云数据的扇形栅格坐标确定目标栅格;再确定目标栅格中的种子栅格,对种子栅格的预设范围内满足连通条件的目标栅格进行处理,得到点云数据对应的连通域;最后根据点云数据对应的连通域确定点云数据的聚类结果。通过采用上述技术方案,可以根据点云分布特性及分布规律,将车载激光雷达采集的大量的、离散的点云数据划分为扇形栅格,实现将点云数据进行准确聚类的技术效果,从而实现自动驾驶车辆的安全行驶。
附图说明
图1为本发明实施例提供的一种激光点云数据聚类方法的流程示意图;
图2为本发明实施例提供的一个激光坐标系与车身坐标系的空间位置示意图;
图3为本发明实施例提供的又一种激光点云数据聚类方法的流程示意图;
图4为本发明实施例提供的一种激光点云数据空间栅格化后三维示意图;
图5为本发明实施例提供的一种激光点云数据空间栅格化后二维俯视示意图;
图6为本发明实施例提供的一种激光点云数据空间栅格化后二维平面示意图;
图7为本发明实施例提供的一种激光点云数据聚类装置的结构框图;
图8为本发明实施例提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例提供的一种激光点云数据聚类方法的流程示意图,该方法可以由激光点云数据聚类装置执行,其中该装置可由软件和/或硬件实现,一般可集成在服务器等计算机设备中。如图1所示,该方法包括:
S110、获取车载激光雷达采集的点云数据,并将点云数据转换至车身坐标系,得到点云数据的空间分布。
车载激光雷达又称车载三维激光扫描仪,是一种移动型三维激光扫描系统。在自动驾驶技术领域,利用车载激光雷达发射的激光束扫描到车辆周边物体表面反射回来的数据形成周边物体的三维点云数据,其中,可将车辆周边物体理解为障碍物,即关于车辆行驶过程中,车载激光雷达扫描到的关于车身周边障碍物返回的点云数据。点云数据主要包括车载激光雷达激光光束扫描到的障碍物表面的位置信息,即扫描到的障碍物表面相对于车载激光雷达的纵向距离、横向偏移量及高度。
一般地,根据自动驾驶车辆的实现需求,车载激光雷达可以为多个,设置在不同位置。且根据车辆不同位置的不同探测需求,也可设置不同类型的车载激光雷达,以达到获得车辆周边障碍物点云数据的目的。
由于车载激光雷达采集的点云数据具有数据量大且离散性较高等特点,因此,可将多个车载激光雷达基于激光坐标系采集的点云数据统一转换至车身坐标系上,转换至车身坐标系的意义是为了,使获得的离散点云数据能够在同一坐标系中进行描述。如图2所示,图2为本发明实施例提供的一个激光坐标系与车身坐标系的空间位置示意图,一般地车身坐标系可定义在车前轮、后轮或车身中心位置,在此不作限制。
将车载激光雷达采集的点云数据转换至车身坐标系后,可得到以车身坐标系为圆心,车载激光雷达采集的点云数据的空间分布,即在三维结构上点云数据的分布情况。
可选地,为便于点云数据的分析与计算,可将在空间分布较远,且较稀疏的点云数据进行过滤,选取以车身坐标系为圆心,点云数据较密集的点形成点云数据的空间分布。
S120、对点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含点云数据的扇形栅格标确定目标栅格。
由于获得的点云数据为空间分布,为方便对空间分布的点云数据进行分析,可对点云数据进行栅格化处理,以使得空间分布的点云数据落在栅格中。在对点云数据的空间分布按照预设方法进行栅格化处理时,可采用以车身坐标系为圆心,在圆周方向进行等圆周划分,以及半径值递增的方式,将点云数据划分为在三维结构中分布的空间栅格,每一个栅格对应为一个扇形栅格,即可得到多个扇形栅格。
根据预设方式对点云数据的空间分布进行划分,得到多个扇形栅格的过程中,存在扇形栅格包含不同数量点云数据的情况,也存在不包含点云数据的情况。因此,可选取包含点云数据的扇形栅格作为目标栅格,进行后续点云数据的分析处理。可选地,为减少分析过程,可滤除扇形栅格包含点云数据数量较少的扇形栅格,将扇形栅格内包含点云数据数量大于一定阈值的扇形栅格确定为目标栅格。具体地,关于目标栅格内包含点云数据的数量在此不做限制。
可选地,为便于区分目标栅格与非目标栅格,可将筛选为目标栅格的扇形栅格标记为1,非目标栅格的扇形栅格标记为0,使得后续方便对目标栅格进行分析与处理。也可将目标栅格标记为a,非目标栅格标记为b等,具体标记方式在此不做限制。
S130、确定目标栅格中的种子栅格,对种子栅格的预设范围内满足连通条件的目标栅格进行处理,得到点云数据对应的连通域。
所述种子栅格的选取方式,可选取目标栅格中任一栅格作为种子栅格,也可根据顺序选取距离车身坐标系原点坐标最近的栅格作为种子栅格,具体选取种子栅格的方式在此不作限制。
其中,所述连通条件为,在种子栅格预设范围内满足与种子栅格有相邻的目标栅格,则可进行连通,所述预设范围可以为种子栅格的上下左右相邻扇形栅格的范围,即当种子栅格上下左右任一相邻扇形栅格为目标栅格时(即,根据步骤S120标记为1的扇形栅格)将种子栅格与目标栅格进行连通,并赋予新的标记值(例如,将种子栅格与目标栅格连通后的扇形栅格标记为2),并将赋予新的标记值的扇形栅格作连通栅格,判断连通栅格预设范围内是否包含目标栅格,若有,则继续连通,直至最终的连通栅格预设范围内无满足连通条件的目标栅格时,即最终连通栅格预设范围内的栅格均为非目标栅格,连通结束,则可得到当前连通过程中目标栅格包含点云数据对应的连通域。
S140、根据点云数据对应的连通域确定点云数据的聚类结果。
根据步骤S130得到的连通域,即为在连通过程中,连通合并的目标栅格所包含的点云数据的聚类结果。
进一步地,当输出点云数据对应的一个连通域后,还需判断扇形栅格中是否存在未被连通的目标栅格,若有,则需继续选取未被连通的目标栅格作为种子栅格,重复步骤S130,输出新的连通域,直至所有可被连通的目标栅格均被连通,可得到多个连通域。最终,当前扇形栅格输出多少连通域,则表示当前车载激光雷达采集的点云数据有多少种聚类结果。
需要知道的是,点云数据是车载激光雷达在激光光束扫描范围内触碰到车身周边障碍物反馈的数据结果,则可认为最终关于点云数据的聚类结果,即为关于车身周边障碍物的聚类结果,最终可达到对不同障碍物采取不同处理方式的目的。
本发明实施例中提供的激光点云数据聚类方法,首先获取车载激光雷达采集的点云数据,并将点云数据转换至车身坐标系,得到点云数据的空间分布;然后对点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含点云数据的扇形栅格坐标确定目标栅格;再确定目标栅格中的种子栅格,对种子栅格的预设范围内满足连通条件的目标栅格进行处理,得到点云数据对应的连通域;最后根据点云数据对应的连通域确定点云数据的聚类结果。通过采用上述技术方案,可以根据点云分布特性及分布规律,将车载激光雷达采集的大量的、离散的点云数据划分为扇形栅格,实现将点云数据进行准确聚类的技术效果,从而实现自动驾驶车辆的安全行驶。
实施例二
本发明实施例在上述实施例的基础上进行了进一步优化,优化了对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格步骤,包括:以所述车身坐标系竖直中心轴为中心对称轴对所述点云数据的空间分布以预设角度进行等圆周角划分,以所述车身坐标系原点为圆心和半径值等差递增的方式对所述点云数据的空间分布进行同心圆划分,得到多个扇形栅格。这样设置的好处在于可将空间分布的离散的点云数据划分为空间分布的多个扇形栅格,便于计算与分析。
还优化了对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格之后,还包括:确定点云数据在栅格坐标系中的坐标数据;根据所述坐标数据和各扇形栅格对应的坐标范围,确定各扇形栅格内分别包含的点云数据的数量。这样设置的好处在于可以计算每个扇形栅格包含的点云数据在空间分布的具体位置,便于明确当前点云数据属于哪一个扇形栅格内,以及通过统计每个扇形栅格内包含点云数据的数量,便于后续确定目标栅格。
进一步地,优化了所述确定目标栅格中的种子栅格,对所述种子栅格预设范围内满足连通条件的所述目标栅格进行处理,得到所述点云数据对应的连通域步骤,包括:针对当前种子栅格,将在预设范围内与所述当前种子栅格相关的目标栅格进行连通,得到连通栅格;将在预设范围内与所述连通栅格相关的目标栅格进行连通,得到新的连通栅格,直至新的连通栅格在预设范围内无满足连通条件的目标栅格为止,根据最后的连通栅格确定所述点云数据对应的连通域。这样设置的好处在于通过将空间分布的点云数据使用栅格形式划分后,确定连通域的方式进行聚类,可使得聚类结果更准确。
图3为本发明实施例提供的又一种激光点云数据聚类方法的流程示意图,具体的,该方法包括如下步骤:
S210、获取车载激光雷达采集的点云数据,并将点云数据转换至车身坐标系,得到点云数据的空间分布。
请继续参照图2,在对车载激光雷达获得的点云数据进行聚类时,存在至少两个坐标系,一个车身坐标系和至少一个激光雷达坐标系,其中,激光雷达坐标系的个数与激光雷达的个数相关。本发明实施例以包含一个激光雷达坐标系进行距离说明,并定义车身坐标系V和激光雷达坐标系L,分别记为OVXVYVZV和OLXLYLZL。其中,OVXVYVZV表示车身坐标系V以O为坐标原点,以X轴、Y轴和Z轴分别表示关于车身坐标系空间分布的横轴、纵轴和竖直,且OX轴、OY轴和OZ轴互相垂直;OLXLYLZL表示激光雷达坐标系L以O为坐标原点,以X轴、Y轴和Z轴分别表示关于激光雷达坐标系空间分布的横轴、纵轴和竖轴,且OX轴、OY轴和OZ轴互相垂直。
可将车载激光雷达传感器获得的点云数据以三维极坐标的形式表示,定义点云数据的三维极坐标为(ρi,θi,γi,)其中,ρi表示激光雷达传感器坐标原点中心到第i个点云数据的欧式距离,θi表示激光雷达传感器坐标原点中心到第i个点云数据的偏航发射角度,γi表示激光雷达传感器坐标原点中心到第i个点云数据的俯仰发射角度。
首先,将车载激光雷达传感器获得的点云数据表示为三维极坐标后,再将三维极坐标系转换到笛卡尔坐标系中,转换公式如下:
式中,xi表示在笛卡尔坐标系下第i个点云数据的横轴坐标值,yi表示在笛卡尔坐标系下第i个点云数据的纵轴坐标值,zi表示在笛卡尔坐标系下第i个点云数据的竖轴坐标值。
然后,可将得到笛卡尔坐标系下的点云数据通过平移和旋转等关系,将车载激光雷达获得的在激光雷达坐标系L下点云数据转换至车身坐标系V中,其转换关系如下:
可得:
式中,R表示关于点云数据从激光雷达坐标系转换至车身坐标系的旋转矩阵,t表示关于点云数据从激光雷达坐标系转换至车身坐标系的旋转矩阵平移矩阵。
根据步骤S210可得车载激光雷达获得的以车身坐标系为圆心的点云数据的空间分布情况,其中,该空间分布包含以车身坐标系为圆心,点云数据分布的平面半径值以及高度值。例如,可得点云数据空间分布为平面半径40米,高度区间为0至10米。
S220、以车身坐标系竖直中心轴为中心对称轴对点云数据的空间分布以预设角度进行等圆周角划分,以车身坐标系原点为圆心和半径值等差递增的方式对点云数据的空间分布进行同心圆划分,得到多个扇形栅格。
进一步地,根据步骤S210获得的点云数据的空间分布进行栅格化处理,得到多个扇形栅格,本发明实施例提供的激光点云聚类方法,进行栅格化处理的方式为:首先,以车身坐标系竖直中心轴为对称轴,对点云数据的空间分布以预设角度进行等圆周划分,可得N=360°/α,其中,N为等圆周划分时得到的扇形个数,α为圆周角划分角度,当α优选为1°时,可得N为360;然后,再以身坐标系原点为圆心和半径值等差递增的方式对点云数据的空间分布进行同心圆划分,可得M=40/d,其中,M为以半径值等差递增的方式对点云数据的空间分时得到的同心圆个数,d表示圆周半径,当点云数据空间分布的平面半径为40米时,可优选d初始值为0.1米,则得到的半径值集合为:{0.1,0.2,0.3,...,40},即可得400个同心圆。如图4、图5及图6所示,图4为本发明实施例提供的一种激光点云数据空间栅格化后三维示意图,图5为本发明实施例提供的一种激光点云数据空间栅格化后二维俯视示意图,图6为本发明实施例提供的一种激光点云数据空间栅格化后二维平面示意图。由图4-图6可知,可将车载激光雷达获得的点云数据,在空间分布中划分为M*N个扇形栅格。
当扇形栅格根据上述方式划分完成后,可确定当前车身坐标系中划分的扇形栅格的数量。
S230、确定点云数据在栅格坐标系中的坐标数据。
首先,确定当前空间分布所包含的点云数据的集合,可以表示为{(x1,y1,z1),(x2,y2z2),...,(xn,yn,zn)},其中n表示点云数据在空间分布的个数。
进一步地,需要确定空间分布的每个点云数据落在哪些扇形栅格中,即需要确定每个点云数据的空间坐标数据。
请继续参照图6,图6表示本发明实施例提供的一种激光点云数据空间栅格化后二维平面示意图,即扇形栅格在栅格坐标系中的二维平面示意图。图6是根据栅格坐标系基于车身坐标系平面展开(以Y轴负轴为0°,车身坐标系原点为中心进行平面展开)得到的。
优选地,确定点云数据在栅格坐标系中的坐标数据,包括:
计算点云数据从平面坐标系到车身坐标系原点的距离;根据点云数据从平面坐标系到车身坐标系原点的距离和点云数据对应的半径值确定点云数据在栅格坐标系中的径向坐标值;根据点云数据与平面坐标系形成的角度数据以及点云数据在车身坐标系中的角度数据确定点云数据在栅格坐标系中的圆周方向坐标值;根据点云数据在栅格坐标系中的径向坐标值和圆周方向坐标值,确定点云数据在栅格坐标系中的坐标数据。
首先计算第i个点云数据从平面坐标系{xi,yi}到车身坐标系原点的距离,可表示为然后,根据第i个点云数据从平面坐标系到车身坐标系原点的距离和点云数据对应的半径值,确定第i个点云数据在栅格坐标系中的径向坐标值,可表示为u=ri/d,其中,d为步骤S220中第i个点云数据所在同心圆中的半径值。最后,根据点云数据与平面坐标系形成的角度数据以及点云数据在车身坐标系中的角度数据,确定第i个点云数据在栅格坐标系中圆周方向的坐标值。
在计算第i个点云数据在栅格坐标系中圆周方向的坐标值时,首先计算第i个点云数据与平面坐标轴Y轴形成的夹角并取绝对值,即|arctan(xi/yi)|;其次,根据第i个点云数据所处坐标的不同,得到第i个点云数据相对于Y轴负轴的角度值β,分为以下五种情况:
i.若i点x坐标值大于0且y坐标值小于0,则β=360-|arctan(xi/yi)|;
ii.若i点x坐标值小于0且y坐标值小于0,则β=|arctan(xi/yi)|;
iii.若i点x坐标值小于0且y坐标值大于0,则β=180-|arctan(xi/yi)|;
iv.若i点x坐标值大于0且y坐标值大于0,则β=180+|arctan(xi/yi)|;
v.若i点落在栅格坐标系X轴的正负轴上时,其相对于Y轴负轴的角度为270°和90°;当若i点落在栅格坐标系Y轴的正负轴上,其相对于Y轴负轴的角度为180°和0°,则对应的β值为直接求对应角度的arctan值。
最后,确定第i个点云数据在栅格坐标系中的圆周方向坐标值为v=β/α,其中,α为步骤S220中第i个点云数据所处圆周角度值。
需要知道的是,本发明实施例在确定第i个点云数据在圆周方向坐标值时,确定相对于Y轴负轴的角度值β,可选地,还可以确定相对于Y轴正轴的角度值β,或相对于X轴正轴或负轴的角度值β等,在此不作限制。
示例性的,当确定相对于Y轴正轴的角度值β时,若i点x坐标值大于0且y坐标值小于0,则β=180-|arctan(xi/yi)|;当确定相对于X轴正轴的角度值β时,若i点x坐标值大于0且y坐标值小于0,则β=90-|arctan(xi/yi)|;当确定相对于X轴负轴的角度值β时,若i点x坐标值大于0且y坐标值小于0,则β=270-|arctan(xi/yi)|;由上可知,当确定相对于Y轴正轴、X轴正轴或负轴的角度值β时,仅与相对于Y轴负轴的角度值β所划分的五种情况的特殊角度不同,在此不一一举例说明。
最终可得,第i个点云数据在栅格坐标系中的坐标数据为(u,v)。
S240、根据坐标数据和各扇形栅格对应的坐标范围,确定各扇形栅格内分别包含的点云数据的数量。
通过计算每个点云数据在栅格坐标系中的坐标值,可知当前点云数据落在哪一个扇形栅格中,进而可确定各扇形栅格内分别包含的点云数据的数量。
其中,可选择将所包含的点云数据的数量超过预设阈值的扇形栅格标记为目标栅格。
可选地,可将包含点云数据的数量超过预设阈值的扇形栅格确定为目标栅格,并对目标栅格标记为1,相应地,包含点云数据的数量小于等于预设阈值的扇形栅格为非目标栅格,可将非目标栅格标记为0。这种标记方式是为了将目标栅格与非目标栅格进行明显区分,便于后续对目标栅格进行连通处理。
S250、针对当前种子栅格,将在预设范围内与当前种子栅格相关的目标栅格进行连通,得到连通栅格。
可遍历所有扇形栅格,确定标记为目标栅格的任一栅格为种子栅格,并判断该种子栅格预设范围内(例如,与该种子栅格相邻的上下左右范围内)任一方向有无被标记为目标栅格的扇形栅格,若有,可将该种子栅格与预设范围内的目标栅格进行合并连通,即可得到连通栅格。
S260、将在预设范围内与连通栅格相关的目标栅格进行连通,得到新的连通栅格,直至新的连通栅格在预设范围内无满足连通条件的目标栅格为止,根据最后的连通栅格确定点云数据对应的连通域。
进一步地,确定在该连通栅格预设范围内(例如,与该连通栅格相邻的上下左右范围内)任一方向有无被标记为目标栅格的扇形栅格,若有,可将该连通栅格与预设范围内的目标栅格进行合并连通,直至新的连通栅格在预设范围内无满足连通条件的目标栅格为止,即新的连通栅格在预设范围内的扇形栅格均为非目标栅格,则可根据最后一个连通栅格确定点云数据对应的连通域。
S270、判断是否存在未被连通的目标栅格,若否,执行S290;若是,执行S280。
S280、从未被连通的目标栅格中确定新的种子栅格,返回执行步骤250。
即重复执行步骤S250与步骤S260,直至扇形栅格中标记的可被连通的目标栅格均被连通合并完为止。
需要说明的是,在对目标栅格进行连通处理时,会存在目标栅格预设范围内均为非目标栅格的情况,即处于该种情况的目标栅格不能被连通,那么流程判断结束,在这之前得到的所有连通域即为点云数据的聚类结果。
S290、根据点云数据对应的连通域确定点云数据的聚类结果。
每得到一个连通域,则得到一个关于合并的扇形栅格中包含点云数据的聚类结果,最终针对车载激光获得点云数据对应连通域的集合,即为关于点云数据的聚类结果。
本发明实施例提供的激光点云数据聚类方法,通过确定车载激光雷达获得点云数据的,确定点云数据关于车身坐标系的空间分布范围,对点云数据的空间范围进行栅格化划分,得到多个扇形栅格,通过确定扇形栅格内所包含点云数据的坐标数据以及数量,得到目标栅格,最后对目标栅格进行连通处理,得到关于点云数据最少一个连通域。达到了针对点云数据特性及分布规律,设计点云栅格化处理方法,提高了点云数据处理效率,以及考虑了点云数据呈扇形分布,得到扇形栅格,使得点云数据达到准确聚类的技术效果。
实施例三
图7为本发明实施例提供的一种激光点云数据聚类装置的结构框图,该装置可由软件和/或硬件实现,一般可集成在服务器等计算机设备中,可通过执行激光点云数据聚类方法来实现对激光点云数据聚类。如图7所示,该装置包括:点云数据获取模块71、扇形栅格确定模块72、目标栅格处理模块73和聚类结果确定模块74,其中:
点云数据获取模块71,用于获取车载激光雷达采集的点云数据,并将所述点云数据转换至车身坐标系,得到所述点云数据的空间分布;
扇形栅格确定模块72,用于对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含所述点云数据的扇形栅格标确定目标栅格;
目标栅格处理模块73,用于确定目标栅格中的种子栅格,对所述种子栅格的预设范围内满足连通条件的所述目标栅格进行处理,得到所述点云数据对应的连通域;
聚类结果确定模块74,用于根据所述点云数据对应的连通域确定所述点云数据的聚类结果。
本发明实施例中提供的激光点云数据聚类装置,首先获取车载激光雷达采集的点云数据,并将点云数据转换至车身坐标系,得到点云数据的空间分布;然后对点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含点云数据的扇形栅格坐标确定目标栅格;再确定目标栅格中的种子栅格,对种子栅格的预设范围内满足连通条件的目标栅格进行处理,得到点云数据对应的连通域;最后根据点云数据对应的连通域确定点云数据的聚类结果。通过采用上述技术方案,可以根据点云分布特性及分布规律,将车载激光雷达采集的大量的、离散的点云数据划分为扇形栅格,实现将点云数据进行准确聚类的技术效果,从而实现自动驾驶车辆的安全行驶。
可选的,扇形栅格确定模块72,还用于以所述车身坐标系竖直中心轴为中心对称轴对所述点云数据的空间分布以预设角度进行等圆周角划分,以所述车身坐标系原点为圆心和半径值等差递增的方式对所述点云数据的空间分布进行同心圆划分,得到多个扇形栅格。
可选地,所述装置还包括:坐标数据确定模块和数量确定模块;
坐标数据确定模块,用于确定点云数据在栅格坐标系中的坐标数据。
数量确定模块,用于根据所述坐标数据和各扇形栅格对应的坐标范围,确定各扇形栅格内分别包含的点云数据的数量。
可选地,坐标数据确定模块包括:距离计算单元、径向坐标值确定单元、圆周方向坐标值确定单元和坐标数据确定单元,其中:
距离计算单元,用于计算点云数据从平面坐标系到所述车身坐标系原点的距离。
径向坐标值确定单元,用于根据点云数据从平面坐标系到车身坐标系原点的距离和点云数据对应的半径值确定点云数据在栅格坐标系中的径向坐标值;
圆周方向坐标值确定单元,用于根据点云数据与所述平面坐标系形成的角度数据以及点云数据在车身坐标系中的角度数据确定点云数据在栅格坐标系中的圆周方向坐标值;
坐标数据确定单元,用于根据点云数据在栅格坐标系中的径向坐标值和所述圆周方向坐标值,确定点云数据在栅格坐标系中的坐标数据。
可选地,数量确定模块,还用于将所包含的点云数据的数量超过预设阈值的扇形栅格标记为目标栅格。
可选地,目标栅格处理模块73包括:连通栅格获得单元和连通域确定单元,其中:
连通栅格获得单元,用于针对当前种子栅格,将在预设范围内与所述当前种子栅格相关的目标栅格进行连通,得到连通栅格。
连通域确定单元,用于将在预设范围内与所述连通栅格相关的目标栅格进行连通,得到新的连通栅格,直至新的连通栅格在预设范围内无满足连通条件的目标栅格为止,根据最后的连通栅格确定所述点云数据对应的连通域。
可选地,目标栅格处理模块73还包括:目标栅格判断单元;
目标栅格判断单元,用于判断是否存在未被连通的目标栅格,若存在,则从未被连通的目标栅格中确定新的种子栅格,针对新的种子栅格,执行将在预设范围内与新的种子栅格相关的目标栅格进行连通的相关操作。
本发明实施例提供的激光点云数据聚类装置,可执行本发明任意实施例所提供的激光点云数据聚类方法,具备执行该方法相应的功能模块和有益效果。
实施例四
本发明实施例提供了一种计算机设备,该计算机设备中可集成本发明实施例提供的激光点云数据聚类装置。图8为本发明实施例提供的一种计算机设备的结构框图。计算机设备800可以包括:存储器801,处理器802及存储在存储器801上并可在处理器运行的计算机程序,所述处理器802执行所述计算机程序时实现如本发明实施例所述的激光点云数据聚类方法。
本发明实施例提供的计算机设备,可执行本发明任意实施例所提供的激光点云数据聚类方法,具备执行该方法相应的功能模块和有益效果。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行激光点云数据聚类方法,该方法包括:
获取车载激光雷达采集的点云数据,并将所述点云数据转换至车身坐标系,得到所述点云数据的空间分布;
对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含所述点云数据的扇形栅格标确定目标栅格;
确定目标栅格中的种子栅格,对所述种子栅格的预设范围内满足连通条件的所述目标栅格进行处理,得到所述点云数据对应的连通域;
根据所述点云数据对应的连通域确定所述点云数据的聚类结果。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的激光点云数据聚类操作,还可以执行本发明任意实施例所提供的激光点云数据聚类方法中的相关操作。
上述实施例中提供的激光点云数据聚类装置、设备及存储介质可执行本发明任意实施例所提供的激光点云数据聚类方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的激光点云数据聚类方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种激光点云数据聚类方法,其特征在于,包括:
获取车载激光雷达采集的点云数据,并将所述点云数据转换至车身坐标系,得到所述点云数据的空间分布;
对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含所述点云数据的扇形栅格坐标确定目标栅格;
确定目标栅格中的种子栅格,对所述种子栅格的预设范围内满足连通条件的所述目标栅格进行处理,得到所述点云数据对应的连通域;
根据所述点云数据对应的连通域确定所述点云数据的聚类结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,包括:
以所述车身坐标系竖直中心轴为中心对称轴对所述点云数据的空间分布以预设角度进行等圆周角划分,以所述车身坐标系原点为圆心和半径值等差递增的方式对所述点云数据的空间分布进行同心圆划分,得到多个扇形栅格。
3.根据权利要求1所述的方法,其特征在于,对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格之后,还包括:
确定点云数据在栅格坐标系中的坐标数据;
根据所述坐标数据和各扇形栅格对应的坐标范围,确定各扇形栅格内分别包含的点云数据的数量。
4.根据权利要求3所述的方法,其特征在于,所述确定点云数据在栅格坐标系中的坐标数据,包括:
计算点云数据从平面坐标系到所述车身坐标系原点的距离;
根据点云数据从平面坐标系到车身坐标系原点的距离和点云数据对应的半径值确定点云数据在栅格坐标系中的径向坐标值;
根据点云数据与所述平面坐标系形成的角度数据以及点云数据在车身坐标系中的角度数据确定点云数据在栅格坐标系中的圆周方向坐标值;
根据点云数据在栅格坐标系中的径向坐标值和所述圆周方向坐标值,确定点云数据在栅格坐标系中的坐标数据。
5.根据权利要求3所述的方法,其特征在于,所述根据包含所述点云数据的扇形栅格坐标确定目标栅格,包括:
将所包含的点云数据的数量超过预设阈值的扇形栅格标记为目标栅格。
6.根据权利要求1所述的方法,其特征在于,所述确定目标栅格中的种子栅格,对所述种子栅格预设范围内满足连通条件的所述目标栅格进行处理,得到所述点云数据对应的连通域,包括:
针对当前种子栅格,将在预设范围内与所述当前种子栅格相关的目标栅格进行连通,得到连通栅格;
将在预设范围内与所述连通栅格相关的目标栅格进行连通,得到新的连通栅格,直至新的连通栅格在预设范围内无满足连通条件的目标栅格为止,根据最后的连通栅格确定所述点云数据对应的连通域。
7.根据权利要求6所述的方法,其特征在于,还包括:
判断是否存在未被连通的目标栅格,若存在,则从未被连通的目标栅格中确定新的种子栅格,针对新的种子栅格,执行将在预设范围内与新的种子栅格相关的目标栅格进行连通的相关操作。
8.一种激光点云数据聚类装置,其特征在于,包括:
点云数据获取模块,用于获取车载激光雷达采集的点云数据,并将所述点云数据转换至车身坐标系,得到所述点云数据的空间分布;
扇形栅格确定模块,用于对所述点云数据的空间分布按照预设方法进行栅格化处理,得到多个扇形栅格,根据包含所述点云数据的扇形栅格标确定目标栅格;
目标栅格处理模块,用于确定目标栅格中的种子栅格,对所述种子栅格的预设范围内满足连通条件的所述目标栅格进行处理,得到所述点云数据对应的连通域;
聚类结果确定模块,用于根据所述点云数据对应的连通域确定所述点云数据的聚类结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
10.一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,该程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110864378.6A CN113569958B (zh) | 2021-07-29 | 2021-07-29 | 激光点云数据聚类方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110864378.6A CN113569958B (zh) | 2021-07-29 | 2021-07-29 | 激光点云数据聚类方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569958A true CN113569958A (zh) | 2021-10-29 |
CN113569958B CN113569958B (zh) | 2024-04-12 |
Family
ID=78168979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110864378.6A Active CN113569958B (zh) | 2021-07-29 | 2021-07-29 | 激光点云数据聚类方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569958B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114384491A (zh) * | 2022-03-24 | 2022-04-22 | 北京一径科技有限公司 | 用于激光雷达的点云处理方法及装置、存储介质 |
CN115953608A (zh) * | 2023-03-09 | 2023-04-11 | 江苏金寓信息科技有限公司 | 用于模型构建的激光点云数据聚类识别方法 |
WO2023179718A1 (zh) * | 2022-03-24 | 2023-09-28 | 北京一径科技有限公司 | 用于激光雷达的点云处理方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151681A (zh) * | 2017-11-23 | 2018-06-12 | 中国第汽车股份有限公司 | 一种基于双目相机的车载路面不平度识别系统及方法 |
CN109596078A (zh) * | 2019-01-28 | 2019-04-09 | 吉林大学 | 多信息融合路面谱实时测试系统和测试方法 |
CN110221616A (zh) * | 2019-06-25 | 2019-09-10 | 清华大学苏州汽车研究院(吴江) | 一种地图生成的方法、装置、设备及介质 |
WO2021024805A1 (ja) * | 2019-08-06 | 2021-02-11 | ソニー株式会社 | 情報処理装置、および情報処理方法、並びにプログラム |
CN112666557A (zh) * | 2020-11-20 | 2021-04-16 | 芜湖格陆博智能科技有限公司 | 基于激光雷达和毫米波雷达获取矿区信息的方法 |
CN113077473A (zh) * | 2020-01-03 | 2021-07-06 | 广州汽车集团股份有限公司 | 三维激光点云路面分割方法、系统、计算机设备及介质 |
-
2021
- 2021-07-29 CN CN202110864378.6A patent/CN113569958B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151681A (zh) * | 2017-11-23 | 2018-06-12 | 中国第汽车股份有限公司 | 一种基于双目相机的车载路面不平度识别系统及方法 |
CN109596078A (zh) * | 2019-01-28 | 2019-04-09 | 吉林大学 | 多信息融合路面谱实时测试系统和测试方法 |
CN110221616A (zh) * | 2019-06-25 | 2019-09-10 | 清华大学苏州汽车研究院(吴江) | 一种地图生成的方法、装置、设备及介质 |
WO2021024805A1 (ja) * | 2019-08-06 | 2021-02-11 | ソニー株式会社 | 情報処理装置、および情報処理方法、並びにプログラム |
CN113077473A (zh) * | 2020-01-03 | 2021-07-06 | 广州汽车集团股份有限公司 | 三维激光点云路面分割方法、系统、计算机设备及介质 |
CN112666557A (zh) * | 2020-11-20 | 2021-04-16 | 芜湖格陆博智能科技有限公司 | 基于激光雷达和毫米波雷达获取矿区信息的方法 |
Non-Patent Citations (2)
Title |
---|
张长勇 等: "基于改进DBSCAN的激光雷达障碍物检测", 《激光与光电子学进展》, pages 2428005 - 1 * |
邵靖滔 等: "基于点云簇组合特征的激光雷达地面分割方法", 《激光与光电子学进展》, pages 0428001 - 1 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114384491A (zh) * | 2022-03-24 | 2022-04-22 | 北京一径科技有限公司 | 用于激光雷达的点云处理方法及装置、存储介质 |
CN114384491B (zh) * | 2022-03-24 | 2022-07-12 | 北京一径科技有限公司 | 用于激光雷达的点云处理方法及装置、存储介质 |
WO2023179718A1 (zh) * | 2022-03-24 | 2023-09-28 | 北京一径科技有限公司 | 用于激光雷达的点云处理方法、装置、设备及存储介质 |
WO2023179717A1 (zh) * | 2022-03-24 | 2023-09-28 | 北京一径科技有限公司 | 用于激光雷达的点云处理方法、装置、设备及存储介质 |
CN115953608A (zh) * | 2023-03-09 | 2023-04-11 | 江苏金寓信息科技有限公司 | 用于模型构建的激光点云数据聚类识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113569958B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569958B (zh) | 激光点云数据聚类方法、装置、设备及介质 | |
CN110031824B (zh) | 激光雷达联合标定方法及装置 | |
CN110033457B (zh) | 一种目标点云分割方法 | |
CN112513679B (zh) | 一种目标识别的方法和装置 | |
JP7305884B2 (ja) | レーザーレーダーに基づく検出方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN111435163B (zh) | 地面点云数据过滤方法、装置、探测系统及存储介质 | |
CN109635816B (zh) | 车道线生成方法、装置、设备以及存储介质 | |
CN110673107B (zh) | 基于多线激光雷达的路沿检测方法及装置 | |
CN111380510B (zh) | 重定位方法及装置、机器人 | |
CN115436910B (zh) | 一种对激光雷达点云进行目标检测的数据处理方法和装置 | |
CN115187676A (zh) | 一种高精度线激光三维重建标定方法 | |
CN112669458A (zh) | 基于激光点云进行地面滤波的方法、设备和程序载体 | |
CN111736167B (zh) | 一种获取激光点云密度的方法和装置 | |
CN116379915A (zh) | 一种建筑物测绘方法、装置、系统以及存储介质 | |
CN114966651A (zh) | 可行驶区域检测方法、计算机设备、存储介质及车辆 | |
CN114740493A (zh) | 一种基于多线激光雷达的路沿检测方法 | |
CN113220018B (zh) | 一种无人机路径规划方法、装置、存储介质及电子设备 | |
CN112232248A (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
CN113763308B (zh) | 一种地面检测方法、装置、服务器及介质 | |
CN110189403B (zh) | 一种基于单波束前视声纳的水下目标三维重建方法 | |
CN113835101A (zh) | 一种基于雷达点云的车辆定位方法、装置及存储介质 | |
CN114693687A (zh) | 一种车载激光雷达点云分割方法及系统 | |
CN113075659B (zh) | 一种平坦场景网格模型自适应分区预处理方法和系统 | |
CN113280789B (zh) | 一种地表起伏区域激光测高点作为影像高程控制点方法 | |
CN113888637A (zh) | 一种汽车定位方法、系统及计算机可读存储介质 |
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 |