CN113628335A - 点云地图构建方法、装置及计算机可读存储介质 - Google Patents

点云地图构建方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113628335A
CN113628335A CN202110860075.7A CN202110860075A CN113628335A CN 113628335 A CN113628335 A CN 113628335A CN 202110860075 A CN202110860075 A CN 202110860075A CN 113628335 A CN113628335 A CN 113628335A
Authority
CN
China
Prior art keywords
point cloud
map
point
key frame
key frames
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.)
Pending
Application number
CN202110860075.7A
Other languages
English (en)
Inventor
王宁
梁治谋
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.)
Shenzhen Youibot Robotics Technology Co ltd
Original Assignee
Shenzhen Youibot Robotics Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Youibot Robotics Technology Co ltd filed Critical Shenzhen Youibot Robotics Technology Co ltd
Priority to CN202110860075.7A priority Critical patent/CN113628335A/zh
Publication of CN113628335A publication Critical patent/CN113628335A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请公开了一种点云地图构建方法、装置及计算机可读存储介质，该方法包括：采集待建图区域的多帧点云数据，并从采集的所述多帧点云数据中选取若干点云关键帧，组成点云关键帧序列；查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云，以对所述点云关键帧序列进行优化；根据优化后的点云关键帧序列构建点云地图。本申请能够节省内存空间和计算资源，满足3D场景需求，提升点云地图的定位精度。

Description

点云地图构建方法、装置及计算机可读存储介质
技术领域
本申请涉及点云地图技术领域，具体涉及一种点云地图构建方法、装置及计算机可读存储介质。
背景技术
传统的点云地图是通过珊格建图方式得到的，该方式以覆盖栅格的方法剔除动态点云而建立的2D栅格地图，主要是对地图进行珊格化处理(2D下表示为用正方形格子代替空间中的点)，然后在建图过程中每获取一个关键帧，就对该关键帧的每一束激光进行ray-casting(光线投射)处理，ray-casting过程中记录所有经过的珊格，对其打分(初始值一般为0.5)，对ray-casting没有击中的珊格的打分降低一部分权重，对ray-casting击中的珊格的打分增加一部分权重，完成整个建图过程后会获得一个整体的2D珊格地图，这个2D珊格地图即为去除动态点云以后的地图，其定位精度低。此外，ray-casting过程的运算复杂度较高(设对地图进行珊格化处理后的栅格总数为n，那么进行ray-casting处理的运算复杂度则为O(n2))，计算耗时长，有限的计算资源难以支持，且传统的2D栅格地图所需的内存空间较大，已无法满足当下3D场景的需求。
发明内容
本申请实施例提供一种点云地图构建方法、装置及计算机可读存储介质，旨在节省内存空间和计算资源，满足3D场景需求，提升点云地图的定位精度。
第一方面，本申请实施例提供了一种点云地图构建方法，包括：
采集待建图区域的多帧点云数据，并从采集的所述多帧点云数据中选取若干点云关键帧，组成点云关键帧序列；
查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云，以对所述点云关键帧序列进行优化；
根据优化后的点云关键帧序列构建点云地图。
第二方面，本申请实施例还提供了一种点云地图构建装置，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行上述的点云地图构建方法。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述的点云地图构建方法。
本申请实施例提供了一种点云地图构建方法、装置及计算机可读存储介质，该点云地图构建方法首先采集待建图区域的多帧点云数据，并从采集的多帧点云数据中选取若干点云关键帧，组成点云关键帧序列；然后查找并保留点云关键帧序列中相邻点云关键帧之间的共同点云，实现对点云关键帧序列的优化，再根据优化后的点云关键帧序列构建点云地图。通过查找并保留点云关键帧序列中相邻点云关键帧之间的共同点云的方式，即可达到剔除点云关键帧序列中动态点云的目的，实现对点云关键帧序列的优化，再根据优化后的点云关键帧序列构建点云地图，能够提升点云地图的质量，从而提升了点云地图的定位精度，且建图过程中只需要在有点云的空间储存点云数据，节省了内存空间，能够满足3D场景需求，此外，建图的运算复杂度相比于传统珊格建图的运算算复杂度要低，节省了计算资源。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请点云地图构建方法一实施例的流程示意图；
图2是本申请点云地图构建方法另一实施例的流程示意图；
图3是本申请点云地图构建方法另一实施例的细化流程示意图；
图4是本申请点云地图构建方法一实施例涉及的由优化后的点云关键帧序列构建得到的点云地图示例图；
图5是本申请点云地图构建方法一实施例涉及的剔除点云地图中动态点云后得到的目标点云地图示例图；
图6是本申请一实施例提供的一种点云地图构建装置的示意性框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请一实施例提供的点云地图构建方法的流程示意图。其中，该点云地图构建方法可以应用于计算机设备中。以下将以点云地图构建方法应用于计算机设备中为例进行详细说明。
如图1所示，该点云地图构建方法具体包括步骤S101至步骤S103。
S101、采集待建图区域的多帧点云数据，并从采集的所述多帧点云数据中选取若干关键帧，组成点云关键帧序列。
其中，利用激光雷达对待建图区域进行激光扫描，以采集待建图区域的多帧点云数据。可以理解的是，由于激光扫描光束受物体遮挡的原因，通过一次扫描难以获取整个待建图区域的点云数据，因此需从不同方位多次对待建图区域进行扫描，从而获得多帧点云数据，换而言之，这多帧点云数据是在不同位置和不同时间获得的激光扫描结果。之后，从采集的多帧点云数据中选取若干帧点云数据作为点云关键帧，组成点云关键帧序列，可以理解的是，点云关键帧序列的各个点云关键帧是依据扫描时间从前往后排列的。
示例性的，选取点云关键帧的方式例如从采集的多帧点云数据中每间隔N帧选取一帧点云数据作为点云关键帧，其中，考虑到激光雷达在两点云关键帧之间移动距离越短，两点云关键帧之间的相关性越大，共同点云越多，因此可以设定较小的关键帧间隔，比如N取值为10。
S102、查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云，以对所述点云关键帧序列进行优化。
由于利用激光雷达对待建图区域进行激光扫描，相当于捕获待建图区域的快照，因此点云关键帧序列的各个点云关键帧中通常包含动态对象对应的点云，考虑到如果直接根据点云关键帧序列构建点云地图，那么点云地图中就存在动态对象对应的点云，会降低点云地图的质量，为了提升点云地图的质量，先对点云关键帧序列进行优化，也就是剔除点云关键帧序列的各个点云关键帧中包含的动态对象对应的大部分点云。具体地，先依据点云关键帧序列中相邻点云关键帧之间的变化确定动态对象对应的点云。即对于相邻点云关键帧，如果存在于前一点云关键帧的点云，同样存在于后一云关键帧中，可以确定这相邻两帧之间的共同点云是静态对象对应的点云，那么这相邻两帧中除共同点云之外的点云就能够确定是动态对象对应的点云。因此，查找并保留点云关键帧序列中相邻点云关键帧之间的共同点云，而剔除相邻点云关键帧中除共同点云之外的点云，通过该方式，可以剔除掉相邻点云关键帧中动态对象对应的大部分点云，实现对点云关键帧序列的优化。
在一些实施例中，所述查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云，具体为：采用KD-Tree算法在所述相邻点云关键帧的后一点云关键帧中搜索同样存在于前一点云关键帧的点云，以确定所述相邻点云关键帧之间的共同点云；剔除所述相邻点云关键帧中除所述共同点云之外的点云，以保留所述相邻点云关键帧之间的共同点云。
即，对于相邻点云关键帧，采用KD-Tree算法在后一云关键帧中搜索同样存在于前一点云关键帧的点云，以确定相邻点云关键帧之间的共同点云，将相邻点云关键帧中除共同点云之外的点云剔除，而保留相邻点云关键帧之间的共同点云。
在一些实施例中，所述采用KD-Tree算法在所述相邻点云关键帧的后一点云关键帧中搜索同样存在于前一点云关键帧的点云，以确定所述相邻点云关键帧之间的共同点云，具体为：建立世界坐标系，将所述相邻点云关键帧的点云投影至所述世界坐标系下；创建所述前一点云关键帧的点云对应的KD-Tree，遍历所述后一点云关键帧的点云，以在所述后一点云关键帧中搜索与所述前一点云关键帧的点云匹配的邻近点云，获得多个匹配点云对；根据多个所述匹配点云对确定所述相邻点云关键帧之间的共同点云。
即，将点云关键帧序列中相邻点云关键帧的点云投影到世界坐标系下，然后创建前一点云关键帧的点云对应的KD-Tree结构，再遍历后一点云关键帧的点云，在后一点云关键帧中搜索与前一点云关键帧的点云匹配的邻近点云，这相邻两帧中相匹配的点云构成多个匹配点云对，最终基于多个匹配点云对确定相邻点云关键帧之间的共同点云。
在一些实施例中，所述根据多个所述匹配点云对确定所述相邻点云关键帧之间的共同点云，具体为：计算各个所述匹配点云对的两个点云之间的欧式距离；根据各个所述匹配点云对的所述欧式距离，从多个所述匹配点云对中确定所述相邻点云关键帧之间的共同点云。
考虑到上述多个匹配点云对难免存在误差，为了尽可能多地剔除相邻点云关键帧中动态对象对应的点云，可以基于欧式距离对上述多个匹配点云对进行筛选，以确定出相邻点云关键帧之间的共同点云。具体地，对每个匹配点云对，都计算匹配点云对的两个点云之间的欧式距离，然后根据计算的各个匹配点云对的欧式距离，从多个匹配点云对中确定相邻点云关键帧之间的共同点云。
在一些实施例中，所述根据各个所述匹配点云对的所述欧式距离，从多个所述匹配点云对中确定所述相邻点云关键帧之间的共同点云，具体为：将各个所述匹配点云对的所述欧式距离与预设阈值进行比对；将欧式距离小于等于预设阈值的匹配点云对，确定为所述相邻点云关键帧之间的共同点云。
将各个匹配点云对的欧式距离与预设阈值进行比对，对于欧式距离大于该预设阈值的匹配点云对进行剔除，从而将欧式距离小于等于该预设阈值匹配点云对，确定为相邻点云关键帧之间的共同点云，其中，该预设阈值可以根据实际需要进行灵活设置，比如0.2米。
S103、根据优化后的点云关键帧序列构建点云地图。
为了防止构建的点云地图过大，降低内存占用率，根据优化后的点云关键帧序列构建点云地图。示例性的，考虑到上述对点云关键帧序列进行优化的过程可能存在将个别点云关键帧中静态对象对应的点云误剔除的情况，为此，将点云关键帧序列的点云进行逐帧累加形成点云地图，也就是逐帧拼接每一点云关键帧的点云获得点云地图，以此降低将个别点云关键帧中静态对象对应的点云误剔除对点云地图的全局造成的影响。
由此，通过优化后的点云关键帧序列构建点云地图，能够提升点云地图的质量，从而提升了点云地图的定位精度。此外，上述实施例提供的点云地图构建方法，一方面只需要在有点云的空间储存点云位置信息，而珊格地图需要对整个空间珊格化，导致地图中没有点云的位置也需要储存位置信息，占用内存的空间较大，相比于栅格建图方式，节省了内存空间，适用于3D场景；另一方面在用KD-Tree找邻近点云的过程中，由于每个点云都需要找邻近点云，设共有n个点云，那么每个点云找邻近点云的过程是O(log(n))的运算复杂度，所以整体的运算复杂度为O(n*log(n))，低于珊格建图的运算复杂度O(n2)，耗时短，节省了计算资源。
上述实施例提供的点云地图构建方法，首先采集待建图区域的多帧点云数据，并从采集的多帧点云数据中选取若干点云关键帧，组成点云关键帧序列；然后查找并保留点云关键帧序列中相邻点云关键帧之间的共同点云，实现对点云关键帧序列的优化，再根据优化后的点云关键帧序列构建点云地图。通过查找并保留点云关键帧序列中相邻点云关键帧之间的共同点云的方式，即可达到剔除点云关键帧序列中动态点云的目的，实现对点云关键帧序列的优化，再根据优化后的点云关键帧序列构建点云地图，能够提升点云地图的质量，从而提升了点云地图的定位精度，且建图过程中只需要在有点云的空间储存点云数据，节省了内存空间，能够满足3D场景需求，此外，建图的运算复杂度相比于传统珊格建图的运算算复杂度要低，节省了计算资源。
进一步地，请参阅图2，基于上述实施例，提出了本申请点云地图构建方法的另一实施例。
如图2所示，步骤S103之后，包括步骤S104。
S104、通过高斯滤波法对所述点云地图进行去噪，以剔除所述点云地图中的动态点云，得到目标点云地图。
考虑到上述实施例对点云关键帧序列进行优化的过程只是剔除掉相邻点云关键帧中动态对象对应的大部分点云，优化后的点云关键帧序列还可能存在小部分动态对象对应的点云(定义为动态点云)，也即点云地图中还可能存在动态点云，那么由优化后的点云关键帧序列所构建点云地图中则存在因动态点云引起的噪声，因此对点云地图进行去噪，以剔除点云地图中的动态点云，从而进一步在由优化后的点云关键帧序列所构建的点云地图的基础上，得到精度更高的目标点云地图。
在一些实施例中，如图3所示，所述对所述点云地图进行去噪，包括子步骤S1041至S1043。
S1041、创建所述点云地图的点云对应的KD-Tree，遍历所述点云地图的每个点云，以搜索所述点云地图的各个点云对应的K个邻近点云。
首先查找点云地图的各个点云对应的K个邻近点云，还是采用KD-Tree算法实现，即创建点云地图的点云对应的KD-Tree，遍历点云地图的每个点云，从而搜索到点云地图的各个点云对应的K个邻近点云。
S1042、计算所述点云地图的各个点云与所述K个邻近点云之间的距离，并计算所述距离的均值和方差。
进一步地，计算各个点云与K个邻近点云之间的距离，并计算各个点云与K个邻近点云的距离的均值和方差。
S1043、根据所述均值和所述方差拟合得到高斯模型，并通过所述高斯模型对所述点云地图进行去噪。
之后，根据各个点云与K个邻近点云的距离的均值和方差拟合得到高斯模型，再利用高斯模型对点云地图进行去噪。
在一些实施例中，所述通过所述高斯模型对所述点云地图进行去噪，具体为：通过所述高斯模型对所述点云地图中的点云进行拟合；剔除所述点云地图中所有满足拟合条件的点云。
即，利用高斯模型对点云地图中的点云进行拟合，从而剔除点云地图中所有满足拟合条件的点云，其中，拟合条件为点云与其K个邻近点云之间的平均距离大于正负M倍标准差，其中，M的取值可以为3。
示例性的，对点云地图进行去噪包括：
1)对于每个点云，找到对应的K个邻近点云；
2)计算每个点云与K个邻近点云之间的距离dij，i＝[1,...,m](表示点云集合)，j＝[1,...,K]；
3)计算各个点云与K个邻近点云的距离的均值和方差，取方差的平方根得到标准差，以根据均值μ和标准差σ拟合高斯模型d～N(μ,σ)
Figure BDA0003185374670000081
4)利用高斯模型对点云地图中的点云进行拟合，从而剔除所述点云地图中所有满足拟合条件的点云，实现对点云地图的去噪，其中，拟合条件：
Figure BDA0003185374670000082
或者
Figure BDA0003185374670000083
也即，认为点云地图中的点云服从正态分布，那么对于与其K个邻近点云之间的平均距离不在(μ+3σ,μ-3σ)范围内的点云，认为其与距离的均值的偏离程度高，判定为在点云地图中引起噪声的动态点云，通过高斯模型直接对点云地图中的点云进行拟合，就可以剔除掉这些在点云地图中引起噪声的动态点云。
由此，实现对点云地图中动态点云的剔除，能够进一步提升点云地图的质量，从而进一步提升点云地图的定位精度，如图4和图5所示，图4为由优化后的点云关键帧序列构建得到的点云地图，图5为剔除点云地图中动态点云后得到的目标点云地图。在实际实验中，对于面积为2万平方米的待建图区域，上述实施例提供的点云地图构建方法只需耗时3.58S即可得到目标点云地图(珊格建图为10.32S)，对于面积为5万平方米的待建图区域只需耗时6.32S即可得到目标点云地图(珊格建图为18.94S)，上述实施例提供的点云地图构建方法耗时更短，节省了计算资源。
上述实施例提供的点云地图构建方法，首先采集待建图区域的多帧点云数据，并从采集的多帧点云数据中选取若干点云关键帧，组成点云关键帧序列；然后查找并保留点云关键帧序列中相邻点云关键帧之间的共同点云，实现对点云关键帧序列的优化，再根据优化后的点云关键帧序列构建点云地图；最终对点云地图进行去噪，以剔除点云地图中的动态点云，得到目标点云地图。通过对点云关键帧序列进行优化达到剔除点云关键帧序列中动态点云的目的，进一步对由优化后的点云关键帧序列构建的点云地图进行去噪达到剔除点云地图中动态点云的目的，从而通过上述两步处理实现动态点云的剔除，得到质量更高的目标点云地图，在由优化后的点云关键帧序列构建的点云地图的基础上更进一步地提升了定位精度。
请参阅图6，图6为本申请实施例提供的一种点云地图构建装置的示意性框图。如图6所示，点云地图构建装置600可以包括处理器610和存储器620。处理器610和存储器620通过总线连接，该总线比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器510可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器620可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现如下步骤：
采集待建图区域的多帧点云数据，并从采集的所述多帧点云数据中选取若干点云关键帧，组成点云关键帧序列；
查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云，以对所述点云关键帧序列进行优化；
根据优化后的点云关键帧序列构建点云地图。
在一些实施例中，所述处理器在实现查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云时，用于实现：
采用KD-Tree算法在所述相邻点云关键帧的后一点云关键帧中搜索同样存在于前一点云关键帧的点云，以确定所述相邻点云关键帧之间的共同点云；
剔除所述相邻点云关键帧中除所述共同点云之外的点云，以保留所述相邻点云关键帧之间的共同点云。
在一些实施例中，所述处理器在实现采用KD-Tree算法在所述相邻点云关键帧的后一点云关键帧中搜索同样存在于前一点云关键帧的点云，以确定所述相邻点云关键帧之间的共同点云时，用于实现：
建立世界坐标系，将所述相邻点云关键帧的点云投影至所述世界坐标系下；
创建所述前一点云关键帧的点云对应的KD-Tree，遍历所述后一点云关键帧的点云，以在所述后一点云关键帧中搜索与所述前一点云关键帧的点云匹配的邻近点云，获得多个匹配点云对；
根据多个所述匹配点云对确定所述相邻点云关键帧之间的共同点云。
在一些实施例中，所述处理器在实现所述根据多个所述匹配点云对确定所述相邻点云关键帧之间的共同点云时，用于实现：
计算各个所述匹配点云对的两个点云之间的欧式距离；
根据各个所述匹配点云对的所述欧式距离，从多个所述匹配点云对中确定所述相邻点云关键帧之间的共同点云。
在一些实施例中，所述处理器在实现所述根据各个所述匹配点云对的所述欧式距离，从多个所述匹配点云对中确定所述相邻点云关键帧之间的共同点云时，用于实现：
将各个所述匹配点云对的所述欧式距离与预设阈值进行比对；
将欧式距离小于等于预设阈值的匹配点云对，确定为所述相邻点云关键帧之间的共同点云。
在一些实施例中，所述处理器在实现所述根据优化后的点云关键帧序列构建点云地图之后，实现如下步骤：
通过高斯滤波法对所述点云地图进行去噪，以剔除所述点云地图中的动态点云，得到目标点云地图。
在一些实施例中，所述处理器在实现所述通过高斯滤波法对所述点云地图进行去噪时，用于实现：
创建所述点云地图的点云对应的KD-Tree，遍历所述点云地图的每个点云，以搜索所述点云地图的各个点云对应的K个邻近点云；
计算所述点云地图的各个点云与所述K个邻近点云之间的距离，并计算所述距离的均值和方差；
根据所述均值和所述方差拟合得到高斯模型，并通过所述高斯模型对所述点云地图进行去噪。
在一些实施例中，所述处理器在实现所述通过所述高斯模型对所述点云地图进行去噪时，用于实现：
通过所述高斯模型对所述点云地图中的点云进行拟合；
剔除所述点云地图中所有满足拟合条件的点云。
本申请的实施例中还提供一种计算机设备，该计算机设备包括上述实施例中的点云地图构建装置600。计算机设备通过采集待建图区域的多帧点云数据，并从采集的所述多帧点云数据中选取若干点云关键帧，组成点云关键帧序列；查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云，以对所述点云关键帧序列进行优化；根据优化后的点云关键帧序列构建点云地图。具体操作可参考本申请实施例提供的点云地图构建方法的步骤，在此不再赘述。
由于该计算机设备可以执行本申请实施例所提供的任一种点云地图构建方法，因此，可以实现本申请实施例所提供的任一种点云地图构建方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现上述实施例提供的点云地图构建方法的步骤。例如，该计算机程序被处理器加载，可以执行如下步骤：
采集待建图区域的多帧点云数据，并从采集的所述多帧点云数据中选取若干点云关键帧，组成点云关键帧序列；
查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云，以对所述点云关键帧序列进行优化；
根据优化后的点云关键帧序列构建点云地图。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，计算机可读存储介质可以是前述实施例的点云地图构建装置或计算机设备的内部存储单元，例如点云地图构建装置或计算机设备的硬盘或内存。计算机可读存储介质也可以是点云地图构建装置或计算机设备的外部存储设备，例如点云地图构建装置或计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
由于该计算机可读存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种点云地图构建方法，因此，可以实现本申请实施例所提供的任一种点云地图构建方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
需要说明的是，在本文中，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过程、方法、物品或者系统不仅包括那些要素，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过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅是本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种点云地图构建方法，其特征在于，包括：
采集待建图区域的多帧点云数据，并从采集的所述多帧点云数据中选取若干点云关键帧，组成点云关键帧序列；
查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云，以对所述点云关键帧序列进行优化；
根据优化后的点云关键帧序列构建点云地图。
2.根据权利要求1所述的方法，其特征在于，所述查找并保留所述点云关键帧序列中相邻点云关键帧之间的共同点云，包括：
采用KD-Tree算法在所述相邻点云关键帧的后一点云关键帧中搜索同样存在于前一点云关键帧的点云，以确定所述相邻点云关键帧之间的共同点云；
剔除所述相邻点云关键帧中除所述共同点云之外的点云，以保留所述相邻点云关键帧之间的共同点云。
3.根据权利要求2所述的方法，其特征在于，所述采用KD-Tree算法在所述相邻点云关键帧的后一点云关键帧中搜索同样存在于前一点云关键帧的点云，以确定所述相邻点云关键帧之间的共同点云，包括：
建立世界坐标系，将所述相邻点云关键帧的点云投影至所述世界坐标系下；
创建所述前一点云关键帧的点云对应的KD-Tree，遍历所述后一点云关键帧的点云，以在所述后一点云关键帧中搜索与所述前一点云关键帧的点云匹配的邻近点云，获得多个匹配点云对；
根据多个所述匹配点云对确定所述相邻点云关键帧之间的共同点云。
4.根据权利要求3所述的方法，其特征在于，所述根据多个所述匹配点云对确定所述相邻点云关键帧之间的共同点云，包括：
计算各个所述匹配点云对的两个点云之间的欧式距离；
根据各个所述匹配点云对的所述欧式距离，从多个所述匹配点云对中确定所述相邻点云关键帧之间的共同点云。
5.根据权利要求4所述的方法，其特征在于，所述根据各个所述匹配点云对的所述欧式距离，从多个所述匹配点云对中确定所述相邻点云关键帧之间的共同点云，包括：
将各个所述匹配点云对的所述欧式距离与预设阈值进行比对；
将欧式距离小于等于预设阈值的匹配点云对，确定为所述相邻点云关键帧之间的共同点云。
6.根据权利要求1所述的方法，其特征在于，所述根据优化后的点云关键帧序列构建点云地图之后，包括：
通过高斯滤波法对所述点云地图进行去噪，以剔除所述点云地图中的动态点云，得到目标点云地图。
7.根据权利要求6所述的方法，其特征在于，所述通过高斯滤波法对所述点云地图进行去噪，包括：
创建所述点云地图的点云对应的KD-Tree，遍历所述点云地图的每个点云，以搜索所述点云地图的各个点云对应的K个邻近点云；
计算所述点云地图的各个点云与所述K个邻近点云之间的距离，并计算所述距离的均值和方差；
根据所述均值和所述方差拟合得到高斯模型，并通过所述高斯模型对所述点云地图进行去噪。
8.根据权利要求7所述的方法，其特征在于，所述通过所述高斯模型对所述点云地图进行去噪，包括：
通过所述高斯模型对所述点云地图中的点云进行拟合；
剔除所述点云地图中所有满足拟合条件的点云。
9.一种点云地图构建装置，其特征在于，所述点云地图构建装置包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至8中任一项所述的点云地图构建方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至8中任一项所述的点云地图构建方法。
CN202110860075.7A 2021-07-28 2021-07-28 点云地图构建方法、装置及计算机可读存储介质 Pending CN113628335A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110860075.7A CN113628335A (zh) 2021-07-28 2021-07-28 点云地图构建方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110860075.7A CN113628335A (zh) 2021-07-28 2021-07-28 点云地图构建方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113628335A true CN113628335A (zh) 2021-11-09

Family

ID=78381411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110860075.7A Pending CN113628335A (zh) 2021-07-28 2021-07-28 点云地图构建方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113628335A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985230A (zh) * 2018-07-17 2018-12-11 深圳市易成自动驾驶技术有限公司 车道线检测方法、装置及计算机可读存储介质
CN109407073A (zh) * 2017-08-15 2019-03-01 百度在线网络技术（北京）有限公司 反射值地图构建方法和装置
CN109636905A (zh) * 2018-12-07 2019-04-16 东北大学 基于深度卷积神经网络的环境语义建图方法
CN110866496A (zh) * 2019-11-14 2020-03-06 合肥工业大学 基于深度图像的机器人定位与建图方法和装置
CN111951397A (zh) * 2020-08-07 2020-11-17 清华大学 一种多机协同构建三维点云地图的方法、装置和存储介质
CN112086010A (zh) * 2020-09-03 2020-12-15 中国第一汽车股份有限公司 地图生成方法、装置、设备及存储介质
CN112257722A (zh) * 2020-11-11 2021-01-22 南京工业大学 基于抗差非线性高斯-赫尔默特模型的点云拟合方法
CN112950781A (zh) * 2021-03-19 2021-06-11 中山大学 特种场景的多传感器动态加权融合的点云地图构建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407073A (zh) * 2017-08-15 2019-03-01 百度在线网络技术（北京）有限公司 反射值地图构建方法和装置
CN108985230A (zh) * 2018-07-17 2018-12-11 深圳市易成自动驾驶技术有限公司 车道线检测方法、装置及计算机可读存储介质
CN109636905A (zh) * 2018-12-07 2019-04-16 东北大学 基于深度卷积神经网络的环境语义建图方法
CN110866496A (zh) * 2019-11-14 2020-03-06 合肥工业大学 基于深度图像的机器人定位与建图方法和装置
CN111951397A (zh) * 2020-08-07 2020-11-17 清华大学 一种多机协同构建三维点云地图的方法、装置和存储介质
CN112086010A (zh) * 2020-09-03 2020-12-15 中国第一汽车股份有限公司 地图生成方法、装置、设备及存储介质
CN112257722A (zh) * 2020-11-11 2021-01-22 南京工业大学 基于抗差非线性高斯-赫尔默特模型的点云拟合方法
CN112950781A (zh) * 2021-03-19 2021-06-11 中山大学 特种场景的多传感器动态加权融合的点云地图构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨军 等: "改进的ICP算法在三维模型配准中的研究", 《计算机科学与探索》, vol. 12, no. 01, pages 157 - 158 *
贾松敏;王可;郭兵;李秀智;: "基于RGB-D相机的移动机器人三维SLAM", 华中科技大学学报(自然科学版), no. 01, pages 103 - 109 *

Similar Documents

Publication Publication Date Title
EP3709266A1 (en) Human-tracking methods, apparatuses, systems, and storage media
JP4545641B2 (ja) 類似画像検索方法，類似画像検索システム，類似画像検索プログラム及び記録媒体
WO2012148619A1 (en) Superpixel segmentation methods and systems
CN108961316B (zh) 图像处理方法、装置及服务器
CN112233051B (zh) 一种中值滤波方法、中值滤波装置和计算机可读存储介质
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
CN116721228B (zh) 一种基于低密度点云的建筑物高程提取方法及系统
CN110555863A (zh) 一种运动目标检测方法、装置和计算机可读存储介质
CN112154479A (zh) 提取特征点的方法、可移动平台及存储介质
CN111275616B (zh) 低空航拍图像拼接方法和装置
JP5192437B2 (ja) 物体領域検出装置、物体領域検出方法および物体領域検出プログラム
CN110889817B (zh) 图像融合质量评价方法及装置
CN113628335A (zh) 点云地图构建方法、装置及计算机可读存储介质
EP3891701A1 (en) Method and apparatus for determining temporal behaviour of an object
CN111429568B (zh) 点云处理方法和装置、电子设备和存储介质
Htet et al. The edges detection in images using the clustering algorithm
Dimiccoli et al. Hierarchical region-based representation for segmentation and filtering with depth in single images
CN113963178A (zh) 地空背景下红外弱小目标检测方法、装置、设备及介质
CN114025089A (zh) 一种视频图像采集抖动处理方法及系统
CN113538296A (zh) 一种红外图像目标检测方法、装置、计算设备及存储介质
CN108805903B (zh) 一种基于ar引擎的多标记点识别方法和装置
KR20100009451A (ko) 영상의 그라운드 라인 결정 방법
CN106652048B (zh) 基于3d-susan算子的三维模型感兴趣点提取方法
CN118518093B (zh) 一种基于多帧空间占用率的激光slam方法、设备及介质
CN118587370B (zh) 用于三维点云重建的阴影消除方法、装置及相关设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211109