CN113674425A - 点云采样方法、装置、设备及计算机可读存储介质 - Google Patents
点云采样方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113674425A CN113674425A CN202111237382.6A CN202111237382A CN113674425A CN 113674425 A CN113674425 A CN 113674425A CN 202111237382 A CN202111237382 A CN 202111237382A CN 113674425 A CN113674425 A CN 113674425A
- Authority
- CN
- China
- Prior art keywords
- sampling
- point cloud
- data
- point
- sampled
- 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
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请公开了一种点云采样方法、装置、设备及计算机可读存储介质,获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。相对于现有技术中具有较高的算法复杂度与巨大的计算量的采样算法,本申请通过先对待采样点云数据进行初始采样得到初始采样数据,再对初始采样数据进行采样点增补得到目标采样数据,有效降低计算复杂度以及减少采样所需的计算量,进而提高进行点云采样的效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种点云采样方法、装置、设备及计算机可读存储介质。
背景技术
在进行点云采样时,由于点云的海量和无序性,直接采样的处理方式在对邻域进行搜索时需要较高的计算成本。一个常用的解决方式就是对点云进行下采样,将对全部点云的操作转换到下采样所得到的点上,以此降低计算量。常用的下采样方法为最远点下采样法,最远点采样是一种较为简单的均匀采样方法。具体方法为:输入点云记为P,采样点集记为Q,采样前,采样点集Q为空。第一步,随机采集点云P中一个种子点放入采样点集Q中。第二步,在点云P中,找一点到集合Q距离最远的点(取点到集合的所有点距离中最小值为点到集合的距离)放入点集Q中。第三步,循环执行第二步,直到点集Q中元素的数量达到下采样数量要求停止。但是,最远点下采样法的算法复杂度高且计算量巨大,导致基于该方法进行点云采样的效率低下。
发明内容
本申请的主要目的在于提供一种点云采样方法、装置、设备及计算机可读存储介质,旨在解决当前进行点云采样的效率低下的技术问题。
为实现上述目的,本申请实施例提供一种点云采样方法,所述点云采样方法包括:
获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;
基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。
优选地,所述基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据的步骤包括:
基于体素网格法对所述待采样点云数据进行数据分割,得到体素点集合;
基于所述体素点集合确定待增补采样点;
将所述待增补采样点增补至所述初始采样数据,得到目标采样数据。
优选地,所述基于所述体素点集合确定待增补采样点的步骤包括:
基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合;
基于所述体素点集合与所述第一子集合确定待增补采样点。
优选地,所述基于所述体素点集合与所述第一子集合确定待增补采样点的步骤包括:
分别计算所述体素点集合与所述第一子集合的第一主轴方向向量与第二主轴方向向量;
根据所述第一主轴方向向量与所述第二主轴方向向量确定待增补采样点。
优选地,所述根据所述第一主轴方向向量与所述第二主轴方向向量确定待增补采样点的步骤包括:
计算所述第一主轴方向向量与所述第二主轴方向向量的夹角值;
将所述夹角值与预设夹角阈值进行对比,得到对比结果;
根据所述对比结果确定待增补采样点。
优选地,所述根据所述对比结果确定待增补采样点的步骤包括:
若所述对比结果为所述夹角值小于所述预设夹角阈值,则剔除所述第一子集合;
若所述对比结果为所述夹角值大于或等于所述预设夹角阈值,则保留所述第一子集合;将所述第一子集合作为新的体素点集合并执行基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合的步骤,直至执行次数达到预设次数阈值,得到相应数量的第二子集合,根据所述第一子集合与所述第二子集合确定待增补采样点。
优选地,所述对所述待采样点云数据进行采样,得到初始采样数据的步骤包括:
对所述待采样点云数据进行数据预处理,得到预处理后的待采样点云数据;
基于体素网格法对预处理后的待采样点云数据进行采样,得到初始采样数据。
为实现上述目的,本申请还提供一种点云采样装置,所述点云采样装置包括:
采样模块,用于获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;
增补模块,用于基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。
进一步地,为实现上述目的,本申请还提供一种点云采样设备,所述点云采样设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的点云采样程序,所述点云采样程序被所述处理器执行时实现上述的点云采样方法的步骤。
进一步地,为实现上述目的,本申请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上存储有点云采样程序,所述点云采样程序被处理器执行时实现上述的点云采样方法的步骤。
进一步地,为实现上述目的,本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的点云采样方法的步骤。
本申请实施例提供一种点云采样方法、装置、设备及计算机可读存储介质,获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。相对于现有技术中具有较高的算法复杂度与巨大的计算量的采样算法,本申请通过先对待采样点云数据进行初始采样得到初始采样数据,再对初始采样数据进行采样点增补得到目标采样数据,有效降低计算复杂度以及减少采样所需的计算量,进而提高进行点云采样的效率。
此外,本申请通过对初始采样数据进行采样点增补得到目标采样数据,还可以保留待采样点云数据中包含的几何特征。
附图说明
图1为本申请点云采样方法实施例方案涉及的硬件运行环境的结构示意图;
图2为本申请点云采样方法第一实施例的流程示意图;
图3为本申请点云采样方法第二实施例的流程示意图;
图4为本申请点云采样方法第三实施例的流程示意图;
图5为本申请点云采样装置较佳实施例的功能模块示意图。
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。
本申请实施例提供一种点云采样方法、装置、设备及计算机可读存储介质,获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。相对于现有技术中具有较高的算法复杂度与巨大的计算量的采样算法,本申请通过先对待采样点云数据进行初始采样得到初始采样数据,再对初始采样数据进行采样点增补得到目标采样数据,有效降低计算复杂度以及减少采样所需的计算量,进而提高进行点云采样的效率。
此外,本申请通过对初始采样数据进行采样点增补得到目标采样数据,还可以保留待采样点云数据中包含的几何特征。
如图1所示,图1是本申请实施例方案涉及的硬件运行环境的点云采样设备结构示意图。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
本申请实施例点云采样设备可以是PC,也可以是平板电脑、便携计算机等可移动式终端设备。
如图1所示,该点云采样设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的点云采样设备结构并不构成对点云采样设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及点云采样程序。
在图1所示的设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的点云采样程序,并执行以下操作:
获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;
基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。
进一步地,所述基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据的步骤包括:
基于体素网格法对所述待采样点云数据进行数据分割,得到体素点集合;
基于所述体素点集合确定待增补采样点;
将所述待增补采样点增补至所述初始采样数据,得到目标采样数据。
进一步地,所述基于所述体素点集合确定待增补采样点的步骤包括:
基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合;
基于所述体素点集合与所述第一子集合确定待增补采样点。
进一步地,所述基于所述体素点集合与所述第一子集合确定待增补采样点的步骤包括:
分别计算所述体素点集合与所述第一子集合的第一主轴方向向量与第二主轴方向向量;
根据所述第一主轴方向向量与所述第二主轴方向向量确定待增补采样点。
进一步地,所述根据所述第一主轴方向向量与所述第二主轴方向向量确定待增补采样点的步骤包括:
计算所述第一主轴方向向量与所述第二主轴方向向量的夹角值;
将所述夹角值与预设夹角阈值进行对比,得到对比结果;
根据所述对比结果确定待增补采样点。
进一步地,所述根据所述对比结果确定待增补采样点的步骤包括:
若所述对比结果为所述夹角值小于所述预设夹角阈值,则剔除所述第一子集合;
若所述对比结果为所述夹角值大于或等于所述预设夹角阈值,则保留所述第一子集合;将所述第一子集合作为新的体素点集合并执行基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合的步骤,直至执行次数达到预设次数阈值,得到相应数量的第二子集合,根据所述第一子集合与所述第二子集合确定待增补采样点。
进一步地,所述对所述待采样点云数据进行采样,得到初始采样数据的步骤包括:
对所述待采样点云数据进行数据预处理,得到预处理后的待采样点云数据;
基于体素网格法对预处理后的待采样点云数据进行采样,得到初始采样数据。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照图2,本申请第一实施例提供一种点云采样方法的流程示意图。该实施例中,所述点云采样方法包括以下步骤:
步骤S10,获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;
可以理解地,由于点云的海量和无序性,直接处理的方式在对邻域进行搜索时需要较高的计算成本,而采用常用的最远点下采样虽然相较直接处理的方式减少了一定的计算量,但是最远点下采样法具有较高的算法复杂度且计算量仍然较大,进而导致基于该方法进行点云采样的效率低下。在此基础上,本申请提出一种应用于点云采样系统的点云采样方法,以解决采用现有技术进行点云采样时存在的效率较低的问题。
具体地,本实施例中点云采样系统先采用激光对对象(物体)进行扫描,得到该对象的三维点云数据,由此得到该对象对应的待采样点云数据。进一步地,通过体素网格法对待采样点云数据进行初始的采样(即降采样),具体地,先设置初始为空的采样点集,通过体素网格法将待采样点云数据分割成多个体素点集合,分别计算每一体素点集合的重心,并将各体素点集合对应的重心作为采样点添加至采样点集中,形成初始采样数据,其中,体素网格法用于是把三维空间的点云数据用体素(如立方体、球体等)离散成一个个点云子集,然后再从每个点云子集中采样一个点,体素(立方体、球体等)的尺寸与点云密度及降采样规模相关,例如球体的半径越大则球体越少,降采样后的采样点越少。通过简单的计算即可得到待采样点云的初始采样数据,可以提高点云的采样速度,进而提高点云的采样效率。
步骤S20,基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。
需要说明的是,基于当前的体素网格法获取的初始点云数据在一定程度上可以作为最终的点云数据,但是经研究发现,若只采用体素网格法对待采样点云数据进行降采样而得到相应的采样数据,在降采样的过程中可能会丢失点云数据的部分几何特征,使得采样数据中对于点云数据的几何特征的描述不够准确。因此,本实施例在通过体素网格法对待采样点云数据进行降采样得到初始采样数据后,还需要从待采样点云数据中确定出待增补采样点,并将待增补采样点增补至初始采样数据中形成目标采样数据,以此保留点云数据的几何特征,确保采样数据中对于点云数据的几何特征的描述是准确的。具体地,本实施例中可以直接获取上述通过体素网格法对待采样点云数据进行分割得到的多个体素点集合,也可以再通过体素网格法对待采样点云数据进行数据分割,得到多个体素点集合。进一步地,基于多个体素点集合确定待增补采样点,并将待增补采样点增补至初始采样数据,形成目标采样数据。通过待采样点云数据确定待增补采样点并将其增补至初始采样数据中形成目标采样数据,可以在提高点云采样速度的前提下,保留点云数据的几何特征,确保采样数据中对于点云数据的几何特征的描述是准确的,提高点云采样的效率。
本实施例提供一种点云采样方法、装置、设备及计算机可读存储介质,获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。相对于现有技术中具有较高的算法复杂度与巨大的计算量的采样算法,本申请通过先对待采样点云数据进行初始采样得到初始采样数据,再对初始采样数据进行采样点增补得到目标采样数据,有效降低计算复杂度以及减少采样所需的计算量,进而提高进行点云采样的效率。
此外,本申请通过对初始采样数据进行采样点增补得到目标采样数据,还可以保留待采样点云数据中包含的几何特征。
进一步地,参照图3,基于本申请点云采样方法的第一实施例,提出本申请点云采样方法的第二实施例,在第二实施例中,所述基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据的步骤包括:
步骤A1,基于体素网格法对所述待采样点云数据进行数据分割,得到体素点集合;
步骤A2,基于所述体素点集合确定待增补采样点;
步骤A3,将所述待增补采样点增补至所述初始采样数据,得到目标采样数据。
在对待采样点云数据进行采样得到初始采样数据后,可以采用体素网格法对待采样点云数据进行数据分割,例如,可以通过球体网格法将待采样点云数据分割为多个体素点集合,每一球体网格对应一个体素点集合,每一体素点集合中包括一个或多个数据点。也可以采用对待采样点云数据进行采样时划分的体素点集合。进一步地,针对每一体素点集合,通过体素网格法再对体素点集合进行数据分割,分割成多个第一子集合,同时分别计算各子集合的主轴方向向量与体素点集合的主轴方向向量之间的夹角值,再根据夹角值与预设夹角阈值对比结果确定待增补采样点,并将确定的待增补采样点增补至初始采样数据中,具体为将待增补采样点添加至初始采样数据对应的采样点集中,形成保留了点云数据的几何特征的目标采样数据,其中预设夹角阈值为根据实际采样需求或应用环境设置的夹角值。通过待采样点云数据确定待增补采样点并将其增补至初始采样数据中形成目标采样数据,可以在提高点云采样速度的前提下,保留点云数据的几何特征,确保采样数据中对于点云数据的几何特征的描述是准确的,提高点云采样的效率。
进一步地,所述基于所述体素点集合确定待增补采样点的步骤包括:
步骤B1,基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合;
步骤B2,基于所述体素点集合与所述第一子集合确定待增补采样点。
在得到多个体素点集合后,再通过体素网格法对每一体素点集合进行数据分割,将每一体素点集合均划分为多个第一子集合,例如,可以通过球体网格法将体素点集合分割为多个第一子集合,每一球体网格对应一个第一子集合,使得每一体素点集合均对应多个第一子集合,在本实施例中可以通过体素网格法将每一体素点集合均划分为9个第一子集合。进一步地,分别计算每一体素点集合的第一主轴方向向量,以及每一第一子集合的第二主轴方向向量。通过第一主轴方向向量与第二主轴方向向量之间的夹角快速判断点云描述的轮廓特征曲率变化,确定待增补采样点,具体为在曲率变化较大的区域增补采样点,以保留点云的几何特征。
进一步地,所述基于所述体素点集合与所述第一子集合确定待增补采样点的步骤包括:
步骤C1,分别计算所述体素点集合与所述第一子集合的第一主轴方向向量与第二主轴方向向量;
步骤C2,根据所述第一主轴方向向量与所述第二主轴方向向量确定待增补采样点。
在基于体素网格法对体素点集合进行数据分割,得到第一子集合后,分别计算体素点集合的第一主轴方向向量与第一子集合的第二主轴方向向量,具体地,通过PCA(Principal Component Analysis,主成分分析法)分别计算体素点集合的第一主轴方向向量与第一子集合的第二主轴方向向量,其中,PCA是一种以特征向量分析多元统计分布的方法,表征了数据内部的主要分布方向,PCA点云处理可以看作是计算点云数据的线性投影,以数据最大方差的方向作为点云的主轴方向,方差的大小由相应的特征值定义。更具体地,在计算主轴方向向量时,先根据PCA以第一预设计算公式计算包含点云数据的点集合的协方差矩阵,再以第二预设计算公式对协方差矩阵进行奇异值分解,得到奇异值矩阵和奇异向量矩阵,其中奇异向量矩阵包括左奇异向量矩阵和右奇异向量矩阵,并且左奇异向量矩阵的第一列向量为对应的方差最大方向,而第一列向量即为对应点集的主轴方向向量,其中,第一预设计算公式如下公式所示:
其中,Mcov为协方差矩阵,Q由q1,q2,...,qn等n个三维点组成,记Q={q1,q2,...,qn},μ如下公式所示,用于进行点云数据的去中心化:
其中,n为点集中数据点的数量,qi表示第i个数据点。
第二预设计算公式如下公式所示:
其中,Mcov为协方差矩阵,U与V是3x3正交矩阵,分别为协方差矩阵的左奇异向量矩阵和右奇异向量矩阵,S为对角矩阵,为协方差矩阵的奇异值矩阵。
通过上述计算过程可以快速计算出体素点集合的第一主轴方向向量与第一子集合的第二主轴方向向量。其中包括各体素点集合分别对应的第一主轴方向向量,以及各第一子集合对应的第二主轴方向向量,即每一体素点集合对应一个第一主轴方向向量,并且每一体素点集合对应多个第一子集合,而每一第一子集合又对应一个第二主轴方向向量。
在计算出体素点集合的第一主轴方向向量与第一子集合的第二主轴方向向量后,再分别计算出第一主轴方向向量与第二主轴方向向量之间的夹角值,并根据该夹角值与预设夹角阈值的对比结果来确定待增补采样点。通过待采样点云数据确定待增补采样点以将其增补至初始采样数据中形成目标采样数据,可以在提高点云采样速度的前提下,保留点云数据的几何特征,确保采样数据中对于点云数据的几何特征的描述是准确的,提高点云采样的效率。
进一步地,所述根据所述第一主轴方向向量与所述第二主轴方向向量确定待增补采样点的步骤包括:
步骤D1,计算所述第一主轴方向向量与所述第二主轴方向向量的夹角值;
步骤D2,将所述夹角值与预设夹角阈值进行对比,得到对比结果;
步骤D3,根据所述对比结果确定待增补采样点。
在算出体素点集合的第一主轴方向向量与第一子集合的第二主轴方向向量后,进一步通过向量夹角计算公式结合第一主轴方向向量与第二主轴方向向量计算出第一主轴方向向量与第二主轴方向向量之间的夹角值,具体为将各第二主轴方向向量及其对应的第一主轴方向向量输入至向量夹角计算公式中进行计算,得到第一主轴方向向量与第二主轴方向向量之间的夹角值,其中向量夹角计算公式可以采用现有的向量夹角计算公式,本实施例中不进行限定,只要可以计算出两个方向向量之间的夹角值即可。由此可以得到每一第二主轴方向向量与其对应的第一主轴方向向量之间的夹角值,例如某一体素点集合被划分为9个第一子集合,则需要分别计算9个第一子集合对应的第二主轴方向向量与该体素点集合对应的第一主轴方向向量之间的夹角值,即计算出9个夹角值。再去计算其他体素点集合及其第一子集合的主轴方向向量之间的夹角值。进一步地,将计算出的各夹角值分别与预设夹角阈值进行对比,以此确定各夹角值与预设夹角阈值之间的大小关系,得到对比结果,其中对比结果包括夹角值大于或等于预设夹角阈值,以及夹角值小于预设夹角阈值。进一步地,根据夹角值大于或等于预设夹角阈值,以及夹角值小于预设夹角阈值的对比结果确定待增补采样点,以将待增补采样点增补至初始采样数据中形成目标采样数据,可以在提高点云采样速度的前提下,保留点云数据的几何特征,确保采样数据中对于点云数据的几何特征的描述是准确的,提高点云采样的效率。
进一步地,所述根据所述对比结果确定待增补采样点的步骤包括:
步骤E1,若所述对比结果为所述夹角值小于所述预设夹角阈值,则剔除所述第一子集合;
步骤E2,若所述对比结果为所述夹角值大于或等于所述预设夹角阈值,则保留所述第一子集合;将所述第一子集合作为新的体素点集合并执行基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合的步骤,直至执行次数达到预设次数阈值,得到相应数量的第二子集合,根据所述第一子集合与所述第二子集合确定待增补采样点。
在得到各夹角值分别与预设夹角阈值之间的对应结果后,若确定对比结果为夹角值小于预设夹角阈值,则剔除该夹角值对应的第一子集合,即确定该第一子集合中不存在需要增补至初始采样数据中以保留点云数据的几何特征的待增补采样点。并进一步根据下一对比结果确定待增补采样点,直至完成所有第一子集合的筛除,得到对应的待增补采样点,其中待增补采样点可能不存在。
相反地,若确定对比结果为夹角值大于或等于所述预设夹角阈值,则保留第一子集合;将第一子集合作为新的体素点集合并执行基于体素网格法对体素点集合进行数据分割,得到第一子集合的步骤,直至执行次数达到预设次数阈值,得到相应数量的第二子集合,根据第一子集合与第二子集合确定待增补采样点。即在第一子集合的第二主轴方向向量与其对应的体素点集合的第一主轴方向向量之间的夹角值大于预设夹角阈值,则保留该第一子集合,并进一步通过体素网格法对该第一子集合进行数据分割,将该第一子集合划分为多个第二子集合,进一步分别计算各第二子集合的主轴方向向量,并分别计算第二子集合的主轴方向向量与该第一子集合的第二主轴方向向量之间的夹角值,再将各夹角值与预设夹角阈值进行对比,若夹角值大于预设阈值,则保留相应的第二子集合,并且再通过体素网格法对第二子集合再进行数据分割,即迭代分割,以此类推,直至迭代的次数即执行基于体素网格法对体素点集合进行数据分割,得到第一子集合的步骤的次数达到预设次数阈值,并确定所保留的各子集合的重心作为待增补采样点,具体可以确定各子集合中各数据点的平均值作为重心,以将待增补采样点增补至初始采样数据形成目标采样数据,可以在提高点云采样速度的前提下,保留点云数据的几何特征,确保采样数据中对于点云数据的几何特征的描述是准确的,提高点云采样的效率。
本实施例在采样点增补过程中,引入PCA计算主轴方向向量,并对点云数据进行分布计算、多次网格划分来降低计算量,在保留点云数据的几何特征以保证细节信息的同时进一步提高点云的采样效率。
进一步地,参照图4,基于本申请点云采样方法的第一实施例,提出本申请点云采样方法的第三实施例,在第三实施例中,所述对所述待采样点云数据进行采样,得到初始采样数据的步骤包括:
步骤S11,对所述待采样点云数据进行数据预处理,得到预处理后的待采样点云数据;
步骤S12,基于体素网格法对预处理后的待采样点云数据进行采样,得到初始采样数据。
可以理解地,由于待采样点云数据的海量和无序性,需要先对待采样点云数据进行数据预处理,以降低计算量以及提高数据处理效率。具体地,本实施例中通过分割法对待采样点云数据进行数据预处理,建立待采样点云数据对应的kd(K-dimensional tree)树,其中,kd树是一种带有其他约束条件的二分查找树,在离散点云建立拓扑关系实现基于邻域的快速查找过程中应用十分广泛。具体地,把待采样点云数据中指定维度(x轴)的点的值放在二分查找树的根上,使得该维度上包含较小数值的在左子树,较大的在右子树。然后分别在左子树和右子树上重复这个过程,直到准备分类的最后一个树仅仅由一个元素组成,由此完成待采样点云数据的数据预处理,得到待采样点云数据对应的kd树。通过对待采样点云数据进行数据预处理,使得处理后的待采样点云数据具有一定的顺序,可以降低计算量以及提高数据处理效率。
在对待采样点云数据进行数据预处理得到预处理后的待采样点云数据后,采用体素网格法先将预处理后的待采样点云数据进行分割,将预处理后的待采样点云数据划分为多个体素点集合,并进一步确定各体素点集合的重心,其中重心可以为体素点集合的中心点、中心点的最临近点或体素点集合中各点的平均值,并将各体素点集合对应的重心添加至初始为空的采样点集中,在将所有体素点集合对应的重心添加至采样点集后,形成初始采样数据。例如,本实施例中采用球体网格法,通过多个球体将预处理后的待采样点云数据分割成一系列体素点集合,并分别计算每个体素点集合中的所有点的平均值作为相应体素点集合的重心,将各体素点集合的重心作为采样点放入采用点集中,得到初始采样数据。
本实施例通过先对待采样点云数据进行数据预处理,以降低计算量,并通过体素网格法对预处理后的待采样点云数据进行采样,得到初始采样数据,通过简单的计算即可得到待采样点云的初始采样数据,可以提高点云的采样速度,进而提高点云的采样效率。
进一步地,本申请还提供一种点云采样装置。
参照图5,图5为本申请点云采样装置第一实施例的功能模块示意图。
所述点云采样装置包括:
采样模块10,用于获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;
增补模块20,用于基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。
进一步地,所述采样模块10包括:
预处理单元,用于对所述待采样点云数据进行数据预处理,得到预处理后的待采样点云数据;
采样单元,用于基于体素网格法对预处理后的待采样点云数据进行采样,得到初始采样数据。
进一步地,所述增补模块20包括:
第一分割单元,用于基于体素网格法对所述待采样点云数据进行数据分割,得到体素点集合;
第一确定单元,用于基于所述体素点集合确定待增补采样点;
增补单元,用于将所述待增补采样点增补至所述初始采样数据,得到目标采样数据。
进一步地,所述增补模块20还包括:
第二分割单元,用于基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合;
第二确定单元,用于基于所述体素点集合与所述第一子集合确定待增补采样点。
进一步地,所述增补模块20还包括:
第一计算单元,用于分别计算所述体素点集合与所述第一子集合的第一主轴方向向量与第二主轴方向向量;
第三确定单元,用于根据所述第一主轴方向向量与所述第二主轴方向向量确定待增补采样点。
进一步地,所述增补模块20还包括:
第二计算单元,用于计算所述第一主轴方向向量与所述第二主轴方向向量的夹角值;
对比单元,用于将所述夹角值与预设夹角阈值进行对比,得到对比结果;
第四确定单元,用于根据所述对比结果确定待增补采样点。
进一步地,所述增补模块20还包括:
剔除单元,用于若所述对比结果为所述夹角值小于所述预设夹角阈值,则剔除所述第一子集合;
第五确定单元,用于若所述对比结果为所述夹角值大于或等于所述预设夹角阈值,则保留所述第一子集合;将所述第一子集合作为新的体素点集合并执行基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合的步骤,直至执行次数达到预设次数阈值,得到相应数量的第二子集合,根据所述第一子集合与所述第二子集合确定待增补采样点。
此外,本申请还提供一种计算机可读存储介质,其上存储有点云采样程序,所述点云采样程序被处理器执行时实现上述点云采样方法各实施例的步骤。
此外,本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述点云采样方法各实施例的步骤。
在本申请点云采样设备、计算机可读存储介质和计算机程序产品的实施例中,包含了上述点云采样方法各实施例的全部技术特征,说明和解释内容与上述点云采样方法各实施例基本相同,在此不做赘述。
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过程、方法、物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,并不排除在包括该要素的过程、方法、物品或者装置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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是固定终端,如物联网智能设备,包括智能空调、智能电灯、智能电源、智能路由器等智能家居;也可以是移动终端,包括智能手机、可穿戴的联网AR/VR装置、智能音箱、自动驾驶汽车等诸多联网设备)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种点云采样方法,其特征在于,所述点云采样方法包括:
获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;
基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。
2.如权利要求1所述的点云采样方法,其特征在于,所述基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据的步骤包括:
基于体素网格法对所述待采样点云数据进行数据分割,得到体素点集合;
基于所述体素点集合确定待增补采样点;
将所述待增补采样点增补至所述初始采样数据,得到目标采样数据。
3.如权利要求2所述的点云采样方法,其特征在于,所述基于所述体素点集合确定待增补采样点的步骤包括:
基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合;
基于所述体素点集合与所述第一子集合确定待增补采样点。
4.如权利要求3所述的点云采样方法,其特征在于,所述基于所述体素点集合与所述第一子集合确定待增补采样点的步骤包括:
分别计算所述体素点集合与所述第一子集合的第一主轴方向向量与第二主轴方向向量;
根据所述第一主轴方向向量与所述第二主轴方向向量确定待增补采样点。
5.如权利要求4所述的点云采样方法,其特征在于,所述根据所述第一主轴方向向量与所述第二主轴方向向量确定待增补采样点的步骤包括:
计算所述第一主轴方向向量与所述第二主轴方向向量的夹角值;
将所述夹角值与预设夹角阈值进行对比,得到对比结果;
根据所述对比结果确定待增补采样点。
6.如权利要求5所述的点云采样方法,其特征在于,所述根据所述对比结果确定待增补采样点的步骤包括:
若所述对比结果为所述夹角值小于所述预设夹角阈值,则剔除所述第一子集合;
若所述对比结果为所述夹角值大于或等于所述预设夹角阈值,则保留所述第一子集合;将所述第一子集合作为新的体素点集合并执行基于所述体素网格法对所述体素点集合进行数据分割,得到第一子集合的步骤,直至执行次数达到预设次数阈值,得到相应数量的第二子集合,根据所述第一子集合与所述第二子集合确定待增补采样点。
7.如权利要求1所述的点云采样方法,其特征在于,所述对所述待采样点云数据进行采样,得到初始采样数据的步骤包括:
对所述待采样点云数据进行数据预处理,得到预处理后的待采样点云数据;
基于体素网格法对预处理后的待采样点云数据进行采样,得到初始采样数据。
8.一种点云采样装置,其特征在于,所述点云采样装置包括:
采样模块,用于获取待采样点云数据,对所述待采样点云数据进行采样,得到初始采样数据;
增补模块,用于基于所述待采样点云数据对所述初始采样数据进行采样点增补,得到目标采样数据。
9.一种点云采样设备,其特征在于,所述点云采样设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的点云采样程序,所述点云采样程序被所述处理器执行时实现如权利要求1-7中任一项所述的点云采样方法的步骤。
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上存储有点云采样程序,所述点云采样程序被处理器执行时实现如权利要求1-7中任一项所述的点云采样方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111237382.6A CN113674425B (zh) | 2021-10-25 | 2021-10-25 | 点云采样方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111237382.6A CN113674425B (zh) | 2021-10-25 | 2021-10-25 | 点云采样方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674425A true CN113674425A (zh) | 2021-11-19 |
CN113674425B CN113674425B (zh) | 2022-02-15 |
Family
ID=78550940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111237382.6A Active CN113674425B (zh) | 2021-10-25 | 2021-10-25 | 点云采样方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674425B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627346A (zh) * | 2022-03-15 | 2022-06-14 | 电子科技大学 | 一种保留重要特征的点云数据下采样方法 |
CN117456131A (zh) * | 2023-12-26 | 2024-01-26 | 深圳市信润富联数字科技有限公司 | 缺陷场景下点云的降采样方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9633483B1 (en) * | 2014-03-27 | 2017-04-25 | Hrl Laboratories, Llc | System for filtering, segmenting and recognizing objects in unconstrained environments |
CN109345620A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 融合快速点特征直方图的改进icp待测物体点云拼接方法 |
CN111091062A (zh) * | 2019-11-21 | 2020-05-01 | 东南大学 | 一种基于3d视觉聚类和匹配的机器人乱序目标分拣方法 |
CN111696210A (zh) * | 2020-04-22 | 2020-09-22 | 北京航天控制仪器研究所 | 一种基于三维点云数据特征轻量化的点云重构方法及系统 |
CN111738945A (zh) * | 2020-06-15 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种基于矿山的点云数据预处理方法 |
US20200388044A1 (en) * | 2019-06-06 | 2020-12-10 | Zhejiang University | Plant point cloud acquisition, registration and optimization method based on tof camera |
CN112396067A (zh) * | 2021-01-19 | 2021-02-23 | 苏州挚途科技有限公司 | 点云数据采样方法、装置及电子设备 |
CN112581457A (zh) * | 2020-12-23 | 2021-03-30 | 武汉理工大学 | 一种基于三维点云的管道内表面检测方法及装置 |
CN112764004A (zh) * | 2020-12-22 | 2021-05-07 | 中国第一汽车股份有限公司 | 一种点云处理方法、装置、设备及存储介质 |
CN113284163A (zh) * | 2021-05-12 | 2021-08-20 | 西安交通大学 | 基于车载激光雷达点云的三维目标自适应检测方法及系统 |
CN113470091A (zh) * | 2021-09-02 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂点云配准方法、装置、电子设备和存储介质 |
-
2021
- 2021-10-25 CN CN202111237382.6A patent/CN113674425B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9633483B1 (en) * | 2014-03-27 | 2017-04-25 | Hrl Laboratories, Llc | System for filtering, segmenting and recognizing objects in unconstrained environments |
CN109345620A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 融合快速点特征直方图的改进icp待测物体点云拼接方法 |
US20200388044A1 (en) * | 2019-06-06 | 2020-12-10 | Zhejiang University | Plant point cloud acquisition, registration and optimization method based on tof camera |
CN111091062A (zh) * | 2019-11-21 | 2020-05-01 | 东南大学 | 一种基于3d视觉聚类和匹配的机器人乱序目标分拣方法 |
CN111696210A (zh) * | 2020-04-22 | 2020-09-22 | 北京航天控制仪器研究所 | 一种基于三维点云数据特征轻量化的点云重构方法及系统 |
CN111738945A (zh) * | 2020-06-15 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种基于矿山的点云数据预处理方法 |
CN112764004A (zh) * | 2020-12-22 | 2021-05-07 | 中国第一汽车股份有限公司 | 一种点云处理方法、装置、设备及存储介质 |
CN112581457A (zh) * | 2020-12-23 | 2021-03-30 | 武汉理工大学 | 一种基于三维点云的管道内表面检测方法及装置 |
CN112396067A (zh) * | 2021-01-19 | 2021-02-23 | 苏州挚途科技有限公司 | 点云数据采样方法、装置及电子设备 |
CN113284163A (zh) * | 2021-05-12 | 2021-08-20 | 西安交通大学 | 基于车载激光雷达点云的三维目标自适应检测方法及系统 |
CN113470091A (zh) * | 2021-09-02 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂点云配准方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
孙自飞: "服务机器人动态环境下定位及物体抓取技术", 《中国优秀硕士学位论文全文数据库》 * |
张彬等: "基于体素下采样和关键点提取的点云自动配准", 《激光与光电子学进展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627346A (zh) * | 2022-03-15 | 2022-06-14 | 电子科技大学 | 一种保留重要特征的点云数据下采样方法 |
CN117456131A (zh) * | 2023-12-26 | 2024-01-26 | 深圳市信润富联数字科技有限公司 | 缺陷场景下点云的降采样方法及装置 |
CN117456131B (zh) * | 2023-12-26 | 2024-05-24 | 深圳市信润富联数字科技有限公司 | 缺陷场景下点云的降采样方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113674425B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674425B (zh) | 点云采样方法、装置、设备及计算机可读存储介质 | |
CN109767150B (zh) | 信息推送方法和装置 | |
CN102236675A (zh) | 图像特征点匹配对处理、图像检索方法及设备 | |
CN109189876B (zh) | 一种数据处理方法及装置 | |
CN108764319A (zh) | 一种样本分类方法和装置 | |
KR20220051162A (ko) | 시각적 포지셔닝 방법, 관련 모델의 훈련 방법 및 관련 장치, 기기 | |
CN115965058B (zh) | 神经网络训练方法、实体信息分类方法、装置及存储介质 | |
CN113436223B (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
CN113656373A (zh) | 构建检索数据库的方法、装置、设备以及存储介质 | |
CN115311483A (zh) | 基于局部结构与平衡感知的不完备多视图聚类方法及系统 | |
CN108615006A (zh) | 用于输出信息的方法和装置 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN113761017A (zh) | 相似性搜索方法和装置 | |
CN111860557B (zh) | 图像处理方法及装置、电子设备及计算机存储介质 | |
CN111898493B (zh) | 基于二进制量化三维特征描述子的物体识别方法 | |
CN112800138B (zh) | 大数据分类方法及系统 | |
CN114299495A (zh) | 一种基于维度自适应的小样本图像分类方法 | |
Oliveira et al. | Unsupervised dimensionality reduction for very large datasets: Are we going to the right direction? | |
CN115587297A (zh) | 构建图像识别模型和图像识别的方法、装置、设备及介质 | |
CN114201999A (zh) | 异常账号的识别方法、系统、计算设备及存储介质 | |
CN117610541B (zh) | 大规模数据的作者消歧方法、装置及可读存储介质 | |
CN114862606B (zh) | 一种基于云服务的保险信息处理方法、装置 | |
CN115438138B (zh) | 就业中心识别方法、装置、电子设备及存储介质 | |
CN116070314B (zh) | 一种自适应形状特征优化的建筑物矢量化简方法和装置 | |
CN113627702B (zh) | 业务路径分析方法、装置及计算设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |