CN113762310A - 一种点云数据分类方法、装置、计算机存储介质及系统 - Google Patents

一种点云数据分类方法、装置、计算机存储介质及系统 Download PDF

Info

Publication number
CN113762310A
CN113762310A CN202110114435.9A CN202110114435A CN113762310A CN 113762310 A CN113762310 A CN 113762310A CN 202110114435 A CN202110114435 A CN 202110114435A CN 113762310 A CN113762310 A CN 113762310A
Authority
CN
China
Prior art keywords
data
point
target
point cloud
cloud data
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
CN202110114435.9A
Other languages
English (en)
Inventor
王鹏飞
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.)
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Qianshi 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 Beijing Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingdong Qianshi Technology Co Ltd
Priority to CN202110114435.9A priority Critical patent/CN113762310A/zh
Publication of CN113762310A publication Critical patent/CN113762310A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请实施例提供了一种点云数据分类方法、装置、计算机存储介质及系统，该方法包括：获取包含多个数据点的目标点云数据；利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；根据所述目标种子点集合，对所述目标点云数据进行分类操作。这样，通过第一预设算法和第二预设算法从目标点云数据中筛选出目标种子点集合，提高了种子点的选取准确性，进而提高了点云数据分类结果的准确度。

Description

一种点云数据分类方法、装置、计算机存储介质及系统
技术领域
本申请涉及雷达成像技术领域，尤其涉一种点云数据分类方法、装置、计算机存储介质及系统。
背景技术
点云数据是指通过雷达、激光扫描仪等测量仪器所得到的目标物品/地理位置的外观点数据集合。为了便于后续处理，一般需要对点云数据进行分类，比如地面点和非地面点。
在相关技术中，区域生长是对点云数据进行分类时的常用方法，其以种子点为中心，利用预先定义的生长规则对点云数据进行生长操作，最终得到分类结果。然而，目前的区域生长是假设地面为平缓的，而且在挑选种子点时具有一定随机性，导致最终的分类结果不准确。
发明内容
本申请提供了一种点云数据分类方法、装置、计算机存储介质及系统，通过考虑数据点的多种特征来选取种子点，能够提高点云数据分类结果的准确度。
本申请的技术方案是这样实现的：
第一方面，本申请实施例提供了一种点云数据分类方法，该方法包括：
获取包含多个数据点的目标点云数据；
利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；
利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；
根据所述目标种子点集合，对所述目标点云数据进行分类操作。
第二方面，本申请实施例提供了一种点云数据分类装置，该点云数据分类装置包括获取单元、计算单元和分类单元，其中，
获取单元，配置为获取包含多个数据点的目标点云数据；
计算单元，配置为利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；
计算单元，还配置为利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；
分类单元，配置为根据所述目标种子点集合，对所述目标点云数据进行分类操作。
第三方面，本申请实施例提供了一种点云数据分类装置，该点云数据分类装置包括存储器和处理器；其中，
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行如第一方面所述方法的步骤。
第四方面，本申请实施例提供了一种计算机存储介质，该计算机存储介质存储有点云数据分类程序，该点云数据分类程序被至少一个处理器执行时实现如第一方面所述方法的步骤。
第五方面，本申请提供一种点云数据分类系统，该点云数据分类系统至少包括如第二方面或第三方面所述的点云数据分类装置。
本申请实施例提供了一种点云数据分类方法、装置、计算机存储介质及系统，获取包含多个数据点的目标点云数据；利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；根据所述目标种子点集合，对所述目标点云数据进行分类操作。这样，通过第一预设算法和第二预设算法从目标点云数据中筛选出目标种子点集合，不仅考虑了数据点的高度特征，而且还考虑了高度特征之外的其他特征，从而能够提高种子点的选取准确性，进而提高了点云数据分类结果的准确度。
附图说明
图1为本申请实施例提供的一种点云数据分类方法的流程示意图；
图2为本申请实施例提供的另一种点云数据分类方法的流程示意图；
图3为本申请实施例提供的又一种点云数据分类方法的流程示意图；
图4为本申请实施例提供的一种点云数据分类装置的组成结构示意图；
图5为本申请实施例提供的一种点云数据分类装置的硬件结构示意图；
图6为本申请实施例提供的一种点云数据分类系统的结构示意图。
具体实施方式
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。
点云数据是指通过雷达、激光扫描仪等测量仪器所得到的目标物品/地理位置的外观点数据集合。在基于点云数据的应用中，以点云数据的特征为切入点进行处理的方式越来越成为主流。这种处理方式的好处可以分为两个方面：一方面可以对点云的数据进行压缩，降低点云数据量，减小存储；另一方面对点云数据的特征操作能够方便后续建模，而且点云数据的特征由很好的数学特性，即具有很好的数值计算特性。
以移动机器人领域为例，一般使用多线激光雷达进行自身的定位和环境的感知。在定位应用中，通常对点云数据进行特征分类后进行后续计算，例如在实时激光雷达测光和制图算法如LOAM(Lidar Odometry and Mapping in Real-time)算法中，通过将点云数据分类为面点和角点实现实时定位和建图；在感知应用中，更加关心地面上的点，因此通过将电源数据分类为地面点和非地面点可以帮助感知应用提高检测效率。
在相关技术中，目前点云数据的地面分离方法通常有平面拟合的方法和区域生长的方式。然而，这些方法均假设地面是平缓的，而且只考虑点的高度及角度约束，但是在实际情况中，地面在一定范围内不一定是平缓的，例如拱桥、起伏的路面，基于平面拟合的方式往往无法正常工作，且会提取很多噪点，基于区域生长的方法同样如此。对于区域生长的方法，除了前述缺点，在选择种子点的时候只考虑了高度约束，具有一定的随机性，可能会导致最终选择出来的种子点是错误的，影响了点云数据的分类效果，使得最终的分类结果不准确。
本申请实施例提供了一种点云数据分类方法，该方法的基本思想为：获取包含多个数据点的目标点云数据；利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；根据所述目标种子点集合，对所述目标点云数据进行分类操作。这样，通过第一预设算法和第二预设算法从目标点云数据中筛选出目标种子点集合，不仅考虑了数据点的高度特征，而且还考虑了高度特征之外的其他特征，从而能够提高种子点的选取准确性，进而提高了点云数据分类结果的准确度。
下面将结合附图对本申请各实施例进行详细说明。
在本申请的一实施例中，参见图1，其示出了本申请实施例提供的一种点云数据分类方法的流程示意图。如图1所示，该方法可以包括：
S101：获取包含多个数据点的目标点云数据。
需要说明的是，点云数据(或称为点云)是物体表面的三维表现形式，通过光电雷达、激光雷达、激光扫描仪、多视角相机等采集设备，可以采集得到物体表面的点云(数据)。也就是说，点云(Point Cloud)是指海量三维点的集合，点云中的点可以包括点的位置信息，例如点的位置信息可以是点的三维坐标信息。
按点云数据的用途可以分为两大类：(1)类别一：机器感知点云，其可以用于自主导航系统、实时巡检系统、地理信息系统、视觉分拣机器人、抢险救灾机器人等场景；类别二：人眼感知点云，其可以用于数字文化遗产、自由视点广播、三维沉浸通信、三维沉浸交互等点云应用场景。
在本申请实施例中，点云数据的用途主要为类别一。此时，点云数据需要先进行分类，以便于后续方便地用于自主导航系统、实时巡检系统、地理信息系统、视觉分拣机器人、抢险救灾机器人等场景。具体的，本申请实施例提供了一种点云数据分类方法，主要用于将点云数据分类为地面点和非地面点。
因此，本申请实施例首先需要获取作为分类对象的目标点云数据。在这里，目标点云数据中实际上包含大量的数据点，每个数据点实际上都是一个三维坐标。
还需要说明的是，目标点云数据是测量设备对目标物品/目标地理环境进行扫描后得到的数据点集合。以雷达设备对于目标地理环境进行成像的应用环境为例，雷达设备向目标地理环境发射激光扫描线束，激光扫描线束在遇到障碍物后反射，从而雷达设备能够得到目标地理环境的大量数据点，从而逆向对目标地理环境进行成像。在这类，雷达设备可以包括单线雷达(仅能同时发射1个激光扫描线束)、采用16线雷达(可同时发射16个激光扫描线束)、32线雷达(可同时发射32个激光扫描线束)等，本申请实施例不做限定。
以16线雷达设备为例进行后续说明。16线雷达设备将16个激光扫描线束竖向排列形成一个面，通过转动这个面，16个激光扫描线束同时对周围环境进行扫描。具体地，雷达设备在某一位置进行扫描时，每根激光扫描线束的测量范围都是360度，此时每根激光扫描线束在360度的过程中会得到大量的数据点。
一般来说，目标点云数据是以阵列的形式进行存储的，目标点云数据的每一行代表同一激光扫描线束在不同扫描次数中扫描得到的数据点，而目标点云数据的每一列表示不同激光扫描线束在同一扫描次数中扫描得到的数据点。
进一步地，在一些实施例中，在所述获取目标点云数据之前，该方法还可以包括：
获取待处理点云数据；其中，所述待处理点云数据表示由雷达设备发射且俯仰角度为负数的激光扫描线束所扫描得到的数据；
对所述待处理点云数据进行区域划分，得到所述目标点云数据。
需要说明的是，在本申请实施例中，对目标点云数据的处理是基于两个预设条件的。其中，预设条件一：雷达设备在车体上是水平安装(实际上即使雷达设备不水平安装，也可以通过平面变换进行投影)；预设条件二：一定小范围内的路面是连续平缓的。
针对预设条件一，由于雷达设备是水平安装的，实际只有俯仰角度为负数的激光扫描线束是扫描在地面上的，因此只需要考虑负俯仰角度的激光扫描线束所返回的数据。也就是说，在雷达设备直接输出的原始点云数据中，选取俯仰角度为负数的激光扫描线束扫描得到的多个数据点，得到待处理点云数据，即待处理点云数据表示由雷达设备发射且俯仰角度为负数的激光扫描线束所扫描得到的数据。
针对预设条件二，对于拱桥、起伏不平的路面情况下，由于一定小范围内路面是连续且平缓地，因此可以考虑将待处理点云数据进行区域划分，即每一个小区域可以认为路面是连续或者平缓的，然后对每一个小区域分别进行地面点和非地面点的分离。基于这样的思想，对所述待处理点云数据进行区域划分，然后依次以每一个区域对应的点云数据作为目标点云数据进行后续处理。
在一种具体地实施例中，可以将相邻多根激光扫描线束作为一组，同时将激光扫描线束的测量范围等区域划分，从而得到多个区域，此时，所划分区域的数量如式(1)所示。
Figure BDA0002916927200000061
在式(1)中，r表示的是雷达设备的线束数量，nr表示一组中所包含的激光扫描线束的数量；nc表示的是将每根激光扫描线束的测量范围划分的区域数量，[·]表示向上取整。
以16线雷达设备为例，此时r为16，假定nr＝4(相邻4根激光扫描线束视为一组)，nc＝6(比如激光扫描线束的测量范围是360度，按照60度均分就可以划分为6块区域)。由于激光设备只有一半的激光扫描线束的俯仰角度为负，另一半的激光扫描线束向天空发射，因此利用
Figure BDA0002916927200000071
计算出组数，即将一半的激光扫描线束分为2组；最后，每组激光扫描线束的测量范围划分为6个区域，此时所划分的区域数量A为12。
这样，通过以上划分方法，将待处理点云数据进行区域划分，从中确定目标点云数据，无需假设整体的地面是平缓且连续地，从而能够适用拱桥、起伏不平等应用环境，提高了后续处理效果。
S102：利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合。
需要说明的是，对于目标点云数据，利用第一预设算法进行筛选，在目标点云数据中确定出候选数据点集合。
在本申请实施例中，第一预设算法用于提取所述数据点的高度特征。点云数据分类最终是通过区域生长的方法完成，而区域生长操作需要基于地面上的种子点进行。因此，数据点的高度特征是判断该数据点是否可以作为种子点的重要参数。所以利用第一预设算法提取出目标点云数据中每一数据点的高度特征，从而能够初步确定该数据点是否应当作为种子点。
还需要说明的是，第一预设算法为可以高度特征子算法，在一些实施例中，所述利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合，可以包括：
利用所述高度特征子算法，确定第一数据点的高度特征值；其中，所述第一数据点为所述目标点云数据中的任意一数据点；
将所述第一数据点的高度特征值与预设高度阈值进行比较；
当所述第一数据点的高度特征值小于所述预设高度阈值时，将所述第一数据点归类于所述候选数据点集合。
需要说明的是，为了方便说明，以下将目标点云数据中的数据点称为第一数据点，即第一数据点为所述目标点云数据中的任意一数据点。
因此，确定候选数据点集合的步骤包括：(1)利用高度特征子算法计算出第一数据点的高度特征值；(2)将第一数据点的高度特征值与预设高度阈值进行比较，如果高度特征值小于预设高度阈值，说明第一数据点的位置越低，越有可能是地面点，可以将其作为种子点的候选归类于候选数据点集合。
在这里，高度特征值可以是第一数据点的高度坐标值与某一标准高度之间的差值，某一标准高度可以是虚拟高度值，也可以是雷达设备的安装高度值。除此之外，预设高度阈值可以根据实际使用需求进行确定，本申请实施例不做限定。
具体地，在一些实施例中，所述利用所述高度特征子算法，确定第一数据点的高度特征值，可以包括：
获取雷达设备的安装位置；
计算所述第一数据点和所述安装位置之间的高度差值，将所得到的高度差值确定为所述第一数据点的高度特征值。
需要说明的是，在本申请实施例中，所有数据点均以三维坐标的形式存在，因此，高度差值可以利用第一数据点的高度坐标值减去安装位置的高度值后取绝对值得到。
在一种具体地实施例中，以Pseed表示候选数据点集合，候选数据点集合可以表示为式(2)：
Figure BDA0002916927200000081
其中，pi表示第i数据点，
Figure BDA0002916927200000082
表示第i数据点的高度(Z轴)点坐标，lheight表示雷达设备的安装高度，THheight表示预设高度阈值。
这样，利用第一预设算法从目标点云数据筛选出候选数据点集合，以备进一步从候选数据点集合中确定出目标种子点集合。
S103：利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合。
需要说明的是，在实际应用中，由于地面可能是不平缓的，所以仅利用高度限定来选择种子点存在一定局限性。因此，在得到候选数据点集合之后，可以利用第二预设算法进一步筛选，得到目标种子点集合，以便于后续利用目标种子点集合进行分类。在这里，第二预设算法和第一预设算法不同。
进一步地，所述第二预设算法可以包括角度特征子算法。因此，在一些实施例中，所述利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合，可以包括：
利用所述角度特征子算法，确定第二数据点的角度特征值；其中，所述第二数据点为所述候选数据点集合中任意一数据点；
将所述第二数据点的角度特征值与预设角度阈值进行比较；
当所述第二数据点的角度特征值小于所述预设角度阈值时，将所述第二数据点归类于所述目标种子点集合。
需要说明的是，为了方便说明，在本部分的陈述中，将候选数据点集合中的数据点称为第二数据点，即第二数据点为所述候选数据点集合中的任意一数据点。
需要说明的是，第二预设算法可以用于提取数据点的角度特征，从而判断数据点是否可以作为种子，此时第二预设算法为角度特征子算法。在这里，角度特征一般是指数据点和附近数据点之间的角度差值，当数据点和附近数据点之间的角度差值非常大，那么这个数据点可能是半空中的点。
此时，从候选数据点集合中确定目标种子点集合的步骤包括：(1)利用角度特征子算法计算出第二数据点的角度特征值；(2)将第二数据点的角度特征值与预设高度阈值进行比较，如果角度特征值小于预设角度阈值，说明第二数据点与附近数据点的角度与越小，越有可能是地面点，可以将其作为种子点的候选归类于候选数据点集合。
进一步地，所述第二预设算法也可以包括曲率特征子算法。所述利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合，可以包括：
利用所述曲率特征子算法，确定第三数据点的曲率特征值；其中，所述第三数据点为所述候选数据点集合中任意一数据点；
将所述第三数据点的曲率特征值与预设曲率阈值进行比较；
当所述第三数据点的曲率特征值小于所述预设曲率阈值时，将所述第三数据点归类于所述目标种子点集合。
需要说明的是，为了方便说明，在本部分的陈述中，将候选数据点集合中的数据点称为第三数据点，即第三数据点为所述候选数据点集合中的任意一数据点。
第二预设算法可以用于提取数据点的曲率特征，从而判断数据点是否可以作为种子点，所以第二预设算法可以为曲率特征子算法。在这里，当数据点的曲率越小，该数据点为地面点的可能性越大。
此时，从候选数据点集合中确定目标种子点集合的步骤包括：(1)利用曲率特征子算法计算出第三数据点的曲率特征值；(2)将第三数据点的曲率特征值与预设高度阈值进行比较，如果曲率特征值小于预设曲率阈值，说明第三数据点与附近数据点的曲率与越小，越有可能是地面点，可以将其作为种子点的候选归类于候选数据点集合。
进一步地，在本申请的另一实施例中，所述第二预设算法可以同时包括角度特征子算法和曲率特征子算法。此时，参见图2，其示出了本申请实施例提供的一种点云数据分类方法的流程示意图。如图2所示，所述利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合，可以包括：
S201：利用所述角度特征子算法，确定第二数据点的角度特征值；其中，所述第二数据点为所述候选数据点集合中任意一数据点；
需要说明的是，第二预设算法可以同时包括角度特征子算法和曲率特征子算法，此时，第二预设算法实际上用于提取数据点的角度特征和曲率特征，从而在考虑了多种约束条件下进行种子点的选取，能够更好的提高种子点的准确性，最终提升点云数据的分类效果。
本申请实施例以先利用角度特征子算法进行筛选、再利用曲率特征子算法进行筛选为例进行说明。此时，针对候选数据点集合，需要利用角度特征子算法计算出确定第二数据点的角度特征值，以便于后续根据角度特征进行种子点选取。
具体地，在一些实施例中，所述利用所述角度特征子算法，确定第二数据点的角度特征值，可以包括：
获取所述第二数据点对应的上一线束数据点；其中，所述上一线束数据点和所述第二数据点分别来自于同一扫描次数中的不同激光扫描线束；
计算所述第二数据点和所述第二数据点对应的上一线束数据点之间的角度差值，将所得到的角度差值确定为所述第二数据点的角度特征值。
需要说明的是，角度特征值可以是指第二数据点与第二数据点对应的上一线束数据点之间的角度差值，第二数据点和第二数据点对应的上一线束数据点和来自于同一扫描次数中的不同激光扫描线束。以16线雷达设备为例，雷达设备在一次扫描过程中可以发射16个不同的雷达扫描线束，所以上一线束数据点是指在同一扫描过程中，由第二数据点对应的雷达扫描线束的上一雷达扫描线束得到的。
S202：将所述第二数据点的角度特征值与预设角度阈值进行比较，当所述第二数据点的角度特征值小于所述预设角度阈值时，将所述第二数据点归类于候选种子点集合；
需要说明的是，在得到第二数据点的角度特征值后，将第二数据点的角度特征值与预设角度阈值进行比较，从而筛选出候选种子点集合。在这里，预设角度阈值可以根据实际应用场景进行设定，本申请实施例不做限定。
一般来说，当数据点的角度特征值越小，可认为其是地面点的可能性越大。一般来说，可以将角度特征值小于预设角度阈值的数据点确定为候选种子点集合中的数据点。
以16线雷达设备为例，其输出的点云数据可以看作是一个数据阵列，该数据阵列有16行(每一行对应一个激光扫描线束)，假定该数据阵列有2000列(每一列代表一次激光扫描过程)。此时，候选种子点集合可以表示为式(3)：
Figure BDA0002916927200000121
其中，pr,c表示数据阵列中第r行、第n列的数据点，
Figure BDA0002916927200000122
表示pr,c数据点的水平(X轴)坐标值，
Figure BDA0002916927200000123
表示pr,c数据点的垂直(Y轴)坐标值，THangle标识角度阈值。
此时，在经过角度筛选之后，更新后的Pseed就相当于候选种子点集合。
S203：利用所述曲率特征子算法，确定第三数据点的曲率特征值。
需要说明的是，经过前述步骤，利用角度特征子算法从候选数据点集合中选取除了候选种子点集合。为了方便说明，以下将候选种子点集合中的数据点称为第三数据点，即第三数据点为所述候选种子点集合中的任意一数据点。
在确定出候选种子点集合后，可以利用曲率特征子算法计算第三数据点的曲率特征值，然后根据曲率特征从候选种子点集合中选取种子点。
具体地，在一些实施例中，所述利用所述曲率特征子算法，确定第三数据点的曲率特征值，可以包括：
获取所述第三数据点对应的N个同线束相邻数据点；其中，所述N个同线束相邻数据点和所述第三数据点分别来自于不同扫描次数中的同一激光扫描线束，N为大于或等于1的正整数；
基于所述第三数据点和所述第三数据点对应的N个同线束相邻数据点，计算所述第三数据点的曲率特征值。
需要说明的是，在确定数据点的曲率特征值时，还需要用到数据点的相邻数据。在本申请实施例中，计算曲率特征值的方法如下：
(1)获取第三数据点对应的N个同线束相邻数据点。在这里，N个同线束相邻数据点和第三数据点分别来自于不同扫描次数中的同一激光扫描线束。在这里，N为大于或等于1的正整数，N的具体取值可以根据应用场景进行确定，例如，N＝10，此时，以第三数据点为中心，可以取第三数据点的前5个同线束相邻数据点和后5个同线束相邻数据点，根据这些数据点进行后续计算。
(2)基于所述第三数据点和所述第三数据点对应的N个同线束相邻数据点，计算所述第三数据点的曲率特征值。在这里，计算第三数据点的曲率特征值可以参照相关技术中离散点的曲率值的计算方法，本申请实施例不做限定。
具体地，在一些实施例中，所述基于所述第三数据点和所述第三数据点对应的N个同线束相邻数据点，计算所述第三数据点的曲率特征值，可以包括：
计算所述第三数据点的第一距离值；在这里，第一距离值表示第三数据点和雷达设备中心点之间的欧式距离，雷达设备中心点是指雷达设备的位置点。一般来说，一般以雷达设备所处位置为原点构建坐标系，从而得到数据点的三维坐标，因此，雷达设备中心点一般就是原点。
计算所述N个同线束相邻数据点的N个第二距离值；在这里，第二距离值表示同线束相邻数据点和雷达设备中心点之间的欧式距离。
计算所述第一距离值分别与所述N个第二距离值的差值绝对值，得到N个距离差值，并将这N个距离差值进行求和操作，得到所述第三数据点的曲率特征值。
这样，通过以上计算，能够得到第三数据点的曲率值。
S204：将所述第三数据点的曲率特征值与所述预设曲率阈值进行比较，当所述第三数据点的曲率特征值小于所述预设曲率阈值时，将所述第三数据点归类于所述目标种子点集合。
需要说明的是，在得到第三数据点的曲率特征值后，利用预设曲率阈值进行筛选，从候选种子点集合中确定目标种子点集合。在这里，预设曲率阈值可以根据实际应用场景进行设定，本申请实施例不做限定。
一般来说，当数据点的曲率特征值越小，可认为其是地面点的可能性越大。一般来说，可以将曲率特征值小于预设曲率阈值的数据点确定为目标种子点，从而得到目标种子点集合。
以16线雷达设备为例，其输出的点云数据可以看做是一个数据阵列，该数据阵列有16行(每一行对应一个激光扫描线束)，假定该数据阵列有2000列(每一列代表一次激光扫描过程)。此时，候选种子点集合可以表示为式(4)：
Figure BDA0002916927200000141
其中，Range(pr,c)表示数据点pr,c与激光中心数据点的欧式距离，THcurv表示曲率阈值。
除了本申请实施例所述的筛选流程外，利用数据点的角度特征和/或曲率特征来挑选种子点的其他相关技术方案均属于本申请实施例的保护内容。这样，通过第一预设算法(高度特征子算法)、第二预设算法(角度特征子算法和/或曲率特征子算法)，对目标点云数据中的数据点进行特征提取，能够根据数据点的多维特征从目标点云数据中选择目标种子点，提高了种子点的准确性，最终提高了目标点云数据的分类正确性。
还需要说明的是，当第二预设算法包括角度特征子算法和曲率特征子算法时，可以先利用角度特征子算法进行一次筛选过程、再利用曲率特征子算法进行一次筛选过程，也可以先利用曲率特征子算法进行一次筛选过程、后利用角度特征子算法进行一次筛选过程筛选。在这里，筛选的具体顺序不做限定，甚至可以将第一预设算法和第二预设算法的顺序进行调换，这些都只是形式上的改变，均应当纳入本申请实施例的保护范围。
综上所述，在相关技术中，当采用区域生长的方式进行对点云数据进行分类时，选取种子点时仅考虑高度限定，这导致种子点的选取不够准确，最终影响最后的分类结果。因此，本申请实施例采用了第一预设算法(高度特征子算法)和第二预设算法(角度特征子算法和/或曲率特征子算法)，对目标点云数据中的数据点进行计算，这样不仅能够考虑数据点的高度特征，还可以考虑数据点的角度特征和/或曲率特征，从而可以综合多种限制条件进行种子点的选取，提高种子点选取的准确性，最终提高点云数据的分类效果。
S104：根据所述目标种子点集合，对所述目标点云数据进行分类操作。
需要说明的是，根据目标种子点集合，对目标点云数据进行分类操作，以便于后续检测和遥感类的应用。
需要说明的是，如果选择出的种子点过少，则直接结束操作，无需进行分类操作。因此，在一些实施例中，在所述根据计算结果从目标点云数据中确定目标种子点集合之后，所述方法还包括：
确定种子点数量；其中，所述种子点数量表示所述目标种子点集合中包含的数据点的数量；
判断所述种子点数量是否等于或大于预设数量阈值；
相应地，所述根据所述目标种子点集合，对所述目标点云数据进行分类操作，可以包括：
若判断结果为是，则执行所述根据所述目标种子点集合，对所述目标点云数据进行分类操作的步骤。
需要说明的是，如果目标种子点集合中的数量较少，该目标种子点集合对应的区域无效，结束本次流程。因此，在确定出目标种子点集合之后，确定目标种子点集合中的种子点数量，如果种子点数量小于预设数量阈值，则结束本次流程；如果种子点数量等于或大于预设数量阈值，则执行后续分类操作。
还需要说明的是，分类操作可以是根据区域生长算法进行的。因此，在一些实施例中，所述根据所述目标种子点集合，对所述目标点云数据进行分类操作，可以包括：
根据所述目标种子点集合，通过预设区域生长算法对所述目标点云数据进行区域生长，以将所述目标点云数据分类为地面点集合和非地面点集合。
需要说明的是，根据目标种子点集合，利用预设区域生长算法对目标点云数据进行生成，最终得到地面点集合和非地面点集合。在这里，预设区域生长算法是指区域生长的规则，具体可以包括生长条件和结束条件。地面点集合由经过区域生长后被判定为位于地面上的点组成，而非地面集合中的数据点由经过区域生长后被判定为并不位于地面上的点组成。
进一步地，在一些实施例中，所述根据所述目标种子点集合，对所述目标点云数据进行分类操作，可以包括：
根据所述目标种子点集合，确定待分类数据集合；其中，所述待分类数据集合为所述目标点云数据中除所述目标种子点集合之外的数据点；
计算所述待分类数据集合中每一数据点各自的平均高度差；
将所述待分类数据集合中每一数据点各自的平均高度差与目标阈值进行分别比较，根据比较结果确定多个新种子点；
将所述多个新种子点从待分类数据集合移动至所述目标种子点集合，并将移动后得到的目标种子点集合确定为所述地面点集合，将移动后剩余的待分类数据集合确定为所述非地面点集合。
需要说明的是，区域生长操作可以通过以下步骤实现：
(1)确定待分类数据集合。在这里，待分类数据集合为所述目标点云数据中除所述目标种子点集合之外的数据点。
(2)针对待分类数据集合中的具体一个数据点，分别计算该数据点与所有的目标种子点之间的平均高度差，即平均高度差表示待分类数据集合中具体一个数据点分别与目标种子点集合中所有种子点的高度差值的平均值。
(3)将该数据点的平均高度差与目标阈值进行比较，如果该数据点的平均高度差小于目标阈值，则该数据点为新种子点，按照步骤(2)和步骤(3)遍历待分类数据集合中的所有数据点。在这里，目标阈值可以是根据目标种子点集合中所有种子点的高度平均值来确定。因此，可以先计算出种子点的高度平均值，然后根据高度平均值确定目标阈值。在这里，高度平均值和目标阈值的对应关系的预设设定的。
(4)遍历待分类数据集合后，将所述多个新种子点从待分类数据集合移动进入目标种子点集合，将移动后的目标种子点集合确定为所述地面点集合，将移动后剩余的待分类数据集合确定为所述非地面点集合。
进一步地，可以重复多次生长过程，以提高分类结果的准确性。因此，在一些实施例中，在所述计算所述待分类数据集合中每一数据点各自的平均高度差之前，该方法还可以包括：
将循环次数进行加1操作；其中，所述循环次数的初始值为0；
计算所述目标种子点集合中所有种子点的高度平均值；
相应地，在所述将所述多个新种子点从待分类数据集合移动至所述目标种子点集合之后，该方法还可以包括：
判断所述循环次数是否达到循环次数阈值，或者本次循环中的所述高度平均值与上一循环中的高度平均值的差值是否小于预设差值阈值；
如果判断结果为是，则执行所述将移动操作后的目标种子点集合确定为所述地面数据，将移动操作后的目标点云数据确定为所述非地面数据的步骤。
如果判断结果为否，则返回执行所述将循环次数进行加1操作的步骤。
需要说明的是，设定循环次数的初始值为0。在步骤(1)开始之前，将循环次数进行加1操作，进行下一次循环，并计算目标种子点集合中所有种子点的高度平均值，在这里，高度平均值主要用于后续判断是否需要终止循环；之后，在步骤(4)结束后，判断循环次数是否达到循环次数阈值，或者本次循序中的目标种子点集合中所有种子点的高度平均值和上一循环中的高度平均值之间的差值是否已经小于预设差值阈值，如果是则执行步骤(5)，结束分类过程；如果否则进行下一次循环。
这样，针对不同的应用环境，主要是拱桥、起伏的路面，考虑点云的线束、高度、角度、曲率等特征，本申请实施例提出一种基于多区域生长的点云分类方法，对点云数据进行地面点和非地面点的快速分类，其可在定位与感知方面进行应用，在不同的场景下鲁棒性很好。
本申请实施例提供了一种点云数据分类方法，通过获取包含多个数据点的目标点云数据；利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；根据所述目标种子点集合，对所述目标点云数据进行分类操作。这样，通过第一预设算法和第二预设算法从目标点云数据中筛选出目标种子点集合，不仅考虑了数据点的高度特征，而且还考虑了高度特征之外的其他特征，从而能够提高种子点的选取准确性，进而提高了点云数据分类结果的准确度。
在本申请的另一实施例中，参见图3，其示出了本申请实施例提供的又一种点云数据分类方法的流程示意图。如图3所示，该方法包括：
S301：输入点云数据，并对所述点云数据进行初始化。
需要说明的是，本申请实施例主要解决在拱桥、起伏不平的路面等应用环境中对点云数据进行地面分离，在实际应用过程中，还需要考虑到计算的效率，因此本申请没有特别的复杂计算，能够在极短的时间内完成对点云的分离。
为了完成对点云数据的分离，首先输入点云数据，然后对点云数据进行初始化。在这里，点云数据是通过三维激光扫描仪进行数据采集后获得的，或者可以是通过二维影像进行三维重建，在重建过程中获得的，再或者通过三维模型来计算获取点云数据。另外，对点云数据进行初始化主要是指在点云数据中筛选出待处理数据集合，以及对待处理数据集合进行区域划分。在这里，待处理数据集合负俯仰角度的激光扫描线束所对应的数据点。
还需要说明的是，点云数据的初始化是与两个预设条件对应的。预设条件一：假设雷达设备在车体上是水平安装，实际上雷达设备不水平安装，也可以通过雷达设备到车体的变换进行投影。预设条件一：在真实路况中，一定小范围内的路面是连续平缓的。
需要说明的是，在实际应用的过程中，激光扫描线束射在地面上的角度是固定的。根据预设条件一，激光扫描线束只有在俯仰角度为负数的线束是射击在地面上的，因此只需要考虑负俯仰角度的线束，将相邻nr根线束激光作为一组。针对预设条件二，在拱桥、起伏不平的路面情况下，可以考虑将每根线束的测量范围等区域划分，划分为nc个区域。然后，对每一个区域的点云数据逐一作为目标点云数据进行后续分类。具体地。所划分区域数量可以如前一实施例中的式(1)所示。
S302：生成种子点。
S303：判断所生成的种子点是否满足分类条件。
在这里，对于步骤S303，如果判断结果是，则执行步骤如果判断结果是是，则执行步骤304；如果判断结果为否，则结束流程。
需要说明的是，对每个区域进行分析，在区域中寻找种子点，种子点的选择不是随机选取，而是考虑到点的空间关系，包括点的高度、角度、曲率等。按照下面约束条件进行选择：
约束条件1(Condition1)：设置预设高度阈值THheight，在目标点云数据中选择与雷达设备的高度差在阈值范围内的数据点构成候选数据点集合，具体筛选算法可以如前一实施例中的式(2)所示。
约束条件2(Condition2)：设置预设角度阈值THangle，在候选数据点集合中选择角度特征子算法在阈值范围内的数据点构成候选种子点集合，即当数据点与上一线束中对应的数据点的角度差在阈值范围内时，将其更新到候选种子点集合，具体筛选算法可以如前一实施例中的式(3)所示。
约束条件3(Condition3)：设置曲率阈值为THcurv，在候选种子点集合中选择曲率特征子算法在预设曲率阈值范围内的点构成目种子点集合，具体筛选算法可以如前一实施例中的式(4)所示。
还需要说明的是，在确定出种子点后，还需要判断所生成的种子点是否满足分类条件。具体地，如果最终确定的种子点的数量小于一定阈值，则所生成的种子点不满足分类条件，该区域无效，此时该区域的分类直接结束。
S304：根据种子点对点云数据进行区域生长，以将点云数据分类为地面点集合和非地面点集合。
需要说明的是，根据种子点对点云数据进行区域生长，具体的区域生长过程为：
(1)根据已经确定好的目标种子点集合Pseed，计算所有种子点的平均高度
Figure BDA0002916927200000191
设置与种子点之间的高度阈值
Figure BDA0002916927200000192
(2)计算区域中的点到种子点的平均高度差，在高度阈值
Figure BDA0002916927200000193
范围内的点更新到Pseed，循环步骤(2)，直到循环次数达到设定值或者相邻两次种子点的平均高度差
Figure BDA0002916927200000194
在设定的范围内，结束区域生长。
(3)将最终得到的Pseed确定为地面点集合，将区域中剩余的其他点确定为非地面点集合。
综上所述，本申请实施例主要解决在拱桥、起伏不平的路面对点云进行地面分离，在实际应用过程中，还需要考虑到计算的效率，因此本申请实施例没有特别的复杂计算，能够在极短的时间内完成对点云的分离。
本申请实施例提供了一种点云数据分类方法，通过本实施例对前述实施例的详细阐述，从中可以看出，通过第一预设算法和第二预设算法从目标点云数据中筛选出目标种子点集合，不仅考虑了数据点的高度特征，而且还考虑了高度特征之外的其他特征，从而能够提高种子点的选取准确性，进而提高了点云数据分类结果的准确度。
在本申请的再一实施例中，参见图4，其示出了本申请实施例提供的一种点云数据分类装置40的组成结构示意图。如图4所示，该点云数据分类装置40包括获取单元401、计算单元402和分类单元403，其中，
获取单元401，配置为获取包含多个数据点的目标点云数据；
计算单元402，配置为利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；
计算单元403，配置为利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；
分类单元404，配置为根据所述目标种子点集合，对所述目标点云数据进行分类操作。
在一些实施例中，获取单元401，具体配置为获取待处理点云数据；其中，所述待处理点云数据表示由雷达设备发射且俯仰角度为负数的激光扫描线束所扫描得到的数据；对所述待处理点云数据进行区域划分，得到所述目标点云数据。
在一些实施例中，所述第一预设算法为高度特征子算法，计算单元402，还配置为利用所述高度特征子算法，确定第一数据点的高度特征值；其中，所述第一数据点为所述目标点云数据中的任意一数据点；将所述第一数据点的高度特征值与预设高度阈值进行比较；当所述第一数据点的高度特征值小于所述预设高度阈值时，将所述第一数据点归类于所述候选数据点集合。
在一些实施例中，计算单元402，还配置为获取雷达设备的安装位置；计算所述第一数据点和所述安装位置之间的高度差值，将所得到的高度差值确定为所述第一数据点的高度特征值。
在一些实施例中，所述第二预设算法包括角度特征子算法，计算单元402，还配置为利用所述角度特征子算法，确定第二数据点的角度特征值；其中，所述第二数据点为所述候选数据点集合中任意一数据点；将所述第二数据点的角度特征值与预设角度阈值进行比较；当所述第二数据点的角度特征值小于所述预设角度阈值时，将所述第二数据点归类于所述目标种子点集合。
在一些实施例中，所述第二预设算法包括曲率特征子算法，计算单元402，还配置为利用所述曲率特征子算法，确定第三数据点的曲率特征值；其中，所述第三数据点为所述候选数据点集合中任意一数据点；将所述第三数据点的曲率特征值与预设曲率阈值进行比较；当所述第三数据点的曲率特征值小于所述预设曲率阈值时，将所述第三数据点归类于所述目标种子点集合。
在一些实施例中，所述第二预设算法包括角度特征值算法和曲率特征子算法，计算单元402，还配置为利用所述角度特征子算法，确定第二数据点的角度特征值；其中，所述第二数据点为所述候选数据点集合中任意一数据点；将所述第二数据点的角度特征值与预设角度阈值进行比较，当所述第二数据点的角度特征值小于所述预设角度阈值时，将所述第二数据点归类于候选种子点集合；利用所述曲率特征子算法，确定第三数据点的曲率特征值；其中，所述第三数据点为所述候选种子点集合中任意一数据点；将所述第三数据点的曲率特征值与所述预设曲率阈值进行比较，当所述第三数据点的曲率特征值小于所述预设曲率阈值时，将所述第三数据点归类于所述目标种子点集合。
在一些实施例中，计算单元402，还配置为获取所述第二数据点对应的上一线束数据点；其中，所述上一线束数据点和所述第二数据点分别来自于同一扫描次数中的不同激光扫描线束；计算所述第二数据点和所述第二数据点对应的上一线束数据点之间的角度差值，将所得到的角度差值确定为所述第二数据点的角度特征值。
在一些实施例中，计算单元402，还配置为获取所述第三数据点对应的N个同线束相邻数据点；其中，所述N个同线束相邻数据点和所述第三数据点分别来自于不同扫描次数中的同一激光扫描线束，N为大于或等于1的正整数；基于所述第三数据点和所述第三数据点对应的N个同线束相邻数据点，计算所述第三数据点的曲率特征值。
在一些实施例中，分类单元403，还配置为确定种子点数量；其中，所述种子点数量表示所述目标种子点集合中包含的数据点的数量；判断所述种子点数量是否等于或大于预设数量阈值；若判断结果为是，则执行所述根据所述目标种子点集合，对所述目标点云数据进行分类操作的步骤。
在一些实施例中，分类单元403，还配置为根据所述目标种子点集合，通过预设区域生长算法对所述目标点云数据进行区域生长，以将所述目标点云数据分类为地面点集合和非地面点集合。
在一些实施例中，分类单元403，还配置为根据所述目标种子点集合，确定待分类数据集合；其中，所述待分类数据集合为所述目标点云数据中除所述目标种子点集合之外的数据点；计算所述待分类数据集合中每一数据点各自的平均高度差；将所述待分类数据集合中每一数据点各自的平均高度差与目标阈值进行分别比较，根据比较结果确定多个新种子点；将所述多个新种子点从待分类数据集合移动至所述目标种子点集合，并将移动后得到的目标种子点集合确定为所述地面点集合，将移动后剩余的待分类数据集合确定为所述非地面点集合。
可以理解地，在本实施例中，“单元”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是模块，还可以是非模块化的。而且在本实施例中的各组成部分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模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，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，本实施例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(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本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、移动硬盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本实施例提供了一种计算机存储介质，该计算机存储介质存储有点云数据分类程序，所述点云数据分类程序被至少一个处理器执行时实现前述实施例中任一项所述的方法的步骤。
基于上述的一种点云数据分类装置40的组成以及计算机存储介质，参见图5，其示出了本申请实施例提供的一种点云数据分类装置40的具体硬件结构示意图。如图5所示，所述点云数据分类装置40可以包括：通信接口501、存储器502和处理器503；各个组件通过总线设备504耦合在一起。可理解，总线设备504用于实现这些组件之间的连接通信。总线设备504除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线设备504。其中，通信接口501，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
存储器502，用于存储能够在处理器503上运行的计算机程序；
处理器503，用于在运行所述计算机程序时，执行：
获取包含多个数据点的目标点云数据；
利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；
利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；
根据所述目标种子点集合，对所述目标点云数据进行分类操作。
可以理解，本申请实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步链动态随机存取存储器(Synchronous link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请描述的设备和方法的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器503可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器503中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器503可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(APPlication Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502，处理器503读取存储器502中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本申请描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(APPlication Specific Integrated Circuits，ASIC)、数字信号处理器(Digital SignalProcessing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本申请所述功能的模块(例如过程、函数等)来实现本申请所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可选地，作为另一个实施例，处理器503还配置为在运行所述计算机程序时，执行前述实施例中任一项所述的方法的步骤。
基于上述点云数据分类装置40的组成以及硬件结构示意图，参见图6，其示出了本申请实施例提供的一种点云数据分类系统60的组成结构示意图。如图6所示，该点云数据分类系统60至少包括前述实施例中任一项所述的点云数据分类装置40。
对于点云数据分类系统60而言，通过第一预设算法和第二预设算法从目标点云数据中筛选出目标种子点集合，不仅仅考虑了数据点的高度特征，能够提高种子点的选取准确性，最终提高了点云数据分类结果的准确性。
以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。
需要说明的是，在本申请中，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。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为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，可轻易想到变化或替换，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所述权利要求的保护范围为准。

Claims (16)

1.一种点云数据分类方法，其特征在于，所述方法包括：
获取包含多个数据点的目标点云数据；
利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；
利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；
根据所述目标种子点集合，对所述目标点云数据进行分类操作。
2.根据权利要求1所述的点云数据分类方法，其特征在于，所述获取包含多个数据点的目标点云数据，包括：
获取待处理点云数据；其中，所述待处理点云数据表示由雷达设备发射且俯仰角度为负数的激光扫描线束所扫描得到的数据；
对所述待处理点云数据进行区域划分，得到所述目标点云数据。
3.根据权利要求1所述的点云数据分类方法，其特征在于，所述第一预设算法为高度特征子算法，所述利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合，包括：
利用所述高度特征子算法，确定第一数据点的高度特征值；其中，所述第一数据点为所述目标点云数据中的任意一数据点；
将所述第一数据点的高度特征值与预设高度阈值进行比较；
当所述第一数据点的高度特征值小于所述预设高度阈值时，将所述第一数据点归类于所述候选数据点集合。
4.根据权利要求3所述的点云数据分类方法，其特征在于，所述利用所述高度特征子算法，确定第一数据点的高度特征值，包括
获取雷达设备的安装位置；
计算所述第一数据点和所述安装位置之间的高度差值，将所得到的高度差值确定为所述第一数据点的高度特征值。
5.根据权利要求1所述的点云数据分类方法，其特征在于，所述第二预设算法包括角度特征子算法，所述利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合，包括：
利用所述角度特征子算法，确定第二数据点的角度特征值；其中，所述第二数据点为所述候选数据点集合中任意一数据点；
将所述第二数据点的角度特征值与预设角度阈值进行比较；
当所述第二数据点的角度特征值小于所述预设角度阈值时，将所述第二数据点归类于所述目标种子点集合。
6.根据权利要求1所述的点云数据分类方法，其特征在于，所述第二预设算法包括曲率特征子算法，所述利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合，包括：
利用所述曲率特征子算法，确定第三数据点的曲率特征值；其中，所述第三数据点为所述候选数据点集合中任意一数据点；
将所述第三数据点的曲率特征值与预设曲率阈值进行比较；
当所述第三数据点的曲率特征值小于所述预设曲率阈值时，将所述第三数据点归类于所述目标种子点集合。
7.根据权利要求1所述的点云数据分类方法，其特征在于，所述第二预设算法包括角度特征值算法和曲率特征子算法，所述利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合，包括：
利用所述角度特征子算法，确定第二数据点的角度特征值；其中，所述第二数据点为所述候选数据点集合中任意一数据点；
将所述第二数据点的角度特征值与预设角度阈值进行比较，当所述第二数据点的角度特征值小于所述预设角度阈值时，将所述第二数据点归类于候选种子点集合；
利用所述曲率特征子算法，确定第三数据点的曲率特征值；其中，所述第三数据点为所述候选种子点集合中任意一数据点；
将所述第三数据点的曲率特征值与所述预设曲率阈值进行比较，当所述第三数据点的曲率特征值小于所述预设曲率阈值时，将所述第三数据点归类于所述目标种子点集合。
8.根据权利要求5或7所述的点云数据分类方法，其特征在于，所述利用所述角度特征子算法，确定第二数据点的角度特征值，包括：
获取所述第二数据点对应的上一线束数据点；其中，所述上一线束数据点和所述第二数据点分别来自于同一扫描次数中的不同激光扫描线束；
计算所述第二数据点和所述第二数据点对应的上一线束数据点之间的角度差值，将所得到的角度差值确定为所述第二数据点的角度特征值。
9.根据权利要求6或7所述的点云数据分类方法，其特征在于，所述利用所述曲率特征子算法，确定第三数据点的曲率特征值，包括：
获取所述第三数据点对应的N个同线束相邻数据点；其中，所述N个同线束相邻数据点和所述第三数据点分别来自于不同扫描次数中的同一激光扫描线束，N为大于或等于1的正整数；
基于所述第三数据点和所述第三数据点对应的N个同线束相邻数据点，计算所述第三数据点的曲率特征值。
10.根据权利要求1所述的点云数据分类方法，其特征在于，在所述确定目标种子点集合之后，所述方法还包括：
确定种子点数量；其中，所述种子点数量表示所述目标种子点集合中包含的数据点的数量；
相应地，所述根据所述目标种子点集合，对所述目标点云数据进行分类操作，包括：
判断所述种子点数量是否等于或大于预设数量阈值；
若判断结果为是，则执行所述根据所述目标种子点集合，对所述目标点云数据进行分类操作的步骤。
11.根据权利要求1所述的点云数据分类方法，其特征在于，所述根据所述目标种子点集合，对所述目标点云数据进行分类操作，包括：
根据所述目标种子点集合，通过预设区域生长算法对所述目标点云数据进行区域生长，以将所述目标点云数据分类为地面点集合和非地面点集合。
12.根据权利要求11所述的点云数据分类方法，其特征在于，所述根据所述目标种子点集合，通过预设区域生长算法对所述目标点云数据进行区域生长，包括：
根据所述目标种子点集合，确定待分类数据集合；其中，所述待分类数据集合为所述目标点云数据中除所述目标种子点集合之外的数据点；
计算所述待分类数据集合中每一数据点各自的平均高度差；
将所述待分类数据集合中每一数据点各自的平均高度差与目标阈值进行分别比较，根据比较结果确定多个新种子点；
将所述多个新种子点从待分类数据集合移动至所述目标种子点集合，并将移动后得到的目标种子点集合确定为所述地面点集合，将移动后剩余的待分类数据集合确定为所述非地面点集合。
13.一种点云数据分类装置，其特征在于，所述点云数据分类装置包括获取单元、计算单元和分类单元，其中，
所述获取单元，配置为获取包含多个数据点的目标点云数据；
所述计算单元，配置为利用第一预设算法对所述目标点云数据进行筛选，确定候选数据点集合；
所述计算单元，还配置为利用第二预设算法对所述候选数据点集合进行筛选，确定目标种子点集合；其中，所述第一预设算法用于提取所述数据点的高度特征，所述第二预设算法与所述第一预设算法不同；
所述分类单元，配置为根据所述目标种子点集合，对所述目标点云数据进行分类操作。
14.一种点云数据分类装置，其特征在于所述点云数据分类装置包括存储器和处理器；其中，
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行如权利要求1至12任一项所述方法的步骤。
15.一种计算机存储介质，其特征在于，所述计算机存储介质存储有点云数据分类程序，所述点云数据分类程序被至少一个处理器执行时实现如权利要求1至12任一项所述方法的步骤。
16.一种点云数据分类系统，其特征在于，所述点云数据分类系统至少包括如权利要求13或14所述的点云数据分类装置。
CN202110114435.9A 2021-01-26 2021-01-26 一种点云数据分类方法、装置、计算机存储介质及系统 Pending CN113762310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110114435.9A CN113762310A (zh) 2021-01-26 2021-01-26 一种点云数据分类方法、装置、计算机存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110114435.9A CN113762310A (zh) 2021-01-26 2021-01-26 一种点云数据分类方法、装置、计算机存储介质及系统

Publications (1)

Publication Number Publication Date
CN113762310A true CN113762310A (zh) 2021-12-07

Family

ID=78786485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110114435.9A Pending CN113762310A (zh) 2021-01-26 2021-01-26 一种点云数据分类方法、装置、计算机存储介质及系统

Country Status (1)

Country Link
CN (1) CN113762310A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115617279A (zh) * 2022-12-13 2023-01-17 北京中电德瑞电子科技有限公司 分布式云数据的处理方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103743383A (zh) * 2014-02-11 2014-04-23 天津市星际空间地理信息工程有限公司 一种基于点云的道路信息自动提取方法
US20150003723A1 (en) * 2013-06-27 2015-01-01 Chevron U.S.A. Inc. System and method of detecting objects in scene point cloud
US20180081035A1 (en) * 2016-09-22 2018-03-22 Beijing Greenvalley Technology Co., Ltd. Method and device for filtering point cloud data
WO2018068653A1 (zh) * 2016-10-10 2018-04-19 腾讯科技（深圳）有限公司 点云数据处理方法、装置及存储介质
CN110109142A (zh) * 2019-04-04 2019-08-09 深圳市速腾聚创科技有限公司 点云滤波方法、装置、计算机设备和存储介质
WO2020043041A1 (zh) * 2018-08-27 2020-03-05 腾讯科技（深圳）有限公司 点云数据的分割方法和装置、存储介质、电子装置
CN110969689A (zh) * 2019-12-03 2020-04-07 上海眼控科技股份有限公司 点云特征提取方法、装置、计算机设备和存储介质
CN111292275A (zh) * 2019-12-26 2020-06-16 深圳一清创新科技有限公司 基于复杂地面的点云数据滤除方法、装置、计算机设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150003723A1 (en) * 2013-06-27 2015-01-01 Chevron U.S.A. Inc. System and method of detecting objects in scene point cloud
CN103743383A (zh) * 2014-02-11 2014-04-23 天津市星际空间地理信息工程有限公司 一种基于点云的道路信息自动提取方法
US20180081035A1 (en) * 2016-09-22 2018-03-22 Beijing Greenvalley Technology Co., Ltd. Method and device for filtering point cloud data
WO2018068653A1 (zh) * 2016-10-10 2018-04-19 腾讯科技（深圳）有限公司 点云数据处理方法、装置及存储介质
WO2020043041A1 (zh) * 2018-08-27 2020-03-05 腾讯科技（深圳）有限公司 点云数据的分割方法和装置、存储介质、电子装置
CN110109142A (zh) * 2019-04-04 2019-08-09 深圳市速腾聚创科技有限公司 点云滤波方法、装置、计算机设备和存储介质
CN110969689A (zh) * 2019-12-03 2020-04-07 上海眼控科技股份有限公司 点云特征提取方法、装置、计算机设备和存储介质
CN111292275A (zh) * 2019-12-26 2020-06-16 深圳一清创新科技有限公司 基于复杂地面的点云数据滤除方法、装置、计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
万剑华等: ""基于曲率统计的LiDAR点云二次滤波方法"", 《中国石油大学学报（自然科学版）》, vol. 37, no. 1, pages 56 - 60 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115617279A (zh) * 2022-12-13 2023-01-17 北京中电德瑞电子科技有限公司 分布式云数据的处理方法、装置及存储介质
CN115617279B (zh) * 2022-12-13 2023-03-31 北京中电德瑞电子科技有限公司 分布式云数据的处理方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN110031824B (zh) 激光雷达联合标定方法及装置
Gruszczyński et al. Comparison of low-altitude UAV photogrammetry with terrestrial laser scanning as data-source methods for terrain covered in low vegetation
US20180081035A1 (en) Method and device for filtering point cloud data
EP3809370A1 (en) Apparatus, method, and system for alignment of 3d datasets
CN110879994A (zh) 基于形状注意力机制的三维目测检测方法、系统、装置
WO2021052283A1 (zh) 处理三维点云数据的方法和计算设备
CN111209828B (zh) 从机载激光雷达点云中提取建筑物屋顶点的方法和系统
CN111380510B (zh) 重定位方法及装置、机器人
CN111142514B (zh) 一种机器人及其避障方法和装置
CN111553946B (zh) 用于去除地面点云的方法及装置、障碍物检测方法及装置
CN114332134B (zh) 一种基于密集点云的建筑物立面提取方法和装置
CN112904369B (zh) 机器人重定位方法、装置、机器人和计算机可读存储介质
CN113111513B (zh) 传感器配置方案确定方法、装置、计算机设备及存储介质
CN115187676A (zh) 一种高精度线激光三维重建标定方法
CN113240801A (zh) 一种物料堆三维重构方法、装置、电子设备及存储介质
CN112184793A (zh) 深度数据的处理方法、装置及可读存储介质
CN113570666B (zh) 任务分配方法、装置、服务器及计算机可读存储介质
CN113762310A (zh) 一种点云数据分类方法、装置、计算机存储介质及系统
CN114387408A (zh) 数字高程模型的生成方法、装置及计算机可读存储介质
CN111583406A (zh) 杆塔脚基点坐标计算方法、装置及终端设备
CN116994029A (zh) 一种用于多源数据的融合分类方法及系统
CN111742242A (zh) 点云处理方法、系统、设备及存储介质
CN114549764A (zh) 基于无人车的障碍物识别方法、装置、设备及存储介质
CN113446940A (zh) 一种点云扫描方法、装置及设备
CN113589263A (zh) 一种多个同源传感器联合标定方法及系统

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