CN114170282A - 点云融合方法、装置、电子设备和介质 - Google Patents
点云融合方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN114170282A CN114170282A CN202111507282.0A CN202111507282A CN114170282A CN 114170282 A CN114170282 A CN 114170282A CN 202111507282 A CN202111507282 A CN 202111507282A CN 114170282 A CN114170282 A CN 114170282A
- Authority
- CN
- China
- Prior art keywords
- target
- auxiliary
- point cloud
- cloud image
- matrix
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 240
- 230000006870 function Effects 0.000 claims description 43
- 238000006073 displacement reaction Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 11
- 230000036544 posture Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种点云融合方法、装置、电子设备和介质,涉及自动驾驶技术领域,尤其涉及高精地图、云计算技术领域。具体实现方案为:根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像;根据所述目标点云图像包括的目标道路元素的目标元素位置,从所述待配准点云图像中确定与所述目标道路元素关联的辅助道路元素;根据所述目标元素位置和所述辅助道路元素的辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。本公开实现了减少点云图像配准所需数据量的效果,缩短了点云图像配准所需的时间,从而提高了点云图像配准的效率。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及高精地图、云计算技术领域,特别涉及一种点云融合方法、装置、电子设备和介质。
背景技术
高精地图也称高精度地图,是自动驾驶汽车使用。高精地图,拥有精确的车辆位置信息和丰富的道路元素数据信息,可以帮助汽车预知路面复杂信息,如坡度、曲率、航向等,更好地规避潜在的风险。目前激光雷达采集的地图通常都是以点云图像的形式存在,点云图像是三维物体或者三维场景的一种表现形式,是由空间中一组无规则分布的、表达三维物体或三维场景的空间结构和表面属性的离散点所构成。
对点云图像进行点云融合之前,需要对各点云图像进行配准,目前通常的方法是基于全量点云的几何信息进行配准。
发明内容
本公开提供了一种用于对点云图像进行配准的方法、装置、电子设备和介质。
根据本公开的一方面,提供了一种点云融合方法,包括:
根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像;
根据所述目标点云图像包括的目标道路元素的目标元素位置,从所述待配准点云图像中确定与所述目标道路元素关联的辅助道路元素;
根据所述目标元素位置和所述辅助道路元素的辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。
根据本公开的另一方面,提供了一种点云融合装置,包括:
点云图像确定模块,用于根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像;
道路元素确定模块,根据所述目标点云图像包括的目标道路元素的目标元素位置,从所述待配准点云图像中确定与所述目标道路元素关联的辅助道路元素;
点云图像配准模块,用于根据所述目标元素位置和所述辅助道路元素的辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开中任一项所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行本公开中任一项所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例公开的一些点云融合方法的流程图;
图2是根据本公开实施例公开的另一些点云融合方法的流程图;
图3是根据本公开实施例公开的一些点云融合装置的结构示意图;
图4是用来实现本公开实施例公开的点云融合方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
申请人在研发过程中发现,现有点云图像在进行点云融合前,通常会基于各点云图像包含的全量点云数据的几何信息,确定各点云图像之间的位姿偏移矩阵,进而基于位姿偏移矩阵对各点云图像进行配准,最终基于配准后的各点云图像进行点云融合。
然而,现有的点云图像配准方法直接使用了全量点云数据的几何信息,当待配准的点云图像数量较多时,无疑会造成配准所需数据量过大的问题,导致点云图像配准所需时间较长,进而导致点云图像配准效率较低。
图1是根据本公开实施例公开的一些点云融合方法的流程图,本实施例可以适用于对各点云图像进行配准的情况。本实施例方法可以由本公开实施例公开的点云融合装置来执行,所述装置可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图1所示,本实施例公开的点云融合方法可以包括:
S101、根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像。
其中,点云图像表示通过测量仪器,例如三维激光扫描仪或者照相式扫描仪,对目标物体或目标场景进行扫描得到的点云数据集合。本实施例中的点云图像指的是对街道、高速路或快速路等交通场景进行扫描得到的点云数据集合。目标点云图像指的是已采集得到的历史点云图像中需要进行配准的一帧点云图像,本实施并不对目标点云图像的选取方法进行限定,可以是随机从历史点云图像中选取一帧作为目标点云图像,还可以是由相关技术人员根据实际业务需求从历史点云图像中选取一帧作为目标点云图像等。目标采集位置表示测量仪器在采集目标点云图像时,在世界坐标系中所处的3D位置坐标。
在一种实施方式中,在点云图像采集的过程中,实时记录采集位置与点云图像之间的对应关系。根据记录的采集位置与点云图像之间的对应关系,确定目标点云图像对应的目标采集位置。将目标采集位置与所有历史点云图像的采集位置进行匹配,并将与目标采集位置之间的距离处于预设距离阈值内的采集位置,作为辅助采集位置。再根据记录的采集位置与点云图像之间的对应关系,将辅助采集位置对应的点云图像作为待配准点云图像,其中,待配准点云图像的数量可以是一帧,也可以是至少两帧。进一步地,将目标点云图像与待配准点云图像共同作为待配准图像序列,供后续对目标点云图像与待配准点云图像进行配准。
通过根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像,为后续对目标点云图像和待配准点云图像进行配准,奠定了数据基础。
S102、根据所述目标点云图像包括的目标道路元素的目标元素位置,从所述待配准点云图像中确定与所述目标道路元素关联的辅助道路元素。
其中,目标道路元素指的是目标点云图像包含的与道路相关的实体元素,相应的,辅助道路元素指的是待配准点云图像包含的与道路相关的实体元素。在本实施例中,目标道路元素和辅助道路元素的元素类型包括但不限于车道线、道路箭头、路牌和路灯杆等等。目标元素位置指的是目标道路元素在目标点云图像中的图像3D坐标位置。在本实施例中,可选的将道路元素在点云图像中的中心点3D坐标位置作为元素位置。
在一种实施方式中,对目标点云图像和待配准点云图像分别进行语义分割以及元素提取,确定目标点云图像包括的目标道路元素以及待配准点云图像包括的辅助道路元素。根据目标道路元素的目标元素位置,将待配准点云图像中与所述目标元素位置相同的坐标位置作为搜索位置,并根据预设的距离阈值,在搜索位置附近进行道路元素搜索,确定是否存在一个与该目标道路元素的元素类型相同且元素位置处于距离阈值内的道路元素,若是则将该道路元素作为待配准点云图像中与目标道路元素关联的辅助道路元素。
示例性的,假设目标道路元素A的元素类型为车道线,目标道路元素A在目标点云图像中的目标元素位置为(A,B,C),则将待配准点云图像中的位置(A,B,C)作为搜索位置。假设距离阈值为10m,则以(A,B,C)为中心,10m为半径构成球形搜索区域,并在球形搜索区域中进行搜索,假设球形搜索区域中存在一个元素类型为车道线且元素位置处于球形搜索区域的道路元素A’,则将道路元素A’作为待配准点云图像中与目标道路元素A关联的辅助道路元素。
通过根据目标点云图像包括的目标道路元素的目标元素位置,从待配准点云图像中确定与目标道路元素关联的辅助道路元素,实现了确定待配准点云图像中与目标道路元素关联的辅助道路元素的效果,为后续基于目标道路元素以及辅助道路元素对目标点云图像和待配准点云图像进行配准,奠定了数据基础。
S103、根据所述目标元素位置和所述辅助道路元素的辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。
在一种实施方式中,由于目标点云图像与待配准点云图像的采集位置接近,并且目标道路元素与辅助道路元素分别在图像中的元素位置也接近,则可以认为目标道路元素与辅助道路元素为同一个道路元素。例如同一条车道线,或者同一个路牌等。
进一步地,由于目标道路元素与辅助道路元素为同一个道路元素,则两者在世界坐标系下的位姿矩阵应该相同。则确定目标点云图像的目标采集位置以及目标采集姿态,以及待配准点云图像的辅助采集位置以及辅助采集姿态,其中,目标采集姿态表示测量仪器在采集目标点云图像时,在世界坐标系中的姿态;辅助采集位置以及辅助采集姿态,分别表示测量仪器在采集待配准点云图像时,在世界坐标系中所处的3D位置坐标以及姿态。
根据目标采集位置、目标采集姿态和目标元素位置,确定目标道路元素在世界坐标系下的目标位姿矩阵。根据辅助采集位置、辅助采集姿态和辅助元素位置,确定辅助道路元素在世界坐标系下的辅助位姿矩阵。进而将目标位姿矩阵和辅助位姿矩阵相减,并根据寻优算法对目标位姿矩阵和辅助位姿矩阵进行调整,确定当差值最小时,目标位姿矩阵调整后的第一位姿矩阵,以及辅助位姿矩阵调整后的第二位姿矩阵。最终根据第一位姿矩阵对目标点云图像进行配准,且根据第二位姿矩阵对待配准点云图像进行配准。
本公开通过根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像,并根据目标点云图像包括的目标道路元素的目标元素位置,从待配准点云图像中确定与目标道路元素关联的辅助道路元素,进而根据目标元素位置和辅助道路元素的辅助元素位置,对目标点云图像和待配准点云图像进行配准,使得仅根据点云图像之间关联的道路元素的位置信息,就可以实现对点云图像的配准,无需采用全量点云数据的几何信息进行配准,实现了减少点云图像配准所需数据量的效果,缩短了点云图像配准所需的时间,从而提高了点云图像配准的效率。
图2是根据本公开实施例公开的另一些点云融合方法的流程图,基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。
如图2所示,本实施例公开的点云融合方法可以包括:
S201、根据目标点云图像的目标采集位置以及距离阈值,在多维空间树中进行搜索,确定辅助采集位置。
其中,多维空间树根据各历史点云图像的采集位置构建得到,多维空间树即KD-Tree,是一种分割K维数据空间的数据结构,在本实施例由于采集位置为3D位置,则多维空间树为三维空间树。
在一种实施方式中,将目标采集位置作为搜索点,根据预设距离阈值在三维空间树中进行邻域搜索,确定处于距离阈值内的所有采集位置作为辅助采集位置,其中,距离阈值可选的包括30m。
S202、将辅助采集位置对应的历史点云图像作为待配准点云图像。
在一种实施方式中,根据采集位置与历史点云图像之间的对应关系,将辅助采集位置对应的历史点云图像作为待配准点云图像。由于待配准点云图像与目标点云图像的采集位置接近,因此两者包含的点云数据也接近。
S203、从目标点云图像包括的目标道路元素中确定基准目标道路元素,并根据基准目标道路元素的基准目标元素位置,采用随机抽样一致算法从待配准点云图像中确定与基准目标道路元素关联的基准辅助道路元素。
其中,基准目标道路元素是从目标道路元素中选取的任一目标道路元素。基准目标元素位置表示基准目标道路元素在目标点云图像中的3D位置坐标。随机抽样一致算法即Random Sample Consensus(RANSAC)算法。
在一种实施方式中,根据实际业务经验,在本实施例中选取元素类型为路灯杆的任一目标道路元素作为基准目标道路元素。并将基准目标道路元素的基准目标元素位置,以及待配准点云图像中各道路元素的元素位置,共同组成数据集。采用随机抽样一致算法在数据集中寻找与基准目标元素位置最匹配的元素位置,并将该元素位置对应的道路元素作为基准辅助道路元素。
S204、确定目标点云图像中其他目标道路元素与基准目标道路元素之间的元素位置关系,并根据元素位置关系从待配准点云图像中确定与其他目标道路元素关联的除基准辅助道路元素以外的其他辅助道路元素。
其中,其他目标道路元素是目标道路元素中除基准目标道路元素之外的目标道路元素。
在一种实施方式中,根据其他目标道路元素的其他目标元素位置,以及基准目标道路元素的基准目标元素位置,确定其他目标道路元素与基准目标道路元素之间的元素位置关系。并根据元素位置关系以及基准辅助道路元素的基准辅助元素位置,从待配准点云图像中确定与其他目标道路元素关联的除基准辅助道路元素以外的其他辅助道路元素。
可选的,S204包括以下步骤A和B:
A、根据所述元素位置关系以及所述基准辅助道路元素的基准辅助元素位置,从所述待配准点云图像中确定搜索位置。
示例性的,假设任一其他目标道路元素的其他目标元素位置为(A1,B1,C1),基准目标元素位置为(A2,B2,C2),则将(A1-A2,B1-B2,C1-C2)作为该其他目标道路元素与基准目标道路元素之间的元素位置关系。假设基准辅助道路元素的基准辅助元素位置为(A3,B3,C3),则将(A3+A1-A2,B3+B1-B2,C3+C1-C2)作为搜索位置。
B、根据所述其他目标道路元素的元素类型以及距离阈值,在所述搜索位置进行邻域搜索,确定与所述其他目标道路元素关联的其他辅助道路元素。
在一种实施方式中,将元素位置处于搜索位置距离阈值内,并且与其他目标道路元素的元素类型相同的道路元素,作为与其他目标道路元素关联的其他辅助道路元素。
示例性的,假设任一其他目标道路元素的元素类型为车道线,搜索位置为(X,Y,Z),距离阈值为(X1,Y1,Z1),则将元素位置处于(X,Y,Z)~(X+X1,Y+Y1,Z+Z1)内,并且元素类型为车道线的道路元素,作为与该其他目标道路元素关联的其他辅助道路元素。
通过根据元素位置关系以及基准辅助道路元素的基准辅助元素位置,从待配准点云图像中确定搜索位置,并根据其他目标道路元素的元素类型以及距离阈值,在搜索位置进行邻域搜索,确定与其他目标道路元素关联的其他辅助道路元素,实现了仅依靠已确定的元素位置关系,就可以确定其他目标道路元素关联的其他辅助道路元素,无需对于每个其他目标道路元素均要执行随机抽样一致算法来确定关联的其他辅助道路元素,减少了算法处理过程,提高了效率。
S205、确定目标点云图像的目标采集姿态,以及待配准点云图像的辅助采集位置和辅助采集姿态。
在一种实施方式中,根据已采集的历史点云图像与采集位姿的对应关系,确定目标点云图像对应的目标采集姿态,以及待配准点云图像对应的辅助采集位置和辅助采集姿态。其中,本实施例中目标采集姿态和辅助采集姿态均以四元数进行表示。
S206、根据目标采集位置、目标采集姿态、辅助采集位置、辅助采集姿态、目标元素位置和辅助元素位置,对目标点云图像和待配准点云图像进行配准。
其中,目标元素位置包括基准目标道路元素的基准目标元素位置,和其他目标道路元素的其他目标元素位置。辅助元素位置包括基准辅助道路元素的基准辅助元素位置,和其他辅助道路元素的其他辅助元素位置。
本公开通过根据目标点云图像的目标采集位置以及距离阈值,在多维空间树中进行搜索,确定辅助采集位置,将辅助采集位置对应的历史点云图像作为待配准点云图像,保证了待配准点云图像和目标点云图像的采集位置接近,进而保证了后续进行道路元素关联的准确性;通过从目标点云图像包括的目标道路元素中确定基准目标道路元素,并根据基准目标道路元素的基准目标元素位置,采用随机抽样一致算法从待配准点云图像中确定与基准目标道路元素关联的基准辅助道路元素,确定目标点云图像中其他目标道路元素与基准目标道路元素之间的元素位置关系,并根据元素位置关系从待配准点云图像中确定与其他目标道路元素关联的除基准辅助道路元素以外的其他辅助道路元素,实现了仅依靠元素位置关系,就可以确定其他目标道路元素关联的其他辅助道路元素,无需对于每个其他目标道路元素均要执行随机抽样一致算法来确定关联的其他辅助道路元素,减少了算法处理过程,提高了效率;通过确定目标点云图像的目标采集姿态,以及待配准点云图像的辅助采集位置和辅助采集姿态,根据目标采集位置、目标采集姿态、辅助采集位置、辅助采集姿态、目标元素位置和辅助元素位置,对目标点云图像和待配准点云图像进行配准,无需采用全量点云数据的几何信息进行配准,实现了减少点云图像配准所需数据量的效果,缩短了点云图像配准所需的时间,从而提高了点云图像配准的效率。
可选的,S206包括以下步骤A1、A2和A3:
A1、根据所述目标采集位置、所述目标采集姿态和所述目标元素位置,确定所述目标道路元素在世界坐标系的目标位姿矩阵。
在一种实施方式中,将目标元素位置与目标采集姿态进行矩阵相乘,并将相乘结果与目标采集位置进行矩阵相加,进而将相加结果作为目标道路元素在世界坐标系的目标位姿矩阵。
A2、根据所述辅助采集位置、所述辅助采集姿态和所述辅助元素位置,确定所述辅助道路元素在世界坐标系的辅助位姿矩阵。
在一种实施方式中,将辅助元素位置与辅助采集姿态进行矩阵相乘,并将相乘结果与辅助采集位置进行矩阵相加,进而将相加结果作为辅助道路元素在世界坐标系的辅助位姿矩阵。
A3、根据所述目标位姿矩阵和所述辅助位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准。
在一种实施方式中,由于目标点云图像与待配准点云图像的采集位置接近,并且目标道路元素与辅助道路元素分别在图像中的元素位置也接近,则可以认为目标道路元素与辅助道路元素为同一个道路元素。例如同一条车道线,或者同一个路牌等。进一步地,由于目标道路元素与辅助道路元素为同一个道路元素,则两者在世界坐标系下的位姿矩阵应该相同。因此将目标位姿矩阵和辅助位姿矩阵进行矩阵相减,并采用寻优算法确定当相减结果最小时目标位姿矩阵对应的第一位姿矩阵,以及辅助位姿矩阵对应的第二位姿矩阵。最终根据第一位姿矩阵和第二位姿矩阵,对目标点云图像和待配准点云图像进行配准。
通过根据目标采集位置、目标采集姿态和目标元素位置,确定目标道路元素在世界坐标系的目标位姿矩阵,并根据辅助采集位置、辅助采集姿态和辅助元素位置,确定辅助道路元素在世界坐标系的辅助位姿矩阵,进而根据目标位姿矩阵和辅助位姿矩阵,对目标点云图像和待配准点云图像进行配准,由于目标点云图像与待配准点云图像的采集位置接近,并且目标道路元素与辅助道路元素分别在图像中的元素位置也接近,则可以认为目标道路元素与辅助道路元素为同一个道路元素,因此实现了以目标位姿矩阵和辅助位姿矩阵作为锚点,对目标点云图像和待配准点云图像进行配准的效果,无需采用全量点云数据的几何信息进行配准,实现了减少点云图像配准所需数据量的效果。
可选的,步骤A3包括以下步骤A31、A32和A33:
A31、根据所述目标位姿矩阵和所述辅助位姿矩阵,构建约束函数。
在一种实施方式中,根据目标位姿矩阵和辅助位姿矩阵之间的矩阵差值,构建约束函数。
A32、采用寻优算法对所述目标位姿矩阵和所述辅助位姿矩阵进行调整,并确定在所述约束函数的函数值为目标值时,所述目标位姿矩阵调整后的第一位姿矩阵,以及所述辅助位姿矩阵调整后的第二位姿矩阵。
在一种实施方式中,采用非线性最小二乘法对目标位姿矩阵和辅助位姿矩阵进行调整,并确定在两者差值最小时,目标位姿矩阵调整后的第一位姿矩阵,以及辅助位姿矩阵调整后的第二位姿矩阵。
A33、根据所述第一位姿矩阵和所述第二位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准。
在一种实施方式中,根据第一位姿确定目标点云图像的偏移矩阵和位移矩阵,且根据第二位姿确定待配准点云图像的偏移矩阵和位移矩阵,并根据目标点云图像和待配准点云图像分别对应的偏移矩阵和位移矩阵,对目标点云图像和待配准点云图像进行配准。
通过根据目标位姿矩阵和辅助位姿矩阵,构建约束函数,并采用寻优算法对目标位姿矩阵和辅助位姿矩阵进行调整,并确定在约束函数的函数值为目标值时,目标位姿矩阵调整后的第一位姿矩阵,以及辅助位姿矩阵调整后的第二位姿矩阵,进而根据第一位姿矩阵和第二位姿矩阵,对目标点云图像和待配准点云图像进行配准,实现了基于约束函数以及优化算法快速确定目标位姿矩阵调整后的第一位姿矩阵,以及辅助位姿矩阵调整后的第二位姿矩阵的效果,缩短了点云图像配准所需参数的获取时间。
可选的,步骤A33以下步骤A331、A332和A333:
A331、根据所述第一位姿矩阵和所述目标位姿矩阵,确定目标旋转矩阵和目标位移矩阵。
在一种实施方式中,将第一位姿矩阵和目标位姿矩阵构建方程,并对方程进行求解确定目标旋转矩阵和目标位移矩阵。
示例性的,构建方程Y=RX+T,其中Y表示第一位姿矩阵,X表示目标位姿矩阵,R表示目标位姿矩阵,T表示目标位移矩阵,则对方程求解确定R和T。
A332、根据所述第二位姿矩阵和所述辅助位姿矩阵,确定辅助旋转矩阵和辅助位移矩阵。
在一种实施方式中,将第二位姿矩阵和辅助位姿矩阵构建方程,并对方程进行求解确定辅助旋转矩阵和辅助位移矩阵。
示例性的,构建方程Y1=R1X1+T1,其中Y1表示第二位姿矩阵,X1表示辅助位姿矩阵,R1表示辅助旋转矩阵,T1表示辅助位移矩阵,则对方程求解确定R1和T1。
A333、采用所述目标旋转矩阵和所述目标位移矩阵对所述目标点云图像进行配准,并采用所述辅助旋转矩阵和所述辅助位移矩阵对所述待配准点云图像进行配准。
在一种实施方式中,采用目标旋转矩阵和目标位移矩阵对目标点云图像中所有的点云数据进行位姿转换,相应的,采用辅助旋转矩阵和辅助位移矩阵对待配准点云图像中所有的点云数据进行位姿转换,以实现对目标点云图像和待配准点云图像的配准。
通过根据第一位姿矩阵和目标位姿矩阵,确定目标旋转矩阵和目标位移矩阵,并根据第二位姿矩阵和辅助位姿矩阵,确定辅助旋转矩阵和辅助位移矩阵,进而采用目标旋转矩阵和目标位移矩阵对目标点云图像进行配准,并采用辅助旋转矩阵和辅助位移矩阵对待配准点云图像进行配准,实现了对目标点云图像和待配准点云图像共同进行配准的效果,无需采用全量点云数据的几何信息进行配准,实现了减少点云图像配准所需数据量的效果。
本公开实施例对所述步骤A31进行了优化,所述步骤A31包括:
在所述目标道路元素和所述辅助道路元素的元素类型包括路牌的情况下,构建如下e1和e2约束函数:
其中,所述表示目标位姿矩阵,所述Rsrc表示目标采集姿态,所述Tsrc表示目标采集位置,所述Psrc表示目标元素位置,所述表示辅助位姿矩阵,所述Rdst表示辅助采集姿态,所述Tdst表示辅助采集位置,所述Pdst表示辅助元素位置。
所述表示所述目标道路元素的法向量,即目标道路元素的元素类型是路牌的情况下,该路牌的法向量。所述ndst表示所述辅助道路元素的法向量,即该路牌在待配准点云图像中关联的路牌的法向量。w1和w2为固定常数。
通过在目标道路元素和辅助道路元素的元素类型包括路牌的情况下,构建e1和e2约束函数,实现了针对元素类型为路牌的目标道路元素和辅助道路元素,适应性构建约束函数的效果,提高了后续确定第一位姿矩阵和第二位姿矩阵的准确性。
本公开实施例还对所述步骤A31进行了优化,所述步骤A31包括:
在所述目标道路元素和所述辅助道路元素的元素类型包括车道线和/或路灯杆的情况下,构建如下e3和e4约束函数:
其中,所述表示目标位姿矩阵,所述Rsrc表示目标采集姿态,所述Tsrc表示目标采集位置,所述Psrc表示目标元素位置,所述表示辅助位姿矩阵,所述Rdst表示辅助采集姿态,所述Tdst表示辅助采集位置,所述Pdst表示辅助元素位置。
所述vsrc表示所述目标道路元素的朝向,即目标道路元素的元素类型是车道线的情况下,朝向为该车道线的行驶方向;或者是路灯杆的情况下,朝向为路灯杆向上的方向。所述vdst表示所述辅助道路元素的朝向,即该车道线在待配准点云图像中关联的车道线的行驶方向;或者该路灯杆在待配准点云图像中关联的路灯杆向上的方向。w3和w4为固定常数。
通过在目标道路元素和辅助道路元素的元素类型包括车道线和/或路灯杆的情况下,构建e3和e4约束函数,实现了针对元素类型为车道线和/或路灯杆的目标道路元素和辅助道路元素,适应性构建约束函数的效果,提高了后续确定第一位姿矩阵和第二位姿矩阵的准确性。
本公开实施例还对所述步骤A31进行了优化,所述步骤A31包括:
在所述目标道路元素和所述辅助道路元素的元素类型包括道路箭头的情况下,构建如下e5约束函数:
其中,道路箭头表示道路中划分的箭头,例如道路左转箭头、道路直行箭头或者道路右转箭头等等。
所述表示目标位姿矩阵,所述Rsrc表示目标采集姿态,所述Tsrc表示目标采集位置,所述Psrc表示目标元素位置,所述表示辅助位姿矩阵,所述Rdst表示辅助采集姿态,所述Tdst表示辅助采集位置,所述Pdst表示辅助元素位置。
通过在目标道路元素和辅助道路元素的元素类型包括道路箭头的情况下,构建e5约束函数,实现了针对元素类型为道路箭头的目标道路元素和辅助道路元素,适应性构建约束函数的效果,提高了后续确定第一位姿矩阵和第二位姿矩阵的准确性。
可以理解的是,若目标道路元素和辅助道路元素的元素类型包括路牌、车道线、路灯杆和道路箭头的情况下,则构建e1、e2、e3、e4和e5约束函数共同进行约束。
图3是根据本公开实施例公开的一些点云融合装置的结构示意图,可以适用于对各点云图像进行配准的情况。本实施例装置可采用软件和/或硬件实现,并可集成在任意的具有计算能力的电子设备上。
如图3所示,本实施例公开的点云融合装置30可以包括点云图像确定模块31、道路元素确定模块32和点云图像配准模块32,其中:
点云图像确定模块31,用于根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像;
道路元素确定模块32,根据所述目标点云图像包括的目标道路元素的目标元素位置,从所述待配准点云图像中确定与所述目标道路元素关联的辅助道路元素;
点云图像配准模块33,用于根据所述目标元素位置和所述辅助道路元素的辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。
可选的,所述道路元素确定模块32,具体用于:
从所述目标道路元素中确定基准目标道路元素,并根据所述基准目标道路元素的基准目标元素位置,采用随机抽样一致算法从所述待配准点云图像中确定与所述基准目标道路元素关联的基准辅助道路元素;
确定所述目标点云图像中其他目标道路元素与所述基准目标道路元素之间的元素位置关系;
根据所述元素位置关系从所述待配准点云图像中确定与所述其他目标道路元素关联的除所述基准辅助道路元素以外的其他辅助道路元素。
可选的,所述道路元素确定模块32,具体还用于:
根据所述元素位置关系以及所述基准辅助道路元素的基准辅助元素位置,从所述待配准点云图像中确定搜索位置;
根据所述其他目标道路元素的元素类型以及距离阈值,在所述搜索位置进行邻域搜索,确定与所述其他目标道路元素关联的其他辅助道路元素。
可选的,所述点云图像配准模块33,具体用于:
确定所述目标点云图像的目标采集姿态,以及所述待配准点云图像的辅助采集位置和辅助采集姿态;
根据所述目标采集位置、所述目标采集姿态、所述辅助采集位置、所述辅助采集姿态、所述目标元素位置和所述辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。
可选的,所述点云图像配准模块33,具体还用于:
根据所述目标采集位置、所述目标采集姿态和所述目标元素位置,确定所述目标道路元素在世界坐标系的目标位姿矩阵;
根据所述辅助采集位置、所述辅助采集姿态和所述辅助元素位置,确定所述辅助道路元素在世界坐标系的辅助位姿矩阵;
根据所述目标位姿矩阵和所述辅助位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准。
可选的,所述点云图像配准模块33,具体还用于:
根据所述目标位姿矩阵和所述辅助位姿矩阵,构建约束函数;
采用寻优算法对所述目标位姿矩阵和所述辅助位姿矩阵进行调整,并确定在所述约束函数的函数值为目标值时,所述目标位姿矩阵调整后的第一位姿矩阵,以及所述辅助位姿矩阵调整后的第二位姿矩阵;
根据所述第一位姿矩阵和所述第二位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准。
可选的,所述点云图像配准模块33,具体还用于:
根据所述第一位姿矩阵和所述目标位姿矩阵,确定目标旋转矩阵和目标位移矩阵;
根据所述第二位姿矩阵和所述辅助位姿矩阵,确定辅助旋转矩阵和辅助位移矩阵;
采用所述目标旋转矩阵和所述目标位移矩阵对所述目标点云图像进行配准,并采用所述辅助旋转矩阵和所述辅助位移矩阵对所述待配准点云图像进行配准。
可选的,所述点云图像配准模块33,具体还用于:
在所述目标道路元素和所述辅助道路元素的元素类型包括路牌的情况下,构建如下e1和e2约束函数:
其中,所述表示目标位姿矩阵,所述Rsrc表示目标采集姿态,所述Tsrc表示目标采集位置,所述Psrc表示目标元素位置,所述表示辅助位姿矩阵,所述Rdst表示辅助采集姿态,所述Tdst表示辅助采集位置,所述Pdst表示辅助元素位置,所述表示所述目标道路元素的法向量,所述ndst表示所述辅助道路元素的法向量,w1和w2为固定常数。
可选的,所述点云图像配准模块33,具体还用于:
在所述目标道路元素和所述辅助道路元素的元素类型包括车道线和/或路灯杆的情况下,构建如下e3和e4约束函数:
其中,所述表示目标位姿矩阵,所述Rsrc表示目标采集姿态,所述Tsrc表示目标采集位置,所述Psrc表示目标元素位置,所述表示辅助位姿矩阵,所述Rdst表示辅助采集姿态,所述Tdst表示辅助采集位置,所述Pdst表示辅助元素位置,所述vsrc表示所述目标道路元素的朝向,所述vdst表示所述辅助道路元素的朝向,w3和w4为固定常数。
可选的,所述点云图像配准模块33,具体还用于:
在所述目标道路元素和所述辅助道路元素的元素类型包括道路箭头的情况下,构建如下e5约束函数:
其中,所述表示目标位姿矩阵,所述Rsrc表示目标采集姿态,所述Tsrc表示目标采集位置,所述Psrc表示目标元素位置,所述表示辅助位姿矩阵,所述Rdst表示辅助采集姿态,所述Tdst表示辅助采集位置,所述Pdst表示辅助元素位置。
可选的,所述点云图像确定模块31,具体用于:
根据所述目标采集位置以及距离阈值,在多维空间树中进行搜索,确定辅助采集位置;其中,所述多维空间树根据各所述历史点云图像的采集位置构建得到;
将所述辅助采集位置对应的历史点云图像作为所述待配准点云图像。
本公开实施例所公开的点云融合装置30可执行本公开实施例所公开的点云融合方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开方法实施例中的描述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如点云融合方法。例如,在一些实施例中,点云融合方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的点云融合方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行点云融合方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (25)
1.一种点云融合方法,包括:
根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像;
根据所述目标点云图像包括的目标道路元素的目标元素位置,从所述待配准点云图像中确定与所述目标道路元素关联的辅助道路元素;
根据所述目标元素位置和所述辅助道路元素的辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。
2.根据权利要求1所述的方法,其中,所述根据所述目标点云图像包括的目标道路元素的目标元素位置,从所述待配准点云图像中确定与所述目标道路元素关联的辅助道路元素,包括:
从所述目标道路元素中确定基准目标道路元素,并根据所述基准目标道路元素的基准目标元素位置,采用随机抽样一致算法从所述待配准点云图像中确定与所述基准目标道路元素关联的基准辅助道路元素;
确定所述目标点云图像中其他目标道路元素与所述基准目标道路元素之间的元素位置关系;
根据所述元素位置关系从所述待配准点云图像中确定与所述其他目标道路元素关联的除所述基准辅助道路元素以外的其他辅助道路元素。
3.根据权利要求2所述的方法,其中,所述根据所述元素位置关系从所述待配准点云图像中确定与所述其他目标道路元素关联的除所述基准辅助道路元素以外的其他辅助道路元素,包括:
根据所述元素位置关系以及所述基准辅助道路元素的基准辅助元素位置,从所述待配准点云图像中确定搜索位置;
根据所述其他目标道路元素的元素类型以及距离阈值,在所述搜索位置进行邻域搜索,确定与所述其他目标道路元素关联的其他辅助道路元素。
4.根据权利要求1-3中任一所述的方法,其中,所述根据所述目标元素位置和所述辅助道路元素的辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准,包括:
确定所述目标点云图像的目标采集姿态,以及所述待配准点云图像的辅助采集位置和辅助采集姿态;
根据所述目标采集位置、所述目标采集姿态、所述辅助采集位置、所述辅助采集姿态、所述目标元素位置和所述辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。
5.根据权利要求4所述的方法,其中,所述根据所述目标采集位置、所述目标采集姿态、所述辅助采集位置、所述辅助采集姿态、所述目标元素位置和所述辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准,包括:
根据所述目标采集位置、所述目标采集姿态和所述目标元素位置,确定所述目标道路元素在世界坐标系的目标位姿矩阵;
根据所述辅助采集位置、所述辅助采集姿态和所述辅助元素位置,确定所述辅助道路元素在世界坐标系的辅助位姿矩阵;
根据所述目标位姿矩阵和所述辅助位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准。
6.根据权利要求5所述的方法,其中,所述根据所述目标位姿矩阵和所述辅助位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准,包括:
根据所述目标位姿矩阵和所述辅助位姿矩阵,构建约束函数;
采用寻优算法对所述目标位姿矩阵和所述辅助位姿矩阵进行调整,并确定在所述约束函数的函数值为目标值时,所述目标位姿矩阵调整后的第一位姿矩阵,以及所述辅助位姿矩阵调整后的第二位姿矩阵;
根据所述第一位姿矩阵和所述第二位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准。
7.根据权利要求6所述的方法,其中,所述根据所述第一位姿矩阵和所述第二位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准,包括:
根据所述第一位姿矩阵和所述目标位姿矩阵,确定目标旋转矩阵和目标位移矩阵;
根据所述第二位姿矩阵和所述辅助位姿矩阵,确定辅助旋转矩阵和辅助位移矩阵;
采用所述目标旋转矩阵和所述目标位移矩阵对所述目标点云图像进行配准,并采用所述辅助旋转矩阵和所述辅助位移矩阵对所述待配准点云图像进行配准。
11.根据权利要求1-10中任一所述的方法,其中,所述根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像,包括:
根据所述目标采集位置以及距离阈值,在多维空间树中进行搜索,确定辅助采集位置;其中,所述多维空间树根据各所述历史点云图像的采集位置构建得到;
将所述辅助采集位置对应的历史点云图像作为所述待配准点云图像。
12.一种点云融合装置,包括:
点云图像确定模块,用于根据目标点云图像的目标采集位置从历史点云图像中确定待配准点云图像;
道路元素确定模块,根据所述目标点云图像包括的目标道路元素的目标元素位置,从所述待配准点云图像中确定与所述目标道路元素关联的辅助道路元素;
点云图像配准模块,用于根据所述目标元素位置和所述辅助道路元素的辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。
13.根据权利要求12所述的装置,其中,所述道路元素确定模块,具体用于:
从所述目标道路元素中确定基准目标道路元素,并根据所述基准目标道路元素的基准目标元素位置,采用随机抽样一致算法从所述待配准点云图像中确定与所述基准目标道路元素关联的基准辅助道路元素;
确定所述目标点云图像中其他目标道路元素与所述基准目标道路元素之间的元素位置关系;
根据所述元素位置关系从所述待配准点云图像中确定与所述其他目标道路元素关联的除所述基准辅助道路元素以外的其他辅助道路元素。
14.根据权利要求13所述的装置,其中,所述道路元素确定模块,具体还用于:
根据所述元素位置关系以及所述基准辅助道路元素的基准辅助元素位置,从所述待配准点云图像中确定搜索位置;
根据所述其他目标道路元素的元素类型以及距离阈值,在所述搜索位置进行邻域搜索,确定与所述其他目标道路元素关联的其他辅助道路元素。
15.根据权利要求12-14中任一所述的装置,其中,所述点云图像配准模块,具体用于:
确定所述目标点云图像的目标采集姿态,以及所述待配准点云图像的辅助采集位置和辅助采集姿态;
根据所述目标采集位置、所述目标采集姿态、所述辅助采集位置、所述辅助采集姿态、所述目标元素位置和所述辅助元素位置,对所述目标点云图像和所述待配准点云图像进行配准。
16.根据权利要求15所述的装置,其中,所述点云图像配准模块,具体还用于:
根据所述目标采集位置、所述目标采集姿态和所述目标元素位置,确定所述目标道路元素在世界坐标系的目标位姿矩阵;
根据所述辅助采集位置、所述辅助采集姿态和所述辅助元素位置,确定所述辅助道路元素在世界坐标系的辅助位姿矩阵;
根据所述目标位姿矩阵和所述辅助位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准。
17.根据权利要求16所述的装置,其中,所述点云图像配准模块,具体还用于:
根据所述目标位姿矩阵和所述辅助位姿矩阵,构建约束函数;
采用寻优算法对所述目标位姿矩阵和所述辅助位姿矩阵进行调整,并确定在所述约束函数的函数值为目标值时,所述目标位姿矩阵调整后的第一位姿矩阵,以及所述辅助位姿矩阵调整后的第二位姿矩阵;
根据所述第一位姿矩阵和所述第二位姿矩阵,对所述目标点云图像和所述待配准点云图像进行配准。
18.根据权利要求17所述的装置,其中,所述点云图像配准模块,具体还用于:
根据所述第一位姿矩阵和所述目标位姿矩阵,确定目标旋转矩阵和目标位移矩阵;
根据所述第二位姿矩阵和所述辅助位姿矩阵,确定辅助旋转矩阵和辅助位移矩阵;
采用所述目标旋转矩阵和所述目标位移矩阵对所述目标点云图像进行配准,并采用所述辅助旋转矩阵和所述辅助位移矩阵对所述待配准点云图像进行配准。
22.根据权利要求12-21中任一所述的装置,其中,所述点云图像确定模块,具体用于:
根据所述目标采集位置以及距离阈值,在多维空间树中进行搜索,确定辅助采集位置;其中,所述多维空间树根据各所述历史点云图像的采集位置构建得到;
将所述辅助采集位置对应的历史点云图像作为所述待配准点云图像。
23.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
25.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111507282.0A CN114170282A (zh) | 2021-12-10 | 2021-12-10 | 点云融合方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111507282.0A CN114170282A (zh) | 2021-12-10 | 2021-12-10 | 点云融合方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170282A true CN114170282A (zh) | 2022-03-11 |
Family
ID=80485390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111507282.0A Pending CN114170282A (zh) | 2021-12-10 | 2021-12-10 | 点云融合方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170282A (zh) |
-
2021
- 2021-12-10 CN CN202111507282.0A patent/CN114170282A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN112668460A (zh) | 目标检测方法、电子设备、路侧设备和云控平台 | |
CN114626169B (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN115100643B (zh) | 融合三维场景语义的单目视觉定位增强方法和设备 | |
CN115578433B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113724388B (zh) | 高精地图的生成方法、装置、设备以及存储介质 | |
CN113298910A (zh) | 生成交通标志线地图的方法、设备和存储介质 | |
CN113792061A (zh) | 地图数据的更新方法、装置及电子设备 | |
CN114627257A (zh) | 三维路网地图的构建方法、装置、电子设备和存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN114111813B (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN115578432B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114266876B (zh) | 定位方法、视觉地图的生成方法及其装置 | |
CN115731273A (zh) | 位姿图优化方法及装置、电子设备和存储介质 | |
CN115790621A (zh) | 高精地图更新方法、装置及电子设备 | |
CN115578431A (zh) | 图像深度处理方法、装置、电子设备及介质 | |
CN115527028A (zh) | 地图数据处理方法及装置 | |
CN114170282A (zh) | 点云融合方法、装置、电子设备和介质 | |
CN114419564A (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
CN114140813A (zh) | 高精地图标注方法、装置、设备及存储介质 | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
CN112507951B (zh) | 指示灯识别方法、装置、设备、路侧设备和云控平台 |
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 |