CN114187425A - 基于二进制占用网格的点云聚类与包围方法 - Google Patents

基于二进制占用网格的点云聚类与包围方法 Download PDF

Info

Publication number
CN114187425A
CN114187425A CN202111524987.3A CN202111524987A CN114187425A CN 114187425 A CN114187425 A CN 114187425A CN 202111524987 A CN202111524987 A CN 202111524987A CN 114187425 A CN114187425 A CN 114187425A
Authority
CN
China
Prior art keywords
point cloud
obstacle
grid
point
binary
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
CN202111524987.3A
Other languages
English (en)
Inventor
孙立新
陈冲
侯阳
高春艳
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202111524987.3A priority Critical patent/CN114187425A/zh
Publication of CN114187425A publication Critical patent/CN114187425A/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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Architecture (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种基于二进制占用网格的点云聚类与包围方法。首先，在点云空间中生成极坐标网格，将点云数据映射到极坐标网格中；对极坐标网格进行0/1赋值，生成二进制占用网格，并将点云数据映射到极坐标网格中；其次，对二进制占用网格进行膨胀处理，对膨胀图像进行连通区域分析，得到所有的连通区域，每个连通区域即为一个障碍物点云，完成障碍物点云的聚类；最后，提取障碍物点云边框并生成生成点云边框二进制占用网格，识别障碍物点云主方向建立包围盒。基于二进制占用网格的聚类运算更迅速，所需时间更短，本申请建立的包围盒结构更加紧凑，能够更精确地反应障碍物的尺寸，为机器人避障提供了良好的理论基础。

Description

基于二进制占用网格的点云聚类与包围方法
技术领域
本发明属于机器人自主避障技术领域，尤其涉及一种基于二进制占用网格的点云聚类与包围方法。
背景技术
通常将三维空间的点集称为“点云”，最小的点云只包含一个数据点，高密度点云包含数百万个数据点。目前，机器人避障多采用激光雷达对周围环境进行采集，并获取点云数据。然后根据不同障碍物将点云进行分割，障碍物的若干散落点集合成一个点云簇，以此将不同障碍物区分开。
为了提高机器人的避障能力，通常需要对点云数据进行聚类处理，以得到障碍物点云。现有的点云聚类普遍采用基于密度的聚类算法，该算法通过发现密度较高的点，然后将相近的高密度点逐步连成一片，进而生成各种簇，实际上是一种迭代运算，聚类所需的时间较长，实时性较差，无法捕捉场景中运动状态变换较快的物体。
AABB包围盒通过最小六面体包围障碍物，AABB包围盒直接以障碍物点云在三维方向上的最大值和最小值为顶点建立包围盒，但是紧密性较差，尤其对于不规则几何形体，冗余空间很大，紧凑性较差。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提出一种基于二进制占用网格的点云聚类与包围方法。
本发明解决所述技术问题采用的技术方案如下：
一种基于二进制占用网格的点云聚类与包围方法，其特征在于，该方法包括以下步骤：
步骤1、采集环境点云数据；
步骤2、去除地面点云，得到去除地面点云后的点云数据；
步骤3、对于去除地面点云后的点云数据，在点云空间中生成极坐标网格，将点云数据映射到极坐标网格中；对极坐标网格进行0/1赋值，生成二进制占用网格，并将点云数据映射到极坐标网格中；
步骤4、对二进制占用网格进行膨胀处理，得到膨胀图像；
步骤5、对膨胀图像进行连通区域分析，得到所有的连通区域，每个连通区域即为一个障碍物点云，完成障碍物点云的聚类；
步骤6、基于二进制占用网格的点云包围，包括识别障碍物点云主方向，根据障碍物点云主方向建立包围盒，确定包围盒的顶点坐标。
与现有技术相比，本发明的有益效果是：
1.对于去除地面点云后的点云数据，在点云空间中建立二进制占用网格，二进制占用网格是一种二值图像，因此基于二进制占用网格的聚类运算更迅速，所需时间更短，原因在于，一方面将点云数据映射到二进制占用网格中，实际上是对点云进行降维处理，即将三维点云处理转换为二维图像处理；另一方面与常规的欧式聚类相比，本方法无需迭代，只需要对二进制占用网格进行扫描，大大减少了聚类时间，对于场景中运动状态变换较快的物体具有良好的实时性。
2.对于地面点云而言，将点云空间划分为多个扇形子平面，将扇形子平面内的点进行筛选，选出最有可能构成地面点云的点；然后对这些点构成的总点集进行RANSAC采样，以得到地面点云，缩短了RANSAC运算的迭代次数，提高了地面点云分割的效率。
3.与AABB包围盒相比，AABB包围盒直接以障碍物点云在三维方向上的最大值和最小值为顶点建立包围盒，从本发明的包围盒各个顶点坐标的表达式可知，本申请建立的包围盒的长、宽均小于AABB包围盒，因此本方法建立的包围盒结构更加紧凑，能够更精确地反应障碍物的尺寸，为机器人避障提供了良好的理论基础。
附图说明
图1为本发明方法的整体流程图；
图2为采集的环境图像；
图3为环境点云数据；
图4为点云数据映射到极坐标网格的结果图；
图5为膨胀图像；
图6为膨胀图像被白色像素点标记后的示意图；
图7为点云聚类结果图；
图8为障碍物点云投影到x-y平面的结果图；
图9为障碍物点云边框的示意图；
图10为障碍物点云边框的栅格图；
图11为点云边框二进制占用网格图；
图12为障碍物点云主方向示意图；
图13为障碍物点云主方向与点云空间基坐标系的x轴平行的示意图；
图14为旋转后的障碍物点云的外接矩形示意图；
图15为顺时针旋转后的外接矩形；
图16为包围盒示意图；
图17为包围盒各个顶点的位置示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案进行详细说明，但并不以此限定本申请的保护范围。
本发明为一种基于二进制占用网格的点云聚类与包围方法(简称方法)，该方法包括以下步骤：
步骤1、采集环境点云数据；
使用型号为RS-LiDAR-M1的激光雷达采集环境点云数据，图2、3环境图像和环境点云数据，该场景中包含两个路障、一辆大型货车和行人共四个障碍物，标号为1～4。
步骤2、去除地面点云，得到去除地面点云后的点云数据；
将点云空间的直角坐标系转化为极坐标系，得到极坐标平面；根据式(1)由点pg在x-y平面的坐标(xg,yg)得到方位角θg；
θg＝atan2(yg,xg) (1)
其中，atan2是已将象限纳入考量的反正切函数；
利用式(2)将极坐标平面分割为m1个扇形子平面，每个扇形子平面的圆心角为Δα，本实施例中Δα＝2°；
Figure BDA0003407041280000031
根据式(3)确定点pg所属的扇形子平面s(pg)，
Figure BDA0003407041280000032
分别为每个扇形子平面的下界和上界；
Figure BDA0003407041280000033
在第t(t＝1,2,…,m1)个扇形子平面内，将其中的所有点按z方向高度由低到高重新排序为
Figure BDA0003407041280000034
则有：
Figure BDA0003407041280000035
在第t个扇形子平面内选取z方向高度较低的前r个点，根据地面点云的特点，这r个点被认为是最有可能构成地面点云的点；根据式(5)计算前r个点的平均高度HL：
Figure BDA0003407041280000036
根据式(6)对第t个扇形子平面内的点进行筛选，满足式(6)的所有点构成一个点集Pt；
Figure BDA0003407041280000037
其中，
Figure BDA0003407041280000038
为第t个扇形子平面内点pg的z方向高度，H0为地面高度，hL、hg分别为z方向高度最低阈值和地面高度阈值；
m1个扇形子平面的点集构成总点集
Figure BDA0003407041280000039
对总点集P0进行RANSAC采样：任取三个不共线的点p1＝(x1,y1,z1)、p2＝(x2,y2,z2)和p3＝(x3,y3,z3)构成平面模型，平面模型的一般数学形式可写为：
A0x+B0y+C0z+D0＝0 (7)
根据平面三点式方程，经过这三个点的平面有且只有一个，其方程写为：
Figure BDA0003407041280000041
将式(8)进行行列式展开，根据式(9)求出平面模型的参数；
Figure BDA0003407041280000042
遍历总点集P0中的每个点，根据式(10)计算各点到该平面模型的距离d；
Figure BDA0003407041280000043
将距离d小于RANSAC阈值的点记为局内点，对总点集P0重复进行RANSAC采样，直到局内点的数量到达设定值，停止采样，得到地面平面模型，将该地面平面模型包含的点即为地面点云，将地面点云去除；
步骤3、对于去除地面点云后的点云数据，在点云空间中生成极坐标网格，将点云数据映射到极坐标网格中；对极坐标网格进行0/1赋值，生成二进制占用网格；
将点云空间所在的极坐标平面划分为m2个扇形区域，每个扇形区域的圆心角为αpl，则有：
Figure BDA0003407041280000044
设扇形区域的最大半径为rmax，分割步长为rpl，将每个扇形区域沿半径方向分割为n个子区域，则有：
Figure BDA0003407041280000045
这样，将点云空间划分为包含m×n个网格的极坐标网格；本实施例中αpl＝0.65°，rmax＝200，rpl＝0.2；
将点云数据映射到极坐标网格中，结果如图4；由于点云数据具有三维信息，将点云数据映射到极坐标网格中，实际上是对点云数据进行降维存储，即直接将点的坐标(x,y,z)简化为(x,y)，原因在于，一方面点云聚类并不关心点云簇在z方向的排列与顺序，若两个点的x、y值一致而z值不同，则视为两点在z方向叠加，这两个点属于同一障碍物的点云；另一方面能够加快聚类速度，满足聚类算法在动态变化的环境中的实时性要求；
根据式(13)和(14)确定点pi＝(xi,yi,-)所属的扇形区域s(pi)；
Figure BDA0003407041280000051
Figure BDA0003407041280000052
其中，
Figure BDA0003407041280000053
分别为每个扇形区域的下界和上界；
确定扇形区域s(pi)后，再根据式(15)和(16)计算点pi所属的子区域b(pi)；
Figure BDA0003407041280000054
Figure BDA0003407041280000055
其中，
Figure BDA0003407041280000056
分别为每个子区域的下界和上界；
将各点映射到极坐标网格中后，对每个网格进行赋值，若网格中未包含点，则记网格的像素值为0，像素颜色为黑色；若网格中包含点，则网格的像素值为1，像素颜色为白色；遍历所有网格，生成二进制占用网格，二进制占用网格实际上是二值图像；这样就将三维点云数据的处理转化为二维图像进行处理，并且二进制占用网格组成简单，占用空间小，处理难度大大降低。
步骤4、对二进制占用网格进行膨胀处理，得到膨胀图像；
定义一个大小为3×3的正方形的核，核的原点位于正方形的中心位置；设二进制占用网格的像素集合为A，核像素集合为B，原点为中心点，则通过式(17)对二进制占用网格进行膨胀处理；
Figure BDA0003407041280000057
其中，x表示区域；
Figure BDA0003407041280000058
表示卷积操作；
核的原点从二进制占用网格的原点出发，移动步长为1，使核在二进制占用网格上进行逐个像素点的移动，扫描核所在范围内的像素点；若核扫描的所有像素点的像素值都为0，则核内锚点处的像素值记为0，像素颜色为黑色，否则记为1，像素颜色为白色；遍历二进制占用网格的每个像素点，即可得到如图5所示的膨胀图像，与二进制占用网格相比，膨胀图像具有更大且更连续的白色区域。
步骤5、对膨胀图像进行连通区域分析，得到所有的连通区域，每个连通区域即为一个障碍物点云；具体包括以下步骤：
5.1)定义一个四邻域的像素相邻关系，表示从目标像素点出发，对目标像素点上下左右四个相邻的像素点进行检测；
5.2)从膨胀图像的原点开始，逐个像素点扫描膨胀图像，直到当前扫描像素点p0为白色像素点，则对该白色像素点的位置赋予一个label，label是从1开始逐渐增大的自然数，被用来对白色像素点进行标记，参见图6；
5.3)将当前扫描像素点p0邻域内的像素点p01,p02,p03,p04按先后顺序放入集合M中，得到如式(8)所示的结果，从左到右分别代表放入的先后顺序，最后放入的像素点为p5；
M＝{p01,p02,p03,p04} (18)
5.4)将像素点p04取出并进行检测，若像素点p04为白色像素点，则对像素点p04赋予与当前扫描像素点p0相同的label，并将像素点p04所有邻域内的像素点按先后顺序加入集合M，并取出最后放入的像素点重复检测操作；若像素点p04为黑色像素点，则舍弃像素点p04并取出像素点p03重复检测操作，直到取出集合M中的所有像素点，此时被label标记的点集构成一个连通区域，结果如图7所示；
5.5)重复步骤5.2)～5.4)，扫描膨胀图像的所有像素点，膨胀图像中得到多个连通区域，每个连通区域表示一个被label标记的点集，每个连通区域对应一个障碍物点云，完成点云聚类，得到各个障碍物点云；
至此完成障碍物点云的聚类。
步骤6、基于二进制占用网格的点云包围；
6.1)利用霍夫直线检测识别障碍物点云主方向；
点云的主方向是指点云数据变化最大的方向，它决定了包围盒的方向与大小，判定障碍物点云主方向的关键在于如何得到障碍物点云边框在x-y平面内的最大分布；
首先，提取障碍物点云边框：由于点云是一种类似于空壳的图像，只反映被拍摄物体的表面信息，且对于一般障碍物而言，点云在x方向的尺寸变化不大，将障碍物点云投影到x-y平面内，得到如图8所示的结果；保留z方向高度满足式(19)的所有点，即可得到如图9所示的障碍物点云边框；
z(pi)-zmin＜γ(zmax-zmin) (19)
其中，z(pi)表示点pi的z方向高度，zmax、zmin分别表示障碍物点云在z方向高度的上限和下限，γ表示系数；本实施例中γ＝0.7时障碍物点云边框最清晰；
其次，在x-y平面内对障碍物点云边框进行栅格化，得到如图10所示的栅格图，并记录障碍物点云边框内所有像素点在x、y方向的最大值
Figure BDA0003407041280000061
和最小值
Figure BDA0003407041280000062
根据式(20)和(21)计算栅格图在x、y方向的范围rx、ry；栅格图的大小为rx×ry；
Figure BDA0003407041280000071
Figure BDA0003407041280000072
将障碍物点云边框上的所有像素点映射到栅格图中，并对栅格图进行0/1赋值，将包含像素点的像素值记为1，未包含像素点的像素值记为0，进而生成点云边框二进制占用网格，参见图11；
然后，读取点云边框二进制占用网格，扫描点云边框二进制占用网格中像素值为1的像素点，并以栅格边长g作为霍夫直线检测的变换步长，其总检测长度为障碍物点云边框的总周长，则检测次数nt满足式(22)：
nt＝2(rx+ry)/g (22)
对参数空间设置累加器，并初始化累加数Num(θ,ρ)＝0，ρ、θ分别表示极坐标下像素点的极径与极角；对于点云边框二进制占用网格中像素点(xj,yj)，在参数空间中找出所有满足ρ＝xjcosθ+yjsinθ的坐标值(θ,ρ)，完成像素点(xj,yj)的霍夫变换；然后令Num(θ,ρ)＝Num(θ,ρ)+1，进行下一个像素点的霍夫变换，直到点云边框二进制占用网格中的所有像素点都完成霍夫变换；统计所有Num(θ,ρ)的大小，最大Num(θ,ρ)对应的坐标值所在的的直线即为障碍物点云主方向对应的直线；计算障碍物点云主方向对应直线与基坐标系之间的夹角α，则α为障碍物点云主方向，如图12所示；
6.2)根据障碍物点云主方向建立包围盒，并确定包围盒的顶点坐标；
首先，通过式(23)计算障碍物点云的中心点坐标(xc,yc)，通过式(24)计算以该中心点为起点并指向障碍物点云各点的向量
Figure BDA0003407041280000073
Figure BDA0003407041280000074
Figure BDA0003407041280000075
其中，xmax、xmin分别表示障碍物点云在x方向上的最大值和最小值，ymax、ymin分别表示障碍物点云在y方向上的最大值和最小值；
其次，将向量
Figure BDA0003407041280000076
在中心点处绕z轴旋转-α角度，得到向量
Figure BDA0003407041280000077
使障碍物点云主方向与点云空间基坐标系的x轴平行，则有式(25)，参见图13；
Figure BDA0003407041280000078
所有向量经过旋转后，实际上是对障碍物点云进行旋转操作，得到旋转后的障碍物点云；
然后，遍历旋转后的障碍物点云，得到旋转后的障碍物点云在x,y,z方向的最大值x'max、y'max、z'max和最小值x'min、y'min、z'min，相当于在各个面内找到一个外接矩形将旋转后的障碍物点云框起来；根据式(26)计算包围盒的顶点坐标box'k；
Figure BDA0003407041280000081
最后，通过式(27)将包围盒的顶点坐标box'k经过旋转变换回到旋转前的障碍物点云中，得到包围盒的原始顶点坐标boxk，即将外接矩形顺时针旋转α角度，参见图15；
Figure BDA0003407041280000082
每个障碍物点云都按照步骤6建立包围盒，结果如图16所示，图17为包围盒各个顶点位置示意图，至此完成基于二进制占用网格的点云包围。
试验结果表明：该方法能够有效分辨场景中障碍物的个数，随着帧数的改变，各个障碍物点云的标号保持一致，不会随着帧数的变化而出现漏判或多判的情况；包围盒能始终跟随并包络障碍物点云，因此包围盒具有良好的随动性。对于静态障碍物来说，由于障碍物点云主方向不发生改变，因此包围盒的朝向与大小未发生改变。而对于动态障碍物来说，由于在行走过程中存在位置和速度改变，故障碍物点云主方向也随之变动，本方法能够实时跟踪障碍物点云主方向的变换，使得包围盒的朝向和大小实时变换，保证包围盒始终紧密包络障碍物点云。
综上，该方法能够在保证聚类精度的同时大大提高运算速度，建立的包围盒能够更加准确地反应障碍物尺寸，具有良好的实时性与随动性，为机器人的自主避障提供了理论基础。
本发明未述及之处适用于现有技术。

Claims (5)

1.一种基于二进制占用网格的点云聚类与包围方法，其特征在于，该方法包括以下步骤：
步骤1、采集环境点云数据；
步骤2、去除地面点云，得到去除地面点云后的点云数据；
步骤3、对于去除地面点云后的点云数据，在点云空间中生成极坐标网格，将点云数据映射到极坐标网格中；对极坐标网格进行0/1赋值，生成二进制占用网格，并将点云数据映射到极坐标网格中；
步骤4、对二进制占用网格进行膨胀处理，得到膨胀图像；
步骤5、对膨胀图像进行连通区域分析，得到所有的连通区域，每个连通区域即为一个障碍物点云，完成障碍物点云的聚类；
步骤6、基于二进制占用网格的点云包围，包括识别障碍物点云主方向，根据障碍物点云主方向建立包围盒，确定包围盒的顶点坐标。
2.根据权利要求1所述的基于二进制占用网格的点云聚类与包围方法，其特征在于，步骤3具体为：
将点云空间所在的极坐标平面划分为m2个扇形区域，每个扇形区域的圆心角为αpl，则有：
Figure FDA0003407041270000011
设扇形区域的最大半径为rmax，分割步长为rpl，将每个扇形区域沿半径方向分割为n个子区域，则有：
Figure FDA0003407041270000012
这样，将点云空间划分为包含m×n个网格的极坐标网格；
将点云数据映射到极坐标网格中，根据式(13)和(14)确定点pi＝(xi,yi,-)所属的扇形区域s(pi)；
Figure FDA0003407041270000013
Figure FDA0003407041270000014
其中，
Figure FDA0003407041270000015
分别为每个扇形区域的下界和上界；
确定扇形区域s(pi)后，再根据式(15)和(16)计算点pi所属的子区域b(pi)；
Figure FDA0003407041270000016
Figure FDA0003407041270000017
其中，
Figure FDA0003407041270000021
分别为每个子区域的下界和上界；
将各点映射到极坐标网格中后，对每个网格进行赋值，若网格中未包含点，则记网格的像素值为0，像素颜色为黑色；若网格中包含点，则网格的像素值为1，像素颜色为白色；遍历所有网格，生成二进制占用网格。
3.根据权利要求1所述的基于二进制占用网格的点云聚类与包围方法，其特征在于，步骤6中，识别障碍物点云主方向的具体过程为：
将障碍物点云投影到x-y平面内，保留z方向高度满足式(19)的所有点，得到障碍物点云边框；
z(pi)-zmin＜γ(zmax-zmin) (19)
其中，z(pi)表示点pi的z方向高度，zmax、zmin分别表示障碍物点云在z方向高度的上限和下限，γ表示系数；
在x-y平面内对障碍物点云边框进行栅格化，得到栅格图，记录障碍物点云边框内所有像素点在x、y方向的最大值
Figure FDA0003407041270000022
和最小值
Figure FDA0003407041270000023
根据式(20)和(21)计算栅格图在x、y方向的范围rx、ry；
Figure FDA0003407041270000024
Figure FDA0003407041270000025
将障碍物点云边框上的所有像素点映射到栅格图中，并对栅格图进行0/1赋值，将包含像素点的像素值记为1，未包含像素点的像素值记为0，生成点云边框二进制占用网格；
扫描点云边框二进制占用网格中像素值为1的像素点，通过霍夫直线检测得到障碍物点云主方向α；
建立包围盒的具体过程为：
首先，通过式(23)计算障碍物点云的中心点坐标(xc,yc)，通过式(24)计算以该中心点为起点并指向障碍物点云各点的向量
Figure FDA0003407041270000026
Figure FDA0003407041270000027
Figure FDA0003407041270000028
其中，xmax、xmin分别表示障碍物点云在x方向上的最大值和最小值，ymax、ymin分别表示障碍物点云在y方向上的最大值和最小值；
其次，将向量
Figure FDA0003407041270000031
在中心点处绕z轴旋转-α角度，得到向量
Figure FDA0003407041270000032
使障碍物点云主方向与点云空间基坐标系的x轴平行，则有式(25)：
Figure FDA0003407041270000033
所有向量经过旋转后，得到旋转后的障碍物点云；
然后，遍历旋转后的障碍物点云，得到旋转后的障碍物点云在x,y,z方向的最大值x'max、y'max、z'max和最小值x'min、y'min、z'min，根据式(26)计算包围盒的顶点坐标box'k；
Figure FDA0003407041270000034
最后，通过式(27)将包围盒的顶点坐标box'k经过旋转变换回到旋转前的障碍物点云中，得到包围盒的原始顶点坐标boxk；
Figure FDA0003407041270000035
每个障碍物点云都按照上述过程建立包围盒。
4.根据权利要求3所述的基于二进制占用网格的点云聚类与包围方法，其特征在于，当γ＝0.7时，障碍物点云边框最清晰。
5.根据权利要求1所述的基于二进制占用网格的点云聚类与包围方法，其特征在于，步骤2具体为：
将点云空间的直角坐标系转化为极坐标系，得到极坐标平面；根据式(1)由点pg在x-y平面的坐标(xg,yg)得到方位角θg；
θg＝atan2(yg,xg) (1)
其中，atan2是已将象限纳入考量的反正切函数；
利用式(2)将极坐标平面分割为m1个扇形子平面，每个扇形子平面的圆心角为Δα；
Figure FDA0003407041270000036
根据式(3)确定点pg所属的扇形子平面s(pg)，
Figure FDA0003407041270000037
分别为每个扇形子平面的下界和上界；
Figure FDA0003407041270000041
在第t(t＝1,2,…,m1)个扇形子平面内，将其中的所有点按z方向高度由低到高重新排序为
Figure FDA0003407041270000042
则有：
Figure FDA0003407041270000043
在第t个扇形子平面内选取z方向高度较低的前r个点，根据式(5)计算前r个点的平均高度HL：
Figure FDA0003407041270000044
根据式(6)对第t个扇形子平面内的点进行筛选，满足式(6)的所有点构成一个点集Pt；
Figure FDA0003407041270000045
其中，
Figure FDA0003407041270000046
为第t个扇形子平面内点pg的z方向高度，H0为地面高度，hL、hg分别为z方向高度最低阈值和地面高度阈值；
m1个扇形子平面的点集构成总点集
Figure FDA0003407041270000047
对总点集P0进行RANSAC采样，得到地面平面模型，将该地面平面模型包含的点去除，以去除地面点云。
CN202111524987.3A 2021-12-13 2021-12-13 基于二进制占用网格的点云聚类与包围方法 Pending CN114187425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111524987.3A CN114187425A (zh) 2021-12-13 2021-12-13 基于二进制占用网格的点云聚类与包围方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111524987.3A CN114187425A (zh) 2021-12-13 2021-12-13 基于二进制占用网格的点云聚类与包围方法

Publications (1)

Publication Number Publication Date
CN114187425A true CN114187425A (zh) 2022-03-15

Family

ID=80543693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111524987.3A Pending CN114187425A (zh) 2021-12-13 2021-12-13 基于二进制占用网格的点云聚类与包围方法

Country Status (1)

Country Link
CN (1) CN114187425A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115793652A (zh) * 2022-11-30 2023-03-14 上海木蚁机器人科技有限公司 行驶控制方法、装置及电子设备
CN116681767A (zh) * 2023-08-03 2023-09-01 长沙智能驾驶研究院有限公司 一种点云搜索方法、装置及终端设备
WO2023193567A1 (zh) * 2022-04-08 2023-10-12 追觅创新科技(苏州)有限公司 机器人的移动控制方法和装置、存储介质及电子装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023193567A1 (zh) * 2022-04-08 2023-10-12 追觅创新科技(苏州)有限公司 机器人的移动控制方法和装置、存储介质及电子装置
CN115793652A (zh) * 2022-11-30 2023-03-14 上海木蚁机器人科技有限公司 行驶控制方法、装置及电子设备
CN116681767A (zh) * 2023-08-03 2023-09-01 长沙智能驾驶研究院有限公司 一种点云搜索方法、装置及终端设备
CN116681767B (zh) * 2023-08-03 2023-12-29 长沙智能驾驶研究院有限公司 一种点云搜索方法、装置及终端设备

Similar Documents

Publication Publication Date Title
CN114187425A (zh) 基于二进制占用网格的点云聚类与包围方法
CN112101066B (zh) 目标检测方法和装置及智能驾驶方法、设备和存储介质
CN109961440B (zh) 一种基于深度图的三维激光雷达点云目标分割方法
CN106650640B (zh) 一种基于激光雷达点云局部结构特征的负障碍物检测方法
US7995055B1 (en) Classifying objects in a scene
CN111598916A (zh) 一种基于rgb-d信息的室内占据栅格地图的制备方法
WO2021114776A1 (en) Object detection method, object detection device, terminal device, and medium
CN112613378A (zh) 3d目标检测方法、系统、介质及终端
CN110673183B (zh) 一种结合gps\ins的集装箱识别定位方法
CN113658257B (zh) 一种无人设备定位方法、装置、设备及存储介质
CN116452852A (zh) 一种高精度矢量地图的自动生成方法
Lin et al. CNN-based classification for point cloud object with bearing angle image
Yogeswaran et al. 3d surface analysis for automated detection of deformations on automotive body panels
CN114648640A (zh) 一种目标物单体化方法、装置、设备及存储介质
CN115690138A (zh) 一种融合车载影像与点云的道路边界提取与矢量化方法
CN114882256A (zh) 基于几何与纹理映射的异源点云粗匹配方法
CN115330969A (zh) 一种用于地面无人车的局部静态环境矢量化描述方法
Bormann et al. Fast and accurate normal estimation by efficient 3d edge detection
US11468609B2 (en) Methods and apparatus for generating point cloud histograms
Ablameyko An introduction to interpretation of graphic images
CN111127622B (zh) 基于图像分割的三维点云离群点剔除方法
CN112581511A (zh) 基于近似直立扫描点云快速配准的三维重建方法及系统
Li et al. Stereo neural vernier caliper
CN114963991A (zh) 一种基于三维重建的船体石料体积测量系统
CN115187744A (zh) 一种基于激光点云的机柜识别方法

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