CN114693696A - 一种点云数据处理方法及装置 - Google Patents
一种点云数据处理方法及装置 Download PDFInfo
- Publication number
- CN114693696A CN114693696A CN202011588423.1A CN202011588423A CN114693696A CN 114693696 A CN114693696 A CN 114693696A CN 202011588423 A CN202011588423 A CN 202011588423A CN 114693696 A CN114693696 A CN 114693696A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- grid
- target
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Generation (AREA)
Abstract
本申请提供一种点云数据处理方法及装置,该方法包括:获取初始点云数据,并确定初始点云数据的目标区域,其中,目标区域包含初始点云数据中每个点云;对目标区域进行栅格划分,得到多个栅格,其中,每个栅格中点云的特征数据满足特征分布条件,特征数据用于表示点云与该点云的邻域点之间的空间几何关系;在每个栅格包含的点云中选择每个栅格的目标点云,并删除每个栅格中除目标点云以外的其它点云;根据每个栅格的目标点云,得到目标点云数据。本申请提供的点云数据处理方法,先依据点云的几何分布特征对点云数据进行栅格划分,再利用栅格的目标点云作为该栅格的代表点,能够在进行点云压缩时,降低对点云形状特征的破坏,提高点云数据压缩效果。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种点云数据处理方法及装置。
背景技术
三维(3-dimension,3D)点云(point cloud)数据是自动驾驶和高精地图制作等各种场景中需要采集的重要数据。目前3D点云数据一般通过高精度激光雷达采集,一帧包含3D点云数据的文件的大小在1.8兆(megabyte,MB)左右,采集十分钟左右的3D点云数据会得到10千兆(gigabyte,GB)大小的文件。因此,现有方法采集的3D点云数据的数据量很大,会占用很高的内存空间和磁盘空间,并且在实时播放3D点云过程中的数据计算量也很大。因此需要对采集的3D点云数据进行压缩处理。
目前常用的3D点云压缩方法为等比例体素滤波法,该方法通过对采集的3D点云数据进行滤波来减少点云数量,从而实现点云压缩。但是该方法对点云结构的破坏较大,压缩后的点云数据与原点云数据的形状偏差较大,因此点云压缩效果较差。
发明内容
本申请提供一种点云数据处理方法及装置,用以在进行点云压缩时,降低对点云数据的形状特征的破坏,提高点云压缩效果。
第一方面,本申请提供一种点云数据处理方法,该方法包括:获取初始点云数据,并确定所述初始点云数据的目标区域,其中,所述目标区域包含所述初始点云数据中每个点云;对所述目标区域进行栅格划分,得到多个栅格,其中,每个栅格中点云的特征数据满足特征分布条件,所述特征数据用于表示点云与所述点云的邻域点之间的空间几何关系;在每个栅格包含的点云中选择每个栅格的目标点云,并删除每个栅格中除目标点云以外的其它点云;根据每个栅格的目标点云,得到目标点云数据。
在该方法中,通过对点云数据的目标区域进行栅格划分,再利用每个栅格中的目标点云代替该栅格中所有点云,能够有效减少点云数量,实现点云压缩。同时,划分的栅格中点云的空间几何特征需满足特征分布条件,即该方法中划分栅格时是以点云的几何分布特征为依据的,这样可以保证在进行点云压缩的同时,避免对点云的几何分布特征造成较大破坏,从而降低对点云数据的形状特征的破坏,提高点云压缩效果。此外,上述点云的几何分布特征是一种姿态不变的局部特征,因此可以在进行栅格划分时保证点云的旋转平移不变性,提高稳定性,进而降低点云数据处理的误差。
在一种可能的设计中,所述对所述目标区域进行栅格划分,包括:按照设定栅格大小,将所述目标区域划分为多个栅格;对每个不满足划分条件的栅格,不进行划分处理;对每个满足划分条件的栅格执行以下步骤:将目标栅格划分为多个栅格,所述目标栅格为每个满足划分条件的栅格;其中,所述划分条件为栅格中点云的特征数据不满足所述特征分布条件。
在该方法中,在划分栅格时,通过设定划分条件,能够选择性的对栅格进行划分,最终实现非均匀栅格划分,而通过非均匀栅格划分,能够对点云数据中的点云进行选择性精简,进而减少对某些特征明显的点云的消除,降低对点云数据的形状特征的破坏。
在一种可能的设计中,根据下列方式确定栅格中点云的特征数据是否满足所述特征分布条件:根据所述栅格中所有点云的特征数据计算第一目标参数;若确定所述第一目标参数不大于设定阈值,则确定所述栅格中点云的特征数据满足所述特征分布条件,否则,确定所述栅格中点云的特征数据不满足所述特征分布条件。
在该方法中,通过根据提取的点云的特征数据,确定反映栅格中点云的几何分布特征的相关参数,能够根据该相关参数快速确定划分得到的栅格是否满足要求,进而可以确定是否对栅格进行进一步划分。
在一种可能的设计中,在根据每个栅格的目标点云,得到目标点云数据之后,所述方法还包括:采用随机抽样一致算法,对所述目标点云数据包含的点云进行平面拟合,得到至少一个拟合平面;在所述至少一个拟合平面中,确定与目标坐标系中目标平面的距离低于设定距离值的第一目标拟合平面;若所述至少一个平面中存在满足设定条件的第二目标拟合平面,则对所述第二目标拟合平面包含的点云数据进行体素滤波;其中,所述设定条件包括:垂直于所述第一目标拟合平面,沿目标方向的长度大于设定长度值,且位于平面中的点云的数量大于设定数值。
在该方法中,去除初始点云数据中一部分点云得到目标点云数据后,进一步在目标点云数据中选择一些点云数较多的平面,对选择出来的平面进行滤波,其中,平面中的点云一般分布特征较为平滑,因此去除其中一些冗余点后也不会对点云数据的形状特征造成很大破坏,同时还能进一步对点云数据进行精简,降低点云数据文件的大小。
在一种可能的设计中,在确定所述初始点云数据的目标区域之前,所述方法还包括:对所述初始点云数据进行滤波,去除所述初始点云数据中的离群点。
在该方法中,初始采集的点云数据一般包含一定量的噪声点和测量误差点,这些离群点的存在会影响初始点云数据中点云的局部分布特征,因此,通过去除离群点能够提高点云数据中点云特征提取的准确度,从而提高点云数据处理的准确度。
在一种可能的设计中,在每个栅格包含的点云中选择每个栅格的目标点云之后,所述方法还包括:将每个栅格中目标点云的第二目标参数调整为该栅格包含的所有点云的第二目标参数的平均值。
在该方法中,利用栅格的目标点云作为栅格中所有点云的代表点时,通过将目标点云的相关参数调整为其所在栅格中所有点云相关参数的平均值,能够相对更准确的反映栅格整体的点云参数特征,避免一些极端参数值造成的偏差。
在一种可能的设计中,所述每个栅格的目标点云为每个栅格包含的点云中的质心点。
在该方法中,将栅格中点云的质心点作为栅格的代表点,能够更好保留点云数据中点云的空间布局特征,减小对点云数据的点云分布特征的破坏。
第二方面,本申请提供一种点云数据处理装置,该装置包括获取单元和处理单元;所述获取单元用于获取初始点云数据;所述处理单元用于确定所述初始点云数据的目标区域,其中,所述目标区域包含所述初始点云数据中每个点云;所述处理单元还用于对所述目标区域进行栅格划分,得到多个栅格,其中,每个栅格中点云的特征数据满足特征分布条件,所述特征数据用于表示点云与所述点云的邻域点之间的空间几何关系;在每个栅格包含的点云中选择每个栅格的目标点云,并删除每个栅格中除目标点云以外的其它点云;根据每个栅格的目标点云,得到目标点云数据。
在一种可能的设计中,所述处理单元对所述目标区域进行栅格划分,包括:按照设定栅格大小,将所述目标区域划分为多个栅格;对每个不满足划分条件的栅格,不进行划分处理;对每个满足划分条件的栅格执行以下步骤:将目标栅格划分为多个栅格,所述目标栅格为每个满足划分条件的栅格;其中,所述划分条件为栅格中点云的特征数据不满足所述特征分布条件。
在一种可能的设计中,所述处理单元根据下列方式确定栅格中点云的特征数据是否满足所述特征分布条件:根据所述栅格中所有点云的特征数据计算第一目标参数;若确定所述第一目标参数不大于设定阈值,则确定所述栅格中点云的特征数据满足所述特征分布条件,否则,确定所述栅格中点云的特征数据不满足所述特征分布条件。
在一种可能的设计中,所述处理单元在根据每个栅格的目标点云,得到目标点云数据之后,还用于:采用随机抽样一致算法,对所述目标点云数据包含的点云进行平面拟合,得到至少一个拟合平面;在所述至少一个拟合平面中,确定与目标坐标系中目标平面的距离低于设定距离值的第一目标拟合平面;若所述至少一个平面中存在满足设定条件的第二目标拟合平面,则对所述第二目标拟合平面包含的点云数据进行体素滤波;其中,所述设定条件包括:垂直于所述第一目标拟合平面,沿目标方向的长度大于设定长度值,且位于平面中的点云的数量大于设定数值。
在一种可能的设计中,所述处理单元在确定所述初始点云数据的目标区域之前,还用于:对所述初始点云数据进行滤波,去除所述初始点云数据中的离群点。
在一种可能的设计中,所述处理单元在每个栅格包含的点云中选择每个栅格的目标点云之后,还用于:将每个栅格中目标点云的第二目标参数调整为该栅格包含的所有点云的第二目标参数的平均值。
在一种可能的设计中,所述每个栅格的目标点云为每个栅格包含的点云中的质心点。
第三方面,本申请提供一种点云数据处理装置,包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器用于执行所述存储器中存储的计算程序,实现上述第一方面或第一方面的任一可能的设计所描述的方法。
第四方面,本申请提供一种点云数据处理装置,包括至少一个处理器和接口;所述接口,用于为所述至少一个处理器提供程序指令或者数据;所述至少一个处理器用于执行所述程序指令,实现上述第一方面或第一方面的任一可能的设计所描述的方法。
第五方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序在数据处理装置上运行时,使得所述数据处理装置执行上述第一方面或第一方面的任一可能的设计所描述的方法。
第六方面,本申请提供一种计算机程序产品,所述计算机程序产品包括计算机程序或指令,当所述计算机程序或指令被数据处理装置执行时,实现上述第一方面或第一方面的任一可能的设计所描述的方法。
第七方面,本申请提供一种芯片系统,该芯片系统包括至少一个处理器和接口,所述接口用于为所述至少一个处理器提供程序指令或者数据,所述至少一个处理器用于执行所述程序指令,实现上述第一方面或第一方面的任一可能的设计所描述的方法。
在一种可能的设计中,所述芯片系统还包括存储器,所述存储器,用于存储程序指令和数据。
在一种可能的设计中,所述芯片系统由芯片构成,或者包括芯片和其他分立器件。
上述第二方面到第七方面的有益效果,请参见上述第一方面的有益效果的描述,这里不再重复赘述。
附图说明
图1为本申请实施例提供的一种点云数据处理方法适用的一种可能的应用场景示意图;
图2为本申请实施例提供的一种点云数据处理方法的示意图;
图3为本申请实施例提供的一种拟合平面处理方法的示意图;
图4为本申请实施例提供的一种点云栅格划分方法的示意图;
图5为本申请实施例提供的一种点云数据处理前后的对比示意图;
图6a为本申请实施例提供的一种限制点云显示范围的方法示意图;
图6b为本申请实施例提供的另一种限制点云显示范围的方法示意图;
图7a为本申请实施例提供的一种原始点云数据的示意图;
图7b为本申请实施例提供的一种处理后的点云数据的示意图;
图8为本申请实施例提供的一种数据处理装置的示意图;
图9为本申请实施例提供的一种数据处理装置的示意图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例作进一步地详细描述。其中,在本申请实施例的描述中,以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
为了便于理解,示例性的给出了与本申请相关概念的说明以供参考。
1)、点云数据:通过测量设备测量得到的物体外观表面上的点数据集合可称之为点云数据。点云数据是在获取物体表面每个采样点的空间坐标后得到的一个点的集合,也称为目标对象表面特性的海量点集合。
基于激光测量原理测量到的点云数据(也可以称为激光点云数据)包括三维坐标和激光反射强度(intensity)等信息。基于摄影测量原理得到的点云数据包括三维坐标和颜色等信息,其中,颜色信息可以为红绿蓝(red、green、blue,RGB)格式的颜色数据。结合激光测量原理和摄影测量原理得到点云数据包括三维坐标、激光反射强度和颜色等信息。
2)、点特征直方图(point feature histograms,PFH):点特征直方图是一种姿态不变的局部特征,是基于点云数据包含的点云与其邻域点之间的关系以及它们的估计法线来描述局部点云数据的几何特征的。PFH通过参数化查询点云与邻域点之间的空间差异,并形成一个多维直方图对点云的邻域几何属性进行描述。直方图所在的高维超空间为特征表示提供了一个可度量的信息空间,对点云对应曲面的6维姿态来说具有不变性,并且在不同的采样密度或邻域的噪音等级下具有鲁棒性。快速点特征直方图(fast point featurehistograms,FPFH)是PFH计算方式的简化形式。
应理解,本申请实施例中“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一(项)个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a、b或c中的至少一项(个),可以表示:a,b,c,a和b,a和c,b和c,或a、b和c,其中a、b、c可以是单个,也可以是多个。
方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
3D点云数据是自动驾驶和高精地图制作等各种场景中需要采集的重要数据。例如,在智能驾驶领域,高精度电子地图采集系统或者自动驾驶系统、辅助驾驶系统通常利用雷达采集点云数据,例如,利用激光雷达(light detection and ranging,LiDAR)获取具有反射强度的3D点云数据,进而根据3D点云数据获取对应的环境信息。
激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达系统,其工作原理是向目标发射探测信号如激光束,然后将接收到的从目标反射回来的信号如目标回波与发射信号进行比较,作适当处理后获得目标的有关信息,如目标的距离、方位、高度、速度、姿态、甚至形状等参数。若通过激光雷达将激光束按照某种轨迹进行扫描,便会边扫描边记录到反射的激光点信息,由于扫描极为精细,因而扫描过程中能够得到大量的激光点,进而形成点云数据。
目前雷达采集的3D点云数据的数据量很大,在存储时需要占用大量的内存和磁盘空间,不利于进行点云数据传输、点云数据播放等处理,因此需要对点云数据进行压缩或精简,从而降低点云数据的数据量。
点云压缩需在精简点云数量、降低点云数据文件大小的同时,保持点云的形状特征。目前通常采用的点云压缩方法为等比例体素滤波法,该方法对点云数据中的点云进行的是均匀化的稀疏,因此容易损失点云的形状或分布特征,导致点云压缩效果较差。
鉴于此,本申请实施例提供一种点云数据处理方法,该方法根据点云特征,选择性的对点云数据进行稀疏精简,能够在压缩点云数据的数据量的同时,降低对点云结构的破坏,进而提高点云压缩效果。
需要说明的是,在本申请实施例中,对点云数据进行压缩可以理解为从采集的点云数据中选择性删除一部分点云,保留其余的另一部分点云,从而减少点云数据包含的点云数量,降低点云数据的文件大小,实现对点云数据的压缩,因此,对点云数据进行压缩也可以理解为对点云数据进行精简处理。
本申请实施例提供的点云数据处理方法可以对雷达采集的点云数据进行压缩处理,该方法可以应用于具有数据处理能力的数据处理装置中,数据处理装置可以为具有数据处理功能的车辆,或者车辆中具有数据处理功能的车载设备,或者设置在具有采集及处理点云数据的传感器中。车载设备可以包括但不限于车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达等装置。数据处理装置还可以是其它具有数据处理功能的电子设备,电子设备包括但不限于智能家居设备(例如电视等)、智能机器人、移动终端(例如手机、平板电脑等)、可穿戴设备(例如智能手表等)等智能设备。数据处理装置也可以是智能设备内的控制器、芯片、雷达等其它器件。
下面结合附图,对本申请实施例提供的点云数据处理方法进行详细描述,可以理解的是,以下所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
图1为本申请实施例提供的一种点云数据处理方法适用的一种可能的应用场景示意图。如图1所示,本申请实施例提供的点云数据处理方法的应用场景可以为辅助驾驶场景,该场景下,车辆处于某一自然环境中,如车辆行驶在一条道路上,且车辆上设置有雷达,雷达可以对周围环境进行测量,以获得车辆周围环境的点云数据。
雷达可以将采集到的点云数据发送到所在的车辆或车辆上的车载装置,以使车辆或车载装置对采集到的点云数据执行本申请实施例提供的点云数据处理方法;或者,雷达对获得的点云数据执行本申请实施例提供的点云数据处理方法,并将处理后的点云数据发送到车辆或车辆上的车载装置,从而使车辆或车载装置对处理后的点云数据进行后续操作,如播放点云数据等。
图1中,雷达只是一种示例的能够采集点云数据的装置,本申请实施例中采集点云数据的装置不仅限于雷达,还可以是其它任何能够采集点云数据的装置,例如还可以是摄像机等装置,本申请实施例对此不做限定。雷达在车辆上的位置也只是示例,雷达在车辆上的具体位置不限于此。
当然图1只是一种示例,本申请实施例的应用场景不限于此。例如执行本申请实施例所提供的点云数据处理方法应用的数据处理装置也可能不是雷达而是其它的设备,且该装置也可能不设置在车辆上,而是设置在其它设备上,或者该装置也可以单独设置。
下面结合具体实施例,对本申请提供的点云数据处理方法进行详细介绍。
图2为本申请实施例提供的一种点云数据处理方法的示意图。
为了便于介绍,在下文中,以本申请提供的点云数据处理方法由数据处理装置执行为例进行说明。数据处理装置可以但不限于为本申请实施例提供的具有数据处理能力的装置,例如可以为图1所示的场景中的雷达、车辆或车载设备,或者其他设备如服务器、云端服务器等。
如图2所示,本申请提供的点云数据处理方法包括:
S201:数据处理装置获取初始点云数据,并确定初始点云数据的目标区域,其中,目标区域包含初始点云数据中每个点云。
本申请实施例中,以雷达为采集初始点云数据的装置为例进行说明。
雷达采集的初始点云数据中点云的数据至少包括该点云的位置信息,该位置信息可以为点云的三维坐标。点云的数据还可以包括点云的色彩参数如RGB色彩值和反射强度参数。
初始点云数据为雷达对所在场景下的环境进行测量得到的。示例性的,该雷达为上述图1所示的雷达时,雷达所在场景为图1所示的车辆行驶在道路中的场景,则雷达对周边环境进行测量和数据采集,得到初始点云数据,并发送给数据处理装置。其中,雷达可以采集包括例如车辆、道路、道路中其它车辆、道路两旁的标志牌、建筑等对象在内的所有对象的点云数据,或者根据实际需求采集特定对象或特定范围内的点云数据。
在本申请实施例中,初始点云数据的目标区域需包含初始点云数据中的所有点云,该目标区域可以为初始点云数据中所有点云的最小外接区域。其中,该区域的形状可以为任意形状或任意设定的形状,例如可以为长方体、正方体、三棱柱、三棱锥、球体等形状。
本申请实施例中,以目标区域的形状为长方体为例,对本申请提供的数据处理方法进行介绍说明,目标区域为其它形状时的处理方法可参照目标区域为长方体时采用的处理方法。
初始点云数据的目标区域的形状为长方体时,该目标区域可以理解为初始点云数据的外接长方体,以下以该外接长方体为能够包含初始点云数据中所有点云的最小外接长方体为例进行说明。
数据处理装置获取雷达采集的初始点云数据后,确定能够包含初始点云数据中所有点云的最小长方体,并将该最小长方体确定为初始点云数据的外接长方体。其中,外接长方体的各个边长均相等时,该外接长方体也可以称为外接立方体。外接长方体(或外接立方体)是围绕正在处理的对象的边框,在本申请中可以理解为是围绕初始点云数据的虚构的外框。
在本申请一些实施例中,数据处理装置获取雷达采集的初始点云数据后,也可以确定能够包含初始点云数据中所有点云的最小立方体,并将该最小立方体确定为初始点云数据的外接立方体,后续对该外接立方体进行下文所述的处理。
雷达扫描通常会生成不同点云密度的点云集合,此外,测量中产生的噪声点及由于测量误差产生的稀疏的离群点,会影响点云数据局部特征的分布,进而可能会破坏处理结果。因此,在本申请一些实施例中,数据处理装置在确定初始点云数据的外接长方体之前,可以先对初始点云数据进行滤波处理,通过滤波处理对每个点云的邻域进行一个统计分析,并去除一些不符合标准的点云,从而保证后续处理的准确度。
在本申请一些实施例中,数据处理装置可以采用统计离群消除滤波器(statistical outlier removal filter),从初始点云数据包含的点云中,确定并删除离群点。具体实施时,数据处理装置可以设置统计离群消除滤波器的参数为:针对点云的搜索邻域为设定邻域值,参考的标准差倍数为设定倍数值,例如设定邻域值可以为50,标准差倍数可以为1。对于设定的搜索邻域范围内的某一点云,若该点云与该搜索邻域内其余点云的平均距离大于该搜索邻域内点云分布的标准范围,则确定该点云为离群点并从初始点云数据中删除。具体实施时,计算搜索邻域范围内每个点云到它的所有邻域点的平均距离,假设得到的结果是一个高斯分布,其形状由均值和标准差决定,则将对应的平均距离在标准范围之外的点,确定为离群点,其中,标准范围为标准差与设定标准差倍数的乘积对应的范围。
S202:数据处理装置对目标区域进行栅格划分,得到多个栅格,其中,每个栅格中点云的特征数据满足特征分布条件,特征数据用于表示点云与该点云的邻域点之间的空间几何关系。
具体的,数据处理装置对目标区域进行栅格划分时,可以采用如下方式:先按照设定栅格大小,将目标区域划分为多个栅格;在得到的多个栅格中,对每个不满足划分条件的栅格,不进行划分处理;对每个满足划分条件的栅格执行以下步骤:将目标栅格划分为多个栅格,其中,目标栅格为每个满足划分条件的栅格。
其中,划分条件为栅格中点云的特征数据不满足特征分布条件,数据处理装置通过如下方式确定栅格中点云的特征数据是否满足特征分布条件:根据栅格中所有点云的特征数据计算第一目标参数;若确定第一目标参数不大于设定阈值,则确定栅格中点云的特征数据满足特征分布条件,否则,确定栅格中点云的特征数据不满足特征分布条件。
上述第一目标参数可以为方差参数、标准差参数等,其中,本申请以下实施例中以第一目标参数为方差参数为例进行方案介绍。
下面进行详细说明。
上述数据处理装置确定获取的初始点云数据的外接长方体后,按照设定栅格大小,对外接长方体进行均匀划分,将外接长方体划分为多个栅格。其中,设定栅格大小对应栅格的各边长可以相同或不同。
其中,栅格也可以理解为包含部分点云或不包含点云的虚构的外框。设定栅格的大小为如下任一种:
1)设定栅格大小为设定的固定大小。
示例性的,设定栅格大小可以为固定的40×30×20厘米,即设定栅格大小对应的栅格为各边长分别是40、30、20厘米的长方体,则数据处理装置将外接长方体均匀划分为多个尺寸为40×30×20厘米的栅格。
2)设定栅格大小为根据外接长方体的尺寸确定的大小。
示例性的,可以将外接长方体各个边长与设定系数的乘积分别确定为设定栅格大小对应的各栅格边长,设定系数大于0且不大于1。
例如,若设定系数取值为0.1%,当数据处理装置确定的外接长方体的尺寸为100×80×40米时,设定栅格大小对应的各栅格边长分别为100×0.1%=0.1米、80×0.1%=0.08米、40×0.1%=0.04米,即设定栅格大小为10×8×4厘米,则数据处理装置将外接长方体均匀划分为多个大小为10×8×4厘米的栅格;又例如,当数据处理装置确定的外接长方体的各个边长均为50米,即外接长方体同时是立方体时,设定栅格大小为5×5×5厘米。
在本申请实施例中,栅格也可以称为体素栅格。
上述数据处理装置对外接长方体进行初步划分后,分别判断划分得到的每个栅格是否满足划分条件,若是,则对该栅格继续进行划分,并对划分后得到的每个栅格,继续判断是否满足划分条件及在满足划分条件时继续进行划分,以此类推,直到划分得到的所有栅格均不满足划分条件时,停止划分栅格。
具体的,数据处理装置将外接长方体初步划分为多个栅格后,继续执行如下栅格划分步骤:
步骤1:数据处理装置分别将划分得到的多个栅格中的每个栅格作为目标栅格。
步骤2:数据处理装置判断目标栅格是否满足划分条件,若是,执行步骤3,否则,不对目标栅格进行划分。
步骤3:数据处理装置将目标栅格划分为多个栅格,并将划分得到的多个栅格中的每个栅格作为目标栅格,执行步骤2。
点云的局部几何特征包括PFH或FPFH,PFH或FPFH均是一种姿态不变的局部特征,对点云对应曲面的6自由度姿态有特征不变性,且在不同的采样密度或邻域的噪音等级下的特征提取具有鲁棒性。因此,在栅格划分过程中,可以根据栅格中点云的PFH或FPFH特征确定是否进一步划分栅格。
具体的,在上述步骤2中,数据处理装置判断目标栅格是否满足划分条件时,首先根据目标栅格中包含的点云,确定目标栅格中每个点云的特征数据,其中,特征数据用于表示点云与点云的邻域点之间的位置关系;然后,数据处理装置对目标栅格中所有点云的特征数据求方差,并判断得到的方差是否大于设定阈值,若该方差大于设定阈值,则确定目标栅格中点云的特征数据不满足特征分布条件,则目标栅格满足划分条件,否则,确定目标栅格中点云的特征数据满足特征分布条件,则目标栅格不满足划分条件。
作为一种可选的实施方式,上述计算的方差为根据目标栅格范围内点云的PFH计算的方差。具体的,上述点云的特征数据包括一个距离参数和三个角度参数,其中,一个距离参数为该点云与其某个邻域点之间的欧式距离,三个角度参数用于表示该点云的法线与其某个邻域点的法线之间的角度偏差。数据处理装置对目标栅格中每个点云,利用该点云与该点云的邻域点组成点对,并计算每组点对对应的距离参数和角度参数,计算完成后得到PFH,并对该PFH包含的特征数据求方差。最后根据求得的方差确定目标栅格是否满足划分条件。
作为另一种可选的实施方式,上述计算的方差为根据目标栅格范围内点云的FPFH计算的方差,具体的,上述点云的特征数据包括三个角度参数,用于表示该点云的法线与其邻域点的法线之间的角度偏差。数据处理装置对目标栅格中每个点云,分别利用该点云与该点云的邻域点组成点对,并计算每组点对对应的角度参数,计算完成后得到FPFH,并对该FPFH包含的特征数据求方差。最后根据求得的方差确定目标栅格是否满足划分条件。
上述确定栅格对应的方差后,将该方差与设定阈值进行比较,若该方差小于设定阈值,则说明栅格中点云的PFH或FPFH特征变化较小,则可以不用进一步划分该栅格;若方差大于或等于设定阈值,则说明栅格中点云的PFH或FPFH特征变化剧烈,则可以进一步划分该栅格。
一般点云数据中的点云是三维的,三维点云的数据是非结构化数据,具有稀疏性、无序性、非均匀分布、数量变化大等特点。本实施例上述方法中根据点云与其邻域点组成的点对,确定点云的特征数据,具有一定的抗干扰性,比如抗旋转等,因此能够得到更准确且鲁棒性较强的特征数据。
在上述步骤3中,作为一种可选的实施方式,数据处理装置将目标栅格划分为多个栅格时,可以将目标栅格的各边长值缩减为原边长值的1/n后,以得到的大小为边长,根据对应的栅格大小对目标栅格进行划分,则可以将目标栅格均匀划分为n3个栅格,其中,n为不小于2的整数。
例如,目标栅格是边长为40厘米的立方体且n取值为2时,边长值40厘米缩减为原来的1/2后为20厘米,则数据处理装置将目标栅格划分为边长为20厘米的栅格,共得到8个更小的栅格。目标栅格是90×60×30厘米的立方体且n取值为3时,各边长值缩减为原来的1/3后目标栅格大小为30×20×10厘米,则数据处理装置将目标栅格均匀划分为大小为30×20×10厘米的栅格,共得到27个更小的栅格。
数据处理装置执行完栅格划分步骤并确定划分得到的所有栅格均不满足划分条件时,确定完成栅格划分,并继续执行下述的点云精简处理。
S203:数据处理装置在每个栅格包含的点云中选择每个栅格的目标点云,并删除每个栅格中除目标点云以外的其它点云。
数据处理装置划分栅格完成后,就可以对点云数据进行精简。具体的,数据处理装置在每个栅格包含的点云中选择每个栅格的目标点云。
在本申请一些实施例中,目标点云为栅格包含的点云中的质心点,其中,该质心点在栅格中的坐标是通过计算该栅格中所有点云坐标的平均值得到的。在本申请一些实施例中,目标点云还可以是栅格包含的点云中的重心点。
对每个栅格,数据处理装置确定栅格中的目标点云后,删除该栅格中除该目标点云以外的其它点云,仅以该目标点云代替该栅格。同时,还可以将该栅格中目标点云的第二目标参数调整为该栅格包含的所有点云的第二目标参数的平均值,其中,第二目标参数包括点云的色彩参数和/或反射强度参数,该色彩参数可以为RGB色彩值。具体的,数据处理装置可以将该栅格中目标点云的RGB色彩参数调整为该栅格包含的所有点云的红绿蓝色彩参数的平均值;和/或,将该栅格中目标点云的反射强度参数调整为该栅格包含的所有点云的反射强度参数的平均值。
S204:数据处理装置根据每个栅格的目标点云,得到目标点云数据。
数据处理装置对每个栅格进行上述处理后,得到保留下来的所有目标点云组成的目标点云数据,该目标点云数据即为对初始点云数据进行精简或压缩后的点云数据。
本申请实施例中,上述精简初始点云数据得到的目标点云数据,也有可能会包含较多特征平滑但冗余的点。以图1中所示场景为例,对雷达采集的初始点云数据进行精简后得到的目标点云数据中,特征平滑但冗余的点体现为车辆周围的路面和建筑平面,其中路面一般含有较多交通标志信息,因此可以保留其点云数据,而不再进行过多处理,但道路两旁建筑平面数据冗余,是可以进一步精简的。因此,在本申请一些实施例中,可以进一步对目标点云数据进行平面拟合降采样,从而去除道路两旁建筑平面冗余点云,进一步减少点云数量。
具体的,数据处理装置得到目标点云数据后,可以采用随机抽样一致算法,对目标点云数据包含的点云进行平面拟合,得到至少一个拟合平面,然后在至少一个拟合平面中,确定与目标坐标系中目标平面的距离低于设定距离值的第一目标拟合平面;若至少一个平面中存在满足设定条件的第二目标拟合平面,则对第二目标拟合平面包含的点云数据进行滤波;其中,设定条件包括:垂直于第一目标拟合平面,沿目标方向的长度大于设定长度值,且位于平面中的点云的数量大于设定数值,目标坐标系为采集初始点云数据的装置所采用的坐标系,该坐标系是以采集初始点云数据的装置(如雷达)的中心为原点的坐标系。
下面进行详细说明。
数据处理装置可以对目标点云数据包含的点云进行随机抽样一致性(randomsample consensus,RANSAC)平面拟合。其中,平面拟合以N个点为拟合条件,确定出包含的点云数量大于N的平面,N为设定的正整数。
作为一种可选的实施方式,数据处理装置可以先从目标点云数据中随机选取三个点云,由这三个点云组成一个平面,然后分别计算目标点云数据中其它各点云到该平面的距离,若点云到该平面的距离小于预设距离值,则认为该点云是位于这个平面的点,否则,认为该点云不是位于该平面的点。最后,若确定位于该平面的点云的数量大于N,则将该平面确定为得到的一个拟合平面,并将位于该拟合平面中的所有点云标记为已匹配,然后从未标记为已匹配的点云中继续选取三个点云,基于选取的三个点云确定拟合平面。若确定位于该平面的点云的数量不大于N,则直接从未标记为已匹配的点云中继续选取三个点云,基于选取的三个点云确定拟合平面。数据处理装置以上述方式迭代进行平面拟合至满足终止条件,得到至少一个拟合平面。终止条件为迭代M次后确定的平面所包含的点云的数量小于N,或者无法找到三个未标记为已匹配的点云。其中,M为设定的迭代次数值,取值为正整数。
数据处理装置通过上述平面拟合确定至少一个拟合平面后,从至少一个拟合平面中选择需要继续精简点云数量的平面,并对选择出来的平面进行进一步精简。下面结合图3进行说明。
图3为本申请实施例提供的一种拟合平面处理方法的示意图。如图3所示,X轴、Y轴、Z轴为采集初始点云数据的装置采用的三维坐标系的三个坐标轴,其中任意两个坐标轴互相垂直,O点为该三维坐标系的原点。
在应用于图1所示的场景中时,X轴可以与车辆行驶的方向相同,XOY平面可以为自然坐标系下的水平面,则Z轴表示高度。假设目标点云数据包含的点云在三维坐标系下的分布如图3中所示,数据处理装置对目标点云数据进行平面拟合得到的平面包括图3中所示的点O、P、Q、R对应的平面L1、点P1、P2、P3、P4对应的平面L2以及点P3、P4、P5对应的平面L3。
目标平面为XOY平面,数据处理装置从平面L1、L2、L3中首先选择与坐标系中目标平面距离低于设定距离值的平面,即平面高度最低的平面,在选择到平面L1后,将平面L1作为地面平面。然后从除平面L1以外的其余平面中选择沿Z轴方向的高度高于设定高度值、包含的点云的数量大于设定数量值且垂直于平面L1的平面,在选择到满足该条件的平面L2后,将平面L2确定为建筑平面。则通过滤波将平面L2的分辨率降低为设定值,例如,该设定值可以为平面L2原本分辨率的十分之一。具体实施时,可以采用体素滤波器(voxel gridfilter)对平面包含的点云进行滤波,其中,体素滤波器对平面包含的点云进行滤波时,将平面包含的点云的外接长方体均匀划分为多个栅格,每个栅格的各边长为该外接长方体对应边长的十分之一,再利用每个栅格中的目标点云作为该栅格的代表点,并删除该栅格中非目标点云。
上述方法中,通过确定车辆行驶环境的点云中的建筑平面,对其进行降采样处理,能够有效去除道路两旁建筑平面的冗余数据,进一步降低点云数据量。
需要说明的是,本申请实施例中所描述的各个实施例中的步骤编号仅为执行流程的一种示例,并不构成对步骤执行的先后顺序的限制,本申请实施例中相互之间没有时序依赖关系的步骤之间没有严格的执行顺序。例如,在上述步骤S203中,可以在确定某一栅格不满足栅格划分要求时,就对该栅格执行上述步骤S204中数据处理装置在栅格包含的点云中选择目标点云并删除除目标点云以外的其它点云的处理步骤,也可在步骤S203执行完毕确定所有栅格均不满足栅格划分要求后再对每个栅格执行步骤S204,即步骤S203与步骤S204执行时,可以是步骤S203先于步骤S204执行,也可以是两个步骤选择性同时执行。
上述实施例中,对点云数据进行精简压缩过程中,通过对点云数据进行栅格划分,利用每个栅格内确定的目标点云代替该栅格,能够减少点云数量,实现点云压缩。同时,在划分栅格时,通过设定划分条件,能够选择性的对栅格进行划分,通过非均匀栅格划分,减少对某些特征明显的点云的消除,从而保证点云数据的形状特征,提高点云压缩效果。其中,根据栅格中反映点云分布离散程度的特征参数设定划分条件,能够结合点云数据的几何特征进行栅格划分,保证点云的姿态不变性,提高鲁棒性,及保证点云特征的准确性,避免因点云的平移、旋转等变化导致的栅格划分误差,进一步提升点云压缩的效果。
下面结合具体实例,对本申请上述实施例中的栅格划分方法进行详细说明。
参照图4,为本申请实施例提供的一种点云栅格划分方法的示意图。如图4中的(a)图所示,假设数据处理装置获取到的初始点云数据为点云集合S。
以下以确定初始点云数据的外接立方体为例、以栅格包含的点云中的质心点作为该栅格的目标点云为例进行说明。
数据处理装置对初始点云数据进行处理时,首先确定初始点云数据的外接立方体,外接立方体为包含点云集合S中所有点云的最小立方体,即图中所示的包含初始点云数据的栅格S1。
数据处理装置按照设定栅格大小,将栅格S1划分为多个栅格。作为一种可选的实施方式,数据处理装置根据栅格S1的大小确定设定栅格大小。例如,如(a)图所示,数据处理装置可以将栅格S1的边长的一半确定为设定栅格大小对应的边长,则栅格S1被分为8个大小相同的栅格,划分后每个栅格的边长为栅格S1的边长的一半,如栅格S2所示,其中,栅格A、B、C、D、E、F、G、H为栅格S2中划分得到的8个小栅格。
数据处理装置对栅格S1进行栅格划分得到栅格S2后,对栅格S2中划分得到的每个栅格,分别确定该栅格是否满足划分条件。图中以栅格D和栅格F为例进行示意,具体的,对于栅格D,如图4中的(b)图所示,数据处理装置确定栅格D不满足划分条件,则不再对栅格D进行划分,而是在栅格D包含的点云中选择质心点,并删除栅格D中除质心点之外的其它点云,得到栅格D1,其中栅格D1中所示的点云即为保留的栅格D的质心点。(b)图中所示的栅格D2即为对栅格D进行精简后的栅格,与栅格D1相同。对于栅格F,如(b)图所示,数据处理装置确定栅格F满足划分条件,则对栅格F进行进一步划分,例如,如(b)图中所示,采用与划分栅格S1相同的方法,将栅格F划分为23=8个小栅格,得到栅格F1,其中,栅格F11、F12、F13、F14、F15、F16、F17、F18为栅格F1中划分得到的8个小栅格。
数据处理装置对栅格F进行栅格划分得到栅格F1后,对栅格F1中划分得到的每个栅格,分别确定该栅格是否满足划分条件。图中以栅格F11、栅格F16和栅格F17为例进行示意,具体的,数据处理装置确定栅格F11、栅格F16和栅格F17均不满足划分条件,则不再对栅格F11、栅格F16和栅格F17进行划分,而是分别在栅格F11、栅格F16和栅格F17包含的点云中选择质心点,并分别删除栅格中除质心点之外的其它点云,分别得到图(b)所示的栅格F21、栅格F26和栅格F27。数据处理装置对栅格F1中的各个栅格分别进行选择质心点及删除非质心点的操作后,就得到(b)图中所示的栅格F2,栅格F2为对栅格F1进行精简后的栅格。
图4中未示出的其它栅格的处理方式可参照上述方法,此处不再赘述。
数据处理装置按照上述栅格划分方法,对初始点云数据对应的外接立方体即栅格S1进行划分,直至最新划分得到的所有栅格均不满足划分条件时,确定完成点云精简,最新划分得到的所有栅格中的点云组成目标点云数据,如栅格S3所示。栅格S3中点云为对栅格S1中点云进行精简后的点云。
上述部分方法的具体实施方式可参照上述实施例一中相关描述,此处不再重述。
图5为本申请实施例提供的一种点云数据处理前后的对比示意图。
图5中栅格W中所示的为进行点云数据处理前的原始模拟点云数据的点云分布情况,栅格W1中所示的为采用本申请上述实施例提供的方法进行点云数据处理后得到的点云数据的点云分布情况。对比栅格W和栅格W1中点云分布情况可知,采用本申请实施例提供的点云处理方法对数据量较大的点云数据进行处理后,能够有效减少点云的数量,从而降低点云数据文件的大小,实现点云压缩;同时,栅格W1中所示的处理后的点云与栅格W中所示的处理前的点云相比,在形状特征、点云分布的稠密程度等方面的差别均比较小,因此本申请实施例提供的点云处理方法对点云形状特征的破坏很小,能够保证较好的点云压缩效果。
本申请上述实施例中,在对点云进行栅格划分时,先对初始点云数据进行均匀栅格划分,再根据划分条件,选择性的对初始划分得到的栅格进行进一步划分,其中对每个栅格进行进一步划分时仍采用均匀划分方法。通过上述方法最终实现对点云的非均匀栅格化,再采用质心点替代的方式实现点云压缩,能够减少对点云形状及分布特征的破坏,进而提高点云压缩效果。
在高精度电子地图采集、自动驾驶、辅助驾驶等领域,雷达采集的所在场景的初始点云数据可能包含有敏感建筑特征等不宜显示的数据,并且相关法规要求这些敏感数据不可公开或者不能大面积长期持有,因此对点云数据的查看有很大的限制。
而在实际应用中,点云数据主要用于驾驶感知,对于距雷达超远距离的点云,对驾驶感知是没有太大帮助的,尤其在自动驾驶、辅助驾驶等智能驾驶领域,一般主要依赖于以车辆中心为原点的一定范围内的点云数据,来进行驾驶感知的,因此,可以对雷达采集及后续显示的点云数据的范围进行限制,从而避开或模糊掉敏感建筑的点云特征,同时对驾驶感知也不会有太大影响。
例如,基于以上实施例,雷达在采集车辆周围环境的点云数据时,可以将设定范围之外的点云数据删除掉,仅保留设定范围内的点云数据,并将该设定范围内的点云数据作为初始点云数据,采用本申请上述实施例提供的点云数据处理方法对该初始点云数据进行处理,进而在对点云数据进行有效精简的同时,合规抹除非有效范围内的点云。
图6a为本申请实施例提供的一种限制点云显示范围的方法示意图。如图6a所示,在雷达位于车辆顶部时,以雷达作为原点,在竖直方向上,仅保留雷达两侧设定距离对应的范围内的点云数据,即图6a中虚线L4与虚线L5之间限制的范围内的点云数据,对于超出该范围的点云数据,雷达不进行点云采集或者删除已采集的点云数据。
鉴于目前一般小型车辆高度基本在2米以下,大型货车最高限高不超过4.2米,因此可以设定高度距离值为2.5米,仅保留雷达两侧各2.5对应的范围内的点云数据,即图6a中两条虚线之间限制的是5米高度的范围,这样既可以覆盖到地面,也可以覆盖到基本所有车型的高度。而车道两旁的建筑会因为高度2.5米的限制,基本全部被屏蔽,不会过多显示出来,从而避免敏感建筑物信息被全部公开。
图6b为本申请实施例提供的另一种限制点云显示范围的方法示意图。如图6b所示,在图6a所示的限制范围的基础上,仅保留雷达左右及前后两侧设定距离对应的范围内的点云数据,即图6b中虚线框包围的范围,对于超出该范围的点云数据,雷达不进行点云采集或者删除已采集的点云数据,其中,图6b中所示的x轴与车辆行驶方向相同,y轴与x轴垂直。
一般车辆前后100米以外的范围点云分布比较稀疏,不具备参考价值,可以去掉,因此,在雷达前后方向上的设定距离可以为100米。而相关标准规定标准车道最宽3.75米,则单向8车道的宽度是低于16米的,雷达左右30米范围以外的点云是不影响目标检测的,也可以去掉,因此,在雷达左右方向上的设定距离可以为30米。
上述通过保留雷达前后各100米、左右各30米及上下各2.5米范围内的点云数据,能够在保留车道内和道路两旁必要的检测信息的同时,减少对无效信息的采集。
本实施例中,结合上述图6a、图6b所示的方法,对于车辆周围的采集的点云数据,仅包括车辆四周设定范围的点云数据,能够在覆盖有用信息范围的同时,屏蔽道路两旁的建筑物信息,避免敏感建筑物信息的公开,还可以进一步降低点云数据量,提升点云数据的传输、播放等的效率。
图7a为本申请实施例提供的一种原始点云数据的示意图。如图7a所示,为雷达采集的实际环境的点云数据,图中白色点为点云,可以看到图中点云数据的点云数量相对很大。
图7b为本申请实施例提供的一种处理后的点云数据的示意图。如图7b所示,为采用本申请上述实施例提供的点云数据处理方法,对图7a所示的原始点云数据进行处理后,得到的点云数据,图中白色点为点云。
对比图7a和图7b可知,采用本申请实施例提供的点云处理方法对数据量较大的点云数据进行处理后,点云数量下降为原来的十分之一左右,因此,本申请方案能够有效减少点云的数量,实现点云压缩;同时,图7b所示的处理后的点云与图7a所示的原始点云相比,在形状特征、点云分布的稠密程度等方面的差别均比较小,因此本申请实施例提供的点云处理方法对点云形状特征的破坏很小,能够保证较好的点云压缩效果。
基于以上实施例及相同构思,本申请实施例还提供了一种数据处理装置,如图8所示,所述数据处理装置800可以包括:获取单元801和处理单元802。
所述获取单元801用于获取初始点云数据。
所述处理单元802用于确定所述初始点云数据的目标区域,其中,所述目标区域包含所述初始点云数据中每个点云。
所述处理单元802还用于对所述目标区域进行栅格划分,得到多个栅格,其中,每个栅格中点云的特征数据满足特征分布条件,所述特征数据用于表示点云与所述点云的邻域点之间的空间几何关系;在每个栅格包含的点云中选择每个栅格的目标点云,并删除每个栅格中除目标点云以外的其它点云;根据每个栅格的目标点云,得到目标点云数据。
在一种可能的设计中,所述处理单元802对所述目标区域进行栅格划分,包括:按照设定栅格大小,将所述目标区域划分为多个栅格;对每个不满足划分条件的栅格,不进行划分处理;对每个满足划分条件的栅格执行以下步骤:将目标栅格划分为多个栅格,所述目标栅格为每个满足划分条件的栅格;其中,所述划分条件为栅格中点云的特征数据不满足所述特征分布条件。
在一种可能的设计中,所述处理单元802根据下列方式确定栅格中点云的特征数据是否满足所述特征分布条件:根据所述栅格中所有点云的特征数据计算第一目标参数;若确定所述第一目标参数不大于设定阈值,则确定所述栅格中点云的特征数据满足所述特征分布条件,否则,确定所述栅格中点云的特征数据不满足所述特征分布条件。
在一种可能的设计中,所述处理单元802在根据每个栅格的目标点云,得到目标点云数据之后,还用于:采用随机抽样一致算法,对所述目标点云数据包含的点云进行平面拟合,得到至少一个拟合平面;在所述至少一个拟合平面中,确定与目标坐标系中目标平面的距离低于设定距离值的第一目标拟合平面;若所述至少一个平面中存在满足设定条件的第二目标拟合平面,则对所述第二目标拟合平面包含的点云数据进行体素滤波;其中,所述设定条件包括:垂直于所述第一目标拟合平面,沿目标方向的长度大于设定长度值,且位于平面中的点云的数量大于设定数值。
在一种可能的设计中,所述处理单元802在确定所述初始点云数据的目标区域之前,还用于:对所述初始点云数据进行滤波,去除所述初始点云数据中的离群点。
在一种可能的设计中,所述处理单元802在每个栅格包含的点云中选择每个栅格的目标点云之后,还用于:将每个栅格中目标点云的第二目标参数调整为该栅格包含的所有点云的第二目标参数的平均值。
在一种可能的设计中,所述每个栅格的目标点云为每个栅格包含的点云中的质心点。
作为一种实现方式,所述数据处理装置800还可以包括存储单元803,用于存储所述数据处理装置800的程序代码和数据。其中,所述处理单元802可以是处理器或控制器,例如可以是通用中央处理器(central processing unit,CPU),通用处理器,数字信号处理(digital signal processing,DSP),专用集成电路(application specific integratedcircuits,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、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块等。所述处理器也可以是实现计算功能的组合,例如包括一个或多个微处理器组合,DSP和微处理器的组合等等。所述存储单元803可以是存储器。所述获取单元801可以是一种该数据处理装置的接口电路,用于从其它装置接收数据,例如接收点云数据采集装置发送的初始点云数据。当该数据处理装置以芯片的方式实现时,收发单元801可以是该芯片用于从其它芯片或装置接收数据或者向其它芯片或装置发送数据的接口电路。
本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能单元可以集成在一个处理器中,也可以是单独物理存在,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单元的形式实现。
图8中的各个单元的只一个或多个可以软件、硬件、固件或其结合实现。所述软件或固件包括但不限于计算机程序指令或代码,并可以被硬件处理器所执行。所述硬件包括但不限于各类集成电路,如中央处理单元(CPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或专用集成电路(ASIC)。
基于以上实施例及相同构思,本申请实施例还提供了一种数据处理装置,用于实现本申请实施例提供的点云数据处理方法。如图9所示,所述数据处理装置900可以包括:一个或多个处理器901,存储器902,以及一个或多个计算机程序(图中未示出)。作为一种实现方式,上述各器件可以通过一个或多个通信线路903耦合。其中,存储器902中存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令;处理器901调用存储器902中存储的所述指令,使得数据处理装置900执行本申请实施例提供的点云数据处理方法。
在本申请实施例中,处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列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处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
在本申请实施例中,存储器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-onlymemory,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,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置。
作为一种实现方式,所述数据处理装置900还可以包括通信接口904,用于通过传输介质和其它装置进行通信,例如,在采集初始点云数据的装置不是所述数据处理装置900时,所述数据处理装置900可以通过所述通信接口904,与采集初始点云数据的装置进行通信,从而接收该装置采集的初始点云数据。在本申请实施例中,通信接口可以是收发器、电路、总线、模块或其它类型的通信接口。在本申请实施例中,通信接口为收发器时,收发器可以包括独立的接收器、独立的发射器;也可以集成收发功能的收发器、或者是接口电路。
在本申请一些实施例中,所述处理器901、存储器902以及通信接口904可以通过通信线路903相互连接;通信线路903可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。所述通信线路903可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例提供的方法中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,简称DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,数字视频光盘(digital video disc,简称DVD)、或者半导体介质(例如,SSD)等。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,在没有超过本申请的范围内,可以通过其他的方式实现。例如,以上所描述的实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
另外,所描述装置和方法以及不同实施例的示意图,在不超出本申请的范围内,可以与其它系统,模块,技术或方法结合或集成。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电子、机械或其它的形式。
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所述以权利要求的保护范围为准。
Claims (17)
1.一种点云数据处理方法,其特征在于,包括:
获取初始点云数据,并确定所述初始点云数据的目标区域,其中,所述目标区域包含所述初始点云数据中每个点云;
对所述目标区域进行栅格划分,得到多个栅格,其中,每个栅格中点云的特征数据满足特征分布条件,所述特征数据用于表示点云与所述点云的邻域点之间的空间几何关系;
在每个栅格包含的点云中选择每个栅格的目标点云,并删除每个栅格中除目标点云以外的其它点云;
根据每个栅格的目标点云,得到目标点云数据。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标区域进行栅格划分,包括:
按照设定栅格大小,将所述目标区域划分为多个栅格;
对每个不满足划分条件的栅格,不进行划分处理;
对每个满足划分条件的栅格执行以下步骤:将目标栅格划分为多个栅格,所述目标栅格为每个满足划分条件的栅格;
其中,所述划分条件为栅格中点云的特征数据不满足所述特征分布条件。
3.根据权利要求1或2所述的方法,其特征在于,根据下列方式确定栅格中点云的特征数据是否满足所述特征分布条件:
根据所述栅格中所有点云的特征数据计算第一目标参数;
若确定所述第一目标参数不大于设定阈值,则确定所述栅格中点云的特征数据满足所述特征分布条件,否则,确定所述栅格中点云的特征数据不满足所述特征分布条件。
4.根据权利要求1~3任一所述的方法,其特征在于,在根据每个栅格的目标点云,得到目标点云数据之后,所述方法还包括:
采用随机抽样一致算法,对所述目标点云数据包含的点云进行平面拟合,得到至少一个拟合平面;
在所述至少一个拟合平面中,确定与目标坐标系中目标平面的距离低于设定距离值的第一目标拟合平面;
若所述至少一个平面中存在满足设定条件的第二目标拟合平面,则对所述第二目标拟合平面包含的点云数据进行体素滤波;
其中,所述设定条件包括:垂直于所述第一目标拟合平面,沿目标方向的长度大于设定长度值,且位于平面中的点云的数量大于设定数值。
5.根据权利要求1~4任一所述的方法,其特征在于,在确定所述初始点云数据的目标区域之前,所述方法还包括:
对所述初始点云数据进行滤波,去除所述初始点云数据中的离群点。
6.根据权利要求1~5任一所述的方法,其特征在于,在每个栅格包含的点云中选择每个栅格的目标点云之后,所述方法还包括:
将每个栅格中目标点云的第二目标参数调整为该栅格包含的所有点云的第二目标参数的平均值。
7.根据权利要求1~6任一所述的方法,其特征在于,所述每个栅格的目标点云为每个栅格包含的点云中的质心点。
8.一种数据处理装置,其特征在于,包括获取单元和处理单元;
所述获取单元用于获取初始点云数据;
所述处理单元用于确定所述初始点云数据的目标区域,其中,所述目标区域包含所述初始点云数据中每个点云;
所述处理单元还用于对所述目标区域进行栅格划分,得到多个栅格,其中,每个栅格中点云的特征数据满足特征分布条件,所述特征数据用于表示点云与所述点云的邻域点之间的空间几何关系;在每个栅格包含的点云中选择每个栅格的目标点云,并删除每个栅格中除目标点云以外的其它点云;根据每个栅格的目标点云,得到目标点云数据。
9.根据权利要求8所述的装置,其特征在于,所述处理单元对所述目标区域进行栅格划分,包括:
按照设定栅格大小,将所述目标区域划分为多个栅格;
对每个不满足划分条件的栅格,不进行划分处理;
对每个满足划分条件的栅格执行以下步骤:将目标栅格划分为多个栅格,所述目标栅格为每个满足划分条件的栅格;
其中,所述划分条件为栅格中点云的特征数据不满足所述特征分布条件。
10.根据权利要求8或9所述的装置,其特征在于,所述处理单元根据下列方式确定栅格中点云的特征数据是否满足所述特征分布条件:
根据所述栅格中所有点云的特征数据计算第一目标参数;
若确定所述第一目标参数不大于设定阈值,则确定所述栅格中点云的特征数据满足所述特征分布条件,否则,确定所述栅格中点云的特征数据不满足所述特征分布条件。
11.根据权利要求8~10任一所述的装置,其特征在于,所述处理单元在根据每个栅格的目标点云,得到目标点云数据之后,还用于:
采用随机抽样一致算法,对所述目标点云数据包含的点云进行平面拟合,得到至少一个拟合平面;
在所述至少一个拟合平面中,确定与目标坐标系中目标平面的距离低于设定距离值的第一目标拟合平面;
若所述至少一个平面中存在满足设定条件的第二目标拟合平面,则对所述第二目标拟合平面包含的点云数据进行体素滤波;
其中,所述设定条件包括:垂直于所述第一目标拟合平面,沿目标方向的长度大于设定长度值,且位于平面中的点云的数量大于设定数值。
12.根据权利要求8~11任一所述的装置,其特征在于,所述处理单元在确定所述初始点云数据的目标区域之前,还用于:
对所述初始点云数据进行滤波,去除所述初始点云数据中的离群点。
13.根据权利要求8~12任一所述的装置,其特征在于,所述处理单元在每个栅格包含的点云中选择每个栅格的目标点云之后,还用于:
将每个栅格中目标点云的第二目标参数调整为该栅格包含的所有点云的第二目标参数的平均值。
14.根据权利要求8~13任一所述的装置,其特征在于,所述每个栅格的目标点云为每个栅格包含的点云中的质心点。
15.一种数据处理装置,其特征在于,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器中存储的计算程序,实现如权利要求1~7中任一项所述的方法。
16.一种数据处理装置,其特征在于,包括至少一个处理器和接口;
所述接口用于为所述至少一个处理器提供程序指令或者数据;
所述至少一个处理器用于执行所述程序指令,实现如权利要求1-7中任一项所述的方法。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序在数据处理装置上运行时,使得所述数据处理装置执行如上述权利要求1~7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011588423.1A CN114693696A (zh) | 2020-12-29 | 2020-12-29 | 一种点云数据处理方法及装置 |
PCT/CN2021/125567 WO2022142628A1 (zh) | 2020-12-29 | 2021-10-22 | 一种点云数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011588423.1A CN114693696A (zh) | 2020-12-29 | 2020-12-29 | 一种点云数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693696A true CN114693696A (zh) | 2022-07-01 |
Family
ID=82131590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011588423.1A Pending CN114693696A (zh) | 2020-12-29 | 2020-12-29 | 一种点云数据处理方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114693696A (zh) |
WO (1) | WO2022142628A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024086972A1 (zh) * | 2022-10-24 | 2024-05-02 | 华为技术有限公司 | 一种数据处理方法、装置和智能驾驶设备 |
WO2024094118A1 (zh) * | 2022-11-03 | 2024-05-10 | 顺丰科技有限公司 | 点云数据处理方法、装置、电子设备及存储介质 |
WO2024108607A1 (zh) * | 2022-11-26 | 2024-05-30 | 华为技术有限公司 | 数据压缩方法、通信装置及通信系统 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830269B (zh) * | 2022-12-08 | 2023-06-06 | 中铁工程设计咨询集团有限公司 | 隧道点云法线方向调整方法、装置、设备及可读存取介质 |
CN116433506A (zh) * | 2023-03-13 | 2023-07-14 | 港珠澳大桥管理局 | 多波束数据处理方法、装置、计算机设备和存储介质 |
CN115984147B (zh) * | 2023-03-17 | 2023-09-15 | 汉斯夫(杭州)医学科技有限公司 | 基于齿科扫描仪点云自适应处理方法、设备及介质 |
CN116385571B (zh) * | 2023-06-01 | 2023-09-15 | 山东矩阵软件工程股份有限公司 | 一种基于多维化动态可变分辨率的点云压缩方法及系统 |
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 |
CN117216484B (zh) * | 2023-11-08 | 2024-01-26 | 山东汇蓝环保科技有限公司 | 基于多维数据分析的环境数据监测方法 |
CN117576100B (zh) * | 2024-01-16 | 2024-03-22 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127031B (zh) * | 2006-08-18 | 2011-05-04 | 鸿富锦精密工业(深圳)有限公司 | 点云数据均值过滤系统及方法 |
CN103701466A (zh) * | 2012-09-28 | 2014-04-02 | 上海市政工程设计研究总院(集团)有限公司 | 基于特征保留的散乱点云压缩算法 |
CN104794687A (zh) * | 2014-01-20 | 2015-07-22 | 鸿富锦精密工业(深圳)有限公司 | 点云精简系统及方法 |
GB2575514B (en) * | 2018-07-13 | 2022-05-25 | Vividq Ltd | Method and system for compressing and decompressing digital three-dimensional point cloud data |
CN110097582B (zh) * | 2019-05-16 | 2023-03-31 | 广西师范大学 | 一种点云优化配准与实时显示系统及工作方法 |
-
2020
- 2020-12-29 CN CN202011588423.1A patent/CN114693696A/zh active Pending
-
2021
- 2021-10-22 WO PCT/CN2021/125567 patent/WO2022142628A1/zh active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024086972A1 (zh) * | 2022-10-24 | 2024-05-02 | 华为技术有限公司 | 一种数据处理方法、装置和智能驾驶设备 |
WO2024094118A1 (zh) * | 2022-11-03 | 2024-05-10 | 顺丰科技有限公司 | 点云数据处理方法、装置、电子设备及存储介质 |
WO2024108607A1 (zh) * | 2022-11-26 | 2024-05-30 | 华为技术有限公司 | 数据压缩方法、通信装置及通信系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022142628A1 (zh) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114693696A (zh) | 一种点云数据处理方法及装置 | |
CN111210429B (zh) | 点云数据划分方法及装置、障碍物检测方法及装置 | |
WO2021097618A1 (zh) | 点云分割方法、系统及计算机存储介质 | |
CN110349092B (zh) | 一种点云滤波方法及设备 | |
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 | |
CN111080662A (zh) | 车道线的提取方法、装置及计算机设备 | |
CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
CN110799989A (zh) | 一种障碍物检测方法、设备、可移动平台及存储介质 | |
CN107274483A (zh) | 一种物体三维模型构建方法 | |
CN112254635B (zh) | 体积测量方法、装置及系统 | |
CN111192295A (zh) | 目标检测与跟踪方法、相关设备和计算机可读存储介质 | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
CN115147333A (zh) | 一种目标检测方法及装置 | |
CN115115655A (zh) | 目标分割方法、装置、电子设备、存储介质及程序产品 | |
CN115164919A (zh) | 基于双目相机的空间可行驶区域地图构建方法及装置 | |
CN116266365A (zh) | 一种点云数据提取方法、装置、电子设备及存储介质 | |
CN114764885A (zh) | 障碍物的检测方法、装置、计算机可读存储介质和处理器 | |
CN116843860A (zh) | 激光雷达点云与影像密集匹配点云融合建模方法及装置 | |
CN114611635B (zh) | 一种对象的识别方法、装置、存储介质及电子装置 | |
CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 | |
CN114019532A (zh) | 工程进度核查方法及设备 | |
CN117152364B (zh) | 基于影像数据的水体边界三维重建的方法、装置和设备 | |
CN113465614B (zh) | 无人机及其导航地图的生成方法和装置 | |
CN114863108B (zh) | 点云处理的方法、系统、电子设备及计算机可读存储介质 | |
WO2024086972A1 (zh) | 一种数据处理方法、装置和智能驾驶设备 |
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 |