CN114693862A - 三维点云数据模型重建方法、目标重识别方法及装置 - Google Patents

三维点云数据模型重建方法、目标重识别方法及装置 Download PDF

Info

Publication number
CN114693862A
CN114693862A CN202011598687.5A CN202011598687A CN114693862A CN 114693862 A CN114693862 A CN 114693862A CN 202011598687 A CN202011598687 A CN 202011598687A CN 114693862 A CN114693862 A CN 114693862A
Authority
CN
China
Prior art keywords
point cloud
cloud data
target
dimensional
axis vector
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
CN202011598687.5A
Other languages
English (en)
Inventor
刘明旭
李娟娟
邓永强
杨瀚
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.)
Wuhan Wanji Photoelectric Technology Co Ltd
Original Assignee
Beijing Wanji 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 Wanji Technology Co Ltd filed Critical Beijing Wanji Technology Co Ltd
Priority to CN202011598687.5A priority Critical patent/CN114693862A/zh
Publication of CN114693862A publication Critical patent/CN114693862A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种三维点云数据模型重建方法、目标重识别方法、装置、计算机设备和存储介质，三维点云数据模型重建方法中，利用获取的轴向量限定获取的新一帧点云配准过程，该方法在执行时将三维点云的三维配准，限定为二维，这大大降低了配准操作的难度和执行过程的数据量，因此本实施例的三维点云数据模型重建方法对设备的计算资源要求低，计算速度快。利用本申请中的三维点云数据模型重建方法处理获取的连续多帧点云，这可以相对于单帧点云得到内容更加丰富目标轮廓线，在利用点云得到的轮廓进行重识别时，准确可靠，且本申请实施例提供的三维点云数据模型重建方法数据处理快，资源要求低，其可以更加及时的反馈重识别结果。

Description

三维点云数据模型重建方法、目标重识别方法及装置
技术领域
本申请涉及智能交通技术领域，特别是涉及一种三维点云数据模型重建方法、目标重识别方法、装置、计算机设备和存储介质。
背景技术
随着智能交通技术的发展，对交通信息的可靠性要求越来越高，如何获取尽可能丰富的道路信息是提高可靠性的关键之一。激光雷达是路侧感知系统的主要传感器之一，通过感知算法我们可以对一辆车进行定位和追踪。
但是，受限于激光雷达的成本，无法使用太高线束的雷达，并且路侧激光雷达的安装位置比较高，距离车辆比较远，通常扫描到车辆上的激光线比较少，可以利用的信息比较有限。单帧车辆点云数据也是局部数据，也无法利用单帧点云数据准确获取车辆长宽高等几何信息，无法对车辆进行详细的描述。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决上述问题的三维点云数据模型重建方法、目标重识别方法、装置、计算机设备和存储介质。
一种三维点云数据模型重建方法，包括：
对多个连续帧点云数据进行目标检测，得到各帧点云数据的目标检测结果；所述各帧点云数据的目标检测结果包含同一目标对象；
根据多个连续帧点云数据中的静态点云计算轴向量，其中，所述轴向量与地面具有固定夹角；
基于所述轴向量，将所述各帧点云数据的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云数据模型。
一种车辆重识别方法，包括：
获取目标车辆的点云数据以及平面图像，所述点云数据中包含所述目标车辆的多个连续帧；
基于所述平面图像获取目标车辆的外观信息以及二维特征；
基于所述点云数据获取目标车辆的轮廓曲线；
利用所述外观信息从查询库的重识别信息中选择多个候选重识别信息；每一所述候选重识别信息对应一个候选车辆，所述查询库中存有多个重识别信息，每一重识别信息均包括车辆身份、预存外观信息、预存二维特性以及预存轮廓曲线；
计算所述轮廓曲线与各所述预存轮廓曲线的相似度，得到第一相似度；
计算所述二维特征与各所述预存二维特性的相似度，得到第二相似度；
基于各所述候选车辆的第一相似度和第二相似度输出重识别结果。
一种目标重识别方法，包括：
获取目标的点云数据，所述点云数据中包含所述目标的多个连续帧；
利用三维点云数据模型重建方法处理所述多个连续帧，构建目标的三维点云数据模型；
利用所述三维模型计算所述目标的轮廓曲线；
利用所述轮廓曲线与预存轮廓曲线的相似度，得到从查询库中匹配出重识别结果；所述预存轮廓曲线为查询库中预存的多个重识别信息中的预存轮廓曲线。
一种三维点云数据模型重建装置，所述装置包括：
获取模块，用于对多个连续帧点云数据进行目标检测，得到各帧点云数据的目标检测结果；所述各帧点云数据的目标检测结果包含同一目标对象；
轴向量计算模块，用于根据多个连续帧点云数据中的静态目标点计算轴向量，其中，所述轴向量与地面具有固定夹角；
配准模块，用于基于所述轴向量，将所述各帧点云数据的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云数据模型。
一种目标重识别装置，所述装置包括：
获取模块，用于获取目标的点云数据，所述点云数据中包含所述目标的多个连续帧；
匹配模块，用于利用三维点云数据模型重建方法，构建目标的三维点云数据模型；以及利用所述三维模型计算所述目标的轮廓曲线；
相似度计算模块，用于利用所述轮廓曲线与预存轮廓曲线的相似度，得到从查询库中匹配出重识别结果；所述预存轮廓曲线为查询库中预存的多个重识别信息中的预存轮廓曲线。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请各实施例中方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请各实施例中方法的步骤。
上述三维点云数据模型重建方法、目标重识别方法、装置、计算机设备和存储介质，三维点云数据模型重建方法中，利用获取的轴向量限定获取的新一帧点云配准过程，该方法在执行时将三维点云的三维配准，限定为二维，这大大降低了配准操作的难度和执行过程的数据量，因此本实施例的三维点云数据模型重建方法对设备的计算资源要求低，计算速度快。利用本申请中的三维点云数据模型重建方法处理获取的连续多帧点云，这可以相对于单帧点云得到内容更加丰富目标轮廓线，在利用点云得到的轮廓进行重识别时，准确可靠，且本申请实施例提供的三维点云数据模型重建方法数据处理快，资源要求低，其可以更加及时的反馈重识别结果。
附图说明
图1为一个实施例中的应用环境图；
图2为一个实施例中三维点云数据模型重建方法的流程示意图；
图3为一个实施例中步骤S230的细化步骤的流程示意图；
图4为一个实施例中目标重识别方法的流程示意图；
图5为一个实施例中对车辆进行重识别的流程示意图；
图6为一个实施例中步骤S420的细化步骤的流程示意图；
图7为一个实施例中的最小外包围框的示意图；
图8为一个实施例中的轮廓曲线效果图；
图9为一个实施例中三维点云数据模型重建装置的结构框图；
图10为一个实施例中目标重识别装置的结构框图；
图11为一个实施例中目标重识别装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的三维点云数据模型重建方法，可以应用于如图1所示的应用环境中。其中，激光雷达102通过网络与处理器104进行通信。可选地，该激光雷达可以为路侧激光雷达，也可以为车端激光雷达。可选地，在保证该处理器有足够算力的前提下，该处理器104可以为云端服务器，可以为车端处理器，可以路侧计算单元，也可以为路侧边缘服务器，还可以为上述几种处理器形态的随机组合。本申请对处理器形态不作具体限定。
在一个实施例中，如图2所示，提供了一种三维点云数据模型重建方法，以图1中处理器为路侧的边缘服务器，激光雷达为路侧激光雷达，该方法应用于图1中的边缘服务器104运行该方法为例进行说明，包括以下步骤：
步骤210，对多个连续帧点云数据进行目标检测，得到各帧点云数据的目标检测结果。
其中，所述各帧点云数据的目标检测结果包含同一目标对象。
本步骤中的点云数据为路侧激光雷达102在预设的区域内进行扫描操作，得到的点云数据。边缘服务器104在获取的该点云数据后，运行预设的点云目标检测算法对点云数据进行目标识别，得到各帧点云数据的目标检测结果。
可选地，边缘服务器104在获得了点云数据之后，可以对点云数据中包含的连续帧云数据进行判断，查看其是否存在异常数据。作为一种方式，可以去除点数过少或者点数突然急剧减少的点云帧，从而保证点云数据集合中数据的有效性。
步骤220，根据多个连续帧点云数据中的静态目标点计算轴向量。
其中，所述轴向量与地面具有固定夹角。
边缘服务器104在对点云数据进行目标识别时，还可以确定点云数据的类型，点云数据类型分为静态点云和动态点云。静态点云对应点云数据中的静态目标，该静态目标可以为是静止的道路、建筑物等，动态点云对应动态目标，该动态目标可以是移动的车辆、行人、非机动车辆等。可选地，所述静态点云为地面点，所述轴向量与地面垂直或平行。可选地，为了进行更精细化的数据处理，可以针对每帧点云数据计算轴向量，多帧点云可计算出多个轴向量，可以取它们的均值，得到的轴向量。可选地还可以对均值进一步进行归一化处理得到的轴向量。
步骤230，基于所述轴向量，将所述各帧点云数据的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云数据模型。
具体地，边缘服务器104在实现步骤S230时可以循环执行将所述轴向量作为限制，计算当前帧点云数据与前一帧点云数据之间的位姿变化，利用所述位姿变化将所述当前帧点云数据的检测结果配准至全局三维点云数据模型上的步骤，直至将最后一帧点云数据的目标检测结果配准至所述全局三维点云数据模型上，输出包含所述同一目标对像的三维重建模型。需要说明的是，所述全局三维点云数据模型为在所述当前帧点云数据进行配准之前，得到的三维点云数据模型，若所述轴向量与地面垂直，则所述位姿变化值在所述轴向量的方向上的变化值为0，若所述轴向量与地面平行，所述位姿变化值在所述轴向量的垂直方向上的变化值为0。
上述三维点云数据模型重建方法中，利用获取的轴向量限定获取的新一帧点云配准过程，该方法在执行时将三维点云的三维配准，限定为二维，这大大降低了配准操作的难度和执行过程的数据量，因此本实施例的三维点云数据模型重建方法对设备的计算资源要求低，计算速度快。本实施例的方法在应用路侧激光雷达获取的点云数据或者在道路平坦的道路上车载激光雷达采集的点云数据进行三维重建，效果显著。
在一个实施例中，如图3所示，在执行利用所述位姿变化值将所述当前帧点云数据的检测结果配准至所述全局三维点云数据模型上这一步骤，可以通过下述步骤实现：
步骤311，将当前帧点云数据与前一帧点云数据之间的位姿变化作为初始位姿。
本步骤可以被称之为粗配准，可选地，可以当获取一帧新的点云数据之后，利用icp算法计算当前帧与上一帧点云之间的姿态变化，作为当前帧配准到全局三维点云模型的初始位姿。在执行本步骤是，之前计算的轴向量可以被加入到icp算法优化姿态的过程中，使得姿态变换仅仅绕着轴向量进行，而在轴向量的方向上没有旋转分量和平移分量，这可以减少本步骤的运算，降低粗配准过程对计算资源的需求。
步骤312，将所述轴向量作为限制，利用精细配准算法调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上。
本步骤可以被称之为精配准，可选地，将计算得到的初始位姿作为输入，并再次以轴向量为限制条件，使用nicp算法，将当前帧点云配准到全局三维点云模型上。
icp算法和nicp算法是现有技术中常见的算法，在此对于算法的实现细节不作具体描述。本实施例实际是为了充分利用得到的轴向量去实现点云配准到全局三维点云模型上的过程，现有技术中其他点云配准算法，也可以被适应性的运用，本申请不再一一列举。
可选地，在每次执行完步骤312之后，为了使最新的全局三维点云模型更加靠近下一帧点云数据(这有利于配准)，该方法还可以包括：利用当前步骤输出的配准参数将所述全局三维点云数据模型进行逆变换，使得所述全局三维点云数据模型移动到所述当前帧点云数据所在的位姿上。
本实施例将轴向量很契合的应用到成熟的粗配准加精配准的算法中，这降低了方案实现的难度。
基于同样的发明构思，如图4所示在其中一个实施例中，还提出一种目标重识别方法，包括：
步骤310，获取目标的点云数据，所述点云数据中包含所述目标的多个连续帧。
步骤320，利用上述实施例中的三维点云数据模型重建方法，构建目标的三维点云数据模型。
步骤330，利用所述三维模型计算所述目标的轮廓曲线。
步骤340，利用所述轮廓曲线与预存轮廓曲线的相似度，得到从查询库中匹配出重识别结果；所述预存轮廓曲线为查询库中预存的多个重识别信息中的预存轮廓曲线。
本实施例利用本申请中的三维点云数据模型重建方法处理获取的连续多帧点云，这可以相对于单帧点云得到内容更加丰富目标轮廓线，在利用点云得到的轮廓进行重识别时，准确可靠，且本申请实施例提供的三维点云数据模型重建方法数据处理快，资源要求低，其可以更加及时的反馈重识别结果。
在进行目标重识别时，通常可能会同时运用点云和平面图像进行结合，实现目标的重识别。
在本申请其中一个实施例中，如图5所示，还提供一种对车辆(一种类型的目标)进行重识别方法，以图1中处理器为路侧的边缘服务器，激光雷达为路侧激光雷达，本方法中获取平面图像的设备为路侧摄像头，该方法应用于图1中的边缘服务器104运行该方法为例进行说明，该方法包括：
步骤S410，获取目标车辆的点云数据以及平面图像，所述点云数据中包含所述目标车辆的多个连续帧。
本步骤中的点云数据可以为路侧激光雷达102在预设的区域内进行扫描操作，得到的点云数据。平面图像通过传统的拍摄设备(例如，路侧相机)拍摄得到，平面图像中包含目标车辆的外观信息(例如，车身颜色、车型、车牌颜色)。
步骤S420，基于所述平面图像获取目标车辆的外观信息以及二维特征；以及，基于所述点云数据获取目标车辆的轮廓曲线。
边缘服务器104在获取的该点云数据和平面图像后，运行预设算法对点云数据和图像进行特征提取，基于所述平面图像获取目标车辆的外观信息以及二维特征；基于所述点云数据获取目标车辆的轮廓曲线。可选地，可以利用预先训练好的特征提取网络(例如CNN卷积神经网络)对平面图像中的特征进行提取，获取图像的二维特征。
与此同时，利用点云三维重建算法处理所述点云数据，得到所述目标车辆的三维点云模型；利用所述三维点云模型计算所述目标车辆的轮廓曲线。进一步，可以利用3D模型构建算法(例如，ICP重建算法)来构建目标车辆的三维模型，通过对建出的三维模型进行降采样后，剔除离群点，然后计算它的最小外包围框，基于该最小外包围框，计算出侧视方向的轮廓曲线，得到目标车辆的轮廓曲线。可以对目标轮廓曲线图像进行特征提取，从而得到轮廓曲线图像的第二多维特征向量。可以利用使用统计学高斯分布的方法，移除孤立点，邻域点数量为20，允许的跨点云平均距离标准差为2m。
步骤S430，利用所述外观信息从查询库的重识别信息中选择多个候选重识别信息；
每一所述候选重识别信息对应一个候选车辆，所述查询库中存有多个重识别信息，每一重识别信息均包括车辆身份、预存外观信息、预存二维特性以及预存轮廓曲线。
可以首先基于所述外观信息，从查询库中查询与所述外观信息匹配的候选重识别信息；由于每一重识别信息均包括车辆身份、预存外观信息、预存二维特性以及预存轮廓曲线，在获取到候选重识别信息后，即得到候选车辆对应的存二维特性以及预存轮廓曲线。
步骤S440，计算所述轮廓曲线与各所述预存轮廓曲线的相似度，得到第一相似度，以及，计算所述二维特征与各所述预存二维特性的相似度，得到第二相似度。
可选地，步骤S430中得到二维特征可以为向量化的特征。之后可以利用这些向量化的数据进行相似度计算，其运算过程简单。第一相似度可以为基于轮廓曲线与预存轮廓曲线的面积的相似度，也可以对轮廓曲线与各所述预存轮廓曲线进行余弦相似度计算，得到该第一相似度。
步骤S450，基于各所述候选车辆的第一相似度和第二相似度输出重识别结果。
可以分别对每一候选车辆的第一相似度和第二相似度进行加权计算，得到加权相似度值；据加权相似度值对所述多个候选车辆进行排序，根据排序结果输出重识别结果。加权值可以根据实际的需要进行设定，例如，可以分别给所述第一相似度值和所述第二相似度值设置50％的加权值，也可以给所述第一相似度值和所述第二相似度值分别设置40％和60％的加权值。通过加权相似度值，能够更加准确的对目标车辆进行重识别。除此之外，还可以进一步设置预设阈值，通过该预设阈值与该加权相似度值进行比较，进而对目标车辆进行重识别。在利用阈值进行重识别时，可以设定若最终加权结果为超过预设阈值，说明该查询目标车辆不在查询库中，需将基于目标车辆的信息构建该目标车辆的重识别信息，并将该重识别信息加入查询库中；若超过预设阈值，则可以将相似度最高的车辆设置为目标识别结果。
本实施例的车辆重识别方法，首先利用车辆外观从查询库中进行粗匹配得到候选车辆，之后利用多帧三维点云获取车辆的侧面轮廓特征，结合车辆的图像特征进行精匹配，从候选车辆中获取目标车辆，该方法在精细匹配时利用的多维信息，该方案可以在增加有限的数据处理基础上，获取到更加精细准确的重识别结果。
若该车辆重识别方法利用三维点云模型获取目标车辆的轮廓，其可以利用本申请上文中实施例提供的三维点云模型构建方法，构建该三维点云模型，具体如何进行构建，可参见上文中相关描述，在此不再做赘述。
在其中一个实施例中，如图6所示，根据所述最小外包围框，计算所述目标车辆的轮廓曲线，这一步骤可以包括：
步骤S421，获取所述最小外包围框的顶点坐标。
在实施本步骤时，可以首先采用“AABB”方式求取车辆的最小外包围矩形框，分别计算以下几个向量：
Pmin＝[xmin ymin zmin]
Pmax＝[xmax ymax zmax]
c＝(Pmin+Pmax)/2
s＝Pmax-Pmin
其中，Pmin，Pmax为最小外包围框中斜对角的一对点，c为中心点坐标，s为Pmin指向Pmax的向量。之后根据这四个向量，可以计算出最小外包围框8个点的坐标。图7为得到的最小外包围框的示意图。
步骤S422，基于所述顶点坐标构成的平面，计算车头平面方程和车尾平面方程。
继续参见图7，我们设定计算点1、2、6、5所在平面1的方程与点3、4、8、7所在平面2的方程。
步骤S423，根据所述车头平面方程和车尾平面方程获取所述目标车辆的轮廓曲线。
具体的，可以按照平面，每隔预设距离，统计一次范围内的点的高度值，按高度值最大的前N个点的平均值作为对应间隔内的高度，以获取轮廓曲线。承接图7示出的示例，从平面1开始，每隔xcm(x为预设数值，例如其可以为10cm)，统计一次范围内的点的高度值，按高度值最大的前n(n为预设数值，例如n＝5)个点的平均值作为这个间隔内的高度，获取轮廓曲线。图8示出的为利用本实施例的方法得到的轮廓曲线效果图。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种三维点云数据模型重建装置，包括：
获取模块910，用于对多个连续帧点云数据进行目标检测，得到各帧点云数据的目标检测结果；所述各帧点云数据的目标检测结果包含同一目标对象；
轴向量计算模块920，根据多个连续帧点云数据中的静态点云计算轴向量，其中，所述轴向量与地面具有固定夹角；
配准模块930，用于基于所述轴向量，将所述各帧点云数据的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云数据模型。
在其中一个实施例中，配准模块930用于循环执行将所述轴向量作为限制，计算当前帧点云数据与前一帧点云数据之间的位姿变化，利用所述位姿变化将所述当前帧点云数据的检测结果配准至全局三维点云数据模型上的步骤，直至将最后一帧点云数据的目标检测结果配准至所述全局三维点云数据模型上，输出包含所述同一目标对像的三维重建模型，其中，所述全局三维点云数据模型为在所述当前帧点云数据进行配准之前，得到的三维点云数据模型，若所述轴向量与地面垂直，则所述位姿变化值在所述轴向量的方向上的变化值为0，若所述轴向量与地面平行，所述位姿变化值在所述轴向量的垂直方向上的变化值为0。
在其中一个实施例中，配准模块930将当前帧点云数据与前一帧点云数据之间的位姿变化作为初始位姿；将所述轴向量作为限制，利用精细配准算法调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上。
在其中一个实施例中，配准模块930利用当前步骤输出的配准参数将所述全局三维点云数据模型进行逆变换，使得所述全局三维点云数据模型移动到所述当前帧点云数据所在的位姿上。
在其中一个实施例中，配准模块930利用ICP算法计算所述当前帧点云数据与前一帧点云数据之间的位姿变化得到所述初始位姿。
在其中一个实施例中，配准模块930将所述轴向量作为限制，利用nicp算法，调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上。
在一个实施例中，如图10所示，本申请还提供了一种目标重识别装置，所述装置包括：
获取模块11，用于获取目标的点云数据，所述点云数据中包含所述目标的多个连续帧；
匹配模块12，用于利用上述实施例中的的三维点云数据模型重建方法，构建目标的三维点云数据模型；以及利用所述三维模型计算所述目标的轮廓曲线；
相似度计算模块13，用于利用所述轮廓曲线与预存轮廓曲线的相似度，得到从查询库中匹配出重识别结果；所述预存轮廓曲线为查询库中预存的多个重识别信息中的预存轮廓曲线。
在一个实施例中，如图11所示，本申请还提供了一种车辆重识别装置，所述装置包括：
获取模块21，用于获取目标车辆的点云数据以及平面图像，所述点云数据中包含所述目标车辆的多个连续帧；
特征提取模块22，用于基于所述平面图像获取目标车辆的外观信息以及二维特征；
匹配模块23，用于利用所述外观信息从查询库的重识别信息中选择多个候选重识别信息；每一所述候选重识别信息对应一个候选车辆，所述查询库中存有多个重识别信息，每一重识别信息均包括车辆身份、预存外观信息、预存二维特性以及预存轮廓曲线；
相似度计算模块24，用于计算所述轮廓曲线与各所述预存轮廓曲线的相似度，得到第一相似度；以及计算所述二维特征与各所述预存二维特性的相似度，得到第二相似度；以及基于各所述候选车辆的第一相似度和第二相似度输出重识别结果。
在其中一个实施例中，特征提取模块22用于利用训练好的特征提取网络，对所述平面图像进行特征提取，得到所述目标车辆的二维特征。
在其中一个实施例中，特征提取模块22用于利用点云三维重建算法处理所述点云数据，得到所述目标车辆的三维点云模型；利用所述三维点云模型计算所述目标车辆的轮廓曲线。
在其中一个实施例中，特征提取模块22用于利用所述三维点云模型计算所述目标车辆的最小外包围框；根据所述最小外包围框，计算所述目标车辆的轮廓曲线。
在其中一个实施例中，特征提取模块22用于对所述三维点云模型进行降采样处理，并剔除离群点。
在其中一个实施例中，特征提取模块22用于使用统计学高斯分布的方法，移除孤立点，邻域点数量为20，允许的跨点云平均距离标准差为2m。
在其中一个实施例中，特征提取模块22用于获取所述最小外包围框的顶点坐标；基于所述顶点坐标构成的平面，计算车头平面方程和车尾平面方程；根据所述车头平面方程和车尾平面方程获取所述目标车辆的轮廓曲线。
在其中一个实施例中，特征提取模块22用于按照平面，每隔预设距离，统计一次范围内的点的高度值，按高度值最大的前N个点的平均值作为对应间隔内的高度，以获取轮廓曲线。
在其中一个实施例中，相似度计算模块24用于基于各所述候选车辆的第一相似度和第二相似度输出重识别结果，包括：分别对每一候选车辆的第一相似度和第二相似度进行加权计算，得到加权相似度值；根据加权相似度值对所述多个候选车辆进行排序，根据排序结果输出重识别结果。
在其中一个实施例中，相似度计算模块24用于将所述加权相似度值与预设阈值进行比较；若所述加权相似度值超过所述预设阈值，将所述加权相似度值中相似度最高的候选车辆识别为目标车辆。
在其中一个实施例中，相似度计算模块24还用于若所述加权相似度值未超过所述预设阈值，则生成目标车辆的重识别信息，并将所述重识别信息增至所述查询库。
在其中一个实施例中，特征提取模块22用于对多个连续帧点云进行目标检测，得到各帧点云的目标检测结果；所述各帧点云的目标检测结果包含同一目标对象；根据多个连续帧点云中的静态目标点计算轴向量，其中，所述轴向量与地面具有固定夹角；基于所述轴向量，将所述各帧点云的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云模型。
关于三维点云数据模型重建装置、目标重识别装置，车辆重识别装置的具体限定可以参见上文中对于三维点云数据模型重建方法、目标重识别方法以及车辆重识别方法的限定，在此不再赘述。上述三维点云数据模型重建装置、目标重识别装置，车辆重识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储点云数据或者重识别信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种三维点云数据模型重建方法、目标重识别方法以及车辆重识别方法。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
对多个连续帧点云数据进行目标检测，得到各帧点云数据的目标检测结果；所述各帧点云数据的目标检测结果包含同一目标对象；
根据多个连续帧点云数据中的静态点云计算轴向量，其中，所述轴向量与地面具有固定夹角；
基于所述轴向量，将所述各帧点云数据的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云数据模型。
在一个实施例中，处理器执行计算机程序时实现以下循环步骤：将所述轴向量作为限制，计算当前帧点云数据与前一帧点云数据之间的位姿变化，利用所述位姿变化将所述当前帧点云数据的检测结果配准至全局三维点云数据模型上的步骤，直至将最后一帧点云数据的目标检测结果配准至所述全局三维点云数据模型上，输出包含所述同一目标对像的三维重建模型，其中，所述全局三维点云数据模型为在所述当前帧点云数据进行配准之前，得到的三维点云数据模型，若所述轴向量与地面垂直，则所述位姿变化值在所述轴向量的方向上的变化值为0，若所述轴向量与地面平行，所述位姿变化值在所述轴向量的垂直方向上的变化值为0
在一个实施例中，处理器执行计算机程序时实现以下步骤：将当前帧点云数据与前一帧点云数据之间的位姿变化作为初始位姿；将所述轴向量作为限制，利用精细配准算法调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上。
在一个实施例中，处理器执行计算机程序时实现以下步骤：利用当前步骤输出的配准参数将所述全局三维点云数据模型进行逆变换，使得所述全局三维点云数据模型移动到所述当前帧点云数据所在的位姿上。
在一个实施例中，处理器执行计算机程序时实现以下步骤：利用ICP算法计算所述当前帧点云数据与前一帧点云数据之间的位姿变化得到所述初始位姿。
在一个实施例中，处理器执行计算机程序时实现以下步骤：将所述轴向量作为限制，利用nicp算法，调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上。
在一个实施例中，提供了另一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标的点云数据，所述点云数据中包含所述目标的多个连续帧；
利用三维点云数据模型重建方法处理所述多个连续帧，构建目标的三维点云数据模型；
利用所述三维模型计算所述目标的轮廓曲线；
利用所述轮廓曲线与预存轮廓曲线的相似度，得到从查询库中匹配出重识别结果；所述预存轮廓曲线为查询库中预存的多个重识别信息中的预存轮廓曲线。
在一个实施例中，还提供了另一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标车辆的点云数据以及平面图像，所述点云数据中包含所述目标车辆的多个连续帧；
基于所述平面图像获取目标车辆的外观信息以及二维特征；
基于所述点云数据获取目标车辆的轮廓曲线；
利用所述外观信息从查询库的重识别信息中选择多个候选重识别信息；每一所述候选重识别信息对应一个候选车辆，所述查询库中存有多个重识别信息，每一重识别信息均包括车辆身份、预存外观信息、预存二维特性以及预存轮廓曲线；
计算所述轮廓曲线与各所述预存轮廓曲线的相似度，得到第一相似度；
计算所述二维特征与各所述预存二维特性的相似度，得到第二相似度；
基于各所述候选车辆的第一相似度和第二相似度输出重识别结果。
在一个实施例中，处理器执行计算机程序时实现以下步骤：利用训练好的特征提取网络，对所述平面图像进行特征提取，得到所述目标车辆的二维特征。
在一个实施例中，处理器执行计算机程序时实现以下步骤：利用点云三维重建算法处理所述点云数据，得到所述目标车辆的三维点云模型；利用所述三维点云模型计算所述目标车辆的轮廓曲线。
在一个实施例中，处理器执行计算机程序时实现以下步骤：利用所述三维点云模型计算所述目标车辆的最小外包围框；根据所述最小外包围框，计算所述目标车辆的轮廓曲线。
在一个实施例中，处理器执行计算机程序时实现以下步骤：对所述三维点云模型进行降采样处理，并剔除离群点。
在一个实施例中，处理器执行计算机程序时实现以下步骤：使用统计学高斯分布的方法，移除孤立点，邻域点数量为20，允许的跨点云平均距离标准差为2m。
在一个实施例中，处理器执行计算机程序时实现以下步骤：获取所述最小外包围框的顶点坐标；基于所述顶点坐标构成的平面，计算车头平面方程和车尾平面方程；根据所述车头平面方程和车尾平面方程获取所述目标车辆的轮廓曲线。
在一个实施例中，处理器执行计算机程序时实现以下步骤：按照平面，每隔预设距离，统计一次范围内的点的高度值，按高度值最大的前N个点的平均值作为对应间隔内的高度，以获取轮廓曲线。
在一个实施例中，处理器执行计算机程序时实现以下步骤：分别对每一候选车辆的第一相似度和第二相似度进行加权计算，得到加权相似度值；根据加权相似度值对所述多个候选车辆进行排序，根据排序结果输出重识别结果。
在一个实施例中，处理器执行计算机程序时实现以下步骤：将所述加权相似度值与预设阈值进行比较；若所述加权相似度值超过所述预设阈值，将所述加权相似度值中相似度最高的候选车辆识别为目标车辆。
在一个实施例中，处理器执行计算机程序时实现以下步骤：若所述加权相似度值未超过所述预设阈值，则生成目标车辆的重识别信息，并将所述重识别信息增至所述查询库。
在一个实施例中，处理器执行计算机程序时实现以下步骤：对多个连续帧点云进行目标检测，得到各帧点云的目标检测结果；所述各帧点云的目标检测结果包含同一目标对象；根据多个连续帧点云中的静态目标点计算轴向量，其中，所述轴向量与地面具有固定夹角；基于所述轴向量，将所述各帧点云的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对多个连续帧点云数据进行目标检测，得到各帧点云数据的目标检测结果；所述各帧点云数据的目标检测结果包含同一目标对象；
根据多个连续帧点云数据中的静态点云计算轴向量，其中，所述轴向量与地面具有固定夹角；
基于所述轴向量，将所述各帧点云数据的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云数据模型。
在一个实施例中，计算机程序被处理器执行时实现以下循环步骤：将所述轴向量作为限制，计算当前帧点云数据与前一帧点云数据之间的位姿变化，利用所述位姿变化将所述当前帧点云数据的检测结果配准至全局三维点云数据模型上的步骤，直至将最后一帧点云数据的目标检测结果配准至所述全局三维点云数据模型上，输出包含所述同一目标对像的三维重建模型，其中，所述全局三维点云数据模型为在所述当前帧点云数据进行配准之前，得到的三维点云数据模型，若所述轴向量与地面垂直，则所述位姿变化值在所述轴向量的方向上的变化值为0，若所述轴向量与地面平行，所述位姿变化值在所述轴向量的垂直方向上的变化值为0
在一个实施例中，计算机程序被处理器执行时实现以下步骤：将当前帧点云数据与前一帧点云数据之间的位姿变化作为初始位姿；将所述轴向量作为限制，利用精细配准算法调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：利用当前步骤输出的配准参数将所述全局三维点云数据模型进行逆变换，使得所述全局三维点云数据模型移动到所述当前帧点云数据所在的位姿上。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：利用ICP算法计算所述当前帧点云数据与前一帧点云数据之间的位姿变化得到所述初始位姿。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：将所述轴向量作为限制，利用nicp算法，调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上。
在一个实施例中，提供了另一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标的点云数据，所述点云数据中包含所述目标的多个连续帧；
利用三维点云数据模型重建方法处理所述多个连续帧，构建目标的三维点云数据模型；
利用所述三维模型计算所述目标的轮廓曲线；
利用所述轮廓曲线与预存轮廓曲线的相似度，得到从查询库中匹配出重识别结果；所述预存轮廓曲线为查询库中预存的多个重识别信息中的预存轮廓曲线。
在一个实施例中，提供了另一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标车辆的点云数据以及平面图像，所述点云数据中包含所述目标车辆的多个连续帧；
基于所述平面图像获取目标车辆的外观信息以及二维特征；
基于所述点云数据获取目标车辆的轮廓曲线；
利用所述外观信息从查询库的重识别信息中选择多个候选重识别信息；每一所述候选重识别信息对应一个候选车辆，所述查询库中存有多个重识别信息，每一重识别信息均包括车辆身份、预存外观信息、预存二维特性以及预存轮廓曲线；
计算所述轮廓曲线与各所述预存轮廓曲线的相似度，得到第一相似度；
计算所述二维特征与各所述预存二维特性的相似度，得到第二相似度；
基于各所述候选车辆的第一相似度和第二相似度输出重识别结果。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：利用训练好的特征提取网络，对所述平面图像进行特征提取，得到所述目标车辆的二维特征。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：利用点云三维重建算法处理所述点云数据，得到所述目标车辆的三维点云模型；利用所述三维点云模型计算所述目标车辆的轮廓曲线。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：利用所述三维点云模型计算所述目标车辆的最小外包围框；根据所述最小外包围框，计算所述目标车辆的轮廓曲线。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：对所述三维点云模型进行降采样处理，并剔除离群点。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：使用统计学高斯分布的方法，移除孤立点，邻域点数量为20，允许的跨点云平均距离标准差为2m。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取所述最小外包围框的顶点坐标；基于所述顶点坐标构成的平面，计算车头平面方程和车尾平面方程；根据所述车头平面方程和车尾平面方程获取所述目标车辆的轮廓曲线。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：按照平面，每隔预设距离，统计一次范围内的点的高度值，按高度值最大的前N个点的平均值作为对应间隔内的高度，以获取轮廓曲线。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：分别对每一候选车辆的第一相似度和第二相似度进行加权计算，得到加权相似度值；根据加权相似度值对所述多个候选车辆进行排序，根据排序结果输出重识别结果。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：将所述加权相似度值与预设阈值进行比较；若所述加权相似度值超过所述预设阈值，将所述加权相似度值中相似度最高的候选车辆识别为目标车辆。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：若所述加权相似度值未超过所述预设阈值，则生成目标车辆的重识别信息，并将所述重识别信息增至所述查询库。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：对多个连续帧点云进行目标检测，得到各帧点云的目标检测结果；所述各帧点云的目标检测结果包含同一目标对象；根据多个连续帧点云中的静态目标点计算轴向量，其中，所述轴向量与地面具有固定夹角；基于所述轴向量，将所述各帧点云的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种三维点云数据模型重建方法，其特征在于，包括：
对多个连续帧点云数据进行目标检测，得到各帧点云数据的目标检测结果；所述各帧点云数据的目标检测结果包含同一目标对象；
根据多个连续帧点云数据中的静态点云计算轴向量，其中，所述轴向量与地面具有固定夹角；
基于所述轴向量，将所述各帧点云数据的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云数据模型。
2.根据权利要求1所述的方法，其特征在于，所述静态点云为地面点，所述轴向量与地面垂直或平行。
3.根据权利要求2所述的方法，其特征在于，基于所述轴向量，将所述各帧点云数据的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云数据模型，包括如下步骤：
循环执行将所述轴向量作为限制，计算当前帧点云数据与前一帧点云数据之间的位姿变化，利用所述位姿变化将所述当前帧点云数据的检测结果配准至全局三维点云数据模型上的步骤，直至将最后一帧点云数据的目标检测结果配准至所述全局三维点云数据模型上，输出包含所述同一目标对像的三维重建模型，其中，所述全局三维点云数据模型为在所述当前帧点云数据进行配准之前，得到的三维点云数据模型，若所述轴向量与地面垂直，则所述位姿变化值在所述轴向量的方向上的变化值为0，若所述轴向量与地面平行，所述位姿变化值在所述轴向量的垂直方向上的变化值为0。
4.根据权利要求3所述的方法，其特征在于，利用所述位姿变化值将所述当前帧点云数据的检测结果配准至所述全局三维点云数据模型上，包括：
将当前帧点云数据与前一帧点云数据之间的位姿变化作为初始位姿；
将所述轴向量作为限制，利用精细配准算法调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上。
5.根据权利要求4所述的方法，其特征在于，在将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上之后，所述方法还包括：
利用当前步骤输出的配准参数将所述全局三维点云数据模型进行逆变换，使得所述全局三维点云数据模型移动到所述当前帧点云数据所在的位姿上。
6.根据权利要求4所述的方法，其特征在于，将当前帧点云数据与前一帧点云数据之间的位姿变化作为初始位姿，包括：
利用ICP算法计算所述当前帧点云数据与前一帧点云数据之间的位姿变化得到所述初始位姿。
7.根据权利要求4所述的方法，其特征在于，将所述轴向量作为限制，利用精细配准算法调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上，包括：
将所述轴向量作为限制，利用nicp算法，调整所述初始位姿，以将所述当前帧点云数据的目标检测结果配准至所述全局三维点云数据模型上。
8.一种目标重识别方法，其特征在于，包括：
获取目标的点云数据，所述点云数据中包含所述目标的多个连续帧；
利用所述的三维点云数据模型重建方法处理所述多个连续帧，构建目标的三维点云数据模型；
利用所述三维模型计算所述目标的轮廓曲线；
利用所述轮廓曲线与预存轮廓曲线的相似度，得到从查询库中匹配出重识别结果；所述预存轮廓曲线为查询库中预存的多个重识别信息中的预存轮廓曲线。
9.一种三维点云数据模型重建装置，其特征在于，所述装置包括：
获取模块，用于对多个连续帧点云数据进行目标检测，得到各帧点云数据的目标检测结果；所述各帧点云数据的目标检测结果包含同一目标对象；
轴向量计算模块，用于根据多个连续帧点云数据中的静态目标点计算轴向量，其中，所述轴向量与地面具有固定夹角；
配准模块，用于基于所述轴向量，将所述各帧点云数据的目标检测结果进行配准，根据配准结果输出包含所述同一目标对像的三维点云数据模型。
10.一种目标重识别装置，其特征在于，所述装置包括：
获取模块，用于获取目标的点云数据，所述点云数据中包含所述目标的多个连续帧；
匹配模块，用于利用如权利要求1-7任意一项所述的三维点云数据模型重建方法，构建目标的三维点云数据模型；以及利用所述三维模型计算所述目标的轮廓曲线；
相似度计算模块，用于利用所述轮廓曲线与预存轮廓曲线的相似度，得到从查询库中匹配出重识别结果；所述预存轮廓曲线为查询库中预存的多个重识别信息中的预存轮廓曲线。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202011598687.5A 2020-12-29 2020-12-29 三维点云数据模型重建方法、目标重识别方法及装置 Pending CN114693862A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011598687.5A CN114693862A (zh) 2020-12-29 2020-12-29 三维点云数据模型重建方法、目标重识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011598687.5A CN114693862A (zh) 2020-12-29 2020-12-29 三维点云数据模型重建方法、目标重识别方法及装置

Publications (1)

Publication Number Publication Date
CN114693862A true CN114693862A (zh) 2022-07-01

Family

ID=82131664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011598687.5A Pending CN114693862A (zh) 2020-12-29 2020-12-29 三维点云数据模型重建方法、目标重识别方法及装置

Country Status (1)

Country Link
CN (1) CN114693862A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993923A (zh) * 2023-09-22 2023-11-03 长沙能川信息科技有限公司 换流站三维模型制作方法、系统、计算机设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090232388A1 (en) * 2008-03-12 2009-09-17 Harris Corporation Registration of 3d point cloud data by creation of filtered density images
CN102880877A (zh) * 2012-09-28 2013-01-16 中科院成都信息技术有限公司 一种基于轮廓特征的目标识别方法
CN105976353A (zh) * 2016-04-14 2016-09-28 南京理工大学 基于模型和点云全局匹配的空间非合作目标位姿估计方法
CN109063543A (zh) * 2018-06-11 2018-12-21 中山大学 一种考虑局部形变的视频车辆重识别方法、系统及装置
CN109872350A (zh) * 2019-02-18 2019-06-11 重庆市勘测院 一种新的点云自动配准方法
CN110047144A (zh) * 2019-04-01 2019-07-23 西安电子科技大学 一种基于Kinectv2的完整物体实时三维重建方法
CN110060336A (zh) * 2019-04-24 2019-07-26 北京华捷艾米科技有限公司 三维人脸重建方法、装置、介质以及设备
CN110223387A (zh) * 2019-05-17 2019-09-10 武汉奥贝赛维数码科技有限公司 一种基于深度学习的三维模型重建技术
CN111582126A (zh) * 2020-04-30 2020-08-25 浙江工商大学 基于多尺度行人轮廓分割融合的行人重识别方法
CN112070770A (zh) * 2020-07-16 2020-12-11 国网安徽省电力有限公司检修分公司 一种高精度三维地图与二维栅格地图同步构建方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090232388A1 (en) * 2008-03-12 2009-09-17 Harris Corporation Registration of 3d point cloud data by creation of filtered density images
CN102880877A (zh) * 2012-09-28 2013-01-16 中科院成都信息技术有限公司 一种基于轮廓特征的目标识别方法
CN105976353A (zh) * 2016-04-14 2016-09-28 南京理工大学 基于模型和点云全局匹配的空间非合作目标位姿估计方法
CN109063543A (zh) * 2018-06-11 2018-12-21 中山大学 一种考虑局部形变的视频车辆重识别方法、系统及装置
CN109872350A (zh) * 2019-02-18 2019-06-11 重庆市勘测院 一种新的点云自动配准方法
CN110047144A (zh) * 2019-04-01 2019-07-23 西安电子科技大学 一种基于Kinectv2的完整物体实时三维重建方法
CN110060336A (zh) * 2019-04-24 2019-07-26 北京华捷艾米科技有限公司 三维人脸重建方法、装置、介质以及设备
CN110223387A (zh) * 2019-05-17 2019-09-10 武汉奥贝赛维数码科技有限公司 一种基于深度学习的三维模型重建技术
CN111582126A (zh) * 2020-04-30 2020-08-25 浙江工商大学 基于多尺度行人轮廓分割融合的行人重识别方法
CN112070770A (zh) * 2020-07-16 2020-12-11 国网安徽省电力有限公司检修分公司 一种高精度三维地图与二维栅格地图同步构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MATTHEW BERGER等: "A Survey of Surface Reconstruction from Point Clouds", 《COMPUTER GRAPHICS FORUM》, 31 January 2017 (2017-01-31) *
彭亲利: "基于建筑物重复特性的三维点云重建研究", 《中国优秀硕士学位论文全文库》, 15 February 2019 (2019-02-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993923A (zh) * 2023-09-22 2023-11-03 长沙能川信息科技有限公司 换流站三维模型制作方法、系统、计算机设备和存储介质
CN116993923B (zh) * 2023-09-22 2023-12-26 长沙能川信息科技有限公司 换流站三维模型制作方法、系统、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Nedevschi et al. Stereo-based pedestrian detection for collision-avoidance applications
CN110879994A (zh) 基于形状注意力机制的三维目测检测方法、系统、装置
CN111709923B (zh) 一种三维物体检测方法、装置、计算机设备和存储介质
CN110443245B (zh) 一种非限制场景下的车牌区域的定位方法、装置及设备
Zhang et al. Fast moving pedestrian detection based on motion segmentation and new motion features
CN116229408A (zh) 一种图像信息与激光雷达点云信息融合的目标识别方法
EP3703008A1 (en) Object detection and 3d box fitting
WO2021018690A1 (en) Method for determining an environmental model of a scene
El Jaafari et al. A novel approach for on-road vehicle detection and tracking
CN111353385A (zh) 一种基于掩膜对齐与注意力机制的行人再识别方法和装置
CN114693862A (zh) 三维点云数据模型重建方法、目标重识别方法及装置
CN111428612B (zh) 行人重识别方法、终端、装置及存储介质
CN112529011A (zh) 目标检测方法及相关装置
US20230021591A1 (en) Model generation method, model generation apparatus, non-transitory storage medium, mobile object posture estimation method, and mobile object posture estimation apparatus
CN111339973A (zh) 一种对象识别方法、装置、设备及存储介质
CN114693863A (zh) 一种基于激光雷达相机的车辆重识别方法及装置
KR20210058882A (ko) 안면 인식 방법 및 디바이스
Oniga et al. A fast ransac based approach for computing the orientation of obstacles in traffic scenes
KR20160148806A (ko) 방향정보를 이용한 객체 검출기 생성 방법, 이를 이용한 객체 검출 장치 및 방법
CN108241868B (zh) 图像客观相似度到主观相似度的映射方法及装置
JP2003281503A (ja) 立体物の画像認識装置
CN109711363B (zh) 车辆定位方法、装置、设备和存储介质
CN109146969B (zh) 行人定位方法、装置及处理设备及其存储介质
CN114092850A (zh) 重识别方法、装置、计算机设备和存储介质
CN111079551A (zh) 基于奇异值分解的手指静脉识别方法、装置和存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231207

Address after: 430200, 7th floor, Building 3, Phase II, Modern Service Industry Demonstration Base, Huazhong University of Science and Technology Science Park, Guandong Street, Donghu New Technology Development Zone, Wuhan City, Hubei Province

Applicant after: Wuhan Wanji Photoelectric Technology Co.,Ltd.

Address before: Wanji space, building 12, Zhongguancun Software Park, yard 8, Dongbei Wangxi Road, Haidian District, Beijing 100193

Applicant before: BEIJING WANJI TECHNOLOGY Co.,Ltd.