CN114722944A - 点云精度确定方法、电子设备及计算机存储介质 - Google Patents
点云精度确定方法、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114722944A CN114722944A CN202210378901.9A CN202210378901A CN114722944A CN 114722944 A CN114722944 A CN 114722944A CN 202210378901 A CN202210378901 A CN 202210378901A CN 114722944 A CN114722944 A CN 114722944A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- marker
- cloud
- target
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
Abstract
本申请实施例提供了一种点云精度确定方法、电子设备及计算机存储介质。该方法包括:对目标点云进行语义特征提取,以从所述目标点云中确定标识物的点云,所述目标点云包括第一点云和第二点云,其中,所述第一点云和所述第二点云为多个点云中的任意两个点云;根据所述标识物的点云,确定所述标识物对应的关键特征点;确定所述第一点云的标识物的关键特征点、以及第二点云中同一标识物中相应的关键特征点作为同名点对;根据所述同名点对中两个所述关键特征点之间的差异值,确定所述第一点云和所述第二点云之间的点云精度。该方法可以快速、准确地获得不同次采集的点云的点云精度。
Description
技术领域
本申请实施例涉及地图制作技术领域,尤其涉及一种点云精度确定方法、电子设备及计算机存储介质。
背景技术
车载移动测量系统采集点云数据的过程中,由于外界环境的干扰(遮挡)以及天气的变化(风,雨,雪等),加上激光雷达传感器本身性能的限制,导致多次采集的同一地理空间内的物体,出现了点云数据不一致性,有时会出现米级别的偏差,不能满足高精度地图的需求。因此点云数据后续处理的过程中,需要进行精度的提升。但是现有的海量点云数据处理的过程,不仅对计算机性能有严格的要求,而且需要大量的人工检查,手动选点等操作,导致效率极其低下,很难适应大规模地图数据的生产。
发明内容
有鉴于此,本申请实施例提供一种点云精度确定方案,以至少部分解决上述问题。
根据本申请实施例的第一方面,提供了一种点云精度确定方法,包括:对目标点云进行语义特征提取,以从所述目标点云中确定标识物的点云,所述目标点云包括第一点云和第二点云,其中,所述第一点云和所述第二点云为多个点云中的任意两个点云;根据所述标识物的点云,确定所述标识物对应的关键特征点;确定所述第一点云的标识物的关键特征点、以及第二点云中同一标识物中相应的关键特征点作为同名点对;根据所述同名点对中两个所述关键特征点之间的差异值,确定所述第一点云和所述第二点云之间的点云精度。
根据本申请实施例的第二方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如第一方面所述的方法对应的操作。
根据本申请实施例的第三方面,提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的方法。
根据本申请实施例的第四方面,提供了一种计算机程序产品,包括计算机指令,所述计算机指令指示计算设备执行如上述的方法对应的操作。
根据本申请实施例提供方式,对于车载移动测量系统采集的点云,可以自动获取不同次采集的点云(如第一点云和第二点云)中的标识物的点云,并从标识物的点云中自动获取关键特征点,继而将不同点云中同一标识物的关键特征点匹配为同名点对,根据同名点对关键特征点的差异值,确定点云精度,从而提升了点云精度的确定效率,适应了大规模地图的生产。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1A为根据本申请实施例一的一种点云精度确定方法的步骤流程示意图;
图1B为根据本申请实施例一的一种不同类别的标识物的关键特征点的获取的示意图;
图1C为根据本申请实施例一的一种点云精度确定方法的子步骤108的流程示意图;
图2为根据本申请实施例二的一种点云处理方法的步骤流程示意图;
图3为根据本申请实施例三的一种点云精度确定装置的结构框图;
图4为根据本申请实施例四的一种点云处理装置的结构框图;
图5为根据本申请实施例五的一种电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例具体实现。
实施例一
为了便于理解,在对本申请的方法的实现过程进行详细说明之前,示例性地对该方法的一个使用场景进行说明,但本申请的方法并不限于该使用场景中,其还可以应用到其他适当的场景中。
本使用场景中用于对车载移动测量系统对同一地理空间(地理空间可以是扫描的一条路或者一个小区等)不同次采集的点云进行点云精度的确定,点云精度用于指示对同一地理空间或者该地理空间内的某个区域不同次采集的点云之间的差异值,根据点云精度确定需要进行点云对齐的点云,从而避免海量的点云需要进行点云对齐,而使得计算负载过大的问题。
如图1A所示,该方法包括以下步骤:
步骤S102:对目标点云进行语义特征提取,以从所述目标点云中确定标识物的点云。
所述目标点云包括第一点云和第二点云,但不限于此,其还可以包括更多的点云,本实施例中的所述第一点云和所述第二点云为多个点云中的任意两个点云,该多个点云可以对同一地理空间进行多个不同次采集获得的点云。例如,针对某一道路,使用车载移动测量系统沿该道路行驶了多次,每次行驶都获得一个点云。本实施例所说的多次可以是2次或2次以上。
如前述例子,第一点云和第二点云均可以是通过车载移动测量系统中的激光雷达传感器对同一地理空间(如前述的道路或者建筑物或者小区等等)进行不同次的扫描而获得的点云。通常情况下,该地理空间可以划分为N个不同的区域,以方便数据处理,减少计算量。点云中的各点均具有其在世界坐标系下的位置(记作X、Y、Z)、反射强度、以及其所属的区域、和扫描时序等。
由于需要分别从第一点云和第二点云中确定标识物的点云,因此可以以第一点云和第二点云分别作为目标点云,对其进行处理。
为了提升标识物的点云的准确度,在一示例中,步骤S102可以实现为:根据预设的标识物的类别,从所述目标点云中语义特征提取出所述类别的标识物的点云,所述标识物的类别包括下述至少之一:标牌、标线、杆状物和桥面。
由于不同类别的标识物的点云分布的特点不同,因此可以将用于确定点云精度的标识物进行分类,以方便针对不同类别的标识物采用不同的方式获得其点云,从而提升确定的点云的精度。
当然,标识物的类别并不限于此,其还可以包括其他类别,如地面、路牙等。
例如,针对标牌类标识物可以通过下述过程确定属于其的点云:
过程A1:根据所述目标点云中各点的反射强度,确定第一候选点云。
由于标牌通常为平板状结构,其表面反射形成的点的反射强度通常较强,因此可以将目标点云中各点的反射强度与预设的反射强度阈值进行比较,选取反射强度大于反射强度阈值的点云作为第一候选点云。
过程B1:对所述第一候选点云进行聚类和法向量一致性过滤处理,以获得标牌类标识物的点云。
根据第一候选点云中各点的位置可以将邻近的点进行聚成一类,聚类方式可以是任何适当的方式,对此不作限制。
对于聚类出的点云可以计算其面积,若面积大于面积阈值(也即面积过大),则可能是墙面等非标牌的平面,因此可以将其过滤掉,对于聚类出的点云的面积小于或等于面积阈值(其可以根据需要确定,对此不足限制),则保留这些点云。
对于保留的点云可以计算各点的法向量,如将某点与邻近的M个点(M为正整数)拟合成一个平面,计算该平面的法向量作为该点的法向量。然后对各点进行法向量一致性过滤,将法向量偏差大于偏差设定值(其可以根据需要确定,对此不足限制)的点过滤掉,从而获得标牌类标识物的点云。
针对杆状物类标识物,可以通过下述过程确定属于其的点云:
过程A2:对所述目标点云沿高度方向进行投影。
根据目标点云中各点的位置,将其沿高度方向进行投影,将点映射到世界坐标系的X-Y平面上。
过程B2:将投影后的点云划分为多个区块,并确定各区块内点的密度。
区块可以根据需要进行划分,由于杆状物采集到的点都是杆状物表面的点,因此会使得点沿高度方向投影后杆状物所在区块内的点的密度较大,根据区块的面积和区块内点的数量可以计算区块内点的密度。
过程C2:确定所述区块内点的密度大于或等于密度设定值的区块内的点作为第二候选点云。
对于点的密度大于或等于密度设定值(其可以根据需要确定,对此不作限制)的区块,可以筛选出来,并将其内的点组成的点云记作第二候选点云。
过程D2:对所述第二候选点云进行筛选,以获得杆状物类标识物对应的点云。
由于杆状物的点云具有较为明显的分布特征,且在高度方向和周向上具有连通性,因此可以对第二候选点云进行分布特征筛选和连通性筛选,从而过滤掉杆状物外的点,以将过滤后的点云作为杆状物类标识物的点云。
由于杆状物本身表面具有连续性,使得扫描出的点在高度方向上分布具有连续性,且不同高度分布的点的数量也较为一致,基于此分布特征,可以进行分布特征筛选,如,对于筛选出的区块,查找该区块对应的多个不同高度的点的数量,将点的数量多于设定值(其可以根据需要确定,对此不作限制)或者少于设定值的区块内的点过滤掉。
类似地,为了保证连通性,可以将点间距过大的区块内的点过滤掉,最终获得杆状物的点云。
当然,需要说明的是,该筛选方式仅为示例,也可以采用其他适当的过滤方式,对此不作限制。
针对标线类标识物,可以通过下述过程确定属于其的点云:
过程A3:确定所述目标点云中各帧点云中扫描时序相邻的点的反射强度的差值。
在获得的目标点云中,各点具有用于指示扫描时序的标识,基于激光雷达的扫描原理可以知道,点的扫描时序体现了点的空间位置。因为标线(如道路上的车道线)的颜色等和路面的颜色等不同,导致点的反射强度不同,为了确定属于标线的点云,可以计算单帧单元的扫描时序相邻的点的反射强度的差值。
过程B3:根据所述反射强度的差值,确定第三候选点云。
基于反射强度的差值,确定反射强度的差值突变的点,根据这些点的位置,结合标线的分布特点(如标线之间的间距固定等),可以确定可能属于标线的点云作为第三候选点云。
过程C3:对所述第三候选点云进行筛选,以获得标线类标识物对应的点云。
在一示例中,根据标线的分布特点,如标线之间的距离基本相等,对第三候选点云进行筛选,去除噪声,从而获得标线类标识物的点云。
针对桥面类标识物,可以通过下述过程确定属于其的点云:
过程A4:根据所述目标点云中点的高度信息和采集所述目标点云的车辆的轨迹中各轨迹点的高度,对所述目标点云进行高度过滤。
针对目标点云中各点的位置可以确定其高度(也即Z轴的值),对于桥面(例如高架桥),其桥面的点云通常是位于对应的车辆的轨迹点的上方,例如,搭载有激光雷达的车辆在T1时刻的轨迹点的位置时,采集获得点云帧1(点云帧1中包含多个点),点云帧1中可能包含部分桥面的点。
针对目标点云中的点,根据其所属的点云帧可以确定车辆的轨迹中对应的轨迹点,基于轨迹点中的高度对目标点云进行过滤,将高度位于轨迹点之下的点过滤掉,从而获取高度过滤后的点云。
过程B4:确定高度过滤后的点云中各点对应的法向量。
针对高度过滤后的点云,分别计算每个点的法向量,法向量的计算方式为:针对当前点,选取相邻的Q个点,以Q+1个点拟合成平面,将该拟合出的平面的法向量作为当前点的法向量。
过程C4:基于各点的法向量,对高度过滤后的点云进行法向量过滤。
根据各点的法向量进行过滤,筛选掉法向量偏差过大的点,从而获得法向量过滤后的点云。
过程D4:根据法向量过滤后的点云,拟合出参考平面。
拟合平面的方式可以是任何适当的方式,对此不作限制。由于法向量过滤后的点云的准确性较高,因此拟合出的参考平面可以较为准确地表达桥面。
此外,需要说明的是,虽然本申请中以参考平面表达桥面,但是该参考平面并非数学意义上的“平面”,其可以是曲面或者平面,对此不作限制。
过程E4:根据拟合出的参考平面,对法向量过滤后的点云进行过滤,以获得桥面类标识物的点云。
基于参考平面可以将距离参考平面距离(该距离可以根据需要确定,对此不作限制)过大的点云剔除掉,从而获得桥面类标识物的点云。
在一示例中,可以对目标点云分别执行一类或者一类上的标识物对应的过程,从而获得不同类别的标识物的点云。
当然,上述的方式仅是例举了一种点云的获得方式,但不限于此,在其他实施例中可以训练用于获取不同类别的标识物的点云的神经网络模型,并使用该神经网络模型获得各类标识物的点云。相较于训练神经网络模型的方式,前述示例的方式无需训练,可以减少模型训练的耗时,而且准确度也不依赖于模型训练过程中样本标注的准确度,可以提升点云获取的效率。
步骤S104:根据所述标识物的点云,确定所述标识物对应的关键特征点。
为了减少后续数据处理的计算量,可以从标识物的点云中提取出关键特征点,以便后续进行关键特征点匹配。
不同类别的标识物可以获得不同的关键特征点,例如,若所述标识物为标牌类,则所述关键特征点包括标牌的4个角点、若所述标识物为杆状物,则所述关键特征点包括杆状物的任一横截面的中心点、若所述标识物为标线类,则所述关键特征点为标线的外接矩形的中心点、若所述标识物为桥面类,则所述关键特征点为所述桥面切分出的网格的中心点。
如图1B所示,针对标牌类标识物,可以先基于标牌类标识物的点云进行外边框的拟合,以获得标牌的各边沿线,然后计算各边沿线的交点,以交点作为关键特征点。
针对杆状物类标识物,可以选取任意高度截面,将该截面的点云进行拟合获得杆状物的横截面(通常横截面为圆形),确定拟合出的横截面的中心(如圆形的圆心)作为关键特征点。
针对标线类标识物,可以根据其点云拟合出标线外边沿的线,基于外边沿的线构成的标线外边框,进而根据外边框确定标线的中心作为关键特征点。
针对桥面类标识物,可以根据点云拟合出桥面的外边沿,然后将桥面均分为多个网格(网格可以是矩形),并确定每个网格的中心点作为桥面的关键特征点。
针对步骤S106:确定所述第一点云的标识物的关键特征点、以及第二点云中同一标识物中相应的关键特征点作为同名点对。
由于第一点云和第二点云是采集同一地理空间的点云,因此第一点云和第二点云中包含同一物体的点云,同一物体的同一关键特征点即称为同名点对,同名点对包含第一点云中某一标识物的关键特征点和第二点云中同一标识物中对应的关键特征点。
在一种可行方式中,针对第一点云中的标识物的关键特征点可以根据其位置、标识物的类别、形状等等属性与第二点云中的关键特征点进行匹配,从而确定属于同一标识物的关键特征点作为同名点对。
步骤S108:根据所述同名点对中两个所述关键特征点之间的差异值,确定所述第一点云和所述第二点云之间的点云精度。
为了提升计算效率,可以针对每个区域单独计算其内的点云精度,进而确定该区域的点云是否需要进行点云对其处理。
如图1C所示,在一示例中,步骤S108包括以下子步骤:
子步骤S1081:针对各区域,分别计算该区域内的同名点对中两个所述关键特征点之间的差异值。
一个区域内可能存在一个或一个以上的标识物,针对各标识物可以分别计算同名点对的差异值。不同类别的标识物的同名点对的差异值可以采用不同的计算方式,以增加计算的准确性。
例如,针对标牌类标识物,根据同名点对中两个关键特征点的位置分别计算三个维度(即X、Y和Z方向)的差值作为差异值。
针对杆状物类标识物,由于同名点对中的两个关键特征点可能处于杆状物的不同高度上,为了避免高度差导致的差异值计算不准确问题,对于杆状物类标识物,根据关键特征点的位置中的X轴和Y轴的值计算两个关键特征点在X轴和Y轴形成的平面内的差值作为差异值。
针对标线类标识物和桥面类标识物,可以根据关键特征点的位置中的高度值(即Z轴的值)计算两个关键特征点在高程方向的差值作为差异值。
子步骤S1082:将各区域内的同名点对的差异值加权求和,以加权求和结果作为对应区域的所述第一点云和所述第二点云之间的点云精度。
设一个区域内包含3个标识物,标识物1的差异值为x1,标识物2的差异值为x2,标识物3的差异值为x3,则该区域的点云精度可以表示为:a*x1+b*x2+c*x3,其中,a、b和c可以是适当的权重,其可以根据需要确定。该点云精度指示了该区域中第一点云和第二点云之间的偏差程度。基于该偏差程度可以确定该区域内的第一点云和第二点云是否可以直接用于后续的高精度地图的生产,若偏差程度不满足需求,则可以执行步骤S110。反之,若偏差程度满足要求,则可以不对该区域的第一点云和第二点云进行处理,后续可以使用第一点云和第二点云进行高精度地图的生产。
针对每个区域均可以通过上述方式计算其点云精度。
后续也可以根据点云精度对某个区域的点云进行处理。
通过本实施例的方法,采用了语义特征提取的方法进行标牌类、杆状物类、标线类和桥面类的标识物的自动识别,克服了手动选点生产效率低的缺点,提升了生产效率。
对于语义特征提取出的标识物的点云进行了关键特征点的提取,标牌类的标识物提取四个角点,杆状物类标识物提取竖杆部分的一个中心点,标线类标识物提取标线的中心,桥面类标识物采用均匀的网格划分,得到采样后的若干个网格的中心点,这样就得到了少量的关键特征点,由于只利用了少量的点,因此极大地提高了后续算法环节的效率,避免了过多的点云数据流入后续的匹配环节,极大地提高了算法的效率,同时能得到不同类别的标识物的同名点对。
对于的不同类别的同名点对,分别采用对应的方式计算差异值,并通过加权的方式得到一个总体性的差异值作为点云精度,避免了单一要素受场景的限制导致的计算结果较差的缺点,提升了结果的准确性和可靠性。
例如,对于杆状物的关键特征点,只用于统计平面内的差异值,对于桥面的关键特征点以及标线的关键特征点,只用于统计高程的差异值,对于标牌的关键特征点,则用于统计三维的差异值,同时对不同来源的差异值,采用加权的方式,得到最终的点云精度,由于使用了不同的类别,能够避免特定的场景以及单一类别带来的不利于的因素,因此结果更加的准确,同时可以自动地得到上下行点云的差异值情况。
此外,获得的关键特征点既能用于点云对齐的环节,也能用于评定点云对齐的质量,可以被重复使用,避免重复提取关键特征点以及人工选择关键特征点的环节,因此能够提高地图的生产的效率,降低人工的成本。
通过本实施例的方法,对于车载移动测量系统采集的点云,可以自动获取不同次采集的点云(如第一点云和第二点云)的点云中的标识物的点云,并从标识物的点云中自动获取关键特征点,继而根据关键特征点的差异值,确定点云精度,由于不需要手工选点,也不需要外业采集特征点真实坐标的工作,从而节省了大量的人力与成本,提升了效率,实现了大规模作业。该方法可以应用于原始采集的点云,不需要对点云进行预处理,也不需要数字正射影像(DOM)等额外的信息。
基于获得点云精度可以筛选出需要处理的点云,进而对其进行后续处理,避免了所有点云都需要进行点云对齐造成的计算量大的问题,提高地图数据生产的效率。
本实施例的方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:服务器、移动终端(如手机、PAD等)和PC机等。
实施例二
参照图2,示出了本申请实施例二的点云处理方法的步骤流程示意图。
该方法包括:
步骤S202:获取第一点云和第二点云之间的点云精度。
该所述点云精度为前述实施例的方法获得的点云精度。需要说明的是,若对第一点云和第二点云对应的地理空间划分出了多个区域,则可以分别获得各区域的点云精度。若未对该地理空间划分出多个区域,则可以直接获得该地理空间的点云精度。
通过将地理空间划分为多个区域的方式可以减少后续参与计算的点的数量,从而降低计算负载。
下面以划分出区域为例,针对各区域可以根据其点云精度的不同对该区域的点云进行不同的处理。
步骤S204:若所述点云精度大于或等于精度阈值,则对所述第一点云和所述第二点云进行点云对齐处理。
精度阈值可以根据需要确定,对此不作限制。
若某个区域对应的点云精度大于或等于精度阈值,表示偏差较高,可以对第一点云中该区域的点云和第二点云中该区域的点云进行对齐处理,然后再将对齐后的点云进行合并。
步骤S206:若所述点云精度小于所述精度阈值,则对所述第一点云和所述第二点云进行合并处理,以获得合并的点云。
若某个区域内的点云精度小于精度阈值,表示偏差较小,可以直接将第一点云中该区域的点云和第二点云中该区域的点云进行合并。
通过上述方式可以根据点云精度对第一点云和第二点云进行适当的处理,这样既保证了处理后的点云质量,而且可以降低处理成本,提升处理效率。
可选地,若该地理空间还存在其他关联的点云,如第三点云或者更多的点云,则所述方法还包括:
步骤S208:获取所述合并的点云与第三点云之间的点云精度。
合并的点云可以是未经对齐处理直接合并的点云,也可以是对齐处理后合并的点云,对此不作限制。
合并的点云和第三点云的点云精度的获取方式可以采用前述的实施例的方式,故不再赘述。
步骤S210:若所述合并的点云与第三点云之间的点云精度大于或等于所述精度阈值,则对所述合并的点云和所述第三点云进行点云对齐。
对合并的点云和第三点云进行点云对齐的过程与前述的第一点云和第二点云的点云对齐过程类似,故不再赘述。通过该方法可以获得不同的点云之间较为准确的点云精度,进而可以根据该点云精度对点云进行适当的处理,如进行点云合并或者点云对齐,这样即保证了处理后的点云精度,又降低了处理负载,可以提升处理效率。
实施例三
参照图3,示出了本申请实施例三的点云精度确定装置的结构框图。
本实施例中,该装置,包括:
第一确定模块302,用于对目标点云进行语义特征提取,以从所述目标点云中确定标识物的点云,所述目标点云包括第一点云和第二点云,其中,所述第一点云和所述第二点云为多个点云中的任意两个点云;
第二确定模块304,用于根据所述标识物的点云,确定所述标识物对应的关键特征点;
第三确定模块306,用于确定所述第一点云的标识物的关键特征点、以及第二点云中同一标识物中相应的关键特征点作为同名点对;
第四确定模块308,用于根据所述同名点对中两个所述关键特征点之间的差异值,确定所述第一点云和所述第二点云之间的点云精度。
可选地,所述第一确定模块302,用于根据预设的标识物的类别,从所述目标点云中语义特征提取出所述类别的标识物的点云,所述标识物的类别包括下述至少之一:标牌、标线、杆状物和桥面。
可选地,所述标识物的关键特征点包括下述至少之一:若所述标识物为标牌类,则所述关键特征点包括标牌的4个角点、若所述标识物为杆状物,则所述关键特征点包括杆状物的任一横截面的中心点、若所述标识物为标线类,则所述关键特征点为标线的外接矩形的中心点、若所述标识物为桥面类,则所述关键特征点为所述桥面切分出的网格的中心点。
可选地,所述目标点云为通过激光雷达扫描获取的点云,所述目标点云中的各点均具有反射强度,若所述标识物的类别为标牌,则所述第一确定模块302用于根据所述目标点云中各点的反射强度,确定第一候选点云;对所述第一候选点云进行聚类和法向量一致性过滤处理,以获得标牌类标识物的点云。
可选地,若所述标识物的类别为杆状物,则第一确定模块302用于对所述目标点云沿高度方向进行投影;将投影后的点云划分为多个区块,并确定各区块内点的密度;确定所述区块内点的密度大于或等于密度设定值的区块内的点作为第二候选点云;对所述第二候选点云进行筛选,以获得杆状物类标识物对应的点云。
可选地,所述目标点云为通过激光雷达扫描获取的点云,所述目标点云中各点均具有反射强度和扫描时序,若所述标识物的类别为标线,则第一确定模块302用于确定所述目标点云中各帧点云扫描时序相邻的点的反射强度的差值;根据所述反射强度的差值,确定第三候选点云;对所述第三候选点云进行筛选,以获得标线类标识物对应的点云。
可选地,若所述标识物的类别为桥面,则第一确定模块302用于根据所述目标点云中点的高度信息和采集所述目标点云的车辆的轨迹中各轨迹点的高度,对所述目标点云进行高度过滤;确定高度过滤后的点云中各点对应的法向量;基于各点的法向量,对高度过滤后的点云进行法向量过滤;根据法向量过滤后的点云,拟合出参考平面;根据拟合出的参考平面,对法向量过滤后的点云进行过滤,以获得桥面类标识物的点云。
可选地,第一点云和所述第二点云对应同一地理空间,所述地理空间划分为多个区域,所述第四确定模块308用于针对各区域,分别计算该区域内的同名点对中两个所述关键特征点之间的差异值;将各区域内的同名点对的差异值加权求和,以加权求和结果作为对应区域的所述第一点云和所述第二点云之间的点云精度。
本实施例的装置用于实现前述多个方法实施例中相应的方法,并具有相应的方法实施例的有益效果,在此不再赘述。此外,本实施例的装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述,在此亦不再赘述。
实施例四
参照图4,示出了本申请实施例四的点云处理确定装置的结构框图。
该装置,包括:
第一获取模块402,用于获取第一点云和第二点云之间的点云精度,所述点云精度为上述装置获得的点云精度;
第一处理模块404,用于若所述点云精度大于或等于精度阈值,则对所述第一点云和所述第二点云进行点云对齐处理,或者,若所述点云精度小于所述精度阈值,则对所述第一点云和所述第二点云进行合并处理,以获得合并的点云。
可选地,所述装置还包括:
第二获取模块406,用于获取所述合并的点云与第三点云之间的点云精度;
第二处理模块408,用于若所述合并的点云与第三点云之间的点云精度大于或等于所述精度阈值,则对所述合并的点云和所述第三点云进行点云对齐。
本实施例的装置用于实现前述多个方法实施例中相应的方法,并具有相应的方法实施例的有益效果,在此不再赘述。此外,本实施例的装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述,在此亦不再赘述。
实施例五
参照图5,示出了根据本申请实施例五的一种电子设备的结构示意图,本申请具体实施例并不对电子设备的具体实现做限定。
如图5所示,该电子设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它电子设备或服务器进行通信。
处理器502,用于执行程序510,具体可以执行上述方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是处理器CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。智能设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行前述的方法对应的操作。
程序510中各步骤的具体实现可以参见上述方法实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
本申请实施例还提供了一种计算机程序产品,包括计算机指令,该计算机指令指示计算设备执行上述多个方法实施例中的任一方法对应的操作。
需要指出,根据实施的需要,可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本申请实施例的目的。
上述根据本申请实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的方法。此外,当通用计算机访问用于实现在此示出的方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。
以上实施方式仅用于说明本申请实施例,而并非对本申请实施例的限制,有关技术领域的普通技术人员,在不脱离本申请实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本申请实施例的范畴,本申请实施例的专利保护范围应由权利要求限定。
Claims (13)
1.一种点云精度确定方法,包括:
对目标点云进行语义特征提取,以从所述目标点云中确定标识物的点云,所述目标点云包括第一点云和第二点云,其中,所述第一点云和所述第二点云为多个点云中的任意两个点云;
根据所述标识物的点云,确定所述标识物对应的关键特征点;
确定所述第一点云的标识物的关键特征点、以及第二点云中同一标识物中相应的关键特征点作为同名点对;
根据所述同名点对中两个所述关键特征点之间的差异值,确定所述第一点云和所述第二点云之间的点云精度。
2.根据权利要求1所述的方法,其中,所述对目标点云进行语义特征提取,以从所述目标点云中确定标识物的点云,包括:
根据预设的标识物的类别,从所述目标点云中语义特征提取出所述类别的标识物的点云,所述标识物的类别包括下述至少之一:标牌、标线、杆状物和桥面。
3.根据权利要求2所述的方法,其中,所述标识物的关键特征点包括下述至少之一:若所述标识物为标牌类,则所述关键特征点包括标牌的4个角点、若所述标识物为杆状物,则所述关键特征点包括杆状物的任一横截面的中心点、若所述标识物为标线类,则所述关键特征点为标线的外接矩形的中心点、若所述标识物为桥面类,则所述关键特征点为所述桥面切分出的网格的中心点。
4.根据权利要求2所述的方法,其中,所述目标点云为通过激光雷达扫描获取的点云,所述目标点云中的各点均具有反射强度,若所述标识物的类别为标牌,则所述根据预设的标识物的类别,从所述目标点云中语义特征提取出所述类别的标识物的点云,包括:
根据所述目标点云中各点的反射强度,确定第一候选点云;
对所述第一候选点云进行聚类和法向量一致性过滤处理,以获得标牌类标识物的点云。
5.根据权利要求2所述的方法,其中,若所述标识物的类别为杆状物,则所述根据预设的标识物的类别,从所述目标点云中语义特征提取出所述类别的标识物的点云,包括:
对所述目标点云沿高度方向进行投影;
将投影后的点云划分为多个区块,并确定各区块内点的密度;
确定所述区块内点的密度大于或等于密度设定值的区块内的点作为第二候选点云;
对所述第二候选点云进行筛选,以获得杆状物类标识物对应的点云。
6.根据权利要求2所述的方法,其中,所述目标点云为通过激光雷达扫描获取的点云,所述目标点云中各点均具有反射强度和扫描时序,若所述标识物的类别为标线,则所述根据预设的标识物的类别,从所述目标点云中语义特征提取出所述类别的标识物的点云,包括:
确定所述目标点云中各帧点云中扫描时序相邻的点的反射强度的差值;
根据所述反射强度的差值,确定第三候选点云;
对所述第三候选点云进行筛选,以获得标线类标识物对应的点云。
7.根据权利要求2所述的方法,其中,若所述标识物的类别为桥面,则所述根据预设的标识物的类别,从所述目标点云中语义特征提取出所述类别的标识物的点云,包括:
根据所述目标点云中点的高度信息和采集所述目标点云的车辆的轨迹中各轨迹点的高度,对所述目标点云进行高度过滤;
确定高度过滤后的点云中各点对应的法向量;
基于各点的法向量,对高度过滤后的点云进行法向量过滤;
根据法向量过滤后的点云,拟合出参考平面;
根据拟合出的参考平面,对法向量过滤后的点云进行过滤,以获得桥面类标识物的点云。
8.根据权利要求3所述的方法,其中,第一点云和所述第二点云对应同一地理空间,所述地理空间划分为多个区域,所述根据所述同名点对中两个所述关键特征点之间的差异值,确定所述第一点云和所述第二点云之间的点云精度,包括:
针对各区域,分别计算该区域内的同名点对中两个所述关键特征点之间的差异值;
将各区域内的同名点对的差异值加权求和,以加权求和结果作为对应区域的所述第一点云和所述第二点云之间的点云精度。
9.一种点云处理方法,包括:
获取第一点云和第二点云之间的点云精度,所述点云精度为权利要求1-8中任一项所述的方法获得的点云精度;
若所述点云精度大于或等于精度阈值,则对所述第一点云和所述第二点云进行点云对齐处理,或者,若所述点云精度小于所述精度阈值,则对所述第一点云和所述第二点云进行合并处理,以获得合并的点云。
10.根据权利要求9所述的方法,其中,所述方法还包括:
获取所述合并的点云与第三点云之间的点云精度;
若所述合并的点云与第三点云之间的点云精度大于或等于所述精度阈值,则对所述合并的点云和所述第三点云进行点云对齐。
11.一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-10中任一项所述的方法对应的操作。
12.一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-10中任一所述的方法。
13.一种计算机程序产品,包括计算机指令,所述计算机指令指示计算设备执行如权利要求1-10中任一所述的方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210378901.9A CN114722944A (zh) | 2022-04-12 | 2022-04-12 | 点云精度确定方法、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210378901.9A CN114722944A (zh) | 2022-04-12 | 2022-04-12 | 点云精度确定方法、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114722944A true CN114722944A (zh) | 2022-07-08 |
Family
ID=82243688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210378901.9A Pending CN114722944A (zh) | 2022-04-12 | 2022-04-12 | 点云精度确定方法、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722944A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115408549A (zh) * | 2022-08-31 | 2022-11-29 | 深圳前海瑞集科技有限公司 | 工件点云的过滤方法、装置、计算机可读介质及电子设备 |
CN116128886A (zh) * | 2023-04-18 | 2023-05-16 | 深圳市其域创新科技有限公司 | 一种点云数据分割方法、装置、电子设备及存储介质 |
CN117455936A (zh) * | 2023-12-25 | 2024-01-26 | 法奥意威(苏州)机器人系统有限公司 | 点云数据处理方法、装置及电子设备 |
-
2022
- 2022-04-12 CN CN202210378901.9A patent/CN114722944A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115408549A (zh) * | 2022-08-31 | 2022-11-29 | 深圳前海瑞集科技有限公司 | 工件点云的过滤方法、装置、计算机可读介质及电子设备 |
CN115408549B (zh) * | 2022-08-31 | 2024-04-12 | 深圳前海瑞集科技有限公司 | 工件点云的过滤方法、装置、计算机可读介质及电子设备 |
CN116128886A (zh) * | 2023-04-18 | 2023-05-16 | 深圳市其域创新科技有限公司 | 一种点云数据分割方法、装置、电子设备及存储介质 |
CN117455936A (zh) * | 2023-12-25 | 2024-01-26 | 法奥意威(苏州)机器人系统有限公司 | 点云数据处理方法、装置及电子设备 |
CN117455936B (zh) * | 2023-12-25 | 2024-04-12 | 法奥意威(苏州)机器人系统有限公司 | 点云数据处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114722944A (zh) | 点云精度确定方法、电子设备及计算机存储介质 | |
CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CA2657957C (en) | Geospatial modeling system providing building roof type identification features and related methods | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN108288059B (zh) | 一种基于高分辨率遥感技术的建筑垃圾监测方法 | |
CN115331190B (zh) | 一种基于雷视融合的道路隐患识别方法及装置 | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN116310192A (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN112990086A (zh) | 遥感影像建筑物检测方法、装置及计算机可读存储介质 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN113570665A (zh) | 路沿提取的方法、装置及电子设备 | |
CN111126211B (zh) | 标牌识别方法和装置、电子设备 | |
CN114863380A (zh) | 车道线识别方法、装置及电子设备 | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN112836590B (zh) | 洪涝灾害监测方法、装置、电子设备及存储介质 | |
CN115841558B (zh) | 城市道路建模的方法、装置、电子设备和存储介质 | |
CN111105435A (zh) | 标志物匹配方法、装置及终端设备 | |
CN113496182A (zh) | 基于遥感影像的道路提取方法及装置、存储介质及设备 | |
CN114387293A (zh) | 道路边缘检测方法、装置、电子设备及车辆 | |
CN115797310A (zh) | 一种光伏电站组串倾角的确定方法及电子设备 |
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 |