CN114863064A - 一种汽车轮廓曲面模型构建方法及系统 - Google Patents
一种汽车轮廓曲面模型构建方法及系统 Download PDFInfo
- Publication number
- CN114863064A CN114863064A CN202210509490.2A CN202210509490A CN114863064A CN 114863064 A CN114863064 A CN 114863064A CN 202210509490 A CN202210509490 A CN 202210509490A CN 114863064 A CN114863064 A CN 114863064A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- automobile
- curved surface
- data
- contour
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06T17/30—Polynomial surface description
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种汽车轮廓曲面模型构建方法及系统,所述构建方法包括以下步骤:对多个三维激光雷达扫描汽车获取的点云数据集合进行预处理,得到预处理后的汽车轮廓点云集合;基于改进的法向矢量算法对预处理后的汽车轮廓点云集合进行点云分割处理,得到多个汽车轮廓局部点云集合;对每个汽车轮廓局部点云集合进行曲面拟合得到对应的汽车轮廓局部曲面,将多个汽车轮廓局部曲面拼接得到汽车轮廓曲面模型。使用本申请提供的汽车轮廓曲面模型构建方法及系统,能够基于三维激光雷达获取的汽车点云数据,高效、精确地进行汽车轮廓曲面模型的构建。
Description
技术领域
本申请处于图形图像处理技术领域,具体地,涉及一种利用三维激光扫描的点云数据重构汽车轮廓曲面模型的方法和系统。
背景技术
随着汽车行业及其相关技术的不断发展,人们对于交通状况调查工作的需求不断扩大。传统的车辆检测方式不仅效率低下,并且检测内容过于单一,仅能识别车辆的长宽高等信息,很难有效识别不同车辆,不能满足人们日益增加的需求。三维激光扫描技术能够对复杂场景进行非接触式扫描直接得到目标的三维信息,除此之外,激光测量还具有精度高,穿透能力强,受天气影响小等优点。以三维激光雷达为数据获取设备的车辆外形构造方法,将传统的以照片形式存储在数据库的方式改变为立体的三维模型,可以有效的提高车辆识别在恶劣环境下的准确率,在交通运输领域发挥巨大作用。
基于激光点云的车辆外形构建方法核心是对车辆各个点云面的分割处理,通过分割后的点云完成三角网格曲面分片拟合处理,进而完成整个模型的构建。具体实现过程中,由于扫描获取的汽车轮廓点云的原始数据受检测环境、周边及车辆内部人员、物体的影响,存在较多噪声,往往导致分割拟合效果不尽如人意,因此需要对现有的车辆轮廓曲面模型构建方法进行改进。
发明内容
本申请的目的在于解决上述现有技术中对汽车轮廓进行曲面重构过程中存在的问题,提供一种基于激光点云数据的高效、精确的汽车轮廓曲面模型构建方法及构建系统。
本申请的一方面提供一种汽车轮廓曲面模型构建方法,包括以下步骤:
S1:对多个三维激光雷达扫描汽车获取的点云数据集合进行预处理,得到预处理后的汽车轮廓点云集合;
S2:基于改进的法向矢量算法对预处理后的汽车轮廓点云集合进行点云分割处理,得到多个汽车轮廓局部点云集合;
S3:对每个汽车轮廓局部点云集合进行曲面拟合得到对应的汽车轮廓局部曲面,将多个汽车轮廓局部曲面拼接得到汽车轮廓曲面模型。
进一步地,所述步骤S1具体包括以下步骤:
S11:对每个三维激光雷达扫描汽车获取的点云数据集合进行点云滤波;
S12:对每个滤波后的点云数据集合进行数据降采样处理;
S13:对多个数据降采样处理后的点云数据集合进行点云融合处理,得到汽车轮廓点云集合。
优选地,所述数据降采样处理采用曲率精简算法,点云数据集合在不同区域的单位体积内的数据点的数量随曲率值的增大而增加。
进一步地,所述步骤S2具体包括以下步骤:
S21:对于汽车轮廓点云集合S={p1,p2,...,pn},其中n为S中数据点的个数,随机选取一数据点pi以及与该点距离最近K邻域的点集{pi,pi+1,...,pi+K}并拟合得到点pi的K近邻平面,将所述点pi的K近邻平面的法向矢量确定为点pi的法向矢量;
S22:重复步骤S21直到确定S中所有数据点的法向矢量;
S23:将汽车轮廓点云集合S分割为多个子集:S={U1,U2,...Uj,...,UN},N为子集的个数,其中每个子集包含的多个数据点具有相同或相似的法向矢量;
S24:对任意一个子集Uj,从其包含的多个数据点中随机抽取m个数据点进行平面拟合得到第一拟合平面L,L满足如下平面方程:
aX+bY+cZ=d,
其中,(a、b、c)为L的单位法向矢量且a2+b2+c2=1,d为坐标原点到L的距离。
S25:统计Uj中与L的距离小于预设的第一距离的数据点个数k,判断k是否大于第一阈值δ,如果判断结果为假,则重新执行步骤S24,如果判断结果为真,则将此时的L作为当前平面,并执行步骤S26;
S26:从距离当前平面最近的k个点中随机抽取m个数据点进行平面拟合得到第二拟合平面L′,L′满足如下平面方程:
a′X+b′Y+c′Z=d′,
其中,(a′、b′、c′)为L′的单位法向矢量且a′2+b′2+c′2=1,d′为坐标原点到L′的距离;
S27:判断L′与当前平面的夹角是否小于预设的第二阈值ε,如果判断结果为假,则将L′作为新的当前平面并重新执行步骤S26,如果判断结果为真,执行步骤S28;
S28:将Uj中与当前平面的距离大于预设的第二距离的数据点滤除,得到汽车轮廓局部点云集合U′j;
S29:对每一个子集Uj重复执行步骤S24至步骤S28,直到遍历汽车轮廓点云集合S的全部子集{U1,U2,...Uj,...,UN},最终得到多个汽车轮廓局部点云集合{U′1,U′2,...U′j,...,U′N}。
优选地,所述步骤S23和步骤S24之间还包括以下步骤:
将Uj中的所有数据点向预设的投影平面进行投影,如果投影后的数据点出现多个聚集区,则基于所述多个聚集区对Uj进行进一步分割。
优选地,所述投影平面平行于Uj的整体法向矢量,所述Uj的整体法向矢量基于Uj中各个数据点的法向矢量的指向确定。
进一步地,所述步骤S3进一步包括以下步骤:
S31:将汽车轮廓局部点云集合U′j中包含的数据点投影到对应的当前平面上;
S32:对投影后的数据点进行三角剖分,构造三角网格平面;
S33:将三角网格平面映射回三维空间,得到三维空间分布的三角网格;
S34:基于三维空间分布的三角网格进行空间曲面拟合,得到与U′j对应的汽车轮廓局部曲面;
S35:对每一个U′j,j∈1...N,重复执行步骤S31至步骤S34,得到各自对应的汽车轮廓局部曲面后进行拼接,最终得到汽车轮廓曲面模型。
本申请的另一方面提供一种汽车轮廓曲面模型构建系统,包括数据获取单元和数据处理单元,所述数据获取单元包括由多个三维激光雷达构成的三维激光雷达阵列、地感车辆检测装置和GPS时钟;
所述数据处理单元包括存储器和处理器,其中所述存储器存储有计算机程序,所述程序被处理器执行时能够使用上述汽车轮廓曲面模型构建方法构建汽车轮廓曲面模型。
优选地,所述汽车轮廓曲面模型构建系统同还包括交通服务器,用于接收和保存所述汽车轮廓曲面模型并对汽车进行识别和检测。
本申请的实施例提供的一种汽车轮廓曲面模型构建方法及系统至少具有以下有益效果:
(1)采用改进的基于法向矢量的点云分割方法对三维激光扫描得到的点云数据进行分割,并进一步利用粗略拟合平面和迭代优化的精细拟合模型以去除车辆内部及环境噪声的影响,使点云数据均匀、规则地分布在车辆的轮廓表面,从而提高了曲面模型的精确度;
(2)针对多个三维激光扫描仪获取的点云数据存在冗余的情况,采用曲率精简算法对数据进行降采样处理,在曲率较大的采样点的邻域内保留较多的数据点,反之保留较少的数据点,使得在有效地降低数据量的同时,确保重构的曲面能够反映真实的车辆轮廓。
附图说明
图1为根据本申请实施例的汽车轮廓曲面模型构建方法的流程图;
图2为根据本申请实施例的使用三维激光雷达对汽车进行扫描的俯视图;
图3为根据本申请实施例的对点云数据集合进行预处理的具体实施流程;
图4为根据本申请实施例的步骤S2的具体实施流程;
图5为根据本申请实施例的汽车轮廓曲面模型构建系统的系统框图。
具体实施方式
以下,基于优选的实施方式并参照附图对本申请进行进一步说明。
此外,为了方便理解,放大或者缩小了图纸上的各种构件,但这种做法不是为了限制本申请的保护范围。
单数形式的词汇也包括复数含义,反之亦然。
在本申请实施例中的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是本申请实施例的产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,本申请的描述中,为了区分不同的单元,本说明书上用了第一、第二等词汇,但这些不会受到制造的顺序限制,也不能理解为指示或暗示相对重要性,其在本申请的详细说明与权利要求书上,其名称可能会不同。
本说明书中词汇是为了说明本申请的实施例而使用的,但不是试图要限制本申请。还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,可以是直接相连,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的技术人员而言,可以具体理解上述术语在本申请中的具体含义。
本申请实施例的一方面提供一种汽车轮廓曲面模型构建方法,图1为根据本申请实施例的汽车轮廓曲面模型构建方法的流程图,如图1所示,本申请提供的方法包括以下步骤:
S1:对多个三维激光雷达扫描汽车获取的点云数据集合进行预处理,得到预处理后的汽车轮廓点云集合;
S2:基于改进的法向矢量算法对预处理后的汽车轮廓点云集合进行点云分割处理,得到多个汽车轮廓局部点云集合;
S3:对每个汽车轮廓局部点云集合进行曲面拟合得到对应的汽车轮廓局部曲面,将多个汽车轮廓局部曲面拼接得到汽车轮廓曲面模型。
图2为根据本申请一个具体实施例的使用三维激光雷达对汽车进行扫描的俯视图,如图2所述,在本实施例中,使用两个三维激光雷达(三维激光雷达10、三维激光雷达20)对向架设,当由地感探测线圈构成的地感车辆检测装置30检测到有汽车40进入扫描区域后,上述两个三维激光雷达按照固定的时间间隔对汽车进行扫描,并根据发射信号以及回波信号的信息(包括发射/接收角度、时间等)生成代表汽车轮廓的点云数据集合,两组点云数据集合通过GPS时钟进行同步;在本申请的另一些实施例中,三维激光雷达的数量也可以多于两个,并围绕汽车进行架设,以使得对汽车轮廓的扫描更加精细。
以下结合附图及实施例,对步骤S1至步骤S3进行详细说明。
步骤S1用于对多个三维激光雷达扫描获取的点云数据集合进行预处理以得到预处理后的汽车轮廓点云集合,进一步地,在本申请的一些实施例中,步骤S1具体包括以下步骤:
S11:对每个三维激光雷达扫描汽车获取的点云数据集合进行点云滤波;
S12:对每个滤波后的点云数据集合进行数据降采样处理;
S13:对多个数据降采样处理后的点云数据集合进行点云融合处理,得到汽车轮廓点云集合。
图3为根据本申请的一个具体实施例的对点云数据集合进行预处理的实施流程,如图3所示,对于两个三维激光雷达(分别设为三维激光雷达A和三维激光雷达B)扫描汽车获取的两组点云数据集合,分别进行点云滤波处理和数据降采样处理,然后将两组点云数据集合进行点云融合处理,最终得到汽车轮廓点云集合。
在三维激光雷达采集的点云数据中,除了包含车辆轮廓的点云数据以外,还可能包含对地面、行人和其余车辆扫描得到的噪声点云,这些噪声点云不仅会影响建模质量,而且占用大量的计算机资源,降低数据处理的速度,导致系统性能下降,因此,需要首先对每个三维激光雷达获取的点云数据集进行点云滤波处理,以剔除各类噪声点云。对点云数据集进行点云滤波处理为本领域技术人员所知晓的常规技术,具体地,在本申请的一些实施例中,可以采用随机采样一致性算法滤除地面噪声,将地面点云设置为平面模型,找出与平面模型最匹配的点云数据并剔除。
当对汽车扫描获取的点云数据存在冗余时,会降低曲面重构的速度和质量。为了充分利用计算机内存资源,加快数据处理的速度,对点云数据进行数据降采样处理是必不可少的。同时为了确保重构的曲面能够反映真实的车辆轮廓,对汽车点云的数据降采样处理过程中考虑保护特征明显的数据是非常重要的。在本申请的一些优选的实施例中,所述数据降采样处理采用曲率精简算法,点云数据集合在不同区域的单位体积内的数据点的数量随曲率值的增大而增加,从而保证了在形状变化幅度较大的区域保留足够多的数据点,使得后去拟合生成的曲面能够精细地反映这些区域的形状细节特征。
具体地,可以使用以下步骤求取点云数据集合中各个数据点对应的曲率,对于点云中任一数据点pi及其k邻域中所有点,根据最小二乘法拟合其局部曲面,得到曲面方程:
f(x,y)=Aix2+Bixy+Ciy2+Dix+Eiy+Fi,
将曲面方程改写为参数形式:
参数方程的偏微分为:
且曲面的单位法矢量为:
可以得到曲面的第一基本公式:
E=fx·fx,F=fx·fy,G=fy·fy,
及曲面第二基本公式:
L=fxx·n,M=fxy·n,N=fyy·n,
利用曲面第一基本公式和曲面第二基本公式,最终得到p点附近局部曲面的高斯曲率和平均曲率:
利用上述步骤求取各数据点对应的曲率后,即可以根据不同区域数据点的高斯曲率或平均曲率的大小进行数据降采样处理:对于曲率值较大的区域,由于其形状变化幅度较大,因此在其单位体积内保留较多的数据点;对于曲率值较小的区域,其形状较为平滑,因此在其单位体积内可以只保留较少的数据点,从而在有效地保留汽车轮廓细节特征的基础上降低了数据量,提高了模型构建速度。
对多个三维激光雷达扫描汽车获取的点云数据集合进行上述点云滤波和数据降采样处理后,还需要通过点云融合处理将各组点云数据集合的坐标从各自的坐标系统一到同一个坐标系中。以下通过一个具体的实施例进行说明,在本实施例中,通过两个三维激光雷达(分别设为三维激光雷达A、三维激光雷达B)扫描汽车获取两组点云数据集合,且上述两组点云数据集合中各个点云的坐标分别表示其在上述两个三维激光雷达各自的坐标系(即第一坐标系和第二坐标系)中的位置,在本实施例中,为了将上述两组点云数据集合统一到同一坐标系下,可以将三维激光雷达A的第一坐标系作为基准坐标系,则三维激光雷达A获取的点云数据集合中各个点云的坐标保持不变,只需将三维激光雷达B获取的点云数据集合中各个点云的坐标从第二坐标系转换到第一坐标系即可。
具体地,设[Xb,Yb,Zb]T为三维激光雷达B获取的点云数据集合中任意一点在第二坐标系中的坐标,则其在第一坐标系中对应的坐标[Xa,Ya,Za]T由下式确定:
对三维激光雷达B获取的点云数据集合中的全部数据点进行上述操作,就可以将两个三维激光雷达获取的两组点云数据集合的坐标统一到第一坐标系中,从而可以统一执行后续的各个步骤的操作。
以上以两个三维激光雷达为例说明点云融合的具体实施步骤,本领域技术人员由此容易得到对于更多个三维激光雷达获取的点云数据进行融合的实施方式。
通过步骤S1进行点云数据集合的预处理后,步骤S2预处理后的汽车轮廓点云集合进行点云分割处理以得到多个汽车轮廓局部点云集合。
通过对汽车轮廓点云集合进行点云分割,可以将构成汽车轮廓的数据点按照其匹配的平面进行聚类,从而可以大大降低后续的曲面拟合的复杂程度,同时,由于激光脉冲可以穿透玻璃,因此三维激光雷达扫描过程中,也会采集到车内的驾驶员、座椅等内部噪声点云,这些车辆内的噪声点云使用常用的噪声滤波难以去除,这将会严重影响曲面重建的质量,因此,也有必要通过对点云集合进行分割和聚类操作,更好地剔除与汽车轮廓的点云具有较大区别的内部噪声点云。
本申请基于改进的法向矢量算法对预处理后的汽车轮廓点云集合进行点云分割处理,其处理思路为:首先确定汽车轮廓点云集合中每个数据点的法向矢量,然后将具有相同或相似法向矢量的点进行初步的聚类以得到对应于不同区域的多个子集,对于每个子集,分别求取其最佳的拟合平面,并将远离该拟合平面的数据点滤除,从而得到与汽车轮廓更加匹配的数据点,有效地提高了后续生成的曲面模型与汽车实际轮廓的匹配程度。具体地,在本申请的一些实施例中,如图4所示,步骤S2包括以下步骤:
S21:对于汽车轮廓点云集合S={p1,p2,...,pn},其中n为S中数据点的个数,随机选取一数据点pi以及与该点距离最近K邻域的点集{pi,pi+1,...,pi+K}并拟合得到点pi的K近邻平面,将所述点pi的K近邻平面的法向矢量确定为点pi的法向矢量;
S22:重复步骤S21直到确定S中所有数据点的法向矢量;
S23:将汽车轮廓点云集合S分割为多个子集:S={U1,U2,...Uj,...,UN},N为子集的个数,其中每个子集包含的多个数据点具有相同或相似的法向矢量;
S24:对任意一个子集Uj,从其包含的多个数据点中随机抽取m个数据点进行平面拟合得到第一拟合平面L,L满足如下平面方程:
aX+bY+cZ=d,
其中,(a、b、c)为L的单位法向矢量且a2+b2+c2=1,d为坐标原点到L的距离。
S25:统计Uj中与L的距离小于预设的第一距离的数据点个数k,判断k是否大于第一阈值δ,如果判断结果为假,则重新执行步骤S24,如果判断结果为真,则将此时的L作为当前平面,并执行步骤S26;
S26:从距离当前平面最近的k个点中随机抽取m个数据点进行平面拟合得到第二拟合平面L′,L′满足如下平面方程:
a′X+b′Y+c′Z=d′,
其中,(a′、b′、c′)为L′的单位法向矢量且a′2+b′2+c′2=1,d′为坐标原点到L′的距离;
S27:判断L′与当前平面的夹角是否小于预设的第二阈值ε,如果判断结果为假,则将L′作为新的当前平面并重新执行步骤S26,如果判断结果为真,执行步骤S28;
S28:将Uj中与当前平面的距离大于预设的第二距离的数据点滤除,得到汽车轮廓局部点云集合U′j;
S29:对每一个子集Uj重复执行步骤S24至步骤S28,直到遍历汽车轮廓点云集合S的全部子集{U1,U2,...Uj,...,UN},最终得到多个汽车轮廓局部点云集合{U′1,U′2,...U′j,...,U′N}。
在上述实施例中,通过步骤S21至步骤S23获取S中每一个数据点的法向矢量并将S中的数据点分割为具有相同或相似的法向矢量的多个子集,具体地,可以通过预设的角度偏离阈值,将相互之间的法向矢量的角度差小于预设的角度偏离阈值的数据点判定为具有相似的法向矢量,进一步将具有相同或相似的法向矢量的数据点划分到相同的子集Uj,对于每个子集Uj,首先通过步骤S24至步骤S25得到与其包含的数据点粗略匹配的平面L并将其作为当前平面的初始值,然后通过步骤S26至步骤S28进一步对当前平面进行迭代优化,从而得到与Uj精确匹配的平面并将Uj中远离上述平面的数据点作为噪声点剔除,最后得到多个汽车轮廓局部点云集合{U′1,U′2,...U′j,...,U′N},通过上述步骤,能够有效地去除汽车轮廓点云集合中远离汽车轮廓轮的噪声点云,从而有效地提高曲面重构的精度。
在本申请的一些优选的实施例中,步骤S23和步骤S24之间还包括以下步骤:
将Uj中的所有数据点向预设的投影平面进行投影,如果投影后的数据点出现多个聚集区,基于所述多个聚集区对Uj进行进一步分割。
以下结合图2具体说明基于聚集区对Uj进行进一步分割的具体实施方式,如图2所示,由于汽车40上有多个部位的轮廓曲面的指向较为相似,例如:车顶和车前盖、后盖的部分区域基本与地面平行,车身的两侧均垂直于地面且互相之间基本保持平行,这些明显处于不同部位的轮廓,通过步骤S23可能被归入同一个子集Uj,因此,在本申请的一些优选的实施例中,通过将Uj中的所有数据点向预设的投影平面进行投影,即可以将同一个子集Uj中明显呈现聚类特性的多个聚集区区分出来,并进行进一步的分割。
具体地,在本申请的一些优选的实施例中,投影平面平行于Uj的整体法向矢量,所述Uj的整体法向矢量基于Uj中各个数据点的法向矢量的指向确定。由于Uj中的各个数据点具有相同或相似的法向矢量,因此Uj作为上述数据点的集合,整体上呈现一种指向性,即具有一整体法向矢量。整体法向矢量可以基于Uj中各个数据点的法向矢量的指向确定,例如通过求取上述各个数据点的法向矢量的指向的均值确定,或通过Uj中全部数据点拟合出一个参考平面,该参考平面的法向矢量即反映了Uj中各个数据点的法向矢量所整体呈现出的指向,并可作为Uj的整体法向矢量。
将投影平面设置为平行于Uj的整体法向矢量,能够使得不同部位的数据点的聚类特征更为明显,从而更有利于对多个聚集区进行进一步的分割:例如,对于车顶和车前盖、后盖的数据点所在的Uj,其整体法向矢量基本垂直于地面,因此应选择垂直于地面的平面作为投影平面;对于车身的两个侧面,其所在的Uj的整体法向矢量平行于地面,此时可以选择地面作为投影平面。
在得到多个汽车轮廓局部点云集合{U′1,U′2,...U′j,...,U′N}后,通过步骤S3对每个汽车轮廓局部点云集合进行曲面拟合得到对应的汽车轮廓局部曲面,然后将多个汽车轮廓局部曲面拼接得到汽车轮廓曲面模型。在本申请的一些实施例中,步骤S3进一步包括以下步骤:
S31:将汽车轮廓局部点云集合U′j中包含的数据点投影到对应的当前平面上;
S32:对投影后的数据点进行三角剖分,构造三角网格平面;
S33:将三角网格平面映射回三维空间,得到三维空间分布的三角网格;
S34:基于三维空间分布的三角网格进行空间曲面拟合,得到与U′j对应的汽车轮廓局部曲面;
S35:对每一个U′j,j∈1...N,重复执行步骤S31至步骤S34,得到各自对应的汽车轮廓局部曲面后进行拼接,最终得到汽车轮廓曲面模型。
具体地,对于任意一个汽车轮廓局部点云集合U′j,首先将其中包含的数据点投影到其对应的当前平面上;然后对投影后的数据点进行三角剖分以生成三角网格平面并将其映射回三维空间从而得到三维空间分布的三角网格;接着对上述三维空间分布的三角网格进行空间曲面拟合从而得到与U′j对应的汽车轮廓局部曲面。
在本申请的一些实施例中,可以利用最小二乘法进行上述空间曲面拟合,具体地,设上述三角网格的网格点为pl(xl,yl,zl),l=1,2,...,M,其曲面拟合函数为:
其中,apq为多项式拟合系数,p和q为网格点,为了确定多项式系数apq,进一步构造如下的最小二乘拟合公式:
如若求目标函数的极值,只需确定能使其对各变量的偏导数都为零时的一组数,即F(apq)的一阶偏导数为零:
多项式系数apq是由网格点坐标带入最小二乘拟合式求得的,所以其具有唯一性,以此求得拟合曲面解析式f(x,y),实现最小二乘曲面拟合。
通过上述步骤求得每一个U′j,j∈1...N的拟合曲面后,将各个拟合曲面进行拼接,最终即可得到汽车轮廓曲面模型。
本申请的另一方面提供一种汽车轮廓曲面模型构建系统,如图5所示,根据本申请实施例提供的汽车轮廓曲面模型构建系统包括数据获取单元和数据处理单元:
所述数据获取单元包括由多个三维激光雷达构成的三维激光雷达阵列、地感车辆检测装置和GPS时钟;
所述数据处理单元包括存储器和处理器,其中所述存储器存储有计算机程序,所述程序被处理器执行时能够使用上述汽车轮廓曲面模型构建方法构建汽车轮廓曲面模型。上述数据获取单元的具体布设方式以及上述汽车轮廓曲面模型构建方法的具体实施方式已进行了详细说明,在此不再赘述。
在本申请的一些优选的实施例中,如图5所示,所述汽车轮廓曲面模型构建系统同还包括交通服务器,用于接收和保存所述汽车轮廓曲面模型并对汽车进行识别和检测。
以上对本申请的具体实施方式作了详细介绍,对于本技术领域的技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也属于本申请权利要求的保护范围。
Claims (9)
1.一种汽车轮廓曲面模型构建方法,其特征在于,包括以下步骤:
S1:对多个三维激光雷达扫描汽车获取的点云数据集合进行预处理,得到预处理后的汽车轮廓点云集合;
S2:基于改进的法向矢量算法对预处理后的汽车轮廓点云集合进行点云分割处理,得到多个汽车轮廓局部点云集合;
S3:对每个汽车轮廓局部点云集合进行曲面拟合得到对应的汽车轮廓局部曲面,将多个汽车轮廓局部曲面拼接得到汽车轮廓曲面模型。
2.根据权利要求1所述的一种汽车轮廓曲面模型构建方法,其特征在于,所述步骤S1具体包括以下步骤:
S11:对每个三维激光雷达扫描汽车获取的点云数据集合进行点云滤波;
S12:对每个滤波后的点云数据集合进行数据降采样处理;
S13:对多个数据降采样处理后的点云数据集合进行点云融合处理,得到汽车轮廓点云集合。
3.根据权利要求2所述的一种汽车轮廓曲面模型构建方法,其特征在于:
所述数据降采样处理采用曲率精简算法,点云数据集合在不同区域的单位体积内的数据点的数量随曲率值的增大而增加。
4.根据权利要求1所述的一种汽车轮廓曲面模型构建方法,其特征在于,所述步骤S2具体包括以下步骤:
S21:对于汽车轮廓点云集合S={p1,p2,…,pn},其中n为S中数据点的个数,随机选取一数据点pi以及与该点距离最近K邻域的点集{pi,pi+1,…,pi+K}并拟合得到点pi的K近邻平面,将所述点pi的K近邻平面的法向矢量确定为点pi的法向矢量;
S22:重复步骤S21直到确定S中所有数据点的法向矢量;
S23:将汽车轮廓点云集合S分割为多个子集:S={U1,U2,…Uj,…,UN},N为子集的个数,其中每个子集包含的多个数据点具有相同或相似的法向矢量;
S24:对任意一个子集Uj,从其包含的多个数据点中随机抽取m个数据点进行平面拟合得到第一拟合平面L,L满足如下平面方程:
aX+bY+cZ=d,
其中,(a、b、c)为L的单位法向矢量且a2+b2+c2=1,d为坐标原点到L的距离。
S25:统计Uj中与L的距离小于预设的第一距离的数据点个数k,判断k是否大于第一阈值δ,如果判断结果为假,则重新执行步骤S24,如果判断结果为真,则将此时的L作为当前平面,并执行步骤S26;
S26:从距离当前平面最近的k个点中随机抽取m个数据点进行平面拟合得到第二拟合平面L′,L′满足如下平面方程:
a′X+b′Y+c′Z=d′,
其中,(a′、b′、c′)为L′的单位法向矢量且a′2+b′2+c′2=1,d′为坐标原点到L′的距离;
S27:判断L′与当前平面的夹角是否小于预设的第二阈值ε,如果判断结果为假,则将L′作为新的当前平面并重新执行步骤S26,如果判断结果为真,执行步骤S28;
S28:将Uj中与当前平面的距离大于预设的第二距离的数据点滤除,得到汽车轮廓局部点云集合U′j;
S29:对每一个子集Uj重复执行步骤S24至步骤S28,直到遍历汽车轮廓点云集合S的全部子集{U1,U2,…Uj,…,UN},最终得到多个汽车轮廓局部点云集合{U′1,U′2,…U′j,…,U′N}。
5.根据权利要求4所述的一种汽车轮廓曲面模型构建方法,其特征在于,所述步骤S23和步骤S24之间还包括以下步骤:
将Uj中的所有数据点向预设的投影平面进行投影,如果投影后的数据点出现多个聚集区,则基于所述多个聚集区对Uj进行进一步分割。
6.根据权利要求5所述的一种汽车轮廓曲面模型构建方法,其特征在于:
所述投影平面平行于Uj的整体法向矢量,所述Uj的整体法向矢量基于Uj中各个数据点的法向矢量的指向确定。
7.根据权利要求4至6中任一项所述的一种汽车轮廓曲面模型构建方法,其特征在于,所述步骤S3进一步包括以下步骤:
S31:将汽车轮廓局部点云集合U′j中包含的数据点投影到对应的当前平面上;
S32:对投影后的数据点进行三角剖分,构造三角网格平面;
S33:将三角网格平面映射回三维空间,得到三维空间分布的三角网格;
S34:基于三维空间分布的三角网格进行空间曲面拟合,得到与U′j对应的汽车轮廓局部曲面;
S35:对每一个U′j,j∈1…N,重复执行步骤S31至步骤S34,得到各自对应的汽车轮廓局部曲面后进行拼接,最终得到汽车轮廓曲面模型。
8.一种汽车轮廓曲面模型构建系统,包括数据获取单元和数据处理单元,其特征在于:
所述数据获取单元包括由多个三维激光雷达构成的三维激光雷达阵列、地感车辆检测装置和GPS时钟;
所述数据处理单元包括存储器和处理器,其中所述存储器存储有计算机程序,所述程序被处理器执行时能够使用如权利要求1至权利要求7中任一项所述的汽车轮廓曲面模型构建方法构建汽车轮廓曲面模型。
9.根据权利要求8所述的一种汽车轮廓曲面模型构建系统,其特征在于:
还包括交通服务器,用于接收和保存所述汽车轮廓曲面模型并对汽车进行识别和检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210509490.2A CN114863064A (zh) | 2022-05-11 | 2022-05-11 | 一种汽车轮廓曲面模型构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210509490.2A CN114863064A (zh) | 2022-05-11 | 2022-05-11 | 一种汽车轮廓曲面模型构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114863064A true CN114863064A (zh) | 2022-08-05 |
Family
ID=82637879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210509490.2A Pending CN114863064A (zh) | 2022-05-11 | 2022-05-11 | 一种汽车轮廓曲面模型构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863064A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778113A (zh) * | 2023-06-25 | 2023-09-19 | 深圳市魔数智擎人工智能有限公司 | 一种基于现实中已有的异型曲面建立新的理论模型的方法 |
CN117115391A (zh) * | 2023-10-24 | 2023-11-24 | 中科云谷科技有限公司 | 模型更新方法、装置、计算机设备及计算机可读存储介质 |
-
2022
- 2022-05-11 CN CN202210509490.2A patent/CN114863064A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778113A (zh) * | 2023-06-25 | 2023-09-19 | 深圳市魔数智擎人工智能有限公司 | 一种基于现实中已有的异型曲面建立新的理论模型的方法 |
CN117115391A (zh) * | 2023-10-24 | 2023-11-24 | 中科云谷科技有限公司 | 模型更新方法、装置、计算机设备及计算机可读存储介质 |
CN117115391B (zh) * | 2023-10-24 | 2024-01-12 | 中科云谷科技有限公司 | 模型更新方法、装置、计算机设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 | |
Sohn et al. | Extraction of buildings from high resolution satellite data | |
Gross et al. | Extraction of lines from laser point clouds | |
Melzer et al. | Extraction and modeling of power lines from ALS point clouds | |
CN114863064A (zh) | 一种汽车轮廓曲面模型构建方法及系统 | |
Abuhadrous et al. | Digitizing and 3D modeling of urban environments and roads using vehicle-borne laser scanner system | |
CN112379393A (zh) | 一种列车碰撞预警方法及其装置 | |
CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
CN113281782A (zh) | 一种基于无人驾驶车的激光雷达雪点滤除方法 | |
CN116978009A (zh) | 基于4d毫米波雷达的动态物体滤除方法 | |
CN110288620B (zh) | 基于线段几何特征的图像匹配方法及飞行器导航方法 | |
CN117706577A (zh) | 基于激光雷达三维点云算法的船舶尺寸测量方法 | |
Gehrung et al. | Change detection and deformation analysis based on mobile laser scanning data of urban areas | |
Dos Santos et al. | Building boundary extraction from LiDAR data using a local estimated parameter for alpha shape algorithm | |
CN114812435B (zh) | 一种车辆三维点云数据滤波方法 | |
CN116295337A (zh) | 面向自动驾驶的机器定位地图生成与机器泛在定位方法 | |
CN116862829A (zh) | 一种覆冰环境下架空线路弧垂监测方法及装置 | |
CN116310552A (zh) | 一种基于多尺度特征融合的三维目标检测方法 | |
CN115719370A (zh) | 一种公开道路激光特征匹配定位方法、系统及存储介质 | |
CN115971004A (zh) | 一种针对车厢的智能腻子喷涂方法及系统 | |
CN115965847A (zh) | 交叉视角下多模态特征融合的三维目标检测方法和系统 | |
CN112906519B (zh) | 一种车辆类型识别方法及装置 | |
CN115468576A (zh) | 一种基于多模态数据融合的自动驾驶定位方法及系统 | |
CN107808160B (zh) | 三维建筑物提取方法和装置 | |
CN115453570A (zh) | 一种多特征融合的矿区粉尘滤除方法 |
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 |