CN115035227A - 一种点云数据的处理方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种点云数据的处理方法、装置及电子设备，方法包括：获得第一点云数据；根据待检测对象对应的第一高度阈值和第二高度阈值，对第一点云数据进行筛选，以得到第二点云数据；根据待检测对象对应的几何形态参数，对第二点云数据进行筛选，以得到第三点云数据；依据第三点云数据与数据采集设备之间的距离，对第三点云数据进行下采样，以得到N个下采样点云数据；对N个下采样点云数据进行滤波处理，以得到第四点云数据；对第四点云数据采用随机抽样一致算法进行运算，以得到第五点云数据；对第五点云数据采用最远点采样算法进行运算，以得到第六点云数据。

Description

一种点云数据的处理方法、装置及电子设备

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的处理方法、装置及电子设备。

背景技术

点云数据是三维数据的一种表达方式，也是三维视觉最基本的数据格式之一。但是扫描仪扫描得到的点云数据中存在冗余数据和噪声数据。

因此，亟需一种能够对扫描仪所扫描到得到的点云数据进行采样的技术方案。

发明内容

有鉴于此，本申请提供了一种点云数据的处理方法、装置及电子设备，用于解决现有技术中扫描仪扫描得到的点云数据存在冗余数据和噪声数据的技术问题。

本申请提供了一种点云数据的处理方法，所述方法包括：

获得第一点云数据，所述第一点云数据为数据采集设备对待检测对象进行数据采集所得到的点云数据；

根据所述待检测对象对应的第一高度阈值和第二高度阈值，对所述第一点云数据进行筛选，以得到第二点云数据；所述第二点云数据的坐标高度小于或等于所述第一高度阈值，且，所述第二点云数据的坐标高度大于或等于所述第二高度阈值，所述第一高度阈值大于所述第二高度阈值；

根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据；

依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据；

对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；

对所述第四点云数据采用随机抽样一致算法进行运算，以得到第五点云数据；

对所述第五点云数据采用最远点采样算法进行运算，以得到第六点云数据。

上述方法，优选的，所述根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据，包括：

根据所述第二点云数据，构建对应的至少一个几何模型；

利用最小二乘法，获得每个所述几何模型对应的几何模型方程；

根据所述几何模型方程，以所述待检测对象对应的几何形态参数为约束条件，对处于所述几何模型内的点云数据进行筛选，以得到第三点云数据。

上述方法，优选的，所述几何模型为圆柱模型；所述圆柱模型对应的圆柱模型方程以公式(1)表示：

其中，(x₀，y₀，z₀)为圆柱模型的顶面圆心的坐标，(l,m,n)为圆柱模型的圆柱轴线的方向向量，r为圆柱模型的圆柱半径；(a,b,c)为平面法向量，d为原点至平面的距离，原点为所述圆柱模型的底面圆心；(x_i，y_i，z_i)为圆柱模型的顶面上的第i个点云数据的点云坐标，n为圆柱模型的顶面点云数量，(x，y，z)为所述第二点云数据任一点云数据的点云坐标。

上述方法，优选的，所述几何形态参数至少包含形态高度阈值；

其中，所述根据所述几何模型方程，以所述待检测对象对应的几何形态参数为约束条件，对处于所述几何模型内的点云数据进行筛选，以得到第三点云数据，包括：

根据所述圆柱模型方程，对处于所述圆柱模型内且坐标高度大于所述形态高度阈值的点云数据进行剔除，以得到第三点云数据。

上述方法，优选的，所述依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据，包括：

根据所述第三点云数据的点云数据量、预设的距离阈值以及预设的点云数据保留率，从所述第三点云数据的第一数据集合和第二数据集合中分别随机选取第一数量值和第二数量值的点云数据，以得到N个下采样点云数据；

其中，所述第一数据集合中的点云数据为与所述数据采集设备之间的距离满足所述距离阈值的近点云数据；所述第二数据集合中的第三点云数据为与所述数据采集设备之间的距离满足所述距离阈值的远点云数据。

上述方法，优选的，所述根据所述第三点云数据的点云数据量、预设的距离阈值以及预设的点云数据保留率，从所述第三点云数据的第一数据集合和第二数据集合中分别随机选取第一数量值和第二数量值的点云数据，以得到N个下采样点云数据，包括：

按照公式(2)，根据所述第三点云数据的点云数据量、预设的距离阈值以及预设的点云数据保留率，从所述第一数据集合中随机选取第一数量值的点云数据，并从所述第二数据集合中随机选取第二数量值的点云数据，以得到N个下采样点云数据；

其中，depth为所述距离阈值，P_near为所述第一数据集合，P_far为所述第二数据集合，P_near中点云数据与所述数据采集设备之间的距离小于或等于所述距离阈值；P_far中的点云数据与所述数据采集设备之间的距离大于所述距离阈值；(x，y，z)为所述第三点云数据中任一点云数据的点云坐标，ratio为所述点云数据保留率，C_near为所述第一数量值，C_far为所述第二数量值。

上述方法，优选的，所述距离阈值为大于或等于0.43且小于或等于0.6的值；

其中，所述第三点云数据中与所述数据采集设备之间的距离小于或等于所述距离阈值的点云数据被标记为所述近点云数据，所述第三点云数据中与所述数据采集设备之间的距离大于所述距离阈值的点云数据被标记为所述远点云数据。

上述方法，优选的，所述对所述N个下采样点云数据进行滤波处理，以得到第四点云数据，包括：

在所述数据采集设备使用线结构光的采集方式进行点云数据采集的情况下，采用直通滤波算法，沿点云数据的横轴方向或纵轴方向，对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；

在所述数据采集设备为高分辨率图像采集设备的情况下，采用体素滤波算法对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；

在所述数据采集设备处于降水环境的情况下，采用统计滤波算法对所述N个下采样点云数据进行滤波处理，以得到第四点云数据。

本申请还提供了一种点云数据的处理装置，所述装置包括：

数据采集单元，用于获得第一点云数据，所述第一点云数据为数据采集设备对待检测对象进行数据采集所得到的点云数据；

阈值筛选单元，用于根据所述待检测对象对应的第一高度阈值和第二高度阈值，对所述第一点云数据进行筛选，以得到第二点云数据；所述第二点云数据的坐标高度小于或等于所述第一高度阈值，且，所述第二点云数据的坐标高度大于或等于所述第二高度阈值，所述第一高度阈值大于所述第二高度阈值；

形态筛选单元，用于根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据；

点云下采样单元，用于依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据；

滤波处理单元，用于对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；

随机抽样单元，用于对所述第四点云数据采用随机抽样一致算法进行运算，以得到第五点云数据；

最远点采样单元，用于对所述第五点云数据采用最远点采样算法进行运算，以得到第六点云数据。

本申请还提供了一种电子设备，包括：

存储器，用于存储计算机程序以及所述计算机程序运行所产生的数据；

处理器，用于执行所述计算机程序，以实现：获得第一点云数据，所述第一点云数据为数据采集设备对待检测对象进行数据采集所得到的点云数据；根据所述待检测对象对应的第一高度阈值和第二高度阈值，对所述第一点云数据进行筛选，以得到第二点云数据；所述第二点云数据的坐标高度小于或等于所述第一高度阈值，且，所述第二点云数据的坐标高度大于或等于所述第二高度阈值，所述第一高度阈值大于所述第二高度阈值；根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据；依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据；对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；对所述第四点云数据采用随机抽样一致算法进行运算，以得到第五点云数据；对所述第五点云数据采用最远点采样算法进行运算，以得到第六点云数据。

从上述技术方案可以看出，本申请提供的一种点云数据的处理方法、装置及电子设备中，在获得到数据采集设备对待检测对象进行数据采集所得到的第一点云数据之后，首先根据待检测对象对应的第一高度阈值和第二高度阈值，对第一点云数据进行筛选，所得到的第二点云数据的坐标高度小于或等于第一高度阈值且大于或等于第二高度阈值，进而再根据待检测对象对应的几何形态参数，对第二点云数据进行筛选，在得到第三点云数据之后，依据第三点云数据与数据采集设备之间的距离，对第三点云数据进行下采样，以得到N个下采样点云数据，之后，对N个下采样点云数据进行滤波处理，将得到的第四点云数据采用随机抽样一致性算法进行运算，最后将得到的第五点云数据采用最远点采样算法进行运算，得到第六点云数据。由此，本申请中结合多种方式，对数据采集设备所采集到的点云数据进行采样，以剔除点云数据中的冗余数据和噪声数据。

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的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为激光扫描仪扫描得到的受外界因素影响产生大量噪声的点云数据示意图；

图2为本申请实施例一提供的一种点云数据的处理方法的实现流程图；

图3及图4分别为本申请实施例中激光扫描仪的目标空间范围的示例图；

图5为本申请实施例一提供的一种点云数据的处理方法的部分流程图；

图6为本申请实施例适用于车辆动态物领域进行点云数据处理的流程示意图；

图7为本申请实施例二提供的一种点云数据的处理装置的结构示意图；

图8为本申请实施例二提供的一种电子设备的结构示意图。

具体实施方式

目前，点云数据的获取主要采用激光扫描的方式。如图1所示，由于受到雾天、雨天等众多外界因素的影响，通过激光扫描得到的点云数据中含有大量的噪声，而现存对点云数据下采样的算法较少，不能准确的去除大量的噪声，而且在获得的点云数据中存在大量的冗余数据，需要对点云数据下采样来剔除这些冗余数据，仅仅使用高度阈值的方法对地面点与非地面点进行区分，无法准确的进行非地面点和地面点进行区分。而且目前还没有一种方法，可以适应不同采集方式得到的点云数据进行高精度剔除冗余和噪声数据，进而将点云数据在不损失物体结构的前提下，最大化减少冗余数据量，得到高质量的点云数据信息。为此，本申请结合多种数据下采样方法，把点云中的冗余数据和噪声数据进行剔除。

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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参考图2所示，为本申请实施例一提供的一种点云数据的处理方法的实现流程图，该方法适用于能够进行数据处理的电子设备，如手机、平板、一体机、服务器等设备。本实施例中的技术方案主要用于对数据采集设备所采集到的点云数据进行采样，以剔除点云数据中的冗余数据和噪声数据。

具体的，本实施例中的方法具体可以包含以下步骤：

步骤201：获得第一点云数据。

其中，第一点云数据为数据采集设备对待检测对象进行数据采集所得到的点云数据。

在具体实现中，本实施例中的数据采集设备可以为能够获得点云数据的设备，如：高分辨率相机、激光扫描仪，等等。数据采集设备对应有目标空间范围，目标空间范围可以理解为数据采集设备的扫描范围。数据采集设备的目标空间范围可以根据需求预先设置，以满足不同场景下对待检测对象的扫描需求。例如，设置激光扫描仪的扫描原点、扫描角度范围以及在扫描角度范围上的扫描深度等参数，以此确定扫描设备的目标空间范围。其中，扫描角度范围包含多个扫描方向。例如，扫描角度范围包含基于扫描原点以正东方向为中心方向60度的范围，扫描深度可以为500米的深度。再如，扫描角度范围包含基于扫描原点以正北方向为中心方向360度的范围，扫描深度可以为10公里的深度。

例如，以激光扫描仪为例，激光扫描仪的扫描角度范围包含以坐标X为扫描原点以正东方向为中心方向的60度范围，并且，以50米为扫描深度，相应的激光扫描仪的目标空间范围如图3中所示，图中夹角为60°深度为50米的扇形区域对应的空间范围即为激光扫描仪对应的目标空间范围。

再如，激光扫描仪以坐标Y为扫描原点，以360度为扫描角度范围，以10公里为扫描深度，相应的激光扫描仪的目标空间范围如图4中所示，图中360度深度为10公里的区域对应的空间范围即为激光扫描仪对应的目标空间范围。

另外，待检测对象是指需要进行识别的对象，如人或车辆等。数据采集设备对目标空间范围内进行点云数据采集，目标空间范围内可能存在一个或多个待检测对象，第一点云数据中可能含有大量噪声数据和冗余数据。例如，通过车辆动态物如配置在车辆顶部的激光扫描仪对周围360度内的空间范围的点云数据进行采集，得到包含有大量噪声和冗余信息的点云数据。

步骤202：根据待检测对象对应的第一高度阈值和第二高度阈值，对第一点云数据进行筛选，以得到第二点云数据。

其中，第二点云数据的坐标高度小于或等于第一高度阈值，且第二点云数据的坐标高度大于或等于第二高度阈值，第一高度阈值大于第二高度阈值。

需要说明的是，第一高度阈值和第二高度阈值为待检测对象的先验特征阈值，由用户预先根据待检测对象的高度属性进行设置。

在一种实现方式中，本实施例中预先根据待检测对象本身的高度，设置一个高度范围阈值(H_min,H_max)，基于此，本实施例中对第一点云数据中坐标高度低于H_min的点云数据和高于H_max的点云数据均进行剔除，可以保证去掉大部分地面点云数据和树木等一些较高的点云数据。

例如，根据rviz工具对点云数据进行可视化，比如需要检测车辆行人的点云特征，就通过rviz工具得到车辆和行人的点云特征高度在(0,8)之间，那么就可以根据这个阈值把低于0和高于8的点云数据全部剔除。

步骤203：根据待检测对象对应的几何形态参数，对第二点云数据进行筛选，以得到第三点云数据。

其中，几何形态参数可以包含有待检测对象对应的形态高度阈值、形态宽度阈值、形态长度阈值等中的任意一项或任意多项。本实施例中以这些几何形态参数为约束条件，对第二点云数据中不符合该约束条件的点云数据进行剔除，以得到第三点云数据，由此进一步剔除大部分在形态上与待检测对象不匹配的点云数据。

步骤204：根据第三点云数据与数据采集设备之间的距离，对第三点云数据进行下采样，以得到N个下采样点云数据。

具体的，本实施例中可以按照第三点云数据与数据采集设备之间的距离的不同，以不同的方式对第三点云数据进行下采样，以得到N个下采样点云数据。例如，对相对于数据采集设备较近的空间范围中的点云数据和相对于数据采集设备较远的空间范围中的点云数据分别进行下采样，使得不同空间范围内剩余的点云数据在数量上的偏差小于或等于预设的偏差阈值且剩余的点云数据的数量总和为N，由此，避免点云数据在相对于数据采集设备远近距离上的偏差。

步骤205：对N个下采样点云数据进行滤波处理，以得到第四点云数据。

其中，本实施例中可以针对点云数据的不同的采集方式，使用不同的滤波算法对N个下采样点云数据进行滤波处理，以得到第四点云数据。具体如下：

在数据采集设备使用线结构光的采集方式进行点云数据采集的情况下，本实施例中采用直通滤波算法，沿点云数据的横轴方向或纵轴方向，对N个下采样点云数据进行滤波处理，以得到第四点云数据。

例如，如果是激光扫描仪通过线结构光的采集方式得到的点云数据，那么点云数据在Z轴方向上的分布较广，但是沿X轴和Y轴方向的分布则处于有限的范围内，因此，本实施例中使用直通滤波算法对N个下采样电源数据确定X轴方向的范围或Y轴方向的范围并进行滤波处理，由此可以快速去掉其中的离散的点云数据。

在数据采集设备为高分辨率图像采集设备的情况下，本实施例中可以采用体素滤波算法对N个下采样点云数据进行滤波处理，以得到第四点云数据。

例如，如果是高分辨率相机等设备对点云数据进行采集，点云数据通常比较密集，所以会存在很多的冗余数据，此时，本实施例中使用体素滤波算法对对N个下采样电源数据进行滤波处理，进而可以在对点云数据采样的同时又不破坏点云数据本身所呈现的几何结构。

在数据采集设备处于降水环境的情况下，采用统计滤波算法对N个下采样点云数据进行滤波处理，以得到第四点云数据。

例如，由于雾天或雨天等外在条件的影响，激光扫描仪所扫描到的点云数据会产生大量的噪声数据，噪声数据属于无用数据或有效数据量较少，所以离散点所表达的信息可以忽略不计，如果对某一处的点云数据小于某个密度，即点云数据无效，此时，本实施例中可以使用统计滤波器(配置有统计滤波算法)去除下采样点云数据中明显的离散点。

步骤206：对第四点云数据采用随机抽样一致性算法RANSAC(Random sampleconsensus，RANSAC)进行运算，以得到第五点云数据。

例如，RANSAC算法是一个非确定性算法，此算法以一定的概率得到较好的结果，但结果的好坏程度主要取决于算法的最大迭代次数和数据集的样本好坏，因此，本实施例中在对第一电源数据经过步骤202-步骤205的点云数据采样之后，所得到的点云数据中已经剔除了大部分的冗余数据和噪声数据，使得保留下来的第四点云数据包含高质量的信息，因此，本实施例中可以使用RANSAC算法在最少迭代次数的同时，获得较好的模型，从而可以较高的剔除地面数据点和其他冗余数据点。

步骤207：对第五点云数据采用最远点采样算法FPS(Farthest Point Sampling)进行运算，以得到第六点云数据。

例如，本实施例中在对第一点云数据经过步骤202-步骤206的点云数据采样之后，保留下来的第五点云数据都包含了有效的信息，因此，本实施例中再对第五点云数据进行FPS算法采样，这样可以在高质量的点云数据中取到较少的点并得到全局的数据点的特征。

从上述方案可知，本申请实施例一提供的一种点云数据的处理方法中，在获得到数据采集设备对待检测对象进行数据采集所得到的第一点云数据之后，首先根据待检测对象对应的第一高度阈值和第二高度阈值，对第一点云数据进行筛选，所得到的第二点云数据的坐标高度小于或等于第一高度阈值且大于或等于第二高度阈值，进而再根据待检测对象对应的几何形态参数，对第二点云数据进行筛选，在得到第三点云数据之后，依据第三点云数据与数据采集设备之间的距离，对第三点云数据进行下采样，以得到N个下采样点云数据，之后，对N个下采样点云数据进行滤波处理，将得到的第四点云数据采用随机抽样一致性算法进行运算，最后将得到的第五点云数据采用最远点采样算法进行运算，得到第六点云数据。由此，本实施例中结合多种采样或滤波方式，对数据采集设备所采集到的大量点云数据进行下采样，以剔除点云数据中的冗余数据和噪声数据。

在一种实现方式中，步骤203中在根据待检测对象对应的几何形态参数，对第二点云数据进行筛选时，具体可以通过以下方式得到第三点云数据，如图5中所示：

步骤501：根据第二点云数据，构建对应的至少一个几何模型。

具体的，本实施例中采用预设的拟合算法，利用第二点云数据进行模型拟合，从而构建出一个或多个几何模型。

其中，几何模型可以为圆柱模型或其他模型。例如，本实施例中采用预设的拟合算法在第二点云数据的基础上进行模型拟合，从而拟合得到相应的圆柱模型。

步骤502：根据最小二乘法，获得每个几何模型对应的几何模型方程。

例如，本实施例中使用最小二乘法计算每个圆柱模型的圆柱模型方程。圆柱模型对应的圆柱模型方程如下公式(1)所示：

其中，(x₀，y₀，z₀)为圆柱模型的顶面圆心的坐标，(l,m,n)为圆柱模型的圆柱轴线的方向向量，r为圆柱模型的圆柱半径；(a,b,c)为平面法向量，d为原点至平面的距离，原点为所述圆柱模型的底面圆心；(x_i，y_i，z_i)为圆柱模型的顶面上的第i个点云数据的点云坐标，n为圆柱模型的顶面点云数量，(x，y，z)为所述第二点云数据任一点云数据的点云坐标。

步骤503：根据几何模型方程，以待检测对象对应的几何形态参数为约束条件，对处于几何模型内的点云数据进行筛选，以得到第三点云数据。

例如，以几何形态参数包含的形态高度阈值为例，本实施例中可以根据圆柱模型方程，对处于圆柱模型内且坐标高度大于行人对应的形态高度阈值的点云数据进行剔除，以得到第三点云数据，由此可以保证去掉大部分与路灯杆类似的点云数据，避免把路灯杆类似物误识为行人的情况。

在一种实现方式中，步骤204中在依据第三点云数据与数据采集设备之间的距离，对第三点云数据进行下采样时，具体可以通过以下方式得到N个下采样点云数据：

根据第三点云数据的点云数据量、预设的距离阈值以及预设的点云数据保留率，从第三点云数据的第一数据集合和第二数据集合中分别随机选取第一数量值和第二数量值的点云数据，以得到N个下采样点云数据。

其中，第一数据集合中的点云数据为与数据采集设备之间的距离满足距离阈值的近点云数据，第二数据集合中的第三点云数据为与数据采集设备之间的距离满足距离阈值的远点云数据。第一数量值和第二数量值的和为N。

具体实现中，本实施例中可以按照如下公式(2)，根据第三点云数据的点云数据量、距离阈值以及点云数据保留率，从第一数据集合中随机选取第一数量值的点云数据，并从第二数据集合中随机选取第二数量值的点云数据，以得到N个下采样点云数据。

其中，depth为距离阈值，P_near为第一数据集合，P_far为第二数据集合，P_nea中点云数据与数据采集设备之间的距离小于或等于距离阈值；P_far中的点云数据与数据采集设备之间的距离大于距离阈值；(x，y，z)为所述第三点云数据中任一点云数据的点云坐标，ratio为所述点云数据保留率，C_near为所述第一数量值，C_far为所述第二数量值。

需要说明的是，N可以按照神经网络所需要的点云数据的输入数量M来确定，N为小于M的数值。ratio可以根据N来确定，以使得在N*ratio与N*(1-ratio)之间的偏差即第一数量值和第二数量值之间的偏差小于或等于偏差阈值。

其中，距离阈值可以为大于或等于0.43且小于或等于0.6的值。基于此，第三点云数据中与数据采集设备之间的距离小于或等于距离阈值的点云数据被标记为近点云数据，即P_near；第三点云数据中与数据采集设备之间的距离大于距离阈值的点云数据被标记为远点云数据，即P_far。由此，本实施例中，在P_near中随机选取C_near数量的点云数据，并在P_far中随机选取C_far数量的点云数据，得到保留下来的N个下采样点云数据。

例如，以保留率为0.5(50％)为例，此时，第一数量值即为N乘以保留率0.5，即第一数量值为N/2。由此，按照N/2对近点云数据P_near中的点云数据进行下采样，使得P_near内剩余N/2的点云数据，之后，按照N/2对远点云数据P_far中的点云数据进行下采样，以使得P_far内剩余N/2的点云数据。

基于以上实施例，本实施例中提出的方案适用于车辆动态物领域时，主要分为四个阶段：第一个阶段是设置车辆动态物先验特征阶段，即图6中的步骤S1-步骤S3，该阶段主要是通过一个固定的高度阈值以及几何形态参数，对地面点和非地面点进行区分，同时剔除高的圆柱形态物体，并对近点云数据和远点云数据进行下采样。第二个阶段是传统滤波算法阶段，根据上一步得到的采样点，利用传统滤波算法，剔除离群采样点和无效采样点，即图6中的步骤S4。第三个阶段是RANSAC算法阶段，该阶段主要是进一步剔除地面采样点个数和离群采样点个数，即图6中的步骤S5。第四个阶段是利用FPS算法，在最后得到的采样点中尽可能的覆盖空间中所有采样点特征，即图6中的步骤S6。

步骤S0：通过车辆动态物激光扫描对点云数据进行采集，得到含有大量噪声和冗余信息的点云数据。

步骤S1：设置先验特征，剔除冗余采样点。

步骤S2：使用几何形态参数的点云数据滤波方法。

步骤S3：在得到的下采样数据中，对距离激光雷达近的点云数据进行下采样，本步骤采样后的点云数据量为N。

步骤S4：对上述得到的N个点云数据使用传统滤波算法。

步骤S5：对得到的点云数据实施RANSAC算法。

步骤S6：对点云数据实施FPS算法。

可见，本实施例中通过混合性点云数据下采样方法，在激光扫描得到的大量数据中，对点云数据进行下采样，能够在很大程度上剔除由于外界干扰产生的噪声和其他相似物产生的冗余数据点信息，在得到的高质量点云数据中取到较少的点并得到全局的数据点特征。

参考图7，为本申请实施例二提供的一种点云数据的处理装置的结构示意图，该装置可以配置在能够进行数据处理的电子设备上，如手机、平板、一体机、服务器等设备。本实施例中的技术方案主要用于对数据采集设备所采集到的点云数据进行采样，以剔除点云数据中的冗余数据和噪声数据。

具体的，本实施例中的装置可以包括如下单元：

数据采集单元701，用于获得第一点云数据，所述第一点云数据为数据采集设备对待检测对象进行数据采集所得到的点云数据；

阈值筛选单元702，用于根据所述待检测对象对应的第一高度阈值和第二高度阈值，对所述第一点云数据进行筛选，以得到第二点云数据；所述第二点云数据的坐标高度小于或等于所述第一高度阈值，且，所述第二点云数据的坐标高度大于或等于所述第二高度阈值，所述第一高度阈值大于所述第二高度阈值；

形态筛选单元703，用于根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据；

点云下采样单元704，用于依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据；

滤波处理单元705，用于对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；

随机抽样单元706，用于对所述第四点云数据采用随机抽样一致算法进行运算，以得到第五点云数据；

最远点采样单元707，用于对所述第五点云数据采用最远点采样算法进行运算，以得到第六点云数据。

从上述技术方案可以看出，本申请实施例二提供的一种点云数据的处理装置中，在获得到数据采集设备对待检测对象进行数据采集所得到的第一点云数据之后，首先根据待检测对象对应的第一高度阈值和第二高度阈值，对第一点云数据进行筛选，所得到的第二点云数据的坐标高度小于或等于第一高度阈值且大于或等于第二高度阈值，进而再根据待检测对象对应的几何形态参数，对第二点云数据进行筛选，在得到第三点云数据之后，依据第三点云数据与数据采集设备之间的距离，对第三点云数据进行下采样，以得到N个下采样点云数据，之后，对N个下采样点云数据进行滤波处理，将得到的第四点云数据采用随机抽样一致性算法进行运算，最后将得到的第五点云数据采用最远点采样算法进行运算，得到第六点云数据。由此，本实施例中结合多种方式，对数据采集设备所采集到的点云数据进行采样，以剔除点云数据中的冗余数据和噪声数据。

参考图8，为本申请实施例三提供的一种电子设备的结构示意图，该电子设备可以为手机、平板、一体机、服务器等能够进行数据处理的设备。具体的，电子设备中可以包含如下结构：

存储器801，用于存储计算机程序以及所述计算机程序运行所产生的数据；

处理器802，用于执行所述计算机程序，以实现：获得第一点云数据，所述第一点云数据为数据采集设备对待检测对象进行数据采集所得到的点云数据；根据所述待检测对象对应的第一高度阈值和第二高度阈值，对所述第一点云数据进行筛选，以得到第二点云数据；所述第二点云数据的坐标高度小于或等于所述第一高度阈值，且，所述第二点云数据的坐标高度大于或等于所述第二高度阈值，所述第一高度阈值大于所述第二高度阈值；根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据；依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据；对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；对所述第四点云数据采用随机抽样一致算法进行运算，以得到第五点云数据；对所述第五点云数据采用最远点采样算法进行运算，以得到第六点云数据。

从上述技术方案可以看出，本申请实施例三提供的一种电子设备中，在获得到数据采集设备对待检测对象进行数据采集所得到的第一点云数据之后，首先根据待检测对象对应的第一高度阈值和第二高度阈值，对第一点云数据进行筛选，所得到的第二点云数据的坐标高度小于或等于第一高度阈值且大于或等于第二高度阈值，进而再根据待检测对象对应的几何形态参数，对第二点云数据进行筛选，在得到第三点云数据之后，依据第三点云数据与数据采集设备之间的距离，对第三点云数据进行下采样，以得到N个下采样点云数据，之后，对N个下采样点云数据进行滤波处理，将得到的第四点云数据采用随机抽样一致性算法进行运算，最后将得到的第五点云数据采用最远点采样算法进行运算，得到第六点云数据。由此，本实施例中结合多种方式，对数据采集设备所采集到的点云数据进行采样，以剔除点云数据中的冗余数据和噪声数据。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种点云数据的处理方法，其特征在于，所述方法包括：

获得第一点云数据，所述第一点云数据为数据采集设备对待检测对象进行数据采集所得到的点云数据；

根据所述待检测对象对应的第一高度阈值和第二高度阈值，对所述第一点云数据进行筛选，以得到第二点云数据；所述第二点云数据的坐标高度小于或等于所述第一高度阈值，且，所述第二点云数据的坐标高度大于或等于所述第二高度阈值，所述第一高度阈值大于所述第二高度阈值；

根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据；

依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据；

对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；

对所述第四点云数据采用随机抽样一致算法进行运算，以得到第五点云数据；

对所述第五点云数据采用最远点采样算法进行运算，以得到第六点云数据。

2.根据权利要求1所述的方法，其特征在于，所述根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据，包括：

根据所述第二点云数据，构建对应的至少一个几何模型；

利用最小二乘法，获得每个所述几何模型对应的几何模型方程；

根据所述几何模型方程，以所述待检测对象对应的几何形态参数为约束条件，对处于所述几何模型内的点云数据进行筛选，以得到第三点云数据。

3.根据权利要求2所述的方法，其特征在于，所述几何模型为圆柱模型；所述圆柱模型对应的圆柱模型方程以公式(1)表示：

其中，(x₀，y₀，z₀)为圆柱模型的顶面圆心的坐标，(l,m,n)为圆柱模型的圆柱轴线的方向向量，r为圆柱模型的圆柱半径；(a,b,c)为平面法向量，d为原点至平面的距离，原点为所述圆柱模型的底面圆心；(x_i，y_i，z_i)为圆柱模型的顶面上的第i个点云数据的点云坐标，n为圆柱模型的顶面点云数量，(x，y，z)为所述第二点云数据任一点云数据的点云坐标。

4.根据权利要求3所述的方法，其特征在于，所述几何形态参数至少包含形态高度阈值；

其中，所述根据所述几何模型方程，以所述待检测对象对应的几何形态参数为约束条件，对处于所述几何模型内的点云数据进行筛选，以得到第三点云数据，包括：

根据所述圆柱模型方程，对处于所述圆柱模型内且坐标高度大于所述形态高度阈值的点云数据进行剔除，以得到第三点云数据。

5.根据权利要求1或2所述的方法，其特征在于，所述依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据，包括：

根据所述第三点云数据的点云数据量、预设的距离阈值以及预设的点云数据保留率，从所述第三点云数据的第一数据集合和第二数据集合中分别随机选取第一数量值和第二数量值的点云数据，以得到N个下采样点云数据；

其中，所述第一数据集合中的点云数据为与所述数据采集设备之间的距离满足所述距离阈值的近点云数据；所述第二数据集合中的第三点云数据为与所述数据采集设备之间的距离满足所述距离阈值的远点云数据。

6.根据权利要求5所述的方法，其特征在于，所述根据所述第三点云数据的点云数据量、预设的距离阈值以及预设的点云数据保留率，从所述第三点云数据的第一数据集合和第二数据集合中分别随机选取第一数量值和第二数量值的点云数据，以得到N个下采样点云数据，包括：

按照公式(2)，根据所述第三点云数据的点云数据量、预设的距离阈值以及预设的点云数据保留率，从所述第一数据集合中随机选取第一数量值的点云数据，并从所述第二数据集合中随机选取第二数量值的点云数据，以得到N个下采样点云数据；

其中，depth为所述距离阈值，P_near为所述第一数据集合，P_far为所述第二数据集合，P_near中点云数据与所述数据采集设备之间的距离小于或等于所述距离阈值；P_far中的点云数据与所述数据采集设备之间的距离大于所述距离阈值；(x，y，z)为所述第三点云数据中任一点云数据的点云坐标，ratio为所述点云数据保留率，C_near为所述第一数量值，C_far为所述第二数量值。

7.根据权利要求5所述的方法，其特征在于，所述距离阈值为大于或等于0.43且小于或等于0.6的值；

其中，所述第三点云数据中与所述数据采集设备之间的距离小于或等于所述距离阈值的点云数据被标记为所述近点云数据，所述第三点云数据中与所述数据采集设备之间的距离大于所述距离阈值的点云数据被标记为所述远点云数据。

8.根据权利要求1或2所述的方法，其特征在于，所述对所述N个下采样点云数据进行滤波处理，以得到第四点云数据，包括：

在所述数据采集设备使用线结构光的采集方式进行点云数据采集的情况下，采用直通滤波算法，沿点云数据的横轴方向或纵轴方向，对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；

在所述数据采集设备为高分辨率图像采集设备的情况下，采用体素滤波算法对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；

在所述数据采集设备处于降水环境的情况下，采用统计滤波算法对所述N个下采样点云数据进行滤波处理，以得到第四点云数据。

9.一种点云数据的处理装置，其特征在于，所述装置包括：

数据采集单元，用于获得第一点云数据，所述第一点云数据为数据采集设备对待检测对象进行数据采集所得到的点云数据；

阈值筛选单元，用于根据所述待检测对象对应的第一高度阈值和第二高度阈值，对所述第一点云数据进行筛选，以得到第二点云数据；所述第二点云数据的坐标高度小于或等于所述第一高度阈值，且，所述第二点云数据的坐标高度大于或等于所述第二高度阈值，所述第一高度阈值大于所述第二高度阈值；

形态筛选单元，用于根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据；

点云下采样单元，用于依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据；

滤波处理单元，用于对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；

随机抽样单元，用于对所述第四点云数据采用随机抽样一致算法进行运算，以得到第五点云数据；

最远点采样单元，用于对所述第五点云数据采用最远点采样算法进行运算，以得到第六点云数据。

10.一种电子设备，其特征在于，包括：

存储器，用于存储计算机程序以及所述计算机程序运行所产生的数据；

处理器，用于执行所述计算机程序，以实现：获得第一点云数据，所述第一点云数据为数据采集设备对待检测对象进行数据采集所得到的点云数据；根据所述待检测对象对应的第一高度阈值和第二高度阈值，对所述第一点云数据进行筛选，以得到第二点云数据；所述第二点云数据的坐标高度小于或等于所述第一高度阈值，且，所述第二点云数据的坐标高度大于或等于所述第二高度阈值，所述第一高度阈值大于所述第二高度阈值；根据所述待检测对象对应的几何形态参数，对所述第二点云数据进行筛选，以得到第三点云数据；依据所述第三点云数据与所述数据采集设备之间的距离，对所述第三点云数据进行下采样，以得到N个下采样点云数据；对所述N个下采样点云数据进行滤波处理，以得到第四点云数据；对所述第四点云数据采用随机抽样一致算法进行运算，以得到第五点云数据；对所述第五点云数据采用最远点采样算法进行运算，以得到第六点云数据。

Images