CN115115941B - 基于模板匹配的激光雷达点云地图杆状目标提取方法 - Google Patents
基于模板匹配的激光雷达点云地图杆状目标提取方法 Download PDFInfo
- Publication number
- CN115115941B CN115115941B CN202111323135.8A CN202111323135A CN115115941B CN 115115941 B CN115115941 B CN 115115941B CN 202111323135 A CN202111323135 A CN 202111323135A CN 115115941 B CN115115941 B CN 115115941B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- rod
- point
- target
- rod part
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于模板匹配的激光雷达点云地图杆状目标提取方法，包括以下步骤：将场景点云根据平面坐标划分到栅格内；遍历格网，统计生长范围外框点云数量，计算其占总点云数的百分比，小于1％视作生长终止，反之按上一步中平面栅格生长的步骤，然后执行下一步；在垂直方向上将点云切片，划分为不同区域，求解相邻切片的外接圆半径差，大于7cm则视为找到候选杆部，反之继续步骤中栅格增长；根据以上步骤得到的点云，判断其长度及半径是否符合设定值，保留作为候选杆部；基于体素的模板匹配方法识别路灯和电线杆；采用主成分分析法识别指示牌；利用栅格覆盖率以及区域占有度检测乔木；针对不同杆状目标采用不同的识别方法，提高提取效率。
Description
【技术领域】
本发明涉及点云地图的技术领域，尤其是基于模板匹配的激光雷达点云地图杆状目标提取方法。
【背景技术】
城市建模、精细化城市管理已经成为近些年来的研究热点，针对城市设施的语义提取系统能够为城市建模及城市管理提供重要支撑。但在城市道路场景中，存在着大量的乔木、路灯等柱状地物，这就导致目标语义提取以及属性计算的过程中，需要耗费大量的劳动力和时间成本，因此，一套完备的城市道路部件语义测绘系统显得格外重要。
然而，如今传统的测绘手段，多为大型地面车载和地面架站等方式。这种测绘方法成本高、灵活性欠佳；例如，通过地面架站采用单点扫描的方式获取数据，容易受到天气、地形等因素的制约，且测绘效率不高。
同时，在杆状物提取方面，由于其具有相对显著的几何特征，因此现有算法侧重于从点云几何形状特点入手，具体分为基于密度的提取方法、基于三维体素的提取方法、基于垂直切片的分割方法。基于密度的提取方法，是将点云投影到二维栅格平面，通过统计栅格内点云密度大的区域来定位杆部；基于三维体素的提取方法，是将体素作为点云划分单位，分析特征值之间的相互数学关系作为平面度与圆柱性的判别条件，计算每个体素的维度，将其赋予线性、平面性、球性的语义标签，该方法缺点在于对每个体素进行特征计算，处理过程比较耗时。
基于垂直切片的分割方法，首先是在垂直方向上以1米的宽度将点云划分为切片，随之利用欧式聚类的方法初步分割点云，剔除离群部分；其次，通过计算每个聚类的水平投影面积与垂直高度，保留得到候选杆状物；该方法虽然避免了对每个点云进行特征求解，然而欧式聚类的过程中仍然提高了运算时间成本。
另外，在杆状物识别方面，目前采用的技术方案包括PCA主成分分析方法和分类器检测方法；PCA主成分分析方法，是通过取出杆状物上端的点云数据，再结合主成分分析法，从点云分布方面区分树冠、指示牌以及路灯；分类器检测方法，是统计每个杆状目标显著的几何特征，例如线性、平面性、球性点云的个数以及目标高度，利用SVM支持向量机等分类器识别杆状物；然而，分类器检测方法中的算法高度依赖目标聚类的完整性，由于真实场景的地物复杂性，聚类过程中往往会纳入附着物，继而在特征计算的过程中产生干扰，影响机器学习分类的准确率。
因此，如何利用低成本便携的移动测图平台获取数据，并实现杆状地物的识别对于城市设施的精细化管理极为重要。
【发明内容】
本发明提供基于模板匹配的激光雷达点云地图杆状目标提取方法，基于栅格增长的杆部定位方法来快速锁定场景内的候选柱状物、具有较高的召回率，基于体素的模板匹配方法快速准确地识别路灯与电线杆，利用PCA主成分分析来有效地识别场景中绝大部分指示牌、同时剔除了建筑边界对提取精度带来的干扰，以及根据栅格覆盖率以及区域占有度来剔除杆部点云、只保留上端树冠部分来识别乔木。
为达到上述明目的，采用的技术方案如下：
基于模板匹配的激光雷达点云地图杆状目标提取方法，由机器人和激光雷达组成的移动测图平台来构建点云地图，包括以下步骤：
一、杆状候选目标提取
步骤S401，首先，将场景点云根据平面坐标划分到栅格内；
步骤S402，遍历每个格网，若格网点云密度＞阈值，统计该格网内点云高度差，舍去高差小的栅格；
步骤S403，以保留下的格网为中心，外扩一圈加入邻域栅格内的点云；
步骤S404，设立规则判断杆部生长是否终止，统计生长范围外框的点云数量，计算其占总点云数的百分比，小于阈值视作生长终止，反之继续步骤S403中平面栅格生长的步骤，然后执行步骤S405；
步骤S405，针对生长范围的点云在垂直方向上切片，设立窗口滑动幅度，分别计算相邻切片点云的外接圆半径，倘若相差超过半径差阈值则停止生长，反之继续步骤S403中栅格增长；
步骤S406，根据以上步骤得到的点云，对最终得到的杆部候选物进行判断，如果杆部长度过小或是杆部半径过大，直接剔除不参与后续分类，保留的作为候选杆部；
二、杆状目标识别
步骤S407，通过基于体素的模板匹配方法识别路灯和电线杆；
S407-1、首先通过下采样对杆状候选物进行初步过滤，避免不同体素内点云密度相差过大：
S407-2、接着将场景坐标系原点移至杆部中心，沿着坐标轴将点云划分到每个三维体素之中；
S407-3、从Z-X-Y遍历模型与目标体素，根据公式(1)计算对应体素内的点云数量差，
D＝S1-S2------(1)
其中，S1为模型三维立方体素内的点云个数，S2为目标三维立方体素内的点云个数；点云数量差小于个数阈值则表明两者点云分布类似，加入类似体素集合；等待遍历完成之后，统计类似体素的个数，倘若占比超过总体素百分比阈值，视作匹配成功；
S407-4、然而，由于地物的特殊性以及坐标系不一致，使得模板与目标灯头朝向不同；于是以杆部为轴对目标点云进行旋转操作，记录每次旋转后与模板匹配的相似性，若匹配失败则旋转后继续步骤S407-3中相似性计算，当旋转一周后仍然无法匹配成功，则剔除对应的目标地物；
该方法相比于特征匹配并不需要逐点进行大量的特征求解，在算法效率上展现了极大的提升；模板选取方面对于各类别样本数据，通过三维体素化计算相似性的方法，得到匹配度最高的一组样本，作为模板，用于后续场景目标检测；
步骤S408，采用主成分分析法识别指示牌；
步骤S408-1、遍历点云，借助KDTree近邻查询，将点云以二叉树的形式建立索引进行存储，随后设立搜索半径，从每个三维点开始遍历，计算它与其余点的空间距离，倘若该距离在搜索半径范围内，则属于该点的邻域范围，以此求得并记录目标点的邻域空间；
步骤S408-2、将邻域范围内点云送入PCA主成分分析，根据公式(2)计算协方差矩阵C，C＝U*∑*VT分解得到特征值，
对降维结果进行判断，计算同时满足下列A和B两个条件的点云个数：
A.根据计算得到特征值a1d、a2d和a3d，若a2d＞a1d且a2d＞a3d，表明点云成平面分布，具有平面性；
B.获得最小特征值对应的特征向量，即平面法向量，根据公式(3)计算法向量与Z坐标轴的单位向量点积.
单位向量点积＝[vector最小特征·(0，0，1)]------(3)
若单位向量点积值小于阈值，表明平面与地面垂直；
步骤S408-3、当统计得到的点云个数大于个数阈值时，视为该目标杆状物具有指示牌的显著特征；
步骤S408-4、根据步骤S408-3中得到的候选目标，取出候选目标，以杆部为中心，记录邻域范围内的点云个数，当个数占比过少时，为其赋予指示牌标签，反之作为其他地物剔除；
步骤S409，利用栅格覆盖率以及区域占有度检测及识别乔木；
步骤S409-1、对输入点云投影到XOY平面进行栅格化操作，记录目标点云的格网面积作为覆盖率，实验过程中设立的面积阈值Area，超过阈值则作为乔木输出；
步骤S409-2、将上端点云平移到以杆部中心为原点的坐标系中，接着把投影平面划分为八个区域；
根据实验场景数据，剔除半径过大的杆部点云，保留上端树冠部分；
然后，利用区域分割方法以杆部中心为原点将平面划分为8个区域，按照坐标将三维点云划分入不同区域，当占有的区域个数大于等于4时，为目标赋予乔木标签。
进一步地，所述步骤S407中具体还包括以下步骤：
步骤S407-1，首先通过下采样对杆状候选物进行初步过滤，避免不同体素内点云密度相差过大；
步骤S407-2，将场景坐标系原点移至杆部中心，沿着坐标轴将点云划分到每个三维体素之中，体素大小为0.1×0.1×0.1米；
步骤S407-3，从Z-X-Y遍历模型与目标体素，根据公式(1)计算对应体素内的点云数量差，
D＝S1-S2------(1)
其中，S1为模型三维立方体素内的点云个数，S2为目标三维立方体素内的点云个数；点云数量差小于个数阈值3则表明两者点云分布类似，加入类似体素集合并保留；等待遍历完成之后，统计类似体素的个数，倘若占比超过总体素的90％，视作匹配成功，赋予路灯或电线杆标记；
步骤S407-4，若上述匹配失败，则以杆部中心为原点，绕Z轴依次旋转20度，随之继续步骤S407-3中相似性计算。
进一步地，所述步骤S408中具体还包括以下步骤：
步骤S408-1，遍历点云，借助KDTree近邻查询，将点云以二叉树的形式建立索引进行存储，随后设立搜索半径，以0.2米作为搜索半径，从每个三维点开始遍历，计算它与其余点的空间距离，倘若该距离在搜索半径范围内，则属于该点的邻域范围，以此求得并记录目标点的邻域空间；
步骤S408-2、将邻域范围内点云送入PCA主成分分析，根据公式(2)计算协方差矩阵C，C＝U*∑*VT分解得到特征值，
对降维结果进行判断，计算同时满足下列A和B两个条件的点云个数：
A.根据计算得到特征值a1d、a2d和a3d，若a2d＞a1d且a2d＞a3d，表明点云成平面分布，具有平面性；
B.获得最小特征值对应的特征向量，即平面法向量，根据公式(3)计算法向量与Z坐标轴的单位向量点积.
单位向量点积＝[vector最小特征·(0，0，1)]------(3)
若单位向量点积值小于阈值0.1，表明平面与地面垂直，保留同时满足两个条件的三维点；
步骤S408-3，统计杆状目标符合条件的点云个数，当统计得到的点云个数大于个数阈值200时，视为该目标杆状物具有指示牌的显著特征；
步骤S408-4，根据步骤S408-3中得到的候选目标，以杆部为中心，记录栅格外围框0.2米距离范围内的点云个数；
当该个数占比低于杆部总点云数1％时，为其赋予指示牌标签，反之作为其他地物剔除。
进一步地，所述步骤S409中具体还包括以下步骤：
步骤S409-1，对输入点云投影到XOY平面进行栅格化操作，记录目标点云的格网面积作为覆盖率，实验过程中设置的面积阈值Area为260，超过阈值则作为乔木输出；
步骤S409-2，将上端点云平移到以杆部中心为原点的坐标系中，接着把投影平面划分为八个区域；
根据实验场景数据，剔除半径过大的杆部点云，乔木直径一般70cm内，因此以0.5米为阈值，舍弃与杆部中心距离小于0.5米的点云，以此剔除杆部点云，保留上端树冠部分；
然后，按照坐标将三维点云划分入不同区域，当占有的区域个数大于等于4时，为目标赋予乔木标签。
进一步地，所述激光雷达为16线的激光雷达。
进一步地，所述步骤S401中划分栅格为0.1×0.1米的栅格。
进一步地，所述步骤S402和步骤S403中格网点云密度的阈值为300，保留格网密度大于300的目标，将其作为中心；且外扩一圈加入高度在0.6-1.3米之间的邻域栅格内的点云。
进一步地，所述步骤S404中，生长范围外框的点云数量阈值为1％，小于1％视作生长终止。
进一步地，所述步骤S405中，在垂直方向上将点云切片，以10cm作为滑动切片的大小，划分为不同区域，求解相邻切片的外接圆半径差，大于7cm则视为找到候选杆部。
进一步地，所述步骤S406中，判断杆部长度过小或是杆部半径过大，其标准是判断其杆部长度是否大于0.5米，杆部半径是否小于0.5米。
本发明的优点：
本发明基于模板匹配的激光雷达点云地图杆状目标提取技术，分为：1)、杆状候选目标提取，2)、杆状目标识别；其中，基于栅格生长的杆部定位方法，该算法能够快速地锁定实验场景下的杆状候选物，以便于开展下一步识别工作；根据路灯和电线杆同为人工制造地物，目标构造高度相似，设计了基于对应体素的模板匹配方法；相较于城市道路两侧其他地物，指示牌具有显著的平面信息，依据这个特性结合PCA主成分分析来计算点云分布维数，以此识别指示牌；凭借乔木独有的树冠特点，将栅格覆盖率以及区域占有度作为指标辨别乔木。具体的改进点以及效果如下：
(1)、通过基于栅格增长的杆部定位方法，避免了特征计算，可以快速锁定场景内的候选柱状物，具有较高的召回率；
(2)、针对16线激光雷达点云稀疏特点，避免了特征匹配方法，同时根据实际场景中目标杆状物具有较多附着物，因此舍弃点云聚类步骤，而通过基于体素的模板匹配方法快速准确地识别路灯与电线杆；
(3)、利用PCA主成分分析来计算点云分布维数，达到了理想的检测效果，有效地识别场景中绝大部分指示牌，同时剔除了建筑边界对提取精度带来的干扰；
(4)、凭借乔木独有的树冠特点，提出了根据栅格覆盖率以及区域占有度的乔木识别方法，根据数据、剔除杆部点云，只保留上端树冠部分。
通过该提取方法，使得算法不需要高度依赖目标聚类的完整性，有效克服真实场景的地物复杂性，在聚类过程中去除不必要的附着物，减少特征计算过程中的干扰，有效提高机器学习分类的准确率，提高杆状地物的识别效率，实现城市设施的精细化管理。
【说明书附图】
图1本发明中杆状物的提取方案流程图；
图2本发明中路灯电线杆的识别方案流程图；
图3本发明中指示牌的识别方案流程图；
图4本发明中乔木的识别方案流程图。
【具体实施方式】
下面通过具体实例对本发明的内容作进一步的说明。
基于模板匹配的激光雷达点云地图杆状目标提取方法，由SCOUT MINI机器人和速腾聚创16线激光雷达组成的移动测图平台来构建点云地图，如图1所示，包括以下步骤：
一、杆状候选目标提取
步骤S401，首先，将场景点云根据平面坐标划分到0.1×0.1米的栅格内；
步骤S402，遍历每个格网，若格网点云密度＞阈值，统计该格网内点云高度差，舍去高差小的栅格，其中格网点云密度的阈值为300，保留格网密度大于300的目标，将其作为中心；
步骤S403，以保留下的格网为中心，外扩一圈加入高度在0.6-1.3米之间的邻域栅格内的点云；
步骤S404，设立规则判断杆部生长是否终止，统计生长范围外框的点云数量，计算其占总点云数的百分比，小于阈值视作生长终止，其中选取生长范围外框的点云数量阈值为1％，小于1％视作生长终止，反之继续步骤S403中平面栅格生长的步骤，然后执行步骤S405；
步骤S405，针对生长范围的点云在垂直方向上切片，设立窗口滑动幅度，分别计算相邻切片点云的外接圆半径，倘若相差超过半径差阈值则停止生长；该实施例中，在垂直方向上将点云切片，以10cm作为滑动切片的大小，划分为不同区域，求解相邻切片的外接圆半径差，大于7cm则视为找到候选杆部，反之继续步骤S403中栅格增长；
步骤S406，根据以上步骤得到的点云，对最终得到的杆部候选物进行判断，如果杆部长度过小或是杆部半径过大，标准是，判断其杆部长度是否大于0.5米，杆部半径是否小于0.5米，不符合这两项标准的，直接剔除不参与后续分类，保留的作为候选杆部；
二、杆状目标识别
步骤S407，通过基于体素的模板匹配方法识别路灯和电线杆；
S407-1、首先通过下采样对杆状候选物进行初步过滤，避免不同体素内点云密度相差过大：
S407-2、接着将场景坐标系原点移至杆部中心，沿着坐标轴将点云划分到每个三维体素之中，体素大小为0.1×0.1×0.1米；
S407-3、从Z-X-Y遍历模型与目标体素，根据公式(1)计算对应体素内的点云数量差，
D＝S1-S2------(1)
其中，S1为模型三维立方体素内的点云个数，S2为目标三维立方体素内的点云个数；点云数量差小于个数阈值则表明两者点云分布类似，加入类似体素集合；等待遍历完成之后，统计类似体素的个数，倘若占比超过总体素百分比阈值，视作匹配成功；该实施例中，点云数量差小于个数阈值3则表明两者点云分布类似，加入类似体素集合并保留；等待遍历完成之后，统计类似体素的个数，倘若占比超过总体素的90％，视作匹配成功，赋予路灯或电线杆标记。
S407-4、然而，由于地物的特殊性以及坐标系不一致，使得模板与目标灯头朝向不同；于是以杆部为轴对目标点云进行旋转操作，记录每次旋转后与模板匹配的相似性，若匹配失败，则以杆部中心为原点，绕Z轴依次旋转20度，随之继续步骤S407-3中相似性计算，当旋转一周后仍然无法匹配成功，则剔除对应的目标地物；
该方法相比于特征匹配并不需要逐点进行大量的特征求解，在算法效率上展现了极大的提升；模板选取方面对于各类别样本数据，通过三维体素化计算相似性的方法，得到匹配度最高的一组样本，作为模板，用于后续场景目标检测。
步骤S408，采用主成分分析法识别指示牌；
步骤S408-1、遍历点云，借助KDTree近邻查询，将点云以二叉树的形式建立索引进行存储，随后设立搜索半径，以0.2米作为搜索半径，从每个三维点开始遍历，计算它与其余点的空间距离，倘若该距离在搜索半径范围内，则属于该点的邻域范围，以此求得并记录目标点的邻域空间；
步骤S408-2、将邻域范围内点云送入PCA主成分分析，根据公式(2)计算协方差矩阵C，C＝U*∑*VT分解得到特征值，
对降维结果进行判断，计算同时满足下列A和B两个条件的点云个数：
A.根据计算得到特征值a1d、a2d和a3d，若a2d＞a1d且a2d＞a3d，表明点云成平面分布，具有平面性；
B.获得最小特征值对应的特征向量，即平面法向量，根据公式(3)计算法向量与Z坐标轴的单位向量点积.
单位向量点积＝[vector最小特征·(0，0，1)]------(3)
若单位向量点积值小于阈值0.1，表明平面大致与地面垂直；
步骤S408-3、统计杆状目标符合条件的点云个数，当统计得到的点云个数大于个数阈值200时，视为该目标杆状物具有指示牌的显著特征；
步骤S408-4、根据步骤S408-3中得到的候选目标，取出候选目标，以杆部为中心，记录邻域范围内的点云个数，当个数占比过少时，为其赋予指示牌标签，反之作为其他地物剔除。该实施例中，记录栅格外围框0.2米距离范围内的点云个数，当该个数占比低于杆部总点云数1％时，为其赋予指示牌标签，反之作为其他地物剔除；
步骤S409，利用栅格覆盖率以及区域占有度检测及识别乔木；
步骤S409-1、对输入点云投影到XOY平面进行栅格化操作，记录目标点云的格网面积作为覆盖率，实验过程中设立的面积阈值Area为260，超过阈值则作为乔木输出；
步骤S409-2、将上端点云平移到以杆部中心为原点的坐标系中，接着把投影平面划分为八个区域；
根据实验场景数据，剔除半径过大的杆部点云，保留上端树冠部分，其中，乔木直径一般70cm内，因此以0.5米为阈值，舍弃与杆部中心距离小于0.5米的点云，以此剔除杆部点云，保留上端树冠部分；
然后，利用区域分割方法以杆部中心为原点将平面划分为8个区域，按照坐标将三维点云划分入不同区域，当占有的区域个数大于等于4时，为目标赋予乔木标签。
通过该提取方法，使得算法不需要高度依赖目标聚类的完整性，有效克服真实场景的地物复杂性，在聚类过程中去除不必要的附着物，减少特征计算过程中的干扰，有效提高机器学习分类的准确率，提高杆状地物的识别效率，实现城市设施的精细化管理。
以上所述实施例只是为本发明的较佳实施例，并非以此限制本发明的实施范围，除了具体实施例中列举的情况外；凡依本发明之方法及原理所作的等效变化，均应涵盖于本发明的保护范围内。
Claims (10)
1.基于模板匹配的激光雷达点云地图杆状目标提取方法，由机器人和激光雷达组成的移动测图平台来构建点云地图，其特征在于，包括以下步骤：
一、杆状候选目标提取
步骤S401，首先，将场景点云根据平面坐标划分到栅格内；
步骤S402，遍历每个格网，若格网点云密度＞阈值，统计该格网内点云高度差，舍去高差小的栅格；
步骤S403，以保留下的格网为中心，外扩一圈加入邻域栅格内的点云；
步骤S404，设立规则判断杆部生长是否终止，统计生长范围外框的点云数量，计算其占总点云数的百分比，小于阈值视作生长终止，反之继续步骤S403中平面栅格生长的步骤，然后执行步骤S405；
步骤S405，针对生长范围的点云在垂直方向上切片，设立窗口滑动幅度，分别计算相邻切片点云的外接圆半径，倘若相差超过半径差阈值则停止生长，反之继续步骤S403中栅格增长；
步骤S406，根据以上步骤得到的点云，对最终得到的杆部候选物进行判断，如果杆部长度过小或是杆部半径过大，直接剔除不参与后续分类，保留的作为候选杆部；
二、杆状目标识别
步骤S407，通过基于体素的模板匹配方法识别路灯和电线杆；
S407-1、首先通过下采样对杆状候选物进行初步过滤，避免不同体素内点云密度相差过大；
S407-2、接着将场景坐标系原点移至杆部中心，沿着坐标轴将点云划分到每个三维体素之中；
S407-3、从Z-X-Y遍历模型与目标体素，根据公式(1)计算对应体素内的点云数量差，
D＝S1-S2------(1)
其中，S1为模型三维立方体素内的点云个数，S2为目标三维立方体素内的点云个数；点云数量差小于个数阈值则表明两者点云分布类似，加入类似体素集合；等待遍历完成之后，统计类似体素的个数，倘若占比超过总体素百分比阈值，视作匹配成功；
S407-4、然而，由于地物的特殊性以及坐标系不一致，使得模板与目标灯头朝向不同；于是以杆部为轴对目标点云进行旋转操作，记录每次旋转后与模板匹配的相似性，若匹配失败则旋转后继续步骤S407-3中相似性计算，当旋转一周后仍然无法匹配成功，则剔除对应的目标地物；
步骤S408，采用主成分分析法识别指示牌；
步骤S408-1、遍历点云，借助KDTree近邻查询，将点云以二叉树的形式建立索引进行存储，随后设立搜索半径，从每个三维点开始遍历，计算它与其余点的空间距离，倘若该距离在搜索半径范围内，则属于该点的邻域范围，以此求得并记录目标点的邻域空间；
步骤S408-2、将邻域范围内点云送入PCA主成分分析，根据公式(2)计算协方差矩阵C，C＝U*∑*VT分解得到特征值，
对降维结果进行判断，计算同时满足下列A和B两个条件的点云个数：
A.根据计算得到特征值a1d、a2d和a3d，若a2d＞a1d且a2d＞a3d，表明点云成平面分布，具有平面性；
B.获得最小特征值对应的特征向量，即平面法向量，根据公式(3)计算法向量与Z坐标轴的单位向量点积，
单位向量点积＝[vector最小特征·(0，0，1)]------(3)
若单位向量点积值小于阈值，表明平面与地面垂直；
步骤S408-3、当统计得到的点云个数大于个数阈值时，视为该目标杆状物具有指示牌的显著特征；
步骤S408-4、根据步骤S408-3中得到的候选目标，取出候选目标，以杆部为中心，记录邻域范围内的点云个数，当个数占比过少时，为其赋予指示牌标签，反之作为其他地物剔除；
步骤S409，利用栅格覆盖率以及区域占有度检测及识别乔木；
步骤S409-1、对输入点云投影到XOY平面进行栅格化操作，记录目标点云的格网面积作为覆盖率，实验过程中设立的面积阈值Area，超过阈值则作为乔木输出；
步骤S409-2、将上端点云平移到以杆部中心为原点的坐标系中，接着把投影平面划分为八个区域；
根据实验场景数据，剔除半径过大的杆部点云，保留上端树冠部分；
然后，利用区域分割方法以杆部中心为原点将平面划分为8个区域，按照坐标将三维点云划分入不同区域，当占有的区域个数大于等于4时，为目标赋予乔木标签。
2.根据权利要求1所述的基于模板匹配的激光雷达点云地图杆状目标提取方法，其特征在于，所述步骤S407中具体还包括以下步骤：
步骤S407-1，首先通过下采样对杆状候选物进行初步过滤，避免不同体素内点云密度相差过大；
步骤S407-2，将场景坐标系原点移至杆部中心，沿着坐标轴将点云划分到每个三维体素之中，体素大小为0.1×0.1×0.1米；
步骤S407-3，从Z-X-Y遍历模型与目标体素，根据公式(1)计算对应体素内的点云数量差，
D＝S1-S2------(1)
其中，S1为模型三维立方体素内的点云个数，S2为目标三维立方体素内的点云个数；点云数量差小于个数阈值3则表明两者点云分布类似，加入类似体素集合并保留；等待遍历完成之后，统计类似体素的个数，倘若占比超过总体素的90％，视作匹配成功，赋予路灯或电线杆标记；
步骤S407-4，若上述匹配失败，则以杆部中心为原点，绕Z轴依次旋转20度，随之继续步骤S407-3中相似性计算。
3.根据权利要求1所述的基于模板匹配的激光雷达点云地图杆状目标提取方法，其特征在于，所述步骤S408中具体还包括以下步骤：
步骤S408-1，遍历点云，借助KDTree近邻查询，将点云以二叉树的形式建立索引进行存储，随后设立搜索半径，以0.2米作为搜索半径，从每个三维点开始遍历，计算它与其余点的空间距离，倘若该距离在搜索半径范围内，则属于该点的邻域范围，以此求得并记录目标点的邻域空间；
步骤S408-2、将邻域范围内点云送入PCA主成分分析，根据公式(2)计算协方差矩阵C，C＝U*∑*VT分解得到特征值，
对降维结果进行判断，计算同时满足下列A和B两个条件的点云个数：
A.根据计算得到特征值a1d、a2d和a3d，若a2d＞a1d且a2d＞a3d，表明点云成平面分布，具有平面性；
B.获得最小特征值对应的特征向量，即平面法向量，根据公式(3)计算法向量与Z坐标轴的单位向量点积，
单位向量点积＝[vector最小特征·(0，0，1)]------(3)
若单位向量点积值小于阈值0.1，表明平面与地面垂直，保留同时满足两个条件的三维点；
步骤S408-3，统计杆状目标符合条件的点云个数，当统计得到的点云个数大于个数阈值200时，视为该目标杆状物具有指示牌的显著特征；
步骤S408-4，根据步骤S408-3中得到的候选目标，以杆部为中心，记录栅格外围框0.2米距离范围内的点云个数；
当该个数占比低于杆部总点云数1％时，为其赋予指示牌标签，反之作为其他地物剔除。
4.根据权利要求1所述的基于模板匹配的激光雷达点云地图杆状目标提取方法，其特征在于，所述步骤S409中具体还包括以下步骤：
步骤S409-1，对输入点云投影到XOY平面进行栅格化操作，记录目标点云的格网面积作为覆盖率，实验过程中设置的面积阈值Area为260，超过阈值则作为乔木输出；
步骤S409-2，将上端点云平移到以杆部中心为原点的坐标系中，接着把投影平面划分为八个区域；
根据实验场景数据，剔除半径过大的杆部点云，乔木直径在70cm内，因此以0.5米为阈值，舍弃与杆部中心距离小于0.5米的点云，以此剔除杆部点云，保留上端树冠部分；
然后，按照坐标将三维点云划分入不同区域，当占有的区域个数大于等于4时，为目标赋予乔木标签。
5.根据权利要求1所述的基于模板匹配的激光雷达点云地图杆状目标提取方法，其特征在于，所述激光雷达为16线的激光雷达。
6.根据权利要求1所述的基于模板匹配的激光雷达点云地图杆状目标提取方法，其特征在于，所述步骤S401中划分栅格为0.1×0.1米的栅格。
7.根据权利要求1所述的基于模板匹配的激光雷达点云地图杆状目标提取方法，其特征在于，所述步骤S402和步骤S403中格网点云密度的阈值为300，保留格网密度大于300的目标，将其作为中心；且外扩一圈加入高度在0.6-1.3米之间的邻域栅格内的点云。
8.根据权利要求1所述的基于模板匹配的激光雷达点云地图杆状目标提取方法，其特征在于，所述步骤S404中，生长范围外框的点云数量阈值为1％，小于1％视作生长终止。
9.根据权利要求1所述的基于模板匹配的激光雷达点云地图杆状目标提取方法，其特征在于，所述步骤S405中，在垂直方向上将点云切片，以10cm作为滑动切片的大小，划分为不同区域，求解相邻切片的外接圆半径差，大于7cm则视为找到候选杆部。
10.根据权利要求1所述的基于模板匹配的激光雷达点云地图杆状目标提取方法，其特征在于，所述步骤S406中，判断杆部长度过小或是杆部半径过大，其标准是判断其杆部长度是否大于0.5米，杆部半径是否小于0.5米。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323135.8A CN115115941B (zh) | 2021-11-09 | 2021-11-09 | 基于模板匹配的激光雷达点云地图杆状目标提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323135.8A CN115115941B (zh) | 2021-11-09 | 2021-11-09 | 基于模板匹配的激光雷达点云地图杆状目标提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115115941A CN115115941A (zh) | 2022-09-27 |
| CN115115941B true CN115115941B (zh) | 2023-04-18 |
Family
ID=83325120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111323135.8A Active CN115115941B (zh) | 2021-11-09 | 2021-11-09 | 基于模板匹配的激光雷达点云地图杆状目标提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115115941B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117291845B (zh) * | 2023-11-27 | 2024-03-19 | 成都理工大学 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764012B (zh) * | 2018-03-27 | 2023-02-14 | 国网辽宁省电力有限公司电力科学研究院 | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 |
| US10846511B2 (en) * | 2018-12-20 | 2020-11-24 | Here Global B.V. | Automatic detection and positioning of pole-like objects in 3D |
| CN111368687B (zh) * | 2020-02-28 | 2022-07-19 | 成都市微泊科技有限公司 | 一种基于目标检测和语义分割的人行道车辆违停检测方法 |
| CN112381083A (zh) * | 2020-06-12 | 2021-02-19 | 杭州喔影网络科技有限公司 | 一种基于潜在区域对的显著性感知图像裁剪方法 |
| CN113239832B (zh) * | 2021-05-20 | 2023-02-17 | 众芯汉创（北京）科技有限公司 | 基于图像识别的隐患智能识别方法及系统 |
-
2021
- 2021-11-09 CN CN202111323135.8A patent/CN115115941B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115115941A (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
| CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
| CN108171131B (zh) | 基于改进MeanShift的Lidar点云数据道路标识线提取方法 | |
| CN106529431B (zh) | 基于车载激光扫描数据的路坎点自动提取及矢量化方法 | |
| CN115063555B (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
| CN113920360A (zh) | 一种道路点云杆状物提取与多尺度识别方法 | |
| CN112419505B (zh) | 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 | |
| CN103258203A (zh) | 遥感影像的道路中线自动提取方法 | |
| CN114170149A (zh) | 一种基于激光点云的道路几何信息提取方法 | |
| CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
| CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
| CN115115941B (zh) | 基于模板匹配的激光雷达点云地图杆状目标提取方法 | |
| CN112200248A (zh) | 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 | |
| CN114387288A (zh) | 基于车载激光雷达点云数据的单立木三维信息提取方法 | |
| CN114821571A (zh) | 一种用于电力线缆识别和重建的点云处理方法 | |
| CN116824379A (zh) | 一种基于多维特征的激光点云建筑物轮廓渐进优化方法 | |
| CN115761382A (zh) | 一种基于随机森林的als点云分类方法 | |
| Li et al. | Supervoxel-based extraction and classification of pole-like objects from MLS point cloud data | |
| CN117761658A (zh) | 基于激光雷达的园区运送机器人多目标检测方法与系统 | |
| CN115294287A (zh) | 一种用于温室巡检机器人的激光slam建图方法 | |
| CN115063698A (zh) | 斜坡地表变形裂缝自动识别与信息提取方法及系统 | |
| Wang et al. | An individual tree segmentation method from mobile mapping point clouds based on improved 3-D morphological analysis | |
| CN116071530B (zh) | 一种基于机载激光点云的建筑物屋顶体素化分割方法 | |
| CN111736167B (zh) | 一种获取激光点云密度的方法和装置 | |
| CN111323026B (zh) | 一种基于高精度点云地图的地面过滤方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |