CN115147571A - 一种基于点云对车辆表面进行重建的处理方法 - Google Patents
一种基于点云对车辆表面进行重建的处理方法 Download PDFInfo
- Publication number
- CN115147571A CN115147571A CN202210897026.5A CN202210897026A CN115147571A CN 115147571 A CN115147571 A CN 115147571A CN 202210897026 A CN202210897026 A CN 202210897026A CN 115147571 A CN115147571 A CN 115147571A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- point cloud
- target
- point
- frame
- 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
- 238000003672 processing method Methods 0.000 title abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims description 107
- 238000005070 sampling Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明实施例涉及一种基于点云对车辆表面进行重建的处理方法,所述方法包括:在初始时刻t1获取第一环境点云A1;根据第一环境点云A1对各车辆目标在初始时刻的车辆点云进行确认从而得到对应的第一车辆点云Cr1;在后续任意时刻ti获取第一环境点云Ai;根据第一环境点云Ai和前一时刻的第一车辆点云Cri‑1对各车辆目标在当前时刻的车辆点云进行更新从而得到对应的第一车辆点云Cri;在结束时刻tn根据各车辆目标对应的第一车辆点云Cri=n进行点云表面重建处理生成对应的第一车辆曲面。通过本发明,可以提高车辆模型的创建效率。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于点云对车辆表面进行重建的处理方法。
背景技术
自动驾驶系统的仿真平台需要大量的车辆模型。常规情况下,创建这些车辆模型都是由技术人员使用3D设计软件进行车辆曲面绘制并将绘制出的车辆曲面作为对应的车辆模型存入仿真平台。这种处理方式不但实施成本高,且创建效率也较低。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种基于点云对车辆表面进行重建的处理方法、电子设备及计算机可读存储介质,在车辆路跑时对激光雷达产生的点云进行车辆目标检测和检测目标关联处理,并对同一车辆目标前后时刻的车辆点云进行配准和融合处理,并在路跑结束时对各个车辆目标的车辆点云进行曲面重建处理从而得到多个车辆曲面。通过本发明,利用车辆现有传感器资源就能在每次路跑结束后自动沉淀出大量的车辆曲面作为车辆模型资源,既不用增加车辆成本、也不用另行雇佣技术人员进行模型创建,不但可以快速提高车辆模型的创建效率,还可以有效降低准备车辆模型资源的实施成本。
为实现上述目的,本发明实施例第一方面提供了一种基于点云对车辆表面进行重建的处理方法,所述方法包括:
在初始时刻t1获取第一环境点云A1;
根据所述第一环境点云A1对各车辆目标在初始时刻的车辆点云进行确认从而得到对应的第一车辆点云Cr1;每个所述第一车辆点云Cr1对应一个第一目标标识;
在后续任意时刻ti获取第一环境点云Ai;1<i;
根据所述第一环境点云Ai和前一时刻的第一车辆点云Cri-1对各车辆目标在当前时刻的车辆点云进行更新从而得到对应的第一车辆点云Cri;每个所述第一车辆点云Cri对应一个所述第一目标标识;
在结束时刻tn根据各车辆目标对应的第一车辆点云Cri=n进行点云表面重建处理生成对应的第一车辆曲面;1<n。
优选的,所述根据所述第一环境点云A1对各车辆目标在初始时刻的车辆点云进行确认从而得到对应的第一车辆点云Cr1,具体包括:
对所述第一环境点云A1进行点云目标检测和分类处理得到多个第一检测框B1;各个所述第一检测框B1对应一组检测框参数分别为:第一中心点P1、第一目标类型、所述第一目标标识和第一框内点云C1;
将所述第一目标类型为车辆目标类型的所述第一检测框B1记为对应的第一车辆检测框Bc1;
以各个所述第一车辆检测框Bc1的所述第一中心点P1为原点、检测框纵深方向为y轴正向构建右手坐标系作为对应的自车坐标系,并基于当前自车坐标系对所述第一框内点云C1进行坐标转换处理;并对完成坐标转换的所述第一框内点云C1进行点云降采样处理;并将完成降采样的所述第一框内点云C1作为与所述第一目标标识对应的所述第一车辆点云Cr1并保存。
优选的,所述根据所述第一环境点云Ai和前一时刻的第一车辆点云Cri-1对各车辆目标在当前时刻的车辆点云进行更新从而得到对应的第一车辆点云Cri,具体包括:
对所述第一环境点云Ai进行点云目标检测和分类处理并将当次的检测分类结果与前一时刻的检测分类结果进行目标关联从而得到多个第二检测框Bi;各个所述第二检测框Bi对应一组检测框参数分别为:第二中心点Pi、第二目标类型、第二目标标识和第二框内点云Ci;
将所述第二目标类型为车辆目标类型的所述第二检测框Bi记为对应的第二车辆检测框Bci;
以各个所述第二车辆检测框Bci的所述第二中心点Pi为原点、检测框纵深方向为y轴正向构建右手坐标系作为对应的自车坐标系,并基于当前自车坐标系对所述第二框内点云Ci进行坐标转换处理;并使用与所述第二目标标识匹配的所述第一目标标识对应的前一时刻的所述第一车辆点云Cri-1对完成坐标转换的所述第二框内点云Ci进行点云配准处理;并将完成配准的所述第二框内点云Ci与对应的所述第一车辆点云Cri-1进行点云融合生成对应的第一融合点云;并对所述第一融合点云进行点云降采样处理;并将完成降采样的所述第一融合点云作为与所述第一目标标识对应的所述第一车辆点云Cri并保存。
优选的,所述根据各车辆目标对应的第一车辆点云Cri=n进行点云表面重建处理生成对应的第一车辆曲面,具体包括:
对各个所述第一车辆点云Cri=n进行降采样处理;并对完成降采样的所述第一车辆点云Cri=n进行离群点消除处理;并对完成离群点消除的所述第一车辆点云Cri=n进行点云法向量估计处理生成对应的第一点云法向量;并由所述第一车辆点云Cri=n和所述第一点云法向量组成对应的第一点云张量;并根据所述第一点云张量进行曲面重建处理生成对应的所述第一车辆曲面。
本发明实施例第二方面提供了一种电子设备,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现上述第一方面所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
本发明实施例第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种基于点云对车辆表面进行重建的处理方法、电子设备及计算机可读存储介质,在车辆路跑时对激光雷达产生的点云进行车辆目标检测和检测目标关联处理,并对同一车辆目标前后时刻的车辆点云进行配准和融合处理,并在路跑结束时对各个车辆目标的车辆点云进行曲面重建处理从而得到多个车辆曲面。通过本发明,利用车辆现有传感器资源就能在每次路跑结束后自动沉淀出大量的车辆曲面作为车辆模型资源,既不用增加车辆成本、也不用另行雇佣技术人员进行模型创建,不但快速提高了车辆模型的创建效率,还有效降低了准备车辆模型资源的实施成本。
附图说明
图1为本发明实施例一提供的一种基于点云对车辆表面进行重建的处理方法示意图;
图2为本发明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
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
自动驾驶车辆在路跑过程中可根据周围环境车辆目标的数量、种类等信息随时启动对环境车辆的目标跟踪和曲面重建处理过程,一旦启动该处理过程自动驾驶车辆就可通过本发明实施例一提供的一种基于点云对车辆表面进行重建的处理方法对采集到的各车辆目标的车辆点云进行配准和融合处理,并在该过程结束时刻基于采集到的各车辆点云进行车辆曲面重建;如此一来,自动驾驶车辆通过一次路跑就能沉淀大量的车辆曲面作为车辆模型资源,不但提高了车辆模型的创建效率,还降低了准备车辆模型资源的实施成本;图1为本发明实施例一提供的一种基于点云对车辆表面进行重建的处理方法示意图,如图1所示,本方法主要包括如下步骤:
步骤1,在初始时刻t1获取第一环境点云A1。
这里,初始时刻t1即为自动驾驶车辆启动对环境车辆的目标跟踪和曲面重建处理过程的起始时刻,第一环境点云A1即为该时刻由车载激光雷达对环境进行扫描产生的点云数据。
步骤2,根据第一环境点云A1对各车辆目标在初始时刻的车辆点云进行确认从而得到对应的第一车辆点云Cr1;
其中,每个第一车辆点云Cr1对应一个第一目标标识;
具体包括:步骤21,对第一环境点云A1进行点云目标检测和分类处理得到多个第一检测框B1;
其中,各个第一检测框B1对应一组检测框参数分别为:第一中心点P1、第一目标类型、第一目标标识和第一框内点云C1;第一目标类型包括车辆目标类型、行人目标类型、动物目标类型、植物目标类型、自行车目标类型、三轮车目标类型和建筑物目标类型;
具体为:基于预置的点云目标检测分类模型对第一环境点云A1进行点云目标检测和分类处理从而得到多个第一检测框B1和各个检测框对应的第一目标类型;并将各个第一检测框B1的目标框中心点坐标对应的点作为对应的第一中心点P1;并将各个第一检测框B1在第一环境点云A1中对应的子点云作为对应的第一框内点云C1;并为各个第一检测框B1分配一个唯一目标标识作为对应的第一目标标识;
这里,本发明实施例使用的点云目标检测模型包括VoxelNet模型、SECOND模型和PointPillars模型,这三个模型的计算效能逐个增强,所以默认采用计算效能最高的PointPillars模型;关于VoxelNet模型、SECOND模型和PointPillars模型的具体实现可以分别参考对应的技术论文《VoxelNet:End-to-End Learning for Point Cloud Based 3DObject Detection》、《SECOND:Sparsely Embedded Convolutional Detection》、《PointPillars:Fast Encoders for Object Detection from Point Clouds》,在此不做进一步赘述;需要说明的是,基于每种点云目标检测模型都可以得到多个目标类型的目标检测框(bounding box)也就是第一检测框B1,每个第一检测框B1对应一个目标类型即第一目标类型(类型范围包括:车辆目标类型、行人目标类型、动物目标类型、植物目标类型、自行车目标类型、三轮车目标类型和建筑物目标类型),每个第一检测框B1还对应一组检测框形状参数:目标框中心点坐标、目标框深度、目标框宽度、目标框高度和目标框朝向角;本发明实施例根据各个第一检测框B1的目标框中心点坐标确定出对应的第一中心点P1,根据各个第一检测框B1的目标框中心点坐标、目标框深度、目标框宽度、目标框高度和目标框朝向角从第一环境点云A1中确定出当前检测框所覆盖的子点云也就是第一框内点云C1;本发明实施例还会为各个车辆目标的第一检测框B1分配一个唯一的目标标识即第一目标标识,以便在后续时刻能基于该标识对该车辆目标进行目标关联处理;
步骤22,将第一目标类型为车辆目标类型的第一检测框B1记为对应的第一车辆检测框Bc1;
这里,因为本发明实施例只想收集与车辆相关的点云数据,所以要通过第一目标类型对第一检测框B1做一次筛选;
步骤23,以各个第一车辆检测框Bc1的第一中心点P1为原点、检测框纵深方向为y轴正向构建右手坐标系作为对应的自车坐标系,并基于当前自车坐标系对第一框内点云C1进行坐标转换处理;并对完成坐标转换的第一框内点云C1进行点云降采样处理;并将完成降采样的第一框内点云C1作为与第一目标标识对应的第一车辆点云Cr1并保存;
具体包括:步骤231,以各个第一车辆检测框Bc1的第一中心点P1为原点、检测框纵深方向为y轴正向构建右手坐标系作为对应的自车坐标系,并基于当前自车坐标系对第一框内点云C1进行坐标转换处理;
这里,通过各个车辆目标的自车坐标系转换才能消除原始点云中由车辆目标与自动驾驶车辆的间距造成的深度差,消除了该深度差的点云才能在后续步骤中进行相互融合;
步骤232,对完成坐标转换的第一框内点云C1进行点云降采样处理;
这里,本发明实施例采用基于体素栅格的方式对第一框内点云C1进行降采样处理,也即是:根据一个预设的体素栅格的体积尺寸(△x,△y,△z),在自车坐标系对应的点云空间中将第一框内点云C1划分成由多个体积大小为△x*△y*△z的单元栅格构成的栅格网络;并在该栅格网络中基于预设的降采样模式对各个单元栅格进行采样,若降采样模式为第一模式则对各个单元栅格进行随机点抽取处理并将抽取出的点作为当前单元栅格对应的采样点,若降采样模式为第二模式则对各个单元栅格进行中心点计算并将栅格内距离中心点最近的点作为当前单元栅格对应的采样点;并在单元栅格采样结束后,由得到的所有采样点对第一框内点云C1进行重构;
步骤233,将完成降采样的第一框内点云C1作为与第一目标标识对应的第一车辆点云Cr1并保存。
这里,第一车辆点云Cr1是车辆目标在初始时刻的车辆整体点云。
步骤3,在后续任意时刻ti获取第一环境点云Ai;1<i。
这里,i是按着从2开始逐次加1的方式进行递增的,第一环境点云Ai即为时刻ti由车载激光雷达对环境进行扫描产生的点云数据。
步骤4,根据第一环境点云Ai和前一时刻的第一车辆点云Cri-1对各车辆目标在当前时刻的车辆点云进行更新从而得到对应的第一车辆点云Cri;
其中,每个第一车辆点云Cri对应一个第一目标标识;
具体包括:步骤41,对第一环境点云Ai进行点云目标检测和分类处理并将当次的检测分类结果与前一时刻的检测分类结果进行目标关联从而得到多个第二检测框Bi;
其中,各个第二检测框Bi对应一组检测框参数分别为:第二中心点Pi、第二目标类型、第二目标标识和第二框内点云Ci;
这里,当前时刻的云目标检测和分类处理方式与前述步骤21类似,第二目标类型的类型范围也与前述步骤21中第一目标类型的类型范围一致,在此不做重复赘述;
需要说明的是,在得到当次的检测分类结果也即是多个第二检测框Bi之后需要将其与前一时刻的多个检测框Bi-1进行目标关联;本发明实施例在进行目标关联时,先对前一时刻所有检测框Bi-1的检测框形状参数进行获取,再通过卡尔曼滤波方程对各个检测框Bi-1在当前时刻的检测框状态进行预测从而得到对应的预测检测框Bi *,再对各个预测检测框Bi *与各个第二检测框Bi之间的中心点间距进行计算从而得到M*K个(设M为检测框Bi-1的数量,K为第二检测框Bi的数量)中心点间距,并由得到所有中心点间距组成形状为M*K的中心点间距矩阵,再将该中心点间距矩阵输入基于匈牙利算法构建的深度匈牙利网络(DeepHungarian Net,DHN)进行关联度计算从而得到形状为M*K的关联度矩阵,再从各个检测框Bi-1对应的K个关联度中选出超出设定关联度阈值的最大关联度作为对应的匹配关联度并将匹配关联度对应的第二检测框Bi作为当前检测框Bi-1的关联目标;在明确前后时刻的目标关联关系之后,若确认某个第二检测框Bi存在与之关联的检测框Bi-1,那么就可使用该检测框Bi-1对应的唯一标识即前述的第一目标标识作为对应的第二目标标识,并根据该第二检测框Bi的目标框中心点坐标确定出对应的第二中心点Pi,根据该第二检测框Bi的目标框中心点坐标、目标框深度、目标框宽度、目标框高度和目标框朝向角从第一环境点云Ai中确定出当前检测框所覆盖的子点云也就是第二框内点云Ci;
步骤42,将第二目标类型为车辆目标类型的第二检测框Bi记为对应的第二车辆检测框Bci;
这里,因为本发明实施例只想收集与车辆相关的点云数据,所以要通过第二目标类型对第二检测框Bi做一次筛选;
步骤43,以各个第二车辆检测框Bci的第二中心点Pi为原点、检测框纵深方向为y轴正向构建右手坐标系作为对应的自车坐标系,并基于当前自车坐标系对第二框内点云Ci进行坐标转换处理;并使用与第二目标标识匹配的第一目标标识对应的前一时刻的第一车辆点云Cri-1对完成坐标转换的第二框内点云Ci进行点云配准处理;并将完成配准的第二框内点云Ci与对应的第一车辆点云Cri-1进行点云融合生成对应的第一融合点云;并对第一融合点云进行点云降采样处理;并将完成降采样的第一融合点云作为与第一目标标识对应的第一车辆点云Cri并保存;
具体包括:步骤431,以各个第二车辆检测框Bci的第二中心点Pi为原点、检测框纵深方向为y轴正向构建右手坐标系作为对应的自车坐标系,并基于当前自车坐标系对第二框内点云Ci进行坐标转换处理;
这里,与前述步骤231类似,在此不做进一步赘述;
步骤432,使用与第二目标标识匹配的第一目标标识对应的前一时刻的第一车辆点云Cri-1对完成坐标转换的第二框内点云Ci进行点云配准处理;
这里,与第二目标标识匹配的第一目标标识对应的前一时刻的第一车辆点云Cri-1即是同一个车辆目标在前一时刻沉淀的车辆整体点云,第二框内点云Ci为当前时刻采集到的该车辆目标的实时点云,受类似路面颠簸、信号干扰等外界因素影响,这两个点云之间会存在一定的错位,所以需要以前一时刻沉淀的车辆整体点云即第一车辆点云Cri-1作为参考对当前第二框内点云Ci进行配准;本发明实施例在进行点云配准处理时,先基于迭代最近点ICP算法对第一车辆点云Cri-1和第二框内点云Ci的位姿变换矩阵T进行求解,再基于得到的位姿变换矩阵T对第二框内点云Ci的点进行坐标变换;此处,利用迭代最近点ICP算法求解两帧点云位姿变换矩阵T的实现方式可通过查询相关技术文献获得,在此不做进一步赘述;
步骤433,将完成配准的第二框内点云Ci与对应的第一车辆点云Cri-1进行点云融合生成对应的第一融合点云;
步骤434,对第一融合点云进行点云降采样处理;
这里,与前述步骤232类似,在此不做进一步赘述;
步骤435,将完成降采样的第一融合点云作为与第一目标标识对应的第一车辆点云Cri并保存。
这里,完成降采样的第一融合点云即第一车辆点云Cri是车辆目标在当前时刻的车辆整体点云。
步骤5,在结束时刻tn根据各车辆目标对应的第一车辆点云Cri=n进行点云表面重建处理生成对应的第一车辆曲面;1<n;
具体包括:步骤51,对各个第一车辆点云Cri=n进行降采样处理;
这里,与前述步骤232类似,在此不做进一步赘述;
步骤52,对完成降采样的第一车辆点云Cri=n进行离群点消除处理;
这里,本发明实施例基于StatisticalOutlierRemoval滤波器对第一车辆点云Cri=n中的每个点的邻域进行统计分析,并将其中不符合设定标准的点视为离群点并消除;StatisticalOutlierRemoval滤波器的工作原理为:对第一车辆点云Cri=n中的每个点进行遍历;并在遍历时计算当前点到其周围所有临近点的平均距离,若该平均距离超出预设的距离范围则将当前点记为离群点;并在遍历结束时对第一车辆点云Cri=n中的所有离群点进行删除;
步骤53,对完成离群点消除的第一车辆点云Cri=n进行点云法向量估计处理生成对应的第一点云法向量;并由第一车辆点云Cri=n和第一点云法向量组成对应的第一点云张量;
这里,本发明实施例在进行点云法向量估计处理时,基于主成分分析技术(principal components analysis,PCA)算法对第一车辆点云Cri=n各点的法线进行求解并由此得到第一车辆点云Cri=n对应的第一点云法向量;因为后续使用的贪婪三角化投影算法不但需要点云各点的坐标还需要各点的法线方向,所以需要由第一车辆点云Cri=n和第一点云法向量组成对应的第一点云张量;
步骤54,根据第一点云张量进行曲面重建处理生成对应的第一车辆曲面。
这里,本发明实施例基于贪婪三角化投影算法实现曲面重建得到对应的第一车辆曲面;此处贪婪三角化投影算法的原理为将有向点云投影到局部坐标平面内,再在该投影的坐标平面内进行平面内的三角化,再根据平面内三位点的拓扑关系获得一个三角网格曲面模型;基于贪婪三角化投影算法进行曲面重建的技术实现,可通过查询相关技术文献获得,在此不做进一步赘述。另外,开源库Open3D也提供了丰富的曲面重构接口,利用这些接口基于第一点云张量也能完成上述三角网格曲面的重建。
综上所述,自动驾驶车辆在路跑过程中通过上述步骤1-4能够收集到多个车辆目标的第一车辆点云,通过上述步骤5能够基于对应的第一车辆点云对每个车辆目标的车辆曲面进行重建。自动驾驶车辆基于本发明实施例,通过一次路跑就能得到多个车辆目标的车辆曲面,将车辆曲面上传到后台就可作为仿真平台的车辆模型资源,这样的车辆模型创建效率显然是常规的人工设计效率所不能比拟的。
图2为本发明实施例二提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器,也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图2所示,该电子设备可以包括:处理器301(例如CPU)、存储器302、收发器303;收发器303耦合至处理器301,处理器301控制收发器303的收发动作。存储器302中可以存储各种指令,以用于完成各种处理功能以及实现前述方法实施例描述的处理步骤。优选的,本发明实施例涉及的电子设备还包括:电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图2中提到的系统总线305可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,RAM),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。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、图形处理器(Graphics Processing Unit,GPU)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片,该芯片用于执行前述方法实施例描述的处理步骤。
本发明实施例提供了一种基于点云对车辆表面进行重建的处理方法、电子设备及计算机可读存储介质,在车辆路跑时对激光雷达产生的点云进行车辆目标检测和检测目标关联处理,并对同一车辆目标前后时刻的车辆点云进行配准和融合处理,并在路跑结束时对各个车辆目标的车辆点云进行曲面重建处理从而得到多个车辆曲面。通过本发明,利用车辆现有传感器资源就能在每次路跑结束后自动沉淀出大量的车辆曲面作为车辆模型资源,既不用增加车辆成本、也不用另行雇佣技术人员进行模型创建,不但快速提高了车辆模型的创建效率,还有效降低了准备车辆模型资源的实施成本。
专业人员应该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发明的范围。
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。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于点云对车辆表面进行重建的处理方法,其特征在于,所述方法包括:
在初始时刻t1获取第一环境点云A1;
根据所述第一环境点云A1对各车辆目标在初始时刻的车辆点云进行确认从而得到对应的第一车辆点云Cr1;每个所述第一车辆点云Cr1对应一个第一目标标识;
在后续任意时刻ti获取第一环境点云Ai;1<i;
根据所述第一环境点云Ai和前一时刻的第一车辆点云Cri-1对各车辆目标在当前时刻的车辆点云进行更新从而得到对应的第一车辆点云Cri;每个所述第一车辆点云Cri对应一个所述第一目标标识;
在结束时刻tn根据各车辆目标对应的第一车辆点云Cri=n进行点云表面重建处理生成对应的第一车辆曲面;1<n。
2.根据权利要求1所述的基于点云对车辆表面进行重建的处理方法,其特征在于,所述根据所述第一环境点云A1对各车辆目标在初始时刻的车辆点云进行确认从而得到对应的第一车辆点云Cr1,具体包括:
对所述第一环境点云A1进行点云目标检测和分类处理得到多个第一检测框B1;各个所述第一检测框B1对应一组检测框参数分别为:第一中心点P1、第一目标类型、所述第一目标标识和第一框内点云C1;
将所述第一目标类型为车辆目标类型的所述第一检测框B1记为对应的第一车辆检测框Bc1;
以各个所述第一车辆检测框Bc1的所述第一中心点P1为原点、检测框纵深方向为y轴正向构建右手坐标系作为对应的自车坐标系,并基于当前自车坐标系对所述第一框内点云C1进行坐标转换处理;并对完成坐标转换的所述第一框内点云C1进行点云降采样处理;并将完成降采样的所述第一框内点云C1作为与所述第一目标标识对应的所述第一车辆点云Cr1并保存。
3.根据权利要求1所述的基于点云对车辆表面进行重建的处理方法,其特征在于,所述根据所述第一环境点云Ai和前一时刻的第一车辆点云Cri-1对各车辆目标在当前时刻的车辆点云进行更新从而得到对应的第一车辆点云Cri,具体包括:
对所述第一环境点云Ai进行点云目标检测和分类处理并将当次的检测分类结果与前一时刻的检测分类结果进行目标关联从而得到多个第二检测框Bi;各个所述第二检测框Bi对应一组检测框参数分别为:第二中心点Pi、第二目标类型、第二目标标识和第二框内点云Ci;
将所述第二目标类型为车辆目标类型的所述第二检测框Bi记为对应的第二车辆检测框Bci;
以各个所述第二车辆检测框Bci的所述第二中心点Pi为原点、检测框纵深方向为y轴正向构建右手坐标系作为对应的自车坐标系,并基于当前自车坐标系对所述第二框内点云Ci进行坐标转换处理;并使用与所述第二目标标识匹配的所述第一目标标识对应的前一时刻的所述第一车辆点云Cri-1对完成坐标转换的所述第二框内点云Ci进行点云配准处理;并将完成配准的所述第二框内点云Ci与对应的所述第一车辆点云Cri-1进行点云融合生成对应的第一融合点云;并对所述第一融合点云进行点云降采样处理;并将完成降采样的所述第一融合点云作为与所述第一目标标识对应的所述第一车辆点云Cri并保存。
4.根据权利要求1所述的基于点云对车辆表面进行重建的处理方法,其特征在于,所述根据各车辆目标对应的第一车辆点云Cri=n进行点云表面重建处理生成对应的第一车辆曲面,具体包括:
对各个所述第一车辆点云Cri=n进行降采样处理;并对完成降采样的所述第一车辆点云Cri=n进行离群点消除处理;并对完成离群点消除的所述第一车辆点云Cri=n进行点云法向量估计处理生成对应的第一点云法向量;并由所述第一车辆点云Cri=n和所述第一点云法向量组成对应的第一点云张量;并根据所述第一点云张量进行曲面重建处理生成对应的所述第一车辆曲面。
5.一种电子设备,其特征在于,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现权利要求1-4任一项所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行权利要求1-4任一项所述的方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210897026.5A CN115147571A (zh) | 2022-07-28 | 2022-07-28 | 一种基于点云对车辆表面进行重建的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210897026.5A CN115147571A (zh) | 2022-07-28 | 2022-07-28 | 一种基于点云对车辆表面进行重建的处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147571A true CN115147571A (zh) | 2022-10-04 |
Family
ID=83414881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210897026.5A Pending CN115147571A (zh) | 2022-07-28 | 2022-07-28 | 一种基于点云对车辆表面进行重建的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147571A (zh) |
-
2022
- 2022-07-28 CN CN202210897026.5A patent/CN115147571A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102126724B1 (ko) | 포인트 클라우드 데이터를 복구하기 위한 방법 및 장치 | |
KR102235827B1 (ko) | 격자 지도를 생성하는 방법 및 장치 | |
US10430659B2 (en) | Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device | |
JP6595182B2 (ja) | マッピング、位置特定、及び姿勢補正のためのシステム及び方法 | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
WO2022016311A1 (zh) | 基于点云的三维重建方法、装置和计算机设备 | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
WO2021051344A1 (zh) | 高精度地图中车道线的确定方法和装置 | |
CN115436910B (zh) | 一种对激光雷达点云进行目标检测的数据处理方法和装置 | |
CN110930503A (zh) | 一种服装三维模型建立方法、系统、存储介质及电子设备 | |
CN114677435A (zh) | 一种点云全景融合要素提取方法和系统 | |
CN113420637A (zh) | 自动驾驶中多尺度鸟瞰视角下的激光雷达检测方法 | |
Liu et al. | Image-translation-based road marking extraction from mobile laser point clouds | |
CN114663598A (zh) | 三维建模方法、装置和存储介质 | |
CN112507891B (zh) | 自动化识别高速路口并构建路口向量的方法及装置 | |
CN116051980B (zh) | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 | |
CN111813882A (zh) | 一种机器人地图构建方法、设备及存储介质 | |
CN115937449A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN115147571A (zh) | 一种基于点云对车辆表面进行重建的处理方法 | |
WO2022237210A1 (zh) | 障碍物信息生成 | |
CN112433193B (zh) | 一种基于多传感器的模位置定位方法及系统 | |
CN114966736A (zh) | 一种基于点云数据进行目标速度预测的处理方法 | |
CN114882458A (zh) | 一种目标跟踪方法、系统、介质及设备 | |
CN115861561B (zh) | 一种基于语义约束的等高线生成方法和装置 | |
CN115147612B (zh) | 一种基于累加点云对车辆尺寸进行实时估计的处理方法 |
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 |