CN115409861A - 基于图像处理的激光雷达地面点云分割方法、装置、设备及介质 - Google Patents
基于图像处理的激光雷达地面点云分割方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115409861A CN115409861A CN202211049077.9A CN202211049077A CN115409861A CN 115409861 A CN115409861 A CN 115409861A CN 202211049077 A CN202211049077 A CN 202211049077A CN 115409861 A CN115409861 A CN 115409861A
- Authority
- CN
- China
- Prior art keywords
- ground
- pixel points
- point cloud
- point
- pixel
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 title claims abstract description 43
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008439 repair process Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供一种基于图像处理的激光雷达地面点云分割方法,获取目标对象的三维点云;基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。本发明的方法在使用深度图像分割地面点云时,能够更准确更高效的进行分割,并对输出的结果进行优化。
Description
技术领域
本申请涉及汽车自动驾驶技术领域,具体涉及一种基于图像处理的激光雷达地面点云分割方法、装置、设备及介质。
背景技术
辅助驾驶传感器系统中,多线束激光雷达可以扫描出角度分辨率极高的点云。对这些点云进行处理可以得到freespace、guardrail、目标等一系列感知层面的结果。而这些算法的点云预处理部分都包含相同的步骤,即地面点云分割,截止目前,地面分割算法可以分为传统基于规则的算法和深度学习算法,本专利侧重于对传统算法进行优化与讨论。
对于传统算法,主流的技术路线可以分为三种,一是基于射线拟合的LINE FIT方法,二是基于平面拟合的PLANE FIT方法,第三种则是将激光雷达点云转化到深度图像中的深度图像分割方法,前两种方法在工程上的精度是可以满足要求的,但它们对计算资源的占用量大,若非对点云经过特殊处理或激光雷达线束较少的情况下,难以满足移动平台上实时计算的要求。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种基于图像处理的激光雷达地面点云分割方法、装置、设备及介质,以解决上述技术问题。
本发明提供的一种基于图像处理的激光雷达地面点云分割方法,所述方法包括:
获取目标对象的三维点云;
基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;
计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;
从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;
获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。
于本发明一实施例中,若所述角度值小于指定阈值,则将所述角度值对应的两个相邻像素点标记为地面点。
于本发明一实施例中,所述三维点云的至少一个点对应一个像素点;在将所述三维点云投影到前向透视图中的步骤中,若每一个像素点对应多个点,则对所述多个点中的与激光雷达距离最大的点进行转换,得到该点对应的深度图像数据。
于本发明一实施例中,在将所述三维点云投影到前向透视图中的步骤中,
判断所述深度图像的每一列像素中是否存在不具有深度值的像素点,记为待修复点;
确定所述待修复点的相邻像素点,作为修复参考点,并将所述修复参考点的深度值的平均值作为待修复点的深度值;其中,所述修复参考点的深度值的差大于深度差阈值。
于本发明一实施例中,在构建角度图像后,所述方法还包括:对所述角度图像进行平滑滤波。
于本发明一实施例中,利用所述边界像素点的邻居信息对所述边界像素点进行分类,包括:
膨胀所述地面像素点和所述非地面像素点,求得交集,所述交集为边界像素点;
遍历所述边界像素点,并得到每一个所述边界像素点的近邻像素点,所述邻近像素点包括地面像素点和非地面像素点;
计算所述边界像素点与所述地面像素点的第一距离,并基于所述第一距离计算第一得分;
计算所述边界像素点与所述非地面像素点的第二距离,并基于所述第二距离计算第二得分;
其中,若所述第一得分小于所述第二得分,则所述边界像素点为非地面像素;若所述第一得分大于所述第二得分,则所述边界像素点为地面像素点。
于本发明一实施例中,获取目标对象的三维点云的步骤前,所述方法还包括:
设置投影参数,所述投影参数包括激光雷达与每一个像素表示的角度范围。
本发明提供的一种基于图像处理的激光雷达地面点云分割装置,所述装置包括:
点云获取模块,用于获取目标对象的三维点云;
投影模块,用于基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;
地面像素点确定模块,用于计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;
非地面像素点确定模块,用于从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;
分割模块,用于获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。
本发明提供的一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述的基于图像处理的激光雷达地面点云分割方法的步骤。
本发明提供的一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行上述基于图像处理的激光雷达地面点云分割方法的步骤。
本发明的有益效果:本发明中的一种基于图像处理的激光雷达地面点云分割方法,包括:获取目标对象的三维点云;基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。本发明的方法在使用深度图像分割地面点云时,能够更准确更高效的进行分割,并对输出的结果进行优化。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请的一示例性实施例示出的基于图像处理的激光雷达地面点云分割方法的实施环境示意图;
图2是本申请的一示例性实施例示出的基于图像处理的激光雷达地面点云分割方法的流程图;
图3为本申请的一示例性实施例示出的图像修复的流程示意图;
图4为本申请的一示例性实施例示出的确定地面像素点的具体步骤;
图5为本申请的一示例性实施例示出的两个相邻像素点的角度示意图;
图6是本申请的一示例性实施例示出的基于图像处理的激光雷达地面点云分割装置的框图;
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图;
图8是本申请的一示例性实施例示出的深度图像示意图;
图9是本申请的一示例性实施例示出的修复后的深度图像示意图;
图10是本申请的一示例性实施例示出的角度图像示意图;
图11是本申请的一示例性实施例示出的经过平滑处理后的角度图像示像图;
图12是本申请的一示例性实施例示出的分割图像示意图;
图13是本申请的一示例性实施例示出的没有对边界像素点进行分类的图像;
图14是本申请的一示例性实施例示出的对边界像素点进行分类的图像。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
图1是本申请一种示例性基于图像处理的激光雷达地面点云分割方法实施环境的示意图。请参阅图1,该实施环境中包括终端设备101和服务器102,终端设备101和服务器102之间通过有线或者无线网络进行通信。终端设备可以获取目标对象的三维点云;基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。本发明的方法在使用深度图像分割地面点云时,能够更准确更高效的进行分割,并对输出的结果进行优化。
应该理解,图1中的终端设备101和服务器102的数目仅仅是示意性的。根据实际需要,可以具有任意数目的终端设备101和服务器102。
其中,终端设备101对应客户端,其可以是任意具有用户输入接口的电子设备,包括但不限于智能手机、平板、笔记本电脑、计算机、车载电脑等等,其中,用户输入接口包括但不限于触摸屏、键盘、物理按键、音频拾取装置等。
其中,服务器102对应服务端,其可以是提供各种服务的服务器,其可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器,本处不对此进行限制。
终端设备101可以通过3G(第三代的移动信息技术)、4G(第四代的移动信息技术)、5G(第五代的移动信息技术)等无线网络与服务端102进行通信,本处也不对此进行限制。
由于,现有技术中存在基于图像处理的激光雷达地面点云分割精度不够高的问题,为了解决这些问题,本申请的实施例分提出一种基于图像处理的激光雷达地面点云分割方法、一种基于图像处理的激光雷达地面点云分割装置、一种电子设备、一种计算机可读存储介质,以下将对这些实施例进行详细描述。
请参阅图2,图2是本申请的一示例性实施例示出的基于图像处理的激光雷达地面点云分割方法的流程图。该方法可以应用于图1所示的实施环境,并由该实施环境中的终端设备101具体执行。应理解的是,该方法也可以适用于其它的示例性实施环境,并由其它实施环境中的设备具体执行,本实施例不对该方法所适用的实施环境进行限制。
请参阅图2,图2为本申请一示例性的一种基于图像处理的激光雷达地面点云分割方法的流程图,该基于图像处理的激光雷达地面点云分割方法至少包括步骤S210至步骤S250,详细介绍如下:
步骤S210,获取目标对象的三维点云;
步骤S220,基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;
步骤S230,计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;
步骤S240,从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;
步骤S250,获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。
本发明的方法在使用深度图像分割地面点云时,能够更准确更高效的进行分割,并对输出的结果进行优化。
在步骤S210中,获取目标对象的三维点云;
需要说明是,本申请实施例中的目标分割方法可以应用在例如自动驾驶系统中。自动驾驶(Autonomous vehicles;Self-driving automobile)又称无人驾驶、电脑驾驶,是一种通过电脑系统实现无人驾驶。自动驾驶依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作。
目标对象可以为任意形态或形状的物体,在一个示例性实施例中,该目标对象可以为车辆。目标对象对应的三维点云的获取可以为三维激光扫描仪或三维光学检测仪或三维激光雷达等可直接采集三维点云的设备,也可以为上述设备中的组成部件,例如其内部的处理器或微处理器等。三维点云是表示目标对象表面特性的海量点的集合。
在一个示例性实施例中,可以通过三维激光雷达来获取目标对象对应的三维点云。具体的,三维激光雷达广泛应用于无人驾驶汽车,无人小型飞机,无人运货车,移动测绘车,街景车,游艇,机场等各个方面。三维激光雷达的工作原理与雷达非常相近,以激光作为信号源,由激光器发射出的脉冲激光,打到地面的树木、道路、桥梁和建筑物上,引起散射,一部分光波会反射到激光雷达的接收器上,根据激光测距原理计算,就得到从三维激光雷达到目标点的距离,脉冲激光不断地扫描目标物,就可以得到目标物上全部目标点的数据,用此数据进行成像处理后,就可得到精确的三维立体图像。
深度图像也叫距离影像,是指将从图像采集器到场景中各点的距离(深度)值作为像素值的图像。它直接反映了景物可见表面的几何形状,利用它可以很方便地解决3D目标描述中的许多问题。当一束激光照射到物体表面时,所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描,便会边扫描边记录到反射的激光点信息,由于扫描极为精细,则能够得到大量的激光点,因而就可形成三维点云。
在步骤S220中,基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;
在一实施例中,在将三维点云投影到前向透视图中前,需要对基于激光雷达的硬件参数设计合理的点云投影参数,其中,点云投影参数可以是FOV(视场角)和每一个像素代表的角度范围,设计准则是使的点云在图像上合理投影,减少投影不均和图像大面积未使用等情况出现。具体地,azimuth方向角度一个像素平均为0.2°,elevation方向角度一个像素平均为0.3°。
在一实施例中,将点云投影到前向透视图中;在投影的过程中,不记录所有点云的索引,只记录每个像素深度最大点云的索引做到降采样。对于每像素投影2到3个点云的参数设置,本处理可以减少30%左右的点云数量,且由于每个像素内表征的点的信息几乎是相同的,因此滤除这些点对后端目标分割是没有影响的。本申请通过自适应的降采样,这使得后续模块在不受精度损失的情况下可以更快速的运行。
请参阅图3,图3为图像修复的流程示意图。由于很可能出现在深度投影图像像素上没有点云投影的情况,因此,于本发明一示例性实施例中,在将所述三维点云转换成深度图像的步骤后,所述方法还包括:
S310判断所述深度图像的每一列像素中是否存在不具有深度值的像素点,记为待修复点;
S320确定所述待修复点的相邻像素点,作为修复参考点,并将所述修复参考点的深度值的平均值作为待修复点的深度值。
需要说明的是,所述修复参考点的深度值的差大于深度差阈值。具体地,对于没有深度的当前像素点,查找竖直方向(同一列像素)邻近的四个像素点,在满足上下点云深度差阈值的前提下,当前像素点通过临近点深度均值修复,
其中,curDepth为待修复点的深度值,counter为参与修复的点的数量,prevDepth1为在修复点之上与待修复点相邻的第一个点,prevDepth2为在修复点之上与待修复点相邻的第二个点,nextDepth1为在修复点之下与待修复点相邻的第一个点,nextDepth2为在修复点之下与待修复点相邻的第二个点。
在步骤S230中,计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;
具体地,若所述角度值小于指定阈值,则将所述角度值对应的两个相邻像素点标记为地面点。
需要说明的是,在构建角度图像后,所述方法还包括:对所述角度图像进行平滑滤波。具体地,可以通过SavitskyGolay滤波算法平滑角度图像。
于本发明一示例性实施例中,请参阅图4,图4为确定地面像素点的具体步骤,如图所示,确定属于地面点的像素点的流程,包括:
S410随机选择所述深度图像的某一列像素中的两个相邻像素点,并计算两个相邻像素点的角度值,并与指定阈值进行比较。
需要说明的是,在选择两个相邻像素点时,先从低往上寻找,由于最底部一排的像素点的角度值都是0,因此,可以从倒数第二排选择起点开始。
请参阅图5,图5为一实施例中两个相邻像素点的角度示意图,即角度值=arctan(dy/dx);其中,dx为两个相邻像素点横坐标的差值,dy为两个相邻像素点纵坐标的差值。
S420将角度值小于指定阈值的对应的像素点标记为当前地面点;
其中,指定阈值可以45°,即在角度值小于45°时,表明深度图像中对应的两个像素点角度差值足够小,符合地面情况,则对应像素点认为是为地面点,并作为当前地面点。在进行具体标记时,可以将该点标记为1。
S430从所述当前地面点开始,向未标记的相邻点进行搜索,确定为地面点的所有像素点;
S440遍历所有列像素,重复上述步骤,完成所有地面点的标记。
在步骤S240中,从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;
由于通过将三维激光雷达的点云数据投影得到的深度图像中包括地面与非地面,因此,在对进行图像分割前,先要从深度图像中确定出非地面,因此,需要将地面点从所述深度图像中移除,从而得到属于非地面的深度图像。
在步骤S250中,获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。
具体地,利用所述边界像素点的邻居信息对所述边界像素点进行分类,包括:
膨胀所述地面像素点和所述非地面像素点,求得交集,所述交集为边界像素点;
遍历所述边界像素点,并得到每一个所述边界像素点的近邻像素点,所述邻近像素点包括地面像素点和非地面像素点;
计算所述边界像素点与所述地面像素点的第一距离,并基于所述第一距离计算第一得分;
计算所述边界像素点与所述非地面像素点的第二距离,并基于所述第二距离计算第二得分;
其中,若所述第一得分小于所述第二得分,则所述边界像素点为非地面像素;若所述第一得分大于所述第二得分,则所述边界像素点为地面像素点。
具体地,得到可以通过以下公式计算:
得分=exp(-5*dis),dis为距离。
基于深度图分割后,地面点与非地面点的边界与真实场景是有偏差的,这些边界点分割的准确与否很大程度上决定了后续算法模块输入的准确性,在本申请中,通过对边界像素点进一步分类,使得地面点与非地面点的边界分割准确性大幅提升。
图6是本申请的一示例性实施例示出的基于图像处理的激光雷达地面点云分割装置的框图。该装置可以应用于图1所示的实施环境,并具体配置在终端设备中。该装置也可以适用于其它的示例性实施环境,并具体配置在其它设备中,本实施例不对该装置所适用的实施环境进行限制。
如图6所示,本申请提供一种基于图像处理的激光雷达地面点云分割装置,该装置包括:
点云获取模块610,用于获取目标对象的三维点云;
投影模块620,用于基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;
地面像素点确定模块630,用于计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;
非地面像素点确定模块640,用于从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;
分割模块650,用于获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。
需要说明的是,上述实施例所提供的基于图像处理的激光雷达地面点云分割装置与上述实施例所提供的基于图像处理的激光雷达地面点云分割方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。上述实施例所提供的基于图像处理的激光雷达地面点云分割装置在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能,本处也不对此进行限制。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述各个实施例中提供的基于图像处理的激光雷达地面点云分割方法。
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是,图7示出的电子设备的计算机系统700仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(Central Processing Unit,CPU)701,其可以根据存储在只读存储器(Read-Only Memory,ROM)702中的程序或者从储存部分708加载到随机访问存储器(Random Access Memory,RAM)703中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 703中,还存储有系统操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(Input/Output,I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分707;包括硬盘等的储存部分708;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入储存部分708。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行如前所述的基于图像处理的激光雷达地面点云分割方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的基于图像处理的激光雷达地面点云分割方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于图像处理的激光雷达地面点云分割方法,其特征在于,所述方法包括:
获取目标对象的三维点云;
基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;
计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;
从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;
获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。
2.根据权利要求1所述的基于图像处理的激光雷达地面点云分割方法,其特征在于,若所述角度值小于指定阈值,则将所述角度值对应的两个相邻像素点标记为地面点。
3.根据权利要求1所述的基于图像处理的激光雷达地面点云分割方法,其特征在于,所述三维点云的至少一个点对应一个像素点;在将所述三维点云投影到前向透视图中的步骤中,若每一个像素点对应多个点,则保留像素深度最大点云的索引。
4.根据权利要求1所述的基于图像处理的激光雷达地面点云分割方法,其特征在于,在将所述三维点云投影到前向透视图中的步骤中,
判断所述深度图像的每一列像素中是否存在不具有深度值的像素点,记为待修复点;
确定所述待修复点的相邻像素点,作为修复参考点,并将所述修复参考点的深度值的平均值作为待修复点的深度值;其中,所述修复参考点的深度值的差大于深度差阈值。
5.根据权利要求1所述的基于图像处理的激光雷达地面点云分割方法,其特征在于,在构建角度图像后,所述方法还包括:对所述角度图像进行平滑滤波。
6.根据权利要求1所述的基于图像处理的激光雷达地面点云分割方法,其特征在于,利用所述边界像素点的邻居信息对所述边界像素点进行分类,包括:
膨胀所述地面像素点和所述非地面像素点,求得交集,所述交集为边界像素点;
遍历所述边界像素点,并得到每一个所述边界像素点的近邻像素点,所述邻近像素点包括地面像素点和非地面像素点;
计算所述边界像素点与所述地面像素点的第一距离,并基于所述第一距离计算第一得分;
计算所述边界像素点与所述非地面像素点的第二距离,并基于所述第二距离计算第二得分;
其中,若所述第一得分小于所述第二得分,则所述边界像素点为非地面像素;若所述第一得分大于所述第二得分,则所述边界像素点为地面像素点。
7.根据权利要求1所述的基于图像处理的激光雷达地面点云分割方法,其特征在于,获取目标对象的三维点云的步骤前,所述方法还包括:
设置投影参数,所述投影参数包括激光雷达与每一个像素表示的角度范围。
8.一种基于图像处理的激光雷达地面点云分割装置,其特征在于,所述装置包括:
点云获取模块,用于获取目标对象的三维点云;
投影模块,用于基于预先设置的点云投影参数将所述三维点云投影到前向透视图中,得到深度图像;
地面像素点确定模块,用于计算所述深度图像所有列像素中每一列的两个相邻像素点形成的角度值,并以所述角度值构建角度图像,并基于所述角度图像确定属于地面的地面像素点;
非地面像素点确定模块,用于从所述深度图像中移除属于地面的地面像素点,得到非地面像素点;
分割模块,用于获取所述地面像素点与所述非地面像素点的边界像素点,并利用所述边界像素点的邻居信息对所述边界像素点进行分类,并对地面进行分割,得到地面分割结果。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至7中任一项所述的基于图像处理的激光雷达地面点云分割方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行权利要求1至7中任一项所述的基于图像处理的激光雷达地面点云分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211049077.9A CN115409861A (zh) | 2022-08-30 | 2022-08-30 | 基于图像处理的激光雷达地面点云分割方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211049077.9A CN115409861A (zh) | 2022-08-30 | 2022-08-30 | 基于图像处理的激光雷达地面点云分割方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409861A true CN115409861A (zh) | 2022-11-29 |
Family
ID=84162886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211049077.9A Pending CN115409861A (zh) | 2022-08-30 | 2022-08-30 | 基于图像处理的激光雷达地面点云分割方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409861A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863432A (zh) * | 2023-09-04 | 2023-10-10 | 之江实验室 | 基于深度学习的弱监督激光可行驶区域预测方法和系统 |
-
2022
- 2022-08-30 CN CN202211049077.9A patent/CN115409861A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863432A (zh) * | 2023-09-04 | 2023-10-10 | 之江实验室 | 基于深度学习的弱监督激光可行驶区域预测方法和系统 |
CN116863432B (zh) * | 2023-09-04 | 2023-12-22 | 之江实验室 | 基于深度学习的弱监督激光可行驶区域预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230251B (zh) | 创建3d城市模型的方法和混合3d成像装置及存储介质 | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
US11010912B2 (en) | Method of merging point clouds that identifies and retains preferred points | |
CN110866449A (zh) | 识别道路中目标对象的方法和装置 | |
CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
CN110879994A (zh) | 基于形状注意力机制的三维目测检测方法、系统、装置 | |
CN115115655A (zh) | 目标分割方法、装置、电子设备、存储介质及程序产品 | |
CN113761999A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN113706480A (zh) | 一种基于关键点多尺度特征融合的点云3d目标检测方法 | |
CN110390706B (zh) | 一种物体检测的方法和装置 | |
CN112233136A (zh) | 基于双目识别的集卡对位方法、系统、设备及存储介质 | |
CN111553946A (zh) | 用于去除地面点云的方法及装置、障碍物检测方法及装置 | |
CN113096181B (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
CN114140592A (zh) | 高精地图生成方法、装置、设备、介质及自动驾驶车辆 | |
CN115406457A (zh) | 一种可行驶区域检测方法、系统、设备及存储介质 | |
CN115409861A (zh) | 基于图像处理的激光雷达地面点云分割方法、装置、设备及介质 | |
CN115273039A (zh) | 一种基于摄像头的小障碍物探测方法 | |
CN112639822B (zh) | 一种数据处理方法及装置 | |
Elkhrachy | Feature extraction of laser scan data based on geometric properties | |
CN113377748B (zh) | 激光雷达点云数据的静态点去除方法和装置 | |
CN112529917A (zh) | 一种三维目标分割方法、装置、设备和存储介质 | |
CN117095038A (zh) | 用于激光扫描仪的点云滤波方法及系统 | |
CN117197339A (zh) | 一种基于dem的模型展示方法、装置、设备及存储介质 | |
CN116681932A (zh) | 一种对象识别方法、装置、电子设备及存储介质 | |
CN115063760A (zh) | 车辆可行驶区域检测方法、装置、设备及存储介质 |
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 |