CN115661552A - 一种点云处理、点云异常检测方法、介质及计算设备 - Google Patents
一种点云处理、点云异常检测方法、介质及计算设备 Download PDFInfo
- Publication number
- CN115661552A CN115661552A CN202211590717.7A CN202211590717A CN115661552A CN 115661552 A CN115661552 A CN 115661552A CN 202211590717 A CN202211590717 A CN 202211590717A CN 115661552 A CN115661552 A CN 115661552A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- type
- local
- point
- scanning
- 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.)
- Granted
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本说明书披露的多个实施例提供了一种点云处理、点云异常检测方法、介质及计算设备。针对待处理点云中的每个扫描点,假设该扫描点所在的物体表面是比较近似于平面的物体表面的话,那么,就可以对该扫描点所在的物体表面的法向量方向进行估计,将估计的法向量方向关联给该扫描点。这样一来,可以对关联于同一个法向量方向的扫描点进行聚类,聚类得到的每个局部点云(第二类局部点云)大概率对应一个比较近似于平面的物体表面,这样,就实现了对待处理点云中不同物体表面所对应的局部点云的区分。
Description
技术领域
本说明书多个实施例涉及激光点云处理技术领域,尤其涉及一种点云处理、点云异常检测方法、介质及计算设备。
背景技术
激光点云,可以简称为点云,是指采用激光源对空间中的物体表面进行激光扫描所得到的扫描点的集合。本文为了描述方便,将空间的点云中的局部部分,称为局部点云。
在实践中为了实现一些业务目的(例如,识别是否出现点云分层现象),需要从整体点云中区分出不同物体表面所对应的局部点云。现有的做法主要是基于深度学习模型从整体点云中区分出不同物体表面所对应的局部点云,然而这种做法存在成本高、准确性低的问题。
发明内容
根据本说明书多个实施例的第一方面,提供一种点云处理方法,包括:
获取对目标空间对应的待处理点云;
针对所述待处理点云中的每个扫描点,在所述待处理点云中确定与该扫描点满足临近条件的多个其他扫描点,以得到该扫描点与所述多个其他扫描点所形成的第一类局部点云;
若所述第一类局部点云满足近似平面条件,则确定所述第一类局部点云的第一类法向量方向;
从多个标准平面的第二类法向量方向中,确定与所述第一类法向量方向最接近的第二类法向量方向,作为该扫描点所关联的第二类法向量方向;
将关联于同一个第二类法向量方向的扫描点进行聚类处理,得到一个或多个第二类局部点云,其中,不同第二类局部点云分别对应于所述目标空间中的不同物体表面。
根据本说明书多个实施例的第二方面,提出了一种点云异常检测方法,其中,第一激光源获得的目标空间对应的点云为第一点云,第二激光源获得的目标空间对应的点云为第二点云,所述方法包括:
以第一点云为待处理点云,执行第一方面所述的点云处理方法,得到第一处理结果,所述第一处理结果包括一个或多个第二类局部点云;
以第二点云为待处理点云,执行第一方面所述的点云处理方法,得到第二处理结果,所述第二处理结果包括一个或多个第二类局部点云;
将所述第一处理结果与所述第二处理结果中对应于同一个物体表面的两个第二类局部点云形成一组;
计算同一组中两个第二类局部点云之间的距离,若距离大于设定阈值,则检测出该同一组中的两个第二类局部点云异常。
根据本说明书多个实施例的第三方面,提出了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现第一方面所述的方法。
根据本说明书多个实施例的第四方面,提出了一种计算设备,包括存储器、处理器;所述存储器用于存储可在处理器上运行的计算机指令,所述处理器用于在执行所述计算机指令时实现第一方面所述的方法。
在上述技术方案中,针对待处理点云中的每个扫描点,假设该扫描点所在的物体表面是比较近似于平面的物体表面的话,那么,就可以对该扫描点所在的物体表面的法向量方向进行估计,将估计的法向量方向关联给该扫描点。这样一来,可以对关联于同一个法向量方向的扫描点进行聚类,聚类得到的每个局部点云(第二类局部点云)大概率对应一个比较近似于平面的物体表面,这样,就实现了对待处理点云中不同物体表面所对应的局部点云的区分。
其中需要具体展开说明的是,一方面,通过判断每个扫描点与其邻域内多个其他扫描点所形成的局部点云(第一类局部点云)是否满足近似平面条件,来确定该扫描点所在的物体表面是否比较近似于平面,如果第一类局部点云满足近似平面条件,那么说明该扫描点所在的物体表面是比价近似于平面的。另一方面,在确定该扫描点所在的物体表面比较近似于平面的前提下,为了实现对该扫描点所在的物体表面的法向量方向进行估计,可以先确定该扫描点对应的第一类法向量的法向量方向(第一类法向量方向),然后确定第一类法向量方向最接近哪个标准平面的法向量方向(第二法向量方向),将最接近的第二法向量方向作为该扫描点所在的物体表面的法向量方向的估计结果。
附图说明
图1是本公体用的点云分层现象的示意图。
图2是本公开提供的一种点云处理方法的流程示意图。
图3是本公开提供的一种识别第二类局部点云对应的物体表面类型的效果示意图。
图4是本公开提供的一种点云异常检测方法的流程示意图。
图5是本公开提供的一种计算设备的结构示意图。
在附图中,相同或对应的标号表示相同或对应的部分。附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
本公开中的待处理点云,是指对目标空间进行激光扫描所得到的。在高精地图相关的业务场景下,装载激光雷达的地图数据采集设备(比如地图数据采集车)可以位于道路空间,对道路空间进行激光扫描得到点云。此处的道路空间,是指包含道路的自然空间,通常,道路空间中除了包括道路,还往往包括非道路的物体,比如树木、栏杆、行人、路面上的建筑物等。
在实际应用中,上述的目标空间可以是一个整体空间所包括一部分空间。可以对整体空间进行激光扫描得到整体点云,而由于整体点云的数据量可能巨大,为了提升处理效率,可以将整体点云进行分割,将分割得到的每一部分空间作为一个目标空间,目标空间对应的点云即为上述的待处理点云。
本公开中的技术方案是针对单个目标空间的待处理点云进行处理,从待处理点云中区分出不同物体表面所对应的局部点云的方案,容易理解,可以针对上述的整体空间所分割出的每个目标空间执行本公开的技术方案,将处理结果汇总,即实现从整体空间的整体点云中区分处不同物体表面所对应的局部点云。在实践中为了实现一些业务目的,往往需要从整体点云中区分出不同物体表面所对应的局部点云。此处的业务目的例如可以是为了将目标空间中的每个物体与整体点云中的每个物体表面对应的局部点云进行一一匹配,为此,需要先从整体空间的整体点云中区分处不同物体表面所对应的局部点云。此处的业务目的又例如可以是识别两个或更多个激光源所分别得到的同一目标空间的点云是否存在精度不一致的问题,即点云分层现象(具体参见后文的详细说明),为此,需要先从整体空间的整体点云中区分处不同物体表面所对应的局部点云。
对于人眼视觉角度来说,从待处理点云中区分出不同物体表面所对应的局部点云是比较容易的,然而,在实践中需要频繁应用的其实是计算设备从待处理点云中区分出不同物体表面所对应的局部点云。对于计算设备来说,待处理点云是一堆扫描点的集合,很难区分哪些扫描点聚集的局部点云对应有一个物体表面。
本公开的技术方案可以解决上述问题。针对待处理点云中的每个扫描点,假设该扫描点所在的物体表面是比较近似于平面的物体表面的话,那么,就可以对该扫描点所在的物体表面的法向量方向进行估计,将估计的法向量方向关联给该扫描点。这样一来,可以对关联于同一个法向量方向的扫描点进行聚类,聚类得到的每个局部点云(第二类局部点云)大概率对应一个比较近似于平面的物体表面,这样,就实现了对待处理点云中不同物体表面所对应的局部点云的区分。
其中需要具体展开说明的是,一方面,通过判断每个扫描点与其邻域内多个其他扫描点所形成的局部点云(第一类局部点云)是否满足近似平面条件,来确定该扫描点所在的物体表面是否比较近似于平面,如果第一类局部点云满足近似平面条件,那么说明该扫描点所在的物体表面是比价近似于平面的。另一方面,在确定该扫描点所在的物体表面比较近似于平面的前提下,为了实现对该扫描点所在的物体表面的法向量方向进行估计,可以先确定该扫描点对应的第一类法向量的法向量方向(第一类法向量方向),然后确定第一类法向量方向最接近哪个标准平面的法向量方向(第二法向量方向),将最接近的第二法向量方向作为该扫描点所在的物体表面的法向量方向的估计结果。
需要说明,相比于现有技术中基于深度学习模型从整体点云中区分出不同物体表面对应的局部点云的方案,本公开的技术方案的实现成本更低(不需要依赖于大数据样本),准确性更高(采用了“将整体点云中的每个扫描点关联至最匹配的标准平面,对同一个标准平面所关联的扫描点进行聚类”的技术思路)。
进一步地,本公开还提供一种点云异常检测的技术方案。本公开中的点云异常检测,具体是指对至少两个激光源对同一目标空间进行激光扫描所分别得到的至少两个点云,是否存在点云分层现象的检测。以两个激光源为例,假设这两个激光源对目标空间进行激光扫描所分别得到的点云为第一点云和第二点云,那么,点云分层现象是指在同一个坐标系中,第一点云与第二点云中对应于同一物体表面的局部点云不重合的现象。
图1是本公体用的点云分层现象的示意图。图1中包括两个叠加在一起的待处理点云,而椭圆圈所标示的部分,是两个待处理点云中对应于同一个物体表面的局部点云不重合的部分。
点云分层现象是采用至少两个激光源对目标空间进行点云采集场景下,存在的采集精度误差所导致现象,在实际应用中,需要检测出点云分层现象并对采集进度误差进行修正。
在本公开提供的点云异常检测的技术方案中,以两个激光源对目标空间进行激光扫描所分别得到第一点云和第二点云为检测对象,容易理解,如果存在两个以上激光源的情况,那么可以将激光源进行两两组合,执行点云异常检测的技术方案。
在点云异常检测的技术方案中,先通过执行前文所提供的点云处理方案,得到第一点云的第一处理结果(分别对应于不同的物体表面的一个或多个第二类局部点云)、第二点云的第二处理结果(分别对应于不同的物体表面的一个或多个第二类局部点云)。然后,将第一处理结果与第二处理结果中对应于同一个物体表面的两个第二类局部点云形成一组,计算同一组中两个第二类局部点云之间的距离,若距离大于设定阈值,则检测出该同一组中的两个第二类局部点云异常,也就意味着该同一组中的两个局部点云存在点云分层现象。
以下结合附图,详细说明本公开提供的技术方案。
图2是本公开提供的一种点云处理方法的流程示意图,包括以下步骤:
S200:获取目标空间对应的待处理点云。
待处理点云往往是激光源对目标空间进行激光扫描所得到的。
S202:针对所述待处理点云中的每个扫描点,在所述待处理点云中确定与该扫描点满足临近条件的多个其他扫描点,以得到该扫描点与所述多个其他扫描点所形成的第一类局部点云。
对于待处理点云中的每个扫描点,与该扫描点满足临近条件的多个其他扫描点,其实就是以该扫描点为中心,一定距离为半径的邻域内的其他扫描点。作为一种具体的实现,可以采用最近邻搜索算法,在待处理点云中确定与一个扫描点满足临近条件的多个其他扫描点。
本文为了描述的方便,将待处理点云中每个扫描点与其邻域内的多个其他扫描点所形成的局部点云,称为第一类局部点云。而在后文中,通过聚类处理得到的局部点云,被称为第二类局部点云。容易理解,第一类局部点云与第二类局部点云都属于局部点云,但是确定机制不同。
S204:若第一类局部点云满足近似平面条件,则执行步骤S206-S210,若第一类局部点云不满足近似平面条件,则执行步骤S212。
需要说明,点云满足近似平面条件,可以理解为点云的形状近似于平面形状。
S206:确定所述第一类局部点云的第一类法向量方向。
S208:从多个标准平面的第二类法向量方向中,确定与所述第一类法向量方向最接近的第二类法向量方向,作为该扫描点所关联的第二类法向量方向。
S210:将关联于同一个第二类法向量方向的扫描点进行聚类处理,得到一个或多个第二类局部点云。
容易理解,实际的物体表面并不是绝对平整的标准平面,但是实际的物体表面有近似于平面与不近似于平面之分。近似于平面的物体表面例如可以是路面、墙面、比较粗的电线杆表面等。而不近似于平面的物体表面例如可以是卷曲的树叶表面、比较细的电线表面等。
对于近似于平面形状的物体表面对应的局部点云来说,其本质上是由一个标准平面上(以及标准平面附近)聚集在一起的扫描点形成的。而在空间坐标系中,存在不同方向的各种标准平面,通常利用平面的法向量方向来描述一个平面的方向。如果可以针对某个标准平面,在待处理点云中筛选出落在该标准平面上或落在该标准平面附近的扫描点集合,则在该扫描点集合中,聚集在一起的扫描点所形成的一个局部点云,就对应于一个物体表面。
步骤S204-S208正是基于上述思路所实现的。
具体而言,如果第一类局部点云在形状上近似于一个平面的话,那么,说明用于形成该第一类局部点云的那个扫描点所在的物体表面是近似于平面形状的。在此前提下,进一步计算该第一类局部点云的法向量方向(第一类法向量方向),可以代表用于形成该第一类局部点云的那个扫描点所在的物体表面的大致方向,将该第一类法向量方向进行分类,找到与该第一类法向量方向最接近的标准平面的法向量方向(第二类法向量方向),将用于形成该第一类局部点云的那个扫描点关联到该第二类法向量方向,这相当于确定了该扫描点附近的标准平面。
然后,将关联于同一个第二类法向量方向的扫描点进行聚类,相当于将同一个标准平面上(以及附近)的扫描点集合中扫描点进行聚类,得到的每个第二类局部点云都对应于一个物体表面,不同第二类局部点云分别对应于所述目标空间中的不同物体表面。
容易理解,第二类局部点云所对应的物体表面,其实是近似于平面的物体表面。
S212:将该扫描点归入过滤集合。
针对所述待处理点云中的每个扫描点,在得到该扫描点与所述多个其他扫描点所形成的第一类局部点云之后,如果该第一类局部点云不满足近似平面条件,则说明用于形成该第一类局部点云的该扫描点所在的物体表面不是近似于平面形状的,对于这种情况,其实不适合采用步骤S206-S210的做法来从待处理点云中区分出不近似于平面的物体表面,需要将该扫描点过滤出来,归入过滤集合。
在一些实施例中,可以从待处理点云中区分出若干近似于平面的物体表面即可,不对过滤集合中的扫描点进行进一步处理。
在另一些实施例中,可以对归入过滤集合的扫描点进行聚类处理,得到一个或多个第三类局部点云,其中,不同第三类局部点云分别对应于所述目标空间中的不同物体表面。
此外,对于如何判断第一类局部点云是否满足近似平面条件,实现方式有多种。例如,可以利用训练好的点云形状分类模型,识别第一类局部点云的形状是否近似于平面。
又如,可以针对第一类局部点云,执行主成分分析PCA计算,得到特征值由小到大依次为A、B、C,容易理解,A为PCA计算得到的最小特征值,C为PCA计算得到的最大特征值,B为PCA计算得到的介于最大特征值C与最小特征值A之间的特征值。若满足M*A<B,则确定所述第一类局部点云满足近似平面条件;若不满足M*A<B,则确定所述第一类局部点云不满足近似平面条件。
第一类局部点云的PCA计算结果为3个特征值以及每个特征值对应的特征向量方向。特征值越小,说明以该特征值对应的特征向量方向为法向量方向所拟合的平面上,分布的扫描点的数量更多。可以将最小特征值对应的特征向量方向作为第一类局部点云的法向量方向。
而第一类局部点云的三个特征值的大小关系,可以反映第一类局部点云的大致形状。如果第一类局部点与的大致形状近似于平面的话,第一类局部点云中的大部分扫面点都分布在第一类局部点云所近似的那个平面上,这意味着最小特征值与其他两个特征值的差距是比较大的。因此,如果A与B的差距比较大,则可以说明第一类局部点云的形状是近似于平面形状的。
在一些实施例中,前文所述的多个标准平面,可以是目标空间中的水平面、横切竖直平面与纵切竖直平面。设想目标空间的空间坐标系,空间坐标系中X轴左右方向上的坐标轴,Y轴为前后方向上的坐标轴,Z轴为上下方向上的坐标轴,那么,上述的水平面可以是X轴与Y轴形成的平面,上述的横切竖直平面可以是Z轴和X轴形成的平面,上述的纵切竖直平面可以是Z轴与Y轴形成的平面。
此外,在从待处理点云中识别出不同物体表面对应的第二类局部点云之后,还可以根据每个第二类局部点云的形状特征与法向量方向,确定该第二类局部点云对应的物体表面类型。
可能的物体表面类型例如包括路面、墙面、道路边缘、杆、其他物体表面类型(不属于路面、墙面、道路边缘、杆的类型,可以一律归入其他物体表面类型)。作为一种实施方式,可以训练一个用于识别第二类局部点云对应的物体表面类型的模型,该模型的输入可以为第二类局部点云本身,可以是第二类局部点云的形状特征与法向量方向,该模型输出为第二类局部点云对应的物体表面类型。
作为另一种实施方式,可以设定用于识别第二类局部点云对应的物体表面类型的规则,该规则考虑第二类局部点云的形状特征与法向量方向,判断第二类局部点云对应的物体表面类型。
作为一种示例,第二类局部点云的形状特征,可以使用第二类局部点云的PCA计算结果中的三个特征值之间的大小关系来表示,三个特征值的大小关系,决定了第二类局部点云中扫描点的分布情况,而第二类局部点云中扫描点的分布情况决定了第二类局部点云的形状。
还考虑到,而对于形状特征类似的两个点云,可以利用法向量方向进行区分。例如,路面与墙面的形状特征是类似的,但是路面的法向量方向是大体向上的,墙面的法向量方向是大体水平的。
例如,如果第二类局部点云的形状近似于比较宽的长方形平面(长方形的宽大于指定值),法向量方向接近正上方的话,那么可以判定第二类局部点云对应的物体表面类型为路面。又如,如果第二类局部点云形状近似于比较窄的长方形平面(长方形的宽小于或等于指定值),法向量方向接近正上方的话,那么可以判定第二类局部点云对应的物体表面类型为杆。再如,如果第二类局部点云形状近似于比较宽的长方形平面(长方形的宽大于指定值),法向量方向接近正左或正右的话,那么可以判定第二类局部点云对应的物体表面类型为墙面。
图3是本公开提供的一种识别第二类局部点云对应的物体表面类型的效果示意图。如图3所示的待处理点云,已经在待处理点云中区分出不同的第二类局部点云,以及识别出每个第二类局部点云对应的物体表面类型。
此外,第一激光源获得的目标空间对应的点云为第一点云,第二激光源获得的目标空间对应的点云为第二点云,图4是本公开提供的一种点云异常检测方法的流程示意图,包括如下步骤:
S400:以第一点云为待处理点云,执行图2所示的点云处理方法,得到第一处理结果。
所述第一处理结果包括一个或多个第二类局部点云。
S402:以第二点云为待处理点云,执行图2所示的点云处理方法,得到第二处理结果。
所述第二处理结果包括一个或多个第二类局部点云。
不对步骤S400和S402的执行顺序进行限制,可以同时执行,也可以先后执行。
S404:将所述第一处理结果与所述第二处理结果中对应于同一个物体表面的两个第二类局部点云形成一组。
从第一处理结果与所述第二处理结果中识别出对应于同一个物体表面的两个第二类局部的方式可以有多种,此处举一个例子。
可以针对所述第一处理结果中的每个第二类局部点云,将该第二类局部点云作为待匹配点云,获取所述待匹配点云对应的物体表面类型。接着,可以从所述第二处理结果中确定对应于所述物体表面类型的一个或多个第二类局部点云,作为一个或多个备选点云。
若只有一个备选点云,则确定该备选点云与所述待匹配点云对应于同一个物体表面,并将该备选点云与所述待匹配点云形成一组。
若有多个备选点云,则针对每个备选点云,确定该备选点云与所述待匹配点云之间的匹配程度。其中,所述匹配程度与如下至少一种参数正相关:该备选点云与所述待匹配点云的重合面积大小、该备选点云的法向量方向与所述待匹配点云的法向量方向的接近程度、该备选点云与所述待匹配点云之间的距离大小。可以将匹配程度最高的备选点云与所述待匹配点云形成一组。
S406:计算同一组中两个第二类局部点云之间的距离,若距离大于设定阈值,则检测出该同一组中的两个第二类局部点云异常。
如果对应于同一个物体表面的两个第二类局部点云之间的距离比较大,则说明这两个第二类局部点云存在点云分层现象。如果对应于同一个物体表面的两个第二类局部点云之间的距离比较小,则说明这两个第二类局部点云不存在点云分层现象。
对于本领域技术人员来说,容易想到各种计算方式来度量两点云之间的距离。而本公开提供一种计算两个点云之间距离的方式,对于点云X与点云Y,采用如下方式计算X与Y之间的距离:
针对X中的每个扫描点x,从Y中确定与该扫描点的距离由小到大的前N个扫描点y;
基于Y中的所述前N个扫描点y,拟合得到平面(可以利用PCA分解,拟合得到一个平面方程),计算该扫描点x到所述平面的距离,作为该扫描点x对应的距离;
将X中各个扫描点x分别对应的距离求平均值,得到X与Y之间的距离。
上述的X与Y可以分别代指同一组的两个第二类局部点云。上述的X与Y也可以分别代指上述的需要计算距离的备选点云与待匹配点云。
本公开还提供一种计算机可读存储介质,该介质上存储有计算机程序,所述程序被处理器执行时实现本公开实施例的方法。
本公开还提供一种计算设备,包括存储器、处理器;所述存储器用于存储可在处理器上运行的计算机指令,所述处理器用于在执行所述计算机指令时实现本公开实施例的方法。
图5是本公开提供的一种计算设备的结构示意图,该计算设备15可以包括但不限于:处理器151、存储器152、连接不同系统组件(包括存储器152和处理器151)的总线153。
其中,存储器152存储有计算机指令,该计算机指令可以被处理器151执行,使得处理器151能够执行本公开任一实施例的方法。存储器152可以包括随机存取存储单元RAM1521、高速缓存存储单元1522和/或只读存储单元ROM1523。该存储器152还可以包括:具有一组程序模块1524的程序工具1525,该程序模块1524包括但不限于:操作系统、一个或多个应用程序、其他程序模块和程序数据,这些程序模块一种或多种组合可以包含网络环境的实现。
总线153例如可以包括数据总线、地址总线和控制总线等。该计算设备15还可以通过I/O接口154与外部设备155通信,该外部设备155例如可以是键盘、蓝牙设备等。该计算设备150还可以通过网络适配器156与一个或多个网络通信,例如,该网络可以是局域网、广域网、公共网络等。如图所示,该网络适配器156还可以通过总线153与计算设备15的其他模块进行通信。
此外,尽管在附图中以特定顺序描述了本公开方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本公开的精神和原理,但是应该理解,本公开并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中,计算机包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书多个实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书多个实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书多个实施例。在本说明书多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于方法实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的方法实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,在实施本说明书实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本说明书多个实施例的较佳实施例而已,并不用以限制本说明书多个实施例,凡在本说明书多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书多个实施例保护的范围之内。
Claims (11)
1.一种点云处理方法,包括:
获取目标空间对应的待处理点云;
针对所述待处理点云中的每个扫描点,在所述待处理点云中确定与该扫描点满足临近条件的多个其他扫描点,以得到该扫描点与所述多个其他扫描点所形成的第一类局部点云;
若所述第一类局部点云满足近似平面条件,则确定所述第一类局部点云的第一类法向量方向;
从多个标准平面的第二类法向量方向中,确定与所述第一类法向量方向最接近的第二类法向量方向,作为该扫描点所关联的第二类法向量方向;
将关联于同一个第二类法向量方向的扫描点进行聚类处理,得到一个或多个第二类局部点云,其中,不同第二类局部点云分别对应于所述目标空间中的不同物体表面。
2.如权利要求1所述方法,还包括:
针对所述第一类局部点云,执行主成分分析PCA计算;
若满足M*A<B,则确定所述第一类局部点云满足近似平面条件;其中,M为大于1的常数,A为PCA计算得到的最小特征值,B为PCA计算得到的介于最大特征值与最小特征值之间的特征值;
若不满足M*A<B,则确定所述第一类局部点云不满足近似平面条件。
3.如权利要求2所述方法,所述确定所述第一类局部点云的第一类法向量方向,包括:
将特征值A所对应的特征向量方向,确定为所述第一类局部点云的第一类法向量方向。
4.如权利要求1所述方法,其中,所述多个标准平面,包括:
所述目标空间中的水平面、横切竖直平面与纵切竖直平面。
5.如权利要求1-4中任一项所述方法,还包括:
针对每个第二类局部点云,根据该第二类局部点云的形状特征与法向量方向,确定该第二类局部点云对应的物体表面类型。
6.如权利要求1所述方法,还包括:
针对所述待处理点云中的每个扫描点,在得到该扫描点与所述多个其他扫描点所形成的第一类局部点云之后,若所述第一类局部点云不满足近似平面条件,则将该扫描点归入过滤集合;
对归入过滤集合的扫描点进行聚类处理,得到一个或多个第三类局部点云,其中,不同第三类局部点云分别对应于所述目标空间中的不同物体表面。
7.一种点云异常检测方法,其中,第一激光源获得的目标空间对应的点云为第一点云,第二激光源获得的目标空间对应的点云为第二点云,所述方法包括:
以第一点云为待处理点云,执行权利要求1-6任一项所述的点云处理方法,得到第一处理结果,所述第一处理结果包括一个或多个第二类局部点云;
以第二点云为待处理点云,执行权利要求1-6任一项所述的点云处理方法,得到第二处理结果,所述第二处理结果包括一个或多个第二类局部点云;
将所述第一处理结果与所述第二处理结果中对应于同一个物体表面的两个第二类局部点云形成一组;
计算同一组中两个第二类局部点云之间的距离,若距离大于设定阈值,则检测出该同一组中的两个第二类局部点云异常。
8.如权利要求7所述方法,所述将所述第一处理结果与所述第二处理结果中对应于同一个物体表面的两个第二类局部点云形成一组,包括:
针对所述第一处理结果中的每个第二类局部点云,将该第二类局部点云作为待匹配点云,获取所述待匹配点云对应的物体表面类型;
从所述第二处理结果中确定对应于所述物体表面类型的一个或多个第二类局部点云,作为一个或多个备选点云;
若只有一个备选点云,则确定该备选点云与所述待匹配点云对应于同一个物体表面,并将该备选点云与所述待匹配点云形成一组;
若有多个备选点云,则针对每个备选点云,确定该备选点云与所述待匹配点云之间的匹配程度;其中,所述匹配程度与如下至少一种参数正相关:该备选点云与所述待匹配点云的重合面积大小、该备选点云的法向量方向与所述待匹配点云的法向量方向的接近程度、该备选点云与所述待匹配点云之间的距离大小;
将匹配程度最高的备选点云与所述待匹配点云形成一组。
9.如权利要求7所述方法,所述计算同一组中两个第二类局部点云之间的距离,包括:
针对同一组中的任一个第二类局部点云X中的每个扫描点x,从同一组中另一个第二类局部点云Y中确定与该扫描点x的距离由小到大的前N个扫描点y;
基于Y中的所述前N个扫描点y,拟合得到平面,计算该扫描点x到所述平面的距离,作为该扫描点x对应的距离;
将X中各个扫描点x分别对应的距离求平均值,得到X与Y之间的距离。
10.一种计算设备,包括存储器、处理器;所述存储器用于存储可在处理器上运行的计算机指令,所述处理器用于在执行所述计算机指令时实现权利要求1至9任一项所述方法。
11.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现权利要求1至9任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211590717.7A CN115661552B (zh) | 2022-12-12 | 2022-12-12 | 一种点云处理、点云异常检测方法、介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211590717.7A CN115661552B (zh) | 2022-12-12 | 2022-12-12 | 一种点云处理、点云异常检测方法、介质及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661552A true CN115661552A (zh) | 2023-01-31 |
CN115661552B CN115661552B (zh) | 2023-07-04 |
Family
ID=85019392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211590717.7A Active CN115661552B (zh) | 2022-12-12 | 2022-12-12 | 一种点云处理、点云异常检测方法、介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661552B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
CN110458805A (zh) * | 2019-03-26 | 2019-11-15 | 华为技术有限公司 | 一种平面检测方法、计算设备以及电路系统 |
US20200043186A1 (en) * | 2017-01-27 | 2020-02-06 | Ucl Business Plc | Apparatus, method, and system for alignment of 3d datasets |
CN111639682A (zh) * | 2020-05-13 | 2020-09-08 | 北京三快在线科技有限公司 | 基于点云数据的地面分割方法及装置 |
CN113807182A (zh) * | 2021-08-17 | 2021-12-17 | 北京地平线信息技术有限公司 | 用于处理点云的方法、装置、介质以及电子设备 |
CN114219855A (zh) * | 2021-11-17 | 2022-03-22 | 深圳有象智联科技有限公司 | 点云法向量的估计方法、装置、计算机设备和存储介质 |
CN114783068A (zh) * | 2022-06-16 | 2022-07-22 | 深圳市信润富联数字科技有限公司 | 姿态识别方法、装置、电子装置和存储介质 |
CN114924260A (zh) * | 2022-05-19 | 2022-08-19 | 苏州轻棹科技有限公司 | 一种多激光雷达点云配准方法 |
CN115409969A (zh) * | 2022-07-19 | 2022-11-29 | 重庆交通大学 | 一种长测距地面激光点云平面分割算法 |
-
2022
- 2022-12-12 CN CN202211590717.7A patent/CN115661552B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
US20200043186A1 (en) * | 2017-01-27 | 2020-02-06 | Ucl Business Plc | Apparatus, method, and system for alignment of 3d datasets |
CN110458805A (zh) * | 2019-03-26 | 2019-11-15 | 华为技术有限公司 | 一种平面检测方法、计算设备以及电路系统 |
CN111639682A (zh) * | 2020-05-13 | 2020-09-08 | 北京三快在线科技有限公司 | 基于点云数据的地面分割方法及装置 |
CN113807182A (zh) * | 2021-08-17 | 2021-12-17 | 北京地平线信息技术有限公司 | 用于处理点云的方法、装置、介质以及电子设备 |
CN114219855A (zh) * | 2021-11-17 | 2022-03-22 | 深圳有象智联科技有限公司 | 点云法向量的估计方法、装置、计算机设备和存储介质 |
CN114924260A (zh) * | 2022-05-19 | 2022-08-19 | 苏州轻棹科技有限公司 | 一种多激光雷达点云配准方法 |
CN114783068A (zh) * | 2022-06-16 | 2022-07-22 | 深圳市信润富联数字科技有限公司 | 姿态识别方法、装置、电子装置和存储介质 |
CN115409969A (zh) * | 2022-07-19 | 2022-11-29 | 重庆交通大学 | 一种长测距地面激光点云平面分割算法 |
Non-Patent Citations (2)
Title |
---|
TAKESHI HAYATA ET AL.: "3D point cloud cluster analysis based on principal component analysis of normal-vectors" * |
殷宗琨 等: "基于2D预处理的点云分割和测量研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN115661552B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210429B (zh) | 点云数据划分方法及装置、障碍物检测方法及装置 | |
US8363973B2 (en) | Descriptor for image corresponding point matching | |
EP3293670A1 (en) | Lidar object detection system for automated vehicles | |
CN112847343B (zh) | 动态目标跟踪定位方法、装置、设备和存储介质 | |
CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
US9430872B2 (en) | Performance prediction for generation of point clouds from passive imagery | |
CN111444767B (zh) | 一种基于激光雷达的行人检测和追踪方法 | |
CN111553946B (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 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
KR102217020B1 (ko) | 단일 단계 고밀도 피라미드 특징 네트워크를 기반으로 하는 고해상도 항공 이미지 내의 물체감지장치 | |
KR20150051854A (ko) | 3d 포인트 클라우드 poi 검출 방법 및 장치 | |
CN111798398B (zh) | 点云降噪方法、装置、电子设备和计算机可读存储介质 | |
WO2022133770A1 (zh) | 点云法向量的生成方法、装置、计算机设备和存储介质 | |
CN106033613B (zh) | 目标跟踪方法及装置 | |
CN117495891A (zh) | 点云边缘检测方法、装置和电子设备 | |
WO2022226831A1 (zh) | 未定义类别障碍物的检测方法、装置和计算机设备 | |
CN115661552B (zh) | 一种点云处理、点云异常检测方法、介质及计算设备 | |
CN113077473A (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
CN109416748B (zh) | 基于svm的样本数据更新方法、分类系统和存储装置 | |
EP4275013A1 (en) | Method, data processing apparatus and computer program product for generating map data | |
CN114003034A (zh) | 一种巡检机器人巡检规划的制定方法、设备及存储介质 | |
CN113343918A (zh) | 一种电力设备识别方法、系统、介质及电子设备 | |
CN114612627A (zh) | 地形高程图的处理方法、装置、交通工具及介质 | |
CN115856932A (zh) | 一种点云识别方法、介质及计算设备 | |
CN115797896B (zh) | 车道线聚类方法、设备和计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |