CN116110046B - 一种数据流形实例的确定方法、装置及设备 - Google Patents

一种数据流形实例的确定方法、装置及设备 Download PDF

Info

Publication number
CN116110046B
CN116110046B CN202310377437.6A CN202310377437A CN116110046B CN 116110046 B CN116110046 B CN 116110046B CN 202310377437 A CN202310377437 A CN 202310377437A CN 116110046 B CN116110046 B CN 116110046B
Authority
CN
China
Prior art keywords
vertexes
queue
exploration
vertex
vertices
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
Application number
CN202310377437.6A
Other languages
English (en)
Other versions
CN116110046A (zh
Inventor
刘丰华
侯涛
魏建权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wuyi Vision Digital Twin Technology Co ltd
Original Assignee
Beijing Wuyi Vision Digital Twin Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Wuyi Vision Digital Twin Technology Co ltd filed Critical Beijing Wuyi Vision Digital Twin Technology Co ltd
Priority to CN202310377437.6A priority Critical patent/CN116110046B/zh
Publication of CN116110046A publication Critical patent/CN116110046A/zh
Application granted granted Critical
Publication of CN116110046B publication Critical patent/CN116110046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种数据流形实例的确定方法、装置及设备。数据流形实例的确定方法包括：获取自然场景中单体的待处理的数据集合；对数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点；根据局部骨架顶点，确定探索队列；对探索队列中的顶点进行搜索，得到单体顶点；根据单体顶点，得到单体的数据流形实例。本公开提高了稠密区域的单体检出效果，能够适用于大规模区域建筑物等复杂场景。

Description

一种数据流形实例的确定方法、装置及设备
技术领域
本公开属于计算机信息处理技术领域，具体涉及一种数据流形实例的确定方法、装置及设备。
背景技术
随着自动驾驶以及元宇宙等技术的兴起，点云处理变得越来越重要；这其中点云实例分割受到了重视。在进行点云的实例分割时，通常采用的有两种方案，第一种是端到端的方案，通过实例分割模型直接获得实例信息，另一种是先进行语义分割，之后对分割结果进行实例化。受限于标注成本以及生产要求，端到端的方案在一些场景难以使用。但是现有的实例化方法往往以聚类方法为主，这类方法难以处理复杂的单体结构，同样使得应用场景受到限制。
发明内容
本公开实施例的目的是提供一种数据流形实例的确定方法、装置及设备，提高了稠密区域的单体检出效果，能够适用于大规模区域建筑物等复杂场景。
第一方面，本公开实施例提供了一种数据流形实例的确定方法，方法包括：
获取自然场景中单体的待处理的数据集合；
对数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点；
根据局部骨架顶点，确定探索队列；
对探索队列中的顶点进行搜索，得到单体顶点；
根据单体顶点，得到单体的数据流形实例。
可选地，数据集合是通过激光束按照预设轨迹对目标物体表面进行扫描处理，激光束反射得到的激光点信息的集合；激光点信息包括：方位信息和距离信息；
其中，对数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点，包括：
在数据集合中任意选定一点作为锚点，根据预设探索欧氏空间范围以及邻近探索点数上限，获得局部的对偶邻域
Figure SMS_1
；
将对偶邻域中，已经探索过的节点删除，形成未处理的曲面对偶局部骨架顶点
Figure SMS_2
；
其中，
Figure SMS_4
表示邻域中的顶点/>
Figure SMS_7
与锚点/>
Figure SMS_9
之间的距离，/>
Figure SMS_5
表示顶点/>
Figure SMS_6
对应的对偶邻域；S为顶点/>
Figure SMS_8
与锚点/>
Figure SMS_10
之间的距离阈值上限，K为顶点/>
Figure SMS_3
的数量上限；
Figure SMS_11
为/>
Figure SMS_12
对偶领域在剔除相关的已处理点/>
Figure SMS_13
的剩余邻域，D表示所有已经处理过的节点，\为除开运算。
可选地，根据局部骨架顶点，确定探索队列，包括：
获取局部骨架顶点中的0维胞腔顶点
Figure SMS_14
到锚点/>
Figure SMS_15
的方向；
根据0维胞腔顶点
Figure SMS_16
到锚点/>
Figure SMS_17
的方向，得到局部邻域的表面附着主方向/>
Figure SMS_18
；
获得与主方向
Figure SMS_19
相反的反方向/>
Figure SMS_20
；
将距离主方向
Figure SMS_21
与反方向/>
Figure SMS_22
最近的两个顶点加入探索队列Q。
可选地，根据0维胞腔顶点
Figure SMS_23
到锚点/>
Figure SMS_24
的方向，得到局部邻域的表面附着主方向/>
Figure SMS_25
，包括：
通过
Figure SMS_26
，得到局部邻域的表面附着主方向Dir1；
其中，
Figure SMS_27
，n为正整数，且小于K。
可选地，将距离主方向
Figure SMS_28
与反方向/>
Figure SMS_29
最近的两个顶点加入探索队列Q，包括：
通过
Figure SMS_30
，提取距离主方向/>
Figure SMS_31
与反方向/>
Figure SMS_32
最近的两个目标顶点；
将获得的目标顶点加入到探索队列Q之中。
可选地，对探索队列中的顶点进行搜索，得到单体顶点，包括：
对探索队列Q中的顶点使用宽度优先搜索，从探索队列Q中弹出顶点，直到探索队列Q中的顶点数为空，所有进入过探索队列Q的顶点为单体顶点；
将单体顶点从待处理的数据集合中剔除，剩余的点集再次重复搜索，直到待处理的数据集合为空。
可选地，将距离主方向
Figure SMS_33
与反方向/>
Figure SMS_34
最近的两个顶点加入探索队列Q后，还包括：
将锚点
Figure SMS_35
加入到已经处理完成的列表D中。
第二方面，本公开实施例提供了一种数据流形实例的确定装置，包括：
获取模块，用于获取自然场景中单体的待处理的数据集合；
确定模块，用于对数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点；
第一处理模块，用于根据局部骨架顶点，确定探索队列；
第二处理模块，用于对探索队列中的顶点进行搜索，得到单体顶点；
第三处理模块，用于根据单体顶点，得到单体的数据流形实例。
可选地，确定模块包括：
第一确定子模块，用于在数据集合中任意选定一点作为锚点，根据预设探索欧氏空间范围以及邻近探索点数上限，获得局部的对偶邻域
Figure SMS_36
；
第二确定子模块，用于将对偶邻域中，已经探索过的节点删除，形成未处理的曲面对偶局部骨架顶点
Figure SMS_37
；
其中，
Figure SMS_39
表示邻域中的顶点/>
Figure SMS_41
与锚点/>
Figure SMS_43
之间的距离，/>
Figure SMS_40
表示顶点/>
Figure SMS_42
对应的对偶邻域；S为顶点/>
Figure SMS_44
与锚点/>
Figure SMS_45
之间的距离阈值上限，K为顶点/>
Figure SMS_38
的数量上限；
Figure SMS_46
为/>
Figure SMS_47
对偶领域在剔除相关的已处理点/>
Figure SMS_48
的剩余邻域，D表示所有已经处理过的节点，\为除开运算。
可选地，第一处理模块包括：
第一处理子模块，用于获取局部骨架顶点中的0维胞腔顶点
Figure SMS_49
到锚点/>
Figure SMS_50
的方向；
第二处理子模块，用于根据0维胞腔顶点
Figure SMS_51
到锚点/>
Figure SMS_52
的方向，得到局部邻域的表面附着主方向/>
Figure SMS_53
；
第三处理子模块，用于获得与主方向
Figure SMS_54
相反的反方向/>
Figure SMS_55
；
第四处理子模块，用于将距离主方向
Figure SMS_56
与反方向/>
Figure SMS_57
最近的两个顶点加入探索队列Q。
可选地，第二处理子模块包括：
第一处理子单元，用于通过
Figure SMS_58
，得到局部邻域的表面附着主方向
Figure SMS_59
；
其中，
Figure SMS_60
，n为正整数，且小于K。
可选地，第四处理子模块包括：
第二处理子单元，用于通过
Figure SMS_61
，提取距离主方向/>
Figure SMS_62
与反方向/>
Figure SMS_63
最近的两个目标顶点；
第三处理子单元，用于将获得的目标顶点加入到队列Q之中。
可选地，第二处理模块包括：
第五处理子模块，用于对探索队列Q中的顶点使用宽度优先搜索，从探索队列Q中弹出顶点，直到探索队列Q中的顶点数为空，所有进入过探索队列Q的顶点为单体顶点；
第六处理子模块，用于将单体顶点从待处理的数据集合中剔除，剩余的点集再次重复搜索，直到待处理的数据集合为空。
可选的，第四处理子模块还用于将锚点
Figure SMS_64
加入到已经处理完成的列表D中。
第三方面，本公开实施例提供了一种计算设备，该计算设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一方面的数据流形实例的确定方法的步骤。
第四方面，本公开实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如第一方面的数据流形实例的确定方法的步骤。
在本公开实施例中，通过获取自然场景中单体的待处理的数据集合；对数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点；根据局部骨架顶点，确定探索队列；对探索队列中的顶点进行搜索，得到单体顶点；根据单体顶点，得到单体的数据流形实例。提高了稠密区域的单体检出效果，能够适用于大规模区域建筑物等复杂场景。
附图说明
图1是本公开实施例提供的数据流形实例的确定方法流程图；
图2是本公开实施例提供的设定锚点的示意图；
图3是本公开实施例提供的剔除已经处理过的点的示意图；
图4是本公开实施例提供的获得主方向与反方向的示意图；
图5是本公开实施例提供的获得方向临近点的示意图；
图6是本公开实施例提供的单体迭代自动提取的示意图；
图7是本公开实施例提供的数据流形实例的确定装置的结构示意图；
图8是本公开的实施例提供的计算设备的结构示意图；
图9是实现本公开的实施例提供的计算设备的硬件结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本公开保护的范围。
本公开的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
本公开实施例主要涉及大规模区域建筑物的点云实例化，结合点云表面具有的密度附着性，通过在点云表面进行漫步探索逐步获得单独的流形实例，能够对聚类方法中难以处理的复杂几何结构以及密度不同的点云集的情况进行缓解，同时可以通过宽度优先搜索进行并行化处理实现高效的流形探索。
下面结合附图，通过具体的实施例及其应用场景对本公开实施例提供的数据流形实例的确定方法、装置及设备进行详细地说明。
图1是本公开实施例提供的一种数据流形实例的确定方法流程图，参见图1，该方法可以包括以下步骤：
步骤101，获取自然场景中单体的待处理的数据集合，该数据集合是通过激光束按照预设轨迹对目标物体表面进行扫描处理，激光束反射得到的激光点信息的集合；该激光点信息包括：方位信息和距离信息；这里的自然场景中单体包括但不限于大规模区域建筑物等。
步骤102，对数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点；这里，该骨架中不包含已经探索过的顶点。
具体的，假设数据集合是曲面对偶拓扑结构的顶点，则一个曲面实例就是一组顶点集，随机选取顶点集中任意一点作为起始顶点将该顶点插入到队列Q中，在之后的循环中每次从队列Q中取一点，设该顶点为pm；根据需要探索的顶点集设定探索范围的大小S，以及探索的邻域顶点数上限K。
该步骤102具体实现时，可以包括：
步骤1021，在数据集合中任意选定一点作为锚点，根据预设探索欧氏空间范围S以及邻近探索点数上限，获得局部的对偶邻域
Figure SMS_65
；
这里，如图2所示，从锚点pm出发，根据预设欧氏空间范围S以及邻近探索点数上限K，获得局部的对偶邻域，需要说明的是，该对偶邻域中的顶点距离锚点的距离小于S同时数量不超过探索的邻域顶点数上限K。
步骤1022，将对偶邻域中，已经探索过的节点删除，形成未处理的曲面对偶局部骨架顶点
Figure SMS_66
；
这里如图3所示，对该对偶邻域进行处理，删去该对偶邻域中已经被处理过的节点，形成局部的未处理的曲面对偶的1维骨架顶点，即
Figure SMS_67
；
其中，
Figure SMS_70
表示邻域中的顶点/>
Figure SMS_72
与锚点/>
Figure SMS_74
之间的距离，/>
Figure SMS_69
表示顶点/>
Figure SMS_71
对应的对偶邻域；S为顶点/>
Figure SMS_73
与锚点/>
Figure SMS_75
之间的距离阈值上限，K为顶点/>
Figure SMS_68
的数量上限；
Figure SMS_76
为/>
Figure SMS_77
对偶领域在剔除相关的已处理点/>
Figure SMS_78
的剩余邻域，D表示所有已经处理过的节点，\为除开运算。
步骤103，根据局部骨架顶点，确定探索队列；
具体实现时，该步骤103，可以包括：
步骤1031，获取局部骨架顶点中的0维胞腔顶点
Figure SMS_79
到锚点/>
Figure SMS_80
的方向；
步骤1032，根据0维胞腔顶点
Figure SMS_81
到锚点/>
Figure SMS_82
的方向，得到局部邻域的表面附着主方向/>
Figure SMS_83
；
具体实现时，如图4所示；步骤1032包括：
步骤10321，通过
Figure SMS_84
，得到局部邻域的表面附着主方向/>
Figure SMS_85
；需要说明的是，这里的局部邻域的表面附着主方向/>
Figure SMS_86
可以通过向量的求和得到。
其中，
Figure SMS_87
，n为正整数，且小于K。
步骤1033，获得与主方向
Figure SMS_88
相反的反方向/>
Figure SMS_89
；
步骤1034，将距离主方向
Figure SMS_90
与反方向/>
Figure SMS_91
最近的两个顶点加入探索队列Q。
具体实现时，如图5所示，步骤1034包括：
步骤10341，通过
Figure SMS_92
，提取距离主方向/>
Figure SMS_93
与反方向/>
Figure SMS_94
最近的两个目标顶点；
步骤10342，将获得的目标顶点加入到队列Q之中。
该步骤1034后，还可以包括：
步骤1035，将锚点
Figure SMS_95
加入到已经处理完成的列表D中。
具体的，对该主方向
Figure SMS_96
和反方向/>
Figure SMS_97
，通过获得的邻域中的顶点，提取距离该主方向/>
Figure SMS_98
和反方向/>
Figure SMS_99
最近的两个目标顶点，当没有时，结果为空，将获得的目标顶点加入到队列Q之中，并将锚点加入到已经处理完成的列表D中。
步骤104，对探索队列中的顶点进行搜索，得到单体顶点；
该步骤104具体实现时，可以包括：
步骤1041，对探索队列Q中的顶点使用宽度优先搜索，从探索队列Q中弹出顶点，重复上述步骤，直到探索队列Q中的顶点数为空，所有进入过探索队列Q的顶点为单体顶点；
步骤1042，将单体顶点从待处理的数据集合中剔除，剩余的点集再次重复搜索，直到待处理的数据集合为空。
这里，使用宽度优先搜索的方式，逐步探索队列Q中的顶点，能够通过并行化处理提升处理效率。
步骤105，根据单体顶点，得到单体的数据流形实例。
一个实现实施例中，如图2至图5所示，数据流形实例的确定的处理过程可以包括：
步骤A：如图2所示，在待处理的数据集合中任意选定一点作为探索的起点，即：锚点，设定需要探索的欧式空间范围，以及临近的探索点数上限，图2中，
Figure SMS_100
表示锚点；
步骤B：如图3所示，根据预设欧氏空间范围、邻近探索点数上限以及该锚点，计算锚点邻域内的前驱节点，将已经探索过的节点删除，需要说明的是，初始化为空，同时间骨架中不包含已经探索过的顶点；图3中，
Figure SMS_101
表示前驱节点，/>
Figure SMS_102
表示已经探索过的节点，即被删除的节点；
步骤C：如图4和图5所示，计算前驱节点与锚点之间的向量方向，并通过求和获得主方向
Figure SMS_103
，形成前驱节点的表面附着，确定前驱节点中最靠近主方向/>
Figure SMS_104
的节点和反方向/>
Figure SMS_105
的节点为候选锚点，将这两点加入探索队列；图4中的箭头示出了该主方向/>
Figure SMS_106
和反方向/>
Figure SMS_107
；
步骤D：可以根据宽度优先搜索，逐步探索队列中的顶点；
步骤E，重复步骤B至步骤D，直至队列顶点数为空，所有进入过队列的顶点即为单体实例顶点；
步骤F：将步骤E中获得的单体实例顶点从原始点集中剔除；
步骤G：剩余的点集再次重复步骤B至步骤F，直至原始点集为空。
图6示出的是单体迭代自动提取的示意图，图6中包括单体A、单体B和单体C，方框1中示出了当对单体A进行自动提取处理时，从曲线箭头指出的点61开始，逐渐完成对单体A中所有顶点的搜索，最终得到单体A的单体实例；
方框2中示出了当对单体B进行自动提取处理时，从曲线箭头指出的点61开始，逐渐完成对单体B中所有顶点的搜索，最终得到单体B的单体实例。
本公开实施例中数据流形实例的确定方法，对聚类方法中难以处理复杂几何结构以及密度不同的数据集的问题进行了缓解，同时可以通过对宽度优先搜索并行化处理实现高效的流形探索；通过计算邻域内的方向主要贡献性实现漫步方向附着在流形表面，从而解决相邻较近的实例之间可能出现的互通性；该数据流形实例的确定方法可以应用在任意的数据实例化中，同时具有一定的密度变化适应性，同时该数据流形实例的确定方法不同于聚类方法，无需关心实例数量以及噪声点的问题，算法可以自适应的提取所有实例。
上述所有可选技术方案，可以任意结合，形成本公开的可选实施例，在此不再一一赘述。
图7是本公开实施例提供的一种数据流形实例的确定装置的结构示意图，参见图7，该装置700包括：
获取模块701，用于获取自然场景中单体的待处理的数据集合；
确定模块702，用于根据预设搜索参数，对数据集合中的点进行搜索，确定局部骨架顶点；
第一处理模块703，用于获取局部骨架顶点的探索队列；
第二处理模块704，用于对探索队列中的顶点进行搜索，得到单体顶点；
第三处理模块705，用于根据单体顶点，得到单体的数据流形实例。
可选地，确定模块702包括：
第一确定子模块，用于在数据集合中任意选定一点作为锚点，根据预设探索欧氏空间范围以及邻近探索点数上限，获得局部的对偶邻域
Figure SMS_108
；
第二确定子模块，用于将对偶邻域中，已经探索过的节点删除，形成未处理的曲面对偶局部骨架顶点
Figure SMS_109
；
其中，
Figure SMS_110
表示邻域中的顶点/>
Figure SMS_113
与锚点/>
Figure SMS_115
之间的距离，/>
Figure SMS_112
表示顶点/>
Figure SMS_114
对应的对偶邻域；S为顶点/>
Figure SMS_116
与锚点/>
Figure SMS_117
之间的距离阈值上限，K为顶点/>
Figure SMS_111
的数量上限；
Figure SMS_118
为/>
Figure SMS_119
对偶领域在剔除相关的已处理点/>
Figure SMS_120
的剩余邻域，D表示所有已经处理过的节点，\为除开运算。
可选地，第一处理模块703包括：
第一处理子模块，用于获取局部骨架顶点中的0维胞腔顶点
Figure SMS_121
到锚点/>
Figure SMS_122
的方向；
第二处理子模块，用于根据0维胞腔顶点
Figure SMS_123
到锚点/>
Figure SMS_124
的方向，得到局部邻域的表面附着主方向/>
Figure SMS_125
；
第三处理子模块，用于获得与主方向
Figure SMS_126
相反的反方向/>
Figure SMS_127
；
第四处理子模块，用于将距离主方向
Figure SMS_128
与反方向/>
Figure SMS_129
最近的两个顶点加入探索队列Q。
可选地，第二处理子模块包括：
第一处理子单元，用于通过
Figure SMS_130
，得到局部邻域的表面附着主方向
Figure SMS_131
；
其中，
Figure SMS_132
，n为正整数，且小于K。
可选地，第四处理子模块包括：
第二处理子单元，用于通过
Figure SMS_133
，提取距离主方向/>
Figure SMS_134
与反方向/>
Figure SMS_135
最近的两个目标顶点；
第三处理子单元，用于将获得的目标顶点加入到队列Q之中。
可选地，第二处理模块704包括：
第五处理子模块，用于对探索队列Q中的顶点使用宽度优先搜索，从探索队列Q中弹出顶点，直到探索队列Q中的顶点数为空，所有进入过探索队列Q的顶点为单体顶点；
第六处理子模块，用于将单体顶点从待处理的数据集合中剔除，剩余的点集再次重复搜索，直到待处理的数据集合为空。
可选的，第四处理子模块还用于将锚点
Figure SMS_136
加入到已经处理完成的列表D中。
本公开实施例提供的装置，通过获取自然场景中单体的待处理的数据集合；根据预设搜索参数，对数据集合中的点进行搜索，确定局部骨架顶点；获取局部骨架顶点的探索队列；对探索队列中的顶点进行搜索，得到单体顶点；根据单体顶点，得到单体的数据流形实例。提高了稠密区域的单体检出效果，能够适用于大规模区域建筑物等复杂场景。
需要说明的是：上述实施例提供的数据流形实例的确定装置在处理时，仅以上述各功能模块的划分进行举例说明，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。另外，上述实施例提供的数据流形实例的确定装置与数据流形实例的确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本公开实施例中的数据流形实例的确定装置可以是虚拟装置，也可以是服务器或者终端中的部件、集成电路或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本或者个人数字助理（personal digital assistant，PDA）等，非移动电子设备可以为服务器、网络附属存储器（Network Attached Storage，NAS）、个人计算机（personal computer，PC）、电视机（television，TV）、柜员机或者自助机等，本公开实施例不作具体限定。
本公开实施例中的数据流形实例的确定装置可以为具有操作系统的装置。该操作系统可以为安卓（Android）操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本公开实施例不作具体限定。
本公开实施例提供的数据流形实例的确定装置能够实现图1至图6的方法实施例实现的各个过程，为避免重复，这里不再赘述。
可选地，如图8所示，本公开实施例还提供一种计算设备800，包括处理器801，存储器802，存储在存储器802上并可在处理器801上运行的程序或指令，该程序或指令被处理器801执行时实现上述数据流形实例的确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。需要说明的是，本公开实施例中的计算设备包括上述的移动电子设备和非移动电子设备。
图9为实现本公开实施例的一种计算设备的硬件结构示意图。
该计算设备900包括但不限于：射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909、以及处理器910等部件。
本领域技术人员可以理解，计算设备900还可以包括给各个部件供电的电源（比如电池），电源可以通过电源管理系统与处理器910逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图9中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本公开实施例中，输入单元904可以包括图形处理器（GraphicsProcessing Unit，GPU）9041和麦克风9042，图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置（如摄像设备）获得的静态图片或视频的图像数据进行处理。显示单元906可包括显示面板9061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072。触控面板9071，也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆，在此不再赘述。存储器909可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器910可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器910中。
本公开实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述数据流形实例的确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，处理器为上述实施例中的计算设备中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory， RAM）、磁碟或者光盘等。
本公开实施例另提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述数据流形实例的确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本公开实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本公开实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，或者网络设备等）执行本公开各个实施例的方法。
上面结合附图对本公开的实施例进行了描述，但是本公开并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本公开的启示下，在不脱离本公开宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本公开的保护之内。

Claims (8)

1.一种数据流形实例的确定方法，其特征在于，包括：
获取自然场景中单体的待处理的数据集合；
对所述数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点；
根据所述局部骨架顶点，确定探索队列；
对所述探索队列中的顶点进行搜索，得到单体顶点；
根据所述单体顶点，得到单体的数据流形实例；
其中，所述数据集合是通过激光束按照预设轨迹对目标物体表面进行扫描处理，激光束反射得到的激光点信息的集合；所述激光点信息包括：方位信息和距离信息；
其中，对所述数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点，包括：
在所述数据集合中任意选定一点作为锚点，根据预设探索欧氏空间范围以及邻近探索点数上限，获得局部的对偶邻域
Figure QLYQS_1
；
将所述对偶邻域中，已经探索过的节点删除，形成未处理的曲面对偶局部骨架顶点
Figure QLYQS_2
；
其中，
Figure QLYQS_4
表示邻域中的顶点/>
Figure QLYQS_7
与锚点/>
Figure QLYQS_9
之间的距离，/>
Figure QLYQS_5
表示顶点/>
Figure QLYQS_6
对应的对偶邻域；S为顶点/>
Figure QLYQS_8
与锚点/>
Figure QLYQS_10
之间的距离阈值上限，K为顶点/>
Figure QLYQS_3
的数量上限；
Figure QLYQS_11
为/>
Figure QLYQS_12
对偶领域在剔除相关的已处理点/>
Figure QLYQS_13
的剩余邻域，D表示所有已经处理过的节点，为除开运算；
其中，根据所述局部骨架顶点，确定探索队列，包括：
获取所述局部骨架顶点中的0维胞腔顶点
Figure QLYQS_14
到锚点/>
Figure QLYQS_15
的方向；
根据0维胞腔顶点
Figure QLYQS_16
到锚点/>
Figure QLYQS_17
的方向，得到局部邻域的表面附着主方向/>
Figure QLYQS_18
；
获得与主方向
Figure QLYQS_19
相反的反方向/>
Figure QLYQS_20
；
将距离主方向
Figure QLYQS_21
与反方向/>
Figure QLYQS_22
最近的两个顶点加入探索队列Q。
2.根据权利要求1所述的数据流形实例的确定方法，其特征在于，根据0维胞腔顶点
Figure QLYQS_23
到锚点/>
Figure QLYQS_24
的方向，得到局部邻域的表面附着主方向/>
Figure QLYQS_25
，包括：
通过
Figure QLYQS_26
，得到局部邻域的表面附着主方向/>
Figure QLYQS_27
；
其中，
Figure QLYQS_28
，n为正整数，且小于K。
3.根据权利要求1所述的数据流形实例的确定方法，其特征在于，将距离主方向
Figure QLYQS_29
与反方向/>
Figure QLYQS_30
最近的两个顶点加入探索队列Q，包括：
通过
Figure QLYQS_31
，提取距离主方向/>
Figure QLYQS_32
与反方向/>
Figure QLYQS_33
最近的两个目标顶点；
将获得的目标顶点加入到探索队列Q之中。
4.根据权利要求1所述的数据流形实例的确定方法，其特征在于，对所述探索队列中的顶点进行搜索，得到单体顶点，包括：
对探索队列Q中的顶点使用宽度优先搜索，从探索队列Q中弹出顶点，直到探索队列Q中的顶点数为空，所有进入过探索队列Q的顶点为单体顶点；
将所述单体顶点从待处理的数据集合中剔除，剩余的点集再次重复搜索，直到待处理的数据集合为空。
5.根据权利要求1至4任一项所述的数据流形实例的确定方法，其特征在于，将距离主方向
Figure QLYQS_34
与反方向/>
Figure QLYQS_35
最近的两个顶点加入探索队列Q后，还包括：
将锚点
Figure QLYQS_36
加入到已经处理完成的列表D中。
6.一种数据流形实例的确定装置，其特征在于，包括：
获取模块，用于获取自然场景中单体的待处理的数据集合；
确定模块，用于对所述数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点；
第一处理模块，用于根据所述局部骨架顶点，确定探索队列；
第二处理模块，用于对所述探索队列中的顶点进行搜索，得到单体顶点；
第三处理模块，用于根据所述单体顶点，得到单体的数据流形实例；
其中，所述数据集合是通过激光束按照预设轨迹对目标物体表面进行扫描处理，激光束反射得到的激光点信息的集合；所述激光点信息包括：方位信息和距离信息；
其中，对所述数据集合中的点按照预设搜索参数进行搜索，确定局部骨架顶点，包括：
在所述数据集合中任意选定一点作为锚点，根据预设探索欧氏空间范围以及邻近探索点数上限，获得局部的对偶邻域
Figure QLYQS_37
；
将所述对偶邻域中，已经探索过的节点删除，形成未处理的曲面对偶局部骨架顶点
Figure QLYQS_38
；
其中，
Figure QLYQS_41
表示邻域中的顶点/>
Figure QLYQS_43
与锚点/>
Figure QLYQS_45
之间的距离，/>
Figure QLYQS_39
表示顶点/>
Figure QLYQS_42
对应的对偶邻域；S为顶点/>
Figure QLYQS_44
与锚点/>
Figure QLYQS_46
之间的距离阈值上限，K为顶点/>
Figure QLYQS_40
的数量上限；
Figure QLYQS_47
为/>
Figure QLYQS_48
对偶领域在剔除相关的已处理点/>
Figure QLYQS_49
的剩余邻域，D表示所有已经处理过的节点，为除开运算；
其中，根据所述局部骨架顶点，确定探索队列，包括：
获取所述局部骨架顶点中的0维胞腔顶点
Figure QLYQS_50
到锚点/>
Figure QLYQS_51
的方向；
根据0维胞腔顶点
Figure QLYQS_52
到锚点/>
Figure QLYQS_53
的方向，得到局部邻域的表面附着主方向/>
Figure QLYQS_54
；
获得与主方向
Figure QLYQS_55
相反的反方向/>
Figure QLYQS_56
；
将距离主方向
Figure QLYQS_57
与反方向/>
Figure QLYQS_58
最近的两个顶点加入探索队列Q。
7.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至5任一项所述的方法。
CN202310377437.6A 2023-04-11 2023-04-11 一种数据流形实例的确定方法、装置及设备 Active CN116110046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310377437.6A CN116110046B (zh) 2023-04-11 2023-04-11 一种数据流形实例的确定方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310377437.6A CN116110046B (zh) 2023-04-11 2023-04-11 一种数据流形实例的确定方法、装置及设备

Publications (2)

Publication Number Publication Date
CN116110046A CN116110046A (zh) 2023-05-12
CN116110046B true CN116110046B (zh) 2023-06-23

Family

ID=86258254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310377437.6A Active CN116110046B (zh) 2023-04-11 2023-04-11 一种数据流形实例的确定方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116110046B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8705870B2 (en) * 2012-03-02 2014-04-22 Microsoft Corporation Image searching by approximate κ-NN graph
CN110148144B (zh) * 2018-08-27 2024-02-13 腾讯大地通途（北京）科技有限公司 点云数据的分割方法和装置、存储介质、电子装置
CN114494646A (zh) * 2022-01-25 2022-05-13 上海秉匠信息科技有限公司 场景渲染方法、装置和电子设备
CN115131362A (zh) * 2022-05-13 2022-09-30 大连海事大学 一种大规模点云局部区域特征编码方法
CN115372995A (zh) * 2022-07-27 2022-11-22 潍柴智能科技有限公司 一种基于欧式聚类的激光雷达目标检测方法及系统
CN115511731A (zh) * 2022-09-05 2022-12-23 聚好看科技股份有限公司 一种噪声处理方法和噪声处理设备

Also Published As

Publication number Publication date
CN116110046A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
WO2022262160A1 (zh) 传感器标定方法及装置、电子设备和存储介质
CN111209423B (zh) 一种基于电子相册的图像管理方法、装置以及存储介质
Zhao et al. A directional-edge-based real-time object tracking system employing multiple candidate-location generation
CN113704531A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN111967297B (zh) 图像的语义分割方法、装置、电子设备及介质
CN115018992A (zh) 发型模型的生成方法、装置、电子设备及存储介质
Liu et al. Self-cueing real-time attention scheduling in criticality-aware visual machine perception
Min et al. Dadu-eye: A 5.3 TOPS/W, 30 fps/1080p high accuracy stereo vision accelerator
CN114593743A (zh) 一种基于改进双向rrt算法的路径规划方法及装置
Hu et al. Gesture recognition based on modified Yolov5s
CN112528811A (zh) 行为识别方法和装置
Nour et al. How far can we go in compute-less networking: Computation correctness and accuracy
CN116110046B (zh) 一种数据流形实例的确定方法、装置及设备
Sponner et al. Adapting Neural Networks at Runtime: Current Trends in At-Runtime Optimizations for Deep Learning
Zhang et al. A locally distributed mobile computing framework for DNN based android applications
CN113033337A (zh) 基于TensorRT的行人重识别方法及装置
WO2012140315A1 (en) Method, apparatus and computer program product for providing incremental clustering of faces in digital images
CN111813272A (zh) 信息输入方法、装置和电子设备
CN114266863B (zh) 一种基于点云的3d场景图生成方法、系统、设备及可读存储介质
US10268930B2 (en) Image processing system and method for identifying content within image data using markov random fields
Luo The cloud-mobile convergence paradigm for augmented reality
CN113791426A (zh) 雷达p显界面生成方法、装置、计算机设备及存储介质
JP5677771B2 (ja) 画像検索装置、画像検索方法、および、画像検索プログラム
KR102181835B1 (ko) 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템
CN110390413B (zh) 组合优化问题的处理方法和装置

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