CN116309566B - 基于点云的粘连人造杆状物单体化提取方法及相关设备 - Google Patents
基于点云的粘连人造杆状物单体化提取方法及相关设备 Download PDFInfo
- Publication number
- CN116309566B CN116309566B CN202310554649.7A CN202310554649A CN116309566B CN 116309566 B CN116309566 B CN 116309566B CN 202310554649 A CN202310554649 A CN 202310554649A CN 116309566 B CN116309566 B CN 116309566B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- rod
- voxel
- super
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于点云的粘连人造杆状物单体化提取方法及相关设备,所述方法包括:采用滤波去除原始点云噪声点以及采用布料滤波去除地面点云以降低粘连人造杆状物单体化提取的复杂度;对预处理之后的点云进行直通滤波,利用欧式聚类、基于区域生长的点云分割、圆柱拟合以从切片点云中提取候选杆部点云,再通过空间方位覆盖计算去除树干点云,完成人造杆状物的识别和定位;对预处理后的点云进行圆柱滤波和超体素分割处理,对超体素点云进行聚类处理,采用非离散度滤波去除植被点云,完成人造杆状物的单体化提取,实现了在复杂道路环境下单个人造杆状物的高精度识别和提取,有助于道路交通的数字化和自动化管理。
Description
技术领域
本发明涉及数据提取技术领域,尤其涉及基于点云的粘连人造杆状物单体化提取方法及相关设备。
背景技术
MLS(Mobile Laser Scanning),技术全称“地面移动激光雷达扫描技术”,该技术是将GPS系统、全景式高清相机、三维激光扫描仪等多种传感器集成为一个完整的复合系统,可以同时进行三维激光点云的扫描、测距以及定位等工作,和ALS、TLS相比MLS同时具有采集速度快和数据精度高的特点,随着MLS技术的不断发展,该技术已经成为地理空间信息采集的主流方式。
人造杆状物主要包括道路两侧的路灯,交通信号灯,交通标志牌等人工建造且具有规则几何形状的杆状物,其作为道路环境的重要组成部分,不仅可以起到提供照明、指示路线、标识道路边界等作用,还在自动驾驶、道路安全控制等智慧交通的重要领域用着广泛的应用。因此,关于人工杆状物的单体化提取一直是当前学术界的研究热点,在过去几年中,研究人员已经提出了许多方法来从MLS点云中单独提取人造杆状物。
但这些方法道路中具有明显空间独立性特征的人造杆状物,当人造杆状物和周围植被存在重叠和缠结等情况时,现有方法往往会将人造杆状物误认为其他地物,从而导致这些方法再复杂道路环境下的提取精度较差。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于点云的粘连人造杆状物单体化提取方法、系统、终端及计算机可读存储介质,旨在解决现有技术中在复杂道路环境下,人造杆状物的提取精度较差的问题。
为实现上述目的,本发明提供一种基于点云的粘连人造杆状物单体化提取方法,所述一种基于点云的粘连人造杆状物单体化提取方法包括如下步骤:
获取原始点云,将所述原始点云进行去噪处理,去噪处理后进行布料滤波,得到非地面点云;
将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,将每个子空间中点云对应的切片点云融合为一个整体切片点云;
对所述整体切片点云进行欧式聚类,得到若干个聚类簇,基于区域生长的点云分割方法将每个聚类簇分割成若干个点云集合,对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,并对所述拟合圆柱进行相交检验,得到候选杆部点云,通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云;
对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云;
对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物。
可选地,所述的基于点云的粘连人造杆状物单体化提取方法,其中,所述的将所述原始点云进行去噪处理,具体包括:
遍历所述原始点云,使用KDTREE方法获取所述原始点云中每个点的k个紧邻点;
计算出所述原始点云中第i个点到对应的k个紧邻点的距离,根据/>计算出第i个点到对应的k个紧邻点的平均距离/>和/>的标准差/>;
若在范围/>之外,其中,/>为标准差倍数,则表示第i个点为点云中的噪声点,去除第i个点,完成对原始点云的去噪处理。
可选地,所述的基于点云的粘连人造杆状物单体化提取方法,其中,所述的将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,具体包括:
将所述非地面点云所在的空间在XY平面上按照预设分辨率进行分割,得到若干个子空间;
将每个子空间中的点按照Z轴的坐标值大小进行升序排列得到升序序列,取所述升序序列中在预设百分比前的点作为地面点,取所述地面点中最大的Z轴的坐标值作为子空间的地面高度;
根据所述地面高度,使用直通滤波器对子空间中的点进行Z轴维度上的直通滤波,得到每个子空间对应的切片点云。
可选地,所述的基于点云的粘连人造杆状物单体化提取方法,其中,所述的对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,具体包括:
对所述若干个点云集合进行主成分分析,计算出每个点云集合的主方向向量,并计算出所述主方向向量对应的垂直平面,将每个点云集合上的点投影到所述垂直平面上,遍历任意投影到所述垂直平面上的两点间距离,找出距离最大的两点,得到两点的中心点,再计算出过所述垂直平面且垂直于所述垂直平面的直线,计算得到每个点云集合中所有点关于直线的对称点,将所述对称点合并到对应的点云集合中;
将进行点云补全后的若干个点云集合使用RANSAC方法拟合出对应的圆柱体模型,若所述圆柱体模型的半径和中心线在点云集合所在的包围盒内,且所述圆柱体模型的中心线的矢量和地面夹角在设定的阈值范围内则得到符合预设条件的拟合圆柱。
可选地,所述的基于点云的粘连人造杆状物单体化提取方法,其中,所述的通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云,具体包括:
对所述候选杆部点云进行主成分分析,计算出所述候选杆部点云的主方向向量,并计算所述主方向向量/>与Z轴之间的夹角/>,若所述夹角/>小于预设角度,则将所述候选杆部点云按照设定长度/>在Z轴维度上进行空间分割,得到若干个杆部切片;
对每个杆部切片进行RANSAC圆柱拟合,得到每个杆部切片对应的圆柱体模型,再根据计算所有圆柱体模型的圆心在XY平面的平均偏离值/>,其中,/>,/>表示第i个圆柱体模型的圆心坐标,/>,/>表示所有圆柱体模型的圆心坐标的平均值,/>表示切片个数;
若大于等于指定阈值/>,则表示所述候选杆部点云为树干点云,将所述候选杆部点云进行剔除;
若小于指定阈值/>,则表示所述候选杆部点云符合约束,得到目标杆部点云;
计算所述目标杆部点云的质心点,再以所述质心点/>为圆心,以/>为半径对所述原始点云进行圆柱滤波,只保留所述原始点云中高于所述目标杆部点云的点云,将高于所述目标杆部点云的点云在XY维度进行分层,得到多层环形点云,并从空间上将各环层点云分为8个方位角,根据方位角的覆盖值计算每个方位角与对称方位角的被覆盖情况,若相同,则所述目标杆部点云为目标人造杆部点云,否则为行道树的树干。
可选地,所述的对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云,具体包括:
根据均匀分布准则在体素化处理后的点云中随机选取若干个体素作为种子体素,再根据计算各体素与所述种子体素之间的特征距离,根据所述特征距离进行k-means聚类,得到超体素点云;
其中,是颜色空间中欧式距离,/>是空间距离,/>是点特征直方图空间中的距离,/>是一个归一化常数,/>是体素的分辨率,/>是颜色的权重,/>是空间的权重,/>是法向量的权重。
可选地,所述的基于点云的粘连人造杆状物单体化提取方法,其中,所述的对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物,具体包括:
选择距离所述目标人造杆部点云最近的超体素最为初始生长种子,根据预设算法得到合并后的目标超体素点云;
若所述目标超体素点云中存在大于指定阈值的超体素,则从所述目标超体素点云中选择包含点的数量最多且大于指定阈值/>的超体素作为新的生长种子重复预设算法,直至所述目标超体素点云中没有大于指定阈值/>的超体素为止;
所述根据预设算法得到合并后的目标超体素点云包括:
根据找出距离所述初始生长种子/>最近的k个超体素,其中,/>是点云/>,/>的三维空间距离,/>是点云/>,/>之间的最短距离,/>,/>,/>分别是点云/>在x,y,z三个维度上的值,/>,/>,分别是点云/>在x,y,z三个维度上的值,计算所述k个超体素的表面法线与所述初始生长种子/>的表面法线的夹角/>,若所述表面法线夹角/>小于指定阈值,则将所述表面法线对应的超体素和所述初始生长种子/>进行合并得到所述目标超体素点云;
使用主成分分析法对所述目标超体素点云的几何张量特征进行分析,根据,计算所述目标超体素点云的非离散度特征/>,其中,/>表示所述目标超体素点云,/>,/>,/>表示所述目标超体素点云/>的三个邻域特征值;
根据所述非离散度特征去除所述目标超体素点云中参杂的植被点云,得到人造杆状物。
此外,为实现上述目的,本发明还提供一种基于点云的粘连人造杆状物单体化提取系统,其中,所述基于点云的粘连人造杆状物单体化提取系统包括:
点云预处理模块,用于获取原始点云,将所述原始点云进行去噪处理,去噪处理后进行布料滤波,得到非地面点云;
点云融合模块,用于将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,将每个子空间中点云对应的切片点云融合为一个整体切片点云;
人造杆状物识别定位模块,用于对所述整体切片点云进行欧式聚类,得到若干个聚类簇,基于区域生长的点云分割方法将每个聚类簇分割成若干个点云集合,对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,并对所述拟合圆柱进行相交检验,得到候选杆部点云,通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云;
超体素获取模块,用于对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云;
人造杆状物提取模块,用于对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物。
此外,为实现上述目的,本发明还提供一种终端,其中,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于点云的粘连人造杆状物单体化提取程序,所述基于点云的粘连人造杆状物单体化提取程序被所述处理器执行时实现如上所述的基于点云的粘连人造杆状物单体化提取方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于点云的粘连人造杆状物单体化提取程序,所述基于点云的粘连人造杆状物单体化提取程序被处理器执行时实现如上所述的基于点云的粘连人造杆状物单体化提取方法的步骤。
本发明中,采用统计滤波去除原始点云噪声点以及采用布料滤波从点云中去除地面点云以降低粘连人造杆状物单体化提取的复杂度;对预处理之后的点云进行直通滤波,利用欧式聚类、基于区域生长的点云分割、圆柱拟合以从切片点云中提取人造杆状物候选杆部点云,再通过空间方位覆盖计算去除树干点云,完成人造杆状物的识别和定位;对预处理后的点云进行圆柱滤波和超体素分割处理,对超体素点云进行聚类处理,采用非离散度滤波去除植被点云,完成人造杆状物的单体化提取,实现了在复杂道路环境下单个人造杆状物的高精度识别和提取,有助于道路交通的数字化和自动化管理。
附图说明
图1是本发明基于点云的粘连人造杆状物单体化提取方法的较佳实施例的流程图;
图2是本发明基于点云的粘连人造杆状物单体化提取方法的较佳实施例的原理框图;
图3是本发明基于点云的粘连人造杆状物单体化提取方法中步骤S300的流程图;
图4是本发明基于点云的粘连人造杆状物单体化提取方法中对所述整体切片点云进行欧式聚类的流程图;
图5是本发明基于点云的粘连人造杆状物单体化提取方法中基于区域生长的点云分割的流程图;
图6是本发明基于点云的粘连人造杆状物单体化提取系统的较佳实施例的原理图;
图7为本发明终端的较佳实施例的运行环境图。
具体实施方式
本申请提供一种基于点云的粘连人造杆状物单体化提取方法及相关设备,为使本申请的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本申请进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明较佳实施例所述的基于点云的粘连人造杆状物单体化提取方法,如图1和图2所示,所述基于点云的粘连人造杆状物单体化提取方法包括以下步骤:
步骤S100、获取原始点云,将所述原始点云进行去噪处理,去噪处理后进行布料滤波,得到非地面点云。
由于移动激光扫描仪器的工作原理,MLS点云存在着大量的散乱噪声点,且在采集到城市道路MLS点云中,包含了大量的地面原始点,占据了很大的空间且所述地面原始点很容易将不同的对象在聚类过程中连接为一个点集从而增加人造杆状物单体化提取的复杂程度。因此,本发明需要对数据进行预处理去除原始点云中的噪点以及地面点。
具体地,获取原始点云,遍历所述原始点云,使用KDTREE(k-dimensional树的简称,是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构,主要应用于多维空间关键数据的搜索)方法获取所述原始点云中每个点的k个紧邻点。
根据公式计算出所述原始点云中第i个点到对应的k个紧邻点的距离/>,其中,/>、/>、/>分别表示所述原始点云中第i个点在三维坐标系下的横坐标值、纵坐标值和竖坐标值,/>、/>、/>分别表示第j个紧邻点在三维坐标系下的横坐标值、纵坐标值和竖坐标值。
再根据通过公式/>计算出第i个点到对应的k个紧邻点的平均距离/>和/>的标准差/>,/>为所述原始点云中点的个数。
若在范围/>之外,其中,/>为标准差倍数,则表示第i个点为点云中的噪声点,去除第i个点,完成对原始点云的去噪处理。
进一步地,对去噪处理后的原始点云进行布料滤波(布料滤波作为主流的地面点检测方法其主要原理是首先把点云进行翻转,然后假设有一块布料受到重力从上方落下,则最终落下的布料就可以代表当前地形),得到非地面点云。
步骤S200、将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,将每个子空间中点云对应的切片点云融合为一个整体切片点云。
具体地,将所述非地面点云所在的空间在XY平面上按照预设分辨率进行分割,得到若干个子空间;将每个子空间中的点按照Z轴的坐标值大小进行升序排列得到升序序列,取所述升序序列中在预设百分比(此处一般为经验值,本发明可优选为2.5%)前的点作为地面点,取所述地面点中最大的Z轴的坐标值作为子空间的地面高度。
根据所述地面高度,使用直通滤波器(按照维度,即点云的各个属性字段,对点云数据进行过滤)对子空间中的点进行Z轴维度上的直通滤波,得到每个子空间对应的切片点云。
其中,直通滤波的范围为,/>、/>为经验值,在所述范围内滤波的目的是获得距离地面高度为/>和距离地面高度为/>之间的点,根据经验值可知,在所述范围内的点是人造杆状物的可能性最大。
进一步地,将每个子空间中点云对应的切片点云融合为一个整体切片点云。
步骤S300、对所述整体切片点云进行欧式聚类,得到若干个聚类簇,基于区域生长的点云分割方法将每个聚类簇分割成若干个点云集合,对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,并对所述拟合圆柱进行相交检验,得到候选杆部点云,通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云。
具体的过程请参阅图3,其为本发明提供的基于点云的粘连人造杆状物单体化提取方法中步骤S300的流程图。
如图3所示,所述步骤S300包括:
S310、对所述整体切片点云进行欧式聚类,得到若干个聚类簇。
欧式聚类,是点云聚类的一种重要方法,利用点云中点与点之间的欧式距离进行聚类,主要原理如图4所示,是根据欧几里得距离将无组织的点云排序为有组织的点云,当点与点之间的欧式距离小于设定的阈值则视为一类。
S320、基于区域生长的点云分割方法将每个聚类簇分割成若干个点云集合。
区域生长,如图5所示,是根据同一物体区域内点的相似性质来聚集点的方法,从初始区域(如小邻域或甚至于每个点)开始,将相邻的具有同样性质的点或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止,从而得到若干个可能包含人造杆状物杆部结构的点云簇;其中,区域内点的相似性度量可以包括曲率、表面法线、颜色等信息。
S330、对所述若干个点云集合进行点云补全。
由于MLS点云自身采集原理的限制,物体远离道路一侧的点云信息通常缺失,为提高点云中人造杆状物杆部结构的圆柱状特征,本发明对区域生长后所得的若干个点云集合进行点云补全。
具体地,对所述若干个点云集合进行主成分分析(Principal ComponentAnalysis,是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分),计算出每个点云集合的主方向向量,并计算出所述主方向向量对应的垂直平面,将每个点云集合上的点投影到所述垂直平面上,遍历任意投影到所述垂直平面上的两点间距离,找出距离最大的两点,得到两点的中心点,再计算出过所述垂直平面且垂直于所述垂直平面的直线,计算得到每个点云集合中所有点关于直线的对称点,将所述对称点合并到对应的点云集合中。
本发明对物体远离道路一侧的点云信息进行补全,提高了点云中人造杆状物杆部结构的圆柱状特征,使得人造杆状物杆部的识别与定位更加精确。
S340、将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱。
具体地,将进行点云补全后的若干个点云集合使用RANSAC(随机采样一致性算法,它可以从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数)方法拟合出对应的圆柱体模型,若所述圆柱体模型的半径和中心线在点云集合所在的包围盒(一种求解离散点集最优包围空间的算法,基本思想是用体积稍大且特性简单的几何体来近似地代替复杂的几何对象)内,且所述圆柱体模型的中心线的矢量和地面夹角在设定的阈值范围(根据经验值设定)内则得到符合预设条件的拟合圆柱。
S350、对所述拟合圆柱进行相交检验,得到候选杆部点云。
具体地,对于所述拟合圆柱中任意两个拟合圆柱,两个拟合圆柱对应的内部点云分别为和/>,获取点云/>对应的最大xyz值/>和最小xyz值,/>对应的最大xyz
值和最小xyz值/>,若且/>,则说明点云/>和/>对应的两个拟合圆柱相交,故将/>和/>合并为一个点云,并由此得到若干个合并后的点云作为候选杆部点云。
S360、通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云。
具体地,对所述候选杆部点云进行主成分分析,计算出所述候选杆部点云的主方向向量,并计算所述主方向向量/>与Z轴之间的夹角/>,若所述夹角/>小于预设角度,则将所述候选杆部点云按照设定长度/>在Z轴维度上进行空间分割,得到若干个杆部切片。
对每个杆部切片进行RANSAC圆柱拟合,得到每个杆部切片对应的圆柱体模型,再根据计算所有圆柱体模型的圆心在XY平面的平均偏离值/>,其中,/>,/>表示第i个圆柱体模型的圆心坐标,/>,/>表示所有圆柱体模型的圆心坐标的平均值,/>表示切片个数。
若大于等于指定阈值/>,则表示所述候选杆部点云为树干点云,将所述候选杆部点云进行剔除。
若小于指定阈值/>,则表示所述候选杆部点云符合约束,得到目标杆部点云。
进一步地,对于满足圆柱状特征的所述目标杆部点云,计算所述目标杆部点云的质心点,再以所述质心点/>为圆心,以/>(目标杆部点云对应的拟合圆柱的半径)为半径对所述原始点云进行圆柱滤波,只保留所述原始点云中高于所述目标杆部点云的点云。
将高于所述目标杆部点云的点云在XY维度进行分层,得到多层环形点云,并从空间上将各环层点云分为8个方位角,根据方位角的覆盖值计算每个方位角与对称方位角的被覆盖情况,若相同,则所述目标杆部点云为目标人造杆部点云,否则为行道树的树干。
具体地,根据预设半径将高于所述目标杆部点云的点云在XY维度进行分层,得到多层环形点云,并从空间上将各层点云分为8个方位角,对于每一层环形点云,根据公式,计算每一层环形点云在各个方位角的覆盖值以表示空间覆盖情况,其中,/>表示第k个环层在XY维度上的第i个方位角的覆盖值,/>表示在方位角范围内的环形点云的水平凸包面积,/>表示在方位角范围内的环形点云的扇环面积,若/>,表示第k个环层在XY维度上覆盖第i个方位角,若/>,则不覆盖。
完成所有环层的方位覆盖分析后,根据公式,计算整个环层结构在各个方位角的覆盖值,其中/>表示整个多层环形点云(整个环层结构)在第i个方位角的覆盖值,/>表示多层环形点云的总环层数。
最后根据公式,计算每个方位角的被覆盖情况与对称方位角的被覆盖情况是否一致,从而根据/>判断整个环层结构在空间分布上是否对称。
其中,表示第i个方位角的覆盖情况和第i+4个方位角的覆盖情况是否对称,若则表示第i个方位角的覆盖情况和第i+4个方位角的覆盖情况是对称的,否则不对称,/>表示整个环层结构空间分布的对称情况,若/>则认为其空间分布不对称,则说明所述候选杆部点云为目标人造杆部点云,否则说明所述候选杆部点云为行道树的树干(一般认为行道树的树干空间分布的对称的)。
可见,本发明通过一种空间方位覆盖分析的人造杆状物识别算法,有效识别和定位出与周围植被重叠缠结的粘连人造杆状物。
步骤S400、对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云。
体素,是体积元素的简称,包含体素的立体可以通过立体渲染或者提取给定阈值轮廓的多边形等值面表现出来,是数字数据于三维空间分割上的最小单位,体素用于三维成像、科学数据与医学影像等领域。
使用八叉树算法对原始点云进行体素化处理,得到体素化处理后的点云。
进一步地,将体素化处理后的点云进行k-means聚类,得到超体素点云。
超体素,是一种集合,集合的元素是“体”,本质是一个个的小方块,超体素本质也是点云,只不过是一种组织结构特殊的点云。
具体地,根据均匀分布准则在体素化处理后的点云中随机选取若干个体素作为种子体素,再根据计算各体素与所述种子体素之间的特征距离,根据所述特征距离进行k-means聚类,得到超体素点云。
其中,是颜色空间中欧式距离,/>是空间距离,/>是点特征直方图空间中的距离,/>是一个归一化常数,/>是体素的分辨率(也就是体素的边长),/>是颜色的权重,/>是空间的权重,/>是法向量的权重。
步骤S500、对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物。
具体地,选择距离所述目标人造杆部点云最近的超体素最为初始生长种子,根据预设算法得到合并后的目标超体素点云。
若所述目标超体素点云中存在大于指定阈值的超体素,则从所述目标超体素点云中选择包含点的数量最多且大于指定阈值/>的超体素作为新的生长种子重复预设算法,直至所述目标超体素点云中没有大于指定阈值/>的超体素为止。
所述根据预设算法得到合并后的目标超体素点云包括,根据找出距离所述初始生长种子/>最近的k个超体素,其中,/>是点云/>,/>的三维空间距离,/>是点云/>,/>之间的最短距离,/>,/>,/>分别是点云/>在x,y,z三个维度上的值,/>,/>,/>分别是点云在x,y,z三个维度上的值,计算所述k个超体素的表面法线与所述初始生长种子/>的表面法线的夹角/>,若所述表面法线夹角/>小于指定阈值/>,则将所述表面法线对应的超体素和所述初始生长种子/>进行合并得到所述目标超体素点云。
使用主成分分析法对所述目标超体素点云的几何张量特征进行分析,根据,计算所述目标超体素点云的非离散度特征/>,其中,/>表示所述目标超体素点云,/>,/>,/>表示所述目标超体素点云/>的三个邻域特征值。
根据所述非离散度特征去除所述目标超体素点云中参杂的植被点云,得到人造杆状物。
本发明提出的一种基于超体素聚类的粘连人造杆状物单体化提取算法,实现了重度粘连场景下,人造杆状物的精确单体化提取。
进一步地,如图6所示,基于上述基于点云的粘连人造杆状物单体化提取方法,本发明还相应提供了一种基于点云的粘连人造杆状物单体化提取系统,其中,所述基于点云的粘连人造杆状物单体化提取系统包括:
点云预处理模块51,用于获取原始点云,将所述原始点云进行去噪处理,去噪处理后进行布料滤波,得到非地面点云;
点云融合模块52,用于将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,将每个子空间中点云对应的切片点云融合为一个整体切片点云;
人造杆状物识别定位模块53,用于对所述整体切片点云进行欧式聚类,得到若干个聚类簇,基于区域生长的点云分割方法将每个聚类簇分割成若干个点云集合,对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,并对所述拟合圆柱进行相交检验,得到候选杆部点云,通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云;
超体素获取模块54,用于对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云;
人造杆状物提取模块55,用于对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物。
进一步地,如图7所示,基于上述基于点云的粘连人造杆状物单体化提取方法和系统,本发明还相应提供了一种终端,所述终端包括处理器10、存储器20及显示器30。图7仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据,例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有基于点云的粘连人造杆状物单体化提取程序40,该基于点云的粘连人造杆状物单体化提取程序40可被处理器10所执行,从而实现本申请中基于点云的粘连人造杆状物单体化提取方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述基于点云的粘连人造杆状物单体化提取方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中,当处理器10执行所述存储器20中基于点云的粘连人造杆状物单体化提取程序40时实现以下步骤:
获取原始点云,将所述原始点云进行去噪处理,去噪处理后进行布料滤波,得到非地面点云;
将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,将每个子空间中点云对应的切片点云融合为一个整体切片点云;
对所述整体切片点云进行欧式聚类,得到若干个聚类簇,基于区域生长的点云分割方法将每个聚类簇分割成若干个点云集合,对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,并对所述拟合圆柱进行相交检验,得到候选杆部点云,通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云;
对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云;
对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物。
其中,所述的将所述原始点云进行去噪处理,具体包括:
遍历所述原始点云,使用KDTREE方法获取所述原始点云中每个点的k个紧邻点;
计算出所述原始点云中第i个点到对应的k个紧邻点的距离,根据/>计算出第i个点到对应的k个紧邻点的平均距离/>和/>的标准差/>;/>
若在范围/>之外,其中,/>为标准差倍数,则表示第i个点为点云中的噪声点,去除第i个点,完成对原始点云的去噪处理。
其中,所述的将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,具体包括:
将所述非地面点云所在的空间在XY平面上按照预设分辨率进行分割,得到若干个子空间;
将每个子空间中的点按照Z轴的坐标值大小进行升序排列得到升序序列,取所述升序序列中在预设百分比前的点作为地面点,取所述地面点中最大的Z轴的坐标值作为子空间的地面高度;
根据所述地面高度,使用直通滤波器对子空间中的点进行Z轴维度上的直通滤波,得到每个子空间对应的切片点云。
其中,所述的对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,具体包括:
对所述若干个点云集合进行主成分分析,计算出每个点云集合的主方向向量,并计算出所述主方向向量对应的垂直平面,将每个点云集合上的点投影到所述垂直平面上,遍历任意投影到所述垂直平面上的两点间距离,找出距离最大的两点,得到两点的中心点,再计算出过所述垂直平面且垂直于所述垂直平面的直线,计算得到每个点云集合中所有点关于直线的对称点,将所述对称点合并到对应的点云集合中;
将进行点云补全后的若干个点云集合使用RANSAC方法拟合出对应的圆柱体模型,若所述圆柱体模型的半径和中心线在点云集合所在的包围盒内,且所述圆柱体模型的中心线的矢量和地面夹角在设定的阈值范围内则得到符合预设条件的拟合圆柱。
其中,所述的通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云,具体包括:
对所述候选杆部点云进行主成分分析,计算出所述候选杆部点云的主方向向量,并计算所述主方向向量/>与Z轴之间的夹角/>,若所述夹角/>小于预设角度,则将所述候选杆部点云按照设定长度/>在Z轴维度上进行空间分割,得到若干个杆部切片;
对每个杆部切片进行RANSAC圆柱拟合,得到每个杆部切片对应的圆柱体模型,再根据计算所有圆柱体模型的圆心在XY平面的平均偏离值/>,其中,/>,/>表示第i个圆柱体模型的圆心坐标,/>,/>表示所有圆柱体模型的圆心坐标的平均值,/>表示切片个数;
若大于等于指定阈值/>,则表示所述候选杆部点云为树干点云,将所述候选杆部点云进行剔除;
若小于指定阈值/>,则表示所述候选杆部点云符合约束,得到目标杆部点云;
计算所述目标杆部点云的质心点,再以所述质心点/>为圆心,以/>为半径对所述原始点云进行圆柱滤波,只保留所述原始点云中高于所述目标杆部点云的点云,将高于所述目标杆部点云的点云在XY维度进行分层,得到多层环形点云,并从空间上将各环层点云分为8个方位角,根据方位角的覆盖值计算每个方位角与对称方位角的被覆盖情况,若相同,则所述目标杆部点云为目标人造杆部点云,否则为行道树的树干。
其中,所述的对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云,具体包括:
根据均匀分布准则在体素化处理后的点云中随机选取若干个体素作为种子体素,再根据计算各体素与所述种子体素之间的特征距离,根据所述特征距离进行k-means聚类,得到超体素点云;
其中,是颜色空间中欧式距离,/>是空间距离,/>是点特征直方图空间中的距离,/>是一个归一化常数,/>是体素的分辨率,/>是颜色的权重,/>是空间的权重,/>是法向量的权重。
其中,所述的对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物,具体包括:
选择距离所述目标人造杆部点云最近的超体素最为初始生长种子,根据预设算法得到合并后的目标超体素点云;
若所述目标超体素点云中存在大于指定阈值的超体素,则从所述目标超体素点云中选择包含点的数量最多且大于指定阈值/>的超体素作为新的生长种子重复预设算法,直至所述目标超体素点云中没有大于指定阈值/>的超体素为止;
所述根据预设算法得到合并后的目标超体素点云包括:
根据找出距离所述初始生长种子/>最近的k个超体素,其中,/>是点云/>,/>的三维空间距离,/>是点云/>,/>之间的最短距离,/>,/>,/>分别是点云/>在x,y,z三个维度上的值,/>,/>,分别是点云/>在x,y,z三个维度上的值,计算所述k个超体素的表面法线与所述初始生长种子/>的表面法线的夹角/>,若所述表面法线夹角/>小于指定阈值/>,则将所述表面法线对应的超体素和所述初始生长种子/>进行合并得到所述目标超体素点云;
使用主成分分析法对所述目标超体素点云的几何张量特征进行分析,根据,计算所述目标超体素点云的非离散度特征/>,其中,/>表示所述目标超体素点云,/>,/>,/>表示所述目标超体素点云/>的三个邻域特征值;
根据所述非离散度特征去除所述目标超体素点云中参杂的植被点云,得到人造杆状物。
本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于点云的粘连人造杆状物单体化提取程序,所述基于点云的粘连人造杆状物单体化提取程序被处理器执行时实现如上所述的基于点云的粘连人造杆状物单体化提取方法的步骤。
综上所述,本发明提供了一种基于点云的粘连人造杆状物单体化提取方法及相关设备,所述方法包括:采用滤波去除原始点云噪声点以及采用布料滤波去除地面点云以降低粘连人造杆状物单体化提取的复杂度;对预处理之后的点云进行直通滤波,利用欧式聚类、基于区域生长的点云分割、圆柱拟合以从切片点云中提取候选杆部点云,再通过空间方位覆盖计算去除树干点云,完成人造杆状物的识别和定位;对预处理后的点云进行圆柱滤波和超体素分割处理,对超体素点云进行聚类处理,采用非离散度滤波去除植被点云,完成人造杆状物的单体化提取,实现了在复杂道路环境下单个人造杆状物的高精度识别和提取,有助于道路交通的数字化和自动化管理,对未来智慧城市智慧交通的高精度地理信息的快速存储、分析与实时更新具有较大推动意义。
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、物品或者终端不仅包括那些要素,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、物品或者终端所固有的要素。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、物品或者终端中还存在另外的相同要素。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于点云的粘连人造杆状物单体化提取方法,其特征在于,所述的基于点云的粘连人造杆状物单体化提取方法包括:
获取原始点云,将所述原始点云进行去噪处理,去噪处理后进行布料滤波,得到非地面点云;
将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,将每个子空间中点云对应的切片点云融合为一个整体切片点云;
对所述整体切片点云进行欧式聚类,得到若干个聚类簇,基于区域生长的点云分割方法将每个聚类簇分割成若干个点云集合,对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,并对所述拟合圆柱进行相交检验,得到候选杆部点云,通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云;
所述的通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云,具体包括:
对所述候选杆部点云进行主成分分析,计算出所述候选杆部点云的主方向向量,并计算所述主方向向量/>与Z轴之间的夹角/>,若所述夹角/>小于预设角度,则将所述候选杆部点云按照设定长度/>在Z轴维度上进行空间分割,得到若干个杆部切片;
对每个杆部切片进行RANSAC圆柱拟合,得到每个杆部切片对应的圆柱体模型,再根据计算所有圆柱体模型的圆心在XY平面的平均偏离值/>,其中,/>,/>表示第i个圆柱体模型的圆心坐标,/>,/>表示所有圆柱体模型的圆心坐标的平均值,/>表示切片个数;
若大于等于指定阈值/>,则表示所述候选杆部点云为树干点云,将所述候选杆部点云进行剔除;
若小于指定阈值/>,则表示所述候选杆部点云符合约束,得到目标杆部点云;
计算所述目标杆部点云的质心点,再以所述质心点/>为圆心,以/>为半径对所述原始点云进行圆柱滤波,只保留所述原始点云中高于所述目标杆部点云的点云,将高于所述目标杆部点云的点云在XY维度进行分层,得到多层环形点云,并从空间上将各环层点云分为8个方位角,根据方位角的覆盖值计算每个方位角与对称方位角的被覆盖情况,若相同,则所述目标杆部点云为目标人造杆部点云,否则为行道树的树干;
对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云;
对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物。
2.根据权利要求1所述的基于点云的粘连人造杆状物单体化提取方法,其特征在于,所述的将所述原始点云进行去噪处理,具体包括:
遍历所述原始点云,使用KDTREE方法获取所述原始点云中每个点的k个紧邻点;
计算出所述原始点云中第i个点到对应的k个紧邻点的距离,根据/>计算出第i个点到对应的k个紧邻点的平均距离/>和/>的标准差/>;
若在范围/>之外,其中,/>为标准差倍数,则表示第i个点为点云中的噪声点,去除第i个点,完成对原始点云的去噪处理。
3.根据权利要求1所述的基于点云的粘连人造杆状物单体化提取方法,其特征在于,所述的将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,具体包括:
将所述非地面点云所在的空间在XY平面上按照预设分辨率进行分割,得到若干个子空间;
将每个子空间中的点按照Z轴的坐标值大小进行升序排列得到升序序列,取所述升序序列中在预设百分比前的点作为地面点,取所述地面点中最大的Z轴的坐标值作为子空间的地面高度;
根据所述地面高度,使用直通滤波器对子空间中的点进行Z轴维度上的直通滤波,得到每个子空间对应的切片点云。
4.根据权利要求1所述的基于点云的粘连人造杆状物单体化提取方法,其特征在于,所述的对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,具体包括:
对所述若干个点云集合进行主成分分析,计算出每个点云集合的主方向向量,并计算出所述主方向向量对应的垂直平面,将每个点云集合上的点投影到所述垂直平面上,遍历任意投影到所述垂直平面上的两点间距离,找出距离最大的两点,得到两点的中心点,再计算出过所述垂直平面且垂直于所述垂直平面的直线,计算得到每个点云集合中所有点关于直线的对称点,将所述对称点合并到对应的点云集合中;
将进行点云补全后的若干个点云集合使用RANSAC方法拟合出对应的圆柱体模型,若所述圆柱体模型的半径和中心线在点云集合所在的包围盒内,且所述圆柱体模型的中心线的矢量和地面夹角在设定的阈值范围内则得到符合预设条件的拟合圆柱。
5.根据权利要求1所述的基于点云的粘连人造杆状物单体化提取方法,其特征在于,所述的对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云,具体包括:
根据均匀分布准则在体素化处理后的点云中随机选取若干个体素作为种子体素,再根据计算各体素与所述种子体素之间的特征距离,根据所述特征距离进行k-means聚类,得到超体素点云;
其中,是颜色空间中欧式距离,/>是空间距离,/>是点特征直方
图空间中的距离,是一个归一化常数,/>是体素的分辨率,/>是颜色的权重,/>是空间的权重,/>是法向量的权重。
6.根据权利要求5所述的基于点云的粘连人造杆状物单体化提取方法,其特征在于,所述的对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物,具体包括:
选择距离所述目标人造杆部点云最近的超体素最为初始生长种子,根据预设算法得到合并后的目标超体素点云;
若所述目标超体素点云中存在大于指定阈值的超体素,则从所述目标超体素点云中选择包含点的数量最多且大于指定阈值/>的超体素作为新的生长种子重复预设算法,直至所述目标超体素点云中没有大于指定阈值/>的超体素为止;
所述根据预设算法得到合并后的目标超体素点云包括:
根据找出距离所述初始生长种子最近的k个超体素,其中,/>是点云/>,/>的三维空间距离,/>是点云,/>之间的最短距离,/>,/>,/>分别是点云/>在x,y,z三个维度上的值,/>,/>,/>分别是点云/>在x,y,z三个维度上的值,计算所述k个超体素的表面法线与所述初始生长种子的表面法线的夹角/>,若所述表面法线夹角/>小于指定阈值,则将所述表面法线对应的超体素和所述初始生长种子/>进行合并得到所述目标超体素点云;
使用主成分分析法对所述目标超体素点云的几何张量特征进行分析,根据,计算所述目标超体素点云的非离散度特征/>,其中,/>表示所述目标超体素点云,/>,/>,/>表示所述目标超体素点云/>的三个邻域特征值;
根据所述非离散度特征去除所述目标超体素点云中参杂的植被点云,得到人造杆状物。
7.一种基于点云的粘连人造杆状物单体化提取系统,其特征在于,所述基于点云的粘连人造杆状物单体化提取系统包括:
点云预处理模块,用于获取原始点云,将所述原始点云进行去噪处理,去噪处理后进行布料滤波,得到非地面点云;
点云融合模块,用于将所述非地面点云所在的空间分割成若干个子空间,对所述若干个子空间中的点云进行直通滤波,得到每个子空间中点云对应的切片点云,将每个子空间中点云对应的切片点云融合为一个整体切片点云;
人造杆状物识别定位模块,用于对所述整体切片点云进行欧式聚类,得到若干个聚类簇,基于区域生长的点云分割方法将每个聚类簇分割成若干个点云集合,对所述若干个点云集合进行点云补全,将进行点云补全后的若干个点云集合进行圆柱拟合,得到符合预设条件的拟合圆柱,并对所述拟合圆柱进行相交检验,得到候选杆部点云,通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云;
所述的通过空间方位覆盖分析去除所述候选杆部点云中混杂的树干对象,得到目标人造杆部点云,具体包括:
对所述候选杆部点云进行主成分分析,计算出所述候选杆部点云的主方向向量,并计算所述主方向向量/>与Z轴之间的夹角/>,若所述夹角/>小于预设角度,则将所述候选杆部点云按照设定长度/>在Z轴维度上进行空间分割,得到若干个杆部切片;
对每个杆部切片进行RANSAC圆柱拟合,得到每个杆部切片对应的圆柱体模型,再根据计算所有圆柱体模型的圆心在XY平面的平均偏离值/>,其中,/>,/>表示第i个圆柱体模型的圆心坐标,/>,/>表示所有圆柱体模型的圆心坐标的平均值,/>表示切片个数;
若大于等于指定阈值/>,则表示所述候选杆部点云为树干点云,将所述候选杆部点云进行剔除;
若小于指定阈值/>,则表示所述候选杆部点云符合约束,得到目标杆部点云;
计算所述目标杆部点云的质心点,再以所述质心点/>为圆心,以/>为半径对所述原始点云进行圆柱滤波,只保留所述原始点云中高于所述目标杆部点云的点云,将高于所述目标杆部点云的点云在XY维度进行分层,得到多层环形点云,并从空间上将各环层点云分为8个方位角,根据方位角的覆盖值计算每个方位角与对称方位角的被覆盖情况,若相同,则所述目标杆部点云为目标人造杆部点云,否则为行道树的树干;
超体素获取模块,用于对所述原始点云进行体素化处理,体素化处理后进行k-means聚类,得到超体素点云;
人造杆状物提取模块,用于对所述超体素点云与所述目标人造杆部点云进行合并处理,得到合并后的目标超体素点云,对所述目标超体素点云进行滤波,得到人造杆状物。
8.一种电子设备,其特征在于,所述电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于点云的粘连人造杆状物单体化提取程序,所述基于点云的粘连人造杆状物单体化提取程序被所述处理器执行时实现如权利要求1-6任一项所述的基于点云的粘连人造杆状物单体化提取方法的步骤。
9.一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基于点云的粘连人造杆状物单体化提取程序,所述基于点云的粘连人造杆状物单体化提取程序被处理器执行时实现如权利要求1-6任一项所述的基于点云的粘连人造杆状物单体化提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554649.7A CN116309566B (zh) | 2023-05-17 | 2023-05-17 | 基于点云的粘连人造杆状物单体化提取方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554649.7A CN116309566B (zh) | 2023-05-17 | 2023-05-17 | 基于点云的粘连人造杆状物单体化提取方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309566A CN116309566A (zh) | 2023-06-23 |
CN116309566B true CN116309566B (zh) | 2023-09-12 |
Family
ID=86799947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310554649.7A Active CN116309566B (zh) | 2023-05-17 | 2023-05-17 | 基于点云的粘连人造杆状物单体化提取方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309566B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521835A (zh) * | 2011-12-14 | 2012-06-27 | 武汉大学 | 一种基于空间三维模板的点云数据树高提取方法 |
CN106407925A (zh) * | 2016-09-09 | 2017-02-15 | 厦门大学 | 基于局部区间极大值的激光扫描点云树木自动提取方法 |
CN106774930A (zh) * | 2016-12-30 | 2017-05-31 | 中兴通讯股份有限公司 | 一种数据处理方法、装置及采集设备 |
CN107292276A (zh) * | 2017-06-28 | 2017-10-24 | 武汉大学 | 一种车载点云聚类方法及系统 |
CN113781431A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 基于城市点云数据的绿视率计算方法 |
CN114119863A (zh) * | 2021-11-09 | 2022-03-01 | 南京市测绘勘察研究院股份有限公司 | 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法 |
CN114821541A (zh) * | 2022-06-23 | 2022-07-29 | 深圳大学 | 一种基于网格模型的道路面损伤检测方法及相关设备 |
CN114898118A (zh) * | 2022-06-02 | 2022-08-12 | 中国能源建设集团江苏省电力设计院有限公司 | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 |
CN114972377A (zh) * | 2022-05-24 | 2022-08-30 | 厦门大学 | 基于移动最小二乘法与超体素的3d点云分割方法和装置 |
CN115205690A (zh) * | 2022-09-14 | 2022-10-18 | 深圳大学 | 基于mls点云数据的行道树单体化提取方法及装置 |
CN115563680A (zh) * | 2022-10-09 | 2023-01-03 | 阿里云计算有限公司 | 数字孪生对象处理方法以及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11094114B2 (en) * | 2019-02-08 | 2021-08-17 | Ursa Space Systems Inc. | Satellite SAR artifact suppression for enhanced three-dimensional feature extraction, change detection, and visualizations |
-
2023
- 2023-05-17 CN CN202310554649.7A patent/CN116309566B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521835A (zh) * | 2011-12-14 | 2012-06-27 | 武汉大学 | 一种基于空间三维模板的点云数据树高提取方法 |
CN106407925A (zh) * | 2016-09-09 | 2017-02-15 | 厦门大学 | 基于局部区间极大值的激光扫描点云树木自动提取方法 |
CN106774930A (zh) * | 2016-12-30 | 2017-05-31 | 中兴通讯股份有限公司 | 一种数据处理方法、装置及采集设备 |
CN107292276A (zh) * | 2017-06-28 | 2017-10-24 | 武汉大学 | 一种车载点云聚类方法及系统 |
CN113781431A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 基于城市点云数据的绿视率计算方法 |
CN114119863A (zh) * | 2021-11-09 | 2022-03-01 | 南京市测绘勘察研究院股份有限公司 | 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法 |
CN114972377A (zh) * | 2022-05-24 | 2022-08-30 | 厦门大学 | 基于移动最小二乘法与超体素的3d点云分割方法和装置 |
CN114898118A (zh) * | 2022-06-02 | 2022-08-12 | 中国能源建设集团江苏省电力设计院有限公司 | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 |
CN114821541A (zh) * | 2022-06-23 | 2022-07-29 | 深圳大学 | 一种基于网格模型的道路面损伤检测方法及相关设备 |
CN115205690A (zh) * | 2022-09-14 | 2022-10-18 | 深圳大学 | 基于mls点云数据的行道树单体化提取方法及装置 |
CN115563680A (zh) * | 2022-10-09 | 2023-01-03 | 阿里云计算有限公司 | 数字孪生对象处理方法以及系统 |
Non-Patent Citations (1)
Title |
---|
黄俊杰等.平面特征保持的城市三维点云高精度分类方法.《测绘科学》.2023,第48卷(第03期),6-15. * |
Also Published As
Publication number | Publication date |
---|---|
CN116309566A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Rapid urban roadside tree inventory using a mobile laser scanning system | |
CN108596165A (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
Yadav et al. | Identification of trees and their trunks from mobile laser scanning data of roadway scenes | |
Landa et al. | Point cloud processing for smart systems | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
Koedsin et al. | Mapping rubber tree stand age using Pléiades Satellite Imagery: A case study in Talang district, Phuket, Thailand | |
CN115063555A (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 | |
CN111754618A (zh) | 一种面向对象的实景三维模型多层次解译方法及系统 | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
OZDARICI-OK et al. | Using remote sensing to identify individual tree species in orchards: A review | |
Yao et al. | Automated detection of 3D individual trees along urban road corridors by mobile laser scanning systems | |
Zeybek et al. | Geometric feature extraction of road from UAV based point cloud data | |
CN113781431B (zh) | 基于城市点云数据的绿视率计算方法 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
Kamangir et al. | Automatic centerline extraction of coverd roads by surrounding objects from high resolution satellite images | |
CN116309566B (zh) | 基于点云的粘连人造杆状物单体化提取方法及相关设备 | |
CN107993242B (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
Wolf et al. | Techniques for Automated Classification and Segregation of Mobile Mapping 3D Point Clouds. | |
Lindenbergh et al. | Automated large scale parameter extraction of road-side trees sampled by a laser mobile mapping system | |
CN106709473B (zh) | 一种基于体元的机载lidar道路提取方法 | |
CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
Wang et al. | An individual tree segmentation method from mobile mapping point clouds based on improved 3-D morphological analysis | |
CN115063698A (zh) | 斜坡地表变形裂缝自动识别与信息提取方法及系统 |
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 |