CN116310317A - 面向点云目标包围框拟合的异形大目标点云切割方法 - Google Patents
面向点云目标包围框拟合的异形大目标点云切割方法 Download PDFInfo
- Publication number
- CN116310317A CN116310317A CN202310112598.2A CN202310112598A CN116310317A CN 116310317 A CN116310317 A CN 116310317A CN 202310112598 A CN202310112598 A CN 202310112598A CN 116310317 A CN116310317 A CN 116310317A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- target
- cutting
- points
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000001788 irregular Effects 0.000 title claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V10/40—Extraction of image or video features
-
- 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
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了面向点云目标包围框拟合的异形大目标点云切割方法,涉及点云切割技术领域,包括:获取待处理的点云目标,对点云的目标进行提取;识别异形大目标点云团,确定切割方法;根据点云团的最小矩形框以及位置平均值点及点云聚集边,完成点云团切割。本发明提供的面向点云目标包围框拟合的异形大目标点云切割方法解决异形大目标点云团的包围框拟合后的误框问题;实现自动驾驶车辆可通过凹形墙面场景;小的凹包围框,实现上不影响自动驾驶车辆行驶,因此本发明会判断出来,不进行处理,实现面向点云目标包围框拟合的异形大目标点云切割。
Description
技术领域
本发明涉及点云切割技术领域,具体为面向点云目标包围框拟合的异形大目标点云切割方法。
背景技术
现有的点云切割方法主要通过激光雷达点云的目标提取,在经过地面点去除、点聚类后,就可得到一个个目标点云团,如上图右所示的行人、汽车、树木等等。但这些目标点云团只是三维空间中的一堆点,没有边界信息。因此需要对每一个目标点云团做包围框处理。
对点云团寻找最小包围框,现有技术,一般先将三维空间点云团映射到XY平面,然后再使用凸包检测算法找到凸包点拟合的包围框必须是凸多边形。
对于一堆聚类在一起的点云,如果使用凹多边形来包围,最终的结果不唯一。
对于激光雷达而言,它是分不清车、树木、行人、建筑、墙面等等物体的,它能够探测的只是激光点,没有任何先验知识。因此当遇到如下场景时,会造成目标包围框误框,阻碍自动驾驶车辆行驶,会导致车辆的自动驾驶系统认为前方有障碍物,因此会导致车辆停止。显然,这样的处理结果是有问题的。
因此亟需一种异形大目标点云切割方法,把上述此类点云团进行切割,解决点云包络框误框问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:对于激光雷达而言,它是分不清车、树木、行人、建筑、墙面等等物体的,它能够探测的只是激光点,没有任何先验知识,因此会造成目标包围框误框,阻碍自动驾驶车辆行驶。
为解决上述技术问题,本发明提供如下技术方案:面向点云目标包围框拟合的异形大目标点云切割方法,包括:
获取待处理的点云目标,对点云的目标进行提取;
识别异形大目标点云团,确定切割方法;
根据点云团的最小矩形框、位置平均值点、点云团的主方向和点云聚集边,完成点云团切割。
作为本发明所述的面向点云目标包围框拟合的异形大目标点云切割方法的一种优选方案,其中,所述异形包括聚类在一起的点云团所对应的实际物体,其投影在XY平面后,是凹型框。
作为本发明所述的面向点云目标包围框拟合的异形大目标点云切割方法的一种优选方案,其中,所述识别异形大目标点云团包括计算点云团的尺寸;
所述计算点云团的尺寸,包括:
令一点云团PC有n个点,任一点Pti在车辆坐标系下的坐标为(xi,yi,zi),其中i∈{1,2,3,......n};
该点云团X向的尺寸长度是这些点的x坐标最大值与最小值之差的绝对值:
Lx=|max(x1,x2,...xn)-min(x1,x2,...xn)|
Y向的尺寸长度是这些点的y坐标最大值与最小值之差的绝对值:
Ly=|max(y1,y2,...yn)-min(y1,y2,...yn)|
若满足条件,Lx*Ly>9㎡,则判定该点云团为大点云团。
作为本发明所述的面向点云目标包围框拟合的异形大目标点云切割方法的一种优选方案,其中,所述判定该点云团为大点云团包括:当判定为大点云团时,判断是否为异形;
所述判断是否为异形包括,当最小包围框几何中心点和所有点的位置平均值点的距离差较大时,判断为异形。
作为本发明所述的面向点云目标包围框拟合的异形大目标点云切割方法的一种优选方案,其中,所述判断为异形还包括:
通过凸包检测算法,找到点云团PC的凸包点集Psch,令该凸包点集有k个点,任一凸包点Ptj的坐标为(xj,yj,zj),其中j∈{1,2,3,......k};
k个凸包点构成k边形;
所述判断为异形表示为,
其中,xgc和ygc表示该点云团PC几何中心点的坐标值;
令点云团PC的所有点的位置平均值点:
若满足条件D>1米,则判定该点云团为异形点云团。
作为本发明所述的面向点云目标包围框拟合的异形大目标点云切割方法的一种优选方案,其中,所述点云团的主方向,包括:
设一完成聚类的点云团求该点云团的重心,然后平移整车坐标系到该位置平均值点,并更新该点云团所有点在新坐标系下的坐标值;
在新坐标下,找到该点云团在x方向、y方向的最大及最小点,并赋值xmax、xmin、ymax、ymin;
计算点云每个点到最近矩形边的距离,并求所有点的距离平方和;
坐标系逆时针旋转1°,再次计算各点在新坐标系下的坐标,并找到矩形框,计算所有点到矩形最近边的距离平方和;
总共旋转89次,可得到90个距离平方和,最小的距离平方和所对应的矩形,即为本发明所要找的这堆点云团的最小包围矩形;
所述所有点的距离平方和表示为,
其中,firstpoint表示该点云团的第一个点,allpoints表示对所有该点云团的点进行遍历,ptx表示被遍历点的x坐标值,pty表示被遍历点的y坐标值。
作为本发明所述的面向点云目标包围框拟合的异形大目标点云切割方法的一种优选方案,其中,所述点云聚集边,表示为:
对于平行于X轴的两条矩形边,点云贴近边为距离位置平均值点最近的那个边,Y向同理。
作为本发明所述的面向点云目标包围框拟合的异形大目标点云切割方法的一种优选方案,其中,所述完成点云团切割,包括:
找到异形点云团的最小包络矩形框,并找到该矩形框的两条点云聚集边,两条边交点即为一个切割点,另一个切割点为两条非点云聚集边的交点,切割线即为这两个点的连线,进行点云团切割。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明的有益效果:本发明提供的面向点云目标包围框拟合的异形大目标点云切割方法解决异形大目标点云团的包围框拟合后的误框问题,实现自动驾驶车辆可通过凹形墙面场景,小的凹包围框,实现上不影响自动驾驶车辆行驶,因此本发明会判断出来,不进行处理。使用面向点云目标包围框拟合的异形大目标点云切割方法,本发明在效率和准确率方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的面向点云目标包围框拟合的异形大目标点云切割方法的整体流程图;
图2为本发明第一个实施例提供的面向点云目标包围框拟合的异形大目标点云切割方法中最小包络矩形框示意图;
图3为本发明第一个实施例提供的面向点云目标包围框拟合的异形大目标点云切割方法中聚类在一起的点云团示意图;
图4为本发明第一个实施例提供的面向点云目标包围框拟合的异形大目标点云切割方法中聚类在一起的点云团的又一示意图;
图5为本发明第一个实施例提供的面向点云目标包围框拟合的异形大目标点云切割方法中平行坐标系X轴和Y轴构建矩形示意图;
图6为本发明第三个实施例提供的面向点云目标包围框拟合的异形大目标点云切割方法中不同条件下识别大点云团准确率对比图;
图7为本发明第三个实施例提供的面向点云目标包围框拟合的异形大目标点云切割方法中不同条件下识别异形点云团准确率对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,提供了面向点云目标包围框拟合的异形大目标点云切割方法,包括:
获取待处理的点云目标,对点云的目标进行提取;
识别异形大目标点云团,确定切割方法;
异形包括聚类在一起的点云团所对应的实际物体,其投影在XY平面后,是凹型框;所述识别异形大目标点云团包括计算点云团的尺寸;
计算点云团的尺寸,包括:
令一点云团PC有n个点,任一点Pti在车辆坐标系下的坐标为(xi,yi,zi),其中i∈{1,2,3,......n};
该点云团X向的尺寸长度是这些点的x坐标最大值与最小值之差的绝对值:
Lx=|max(x1,x2,...xn)-min(x1,x2,...xn)|
Y向的尺寸长度是这些点的y坐标最大值与最小值之差的绝对值:
Ly=|max(y1,y2,...yn)-min(y1,y2,...yn)|
若满足条件,Lx*Ly>9㎡,则判定该点云团为大点云团。所述判定该点云团为大点云团包括:当判定为大点云团时,判断是否为异形;
所述判断是否为异形包括,当最小包围框几何中心点和所有点的位置平均值点的距离差较大时,判断为异形。
判断为异形还包括:
通过凸包检测算法,找到点云团PC的凸包点集Psch,令该凸包点集有k个点,任一凸包点Ptj的坐标为(xj,yj,zj),其中j∈{1,2,3,......k};
k个凸包点构成k边形;
判断为异形表示为,
其中,xgc和ygc表示该点云团PC几何中心点的坐标值;
令点云团PC的所有点的位置平均值点:
若满足条件D>1米,则判定该点云团为异形点云团。
找到异形点云团的最小包络矩形框,如下图2矩形框,并找到该矩形框的两条点云聚集边,如图2中矩形框的上边和右边,两条边交点即为一个切割点,另一个切割点为两条非点云聚集边的交点,切割线即为这两个点的连线,也是该矩形的一条对角线,如图2中的线。由此可把点云团切割。
其中的关键点是如何找到点云团的主方向,即找到最小面积的矩形框包围这团点云。本发明使用如下方法寻找。假设一完成聚类的点云团,图下图3所示,包含六个点A、B、C、D、E、F,令其坐标分别为(xA,yA)、(xB,yB)、(xC,yC)、(xD,yD)、(xE,yE)、(xF,yF)。
找最小矩形框不考虑各点的高度,把这些点都映射到XY平面上。
求该点云团的重心,然后平移整车坐标系到该位置平均值点,并更新该点云团所有点在新坐标系下的坐标值,位置平均值点求解,上述步骤中已有介绍,如下图4所示,红色点为重心,令其坐标为(xaverage,yaverage)。以点A为例,平移坐标后,点的坐标变为(xA',yA')。其中:
xA′=xA-xaverage
yA′=yA-yaverage
在新坐标下,找到该点云团在x方向、y方向的最大及最小点,并赋值xmax、xmin、ymax、ymin,如上图4中,x方向上的最大点为C、最小点为F,y方向上的最大点为A、最小点D。经过上述四个点,平行该坐标系X轴和Y轴构建矩形,如下图5所示。
矩形边的四个特征值为:xmax=xC,xmin=xF,ymax=yA,ymin=yD
本发明的平移坐标操作,为了让点云团的坐标值数值变小,更方便计算,提高后续步骤的计算速度。
计算点云每个点到最近矩形边的距离,并求所有点的距离平方和。例如上图5中,对所有点,计算公式为:
其中,firstpoint表示该点云团的第一个点,allpoints表示对所有该点云团的点进行遍历,ptx表示被遍历点的x坐标值,pty表示被遍历点的y坐标值。
坐标系逆时针旋转1°。再次计算各点在新坐标系下的坐标,并找到矩形框,计算所有点到矩形最近边的距离平方和。
坐标系逆时针旋转1°,当旋转度数>1°,最终找到的矩形框结果可能距离最理想的结果偏差稍大,但是消耗的计算资源较少;当旋转度数<1°,最终结果精度高,但是计算资源消耗大,花费时间长,影响系统实时性,因此本发明定为1°。
总共旋转89次,可得到90个距离平方和,最小的距离平方和所对应的矩形,即为本发明所要找的这堆点云团的最小包围矩形。
另外的一个关键点是如何找到点云聚集边,如图2绿色矩形框的上边和右边是点云聚集边。本发明使用如下方法寻找。
在上一步骤中,旋转的每个角度,已经找到了点云团的最小矩形框以及位置平均值点。最近边的位置平均值点(xaverage,yaverage)和矩形框的4个特征值xmax,xmin,ymax,ymin。显然,对于平行于X轴的两条矩形边,点云贴近边为距离位置平均值点最近的那个边,Y向同理。实际上,这个位置关系并不难找。
完成点云团切割,包括:找到异形点云团的最小包络矩形框,并找到该矩形框的两条点云聚集边,两条边交点即为一个切割点,另一个切割点为两条非点云聚集边的交点,切割线即为这两个点的连线,进行点云团切割。
切割线也可以不用寻找点云聚集边,直接根据最小包络矩形的两条对角线切割两次,也能较有效的切割点云。
切两次的方法,省去了找点云聚集边的步骤,但是需要对该点云团的点遍历两次;切一次的方法,只需要遍历一遍,但是需要找点云聚集边。
因此,点云点数较多时,优先选择切一次的方法;点云的点数较少时,优先选择切两次的方法。
实施例2
本发明第二个实施例,其不同于前一个实施例的是:
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
实施例3
参照图6-7,为本发明的一个实施例,提供了面向点云目标包围框拟合的异形大目标点云切割方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
首先,针对上述实施例算法,将准确率作为评价判断点云团为大点云团的变量,衡量算法的经济效益,实验结果如下表1-2所示:
表1不同条件下识别大点云团准确率对比表
条件 | 5㎡ | 6㎡ | 7㎡ | 8㎡ | 9㎡ | 10㎡ | 11㎡ | 12㎡ | 13㎡ | 14㎡ |
准确率 | 94% | 95% | 96% | 99% | 100% | 98% | 95% | 92% | 89% | 87% |
表2不同条件下识别异形点云团准确率对比表
条件 | 0.2米 | 0.4米 | 0.6米 | 0.8米 | 1米 | 1.2米 | 1.4米 | 1.6米 | 1.8米 |
准确率 | 91% | 93% | 95% | 97% | 100% | 97% | 95% | 92% | 89% |
从图6可以看出,根据不同阈值情况下进行模拟实验,最终判断识别大点云团,当阈值过大时,就会有漏识别现象,应识别为大点云团但是没有被判定,对后续切割造成不良影响,当阈值过小时,就会有错识别现象发生,不是大点云团但是被判定为大点云团,影响点云切割,根据实验结果,最终确定阈值为9㎡。
从图7可以看出,根据不同阈值情况下进行模拟实验,最终判断识别异形点云团,当阈值过大时,就会有漏识别现象,应识别为异形点云团但是没有被判定,对后续切割造成不良影响,当阈值过小时,就会有错识别现象发生,不是异形点云团但是被判定为异形点云团,影响点云切割,根据实验结果,最终确定阈值为1米。
故,最终根据实验结果选择识别大点云团最优阈值为9㎡,识别异形点云团最优阈值为1米。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.面向点云目标包围框拟合的异形大目标点云切割方法,其特征在于,包括:
获取待处理的点云目标,对点云的目标进行提取;
识别异形大目标点云团,确定切割方法;
根据点云团的最小矩形框、位置平均值点、点云团的主方向和点云聚集边,完成点云团切割。
2.如权利要求1所述的面向点云目标包围框拟合的异形大目标点云切割方法,其特征在于:所述点云的目标进行提取包括识别异形大目标点云团。
3.如权利要求1或2所述的面向点云目标包围框拟合的异形大目标点云切割方法,其特征在于,所述识别异形大目标点云团包括计算点云团的尺寸;
所述计算点云团的尺寸,包括:
令一点云团PC有n个点,任一点Pti在车辆坐标系下的坐标为(xi,yi,zi),其中i∈{1,2,3,......n};
该点云团X向的尺寸长度是这些点的x坐标最大值与最小值之差的绝对值:
Lx=|max(x1,x2,...xn)-min(x1,x2,...xn)|
Y向的尺寸长度是这些点的y坐标最大值与最小值之差的绝对值:
Ly=|max(y1,y2,...yn)-min(y1,y2,...yn)|
若满足条件,Lx*Ly>9㎡,则判定该点云团为大点云团。
4.如权利要求3所述的面向点云目标包围框拟合的异形大目标点云切割方法,其特征在于,所述判定该点云团为大点云团包括:当判定为大点云团时,判断是否为异形;
所述判断是否为异形包括,当最小包围框几何中心点和所有点的位置平均值点的距离差较大时,判断为异形。
6.如权利要求1所述的面向点云目标包围框拟合的异形大目标点云切割方法,其特征在于,所述点云团的主方向,包括:
设一完成聚类的点云团求该点云团的重心,然后平移整车坐标系到该位置平均值点,并更新该点云团所有点在新坐标系下的坐标值;
在新坐标下,找到该点云团在x方向、y方向的最大及最小点,并赋值xmax、xmin、ymax、ymin;
计算点云每个点到最近矩形边的距离,并求所有点的距离平方和;
坐标系逆时针旋转1°,再次计算各点在新坐标系下的坐标,并找到矩形框,计算所有点到矩形最近边的距离平方和;
总共旋转89次,可得到90个距离平方和,最小的距离平方和所对应的矩形,即为本发明所要找的这堆点云团的最小包围矩形;
所述所有点的距离平方和表示为,
其中,firstpoint表示该点云团的第一个点,allpoints表示对所有该点云团的点进行遍历,ptx表示被遍历点的x坐标值,pty表示被遍历点的y坐标值。
7.如权利要求1所述的面向点云目标包围框拟合的异形大目标点云切割方法,其特征在于,所述点云聚集边,表示为:
对于平行于X轴的两条矩形边,点云贴近边为距离位置平均值点最近的那个边,Y向同理。
8.如权利要求1,6或7任一所述的面向点云目标包围框拟合的异形大目标点云切割方法,所述完成点云团切割,包括:
找到异形点云团的最小包络矩形框,并找到该矩形框的两条点云聚集边,两条边交点即为一个切割点,另一个切割点为两条非点云聚集边的交点,切割线即为这两个点的连线,进行点云团切割;
所述进行点云团切割还包括可以直接根据最小包络矩形的两条对角线切割两次,进行点云团切割,当点云点数较多时,选择切一次的方法,当点云的点数较少时,选择切两次的方法。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310112598.2A CN116310317A (zh) | 2023-02-14 | 2023-02-14 | 面向点云目标包围框拟合的异形大目标点云切割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310112598.2A CN116310317A (zh) | 2023-02-14 | 2023-02-14 | 面向点云目标包围框拟合的异形大目标点云切割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310317A true CN116310317A (zh) | 2023-06-23 |
Family
ID=86836936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310112598.2A Pending CN116310317A (zh) | 2023-02-14 | 2023-02-14 | 面向点云目标包围框拟合的异形大目标点云切割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310317A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740114A (zh) * | 2023-08-11 | 2023-09-12 | 之江实验室 | 一种基于凸包检测的目标物边界拟合方法及装置 |
-
2023
- 2023-02-14 CN CN202310112598.2A patent/CN116310317A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740114A (zh) * | 2023-08-11 | 2023-09-12 | 之江实验室 | 一种基于凸包检测的目标物边界拟合方法及装置 |
CN116740114B (zh) * | 2023-08-11 | 2023-11-21 | 之江实验室 | 一种基于凸包检测的目标物边界拟合方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109188459B (zh) | 一种基于多线激光雷达的坡道小障碍物识别方法 | |
US20180060677A1 (en) | Method, apparatus and device for detecting lane lines | |
CN110390306B (zh) | 直角车位的检测方法、车辆和计算机可读存储介质 | |
CN106525000B (zh) | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 | |
CN111487641A (zh) | 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质 | |
CN104463871A (zh) | 基于车载LiDAR点云数据的街景面片提取及优化方法 | |
CN109741450B (zh) | 一种基于扫描线的路面点云自动提取方法及装置 | |
WO2023216470A1 (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN112348836A (zh) | 一种自动提取建筑物轮廓的方法及装置 | |
CN116310317A (zh) | 面向点云目标包围框拟合的异形大目标点云切割方法 | |
CN111402161A (zh) | 点云障碍物的去噪方法、装置、设备和存储介质 | |
CN111308500A (zh) | 基于单线激光雷达的障碍物感知方法、装置和计算机终端 | |
CN111369600A (zh) | 一种基于参照物的激光雷达点云数据配准方法 | |
CN114596313B (zh) | 一种基于室内点云的建筑物构件损伤检测方法及相关设备 | |
CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
CN110530375A (zh) | 机器人自适应定位方法、定位装置、机器人及存储介质 | |
CN114325760A (zh) | 基于多线激光雷达的公路隧道质检避障方法及系统 | |
WO2020248118A1 (zh) | 点云处理方法、系统、设备及存储介质 | |
CN113313629B (zh) | 交叉路口自动识别方法、系统及其模型保存方法、系统 | |
CN115908541A (zh) | 针对室内环境基于曲率信息的车载激光雷达点云聚类算法 | |
CN111696115B (zh) | 一种基于点云扫描线的斑马线角点提取方法及系统 | |
CN112884026B (zh) | 一种图像识别辅助的输电线路激光LiDAR点云分类方法 | |
CN114973191A (zh) | 基于点云密度和间距的动态阈值确定方法及欧式聚类方法 | |
CN114820505A (zh) | 一种动态目标的非接触测量方法 | |
CN113920351A (zh) | 一种落叶目标点云的识别方法和装置 |
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 |