CN116664809A - 三维信息获取方法、装置、计算机设备、存储介质和产品 - Google Patents

三维信息获取方法、装置、计算机设备、存储介质和产品 Download PDF

Info

Publication number
CN116664809A
CN116664809A CN202310875484.3A CN202310875484A CN116664809A CN 116664809 A CN116664809 A CN 116664809A CN 202310875484 A CN202310875484 A CN 202310875484A CN 116664809 A CN116664809 A CN 116664809A
Authority
CN
China
Prior art keywords
point cloud
cloud data
image data
target
data
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
Application number
CN202310875484.3A
Other languages
English (en)
Inventor
刘桂宇
郝值
张宇轩
赵慧婷
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.)
FAW Jiefang Automotive Co Ltd
Original Assignee
FAW Jiefang Automotive 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 FAW Jiefang Automotive Co Ltd filed Critical FAW Jiefang Automotive Co Ltd
Priority to CN202310875484.3A priority Critical patent/CN116664809A/zh
Publication of CN116664809A publication Critical patent/CN116664809A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种三维信息获取方法、装置、计算机设备、存储介质和计算机程序产品，通过获取环境点云数据和环境图像数据，并对环境点云数据进行地面分割处理，得到非地面点云数据，在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，对目标点云数据进行拟合处理，得到相应目标对象的三维信息，能够为自动驾驶车辆提供障碍物的信息支撑，从而保证自动驾驶车辆的安全性。

Description

三维信息获取方法、装置、计算机设备、存储介质和产品
技术领域
本申请涉及自动驾驶技术领域，特别是涉及一种三维信息获取方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
基于激光雷达的点云目标识别技术，能够准确地获取目标物的三维空间位置信息和轮廓信息，为自动驾驶车辆决策、控制模块提供更多的障碍物目标信息支撑，保障自动驾驶系统在复杂场景下安全运行。
传统方法中，激光雷达的点云数据经过聚类算法或深度学习算法的处理后，可以得到目标物的三维信息，然而，由于激光雷达获取的点云数据较为稀疏，算法识别效果较差，容易产生漏检误检现象，导致自动驾驶车辆存在安全隐患。
发明内容
基于此，有必要针对上述技术问题，提供一种能够保证自动驾驶车辆安全性的三维信息获取方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种三维信息获取方法，该方法包括：
获取环境点云数据和环境图像数据，环境点云数据为通过激光雷达测量得到的点云模型数据，环境图像数据为通过摄像设备采集得到的光学图像数据；
对环境点云数据进行地面分割处理，得到非地面点云数据；
判断环境图像数据是否满足可信度要求条件，并在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据；
针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，目标对象为角度区域内的障碍物；
对目标点云数据进行拟合处理，得到相应目标对象的三维信息。
在其中一个实施例中，对环境点云数据进行地面分割处理，得到非地面点云数据的步骤，包括：
按照预设的尺寸标准，建立平面网格；
将环境点云数据投影至平面网格的网格中；
针对每一个网格，对网格中的点云数据进行统计量计算，得到网格的特征信息；
根据特征信息，确定网格中的点云数据是否为非地面点云数据，并对非地面点云数据进行分割。
在其中一个实施例中，判断环境图像数据是否满足可信度要求条件，包括：
将光学图像转换为电信号，并对电信号进行模数转换处理，得到数字图像信息；
通过预先训练的深度学习网络模型，对数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息；
基于位置信息和尺寸信息，计算得到环境图像数据的可信度数值；
在可信度数值达到预设数值的情况下，确定环境图像数据满足可信度要求条件；
在可信度数值未达到预设数值的情况下，确定环境图像数据不满足可信度要求条件。
在其中一个实施例中，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据的步骤，包括：
分别获取非地面点云数据对应的点云坐标系和环境图像数据对应的图像坐标系；
对点云坐标系和图像坐标系进行统一化处理；
基于环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
在其中一个实施例中，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据的步骤，包括：
获取角度区域相应的点云数据与激光雷达间的点云目标距离；
基于点云目标距离，对角度区域相应的点云数据进行距离划分处理，得到至少一个距离区域相应的点云数据；
针对每一个距离区域，对距离区域相应的点云数据进行聚类处理，得到相应目标对象对应的目标点云数据；其中，每一个距离区域对应一个目标对象。
在其中一个实施例中，对目标点云数据进行拟合处理，得到相应目标对象的三维信息的步骤，包括：
对目标点云数据进行包围框拟合处理，并计算得到拟合后的目标点云数据的空间集合信息；
基于空间拟合信息，得到相应目标对象的三维信息。
第二方面，本申请还提供了一种三维信息获取装置，该装置包括：
数据获取模块，用于获取环境点云数据和环境图像数据，环境点云数据为通过激光雷达测量得到的点云模型数据，环境图像数据为通过摄像设备采集得到的光学图像数据；
数据分割模块，用于对环境点云数据进行地面分割处理，得到非地面点云数据；
角度划分模块，用于判断环境图像数据是否满足可信度要求条件，并在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据；
数据聚类模块，用于针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，目标对象为角度区域内的障碍物；
数据拟合模块，用于对目标点云数据进行拟合处理，得到相应目标对象的三维信息。
第三方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面中任一项的方法步骤。
第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面中任一项的方法步骤。
第五方面，本申请还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项的方法步骤。
上述三维信息获取方法、装置、计算机设备、存储介质和计算机程序产品，通过获取环境点云数据和环境图像数据，并对环境点云数据进行地面分割处理，得到非地面点云数据，在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，对目标点云数据进行拟合处理，得到相应目标对象的三维信息，能够为自动驾驶车辆提供障碍物的信息支撑，从而保证自动驾驶车辆的安全性。
附图说明
图1为一个实施例中三维信息获取方法的应用环境图；
图2为一个实施例中三维信息获取方法的流程示意图；
图3为一个实施例中角度划分处理步骤的流程示意图；
图4为一个实施例中角度划分范围的示意图；
图5为一个实施例中得到目标点云数据步骤的流程示意图；
图6为一个实施例中三维信息获取方法的流程示意图；
图7为一个实施例中三维信息获取装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的三维信息获取方法，可以应用于如图1所示的应用环境中。其中，终端102分别与激光雷达104、摄像设备106进行通信。其中，终端102用于通过激光雷达104获取环境点云数据，并通过摄像设备106获取环境图像数据，对环境点云数据进行地面分割处理，得到非地面点云数据，判断环境图像数据是否满足可信度要求条件，并在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，目标对象为角度区域内的障碍物，对目标点云数据进行拟合处理，得到相应目标对象的三维信息。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、车载终端设备等。激光雷达104可以是多通道激光雷达。摄像设备106可以是车载摄像头。
在一个实施例中，如图2所示，提供了一种三维信息获取方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S202：获取环境点云数据和环境图像数据，环境点云数据为通过激光雷达测量得到的点云模型数据，环境图像数据为通过摄像设备采集得到的光学图像数据。
其中，在自动驾驶车辆自动驾驶的过程中，通常需要为自动驾驶系统提供周围环境信息，以帮助自动驾驶系统更好的进行路径规划。在实际应用中，通常采用激光雷达的点云目标识别技术，识别目标对象的三维空间位置信息和轮廓信息等，而由于激光雷达获取的点云数据较为稀疏，采用聚类算法对密集物体(例如并排行走的行人、靠近车辆的行人)进行识别时，无法准确的划分同一类的点云数据，容易产生漏检误检等现象。因此，为了解决激光雷达在识别密集物体时的误差问题，采用摄像设备采集环境图像数据，通过环境数据实现对点云数据的准确分割，以提高聚类的准确性。
其中，环境点云数据指的是在激光雷达扫描量程内，激光雷达扫描一圈得到的点云数据，其中激光雷达通过发射激光能量，并接收目标对象表面的反射能量，依据反射能量大小、反射波谱的幅度、频率和相位等信息，输出点云数据，从而呈现出目标物精确的三维结构信息。环境图像数据是指终端通过摄像设备获取的车辆周围环境图像信息，摄像设备通过车辆周围环境中目标对象生成的光学图像。
S204：对环境点云数据进行地面分割处理，得到非地面点云数据。
其中，环境点云数据包括激光雷达测量列岛的路面、建筑物、树木、交通设施、以及交通参与者等目标对象的点云模型数据，通常情况下，环境点与数据包括地面点云数据和非地面点云数据两类，为了去除地面物体(例如地面标识等)的干扰，需要对环境点云数据进行地面分割处理。在实际应用中，终端对环境点云数据进行分割时，可以根据实际的道路类型进行选取，例如针对道路平坦的场景，可以选择基于统计量的地面分割算法、平面拟合算法等，而对于道路存在一定曲率变化的场景，通常选择基于角度的地面分割算法、基于面元的区域生长算法等。
S206：判断环境图像数据是否满足可信度要求条件，并在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
其中，为了保证摄像设备采集的环境图像数据是真实可靠的，终端需要对环境图像数据的可靠性进行判断，在环境图像数据满足可信度要求条件的情况下，终端基于环境图像对应的角度划分范围，对非地面点云数据进行角度划分处理，将非地面点云数据划分成多个角度区域相应的点云数据，对于每一个角度区域的点云数据，在后续进行聚类处理时，单独进行处理，而不收到其他角度区域内点云数据的影响，避免密集物体的点云数据难以区分。其中，角度划分范围是通过对摄像设备进行外参标定后划分的角度范围，终端通过视觉深度学习算法对环境图像数据进行处理，得到环境中各个目标对象的位置信息，以对目标对象所在的位置进行多角度的划分，得到角度划分范围。
S208：针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，目标对象为角度区域内的障碍物。
其中，针对每一个角度区域，终端对这个角度区域相应的点云数据进行聚类处理，以得到这个角度区域内目标对象的目标点云数据，在实际应用中，由于一个角度区域内可能存在多个目标对象，因此，终端根据角度区域相应的点云数据的特征信息，对点云数据进行聚类处理，得到的每一个类即为一个目标对象的点云模型所包含的点云数据。
S210：对目标点云数据进行拟合处理，得到相应目标对象的三维信息。
其中，对于每一个目标对象的目标点云数据，终端对目标点云数据进行拟合处理，为了提高处理效率，通常采用包围框拟合的方式，其中，包围框是指一个简单的集合空间，在点云数据中，包围框里面包含的是聚类后的一系列集，也就是目标点云数据，通过包围框拟合可以将零散的目标点云通过包围框转换成规则物体，提取出相应目标对象的几何属性，进而得到目标对象的三维信息。
上述三维信息获取方法中，通过获取环境点云数据和环境图像数据，并对环境点云数据进行地面分割处理，得到非地面点云数据，在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，对目标点云数据进行拟合处理，得到相应目标对象的三维信息，能够为自动驾驶车辆提供障碍物的信息支撑，从而保证自动驾驶车辆的安全性。
在一个实施例中，对环境点云数据进行地面分割处理，得到非地面点云数据的步骤，包括：按照预设的尺寸标准，建立平面网格；将环境点云数据投影至平面网格的网格中；针对每一个网格，对网格中的点云数据进行统计量计算，得到网格的特征信息；根据特征信息，确定网格中的点云数据是否为非地面点云数据，并对非地面点云数据进行分割。
其中，为了去除地面物体(例如地面标识等)的干扰，需要对环境点云数据进行地面分割处理，在进行地面分割处理时，终端根据设定好的尺寸建立平面网格，将环境点云数据投影值相应的平面网格中，对每个网格中相应的点云数据进行统计量的计算，其中，统计量包括点云数据携带的点云信息中的平均高度、最大高度、高度差、密度等。终端通过计算得到的特殊信息，判断相应网格中的点云数据是否为非地面点云数据，从而将非地面点云数据从所有的环境点云数据中分割出来。
本实施例中，通过按照预设的尺寸标准，建立平面网格，将环境点云数据投影至平面网格的网格中，针对每一个网格，对网格中的点云数据进行统计量计算，得到网格的特征信息，根据特征信息，确定网格中的点云数据是否为非地面点云数据，并对非地面点云数据进行分割，能够得到非地面点云数据，避免地面点云数据对后聚类过程产生干扰，保证三维信息的准确性。
在一个实施例中，判断环境图像数据是否满足可信度要求条件的步骤，包括：将光学图像转换为电信号，并对电信号进行模数转换处理，得到数字图像信息；通过预先训练的深度学习网络模型，对数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息；基于位置信息和尺寸信息，计算得到环境图像数据的可信度数值；在可信度数值达到预设数值的情况下，确定环境图像数据满足可信度要求条件；在可信度数值未达到预设数值的情况下，确定环境图像数据不满足可信度要求条件。
其中，为了保证摄像设备采集的环境图像数据是真实可靠的，终端需要对环境图像数据的可靠性进行判断，具体地，对于摄像设备采集得到的光学图像数据，终端首先将光学图像投射到图像传感器表面上，转为电信号，然后对电信号进行模数转换处理，将电信号转换为数字图像信号，得到能够被算法处理的数据信息。之后，终端采用预先训练的深度学习网络模型，对数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息，其中，位置信息指的是目标对象相对于车辆的位置坐标，尺寸信息指的是目标对象的轮廓信息。终端根据位置信息和尺寸信息，与环境点云数据中的点云信息进行对比，计算得到环境图像数据的可信度数值，在可信度数值达到50％的情况下，确定环境图像数据满足可信度要求条件，否则，确定环境图像数据不满足可信度要求条件，则环境图像数据对应的角度划分范围不能用于对环境点云数据的角度划分。在实际应用中，预设数值可以根据实际应用需求进行选取。
本实施例中，通过将光学图像转换为电信号，并对电信号进行模数转换处理，得到数字图像信息，通过预先训练的深度学习网络模型，对数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息，基于位置信息和尺寸信息，计算得到环境图像数据的可信度数值，在可信度数值达到预设数值的情况下，确定环境图像数据满足可信度要求条件，在可信度数值未达到预设数值的情况下，确定环境图像数据不满足可信度要求条件，能够在可信度数值达到预设数值的情况下，基于环境图像数据对应的角度划分范围对非地面点云数据进行角度划分处理，以保证后续聚类处理的准确性。
在一个实施例中，如图3所示，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据的步骤，包括：
S302：分别获取非地面点云数据对应的点云坐标系和环境图像数据对应的图像坐标系。
其中，终端在对非地面点云数据进行角度划分处理之前，需要对激光雷达和摄像设备进行联调处理，保证环境图像数据对应的角度划分范围中心能够与非地面点云数据的中心相互对应，具体地，终端分别获取非地面点云数据对应的点云坐标系和环境图像数据对应的图像坐标系，以将点云坐标系和图像坐标系统一。
S304：对点云坐标系和图像坐标系进行统一化处理。
其中，终端对点云坐标系和图像坐标系进行统一化处理，在实际应用中，可以预先对激光雷达和摄像设备进行标定，通过在标定间放置典型的障碍物目标，分别由激光雷达和摄像设备获取障碍物目标的目标位置信息，以基于目标位置信息对摄像设备的参数进行调整，实现与激光雷达目标位置信息的匹配。
S306：基于环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
其中，终端基于环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，具体地，如图4所示，图4为将摄像设备和激光雷达的坐标系统一化处理后，对非地面点云数据进行角度划分处理的示意图，其中，在进行角度划分后，每一个角度区域相应的点云数据为不同角度范围内障碍物的点云数据。
本实施例中，通过分别获取非地面点云数据对应的点云坐标系和环境图像数据对应的图像坐标系，对点云坐标系和图像坐标系进行统一化处理，基于环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，能够准确划分密集的点云数据，避免聚类时产生干扰，保证三维信息的准确性。
在一个实施例中，如图5所示，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据的步骤，包括：
S502：获取角度区域相应的点云数据与激光雷达间的点云目标距离。
其中，由于一个角度区域内，可能存在多个目标对象相应的点云数据，为了将不同目标对象的点云数据区分开，通常采用聚类的方式，根据点云数据的特征信息，对归属于不同目标对象的点云数据进行划分，具体地，终端分别获取每个角度区域内点云数据与激光雷达件的点云目标距离。
S504：基于点云目标距离，对角度区域相应的点云数据进行距离划分处理，得到至少一个距离区域相应的点云数据。
其中，终端根据点云目标距离，对点云数据进行距离划分处理，每一个距离区域对应着一个目标对象的点云数据。
S506：针对每一个距离区域，对距离区域相应的点云数据进行聚类处理，得到相应目标对象对应的目标点云数据；其中，每一个距离区域对应一个目标对象。
其中，针对每一个距离区域，终端对这个距离区域内相应的点云数据进行聚类处理，聚类得到的每一“类”对应一个目标对象的目标点云数据。
本实施例中，通过获取角度区域相应的点云数据与激光雷达间的点云目标距离，基于点云目标距离，对角度区域相应的点云数据进行距离划分处理，得到至少一个距离区域相应的点云数据，针对每一个距离区域，对距离区域相应的点云数据进行聚类处理，得到相应目标对象对应的目标点云数据，能够准确得到每个目标对象相应的目标点云数据，保证三维信息的准确性。
在一个实施例中，对所述目标点云数据进行拟合处理，得到相应目标对象的三维信息，包括：对所述目标点云数据进行包围框拟合处理，并计算得到拟合后的目标点云数据的空间集合信息；基于所述空间拟合信息，得到相应目标对象的三维信息。
其中，针对每一个目标对象的目标点云数据，终端对目标点云数据进行包围框拟合处理，拟合后的点云数据对应目标对象的轮廓数据，终端基于拟合后的目标点云数据计算得到目标对象的空间集合信息，包括中心点、质心点、长、宽、高等信息，从而得到目标对象的三维信息。
其中，包围框拟合包括三种拟合方法：外接矩形拟合、最小外接框拟合、以及最小包围框拟合。为最大程度表征出真实的障碍物大小，通常采用最小外接框拟合和最小包围框拟合的方式，进行障碍物包围框拟合处理。
本实施例中，通过对所述目标点云数据进行包围框拟合处理，并计算得到拟合后的目标点云数据的空间集合信息，基于所述空间拟合信息，得到相应目标对象的三维信息，能够为自动驾驶车辆提供障碍物的信息支撑，从而保证自动驾驶车辆的安全性。
在一个实施例中，如图6所示，提供了一种三维信息获取，该方法包括以下步骤：
S602：获取环境点云数据和环境图像数据，环境点云数据为通过激光雷达测量得到的点云模型数据，环境图像数据为通过摄像设备采集得到的光学图像数据。
S604：按照预设的尺寸标准，建立平面网格，将环境点云数据投影至平面网格的网格中，针对每一个网格，对网格中的点云数据进行统计量计算，得到网格的特征信息，根据特征信息，确定网格中的点云数据是否为非地面点云数据，并对非地面点云数据进行分割。
S606：将光学图像转换为电信号，并对电信号进行模数转换处理，得到数字图像信息，通过预先训练的深度学习网络模型，对数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息，基于位置信息和尺寸信息，计算得到环境图像数据的可信度数值，在可信度数值达到预设数值的情况下，确定环境图像数据满足可信度要求条件，在可信度数值未达到预设数值的情况下，确定环境图像数据不满足可信度要求条件。
S608：在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，分别获取非地面点云数据对应的点云坐标系和环境图像数据对应的图像坐标系，对点云坐标系和图像坐标系进行统一化处理，基于环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
S610：针对每一个角度区域，获取角度区域相应的点云数据与激光雷达间的点云目标距离，基于点云目标距离，对角度区域相应的点云数据进行距离划分处理，得到至少一个距离区域相应的点云数据，针对每一个距离区域，对距离区域相应的点云数据进行聚类处理，得到相应目标对象对应的目标点云数据，其中，每一个距离区域对应一个目标对象，目标对象为角度区域内的障碍物。
S612：对目标点云数据进行包围框拟合处理，并计算得到拟合后的目标点云数据的空间集合信息，基于空间拟合信息，得到相应目标对象的三维信息。
本实施例中，通过获取环境点云数据和环境图像数据，并对环境点云数据进行地面分割处理，得到非地面点云数据，在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，对目标点云数据进行拟合处理，得到相应目标对象的三维信息，能够为自动驾驶车辆提供障碍物的信息支撑，从而保证自动驾驶车辆的安全性。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的三维信息获取方法的三维信息获取装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个三维信息获取装置实施例中的具体限定可以参见上文中对于三维信息获取方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种三维信息获取装置，包括：数据获取模块10、数据分割模块20、角度划分模块30、数据聚类模块40和数据拟合模块50，其中：
数据获取模块10，用于获取环境点云数据和环境图像数据，环境点云数据为通过激光雷达测量得到的点云模型数据，环境图像数据为通过摄像设备采集得到的光学图像数据。
数据分割模块20，用于对环境点云数据进行地面分割处理，得到非地面点云数据。
角度划分模块30，用于判断环境图像数据是否满足可信度要求条件，并在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
数据聚类模块40，用于针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，目标对象为角度区域内的障碍物。
数据拟合模块50，用于对目标点云数据进行拟合处理，得到相应目标对象的三维信息。
在一个实施例中，数据分割模块20包括：网格建立单元、数据投影单元、特征计算单元和数据判断单元，其中，
网格建立单元，用于按照预设的尺寸标准，建立平面网格。
数据投影单元，用于将环境点云数据投影至平面网格的网格中。
特征计算单元，用于针对每一个网格，对网格中的点云数据进行统计量计算，得到网格的特征信息。
数据判断单元，用于根据特征信息，确定网格中的点云数据是否为非地面点云数据，并对非地面点云数据进行分割。
在一个实施例中，角度划分模块30还用于将光学图像转换为电信号，并对电信号进行模数转换处理，得到数字图像信息；通过预先训练的深度学习网络模型，对数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息；基于位置信息和尺寸信息，计算得到环境图像数据的可信度数值；在可信度数值达到预设数值的情况下，确定环境图像数据满足可信度要求条件；在可信度数值未达到预设数值的情况下，确定环境图像数据不满足可信度要求条件。
在一个实施例中，角度划分模块30包括：坐标系获取单元、坐标系统一单元和角度划分单元，其中：
坐标系获取单元，用于分别获取非地面点云数据对应的点云坐标系和环境图像数据对应的图像坐标系。
坐标系统一单元，用于对点云坐标系和图像坐标系进行统一化处理。
角度划分单元，用于基于环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
在一个实施例中，数据聚类模块40包括：距离获取单元、距离划分单元和数据聚类单元，其中：
距离获取单元，用于获取角度区域相应的点云数据与激光雷达间的点云目标距离。
距离划分单元，用于基于点云目标距离，对角度区域相应的点云数据进行距离划分处理，得到至少一个距离区域相应的点云数据。
数据聚类单元，用于针对每一个距离区域，对距离区域相应的点云数据进行聚类处理，得到相应目标对象对应的目标点云数据；其中，每一个距离区域对应一个目标对象。
在一个实施例中，数据拟合模块50包括：包围框拟合单元和信息获取单元，其中：
包围框拟合单元，用于对目标点云数据进行包围框拟合处理，并计算得到拟合后的目标点云数据的空间集合信息。
信息获取单元，用于基于空间拟合信息，得到相应目标对象的三维信息。
上述三维信息获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种三维信息获取方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取环境点云数据和环境图像数据，环境点云数据为通过激光雷达测量得到的点云模型数据，环境图像数据为通过摄像设备采集得到的光学图像数据；对环境点云数据进行地面分割处理，得到非地面点云数据；判断环境图像数据是否满足可信度要求条件，并在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据；针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，目标对象为角度区域内的障碍物；对目标点云数据进行拟合处理，得到相应目标对象的三维信息。
在一个实施例中，处理器执行计算机程序时涉及的对环境点云数据进行地面分割处理，得到非地面点云数据，包括：按照预设的尺寸标准，建立平面网格；将环境点云数据投影至平面网格的网格中；针对每一个网格，对网格中的点云数据进行统计量计算，得到网格的特征信息；根据特征信息，确定网格中的点云数据是否为非地面点云数据，并对非地面点云数据进行分割。
在一个实施例中，处理器执行计算机程序时涉及的判断环境图像数据是否满足可信度要求条件，包括：将光学图像转换为电信号，并对电信号进行模数转换处理，得到数字图像信息；通过预先训练的深度学习网络模型，对数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息；基于位置信息和尺寸信息，计算得到环境图像数据的可信度数值；在可信度数值达到预设数值的情况下，确定环境图像数据满足可信度要求条件；在可信度数值未达到预设数值的情况下，确定环境图像数据不满足可信度要求条件。
在一个实施例中，处理器执行计算机程序时涉及的基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，包括：分别获取非地面点云数据对应的点云坐标系和环境图像数据对应的图像坐标系；对点云坐标系和图像坐标系进行统一化处理；基于环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
在一个实施例中，处理器执行计算机程序时涉及的对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，包括：获取角度区域相应的点云数据与激光雷达间的点云目标距离；基于点云目标距离，对角度区域相应的点云数据进行距离划分处理，得到至少一个距离区域相应的点云数据；针对每一个距离区域，对距离区域相应的点云数据进行聚类处理，得到相应目标对象对应的目标点云数据；其中，每一个距离区域对应一个目标对象。
在一个实施例中，处理器执行计算机程序时涉及的对目标点云数据进行拟合处理，得到相应目标对象的三维信息，包括：对目标点云数据进行包围框拟合处理，并计算得到拟合后的目标点云数据的空间集合信息；基于空间拟合信息，得到相应目标对象的三维信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取环境点云数据和环境图像数据，环境点云数据为通过激光雷达测量得到的点云模型数据，环境图像数据为通过摄像设备采集得到的光学图像数据；对环境点云数据进行地面分割处理，得到非地面点云数据；判断环境图像数据是否满足可信度要求条件，并在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据；针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，目标对象为角度区域内的障碍物；对目标点云数据进行拟合处理，得到相应目标对象的三维信息。
在一个实施例中，计算机程序被处理器执行时涉及的对环境点云数据进行地面分割处理，得到非地面点云数据，包括：按照预设的尺寸标准，建立平面网格；将环境点云数据投影至平面网格的网格中；针对每一个网格，对网格中的点云数据进行统计量计算，得到网格的特征信息；根据特征信息，确定网格中的点云数据是否为非地面点云数据，并对非地面点云数据进行分割。
在一个实施例中，计算机程序被处理器执行时涉及的判断环境图像数据是否满足可信度要求条件，包括：将光学图像转换为电信号，并对电信号进行模数转换处理，得到数字图像信息；通过预先训练的深度学习网络模型，对数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息；基于位置信息和尺寸信息，计算得到环境图像数据的可信度数值；在可信度数值达到预设数值的情况下，确定环境图像数据满足可信度要求条件；在可信度数值未达到预设数值的情况下，确定环境图像数据不满足可信度要求条件。
在一个实施例中，计算机程序被处理器执行时涉及的基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，包括：分别获取非地面点云数据对应的点云坐标系和环境图像数据对应的图像坐标系；对点云坐标系和图像坐标系进行统一化处理；基于环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
在一个实施例中，计算机程序被处理器执行时涉及的对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，包括：获取角度区域相应的点云数据与激光雷达间的点云目标距离；基于点云目标距离，对角度区域相应的点云数据进行距离划分处理，得到至少一个距离区域相应的点云数据；针对每一个距离区域，对距离区域相应的点云数据进行聚类处理，得到相应目标对象对应的目标点云数据；其中，每一个距离区域对应一个目标对象。
在一个实施例中，计算机程序被处理器执行时涉及的对目标点云数据进行拟合处理，得到相应目标对象的三维信息，包括：对目标点云数据进行包围框拟合处理，并计算得到拟合后的目标点云数据的空间集合信息；基于空间拟合信息，得到相应目标对象的三维信息。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取环境点云数据和环境图像数据，环境点云数据为通过激光雷达测量得到的点云模型数据，环境图像数据为通过摄像设备采集得到的光学图像数据；对环境点云数据进行地面分割处理，得到非地面点云数据；判断环境图像数据是否满足可信度要求条件，并在环境图像数据满足可信度要求条件的情况下，基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据；针对每一个角度区域，对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，目标对象为角度区域内的障碍物；对目标点云数据进行拟合处理，得到相应目标对象的三维信息。
在一个实施例中，计算机程序被处理器执行时涉及的对环境点云数据进行地面分割处理，得到非地面点云数据，包括：按照预设的尺寸标准，建立平面网格；将环境点云数据投影至平面网格的网格中；针对每一个网格，对网格中的点云数据进行统计量计算，得到网格的特征信息；根据特征信息，确定网格中的点云数据是否为非地面点云数据，并对非地面点云数据进行分割。
在一个实施例中，计算机程序被处理器执行时涉及的判断环境图像数据是否满足可信度要求条件，包括：将光学图像转换为电信号，并对电信号进行模数转换处理，得到数字图像信息；通过预先训练的深度学习网络模型，对数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息；基于位置信息和尺寸信息，计算得到环境图像数据的可信度数值；在可信度数值达到预设数值的情况下，确定环境图像数据满足可信度要求条件；在可信度数值未达到预设数值的情况下，确定环境图像数据不满足可信度要求条件。
在一个实施例中，计算机程序被处理器执行时涉及的基于环境图像数据对应的角度划分范围，对非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，包括：分别获取非地面点云数据对应的点云坐标系和环境图像数据对应的图像坐标系；对点云坐标系和图像坐标系进行统一化处理；基于环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
在一个实施例中，计算机程序被处理器执行时涉及的对角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，包括：获取角度区域相应的点云数据与激光雷达间的点云目标距离；基于点云目标距离，对角度区域相应的点云数据进行距离划分处理，得到至少一个距离区域相应的点云数据；针对每一个距离区域，对距离区域相应的点云数据进行聚类处理，得到相应目标对象对应的目标点云数据；其中，每一个距离区域对应一个目标对象。
在一个实施例中，计算机程序被处理器执行时涉及的对目标点云数据进行拟合处理，得到相应目标对象的三维信息，包括：对目标点云数据进行包围框拟合处理，并计算得到拟合后的目标点云数据的空间集合信息；基于空间拟合信息，得到相应目标对象的三维信息。
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，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种三维信息获取方法，其特征在于，所述方法包括：
获取环境点云数据和环境图像数据，所述环境点云数据为通过激光雷达测量得到的点云模型数据，所述环境图像数据为通过摄像设备采集得到的光学图像数据；
对所述环境点云数据进行地面分割处理，得到非地面点云数据；
判断所述环境图像数据是否满足可信度要求条件，并在所述环境图像数据满足所述可信度要求条件的情况下，基于所述环境图像数据对应的角度划分范围，对所述非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据；
针对每一个角度区域，对所述角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，所述目标对象为所述角度区域内的障碍物；
对所述目标点云数据进行拟合处理，得到相应目标对象的三维信息。
2.根据权利要求1所述的方法，其特征在于，所述对所述环境点云数据进行地面分割处理，得到非地面点云数据，包括：
按照预设的尺寸标准，建立平面网格；
将所述环境点云数据投影至所述平面网格的网格中；
针对每一个网格，对所述网格中的点云数据进行统计量计算，得到所述网格的特征信息；
根据所述特征信息，确定所述网格中的点云数据是否为非地面点云数据，并对所述非地面点云数据进行分割。
3.根据权利要求1所述的方法，其特征在于，所述判断所述环境图像数据是否满足可信度要求条件，包括：
将所述光学图像转换为电信号，并对所述电信号进行模数转换处理，得到数字图像信息；
通过预先训练的深度学习网络模型，对所述数字图像信息进行识别，得到目标障碍物对应的位置信息和尺寸信息；
基于所述位置信息和所述尺寸信息，计算得到所述环境图像数据的可信度数值；
在所述可信度数值达到预设数值的情况下，确定所述环境图像数据满足可信度要求条件；
在所述可信度数值未达到所述预设数值的情况下，确定所述环境图像数据不满足所述可信度要求条件。
4.根据权利要求1所述的方法，其特征在于，所述基于所述环境图像数据对应的角度划分范围，对所述非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据，包括：
分别获取所述非地面点云数据对应的点云坐标系和所述环境图像数据对应的图像坐标系；
对所述点云坐标系和所述图像坐标系进行统一化处理；
基于所述环境图像数据对应的角度划分范围，对统一化处理后的非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据。
5.根据权利要求1所述的方法，其特征在于，所述对所述角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，包括：
获取所述角度区域相应的点云数据与所述激光雷达间的点云目标距离；
基于所述点云目标距离，对所述角度区域相应的点云数据进行距离划分处理，得到至少一个距离区域相应的点云数据；
针对每一个距离区域，对所述距离区域相应的点云数据进行聚类处理，得到相应目标对象对应的目标点云数据；其中，每一个距离区域对应一个目标对象。
6.根据权利要求1所述的方法，其特征在于，所述对所述目标点云数据进行拟合处理，得到相应目标对象的三维信息，包括：
对所述目标点云数据进行包围框拟合处理，并计算得到拟合后的目标点云数据的空间集合信息；
基于所述空间拟合信息，得到相应目标对象的三维信息。
7.一种三维信息获取装置，其特征在于，所述装置包括：
数据获取模块，用于获取环境点云数据和环境图像数据，所述环境点云数据为通过激光雷达测量得到的点云模型数据，所述环境图像数据为通过摄像设备采集得到的光学图像数据；
数据分割模块，用于对所述环境点云数据进行地面分割处理，得到非地面点云数据；
角度划分模块，用于判断所述环境图像数据是否满足可信度要求条件，并在所述环境图像数据满足所述可信度要求条件的情况下，基于所述环境图像数据对应的角度划分范围，对所述非地面点云数据进行角度划分处理，得到至少一个角度区域相应的点云数据；
数据聚类模块，用于针对每一个角度区域，对所述角度区域相应的点云数据进行聚类处理，得到各目标对象对应的目标点云数据，所述目标对象为所述角度区域内的障碍物；
数据拟合模块，用于对所述目标点云数据进行拟合处理，得到相应目标对象的三维信息。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310875484.3A 2023-07-17 2023-07-17 三维信息获取方法、装置、计算机设备、存储介质和产品 Pending CN116664809A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310875484.3A CN116664809A (zh) 2023-07-17 2023-07-17 三维信息获取方法、装置、计算机设备、存储介质和产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310875484.3A CN116664809A (zh) 2023-07-17 2023-07-17 三维信息获取方法、装置、计算机设备、存储介质和产品

Publications (1)

Publication Number Publication Date
CN116664809A true CN116664809A (zh) 2023-08-29

Family

ID=87713936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310875484.3A Pending CN116664809A (zh) 2023-07-17 2023-07-17 三维信息获取方法、装置、计算机设备、存储介质和产品

Country Status (1)

Country Link
CN (1) CN116664809A (zh)

Similar Documents

Publication Publication Date Title
KR102032070B1 (ko) 깊이 맵 샘플링을 위한 시스템 및 방법
WO2021143778A1 (zh) 一种基于激光雷达的定位方法
Vandapel et al. Natural terrain classification using 3-d ladar data
CN111753609B (zh) 一种目标识别的方法、装置及摄像机
CN110286389B (zh) 一种用于障碍物识别的栅格管理方法
WO2022188663A1 (zh) 一种目标检测方法及装置
US11195064B2 (en) Cross-modal sensor data alignment
CN110865393A (zh) 基于激光雷达的定位方法及系统、存储介质和处理器
CN111563450B (zh) 数据处理方法、装置、设备及存储介质
EP4130798A1 (en) Target identification method and device
CN111380510B (zh) 重定位方法及装置、机器人
CN113378760A (zh) 训练目标检测模型和检测目标的方法及装置
CN112904369B (zh) 机器人重定位方法、装置、机器人和计算机可读存储介质
WO2022206517A1 (zh) 一种目标检测方法及装置
CN112683228A (zh) 单目相机测距方法及装置
CN112823353A (zh) 使用机器学习进行对象定位
CN113325388A (zh) 一种自动驾驶中激光雷达泛光噪点的过滤方法和装置
WO2022083529A1 (zh) 一种数据处理方法及装置
CN114859938A (zh) 机器人、动态障碍物状态估计方法、装置和计算机设备
CN114663598A (zh) 三维建模方法、装置和存储介质
Liu et al. Comparison of 2D image models in segmentation performance for 3D laser point clouds
CN116931583B (zh) 移动对象的确定方法和避让方法、装置、设备及存储介质
CN116524472B (zh) 一种障碍物检测方法、装置、存储介质及设备
CN117409393A (zh) 一种焦炉机车激光点云与视觉融合障碍物检测方法及系统
CN116664809A (zh) 三维信息获取方法、装置、计算机设备、存储介质和产品

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