CN116721246B - 连续帧点云快速标注方法及系统 - Google Patents
连续帧点云快速标注方法及系统 Download PDFInfo
- Publication number
- CN116721246B CN116721246B CN202310866279.0A CN202310866279A CN116721246B CN 116721246 B CN116721246 B CN 116721246B CN 202310866279 A CN202310866279 A CN 202310866279A CN 116721246 B CN116721246 B CN 116721246B
- Authority
- CN
- China
- Prior art keywords
- point
- frame
- point cloud
- cluster
- 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.)
- Active
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种连续帧点云快速标注方法及系统，包括：S1：从连续帧中选取一帧作为标准帧，其余帧作为目标帧；S2：将标准帧点云加载在标注平台上，然后对其进行标注，得到若干标准帧对象，设置标准帧对象的属性标签，并记录其所包含的点云；S3：提取标准帧对象所包含的点云的特征，包括领域半径和最小点；S4：对每一帧点云分别进行聚类，得到每一帧的簇集合，所有帧的簇集合构成连续帧簇总集；S5：以标准帧点云为基准，对每一个目标帧点云进行搜索比对，获得目标帧对象并设置其属性标签，重复此步骤直至完成所有目标帧点云的标注。本发明能够实现连续帧点云得快速标注，节省标注时间，降低标注难度，降低标注成本。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种连续帧点云快速标注方法及系统。
背景技术
无论是自动驾驶汽车、自动化的清扫机器人，或者其他需要自主导航能力的机器，都需要能够在移动过程中自动对周围的物体和行人等对象进行识别。为了识别的精准度，需要采集大量点云进行训练，而训练前需要对点云进行标注。
对于点云标注系统中多帧点云标注存在以下问题：
第一，许多对象需要重复标注多次，存在漏标和错标的问题。
第二，费时费力，标注效率低下。
第三，给标注审核的工作带来了更多负担。
申请号202110697622.4公开了一种基于DBSCAN算法的交通目标识别方法，该现有技术只根据聚类后各簇点云包含的散射点数量判断该簇点云的类别，准确度不高。
发明内容
为了解决上述技术问题，本发明提出了一种连续帧点云快速标注方法及系统。
为了达到上述目的，本发明的技术方案如下：
一方面，本发明公开一种连续帧点云快速标注方法，包括：
步骤S1：从连续帧中选取一帧作为标准帧，其余帧作为目标帧；
步骤S2：将标准帧点云加载在标注平台上，然后对其进行标注，得到若干标准帧对象，设置标准帧对象的属性标签，并记录其所包含的点云；
步骤S3：提取标准帧对象所包含的点云的特征，包括领域半径和最小点；
步骤S4：对每一帧点云分别进行聚类，得到每一帧的簇集合，所有帧的簇集合构成连续帧簇总集；
步骤S5：以标准帧点云为基准，对每一个目标帧点云进行搜索比对，获得目标帧对象并设置其属性标签，重复此步骤直至完成所有目标帧点云的标注。
在上述技术方案的基础上，还可做如下改进：
作为优选的方案，领域半径的选取过程为：
设置k值，k＝2n-1，n为标准帧对象的特征数；
计算标准帧对象内每个点到距其第k近的点的距离值，将这些距离值从小到大排序后进行绘图，得到k-距离值曲线；
确定k-距离值曲线的拐点处的距离值，将其作为领域半径的值。
作为优选的方案，最小点的值等于k+1。
作为优选的方案，聚类采用DBSCAN算法，包括：
将点云的所有点进行标记，即将所有点的flag参数赋值为unvisited；
遍历点云的所有点，对于任一个点，若其flag参数为visited，则重新选择下一个点，若其flag参数为unvisited，则判断其是否为核心点；
若任一个点不是核心点，则将其分类为噪声点；
若任一个点是核心点，则对该核心点的邻域进行搜索，获取所有从该核心点密度可达的点，构成密度连通集合并生成新的簇，将密度连通集合中的所有点的flag参数赋值为visited，然后将新的簇加入到簇集合中；
重复执行上述两个步骤，直至点云的所有点的flag参数为visited，则结束聚类并输出簇集合。
作为优选的方案，步骤S5包括：
步骤S5.1：选取一个目标帧点云；
步骤S5.2：针对目标帧点云，选取一个标准帧对象，将其核心点依次通过坐标变换映射至目标帧点云中；
步骤S5.3：遍历目标帧点云的簇集合，找到包含标准帧对象的核心点的簇，记录其ID以及其所包含的核心点的数量；
步骤S5.4：判断目标帧点云的任一个簇所包含的核心点的数量与标准帧对象的核心点的数量之比是否高于预设比值；
若是，则将该簇作为一个目标帧对象并将其属性标签设置为标准帧对象的属性标签，否则不动作；
步骤S5.5：重复步骤S5.2至S5.4，直至遍历完所有标准帧对象，得到目标帧点云的若干目标帧对象及其属性标签；
步骤S5.6：重复步骤S5.1至S5.5，直至遍历完所有目标帧点云，完成对所有目标帧点云的标注。
另一方面，本发明还公开一种连续帧点云快速标注系统，包括：
标准帧选取模块，用于从连续帧中选取一帧作为标准帧，其余帧作为目标帧；
标准帧标注模块，用于将标准帧点云加载在标注平台上，然后对其进行标注，得到若干标准帧对象，设置标准帧对象的属性标签，并记录其所包含的点云；
特征提取模块，用于提取标准帧对象所包含的点云的特征，包括领域半径和最小点；
聚类模块，用于对每一帧点云分别进行聚类，得到每一帧的簇集合，所有帧的簇集合构成连续帧簇总集；
目标帧标注模块，用于以标准帧点云为基准，对每一个目标帧点云进行搜索比对，获得目标帧对象并设置其属性标签，重复此步骤直至完成所有目标帧点云的标注。
作为优选的方案，特征提取模块包括：
k值设置单元，用于设置k值，k＝2n-1，n为标准帧对象的特征数；
k-距离值曲线获取单元，用于计算标准帧对象内每个点到距其第k近的点的距离值，将这些距离值从小到大排序后进行绘图，得到k-距离值曲线；
领域半径选取单元，用于确定k-距离值曲线的拐点处的距离值，将其作为领域半径的值。
作为优选的方案，特征提取模块还包括：
最小点获取单元，用于获取最小点，最小点的值等于k+1。
作为优选的方案，聚类模块采用DBSCAN算法，包括：
标记单元，用于将点云的所有点进行标记，即将所有点的flag参数赋值为unvisited；
簇集合输出单元，用于遍历点云的所有点，对于任一个点，若其flag参数为visited，则重新选择下一个点，若其flag参数为unvisited，则判断其是否为核心点；
若任一个点不是核心点，则将其分类为噪声点；
若任一个点是核心点，则对该核心点的邻域进行搜索，获取所有从该核心点密度可达的点，构成密度连通集合并生成新的簇，将密度连通集合中的所有点的flag参数赋值为visited，然后将新的簇加入到簇集合中；
重复执行上述两个步骤，直至点云的所有点的flag参数为visited，则结束聚类并输出簇集合。
作为优选的方案，目标帧标注模块包括：
目标帧点云选取单元，用于选取一个目标帧点云；
映射单元，用于针对目标帧点云，选取一个标准帧对象，将其核心点依次通过坐标变换映射至目标帧点云中；
簇寻找单元，用于遍历目标帧点云的簇集合，找到包含标准帧对象的核心点的簇，记录其ID以及其所包含的核心点的数量；
属性标签设置单元，用于判断目标帧点云的任一个簇所包含的核心点的数量与标准帧对象的核心点的数量之比是否高于预设比值；
若是，则将该簇作为一个目标帧对象并将其属性标签设置为标准帧对象的属性标签，否则不动作；
第一重复单元，用于重复执行目标帧点云选取单元、映射单元、簇寻找单元及属性标签设置单元，直至遍历完所有标准帧对象，得到目标帧点云的若干目标帧对象及其属性标签；
第二重复单元，用于重复执行目标帧点云选取单元、映射单元、簇寻找单元、属性标签设置单元及第一重复单元，直至遍历完所有目标帧点云，完成对所有目标帧点云的标注。
本发明公开一种连续帧点云快速标记方法及系统，能够实现连续帧点云得快速标注，节省标注时间，降低标注难度，降低标注成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的连续帧点云快速标注方法的流程图。
图2为本发明实施例提供的k-距离值曲线图。
图3为本发明实施例提供的步骤S5的流程图。
具体实施方式
下面结合附图详细说明本发明的优选实施方式。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
另外，“包括”元件的表述是“开放式”表述，该“开放式”表述仅仅是指存在对应的部件或步骤，不应当解释为排除附加的部件或步骤。
为了达到本发明的目的，一种连续帧点云快速标记方法及系统的其中一些实施例中，如图1所示，连续帧点云快速标注方法包括：
步骤S1：从连续帧中选取一帧作为标准帧，其余帧作为目标帧；
步骤S2：将标准帧点云加载在标注平台上，然后对其进行标注，得到若干标准帧对象，设置标准帧对象的属性标签，并记录其所包含的点云；
步骤S3：提取标准帧对象所包含的点云的特征，包括领域半径(epsilon)和最小点(minPts)；
步骤S4：对每一帧点云分别进行聚类，得到每一帧的簇集合，所有帧的簇集合构成连续帧簇总集；
步骤S5：以标准帧点云为基准，对每一个目标帧点云进行搜索比对，获得目标帧对象并设置其属性标签，重复此步骤直至完成所有目标帧点云的标注。
其中：领域半径(epsilon)的解释如下：如果数据点的相互距离小于或等于指定的epsilon，那么它们将是同一类的。值得注意的是，领域半径可以为圆半径，也可以为矩形半径，在此不作限制。
最小点(minPts)的解释如下：成为核心对象的在领域半径内的最少点数。在一个领域半径内minPts数的邻域被认为是一个簇。簇即为密度相连的点的最大集合。
进一步，在上述实施例的基础上，领域半径的选取过程为：
设置k值，k＝2n-1，n为标准帧对象的特征数；
计算标准帧对象内每个点到距其第k近的点的距离值，将这些距离值从小到大排序后进行绘图，得到k-距离值曲线，如图2所示；
确定k-距离值曲线的拐点处的距离值，将其作为领域半径的值。
进一步，在上述实施例的基础上，最小点的值等于k+1。
进一步，在上述实施例的基础上，为了便于后续理解，下面对核心点、边界点和噪声点进行解释。
如果目标点的领域半径内含有数据点个数大于等于最小点，则为核心点；
如果目标点的领域半径内含有数据点个数小于最小点，但该点在其他核心点的领域半径内，则为边界点；未被划分到任何一个簇内的数据点则为噪声点。
密度可达指的是，在数据样本集合D中，若样本点q在样本点p的领域半径内，且p为核心点，则称q从p直接密度可达。
聚类采用DBSCAN算法，DBSCAN算法通过判断数据点是否是核心点来发现每个簇，依据核心点内的点(核心点或边界点)延伸簇，将更多的点加入簇列队位中，包括：
将点云的所有点进行标记，即将所有点的flag参数赋值为unvisited(未访问的)；
遍历点云的所有点，对于任一个点，若其flag参数为visited(访问的)，则重新选择下一个点，若其flag参数为unvisited，则判断其是否为核心点；
若任一个点不是核心点，则将其分类为噪声点；
若任一个点是核心点，则对该核心点的邻域进行搜索，获取所有从该核心点密度可达的点，构成密度连通集合并生成新的簇，将密度连通集合中的所有点的flag参数赋值为visited，然后将新的簇加入到簇集合中；
重复执行上述两个步骤，直至点云的所有点的flag参数为visited，则结束聚类并输出簇集合。
在上述实施例中，点云的聚类是通过DBSCAN算法实现的。但是，本发明的保护范围并不仅限于DBSCAN算法。在其它实施例中，也可以通过SGPN算法(相似群建议网络)，实现对点云的实例分割，再加上相似矩阵，即利用每个点嵌入特征空间的相似度，提升SGPN算法的效率，从而达到快速聚类的能力。
进一步，在上述实施例的基础上，如图3所示，步骤S5包括：
步骤S5.1：选取一个目标帧点云；
步骤S5.2：针对目标帧点云，选取一个标准帧对象，将其核心点依次通过坐标变换映射至目标帧点云中；
步骤S5.3：遍历目标帧点云的簇集合，找到包含标准帧对象的核心点的簇，记录其ID以及其所包含的核心点的数量；
步骤S5.4：判断目标帧点云的任一个簇所包含的核心点的数量与标准帧对象的核心点的数量之比是否高于预设比值(预设比值可以为90％)；
若是，则将该簇作为一个目标帧对象并将其属性标签设置为标准帧对象的属性标签，否则不动作；
步骤S5.5：重复步骤S5.2至S5.4，直至遍历完所有标准帧对象，得到目标帧点云的若干目标帧对象及其属性标签；
步骤S5.6：重复步骤S5.1至S5.5，直至遍历完所有目标帧点云，完成对所有目标帧点云的标注。
本发明标注平台的每一帧的标注数据都是在linda(点云)坐标系下，进行数据展示，即点云数据点的坐标数据是以雷达所在位置为坐标原点，需要通过不同帧点云的pose(每一帧雷达在地面坐标系中的位置)，来计算出对应对象在不同帧点云中的位置。
计算公式如下：
des_object(x,y,z)＝standard_object(x,y,z)+(des_frame_pose
–standart_frame_pose)；
其中：
des_object(x,y,z)表示标准帧对象在目标帧点云中的坐标；
standard_object(x,y,z)表示标准帧对象的坐标；
des_frame_pose表示目标帧点云pose；
standart_frame_pose表示标准帧点云pose。
此外，本发明实施例还公开一种连续帧点云快速标注系统，包括：
标准帧选取模块，用于从连续帧中选取一帧作为标准帧，其余帧作为目标帧；
标准帧标注模块，用于将标准帧点云加载在标注平台上，然后对其进行标注，得到若干标准帧对象，设置标准帧对象的属性标签，并记录其所包含的点云；
特征提取模块，用于提取标准帧对象所包含的点云的特征，包括领域半径和最小点；
聚类模块，用于对每一帧点云分别进行聚类，得到每一帧的簇集合，所有帧的簇集合构成连续帧簇总集；
目标帧标注模块，用于以标准帧点云为基准，对每一个目标帧点云进行搜索比对，获得目标帧对象并设置其属性标签，重复此步骤直至完成所有目标帧点云的标注。
进一步，在上述实施例的基础上，特征提取模块包括：
k值设置单元，用于设置k值，k＝2n-1，n为标准帧对象的特征数；
k-距离值曲线获取单元，用于计算标准帧对象内每个点到距其第k近的点的距离值，将这些距离值从小到大排序后进行绘图，得到k-距离值曲线；
领域半径选取单元，用于确定k-距离值曲线的拐点处的距离值，将其作为领域半径的值。
进一步，在上述实施例的基础上，特征提取模块还包括：
最小点获取单元，用于获取最小点，最小点的值等于k+1。
进一步，在上述实施例的基础上，聚类模块采用DBSCAN算法，包括：
标记单元，用于将点云的所有点进行标记，即将所有点的flag参数赋值为unvisited；
簇集合输出单元，用于遍历点云的所有点，对于任一个点，若其flag参数为visited，则重新选择下一个点，若其flag参数为unvisited，则判断其是否为核心点；
若任一个点不是核心点，则将其分类为噪声点；
若任一个点是核心点，则对该核心点的邻域进行搜索，获取所有从该核心点密度可达的点，构成密度连通集合并生成新的簇，将密度连通集合中的所有点的flag参数赋值为visited，然后将新的簇加入到簇集合中；
重复执行上述两个步骤，直至点云的所有点的flag参数为visited，则结束聚类并输出簇集合。
进一步，在上述实施例的基础上，目标帧标注模块包括：
目标帧点云选取单元，用于选取一个目标帧点云；
映射单元，用于针对目标帧点云，选取一个标准帧对象，将其核心点依次通过坐标变换映射至目标帧点云中；
簇寻找单元，用于遍历目标帧点云的簇集合，找到包含标准帧对象的核心点的簇，记录其ID以及其所包含的核心点的数量；
属性标签设置单元，用于判断目标帧点云的任一个簇所包含的核心点的数量与标准帧对象的核心点的数量之比是否高于预设比值；
若是，则将该簇作为一个目标帧对象并将其属性标签设置为标准帧对象的属性标签，否则不动作；
第一重复单元，用于重复执行目标帧点云选取单元、映射单元、簇寻找单元及属性标签设置单元，直至遍历完所有标准帧对象，得到目标帧点云的若干目标帧对象及其属性标签；
第二重复单元，用于重复执行目标帧点云选取单元、映射单元、簇寻找单元、属性标签设置单元及第一重复单元，直至遍历完所有目标帧点云，完成对所有目标帧点云的标注。
上述连续帧点云快速标记系统与连续帧点云快速标记方法相似，在此不再赘述。
本发明公开一种连续帧点云快速标记方法及系统，能够实现连续帧点云得快速标注，节省标注时间，降低标注难度，降低标注成本。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.连续帧点云快速标注方法，其特征在于，包括：
步骤S1：从连续帧中选取一帧作为标准帧，其余帧作为目标帧；
步骤S2：将标准帧点云加载在标注平台上，然后对其进行标注，得到若干标准帧对象，设置标准帧对象的属性标签，并记录其所包含的点云；
步骤S3：提取标准帧对象所包含的点云的特征，包括领域半径和最小点；
所述领域半径的选取过程为：
设置值，/>，/>为标准帧对象的特征数；
计算标准帧对象内每个点到距其第近的点的距离值，将这些距离值从小到大排序后进行绘图，得到/>-距离值曲线；
确定所述-距离值曲线的拐点处的距离值，将其作为领域半径的值；
所述最小点的值等于；
步骤S4：对每一帧点云分别进行聚类，得到每一帧的簇集合，所有帧的簇集合构成连续帧簇总集；
步骤S5：以标准帧点云为基准，对每一个目标帧点云进行搜索比对，获得目标帧对象并设置其属性标签，重复此步骤直至完成所有目标帧点云的标注；
所述步骤S5包括：
步骤S5.1：选取一个目标帧点云；
步骤S5.2：针对所述目标帧点云，选取一个标准帧对象，将其核心点依次通过坐标变换映射至所述目标帧点云中；
步骤S5.3：遍历所述目标帧点云的簇集合，找到包含所述标准帧对象的核心点的簇，记录其ID以及其所包含的核心点的数量；
步骤S5.4：判断所述目标帧点云的任一个簇所包含的核心点的数量与所述标准帧对象的核心点的数量之比是否高于预设比值；
若是，则将该簇作为一个目标帧对象并将其属性标签设置为所述标准帧对象的属性标签，否则不动作；
步骤S5.5：重复步骤S5.2至S5.4，直至遍历完所有标准帧对象，得到所述目标帧点云的若干目标帧对象及其属性标签；
步骤S5.6：重复步骤S5.1至S5.5，直至遍历完所有目标帧点云，完成对所有目标帧点云的标注。
2.根据权利要求1所述的连续帧点云快速标注方法，其特征在于，所述聚类采用DBSCAN算法，包括：
将点云的所有点进行标记，即将所有点的flag参数赋值为unvisited；
遍历点云的所有点，对于任一个点，若其flag参数为visited，则重新选择下一个点，若其flag参数为unvisited，则判断其是否为核心点；
若任一个点不是核心点，则将其分类为噪声点；
若任一个点是核心点，则对该核心点的邻域进行搜索，获取所有从该核心点密度可达的点，构成密度连通集合并生成新的簇，将所述密度连通集合中的所有点的flag参数赋值为visited，然后将所述新的簇加入到簇集合中；
重复执行上述两个步骤，直至点云的所有点的flag参数为visited，则结束聚类并输出簇集合。
3.连续帧点云快速标注系统，其特征在于，包括：
标准帧选取模块，用于从连续帧中选取一帧作为标准帧，其余帧作为目标帧；
标准帧标注模块，用于将标准帧点云加载在标注平台上，然后对其进行标注，得到若干标准帧对象，设置标准帧对象的属性标签，并记录其所包含的点云；
特征提取模块，用于提取标准帧对象所包含的点云的特征，包括领域半径和最小点；
所述特征提取模块包括：
值设置单元，用于设置/>值，/>，/>为标准帧对象的特征数；
-距离值曲线获取单元，用于计算标准帧对象内每个点到距其第/>近的点的距离值，将这些距离值从小到大排序后进行绘图，得到/>-距离值曲线；
领域半径选取单元，用于确定所述-距离值曲线的拐点处的距离值，将其作为领域半径的值；
最小点获取单元，用于获取最小点，所述最小点的值等于；
聚类模块，用于对每一帧点云分别进行聚类，得到每一帧的簇集合，所有帧的簇集合构成连续帧簇总集；
目标帧标注模块，用于以标准帧点云为基准，对每一个目标帧点云进行搜索比对，获得目标帧对象并设置其属性标签，重复此步骤直至完成所有目标帧点云的标注；
所述目标帧标注模块包括：
目标帧点云选取单元，用于选取一个目标帧点云；
映射单元，用于针对所述目标帧点云，选取一个标准帧对象，将其核心点依次通过坐标变换映射至所述目标帧点云中；
簇寻找单元，用于遍历所述目标帧点云的簇集合，找到包含所述标准帧对象的核心点的簇，记录其ID以及其所包含的核心点的数量；
属性标签设置单元，用于判断所述目标帧点云的任一个簇所包含的核心点的数量与所述标准帧对象的核心点的数量之比是否高于预设比值；
若是，则将该簇作为一个目标帧对象并将其属性标签设置为所述标准帧对象的属性标签，否则不动作；
第一重复单元，用于重复执行目标帧点云选取单元、映射单元、簇寻找单元及属性标签设置单元，直至遍历完所有标准帧对象，得到所述目标帧点云的若干目标帧对象及其属性标签；
第二重复单元，用于重复执行目标帧点云选取单元、映射单元、簇寻找单元、属性标签设置单元及第一重复单元，直至遍历完所有目标帧点云，完成对所有目标帧点云的标注。
4.根据权利要求3所述的连续帧点云快速标注系统，其特征在于，所述聚类模块采用DBSCAN算法，包括：
标记单元，用于将点云的所有点进行标记，即将所有点的flag参数赋值为unvisited；
簇集合输出单元，用于遍历点云的所有点，对于任一个点，若其flag参数为visited，则重新选择下一个点，若其flag参数为unvisited，则判断其是否为核心点；
若任一个点不是核心点，则将其分类为噪声点；
若任一个点是核心点，则对该核心点的邻域进行搜索，获取所有从该核心点密度可达的点，构成密度连通集合并生成新的簇，将所述密度连通集合中的所有点的flag参数赋值为visited，然后将所述新的簇加入到簇集合中；
重复执行上述两个步骤，直至点云的所有点的flag参数为visited，则结束聚类并输出簇集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310866279.0A CN116721246B (zh) | 2023-07-14 | 2023-07-14 | 连续帧点云快速标注方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310866279.0A CN116721246B (zh) | 2023-07-14 | 2023-07-14 | 连续帧点云快速标注方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116721246A CN116721246A (zh) | 2023-09-08 |
| CN116721246B true CN116721246B (zh) | 2024-03-19 |
Family
ID=87875272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310866279.0A Active CN116721246B (zh) | 2023-07-14 | 2023-07-14 | 连续帧点云快速标注方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116721246B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117894015B (zh) * | 2024-03-15 | 2024-05-24 | 浙江华是科技股份有限公司 | 点云标注数据优选方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191459A (zh) * | 2021-05-27 | 2021-07-30 | 山东高速建设管理集团有限公司 | 一种基于路侧激光雷达的在途目标分类方法 |
| CN113362363A (zh) * | 2021-06-18 | 2021-09-07 | 广东工业大学 | 一种基于视觉slam的图像自动标注方法、装置及存储介质 |
| CN113378751A (zh) * | 2021-06-23 | 2021-09-10 | 北京邮电大学 | 一种基于dbscan算法的交通目标识别方法 |
| CN114137509A (zh) * | 2021-11-30 | 2022-03-04 | 南京慧尔视智能科技有限公司 | 一种基于毫米波雷达点云聚类方法及装置 |
| CN114782729A (zh) * | 2022-04-20 | 2022-07-22 | 重庆大学 | 一种基于激光雷达与视觉融合的实时目标检测方法 |
| CN115424263A (zh) * | 2022-08-05 | 2022-12-02 | 深圳元戎启行科技有限公司 | 交通灯的标注方法、车载设备和存储介质 |
| CN116152636A (zh) * | 2022-08-31 | 2023-05-23 | 安徽酷哇机器人有限公司 | 修正三维点云人工标注内容的方法和系统 |
| CN116205973A (zh) * | 2023-03-06 | 2023-06-02 | 酷哇科技有限公司 | 激光点云连续帧数据标注方法及系统 |
-
2023
- 2023-07-14 CN CN202310866279.0A patent/CN116721246B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191459A (zh) * | 2021-05-27 | 2021-07-30 | 山东高速建设管理集团有限公司 | 一种基于路侧激光雷达的在途目标分类方法 |
| CN113362363A (zh) * | 2021-06-18 | 2021-09-07 | 广东工业大学 | 一种基于视觉slam的图像自动标注方法、装置及存储介质 |
| CN113378751A (zh) * | 2021-06-23 | 2021-09-10 | 北京邮电大学 | 一种基于dbscan算法的交通目标识别方法 |
| CN114137509A (zh) * | 2021-11-30 | 2022-03-04 | 南京慧尔视智能科技有限公司 | 一种基于毫米波雷达点云聚类方法及装置 |
| CN114782729A (zh) * | 2022-04-20 | 2022-07-22 | 重庆大学 | 一种基于激光雷达与视觉融合的实时目标检测方法 |
| CN115424263A (zh) * | 2022-08-05 | 2022-12-02 | 深圳元戎启行科技有限公司 | 交通灯的标注方法、车载设备和存储介质 |
| CN116152636A (zh) * | 2022-08-31 | 2023-05-23 | 安徽酷哇机器人有限公司 | 修正三维点云人工标注内容的方法和系统 |
| CN116205973A (zh) * | 2023-03-06 | 2023-06-02 | 酷哇科技有限公司 | 激光点云连续帧数据标注方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116721246A (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
| CN103207898B (zh) | 一种基于局部敏感哈希的相似人脸快速检索方法 | |
| CN105809651B (zh) | 基于边缘非相似性对比的图像显著性检测方法 | |
| CN116721246B (zh) | 连续帧点云快速标注方法及系统 | |
| CN110689535B (zh) | 一种工件识别方法、装置及电子设备和存储介质 | |
| JP2002319024A (ja) | 色と質感との組み合わせに基づく映像検索方法 | |
| CN110188763B (zh) | 一种基于改进图模型的图像显著性检测方法 | |
| CN114926699B (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
| CN110309858B (zh) | 基于判别学习的细粒度图像分类方法 | |
| CN111709303A (zh) | 一种人脸图像的识别方法和装置 | |
| CN109146918B (zh) | 一种基于分块的自适应相关目标定位方法 | |
| CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
| CN109993042A (zh) | 一种人脸识别方法及其装置 | |
| CN110659374A (zh) | 一种基于神经网络提取车辆特征值及属性的以图搜图方法 | |
| CN109255042A (zh) | 基于大规模街景数据的实时图片匹配地理定位方法和系统 | |
| CN105989043A (zh) | 自动获取商品图像中商标和检索商标的方法及其装置 | |
| CN113268641A (zh) | 基于大数据的用户数据处理方法及大数据服务器 | |
| CN112101156A (zh) | 一种目标识别的方法、装置和电子设备 | |
| CN112200862B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
| CN113011444B (zh) | 一种基于神经网络频域注意力机制的图像识别方法 | |
| CN109284409A (zh) | 基于大规模街景数据的图片组地理定位方法 | |
| CN113627288A (zh) | 一种面向海量影像的智能化信息标签获取方法 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN111090630A (zh) | 基于多源空间点数据的数据融合处理方法 | |
| CN110807286A (zh) | 一种结构网格识别方法 |
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 |