CN117437271B - 基于人工智能的三维目标测量方法 - Google Patents

基于人工智能的三维目标测量方法 Download PDF

Info

Publication number
CN117437271B
CN117437271B CN202311755999.6A CN202311755999A CN117437271B CN 117437271 B CN117437271 B CN 117437271B CN 202311755999 A CN202311755999 A CN 202311755999A CN 117437271 B CN117437271 B CN 117437271B
Authority
CN
China
Prior art keywords
value
isolated tree
pixel point
pixel
isolated
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
CN202311755999.6A
Other languages
English (en)
Other versions
CN117437271A (zh
Inventor
李洪波
石文博
米杰
毛伟
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.)
Hunan Zhongsi Information Technology Co ltd
Original Assignee
Hunan Zhongsi Information 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 Hunan Zhongsi Information Technology Co ltd filed Critical Hunan Zhongsi Information Technology Co ltd
Priority to CN202311755999.6A priority Critical patent/CN117437271B/zh
Publication of CN117437271A publication Critical patent/CN117437271A/zh
Application granted granted Critical
Publication of CN117437271B publication Critical patent/CN117437271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机制图建模技术领域，具体涉及基于人工智能的三维目标测量方法。该方法获取目标物体的灰度图像和点云数据；根据像素点的点云测距值、灰度值和位置坐标，构建孤立树；根据节点的分割阈值和节点对应的孙节点中像素点数量的波动，获取孤立树的参考深度；根据孤立树中像素点的位置分布和点云测距值，获取孤立树的实际异常值；根据参考深度和实际异常值，获取孤立树的最佳深度，确定异常像素点；对异常像素点对应的点云数据进行修正，获取目标物体的三维形状和位置。本发明通过自适应调整孤立树的深度，提高获取异常像素点的准确率和效率，准确确定出异常点云数据并进行修正，使得目标物体的三维建模更准确。

Description

基于人工智能的三维目标测量方法
技术领域
本发明涉及计算机制图建模技术领域，具体涉及基于人工智能的三维目标测量方法。
背景技术
三维目标测量是一种通过使用各种传感器和设备来确定目标物体在三维空间中的位置、形状和尺寸的技术。通过相机采集目标物体图像，激光雷达获取目标物体的点云数据，确定目标物体在三维空间中的位置、形状和尺寸，帮助工作人员确定目标物体在实际场景中所占据的位置。在实际操作过程中，激光雷达测量时会受到一些外在环境的干扰，如光照、大气条件等因素的干扰，导致获取的点云数据存在异常，因此，需要对点云数据进行异常检测，获取异常的点云数据，避免目标物体的三维建模不准确。
现有方法中通过孤立森林算法，获取目标物体灰度图像中的异常像素点，进而确定异常像素点对应的异常点云数据。在现有孤立森林算法中，孤立树的深度是通过根节点中像素点的数据自动指定或者人为设定，容易导致孤立树生成时计算复杂度高，受异常数据影响比较大。同时，统一的深度在面对包含不同数量的异常像素点的根节点时，可能会出现部分正常像素点被错误检测为异常像素点，导致最终分割异常像素点的效果不够理想，进而导致异常像素点对应的异常点云数据识别不准确，不能准确的确定目标物体在三维空间中的位置、形状和尺寸。
发明内容
为了解决孤立森林算法不能准确的检测出异常的点云数据的技术问题，本发明的目的在于提供一种基于人工智能的三维目标测量方法，所采用的技术方案具体如下：
本发明提出了一种基于人工智能的三维目标测量方法，该方法包括以下步骤：
获取目标物体的灰度图像和点云数据；
根据点云数据确定灰度图像中每个像素点的点云测距值；根据每个像素点的点云测距值、灰度值和位置坐标，构建至少两棵孤立树；根据孤立树中每个节点的分割阈值与对应的每个子节点的分割阈值的差异，以及每个节点对应的每个孙节点中像素点数量的波动，获取每个节点的分割反应值；根据每棵孤立树每层的每个节点的分割反应值，获取每棵孤立树每层的层分割反应值，确定每棵孤立树的参考深度；
将每棵孤立树中点云测距值相同的像素点构建为一个像素点集合，根据每棵孤立树的每个像素点集合中每个像素点的位置分布差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值；
根据每棵孤立树的每个像素点集合中每个像素点与相邻点云测距值对应像素点之间的距离，以及每个像素点集合中像素点数量的变化趋势，对每棵孤立树的初始异常值进行修正，获取每棵孤立树的实际异常值；
根据每棵孤立树的参考深度和实际异常值，获取每棵孤立树的最佳深度，确定灰度图像中的异常像素点；
根据灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行修正，获取目标物体的三维形状和位置。
进一步地，所述分割反应值的计算公式为：
式中，为第i个节点的分割反应值；/>为第i个节点的分割阈值；/>为第i个节点对应的第一个子节点的分割阈值；/>为第i个节点对应的第二个子节点的分割阈值；为第i个节点对应的每个孙节点中像素点数量的方差，其中，第i个节点对应的孙节点为第i个节点对应的子节点的子节点；/>为第一预设常数，大于0；/>为绝对值函数。
进一步地，所述根据每棵孤立树每层的每个节点的分割反应值，获取每棵孤立树每层的层分割反应值，确定每棵孤立树的参考深度的方法为：
获取每棵孤立树每层的每个节点的分割反应值的均值，作为每棵孤立树每层的层分割反应值；
将每棵孤立树的层分割反应值根据每棵孤立树每层的深度从小到大的顺序进行排列，获得每棵孤立树的层分割反应值序列；
将每个层分割反应值序列中的层分割反应值进行曲线拟合，获取每棵孤立树的目标曲线；
对于任一目标曲线，获取该目标曲线中每个层分割反应值的切线斜率，作为每个层分割反应值的目标切线斜率；
将该目标曲线中的单调递减区间，作为目标区间；
获取每个目标区间中目标切线斜率的均值，作为每个目标区间的特征目标值；
将最小的特征目标值对应的目标区间，作为特征区间；
若最小的特征目标值至少存在两个，则选取深度最大的目标区间，作为特征区间；
获取特征区间中每个层分割反应值与相邻的下一个层分割反应值的差值，作为第一值；
将特征区间中最大的第一值对应的两个层分割反应值中最小的层分割反应值，作为目标层分割反应值；
若特征区间中最大的第一值至少存在两个时，则获取每个最大的第一值对应的两个层分割反应值中最小的层分割反应值，作为参考层分割反应值；
获取每个参考层分割反应值对应的深度，作为第一深度；
将最大的第一深度对应的参考层分割反应值，作为目标层分割反应值；
将目标层分割反应值对应的深度，作为过渡深度；
将过渡深度加二后获得对应孤立树的参考深度。
进一步地，所述根据每棵孤立树的每个像素点集合中每个像素点的位置分布差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值的方法为：
获取灰度图像中每个像素点的位置与灰度图像的重心之间的欧式距离，作为每个像素点的第一距离；
将每个像素点集合中的像素点根据位置进行排序，获得每个像素点集合的像素点序列；
根据每棵孤立树的每个像素点集合的像素点序列中相邻像素点的第一距离的差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值。
进一步地，所述初始异常值的计算公式为：
式中，为第m棵孤立树的初始异常值；N为第m棵孤立树中像素点集合的总数量；为第m棵孤立树的第n个像素点集合对应的点云测距值；/>为第m棵孤立树的每个像素点集合对应的点云测距值的均值；/>为第m棵孤立树的第n个像素点集合中像素点的总数量；/>为第m棵孤立树的第n个像素点集合的像素点序列中第j个像素点的第一距离；为第m棵孤立树的第n个像素点集合的像素点序列中第(j+1)个像素点的第一距离；/>为取绝对值函数；norm为归一化函数。
进一步地，所述获取每棵孤立树的实际异常值的方法为：
获取每棵孤立树的每个像素点集合中每个像素点与相邻点云测距值对应的每个像素点之间的欧式距离，作为每个像素点的第二距离；
将每个像素点最小的第二距离，作为每个像素点的第二特征值；
获取每个像素点集合中每个像素点的第二特征值的均值，作为每个像素点集合的第二值；
获取每个像素点集合中像素点的总数量，作为每个像素点集合的第一数量；
将每棵孤立树的每个像素点集合的第一数量，根据每个像素点集合对应的点云测距值从小到大的顺序进行排列，获得每棵孤立树的第一数量序列；
将每个第一数量序列中的第一数量进行曲线拟合，获取每个第一数量变化的导数，作为对应第一数量对应的像素点集合的变化率；
根据每棵孤立树的每个像素点集合的第二值和变化率，对每棵孤立树的初始异常值进行修正，获取每棵孤立树的实际异常值。
进一步地，所述实际异常值的计算公式为：
式中，为第m棵孤立树的实际异常值；N为第m棵孤立树中像素点集合的总数量；/>为第m棵孤立树的第n个像素点集合的第二值；/>为第m棵孤立树的第n个像素点集合的变化率；/>为第m棵孤立树的初始异常值；/>为取绝对值函数；exp为以自然常数为底数的指数函数。
进一步地，所述获取每棵孤立树的最佳深度的方法为：
将每棵孤立树的参考深度和实际异常值的乘积，作为每棵孤立树的最佳深度参考值；
将每棵孤立树的最佳深度参考值向上取整的结果，作为每棵孤立树的最佳深度。
进一步地，所述根据灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行修正，获取目标物体的三维形状和位置的方法为：
将异常像素点对应的点云数据进行删除，通过灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行拟合，获得每个异常像素点对应的修正点云数据；
根据正常像素点对应的点云数据和异常像素点对应的修正点云数据，确定目标物体的三维形状和位置。
进一步地，所述孤立树的获取方法为：
通过孤立森林算法，获取孤立树。
本发明具有如下有益效果：
根据点云数据确定灰度图像中每个像素点的点云测距值，为自适应调整孤立树的最佳深度做准确；为了获取每棵孤立树的最佳深度，进而根据孤立树中每个节点的分割阈值与对应的每个子节点的分割阈值的差异，以及每个节点对应的每个孙节点中像素点数量的波动，获取每棵孤立树每层的层分割反应值，准确反映出每棵孤立树每层的正常像素点和异常像素点的分割情况，进而确定每棵孤立树的参考深度，初步判断每棵孤立树的最佳深度；为了更准确的获取每棵孤立树的最佳深度，进一步根据每棵孤立树的每个像素点集合中每个像素点的位置分布差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值，初步确定每棵孤立树中的像素点的异常程度，为了更准确的对每棵孤立树的参考深度进行调整，进一步根据每棵孤立树的每个像素点集合中每个像素点与相邻点云测距值对应像素点之间的距离，以及每个像素点集合中像素点数量的变化趋势，对每棵孤立树的初始异常值进行修正，获取每棵孤立树的实际异常值，准确反映出每棵孤立树的实际异常程度，进而根据每棵孤立树的参考深度和实际异常值，自适应获取每棵孤立树的最佳深度，进而高效准确的确定灰度图像中的异常像素点，降低获取异常像素点的成本，进而根据异常像素点确定异常点云数据，根据灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行修正，使得点云数据更准确，进而准确的获取目标物体的三维形状和位置。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的三维目标测量方法的流程示意图；
图2为本发明一个实施例所提供的一种基于人工智能的三维目标测量异常像素点的检测方法的流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的三维目标测量方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例的场景：灰度图像为一张规则的图像。
本发明实施例的目的为：为了准确的识别出异常点云数据，需要先获取灰度图像中的异常像素点，进而确定异常点云数据，本发明实施例根据每个像素点的点云数据，确定每个像素点的点云测距值，进而根据每个像素点的点云测距值、灰度值和位置坐标，通过孤立森林算法，获取孤立树。为了准确高效的识别出异常像素点，需要对每棵孤立树的深度进行调整，本发明实施例根据孤立树中每个节点的分割阈值与对应的每个子节点的分割阈值的差异，以及每个节点对应的每个孙节点中像素点数量的波动，获取每棵孤立树的参考深度。同时，根据每棵孤立树中每个像素点的点云测距值和位置分布，获取每棵孤立树的实际异常值。通过每棵孤立树的实际异常值对参考深度进行修正，获取每棵孤立树的最佳深度，准确确定灰度图像中的异常像素点。进而根据灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行修正，准确获取目标物体的三维形状和位置。其中，孤立森林算法为现有技术，在此不进行赘述。
下面结合附图具体的说明本发明所提供的一种基于人工智能的三维目标测量方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的三维目标测量方法的流程示意图，该方法包括以下步骤：
步骤S1：获取目标物体的灰度图像和点云数据。
具体的，将相机对准目标物体，从各个方位获取目标物体图像，为了进行清楚的描述，本发明实施例以相机获取的一个方位下的目标物体图像为例，后续出现的目标物体图像均指一个方位下的目标物体图像。通过激光雷达获取目标物体的点云数据，点云数据是由目标物体与激光雷达的位置信息、距离值组成的三维坐标数据集合，其中，点云数据中的位置信息与目标物体图像中像素点的位置信息存在对应关系。
为了准确的获取目标物体在三维空间中的位置、形状和尺寸，本发明实施例通过保边滤波器对目标物体图像进行滤波去噪，获得去噪后的目标物体图像；为了保证后续处理和检测过程中数据的可信度，本发明实施例对去噪后的目标物体图像进行灰度化处理，获得目标物体的灰度图像，同时，采用非局部均值滤波对灰度图像进行去噪处理，避免噪声带来的影响。其中，保边滤波器、灰度化处理和非局部均值滤波均为现有技术，不再进行赘述。
为了对目标物体进行准确高效的分析，本发明实施例使用语义分割网络获取只有目标物体的灰度图像。其中，本发明实施例的语义分割网络使用深度神经网络，输入为去噪后的含有目标物体的灰度图像；输出为只有目标物体的灰度图像；深度神经网络训练打标签的方式为：将目标物体的区域标记为1，其他区域标记为0；深度神经网络的损失函数为交叉熵损失函数。其中，深度神经网络为公知技术，在此不做赘述。需要说明的是，后续出现的灰度图像均为只含有目标物体的灰度图像。
通过灰度图像中每个像素点的位置信息，确定灰度图像中每个像素点对应的点云数据。
步骤S2：根据点云数据确定灰度图像中每个像素点的点云测距值；根据每个像素点的点云测距值、灰度值和位置坐标，构建至少两棵孤立树；根据孤立树中每个节点的分割阈值与对应的每个子节点的分割阈值的差异，以及每个节点对应的每个孙节点中像素点数量的波动，获取每个节点的分割反应值；根据每棵孤立树每层的每个节点的分割反应值，获取每棵孤立树每层的层分割反应值，确定每棵孤立树的参考深度。
具体的，点云数据表示目标物体与激光雷达之间的距离，通过点云数据确定灰度图像中每个像素点与激光雷达之间的距离，作为灰度图像中每个像素点的点云测距值。已知，点云数据越准确，目标物体在三维空间中的位置、形状和尺寸判断的越准确，即最终构建的目标物体三维建模越准确。因此，本发明实施例通过获取灰度图像中的异常像素点，进而对异常像素点对应的异常点云数据进行修正，避免异常点云数据带来的影响，准确的获取目标物体的三维建模。
灰度图像中异常像素点的识别与像素点的点云测距值、灰度值和位置坐标均有关系，因此，本发明实施例以灰度图像的左下角为原点，构建二维直角坐标系，获取灰度图像中每个像素点的位置坐标。将灰度图像中每个像素点的点云测距值、灰度值和位置坐标，构建为每个像素点的特征数据集合。根据每个像素点的特征数据集合，通过孤立森林算法，构建预设数量棵孤立树。本发明实施例构建100棵孤立树，其中每棵孤立树中共有256个像素点，即每棵树的根节点中均在256个像素点，实施者可根据实际情况设定孤立树的数量和每棵孤立树中像素点的数量，在此不进行限定。在本发明实施例灰度图像中像素点的数量一定大于256，从灰度图像中每次随机选取256个像素点，构建为一棵孤立树，共选取100次。
已知，每个像素点的特征数据集合包含每个像素点的点云测距值、灰度值和位置坐标，为了准确确定每棵孤立树的最佳深度，进而准确高效的筛选出异常像素点，本发明实施例在获取每棵孤立树时，将每棵孤立树中的每个节点的分割阈值对应同一种数据，例如，若第i棵孤立树的根节点分割阈值对应的特征数据是点云测距值，则第i棵孤立树的每个节点的分割阈值对应的特征数据均为点云测距值；若第i棵孤立树的根节点分割阈值对应的特征数据是位置坐标，则第i棵孤立树的每个节点的分割阈值对应的特征数据统一为位置坐标中的x值或者y值，将每个节点进行分割，获取孤立树。因此，每棵孤立树的分割阈值共有4种特征数据可供选择，分别为点云测距值、灰度值、位置坐标中的x值和y值，每棵孤立树的分割阈值从4种特征数据中随机进行选取，确保4种特征数据均有对应的孤立树。
在传统的孤立森林算法中，孤立树的深度是通过根节点中像素点的数据自动指定或者人为设定，容易导致孤立树生成时计算复杂度高，受异常数据影响比较大。同时，统一的深度在面对包含不同数量的异常像素点的根节点时，可能会出现部分正常像素点被错误检测为异常像素点，导致最终分割异常像素点的效果不够理想。因此，本发明实施例通过对孤立树的深度进行自适应调整，获取每棵孤立树的最佳深度，准确高效的检测出异常像素点，进而准确获取异常点云数据，避免目标物体的三维建模不准确。
相对理想的分割阈值能将节点中的正常像素点与异常像素点分开，因此，在理想分割阈值的情况下，对某一节点的孙节点来说，孙节点中像素点数量的方差会较大。因此，本发明实施例根据孤立树中每个节点的分割阈值与对应的每个子节点的分割阈值的差异，以及每个节点对应的每个孙节点中像素点数量的波动，获取每个节点的分割反应值，通过分割反应值判断每个节点中的分割阈值设定的是否合理，进而预判该节点中的正常像素点和异常像素点是否可以被分割开，为确定每棵孤立树的最佳深度做准备。
作为一个示例，本发明实施例以第i个节点为例，根据第i个节点的分割阈值与对应的每个子节点的分割阈值的差异，以及第i个节点对应的每个孙节点中像素点数量的波动，获取第i个节点的分割反应值的计算公式为：
式中，为第i个节点的分割反应值；/>为第i个节点的分割阈值；/>为第i个节点对应的第一个子节点的分割阈值；/>为第i个节点对应的第二个子节点的分割阈值；为第i个节点对应的每个孙节点中像素点数量的方差，其中，第i个节点对应的孙节点为第i个节点对应的子节点的子节点；/>为第一预设常数，大于0；/>为绝对值函数。
本发明实施例将设定为1，避免分母为0，实施者可根据实际情况设定/>的大小，在此不进行限定。
需要说明的是，和/>越大，说明/>、/>均与/>的差异越大，间接说明/>设定的越不准确，第i个节点中的分割效果越不好，即第i个节点中的正常像素点和异常像素点分割效果越差，/>越大；/>越小，说明第i个节点的分割阈值设定的越不准确，越不能准确的将第i个节点中的正常像素点和异常像素点区分开，/>越大，因此，/>越大，表示第i个节点的分割阈值的分割效果越不理想。
根据获取第i个节点的分割反应值的方法，获取每棵孤立树中每个节点的分割反应值。需要说明的是，对于不存在孙节点的节点，说明已经完成对节点中的正常像素点和异常像素点的区分，对获取孤立树的最佳深度的参考意义不大，因此，本发明实施例不进行分析，即不获取该节点的分割反应值。
本发明实施例根据每棵孤立树每层的每个节点的分割反应值，获取每棵孤立树每层的层分割反应值，反映出每棵孤立树每层的每个节点的分割阈值的分割效果。若某个层分割反应值越小，说明对应孤立树对应层的每个节点的分割阈值设定的越准确，该层节点中的异常像素点和正常像素点的分割越准确，因此，该层节点对应孙节点的深度越可能为对应孤立树的参考深度。进而通过每棵孤立树的参考深度，初步判断每棵孤立树的最佳深度。
优选地，获取参考深度的方法为：获取每棵孤立树每层的每个节点的分割反应值的均值，作为每棵孤立树每层的层分割反应值；将每棵孤立树的层分割反应值根据每棵孤立树每层的深度从小到大的顺序进行排列，获得每棵孤立树的层分割反应值序列；将每个层分割反应值序列中的层分割反应值进行曲线拟合，获取每棵孤立树的目标曲线。根据目标曲线的变化规律，确定每棵孤立树的参考深度。
已知，越小，第i个节点的分割阈值的分割效果越理想，因此，层分割反应值越小，说明对应层的分割效果越理想。在理想情况下，随着每棵孤立树的深度越来越大，层分割反应值应该持续保持较大幅度的减小，直到异常像素点分割完成，若再继续对节点进行分割，由于节点中的像素点均为正常像素点，因此，分割得到的不同节点包含的像素点数量不会出现过大的数量差异，同时，层分割反应值开始逐渐平缓。因此，本发明实施例选取目标曲线平均导数最小的单调递减区间中变化幅度最大处对应节点的孙节点深度为对应孤立树的参考深度。
作为一个示例，以第m棵孤立树为例，将第m棵孤立树的目标曲线，作为第m个目标曲线，获取第m个目标曲线中每个层分割反应值的切线斜率，作为每个层分割反应值的目标切线斜率；将第m个目标曲线中的单调递减区间，作为目标区间；获取每个目标区间中目标切线斜率的均值，作为每个目标区间的特征目标值。其中，目标区间为单调递减区间，因此，特征目标值一定为负数。将最小的特征目标值对应的目标区间，作为特征区间。在构建孤立树的过程中，随着深度的增大，层分割反应值应该持续保持较大幅度的减小，因此这里根据最小的特征目标值，确定最好的层分割反映值所在的特征区间，进而高效的获取最好的层分割反映值，准确的获取每棵孤立树参考深度。若最小的特征目标值存在至少两个，则选取深度最大的目标区间，作为特征区间，确保最佳深度可以准确的检测出所有的异常像素点。获取特征区间中每个层分割反应值与相邻的下一个层分割反应值的差值，作为第一值，因为，特征区间中的层分割反应值为单调递减，因此，第一值大于或者等于0。已知，当孤立树中的异常像素点分割完成后，若再继续对节点进行分割，由于节点中的像素点均为正常像素点，分割得到的不同节点包含的像素点数量不会出现过大的数量差异，同时，层分割反应值开始逐渐平缓。因此，每棵孤立树最好的层分割反应值为特征区间中变化程度最大的层分割反应值。因此，本发明实施例将特征区间中最大的第一值对应的两个层分割反应值中最小的层分割反应值，作为目标层分割反应值；若特征区间中最大的第一值至少存在两个时，则获取每个最大的第一值对应的两个层分割反应值中最小的层分割反应值，作为参考层分割反应值；获取每个参考层分割反应值对应的深度，作为第一深度；将最大的第一深度对应的参考层分割反应值，作为目标层分割反应值。将目标层分割反应值对应的深度，作为第m棵孤立树的过渡深度。将过渡深度加二后获得第m棵孤立树的参考深度。其中，加二的原因是考虑到了孙节点与对应节点之间的深度相差为二。其中，曲线拟合的方法为现有技术，不再进行赘述。
根据获取第m棵孤立树的参考深度的方法，获取每棵孤立树的参考深度。
步骤S3：将每棵孤立树中点云测距值相同的像素点构建为一个像素点集合，根据每棵孤立树的每个像素点集合中每个像素点的位置分布差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值。
具体的，为了更准确的获取每棵孤立树的最佳深度，准确检测出异常像素点，本发明实施例将每棵孤立树中点云测距值相同的像素点构建为一个像素点集合。在灰度图像中，每棵孤立树的每个像素点集合中的像素点的点云测距值相同，因此，每个像素点集合中的像素点应该聚集分布，即分布越密集，因此，每个像素点集合中每个像素点的位置分布差异越小，说明每个像素点集合中越不可能存在异常像素点。同一目标物体距离激光雷达的距离是相似的，因此每棵孤立树的每个像素点集合之间的点云测距值差异应该越小。因此根据每棵孤立树的每个像素点集合中每个像素点的位置分布差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值。根据初始异常值初步判断每棵孤立树中的像素点的异常程度，便于后续对每棵孤立树的参考深度进行调整，进而准确获取每棵孤立树的最佳深度，准确高效的检测出异常像素点，确定异常点云数据。
优选地，获取初始异常值的方法为：获取灰度图像中每个像素点的位置与灰度图像的重心之间的欧式距离，作为每个像素点的第一距离；将每个像素点集合中的像素点根据位置进行排序，获得每个像素点集合的像素点序列；根据每棵孤立树的每个像素点集合的像素点序列中相邻像素点的第一距离的差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值。其中，灰度图像的重心获取方法和欧式距离的获取方法均为现有技术，不再进行赘述。
作为一个示例，以步骤S2中的第m棵孤立树为例，将第m棵孤立树中的每个像素点集合中的像素点根据灰度图像中从左到右、从上到下的位置进行排序，获得每个像素点集合的像素点序列；根据第m棵孤立树的每个像素点集合的像素点序列中相邻像素点的第一距离的差异，以及每个像素点集合之间的点云测距值差异，获取第m棵孤立树的初始异常值的计算公式为：
式中，为第m棵孤立树的初始异常值；N为第m棵孤立树中像素点集合的总数量；为第m棵孤立树的第n个像素点集合对应的点云测距值；/>为第m棵孤立树的每个像素点集合对应的点云测距值的均值；/>为第m棵孤立树的第n个像素点集合中像素点的总数量；/>为第m棵孤立树的第n个像素点集合的像素点序列中第j个像素点的第一距离；为第m棵孤立树的第n个像素点集合的像素点序列中第(j+1)个像素点的第一距离；/>为取绝对值函数；norm为归一化函数。
式中，越小，/>与/>越相近，第n个像素点集合中的像素点异常的可能性越小，/>越小；/>越小，说明第n个像素点集合中的像素点分布的越密集，第n个像素点集合中的像素点异常的可能性越小，/>越小；因此，/>越小，说明第m棵孤立树中每个像素点集合中的像素点分布的越密集，第m棵孤立树中存在的异常像素点越少。
根据获取第m棵孤立树的初始异常值的方法，获取每棵孤立树的初始异常值。需要说明的是，本发明实施例对每个像素点集合中只存在一个像素点的像素点集合不进行分析。
步骤S4：根据每棵孤立树的每个像素点集合中每个像素点与相邻点云测距值对应像素点之间的距离，以及每个像素点集合中像素点数量的变化趋势，对每棵孤立树的初始异常值进行修正，获取每棵孤立树的实际异常值。
具体的，为了更准确的检测出灰度图像中的异常像素点，本发明实施例对初始异常值进行修正，获取每棵孤立树的实际异常值，进而对每个孤立树的参考深度进行准确的调整，自适应获取每棵孤立树的最佳深度。
优选地，获取实际异常值的方法为：获取每棵孤立树的每个像素点集合中每个像素点与相邻点云测距值对应的每个像素点之间的欧式距离，作为每个像素点的第二距离，根据第二距离反应每个像素点的位置分布是否合理，第二距离越小，说明对应像素点的分布越符合实际情况。因此，将每个像素点最小的第二距离，作为每个像素点的第二特征值。获取每个像素点集合中每个像素点的第二特征值的均值，作为每个像素点集合的第二值，根据第二值的大小整体反应出每个像素点集合中像素点实际分布情况。其中，第二值越小，说明对应像素点集合中的像素点分布整体越符合实际情况。获取每个像素点集合中像素点的总数量，作为每个像素点集合的第一数量；将每棵孤立树的每个像素点集合的第一数量，根据每个像素点集合对应的点云测距值从小到大的顺序进行排列，获得每棵孤立树的第一数量序列；将每个第一数量序列中的第一数量进行曲线拟合，获取每个第一数量变化的导数，作为对应第一数量对应的像素点集合的变化率。在灰度图像中，目标物体在某个区域的变化是逐渐变化的，因此，相邻点云测距值对应像素点的数量是相近的，因此，根据相邻点云测距值对应像素点的数量变化情况，对每个像素点集合中的像素点的实际情况进行分析。进而根据每棵孤立树的每个像素点集合的第二值和变化率，共同对每棵孤立树中的实际异常程度进行分析，对每棵孤立树的初始异常值进行修正，获取每棵孤立树的实际异常值。
作为一个示例，获取第m棵孤立树的实际异常值的计算公式为：
式中，为第m棵孤立树的实际异常值；N为第m棵孤立树中像素点集合的总数量；/>为第m棵孤立树的第n个像素点集合的第二值；/>为第m棵孤立树的第n个像素点集合的变化率；/>为第m棵孤立树的初始异常值；/>为取绝对值函数；exp为以自然常数为底数的指数函数。
需要说明的是，越小，说明第m棵孤立树的第n个像素点集合中的像素点与相邻点云测距值对应像素点之间的距离越小，间接说明第n个像素点集合中像素点的分布越符合实际情况，/>越趋于1，/>越准确；/>越小，说明第n个像素点集合中的像素点数量越稳定，/>越趋于1，/>越准确；因此，越趋于1，说明/>越准确，通过/>在获取/>时，/>参与的占比越大，/>越大，说明第m棵孤立树中的异常像素点越多。
根据获取第m棵孤立树的实际异常值的方法，获取每棵孤立树的实际异常值。
步骤S5：根据每棵孤立树的参考深度和实际异常值，获取每棵孤立树的最佳深度，确定灰度图像中的异常像素点。
具体的，分割阈值的选取是随机的，节点不同的分割阈值会导致不同的树深，除了根据每个节点的分割反应值来得到每棵孤立树的参考深度，还需要根据像素点的点云测距值和位置分布，对每棵孤立树的参考深度进行调节。当孤立树中的异常像素点比较多时，为了将异常像素点分割出来，需要较大的深度；当孤立树中的异常像素点比较少时，孤立树较小的深度即可将异常像素点分割出来。因此根据每棵孤立树的参考深度和实际异常值，获取每棵孤立树的最佳深度。
优选地，获取每棵孤立树的最佳深度的方法为：将每棵孤立树的参考深度和实际异常值的乘积，作为每棵孤立树的最佳深度参考值；将每棵孤立树的最佳深度参考值向上取整的结果，作为每棵孤立树的最佳深度。
作为一个示例，以第m棵孤立树为例，根据第m棵孤立树的参考深度和实际异常值，获取第m棵孤立树的最佳深度的计算公式为：
式中，为第m棵孤立树的最佳深度；/>为第m棵孤立树的实际异常值；/>为第m棵孤立树的参考深度；/>为向上取整符合。
需要说明的是，越大，说明第m棵孤立树中的异常像素点越多，/>越大；/>越大，说明第m棵孤立树的深度越大，间接说明第m棵孤立树中的异常像素点越多，/>越大；因此，/>越大，说明第m棵孤立树中的异常像素点越多。
根据获取第m棵孤立树的最佳深度的方法，获取每棵孤立树的最佳深度。
将每棵孤立树的根节点到最佳深度对应的孤立树部分进行分割出来，作为每棵孤立树的目标部分。其中，每个目标部分实质为一个树。获取每个目标部分的每个叶子节点中每个像素点的异常得分；将大于或者等于预设的异常得分阈值的异常得分对应的像素点作为异常像素点。本发明实施例将预设的异常得分阈值设定为0.5，实施者可根据实际情况设定预设的异常得分阈值的大小，在此不进行限定。进而通过孤立森林算法，获取灰度图像中每个像素点的异常得分，准确确定出灰度图像中的异常像素点。
根据获取灰度图像中的异常像素点的方法，获取相机拍摄的目标物体每个方位下的灰度图像中的异常像素点。
步骤S6：根据灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行修正，获取目标物体的三维形状和位置。
将异常像素点对应的点云数据进行删除，通过灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行拟合，获得每个异常像素点对应的修正点云数据。在本发明实施例中，通过点云插值法重新填充异常像素点的点云数据，其中，点云插值法为现有技术，不再进行过多赘述。根据正常像素点对应的点云数据和异常像素点对应的修正点云数据，计算目标物体的尺寸、体积、高度等，可以使用几何形状建模或拟合算法来估计目标物体的形状，并通过点云数据确定灰度图像中每个像素点的实际测量值，并转换到全局坐标系中，确定目标物体在整个场景中的位置信息。其中，几何形状建模和拟合算法为现有技术，不再进行赘述。为了直观地理解目标物体的三维形状和位置，将测量结果进行可视化，确定目标物体的三维形状和位置。
综上所述，本发明实施例法获取目标物体的灰度图像和点云数据；根据像素点的点云测距值、灰度值和位置坐标，通过孤立森林算法，构建孤立树；根据节点的分割阈值和节点对应的孙节点中像素点数量的波动，获取孤立树的参考深度；根据孤立树中像素点的位置分布和点云测距值，获取孤立树的实际异常值；根据参考深度和实际异常值，获取孤立树的最佳深度，确定异常像素点；对异常像素点对应的点云数据进行修正，获取目标物体的三维形状和位置。本发明通过自适应调整孤立树的深度，提高获取异常像素点的准确率和效率，准确确定出异常点云数据并进行修正，使得目标物体的三维建模更准确。
一种基于人工智能的三维目标测量异常像素点的检测方法实施例：
三维目标测量是一种通过使用各种传感器和设备来确定目标物体在三维空间中的位置、形状和尺寸的技术。通过相机采集目标物体图像，激光雷达获取目标物体的点云数据，确定目标物体在三维空间中的位置、形状和尺寸，帮助工作人员确定目标物体在实际场景中所占据的位置。在实际操作过程中，激光雷达测量时会受到一些外在环境的干扰，如光照、大气条件等因素的干扰，导致目标物体的灰度图像中存在异常像素点，导致目标物体的三维建模不准确，因此，需要对灰度图像中的像素点进行异常检测。
现有方法中通过孤立森林算法，获取目标物体灰度图像中的异常像素点，确定异常像素点。在现有孤立森林算法中，孤立树的深度是通过根节点中像素点的数据自动指定或者人为设定，容易导致孤立树生成时计算复杂度高，受异常数据影响比较大。同时，统一的深度在面对包含不同数量的异常像素点的根节点时，可能会出现部分正常像素点被错误检测为异常像素点，导致最终分割异常像素点的效果不够理想，进而导致异常像素点识别不准确，不能准确的确定灰度图像中的异常像素点，进而不能准确的确定目标物体在三维空间中的位置、形状和尺寸。
为了解决孤立森林算法检测异常像素点不准确的技术问题，本发明的目的在于提供一种基于人工智能的三维目标测量异常像素点的检测方法，所采用的技术方案具体如下：
请参阅图2，其示出了本发明一个实施例提供的一种基于人工智能的三维目标测量异常像素点的检测方法的流程示意图，该方法包括以下步骤：
步骤S1：获取目标物体的灰度图像和点云数据。
步骤S2：根据点云数据确定灰度图像中每个像素点的点云测距值；根据每个像素点的点云测距值、灰度值和位置坐标，构建至少两棵孤立树；根据孤立树中每个节点的分割阈值与对应的每个子节点的分割阈值的差异，以及每个节点对应的每个孙节点中像素点数量的波动，获取每个节点的分割反应值；根据每棵孤立树每层的每个节点的分割反应值，获取每棵孤立树每层的层分割反应值，确定每棵孤立树的参考深度。
步骤S3：将每棵孤立树中点云测距值相同的像素点构建为一个像素点集合，根据每棵孤立树的每个像素点集合中每个像素点的位置分布差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值。
步骤S4：根据每棵孤立树的每个像素点集合中每个像素点与相邻点云测距值对应像素点之间的距离，以及每个像素点集合中像素点数量的变化趋势，对每棵孤立树的初始异常值进行修正，获取每棵孤立树的实际异常值。
步骤S5：根据每棵孤立树的参考深度和实际异常值，获取每棵孤立树的最佳深度，确定灰度图像中的异常像素点。
其中，步骤S1～步骤S5在一种基于人工智能的三维目标测量方法实施例中已经给出了详细说明，不再赘述。
本实施例提供的一种基于人工智能的三维目标测量异常像素点的检测方法具有如下技术效果：
根据点云数据确定灰度图像中每个像素点的点云测距值，为自适应调整孤立树的最佳深度做准确；为了获取每棵孤立树的最佳深度，进而根据孤立树中每个节点的分割阈值与对应的每个子节点的分割阈值的差异，以及每个节点对应的每个孙节点中像素点数量的波动，获取每棵孤立树每层的层分割反应值，准确反映出每棵孤立树每层的正常像素点和异常像素点的分割情况，进而确定每棵孤立树的参考深度，初步判断每棵孤立树的最佳深度；为了更准确的获取每棵孤立树的最佳深度，进一步根据每棵孤立树的每个像素点集合中每个像素点的位置分布差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值，初步确定每棵孤立树中的像素点的异常程度，为了更准确的对每棵孤立树的参考深度进行调整，进一步根据每棵孤立树的每个像素点集合中每个像素点与相邻点云测距值对应像素点之间的距离，以及每个像素点集合中像素点数量的变化趋势，对每棵孤立树的初始异常值进行修正，获取每棵孤立树的实际异常值，准确反映出每棵孤立树的实际异常程度，进而根据每棵孤立树的参考深度和实际异常值，自适应获取每棵孤立树的最佳深度，进而高效准确的确定灰度图像中的异常像素点，降低获取异常像素点的成本，进而对异常像素点进行分析，避免异常像素点对准确获取目标物体的三维模型造成干扰。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种基于人工智能的三维目标测量方法，其特征在于，该方法包括以下步骤：
获取目标物体的灰度图像和点云数据；
根据点云数据确定灰度图像中每个像素点的点云测距值；根据每个像素点的点云测距值、灰度值和位置坐标，构建至少两棵孤立树；根据孤立树中每个节点的分割阈值与对应的每个子节点的分割阈值的差异，以及每个节点对应的每个孙节点中像素点数量的波动，获取每个节点的分割反应值；根据每棵孤立树每层的每个节点的分割反应值，获取每棵孤立树每层的层分割反应值，确定每棵孤立树的参考深度；
将每棵孤立树中点云测距值相同的像素点构建为一个像素点集合，根据每棵孤立树的每个像素点集合中每个像素点的位置分布差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值；
根据每棵孤立树的每个像素点集合中每个像素点与相邻点云测距值对应像素点之间的距离，以及每个像素点集合中像素点数量的变化趋势，对每棵孤立树的初始异常值进行修正，获取每棵孤立树的实际异常值；
根据每棵孤立树的参考深度和实际异常值，获取每棵孤立树的最佳深度，确定灰度图像中的异常像素点；
根据灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行修正，获取目标物体的三维形状和位置；
所述根据每棵孤立树每层的每个节点的分割反应值，获取每棵孤立树每层的层分割反应值，确定每棵孤立树的参考深度的方法为：
获取每棵孤立树每层的每个节点的分割反应值的均值，作为每棵孤立树每层的层分割反应值；
将每棵孤立树的层分割反应值根据每棵孤立树每层的深度从小到大的顺序进行排列，获得每棵孤立树的层分割反应值序列；
将每个层分割反应值序列中的层分割反应值进行曲线拟合，获取每棵孤立树的目标曲线；
对于任一目标曲线，获取该目标曲线中每个层分割反应值的切线斜率，作为每个层分割反应值的目标切线斜率；
将该目标曲线中的单调递减区间，作为目标区间；
获取每个目标区间中目标切线斜率的均值，作为每个目标区间的特征目标值；
将最小的特征目标值对应的目标区间，作为特征区间；
若最小的特征目标值至少存在两个，则选取深度最大的目标区间，作为特征区间；
获取特征区间中每个层分割反应值与相邻的下一个层分割反应值的差值，作为第一值；
将特征区间中最大的第一值对应的两个层分割反应值中最小的层分割反应值，作为目标层分割反应值；
若特征区间中最大的第一值至少存在两个时，则获取每个最大的第一值对应的两个层分割反应值中最小的层分割反应值，作为参考层分割反应值；
获取每个参考层分割反应值对应的深度，作为第一深度；
将最大的第一深度对应的参考层分割反应值，作为目标层分割反应值；
将目标层分割反应值对应的深度，作为过渡深度；
将过渡深度加二后获得对应孤立树的参考深度。
2.如权利要求1所述一种基于人工智能的三维目标测量方法，其特征在于，所述分割反应值的计算公式为：
式中，为第i个节点的分割反应值；/>为第i个节点的分割阈值；/>为第i个节点对应的第一个子节点的分割阈值；/>为第i个节点对应的第二个子节点的分割阈值；/>为第i个节点对应的每个孙节点中像素点数量的方差，其中，第i个节点对应的孙节点为第i个节点对应的子节点的子节点；/>为第一预设常数，大于0；/>为绝对值函数。
3.如权利要求1所述一种基于人工智能的三维目标测量方法，其特征在于，所述根据每棵孤立树的每个像素点集合中每个像素点的位置分布差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值的方法为：
获取灰度图像中每个像素点的位置与灰度图像的重心之间的欧式距离，作为每个像素点的第一距离；
将每个像素点集合中的像素点根据位置进行排序，获得每个像素点集合的像素点序列；
根据每棵孤立树的每个像素点集合的像素点序列中相邻像素点的第一距离的差异，以及每个像素点集合之间的点云测距值差异，获取每棵孤立树的初始异常值。
4.如权利要求3所述一种基于人工智能的三维目标测量方法，其特征在于，所述初始异常值的计算公式为：
式中，为第m棵孤立树的初始异常值；N为第m棵孤立树中像素点集合的总数量；/>为第m棵孤立树的第n个像素点集合对应的点云测距值；/>为第m棵孤立树的每个像素点集合对应的点云测距值的均值；/>为第m棵孤立树的第n个像素点集合中像素点的总数量；为第m棵孤立树的第n个像素点集合的像素点序列中第j个像素点的第一距离；为第m棵孤立树的第n个像素点集合的像素点序列中第(j+1)个像素点的第一距离；/>为取绝对值函数；norm为归一化函数。
5.如权利要求1所述一种基于人工智能的三维目标测量方法，其特征在于，所述获取每棵孤立树的实际异常值的方法为：
获取每棵孤立树的每个像素点集合中每个像素点与相邻点云测距值对应的每个像素点之间的欧式距离，作为每个像素点的第二距离；
将每个像素点最小的第二距离，作为每个像素点的第二特征值；
获取每个像素点集合中每个像素点的第二特征值的均值，作为每个像素点集合的第二值；
获取每个像素点集合中像素点的总数量，作为每个像素点集合的第一数量；
将每棵孤立树的每个像素点集合的第一数量，根据每个像素点集合对应的点云测距值从小到大的顺序进行排列，获得每棵孤立树的第一数量序列；
将每个第一数量序列中的第一数量进行曲线拟合，获取每个第一数量变化的导数，作为对应第一数量对应的像素点集合的变化率；
根据每棵孤立树的每个像素点集合的第二值和变化率，对每棵孤立树的初始异常值进行修正，获取每棵孤立树的实际异常值。
6.如权利要求5所述一种基于人工智能的三维目标测量方法，其特征在于，所述实际异常值的计算公式为：
式中，为第m棵孤立树的实际异常值；N为第m棵孤立树中像素点集合的总数量；为第m棵孤立树的第n个像素点集合的第二值；/>为第m棵孤立树的第n个像素点集合的变化率；/>为第m棵孤立树的初始异常值；/>为取绝对值函数；exp为以自然常数为底数的指数函数。
7.如权利要求1所述一种基于人工智能的三维目标测量方法，其特征在于，所述获取每棵孤立树的最佳深度的方法为：
将每棵孤立树的参考深度和实际异常值的乘积，作为每棵孤立树的最佳深度参考值；
将每棵孤立树的最佳深度参考值向上取整的结果，作为每棵孤立树的最佳深度。
8.如权利要求1所述一种基于人工智能的三维目标测量方法，其特征在于，所述根据灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行修正，获取目标物体的三维形状和位置的方法为：
将异常像素点对应的点云数据进行删除，通过灰度图像中正常像素点对应的点云数据对异常像素点对应的点云数据进行拟合，获得每个异常像素点对应的修正点云数据；
根据正常像素点对应的点云数据和异常像素点对应的修正点云数据，确定目标物体的三维形状和位置。
9.如权利要求1所述一种基于人工智能的三维目标测量方法，其特征在于，所述孤立树的获取方法为：
通过孤立森林算法，获取孤立树。
CN202311755999.6A 2023-12-20 2023-12-20 基于人工智能的三维目标测量方法 Active CN117437271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311755999.6A CN117437271B (zh) 2023-12-20 2023-12-20 基于人工智能的三维目标测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311755999.6A CN117437271B (zh) 2023-12-20 2023-12-20 基于人工智能的三维目标测量方法

Publications (2)

Publication Number Publication Date
CN117437271A CN117437271A (zh) 2024-01-23
CN117437271B true CN117437271B (zh) 2024-03-08

Family

ID=89552054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311755999.6A Active CN117437271B (zh) 2023-12-20 2023-12-20 基于人工智能的三维目标测量方法

Country Status (1)

Country Link
CN (1) CN117437271B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118015609B (zh) * 2024-04-09 2024-07-19 山东力加力钢结构有限公司 基于深度学习的道路质量无损化检测方法
CN118447666B (zh) * 2024-07-05 2024-09-10 山西沣庆恒能源科技有限公司 基于人工智能的煤仓安全监测预警方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948669A (zh) * 2019-03-04 2019-06-28 腾讯科技（深圳）有限公司 一种异常数据检测方法及装置
CN110443125A (zh) * 2019-06-27 2019-11-12 武汉大学 一种基于判别森林子空间选择的高光谱异常探测方法
CN110929643A (zh) * 2019-11-21 2020-03-27 西北工业大学 一种基于多特征和孤立树的高光谱异常检测方法
CN113256574A (zh) * 2021-05-13 2021-08-13 中国科学院长春光学精密机械与物理研究所 一种三维目标检测方法
CN114386616A (zh) * 2021-12-09 2022-04-22 深圳索信达数据技术有限公司 特征重要性评估方法、装置、设备和介质
WO2022105502A1 (zh) * 2020-11-23 2022-05-27 歌尔股份有限公司 一种点云数据处理方法和装置
CN116305436A (zh) * 2023-02-28 2023-06-23 东南大学 一种基于三维激光扫描结合bim的既有桥梁监测方法
CN117251798A (zh) * 2023-09-12 2023-12-19 西北工业大学 一种基于两层渐进式的气象设备异常检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463333B (zh) * 2022-04-13 2022-09-02 中国科学院地质与地球物理研究所 随钻地质导向实时地层格架智能更新方法与系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948669A (zh) * 2019-03-04 2019-06-28 腾讯科技（深圳）有限公司 一种异常数据检测方法及装置
CN110443125A (zh) * 2019-06-27 2019-11-12 武汉大学 一种基于判别森林子空间选择的高光谱异常探测方法
CN110929643A (zh) * 2019-11-21 2020-03-27 西北工业大学 一种基于多特征和孤立树的高光谱异常检测方法
WO2022105502A1 (zh) * 2020-11-23 2022-05-27 歌尔股份有限公司 一种点云数据处理方法和装置
CN113256574A (zh) * 2021-05-13 2021-08-13 中国科学院长春光学精密机械与物理研究所 一种三维目标检测方法
CN114386616A (zh) * 2021-12-09 2022-04-22 深圳索信达数据技术有限公司 特征重要性评估方法、装置、设备和介质
CN116305436A (zh) * 2023-02-28 2023-06-23 东南大学 一种基于三维激光扫描结合bim的既有桥梁监测方法
CN117251798A (zh) * 2023-09-12 2023-12-19 西北工业大学 一种基于两层渐进式的气象设备异常检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Method Based on Improved iForest for Trunk Extraction and Denoising of Individual Street Trees;Li Z等;《Remote Sensing》;20221225;第15卷(第1期);第1-25页 *
激光测量系统不确定度最小包络椭球模型研究;李源等;《激光技术》;20220531;第46卷(第3期);第293-299页 *

Also Published As

Publication number Publication date
CN117437271A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN117437271B (zh) 基于人工智能的三维目标测量方法
US9008440B2 (en) Component recognizing apparatus and component recognizing method
CN111091592B (zh) 图像处理方法、图像处理装置、电子设备及可读存储介质
JP6341265B2 (ja) 堆積物体の認識方法と装置
CN112883820B (zh) 基于激光雷达点云的道路目标3d检测方法及系统
CN111968171A (zh) 基于人工智能的飞机油量测量方法及系统
CN109640066B (zh) 高精度稠密深度图像的生成方法和装置
CN111275040B (zh) 定位方法及装置、电子设备、计算机可读存储介质
CN111739020B (zh) 周期纹理背景缺陷标签自动标注方法、装置、设备及介质
CN109685806B (zh) 图像显著性检测方法及装置
EP3012781A1 (en) Method and apparatus for extracting feature correspondences from multiple images
CN113159064A (zh) 基于精简的YOLOv3电路板电子元件目标检测的方法与装置
CN113657551B (zh) 一种用于分拣堆叠多目标的机器人抓取姿态任务规划方法
CN117496359B (zh) 基于三维点云的植物种植布局监测方法及系统
CN105225233B (zh) 一种基于两类膨胀的立体影像密集匹配方法及系统
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
CN117036737A (zh) 基于信息熵、gms与lc显著检测的特征提取与匹配方法
CN112614074B (zh) 一种基于响应图和聚类的鲁棒灭点检测方法及装置
CN104881670A (zh) 一种用于sar方位角估计的快速目标提取方法
CN101567088B (zh) 一种运动物体检测的方法和装置
CN116452845A (zh) 一种基于数据增强的鸟类细粒度图像分类方法
KR101332630B1 (ko) 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법
KR101489216B1 (ko) 직선을 기반으로 장소를 인식하는 방법 및 장치
CN111161250B (zh) 一种多尺度遥感图像密集房屋检测方法及装置
CN112419359A (zh) 一种基于卷积神经网络的红外弱小目标检测方法及装置

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