CN117523522B - 隧道场景的识别方法、装置、设备和存储介质 - Google Patents
隧道场景的识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117523522B CN117523522B CN202410023074.0A CN202410023074A CN117523522B CN 117523522 B CN117523522 B CN 117523522B CN 202410023074 A CN202410023074 A CN 202410023074A CN 117523522 B CN117523522 B CN 117523522B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ray
- point
- cloud data
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 180
- 230000033001 locomotion Effects 0.000 claims abstract description 174
- 238000005070 sampling Methods 0.000 claims abstract description 114
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 description 43
- 238000010586 diagram Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000007789 sealing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (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
本申请涉及一种隧道场景的识别方法、装置、计算机设备、存储介质和计算机程序产品,所述方法可应用于地图领域,所述方法包括:从获取车辆的运动路径上采样路径点对应的点云数据;对点云数据进行切片处理,得到点云数据的点云片;在点云数据的点云片中,确定各空间点对应的射线所属的射线簇;基于射线簇中各空间点到射线原点的第一距离以及射线簇的目标几何点到射线原点的第二距离,确定点云片的分布特征;在运动路径中,根据点云片的分布特征识别出隧道场景下的运动子路径。采用本方法能够提高隧道场景下路径识别的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种隧道场景的识别方法、装置、设备和存储介质。
背景技术
点云地图作为高精度地图的一种形式,能够提供丰富的三维信息,帮助系统实现精确的定位和感知。目前在基于所采集的点云数据进行实时定位和建立点云地图之前,通常会先对采集路径进行道路场景识别以得到特殊道路场景下的采集路径,以便对特殊道路场景下采集路径的点云数据采用恰当的配准算法进行建图,以提高点云地图的准确性。
其中,隧道场景即为常见的一种特殊道路场景,针对隧道场景,由于采集车辆所装配的雷达在隧道中受到隧道结构和封闭性等影响,导致在隧道环境下采集所得的点云数据不够准确,若未采用与隧道场景相匹配的配准算法进行建图,将会导致点云地图的误差较大。
然而现有的隧道场景识别方法通常计算量较大,且难以对采集路径中的隧道场景下的子路径进行准确的识别,导致对隧道场景的识别效率和准确率较差。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高隧道场景路径识别效果的隧道场景的识别方法、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,本申请提供了一种隧道场景的识别方法。所述方法包括:
获取车辆的运动路径对应的点云数据;
对所述点云数据进行切片处理,得到所述点云数据的点云片;
在所述点云数据的点云片中,确定各空间点对应的射线所属的射线簇;
基于所述射线簇中各空间点到射线原点的第一距离以及所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片的分布特征;
在所述运动路径中,根据所述点云片的分布特征识别出隧道场景下的运动子路径。
第二方面,本申请还提供了一种隧道场景的识别装置。所述装置包括:
点云数据获取模块,用于获取车辆的运动路径对应的点云数据;
点云数据切片模块,用于对所述点云数据进行切片处理,得到所述点云数据的点云片;
射线簇确定模块,用于在所述点云数据的点云片中,确定各空间点对应的射线所属的射线簇;
分布特征确定模块,用于基于所述射线簇中各空间点到射线原点的第一距离以及所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片的分布特征;
场景识别模块,用于在所述运动路径中,根据所述点云片的分布特征识别出隧道场景下的运动子路径。
第三方面,本申请还提供了一种计算机设备。所述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,所述处理器执行所述计算机程序时实现以下步骤:
获取车辆的运动路径对应的点云数据;
对所述点云数据进行切片处理,得到所述点云数据的点云片;
在所述点云数据的点云片中,确定各空间点对应的射线所属的射线簇;
基于所述射线簇中各空间点到射线原点的第一距离以及所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片 的分布特征;
在所述运动路径中,根据所述点云片的分布特征识别出隧道场景下的运动子路径。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取车辆的运动路径对应的点云数据;
对所述点云数据进行切片处理,得到所述点云数据的点云片;
在所述点云数据的点云片中,确定各空间点对应的射线所属的射线簇;
基于所述射线簇中各空间点到射线原点的第一距离以及所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片 的分布特征;
在所述运动路径中,根据所述点云片的分布特征识别出隧道场景下的运动子路径。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,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:
获取车辆的运动路径对应的点云数据;
对所述点云数据进行切片处理,得到所述点云数据的点云片;
在所述点云数据的点云片中,确定各空间点对应的射线所属的射线簇;
基于所述射线簇中各空间点到射线原点的第一距离以及所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片 的分布特征;
在所述运动路径中,根据所述点云片的分布特征识别出隧道场景下的运动子路径。
上述隧道场景的识别方法、装置、计算机设备、存储介质和计算机程序产品,通过对车辆在运动路径对应的点云数据进行切片处理,并对每个点云片的分布情况进行分析,无需对全部的点云数据进行分析,便可以得到能够体现点云数据的分布特征的多个点云片的分布特征,进而可以基于多个点云片的分布特征识别出运动路径中的属于隧道场景的子路径,从而提高了隧道场景下的运动子路径的识别效率;通过对点云数据进行切片处理,并对所得的点云片中的各个空间点确定其所属的射线簇,从而可以基于射线簇中各空间点到射线原点的第一距离以及射线簇的目标几何点到射线原点的第二距离,准确且快速地确定出点云片中空间点的分布特征,以便后续基于各点云片的分布特征,确定出运动路径中隧道场景下的运动子路径,进一步提高了隧道场景下运动子路径识别的准确性和效率。
附图说明
图1为一个实施例中隧道场景的识别方法的应用环境图;
图2为一个实施例中隧道场景的识别方法的流程示意图;
图3为一个实施例中点云数据切片处理的示意图;
图4为一个实施例中点云片所对应的射线簇的示意图;
图5为一个实施例中单帧点云数据的示意图;
图6为一个实施例中拼接点云数据的示意图;
图7为另一个实施例中点云数据的示意图;
图8另一个实施例中隧道场景的识别方法的流程示意图;
图9为一个实施例中真实场景的点云数据示意图;
图10为另一个实施例中真实场景的点云数据示意图;
图11为另一个实施例中真实场景的点云数据示意图;
图12为另一个实施例中真实场景的点云数据示意图;
图13为一个实施例中隧道场景的识别装置的结构框图;
图14为另一个实施例中隧道场景的识别装置的结构框图;
图15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。
本申请提供的隧道场景的识别方法可以应用于智能交通领域,具体可以应用于智能交通的动驾驶领域。
智能交通系统(Intelligent Traffic System,ITS)又称智能运输系统(Intelligent Transportation System),是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。或者;
智能车路协同系统(Intelligent Vehicle Infrastructure CooperativeSystems,IVICS),简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。
自动驾驶,也被称为无人驾驶或自动驾驶汽车,是一种利用各种传感器、控制器、计算机视觉和人工智能技术实现车辆自主行驶的技术。自动驾驶汽车能够在没有人工干预的情况下完成驾驶任务,实现从起点到终点的安全、高效出行。
本申请实施例提供的隧道场景的识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他服务器上。该隧道场景的识别方法由终端102或服务器104单独执行,或者由终端102和服务器104协同执行。在一些实施例中,该隧道场景的识别方法由终端102执行,终端102获取车辆在运动路径上采集的点云数据;对点云数据进行切片处理,得到点云数据的点云片;在点云数据的点云片中,确定各空间点对应的射线所属的射线簇;基于射线簇中各空间点到射线原点的第一距离以及射线簇的目标几何点到射线原点的第二距离,确定点云片的分布特征;在运动路径中,根据点云片的分布特征识别出隧道场景下的运动子路径。
其中,终端102可以但不限于是各种台式计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端102以及服务器104可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
在一个实施例中,如图2所示,提供了一种隧道场景的识别方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S202,获取车辆的运动路径对应的点云数据。
其中,车辆可以是采集车也可以是其他车辆,例如自动驾驶车辆。采集车是一种专门用于采集道路环境数据的车辆,通常具有多种传感器设备,如激光雷达、相机、GPS、IMU等,能够实时获取车辆的位置、姿态、速度等信息,并获取道路环境的三维点云数据。
采集车通常会在道路上行驶,通过多个传感器设备对道路环境进行扫描和采集。激光雷达和相机等设备可以用于获取道路环境的三维点云数据和图像数据,GPS和IMU等设备可以用于获取车辆的位置和姿态信息,从而构建车辆的运动路径。
除了采集车之外,其他车辆也可以通过安装各种传感器设备来获取车辆的运动路径和点云数据。例如,自动驾驶车辆可以通过激光雷达、相机等传感器设备来获取道路环境数据,以实现车辆的自主导航和控制。需要说明的是,与采集车相比,其他车辆通常需要进行更加复杂的算法设计和系统集成,以实现精确和稳定的数据采集。
运动路径可以是车辆的原始运动路径,也可以是对原始运动路径进行稀疏处理后所得到的路径,原始运动路径是车辆在行驶过程中所经过的位置点的连续序列,具体可以用一系列的位置点来表示车辆的行驶路线和路径;原始运动路径对应有原始点云数据集,原始点云数据集是指基于原始运动路径采集的多帧点云数据所组成的数据集合,通常包含多个时间点采集的点云数据,用于描述车辆行驶过程中的道路环境,其中,每帧点云数据都包含了在对应时间点上从传感器获取到的道路环境的三维点云信息。
可以理解的是,车辆在采集过程中由于行驶速度不恒定会导致的原始点云数据集中的点云数据帧分布不均匀,比如由于拥堵或停车导致的空间点大量堆积的问题,为了避免这些问题,可以对原始运动路径进行稀疏处理得到运动路径,同时对原始点云数据集进行稀疏处理,得到稀疏处理后点云数据集,稀疏处理后所得到的路径与稀疏处理后点云数据集对应。
稀疏处理具体可以是对原始运动路径进行均匀采样得到路径,并根据均匀采样所得到的路径上的稀疏路径点,对原始点云数据集进行采样得到稀疏处理后点云数据集,具体可以对原始运动路径按照预设距离间隔进行等距采样,得到各稀疏路径点,各稀疏路径点共同组成的路径即为稀疏处理后所得到的路径;针对稀疏处理后所得到的路径上的每个稀疏路径点,从原始点云数据集中获取在稀疏路径点对应位置处所采集的一帧原始点云数据,每个初始路径点所对应的一帧原始点云数据的集合即为稀疏处理后点云数据集,稀疏处理后所得到的路径中各稀疏路径点的先后顺序,即为稀疏处理后点云数据集中不同帧的原始点云数据的帧序。
例如,对某个原始运动路径按照2米的间隔进行采样,依次得到稀疏路径点01、稀疏路径点02、稀疏路径点03、……、稀疏路径点60共60个稀疏路径点,在原始点云数据集中以上稀疏路径点对应位置处所采集的一帧原始点云数据帧序依次为第1帧、第5帧、第8帧、第17帧、……第300帧,则将这些帧序所对应的各帧原始点云数据抽取出来,组成新的与稀疏处理后点云数据集,在该稀疏处理后点云数据集中以上各帧原始点云数据的帧序依次可记为第1帧、第2帧、第3帧、……、第60帧,其中第1帧的原始点云数据的采集位置为稀疏路径点01,第2帧的原始点云数据的采集位置为稀疏路径点02,以此类推,稀疏处理后点云数据集包含了各稀疏路径点在其位置处所采集的一帧原始点云数据。
具体的,终端控制车辆在目标环境中行驶,并在行驶过程中通过车辆上所配置的GPS和IMU设备采集车辆的位置和姿态数据,进而基于所采集的车辆的位置和姿态数据确定出车辆的原始运动路径,并通过车辆上所配置的激光雷达采集车辆所处环境的点云数据,得到与车辆的原始运动路径对应的原始点云数据集,并根据原始运动路径确定出车辆的运动路径,并根据原始点云数据集确定出运动路径对应的点云数据集,从点云数据集中获取运动路径所对应的原始点云数据,并对运动路径所对应的原始点云数据进行处理,得到运动路径所对应的点云数据。
可以理解的是,当直接将原始运动路径确定为运动路径时,运动路径所对应的点云数据集为原始点云数据集,当运动路径为对原始运动路径进行稀疏处理后所得到的路径时,运动路径所对应的点云数据集为稀疏处理后点云数据集。
运动路径所对应的原始点云数据可以是点云数据集中全部的原始点云数据,也可以是运动路径上采样路径点在点云数据集中所对应的原始点云数据,采样路径点是对运动路径进行点位采样得到的,点位采样是指动运动路径中选取特定的路径点。
采样路径点在点云数据集中所对应的原始点云数据可以是采样路径点对应位置处所采集的一帧原始点云数据;可以理解的是由于单帧原始点云数据扫描范围较小、且可能分布不均匀,易受噪声干扰而不够准确,因此采样路径点所对应的原始点云数据还可以包括点云数据集中与该帧原始点云数据相邻的其他帧的原始点云数据,也就是说采样路径点在点云数据集中所对应的原始点云数据也可以是采样路径点对应位置处所采集的一帧原始点云数据和相邻帧原始点云数据,相邻帧原始点云数据是在点云数据集中与采样路径点对应位置处所采集的一帧原始点云数据相邻的其他帧的原始点云数据。例如,点云数据集中的第100帧的原始点云数据为在采样路径点A处所采集的,则可以将第100帧的原始点云数据确定为采样路径点A对应的原始点云数据,也可以将第99帧、第100帧和第101帧的原始点云数据确定为采样路径点A对应的原始点云数据。
在一个实施例中,计算机设备对运动路径所对应的原始点云数据进行处理的过程包括:当对运动路径所对应的原始点云数据为一帧时,从该帧原始点云数据中选取满足高度条件的点云数据,该满足高度条件的点云数据即为运动路径所对应的点云数据。
高度条件具体可以是满足预设的高度范围,这个高度范围可以是相对于车辆、地面或者其它参考平面的一段距离,例如可以选择从地面上方2.5米以上的区域作为关注的高度范围,从而可以避免后续处理过程中路面要素对隧道场景识别效果的影响。
需要说明的是,当采样路径点对应的原始点云数据有至少两帧时,可以先对至少两帧的原始点云数据进行拼接,得到拼接后点云数据,并从拼接后点云素具中选取满足高度条件的点云数据。
S204,对点云数据进行切片处理,得到点云数据的点云片。
其中,切片处理是指将大量空间点所组成的点云数据按照空间位置分割成更小的子集,点云片即为从点云数据中划分出来的子集,每个点云片中均包含了点云数据中的特定区域内的空间点。
具体的,计算机设备在得到运动路径的点云数据之后,针对运动路径的点云数据可以设置合适的切片参数,并基于所确定的切片参数,对该点云数据进行切片处理,得到该点云数据的多个点云片。
其中,切片参数是指对点云数据进行切片处理时所使用的参数,用于决定所得到的点云片的大小和形状,以及点云片之间的空间关系。
可以理解的是,若运动路径的点云数据是基于运动路径所对应的点云数据集中全部的原始点云数据进行处理而得到的,可以设置合适的切片参数,使得所得到的点云片的宽度较大,使得对点云数据进行切片处理所得到点云片在运动路径中均对应有一部分子路径,通过分析点云片的分布特征,可以基于点云片的分布特征确定出对应子路径的场景类型;若运动路径的点云数据是基于运动路径上的采样路径点所对应的原始点云数据进行处理而得到的,使得每个采样路径点所对应的各点云片的宽度较小,即点云片中的空间点的数量较少,从而可以提高对每个采样路径点的各点云片分析的效率。
如图3中(A)所示为一个实施例中的多帧的原始点云数据的拼接后点云数据,对其按照高度条件进行筛选得到点云数据之后,对点云数据进行切片处理,从而可以得到图3中(B)所示的5个点云片。
S206,在点云数据的点云片中,确定各空间点对应的射线所属的射线簇。
其中,空间点对应的射线是指从一个固定参考点到空间点的直线路径,该固定参考点也可以称为射线原点,各空间点的射线的方向和长度可以反应出所属点云片的形状特征,也即点云片中的空间点的分布特征,射线的长度是指空间点到射线原点的距离,射线簇是具有相似方向的射线的集合。
具体的,计算机设备在得到各个点云片之后,针对任意一个点云片确定其所对应的射线原点和参考坐标轴,并基于射线原点构建该点云片中各空间点对应的射线,根据射线原点构建坐标系,并坐标系中选取参考坐标轴,根据射线和参考坐标轴之间的位置关系,确定出各个射线所属的射线簇。
在一个实施例中,S206具体包括以下步骤:确定点云片对应的射线原点和参考坐标轴;以射线原点为起点、点云片中各空间点为终点,生成各空间点对应的射线;确定各射线与参考坐标轴之间的夹角;基于夹角确定各射线所属的射线簇。
其中,射线原点和参考坐标轴可以根据实际需求进行选择,射线原点的位置具体可以是采集该点云片时激光雷达自身的位置,可以理解的是,激光雷达自身的位置以及点云片中的空间点的位置均是在同一个坐标系下来进行讨论的,若二者的坐标系不一致,则需要进行相应的坐标变化以使二者的坐标系一致,例如,为了方便,可以将处于世界坐标系下的点云数据转换到激光雷达坐标系下,之后在激光雷达坐标系下对其进行切边处理以及射线簇的构建。激光雷达坐标系是用于描述由激光雷达传感器捕获的点云数据的空间参考系统,针对激光雷达安装于车辆上的这种情况,激光雷达坐标系也可以称为是车辆坐标系,其x轴通常指向车辆前进方向,x轴通常指向车辆右侧,z轴通常指向垂直向上,与地面垂直。
具体的,计算机设备在确定出射线原点以后,可以以射线原点为坐标原点,车辆前进方向为x轴正方向,竖直向上方向为z轴正方向,垂直于x轴和z轴、且符合右手坐标系规则的方向为y轴构建基于射线原点的坐标系,并以射线原点为起点、点云片中各空间点为终点,生成各空间点对应的射线,选取坐标系的y轴为参考坐标轴,并确定出各个射线与参考坐标轴即y轴之间的夹角,针对任意一个射线根据其所对应的夹角确定其所属的射线簇。
上述实施例中,计算机设备通过确定点云片对应的射线原点和参考坐标轴;以射线原点为起点、点云片中各空间点为终点,生成各空间点对应的射线,通过将空间点连接到一个共同的原点,可以更清楚地看到点云数据中的结构和形状,确定各射线与参考坐标轴之间的夹角,基于夹角确定各射线所属的射线簇,从而可以基于射线簇分析点云片中的空间点的分布情况,从而可以提高对点云片中的空间点的分布情况分析的准确性和效率,在后续基于点云数据的分布情况确定隧道场景下的运动子路径时,可以提高隧道场景下运动子路径识别的准确性和效率。
在一个实施例中,计算机设备基于夹角确定各射线所属的射线簇的过程包括以下步骤:获取各射线簇所对应的射线簇角度值;当夹角与射线簇角度值中的目标射线簇角度值之间的角度差满足角度差阈值时,将夹角对应的射线划分到目标射线簇角度值对应的射线簇中。
其中,角度差阈值是射线簇所允许的射线与相应射线簇角度值之间的最大差异值,其可以根据实际需求设定,可以理解的是,当点云片中空间点较多时,为了减少计算量,可以将角度差阈值设置为一个较小值,以实现在构建射线簇时对空间点的稀疏抽样,当点云片中空间点较少时,为了提高准确性,可以将角度差阈值设置为一个较大值,这样可以确保即使在空间点较少的情况下,也能将足够数量的射线归类到合适的射线簇中。
其中,射线簇角度值是预定义的、用于表征射线簇的角度特征的值,例如,根据实际需求预定义18个射线簇,为每个射线簇分配一个特定的角度值,射线原点的位置是采集该点云片时激光雷达自身的位置,可以确定出18个射线簇的角度分布需要覆盖180度的范围,为避免点云片左右端点空间点较少带来误差,可以从5度开始,每10度定义一个射线簇,从而得到射线簇集合,该射线簇集合对应的射线簇角度值集合为。
具体的,针对任意一个射线,在确定该射线与参考坐标轴之间的夹角之后,可以分别确定该夹角与各射线簇角度值之间的角度差,并将各角度差与角度差阈值进行对比,当该夹角与目标射线簇角度值的角度差小于角度差阈值时,将该夹角对应的射线划分到目标射线簇角度值对应的射线簇中。
在一个实施例中,夹角、射线簇角度值/>和角度差阈值/>之间的关系满足以下关系时,将夹角/>对应的射线划分到目标射线簇角度值/>对应的射线簇中,本申请实施例中,可以取值为0.2度:
如图4所示为一个实施例中某一采样路径点的多个点云片所对应的射线簇的示意图,图中所示的射线为相应射线簇的射线,该射线与参考坐标轴之间的夹角为相应射线簇所对应的射线簇角度值。
上述实施例中,计算机设备通过获取各射线簇所对应的射线簇角度值,当夹角与射线簇角度值中的目标射线簇角度值之间的角度差满足角度差阈值时,将夹角对应的射线划分到目标射线簇角度值对应的射线簇中,从而准确地将射线分类到相应的射线簇中,避免误分类,使得后续基于射线簇分析点云片中的空间点的分布情况时,可以提高对点云片中的空间点的分布情况分析的准确性和效率,在后续基于点云数据的分布情况确定隧道场景下的运动子路径时,可以提高隧道场景下运动子路径识别的准确性;通过调整角度差阈值,可以灵活地处理各种复杂性的点云数据,适应不同的场景和需求。
S208,基于射线簇中各空间点到射线原点的第一距离以及射线簇的目标几何点到射线原点的第二距离,确定点云片的分布特征。
其中,点云片的分布特征是指点云片中的空间点的分布模式和几何属性,具体可以包括闭合性分布特征和连续性分布特征,闭合性分布特征用于描述点云片中各空间点的分布是否形成一个闭合的结构,例如围绕某个区域或形状的边界,具体可以是闭合或者不闭合,闭合是指点云片中的空间点的分布形成了一个闭合的轮廓或边界,如圆形、多边形等,这表明具有较高的闭合性,不闭合是指点云片中的空间点的分布不形成闭合结构,例如线性分布或散乱分布;连续性分布特征用于描述点云片中各空间点的分布是否连续,具体可以是连续或者不连续,连续是指点云片在空间上的分布平滑且一致,没有明显的空白或断裂,不连续是指点云片在空间上的分布存在空白、间断或不规则的分布。
目标几何点是指基于射线簇中的空间点所确定的特定点,该特定点用于表示射线簇的特定几何特征,具体可以是射线簇的质心。
具体的,针对任意一个射线簇,计算机设备可以基于射线簇中各空间点的位置坐标和射线原点的位置坐标,确定各空间点到射线原点的第一距离,并根据各空间点的位置坐标确定出射线簇的目标几何点的位置坐标,根据目标几何点的位置坐标和射线原点的位置坐标确定目标几何点到射线原点的第二距离,并根据点云片中各射线簇对应的第一距离和第二距离确定点云片的分布特征。
S210,在运动路径中,根据点云片的分布特征识别出隧道场景下的运动子路径。
在一个实施例中,若运动路径的点云数据是基于运动路径所对应的点云数据集中全部的原始点云数据进行处理而得到的,计算机设备在得到各点云片的分布特征之后,确定各点云片在运动路径中所对应的运动子路径,当目标点云片的闭合性分布特征表征点云片是闭合的、且连续性分布特征表征点云片是连续的时,确定该目标点云片为隧道点云片,并将该目标点云片在运动路径中所对应的运动子路径隧道场景下的运动子路径。
在一个实施例中,若运动路径的点云数据是基于运动路径上的采样路径点所对应的原始点云数据进行处理而得到的,针对运动路径中任意一个采样路径点,计算机设备在得到该采样路径点的各个点云片的分布特征之后,可以根据各个点云片的分布特征确定该采样路径点的对应的点云数据的分布是否与隧道场景的典型特征匹配,隧道通常表现为闭合且连续的结构,且其形状和尺寸在一定范围内保持一致,当该采样路径点对应的点云数据的分布与隧道场景的典型特征匹配时,可以确定该采样路径点处于隧道场景下,从而可以确定出运动路径中处于隧道场景下的采样路径点,根据运动路径中处于隧道场景下的采样路径点识别出隧道场景下的运动子路径。
上述隧道场景的识别方法,计算机设备对车辆在运动路径对应的点云数据进行切片处理,并对每个点云片的分布情况进行分析,无需对全部的点云数据进行分析,便可以得到能够体现点云数据的分布特征的多个点云片的分布特征,进而可以基于多个点云片的分布特征识别出运动路径中的属于隧道场景的子路径,从而提高了隧道场景下的运动子路径的识别效率;通过对点云数据进行切片处理,并对所得的点云片中的各个空间点确定其所属的射线簇,从而可以基于射线簇中各空间点到射线原点的第一距离以及射线簇的目标几何点到射线原点的第二距离,准确且快速地确定出点云片中空间点的分布特征,以便后续基于各点云片的分布特征,确定出运动路径中隧道场景下的运动子路径,进一步提高了隧道场景下运动子路径识别的准确性和效率。
在一个实施例中,计算机设备获取车辆的运动路径对应的点云数据的过程包括以下步骤:从车辆的运动路径的点云数据集中抽取出采样路径点对应的至少两帧原始点云数据;对至少两帧原始点云数据进行配准拼接,得到拼接后点云数据;从拼接后点云数据中选取满足高度条件的点云数据。
其中,配准拼接是指将两帧或多帧点云数据在空间上对齐,以形成一个统一、连续的三维表示。
具体的,计算机设备在得到车辆的运动路径之后,还可以对运动路径进行稀疏采样,得到各采样路径点,针对各采样路径点,从点云数据集中抽取出在该采样路径点对应位置处所采集的一帧原始点云数据,并获取点云数据集中该帧原始点云数据的相邻帧的原始点云数据,从而得到至少两帧原始点云数据,并采用预设的配准算法对这至少两针原始点云数据进行配准拼接,得到拼接后点云数据,并获取高度条件所对应的高度阈值,并拼接后点云数据中选取高度大于或等于高度阈值的各空间点,得到满足高度条件的点云数据。
需要说明的是,原始点云数据中各空间的位置坐标具体可以是在激光雷达坐标系下的坐标,在对原始点云数据进行拼接时,可以先对原始点云数据的位置左边进行坐标系转换,得到原始点云数据在世界坐标系下的位置坐标,并在世界坐标系下对至少两帧原始点云数据进行配准拼接。
例如,可以根据车辆上所配置的GPS和IMU设备确定出车体坐标系在世界坐标系下的初始姿态,并以激光雷达的初始激光雷达外参作为车体坐标系到激光雷达坐标系的变换矩阵/>,从而根据变换矩阵/>和初始姿态/>可以确定出激光雷达坐标原点在世界坐标系下的位姿/>,其中,以上过程所涉及的变换关系如下:
所抽取的任意一帧原始点云数据中的空间点P,在激光雷达坐标系下的位置坐标可以记为P(X,Y,Z),基于激光雷达坐标原点在世界坐标系下的位姿,并采用以下变换关系,可以将任意一帧原始点云数据中的空间点P的位置坐标转换成世界坐标系下的坐标,其中变换关系如下:
通过对至少两帧原始点云数据进行坐标变换,得到在世界坐标系下的至少两帧原始点云数据,并在世界坐标系下对至少两帧原始点云数据进行配准拼接,从而可以得到分布更加均匀的拼接点云数据,且在激光雷达扫描的过程中,由于干扰物的遮挡,可能会导致所扫描到的某帧点云数据因存在空洞而不够准确,通过对至少两帧原始点云数据进行配准拼接,可以缓解由于遮挡而导致的空洞问题,从而在基于拼接点云数据进行场景识别时可以提高识别的准确性。
如图5所示为某一帧原始点云数据,如图6所示为多帧的原始点云数据进行配准拼接后所得到的拼接后点云数据,从图中可以看出拼接后点云数据整体分布比较均匀。
上述实施例中,计算机设备通过对至少两帧原始点云数据进行配准拼接,可以得到采样路径点所对应的更连续和完整的点云数据,从而减少了处理单帧数据时可能遇到的遗漏问题,从而提高了对隧道场景下的运动子路径的识别准确性,并且,通过选取满足特定高度条件的点云数据有助于排除地面上的干扰元素(如行人、车辆、路面标记等),专注于如隧道顶部等关键结构,避免了无关要素对隧道场景识别的干扰,从而提高了对隧道场景下的运动子路径的识别准确性和识别效率。
在一个实施例中,计算机设备对点云数据进行切片处理,得到点云数据的点云片的过程包括以下步骤:确定点云数据的切片平面、切片厚度和切片间隔;基于切片平面、切片厚度和切片间隔,确定切片坐标条件;将点云数据中满足同一个切片坐标条件的空间点划分到同一个点云片中,得到预设切片数量的点云片。
切片参数具体可以包括切片平面、切片厚度、切片间隔,切片平面是一个二维平面,用于将点云数据切分为更小的部分,切片平面可以根据实际需求进行确定,例如切片平面可以是水平平面、竖直平面或任意角度的平面,切片厚度预设的点云片所覆盖的空间范围大小,例如一个点云片可以设置为覆盖2cm、5cm或10cm等厚度的空间;切片间隔是指在进行点云数据切片处理时,相邻点云片之间的距离,切片间隔决定了切片之间是否有重叠或空隙,较小的间隔可能导致切片之间有重叠,而较大的间隔可能导致数据之间出现空隙,本申请实施例中,点云片即是对点云数据的稀疏采样,因此,切片间隔的设置大小满足令相邻的点云片之间存在一定的空隙。
切片平面、切片厚度和切片间隔可以根据对点云数据分析的目的来进行选取,具体可以根据对隧道场景的子路径进行识别这一数据分析目的,确定适当的点云数据的切片平面,比如本申请实施例中是对隧道场景进行识别,针对隧道场景下的点云数据,切片平面可以选择是与点云数据的横截面平行的面,点云数据的横截面是指与车辆行进方向垂直的面,也可以选择将横截面与绕着水平面(也可以称为地面)与横截面之间的公共边旋转一定角度后所得到倾斜平面,这种切片平面能够有效的保留在点云片中的隧道场景特征,以便进行后续分析;可以根据对隧道场景的子路径进行识别时所需的数据精度和覆盖范围确定切片厚度,比如较薄的切片提供更高的精度,而较厚的切片覆盖更广的区域;可以根据对隧道场景的子路径进行识别时所需的处理效率确定切片间隔,比如选择较小的间隔可以增加切片的数量和覆盖度,而较大的间隔则减少切片数量,提高处理效率。
切片坐标条件是指在进行点云数据的切片处理时,用于确定每个切片中包含哪些点的条件。
具体的,在确定出点云数据的切片平面、切片厚度和切片间隔之后,可以将所确定的切片平面、切片厚度和切片间隔以及点云数据输入点云数据处理应用中,通过点云数据处理应用对切片平面、切片厚度和切片间隔进行分析,确定出各个切片坐标条件,并将点云数据中满足同一个切片坐标条件的空间点划分到同一个点云片中,得到预设切片数量的点云片。
上述实施例中,计算机设备通过确定点云数据的切片平面、切片厚度和切片间隔;基于切片平面、切片厚度和切片间隔,确定切片坐标条件;从而可以将点云数据中满足同一个切片坐标条件的空间点划分到同一个点云片中,得到预设切片数量的点云片,将大型点云数据分割为更小的片段,使得对特定区域或结构的分析和处理变得更加易于管理,从而可以准确且快速地确定出点云数据的分布特征,使得在后续基于点云数据的分布特征确定隧道场景下的运动子路径时,可以提高对隧道场景下的运动子路径的识别准确性和识别效率。
在一个实施例中,计算机设备确定切片平面、切片厚度和切片间隔的过程包括:获取用于采集点云数据的多线激光雷达的扫描参数;基于中央扫描线方向和扫描方向确定切片平面;基于激光线数和视场角确定切片厚度;基于车辆行驶速度和扫描频率确定切片间隔。
需要说明的是,本申请实施例中所使用的激光雷达具体可以是多线激光雷达,如64线激光雷达,扫描参数包括车辆行驶速度和多线激光雷达的激光线数、视场角、中央扫描线方向、扫描方向、扫描频率。
可以理解的是,车辆上所安装的激光雷达的中央扫描光线通常与水平面之间是存在的倾角的,在扫描过程中,当在扫描光线的光线路径上存在障碍物时,在障碍物的沿着光线路径的后方将会形成空洞(如图7所示),若切片平面具体是与点云数据的横截面平行的面,也即切面是在竖直方向上切片的,则导致所得到的点云片不能完整的体现出环境特点,从而影响后续隧道场景识别结果的准确性;若切片平面是将横截面与绕着水平面(也可以称为地面)与横截面之间的公共边旋转一定角度后所得到倾斜平面,且该角度等于中央扫描光线与水平面之间倾角时,即切片平面平行于激光雷达扫描过程中由中央扫描光线所确定的扫描平面,则所得到的点云片可以完整的反应出环境特定,从而可以提高后续隧道场景识别结果的准确性;因此可以根据对隧道场景的子路径进行识别这一数据分析目的,结合多线激光雷达的中央扫描线方向和扫描方向确定扫描平面,并将确定切面平面为与该扫描平面平行的平面。
激光线数指的是多线激光雷达同时发射的激光束数量,激光线数越高,雷达的垂直分辨率越好,能够捕获更细致的垂直细节;视场角指的是雷达扫描覆盖的垂直范围,一个宽视场角意味着雷达可以在一个更广的垂直范围内捕获数据,具体可以根据对隧道场景的子路径进行识别时所需的数据精度和覆盖范围,结合激光线数和视场角确定切片厚度。
车辆行驶速度和扫描频率决定了每帧点云数据的扫描范围,根据对隧道场景的子路径进行识别时所需的处理效率确定预设切片数量,根据预设切片数量和扫描范围确定切片间隔。
上述实施例中,计算机设备通过获取用于采集点云数据的多线激光雷达的扫描参数,从而可以基于多线激光雷达的扫描参数确定出恰当的切片平面、切片厚度和切片间隔,以便在基于切片平面、切片厚度和切片间隔对点云数据进行切片处理时,确保点云数据的重要空间特征被捕捉,从而可以准确且快速地确定出点云数据的分布特征,使得在后续基于点云数据的分布特征确定隧道场景下的运动子路径时,可以提高对隧道场景下的运动子路径的识别准确性和识别效率。
在一个实施例中,计算机设备基于射线簇中各空间点到射线原点的第一距离以及射线簇的目标几何点到射线原点的第二距离,确定点云片的分布特征的过程包括以下步骤:基于射线簇中各空间点到射线原点的第一距离,确定点云片的闭合性分布特征;基于射线簇的目标几何点到射线原点的第二距离,确定点云片的连续性分布特征。
具体的,针对任意一个射线簇中各个空间点,分别确定其到射线原点的第一距离,并根据各个空间点到射线原点的第一距离确定该射线簇中空间点的一致性分布情况,并根据点云片中每个射线簇中空间点的一致性分布情况,确定点云片的闭合性分布特征;针对任意一个射线簇确定其目标结合点到射线原点的第二距离,并根据点云片中相邻的射线簇的第二距离之间的关系,确定点云片的连续性分布特征。
上述实施例中,计算机设备通过计算射线簇中的空间点到射线原点的距离,来确定点云片的闭合性分布特征和连续性分布特征,可以对点云数据进行更深入、更准确的分析,从而在后续基于点云片的分布特征确定隧道场景下的运动子路径时,可以提高对隧道场景下的运动子路径的识别准确性。
在一个实施例中,计算机设备基于射线簇中各空间点到射线原点的第一距离,确定点云片的闭合性分布特征的过程包括以下步骤:确定各空间点到射线原点的第一距离;当第一距离中的最大值和最小值之间的差值满足第一距离差条件时,确定射线簇为候选射线簇;基于点云片的各射线簇中候选射线簇的占比,确定点云片的闭合性分布特征。
其中,第一距离差条件判断射线簇中射线对应的空间点是否可能形成闭合结构,具体可以是第一距离差阈值大于或等于预设的第一距离差阈值。
具体的,针对任意一个射线簇,确定该射线簇中各射线对应的空间点到射线原点的第一距离,并从所得到的各个第一距离中选取出第一距离中的最大值和最小值,确定最大值和最小值之间的差值,并将该差值与预设的第一距离差阈值进行对比,当该差值小于预设的第一距离差阈值时,确定该射线簇为候选射线簇,从而得到点云片中每个射线簇是否为候选射线簇,并统计点云片的各射线簇中候选射线簇的数量,确定候选射线簇的数量与点云片中全部射线簇的比值,当比值大于或等于第一预设比值时,确定该点云片的闭合性分布特征为闭合,当比值小于第一预设比值时,确定该点云片的闭合性分布特征为不闭合。
在一个实施例中,射线簇的第一距离的最大值、第一距离的最小值和第一距离差阈值/>之间的关系满足以下关系时,确定该射线簇为候选射线簇,本申请实施例中,/>可以取值为1m:
在一个实施例中,候选射线簇的数量Nvalid、射线簇的数量N和第一预设比值之间的关系满足以下关系时,确定所属点云片的闭合性分布特征为闭合,本申请实施例中,可以取值为0.833:
需要说明的是,当某个射线簇中不存在空间点对应的射线时,可以直接确定该射线簇非候选射线簇。
上述实施例中,计算机设备通过确定各空间点到射线原点的第一距离;当第一距离中的最大值和最小值之间的差值满足第一距离差条件时,确定射线簇为候选射线簇;基于点云片的各射线簇中候选射线簇的占比,确定点云片的闭合性分布特征,从而可以更准确地判断点云片是否形成闭合结构,从而在后续基于点云片的分布特征确定隧道场景下的运动子路径时,可以提高对隧道场景下的运动子路径的识别准确性。
在一个实施例中,计算机设备基于射线簇的目标几何点到射线原点的第二距离,确定点云片的连续性分布特征的过程包括以下步骤:当闭合性分布特征表征点云片是闭合的时,确定点云片中各候选射线簇的目标几何点到射线原点的第二距离;当候选射线簇的第二距离与相邻候选射线簇的第二距离之间差值满足第二距离差条件时,确定候选射线簇为正常射线簇;基于点云片的各候选射线簇中正常射线簇的占比,确定点云片的连续性分布特征。
其中,第二距离差条件判断射线簇中射线对应的空间点是否可能连续分布,具体可以是第二距离差阈值大于或等于预设的第二距离差阈值。
具体的,针对任意一个候选射线簇,确定该候选射线簇的目标几何点,并确定目标几何点到射线原点的第二距离,并将该候选射线簇的第二距离分别与其左右相邻的候选射线簇的第二距离进行对比,当其第二距离与左相邻的候选射线簇的第二距离之间差值小于预设的第二距离差阈值、且与右相邻的候选射线簇的第二距离之间差值小于预设的第二距离差阈值时,确定该候选射线簇为正常射线簇,从而得到点云片中每个候选射线簇是否为正常射线簇,并统计点云片的各候选射线簇中正常射线簇的数量,确定正常射线簇的数量与点云片中候选射线簇的比值,当比值大于或等于第二预设比值时,确定该点云片的连续性分布特征为连续,当比值小于第二预设比值时,确定该点云片的连续性分布特征为不连续。
在一个实施例中,任一候选射线簇的第二距离、左相邻的候选射线簇的第二距离/>、右相邻的候选射线簇的第二距离/>和第二距离差阈值/>之间的关系满足以下关系时,确定该候选射线簇为正常射线簇,本申请实施例中,/>可以取值为5m:
上述实施例中,计算机设备当闭合性分布特征表征点云片是闭合的时,通过确定点云片中各候选射线簇的目标几何点到射线原点的第二距离;当候选射线簇的第二距离与相邻候选射线簇的第二距离之间差值满足第二距离差条件时,确定候选射线簇为正常射线簇;基于点云片的各候选射线簇中正常射线簇的占比,从而可以更准确地判断点云片的连续性分布特征,从而在后续基于点云片的分布特征确定隧道场景下的运动子路径时,可以提高对隧道场景下的运动子路径的识别准确性。
在一个实施例中,计算机设备基于射线簇中各空间点到射线原点的第一距离以及射线簇的目标几何点到射线原点的第二距离,确定点云片的分布特征的过程包括以下步骤:确定各空间点到射线原点的第一距离;当第一距离中的最大值和最小值之间的差值满足第一距离差条件时,确定射线簇为第一候选类型;确定点云片中各射线簇的目标几何点到射线原点的第二距离;当射线簇的第二距离与相邻射线簇的第二距离之间差值满足第二距离差条件时,确定射线簇为第二候选类型;基于点云片的中同时为第一候选类型和第二候选类型的射线簇的占比,确定点云片的分布特征。
具体的,计算机设备针对任意一个点云片,当该点云片中同时为第一候选类型和第二候选类型的射线簇的与该点云片中全部射线簇的数量之比大于预设阈值时,确定该点云片的闭合性分布特征是为闭合,确定该点云片的连续性分布特征是为连续。
在一个实施例中,计算机设备在运动路径中,根据点云片的分布特征识别出隧道场景下的运动子路径的过程包括以下步骤:根据点云片的分布特征,确定采样路径点的场景类型;将运动路径中场景类型为目标类型、且连续的至少两个采样路径点所属的子路径,确定为隧道场景下的运动子路径。
其中,场景类型具体可以是目标类型或非目标类型,目标类型可以是隧道场景类型,非目标类型可以是隧道场景之外的其他类型。
具体的,针对运动路径中任意一个采样路径点,在得到该采样路径点的各个点云片的分布特征之后,可以根据各个点云片的分布特征确定该采样路径点的对应的场景类型,并在运动路径中对目标类型的采样路径点进行标注,得到标注后运动路径,并将标注后运动路径中连续的、且场景类型为目标类型的采样路径点所属路径段确定为隧道场景下的运动子路径。
上述实施例中,计算机设备通过分析点云片的分布特征来确定场景类型,可以更精确地识别出特定场景,如隧道,将运动路径中场景类型为目标类型、且连续的至少两个采样路径点所属的子路径,确定为隧道场景下的运动子路径,将连续的采样路径点组合起来,可以更准确地识别整个隧道区段,而不仅仅是隧道的一个部分,从而提高了对隧道场景下的运动子路径的识别准确性。
在一个实施例中,计算机设备在运动路径中,根据点云片的分布特征识别出隧道场景下的运动子路径的过程包括以下步骤:确定相邻的两个隧道场景下的运动子路径之间的非目标场景类型的采样路径点的个数,当非目标场景类型的采样路径点的个数小于预设数量阈值时,或相邻的两个隧道场景下的运动子路径之间的距离小于预设距离阈值时,将相邻的两个隧道场景下的运动子路径之间子路径确定为修正的隧道场景下的运动子路径。
例如,在穿山隧道场景中,可以先识别出隧道的非露天隧道段,并确定相邻两个非露天隧道段之间的距离,当该距离小于200米时,相邻两个非露天隧道段之间的这个路段为露天段,并将其与相邻两个非露天隧道段进行合并,得到一个完成的隧道段。
在一个实施例中,计算机设备根据点云片的分布特征,确定采样路径点的场景类型的过程包括以下步骤:当点云片的闭合性分布特征表征点云片是闭合的、且连续性分布特征表征点云片是连续的时,确定点云片为疑似隧道点云片;当采样路径点对应的点云片中疑似隧道点云片的占比达到比例阈值时,确定采样路径点对应的场景类型为目标类型。
具体的,针对任意一个点云片,计算机设备在得到该点云片的闭合性分布特征和连续性分布特征之后,若闭合性分布特征为闭合、且连续性分布特征为连续,即闭合性分布特征表征点云片是闭合的、且连续性分布特征表征点云片是连续的,该点云片可能是隧道或其他类似的封闭结构,则确定该点云片为疑似隧道点云片,统计每个采样路径点对应的全部点云片中疑似隧道点云片的占比,当该占比达到比例阈值时,确定相应的采样路径点对应的场景类型为目标类型,即确定相应的采样路径点对应的场景类型为隧道场景类型。
例如比例阈值为1/2,某个采样路径点对应的点云片有5个,其中疑似隧道点云片的数量为3个,则确定该采样路径点的场景类型为隧道场景类型。
上述实施例中,计算机设备通过评估点云片的闭合性和连续性,可以更准确地判断点云片是否代表隧道场景,有助于区分隧道和其他类似的结构,如桥梁或涵洞,当采样路径点对应的点云片中疑似隧道点云片的占比达到比例阈值时,确定采样路径点对应的场景类型为目标类型,从而可以避免误判,确保只有当有足够证据时才将场景类型确定为隧道类型,从而在后续基于隧道类型的采样路径点确定隧道场景下的运动子路径时,可以提高对隧道场景下的运动子路径的识别准确性。
在一个实施例中,上述隧道场景的识别方法还包括以下步骤:在点云地图更新过程中,当待处理点云数据对应的子路径为隧道场景下的运动子路径时,将待处理点云数据与点云地图进行配准,得到更新后的点云地图。
其中,点云地图是指已有的点云地图,该已有的点云地图是根据点云数据集中已处理的点云数据逐帧更新所得到点云地图,例如运动路径所对应的点云数据集中包含有20帧点云数据,当前已经完成对前9帧点云数据的处理,则该点云地图是基于前9帧点云数据所得到的。
待处理点云数据是指需要进行处理和分析的点云数据,具体可以是当前帧点云数据,例如运动路径所对应的点云数据集中包含有20帧点云数据,当前已经完成对前9帧点云数据的处理,则第10帧的点云数据即为待处理点云数据。
具体的,计算机设备在确定出运动路径中的隧道场景下的运动子路径之后,可以确定出原始点云数据集中,隧道场景下的运动子路径所对应的各帧点云数据均为隧道场景下的点云数据,在点云地图更新过程中,当待处理点云数据对应的子路径为隧道场景下的运动子路径时,也就是说当待处理点云数据为隧道场景下的点云数据时,则采用预设的适用于隧道场景的配准算法将待处理点云数据与点云地图进行配准,得到更新后的点云地图。
其中,预设的适用于隧道场景的配准算法是专门为处理隧道环境中的点云数据设计的算法,具体可以对迭代最近点(Iterative Closest Point, ICP)算法、特征基准配准、标准模板匹配等进行适配于隧道场景的参数调整后所得到的算法。
上述实施例中,计算机设备在点云地图更新过程中,针对隧道场景下的运动子路径进行专门的点云数据配准和地图更新,能够显著提高点云地图的准确性和实用性。
在一个实施例中,如图8所示,提供了一种隧道场景的识别方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S802,从车辆的运动路径的点云数据集中抽取出采样路径点对应的至少两帧原始点云数据;采样路径点是对运动路径进行点位采样得到。
S804,对至少两帧原始点云数据进行配准拼接,得到拼接后点云数据。
S806,从拼接后点云数据中选取满足高度条件的点云数据。
S808,对所云数据进行切片处理,得到点云数据的点云片。
S810,确定点云片对应的射线原点和参考坐标轴;以射线原点为起点、点云片中各空间点为终点,生成各空间点对应的射线。
S812,确定各射线与参考坐标轴之间的夹角;获取各射线簇所对应的射线簇角度值。
S814,当夹角与射线簇角度值中的目标射线簇角度值之间的角度差满足角度差阈值时,将夹角对应的射线划分到目标射线簇角度值对应的射线簇中。
S816,确定各空间点到射线原点的第一距离;当第一距离中的最大值和最小值之间的差值满足第一距离差条件时,确定射线簇为候选射线簇。
S818,基于点云片的各射线簇中候选射线簇的占比,确定点云片的闭合性分布特征。
S820,当闭合性分布特征表征点云片是闭合的时,确定点云片中各候选射线簇的目标几何点到射线原点的第二距离;当候选射线簇的第二距离与相邻候选射线簇的第二距离之间差值满足第二距离差条件时,确定候选射线簇为正常射线簇。
S822,基于点云片的各候选射线簇中正常射线簇的占比,确定点云片的连续性分布特征。
S824,当点云片的闭合性分布特征表征点云片是闭合的、且连续性分布特征表征点云片是连续的时,确定点云片为疑似隧道点云片。
S826,当采样路径点对应的点云片中疑似隧道点云片的占比达到比例阈值时,确定采样路径点对应的场景类型为目标类型。
S828,将运动路径中场景类型为目标类型、且连续的至少两个采样路径点所属的子路径,确定为隧道场景下的运动子路径。
本申请还提供一种应用场景,该应用场景应用上述隧道场景的识别方法,该隧道场景的识别方法具体包括以下步骤:
1、点位采样与局部点云拼接
采集车辆在各种到户采集到大量的GPS/IMU信息和激光点云数据,基于GPS/IMU信息确定采集时的完整运动路径,以及对采集的激光点云数据按照完整运动路径进行组织,得到原始点云数据集;对于完整运动路径首先通过等距采样(如间隔2m)的方式进行数据预处理,得到运动路径,并从原始点云数据集中抽取出运动路径上的每一个路径点处所采集的一帧原始点云数据,根据每一个路径点处所采集的一帧原始点云数据形成点云数据集;然后采用30m间距对运动路径进行点位采样,得到各采样路径点,并从点云数据集中抽取出采样路径点处所采集的一帧原始点云数据,以及与该帧原始点云数据相邻的前后两帧原始点云数据,得到采样路径点对应的三帧点云数据,并对这三帧点云数据进行拼接,得到拼接后点云数据。
2、点云射线簇构建
对每个采样路径点对应的拼接后点云数据进行切片处理,得到各个点云片。
其中,本方案从雷达扫描本身出发,切片以及后续射线簇构建的方向都沿着平行于多线激光雷达的中央扫描线的方向,为达成这一目的,需要将世界系下的拼接点云反投影到采样路径点i对应的雷达中心/>处:
由于激光雷达坐标系z轴与扫描线垂直且原点位于扫描线中起点,只需保留z值在0附近(即)的空间点,这些空间点即为中央扫描线扫描得到的,且考虑激光雷达点云的扫描范围以及分辨率等因素,以64线激光雷达为例,其视场角范围为-25°~15°,则平均分辨率为0.625°,激光扫描到10m距离处的物体时扫描线间距约为10cm,实际情况下,由于激光扫描线分布不均越往中间区域分辨率越高,本方案也主要采样中间扫描区域,因此,切片厚度设置为10cm(即/>),为保证前后方向的覆盖范围,每个拼接点云切片5次,切片间距设置为0.5m,为避免周边可能出现的车流,防护栏,行人等对后续隧道识别的干扰,只保留大于特定高度(例如,取车身往上1m处,距地面高度约2.5m)的点云片。
以每一切片底部中点作为射线原点O,从原点往切片上的空间点引射线,具有封闭性的点云引出射线后应构成一个半圆,为减少计算量,每间隔特定角度采样作为候选角度,只构建对应角度的射线。
预设各射线簇所对应的射线簇角度值,确定各射线与参考坐标轴之间的夹角,当夹角与射线簇角度值中的目标射线簇角度值之间的角度差满足角度差阈值时,将夹角对应的射线划分到目标射线簇角度值对应的射线簇中。例如,构建18个射线簇,其中每个射线簇对应的射线簇角度值分别为
3、隧道识别
针对任意一个射线簇对应的空间点,确定各空间点到原点的第一距离,当第一距离中的最大值和最小值之间的差值满足第一距离差条件时,确定该射线簇为有效射线簇;针对任意一个有效射线簇,取该有效射线簇/>对应空间点/>的质心/>,并计算质心与原点之间的第二距离。
(1)闭合性:对于任意一个点云片,若点云横截面是封闭的,则该点云片的射线簇中有效射线簇的数量/>应该等于或接近(考虑噪声影响)总射线簇数量/>,若数量差异较大,例如以下关系所示:
本实施例中取,则可以判定该切片为非隧道类型切片。
(2)连续性:对于任意一个点云片,由于隧道内表面基本较为规则且平滑,同一横
截面中相邻区域的表面点到横截面几何中心的距离较为一致,射线簇中相邻射线簇到原点
的第二距离和以及应较为接近,若偏差太大,例如以下关系所示:
本实施例中取/>,则视为异常。当一个点云片的有效射线簇中异常长射线簇的数量超过一定阈值,例如大于3,则判定该切片为非隧道。
(3)前后一致性:为进一步提高隧道场景识别的准确性,减少道路要素如龙门架、茂密行道树等带来的干扰,本方案利用隧道前后一致性的特点,结合每个采样路径点中所有切片的隧道识别结果,投票得出该采样路径点的场景类型是否为隧道场景。采用的投票策略为,当每个采样路径点中判断为疑似隧道的点云片的数量小于预设数量时,则判定该采样路径点的场景类型为非隧道场景类型。
(4)噪声滤除与补漏:考虑到单采样路径点仅包含局部信息,部分场景如涵洞、立交桥等在局部特征上与隧道基本一致,但全局来看由于长度较短应与隧道作区分。基于此,本应用场景对连续采样路径点的隧道识别结果加以判断,只有当采样路径点连续识别为隧道场景类型时,才认为是有效隧道场景下的路径点。具体而言,对于某个采样路径点为隧道场景类型,前后相邻的2个采样路径点均为非隧道场景类型,则可以将该采样路径点作为噪声滤除。在滤除噪声后,对于穿山隧道等隧道间有部分露天非隧道的场景,应将露天段与前后隧道区段合并成一段完整的隧道,合并间距的阈值设置为200m。在合并策略的作用下,部分隧道采样路径点被误判成非隧道导致漏召后,依然可以由前后采样路径点都是隧道而补漏。
以下分别通过几个真实场景,对本申请提供的隧道场景的识别方法的识别效果进行说明,参考图9所示的场景1,在采用本申请提供的隧道场景的识别方法进行隧道场景的识别过程中,采样路径点①和采样路径点③对应的射线簇中有效射线簇的数量远小于对应的射线簇总数,不满足封闭性,因此采样路径点和采样路径点/>对应的场景类型都是非隧道场景;采样路径点/>满足封闭性和连续性,采样路径点/>对应的场景类型是隧道场景,但是采样路径点/>的相邻采样路径点/>和采样路径点/>都是非隧道场景,因此确定场景1为非隧道场景,对应的子路径为非隧道场景下的子路径。
参考图10所示的场景2,在采用本申请提供的隧道场景的识别方法进行隧道场景的识别过程中,各采样路径点对应的射线簇中有效射线簇的数量接近对应的射线簇总数,满足封闭性;但同一点云片中相邻射线簇的质心到射线原点的距离相差较大,且存在这种情况的射线簇较多,不满足连续性,因此确定场景2为非隧道场景,对应的子路径为非隧道场景下的子路径。
参考图11所示的场景3,在采用本申请提供的隧道场景的识别方法进行隧道场景的识别过程中,三个采样路径点中,每一采样路径点的点云片中的射线簇都满足封闭性、连续性、前后一致性,确定各采样路径点的场景类型均为隧道场景,且三个采样路径点是连续的,因此确定场景3为隧道场景,对应的子路径为隧道场景下的子路径。此外,采样路径点处为交汇隧道的复杂场景,本采用本申请提供的隧道场景的识别方法仍能准确识别。
在另一个真实场景下,采用本申请提供的隧道场景的识别方法进行隧道场景的识别,从而得到图12所示的对某段运动路径的识别后所得到场景示意图,图中左边被大范围点云覆盖的部分是非隧道区域,其中的白色矩形表示采样路径点的场景类型为非隧道场景,右边被小范围点云覆盖的部分是非隧道区域,其中的黑色伞形表示采样路径点的场景类型为隧道场景,从图中可以看出通过本申请提供的隧道场景的识别方法能够有效识别道路中的隧道区域,并输出完整的隧道范围。
应该理解的是,虽然如上所述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,如上所述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隧道场景的识别方法的隧道场景的识别装置。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隧道场景的识别装置实施例中的具体限定可以参见上文中对于隧道场景的识别方法的限定,在此不再赘述。
在一个实施例中,如图13所示,提供了一种隧道场景的识别装置,包括:点云数据获取模块1302、点云数据切片模块1304、射线簇确定模块1306、分布特征确定模块1308和场景识别模块1310,其中:
点云数据获取模块1302,用于获取车辆的运动路径对应的点云数据。
点云数据切片模块1304,用于对点云数据进行切片处理,得到点云数据的点云片。
射线簇确定模块1306,用于在点云数据的点云片中,确定各空间点对应的射线所属的射线簇。
分布特征确定模块1308,用于基于射线簇中各空间点到射线原点的第一距离以及射线簇的目标几何点到射线原点的第二距离,确定点云片的分布特征。
场景识别模块1310,用于在运动路径中,根据点云片的分布特征识别出隧道场景下的运动子路径。
上述实施例中,对车辆在运动路径对应的点云数据进行切片处理,并对每个点云片的分布情况进行分析,无需对全部的点云数据进行分析,便可以得到能够体现点云数据的分布特征的多个点云片的分布特征,进而可以基于多个点云片的分布特征识别出运动路径中的属于隧道场景的子路径,从而提高了隧道场景下的运动子路径的识别效率;通过对点云数据进行切片处理,并对所得的点云片中的各个空间点确定其所属的射线簇,从而可以基于射线簇中各空间点到射线原点的第一距离以及射线簇的目标几何点到射线原点的第二距离,准确且快速地确定出点云片中空间点的分布特征,以便后续基于各点云片的分布特征,确定出运动路径中隧道场景下的运动子路径,进一步提高了隧道场景下运动子路径识别的准确性和效率。
在一个实施例中,点云数据获取模块1302,还用于:从车辆的运动路径的点云数据集中抽取出采样路径点对应的至少两帧原始点云数据;对至少两帧原始点云数据进行配准拼接,得到拼接后点云数据;从拼接后点云数据中选取满足高度条件的点云数据。
在一个实施例中,点云数据切片模块1304,还用于:确定点云数据的切片平面、切片厚度和切片间隔;基于切片平面、切片厚度和切片间隔,确定切片坐标条件;将点云数据中满足同一个切片坐标条件的空间点划分到同一个点云片中,得到预设切片数量的点云片。
在一个实施例中,点云数据切片模块1304,还用于:获取用于采集点云数据的多线激光雷达的扫描参数;扫描参数包括车辆行驶速度和多线激光雷达的激光线数、视场角、中央扫描线方向、扫描方向、扫描频率;基于中央扫描线方向和扫描方向确定切片平面;基于激光线数和视场角确定切片厚度;基于车辆行驶速度和扫描频率确定切片间隔。
在一个实施例中,射线簇确定模块1306,还用于:确定点云片对应的射线原点和参考坐标轴;以射线原点为起点、点云片中各空间点为终点,生成各空间点对应的射线;确定各射线与参考坐标轴之间的夹角;基于夹角确定各射线所属的射线簇。
在一个实施例中,射线簇确定模块1306,还用于:获取各射线簇所对应的射线簇角度值;当夹角与射线簇角度值中的目标射线簇角度值之间的角度差满足角度差阈值时,将夹角对应的射线划分到目标射线簇角度值对应的射线簇中。
在一个实施例中,分布特征包括闭合性分布特征和连续性分布特征;分布特征确定模块1308,还用于:基于射线簇中各空间点到射线原点的第一距离,确定点云片的闭合性分布特征;基于射线簇的目标几何点到射线原点的第二距离,确定点云片的连续性分布特征。
在一个实施例中,分布特征确定模块1308,还用于:确定各空间点到射线原点的第一距离;当第一距离中的最大值和最小值之间的差值满足第一距离差条件时,确定射线簇为候选射线簇;基于点云片的各射线簇中候选射线簇的占比,确定点云片的闭合性分布特征。
在一个实施例中,分布特征确定模块1308,还用于:当闭合性分布特征表征点云片是闭合的时,确定点云片中各候选射线簇的目标几何点到射线原点的第二距离;当候选射线簇的第二距离与相邻候选射线簇的第二距离之间差值满足第二距离差条件时,确定候选射线簇为正常射线簇;基于点云片的各候选射线簇中正常射线簇的占比,确定点云片的连续性分布特征。
在一个实施例中,场景识别模块1310,用于:根据点云片的分布特征,确定采样路径点的场景类型;将运动路径中场景类型为目标类型、且连续的至少两个采样路径点所属的子路径,确定为隧道场景下的运动子路径。
在一个实施例中,点云片的分布特征包括闭合性分布特征和连续性分布特征;场景识别模块1310,用于:当点云片的闭合性分布特征表征点云片是闭合的、且连续性分布特征表征点云片是连续的时,确定点云片为疑似隧道点云片;当采样路径点对应的点云片中疑似隧道点云片的占比达到比例阈值时,确定采样路径点对应的场景类型为目标类型。
在一个实施例中,如图14所示,装置还包括,点云地图更新模块1312,用于:在点云地图更新过程中,当待处理点云数据对应的子路径为隧道场景下的运动子路径时,将待处理点云数据与点云地图进行配准,得到更新后的点云地图。
上述隧道场景的识别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15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、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隧道场景的识别方法。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、路径球或触控板,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15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,还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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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 (16)
1.一种隧道场景的识别方法,其特征在于,所述方法包括:
获取车辆的运动路径对应的点云数据;
对所述点云数据进行切片处理,得到所述点云数据的点云片;
在所述点云数据的点云片中,确定各空间点对应的射线所属的射线簇;
基于所述射线簇中各空间点到射线原点的第一距离以及所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片的分布特征;所述目标几何点是所述射线簇的质心;所述点云片的分布特征包括基于所述第一距离确定的闭合性分布特征和基于所述第二距离确定的连续性分布特征,所述闭合性分布特征用于描述所述点云片中各空间点的分布是否形成一个闭合的结构,所述连续性分布特征用于描述所述点云片中各空间点的分布是否连续;
在所述运动路径中,根据所述点云片的分布特征识别出隧道场景下的运动子路径。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆的运动路径对应的点云数据,包括:
从车辆的运动路径的点云数据集中抽取出采样路径点对应的至少两帧原始点云数据;
对所述至少两帧原始点云数据进行配准拼接,得到拼接后点云数据;
从所述拼接后点云数据中选取满足高度条件的点云数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述点云数据进行切片处理,得到所述点云数据的点云片,包括:
确定所述点云数据的切片平面、切片厚度和切片间隔;
基于所述切片平面、所述切片厚度和所述切片间隔,确定切片坐标条件;
将所述点云数据中满足同一个所述切片坐标条件的空间点划分到同一个点云片中,得到预设切片数量的点云片。
4.根据权利要求3所述的方法,其特征在于,所述确定所述点云数据的切片平面、切片厚度和切片间隔,包括:
获取用于采集所述点云数据的多线激光雷达的扫描参数;所述扫描参数包括车辆行驶速度和所述多线激光雷达的激光线数、视场角、中央扫描线方向、扫描方向、扫描频率;
基于所述中央扫描线方向和所述扫描方向确定切片平面;
基于所述激光线数和所述视场角确定切片厚度;
基于车辆行驶速度和所述扫描频率确定切片间隔。
5.根据权利要求1所述的方法,其特征在于,所述在所述点云数据的点云片中,确定各空间点对应的射线所属的射线簇,包括:
确定所述点云片对应的射线原点和参考坐标轴;
以所述射线原点为起点、所述点云片中各空间点为终点,生成各所述空间点对应的射线;
确定各所述射线与所述参考坐标轴之间的夹角;
基于所述夹角确定各所述射线所属的射线簇。
6.根据权利要求5所述的方法,其特征在于,所述基于所述夹角确定各所述射线所属的射线簇,包括:
获取各射线簇所对应的射线簇角度值;
当所述夹角与所述射线簇角度值中的目标射线簇角度值之间的角度差满足角度差阈值时,将所述夹角对应的所述射线划分到所述目标射线簇角度值对应的射线簇中。
7.根据权利要求1所述的方法,其特征在于,所述分布特征包括闭合性分布特征和连续性分布特征;所述基于所述射线簇中各空间点到射线原点的第一距离以及所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片的分布特征,包括:
基于所述射线簇中各空间点到射线原点的第一距离,确定所述点云片的闭合性分布特征;
基于所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片的连续性分布特征。
8.根据权利要求7所述的方法,其特征在于,所述基于所述射线簇中各空间点到射线原点的第一距离,确定所述点云片的闭合性分布特征,包括:
确定各所述空间点到射线原点的第一距离;
当所述第一距离中的最大值和最小值之间的差值满足第一距离差条件时,确定所述射线簇为候选射线簇;
基于所述点云片的各所述射线簇中所述候选射线簇的占比,确定所述点云片的闭合性分布特征。
9.根据权利要求8所述的方法,其特征在于,所述基于所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片的连续性分布特征,包括:
当所述闭合性分布特征表征所述点云片是闭合的时,确定所述点云片中各候选射线簇的目标几何点到所述射线原点的第二距离;
当所述候选射线簇的第二距离与相邻候选射线簇的第二距离之间差值满足第二距离差条件时,确定所述候选射线簇为正常射线簇;
基于所述点云片的各所述候选射线簇中所述正常射线簇的占比,确定所述点云片的连续性分布特征。
10.根据权利要求1所述的方法,其特征在于,所述在所述运动路径中,根据所述点云片的分布特征识别出隧道场景下的运动子路径,包括:
根据所述点云片的分布特征,确定采样路径点的场景类型;
将所述运动路径中场景类型为目标类型、且连续的至少两个采样路径点所属的子路径,确定为隧道场景下的运动子路径。
11.根据权利要求10所述的方法,其特征在于,所述点云片的分布特征包括闭合性分布特征和连续性分布特征;所述根据所述点云片的分布特征,确定所述采样路径点的场景类型,包括:
当所述点云片的闭合性分布特征表征所述点云片是闭合的、且所述连续性分布特征表征所述点云片是连续的时,确定所述点云片为疑似隧道点云片;
当所述采样路径点对应的点云片中所述疑似隧道点云片的占比达到比例阈值时,确定所述采样路径点对应的场景类型为目标类型。
12.根据权利要求1至11中的任一项所述的方法,其特征在于,所述方法包括:
在点云地图更新过程中,当待处理点云数据对应的子路径为隧道场景下的运动子路径时,将所述待处理点云数据与点云地图进行配准,得到更新后的点云地图。
13.一种隧道场景的识别装置,其特征在于,所述装置包括:
点云数据获取模块,用于获取车辆的运动路径对应的点云数据;
点云数据切片模块,用于对所述点云数据进行切片处理,得到所述点云数据的点云片;
射线簇确定模块,用于在所述点云数据的点云片中,确定各空间点对应的射线所属的射线簇;
分布特征确定模块,用于基于所述射线簇中各空间点到射线原点的第一距离以及所述射线簇的目标几何点到所述射线原点的第二距离,确定所述点云片的分布特征;所述目标几何点是所述射线簇的质心;所述点云片的分布特征包括基于所述第一距离确定的闭合性分布特征和基于所述第二距离确定的连续性分布特征,所述闭合性分布特征用于描述所述点云片中各空间点的分布是否形成一个闭合的结构,所述连续性分布特征用于描述所述点云片中各空间点的分布是否连续;
场景识别模块,用于在所述运动路径中,根据所述点云片的分布特征识别出隧道场景下的运动子路径。
14.一种计算机设备,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12中任一项所述的方法的步骤。
15.一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12中任一项所述的方法的步骤。
16.一种计算机程序产品,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12中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410023074.0A CN117523522B (zh) | 2024-01-08 | 2024-01-08 | 隧道场景的识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410023074.0A CN117523522B (zh) | 2024-01-08 | 2024-01-08 | 隧道场景的识别方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117523522A CN117523522A (zh) | 2024-02-06 |
CN117523522B true CN117523522B (zh) | 2024-04-30 |
Family
ID=89763071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410023074.0A Active CN117523522B (zh) | 2024-01-08 | 2024-01-08 | 隧道场景的识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523522B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080106729A (ko) * | 2007-06-04 | 2008-12-09 | 한국건설기술연구원 | 이동식 터널 변위와 막장면의 영상 정보 계측 시스템을이용한 계측 방법 |
CN110411361A (zh) * | 2019-05-15 | 2019-11-05 | 首都师范大学 | 一种移动隧道激光检测数据处理方法 |
CN114742765A (zh) * | 2022-03-11 | 2022-07-12 | 中铁第一勘察设计院集团有限公司 | 一种基于激光点云测量的隧道断面特征点精确提取方法 |
CN116129137A (zh) * | 2022-12-15 | 2023-05-16 | 广州文远知行科技有限公司 | 隧道点云特征的处理方法、装置、设备及存储介质 |
CN116309118A (zh) * | 2023-02-02 | 2023-06-23 | 山东大学 | 基于射线法的隧道点云去噪方法及系统 |
CN116563802A (zh) * | 2023-05-16 | 2023-08-08 | 中国第一汽车股份有限公司 | 一种隧道场景判断方法、装置、设备及存储介质 |
-
2024
- 2024-01-08 CN CN202410023074.0A patent/CN117523522B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080106729A (ko) * | 2007-06-04 | 2008-12-09 | 한국건설기술연구원 | 이동식 터널 변위와 막장면의 영상 정보 계측 시스템을이용한 계측 방법 |
CN110411361A (zh) * | 2019-05-15 | 2019-11-05 | 首都师范大学 | 一种移动隧道激光检测数据处理方法 |
CN114742765A (zh) * | 2022-03-11 | 2022-07-12 | 中铁第一勘察设计院集团有限公司 | 一种基于激光点云测量的隧道断面特征点精确提取方法 |
CN116129137A (zh) * | 2022-12-15 | 2023-05-16 | 广州文远知行科技有限公司 | 隧道点云特征的处理方法、装置、设备及存储介质 |
CN116309118A (zh) * | 2023-02-02 | 2023-06-23 | 山东大学 | 基于射线法的隧道点云去噪方法及系统 |
CN116563802A (zh) * | 2023-05-16 | 2023-08-08 | 中国第一汽车股份有限公司 | 一种隧道场景判断方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
A Point Cloud Segmentation Method for Dim and Cluttered Underground Tunnel Scenes Based on the Segment Anything Model;Jitong Kang et al.;《Remote Sensing》;20231225;第1-7页 * |
一种适用于隧道场景的激光点云地面滤波和隧道壁及标靶球提取方法;李勇 等;《中国激光》;20231231;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117523522A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 | |
CN109791052B (zh) | 使用数字地图对点云的数据点进行分类的方法和系统 | |
US11709058B2 (en) | Path planning method and device and mobile device | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN110458854B (zh) | 一种道路边缘检测方法和装置 | |
CN107850448B (zh) | 用于生成及使用定位参考数据的方法及系统 | |
Kwak et al. | Automatic representation and reconstruction of DBM from LiDAR data using Recursive Minimum Bounding Rectangle | |
CN112581612B (zh) | 基于激光雷达和环视摄像头融合的车载栅格地图生成方法及系统 | |
US10043097B2 (en) | Image abstraction system | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN117441113A (zh) | 一种面向车路协同的感知信息融合表征及目标检测方法 | |
DE102019118999A1 (de) | Lidar-basierte objektdetektion und -klassifikation | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN104050473B (zh) | 一种基于矩形邻域分析的道路数据提取方法 | |
WO2024012211A1 (zh) | 自动驾驶环境感知方法、介质及车辆 | |
Li et al. | Lane marking quality assessment for autonomous driving | |
CN114782729A (zh) | 一种基于激光雷达与视觉融合的实时目标检测方法 | |
Arora et al. | Static map generation from 3D LiDAR point clouds exploiting ground segmentation | |
Song et al. | Automatic detection and classification of road, car, and pedestrian using binocular cameras in traffic scenes with a common framework | |
DE112021005607T5 (de) | Systeme und Verfahren für kamera-LiDAR-fusionierte Objektdetektion | |
CN117523522B (zh) | 隧道场景的识别方法、装置、设备和存储介质 | |
Oniga et al. | A fast ransac based approach for computing the orientation of obstacles in traffic scenes | |
Feng et al. | Automated extraction of building instances from dual-channel airborne LiDAR point clouds | |
CN112433193B (zh) | 一种基于多传感器的模位置定位方法及系统 | |
WO2022021209A9 (zh) | 电子地图生成方法、装置、计算机设备和存储介质 |
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 |