CN117649605A - 一种植被检测方法、装置、电子设备及存储介质 - Google Patents
一种植被检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117649605A CN117649605A CN202311717286.0A CN202311717286A CN117649605A CN 117649605 A CN117649605 A CN 117649605A CN 202311717286 A CN202311717286 A CN 202311717286A CN 117649605 A CN117649605 A CN 117649605A
- Authority
- CN
- China
- Prior art keywords
- clustering
- points
- determining
- cluster
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明实施例公开了一种植被检测方法、装置、电子设备及存储介质。该方法包括:获取待检测区域对应的激光回波点对应的点数据;基于预设聚类算法和点数据,对激光回波点进行聚类处理,得到至少一组聚类点;针对每组聚类点,基于聚类点的聚类点数据确定聚类点的分布特征,在分布特征满足预设分布条件的情况下,将聚类点对应的区域确定为植被区域。本发明实施例的技术方案,可以无需依赖于室外的光线条件,快速地检测出植被区域,无需预先训练神经网络,从而实现提高检测准确率,减少植被识别成本的效果。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种植被检测方法、装置、电子设备及存储介质。
背景技术
随着机器人技术的迅猛发展,室外移动机器人在生活中被广泛应用。在室外移动机器人在进行室外作业的场景下,通常需要对道路两旁的植被进行识别,以使室外移动机器人准确地完成室外作业。
现有技术中,为了对道路边的植被进行识别,通常采用视觉系统采集室外环境图像,并基于预先训练完成的神经网络,对室外环境图像中的植被信息进行识别。但是,在实现本发明的过程中,发现现有技术至少存在以下技术问题:识别植被的准确性依赖于采集到的室外环境图像的质量,而由于室外光线条件不稳定,采集到的室外环境图像效果差,对植被识别结果产生影响;且训练神经网络需要大量的数据,耗时久,提高了植被识别过程的成本。
发明内容
本发明实施例提供了一种植被检测方法、装置、电子设备及存储介质,以实现提高检测准确率,减少植被识别成本的目的。
根据本发明的一方面,提供了一种植被检测方法,包括:
获取待检测区域对应的激光回波点对应的点数据;
基于预设聚类算法和所述点数据,对所述激光回波点进行聚类处理,得到至少一组聚类点;
针对每组所述聚类点,基于所述聚类点的聚类点数据确定所述聚类点的分布特征,在所述分布特征满足预设分布条件的情况下,将所述聚类点对应的区域确定为植被区域。
根据本发明的另一方面,提供了一种植被检测装置,该装置包括:
点数获取模块,用于获取待检测区域对应的激光回波点对应的点数据;
聚类处理模块,用于基于预设聚类算法和所述点数据,对所述激光回波点进行聚类处理,得到至少一组聚类点;
分布特征确定模块,用于针对每组所述聚类点,基于所述聚类点的聚类点数据确定所述聚类点的分布特征,在所述分布特征满足预设分布条件的情况下,将所述聚类点对应的区域确定为植被区域。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的植被检测方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的植被检测方法。
本发明实施例的技术方案,通过获取待检测区域对应的激光回波点对应的点数据;基于预设聚类算法和点数据,对激光回波点进行聚类处理,得到至少一组聚类点;进一步的,针对每组聚类点,基于聚类点的聚类点数据确定聚类点的分布特征,在分布特征满足预设分布条件的情况下,将聚类点对应的区域确定为植被区域。本方案实施例通过确定各类型的聚类点的分布特征是否满足预设分布条件,从而将满足预设分布条件的聚类点对应的区域确定为植被区域,无需依赖于室外的光线条件,快速地检测出植被区域,无需预先训练神经网络,从而实现提高检测准确率,减少植被识别成本的效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种植被检测方法的流程图;
图2是根据本发明实施例提供的一种植被检测装置的结构示意图;
图3是实现本发明实施例的植被检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“等”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在介绍技术方案之前,可以先对应用场景进行示例性说明。本技术方案可以应用于室外机器人在室外进行作业的场景,如室外清扫机器人进行道路清扫作业时,需要贴边执行清扫任务,为了保证贴边效果以及高效地完成清扫任务,可对道路两旁的植被区域进行检测。基于本实施例的方案,可使室外机器人快速、准确地识别出道路两旁的植被区域,确保作业过程能顺利完成。
图1是根据本发明实施例提供的一种植被检测方法的流程图。本实施例可适用于对道路两旁的植被区域进行检测的情况,该方法可以由植被检测装置来执行,该植被检测装置可以采用硬件和/或软件的形式实现。
如图1所示,本实施例的方法具体可包括:
S110、获取待检测区域对应的激光回波点对应的点数据。
需要说明的是,可预先对执行室外作业任务的机器人安装激光雷达,通过激光雷达发射激光信号,并接收激光信号反射后的激光回波点对应的点数据。
在本实施例中,可从机器人预先安装的激光雷达中获取到激光回波点对应的点数据。其中,点数据包括每个激光回波点对应的三维坐标数据、反射强度数据等。具体的,为了减少计算量,可预先设定待检测区域的区域范围,在激光雷达接收到的全部的激光回波点的点数据中,提取出与待检测区域对应的激光回波点的点数据。提取方式可为按照预设的提取范围进行提取;示例性的,可基于植被的高度特点及位置特点,确定提取范围。例如,提取范围可为距离激光雷达的半径小于10米,且高度范围为0.1米至2米。
S120、基于预设聚类算法和点数据,对激光回波点进行聚类处理,得到至少一组聚类点。
在具体实施中,可预选对得到的多个激光回波点进行聚类处理,以便于筛除掉待检测区域中的不同植被区域之间的空置间隔区域,从而减少后续对植被区域进行识别过程中的工作量。
具体的,预设聚类算法包括欧式距离算法;基于预设聚类算法和点数据,对激光回波点进行聚类处理,得到至少一组聚类点,包括:基于欧式距离算法、与欧式聚类算法对应的预设聚类距离阈值以及点数据,对激光回波点进行聚类处理,得到至少一组聚类点。
其中,预设聚类距离阈值可为空置间隔区域的间隔距离。例如,聚类距离阈值可为0.2米。
本实施例通过聚类距离阈值和各激光回波点的三维坐标数据,将待检测区域中距离大于聚类距离阈值的区域筛除掉,得到筛除掉空置间隔区域的至少一组聚类点,有利于减少计算工作量。
需要说明的是,本领域技术人员可根据实际应用情况,选取其它聚类算法对激光回波点进行聚类操作。示例性的,预设聚类算法还可包括闵可夫斯基距离、切比雪夫距离等算法。
S130、针对每组聚类点,基于聚类点的聚类点数据确定聚类点的分布特征,在分布特征满足预设分布条件的情况下,将聚类点对应的区域确定为植被区域。
其中,分布特征用于反映聚类点的不同属性的分布情况,如分布特征包括数量分布特征和/或强度分布特征。预设分布条件可包括预设数量分布条件和/或预设强度分布条件。
本实施例中,可确定每组聚类点的数量分布特征和/或强度分布特征,可通过确定数量分布特征是否满足预设数量分布条件,和/或,确定强度分布特征是否满足预设强度分布条件,来确定该组聚类点对应的区域是否为植被区域。
示例性的,可在数量分布特征满足预设数量分布条件时,将该组聚类点对应的区域确定为植被区域;或者,在强度分布特征满足预设强度分布条件时,将该组聚类点对应的区域确定为植被区域;或者,在数量分布特征满足预设数量分布条件,且强度分布特征满足预设强度分布条件时,将该组聚类点对应的区域确定为植被区域。
可选的,分布特征包括数量分布特征;聚类点数据包括三维坐标数据;基于聚类点的聚类点数据确定聚类点的分布特征,包括:基于聚类点数据,将各聚类点投影至三维直角坐标系中的至少一个坐标系平面上,得到与坐标系平面对应的投影数据;基于投影数据,确定各聚类点的分布特征。
其中,三维坐标数据包括横轴数据、纵轴数据和竖轴数据。三维直角坐标系中,包括由x轴和y轴构成的第一坐标系平面、由x轴和z轴构成的第二坐标系平面,以及由z轴和y轴构成的第三坐标系平面。投影数据数据包括二维坐标数据。
在具体实施中,可将聚类点投影至第一坐标系平面、第二坐标系平面和第三坐标系平面中的至少一个平面上,从而得到被投影的坐标系平面上的投影数据。基于投影数据,可确定出各聚类点的数量分布特征。
本实施例通过将聚类点投影至坐标系平面上,可直观、简洁地确定出各聚类点的数量分布特征。
可选的,基于投影数据,确定各聚类点的分布特征,包括:对坐标系平面进行栅格划分处理,得到至少一个栅格区域;基于投影数据,确定聚类点在坐标系平面上对应的点云包围盒区域;确定点云包围盒区域占用的栅格区域的第一数量,以及包含聚类点的栅格区域的第二数量;基于第一数量和第二数量,确定各聚类点占据栅格区域的占据比例;将点云包围盒区域的最短边的长度和/或占据比例,确定为数量分布特征。
为了便于确定聚类点的数量分布特征,可对被投影的坐标系平面进行栅格划分处理,得到至少一个栅格区域。示例性的,可将栅格分辨率确定为0.1米,按照设定的栅格分辨率对坐标系平面进行栅格划分处理,得到尺寸相同的多个栅格区域。
在具体实施中,可基于投影数据确定聚类点对应的点云包围盒区域。其中,点云包围盒区域为聚类点对应的OBB包围盒在投影至坐标系平面上后的得到的区域,可通过投影数据,直接确定出坐标系平面上的点云包围盒区域。需要说明的是,OBB包围盒(OrientedBounding Box,有向包围盒)本质上还是一个最贴近物体的长方体,该长方体可以根据物体的一阶矩任意旋转。
在具体实施中,可确定点云包围盒区域占用的栅格区域的第一数量。示例性的,对于点云包装盒区域的边缘区域,可能出现占栅格区域的部分区域,没有完全占满一整个栅格区域,则可确定该栅格区域内被占用的部分与栅格区域总面积的比值,若该比值大于预设比值,则可将该栅格区域确定为被占用栅格区域;若该比值小于或等于预设比值,则可将该栅格区域确定为未被占用栅格区域。
进一步的,可确定包含聚类点的栅格区域的第二数量,基于第一数量和第二数量,确定各聚类点占据栅格区域的占据比例。示例性的,可将第二数量除以第一数量得到的比值,确定为占据比例;或者,确定第一数量与第二数量之间的差值,将第二数量与差值之间的比值,确定为占据比例值。占据比例越大,说明该组聚类点在栅格区域中越分散,即每个栅格区域中包含的聚类点的数量少,而占用的栅格区域的数量较多。
进一步的,可确定点云包围盒区域的最短边的长度;例如,点云包围盒区域为矩形区域,则可确定该矩形区域的宽边对应的长度作为最短边的长度。将点云包围盒区域的最短边的长度和/或占据比例,确定为数量分布特征。需要说明的是,由于植被点云分布杂乱,且点云在三维坐标系中的每个坐标轴方向上均有一定厚度,则可将点云包围盒区域的最短边的长度反映出该聚类点对应的区域在坐标轴方向上的厚度,因此将长度和/或占据比例作为数量分布特征。
本实施例中,预设分布条件包括长度大于预设长度阈值,且占据比例大于预设比例阈值;在分布特征满足预设分布条件的情况下,将聚类点对应的区域确定为植被区域,包括:确定长度是否大于预设长度阈值;若大于预设长度阈值,则确定占据比例是否大于预设比例阈值;若大于预设比例阈值,则确定聚类点对应的区域为植被区域。
为了提高确定植被区域的准确率,可将长度和占据比例均作为数量分布特征,更全面、详细地对聚类点对应的区域的特征进行分析。
具体的,可确定长度是否大于预设长度阈值,若大于,则说明聚类点对应的区域在坐标轴方向上均在一定的厚度,符合植被区域的特征;则可进一步的确定占据比例是否大与预设比例阈值,若大于,则说明聚类点对应的区域中,点云数据分散,则可确定该组聚类点对应的区域为植被区域。
进一步的,若长度小于或等于预设长度阈值,则可确定该组聚类点对应的区域不为植被区域,无需进行进一步的确定。
需要说明的是,也可先判断占据比例是否大于预设比例阈值,若大于,再判断长度是否大于预设长度阈值;若均满足,则确定该组聚类点对应的区域为植被区域;若占据比例不大于预设比例阈值;或者,长度不大于预设长度阈值,则可确定该组聚类点对应的区域不为植被区域。本实施例通过长度和占据比例确定植被区域,考虑到的特征更全面,有利于提高确定植被区域的准确性。
本实施例中,分布特征包括强度分布特征;基于聚类点的聚类点数据确定聚类点的分布特征,包括:对每个聚类点的反射强度值进行归一化处理,得到每个聚类点对应的归一化强度值;预先设定至少两个强度范围区间,确定每个归一化强度值占据的强度范围区间,统计被占据的强度范围区间的第三数量;将第三数量确定为强度分布特征。
其中,聚类点数据包括每个聚类点对应的反射强度值。
在具体实施中,可对每个聚类点对应的反射强度值进行归一化处理。示例性的,可将反射强度值归一化处理为(0,100)范围内。本实施例中,可预先设定两个强度范围区间。具体的,可对归一化处理对应的归一化范围进行均分,得到多个强度范围区间。例如,归一化范围为(0,100),则对归一化范围等分为10个强度范围区间,则强度范围区间可为(0,10]、(10,20]、……、(90,100)。
在具体实施中,可确定出该组聚类点的归一化强度值所对应的强度范围区域,并统计被占据的强度范围区间的第三数量。例如,该组聚类点对应的归一化强度值分别属于(0,10]、(10,20]、(40,50];则可确定第三数量为3。通过占据的强度范围区间的数量,反映出聚类点的强度分布特征。
本实施例中,提出分布特征包括强度分布特征,从而可基于植被点云强度分布广的特点对植被区域进行确定,有利于提高确定植被区域的准确性。进一步的,通过将第三数据确定为强度分布特征,能够直观、有效地反映出聚类点的强度分布情况,提高确定植被区域的便利性。
在本实施例中,预设分布条件包括第三数量大于或等于预设数量阈值;在分布特征满足预设分布条件的情况下,将聚类点对应的区域确定为植被区域,包括:确定第三数量是否大于或等于预设数量阈值;若是,则确定聚类点对应的区域确定为植被区域。
在通过第三数量确定植被区域时,可预先确定预设数量阈值;示例性的,预设数量阈值可设为4。在第三数据大于或等于预设数量阈值时,则说明归一化强度值分布与多个强度范围区间,强度分布广,符合植被区域由于有树叶之间存在缝隙,从而多径反射激光光束,导致出现强度一致性差的情况。因此,可将第三数量大于或等于预设数量阈值的聚类点对应的区域,确定该组聚类点对应的区域为植被区域。若第三数量小于预设数量阈值,则确定该组聚类点对应的区域不为植被区域。本实施例通过占据强度范围区间的第三数量体现强度分布特征,从而快速确定出植被区域,提高了确定植被区域的效率。
本发明实施例的技术方案,通过获取待检测区域对应的激光回波点对应的点数据;基于预设聚类算法和点数据,对激光回波点进行聚类处理,得到至少一组聚类点;进一步的,针对每组聚类点,基于聚类点的聚类点数据确定聚类点的分布特征,在分布特征满足预设分布条件的情况下,将聚类点对应的区域确定为植被区域。本方案实施例通过确定各类型的聚类点的分布特征是否满足预设分布条件,从而将满足预设分布条件的聚类点对应的区域确定为植被区域,无需依赖于室外的光线条件,快速地检测出植被区域,无需预先训练神经网络,从而实现提高检测准确率,减少植被识别成本的效果。
上文中对于植被检测方法对应的实施例进行了详细描述,为了使本领域技术人员进一步清楚本方法的技术方案,下文中给出具体的应用场景。
为了提高确定植被区域的效率和准确性,可对待检测区域对应的点云同时基于强度分布特征和数量分布特征两个方面进行检测,从而更加全面地对待检测区域的点云数据进行识别,检测出植被区域。
具体植被检测过程可包括如下步骤:
1、确定待检测区域的激光回波点对应的点数据。
2、基于欧式距离对激光回波点进行聚类处理,预设聚类距离阈值可为0.2米。
3、对聚类得到的每组聚类点进行逐一判断,确定该组聚类点对应的区域是否为植被区域,对每组聚类点进行判断的方法如下:
(1)点云不规则性判断:
将该组聚类点对应的点数据分别投影至三维直角坐标系中的第一坐标系平面xoy、第二坐标系平面yoz、第三坐标系平面xoz,从而得到第一投影数据、第二投影数据和第三投影数据。对第一坐标系平面、第二坐标系平面、和第三坐标系平面分别进行栅格划分处理,确定出每个坐标系平面对应的各聚类点占据栅格区域的占据比例。
为了清晰、详细地展示确定占据比例的过程,以第一坐标系平面为例进行说明。具体的,可确定出在第一投影数据对应在第一坐标系平面中的第一点云包围盒区域,例如,第一点云包围盒区域为矩形区域。确定出第一点云包围盒区域的最短边的第一长度width1。
进一步的,确定点云包围盒区域占用的栅格区域的第一数量C1,以及包含聚类点的栅格区域的第二数量N1。第一数量的计算公式为:
C1=S1/(res*res)
其中,S1为点云包围盒区域的面积;res为坐标系平面划分栅格区域时的分辨率。则第一坐标系平面对应的第一占据比例Px1为:
Px1=N1/C1
同理,可分别确定出第二坐标系平面对应的第二长度width2、第二占据比例Px2;第三坐标系平面对应的第三长度width3、第三占据比例Px3。确定Px1、Px2、Px3之和,标记为Px0。
在具体实施中,确定长度及占据比例是否满足下述判断条件,判断条件为:
width1>0.3且width2>0.3且width3>0.3且Px1>50%且Px2>50%且Px2>50%且Px0>200%
若满足上述判断条件,则可进一步进行步骤(2)的判断。
(2)强度分布判断
对每个聚类点的反射强度值进行归一化处理,可将反射强度值归一化处理为(0,100)范围内。
对归一化处理对应的归一化范围进行均分,得到多个强度范围区间。例如,归一化范围为(0,100),则对归一化范围等分为10个强度范围区间,则强度范围区间可为(0,10]、(10,20]、……、(90,100)。
确定出该组聚类点的归一化强度值所对应的强度范围区域,并统计被占据的强度范围区间的第三数量i;若i>=4,则判断该组聚类点对应的区域确定为植被区域,并进行标记;否则判断为非植被区域。
本实施例无需依赖于室外的光线条件,能够快速地检测出植被区域;对待检测区域对应的点云同时基于强度分布特征和数量分布特征两个方面进行检测,提高了确定植被区域的效率和准确性。
图2是根据本发明实施例提供的一种植被检测装置的结构示意图,该装置用于执行上述任意实施例所提供的植被检测方法。该装置与上述各实施例的植被检测方法属于同一个发明构思,在植被检测装置的实施例中未详尽描述的细节内容,可以参考上述植被检测方法的实施例。如图2所示,该装置包括:
点数据获取模块10,用于获取待检测区域对应的激光回波点对应的点数据;
聚类处理模块11,用于基于预设聚类算法和点数据,对激光回波点进行聚类处理,得到至少一组聚类点;
分布特征确定模块12,用于针对每组聚类点,基于聚类点的聚类点数据确定聚类点的分布特征,在分布特征满足预设分布条件的情况下,将聚类点对应的区域确定为植被区域。
在本发明实施例中任一可选技术方案的基础上,可选的,分布特征包括数量分布特征;聚类点数据包括三维坐标数据;分布特征确定模块12包括:
投影子模块,用于基于聚类点数据,将各聚类点投影至三维直角坐标系中的至少一个坐标系平面上,得到与坐标系平面对应的投影数据;
数量分别特征确定子模块,用于基于投影数据,确定各聚类点的数量分布特征。
在本发明实施例中任一可选技术方案的基础上,可选的,数量分别特征确定子模块,包括:
划分单元,用于对坐标系平面进行栅格划分处理,得到至少一个栅格区域;
点云包围盒区域确定单元,用于基于投影数据,确定聚类点在坐标系平面上对应的点云包围盒区域;
数量确定单元,用于确定点云包围盒区域占用的栅格区域的第一数量,以及包含聚类点的栅格区域的第二数量;
占据比例确定单元,用于基于第一数量和第二数量,确定各聚类点占据栅格区域的占据比例;
数量分布特征确定单元,用于将点云包围盒区域的最短边的长度和/或占据比例,确定为数量分布特征。
在本发明实施例中任一可选技术方案的基础上,可选的,预设分布条件包括长度大于预设长度阈值,且占据比例大于预设比例阈值;
分布特征确定模块12,包括:
第一确定子模块,用于确定长度是否大于预设长度阈值;若大于预设长度阈值,则进入第二确定子模块;
第二确定子模块,用于确定占据比例是否大于预设比例阈值;若大于预设比例阈值,则进入第三确定子模块;
第三确定子模块,用于确定聚类点对应的区域为植被区域。
在本发明实施例中任一可选技术方案的基础上,可选的,分布特征包括强度分布特征;聚类点数据包括包括每个聚类点对应的反射强度值;
分布特征确定模块12,包括:
归一化子模块,用于对每个聚类点的反射强度值进行归一化处理,得到每个聚类点对应的归一化强度值;
第三数量统计子模块,用于预先设定至少两个强度范围区间,确定每个归一化强度值占据的强度范围区间,统计被占据的强度范围区间的第三数量;
强度分布特征确定子模块,用于将第三数量确定为强度分布特征。
在本发明实施例中任一可选技术方案的基础上,可选的,预设分布条件包括第三数量大于或等于预设数量阈值;
分布特征确定模块12,包括:
第四确定子模块,用于确定第三数量是否大于或等于预设数量阈值;若是,则进入第五确定子模块;
第五确定子模块,用于确定聚类点对应的区域确定为植被区域。
在本发明实施例中任一可选技术方案的基础上,可选的,预设聚类算法包括欧式距离算法;聚类处理模块11,包括:
聚类子模块,用于聚类处理基于欧式距离算法、与欧式聚类算法对应的预设聚类距离阈值以及点数据,对激光回波点进行聚类处理,得到至少一组聚类点。
本发明实施例的技术方案,通过获取待检测区域对应的激光回波点对应的点数据;基于预设聚类算法和点数据,对激光回波点进行聚类处理,得到至少一组聚类点;进一步的,针对每组聚类点,基于聚类点的聚类点数据确定聚类点的分布特征,在分布特征满足预设分布条件的情况下,将聚类点对应的区域确定为植被区域。本方案实施例通过确定各类型的聚类点的分布特征是否满足预设分布条件,从而将满足预设分布条件的聚类点对应的区域确定为植被区域,无需依赖于室外的光线条件,快速地检测出植被区域,无需预先训练神经网络,从而实现提高检测准确率,减少植被识别成本的效果。
值得注意的是,上述植被检测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
图3是实现本发明实施例的植被检测方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备20包括至少一个处理器21,以及与至少一个处理器21通信连接的存储器,如只读存储器(ROM)22、随机访问存储器(RAM)23等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器21可以根据存储在只读存储器(ROM)22中的计算机程序或者从存储单元28加载到随机访问存储器(RAM)23中的计算机程序,来执行各种适当的动作和处理。在RAM23中,还可存储电子设备20操作所需的各种程序和数据。处理器21、ROM22以及RAM23通过总线24彼此相连。输入/输出(I/O)接口25也连接至总线24。
电子设备20中的多个部件连接至I/O接口25,包括:输入单元26,例如键盘、鼠标等;输出单元27,例如各种类型的显示器、扬声器等;存储单元28,例如磁盘、光盘等;以及通信单元29,例如网卡、调制解调器、无线通信收发机等。通信单元29允许电子设备20通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器21可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器21的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器21执行上文所描述的各个方法和处理,例如植被检测方法。
在一些实施例中,植被检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元28。在一些实施例中,计算机程序的部分或者全部可以经由ROM22和/或通信单元29而被载入和/或安装到电子设备20上。当计算机程序加载到RAM23并由处理器21执行时,可以执行上文描述的植被检测方法的一个或多个步骤。备选地,在其他实施例中,处理器21可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行植被检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种植被检测方法,其特征在于,包括:
获取待检测区域对应的激光回波点对应的点数据;
基于预设聚类算法和所述点数据,对所述激光回波点进行聚类处理,得到至少一组聚类点;
针对每组所述聚类点,基于所述聚类点的聚类点数据确定所述聚类点的分布特征,在所述分布特征满足预设分布条件的情况下,将所述聚类点对应的区域确定为植被区域。
2.根据权利要求1所述的方法,其特征在于,所述分布特征包括数量分布特征;所述聚类点数据包括三维坐标数据;所述基于所述聚类点的聚类点数据确定所述聚类点的分布特征,包括:
基于所述聚类点数据,将各所述聚类点投影至三维直角坐标系中的至少一个坐标系平面上,得到与所述坐标系平面对应的投影数据;
基于所述投影数据,确定各所述聚类点的数量分布特征。
3.根据权利要求2所述的方法,其特征在于,所述基于所述投影数据,确定各所述聚类点的数量分布特征,包括:
对所述坐标系平面进行栅格划分处理,得到至少一个栅格区域;
基于所述投影数据,确定所述聚类点在所述坐标系平面上对应的点云包围盒区域;
确定所述点云包围盒区域占用的所述栅格区域的第一数量,以及包含所述聚类点的栅格区域的第二数量;
基于所述第一数量和所述第二数量,确定各聚类点占据所述栅格区域的占据比例;
将所述点云包围盒区域的最短边的长度和/或所述占据比例,确定为所述数量分布特征。
4.根据权利要求3所述的方法,其特征在于,所述预设分布条件包括所述长度大于预设长度阈值,且所述占据比例大于预设比例阈值;
所述在所述分布特征满足预设分布条件的情况下,将所述聚类点对应的区域确定为植被区域,包括:
确定所述长度是否大于预设长度阈值;
若大于所述预设长度阈值,则确定所述占据比例是否大于预设比例阈值;
若大于所述预设比例阈值,则确定所述聚类点对应的区域为所述植被区域。
5.根据权利要求1所述的方法,其特征在于,所述分布特征包括强度分布特征;所述聚类点数据包括包括每个聚类点对应的反射强度值;
所述基于所述聚类点的聚类点数据确定所述聚类点的分布特征,包括:
对每个所述聚类点的反射强度值进行归一化处理,得到每个所述聚类点对应的归一化强度值;
预先设定至少两个强度范围区间,确定每个所述归一化强度值占据的强度范围区间,统计被占据的强度范围区间的第三数量;
将所述第三数量确定为所述强度分布特征。
6.根据权利要求5所述的方法,其特征在于,所述预设分布条件包括所述第三数量大于或等于预设数量阈值;
所述在所述分布特征满足预设分布条件的情况下,将所述聚类点对应的区域确定为植被区域,包括:
确定所述第三数量是否大于或等于所述预设数量阈值;
若是,则确定所述聚类点对应的区域确定为植被区域。
7.根据权利要求1所述的方法,其特征在于,所述预设聚类算法包括欧式距离算法;
所述基于预设聚类算法和所述点数据,对所述激光回波点进行聚类处理,得到至少一组聚类点,包括:
基于欧式距离算法、与所述欧式聚类算法对应的预设聚类距离阈值以及所述点数据,对所述激光回波点进行聚类处理,得到至少一组聚类点。
8.一种植被检测装置,其特征在于,包括:
点数获取模块,用于获取待检测区域对应的激光回波点对应的点数据;
聚类处理模块,用于基于预设聚类算法和所述点数据,对所述激光回波点进行聚类处理,得到至少一组聚类点;
分布特征确定模块,用于针对每组所述聚类点,基于所述聚类点的聚类点数据确定所述聚类点的分布特征,在所述分布特征满足预设分布条件的情况下,将所述聚类点对应的区域确定为植被区域。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的植被检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的植被检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311717286.0A CN117649605A (zh) | 2023-12-14 | 2023-12-14 | 一种植被检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311717286.0A CN117649605A (zh) | 2023-12-14 | 2023-12-14 | 一种植被检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117649605A true CN117649605A (zh) | 2024-03-05 |
Family
ID=90043247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311717286.0A Pending CN117649605A (zh) | 2023-12-14 | 2023-12-14 | 一种植被检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649605A (zh) |
-
2023
- 2023-12-14 CN CN202311717286.0A patent/CN117649605A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
CN109949306B (zh) | 反射面角度偏差检测方法、终端设备及存储介质 | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN115331132A (zh) | 一种汽车零件的检测方法、装置、电子设备和存储介质 | |
CN115272381B (zh) | 一种金属线分割方法、装置、电子设备及存储介质 | |
CN117649605A (zh) | 一种植被检测方法、装置、电子设备及存储介质 | |
CN114596362B (zh) | 一种高点摄像头坐标计算方法、装置、电子设备及介质 | |
CN116091450A (zh) | 一种障碍物检测方法、装置、设备、介质和产品 | |
CN115049810A (zh) | 固态激光雷达点云的上色方法、装置、设备及存储介质 | |
CN112507964A (zh) | 用于车道级事件的检测方法和装置、路侧设备和云控平台 | |
CN117392631B (zh) | 一种道路边界提取方法、装置、电子设备及存储介质 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN117392000B (zh) | 一种噪点去除方法、装置、电子设备及存储介质 | |
CN115327497B (zh) | 雷达检测范围确定方法、装置、电子设备及可读介质 | |
CN117392348B (zh) | 一种多目标物的抖动消除方法、装置、设备及介质 | |
CN114943769B (zh) | 一种定位方法、装置、电子设备及介质 | |
CN116258714B (zh) | 一种缺陷识别方法、装置、电子设备和存储介质 | |
CN116309436B (zh) | 断裂状态检测方法、装置、电子设备及存储介质 | |
CN116795943A (zh) | 空间数据的处理方法、装置、设备及存储介质 | |
CN115170878A (zh) | 一种飞机状态识别方法、装置、设备及存储介质 | |
CN117372386A (zh) | 货物超板区域的检测方法、装置、设备和介质 | |
CN115019099A (zh) | 一种热斑类别识别方法、装置、电子设备、介质及产品 | |
CN115578337A (zh) | 一种点云检测优化方法、装置、电子设备及存储介质 | |
CN117350995A (zh) | 一种产品缺陷检测方法、装置、设备及存储介质 | |
CN114463386A (zh) | 一种视觉跟踪方法、装置、设备及存储介质 |
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 |