-
EINLEITUNG
-
Die vorliegende Offenbarung betrifft die Identifizierung planarer Punkte in einer Lidar-Punktwolke, die mit einem Fahrzeug-Lidar-System erhalten wird.
-
Fahrzeuge (z. B. Personenkraftwagen, Lastkraftwagen, Baugeräte, Landmaschinen) enthalten zunehmend Sensoren, die Informationen über das Fahrzeug und seine Umgebung erhalten. Die Informationen ermöglichen den teilautonomen oder autonomen Betrieb des Fahrzeugs. Sensoren (z. B. Kamera, Radarsystem, Lidar-System, Inertialmesseinheit (IMU), Lenkwinkelsensor) können z. B. teilautonome Manöver wie etwa automatisches Bremsen, Kollisionsvermeidung oder adaptiven Tempomat ermöglichen. Ein Lidar-System erhält eine Punktwolke, die verarbeitet werden muss, um Informationen zu erhalten, die die Steuerung des Fahrzeugbetriebs erleichtern würden. Dementsprechend ist es erwünscht, die Identifizierung planarer Punkte in einer Lidar-Punktwolke, die mit einem Fahrzeug-Lidar-System erhalten wird, zu schaffen.
-
ZUSAMMENFASSUNG
-
Gemäß einer beispielhaften Ausführungsform enthält ein System in einem Fahrzeug ein Lidar-System zum Senden von auffallendem Licht und zum Empfangen von Reflexionen von einem oder mehreren Objekten als eine Punktwolke von Punkten. Außerdem enthält das System eine Verarbeitungsschaltungsanordnung zum Identifizieren von Merkmalspunkten unter den Punkten der Punktwolke, wobei die Merkmalspunkte horizontale Merkmalspunkte, die von einer horizontalen Oberfläche reflektiert worden sind, oder vertikale Merkmalspunkte, die von einer vertikalen Oberfläche reflektiert worden sind, sind. Die Verarbeitungsschaltungsanordnung verarbeitet die Punktwolke durch Erhalten eines Normalenvektors, der jedem der Punkte der Punktwolke entspricht, wobei der Normalenvektor eine erste Komponente, die einer ersten Dimension zugeordnet ist, eine zweite Komponente, die einer zweiten Dimension zugeordnet ist, und eine dritte Komponente, die einer dritten Dimension zugeordnet ist, enthält.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale ist das Lidar-System ein strahlbasiertes Lidar-System, das jeden Strahl von auffallendem Licht über eine horizontale Abtastlinie sendet.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale ist das Lidar-System ein nicht-strahlbasiertes Lidar-System, das jeden Strahl von auffallendem Licht über eine Fläche sendet.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale identifiziert die Verarbeitungsschaltungsanordnung eine Teilmenge von Punkten, die jedem der Punkte der Punktwolke zugeordnet ist,
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale führt die Verarbeitungsschaltungsanordnung an der Teilmenge von Punkten, die jedem der Punkte der Punktwolke zugeordnet ist, eine Hauptkomponentenanalyse aus, um den Normalenvektor zu erhalten, der jedem der Punkte der Punktwolke entspricht.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale erhält die Verarbeitungsschaltungsanordnung eine Teilmenge H der Punkte der Punktwolke, für die die erste Komponente des Normalenvektors unter einem ersten Schwellenwert liegt und die zweite Komponente des Normalenvektors unter einem zweiten Schwellenwert liegt.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale identifiziert die Verarbeitungsschaltungsanordnung die horizontalen Merkmalspunkte in der Teilmenge H der Punkte unter Verwendung eines Random-Sample-Consensus-Algorithmus (RANSAC-Algorithmus).
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale erhält die Verarbeitungsschaltungsanordnung eine Teilmenge V der Punkte der Punktwolke, für die die dritte Komponente des Normalenvektors unter einem dritten Schwellenwert liegt.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale normiert die Verarbeitungsschaltungsanordnung Richtungen des Normalenvektors der Teilmenge V der Punkte der Punktwolke, um normierte Richtungen zu erhalten.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale clustert die Verarbeitungsschaltungsanordnung die Teilmenge V der Punkte der Punktwolke unter Verwendung einer räumlichen Clusterung von Anwendungen mit Rauschen (DBSCAN) an den normierten Richtungen und identifiziert sie die vertikalen Merkmalspunkte als jene in einer im Voraus definierten Anzahl von Clustern mit einer höchsten Dichte oder Anzahl von Punkten.
-
Gemäß einer anderen beispielhaften Ausführungsform enthält ein Verfahren das Konfigurieren eines Lidar-Systems, um auffallendes Licht zu senden und Reflexionen von einem oder mehreren Objekten als eine Punktwolke von Punkten zu empfangen. Außerdem enthält das Verfahren das Konfigurieren einer Verarbeitungsschaltungsanordnung zum Identifizieren von Merkmalspunkten unter den Punkten der Punktwolke, wobei die Merkmalspunkte horizontale Merkmalspunkte, die von einer horizontalen Oberfläche reflektiert worden sind, oder vertikale Merkmalspunkte, die von einer vertikalen Oberfläche reflektiert worden sind, sind. Die Verarbeitungsschaltungsanordnung verarbeitet die Punktwolke durch Erhalten eines Normalenvektors, der jedem der Punkte der Punktwolke entspricht. Der Normalenvektor enthält eine erste Komponente, die einer ersten Dimension zugeordnet ist, eine zweite Komponente, die einer zweiten Dimension zugeordnet ist, und eine dritte Komponente, die einer dritten Dimension zugeordnet ist.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale ist das Lidar-System ein strahlbasiertes Lidar-System, das jeden Strahl von auffallendem Licht über eine horizontale Abtastlinie sendet.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale ist das Lidar-System ein nicht-strahlbasiertes Lidar-System, das jeden Strahl von auffallendem Licht über eine Fläche sendet.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Konfigurieren der Verarbeitungsschaltungsanordnung das Identifizieren einer Teilmenge von Punkten, die jedem der Punkte der Punktwolke zugeordnet ist.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Konfigurieren der Verarbeitungsschaltungsanordnung das Ausführen einer Hauptkomponentenanalyse an der Teilmenge von Punkten, die jedem der Punkte der Punktwolke zugeordnet ist, um den Normalenvektor zu erhalten, der jedem der Punkte der Punktwolke entspricht.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Konfigurieren der Verarbeitungsschaltungsanordnung das Erhalten einer Teilmenge H der Punkte der Punktwolke, für die die erste Komponente des Normalenvektors unter einem ersten Schwellenwert liegt und die zweite Komponente des Normalenvektors unter einem zweiten Schwellenwert liegt.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Konfigurieren der Verarbeitungsschaltungsanordnung das Identifizieren horizontaler Merkmalspunkte unter Verwendung eines Random-Sample-Consensus-Algorithmus (RANSAC-Algorithmus) in der Teilmenge H der Punkte.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Konfigurieren der Verarbeitungsschaltungsanordnung das Erhalten einer Teilmenge V der Punkte der Punktwolke, für die die dritte Komponente des Normalenvektors unter einem dritten Schwellenwert liegt.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Konfigurieren der Verarbeitungsschaltungsanordnung das Normieren von Richtungen des Normalenvektors der Teilmenge V der Punkte der Punktwolke, um normierte Richtungen zu erhalten.
-
Zusätzlich zu einem oder mehreren der hier beschriebenen Merkmale enthält das Konfigurieren der Verarbeitungsschaltungsanordnung das Clustern der Teilmenge V der Punkte der Punktwolke unter Verwendung einer räumlichen Clusterung von Anwendungen mit Rauschen (DBSCAN) an den normierten Richtungen und das Identifizieren der vertikalen Merkmalspunkte als jene in einer im Voraus definierten Anzahl von Clustern mit einer höchsten Dichte oder Anzahl von Punkten.
-
Die obigen Merkmale und Vorteile und weitere Merkmale und Vorteile der Offenbarung gehen leicht aus der folgenden ausführlichen Beschreibung hervor, wenn sie zusammen mit den beigefügten Zeichnungen genommen wird.
-
Figurenliste
-
Weitere Merkmale, Vorteile und Einzelheiten erscheinen nur beispielhaft in der folgenden ausführlichen Beschreibung, wobei sich die ausführliche Beschreibung auf die Zeichnungen bezieht; es zeigen:
- 1 ein Blockdiagramm eines Fahrzeugs, das die Identifizierung planarer Punkte in einer Lidar-Punktwolke, die mit einem Lidar-System gemäß einer oder mehreren Ausführungsformen erhalten wird, implementiert;
- 2 einen Prozessablauf eines Verfahrens zum Identifizieren planarer Punkte in einer Lidar-Punktwolke gemäß einer oder mehreren Ausführungsformen;
- 3A ein beispielhaftes strahlbasiertes Lidar-System, das eine Punktwolke erzeugt, in der planare Punkte identifiziert werden, gemäß einer oder mehreren Ausführungsformen;
- 3B ein beispielhaftes nicht-strahlbasiertes Lidar-System, das eine Punktwolke erzeugt, in der planare Punkte identifiziert werden, gemäß einer oder mehreren Ausführungsformen; und
- 4 einen Prozessablauf eines Verfahrens zum Erhalten von Normalenvektoren unter Verwendung einer Hauptkomponentenanalyse als Teil der in 2 beschriebenen Verarbeitung.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Die folgende Beschreibung ist dem Wesen nach lediglich beispielhaft und soll die vorliegende Offenbarung, ihre Anwendung oder Verwendungen nicht einschränken. Selbstverständlich bezeichnen einander entsprechende Bezugszeichen überall in den Zeichnungen gleiche oder einander entsprechende Teile und Merkmale.
-
Wie zuvor festgestellt wurde, muss eine Punktwolke, die mit einem Lidar-System erhalten wird, verarbeitet werden, um Informationen über detektierte Objekte zu erhalten. Der Prozess wird als Merkmalsextraktion bezeichnet. Genauer bezieht sich die Merkmalsextraktion auf die Identifizierung von Merkmalen wie etwa Rändern und Ebenen innerhalb der Punktwolke. Die Identifizierung dieser Ränder und Ebenen ermöglicht die Identifizierung von Objekten in der Szene. Eine strahlbasierte Punktwolke bezieht sich auf eine, die aus mehreren horizontalen Abtastlinien besteht, die mehreren Strahlen der Lichtquelle (z. B. des Lasers), die gesendet werden, um die Punktwolke als Reflexion zu erhalten, entsprechen. Das heißt, jede Abtastlinie entspricht einem gesendeten Strahl. Die vertikale Auflösung einer strahlbasierten Punktwolke ist dadurch beschränkt, wie nahe die gesendeten Strahlen und wie nahe folglich die Abtastlinien zueinander sind. Somit ist ein anderer Typ eine Punktwolke, die erhalten werden kann, eine nicht-strahlbasierte Punktwolke. Eine nicht-strahlbasierte Punktwolke kann sich z. B. auf eine Punktwolke beziehen, die als ein Flächenstück (z. B. Würfel) pro Strahl gebildet wird. Eine derartige Punktwolke enthält nicht die horizontalen Abtastlinien, die eine strahlbasierte Punktwolke definieren.
-
Frühere Merkmalsextraktionstechniken (z. B. Laserodometrie und Laserabbildung (LOAM)) sind für strahlgestützte Punktwolken gut geeignet, stützen sich aber auf die horizontalen Abtastlinien und sind somit für nicht-strahlbasierte Punktwolken ungeeignet. Ausführungsformen der hier ausführlich dargestellten Systeme und Verfahren beziehen sich auf die Identifizierung planarer Punkte in einer Lidar-Punktwolke, die mit einem Fahrzeug-Lidar-System erhalten wird. Das heißt, die Merkmalsextraktion spezifisch für Ebenen ist von Interesse. Ferner sind die eine oder die mehreren Ausführungsformen gleichfalls auf strahlbasierte und nicht-strahlbasierte Punktwolken anwendbar.
-
1 ist ein Blockdiagramm eines Fahrzeugs 100 gemäß einer beispielhaften Ausführungsform, das die Identifizierung planarer Punkte in einer Lidar-Punktwolke, die mit einem Lidar-System 110 erhalten wird, implementiert. Das in 1 gezeigte beispielhafte Fahrzeug 100 ist ein Personenkraftwagen 101. Wie in 3A und 3B dargestellt ist, kann das Lidar-System 110 strahlbasiert oder nichtstrahlbasiert sein. Das Lidar-System 110 enthält einen Lidar-Controller 115. Das Fahrzeug 100 enthält zusätzliche Sensoren 120 (z. B. Radarsystem, Kamera, IMU) und einen Controller 130. Der Controller 130 kann Informationen von dem Lidar-System 110 und von anderen Sensoren 120 erhalten und kann den teilautonomen oder autonomen Betrieb des Fahrzeugs 100 steuern. Die Anzahl und Orte des Lidarsystems 110 und anderer Sensoren 120 sollen durch die beispielhafte Darstellung in 1 nicht beschränkt sein.
-
Der für das Lidar-System 110 diskutierte Merkmalsextraktionsprozess kann durch den Lidar-Controller 115, durch den Controller 130 oder durch eine Kombination der zwei ausgeführt werden. Der Lidar-Controller 115 und der Controller 130 können eine Verarbeitungsschaltungsanordnung enthalten, die eine anwendungsspezifische integrierte Schaltung (ASIC), eine elektronische Schaltung, einen Prozessor (gemeinsam genutzt, dediziert oder Gruppe) und Speicher, die ein oder mehrere Software- oder Firmwareprogramme ausführen, eine Kombinationslogikschaltung und/oder andere geeignete Komponenten, die die beschriebene Funktionalität bereitstellen, enthalten.
-
In 1 sind zwei beispielhafte Objekte 140a, 140b (allgemein als 140 bezeichnet) in dem Blickfeld des Lidar-Systems 110 gezeigt. Das Objekt 140a ist eine Straßenoberfläche und das Objekt 140b ist eine Hecke. Das Lidar-System 110 sendet auffallendes Licht und empfängt reflektiertes Licht. Das reflektierte Licht ist ein Ergebnis der Reflexion des auffallenden Lichts durch verschiedene Teile der Objekte 140 in dem Blickfeld des Lidar-Systems 110. Das reflektierte Licht weist die Form von Punkten pi auf, die eine Punktwolke 400 bilden (4). Um Objekte 140 innerhalb der Punktwolke 400 zu identifizieren und zu orten, muss die Punktwolke 400 verarbeitet werden. Genauer kann eine Merkmalsextraktion ausgeführt werden, wie sie anhand von 2 diskutiert wird. Die Merkmalsextraktion führt zu einer Menge L von Merkmalspunkten. Gemäß den hier ausführlich dargestellten Ausführungsformen geben die Merkmalspunkte an, welche Punkte in der Menge L Teil einer horizontalen Ebene h sind und welche Punkte der Menge L Teil einer vertikalen Ebene v sind. Eine beispielhafte horizontale Ebene h, von der Punkte in der Punktwolke 400 erhalten werden können, ist durch die Straßenoberfläche (das Objekt 140a) dargestellt. Ähnlich ist eine beispielhafte vertikale Ebene v, von der Punkte in der Punktwolke 400 erhalten werden können, durch die Hecke 140b dargestellt. Wenn die Punktwolke 400 erhalten wird, kann das Ausführen einer Merkmalsextraktion zum Identifizieren von Punkten, die in einer horizontalen Ebene h oder in einer vertikalen Ebene v sind, das Objekt 140 identifizieren helfen.
-
2 ist ein Prozessablauf eines Verfahrens 200 zum Identifizieren planarer Punkte in einer Lidar-Punktwolke 400 (4) gemäß einer oder mehreren Ausführungsformen. Die Punktwolke 400 kann durch ein Lidar-System 110 eines Fahrzeugs 100 erhalten werden und die Verarbeitung der Punktwolke 400 kann, wie zuvor festgestellt wurde, durch den Lidar-Controller 115, durch den Controller 130 des Fahrzeugs 100 oder durch eine Kombination der zwei ausgeführt werden. Die Punktwolke 400 kann eine strahlbasierte oder eine nicht-strahlbasierte Punktwolke 400 sein. Gemäß den anhand von 2 diskutierten Prozessen wird eine Menge L von Merkmalspunkten erhalten. Die Menge L von Merkmalspunkten identifiziert, welche der Punkte in der Punktwolke 400 Teil einer horizontalen Ebene h oder einer vertikalen Ebene v sind. Wenn in der Punktwolke 400 mehrere horizontale Ebenen h oder vertikale Ebenen v vorhanden sind, identifiziert die Menge L der Merkmalspunkte, in welcher horizontalen Ebene h oder vertikalen Ebene v jeder Punkt ist.
-
Im Block 210 wird iterativ für jeden Punkt pi der Punktwolke 400 eine Verarbeitung ausgeführt. Für jeden Punkt pi der Punktwolke 400 wird ein Normalenvektor [nix, niy, niz] berechnet. Der Normalenvektor kann z. B. unter Verwendung einer Hauptkomponentenanalyse (PCA) erhalten werden. Die PCA ist eine bekannte Dimensionsreduktionstechnik und ihre spezifische Anwendung wird hier anhand von 4 kurz beschrieben. Ein Normalenvektor ist definitionsgemäß ein Vektor, der in einem gegebenen Punkt senkrecht zu der Oberfläche ist. Für jeden Punkt in der Punktwolke 400 ist diese Oberfläche nicht bekannt, und um sie zu schätzen werden die Prozesse aus 2 verwendet. Wie anhand von 4 weiter diskutiert ist, kann das Erhalten des Normalenvektors für einen gegebenen Punkt in der Punktwolke 400 somit auf anderen Punkten um den gegebenen Punkt beruhen. Wenn der Normalenvektor [nix, niy, niz] für jeden Punkt pi der Punktwolke 400 erhalten worden ist, werden die Prozesse in den Blöcken 220 und 230 ausgeführt, um Punkte pi der Punktwolke 400 zu identifizieren, die Teil einer oder mehrerer horizontale Ebenen h sind, und werden die Prozesse in den Blöcken 240, 250, 260 und 270 ausgeführt, um Punkte pi der Punktwolke 400 zu identifizieren, die Teil einer oder mehrerer vertikaler Ebenen v sind.
-
Im Block 220 enthalten die Prozesse das Erzeugen einer Menge H von Punkten unter der Punktwolke 400, für die das Folgende wahr ist, auf der Grundlage des entsprechenden Normalenvektors [n
ix, n
iy, n
iz] für jeden der Punkte p
i:
-
Wenn die Menge H von Punkten im Block 220 erzeugt wird, enthalten die Prozesse das Extrahieren von Punkten der horizontalen Ebene im Block 230. Im Block 230 kann ein bekannter Algorithmus wie Random Sample Consensus (RANSAC) verwendet werden, um Ausreißer in der Menge H von Punkten zu detektieren und dabei nur Punkte unter der Punktwolke 400, die Teil einer horizontalen Ebene sind, zu behalten.
-
Im Block 240 enthalten die Prozesse das Erzeugen einer Menge Vvon Punkten unter der Punktwolke 400, für die das Folgende wahr ist, auf der Grundlage des entsprechenden Normalenvektors [n
ix, n
iy, n
iz] für jeden der Punkte p
i:
-
Im Block 250 bezieht sich das Normieren der Richtungen der Normalenvektoren für die Punkte p
i in der Menge V auf das folgende Berechnen:
-
Im Block 260 enthalten die Prozesse das Clustern der normierten Richtungen, die für die Punkte pi der Menge Verhalten werden. Dies kann die Verwendung der bekannten Technik der dichtebasierten räumlichen Clusterung von Anwendungen mit Rauschen (DBSCAN) umfassen. Ein Cluster mit hoher Dichte repräsentiert eine Menge von Punkten, deren Normalenvektorrichtungen innerhalb der Menge V nahe beieinander (d. h. innerhalb eines festgesetzten Abstands) sind. Im Block 260 werden die Cluster mit hoher Dichte von Punkten von Clustern mit niedriger Dichte von Punkten innerhalb der Menge V getrennt. Im Block 270 umfasst das Extrahieren von Punkten der vertikalen Ebene das Identifizieren von Punkten in den g Clustern, die im Block 260 erzeugt werden, auf der Grundlage eines im Voraus definierten Kriteriums wir etwa einer höchsten Dichte oder Anzahl von Punkten. Im Block 280 bezieht sich das Erzeugen der Menge L von Merkmalspunkten auf das Erhalten von Punkten der horizontalen Ebene, die im Block 230 erhalten wurden, und der Punkte der vertikalen Ebene, die im Block 270 erhalten wurden.
-
3A stellt ein beispielhaftes strahlbasiertes Lidarsystem 110a dar und 3B stellt ein beispielhaftes nicht-strahlbasiertes Lidarsystem 110b dar. Jedes der Lidar-Systeme 110a, 110b ist mit einem Objekt 140 (z. B. einer Wand) in seinem Blickfeld gezeigt. Wie in 3A gezeigt ist, führt jeder Strahl 310a bis 310n (allgemein als 310 bezeichnet) zu einer horizontalen Abtastlinie 320a bis 320n (allgemein als 320 bezeichnet). Somit würde die aus Reflexionen der Abtastlinien 320 gebildete Punktwolke 400 ebenfalls in der Form von Linien mit einem Abstand in der vertikalen Dimension, der einem Abstand zwischen benachbarten Strahlen 310 entspricht, sein. Wie zuvor festgestellt wurde, beschränkt dies die vertikale Auflösung des strahlbasierten Lidar-Systems 110a je nachdem, wie nah die Strahlen 310 beanstandet sind.
-
Wie in 3B gezeigt ist, führt jeder Strahl 310 zu einer Fläche 330a bis 330n (allgemein als 330 bezeichnet) oder zu einem Flächenstück, die bzw. das durch den Strahl abgetastet wird. Somit wird in dem nicht-strahlbasierten Lidar-System 110b eine horizontale Abtastung nicht durch jeden Strahl 310 einzelnen erreicht, wie es in dem strahlbasierten Lidar-System 110a ist. Wie zuvor festgestellt wurde, stützen sich frühere Merkmalsextraktionstechniken auf die horizontalen Abtastlinien 320 eines strahlbasierten Lidar-Systems 110a. Gemäß einer oder mehreren Ausführungsformen sind die anhand von 3 diskutierten Prozesse sowohl auf strahlbasierte als auch auf nicht-strahlbasierte Lidar-Systeme 110 anwendbar.
-
4 stellt Aspekte der Prozesse im Block 210 aus 2 dar. Genauer ist 4 ein Prozessablauf eines Verfahrens 405 zum Erhalten von Normalenvektoren unter Verwendung von PCA als Teil der in 2 (Block 210) beschriebenen Verarbeitung. Im Block 410 enthalten die Prozesse das Erhalten einer Punktwolke 400 unter Verwendung des Lidar-Systems 110. Es ist eine beispielhafte Punktwolke 400 gezeigt. Wie zuvor festgestellt wurde, kann die Punktwolke 400 mit einem strahlbasierten oder mit einem nicht-strahlbasierten Lidar-System 110 erhalten werden. Im Block 420 enthalten die Prozesse das Auswählen immer nur eines Punkts pi (d. h. für jede Iteration des Verfahrens 405).
-
In 4 ist zu Erläuterungszwecken ein beispielhafter Punkt pa angegeben. Im Block 430 enthalten die Prozesse das Erhalten einer Teilmenge 401 von Punkten aus der Punktwolke 400 auf der Grundlage des ausgewählten Punkts (z. B. des Punkt pa). Die Teilmenge 401 wird als der ausgewählte Punkt pa und seine Nachbarpunkte, die Punkte sind, die innerhalb eines im Voraus definierten Abstands von dem ausgewählten Punkt pa sind, bestimmt. In 4 ist eine beispielhafte Teilmenge 401 gezeigt, die dem ausgewählten Punkt pa entspricht. Wie zuvor festgestellt wurde, kann der Normalenvektor für den ausgewählten Punkt pa unter Verwendung einer PCA bestimmt werden. Das heißt, im Block 440 wird ein Mittelpunkt c der Teilmenge 401 identifiziert und wird für den ausgewählten Punkt pa ein Normalenvektor na = [nax, nay, naz] als der Eigenvektor mit dem kleinsten Eigenwert der Kovarianzmatrix erhalten. Wie anhand von 2 diskutiert ist, wird auf diese Weise für jeden Punkt pi der Punktwolke 400 ein Normalenvektor erhalten. Daraufhin werden auf der Grundlage der Normalenvektoren Punkte, die der horizontalen und vertikalen Ebene zugeordnet sind, als die Menge L von Merkmalspunkten identifiziert.
-
Obwohl die obige Offenbarung anhand beispielhafter Ausführungsformen beschrieben worden ist, versteht der Fachmann, dass verschiedene Änderungen vorgenommen werden können und Äquivalente für Elemente davon ersetzt werden können, ohne von ihrem Schutzumfang abzuweichen. Zusätzlich können viele Abwandlungen vorgenommen werden, um eine bestimmte Situation oder ein bestimmtes Material an die Lehren der Offenbarung anzupassen, ohne von deren wesentlichem Schutzumfang abzuweichen. Somit soll die vorliegende Offenbarung nicht auf die bestimmten offenbarten Ausführungsformen beschränkt sein, sondern alle Ausführungsformen, die in ihrem Schutzumfang liegen, enthalten.