RU2606370C1 - Method for segmentation of laser scans and system for its implementation - Google Patents
Method for segmentation of laser scans and system for its implementation Download PDFInfo
- Publication number
- RU2606370C1 RU2606370C1 RU2015127651A RU2015127651A RU2606370C1 RU 2606370 C1 RU2606370 C1 RU 2606370C1 RU 2015127651 A RU2015127651 A RU 2015127651A RU 2015127651 A RU2015127651 A RU 2015127651A RU 2606370 C1 RU2606370 C1 RU 2606370C1
- Authority
- RU
- Russia
- Prior art keywords
- objects
- list
- values
- new
- array
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
Abstract
Description
Область техникиTechnical field
Заявленная группа изобретений относится к области обработки цифровых данных, в частности, лазерных сканов (ЛС), которые применяются в системах навигации автономных машин погрузчиков при их перемещении внутри помещений.The claimed group of inventions relates to the field of digital data processing, in particular, laser scans (LS), which are used in navigation systems of autonomous loader machines when moving indoors.
Известен способ сегментации и выделения геометрических примитивов из 2D лазерных сканов для применения в приложениях, предназначенных для роботизированных машин (Cristiano Premebida, Urbano Nunes «SEGMENTATION AND GEOMETRIC PRIMITIVES EXTRACTION FROM 2D LASER RANGE DATA FOR MOBILE ROBOT APPLICATIONS»).A known method of segmentation and selection of geometric primitives from 2D laser scans for use in applications designed for robotic machines (Cristiano Premebida, Urbano Nunes "SEGMENTATION AND GEOMETRIC PRIMITIVES EXTRACTION FROM 2D LASER RANGE DATA FOR MOBILE ROBOT APPLICATIONS").
В известном способе границы объектов определяются медленным последовательным сравнением расстояний между двумя соседними точками с использованием модифицированного фильтра Калмана. Основным недостатком известного решения является медленная скорость работы при определении границ объекта, который заключается в сравнении сегментов между кадрами.In the known method, the boundaries of the objects are determined by a slow sequential comparison of the distances between two adjacent points using a modified Kalman filter. The main disadvantage of the known solution is the slow speed when determining the boundaries of the object, which consists in comparing segments between frames.
Раскрытие изобретенияDisclosure of invention
Задачей, на решение которой направлено заявленное изобретение, является создание способа сегментирования лазерных сканов, позволяющего с более высокой скоростью определить границы объектов, представленных на них.The problem to which the claimed invention is directed, is to create a method for segmenting laser scans, allowing at a higher speed to determine the boundaries of the objects presented on them.
Техническим результатом является повышение скорости сегментирования ЛС и скорости поиска соответствий между объектами в последовательных кадрах.The technical result is to increase the speed of segmentation of drugs and the speed of searching for correspondences between objects in successive frames.
Технический результат достигается за счет способа сегментирования двумерного лазерного скана (ЛС), содержащий этапы, на которых:The technical result is achieved due to the method of segmentation of a two-dimensional laser scan (LS), containing stages in which:
- разворачивают ЛС в одномерный сигнал (массив значений);- deploy the drugs into a one-dimensional signal (array of values);
- обрабатывают полученный массив с помощью численного дифференцирования значений массива;- process the resulting array using numerical differentiation of the array values;
- получают массив значений дифференциала и второго дифференциала, который разбивается на сегменты в виде массива массивов значений, причем каждый упомянутый сегмент представляет собой набор точек, принадлежащих отдельному объекту на ЛС;- get an array of differential values and the second differential, which is divided into segments in the form of an array of arrays of values, and each said segment is a set of points belonging to a separate object on the LAN;
- определяют для каждого сегмента крайние точки, характеризующие объект;- determine for each segment the extreme points characterizing the object;
- определяют углы от точки начала отсчета ЛС до каждой из упомянутых крайних точек объекта (крайние углы);- determine the angles from the reference point of the drug to each of the mentioned extreme points of the object (extreme angles);
- осуществляют определение значений центральных углов объектов с помощью полученных значений крайних углов методом подсчета среднего значения;- carry out the determination of the values of the central angles of objects using the obtained values of the extreme angles by calculating the average value;
- создают список, который включает в себя значения углов от точки начала отсчета ЛС до каждой из крайних точек, центральный угол и соответствующий объекту набор точек, характеризующих объект.- create a list that includes the values of the angles from the reference point of the drug to each of the extreme points, the central angle and the corresponding set of points that characterize the object.
Технический результат достигается так же за счет способа сопровождения распознанных объектов на ЛС во времени, содержащий этапы, на которых:The technical result is also achieved due to the method of tracking recognized objects on the drug in time, containing stages in which:
- осуществляют сегментацию ЛС с помощью способа по п. 1 и получают новый список объектов;- carry out the segmentation of drugs using the method according to p. 1 and get a new list of objects;
- проверяют, пуст ли текущий список объектов;- check if the current list of objects is empty;
- если текущий список объектов пуст, то всем объектам из нового списка выдают уникальные УИД и все объекты вместе с УИД добавляют в текущий список, иначе осуществляют сравнение объектов из текущего и нового списков с помощью алгоритма ближайшего соседа, при котором происходит сравнение текущего и нового списков, содержащих значения центральных углов объектов от точки начала ЛС, и получают список соответствий между объектами в текущем и новом списках;- if the current list of objects is empty, then all objects from the new list are given unique UIDs and all objects together with the UID are added to the current list, otherwise they compare objects from the current and new lists using the nearest neighbor algorithm, in which the current and new lists are compared containing the values of the central angles of the objects from the starting point of the drug, and get a list of correspondences between the objects in the current and new lists;
- проверяют, пуст ли новый список объектов, и если он пуст, то удаляют оставшиеся в текущем списке объекты, которые не были сопоставлены с каким-либо объектом в новом списке, иначе- check if the new list of objects is empty, and if it is empty, then delete the remaining objects in the current list that were not mapped to any object in the new list, otherwise
- выбирают объект из нового списка и проверяют наличие соответствия этого объекта какому-либо объекту из текущего списка и если в текущем списке существует подобный объект, то обновляют параметры (набор точек, крайние углы, центральный угол) этого объекта в текущем списке на основе параметров объекта в новом списке, в противном случае объект считают появившимся в поле зрения, ему присваивают новый УИД и объект добавляют в текущий список;- select an object from the new list and check whether this object corresponds to any object from the current list and if such an object exists in the current list, then update the parameters (set of points, extreme angles, central angle) of this object in the current list based on the parameters of the object in the new list, otherwise the object is considered to appear in the field of view, it is assigned a new UID and the object is added to the current list;
- убирают объект из нового списка и итеративно повторяют этапы способа с этапа проверки, пуст ли текущий список объектов, до момента, когда новый список опустеет и все несопоставленные объекты удалятся из текущего списка.- remove the object from the new list and iteratively repeat the steps of the method from the step of checking whether the current list of objects is empty until the new list is empty and all unmatched objects are removed from the current list.
Заявленный результат достигается также за счет системы, для сегментирования двумерного ЛС, содержащей по меньшей мере один процессор, по меньшей мере одно средство памяти, содержащее машиночитаемый инструкции, которые при их исполнении побуждают по меньшей мере один процессор выполнять вышеупомянутый способ сегментирования ЛС.The claimed result is also achieved by the system for segmenting a two-dimensional LAN containing at least one processor, at least one memory means containing machine-readable instructions that, when executed, prompt at least one processor to execute the aforementioned LAN segmentation method.
Описание графических изображенийDescription of graphic images
Фиг. 1 иллюстрирует крупные шаги этапов способа по распознаванию объектов на последовательных ЛС.FIG. 1 illustrates the major steps of the steps of a method for recognizing objects on consecutive drugs.
Фиг. 2 иллюстрирует общую схему последовательности действий при выполнении способа сегментации ЛС.FIG. 2 illustrates a general flowchart when performing a segmentation method of a drug.
Фиг. 3 иллюстрирует общую схему последовательности действий при сопровождении объектов.FIG. 3 illustrates a general flowchart for tracking objects.
Фиг. 4 иллюстрирует систему для выполнения заявленного способа.FIG. 4 illustrates a system for performing the claimed method.
Осуществление изобретенияThe implementation of the invention
Согласно Фиг. 1 заявленное изобретение включает в себя три основных этапа, которые выполняются последовательно. На этапе 100 осуществляется получение ЛС для его последующего сегментирования на этапе 200, определения объектов на ЛС и их последующего анализа и сопровождения на этапе 300.According to FIG. 1, the claimed invention includes three main steps that are performed sequentially. At
Каждая точка скана представляется в виде единственного значения - удаленности точки от сканера. Точки упорядочиваются по возрастанию угла сканирования. Согласно Фиг. 2 при осуществлении способа сегментирования 200 на этапе 201 выполняется разворачивание (преобразование) ЛС в одномерный сигнал (массив значений). Способ сегментации предназначен для быстрого анализа ЛС и выделения в нем границ объектов в целях использования для их идентификации и последующего сопровождения.Each scan point is represented as a single value - the distance of the point from the scanner. Points are sorted by increasing scan angle. According to FIG. 2, when the
После разворачивания ЛС (этап 201) на этапе 202 выполняется обработка сигнала (массива значений), полученного на этапе 100, для чего выполняется численное дифференцирование значений массива, а также повторное численное дифференцирование массива дифференциалов. Создается два новых массива значений, короче, соответственно, на один и на два элемента, чем оригинальный ЛС. В полученный первый массив 2021 записывается значение разности удаленности точки с тем же индексом и точки с индексом на единицу больше. Во второй массив 2022 записывается значение разности значения из первого массива 2021 с тем же индексом и значения из первого массива 2021 с индексом на единицу больше. В двух полученных массивах дифференциала и второго дифференциала значения сравниваются с заданными порогами для каждого массива. Точки из массива ЛС, соответствующие значениям, превышающим порог в двух других массивах 2021 и 2022, считаются границами объекта, точки, лежащие между ними, собираются в отдельные массивы, соответствующие разным объектам.After deploying the LAN (step 201), at
На этапе 203 определяют для каждого сегмента крайние точки, характеризующие объект, которые являются, в частности, крайней левой и крайней правой точками из набора точек, характеризующих объект. Поскольку массив ЛС отсортирован, такими точками будут являться первая и последняя точки из сегмента в качестве начала и конца объекта.At
На этапе 204 для каждого объекта, выявленного на ЛС, рассчитывают углы от начала отсчета ЛС до крайних точек.At
На этапе 205 осуществляют определение значений центральных углов объектов с помощью полученных на этапе 204 крайних углов методом подсчета среднего значения.At
На этапе 206 создается новый список объектов, который включает в себя информацию, полученную на предыдущих этапах, в частности значения углов от точки начала отсчета ЛС до каждой из крайних точек, центральный угол и соответствующий объекту набор точек, характеризующих объект.At
На Фиг. 3 представлена последовательность этапов способа 300, применяющегося для сопровождения объектов на ЛС. Способ 300 использует данные, полученные при осуществлении способа сегментирования 200.In FIG. 3 shows a sequence of steps of a
На этапе 301 проверяется, пуст ли текущий список объектов.At
Если текущий список объектов пуст, то осуществляется переход на этап 302 на котором всем объектам из нового списка выдаются уникальные УИД, и все объекты вместе с УИД добавляются в текущий список. Иначе осуществляется переход на этап 303.If the current list of objects is empty, then proceed to
На этапе 303 осуществляют сравнение объектов из текущего и нового списка с помощью алгоритма ближайшего соседа (см. ниже), при котором происходит сравнение текущего и нового списков, содержащих значения центральных углов объектов от точки начала ЛС. Новый список был получен при осуществлении способа сегментирования 200. После сравнения получается список соответствий между объектами в текущем и новом списках.At
Далее на этапе 304 проверяется, пуст ли новый список объектов, и если он пуст, то в этапе 305 удаляются оставшиеся в текущем списке объекты, которые не были сопоставлены с каким-либо объектом в новом списке. Это те объекты, которые не были найдены на новом ЛС. Т.е. считается что эти объекты были утеряны из поля зрения и более не должны сопровождаться.Next, at
Если же новый список не пуст, то на этапе 306 выбирается объект из нового списка и на этапе 307 проверяется наличие соответствия этого объекта какому-либо объекту из текущего списка. Если в текущем списке существует подобный объект, то на этапе 308 обновляются параметры (набор точек, крайние углы, центральный угол) этого объекта в текущем списке на основе параметров объекта в новом списке. Если же подобного объекта не получается найти в текущем списке, то объект считается появившимся в поле зрения. Далее на этапе 309 ему присваивается новый УИД и объект добавляется в текущий список.If the new list is not empty, then at
Далее на этапе 310 объект убирается из нового списка и снова проверяется условие на этапе 304.Next, at
Таким образом, последовательно выбираются объекты из нового списка, сопоставляются с объектами из текущего списка и удаляются из нового списка. Через определенное количество итераций новый список опустеет и будет осуществлен переход на этап 305.Thus, objects from the new list are sequentially selected, compared with objects from the current list, and removed from the new list. After a certain number of iterations, the new list will be empty and will go to step 305.
Алгоритм ближайшего соседа, примененный к новому и текущему спискам, строит сопоставления между объектами в них.The nearest neighbor algorithm, applied to the new and current lists, builds comparisons between the objects in them.
В общем случае алгоритм ближайшего соседа заключается в следующем, есть два списка, а и b, с количеством элементов соответственно n и m. Для каждого элемента последовательности a (a(i*); i=[1…n]) находится элемент b(j*); j=[1…m] такой, что наименьший среди всех j=[1…m]. Поиск делается перебором всех значений j. Отсюда определяется, что a(i*) и b(j*) - ближайшие соседи. Поскольку количество элементов в последовательностях может быть разным, некоторые элементы могут не получить ближайшего соседа.In the general case, the nearest neighbor algorithm is as follows, there are two lists, a and b, with the number of elements, respectively, n and m. For each element of the sequence a (a (i *); i = [1 ... n]) there is an element b (j *); j = [1 ... m] such that smallest among all j = [1 ... m]. The search is done by iterating over all j values. This determines that a (i *) and b (j *) are the nearest neighbors. Since the number of elements in the sequences may be different, some elements may not get the nearest neighbor.
В другом частном случае поиск наименьшего среди всех j=[1…m] делается с помощью предварительного создания k-d дерева по списку b и дальнейшего использования этого дерева. Т.е. делается несколько уровней кластеризации по углу для списка b, которые отличаются размерами кластеров. Получается дерево кластеров, в котором каждый кластер на определенном уровне содержит 2 или более кластеров уровнем ниже. Поиск по такому дереву кластеров будет происходить быстрее при большом количестве объектов в последовательности b.In another particular case, the search for the smallest among all j = [1 ... m] is done by first creating a kd tree from list b and then using this tree. Those. several angular clustering levels are made for list b, which differ in cluster sizes. The result is a cluster tree in which each cluster at a certain level contains 2 or more clusters at a lower level. Searching for such a tree of clusters will occur faster with a large number of objects in sequence b.
Последовательно применяя описанный выше подход к каждому новому ЛС, возможно сопровождать объекты (знать точки, принадлежащие одному и тому же объекту) на протяжении всего времени нахождения объекта в поле зрения сканера. На Фиг. 4 представлен общий вид системы 300 для выполнения процедур сегментирования ЛС.Consistently applying the approach described above to each new drug, it is possible to accompany objects (to know points belonging to the same object) throughout the entire time the object is in the field of view of the scanner. In FIG. 4 is a perspective view of a
Система 400 включает в себя один или более вычислительных процессоров 410, одно или более средство памяти 420 (ОЗУ, ПЗУ, NAND, EEPROM и т.п.), одно или более средств для хранения данных 430 (HDD, SSD, флэш-накопители и т.п.), интерфейсы 440 и устройства 450 ввода/вывода, средства коммуникации 460 (LAN, WLAN, irDa и т.п.), соединенные с помощью общей шины данных 470.
Система 400 может реализовываться на базе широко известных IBM PC совместимых устройств, например ПК, ноутбук, мейнфрем, суперкомпьютер и т.п., либо выполняться на базе мобильных вычислительных устройств, например планшета или мобильного телефона.
Система 400 также может являться частью роботизированной машины для обеспечения процесса автономной навигации машин внутри помещений.
Claims (17)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2015127651A RU2606370C1 (en) | 2015-12-03 | 2015-12-03 | Method for segmentation of laser scans and system for its implementation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2015127651A RU2606370C1 (en) | 2015-12-03 | 2015-12-03 | Method for segmentation of laser scans and system for its implementation |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2606370C1 true RU2606370C1 (en) | 2017-01-10 |
Family
ID=58452859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2015127651A RU2606370C1 (en) | 2015-12-03 | 2015-12-03 | Method for segmentation of laser scans and system for its implementation |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2606370C1 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1679195A1 (en) * | 1989-10-31 | 1991-09-23 | С.П.Ботуз с (53) 681.325,61 (088.8) | Device for forecasting the condition of control systems |
FR2824768A1 (en) * | 2001-05-16 | 2002-11-22 | Daimler Chrysler Ag | Laser marking of large pattern on a workpiece surface, e.g. a transparent automobile pane, by dividing pattern into separate segments and moving workpiece by program of fixed laser to scan the surface |
EP2182732A1 (en) * | 2008-10-28 | 2010-05-05 | Panasonic Corporation | Switching between scans in image coding |
WO2013123404A1 (en) * | 2012-02-17 | 2013-08-22 | Autodesk, Inc. | Segmentation of ground-based laser scanning points from urban environment |
RU2541226C2 (en) * | 2010-12-03 | 2015-02-10 | Квэлкомм Инкорпорейтед | Coding position of last significant coefficient within video block based on scanning order for block in video coding |
-
2015
- 2015-12-03 RU RU2015127651A patent/RU2606370C1/en active IP Right Revival
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1679195A1 (en) * | 1989-10-31 | 1991-09-23 | С.П.Ботуз с (53) 681.325,61 (088.8) | Device for forecasting the condition of control systems |
FR2824768A1 (en) * | 2001-05-16 | 2002-11-22 | Daimler Chrysler Ag | Laser marking of large pattern on a workpiece surface, e.g. a transparent automobile pane, by dividing pattern into separate segments and moving workpiece by program of fixed laser to scan the surface |
EP2182732A1 (en) * | 2008-10-28 | 2010-05-05 | Panasonic Corporation | Switching between scans in image coding |
RU2541226C2 (en) * | 2010-12-03 | 2015-02-10 | Квэлкомм Инкорпорейтед | Coding position of last significant coefficient within video block based on scanning order for block in video coding |
WO2013123404A1 (en) * | 2012-02-17 | 2013-08-22 | Autodesk, Inc. | Segmentation of ground-based laser scanning points from urban environment |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018326401C1 (en) | Method and system for use in performing localisation | |
US8798357B2 (en) | Image-based localization | |
Maurya et al. | Road extraction using k-means clustering and morphological operations | |
EP3321887A1 (en) | Urban road recognition method, apparatus, storage medium and device based on laser point cloud | |
CN109658454B (en) | Pose information determination method, related device and storage medium | |
CN108961294B (en) | Three-dimensional point cloud segmentation method and device | |
JP6621445B2 (en) | Feature extraction device, object detection device, method, and program | |
CN111609852A (en) | Semantic map construction method, sweeping robot and electronic equipment | |
US11341297B2 (en) | Obstacle distribution simulation method, device and terminal based on a probability graph | |
US11189032B2 (en) | Method and apparatus for extracting a satellite image-based building footprint | |
Satari et al. | A multi‐resolution hybrid approach for building model reconstruction from lidar data | |
JP2012247993A (en) | Registration method and registration device for database associated with approximate nearest neighbor search | |
CN104036261B (en) | Face identification method and system | |
US10846562B2 (en) | Systems and methods for image matching | |
JP5192437B2 (en) | Object region detection apparatus, object region detection method, and object region detection program | |
RU2606370C1 (en) | Method for segmentation of laser scans and system for its implementation | |
EP2993623B1 (en) | Apparatus and method for multi-object detection in a digital image | |
Fornaciari et al. | Very fast ellipse detection for embedded vision applications | |
CN115546116A (en) | Method and system for extracting and calculating spacing of discontinuous surface of fully-covered rock mass | |
CN115511902A (en) | Angular point feature extraction method and system | |
CN111179304A (en) | Object association method, device and computer-readable storage medium | |
Xu et al. | Reconstruction of scaffolding components from photogrammetric point clouds of a construction site | |
JP6670787B2 (en) | Apparatus, method, and program for finding repetitive patterns | |
Ali et al. | MC2PS: Cloud-based 3-D place recognition using map segmentation coordinates points | |
Maggiori et al. | Improved partition trees for multi-class segmentation of remote sensing images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20181204 |
|
NF4A | Reinstatement of patent |
Effective date: 20210607 |