WO2022133770A1 - 点云法向量的生成方法、装置、计算机设备和存储介质 - Google Patents
点云法向量的生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- WO2022133770A1 WO2022133770A1 PCT/CN2020/138505 CN2020138505W WO2022133770A1 WO 2022133770 A1 WO2022133770 A1 WO 2022133770A1 CN 2020138505 W CN2020138505 W CN 2020138505W WO 2022133770 A1 WO2022133770 A1 WO 2022133770A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- point cloud
- cloud data
- point
- frame
- area
- Prior art date
Links
- 239000013598 vector Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 90
- 230000003068 static effect Effects 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
Definitions
- the analysis module 506 is further configured to perform voxelization processing on the merged point cloud data to obtain the voxelized point cloud data, and use the voxelized point cloud data as the point cloud of the current frame voxelized point cloud data corresponding to the data; obtain the voxelized point cloud data corresponding to the point cloud data of the previous frame; compare the voxelized point cloud data corresponding to the point cloud data of the current frame with the previous frame The voxelized point cloud data corresponding to the point cloud data is subtracted to obtain the operation result; the analysis result is determined according to the operation result.
- a computer device is provided, the internal structure of which can be shown in FIG. 6 .
- the computer device includes a processor, memory, a communication interface, and a database connected by a system bus.
- the processor of the computer device is used to provide computing and control capabilities.
- the memory of the computer device includes a non-volatile storage medium, an internal memory.
- the non-volatile storage medium stores an operating system, computer readable instructions and a database.
- the internal memory provides an environment for the execution of the operating system and computer-readable instructions in the non-volatile storage medium.
- the database of the computer device is used to store data of a method of generating point cloud normal vectors.
- the communication interface of the computer device is used to connect and communicate with an external terminal.
- the computer-readable instructions when executed by the processor, implement a method for generating a point cloud normal vector.
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
一种点云法向量的生成方法，包括：获取多帧点云数据，多帧点云数据包括历史帧点云数据以及当前帧点云数据；将多帧点云数据进行合并，得到合并后的点云数据；对合并后的点云数据进行运动状态分析，得到分析结果；根据分析结果确定当前帧点云数据中每个点所属的区域；当区域为静态区域时，在区域中查找区域对应的点的邻域；及根据邻域计算邻域对应的点的法向量。
Description
本申请涉及一种点云法向量的生成方法、装置、计算机设备和存储介质。
随着传感器技术的进步，点云的获取越来越容易，而点云法向量作为最基本的点云特征，在诸多点云处理算法中起着至关重要的作用。点云法向量能够提供和点云表面相关的信息，被广泛应用于三维重建、点云渲染、增强现实、虚拟现实、点云平面估计等多种领域。
为了减少相邻物体的干扰、噪声干扰、点云的不连续性等问题，传统的点云法向量的生成方式，如基于表面局部拟合的方法、基于深度学习的方法等，是通过估计单帧点云数据中每个点的法向量方向。然而，由于点云数据中的目标物体可能存在遮挡等情形，无法获取到遮挡区域的点云数据，导致点云法向量的生成准确性较低。
发明内容
根据本申请公开的各种实施例，提供一种能够提高点云法向量的生成准确性的点云法向量的生成方法、装置、计算机设备和存储介质。
一种点云法向量的生成方法，包括：
获取多帧点云数据，所述多帧点云数据包括历史帧点云数据以及当前帧点云数据；
将所述多帧点云数据进行合并，得到合并后的点云数据；
对所述合并后的点云数据进行运动状态分析，得到分析结果；
根据所述分析结果确定所述当前帧点云数据中每个点所属的区域；
当所述区域为静态区域时，在所述区域中查找所述区域对应的点的邻域；及
根据所述邻域计算所述邻域对应的点的法向量。
一种点云法向量的生成装置，包括：
获取模块，用于获取多帧点云数据，所述多帧点云数据包括历史帧点云数据以及当前帧点云数据；
合并模块，用于将所述多帧点云数据进行合并，得到合并后的点云数据；
分析模块，用于对所述合并后的点云数据进行运动状态分析，得到分析结果；
区域确定模块，用于根据所述分析结果确定所述当前帧点云数据中每个点所属的区域；
查找模块，用于当所述区域为静态区域时，在所述区域中查找所述区域对应的点的邻域； 及
计算模块，用于根据所述邻域计算所述邻域对应的点的法向量。
一种计算机设备，包括存储器和一个或多个处理器，所述存储器中储存有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述一个或多个处理器执行以下步骤：
获取多帧点云数据，所述多帧点云数据包括历史帧点云数据以及当前帧点云数据；
将所述多帧点云数据进行合并，得到合并后的点云数据；
对所述合并后的点云数据进行运动状态分析，得到分析结果；
根据所述分析结果确定所述当前帧点云数据中每个点所属的区域；
当所述区域为静态区域时，在所述区域中查找所述区域对应的点的邻域；及
根据所述邻域计算所述邻域对应的点的法向量。
一个或多个存储有计算机可读指令的非易失性计算机可读存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：
获取多帧点云数据，所述多帧点云数据包括历史帧点云数据以及当前帧点云数据；
将所述多帧点云数据进行合并，得到合并后的点云数据；
对所述合并后的点云数据进行运动状态分析，得到分析结果；
根据所述分析结果确定所述当前帧点云数据中每个点所属的区域；
当所述区域为静态区域时，在所述区域中查找所述区域对应的点的邻域；及
根据所述邻域计算所述邻域对应的点的法向量。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其它特征和优点将从说明书、附图以及权利要求书变得明显。
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为一个或多个实施例中点云法向量的生成方法的应用环境图。
图2为一个或多个实施例中点云法向量的生成方法的流程示意图。
图3为一个或多个实施例中对合并后的点云数据进行运动状态分析，得到分析结果步骤的流程示意图。
图4为另一个实施例中点云法向量的生成方法的流程示意图。
图5为一个或多个实施例中点云法向量的生成装置的框图。
图6为一个或多个实施例中计算机设备的框图。
为了使本申请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。
本申请提供的点云法向量的生成方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。当服务器102获取到终端发送的点云法向量生成请求时，对点云法向量生成请求进行解析，得到多帧点云数据。多帧点云数据包括历史帧点云数据以及当前帧点云数据。服务器104将多帧点云数据进行合并，得到合并后的点云数据，从而对合并后的点云数据进行运动状态分析，得到分析结果，根据分析结果确定当前帧点云数据中每个点所属的区域，当区域为静态区域时，在区域中查找区域对应的点的邻域，进而根据邻域计算邻域对应的点的法向量。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中，如图2所示，提供了一种点云法向量的生成方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取多帧点云数据，多帧点云数据包括历史帧点云数据和当前帧点云数据。
点云数据可以是点云传感器对周围环境中的目标物体进行扫描，将扫描到的周围环境信息以点云形式记录的数据，是海量点的集合。例如，点云传感器可以是激光雷达、激光扫描仪、摄像头等用于采集点云数据的传感器中的任意一种。多帧点云数据是指多个存在时序的单帧点云数据。单帧点云数据是点云传感器每一次对目标物体进行扫描得到的点的集合。历史帧点云数据是指历史多个时刻的点云数据，当前帧点云数据是指当前时刻的点云数据，是多帧点云数据中最大时刻的点云数据。点云数据中具体可以包括各点的三维坐标信息、激光反射强度(Intensity)或者颜色信息(RGB)等。三维坐标信息用于表示周围环境中目标物体的几何位置信息，例如，可以用于代表目标物体的外表面形状。例如，三维坐标可以是点在笛卡尔坐标系中的坐标，具体包括点在笛卡尔坐标系中的横轴坐标、纵轴坐标和竖轴坐标。笛卡尔坐标系是以点云传感器为原点建立的三维空间坐标系，三维空间坐标系包括横轴(x轴)、纵轴(y轴)和竖轴(z轴)。
在三维重建、点云渲染、增强现实、虚拟现实、点云平面估计等任意一种需要生成点云法向量的场景中，服务器可以获取到终端发送的点云法向量生成请求，对点云法向量生成请 求进行解析，得到多帧点云数据。多帧点云数据包括历史帧点云数据和当前帧点云数据。点云数据的帧数可以是根据实际需求设置的。例如，点云数据的帧数可以是5帧、7帧等。多帧点云数据可以是通过安装在移动设备上的点云传感器对目标物体进行扫描，并存储在终端的。例如，移动设备可以是无人驾驶模式下的车辆、机器人或者其他设备等，点云传感器可以按照一定的扫描周期，来采集点云数据，即点云传感器每隔一个扫描周期采集一帧点云数据，并将采集到的点云数据发送至终端进行存储。例如，采集周期可以是100ms。
步骤204，将多帧点云数据进行合并，得到合并后的点云数据。
由于获取到的是多个单帧的点云数据，点云数据中的目标物体可能存在遮挡等情形，可能导致当前帧点云数据无法获取到被遮挡区域的数据，会导致当前帧点云数据中遮挡区域边界点的法向量计算准确性较低。另外，由于点云存在稀疏性，在稀疏区域点云的数量较少，为了提高后续点云法向量计算的准确性，可以将当前帧点云数据和历史帧点云数据合并成一帧点云数据，从而得到合并后的点云数据。合并是指将多帧点云数据进行拼接，将多帧点云数据转换到同一坐标系下。
具体的，服务器可以通过将历史帧点云数据和当前帧点云数据均转换为世界坐标系下的数据，从而将历史帧点云数据与当前帧点云数据进行合并。世界坐标系是一个基于经纬度的绝对坐标系，反映目标物体在空间中的真实位置。通过将多帧点云合并能大大提升点云的密度，且由于这些连续帧的点云数据可能是由不同角度采集到的，即使当前帧点云数据中的任意一点处于被遮挡区域的边界时，也可以利用当前帧点云数据之前的历史帧点云数据中未被遮挡的点的信息。
步骤206，对合并后的点云数据进行运动状态分析，得到分析结果。
合并后的点云数据可以包括动态区域的物体表面的点和静态区域的物体表面的点，由于动态区域的物体的位置是移动的，静态区域的物体的位置的静止不变的，点云法向量的计算方式可以是不同的，因此，服务器可以对合并后的点云数据进行运动状态分析，以识别静态区域和动态区域。运动状态分析是指识别合并后的点云数据的运动状态，当运动状态为静止时，将该点云数据划分为静态区域，当运动状态未动态时，将该点云数据划分为动态区域。静态区域对应的点云数据中的各点的运动状态均为静态。动态区域对应的各点的运动状态均为动态。
服务器可以通过多种方式来对分析合并后的点云数据的运动状态，可以通过栅格化处理的方式分析合并后的点云数据的运动状态，也可以采用体素化处理的方式分析合并后的点云数据的运动状态。
具体的，当服务器采用栅格化处理的方式来对合并后的点云数据进行动静态分析时，服务器可以将合并后的点云数据划分为多个栅格。由于合并后的点云数据中包括多个帧的点云数据，栅格划分后的每个栅格中可以包括至少一个帧的点。针对每个栅格，服务器计算点的数量变化值，数量变化值是指点在多个帧的数量变化率。从而可以根据每个栅格中点的数量变化值来确定每个栅格的运动状态，即识别每个栅格是属于动态区域还是静态区域。当每个栅格中点的数量变化值大于变化阈值时，表明该栅格中点的变化较大，点为动态物体如移动的车辆、行人等物体表面的点，则服务器可以将该栅格确定为动态区域。当每个栅格汇总的点的数量变化值小于或者等于阈值时，表明栅格中点的变化较小，点为静态物体如建筑物、交通标志、地面等物体表面的点，则服务器可以将该栅格确定为静态区域。
当服务器采用体素化处理的方式来对合并后的点云数据进行动静态分析时，服务器可以对合并后的点云数据进行体素化处理，得到当前帧点云数据对应的体素化后的点云数据。体素化后的点云数据可以是体素栅格。从而服务器将当前帧点云数据对应的体素化后的点云数据与上一帧点云数据对应的体素化后的点云数据进行作差运算，进而根据运算结果得到运动状态分析结果。
在其中一个实施例中，服务器可以采用占位栅格图(Occupancy Grid Map)的方式来对合并后的点云数据进行运动状态分析。进一步的，服务器还可以采用现有的运动状态分析算法中的任意一种对合并后的点云数据进行运动状态分析，在本实施例中不作限定。
步骤208，根据分析结果确定当前帧点云数据中每个点所属的区域。
步骤210，当区域为静态区域时，在区域中查找区域对应的点的邻域。
步骤212，根据邻域计算邻域对应的点的法向量。
分析结果中包括合并后的点云数据对应的静态区域和动态区域。静态区域和动态区域分别可以包括多个栅格。服务器在获取的多帧点云数据中提取当前帧点云数据，针对当前帧点云数据中的每个点，服务器在分析结果中查找每个点所属的区域，以确定每个点所属的区域是合并后的点云数据对应的静态区域还是动态区域。
当点位于静态区域的任意一个栅格中时，表明该点属于合并后的点云数据对应的静态区域，服务器可以直接在分析结果中的所有静态区域中查找该点对应的邻域。查找邻域的方式可以有多种，可以是查找固定数量的点得到邻域，也可以是查找固定球体半径内的点得到邻域。在其中一个实施例中，当服务器查找的邻域中的点为固定数量时，服务器可以根据预设距离参数在静态区域的所有点中选取预设数量的点，将选取的点组合成该点对应的邻域。服务器中预先存储有预设距离参数和预设数量，例如，预设距离参数可以是距离最近的点，预设数量可以是30，服务器从而在静态区域的所有点中选取与该点距离最近的30个点，将选 取的30个点组合得到邻域。在其中一个实施例中，当服务器查找的邻域中的点为固定球体半径内的点时，服务器可以在静态区域的所有点中选取与该点在预设球体半径内的点，将选取的点组合成该点对应的邻域。服务器中存储有预设球体半径，计算机设备以该点为球心，根据预设球体半径计算得到该点对应的球体空间，将球体空间内的点进行组合得到该点对应的邻域。
当点位于动态区域的任意一个栅格中时，表明该点属于合并后的点云数据对应的动态区域，也表明该点为动态点。服务器可以在当前帧点云数据的动态点中查找该点对应的邻域。邻域的查找方式可以如上所述，此处不再赘述。
服务器在查找当前帧点云数据中每个点对应的邻域后，可以根据查找到的邻域计算每个点的法向量。具体的，服务器可以采用主成分分析方法来计算每个点对应的法向量。
在其中一个实施例中，服务器还可以根据每个点对应的邻域确定每个点对应的协方差矩阵，计算每个点对应的协方差矩阵的特征值，以及特征值对应的特征向量，从而根据特征值以及特征向量计算每个点的法向量。具体的，针对当前帧点云数据中的每个点，服务器可以根据该点与该点对应的邻域点确定该点对应的协方差矩阵，对协方差矩阵进行特征值分解处理，可以得到协方差矩阵的特征值，从而计算得到每个特征值对应的特征向量，并将特征值按照预设顺序进行排列。服务器确定协方差矩阵的最小特征值，选取最小特征值对应的特征向量，对选取的特征向量进行归一化处理，得到得到点云数据中各点对应的法向量。归一化处理是指将选取的特征向量归一化为单位向量。例如，服务器得到某个点对应的协方差矩阵是一个3×3的对称半正定矩阵，则服务器计算得到协方差矩阵的特征值有3个，并得到每个特征值对应的特征向量，并将3个特征值按照降序顺序进行排列。在3个特征值中选取最小特征值对应的特征向量，对选取的特征向量进行归一化处理，进而得到该点对应的法向量。
在其中一个实施例中，还可以采用基于鲁棒统计学方法、基于局部表面拟合法等多种点云法向量计算方法中的任意一种计算当前帧点云数据中每个点对应的法向量。
在本实施例中，获取多帧点云数据，将多帧点云数据中的历史帧点云数据和当前帧点云数据进行合并，能够大大提升点云的密度，提高点云数据的数量。通过对合并后的点云数据进行运动状态分析，得到分析结果，从而根据分析结果确定当前帧点云数据中每个点所属的区域，当区域为静态区域时，在区域中查找区域对应的点的邻域，根据邻域计算邻域对应的点的法向量。由于多帧点云数据可能是由不同角度采集到的，通过将多帧点云数据进行合并，能够在处于静态区域的目标物体存在遮挡情形，导致当前帧数据无法获取到遮挡区域的点云数据时，利用当前帧点云数据之前的历史帧点云数据中未被遮挡的点的信息，从而在静态区域的目标物体存在遮挡等情况下，提高遮挡区域的边界点的法向量的计算准确性。同时，将 历史帧点云数据和当前帧点云数据进行合并，大大提升了点云的密度，提高了点云数据的数量，解决了点云稀疏区域点云数量较少的问题，能够在静态区域的目标物体处于点云稀疏区域时，提高点云法向量的计算准确性。
在其中一个实施例中，将多帧点云数据进行合并，得到合并后的点云数据包括：获取坐标转换关系；根据坐标转换关系将每帧点云数据转换至世界坐标系下的点云数据，得到合并后的点云数据。
由于多帧点云数据可能是由不同角度采集到的，从而导致点云传感器所采集的各帧点云数据的数据坐标不一致。为了便于后续进行法向量计算，需要将历史帧点云数据与当前帧点云数据转换为世界坐标系下的点云数据。具体的，服务器可以获取坐标转换关系。坐标转换关系是指通过点云传感器采集到的点云数据的三维坐标与世界坐标之间的转换关系。通过点云传感器采集到的点云数据的三维坐标是指以点云传感器为坐标原点的坐标系中的三维坐标。世界坐标系是一个基于经纬度的绝对坐标系，反映点云数据对应的目标物体在空间中的真实位置。例如，坐标转换关系可以是坐标转换矩阵。
坐标转换关系可以是在移动设备上的定位设备中获取的，也可以是定位设备将坐标转换关系发送至终端，通过终端进行存储，从终端中获取的。点云传感器在采集点云数据的过程中，通过安装在移动设备上的定位设备获取到的。例如，定位设备可以是惯性测量单元(Inertial measurement unit，简称IMU)、GPS(Global Positioning System，全球定位系统)定位设备等。
服务器根据坐标转换关系将每帧点云数据中每个点的三维坐标转换为世界坐标系下的世界坐标，从而得到多帧点云数据对应的世界坐标信息，通过将多帧点云数据转换至世界坐标系下，实现将多帧点云数据转换至同一坐标系下，将多帧点云数据在时序上进行了拼接，得到合并后的点云数据。
在本实施例中，获取坐标转换关系，根据坐标转换关系将每帧点云数据转换至世界坐标系下的点云数据，得到合并后的点云数据，能够将不同数据坐标的多帧点云数据映射至同一坐标下，实现多帧点云数据的拼接，提高了点云数据的数量，同时也提升了点云数据的密度。
在其中一个实施例中，如图3所示，对合并后的点云数据进行运动状态分析，得到分析结果包括：
步骤302，对合并后的点云数据进行栅格化处理，得到多个栅格。
步骤304，统计每个栅格中各帧对应的点的数量，根据每个栅格中多帧对应的点的数量计算每个栅格对应的点数变化值。
步骤306，将点数变化值与变化阈值进行比较，确定每个栅格对应的运动状态，得到分 析结果。
服务器中预先存储有栅格尺寸。栅格尺寸可以是长*宽，表明栅格划分后得到的每个栅格的长度和宽度。长和宽可以是相同的，也可以是不同的。多个栅格的高度是相同的。服务器可以根据栅格尺寸对合并后的点云数据进行栅格化处理，栅格化处理是指将合并后的点云数据进行x轴方向以及y轴方向的划分，即对合并后的点云数据进行xy水平面的划分。具体的，栅格尺寸的长可以对应x轴方向，栅格尺寸的宽可以对应y轴方向。服务器可以根据栅格尺寸对合并后的点云数据进行x轴方向以及y轴方向的划分。对合并后的点云数据进行栅格化处理时，x轴方向以及y轴方向划分的顺序不作限定。例如，服务器可以先根据栅格尺寸中的长对合并后的点云数据进行x轴方向的划分，再根据栅格尺寸中的宽对合并后的点云区域进行y轴方向的划分。也可以先根据栅格尺寸中的宽对合并后的点云区域进行y轴方向的划分，再根据栅格尺寸中的长对合并后的点云数据进行x轴方向的划分。
服务器针对栅格化处理后得到的每个栅格，统计其中每帧对应的点的数量。从而根据多帧对应的点的数量计算每个栅格对应的点数变化值。具体的，服务器可以计算每个栅格中多帧点的数量对应的均值，将均值作为每个栅格的点数变化值。服务器中预先存储有变化阈值，变化阈值可以是均值阈值。服务器可以将计算得到的每个栅格的均值与变化阈值进行比较，当均值大于变化阈值时，则确定该栅格中的点的运动状态为动态，将该栅格确定为动态区域。当均值小于或者等于变化阈值时，则确定该栅格中的点的运动状态为静态，将该栅格确定为静态区域。在其中一个实施例中，服务器还可以计算每个栅格中多帧点的数量对应的方差，将方差作为每个栅格的点数变化值，将方差与变化阈值，即方差阈值进行比较，当方差大于变化阈值时，则确定该栅格中的点的运动状态为动态，将该栅格确定为动态区域。当方差小于或者等于变化阈值时，则确定该栅格中的点的运动状态为静态，将该栅格确定为静态区域。
在本实施例中，对合并后的点云数据进行栅格化处理，得到多个栅格，统计每个栅格中各帧对应的点的数量，根据每个栅格中多帧对应的点的数量计算每个栅格对应的点数变化值，将点数变化值与变化阈值进行比较，确定每个栅格对应的运动状态，得到分析结果。当目标物体处于运动状态时，目标物体的位置是变化的，会导致每个栅格中每帧的点的数量会发生变化，通过计算点数变化值，将大于变化阈值的点数变化值对应的栅格确定为动态区域，能够准确、快速地对合并后的点云数据进行运动状态分析。
在其中一个实施例中，对合并后的点云数据进行运动状态分析，得到分析结果包括：将合并后的点云数据进行体素化处理，得到体素化后的点云数据，将体素化后的点云数据作为当前帧点云数据对应的体素化后的点云数据；获取上一帧点云数据对应的体素化后的点云数据；将当前帧点云数据对应的体素化后的点云数据与上一帧点云数据对应的体素化后的点云 数据作差，得到运算结果；根据运算结果确定分析结果。
服务器中预先存储有体素栅格的尺寸，体素栅格尺寸可以是长*宽*高，表明体素化处理后得到的每个体素栅格的长度、宽度和高度。长、宽和高可以是相同的，也可以是不同的。服务器可以根据体素栅格尺寸对合并后的点云数据进行体素化处理，体素化处理是指将合并后的点云数据进行x轴方向、y轴方向以及z轴方向的划分，即对合并后的点云数据进行xyz三维立体单元的划分。具体的，体素栅格尺寸的长可以对应x轴方向，体素栅格尺寸的宽可以对应y轴方向，体素栅格尺寸的高可以对应z轴方向。服务器可以根据体素栅格尺寸对合并后的点云数据进行x轴方向、y轴方向以及z轴方向的划分。对合并后的点云数据进行体素化处理时，x轴方向、y轴方向以及z轴方向划分的顺序不作限定。例如，服务器可以先根据体素栅格尺寸中的长对合并后的点云数据进行x轴方向的划分，再根据体素栅格尺寸中的宽对合并后的点云区域进行y轴方向的划分，进而根据体素栅格尺寸中的高对合并后的点云数据进行z轴方向的划分。也可以先根据体素栅格尺寸中的高对合并后的点云数据进行z轴方向的划分，再根据体素栅格尺寸中的宽对合并后的点云区域进行y轴方向的划分，进而根据体素栅格尺寸中的长对合并后的点云数据进行x轴方向的划分。
服务器将体素化后的点云数据作为当前帧点云数据对应的体素化后的点云数据，从而获取上一帧点云数据对应的体素化后的点云数据，上一帧点云数据对应的体素化后的点云数据也可以是通过上述对合并后的点云数据进行体素化处理的方式进行运动状态分析得到的。上一帧获取的点云数据的帧数与当前帧获取的点云数据的帧数可以是相同的，上一帧点云数据中包括上一帧点云数据以及上一帧点云数据的历史帧点云数据。服务器将当前帧点云数据对应的体素化后的点云数据与上一帧点云数据对应的体素化后的点云数据作差运算，将差运算后得到的体素栅格确定为动态区域。将当前帧点云数据对应的体素化后的点云数据中差运算后得到的体素栅格以外的体素栅格确定为静态区域。
在本实施例中，通过对合并后的点云数据进行体素化处理，对合并后的点云数据进行进行x轴方向、y轴方向以及z轴方向的划分，能够在计算资源较充足的情况下，更为全面的分析合并后的点云数据的运动状态，进一步提高了运动状态的分析准确性。
在另一个实施例中，如图4所示，提供了一种点云法向量的生成方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤402，获取多帧点云数据，多帧点云数据包括历史帧点云数据和当前帧点云数据。
步骤404，将多帧点云数据进行合并，得到合并后的点云数据。
步骤406，对合并后的点云数据进行运动状态分析，得到分析结果。
步骤408，根据分析结果确定当前帧点云数据中每个点所属的区域。
步骤410，当区域为静态区域时，在区域中查找区域对应的点的邻域，根据邻域计算邻域对应的点的法向量。
步骤412，当区域为动态区域时，在分析结果的动态区域中确定当前帧点云数据对应的动态数据，在动态数据中查找区域对应的点的邻域，根据动态区域对应的点的邻域计算点的法向量。
服务器在获取的多帧点云数据中提取当前帧点云数据，针对当前帧点云数据中的每个点，服务器在分析结果中查找每个点所属的区域，以确定每个点所属的区域是合并后的点云数据对应的静态区域还是动态区域。
当点位于动态区域的任意一个栅格中时，表明该点属于合并后的点云数据对应的动态区域，也表明该点为动态点。当点属于动态区域时，不需要在合并后的点云数据中查找相应的邻域，服务器只需要在分析结果的动态区域中确定当前帧点云数据对应的动态数据，动态数据是指属于当前帧点云数据中的动态点。从而服务器在当前帧点云数据对应的动态数据中查找该点对应的邻域。查找邻域的方式可以有多种，可以是查找固定数量的点得到邻域，也可以是查找固定球体半径内的点得到邻域。
服务器可以采用主成分分析方法、基于鲁棒统计学方法、基于局部表面拟合法等多种点云法向量计算方法中的任意一种计算动态区域对应的点的邻域计算点的法向量。动态区域对应的点的邻域计算点的法向量与静态区域对应的点的法向量的计算方式是相同的。
在其中一个实施例中，服务器还可以根据动态区域中每个点对应的邻域确定每个点对应的协方差矩阵，计算每个点对应的协方差矩阵的特征值，以及特征值对应的特征向量，从而根据特征值以及特征向量计算每个点的法向量。
在本实施例中，当静态区域的目标物体存在遮挡情形时，通过将多帧点云数据进行合并，从而可以利用当前帧点云数据之前的历史帧点云数据中未被遮挡的点的信息，提高遮挡区域的边界点的法向量的计算准确性。当点属于动态区域时，动态区域中动态目标的邻域位置在时序上是不固定的，因此在计算法向量时，其邻域只在当前帧点云数据中寻找，能够确保动态区域中点的法向量计算的准确性。
在其中一个实施例中，在将多帧点云数据进行合并之前，上述方法还包括：获取多帧点云数据中各点的点云坐标信息与强度信息；当点云坐标信息为空，或者强度信息小于强度阈值时，将点云坐标信息对应的点进行去除。
由于点云传感器在采集点云数据的过程中会存在无效数据，无效数据的计算会浪费计算资源，同时也会影响后续点云法向量计算的准确性。因此服务器在将多帧点云数据进行合并之前，循环遍历获得的多帧点云数据，得到点云数据中各点的坐标与强度值，当坐标值x、y、 z或强度值中任一个为空时，或者当x、y、z值小于1.e-6时，则判断该点无效点，将无效点进行去除，进而服务器对去除无效点后的点云数据进行合并。
在其中一个实施例中，如图5所示，提供了一种点云法向量的生成装置，包括：获取模块502、合并模块504、分析模块506、区域确定模块508、查找模块510、计算模块512，其中：
获取模块502，用于获取多帧点云数据，多帧点云数据包括历史帧点云数据以及当前帧点云数据；
合并模块504，用于将多帧点云数据进行合并，得到合并后的点云数据。
分析模块506，用于对合并后的点云数据进行运动状态分析，得到分析结果。
区域确定模块508，用于根据分析结果确定当前帧点云数据中每个点所属的区域。
查找模块510，用于当区域为静态区域时，在区域中查找区域对应的点的邻域。
计算模块512，用于根据邻域计算邻域对应的点的法向量。
在其中一个实施例中，合并模块504还用于获取坐标转换关系；根据坐标转换关系将每帧点云数据转换至世界坐标系下的点云数据，得到合并后的点云数据。
在其中一个实施例中，分析模块506还用于对合并后的点云数据进行栅格化处理，得到多个栅格；统计每个栅格中各帧对应的点的数量，根据每个栅格中多帧对应的点的数量计算每个栅格对应的点数变化值；将点数变化值与变化阈值进行比较，确定每个栅格对应的运动状态，得到分析结果。
在其中一个实施例中，分析模块506还用于将合并后的点云数据进行体素化处理，得到体素化后的点云数据，将体素化后的点云数据作为当前帧点云数据对应的体素化后的点云数据；获取上一帧点云数据对应的体素化后的点云数据；将当前帧点云数据对应的体素化后的点云数据与上一帧点云数据对应的体素化后的点云数据作差，得到运算结果；根据运算结果确定分析结果。
在其中一个实施例中，上述装置还包括：
数据确定模块，用于当区域为动态区域时，在分析结果的动态区域中确定当前帧点云数据对应的动态数据。
查找模块510还用于在动态数据中查找区域对应的点的邻域。
计算模块512还用于根据动态区域对应的点的邻域计算点的法向量。
在其中一个实施例中，上述装置还包括：
获取模块502还用于获取多帧点云数据中各点的点云坐标信息与强度信息。
去除模块，用于当点云坐标信息为空，或者强度信息小于强度阈值时，将点云坐标信息 对应的点进行去除。
关于点云法向量的生成装置的具体限定可以参见上文中对于点云法向量的生成方法的限定，在此不再赘述。上述点云法向量的生成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。
在其中一个实施例中，提供了一种计算机设备，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口和数据库。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、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储一种点云法向量的生成方法的数据。该计算机设备的通信接口用于与外部的终端连接通信。该计算机可读指令被处理器执行时以实现一种点云法向量的生成方法。
本领域技术人员可以理解，图6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。
一种计算机设备，包括存储器及一个或多个处理器，存储器中储存有计算机可读指令，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各个方法实施例中的步骤。
一个或多个存储有计算机可读指令的非易失性计算机可读存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各个方法实施例中的步骤。
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，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态 RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。
Claims (20)
- 一种点云法向量的生成方法，包括：获取多帧点云数据，所述多帧点云数据包括历史帧点云数据以及当前帧点云数据；将所述多帧点云数据进行合并，得到合并后的点云数据；对所述合并后的点云数据进行运动状态分析，得到分析结果；根据所述分析结果确定所述当前帧点云数据中每个点所属的区域；当所述区域为静态区域时，在所述区域中查找所述区域对应的点的邻域；及根据所述邻域计算所述邻域对应的点的法向量。
- 根据权利要求1所述的方法，其特征在于，所述将所述多帧点云数据进行合并，得到合并后的点云数据包括：获取坐标转换关系；及根据所述坐标转换关系将每帧点云数据转换至世界坐标系下的点云数据，得到合并后的点云数据。
- 根据权利要求1所述的方法，其特征在于，所述对所述合并后的点云数据进行运动状态分析，得到分析结果包括：对所述合并后的点云数据进行栅格化处理，得到多个栅格；统计每个栅格中各帧对应的点的数量，根据每个栅格中多帧对应的点的数量计算每个栅格对应的点数变化值；及将所述点数变化值与变化阈值进行比较，确定每个栅格对应的运动状态，得到分析结果。
- 根据权利要求1所述的方法，其特征在于，所述对所述合并后的点云数据进行运动状态分析，得到分析结果包括：将所述合并后的点云数据进行体素化处理，得到体素化后的点云数据，将所述体素化后的点云数据作为当前帧点云数据对应的体素化后的点云数据；获取上一帧点云数据对应的体素化后的点云数据；将所述当前帧点云数据对应的体素化后的点云数据与所述上一帧点云数据对应的体素化后的点云数据作差，得到运算结果；及根据所述运算结果确定分析结果。
- 根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：当所述区域为动态区域时，在所述分析结果的动态区域中确定所述当前帧点云数据对 应的动态数据；在所述动态数据中查找所述区域对应的点的邻域；及根据所述动态区域对应的点的邻域计算所述点的法向量。
- 根据权利要求1至4任意一项所述的方法，其特征在于，在所述将所述多帧点云数据进行合并之前，所述方法还包括：获取所述多帧点云数据中各点的点云坐标信息与强度信息；及当所述点云坐标信息为空，或者所述强度信息小于强度阈值时，将所述点云坐标信息对应的点进行去除。
- 一种点云法向量的生成装置，包括：获取模块，用于获取多帧点云数据，所述多帧点云数据包括历史帧点云数据以及当前帧点云数据；合并模块，用于将所述多帧点云数据进行合并，得到合并后的点云数据；分析模块，用于对所述合并后的点云数据进行运动状态分析，得到分析结果；区域确定模块，用于根据所述分析结果确定所述当前帧点云数据中每个点所属的区域；查找模块，用于当所述区域为静态区域时，在所述区域中查找所述区域对应的点的邻域；及计算模块，用于根据所述邻域计算所述邻域对应的点的法向量。
- 根据权利要求7所述的装置，其特征在于，所述合并模块还用于获取坐标转换关系；及根据所述坐标转换关系将每帧点云数据转换至世界坐标系下的点云数据，得到合并后的点云数据。
- 根据权利要求7所述的装置，其特征在于，所述分析模块还用于对所述合并后的点云数据进行栅格化处理，得到多个栅格；统计每个栅格中各帧对应的点的数量，根据每个栅格中多帧对应的点的数量计算每个栅格对应的点数变化值；及将所述点数变化值与变化阈值进行比较，确定每个栅格对应的运动状态，得到分析结果。
- 根据权利要求7所述的装置，其特征在于，所述分析模块还用于将所述合并后的点云数据进行体素化处理，得到体素化后的点云数据，将所述体素化后的点云数据作为当前帧点云数据对应的体素化后的点云数据；获取上一帧点云数据对应的体素化后的点云数据；将所述当前帧点云数据对应的体素化后的点云数据与所述上一帧点云数据对应的体素化后的点云数据作差，得到运算结果；及根据所述运算结果确定分析结果。
- 一种计算机设备，包括存储器及一个或多个处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：获取多帧点云数据，所述多帧点云数据包括历史帧点云数据以及当前帧点云数据；将所述多帧点云数据进行合并，得到合并后的点云数据；对所述合并后的点云数据进行运动状态分析，得到分析结果；根据所述分析结果确定所述当前帧点云数据中每个点所属的区域；当所述区域为静态区域时，在所述区域中查找所述区域对应的点的邻域；及根据所述邻域计算所述邻域对应的点的法向量。
- 根据权利要求11所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时还执行以下步骤：获取坐标转换关系；及根据所述坐标转换关系将每帧点云数据转换至世界坐标系下的点云数据，得到合并后的点云数据。
- 根据权利要求11所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时还执行以下步骤：对所述合并后的点云数据进行栅格化处理，得到多个栅格；统计每个栅格中各帧对应的点的数量，根据每个栅格中多帧对应的点的数量计算每个栅格对应的点数变化值；及将所述点数变化值与变化阈值进行比较，确定每个栅格对应的运动状态，得到分析结果。
- 根据权利要求11所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时还执行以下步骤：将所述合并后的点云数据进行体素化处理，得到体素化后的点云数据，将所述体素化后的点云数据作为当前帧点云数据对应的体素化后的点云数据；获取上一帧点云数据对应的体素化后的点云数据；将所述当前帧点云数据对应的体素化后的点云数据与所述上一帧点云数据对应的体素化后的点云数据作差，得到运算结果；及根据所述运算结果确定分析结果。
- 根据权利要求11至14任意一项所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时还执行以下步骤：当所述区域为动态区域时，在所述分析结果的动态区域中确定所述当前帧点云数据对应的动态数据；在所述动态数据中查找所述区域对应的点的邻域；及根据所述动态区域对应的点的邻域计算所述点的法向量。
- 一个或多个存储有计算机可读指令的非易失性计算机可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：获取多帧点云数据，所述多帧点云数据包括历史帧点云数据以及当前帧点云数据；将所述多帧点云数据进行合并，得到合并后的点云数据；对所述合并后的点云数据进行运动状态分析，得到分析结果；根据所述分析结果确定所述当前帧点云数据中每个点所属的区域；当所述区域为静态区域时，在所述区域中查找所述区域对应的点的邻域；及根据所述邻域计算所述邻域对应的点的法向量。
- 根据权利要求16所述的存储介质，其特征在于，所述计算机可读指令被所述处理器执行时还执行以下步骤：获取坐标转换关系；及根据所述坐标转换关系将每帧点云数据转换至世界坐标系下的点云数据，得到合并后的点云数据。
- 根据权利要求16所述的存储介质，其特征在于，所述计算机可读指令被所述处理器执行时还执行以下步骤：对所述合并后的点云数据进行栅格化处理，得到多个栅格；统计每个栅格中各帧对应的点的数量，根据每个栅格中多帧对应的点的数量计算每个栅格对应的点数变化值；及将所述点数变化值与变化阈值进行比较，确定每个栅格对应的运动状态，得到分析结果。
- 根据权利要求16所述的存储介质，其特征在于，所述计算机可读指令被所述处理器执行时还执行以下步骤：将所述合并后的点云数据进行体素化处理，得到体素化后的点云数据，将所述体素化后的点云数据作为当前帧点云数据对应的体素化后的点云数据；获取上一帧点云数据对应的体素化后的点云数据；将所述当前帧点云数据对应的体素化后的点云数据与所述上一帧点云数据对应的体素化后的点云数据作差，得到运算结果；及根据所述运算结果确定分析结果。
- 根据权利要求16至19任意一项所述的存储介质，其特征在于，所述计算机可读指令被所述处理器执行时还执行以下步骤：当所述区域为动态区域时，在所述分析结果的动态区域中确定所述当前帧点云数据对应的动态数据；在所述动态数据中查找所述区域对应的点的邻域；及根据所述动态区域对应的点的邻域计算所述点的法向量。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202080103190.3A CN116097305A (zh) | 2020-12-23 | 2020-12-23 | 点云法向量的生成方法、装置、计算机设备和存储介质 |
| PCT/CN2020/138505 WO2022133770A1 (zh) | 2020-12-23 | 2020-12-23 | 点云法向量的生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/138505 WO2022133770A1 (zh) | 2020-12-23 | 2020-12-23 | 点云法向量的生成方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022133770A1 true WO2022133770A1 (zh) | 2022-06-30 |
Family
ID=82158763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2020/138505 WO2022133770A1 (zh) | 2020-12-23 | 2020-12-23 | 点云法向量的生成方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116097305A (zh) |
| WO (1) | WO2022133770A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293980A (zh) * | 2022-08-01 | 2022-11-04 | 北京斯年智驾科技有限公司 | 一种基于历史信息的小尺寸动态噪点滤除方法、装置 |
| CN115984803A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
| CN117474795A (zh) * | 2023-12-27 | 2024-01-30 | 深圳市信润富联数字科技有限公司 | 点云降噪方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616349A (zh) * | 2015-01-30 | 2015-05-13 | 天津大学 | 基于局部曲面变化因子的散乱点云数据精简处理方法 |
| CN108230379A (zh) * | 2017-12-29 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于融合点云数据的方法和装置 |
| US20190011566A1 (en) * | 2017-07-04 | 2019-01-10 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for identifying laser point cloud data of autonomous vehicle |
| CN110954912A (zh) * | 2018-10-02 | 2020-04-03 | Ibeo汽车系统有限公司 | 用于光学距离测量的方法和设备 |
| CN111815707A (zh) * | 2020-07-03 | 2020-10-23 | 北京爱笔科技有限公司 | 点云确定方法、点云筛选方法、装置、计算机设备 |
| CN111932943A (zh) * | 2020-10-15 | 2020-11-13 | 深圳市速腾聚创科技有限公司 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
-
2020
- 2020-12-23 CN CN202080103190.3A patent/CN116097305A/zh active Pending
- 2020-12-23 WO PCT/CN2020/138505 patent/WO2022133770A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616349A (zh) * | 2015-01-30 | 2015-05-13 | 天津大学 | 基于局部曲面变化因子的散乱点云数据精简处理方法 |
| US20190011566A1 (en) * | 2017-07-04 | 2019-01-10 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for identifying laser point cloud data of autonomous vehicle |
| CN108230379A (zh) * | 2017-12-29 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于融合点云数据的方法和装置 |
| CN110954912A (zh) * | 2018-10-02 | 2020-04-03 | Ibeo汽车系统有限公司 | 用于光学距离测量的方法和设备 |
| CN111815707A (zh) * | 2020-07-03 | 2020-10-23 | 北京爱笔科技有限公司 | 点云确定方法、点云筛选方法、装置、计算机设备 |
| CN111932943A (zh) * | 2020-10-15 | 2020-11-13 | 深圳市速腾聚创科技有限公司 | 动态目标的检测方法、装置、存储介质及路基监测设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293980A (zh) * | 2022-08-01 | 2022-11-04 | 北京斯年智驾科技有限公司 | 一种基于历史信息的小尺寸动态噪点滤除方法、装置 |
| CN115293980B (zh) * | 2022-08-01 | 2024-05-28 | 北京斯年智驾科技有限公司 | 一种基于历史信息的小尺寸动态噪点滤除方法、装置 |
| CN115984803A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
| CN115984803B (zh) * | 2023-03-10 | 2023-12-12 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
| CN117474795A (zh) * | 2023-12-27 | 2024-01-30 | 深圳市信润富联数字科技有限公司 | 点云降噪方法、装置、电子设备及存储介质 |
| CN117474795B (zh) * | 2023-12-27 | 2024-05-24 | 深圳市信润富联数字科技有限公司 | 点云降噪方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116097305A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108319655B (zh) | 用于生成栅格地图的方法和装置 | |
| WO2022133770A1 (zh) | 点云法向量的生成方法、装置、计算机设备和存储介质 | |
| CN111160302B (zh) | 基于自动驾驶环境的障碍物信息识别方法和装置 | |
| CN108198145B (zh) | 用于点云数据修复的方法和装置 | |
| CN111210429B (zh) | 点云数据划分方法及装置、障碍物检测方法及装置 | |
| US8199977B2 (en) | System and method for extraction of features from a 3-D point cloud | |
| CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
| CN111815707B (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
| WO2021052283A1 (zh) | 处理三维点云数据的方法和计算设备 | |
| CN110992356A (zh) | 目标对象检测方法、装置和计算机设备 | |
| CN111553946B (zh) | 用于去除地面点云的方法及装置、障碍物检测方法及装置 | |
| JP2007527569A (ja) | 立体視に基づく差し迫った衝突の検知 | |
| WO2022099530A1 (zh) | 点云数据运动分割方法、装置、计算机设备和存储介质 | |
| WO2021134285A1 (zh) | 图像跟踪处理方法、装置、计算机设备和存储介质 | |
| US20130080111A1 (en) | Systems and methods for evaluating plane similarity | |
| CN110390706B (zh) | 一种物体检测的方法和装置 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| CN115147333A (zh) | 一种目标检测方法及装置 | |
| CN116563384A (zh) | 一种图像采集装置标定方法、设备及计算机设备 | |
| CN116168384A (zh) | 点云目标检测方法、装置、电子设备及存储介质 | |
| CN116246119A (zh) | 3d目标检测方法、电子设备及存储介质 | |
| CN114663598A (zh) | 三维建模方法、装置和存储介质 | |
| CN116740160A (zh) | 一种复杂交通场景中的毫秒级多平面实时提取方法及装置 | |
| WO2022141494A1 (zh) | 三维点云聚类方法、装置、计算机设备和存储介质 | |
| CN113048950B (zh) | 基站天线倾角测量方法、装置、存储介质和计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20966350 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 29.11.2023) |