CN105404898B - 一种松散型点云数据分割方法和设备 - Google Patents

一种松散型点云数据分割方法和设备 Download PDF

Info

Publication number
CN105404898B
CN105404898B CN201510843875.2A CN201510843875A CN105404898B CN 105404898 B CN105404898 B CN 105404898B CN 201510843875 A CN201510843875 A CN 201510843875A CN 105404898 B CN105404898 B CN 105404898B
Authority
CN
China
Prior art keywords
node
cloud data
point cloud
gradient
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.)
Active
Application number
CN201510843875.2A
Other languages
English (en)
Other versions
CN105404898A (zh
Inventor
潘晨劲
赵江宜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foochow Hua Ying Heavy Industry Machinery Co Ltd
Original Assignee
Foochow Hua Ying Heavy Industry Machinery Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foochow Hua Ying Heavy Industry Machinery Co Ltd filed Critical Foochow Hua Ying Heavy Industry Machinery Co Ltd
Priority to CN201510843875.2A priority Critical patent/CN105404898B/zh
Publication of CN105404898A publication Critical patent/CN105404898A/zh
Application granted granted Critical
Publication of CN105404898B publication Critical patent/CN105404898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Processing Or Creating Images (AREA)

Abstract

发明人提供一种松散型点云数据分割方法和设备,本发明涉及三维激光雷达生成的三维点云数据的分割,特别涉及松散型点云数据的分割。所述方法包括步骤:S101根据三维传感器采集的点云数据A建立起一个非结构性的地域网格G;S102、基于非结构性的地域网格G计算点云数据A中每一节点的梯度,根据点云数据A中每一节点的梯度提取属于地面的点;S103、对点云数据A中属于非地面的点进行聚类分割。上述方法通过非结构性的地域网络的连接的拓扑结构,高效的建立起地面这个分区的聚类。

Description

一种松散型点云数据分割方法和设备
技术领域
本发明涉及三维激光雷达生成的三维点云数据的分割,特别涉及松散型点云数据的分割。
背景技术
在无人车(或其他机器人)领域中,三维激光雷达(或者三维激光测距传感器)生成的三维点云在无人车对环境进行精确的探测扫描,高分辨率环境地图的建立以及无人车辆自身在环境中的定位中,变得越发重要。因此,对于点云模型的处理,如点云数据的曲面重建、分割、特征提取等研究已成为研究热点。
点云数据分割是确定点云中具有相同属性(空间位置、几何形状、激光强度、光谱特征等)区域的过程。作为无人车环境感知一项重要的工作,它是根据点云数据的整体密度分布和局部聚集特性,将其聚类分离成独立的子集,各子集均对应于当前具有物理意义的感知对象(如环境中的车辆,树木,建筑物等等),反映感知对象的几何和位置特征。
发明人在实现本发明的过程中发现,松散型点云数据分割是一项具有挑战性的工作,这是因为雷达数据更新频率可达5-15赫兹,每帧数据量约40万条,同时应用中还有实时性要求,因此必须提出针对松散型点云数据的更具有针对性的分割算法。
发明内容
以下给出对一个或更多个方面的简化概述以力图提供对此类方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或更多个方面的一些概念以作为稍后给出的更加具体的说明之序。
本发明提供一种一种松散型点云数据分割方法解决针对松散型点云数据的分割大数据量和实时性要求的问题。为实现上述目的,发明人提供了一种松散型点云数据分割方法,包括步骤:
S101根据三维传感器采集的点云数据A建立起一个非结构性的地域网格G;
S102、基于非结构性的地域网格G计算点云数据A中每一节点的梯度,根据点云数据A中每一节点的梯度提取属于地面的点;
S103、对点云数据A中属于非地面的点进行聚类分割。
进一步,对点云数据A中每一个节点a,计算每一条与节点a相连的边的梯度,从这些梯度中选择范数最大的梯度来作为这个节点a的梯度;
所述计算每一条与节点a相连的边的梯度为,节点a与另一节点b具有相连的边m,用节点a和节点b间的绝对高度差,除以节点a和节点b间的距离,得到边m的梯度;
根据云数据A中节点的梯度关系形成多个光栅,若光栅i与光栅g相邻,光栅g对应节点序列Sg,光栅i对应节点序列Si,若满足条件:Sg与Si中最接近的节点ng与节点ni之间的高度差小于最大高度差maxdh,那么节点序列Si也会被标记为“地面”,其中节点ng与节点ni分别是节点序列Sg和节点序列Si中的点。
进一步,所述步骤S102还包括,以顺序order1遍历点云数据A中的节点以提取属于地面的点,再以与顺序order1相反的顺序遍历点云数据A中的节点提取属于地面的点;
所述顺序order1与三维传感器的扫描顺序呈线性关系。
进一步,对点云数据A中每一个节点a,若节点a不是属于地面,且节点a的高度小于缓冲区域期待值的最大高度差maxdh,则节点a属于过渡区域。
发明人还提供一种松散型点云数据分割设备,所述设备包括梯度计算模块,地域网格生成模块,聚类分割模块;
所述梯度计算模块用于根据三维传感器采集的点云数据A建立起一个非结构性的地域网格G;
所述梯度计算模块用于,基于非结构性的地域网格G计算点云数据A中每一节点的梯度;
所述聚类分割模块用于根据点云数据A中每一节点的梯度提取属于地面的点,用于对点云数据A中属于非地面的点进行聚类分割。
进一步,所述梯度计算模块用于对点云数据A中每一个节点a,计算每一条与节点a相连的边的梯度,从这些梯度中选择范数最大的梯度来作为这个节点a的梯度;
所述计算每一条与节点a相连的边的梯度为,节点a与另一节点b具有相连的边m,用节点a和节点b间的绝对高度差,除以节点a和节点b间的距离,得到边m的梯度;
所述聚类分割模块用于根据云数据A中节点的梯度关系形成多个光栅,若光栅i与光栅g相邻,光栅g对应节点序列Sg,光栅i对应节点序列Si,若满足条件:Sg与Si中最接近的节点ng与节点ni之间的高度差小于最大高度差maxdh,那么节点序列Si中的点也被标记为地面的点。
进一步,所述聚类分割模块用于以顺序order1遍历点云数据A中的节点以提取属于地面的点,再以与顺序order1相反的顺序遍历点云数据A中的节点提取属于地面的点;所述顺序order1与三维传感器的扫描顺序呈线性关系。
进一步,所述聚类分割模块用于对点云数据A中每一个节点a,若节点a不是属于地面,且节点a的高度小于缓冲区域期待值的最大高度差maxdh,则节点a属于过渡区域。
区别于现有技术,上述技术方案在数据很松散的情况下,采用非结构性的地域网络有建立起数据之间点对点的连接,这种连接是结构性的、分辨率一致的结构性网格所不能提供的。因此,通过这个方法,我们可以从种子区域(在这里可以是扫描的原点)开始,通过非结构性的地域网络的连接的拓扑结构,高效的建立起地面这个分区的聚类。
为能达成前述及相关目的,这一个或更多个方面包括在下文中充分描述并在所附权利要求中特别指出的特征。以下描述和附图详细阐述了这一个或更多个方面的某些说明性特征。但是,这些特征仅仅是指示了可采用各种方面的原理的各种方式中的若干种,并且本描述旨在涵盖所有此类方面及其等效方面。
附图说明
以下将结合附图来描述所公开的方面,提供附图是为了说明而非限定所公开的方面,附图中相似的标号标示相似要素,并且在其中:
图1为具体本发明所述方法的流程图;
图2a为具体实施方式所述建立起来的地域网格;
图2b为具体实施方式在地域网格中车辆的附近,测试到的坡度过渡区域;
图2c为具体实施方式结合地域网格和聚类分割得到的全分割案例。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。在以下描述中,出于解释目的阐述了众多的具体细节以提供对一个或更多个方面的透彻理解。但是显而易见的是,没有这些具体细节也可实践此类方面。
参见图1-图2c,发明人提供一种松散型点云数据分割方法,包括步骤:
S101根据三维传感器采集的点云数据A建立起一个非结构性的地域网格G;
S102、基于地域网格G计算点云数据A中每一节点的梯度,根据点云数据A中每一节点的梯度提取属于地面的点;
S103、对点云数据A中属于非地面的点进行聚类分割。
同结构化网格的定义相对应,非结构化网格是指网格区域内的内部点不具有相同的毗邻单元.即与网格剖分区域内的不同内点相连的网格数目不同,结构化网格和非结构化网格有相互重叠的部分,即非结构化网格中可能会包含结构化网格的部分。
在数据很松散的情况下,非结构性的地域网络有利于建立起数据之间点对点的连接,这种连接是结构性的、分辨率一致的结构性网格所不能提供的。因此,通过这个方法,我们可以从种子区域(在这里可以是扫描的原点)开始,通过非结构性的地域网络的连接的拓扑结构,高效的建立起地面这个分区的聚类。
聚类分割法的聚类就是按照一定得要求和规律对事物进行区分和分类的过程,一般要求给出要分割聚类数和各初始聚类中心。
所述步骤S102包括:
对点云数据A中每一个节点a,计算每一条与节点a相连的边的梯度,从这些梯度中选择范数最大的梯度来作为这个节点a的梯度;
所述计算每一条与节点a相连的边的梯度为,节点a与另一节点b具有相连的边m,用节点a和节点b间的绝对高度差,除以节点a和节点b间的距离,得到边m的梯度;
若节点a与相邻的节点b的梯度不大于最大梯度maxgrad,则节点a与节点b属于同一光栅g(即根据节点的梯度关系形成光栅),光栅i与光栅g相邻,光栅g对应节点序列Sg,光栅i对应节点序列Si,若满足条件:Sg与Si中最接近的节点ng与节点ni之间的高度差小于最大高度差(maxdh),那么节点序列Si也会被标记为“地面”,其中节点ng与节点ni分别是节点序列Sg和节点序列Si中的点。
最大梯度maxgrad的存在避免了将属于非地面物体的平面聚类被误认为是“地面”点的情况,如平面聚类为车顶、屋顶等被误认为是“地面”点的情况。
如果在节点a的任意一个方向,没有穿过最小梯度距离,就到了下一个节点,那么所计算得出的梯度值会被自动忽略。设定这个最小梯度距离,能帮助我们消除噪音的影响,因为离扫描中心越近的点,离相邻点的距离也越小,这样的相邻点如果被用来计算梯度,会产生噪音很大的梯度估计(这是因为两个点之间的高度差的噪音跟两点之间的距离是在一个数量级上的)。
在所有点的梯度计算完毕,也就是梯度场建立起来之后,我们通过从“最近光栅线”向“最远光栅线”推进,建立属于“地面”的点的聚类。首先,从最近光栅线开始(图2a中最里面那圈),我们将最长的那条梯度均小于最大梯度值(maxgrad)的节点序列Sg标记为“地面”。此外,如果在内圈上的节点序列Si,满足条件:Sg与Si中最接近的点,ng与ni,之间的高度差小于最大高度差(maxdh),那么节点序列Si也会被标记为“地面”。ng与ni分别是节点序列Sg和节点序列Si中的点。以顺序order1遍历点云数据A中的节点以提取属于地面的点,再以与顺序order1相反的顺序遍历点云数据A中的节点提取属于地面的点;
所述顺序order1与三维传感器的扫描顺序呈线性关系。
对点云数据A中每一个节点a,若节点a不是属于地面,且节点a的高度小于缓冲区域期待值的最大高度差maxdh,则节点a属于过渡区域。
为了识别出过渡区域,我们为相邻“地面”的节点维持一个缓冲空间,缓冲空间与地面节点具有设定的高度差。在本实现方法中,缓冲空间可以容纳多至10个值,即10个节点。首先沿着扫描顺序滑动,“地面”节点高度以“先进先出”的方式被加入进缓冲区域。每一次处理下一行扫描线时,缓冲区域都会首先被清空。一个节点要被标记成“过渡”节点,需要满足两个条件:(1)节点的梯度不满足被标记成“地面”节点的条件;(2)节点的高度小于缓冲区域期待值的最大高度差(maxdh)。在每条光栅圈和扫描线上,缓冲区域都会来回计算两次-这样才能确定一个物体在所有方向上的过渡。
过渡区域的探测使得我们能更加准确的定义“非地面物体”的分割。
发明人还提供一种松散型点云数据分割设备,所述设备包括梯度计算模块,地域网格生成模块,聚类分割模块;
所述梯度计算模块用于根据三维传感器采集的点云数据A建立起一个非结构性的地域网格G;所述梯度计算模块用于,基于地域网格G计算点云数据A中每一节点的梯度;所述聚类分割模块用于根据点云数据A中每一节点的梯度提取属于地面的点,用于对点云数据A中属于非地面的点进行聚类分割。
在一些事实例中,所述梯度计算模块用于对点云数据A中每一个节点a,计算每一条与节点a相连的边的梯度,从这些梯度中选择范数最大的梯度来作为这个节点a的梯度;
所述计算每一条与节点a相连的边的梯度为,节点a与另一节点b具有相连的边m,用节点a和节点b间的绝对高度差,除以节点a和节点b间的距离,得到边m的梯度;
所述聚类分割模块用于根据云数据A中节点的梯度关系形成多个光栅,若光栅i与光栅g相邻,光栅g对应节点序列Sg,光栅i对应节点序列Si,若满足条件:Sg与Si中最接近的节点ng与节点ni之间的高度差小于最大高度差maxdh,那么节点序列Si中的点也被标记为地面的点。
在一些事实例中,所述聚类分割模块用于以顺序order1遍历点云数据A中的节点以提取属于地面的点,再以与顺序order1相反的顺序遍历点云数据A中的节点提取属于地面的点;所述顺序order1与三维传感器的扫描顺序呈线性关系。
在一些事实例中,所述聚类分割模块用于对点云数据A中每一个节点a,若节点a不是属于地面,且节点a的高度小于缓冲区域期待值的最大高度差maxdh,则节点a属于过渡区域。
本实施例在我们对地面的分割完成后,对于非地面的部分我们将局部邻近的立体像素归成一组。所有的局部聚类(分组)合起来必须是完整的点云,而局部聚类之间互相不重叠。局部聚类的大小就是唯一的参数。而地面则像是这些分组间的分割栏。算法1是对密集型点云数据的分割方法的一个概述。而图1则是运用全聚类方法得到的一个案例。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白,上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,包括但不限于:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器,使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中,使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机设备上,使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上所述仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。

Claims (6)

1.一种松散型点云数据分割方法,其特征在于,包括步骤:
S101根据三维传感器采集的点云数据A建立起一个非结构性的地域网格G;
S102、基于非结构性的地域网格G计算点云数据A中每一节点的梯度,根据点云数据A中每一节点的梯度提取属于地面的点;
S103、对点云数据A中属于非地面的点进行聚类分割,对点云数据A中每一个节点a,若节点a不是属于地面,且节点a的高度小于缓冲区域期待值的最大高度差maxdh,则节点a属于过渡区域。
2.根据权利要求1所述的一种松散型点云数据分割方法,其特征在于,所述步骤S102包括:
对点云数据A中每一个节点a,计算每一条与节点a相连的边的梯度,从这些梯度中选择范数最大的梯度来作为这个节点a的梯度;
所述计算每一条与节点a相连的边的梯度为,节点a与另一节点b具有相连的边m,用节点a和节点b间的绝对高度差,除以节点a和节点b间的距离,得到边m的梯度;
根据云数据A中节点的梯度关系形成多个光栅,若光栅i与光栅g相邻,光栅g对应节点序列Sg,光栅i对应节点序列Si,若满足条件:Sg与Si中最接近的节点之间的高度差小于最大高度差maxdh,所述最接近的节点为ng与ni,那么节点序列Si也会被标记为“地面”,其中节点ng与节点ni分别是节点序列Sg和节点序列Si中的点。
3.根据权利要求1所述的一种松散型点云数据分割方法,其特征在于,所述步骤S102还包括,以顺序order1遍历点云数据A中的节点以提取属于地面的点,再以与顺序order1相反的顺序遍历点云数据A中的节点提取属于地面的点;
所述顺序order1与三维传感器的扫描顺序呈线性关系。
4.一种松散型点云数据分割设备,其特征在于,所述设备包括梯度计算模块,地域网格生成模块,聚类分割模块;
所述梯度计算模块用于根据三维传感器采集的点云数据A建立起一个非结构性的地域网格G;
所述梯度计算模块用于,基于非结构性的地域网格G计算点云数据A中每一节点的梯度;
所述聚类分割模块用于根据点云数据A中每一节点的梯度提取属于地面的点,用于对点云数据A中属于非地面的点进行聚类分割,所述聚类分割模块用于,对点云数据A中每一个节点a,若节点a不是属于地面,且节点a的高度小于缓冲区域期待值的最大高度差maxdh,则节点a属于过渡区域。
5.根据权利要求4所述的一种松散型点云数据分割设备,其特征在于,所述梯度计算模块用于对点云数据A中每一个节点a,计算每一条与节点a相连的边的梯度,从这些梯度中选择范数最大的梯度来作为这个节点a的梯度;
所述计算每一条与节点a相连的边的梯度为,节点a与另一节点b具有相连的边m,用节点a和节点b间的绝对高度差,除以节点a和节点b间的距离,得到边m的梯度;
所述聚类分割模块用于根据云数据A中节点的梯度关系形成多个光栅,若光栅i与光栅g相邻,光栅g对应节点序列Sg,光栅i对应节点序列Si,若满足条件:Sg与Si中最接近的节点之间的高度差小于最大高度差maxdh,所述最接近的节点ng与ni,节点ng与节点ni分别是节点序列Sg和节点序列Si中的点,那么节点序列Si中的点也被标记为地面的点。
6.根据权利要求4所述的一种松散型点云数据分割设备,其特征在于,所述聚类分割模块用于以顺序order1遍历点云数据A中的节点以提取属于地面的点,再以与顺序order1相反的顺序遍历点云数据A中的节点提取属于地面的点;所述顺序order1与三维传感器的扫描顺序呈线性关系。
CN201510843875.2A 2015-11-26 2015-11-26 一种松散型点云数据分割方法和设备 Active CN105404898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510843875.2A CN105404898B (zh) 2015-11-26 2015-11-26 一种松散型点云数据分割方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510843875.2A CN105404898B (zh) 2015-11-26 2015-11-26 一种松散型点云数据分割方法和设备

Publications (2)

Publication Number Publication Date
CN105404898A CN105404898A (zh) 2016-03-16
CN105404898B true CN105404898B (zh) 2018-11-06

Family

ID=55470373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510843875.2A Active CN105404898B (zh) 2015-11-26 2015-11-26 一种松散型点云数据分割方法和设备

Country Status (1)

Country Link
CN (1) CN105404898B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102671067B1 (ko) * 2016-04-08 2024-05-30 팅크웨어(주) 도로면 생성 방법, 도로면 생성 장치, 포인트 클라우드 데이터 처리 방법, 포인트 클라우드 데이터 처리 장치, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체
US10101746B2 (en) * 2016-08-23 2018-10-16 Delphi Technologies, Inc. Automated vehicle road model definition system
CN106683105B (zh) * 2016-12-02 2020-05-19 深圳市速腾聚创科技有限公司 图像分割方法及图像分割装置
CN108459989B (zh) * 2018-03-19 2021-05-07 中国气象科学研究院 一种非结构网格气象数值模式计算***
CN110782465B (zh) * 2019-12-30 2020-03-27 中智行科技有限公司 一种基于激光雷达的地面分割方法、装置及存储介质
CN113077473B (zh) * 2020-01-03 2024-06-18 广州汽车集团股份有限公司 三维激光点云路面分割方法、***、计算机设备及介质
CN113496491B (zh) * 2020-03-19 2023-12-15 广州汽车集团股份有限公司 一种基于多线激光雷达的路面分割方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702200A (zh) * 2009-11-03 2010-05-05 武汉大学 一种机载激光雷达点云数据的自动分类方法
CN102306397A (zh) * 2011-07-08 2012-01-04 中国科学院自动化研究所 点云数据网格化的方法
US8396293B1 (en) * 2009-12-22 2013-03-12 Hrl Laboratories, Llc Recognizing geometrically salient objects from segmented point clouds using strip grid histograms
CN102999937A (zh) * 2011-09-08 2013-03-27 上海翰攀信息科技有限公司 心脏散乱点云数据曲面重建的方法
CN103268632A (zh) * 2013-01-07 2013-08-28 河海大学 一种机载激光雷达扫描生成地形信息的方法
CN104318035A (zh) * 2014-11-07 2015-01-28 中铁第四勘察设计院集团有限公司 针对海量地形大数据点云的总分式三角网多线程并行生成方法
CN104331699A (zh) * 2014-11-19 2015-02-04 重庆大学 一种三维点云平面化快速搜索比对的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702200A (zh) * 2009-11-03 2010-05-05 武汉大学 一种机载激光雷达点云数据的自动分类方法
US8396293B1 (en) * 2009-12-22 2013-03-12 Hrl Laboratories, Llc Recognizing geometrically salient objects from segmented point clouds using strip grid histograms
CN102306397A (zh) * 2011-07-08 2012-01-04 中国科学院自动化研究所 点云数据网格化的方法
CN102999937A (zh) * 2011-09-08 2013-03-27 上海翰攀信息科技有限公司 心脏散乱点云数据曲面重建的方法
CN103268632A (zh) * 2013-01-07 2013-08-28 河海大学 一种机载激光雷达扫描生成地形信息的方法
CN104318035A (zh) * 2014-11-07 2015-01-28 中铁第四勘察设计院集团有限公司 针对海量地形大数据点云的总分式三角网多线程并行生成方法
CN104331699A (zh) * 2014-11-19 2015-02-04 重庆大学 一种三维点云平面化快速搜索比对的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种点云数据的区域分割方法;董明晓;《机械设计》;20041031;第21卷(第10期);全文 *

Also Published As

Publication number Publication date
CN105404898A (zh) 2016-03-16

Similar Documents

Publication Publication Date Title
CN105404898B (zh) 一种松散型点云数据分割方法和设备
Liu et al. Masc: Multi-scale affinity with sparse convolution for 3d instance segmentation
Truong‐Hong et al. Combining an angle criterion with voxelization and the flying voxel method in reconstructing building models from LiDAR data
Ramiya et al. Segmentation based building detection approach from LiDAR point cloud
Shi et al. Adaptive simplification of point cloud using k-means clustering
CN111008422B (zh) 一种建筑物实景地图制作方法及***
CN104977584B (zh) 一种对流天气的临近预报方法及***
CN101719140B (zh) 一种图形检索方法
CN104636354B (zh) 一种位置兴趣点聚类方法和相关装置
Previtali et al. A flexible methodology for outdoor/indoor building reconstruction from occluded point clouds
CN107392875A (zh) 一种基于k近邻域划分的点云数据去噪方法
CN104751505A (zh) 基于lod模型和四叉树层次结构的三维场景渲染算法
Li et al. An automatic tree skeleton extracting method based on point cloud of terrestrial laser scanner
CN104732587A (zh) 一种基于深度传感器的室内3d语义地图构建方法
CN110033519A (zh) 基于隐式函数的三维建模方法、装置、***及存储介质
Cotella From 3D point clouds to HBIM: application of artificial intelligence in cultural heritage
CN110827302A (zh) 基于深度图卷积网络的点云目标提取方法及装置
Chen et al. 3D model-based terrestrial laser scanning (TLS) observation network planning for large-scale building facades
CN108984741A (zh) 一种地图生成方法及装置、机器人和计算机可读存储介质
CN110147775A (zh) 利用细化空间分隔法从点云提取室内导航元素的方法
Demir et al. Coupled segmentation and similarity detection for architectural models
CN105513051A (zh) 一种点云数据处理方法和设备
Carr et al. Joint contour nets: Computation and properties
Xu et al. Three-dimensional object detection with deep neural networks for automatic as-built reconstruction
CN109685889A (zh) 一种场景扫描定位方法、存储介质及***

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant