CN107239794B - 点云数据分割方法和终端 - Google Patents
点云数据分割方法和终端 Download PDFInfo
- Publication number
- CN107239794B CN107239794B CN201710353580.6A CN201710353580A CN107239794B CN 107239794 B CN107239794 B CN 107239794B CN 201710353580 A CN201710353580 A CN 201710353580A CN 107239794 B CN107239794 B CN 107239794B
- Authority
- CN
- China
- Prior art keywords
- segmentation result
- grid
- point cloud
- segmentation
- subset
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种点云数据分割方法和终端,其中方法包括:利用具有不同栅格分辨率的栅格图对同一点云数据进行分割以得到相应栅格分辨率下的分割结果;每个分割结果至少包括一个独立的子集;根据所述栅格分辨率从小到大的顺序对相应栅格分辨率下的分割结果分别进行目标物检测;在进行目标物检测时,当小栅格分辨率下的分割结果中有检测到目标物的子集时,在大栅格分辨率下的分割结果中确定与检测到目标物的子集对应的映射子集,并将所述映射子集从所述大栅格分辨率下的分割结果中去除后进行目标物检测;以及根据各栅格分辨率下的目标物检测结果得到所述点云数据的最终分割结果。上述方法能够提高目标检测和跟踪的准确度。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种点云数据分割方法和终端。
背景技术
点云是利用激光在同一空间参考系下获取物体表面的每个采样点的空间坐标,得到的是一系列表达目标空间分布和目标表面特性的海量点的集合。点云数据分割是确定点云中具有相同属性区域的过程,它将点云数据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、人、树木以及建筑物等等),反映感知对象的几何和位置特征。因此,点云数据分割的好坏直接关系到感知对象的检测和识别的精准度。传统的点云数据分割方法会因为点云数据的稀疏性导致容易出现欠分割或者过分割等情况。过分割是将实际上只有一个物体,在点云中分割成了两个物体;欠分割是将实际上的两个物体,在点云中分割成了一个物体,从而影响后续目标检测与跟踪效果。
发明内容
基于此,有必要提供一种能够提高目标检测和跟踪的准确度的点云数据分割方法和终端。
一种点云数据分割方法,包括:
利用具有不同栅格分辨率的栅格图对同一点云数据进行分割以得到相应栅格分辨率下的分割结果;每个分割结果至少包括一个独立的子集;
根据所述栅格分辨率从小到大的顺序对相应栅格分辨率下的分割结果分别进行目标物检测;在进行目标物检测时,当小栅格分辨率下的分割结果中有检测到目标物的子集时,在大栅格分辨率下的分割结果中确定与检测到目标物的子集对应的映射子集,并将所述映射子集从所述大栅格分辨率下的分割结果中去除后进行目标物检测;以及
根据各栅格分辨率下的目标物检测结果得到所述点云数据的最终分割结果。
上述点云数据分割方法,利用具有不同栅格分辨率的栅格图来对同一点云数据进行分割以得到相应栅格分辨率下的分割结果,并根据栅格分辨率从小到大的顺序对相应的栅格分辨率下的分割结果分别进行目标物检测。在进行目标物检测的过程中,当小栅格分辨率下的分割结果中有检测到目标物的子集时,在大栅格分辨率下的分割结果中确定与该子集对应的映射子集,从而从大栅格分辨率中去除该映射子集后对其进行目标物检测识别。由于在小栅格分辨率下的分割结果中可能会出现因过分割而导致无法正确检测到目标物的情况,但是在之后的大栅格分辨率下的分割结果中,会将过分割的部分结合在一起,组成正确的分割结果,从而避免因欠分割和过分割导致的漏检情况,进而提高后续目标检测和跟踪的准确度。
在其中一个实施例中,各栅格图的栅格分辨率呈递增关系。
在其中一个实施例中,在将所述映射子集从所述大栅格分辨率下的分割结果中去除后进行目标物检测中,若当前栅格分辨率下的分割结果中的子集均被去除时,则结束对各分割结果进行目标物检测。
在其中一个实施例中,当小栅格分辨率下的分割结果中有检测到目标物的子集时,在大栅格分辨率下的分割结果中确定与检测到目标物的子集对应的映射子集包括:在大栅格分辨率下的分割结果中确定包含小栅格分辨率下的分割结果中检测到目标物的子集的点云数据的子集作为映射子集。
在其中一个实施例中,所述根据各栅格分辨率下的目标物检测结果得到所述点云数据的最终分割结果的步骤包括:
当所有的分割结果中均未检测到目标物,则将最小栅格分辨率下的分割结果作为最终分割结果;
当分割结果中有检测到目标物且存在对应的映射子集时,则将小栅格分辨率下的分割结果中对应于所述映射子集的分割作为所述映射子集内的点云数据的分割结果;
当分割结果中有检测到目标物但不存在对应的映射子集时,则将检测到目标物的子集作为对应点云数据的分割结果。
在其中一个实施例中,所述栅格分辨率的大小根据所述点云数据对应的环境中物体之间的间距大小确定。
在其中一个实施例中,在进行目标物检测时,是将分割结果输入到分类器中进行检测。
在其中一个实施例中,所述利用具有不同栅格分辨率的栅格图对同一点云数据进行分割以得到相应栅格分辨率下的分割结果的步骤中,分别利用栅格分辨率为0.1米、0.2米和0.3米的栅格图对同一点云数据进行分割。
在其中一个实施例中,所述利用具有不同栅格分辨率的栅格图对同一点云数据进行分割以得到相应栅格分辨率下的分割结果的步骤中,包括:
将所述点云数据全部投影到目标平面;
根据栅格分辨率在目标平面建立栅格图;
将有点云数据投影的栅格在栅格图中进行标注;
对标注后的栅格求取连通域得到连通域分割结果;以及
根据所述连通域分割结果和点云数据的投影结果得到最终的分割结果。
一种终端,包括存储器和处理器,所述存储器中存储有可执行指令;其特征在于,所述可执行指令被所述处理器执行时,可使得所述处理器执行前述任一实施例所述的点云数据分割方法。
附图说明
图1为一实施例中的终端的组成结构示意图;
图2为一实施例中的点云数据分割方法的流程图;
图3为一实施例中步骤S110的流程图;
图4为将点云数据投影到目标平面时的示意图;
图5为执行步骤S230后的栅格图的示意图;
图6为执行步骤S240后的示意图;
图7为执行步骤S250后的分割结果的示意图;
图8为一实施例中的多尺度栅格图的示意图;
图9为一实施例中的多尺度栅格图的分割结果示意图;
图10为一实施例中基于图9所示实施例中的分割结果的最终分割结果示意图;
图11为另一实施例中基于图9所示实施例中的分割结果的最终分割结果示意图;
图12为又一实施例中基于图9所示实施例中的分割结果的最终分割结果示意图;
图13为再一实施例中基于图9所示实施例中的分割结果的最终分割结果示意图;
图14为一实施例中基于图9所示实施例中的分割结果的目标物检测结果示意图;
图15为基于图14所示的目标物检测结果的最终分割结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一实施例中的点云数据分割方法,用于对三维激光雷达或者三维激光测距传感器等测试设备采集到的点云数据进行分割,以确定点云中具有相同属性区域,并将其聚类分离成独立的子集,从而使得分类器等检测和识别设备可以进行检测识别,进而实现对感知对象的检测和识别。该点云数据分割方法可以应用于专门用于进行图像处理的终端上,也可以用于其他具有图像处理功能的智能终端上,如计算机、掌上电脑、平板。该方法还可以用于需要对环境对象进行感知的无人机、无人驾驶汽车等自移动终端上。
在一实施例中,终端的组成结构如图1所示,其包括通过***总线连接的处理器、内存储器、非易失性存储介质、网络接口、显示屏、扬声器和输入装置。该终端的非易失性存储介质中存储有可执行指令,用于实现一种点云数据分割方法。该终端的处理器用于提供计算和控制能力,被配置为执行一种点云数据分割方法。该终端的显示屏可以为液晶显示屏或者电子墨水显示屏等。该终端的输入装置可以是显示屏上覆盖的触摸层,也可以是外接的键盘、触控板或鼠标等。可以理解,该终端的结构包括但不限于上述结构,并且可以根据需要对终端的功能组件进行增加或者删除。
如图2所示,在一实施例中,提供了一种点云数据分割方法,该方法包括以下步骤:
步骤S110,利用具有不同栅格分辨率的栅格图对同一点云数据进行分割以得到相应栅格分辨率下的分割结果。
点云数据可以通过三维激光雷达等探测设备来采集获取。对采集到的点云数据采用多种栅格分辨率的栅格图来进行分割,从而得到多种栅格分辨率下的分割结果。每个分割结果中均至少包括一个独立的子集,各子集之间相互独立,以便于后续对各子集进行检测和识别。在本实施例中,栅格分辨率是指栅格尺寸,也即栅格图中每个栅格的边长所代表的实际物体尺寸的大小。栅格分辨率对分割结果的准确性会产生一定的影响。例如,当栅格分辨率较大时,整个栅格图的清晰度较小,容易出现欠分割的情况,也即将多个物体分割为一个物体的情况;当栅格分辨率较小时,整个栅格图的清晰度较大,容易出现过分割的情况,也即将一个物体分割为多个物体。因此,当利用具有不同栅格分辨率的栅格图来对同一点云数据进行分割时,既可能出现过分割,也可能出现欠分割或者同时包括欠分割和过分割两种分割结果。在一实施例中,多个栅格分辨率可以呈递增关系,比如设置为0.1m、0.2m、0.3m……。在其他的实施例中,多个栅格分辨率还可以保持其他的递增关系,比如呈倍数递增,或者等比递增等。栅格分辨率的大小可以根据点云数据对应的环境中物体之间的间距大小确定。
步骤S120,根据栅格分辨率从小到大的顺序对相应栅格分辨率下的分割结果分别进行目标物检测。
在完成对同一点云数据的分割形成多个分割结果后,根据栅格分辨率的大小顺序依次对各栅格分辨率下的分割结果进行目标物检测。在一实施例中,进行目标物检测,是指将分割结果输入到分类器中,以通过分类器对其进行分类,最终对目标物进行检测。目标物可以为所有预先设定的待检测识别的物体,比如建筑物、树木、道路标识等等。
在进行目标物检测过程中,当小栅格分辨率下的分割结果中有检测到目标物的子集时,在大栅格分辨率下的分割结果中确定与该检测到目标物的子集对应的映射子集,从而将该映射子集从大栅格分辨率下的分割结果中去除后再进行目标物检测。在一实施例中,在大栅格分辨率下的分割结果中确定包含小栅格分辨率下的分割结果中检测到目标物的子集的点云数据的子集作为映射子集。在其他的实施例中,也可以确定检测到目标物的子集中的一个点云数据,然后确定该点云数据在大栅格分辨率中所属的子集作为映射子集。
本实施例中的大小栅格分辨率是相对概念,也即以当前栅格分辨率为准,比该栅格分辨率大的则为大栅格分辨率,比该栅格分辨率小的则为小栅格分辨率,该栅格分辨率相对于大于自身的栅格分辨率而言则为小栅格分辨率。在从大栅格分辨率下的分割结果中去除映射子集内的点云数据时,是指从当前的大栅格分辨率中去除所有栅格分辨率比其小的分割结果中检测到目标物的子集对应的映射子集。在一实施例中,当大栅格分辨率下的分割结果中的所有子集均被去除后,则表明已经检测的几个分割结果中已经实现了对点云数据的正确分割,故无需对该分割结果以及后续分割结果(也即更大栅格分辨率下的分割结果)进行目标物检测,以节省操作时间并降低操作复杂度。
步骤S130,根据各栅格分辨率下的目标物检测结果得到点云数据的最终分割结果。
由于栅格分辨率的选取不同,导致最终得到的各目标物检测结果也并不完全相同。在一实施例中,当所有的分割结果中均未检测到目标物时,则将最小栅格分辨率下的分割结果作为最终分割结果。在一实施例中,当分割结果中有检测到目标物且存在对应的映射子集时,则将小栅格分辨率下的分割结果中对应于映射子集的分割作为映射子集内的点云数据的分割结果。当分割结果中并非所有的点云数据均检测到目标物,而是存在部分检测到目标物部分未检测到目标物的情况时,对应于映射子集的小栅格分辨率下的分割结果作为该映射子集的分割结果,而未检测到目标物的部分则以最小栅格分辨率中的分割作为分割结果,从而将二者结合得到点云数据的最终分割结果。在另一实施例中,在检测识别过程中,能够检测到目标物但是并不存在对应的映射子集,也即检测到目标物的子集对应的栅格分辨率为最大栅格分辨率,此时将该检测到目标物的子集作为对应点云数据的分割结果。
上述点云数据分割方法,利用具有不同栅格分辨率的栅格图来对同一点云数据进行分割以得到相应栅格分辨率下的分割结果,并根据栅格分辨率从小到大的顺序对相应的栅格分辨率下的分割结果分别进行目标物检测。在进行目标物检测的过程中,当小栅格分辨率下的分割结果中有检测到目标物的子集时,在大栅格分辨率下的分割结果中确定与该子集对应的映射子集,从而从大栅格分辨率中去除该映射子集后对其进行目标物检测识别。由于在小栅格分辨率下的分割结果中可能会出现因过分割而导致无法正确检测到目标物的情况,但是在之后的大栅格分辨率下的分割结果中,会将过分割的部分结合在一起,组成正确的分割结果,从而避免因欠分割和过分割导致的漏检情况,进而提高后续目标检测和跟踪的准确度。
在一实施例中,步骤S110可以通过图3所示的步骤来实现。参见图3,其步骤S110包括以下子流程:
步骤S210,获取点云数据并将其全部投影到投影目标平面。
目标平面可以根据需要进行设定,如选择水平面作为目标平面。例如在笛卡尔坐标系下,点云坐标为(x,y,z),如果x-y平面作为水平面(也即目标平面),则将所有的点云数据投影到x-y平面;如果y-z平面为水平面,则全部投影到y-z平面。在本实施例中,所有的点云坐标都是以x-y平面为水平面,因此将其全部投影到x-y平面,如图4所示。其中,图4中的点云数据为仅为示例。
步骤S220,在目标平面建立栅格图。
根据不同的栅格分辨率构建不同的栅格图。
步骤S230,将有点云数据投影的栅格在栅格图中进行标注。
在本实施例中,将有点云数据投影的栅格标注为1(或者赋值为1),其他栅格标注为0(或者赋值为0),从而构建栅格二值图,如图5所示。图5中标注为1的栅格为黑色。在其他的实施例中,也可以仅对有点云投影的栅格进行标注,而不对其他栅格进行标注。在一实施例中,可以通过占空比判断栅格上是否有点云数据的投影。比如,当占空比大于预设值时,可以认定该栅格上有点云数据投影,从而对该栅格进行标注。
步骤S240,对标注后的栅格求取连通域得到连通域分割结果。
求取连通域可以通过传统的分割方法中采用的技术来实现。得到的连通域分割结果如图6所示。图6中具有同一字母标注的点云数据在同一连通域内,不同字母代表不同的连通域。
步骤S250,根据连通域分割结果和点云数据的投影结果得到最终的分割结果。
利用连通域结果可以对点云数据的投影结果进行分割,从而得到最终的分割结果。每个分割域作为一个独立的子集,如图7所示。图7中具有同一字母标注的点云数据属于同一个子集内,不同字母代表不同的子集。
对每一帧的点云数据进行分割均可以采用上述步骤来实现。
下面结合一具体实施例对上述点云数据分割方法做进一步详细说明。在本实施例中,利用栅格分辨率分别为0.1m、0.2m和0.3m的栅格图对同一点云数据进行分割,形成三个分割结果。多尺度栅格图的示意图如图8所示,其构成一个栅格分辨率从下往上依次增大的金字塔式的栅格图。在本实施例中,小栅格分辨率中的某个子集或者某个子集中的一个点云数据被大栅格分辨率中的某个子集所包含时,则认为大栅格分辨率中的该子集为对应于小栅格分辨率下的分割结果中的某个子集的映射子集。
在一实施例中,栅格分辨率为0.1m的分割结果中,将点云数据分割为a、b、c和d四个独立的子集,而栅格分辨率为0.2m的分割结果中,则将点云数据分割为e和f两个独立子集。其中,e子集包含了栅格分辨率为0.1m的分割结果中的a子集和b子集中的点云数据,也即e子集作为a和b子集的映射子集,同样的,f子集则为c和d子集的映射子集。在栅格分辨率为0.3m的分割结果中,则将点云数据只分割成了一个独立g子集,显然该g子集为e和f的映射子集,如图9所示。其中,连线表示映射关系,同一映射关系下的子集属于同一分支。
在进行分割后,先将栅格分辨率为0.1m,也即最小栅格分辨率下的分割结果送入到分类器中进行目标物检测。在一实施例中,栅格分辨率为0.1m的分割结果中,每个分支都检测到目标物。因此,在对栅格分辨率为0.2m的分割结果进行目标物检测前,需要将对应的映射子集均去除再执行目标物检测。此时,所有的映射子集均被去除,也即无需对其进行目标物检测,从而停止对栅格分辨率为0.2m和0.3m的分割结果进行目标物检测,直接以栅格分辨率为0.1m的分割结果作为最终分割结果,也即将点云数据分割为a、b、c和d,如图10所示。其中,斜线填充的子集表示检测到目标物的子集,下标三角形的子集为最终分割结果中的子集。
在一实施例中,当栅格分辨率为0.1m的分割结果中没有检测到目标物,则无需对栅格分辨率为0.2m的分割结果进行处理,直接将栅格分辨率为0.2m的分割结果输入至分类器中进行目标物检测,此后的步骤与栅格分辨率为0.1的处理过程类似。当栅格分辨率为0.2m的分割结果中检测到目标物时,此时不再对栅格分辨率为0.3m的分割结果进行目标物检测,直接将栅格分辨率为0.2m的分割结果作为最终分割结果,也即将点云数据分割为e和f子集,如图11所示。若栅格分辨率为0.2m的分割结果中仍未检测到目标物,则需要进一步对栅格分辨率为0.3m的分割结果进行目标物识别。若栅格分辨率为0.3m的分割结果检测到目标物,则将其作为最终分割结果,也即将点云数据分割为一个g子集,如图12所示。若栅格分辨率为0.3m的分割结果中也没有检测到目标物,仍将栅格分辨率为0.1m的分割结果作为最终分割结果,避免由于欠分割导致出现漏检情况,如图13所示。
在其他的实施例中,当存在多个分支时,不同的分支具有不同的检测结果时,可以根据前述的确定依据来对每个分支进行相同的处理。例如,当栅格分辨率为0.1m的分割结果中只有一个分支检测到目标对象,而另一分支没有检测到目标对象(如图14)时,从栅格分辨率为0.2m的分割结果中去除检测到目标物的子集对应的映射子集(也即同一分支上的子集),仅对其他子集进行目标物检测。若该子集检测到目标物,则以该子集的分割结果作为该分支的点云数据的分割结果,否则继续对栅格分辨率为0.3m的分割结果进行处理后再进行目标物检测。在本实施例中,另一分支在栅格分辨率为0.2m时检测到目标物,故,无需再对栅格分辨率为0.3m的分割结果进行处理,直接以栅格分辨率为0.1中的左侧分支的两个检测结果的分割以及右侧栅格分辨率为0.2m的分割结果综合作为最终分割结果,如图15所示。
上述点云数据分割方法,在分辨率较小的栅格图分割结果中,可能会出现因过分割而导致无法正确检测到目标的情况,但是在之后的分辨率较大的栅格图中,会将这些过分割的部分结合在一起,组成正确的分割结果,使分类器正确地检测到目标。同时,在分辨率较大时,会出现欠分割这样的弊端,也会通过分辨率较小的栅格图而有效地解决。通过构建多栅格分辨率的栅格图可以有效地解决传统栅格图进行点云分割中出现过分割和欠分割的问题,使得之后在对点云数据中的目标进行目标检测和跟踪的时候,准确度较高,鲁棒性更好。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种点云数据分割方法,包括:
利用具有不同栅格分辨率的栅格图对同一点云数据进行分割以得到相应栅格分辨率下的分割结果;每个分割结果至少包括一个独立的子集;
根据所述栅格分辨率从小到大的顺序对相应栅格分辨率下的分割结果分别进行目标物检测;在进行目标物检测时,当小栅格分辨率下的分割结果中有检测到目标物的子集时,在大栅格分辨率下的分割结果中确定与检测到目标物的子集对应的映射子集,并将所述映射子集从所述大栅格分辨率下的分割结果中去除后进行目标物检测;当小栅格分辨率下的分割结果中没有检测到目标物时,对大栅格分辨率下的分割结果进行目标物检测;以及
根据各栅格分辨率下的目标物检测结果得到所述点云数据的最终分割结果。
2.根据权利要求1所述的方法,其特征在于,各栅格图的栅格分辨率呈递增关系。
3.根据权利要求1所述的方法,其特征在于,在将所述映射子集从所述大栅格分辨率下的分割结果中去除后进行目标物检测中,若当前栅格分辨率下的分割结果中的子集均被去除时,则结束对各分割结果进行目标物检测。
4.根据权利要求1所述的方法,其特征在于,当小栅格分辨率下的分割结果中有检测到目标物的子集时,在大栅格分辨率下的分割结果中确定与检测到目标物的子集对应的映射子集包括:在大栅格分辨率下的分割结果中确定包含小栅格分辨率下的分割结果中检测到目标物的子集的点云数据的子集作为映射子集。
5.根据权利要求1所述的方法,其特征在于,所述根据各栅格分辨率下的目标物检测结果得到所述点云数据的最终分割结果的步骤包括:
当所有的分割结果中均未检测到目标物,则将最小栅格分辨率下的分割结果作为最终分割结果;
当分割结果中有检测到目标物且存在对应的映射子集时,则将小栅格分辨率下的分割结果中对应于所述映射子集的分割作为所述映射子集内的点云数据的分割结果;
当分割结果中有检测到目标物但不存在对应的映射子集时,则将检测到目标物的子集作为对应点云数据的分割结果。
6.根据权利要求1所述的方法,其特征在于,所述栅格分辨率的大小根据所述点云数据对应的环境中物体之间的间距大小确定。
7.根据权利要求1所述的方法,其特征在于,在进行目标物检测时,是将分割结果输入到分类器中进行检测。
8.根据权利要求1所述的方法,其特征在于,所述利用具有不同栅格分辨率的栅格图对同一点云数据进行分割以得到相应栅格分辨率下的分割结果的步骤中,分别利用栅格分辨率为0.1米、0.2米和0.3米的栅格图对同一点云数据进行分割。
9.根据权利要求1所述的方法,其特征在于,所述利用具有不同栅格分辨率的栅格图对同一点云数据进行分割以得到相应栅格分辨率下的分割结果的步骤中,包括:
将所述点云数据全部投影到目标平面;
根据栅格分辨率在目标平面建立栅格图;
将有点云数据投影的栅格在栅格图中进行标注;
对标注后的栅格求取连通域得到连通域分割结果;以及
根据所述连通域分割结果和点云数据的投影结果得到最终的分割结果。
10.一种终端,包括存储器和处理器,所述存储器中存储有可执行指令;其特征在于,所述可执行指令被所述处理器执行时,可使得所述处理器执行权利要求1~9任意一项所述的点云数据分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710353580.6A CN107239794B (zh) | 2017-05-18 | 2017-05-18 | 点云数据分割方法和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710353580.6A CN107239794B (zh) | 2017-05-18 | 2017-05-18 | 点云数据分割方法和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107239794A CN107239794A (zh) | 2017-10-10 |
CN107239794B true CN107239794B (zh) | 2020-04-28 |
Family
ID=59984443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710353580.6A Active CN107239794B (zh) | 2017-05-18 | 2017-05-18 | 点云数据分割方法和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239794B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108196260B (zh) * | 2017-12-13 | 2021-08-10 | 北京汽车集团有限公司 | 无人驾驶车辆多传感器融合***的测试方法和装置 |
US10916014B2 (en) | 2018-06-01 | 2021-02-09 | Ford Global Technologies, Llc | Distinguishing virtual objects from one another |
WO2019232782A1 (zh) * | 2018-06-08 | 2019-12-12 | 深圳蓝胖子机器人有限公司 | 一种物体特征的识别方法、视觉识别装置及机器人 |
CN111353969B (zh) * | 2018-12-20 | 2023-09-26 | 长沙智能驾驶研究院有限公司 | 道路可行驶区域的确定方法、装置及计算机设备 |
CN109949399B (zh) * | 2019-03-15 | 2023-07-14 | 西安因诺航空科技有限公司 | 一种基于无人机航拍图像的场景三维重建方法 |
CN110097047B (zh) * | 2019-03-19 | 2021-10-08 | 同济大学 | 一种基于深度学习采用单线激光雷达的车辆检测方法 |
CN110069993B (zh) * | 2019-03-19 | 2021-10-08 | 同济大学 | 一种基于深度学习的目标车辆检测方法 |
CN109979008B (zh) * | 2019-04-09 | 2023-04-07 | 北京大学深圳研究生院 | 一种基于属性的点云条带划分方法 |
WO2021035618A1 (zh) * | 2019-08-29 | 2021-03-04 | 深圳市大疆创新科技有限公司 | 点云分割方法、***和可移动平台 |
CN113971221A (zh) * | 2020-07-22 | 2022-01-25 | 上海商汤临港智能科技有限公司 | 一种点云数据的处理方法、装置、电子设备及存储介质 |
CN112348781A (zh) * | 2020-10-26 | 2021-02-09 | 广东博智林机器人有限公司 | 一种基准面高度检测方法、装置、设备及存储介质 |
CN112329749B (zh) * | 2021-01-05 | 2021-04-27 | 新石器慧通(北京)科技有限公司 | 点云的标注方法及标注设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732482A (zh) * | 2015-03-30 | 2015-06-24 | 中国人民解放军63655部队 | 一种基于控制点的多分辨率图像拼接方法 |
CN105571571A (zh) * | 2016-01-26 | 2016-05-11 | 中国科学院水利部成都山地灾害与环境研究所 | 基于三维激光扫描的堆积剖面空间结构信息分析方法 |
CN105787948A (zh) * | 2016-03-23 | 2016-07-20 | 华中科技大学 | 一种基于多变形分辨率的快速图像分割方法 |
CN105825219A (zh) * | 2016-05-10 | 2016-08-03 | 梁伟棠 | 机器视觉检测*** |
CN106683105A (zh) * | 2016-12-02 | 2017-05-17 | 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 |
-
2017
- 2017-05-18 CN CN201710353580.6A patent/CN107239794B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732482A (zh) * | 2015-03-30 | 2015-06-24 | 中国人民解放军63655部队 | 一种基于控制点的多分辨率图像拼接方法 |
CN105571571A (zh) * | 2016-01-26 | 2016-05-11 | 中国科学院水利部成都山地灾害与环境研究所 | 基于三维激光扫描的堆积剖面空间结构信息分析方法 |
CN105787948A (zh) * | 2016-03-23 | 2016-07-20 | 华中科技大学 | 一种基于多变形分辨率的快速图像分割方法 |
CN105825219A (zh) * | 2016-05-10 | 2016-08-03 | 梁伟棠 | 机器视觉检测*** |
CN106683105A (zh) * | 2016-12-02 | 2017-05-17 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN107239794A (zh) | 2017-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107239794B (zh) | 点云数据分割方法和终端 | |
CN108038474B (zh) | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
US20190347767A1 (en) | Image processing method and device | |
CN110544258A (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
CN107240104B (zh) | 点云数据分割方法和终端 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
CN112613387A (zh) | 一种基于YOLOv3的交通标志检测方法 | |
CN114972947B (zh) | 一种基于模糊语义建模的深度场景文本检测方法和装置 | |
CN110544268A (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
CN113255555A (zh) | 中国交通标志牌识别方法、***、处理设备及存储介质 | |
CN110207702B (zh) | 目标定位的方法及装置 | |
CN114820679A (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN112837384B (zh) | 车辆标记方法、装置和电子设备 | |
CN109934072B (zh) | 人员统计方法及装置 | |
CN112132892A (zh) | 目标位置标注方法、装置及设备 | |
CN109784198A (zh) | 机场遥感图像飞机辨识方法及装置 | |
CN111819567A (zh) | 使用语义特征来匹配图像的方法和装置 | |
CN112767412A (zh) | 车辆部件级分割方法、装置以及电子设备 | |
CN116642490A (zh) | 基于混合地图的视觉定位导航方法、机器人及存储介质 | |
CN115713750A (zh) | 一种车道线检测方法、装置、电子设备及存储介质 | |
US20220318456A1 (en) | Simulation method based on three-dimensional contour, storage medium, computer equipment | |
CN108133206B (zh) | 静态手势识别方法、装置及可读存储介质 | |
CN112819953A (zh) | 三维重建方法、网络模型训练方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |