CN108228798B - 确定点云数据之间的匹配关系的方法和装置 - Google Patents

确定点云数据之间的匹配关系的方法和装置 Download PDF

Info

Publication number
CN108228798B
CN108228798B CN201711478277.5A CN201711478277A CN108228798B CN 108228798 B CN108228798 B CN 108228798B CN 201711478277 A CN201711478277 A CN 201711478277A CN 108228798 B CN108228798 B CN 108228798B
Authority
CN
China
Prior art keywords
point cloud
feature
cloud data
determining
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
CN201711478277.5A
Other languages
English (en)
Other versions
CN108228798A (zh
Inventor
闫淼
湛逸飞
周旺
段雄
郎咸朋
马常杰
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.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing 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 Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN201711478277.5A priority Critical patent/CN108228798B/zh
Publication of CN108228798A publication Critical patent/CN108228798A/zh
Priority to KR1020180116484A priority patent/KR102125959B1/ko
Priority to US16/232,720 priority patent/US10853687B2/en
Priority to JP2018242682A priority patent/JP6837467B2/ja
Priority to EP18248068.1A priority patent/EP3506162B1/en
Application granted granted Critical
Publication of CN108228798B publication Critical patent/CN108228798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开的实施例涉及确定点云数据之间的匹配关系的方法、装置和计算机可读存储介质。该方法包括提取与第一点云数据相关联的第一特征以及与第二点云数据相关联的第二特征。第一点云数据与第二点云数据是针对同一对象被采集的。该方法还包括对第一特征与第二特征进行特征匹配。此外，该方法还包括基于特征匹配，确定第一点云数据和第二点云数据之间的匹配关系。

Description

确定点云数据之间的匹配关系的方法和装置
技术领域
本公开的实施例总体上涉及点云数据处理领域，并且更具体地，涉及确定点云数据之间的匹配关系的方法和装置。
背景技术
在高精地图绘制中需要精确地识别三维地图环境。同时，从广义上讲，自动驾驶车辆出于仿真的目的也需要识别三维动态目标。此外，在部件制造、质量检查、多元化视图、卡通制作、三维制图和大众传播工具等领域中也需要对各种三维对象进行识别和比对。目前，在诸如上述领域中，通常可以通过采集点云数据并且进行分析来实现三维对象识别。
点云通常是指海量点的集合。在高精地图绘制和自动驾驶车辆等领域中，点云一般是指在道路以及周边环境中存在的、具有表面特性的海量点的集合，从而可以用来表示诸如道路、隔离带、广告牌等物体的表面形状。点云数据是指用来表示点云的数据，在点云数据中记载了点云中的各个点所具有的诸如三维坐标以及其他属性(例如，光强度、RGB颜色、灰度值、深度等)。点云数据例如可以通过利用三维扫描设备对点云采集环境进行扫描来获得，这些三维扫描设备可以包括激光雷达、立体摄像头、越渡时间(time-of-flight)相机等。这些设备可以用自动化的方式测量在物体表面的大量的点的信息，然后用某种数据文件格式的形式输出点云数据。
在使用获得的点云数据进行后续操作，尤其是针对动态或多次获得的点云进行综合使用时，普遍认为动态目标点云重影去除是一个技术要点。由于点云数据用来表示点云，因此确定点云之间的匹配关系与确定点云数据之间的匹配关系直接相关联。传统的用于确定点云数据之间的匹配关系的、诸如迭代最近点(ICP)算法之类的方法使用几乎全部点云数据(即，点云中的几乎所有点的相关数据)来确定不同点云数据之间的匹配关系。在上述传统方法中，涉及从针对同一对象的点云数据人工提取点云中的具有特定特征的点，以用于确定点云数据之间的匹配关系。然而，进行人工提取对点云数据的要求非常严格，只有当点云中的点的数据足够大、并且采集精度足够高时才能够找到例如点云中的对应的边角等一些细节，其中需要投入大量的人力成本。
同时，由于点云中的点通常数量非常庞大，因此使用上述传统方法在确定不同点云数据之间的匹配关系时需要密集地进行大量计算，因而消耗了大量的时间以及存储器空间。
此外，当例如使用车载激光雷达来获得车载激光点云时，所获得的车载激光点云具有非刚性形变的特点。然而，诸如迭代最近点算法之类的上述传统方法通常仅适用于具有刚性形变特点的点云。因此，使用上述传统方法将不能保证在确定大范围车载激光点云数据之间的匹配关系时具有良好的精准度，从而也无法满足确定点云数据之间的匹配关系时的非刚性变换的要求。
再者，上述传统方法在确定点云数据之间的匹配关系时均同时针对6个自由度来确定匹配关系，这要求较高运算速度和较大存储器空间。
发明内容
本公开的实施例提供了确定点云数据之间的匹配关系的方法和装置。
在本公开的第一方面中，提供了一种确定点云数据之间的匹配关系的方法。该方法包括：提取与第一点云数据相关联的第一特征以及与第二点云数据相关联的第二特征。第一点云数据与第二点云数据是针对同一对象被采集的。该方法还包括对第一特征与第二特征进行特征匹配。该方法进一步包括基于特征匹配，确定第一点云数据和第二点云数据之间的匹配关系。
在本公开的第二方面中，提供了一种确定点云数据之间的匹配关系的装置。该装置包括：提取模块，被配置为提取与第一点云数据相关联的第一特征以及与第二点云数据相关联的第二特征，第一点云数据与第二点云数据是针对同一对象被采集的；匹配模块，被配置为对第一特征与第二特征进行特征匹配；以及确定模块，被配置为基于特征匹配，确定第一点云数据和第二点云数据之间的匹配关系。
在本公开的第三方面中，提供了一种设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据本公开的第一方面的方法。
在本公开的第四方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或必要特征，也无意限制本公开的范围。
附图说明
通过结合附图对本公开的示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开的示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图100；
图2示出了根据本公开的实施例的确定点云数据之间的匹配关系的方法200的流程图；
图3示出了根据本公开的实施例的确定点云数据之间的匹配关系的设备300的框图；以及
图4示出了可以用来实施本公开内容的实施例的示例设备400的示意性框图。
在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以按照各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如以上在背景技术中所描述的，在现有技术中，在确定不同点云数据之间的匹配关系时需要密集地进行大量计算，因而消耗了大量的时间以及存储器空间。同时，在针对具有非刚性形变特点的例如车载激光点云数据确定匹配关系时，使用传统方法将不能保证在确定大范围车载激光点云数据之间的匹配关系时具有良好的精准度。上述问题的存在严重影响点云在各种领域中的应用和发展。
如为了至少部分地解决上述问题以及一个或者多个其他潜在问题，本公开的实施例提出了确定点云数据之间的匹配关系的方法和装置。根据本公开的实施例，提供了一种能够自动地、快速地并且高精度地实现确定点云数据之间的匹配关系的方法。
在该方法中，涉及按照点云中所包括的不同点的特定属性来将点云中的分为多个类别，包括例如地面点、平面点以及柱状体点。地面点是指位于所测量的环境中的地面位置的点。平面点是指位于测量的环境中的、与地面位置垂直或者成其他特定角度的平面上的点，这些平面例如可以包括建筑物的外表面以及广告牌等。柱状体点是指测量的环境中的、与地面位置垂直或者成其他特定角度的柱状体表面上的点，这些柱状体例如可以包括电线杆、树木、垃圾桶等。应当理解，点云中的点的上述类别并非仅仅包括地面点、平面点以及柱状体点，而是可以包括例如球体点、地面角点、高反射率点等其他类别。只要是在点云的采集环境中存在的、可以用于进行比较的不同形状均可以作为点云中的点的类别。
在将点云中所包括的不同点分为多个类别之后，可以利用不同类别的点所具有的特有属性来从不同类别的点生成新的特征。而后，通过比较不同点云中的、从对应类别的点所生成的特征，可以确定不同点云是否匹配，进而可以确定不同点云之间的匹配关系。在本公开的实施例中，术语“特征”可以包括特征点、与特征点对应的法向量以及其他辅助属性。这些辅助属性包括例如柱状体的半径、高度以及特征点所针对的小块平面的边长等。
在本公开中，上述不同特征可以包括生成的多个抽象特征点以及与特征点对应的法向量。在本公开中，不同点云之间的匹配关系包括不同点云之间的空间变换关系，例如，一个点云如何经过例如旋转、平移、角度变换等操作来变换为另一点云，即，与另一点云中的各个点大体上位置重合。同时，确定不同点云之间的匹配关系的过程也可以被称为点云之间的配准。
由于上述方法只需针对从点云中的点所生成的不同特征进行配准而无需针对点云中的所有点进行配准，因此可以大幅度降低进行配准所需要的计算量。同时，由于将点云中的点分成了不同类别，而不同类别的点对应于不同的自由度，因此在配准时可以每次仅针对部分自由度进行配准，而无需同时针对6个自由度进行配准，从而使得可以节省计算资源和存储资源，并且可以提高运算速度。
以下将参照附图来具体描述本公开的实施例。
图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图100。示意图100主要示出了本公开的中所涉及的点云及其对应的点云数据的采集环境。
在图1中示出了采集实体110，其用于针对采集环境来采集点云，生成对应的点云数据120，以及将点云数据120传送给计算设备130。在图1中，采集实体110被示出为采集车的形式。应当理解，本公开中用于采集点云数据120的采集实体110并不限于采集车，而是可以是具有点云采集能力的任何实体，例如，各种交通工具。同时，采集实体110也可以是集成或者承载了具有点云采集能力的设备的各种实体。由采集实体110所采集到的点云数据120在计算设备130处进行后续处理。应当理解，采集实体110可以采取诸如有线或者无线数据传输等任何数据传输形式将点云数据120传送给计算设备130。这种传送无需是实时传送。无论在何时或者以何种形式将点云数据120传送给计算设备130均不会影响计算设备130对点云数据120的后续处理。
在本公开的实施例中，点云数据是由采集实体110使用激光雷达对采集环境进行360度扫描所得到的采集环境中的各种对象的外表面的点的数据。根据扫描的垂直角分辨率可以得到一份n×m的数据，其中n为垂直方向上扫描线的数量，也被称为线程数量，m为一个扫描线沿水平方向进行360度扫描后所得到的数据。对于垂直角分辨率，举例而言，假设扫描高度为10度内的数据，如果将垂直角分辨率设置为2.5度，则将扫描出10÷2.5＝4个线程。应当理解，由于采集实体110具有一定的高度，因此在进行点云扫描时，通常会从一个距水平面角度为负(例如，-2.5度)的角度开始进行扫描，以便得到针对作为地面的水平面的扫描数据。应当理解，上述数值的选择仅仅是出于示例性目的，而并非旨在于以任何方式对本申请的保护范围进行限制。
在图1中还示出了采集环境中的各种对象，包括道路140，广告牌150-1、150-2和150-3(统称为广告牌150)，垃圾桶160-1和160-2(统称为垃圾桶160)，电线杆170-1和170-2(统称为电线杆170)以及树木180-1和180-2(统称为树木180)。在上述对象中，从道路140的表面上采集到的点云的数据构成地面点云数据，从与道路140基本上垂直的、作为小平面的广告牌150的表面上采集到的点云的数据构成平面点云数据，从形状为具有不同长度和直径的柱状体的垃圾桶160、电线杆170、和树木180的表面上采集到的点云的数据构成柱状体点云数据。
应当理解，由于通过点云采集所得到的数据为所采集到点的位置以及相关的一些属性，因此仅从所采集到的点云中的点并不能直接确定各个点所属于的分类，而是必须通过后续操作来从点云数据120中确定相应的地面点云数据，平面点云数据和柱状体点云数据等不同分类的点云数据。图1中所示出的内容也可以被理解为进行点云采集的示例性场景，其中在进行点云采集之后，并不能直接确定所采集到的点云是来自道路140、广告牌150、垃圾桶160、电线杆170、还是树木180，而是需要按照如以下参照图2所描述的方法的流程、通过后续操作来从点云数据120确定不同分类的点云数据120。
图2示出了根据本公开的实施例的确定点云数据之间的匹配关系的方法200的流程图。方法200例如可以由在图1的计算设备130执行。通过方法200，可以针对从采集实体110获得的不同点云数据120来确定点云数据120之间的匹配关系。
在本公开的实施例中，主要针对在相同或者基本上相同的位置由采集实体110在不同时间采集到的点云数据120来确定点云数据120之间的匹配关系。由于采集实体110自身的位置、角度等内在原因以及采集环境中可能存在的例如天气影响等外在原因，由采集实体110在相同的位置、在不同时间采集的点云数据并不会完全相同，因此，为了进行后续操作，需要确定这些在不同次采集到的点云数据120之间的匹配关系。以下以由采集实体110在相同位置、在不同时间所采集到的第一点云数据120-1和第二点云数据120-2为例进行说明。
应当理解，本公开的技术方案也可以应用与在基本上相同的位置由不同采集实体110所采集到的点云数据120之间的配准。应当理解的是，方法200还可以包括未示出的附加步骤和/或可以省略所示出的步骤，本公开的范围在此方面不受限制。
方法200开始于框202。在框202，计算设备130提取与第一点云数据120-1相关联的特征(以下也称为“第一特征”)以及与第二点云数据120-2相关联的特征(以下也称为“第二特征”)。。如上所述，由于采集设备110是在相同的位置、不同次的采集到第一点云数据120-1和第二点云数据120-2，因此可以认为第一点云数据120-1和第二点云数据120-2是针对同一对象(即，同一采集环境)而被采集的。
在本公开的实施例中，结合之前描述的内容，上述第一特征和第二特征可以包括分别根据第一点云数据120-1和第二点云数据120-2所确定的特征点、与特征点对应的法向量以及其他辅助属性，其中辅助属性包括例如柱状体的半径、高度以及特征点所针对的小块平面的边长等。根据点云中的点分类上的不同，提取第一特征和第二特征的过程步骤并不相同，所提取的第一特征和第二特征所包括的例如特征点以及法向量的特征的数目并不相同，并且所提取的第一特征和第二特征所包括的特征的内容也并不相同。
以下分别针对点云数据中所包括的地面点云数据、平面点云数据以及柱状体点云数据来说明从点云数据120提取特征的过程。由于提取与第一点云数据120-1相关联的第一特征以及提取与第二点云数据120-2相关联的第二特征的步骤相同，以下仅以提取与第一点云数据120-1相关联的第一特征来进行说明。
地面点云数据特征提取过程
由于地面点云通常范围较大并且分布较为一致，因此从第一点云数据120-1确定第一点云数据120-1中的第一地面点云数据相对较为容易。因此，在本公开的实施例中，首先从第一点云数据120-1确定第一地面点云数据。应当理解，在提取与第一点云数据120-1相关联的第一特征时，并不要求必须首先确定第一地面点云数据，而是也可以首先确定第一平面点云数据或者第一柱状体点云数据，其中确定不同分类的点云数据的顺序并不会导致本公开的实施例的效果无法达到。
在地面点云数据特征提取过程中，首先从第一点云数据120-1确定表示第一点云中的地面的点的第一地面点云数据。在本公开的实施例中，首先使用累积和(CUSUM)算法来检测地面点云中的地面边缘的高度跳变点。而后，在地面点云内使用生长算法。通过上述过程，即可以得到第一地面点云数据。
在得到第一地面点云数据之后，将所得到的地面点云划分为一定面积的小块。在本公开的实施例中，地面点云被划分成边长为a的小方格，其中a可以为例如0.5米或者与点云采集要求和/或采集实体110的采集能力相适应的任何长度。应当理解，上述小块的形状和尺度数值仅仅用于示例，而并未用于对本公开的实施例进行限制。应当理解，每个小块中可以包括地面点云中的多个点，所包括的点的数目与所划分的小块的大小有关。
在得到划分好的小方格(小块)之后，针对每个小方格来计算该小方格的中心点以及对应的法向量，所得到的每个小方格的中心点和对应的法向量的集合即为可以用来表示第一地面点云数据的特征，即第一特征。由于经过上述步骤后，可以用数量少得多的特征来表示第一地面点云数据，因此上述步骤也可以被称为点云数据的降采样。
可选地，由于在上述划分好的小方格中可能包括诸如植物或者护栏之类的其他对象，从而可能会影响针对每个小方格所计算出的中心点以及对应的法向量的准确性。因此，为了减少无匹配，可以在划分好小方格后，针对每个小方格中所包括的点云中的点来计算例如高度差、高度平均值、反射率均值等高度相关信息或者建立高度分布信息，以便在后续的点云配准时通过进一步比较上述信息来更为精确的实现点云配准。应当理解，这一步骤并不是必须的，并且其可以在需要比较上述信息前的任何时间执行，而不会导致本公开的实施例的效果无法达到。同时，这一步骤也可以适用于平面点云数据特征提取过程以及柱状体点云数据特征提取过程。
平面点云数据特征提取过程
在平面点云数据特征提取过程中，首先从第一点云数据120-1确定表示第一点云中的平面的点的第一平面点云数据。如果在进行前述平面点云数据特征提取过程时已经完成了确定第一地面点云数据的步骤，则可以从第一点云数据120-1去除第一地面点云数据，从而使得可以明显减少运算量。从第一点云数据120-1去除第一地面点云数据之后所得到的点云数据可以被称为第一候选平面点云数据。
在平面点云数据特征提取过程中，针对不同线程(即，垂直方向上不同扫描线)来进行操作。应当理解，针对不同线程的操作可以是并行进行的，从而使得可以加快运算的速度。每个线程中可以包括点云中的多个点，其中点的数量由数据扫描时的水平角分辨率决定。例如，由于每个线程的水平方向总角度为360度，因此如果水平方向角分辨率为0.1度的话，则在每个线程中会包括点云中的360÷0.1＝3600个点。应当理解，上述数值的选择仅仅是出于示例性目的，而并非旨在于以任何方式对本申请的保护范围进行限制。
在针对每个线程进行操作时，计算线程中的每个点与上一个点之间的距离差，如果该距离差与该点的距离的比值超过特定预设阈值，则认为该点为线程中的断点。应当理解，这一步骤是用于区分第一候选平面点云数据中可能属于不同小平面中的点。因此，上述采用点与点之间的距离差与该点的距离的比值的对比方式仅仅是一种示例，而并不是对本公开的限制。在本公开的实施例中，可以采用可以区分第一候选平面点云数据中的可能属于不同小平面的点的任何适当计算方法。通过在一个线程中找到多个断点，可以将这个线程分成不同的小段。
在利用断点将每个线程分成不同的小段之后，可以得到全部线程范围内的小段的集合。而后，利用诸如主成分分析(PCA)算法之类的方法来计算每个小段中所包括的点云中的点的诸如特征根以及特征向量之类的特征值，从而可使得以通过分析来得到该小段的形状属性，即，该小段为直线、曲线或者无法区分。
在得到小段的集合中的每个小段的形状属性后，由于需要确定具有平面属性的第一平面点云数据，因此仅保留具有直线属性的小段，这些小段也可以被称为直线小段，并且计算每个直线小段中所包括的点云中的点的中心点和主方向以用来表示该小段。
而后，对在上述步骤中所保留的直线小段进行例如条件欧拉聚类，其中聚类的标准可以是小段的中心点接近(例如，中心点间的距离在预设阈值距离内)并且主方向也近似(例如，主方向间的角度差在预设阈值角度内)。由此，上述步骤中所保留的直线小段被聚类为多个直线小段集合，其中每个直线小段集合中所包括的点云中的点属于不同的平面。
在通过聚类得到多个直线小段集合之后，再次利用诸如主成分分析算法之类的方法来计算每个直线小段集合中所包括的点云中的点的诸如特征根以及特征向量之类的特征值，从而使得可以通过分析来得到该直线小段集合的形状属性，即，该小段为平面、非平面或者无法确定。
在得到每个直线小段集合的形状属性后，由于需要确定具有平面属性的第一平面点云数据，因此仅保留具有平面属性的直线小段集合，这些直线小段集合也可以被称为平面直线小段集合，并且计算每个平面直线小段集合中所包括的点云中的点的法向量，并且计算得到该平面直线小段集合中所包括的点云中的点的中心点。而后，可以按照与上述关于地面点云数据特征提取过程所描述的点云数据的降采样相同的方式将每个平面直线小段集合中所包括的点云中的点划分为小块，并且针对每个小方格来计算该小方格的中心点以及对应的法向量，所得到的每个小方格的中心点和对应的法向量的集合即为可以用来表示第一平面点云数据的特征，即第一特征。
柱状体点云数据特征提取过程
在柱状体点云数据特征提取过程中，首先从第一点云数据120-1确定表示第一点云中的柱状体的点的第一柱状体点云数据。如果在进行柱状体云数据特征提取过程时已经完成了确定第一地面点云数据的步骤以及确定第一平面点云数据的步骤，则可以从第一点云数据120-1去除第一地面点云数据以及第一平面点云数据，从而使得可以明显减少运算量。从第一点云数据120-1去除第一地面点云数据以及第一平面点云数据之后所得到的点云数据可以被称为第一候选柱状体点云数据。
在得到第一候选柱状体点云数据之后，针对点云中的例如每个2米的邻域内点来执行诸如主成分分析算法之类的方法，从而计算每个点的法向量和主方向，并且对这些点进行例如条件欧拉聚类，其中聚类的标准可以是点的主方向与地面的法向量的夹角在例如5度的阈值夹角内。由此，上述步骤中所保留的点云中的点被聚类为多个点集合，其中每个点集合中所包括的点云中的点属于一个柱状体。
而后，计算每个点集合的中心点作为该点集合所属于的柱状体的中心，并且记录该柱状体的法向量和半径，所得到的每个柱状体的中心点、法向量和半径的集合即为可以用来表示第一柱状体点云数据的特征，即第一特征。
继续回到方法200，在框204，针对通过上述方式所提取的与第一点云数据120-1相关联的第一特征以及与第二点云数据120-2相关联的第二特征进行特征匹配。进行特征匹配的目的是判断两个特征是否对应，这一步骤是进行后续的点云配准的基础。同样，根据点云中的点分类上的不同，对所提取的第一特征和第二特征进行特征匹配的过程步骤并不相同。以下分别针对提取的第一特征和提取的第二特征为地面点云数据特征、平面点云数据特征以及柱状体点云数据特征来说明对所提取的第一特征和第二特征进行特征匹配的过程。
地面点云数据特征匹配过程
在地面点云数据特征匹配过程中，把形式为地面点云数据特征的第一特征和第二特征通过旋转矩阵来转换到同一坐标系中。
在将第一特征和第二特征转换到同一坐标系中后，确定第一特征中的特征点(即，地面点云数据中的小块的中心点)与第二特征中的对应特征点之间的距离，并且当该距离小于预定阈值距离时，确定与该特征点的法向量与该对应特征点的法向量之间的差异，如果该差异小于预定阈值差异，则可以确定这两个特征点匹配。备选地，这一步骤也可以被体现为针对第一特征中的一个特征点，在第二特征中搜索与第一特征中的该特定点的距离差以及法向量的差均小于相应的预定阈值的特征点，如果在按照这两个特征点之间的匹配关系调整点云之后，会使得第一特征和第二特征中满足阈值比例(例如，70％-100％中的任何比例)的对应特征点之间的距离差以及法向量差均在相应的预定阈值(这里的预定阈值并不一定与上述预定阈值相同，而是可以数值更小，从而使得此次进行的判断更为严格)内，则可以确定这两个特征点匹配。在确定了分别来自第一特征与第二特征中的两个特征点匹配后，将这两个特征点匹配记录在这两个特征点所属于的第一点云数据120-1与第二点云数据120-2中。在这一匹配过程中，需要针对第一特征与第二特征中的所有或者大多数特征点确定是否匹配，从而使得可以得到第一点云数据120-1与第二点云数据120-2匹配的结果，其中针对不同特征点确定是否匹配可以是并行进行的。
平面点云数据特征匹配过程
在平面点云数据特征匹配过程中，把形式为平面点云数据特征的第一特征和第二特征通过旋转矩阵来转换到同一坐标系中。
在将第一特征和第二特征转换到同一坐标系中后，确定第一特征中的特征点(即，平面点云数据中的小块的中心点)与第二特征中的对应特征点之间的距离，并且当该距离小于预定阈值距离时，确定与该特征点的法向量与该对应特征点的法向量之间的差异，如果该差异小于预定阈值差异，则可以确定这两个特征点匹配。备选地，这一步骤也可以被体现为针对第一特征中的一个特征点，在第二特征中搜索与第一特征中的该特定点的距离差以及法向量的差均小于相应的预定阈值的特征点，如果在按照这两个特征点之间的匹配关系调整点云之后，会使得第一特征和第二特征中满足阈值比例(例如，70％-100％中的任何比例)的对应特征点之间的距离差以及法向量差均在相应的预定阈值(这里的预定阈值并不一定与上述预定阈值相同，而是可以数值更小，从而使得此次进行的判断更为严格)内，则可以确定这两个特征点匹配。在确定了分别来自第一特征与第二特征中的两个特征点匹配后，将这两个特征点匹配记录在这两个特征点所属于的第一点云数据120-1与第二点云数据120-2中。在这一匹配过程中，需要针对第一特征与第二特征中的所有或者大多数特征点确定是否匹配，从而使得可以得到第一点云数据120-1与第二点云数据120-2匹配的结果，其中针对不同特征点确定是否匹配可以是并行进行的。
柱状体点云数据特征匹配过程
在柱状体点云数据特征匹配过程中，把形式为柱状体点云数据特征的第一特征和第二特征通过旋转矩阵来转换到同一坐标系中。
在将第一特征和第二特征转换到同一坐标系中后，确定第一特征中的特征点(即，柱状物的中心点)与第二特征中的对应特征点之间的距离，并且当该距离小于预定阈值距离时，确定与该特征点的法向量和半径与该对应特征点的法向量和半径之间的差异，如果该差异小于预定阈值差异，则可以确定这两个特征点匹配。备选地，这一步骤也可以被体现为搜索第一特征中的一个特征点周围预定范围内的、来自第二特征中的其他特征点，如果第一特征中的该特征点与来自第二特征中的某个特征点的法向量和半径的差异小于预定阈值差异并且小于与第二特征中的该范围内的其他特征点的法向量和半径的差异，则可以确定这两个特征点匹配。在确定了分别来自第一特征与第二特征中的两个特征点匹配后，将这两个特征点的匹配记录在这两个特征点所属于的第一点云数据120-1与第二点云数据120-2中。在这一匹配过程中，需要针对第一特征与第二特征中的所有或者大多数特征点确定是否匹配，从而可以得到第一点云数据120-1与第二点云数据120-2匹配的结果，其中针对不同特征点确定是否匹配可以是并行进行的。
然后，在框206，基于通过框204中所描述的步骤获得第一特征与第二特征的特征匹配，确定第一点云数据120-1与第二点云数据120-2之间的匹配关系。如前所述，不同点云之间的匹配关系包括不同点云之间的空间变换关系，即，一个点云如何经过例如旋转、平移、角度变换等操作来变换为另一点云。在确定第一点云数据120-1与第二点云数据120-2之间的匹配关系时，无论第一点云数据120-1与第二点云数据120-2是包括地面点云数据、平面点云数据还是柱状体点云数据，所进行的过程步骤均相同。
当确定第一点云数据120-1与第二点云数据120-2匹配后，针对对应的点云数据(即，均为地面点云数据、平面点云数据或柱状体点云数据)，利用诸如随机抽样一致性(RANSAC)算法的方法来确定第一点云数据120-1与第二点云数据120-2之间的如下匹配关系，从而使得第一点云数据120-1的第一特征与第二点云数据120-2的第二特征中的至少大部分特征满足这一匹配关系。根据本公开的实施例，在利用诸如随机抽样一致性算法的方法来确定第一点云数据120-1与第二点云数据120-2之间的匹配关系时，可以针对各个匹配的特征点进行迭代循环来寻找匹配关系。然而，也可以针对多个匹配的特征点，采取例如取中值之类的方式来针对多个特征点同时寻找匹配关系，从而使得可以相应地减少计算量。
由于将点云数据分别三个类别，即，地面点云数据、平面点云数据和柱状体点云数据，因此无需针对6个自由度同时寻找第一点云数据120-1与第二点云数据120-2之间的匹配关系，而是可以针对不同类别的点云数据针对不同自由度来寻找匹配关系。例如，地面点云数据可以用来调整高度误差(z)和旋转误差，平面点云数据和柱状体点云数据则可以用来调整平面误差(x,y)以及角度误差。
以上参考图2从计算设备130的角度描述了确定点云数据之间的匹配关系的方法200的流程。应当理解，以上从计算设备130的角度进行描述是为了更好地展示本公开中所记载的内容，而不是以任何方式进行限制。
通过以上参考图1和图2的描述，可以看出，根据本公开的实施例的技术方案相对于现有技术具有诸多优点。由于上述技术方案只需针对从点云中的点所生成的不同特征进行配准而无需针对点云中的所有点进行配准，因此可以大幅度降低进行配准所需要的计算量。同时，由于将点云中的点分成了不同类别，而不同类别的点对应于不同的自由度，因此在配准时可以每次仅针对部分自由度，而无需同时针对6个自由度进行配准，从而使得可以节省计算资源和存储资源，并且可以提高运算速度和避免个别错误匹配造成整体匹配错误。此外，与人工提取针对同一对象的具有特定特征的点以用于确定点云数据之间的匹配关系相比，上述技术方案对由采集实体110所采集的点云的密度要求不高，并且对于原始数据的误差要求也不大。
图3示出了根据本公开的实施例的设备300的框图。例如，如图2中所示的确定点云数据之间的匹配关系的方法200可以由设备300实现。如图3中所示，设备300可以包括提取模块310，被配置为提取与第一点云数据相关联的第一特征以及与第二点云数据相关联的第二特征，第一点云数据与第二点云数据是针对同一对象被采集的。设备300还可以包括匹配模块320，被配置为被配置为对第一特征与第二特征进行特征匹配。设备300还可以包括确定模块330，被配置为被配置为基于特征匹配，确定第一点云数据和第二点云数据之间的匹配关系。
出于清楚的目的，在图3中没有示出设备300的某些可选模块。然而，应当理解，上文参考图1至图2所描述的各个特征同样适用于设备300。而且，设备300的各个模块可以是硬件模块，也可以是软件模块。例如，在某些实施例中，设备300可以部分或者全部利用软件和/或固件来实现，例如被实现为包含在计算机可读介质上的计算机程序产品。备选地或附加地，设备300可以部分或者全部基于硬件来实现，例如被实现为集成电路(IC)、专用集成电路(ASIC)、片上***(SOC)、现场可编程门阵列(FPGA)等。本公开的范围在此方面不受限制。
图4图示出了可以用来实施本公开内容的实施例的示例设备400的示意性框图。如图所示，设备400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的计算机程序指令或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序指令，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法200，可由处理单元401执行。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序被加载到RAM 403并由CPU 401执行时，可以执行上文描述方法200的一个或多个动作。
本公开可以是方法、设备、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是、但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (18)

1.一种确定点云数据之间的匹配关系的方法，包括：
提取与第一点云数据相关联的第一特征以及与第二点云数据相关联的第二特征，所述第一点云数据与所述第二点云数据是针对同一对象被采集的；
对所述第一特征与所述第二特征进行特征匹配；以及
基于所述特征匹配，确定所述第一点云数据和所述第二点云数据之间的匹配关系，
其中提取所述第一特征和所述第二特征包括：
从所述第一点云数据确定第一候选柱状物点云数据，以及基于所述第一候选柱状物点云数据来确定所述第一特征，以及
从所述第二点云数据确定第二候选柱状物点云数据，以及基于所述第二候选柱状物点云数据来确定所述第二特征，并且
其中基于所述第一候选柱状物点云数据来确定所述第一特征包括：
对所述第一候选柱状物点云数据中的、主方向与地面法向量之间的夹角小于阈值夹角的点云数据进行聚类；以及
响应于聚类结果指示所述第一候选柱状物点云数据包括柱状物点云数据，将所述柱状物点云数据的中心点、法向量以及半径确定为所述第一特征的特征点、法向量以及半径。
2.根据权利要求1所述的方法，其中基于所述第二候选柱状物点云数据来确定所述第二特征包括：
对所述第二候选柱状物点云数据中的、主方向与地面法向量之间的夹角小于阈值夹角的点云数据进行聚类；以及
响应于聚类结果指示所述第二候选柱状物点云数据包括柱状物点云数据，将所述柱状物点云数据的中心点、法向量以及半径确定为所述第二特征的特征点、法向量以及半径。
3.根据权利要求1所述的方法，其中提取所述第一特征和所述第二特征包括：
从所述第一点云数据确定第一地面点云数据，并将所述第一地面点云数据的中心点以及对应的法向量确定为所述第一特征的特征点以及对应的法向量；以及
从所述第二点云数据确定第二地面点云数据，并将所述第二地面点云数据的中心点以及对应的法向量确定为所述第二特征的特征点以及对应的法向量。
4.根据权利要求1所述的方法，其中提取所述第一特征和所述第二特征包括：
从所述第一点云数据确定第一候选平面点云数据，以及基于所述第一候选平面点云数据来确定所述第一特征；以及
从所述第二点云数据确定第二候选平面点云数据，以及基于所述第二候选平面点云数据来确定所述第二特征。
5.根据权利要求4所述的方法，其中基于所述第一候选平面点云数据来确定所述第一特征包括：
确定所述第一候选平面点云数据中的线程的断点；
基于所述断点对所述线程进行分段；
对所述分段后的线程进行聚类；以及
响应于聚类结果指示所述第一候选平面点云数据包括平面点云数据，将所述平面点云数据的中心点以及对应的法向量确定为所述第一特征的特征点以及对应的法向量。
6.根据权利要求3或者5所述的方法，其中对所述第一特征与所述第二特征进行特征匹配包括：
将所述第一特征和所述第二特征转换到相同坐标系中；
确定所述第一特征的特征点与所述第二特征的特征点的距离；
响应于所述距离小于阈值距离，确定所述第一特征的法向量与所述第二特征的法向量之间的差异；以及
响应于所述差异小于阈值差异，确定所述第一特征与所述第二特征匹配。
7.根据权利要求1所述的方法，其中对所述第一特征与所述第二特征进行特征匹配包括：
将所述第一特征和所述第二特征转换到相同坐标系中；
确定所述第一特征的特征点与所述第二特征的特征点的距离；
响应于所述距离小于阈值距离，确定所述第一特征的法向量和半径与所述第二特征的法向量和半径之间的差异；以及
响应于所述差异小于阈值差异，确定所述第一特征与所述第二特征匹配。
8.根据权利要求1所述的方法，其中确定所述第一点云数据和所述第二点云数据之间的匹配关系包括：
响应于所述第一特征与所述第二特征匹配，确定所述第一点云数据与所述第二点云数据之间的匹配关系。
9.一种确定点云数据之间的匹配关系的装置，包括：
提取模块，被配置为提取与第一点云数据相关联的第一特征以及与第二点云数据相关联的第二特征，所述第一点云数据与所述第二点云数据是针对同一对象被采集的；
匹配模块，被配置为对所述第一特征与所述第二特征进行特征匹配；以及
确定模块，被配置为基于所述特征匹配，确定所述第一点云数据和所述第二点云数据之间的匹配关系，
其中提取所述第一特征和所述第二特征包括：
从所述第一点云数据确定第一候选柱状物点云数据，以及基于所述第一候选柱状物点云数据来确定所述第一特征，以及
从所述第二点云数据确定第二候选柱状物点云数据，以及基于所述第二候选柱状物点云数据来确定所述第二特征，并且
其中基于所述第一候选柱状物点云数据来确定所述第一特征包括：
对所述第一候选柱状物点云数据中的、主方向与地面法向量之间的夹角小于阈值夹角的点云数据进行聚类；以及
响应于聚类结果指示所述第一候选柱状物点云数据包括柱状物点云数据，将所述柱状物点云数据的中心点、法向量以及半径确定为所述第一特征的特征点、法向量以及半径。
10.根据权利要求9所述的装置，其中基于所述第二候选柱状物点云数据来确定所述第二特征包括：
对所述第二候选柱状物点云数据中的、主方向与地面法向量之间的夹角小于阈值夹角的点云数据进行聚类；以及
响应于聚类结果指示所述第二候选柱状物点云数据包括柱状物点云数据，将所述柱状物点云数据的中心点、法向量以及半径确定为所述第二特征的特征点、法向量以及半径。
11.根据权利要求9所述的装置，其中所述提取模块还被配置为：
从所述第一点云数据确定第一地面点云数据，并将所述第一地面点云数据的中心点以及对应的法向量确定为所述第一特征的特征点以及对应的法向量；以及
从所述第二点云数据确定第二地面点云数据，并将所述第二地面点云数据的中心点以及对应的法向量确定为所述第二特征的特征点以及对应的法向量。
12.根据权利要求9所述的装置，其中所述提取模块还被配置为：
从所述第一点云数据确定第一候选平面点云数据，以及基于所述第一候选平面点云数据来确定所述第一特征；以及
从所述第二点云数据确定第二候选平面点云数据，以及基于所述第二候选平面点云数据来确定所述第二特征。
13.根据权利要求12所述的装置，其中所述提取模块还被配置为：
确定所述第一候选平面点云数据中的线程的断点；
基于所述断点对所述线程进行分段；
对所述分段后的线程进行聚类；以及
响应于聚类结果指示所述第一候选平面点云数据包括平面点云数据，将所述平面点云数据的中心点以及对应的法向量确定为所述第一特征的特征点以及对应的法向量。
14.根据权利要求11或者13所述的装置，其中所述匹配模块还被配置为：
将所述第一特征和所述第二特征转换到相同坐标系中；
确定所述第一特征的特征点与所述第二特征的特征点的距离；
响应于所述距离小于阈值距离，确定所述第一特征的法向量与所述第二特征的法向量之间的差异；以及
响应于所述差异小于阈值差异，确定所述第一特征与所述第二特征匹配。
15.根据权利要求9所述的装置，所述匹配模块还被配置为：
将所述第一特征和所述第二特征转换到相同坐标系中；
确定所述第一特征的特征点与所述第二特征的特征点的距离；
响应于所述距离小于阈值距离，确定所述第一特征的法向量和半径与所述第二特征的法向量和半径之间的差异；以及
响应于所述差异小于阈值差异，确定所述第一特征与所述第二特征匹配。
16.根据权利要求9所述的装置，其中所述确定模块还被配置为：
响应于所述第一特征与所述第二特征匹配，确定所述第一点云数据与所述第二点云数据之间的匹配关系。
17.一种设备，所述设备包括：
一个或多个处理器；以及
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
CN201711478277.5A 2017-12-29 2017-12-29 确定点云数据之间的匹配关系的方法和装置 Active CN108228798B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201711478277.5A CN108228798B (zh) 2017-12-29 2017-12-29 确定点云数据之间的匹配关系的方法和装置
KR1020180116484A KR102125959B1 (ko) 2017-12-29 2018-09-28 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치
US16/232,720 US10853687B2 (en) 2017-12-29 2018-12-26 Method and apparatus for determining matching relationship between point cloud data
JP2018242682A JP6837467B2 (ja) 2017-12-29 2018-12-26 点群データ同士のマッチング関係を確定するための方法及び装置
EP18248068.1A EP3506162B1 (en) 2017-12-29 2018-12-27 Method and apparatus for determining matching relationship between point cloud data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711478277.5A CN108228798B (zh) 2017-12-29 2017-12-29 确定点云数据之间的匹配关系的方法和装置

Publications (2)

Publication Number Publication Date
CN108228798A CN108228798A (zh) 2018-06-29
CN108228798B true CN108228798B (zh) 2021-09-17

Family

ID=62646898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711478277.5A Active CN108228798B (zh) 2017-12-29 2017-12-29 确定点云数据之间的匹配关系的方法和装置

Country Status (5)

Country Link
US (1) US10853687B2 (zh)
EP (1) EP3506162B1 (zh)
JP (1) JP6837467B2 (zh)
KR (1) KR102125959B1 (zh)
CN (1) CN108228798B (zh)

Families Citing this family (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11294060B2 (en) * 2018-04-18 2022-04-05 Faraday & Future Inc. System and method for lidar-based vehicular localization relating to autonomous navigation
CN111771141B (zh) * 2019-01-30 2024-04-09 百度时代网络技术（北京）有限公司 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位
US11287266B2 (en) * 2019-03-13 2022-03-29 Here Global B.V. Maplets for maintaining and updating a self-healing high definition map
US11280622B2 (en) 2019-03-13 2022-03-22 Here Global B.V. Maplets for maintaining and updating a self-healing high definition map
US11096026B2 (en) 2019-03-13 2021-08-17 Here Global B.V. Road network change detection and local propagation of detected change
US11255680B2 (en) 2019-03-13 2022-02-22 Here Global B.V. Maplets for maintaining and updating a self-healing high definition map
US11402220B2 (en) 2019-03-13 2022-08-02 Here Global B.V. Maplets for maintaining and updating a self-healing high definition map
US11287267B2 (en) 2019-03-13 2022-03-29 Here Global B.V. Maplets for maintaining and updating a self-healing high definition map
CN110136181B (zh) * 2019-05-17 2021-08-20 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN113874681B (zh) * 2019-05-23 2024-06-18 北京嘀嘀无限科技发展有限公司 点云地图质量的评估方法和***
CN110163900B (zh) * 2019-05-31 2021-04-20 北京百度网讯科技有限公司 用于调整点云数据方法和装置
CN110348310A (zh) * 2019-06-12 2019-10-18 西安工程大学 一种霍夫投票3d彩色点云识别方法
EP3992911A4 (en) * 2019-07-03 2023-04-19 LG Electronics Inc. POINT CLOUD DATA TRANSMITTING DEVICE, POINT CLOUD DATA TRANSMITTING METHOD, POINT CLOUD DATA RECEIVING DEVICE AND POINT CLOUD DATA RECEIVING METHOD
CN112154303B (zh) * 2019-07-29 2024-04-05 深圳市大疆创新科技有限公司 高精度地图定位方法、***、平台及计算机可读存储介质
CN110456321B (zh) * 2019-08-21 2021-07-30 森思泰克河北科技有限公司 滤除雷达误报的方法、终端设备及存储介质
WO2021035532A1 (en) * 2019-08-27 2021-03-04 Beijing Voyager Technology Co., Ltd. Systems and methods for positioning target subject
DE102019123483B4 (de) * 2019-09-02 2021-12-09 Audi Ag Verfahren sowie Kraftfahrzeug-Steuereinheit zum Erfassen einer Umgebung eines Kraftfahrzeugs durch Fusionieren von Sensordaten auf Punktwolkenebene
US11106936B2 (en) * 2019-09-05 2021-08-31 General Atomics Object point cloud comparison and matching
CN110782457B (zh) * 2019-09-06 2023-05-23 广东工业大学 一种基于无人机电力巡检的点云数据分割方法
JP6819758B1 (ja) * 2019-09-30 2021-01-27 ダイキン工業株式会社 点群データ同一性推定装置及び点群データ同一性推定システム
CN110738730B (zh) * 2019-10-15 2023-07-18 业成科技（成都）有限公司 点云匹配方法、装置、计算机设备和存储介质
CN111009002B (zh) * 2019-10-16 2020-11-06 贝壳找房(北京)科技有限公司 点云配准检测方法、装置以及电子设备、存储介质
CN110796671B (zh) * 2019-10-31 2022-08-26 深圳市商汤科技有限公司 数据处理方法及相关装置
CN111369602B (zh) * 2020-02-25 2023-10-27 阿波罗智能技术(北京)有限公司 点云数据的处理方法、装置、电子设备及可读存储介质
CN111487641B (zh) * 2020-03-19 2022-04-22 福瑞泰克智能***有限公司 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质
CN111461194B (zh) * 2020-03-27 2024-03-12 广州小鹏汽车科技有限公司 点云处理方法及装置、行驶控制方法、电子装置和车辆
CN111553881A (zh) * 2020-03-27 2020-08-18 武汉地大信息工程股份有限公司 基于三维点云识别的检测铁塔形变的方法和***
CN111428692A (zh) * 2020-04-23 2020-07-17 北京小马慧行科技有限公司 运载工具的行驶轨迹的确定方法、确定装置与存储介质
CN111738292B (zh) * 2020-05-18 2024-01-23 北京百度网讯科技有限公司 点云数据的处理方法、装置、电子设备及可读存储介质
CN111681282A (zh) * 2020-06-18 2020-09-18 浙江大华技术股份有限公司 一种栈板识别处理方法及装置
JP7163342B2 (ja) 2020-06-29 2022-10-31 京セラ株式会社 電子機器、電子機器の制御方法、及びプログラム
CN112835085B (zh) * 2020-07-09 2022-04-12 北京京东乾石科技有限公司 确定车辆位置的方法和装置
CN112835086B (zh) * 2020-07-09 2022-01-28 北京京东乾石科技有限公司 确定车辆位置的方法和装置
CN112102375B (zh) * 2020-07-22 2024-04-12 广州视源电子科技股份有限公司 一种点云配准可靠性检测的方法、装置、移动智慧设备
CN111967100B (zh) * 2020-07-24 2023-11-24 上海市计量测试技术研究院 一种基于改进蚁群算法拟合螺纹中轴线的方法
CN114067555B (zh) * 2020-08-05 2023-02-17 北京万集科技股份有限公司 多基站数据的配准方法、装置、服务器和可读存储介质
KR102449787B1 (ko) * 2020-08-06 2022-09-30 국방과학연구소 3차원 지형 모델 복원을 위한 점군 데이터 정합 방법 및 그 장치
CN112200767B (zh) * 2020-09-04 2023-08-01 群滨智造科技(苏州)有限公司 一种基于pca的点云数据端点提取方法和装置
CN111929694B (zh) * 2020-10-12 2021-01-26 炬星科技（深圳）有限公司 点云匹配方法、设备及存储介质
CN112348897A (zh) * 2020-11-30 2021-02-09 上海商汤临港智能科技有限公司 位姿确定方法及装置、电子设备、计算机可读存储介质
CN112630793B (zh) * 2020-11-30 2024-05-17 深圳集智数字科技有限公司 一种确定平面异常点的方法和相关装置
CN112650790B (zh) * 2020-12-28 2023-10-13 北京字节跳动网络技术有限公司 目标点云平面确定方法，装置，电子设备及存储介质
CN112767512B (zh) * 2020-12-31 2024-04-19 广州小鹏自动驾驶科技有限公司 一种环境线状元素生成方法、装置、电子设备及存储介质
KR20220112072A (ko) 2021-02-03 2022-08-10 한국전자통신연구원 점군 데이터 정합 오차 최소점 탐색 장치 및 방법
CN113468941B (zh) * 2021-03-11 2023-07-18 长沙智能驾驶研究院有限公司 障碍物检测方法、装置、设备及计算机存储介质
CN113011113B (zh) * 2021-03-23 2022-04-05 中国空气动力研究与发展中心计算空气动力研究所 一种离散点云重复点快速查找方法
CN112733971B (zh) * 2021-04-02 2021-11-16 北京三快在线科技有限公司 扫描设备的位姿确定方法、装置、设备及存储介质
KR102359250B1 (ko) * 2021-04-29 2022-02-08 주식회사 메이사 포인트 클라우드 추론 장치 및 그 방법
CN113341396B (zh) * 2021-05-28 2023-12-15 深圳市优必选科技股份有限公司 机器人及其充电桩识别方法和装置
CN113343840B (zh) * 2021-06-02 2022-03-08 合肥泰瑞数创科技有限公司 基于三维点云的对象识别方法及装置
CN113436336B (zh) * 2021-06-22 2024-01-12 京东鲲鹏(江苏)科技有限公司 地面点云分割方法和装置及自动驾驶车辆
CN116069051B (zh) * 2021-10-29 2024-03-19 北京三快在线科技有限公司 无人机的控制方法、装置、设备及可读存储介质
CN114236488B (zh) * 2021-11-18 2024-05-14 深圳成谷科技有限公司 目标分类方法、目标分类装置、终端设备及存储介质
CN114371485B (zh) * 2022-03-21 2022-06-10 中汽研（天津）汽车工程研究院有限公司 一种基于icp与多特征数据关联的障碍物预测与跟踪方法
CN115272433B (zh) * 2022-09-23 2022-12-09 武汉图科智能科技有限公司 用于无人机自动避障的轻量点云配准方法及***
CN115661215B (zh) * 2022-10-17 2023-06-09 北京四维远见信息技术有限公司 一种车载激光点云数据配准方法、装置、电子设备及介质
CN116523984B (zh) * 2023-07-05 2023-09-26 矽瞻科技(成都)有限公司 一种3d点云定位及配准方法、设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101839701A (zh) * 2010-05-27 2010-09-22 中国科学院自动化研究所 树木点云数据的自动分割方法
JP2017009616A (ja) * 2011-08-29 2017-01-12 国立大学法人北海道大学 柱状物体抽出方法、柱状物体抽出プログラム、及び柱状物体抽出装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7860301B2 (en) * 2005-02-11 2010-12-28 Macdonald Dettwiler And Associates Inc. 3D imaging system
EP2674913B1 (en) * 2012-06-14 2014-07-23 Softkinetic Software Three-dimensional object modelling fitting & tracking.
JP6114052B2 (ja) 2013-02-13 2017-04-12 日本電信電話株式会社 点群解析処理装置及び点群解析処理プログラム
US9740711B2 (en) * 2013-11-07 2017-08-22 Autodesk, Inc. Automatic registration
US9424672B2 (en) * 2013-11-07 2016-08-23 Here Global B.V. Method and apparatus for processing and aligning data point clouds
US9280825B2 (en) * 2014-03-10 2016-03-08 Sony Corporation Image processing system with registration mechanism and method of operation thereof
JP2015184061A (ja) * 2014-03-20 2015-10-22 株式会社東芝 抽出装置、方法及びプログラム
DE102014005181A1 (de) * 2014-04-03 2015-10-08 Astrium Gmbh Positions- und Lagebestimmung von Objekten
CN104143210B (zh) * 2014-07-31 2017-04-12 哈尔滨工程大学 一种多尺度法向特征点云配准方法
CN104299260B (zh) * 2014-09-10 2017-05-17 西南交通大学 一种基于sift和lbp的点云配准的接触网三维重建方法
EP3034995B1 (de) * 2014-12-19 2024-02-28 Leica Geosystems AG Verfahren zum bestimmen eines position- und orientierungsversatzes eines geodätischen vermessungsgeräts und ebensolches vermessungsgerät
JP6525148B2 (ja) 2015-06-09 2019-06-05 株式会社パスコ 軌跡推定方法、軌跡推定装置及び軌跡推定プログラム
JP6545065B2 (ja) * 2015-09-30 2019-07-17 株式会社日立ビルシステム ３次元点群データのモデリング装置、モデリングプログラム及びエレベータガイドレールのモデリング方法
EP3414745A4 (en) * 2016-02-11 2019-08-07 3M Innovative Properties Company POPULATION-BASED SURFACE NET RECONSTRUCTION
JP6693193B2 (ja) 2016-03-15 2020-05-13 富士通株式会社 情報処理装置及び情報合成プログラム
CN106530342B (zh) * 2016-10-31 2017-08-25 武汉大学 利用激光点云辅助的可量测全景影像生成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101839701A (zh) * 2010-05-27 2010-09-22 中国科学院自动化研究所 树木点云数据的自动分割方法
JP2017009616A (ja) * 2011-08-29 2017-01-12 国立大学法人北海道大学 柱状物体抽出方法、柱状物体抽出プログラム、及び柱状物体抽出装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Contextual segment-based classification of airborne laser scanner data;George Vosselman 等;《ISPRS Journal of Photogrammetry and Remote Sensing》;20170630;第11-17页 *

Also Published As

Publication number Publication date
KR20190082062A (ko) 2019-07-09
US20190205695A1 (en) 2019-07-04
EP3506162B1 (en) 2024-02-07
CN108228798A (zh) 2018-06-29
JP2019133646A (ja) 2019-08-08
EP3506162A1 (en) 2019-07-03
JP6837467B2 (ja) 2021-03-03
US10853687B2 (en) 2020-12-01
KR102125959B1 (ko) 2020-06-24

Similar Documents

Publication Publication Date Title
CN108228798B (zh) 确定点云数据之间的匹配关系的方法和装置
US11037305B2 (en) Method and apparatus for processing point cloud data
CN108279670B (zh) 用于调整点云数据采集轨迹的方法、设备以及计算机可读介质
CN110598541B (zh) 一种提取道路边缘信息的方法及设备
CN112257605B (zh) 基于自标注训练样本的三维目标检测方法、***及装置
KR20210052409A (ko) 차선의 확정방법, 포지셔닝 정밀도의 평가방법, 장치, 기기 및 컴퓨터 프로그램
CN109712071B (zh) 基于航迹约束的无人机图像拼接与定位方法
CN112132108A (zh) 地面点云数据的提取方法、装置、设备及存储介质
CN113761999A (zh) 一种目标检测方法、装置、电子设备和存储介质
CN110780276B (zh) 一种基于激光雷达的托盘识别方法、***和电子设备
CN114283343B (zh) 基于遥感卫星图像的地图更新方法、训练方法和设备
CN114359383A (zh) 一种图像定位方法、装置、设备以及存储介质
CN113793370A (zh) 三维点云配准方法、装置、电子设备及可读介质
CN114186007A (zh) 高精地图生成方法、装置、电子设备和存储介质
Lu et al. A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment
Hesami et al. Range segmentation of large building exteriors: A hierarchical robust approach
CN117036457A (zh) 一种屋顶面积的测量方法、装置、设备及存储介质
CN110363847B (zh) 一种基于点云数据的地图模型构建方法和装置
CN113808142B (zh) 一种地面标识的识别方法、装置、电子设备
CN115908832A (zh) 点云特征匹配方法、装置、电子设备、存储介质
CN115656991A (zh) 车辆外参标定方法、装置、设备以及存储介质
CN113469087A (zh) 建筑图纸中的图框检测方法、装置、设备及介质
CN117437654B (zh) 一种基于语义识别的栅格地图解析方法、设备和介质
Chu et al. Convergent application for trace elimination of dynamic objects from accumulated lidar point clouds
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质

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