CN110084840A - 点云配准方法、装置、服务器和计算机可读介质 - Google Patents
点云配准方法、装置、服务器和计算机可读介质 Download PDFInfo
- Publication number
- CN110084840A CN110084840A CN201910334541.0A CN201910334541A CN110084840A CN 110084840 A CN110084840 A CN 110084840A CN 201910334541 A CN201910334541 A CN 201910334541A CN 110084840 A CN110084840 A CN 110084840A
- Authority
- CN
- China
- Prior art keywords
- grid
- matched
- point cloud
- cloud
- similarity
- 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.)
- Granted
Links
Classifications
-
- 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
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种点云配准方法及装置,将点云语义分割和栅格化相结合,考虑到点云的属性特征,提供了点云数据中除高度和反射率以外更为丰富的特征信息,可以针对不同的属性特征采用不同的配准方案,从而提高匹配的准确性。一方面,将属性特征作为配准的依据,对于某些强特征场景较少的点云数据,也可以提高匹配的准确性;另一方面,语义分割也可以去除车辆、行人等干扰匹配的噪音,进一步提高匹配的准确性。对于采集数据误差较大(大于5m)的场景,采用本公开实施例的方案进行点云配准效果尤其明显。本公开还提供一种服务器和计算机可读介质。
Description
技术领域
本公开涉及无人驾驶技术领域,具体涉及一种点云配准方法、装置、服务器和计算机可读介质。
背景技术
点云配准是指将描述同一场景的两份点云通过旋转平移的方法合并为一份没有重影、偏移的点云数据。在高精度地图的制作中,由于采集车本身GPS(Global PositioningSystem,全球定位***)的误差,造成多趟采集的数据之间存在不同程度的偏差,因此点云配准在高精度地图中必不可少。除此之外,点云配准也广泛应用在3D建模、3D重建等场景中。
目前主流的点云配准方法有:
1、ICP(Iterative Closest Point,迭代最近点)。具体的,针对源点云src中的每个点,搜索目的点云dst中与其最近的点,计算匹配点的相对位置关系,最终通过RANSAC(随机抽样一致性算法)的方法,确定两片点云的挪动方向,然后迭代此过程直到满足迭代终止条件。ICP的计算效率慢,尤其是高精度地图中需要匹配点云的点数在千万、亿级别,ICP严重影响效率,同时ICP本身对数据敏感,而采集的数据中会有车辆,行人等干扰,影响最终配准结果。
2、基于特征的ICP。具体的,首先提取两片点云中的特征(例如,线、面或者一些特殊的特征点),利用最近邻搜索,匹配两片点云中的相同特征,同时建立匹配特征的相对关系,然后根据两片点云的相对关系进行移动,迭代此过程直到满足迭代终止条件。基于特征的ICP方法主要集中用线、面特征来做点云配准,虽然配准效率满足要求,但是对场景要求严格,如果点云中不存在需要的特征,则无法提供配准。
3、基于栅格化的点云信息进行配准。具体的,将源和目的两份点云进行栅格化,记录每个栅格中点云的一些统计信息,例如点云平均高度、点云平均反射率、点云高度方差、点云反射率方差等信息,通过ICP的思想,将栅格进行配准。基于栅格化的点云信息进行配准的方案配准效果较好,但地面行驶的车辆会造成干扰,在高度相似或者反射率失效的场景存在问题。
发明内容
本公开针对现有技术中存在的上述不足,提供一种点云配准方法、装置、服务器和计算机可读介质。。
第一方面,本公开实施例提供一种点云配准方法,所述方法包括:
根据语义将源点云划分为不同类别的属性特征,以及根据语义将目的点云划分为不同类别的属性特征,所述属性特征包括地面特征和非地面特征;
根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格;
基于已划分的栅格计算所述源点云和所述目的点云的相似度;
判断所述相似度和当前的迭代次数是否满足预设的条件,若满足,则对所述源点云和所述目的点云进行配准;
根据配准结果调整所述源点云的位置,更新迭代次数,并再次计算所述源点云和所述目的点云的相似度。
优选的,所述判断所述相似度和当前的迭代次数是否满足预设的条件,具体包括:
将所述相似度和预设的第一阈值相比较,并将当前的迭代次数与预设的第二阈值相比较;若所述相似度小于或等于所述第一阈值,且所述当前的迭代次数小于所述第二阈值,则将所述相似度与前次计算得到的相似度相比较;
所述满足所述预设的条件,具体包括:所述相似度大于前次计算得到的相似度。
进一步的,所述点云配准方法还包括:
若所述相似度小于或等于前次计算得到的相似度,则将源点云的位置回退,并对所述源点云和所述目的点云进行配准。
进一步的,所述点云配准方法还包括:
若所述相似度大于所述第一阈值,或者,所述当前的迭代次数大于或等于所述第二阈值,则按照预设的收敛步长减小栅格的尺寸;
判断减小后的栅格的尺寸是否大于预设的第三阈值,若是,则按照所述减小后的栅格尺寸,根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格。
优选的,所述基于已划分的栅格计算所述源点云和所述目的点云的相似度,具体包括:根据栅格的属性特征,计算所述源点云和所述目的点云的相似度。
优选的,所述根据栅格的属性特征,计算所述源点云和所述目的点云的相似度,具体包括:
针对所述源点云中的每个栅格,从所述目的点云中选取与其距离最近的栅格;
根据所述源点云中每个栅格的属性特征,计算所述源点云和所述目的点云的相似度。
优选的,所述对所述源点云和所述目的点云进行配准,具体包括:
根据所述属性特征,从所述源点云中选择第一待匹配栅格;
根据所述第一待匹配的栅格的属性特征,确定所述目的点云中的第二待匹配栅格;
将所述第一待匹配栅格和所述第二待匹配栅格进行匹配。
优选的,所述根据所述第一待匹配栅格的属性特征,确定所述目的点云中的第二待匹配栅格,具体包括:
若所述第一待匹配栅格中只包括地面特征,则从所述目的点云中选取与所述第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与所述第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格;
若所述第一待匹配栅格中只包括非地面特征,或者,所述第一待匹配栅格中包括地面特征和非地面特征,则从所述目的点云中选取与所述第一待匹配栅格的属性特征相同,且与所述第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与所述第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格。
优选的,当所述第一待匹配栅格中只包括地面特征时,所述匹配度根据公式(1)计算:
其中,为所述源点云的第一待匹配栅格中各地面特征的平均高度,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δhthr为预设值;
当所述第一待匹配栅格中只包括非地面特征时,所述匹配度根据公式(2)计算:
其中,为所述第一待匹配栅格中各非地面特征的x轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的x轴坐标的平均值,为所述第一待匹配栅格中各非地面特征的y轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的y轴坐标的平均值,为所述源点云的第一待匹配栅格中各地面特征的平均高度,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δxthr、Δythr、Δhthr为预设值;
当所述第一待匹配栅格中包括地面特征和非地面特征时,所述匹配度根据公式(3)计算:
Sfh=Sh+Sf(3)。
优选的,所述配准结果包括待移动位移;所述将所述第一待匹配栅格和所述第二待匹配栅格进行匹配,具体包括:
计算所述第二待匹配栅格与相应的第一待匹配栅格之间的相对位置;
根据所述相对位置、所述第二待匹配栅格对应的匹配度和残差方程,计算所述源点云的待移动位移。
另一方面,本公开实施例还提供一种点云配准装置,包括:语义分割模块、栅格化模块、相似度计算模块、判断模块、配准模块和位置更新模块;
所述语义分割模块用于,根据语义将源点云划分为不同类别的属性特征,以及根据语义将目的点云划分为不同类别的属性特征,所述属性特征包括地面特征和非地面特征;
所述栅格化模块用于,根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格;
所述相似度计算模块用于,基于已划分的栅格计算所述源点云和所述目的点云的相似度;以及,在所述位置更新模块根据配准结果调整所述源点云的位置,更新迭代次数之后,再次计算所述源点云和所述目的点云的相似度;
所述判断模块用于,判断所述相似度和当前的迭代次数是否满足预设的条件;
所述配准模块用于,当所述判断模块判断出所述相似度和当前的迭代次数满足预设的条件时,对所述源点云和所述目的点云进行配准;
所述位置更新模块用于,根据配准结果调整所述源点云的位置,更新迭代次数。
优选的,所述判断模块具体用于,将所述相似度和预设的第一阈值相比较,并将当前的迭代次数与预设的第二阈值相比较;当所述相似度小于或等于所述第一阈值,且所述当前的迭代次数小于所述第二阈值时,将所述相似度与前次计算得到的相似度相比较;
所述满足所述预设的条件,具体包括:所述相似度大于前次计算得到的相似度。
进一步的,所述点云配准装置还包括回退处理模块,所述回退处理模块用于,当所述判断模块判断出所述相似度小于或等于前次计算得到的相似度时,将源点云的位置回退;
所述配准模块还用于,在所述回退处理模块将源点云的位置回退之后,对所述源点云和所述目的点云进行配准。
进一步的,所述点云配准装置还包括栅格尺寸处理模块,所述栅格尺寸处理模块用于,当所述判断模块判断出所述相似度大于所述第一阈值,或者,所述当前的迭代次数大于或等于所述第二阈值时,按照预设的收敛步长减小栅格的尺寸;
所述判断模块还用于,在所述栅格尺寸处理模块按照预设的收敛步长减小栅格的尺寸之后,判断减小后的栅格的尺寸是否大于预设的第三阈值;
所述栅格化模块还用于,在所述栅格尺寸处理模块判断出减小后的栅格的尺寸大于预设的第三阈值之后,按照所述减小后的栅格尺寸,根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格。
优选的,所述相似度计算模块具体用于,根据栅格的属性特征,计算所述源点云和所述目的点云的相似度。
优选的,所述相似度计算模块具体用于,针对所述源点云中的每个栅格,从所述目的点云中选取与其距离最近的栅格;根据所述源点云中的每个栅格的属性特征,计算所述源点云和所述目的点云的相似度。
优选的,所述配准模块包括选择单元、确定单元、匹配单元;
所述选择单元用于,根据所述属性特征,从所述源点云中选择第一待匹配栅格;
所述确定单元用于,根据所述第一待匹配的栅格的属性特征,确定所述目的点云中的第二待匹配栅格;
所述匹配单元用于,将所述第一待匹配栅格和所述第二待匹配栅格进行匹配。
优选的,所述确定单元具体用于,若所述第一待匹配栅格中只包括地面特征,则从所述目的点云中选取与所述第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与所述第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格;若所述第一待匹配栅格中只包括非地面特征,或者,所述第一待匹配栅格中包括地面特征和非地面特征,则从所述目的点云中选取与所述第一待匹配栅格的属性特征相同,且与所述第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与所述第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格。
优选的,所述确定单元具体用于,当所述第一待匹配栅格中只包括地面特征时,根据公式(1)计算所述匹配度:
其中,为所述源点云的第一待匹配栅格中各地面特征的平均高度,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δhthr为预设值;
当所述第一待匹配栅格中只包括非地面特征时,根据公式(2)计算所述匹配度:
其中,为所述第一待匹配栅格中各非地面特征的x轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的x轴坐标的平均值,为所述第一待匹配栅格中各非地面特征的y轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的y轴坐标的平均值,为所述源点云的第一待匹配栅格中各地面特征的平均高度,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δxthr、Δythr、Δhthr为预设值;
当所述第一待匹配栅格中包括地面特征和非地面特征时,根据公式(3)计算所述匹配度:Sfh=Sh+Sf(3)。
优选的,所述配准结果包括待移动位移;所述匹配单元具体用于,计算所述第二待匹配栅格与相应的第一待匹配栅格之间的相对位置;根据所述相对位置、所述第二待匹配栅格对应的匹配度和残差方程,计算所述源点云的待移动位移。
本公开还提供一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如前所述的点云配准方法。
本公开还提供一种计算机可读介质,其上存储有计算机程序,其中,所述程序被执行时实现如前所述的点云配准方法。
本公开的实施例,将点云语义分割和栅格化相结合,考虑到点云的属性特征,提供了点云数据中除高度和反射率以外更为丰富的特征信息,可以针对不同的属性特征采用不同的配准方案,从而提高匹配的准确性。一方面,将属性特征作为配准的依据,对于某些强特征场景较少的点云数据,也可以提高匹配的准确性;另一方面,语义分割也可以去除车辆、行人等干扰匹配的噪音,进一步提高匹配的准确性。对于采集数据误差较大(大于5m)的场景,采用本公开实施例的方案进行点云配准效果尤其明显。
附图说明
图1为本公开实施例提供的点云配准流程图之一;
图2为本公开实施例提供的点云配准流程图之二;
图3为本公开实施例提供的配准步骤的流程图;
图4为本公开实施例提供的第一待匹配栅格和第二待匹配栅格匹配的流程图;
图5为本公开实施例提供的相似度计算的流程图;
图6为本公开施例提供的点云配准装置的结构示意图之一;
图7为本公开实施例提供的点云配准装置的结构示意图之二;
图8为本公开实施例提供的点云配准装置的结构示意图之三;
图9为本公开实施例提供的配准模块的结构示意图。
具体实施方式
在下文中将参考附图更充分地描述示例实施例,但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之,提供这些实施例的目的在于使本公开透彻和完整,并将使本领域技术人员充分理解本公开的范围。
如本文所使用的,术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例,且不意欲限制本公开。如本文所使用的,单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。还将理解的是,当本说明书中使用术语“包括”和/或“由……制成”时,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其群组。
本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此,可根据制造技术和/或容限来修改示例图示。因此,实施例不限于附图中所示的实施例,而是包括基于制造工艺而形成的配置的修改。因此,附图中例示的区具有示意性属性,并且图中所示区的形状例示了元件的区的具体形状,但并不旨在是限制性的。
除非另外限定,否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解,诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义,且将不解释为具有理想化或过度形式上的含义,除非本文明确如此限定。
目前点云语义分割的平均准召率在95%左右,本公开提出了将点云语义分割与栅格化的方法相结合进行点云配准的方案,并针对性的提出了相应的匹配策略和相似度评价策略。
本公开的一个实施例提供一种点云配准方法,以下结合图1,对所述点云配准方法进行详细说明,如图1所示,该方法包括以下步骤:
步骤11,根据语义将源点云划分为不同类别的属性特征,以及根据语义将目的点云划分为不同类别的属性特征。
具体的,属性特征包括地面特征和非地面特征,地面特征的类别可以包括地面、车道线等,非地面特征的类别可以包括护栏、路沿、路标标识、杆状物体、高架桥等。
本步骤为语义分割的步骤,根据语义将点云按照类别区分属性特征的具体实现方式属于现有技术,在此不再赘述。
步骤12,根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格。
越远的点云越稀疏,因此,在本公开实施例中,规定栅格的大小为60m*60m。由于点云中包括了汽车、行人等干扰噪音,为了保证点云配准的准确性,在点云栅格化的过程中不会将噪音的点云放置到栅格中。
每个栅格的内容定义如下:
cell{
cell.base_box_info
cell.ground_box_info
cell.barrier_info
…
}
box_info可以包括属性特征的长宽高、平均高度、平均反射率等参数。
每个栅格中可以包括一个或多个属性特征(即box),需要说明的是,其中如果点云中的点的实际面积小于栅格面积的50%,则该点对应的属性特征的尺寸以实际面积为准,需要相应修改box_info的值。例如,若某个栅格中包括护栏、地面、灯杆三种类别的属性特征,该栅格尺寸为3m*3m,将护栏作为一个box、地面作为一个box、灯杆作为一个box。若点云中灯杆的点的面积为0.5m*0.5m,地面的点的面积为3m*3m,护栏的点的面积为3m*0.5m,则将灯杆box和护栏的box的尺寸调整为实际尺寸。
本步骤是将点云栅格化的步骤,其具体实现方案与现有的栅格化的方案相同,在此不再赘述。
步骤13,基于已划分的栅格计算源点云和目的点云的相似度。
具体的,可以根据栅格的属性特征,计算源点云和目的点云的相似度。源点云和目的点云的相似度的计算过程,后续结合附图5再详细说明。
步骤14,判断相似度和当前的迭代次数是否满足预设的条件,若满足,则执行步骤15。
具体的,若相似度和迭代次数满足预设条件,说明源点云和目的点云当前的相对位置符合要求,可以进一步进行点云配准的操作(即执行步骤15及其后续步骤)。
相似度和当前的迭代次数是否满足预设条件的判断流程,后续结合图2再详细说明。
步骤15,对源点云和目的点云进行配准。
具体的,配准结果包括待移动位移,也就是说,通过本步骤可以计算出源点云的待移动位移。
对源点云和目的点云进行配准的具体流程后续结合图3再详细说明。
步骤16,根据配准结果调整源点云的位置,更新迭代次数。
具体的,按照步骤15计算出的待移动位移,移动源点云的位置,相应的本次迭代结束,将当前的迭代次数加1。通过将迭代次数的上限设置为合理数值,可以优化迭代过程,兼顾计算效率和准确率。优选的,迭代次数的上限可以设置为50。
需要说明的是,点云配准的过程是迭代的过程,执行完本步骤,说明完成了一次迭代过程,然后返回步骤13,再次执行计算移动位置后的源点云和目的点云的相似度的步骤,以及后续判断是否满足预设条件的步骤以及点云配准的步骤,以进行下一次的迭代。
通过步骤11-16可以看出,本公开将点云语义分割和栅格化相结合,考虑到点云的属性特征,提供了点云中除高度和反射率以外更为丰富的特征信息,可以针对不同的属性特征采用不同的配准方案,从而提高匹配的准确性。一方面,将属性特征作为配准的依据,对于某些强特征场景较少的点云数据,也可以提高匹配的准确性;另一方面,语义分割也可以去除车辆、行人等干扰匹配的噪音,进一步提高匹配的准确性。对于采集数据误差较大(大于5m)的场景,采用本公开实施例的方案进行点云配准效果尤其明显。
以下结合图1和图2,对判断相似度和当前的迭代次数是否满足预设的条件的流程进行详细说明。如图1、2所示,在执行完步骤13之后,执行判断相似度和当前的迭代次数是否满足预设的条件的步骤,所述步骤具体包括:
步骤21,将相似度和预设的第一阈值相比较,并将当前的迭代次数与预设的第二阈值相比较,若相似度小于或等于第一阈值,且当前的迭代次数小于第二阈值,则执行步骤22。
具体的,当判断出本次计算得到的相似度小于或等于第一阈值,且当前的迭代次数小于第二阈值时,说明当前的相似度不满足要求,即当前源点云的位置未达到最优,需要继续调整源点云的位置,而且迭代次数的上限尚未达到,因此,进一步将本次计算得到的相似度和前次计算得到相似度相比较(即执行步骤22)。
步骤22,将相似度与前次计算得到的相似度相比较,若相似度大于前次计算得到的相似度,则执行步骤15;若相似度小于或等于前次计算得到的相似度,则执行步骤23。
具体的,若判断出本次计算得到的相似度大于前次计算得到的相似度,说明满足预设条件,也就是说,虽然相似度未达到要求(即未大于第一阈值),但是相似度比前次有所提高,那么可以继续进行点云配准(即执行步骤15及其后续步骤)。
若判断出本次计算得到的相似度小于或等于前次计算得到的相似度,说明前次源点云位置调整不合理,导致移动之后的源点云与目的点云的相似度差别更大,在这种情况下,需要将源点云的位置回退,并从源点云中重新选择待匹配的栅格,以重新进行点云配准(即执行步骤15及其后续步骤)。
步骤23,将源点云的位置回退。
通过步骤21-23可以看出,通过设置预设条件,先判断相似度是否达到要求,以及,判断迭代次数是否达到上限,在相似度未达到要求,或者,迭代次数未达到上限时,再判断相似度相较于前次调整源点云位置之前是否有所提高,若前次调整源点云位置之后,源和目的点云的相似度有所提高,说明前次调整源点云位置正确,则可以进一步进行点云配准,以便进一步调整源点云的位置。若前次调整源点云位置之后,相似度反而降低了,说明前次调整源点云位置有误,则将源点云的位置回退,并重新进行点云配准,以便重新调整源点云的位置,从而保证后续源点云位置调整的准确性。
进一步的,结合图1和图2所示,所述方法还包括以下步骤:
在步骤21中,若相似度大于第一阈值,或者,当前的迭代次数大于或等于所述第二阈值,则执行步骤24。
步骤24,按照预设的收敛步长减小栅格的尺寸。
步骤25,判断减小后的栅格的尺寸是否大于预设的第三阈值,若是,则执行步骤12;否则,结束流程。
其中,第三阈值为栅格的最小尺寸,若减小后的栅格尺寸大于第三阈值,说明缩小栅格后尚未达到栅格的最小尺寸,则可以按照该缩小后的尺寸再次进行栅格化,并重新进行相似度的判断和点云配准(即执行步骤12及其后续步骤)。具体的,在步骤12中,按照减小后的栅格尺寸,根据属性特征,分别将源点云和目的点云划分为多个栅格。
若减小后的栅格尺寸小于或等于第三阈值,说明缩小后的栅格尺寸已小于栅格的最小尺寸,而此时要么相似度已经达到要求(即相似度已大于第一阈值),要么是在缩小栅格之前迭代次数已达上限,这种情况下,为了节省运算力,直接结束流程。
通过步骤24-25可以看出,本公开先用较大的栅格进行粗配准,之后逐渐减少栅格的大小,进行更为精细的配准,从而提高点云配准效率。
以下结合图3,对源点云和目的点云进行配准的具体流程进行详细说明。如图3所示,所述对源点云和目的点云进行配准,具体包括以下步骤:
步骤31,根据属性特征,从源点云中选择第一待匹配栅格。
具体的,由于点云中包括多种类别的地面特征和非地面特征,本公开的点云配准方案是根据属性特征的类别进行配准,因此,在本步骤中,需要选择待配准的属性特征的类别。
优选的,可以按照预设的属性特征优先级,从源点云中选择第一待匹配栅格。其中,属性特征优先级由高到低的顺序为:包括地面特征和所有非地面特征的栅格、包括地面特征和护栏特征的栅格、包括地面特征和牌杆特征的栅格。按照上述属性特征优先级的顺序选取待匹配栅格,可以降低匹配难度,提高匹配效率。
步骤32,根据第一待匹配的栅格的属性特征,确定目的点云中的第二待匹配栅格。
若第一待匹配栅格中只包括地面特征,则从目的点云中选取与第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格。
具体的,当源点云的第一待匹配栅格中只包括地面特征、不包括非地面特征时,按照公式(1)计算匹配度Sh:
其中,为源点云的第一待匹配栅格中各地面特征的平均高度,为目的点云中与第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δhthr为预设值。
也就是说,针对源点云中的每个第一待匹配栅格,选取目的点云中与其距离小于第四阈值(例如第四阈值可以设置为50m)的栅格,按照公式(1)分别计算选取出的栅格与相应的第一待匹配栅格的匹配度Sh,确定出匹配度Sh最高的栅格,作为目的点云中的第二待匹配栅格。
若第一待匹配栅格中只包括非地面特征,或者,第一待匹配栅格中包括地面特征和非地面特征,则从目的点云中选取与第一待匹配栅格的属性特征相同,且与第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格。
具体的,当源点云的第一待匹配栅格中只包括非地面特征、不包括地面特征时,根据公式(2)计算匹配度Sf:
其中,为所述第一待匹配栅格中各非地面特征的x轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的x轴坐标的平均值,为所述第一待匹配栅格中各非地面特征的y轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的y轴坐标的平均值,为所述源点云的第一待匹配栅格中各地面特征的平均高度,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δxthr、Δythr、Δhthr为预设值。
需要说明的是,x、y轴坐标可以为经纬度,也可以是UTM(Universal TransverseMercator,通用横墨卡托格网***)坐标系下的坐标值,也可以是高斯坐标下的坐标的值。
也就是说,针对源点云中的每个第一待匹配栅格,选取目的点云中与其距离小于第四阈值(例如第四阈值可以设置为50m)且具有相同属性特征的栅格,按照公式(2)分别计算选取出的栅格与相应的第一待匹配栅格的匹配度Sf,确定出匹配度Sf最高的栅格,将该匹配度Sf最高的栅格作为目的点云中的第二待匹配栅格。需要说明的是,匹配度Sf的值应该大于0小于1,若Sf<Sthr,则令Sf=-1,这样,在选择匹配度Sf最高的栅格时,就不会考虑该栅格了。其中,Sthr为预设值,优选取值为0.75。
当第一待匹配栅格中既包括地面特征又包括非地面特征时,根据公式(3)计算匹配度Sfh:
也就是说,针对地面特征,按照公式(1)计算匹配度Sh,针对非地面特征,按照公式(2)计算匹配度Sf,然后计算第一待匹配栅格中所有属性特征的匹配度之和,即可得到该栅格的匹配度Sfh。
步骤33,将第一待匹配栅格和第二待匹配栅格进行匹配。
具体的,将第一待匹配栅格和第二待匹配栅格进行匹配的过程后续结合附图4再详细说明。
以下结合图4所示,详细说明将第一待匹配栅格和第二待匹配栅格进行匹配的流程。如图4所示,所述将第一待匹配栅格和第二待匹配栅格进行匹配,具体包括以下步骤:
步骤41,计算第二待匹配栅格与相应的第一待匹配栅格之间的相对位置。
具体的,当第一待匹配栅格和第二待匹配栅格中只包括地面特征、不包括非地面特征时,第一待匹配栅格和第二待匹配栅格之间的相对位置为Δz,
当第一待匹配栅格和第二待匹配栅格中只包括非地面特征、不包括地面特征时,第一待匹配栅格和第二待匹配栅格之间的相对位置为Δd,其中,为源点云的位置,可以通过和表示;为目的点云的位置,可以通过和表示;为水平移动的主方向,对于面状属性特征(例如,牌等)来说,为法向量法向的方向,对于线状的属性特征(例如,护栏、路沿、杆等)来说,为垂直于该线状的属性特征的方向。
当第一待匹配栅格中既包括地面特征又包括非地面特征时,第一待匹配栅格和第二待匹配栅格之间的相对位置为Δp,Δp=Δz+Δd。
步骤42,根据相对位置、第二待匹配栅格对应的匹配度和残差方程,计算源点云的待移动位移。
具体的,将第二待匹配栅格与相应的第一待匹配栅格之间的相对位置和第二待匹配栅格对应的匹配度代入残差方程,由此得到残差方程的最优解即为源点云的待移动位移。残差方程可以选用现有的残差方程,在此不再赘述。
通过步骤41-42可以看出,在本公开实施例中,源点云和目的点云的配准是基于栅格的属性特征匹配实现的,地面特征的匹配,主要负责调整高度,而非地面特征的配准,主要调整水平位置。
以下结合图5,详细说明源点云和目的点云相似度的计算流程,如图5所示,所述流程包括以下步骤:
步骤51,针对源点云中的每个栅格,从目的点云中选取与其距离最近的栅格。
步骤52,根据源点云中每个栅格的属性特征,计算源点云和目的点云针对选取出的每个栅格的相似度。
具体的,当源点云中的栅格只包括地面特征、不包括非地面特征时,该栅格的相似度可以按照公式(1)计算,在此不再赘述。
当源点云中的栅格只包括非地面特征、不包括地面特征时,该栅格的相似度可以按照公式(2)计算,在此不再赘述。
当源点云中的栅格既包括地面特征又包括非地面特征时,该栅格的相似度可以按照公式(3)计算,在此不再赘述。
在计算得到每个栅格的相似度后,综合点云中所有的栅格的相似度,得到源点云和目的点云的相似度,例如,可以通过计算每个栅格的相似度的平均值得到源点云和目的点云的相似度。
基于相同的技术构思,本公开实施例还提供一种点云配准装置,如图6所示,该点云配准装置包括:语义分割模块61、栅格化模块62、相似度计算模块63、判断模块64、配准模块65和位置更新模块66。
语义分割模块61用于,根据语义将源点云划分为不同类别的属性特征,以及根据语义将目的点云划分为不同类别的属性特征,所述属性特征包括地面特征和非地面特征。
栅格化模块62用于,根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格。
相似度计算模块63用于,基于已划分的栅格计算所述源点云和所述目的点云的相似度;以及,在所述位置更新模块根据配准结果调整所述源点云的位置,更新迭代次数之后,再次计算所述源点云和所述目的点云的相似度。
判断模块64用于,判断所述相似度和当前的迭代次数是否满足预设的条件。
配准模块65用于,当判断模块64判断出所述相似度和当前的迭代次数满足预设的条件时,对所述源点云和所述目的点云进行配准。
位置更新模块66用于,根据配准结果调整所述源点云的位置,更新迭代次数。
优选的,判断模块64具体用于,将所述相似度和预设的第一阈值相比较,并将当前的迭代次数与预设的第二阈值相比较;当所述相似度小于或等于所述第一阈值,且所述当前的迭代次数小于所述第二阈值时,将所述相似度与前次计算得到的相似度相比较。
所述满足所述预设的条件,具体包括:所述相似度大于前次计算得到的相似度。
在本公开的又一实施例中,如图7所示,所述点云配准装置还包括回退处理模块67,回退处理模块67用于,当判断模块64判断出所述相似度小于或等于前次计算得到的相似度时,将源点云的位置回退。
配准模块65还用于,在回退处理模块67将源点云的位置回退之后,对所述源点云和所述目的点云进行配准。
在本公开的另一实施例中,如图8所示,所述点云配准装置还包括栅格尺寸处理模块69,栅格尺寸处理模块69用于,当判断模块64判断出所述相似度大于所述第一阈值,或者,所述当前的迭代次数大于或等于所述第二阈值时,按照预设的收敛步长减小栅格的尺寸。
判断模块64还用于,在栅格尺寸处理模块69按照预设的收敛步长减小栅格的尺寸之后,判断减小后的栅格的尺寸是否大于预设的第三阈值。
栅格化模块62还用于,在栅格尺寸处理模块69判断出减小后的栅格的尺寸大于预设的第三阈值之后,按照所述减小后的栅格尺寸,根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格。
优选的,相似度计算模块63具体用于,根据栅格的属性特征,计算所述源点云和所述目的点云的相似度。
优选的,相似度计算模块63具体用于,针对所述源点云中的每个栅格,从所述目的点云中选取与其距离最近的栅格;根据所述源点云中的每个栅格的属性特征,计算所述源点云和所述目的点云的相似度。
如图9所示,优选的,配准模块65包括选择单元651、确定单元652和匹配单元653。
选择单元651用于,根据所述属性特征,从所述源点云中选择第一待匹配栅格。
确定单元652用于,根据所述第一待匹配的栅格的属性特征,确定所述目的点云中的第二待匹配栅格。
匹配单元653用于,将所述第一待匹配栅格和所述第二待匹配栅格进行匹配。
优选的,确定单元652具体用于,若所述第一待匹配栅格中只包括地面特征,则从所述目的点云中选取与所述第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与所述第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格;若所述第一待匹配栅格中只包括非地面特征,或者,所述第一待匹配栅格中包括地面特征和非地面特征,则从所述目的点云中选取与所述第一待匹配栅格的属性特征相同,且与所述第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与所述第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格。
优选的,确定单元652具体用于,当所述第一待匹配栅格中只包括地面特征时,根据公式(1)计算所述匹配度:
其中,为所述源点云的第一待匹配栅格中各地面特征的平均高度,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δhthr为预设值;
当所述第一待匹配栅格中只包括非地面特征时,根据公式(2)计算所述匹配度:
其中,为所述第一待匹配栅格中各非地面特征的x轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的x轴坐标的平均值,为所述第一待匹配栅格中各非地面特征的y轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的y轴坐标的平均值,为所述源点云的第一待匹配栅格中各地面特征的平均高度,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δxthr、Δythr、Δhthr为预设值;
当所述第一待匹配栅格中包括地面特征和非地面特征时,根据公式(3)计算所述匹配度:Sfh=Sh+Sf(3)。
优选的,所述配准结果包括待移动位移;匹配单元653具体用于,计算所述第二待匹配栅格与相应的第一待匹配栅格之间的相对位置;根据所述相对位置、所述第二待匹配栅格对应的匹配度和残差方程,计算所述源点云的待移动位移。
本公开还提供一种服务器,所述服务器包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如前所述的点云配准方法。
本公开还提供一种计算机可读介质,其上存储有计算机程序,其中,所述程序被执行时实现如前所述的点云配准方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文已经公开了示例实施例,并且虽然采用了具体术语,但它们仅用于并仅应当被解释为一般说明性含义,并且不用于限制的目的。在一些实例中,对本领域技术人员显而易见的是,除非另外明确指出,否则可单独使用与特定实施例相结合描述的特征、特性和/或元素,或可与其他实施例相结合描述的特征、特性和/或元件组合使用。因此,本领域技术人员将理解,在不脱离由所附的权利要求阐明的本发明的范围的情况下,可进行各种形式和细节上的改变。
Claims (19)
1.一种点云配准方法,其中,所述方法包括:
根据语义将源点云划分为不同类别的属性特征,以及根据语义将目的点云划分为不同类别的属性特征,所述属性特征包括地面特征和非地面特征;
根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格;
基于已划分的栅格计算所述源点云和所述目的点云的相似度;
判断所述相似度和当前的迭代次数是否满足预设的条件,若满足,则对所述源点云和所述目的点云进行配准;
根据配准结果调整所述源点云的位置,更新迭代次数,并再次计算所述源点云和所述目的点云的相似度。
2.如权利要求1所述的方法,其中,所述判断所述相似度和当前的迭代次数是否满足预设的条件,具体包括:
将所述相似度和预设的第一阈值相比较,并将当前的迭代次数与预设的第二阈值相比较;若所述相似度小于或等于所述第一阈值,且所述当前的迭代次数小于所述第二阈值,则将所述相似度与前次计算得到的相似度相比较;
所述满足所述预设的条件,具体包括:所述相似度大于前次计算得到的相似度。
3.如权利要求2所述的方法,其中,所述方法还包括:
若所述相似度小于或等于前次计算得到的相似度,则将源点云的位置回退,并对所述源点云和所述目的点云进行配准。
4.如权利要求2所述的方法,其中,所述方法还包括:
若所述相似度大于所述第一阈值,或者,所述当前的迭代次数大于或等于所述第二阈值,则按照预设的收敛步长减小栅格的尺寸;
判断减小后的栅格的尺寸是否大于预设的第三阈值,若是,则按照所述减小后的栅格尺寸,根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格。
5.如权利要求1-4任一项所述的方法,其中,所述基于已划分的栅格计算所述源点云和所述目的点云的相似度,具体包括:根据栅格的属性特征,计算所述源点云和所述目的点云的相似度。
6.如权利要求5所述的方法,其中,所述根据栅格的属性特征,计算所述源点云和所述目的点云的相似度,具体包括:
针对所述源点云中的每个栅格,从所述目的点云中选取与其距离最近的栅格;
根据所述源点云中每个栅格的属性特征,计算所述源点云和所述目的点云的相似度。
7.如权利要求1-4任一项所述的方法,其中,所述对所述源点云和所述目的点云进行配准,具体包括:
根据所述属性特征,从所述源点云中选择第一待匹配栅格;
根据所述第一待匹配的栅格的属性特征,确定所述目的点云中的第二待匹配栅格;
将所述第一待匹配栅格和所述第二待匹配栅格进行匹配。
8.如权利要求7所述的方法,其中,所述根据所述第一待匹配栅格的属性特征,确定所述目的点云中的第二待匹配栅格,具体包括:
若所述第一待匹配栅格中只包括地面特征,则从所述目的点云中选取与所述第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与所述第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格;
若所述第一待匹配栅格中只包括非地面特征,或者,所述第一待匹配栅格中包括地面特征和非地面特征,则从所述目的点云中选取与所述第一待匹配栅格的属性特征相同,且与所述第一待匹配栅格的距离小于预设的第四阈值的栅格,计算选取出的栅格与所述第一待匹配栅格的匹配度,选择匹配度最高的栅格作为第二待匹配栅格。
9.如权利要求8所述的方法,其中,当所述第一待匹配栅格中只包括地面特征时,所述匹配度根据公式(1)计算:
其中,为所述源点云的第一待匹配栅格中各地面特征的平均高度,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δhthr为预设值;
当所述第一待匹配栅格中只包括非地面特征时,所述匹配度根据公式(2)计算:
其中,为所述第一待匹配栅格中各非地面特征的x轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的x轴坐标的平均值,为所述第一待匹配栅格中各非地面特征的y轴坐标的平均值,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格内各非地面特征的y轴坐标的平均值,为所述源点云的第一待匹配栅格中各地面特征的平均高度,为所述目的点云中与所述第一待匹配栅格的距离小于预设的第四阈值的栅格中各地面特征的平均高度,Δxthr、Δythr、Δhthr为预设值;
当所述第一待匹配栅格中包括地面特征和非地面特征时,所述匹配度根据公式(3)计算:
Sfh=Sh+Sf (3)。
10.如权利要求7所述的方法,其中,所述配准结果包括待移动位移;所述将所述第一待匹配栅格和所述第二待匹配栅格进行匹配,具体包括:
计算所述第二待匹配栅格与相应的第一待匹配栅格之间的相对位置;
根据所述相对位置、所述第二待匹配栅格对应的匹配度和残差方程,计算所述源点云的待移动位移。
11.一种点云配准装置,其中,包括:语义分割模块、栅格化模块、相似度计算模块、判断模块、配准模块和位置更新模块;
所述语义分割模块用于,根据语义将源点云划分为不同类别的属性特征,以及根据语义将目的点云划分为不同类别的属性特征,所述属性特征包括地面特征和非地面特征;
所述栅格化模块用于,根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格;
所述相似度计算模块用于,基于已划分的栅格计算所述源点云和所述目的点云的相似度;以及,在所述位置更新模块根据配准结果调整所述源点云的位置,更新迭代次数之后,再次计算所述源点云和所述目的点云的相似度;
所述判断模块用于,判断所述相似度和当前的迭代次数是否满足预设的条件;
所述配准模块用于,当所述判断模块判断出所述相似度和当前的迭代次数满足预设的条件时,对所述源点云和所述目的点云进行配准;
所述位置更新模块用于,根据配准结果调整所述源点云的位置,更新迭代次数。
12.如权利要求11所述的点云配准装置,其中,所述判断模块具体用于,将所述相似度和预设的第一阈值相比较,并将当前的迭代次数与预设的第二阈值相比较;当所述相似度小于或等于所述第一阈值,且所述当前的迭代次数小于所述第二阈值时,将所述相似度与前次计算得到的相似度相比较;
所述满足所述预设的条件,具体包括:所述相似度大于前次计算得到的相似度。
13.如权利要求12所述的点云配准装置,其中,还包括回退处理模块,所述回退处理模块用于,当所述判断模块判断出所述相似度小于或等于前次计算得到的相似度时,将源点云的位置回退;
所述配准模块还用于,在所述回退处理模块将源点云的位置回退之后,对所述源点云和所述目的点云进行配准。
14.如权利要求12所述的点云配准装置,其中,还包括栅格尺寸处理模块,所述栅格尺寸处理模块用于,当所述判断模块判断出所述相似度大于所述第一阈值,或者,所述当前的迭代次数大于或等于所述第二阈值时,按照预设的收敛步长减小栅格的尺寸;
所述判断模块还用于,在所述栅格尺寸处理模块按照预设的收敛步长减小栅格的尺寸之后,判断减小后的栅格的尺寸是否大于预设的第三阈值;
所述栅格化模块还用于,在所述栅格尺寸处理模块判断出减小后的栅格的尺寸大于预设的第三阈值之后,按照所述减小后的栅格尺寸,根据所述属性特征,分别将所述源点云和所述目的点云划分为多个栅格。
15.如权利要求11-14任一项所述的点云配准装置,其中,所述相似度计算模块具体用于,根据栅格的属性特征,计算所述源点云和所述目的点云的相似度。
16.如权利要求15所述的点云配准装置,其中,所述相似度计算模块具体用于,针对所述源点云中的每个栅格,从所述目的点云中选取与其距离最近的栅格;根据所述源点云中的每个栅格的属性特征,计算所述源点云和所述目的点云的相似度。
17.如权利要求11-14任一项所述的点云配准装置,其中,所述配准模块包括选择单元、确定单元、匹配单元;
所述选择单元用于,根据所述属性特征,从所述源点云中选择第一待匹配栅格;
所述确定单元用于,根据所述第一待匹配的栅格的属性特征,确定所述目的点云中的第二待匹配栅格;
所述匹配单元用于,将所述第一待匹配栅格和所述第二待匹配栅格进行匹配。
18.一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-10任一项所述的点云配准方法。
19.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被执行时实现如权利要求1-10任一项所述的点云配准方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334541.0A CN110084840B (zh) | 2019-04-24 | 2019-04-24 | 点云配准方法、装置、服务器和计算机可读介质 |
EP20161347.8A EP3731181A1 (en) | 2019-04-24 | 2020-03-06 | Method and apparatus for point cloud registration, server and computer readable medium |
US16/823,288 US11158071B2 (en) | 2019-04-24 | 2020-03-18 | Method and apparatus for point cloud registration, and computer readable medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334541.0A CN110084840B (zh) | 2019-04-24 | 2019-04-24 | 点云配准方法、装置、服务器和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084840A true CN110084840A (zh) | 2019-08-02 |
CN110084840B CN110084840B (zh) | 2022-05-13 |
Family
ID=67416448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910334541.0A Active CN110084840B (zh) | 2019-04-24 | 2019-04-24 | 点云配准方法、装置、服务器和计算机可读介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11158071B2 (zh) |
EP (1) | EP3731181A1 (zh) |
CN (1) | CN110084840B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461982A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 用于拼接点云的方法和装置 |
CN111929694A (zh) * | 2020-10-12 | 2020-11-13 | 炬星科技(深圳)有限公司 | 点云匹配方法、设备及存储介质 |
CN112543859A (zh) * | 2020-10-28 | 2021-03-23 | 华为技术有限公司 | 定位方法、装置、电子设备和存储介质 |
WO2021115961A1 (en) * | 2019-12-11 | 2021-06-17 | Continental Automotive Gmbh | Method for reconstruction of a feature in an environmental scene of a road |
CN113763438A (zh) * | 2020-06-28 | 2021-12-07 | 北京京东叁佰陆拾度电子商务有限公司 | 一种点云配准方法、装置、设备及存储介质 |
CN114442101A (zh) * | 2022-01-28 | 2022-05-06 | 南京慧尔视智能科技有限公司 | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084840B (zh) * | 2019-04-24 | 2022-05-13 | 阿波罗智能技术(北京)有限公司 | 点云配准方法、装置、服务器和计算机可读介质 |
CN112446907B (zh) * | 2020-11-19 | 2022-09-06 | 武汉中海庭数据技术有限公司 | 一种单线点云与多线点云配准的方法及装置 |
CN112967325B (zh) * | 2021-02-08 | 2023-07-21 | 北京大学 | 一种信号修复增强方法及装置 |
CN113628258B (zh) * | 2021-04-25 | 2024-04-26 | 西安理工大学 | 一种基于自适应特征点提取的点云粗配准方法 |
CN113313200B (zh) * | 2021-06-21 | 2024-04-16 | 中国科学院自动化研究所苏州研究院 | 一种基于法向约束的点云精匹配方法 |
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 |
CN113589243B (zh) * | 2021-07-30 | 2023-09-05 | 北京经纬恒润科技股份有限公司 | 一种雷达标定方法、装置、设备及存储介质 |
CN113674332B (zh) * | 2021-08-19 | 2024-05-21 | 上海应用技术大学 | 一种基于拓扑结构与多尺度特征的点云配准方法 |
CN113436238B (zh) * | 2021-08-27 | 2021-11-23 | 湖北亿咖通科技有限公司 | 点云配准精度的评估方法、装置和电子设备 |
US20240062465A1 (en) * | 2022-08-19 | 2024-02-22 | Fluid Dynamic Sciences, Llc | Fast feature recognition and mesh generation in structural design |
GB2623771A (en) * | 2022-10-25 | 2024-05-01 | Through Leaves Ltd | Combining three-dimensional images |
CN116468762B (zh) * | 2023-04-17 | 2024-06-25 | 南京邮电大学 | 一种变电站点云配准方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295239A (zh) * | 2013-06-07 | 2013-09-11 | 北京建筑工程学院 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
CN105702151A (zh) * | 2016-03-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 一种室内地图构建方法及装置 |
CN106803267A (zh) * | 2017-01-10 | 2017-06-06 | 西安电子科技大学 | 基于Kinect的室内场景三维重建方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
US20190088004A1 (en) * | 2018-11-19 | 2019-03-21 | Intel Corporation | Method and system of 3d reconstruction with volume-based filtering for image processing |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8525835B1 (en) * | 2010-02-24 | 2013-09-03 | The Boeing Company | Spatial data compression using implicit geometry |
US9740711B2 (en) * | 2013-11-07 | 2017-08-22 | Autodesk, Inc. | Automatic registration |
GB2520338A (en) * | 2013-11-19 | 2015-05-20 | Nokia Corp | Automatic scene parsing |
US10029804B1 (en) * | 2015-05-14 | 2018-07-24 | Near Earth Autonomy, Inc. | On-board, computerized landing zone evaluation system for aircraft |
US9710714B2 (en) * | 2015-08-03 | 2017-07-18 | Nokia Technologies Oy | Fusion of RGB images and LiDAR data for lane classification |
US9760996B2 (en) * | 2015-08-11 | 2017-09-12 | Nokia Technologies Oy | Non-rigid registration for large-scale space-time 3D point cloud alignment |
CN105427317B (zh) * | 2015-11-25 | 2017-03-29 | 武汉大学 | 一种适用于多视角自动化配准多站地面激光点云数据的方法 |
US10176589B2 (en) * | 2017-01-31 | 2019-01-08 | Mitsubishi Electric Research Labroatories, Inc. | Method and system for completing point clouds using planar segments |
US20180349522A1 (en) * | 2017-06-05 | 2018-12-06 | Siteaware Systems Ltd. | Adaptive Modeling of Buildings During Construction |
EP3457357B1 (en) * | 2017-09-13 | 2021-07-07 | Tata Consultancy Services Limited | Methods and systems for surface fitting based change detection in 3d point-cloud |
CN116385505A (zh) * | 2017-10-20 | 2023-07-04 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、***和存储介质 |
US10657390B2 (en) * | 2017-11-27 | 2020-05-19 | Tusimple, Inc. | System and method for large-scale lane marking detection using multimodal sensor data |
US10748027B2 (en) * | 2018-10-02 | 2020-08-18 | International Business Machines Corporation | Construction of an efficient representation for a three-dimensional (3D) compound object from raw video data |
US10915793B2 (en) * | 2018-11-08 | 2021-02-09 | Huawei Technologies Co., Ltd. | Method and system for converting point cloud data for use with 2D convolutional neural networks |
US10846817B2 (en) * | 2018-11-15 | 2020-11-24 | Toyota Research Institute, Inc. | Systems and methods for registering 3D data with 2D image data |
US11113959B2 (en) * | 2018-12-28 | 2021-09-07 | Intel Corporation | Crowdsourced detection, identification and sharing of hazardous road objects in HD maps |
CN110084840B (zh) * | 2019-04-24 | 2022-05-13 | 阿波罗智能技术(北京)有限公司 | 点云配准方法、装置、服务器和计算机可读介质 |
-
2019
- 2019-04-24 CN CN201910334541.0A patent/CN110084840B/zh active Active
-
2020
- 2020-03-06 EP EP20161347.8A patent/EP3731181A1/en not_active Withdrawn
- 2020-03-18 US US16/823,288 patent/US11158071B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295239A (zh) * | 2013-06-07 | 2013-09-11 | 北京建筑工程学院 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
CN105702151A (zh) * | 2016-03-31 | 2016-06-22 | 百度在线网络技术(北京)有限公司 | 一种室内地图构建方法及装置 |
CN106803267A (zh) * | 2017-01-10 | 2017-06-06 | 西安电子科技大学 | 基于Kinect的室内场景三维重建方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
US20190088004A1 (en) * | 2018-11-19 | 2019-03-21 | Intel Corporation | Method and system of 3d reconstruction with volume-based filtering for image processing |
Non-Patent Citations (2)
Title |
---|
ANESTIS ZAGANIDIS ET AL.: "Integrating Deep Semantic Segmentation Into 3-D Point Cloud Registration", 《IEEE ROBOTICS AND AUTOMATION LETTERS》 * |
王任栋 等: "一种鲁棒的城市复杂动态场景点云配准方法", 《机器人》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021115961A1 (en) * | 2019-12-11 | 2021-06-17 | Continental Automotive Gmbh | Method for reconstruction of a feature in an environmental scene of a road |
CN111461982A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 用于拼接点云的方法和装置 |
CN111461982B (zh) * | 2020-03-30 | 2023-09-22 | 北京百度网讯科技有限公司 | 用于拼接点云的方法和装置 |
CN113763438A (zh) * | 2020-06-28 | 2021-12-07 | 北京京东叁佰陆拾度电子商务有限公司 | 一种点云配准方法、装置、设备及存储介质 |
CN113763438B (zh) * | 2020-06-28 | 2024-04-19 | 北京京东叁佰陆拾度电子商务有限公司 | 一种点云配准方法、装置、设备及存储介质 |
CN111929694A (zh) * | 2020-10-12 | 2020-11-13 | 炬星科技(深圳)有限公司 | 点云匹配方法、设备及存储介质 |
CN112543859A (zh) * | 2020-10-28 | 2021-03-23 | 华为技术有限公司 | 定位方法、装置、电子设备和存储介质 |
CN112543859B (zh) * | 2020-10-28 | 2022-07-15 | 华为技术有限公司 | 定位方法、装置、电子设备和存储介质 |
CN114442101A (zh) * | 2022-01-28 | 2022-05-06 | 南京慧尔视智能科技有限公司 | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 |
CN114442101B (zh) * | 2022-01-28 | 2023-11-14 | 南京慧尔视智能科技有限公司 | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
US20200342614A1 (en) | 2020-10-29 |
CN110084840B (zh) | 2022-05-13 |
EP3731181A1 (en) | 2020-10-28 |
US11158071B2 (en) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084840A (zh) | 点云配准方法、装置、服务器和计算机可读介质 | |
Ji et al. | A novel simplification method for 3D geometric point cloud based on the importance of point | |
Meesrikamolkul et al. | Shape-based clustering for time series data | |
CN103679807B (zh) | 一种带边界约束的散乱点云重构方法 | |
CN109598781B (zh) | 通过回归分析从2d边界框获取伪3d框的方法以及使用该方法的学习装置和测试装置 | |
CN108279670A (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 | |
CN103822616A (zh) | 一种图分割与地形起伏约束相结合的遥感影像匹配方法 | |
CN104700451A (zh) | 基于迭代就近点算法的点云配准方法 | |
CN106570468A (zh) | 一种重建LiDAR原始点云建筑物轮廓线的方法 | |
Vestri et al. | Using robust methods for automatic extraction of buildings | |
KR101086402B1 (ko) | 영상 분할 방법 | |
CN111508073A (zh) | 一种三维建筑模型屋顶轮廓线的提取方法 | |
CN110032771A (zh) | 一种顾及局部细节特征的露天煤矿dem精确裁剪方法 | |
CN108921817A (zh) | 一种针对皮肤病图像的数据增强方法 | |
CN115861247A (zh) | 一种高分辨率遥感影像轮廓多级正则化方法、***及应用 | |
CN109100719A (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
CN113012063A (zh) | 一种动态点云修复方法、装置及计算机设备 | |
Zhang et al. | Enhanced interpreter-aided salt boundary extraction using shape deformation | |
CN113096181A (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
CN111192324A (zh) | 线段交点位置的确定方法、装置及可读存储介质 | |
CN104820980B (zh) | 自适应高精度mtf测量方法 | |
KR100987094B1 (ko) | 파트 모델을 자동으로 정의하는 방법 | |
Chen et al. | Multi-stage matching approach for mobile platform visual imagery | |
Xu et al. | Fast and accurate registration of large scene vehicle-borne laser point clouds based on road marking information | |
CN108197613B (zh) | 一种基于深度卷积级联网络的人脸检测优化方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211013 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |