CN110399892A - 环境特征提取方法和装置 - Google Patents

环境特征提取方法和装置 Download PDF

Info

Publication number
CN110399892A
CN110399892A CN201810371896.2A CN201810371896A CN110399892A CN 110399892 A CN110399892 A CN 110399892A CN 201810371896 A CN201810371896 A CN 201810371896A CN 110399892 A CN110399892 A CN 110399892A
Authority
CN
China
Prior art keywords
straight line
point
measurement point
orderly
indicate
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
Application number
CN201810371896.2A
Other languages
English (en)
Other versions
CN110399892B (zh
Inventor
余卫勇
张强
马晓辉
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology 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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810371896.2A priority Critical patent/CN110399892B/zh
Publication of CN110399892A publication Critical patent/CN110399892A/zh
Application granted granted Critical
Publication of CN110399892B publication Critical patent/CN110399892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • 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
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation

Landscapes

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

Abstract

本发明公开了一种环境特征提取方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：对有序测量点进行分割，以获得直线集合；根据马氏距离，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征。该实施方式在直线合并阶段采用了马氏距离判别法，克服了现有技术中对阈值敏感、阈值选取困难的缺点；而且该实施方式考虑了数据点的循环，对首尾线段特征的分割与合并，以及将角点作为点特征，从而使该方法更具实用性，并降低了复杂度，提高了精度和效率。

Description

环境特征提取方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种环境特征提取方法和装置。
背景技术
同时定位与地图创建(Simultaneous Localization and Mapping，SLAM)是指移动机器人自身在建立环境地图信息的同时利用环境地图信息进行姿态和位置估计。SLAM技术的优越之处在于移动机器人在运动过程中利用自身携带的外部环境感知传感器对环境进行探测，获得感知场景里特性突出的特征，当对环境特征产生重复观测时，利用对环境特征的位置实际测量结果与根据机器人估计位姿得到的预测结果之间的偏差来对机器人的估计位姿进行校正。基于特征的环境表示方式把传感器原始数据转变成具有几何特性的基本图元，如点、线段、角和弧等，用这些基本图元来描述环境结构特征，即创建环境地图。目前，人们已经提出了很多种算法来从含有噪声的传感器原始数据中提取线段特征和点特征。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有线段特征提取方法主要缺点在于：一方面，对阈值敏感，阈值选取困难，甚至无论如何选择阈值都会使提取结果产生过分割或欠分割的问题，其中霍夫变换特征提取算法的最大难点就在于对线性参数的量化确定；另一方面，它们考虑激光器的扫描范围是[0,π]，未考虑首尾线段特征的合并，准确性较低。
点特征提取方法中的固定阈值法主要缺点也是对阈值敏感，阈值选取困难；卡尔曼滤波法计算相对复杂。另外，现有的点特征提取方法都可能得到伪点特征，即环境中不存在的或较短时间内存在的点特征，从而增加后续的SLAM算法的计算复杂度。
发明内容
有鉴于此，本发明实施例提供一种环境特征提取方法和装置，在直线合并阶段采用了马氏距离判别法，克服了现有技术中对阈值敏感、阈值选取困难的缺点；而且该实施例考虑了数据点的循环，对首尾线段特征的分割与合并，以及将角点作为点特征，从而使该方法更具实用性，并降低了复杂度，提高了精度和效率。
为实现上述目的，根据本发明实施例的一个方面，提供了一种环境特征提取方法，包括：对有序测量点进行分割，以获得直线集合；根据马氏距离确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征。
可选地，所述方法还包括：根据所述线段特征，确定相邻的两条线段是否相交；若是，则将所述相邻的两条线段的交点作为点特征。
可选地，所述对有序测量点进行分割，以获得直线集合包括：根据自适应阈值，对有序测量点进行分类以确定多个有序点类；对每个有序点类进行分割以获得多个最小点集，根据所述多个最小点集确定直线集合。
可选地，对于连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关的自适应阈值根据如下式(1)确定：
其中，di表示自适应阈值，(ρi，θi)表示测量点Mi的极坐标，(ρi+1，θi+1)表示测量点Mi+1的极坐标，Δβ表示激光测距仪的角分辨率，λ为预设常数，σi1表示激光测距仪的测量误差的协方差矩阵的第一个元素，i＝1，2…m，m表示有序测量点的数量，Mm+1＝M1。
可选地，根据自适应阈值，对有序测量点进行分类以确定多个有序点类包括：
确定连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)之间的距离，判断所述距离是否小于自适应阈值，所述自适应阈值与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关；
若是，则确定所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)属于同一个有序点类。
可选地，在确定多个有序点类之后，所述方法还包括：确定第一个测量点与最后一个测量点之间的距离，判断所述距离是否小于与所述第一个测量点和最后一个测量点相关的自适应阈值；若是，则将包含第一个测量点的有序点类与包含最后一个测量点的有序点类进行合并，以获得新的有序点类。
可选地，所述方法还包括：确定有序点类中测量点的数量是否小于数量阈值，若是，则将该有序点类删除。
可选地，根据所述多个最小点集确定直线集合包括：
对每一最小点集，若最小点集中只有测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，则根据下式(2)确定(d1，α1)以及根据下式(3)确定(d2，α2)，
判断d1和d2是否大于或等于0；
若d1≥0且d2＜0，则将(d1，α1)作为直线的参数，根据所述参数确定直线；若d2≥0且d1＜0，则将(d2，α2)作为直线的参数，根据所述参数确定直线；
若最小点集中有序测量点的数量大于或等于3，则根据下式(4)确定(dk，αk)，
将大于或等于0的dk且总残差最小的(dk，αk)作为直线的参数，根据所述参数确定直线，其中，1<N≤m，N为整数。
可选地，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线包括：确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值，其中，c＝1，2…Nl，其中，Nl表示直线的数量，若是，则将所述相邻的直线Ic和直线Ic+1对应的最小点集合并；基于合并后的最小点集，确定新的直线。
可选地，在确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值之前，所述方法还包括：确定下式(5)成立，
π-|αc-αc+1|≥αthr (5)
其中，αc表示直线Ic的极坐标参数，αc+1表示直线Ic+1的极坐标参数，αthr表示弧度阈值。
为实现上述目的，根据本发明实施例的一个方面，提供了一种环境特征提取装置，包括：直线获取模块，用于对有序测量点进行分割，以获得直线集合；合并模块，用于根据马氏距离，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；线段特征获取模块，用于对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征。
可选地，所述装置还包括点特征获取模块，用于：根据所述线段特征，确定相邻的两条线段是否相交；若是，则将所述相邻的两条线段的交点作为点特征。
可选地，所述直线获取模块还用于：根据自适应阈值，对有序测量点进行分类以确定多个有序点类；对每个有序点类进行分割以获得多个最小点集，根据所述多个最小点集确定直线集合。
可选地，所述直线获取模块还用于：
对于连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关的自适应阈值根据如下式(1)确定：
其中，di表示自适应阈值，(ρi，θi)表示测量点Mi的极坐标，(ρi+1，θi+1)表示测量点Mi+1的极坐标，Δβ表示激光测距仪的角分辨率，λ为预设常数，σi1表示激光测距仪的测量误差的协方差矩阵的第一个元素，i＝1，2…m，m表示有序测量点的数量，Mm+1＝M1。
所述直线获取模块还用于：确定连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)之间的距离，判断所述距离是否小于自适应阈值，所述自适应阈值与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关；
若是，则确定所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)属于同一个有序点类。
可选地，所述直线获取模块还用于：确定第一个测量点与最后一个测量点之间的距离，判断所述距离是否小于与所述第一个测量点和最后一个测量点相关的自适应阈值；若是，则将包含第一个测量点的有序点类与包含最后一个测量点的有序点类进行合并，以获得新的有序点类。
可选地，所述直线获取模块还用于：确定有序点类中测量点的数量是否小于数量阈值，若是，则将该有序点类删除。
可选地，所述直线获取模块还用于：
对于每一最小点集，若最小点集中只有测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，则根据下式(2)确定(d1，α1)以及根据下式(3)确定(d2，α2)，
判断d1和d2是否大于或等于0；
若d1≥0且d2＜0，则将(d1，α1)作为直线的参数，根据所述参数确定直线；若d2≥0且d1＜0，则将(d2，α2)作为直线的参数，根据所述参数确定直线；
若最小点集中有序测量点的数量大于或等于3，则根据下式(4)确定(dk，αk)，
其中，
将大于或等于0的dk且总残差最小的(dk，αk)作为直线的参数，根据所述参数确定直线，其中，1<N≤m，N为整数。
可选地，所述合并模块还用于：确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值，其中，c＝1，2…Nl，其中，Nl表示直线的数量，若是，则将所述相邻的直线Ic和直线Ic+1对应的最小点集合并；基于合并后的最小点集，确定新的直线。
可选地，所述合并模块还用于：
在确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值之前，确定下式(5)成立，
π-|αc-αc+1|≥αthr (5)
其中，αc表示直线Ic的极坐标参数，αc+1表示直线Ic+1的极坐标参数，αthr表示弧度阈值。
为实现上述目的，根据本发明实施例的一个方面，提供了电子设备，包括：一个或多个处理器；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本发明实施例的环境特征提取方法。
为实现上述目的，根据本发明实施例的一个方面，提供了计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的环境特征提取方法。
上述发明中的一个实施例具有如下优点或有益效果：采用对有序测量点进行分割，以获得直线集合；根据马氏距离，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征。本发明实施例通过数据点的循环(聚类中Mm+1＝M1)，对首尾直线进行分割与合并从而获得线段特征，以及将相连的线段的交点作为点特征的技术方式，使得特征提取方法更具实用性；通过在直线合并阶段采用了马氏距离判别法，克服了现有技术中对阈值敏感，阈值选取困难的问题；针对现有方案中可能得到伪特征的缺点，本发明实施例只提取了环境中能较长时间存在的角点特征，进而在不影响后续的SLAM算法的精度下，减少了其计算复杂度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明一实施例的环境特征提取方法的主要流程的示意图；
图2是根据本发明实施例的环境特征提取装置的主要模块的示意图；
图3是本发明实施例可以应用于其中的示例性***架构图；
图4是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明一实施例的环境特征提取方法的主要流程的示意图，如图1所示，该方法包括：
步骤S101：对有序测量点进行分割，以获得直线集合；
步骤S102：根据马氏距离，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；
步骤S103：对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征。
在本发明实施例中，特征是指环境中机器人可认知的结构元素，具有一定的抽象性，但通常可从测量数据和数学描述中提取出来。特征地图就是由环境中提取出来的特征所构成。
以AGV为例，假设AGV的真实位姿为该真实位姿未知，其估计值为(x0，y0，φ)，在其正中心安装有激光测距仪该激光测距仪对环境进行扫描，扫描范围是[-π,π)，得到m组有序的测量数据(m个有序测量点)：M1(ρ1，θ1)，M2(ρ2，θ2)…Mm(ρm，θm)。其中，(ρ1，θ1)是测量点M1的极坐标，且该极坐标系的中心是该激光测距仪。上述位姿是指位置与姿态，即AGV的位置(AGV坐标系)和AGV的方向角φr一起组成的三维向量在本实施例中，AGV的方向角是AGV车头方向与地球坐标下中的正向x轴形成的夹角，其在-180°到180°之间，逆时针旋转为正值，顺时针旋转为负值。AGV坐标系以AGV的驱动轴(连接两个驱动轮的轴线)的中点为坐标系原点，AGV坐标系的正x轴方向是AGV车头方向(车头方向是指由车尾指向车头的方向)，车体水平向左方向为y轴正向，即x轴正向逆时针旋转90°为y轴正向。
对i＝1，2…m，令：
对估计值(x0，y0，φ)，有如下模型：
X0＝Xr+ε0 (7)
其中，ε0是估计误差，服从期望为0的正态分布，其协方差矩阵为已知的三阶矩阵。
对于测量值(ρi，θi)，有如下模型：
其中，表示测量点Mi的极坐标真实极坐标，ξj是测量误差，服从期望为0的正态分布，其协方差矩阵为即是对角元为σi1和σi2的二阶对角矩阵，其中，σi1和σi2为激光测距仪的参数，由设备厂家提供，若厂家未提供，可通过将激光测距仪固定在某一点，对某些坐标已知的点反复扫描，对扫描得到的数据进行分析来确定，在本实施例中σi1和σi2为已知的。
对角矩阵(diagonal matrix)是一个除主对角线之外的元素皆为0的矩阵，常写为diag(a1，a2...an)。
对于步骤S101，为了从激光测距仪检测到的离散的有序测量点中快速地提取出线段和方便后面的点特征提取，在本实施例中，可以根据自适应阈值，对有序测量点进行分类以确定多个有序点类；对每个有序点类进行分割以获得多个最小点集，根据所述多个最小点集确定直线集合。具体的，先将该有序测量点进行聚类，即将距离较近的有序测量点分在一个有序点类中。其中，两个连续的测量点之间的距离根据如下式(9)确定：
本实施例采用自适应阈值判别是否将两个连续的测量点分到同一个有序点类的手段，使分类效果更好。具体的，自适应阈值根据如下过程确定：
对于连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关的自适应阈值根据如下式(1)确定：
其中，di表示自适应阈值，(ρi，θi)表示测量点Mi的极坐标，(ρi+1，θi+1)表示测量点Mi+1的极坐标，Δβ表示激光测距仪的角分辨率，λ为预设常数，σi1表示激光测距仪的测量误差的协方差矩阵的第一个元素，i＝1，2…m，m表示有序测量点的数量，Mm+1＝M1。作为具体的示例，λ＝π/18＝10°
根据式(9)确定连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)之间的距离，根据式(1)确定与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关的自适应阈值；
判断该距离是否小于或等于该自适应阈值；
若是，则确定所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)属于同一个有序点类。
对每个有序测量点重复上述步骤，即可对所有的有序测量点进行分类。
在本实施例中，本发明实施例考虑了激光测距仪可以360°扫描，扫描到的首测量点(即第一个测量点)和尾测量点(即最后一个测量点)可能连接，因此定义第m+1个测量点Mm+1(Mm+1＝M1)，这样定义可以使得所有的测量点能够连接起来，进而使得本发明实施例的环境特征提取方法更具实用性。
在可选的实施例中，在确定多个有序点类之后，所述方法还包括：
确定第一个测量点与最后一个测量点之间的距离，判断所述距离是否小于与所述第一个测量点和最后一个测量点相关的自适应阈值；
若是，则将包含第一个测量点的有序点类与包含最后一个测量点的有序点类进行合并，以获得新的有序点类。
具体的，若通过步骤1聚类得到v个有序点类：S1，S2…Sv-1，Sv。第一个测量点M1属于第一个有序点类S1＝{M1，M2…Mh}，最后一个测量点Mm属于最后一个有序点类Sv＝{Mt，Mt+1…Mm}，其中，1<h<t<m，v为大于1的正整数。
根据式(9)确定第一个测量点M1与最后一个测量点Mm之间的距离‖Mm-M1‖，根据式(1)确定与第一个测量点M1与最后一个测量点Mm相关的自适应阈值d1；判断该距离‖Mm-M1‖是否小于或等于自适应阈值d1，若是，则将有序点类S1和有序点类Sv合并，得到新的第一个有序点类S’1。此时，聚类得到的有序点类有(v-1)个：S’1，S2…Sv-1。
本发明实施例考虑第一个有序点类与最后一个有序点类是否合并的原因是在前面运用公式(1)合并时，不能把第一个有序点类S1与最后一个有序点类Sv合并在一起，所以需要额外考虑该情形，而其他测量点已经通过式(1)判断是否合并，不需要再判断了。本发明考虑了测量点的循环，使得该方法更具实用性。
在可选的实施例中，该方法还可以包括：确定有序点类中测量点的数量是否小于数量阈值，若是，则将该有序点类删除。
具体的，分别判断上述v-1个有序点类中测量点的数量是否小于数量阈值；若是，则删除小于数量阈值的有序点类。其中，数量阈值可与根据应用场景灵活设置。此时，得到的有序点类有K个：Sd，Sd+1…SK，1<d<K≤(v-1)。
作为具体的示例，可以利用IEPF法(Interative End Point Fit，迭代端点拟合法)对上述K个有序点类进行分割以获得多个最小点集。
具体的，设定分割阈值dthr2(该分割阈值可以根据应用场景灵活设置，此分割阈值宜偏小不宜偏大，例如0.1或0.2)。对第t个有序点类St＝{Mt，Mt+1…Mt+f}，将该有序点类的第一个测量点Mt和最后一个测量点Mt+f连接起来，得到直线然后在该有序点类中确定与直线距离最大的测量点，设其为Mt+g(若不唯一，则按顺序选择第一个)，相应的最大距离为dt，其中，1<t<(t+g)<(t+f)<m。
若dt≤dthr2 (10)
则有序点类St为获得最小点集，将有序点类St中所有的测量点用最小二乘法拟合成一条直线。否则，将用直线和直线代替直线以测量点Mt+g为分割点将有序点类St分割成两个有序点类：St1＝{Mt，Mt+1…Mt+g}和St2＝{Mt+g，Mt+g+1…Mt+f}。
在有序点类St1中确定与直线距离最大的测量点，设其为Mt+g1，相应的最大距离为dt+g1，若dt+g1≤dthr2，则有序点类St1为最小点集，将有序点类St1中所有的测量点用最小二乘法拟合成一条直线。
在有序点类St2中确定与直线距离最大的测量点，设其为Mt+g2，相应的最大距离为dt+g2，若dt+g2≤dthr2，则有序点类St2为最小点集，将有序点类St2中所有的测量点用最小二乘法拟合成一条直线。重复上述步骤，直到所有的直线都满足式(10)为止。每个满足式(10)的直线所对应的测量点所构成的集合为最小点集。
最后，得到在机器人坐标系下的直线集合(极坐标意义下)：
L＝Ic|Ic＝(dc，αc，Cc，Sc)，c＝1，2…Nl}
其中，dc和αc分别为直线Ic在机器人坐标系下的极坐标参数，Cc为该参数相应的协方差矩阵，Sc为与直线Ic对应的最小点集，
其中，极坐标系下直线方程为
x cosα+y sinα-d＝0 (11)
其中，(x,y)为直线上的点在笛卡尔坐标下的坐标，d≥0为坐标原点到该直线的距离，α为垂足的主幅角，-π≤α＜π。这里(d,α)称之为直线的参数或直线的极坐标参数。进一步，若直线上的点用极坐标(ρ,θ)表示，则该直线方程为
ρcos(θ-α)-d＝0 (12)
由两个测量点确定的极坐标直线只有两组可能解，由3个或3个以上的测量点确定的极坐标直线可能由4组解。
因此，根据最小点集，利用最小二乘法拟合直线的过程如下：
(1)若最小点集中只有两个测量点，例如测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，则根据下式(2)确定(d1，α1)以及根据下式(3)确定(d2，α2)，
判断d1和d2是否大于或等于0；
若d1≥0且d2＜0，则将(d1，α1)作为直线的参数，根据所述参数确定直线；若d2≥0且d1＜0，则将(d2，α2)作为直线的参数，根据所述参数确定直线(不会出现d1和d2同时大于0或同时小于0的情况)；
(2)若最小点集中有序测量点的数量大于或等于3，则根据下式(4)确定(dk，αk)，
其中，
将大于或等于0的dk且总残差最小的(dk，αk)作为直线的参数，根据所述参数确定直线，其中，1<N≤m，N为整数。
在可选的实施例中，在通过式(4)得到4组参数对之后，也可以通过以下方法确定将哪组(dk，αk)作为直线的参数：
其中，μ为较小的正常数，例如0.2。
直线的极坐标参数(dk，αk)的协方差矩阵为：
其中，Qi是测量点Mi的极坐标的协方差矩阵。
xi＝ρicosθi
yi＝ρisinθi
测量点到直线的距离根据如下过程确定：
设直线I1的极坐标参数分别为(d1，α1)，协方差矩阵为C1，测量点P的极坐标和笛卡尔坐标分别为(ρp，θp)和(xp，yp)，则点P到直线I1的距离e为：
e＝|xpcosα1+ypsinα1-d1|＝|ρpcosθp-α1)-d1| (15)
本发明实施例通过式(2)、式(3)以及式(4)可以快速的计算直线的参数，提高计算效率。
对于步骤S102，在步骤S101对所有有序点类进行分割后，得到直线集合：
L＝{Ic|Ic＝(dc，αc，Cc，Sc)，c＝1，2…Nl}
由于可能存在过分割的情况，为了避免出现这种情况，本发明实施例通过根据相邻的直线之间的马氏距离来确定是否合并该相邻的直线。
具体的，确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值，其中，b＝1，2…Nl1，其中，Nl表示直线的数量，
若是，则将所述相邻的直线Ic和直线Ic+1对应的最小点集合并；
基于合并后的最小点集，确定新的直线。
其中，马氏距离(Mahalanobis distance)表示数据的协方差距离，它是一种有效的计算两个未知样本集的相似度的方法。直线Ic和直线Ic+1之间的马氏距离可以根据下式(16)得到：
其中，Lc表示直线Ic和直线Ic+1之间的马氏距离表示，
作为具体的示例，距离阈值为为分布的上αthr2分位点。一般可取αthr2＝0.05，此时 是自由度为2的卡方分布。卡方分布是指：若n个相互独立的随机变量ξ1，ξ2，...,ξn，均服从标准正态分布(也称独立同分布于标准正态分布)，则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布(chi-square distribution)，αthr2表示显著性水平，显著性水平是估计总体参数落在某一区间内，可能犯错误的概率。标准正态分布的上a分位点：设X～N(0,1)，对于任给的a，(0<a<1)，称满足P(X>Z(a))＝a的点Z(a)为标准正态分布的上a分位点，其中a表示随机变量大于Z(a)的概率，Z(a)表示随机变量值。
例如，若直线I1和直线I2之间的马氏距离L1小于则直线I1和直线I2可以合并成一条直线，将直线I1对应的最小点集与直线I2对应的最小点集合并，将合并后的最小点集根据最小二乘法拟合成一条新的直线。若直线I1和直线I2之间的马氏距离L1大于或等于则保留直线I1，并对直线I2和直线I3重复上述合并步骤。
本发明实施例为了使得所有直线首尾相连，循环测试，使该方法更具实用性，所以增加了一条直线，即直线且
在可选的实施例中，在确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值之前，该方法还包括：确定下式(5)成立，
π-|αc-αc+1|≥αthr (5)
其中，αc表示直线Ic的极坐标参数，αc+1表示直线Ic+1的极坐标参数，αthr表示弧度阈值。若式(5)成立，则初步确定直线Ic和直线Ic+1可以合并，然后确定相邻的两条直线之间的马氏距离是否小于距离阈值，若小于则合并直线Ic和直线Ic+1。若式(5)不成立，则保留直线Ic，并对直线Ic+1和直线Ic+2重复上述合并步骤。
在本实施例中，通过式(5)可以减少计算量，提高计算效率。
对于步骤S103，在合并过程结束后，可以得到新的直线集合
将拟合新的直线的最小点集中的首点和尾点对该新的直线进行投影，得到两个投影点；将该两个投影点作为该新的直线的两个端点，即可得到线段特征：
其中，k＝1，2…Nl2，Nl2＜Nl3，表示线段在机器人坐标系下的极坐标参数，为极坐标参数的协方差矩阵，和为线段端点在机器人坐标系下的极坐标参数。
具体的，设线段的极坐标参数分别为协方差矩阵分别为测量点P的极坐标和笛卡尔坐标分别为(ρp，θp)和(xp，yp)，测量点P到直线的投影点P’的笛卡尔坐标(x’，y’)为：
在可选的实施例中，在获得线段特征之后，该方法还包括：
根据所述线段特征，确定相邻的两条线段是否相交；
若是，则将所述相邻的两条线段的交点作为点特征。
具体的，在本实施例中仅提取环境的角点，即将所述角点作为点特征。在环境中，所提取的角点特征对应于如两面墙相交时所产生的角类结构。用角点特征表示环境，可以更好地满足移动机器人定位的需要。
确定相邻的线段是否相交的过程如下：
相邻的线段为线段和线段线段对应的最小点集为线段对应的最小点集为 判断的尾点Mq+r和的首点Mf是否存在于同一有序点类Sd中，1<d<K≤(v-1)，若是，则确定线段和线段相交，该交点即为角点特征。
作为具体的示例，设线段和线段的极坐标参数分别为和协方差矩阵分别为和若线段和线段相交，交点为Pc(xc,yc)，交点Pc的笛卡尔坐标为：
交点Pc的协方差矩阵为
本发明实施例的环境特征提取方法，采用根据自适应阈值，对有序测量点进行分类以确定多个有序点类；对每个有序点类进行分割以获得多个最小点集，根据所述多个最小点集确定直线集合；根据马氏距离，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征，本发明实施例考虑了数据点的循环(聚类中Mm+1＝M1)，对首尾直线的分割与合并以及最后首尾线段特征间的角点特征判断等，从而使得特征提取方法更具实用性；通过在直线合并阶段采用了马氏距离判别法，克服了部分阈值选取困难问题；针对现有方案中可能得到伪特征的缺点，本发明实施例只提取了环境中能较长时间存在的角点特征，进而在不影响后续的SLAM算法的精度下，减少了其计算复杂度。
图2是根据本发明实施例的环境特征提取装置200的主要模块的示意图，如图2所示，该装置包括：
直线获取模块201，用于对有序测量点进行分割，以获得直线集合；
合并模块202，用于根据马氏距离，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；
线段特征获取模块203，用于对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征。
可选地，所述装置200还包括点特征获取模块，用于：根据所述线段特征，确定相邻的两条线段是否相交；若是，则将所述相邻的两条线段的交点作为点特征。
可选地，所述直线获取模块201还用于：根据自适应阈值，对有序测量点进行分类以确定多个有序点类；对每个有序点类进行分割以获得多个最小点集，根据所述多个最小点集确定直线集合。
可选地，所述直线获取模块201还用于：
对于连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关的自适应阈值根据如下式(1)确定：
其中，di表示自适应阈值，(ρi，θi)表示测量点Mi的极坐标，(ρi+1，θi+1)表示测量点Mi+1的极坐标，Δβ表示激光测距仪的角分辨率，λ为预设常数，σi1表示激光测距仪的测量误差的协方差矩阵的第一个元素，i＝1，2…m，m表示有序测量点的数量，Mm+1＝M1。
所述直线获取模块201还用于：
确定连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)之间的距离，判断所述距离是否小于自适应阈值，所述自适应阈值与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关；
若是，则确定所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)属于同一个有序点类。
可选地，所述直线获取模块201还用于：
确定第一个测量点与最后一个测量点之间的距离，判断所述距离是否小于与所述第一个测量点和最后一个测量点相关的自适应阈值；
若是，则将包含第一个测量点的有序点类与包含最后一个测量点的有序点类进行合并，以获得新的有序点类。
可选地，所述直线获取模块201还用于：确定有序点类中测量点的数量是否小于数量阈值，若是，则将该有序点类进行删除。
可选地，所述直线获取模块201还用于：
对于每一最小点集，若最小点集中只有测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，则根据下式(2)确定(d1，α1)以及根据下式(3)确定(d2，α2)，
判断d1和d2是否大于或等于0；
若d1≥0且d2＜0，则将(d1，α1)作为直线的参数，根据所述参数确定直线；若d2≥0且d1＜0，则将(d2，α2)作为直线的参数，根据所述参数确定直线；
若最小点集中有序测量点的数量大于或等于3，则根据下式(4)确定(dk，αk)，
其中，
将大于等于0的dk且总残差最小的(dk，αk)作为直线的参数，根据所述参数确定直线，其中，1<N≤m，N为整数。
可选地，所述合并模块202还用于：确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值，其中，c＝1，2…N1，其中，Nl表示直线的数量，若是，则将所述相邻的直线Ic和直线Ic+1对应的最小点集合并；基于合并后的最小点集，确定新的直线。
所述合并模块202还用于：在确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值之前，确定下式(5)成立，
π-|αc-αc+1|≥αthr (5)
其中，αc表示直线Ic的极坐标参数，αc+1表示直线Ic+1的极坐标参数，αthr表示弧度阈值。
上述环境特征提取装置200在直线合并阶段采用了马氏距离判别法，克服了现有技术中对阈值敏感、阈值选取困难的缺点；而且该实施方式考虑了数据点的循环，对首尾线段特征的分割与合并，以及将角点作为点特征，从而使该方法更具实用性，并降低了复杂度，提高了精度和效率。
上述装置可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
图3示出了可以应用本发明实施例的环境特征提取方法或环境特征提取装置的示例性***架构300。
如图3所示，***架构300可以包括终端设备301、302、303，网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、303通过网络304与服务器305交互，以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器，例如对用户利用终端设备301、302、303所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是，本发明实施例所提供的环境特征提取方法一般由服务器305执行，相应地，环境特征提取装置一般设置于服务器305中。
应该理解，图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图4，其示出了适于用来实现本发明实施例的终端设备的计算机***400的结构示意图。图4示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机***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中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有***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。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本发明的***中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的***、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、或代码的一部分，上述模块、程序段、或代码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。也应当注意，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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
对有序测量点进行分割，以获得直线集合；
根据马氏距离，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；
对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征。
本发明实施例通过数据点的循环(聚类中Mm+1＝M1)，对首尾直线的分割与合并从而获得线段特征，以及将相连的线段的交点作为点特征的技术方式，使得特征提取方法更具实用性；通过在直线合并阶段采用了马氏距离判别法，克服了部分阈值选取困难问题；针对现有方案中可能得到伪特征的缺点，本发明实施例只提取了环境中能较长时间存在的角点特征，进而在不影响后续的SLAM算法的精度下，减少了其计算复杂度。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (22)

1.一种环境特征提取方法，其特征在于，包括：
对有序测量点进行分割，以获得直线集合；
根据马氏距离，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；
对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述线段特征，确定相邻的两条线段是否相交；
若是，则将所述相邻的两条线段的交点作为点特征。
3.根据权利要求1或2所述的方法，其特征在于，所述对有序测量点进行分割，以获得直线集合包括：
根据自适应阈值，对有序测量点进行分类以确定多个有序点类；
对每个有序点类进行分割以获得多个最小点集，根据所述多个最小点集确定直线集合。
4.根据权利要求3所述的方法，其特征在于，对于连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关的自适应阈值根据如下式(1)确定：
其中，di表示自适应阈值，(ρi，θi)表示测量点Mi的极坐标，(ρi+1，θi+1)表示测量点Mi+1的极坐标，Δβ表示激光测距仪的角分辨率，λ为预设常数，σi1表示激光测距仪的测量误差的协方差矩阵的第一个元素，i＝1，2…m，m表示有序测量点的数量，Mm+1＝M1。
5.根据权利要求4所述的方法，其特征在于，根据自适应阈值，对有序测量点进行分类以确定多个有序点类包括：
确定连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)之间的距离，判断所述距离是否小于自适应阈值，所述自适应阈值与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关；
若是，则确定所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)属于同一个有序点类。
6.根据权利要求5所述的方法，其特征在于，在确定多个有序点类之后，所述方法还包括：
确定第一个测量点与最后一个测量点之间的距离，判断所述距离是否小于与所述第一个测量点和最后一个测量点相关的自适应阈值；
若是，则将包含第一个测量点的有序点类与包含最后一个测量点的有序点类进行合并，以获得新的有序点类。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
确定有序点类中测量点的数量是否小于数量阈值，若是，则将该有序点类删除。
8.根据权利要求3所述的方法，其特征在于，根据所述多个最小点集确定直线集合包括：
对每一最小点集，若最小点集中只有测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，则根据下式(2)确定(d1，α1)以及根据下式(3)确定(d2，α2)，
判断d1和d2是否大于或等于0；
若d1≥0且d2＜0，则将(d1，α1)作为直线的参数，根据所述参数确定直线；若d2≥0且d1＜0，则将(d2，α2)作为直线的参数，根据所述参数确定直线；
若最小点集中有序测量点的数量大于或等于3，则根据下式(4)确定(dk，αk)，
将大于或等于0的dk且总残差最小的(dk，αk)作为直线的参数，根据所述参数确定直线，其中，1<N≤m，N为整数。
9.根据权利要求8所述的方法，其特征在于，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线包括：
确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值，其中，c＝1，2…Nl，其中，Nl表示直线的数量，
若是，则将所述相邻的直线Ic和直线Ic+1对应的最小点集合并；
基于合并后的最小点集，确定新的直线。
10.根据权利要求9所述的方法，其特征在于，在确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值之前，所述方法还包括：
确定下式(5)成立，
π-|αc-αc+1|≥αthr (5)
其中，αc表示直线Ic的极坐标参数，αc+1表示直线Ic+1的极坐标参数，αthr表示弧度阈值。
11.一种环境特征提取装置，其特征在于，包括：
直线获取模块，用于对有序测量点进行分割，以获得直线集合；
合并模块，用于根据马氏距离，确定相邻的两条直线是否可以合并，若是，则合并所述相邻的两条直线，以获得新的直线；
线段特征获取模块，用于对每一新的直线，确定该新的直线所对应的最小点集的首点和尾点在该新的直线上的投影点，将所述投影点作为该新的直线的端点，以获得线段特征。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括点特征获取模块，用于：
根据所述线段特征，确定相邻的两条线段是否相交；
若是，则将所述相邻的两条线段的交点作为点特征。
13.根据权利要求11或12所述的装置，其特征在于，所述直线获取模块，还用于：
根据自适应阈值，对有序测量点进行分类以确定多个有序点类；
对每个有序点类进行分割以获得多个最小点集，根据所述多个最小点集确定直线集合。
14.根据权利要求13所述的装置，其特征在于，所述直线获取模块还用于：
对于连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关的自适应阈值根据如下式(1)确定：
其中，di表示自适应阈值，(ρi，θi)表示测量点Mi的极坐标，(ρi+1，θi+1)表示测量点Mi+1的极坐标，Δβ表示激光测距仪的角分辨率，λ为预设常数，σi1表示激光测距仪的测量误差的协方差矩阵的第一个元素，i＝1，2…m，m表示有序测量点的数量，Mm+1＝M1。
15.根据权利要求14所述的装置，其特征在于，所述直线获取模块还用于：
确定连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)之间的距离，判断所述距离是否小于自适应阈值，所述自适应阈值与所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)相关；
若是，则确定所述连续的测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)属于同一个有序点类。
16.根据权利要求15所述的装置，其特征在于，所述直线获取模块还用于：
确定第一个测量点与最后一个测量点之间的距离，判断所述距离是否小于与所述第一个测量点和最后一个测量点相关的自适应阈值；
若是，则将包含第一个测量点的有序点类与包含最后一个测量点的有序点类进行合并，以获得新的有序点类。
17.根据权利要求16所述的装置，其特征在于，所述直线获取模块还用于：
确定有序点类中测量点的数量是否小于数量阈值，若是，则将该有序点类删除。
18.根据权利要求13所述的装置，其特征在于，所述直线获取模块还用于：
对于每一最小点集，若最小点集中只有测量点Mi(ρi，θi)和Mi+1(ρi+1，θi+1)，则根据下式(2)确定(d1，α1)以及根据下式(3)确定(d2，α2)，
判断d1和d2是否大于或等于0；
若d1≥0且d2＜0，则将(d1，α1)作为直线的参数，根据所述参数确定直线；若d2≥0且d1＜0，则将(d2，α2)作为直线的参数，根据所述参数确定直线；
若最小点集中有序测量点的数量大于或等于3，则根据下式(4)确定(dk，αk)，
其中，
将大于或等于0的dk且总残差最小的(dk，αk)作为直线的参数，根据所述参数确定直线，其中，1<N≤m，N为整数。
19.根据权利要求18所述的装置，其特征在于，所述合并模块还用于：
确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值，其中，c＝1，2…N1，其中，N1表示直线的数量，
若是，则将所述相邻的直线Ic和直线Ic+1对应的最小点集合并；
基于合并后的最小点集，确定新的直线。
20.根据权利要求19所述的装置，其特征在于，所述合并模块还用于：
在确定相邻的直线Ic和直线Ic+1之间的马氏距离是否小于距离阈值之前，确定下式(5)成立，
π-|αc-αc+1|≥αthr (5)
其中，αc表示直线Ic的极坐标参数，αc+1表示直线Ic+1的极坐标参数，αthr表示弧度阈值。
21.一种电子设备，其特征在于，包括：
一个或多个处理器；
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1-10中任一所述的方法。
22.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
CN201810371896.2A 2018-04-24 2018-04-24 环境特征提取方法和装置 Active CN110399892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810371896.2A CN110399892B (zh) 2018-04-24 2018-04-24 环境特征提取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810371896.2A CN110399892B (zh) 2018-04-24 2018-04-24 环境特征提取方法和装置

Publications (2)

Publication Number Publication Date
CN110399892A true CN110399892A (zh) 2019-11-01
CN110399892B CN110399892B (zh) 2022-12-02

Family

ID=68320175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810371896.2A Active CN110399892B (zh) 2018-04-24 2018-04-24 环境特征提取方法和装置

Country Status (1)

Country Link
CN (1) CN110399892B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268061A (zh) * 2021-05-14 2021-08-17 深圳中智永浩机器人有限公司 机器人底盘多点导航方法、装置、计算机设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1684105A (zh) * 2004-04-13 2005-10-19 清华大学 大规模三维场景多视点激光扫描数据自动配准方法
CN102062587A (zh) * 2010-12-13 2011-05-18 上海大学 基于激光传感器的多移动机器人位姿测定方法
US20110182476A1 (en) * 2010-01-27 2011-07-28 Samsung Electronics Co., Ltd. Apparatus and method with composite sensor calibration
CN103777192A (zh) * 2012-10-24 2014-05-07 中国人民解放军第二炮兵工程学院 一种基于激光传感器的直线特征提取方法
CN104793492A (zh) * 2015-04-07 2015-07-22 中国科学技术大学 一种基于熵和灰关联度的室内环境特征提取方法
CN105137412A (zh) * 2015-08-19 2015-12-09 重庆大学 一种2d激光雷达距离图像中线段特征精确拟合方法
CN105488847A (zh) * 2015-12-11 2016-04-13 中国测绘科学研究院 基于机载激光雷达点云的单档单根电力导线三维重建方法
CN106023183A (zh) * 2016-05-16 2016-10-12 西北工业大学 一种实时的直线段匹配方法
DE102016120775A1 (de) * 2015-11-02 2017-05-04 Cognex Corporation System und Verfahren zum Erkennen von Linien in einem Bild mit einem Sichtsystem
CN106909877A (zh) * 2016-12-13 2017-06-30 浙江大学 一种基于点线综合特征的视觉同时建图与定位方法
US20170343356A1 (en) * 2016-05-25 2017-11-30 Regents Of The University Of Minnesota Resource-aware large-scale cooperative 3d mapping using multiple mobile devices
WO2017222558A1 (en) * 2016-06-24 2017-12-28 Isee, Inc. Laser-enhanced visual simultaneous localization and mapping (slam) for mobile devices

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1684105A (zh) * 2004-04-13 2005-10-19 清华大学 大规模三维场景多视点激光扫描数据自动配准方法
US20110182476A1 (en) * 2010-01-27 2011-07-28 Samsung Electronics Co., Ltd. Apparatus and method with composite sensor calibration
CN102062587A (zh) * 2010-12-13 2011-05-18 上海大学 基于激光传感器的多移动机器人位姿测定方法
CN103777192A (zh) * 2012-10-24 2014-05-07 中国人民解放军第二炮兵工程学院 一种基于激光传感器的直线特征提取方法
CN104793492A (zh) * 2015-04-07 2015-07-22 中国科学技术大学 一种基于熵和灰关联度的室内环境特征提取方法
CN105137412A (zh) * 2015-08-19 2015-12-09 重庆大学 一种2d激光雷达距离图像中线段特征精确拟合方法
DE102016120775A1 (de) * 2015-11-02 2017-05-04 Cognex Corporation System und Verfahren zum Erkennen von Linien in einem Bild mit einem Sichtsystem
CN107424160A (zh) * 2015-11-02 2017-12-01 康耐视公司 通过视觉***查找图像中线的***和方法
CN105488847A (zh) * 2015-12-11 2016-04-13 中国测绘科学研究院 基于机载激光雷达点云的单档单根电力导线三维重建方法
CN106023183A (zh) * 2016-05-16 2016-10-12 西北工业大学 一种实时的直线段匹配方法
US20170343356A1 (en) * 2016-05-25 2017-11-30 Regents Of The University Of Minnesota Resource-aware large-scale cooperative 3d mapping using multiple mobile devices
WO2017222558A1 (en) * 2016-06-24 2017-12-28 Isee, Inc. Laser-enhanced visual simultaneous localization and mapping (slam) for mobile devices
CN106909877A (zh) * 2016-12-13 2017-06-30 浙江大学 一种基于点线综合特征的视觉同时建图与定位方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
XINZHAO LI等: ""A line segments extraction based undirected graph from 2D laser scans"", 《2015 IEEE 17TH INTERNATIONAL WORKSHOP ON MULTIMEDIA SIGNAL PROCESSING (MMSP)》, 3 December 2015 (2015-12-03) *
徐曙: "基于SLAM的移动机器人导航***研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
徐曙: "基于SLAM的移动机器人导航***研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 January 2017 (2017-01-15), pages 3 *
文伟松等: "基于激光扫描的移动机器人行走环境直线检测", 《传感器与微***》 *
文伟松等: "基于激光扫描的移动机器人行走环境直线检测", 《传感器与微***》, 3 March 2017 (2017-03-03), pages 120 - 123 *
满增光: "基于激光雷达的室内AGV地图创建与", 《中国优秀博士学位论文全文数据库信息科技辑》 *
满增光: "基于激光雷达的室内AGV地图创建与", 《中国优秀博士学位论文全文数据库信息科技辑》, 15 January 2016 (2016-01-15), pages 1 - 125 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268061A (zh) * 2021-05-14 2021-08-17 深圳中智永浩机器人有限公司 机器人底盘多点导航方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN110399892B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN108898086B (zh) 视频图像处理方法及装置、计算机可读介质和电子设备
CN110163080A (zh) 人脸关键点检测方法及装置、存储介质和电子设备
CN109816769A (zh) 基于深度相机的场景地图生成方法、装置及设备
CN110109535A (zh) 增强现实生成方法及装置
CN108198044A (zh) 商品信息的展示方法、装置、介质及电子设备
CN108830329A (zh) 图片处理方法和装置
CN110390706A (zh) 一种物体检测的方法和装置
CN113793370B (zh) 三维点云配准方法、装置、电子设备及可读介质
CN110263209A (zh) 用于生成信息的方法和装置
CN112183547A (zh) 基于多模态数据的多任务学习方法及***
CN114708374A (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN115349140A (zh) 基于多种特征类型的有效定位
CN114399588A (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
JP2023131117A (ja) 結合感知モデルのトレーニング、結合感知方法、装置、機器および媒体
CN114005149A (zh) 一种目标角度检测模型的训练方法及装置
CN115131437A (zh) 位姿估计方法及相关模型的训练方法、装置、设备、介质
CN117372604B (zh) 一种3d人脸模型生成方法、装置、设备及可读存储介质
CN113409340A (zh) 语义分割模型训练方法、语义分割方法、装置及电子设备
CN110399892A (zh) 环境特征提取方法和装置
CN110414458B (zh) 基于平面标签和模板匹配的定位方法及装置
KR20220041319A (ko) 딥러닝 기반 상품검색 방법 및 시스템
KR102333768B1 (ko) 딥러닝 기반 손 인식 증강현실 상호 작용 장치 및 방법
CN113723146A (zh) 人脸关键点检测模型的训练方法及装置
CN108256477B (zh) 一种用于检测人脸的方法和装置
CN115311403B (zh) 深度学习网络的训练方法、虚拟形象生成方法及装置

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