CN111507340B - 一种基于三维点云数据的目标点云数据提取方法 - Google Patents
一种基于三维点云数据的目标点云数据提取方法 Download PDFInfo
- Publication number
- CN111507340B CN111507340B CN202010301616.8A CN202010301616A CN111507340B CN 111507340 B CN111507340 B CN 111507340B CN 202010301616 A CN202010301616 A CN 202010301616A CN 111507340 B CN111507340 B CN 111507340B
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- cloud data
- target
- dimensional 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013075 data extraction Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 57
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000001269 time-of-flight mass spectrometry Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于三维点云数据的目标点云数据提取方法,包括:获取原始三维点云数据,对原始三维点云数据进行去噪处理,得到去噪三维点云数据;从去噪三维点云数据中提取出强度图像数据;调用预设的目标提取算法对强度图像数据进行目标提取处理,得到目标强度图像数据;根据目标强度图像数据中各像素的像素坐标值,从原始三维点云数据中提取出目标三维点云数据;调用预设点云去噪算法对目标三维点云数据进行去噪处理,得到目标点云数据。
Description
技术领域
本发明涉数据处理领域,尤其涉及一种基于三维点云数据的目标点云数据提取方法。
背景技术
当前三维成像邻域,飞行时间(Time Of Flight,TOF)的研究是热门之一。与其他五种三维成像技术相比较而言,TOF三维成像法能够获得瞬态图像,也就意味着计算景深时不需要过多的后续处理,因此往往能够达到较高的帧率,而且因为减少了后去处理的***开支,可节省相关成本。目前的TOF三维成像研究多集中于瞬态成像、超分辨、非视域探测成像、飞行时间质谱等领域。此外,由于TOF三维成像方式在一般情况下,距离测量的范围可以通过改变激光器的脉冲频率、视野大小和光源强度就可以调整,因此TOF三维成像的探测距离弹性大,适合在近距离范围内的人脸识别、手势识别和跟踪、体感识别、游戏互动等操作,同时也适合在远距离探测目标,潜在的应用场景十分广阔。但这些应用场景就要求对三维点云目标对象化,即从背景中提取出感兴趣的目标点云。
目标提取目前在二维图像中应用较为成熟,无论是传统的基于图论等的方法,还是因为人工智能的兴起而产生的基于机器学习的目标提取方法都有较为成熟的提取方案。得益于计算能力的提升,以及二维目标提取技术的成熟,三维点云相关的处理也逐渐成为可能。但是,目前大多数的三维点云目标提取研究主要集中在激光雷达***获取的城市、道路、机场等大范围目标。针对TOF获取的三维点云目标提取较少。
发明内容
针对现有技术缺陷,本发明实施例的目的是提供一种基于三维点云数据的目标点云数据提取方法,根据TOF三维成像技术能够同时获取点云位置及强度信息的特点,对三维点云数据进行目标提取。
第一方面,本发明实施例提供一种基于三维点云数据的目标点云数据提取方法,包括:
获取原始三维点云数据,对所述原始三维点云数据进行去噪处理,得到去噪三维点云数据;
从所述去噪三维点云数据中提取出强度图像数据;
调用预设的目标提取算法对所述强度图像数据进行目标提取处理,得到目标强度图像数据;
根据所述目标强度图像数据中各像素的像素坐标值,从所述原始三维点云数据中提取出目标三维点云数据;
调用预设点云去噪算法对所述目标三维点云数据进行去噪处理,得到所述目标点云数据。
优选的,所述对所述原始三维点云数据进行去噪处理,得到去噪三维点云数据具体为:
在内部存储单元中生成第一缓存区;
调用并基于NxN高斯模板对所述原始三维点云数据进行多次逐行缓存,每次缓存(N-1)行到所述第一缓存区中;其中,N=3或5;
将一次所述第一缓存区的N-1行缓存的三维点云数据的强度图像数据与原始三维点云数据的第N行三维点云数据的强度图像数据采用NxN高斯模板进行计算,并根据多次计算的结果得到所述去噪三维点云数据。
优选的,所述调用预设的目标提取算法对所述强度图像数据进行目标提取处理,得到目标强度图像数据具体包括:
对所述强度图像数据进行超像素聚类处理,得到第一强度图像数据;
调用预设二值化算法对所述第一强度图像数据进行二值化处理,得到第二强度图像数据;
调用预设形态学处理算法对所述第二强度图像数据进行目标识别处理,得到所述目标强度图像数据。
进一步优选的,所述强度图像数据的具有N个像素点,所述对所述强度图像数据进行超像素聚类处理,得到第一强度图像数据具体包括:
S1,采用预设图像模型换算法对所述第一强度图像数据进行第一图像模型转换处理,得到第三强度图像数据;
S2,按照SⅹS的邻域大小为所述第三强度图像数据确定K个聚类中心,并为所述第三强度图像数据中的每个像素点进行初始化;其中,S表示相邻聚类中心的步长;
S3,在所述聚类中心的3ⅹ3邻域内重新选择聚类中心,得到第一聚类中心;
S4,根据第一像素点的数据值和所述第一聚类中心的数据值进行距离计算处理,得到所述第一像素点与所述第一聚类中心的距离数据;其中,所述距离数据包括颜色距离值和空间距离值;
S5,根据所述颜色距离值、所述空间距离值和所述相邻聚类中心的步长进行计算处理,生成第一距离数据;
S6,对多个所述第一距离数据进行升序排序处理,并将排序第一的第一距离数据确定为所述第一像素点的第一类聚中心距离数据;
S7,根据所述第一类聚中心距离数据,确定所述第一像素点的聚类中心,并对所述第一像素点分配标签值;
S8,当所述第一类聚中心距离数据小于所述初始距离数据时,根据所述第一类聚中心距离数据对所述第一聚类中心进行初始化,并继续执行S4;
S9,当每个第一像素点的第一类聚中心距离数据大于等于对应的所述初始距离数据时,根据所述N个第一像素点的数据值,生成第四强度图像数据,其中,所述第一像素点包括所述标签值;
S10,对所述第四强度图数据进行第二图像模型转换处理,生成所述第一强度图像数据。
进一步优选的,所述调用预设二值化算法对所述第一强度图像数据进行二值化处理,得到第二强度图像数据具体包括:
调用最大类间方差算法对所述第一强度图像数据进行二值化处理,生成所述第二强度图像数据。
优选的,所述调用预设点云去噪算法对所述目标三维点云数据进行去噪处理,得到所述目标点云数据具体包括:
读取所述目标三维点云数据中的第二像素点的第二像素点数据;
根据所述第二像素点数据获取与第二像素点相邻近的第三像素点数据;
根据所述第二像素点数据与所述第三像素点数据进行欧式距离计算处理,得到第二距离数据;
根据高斯分布概率密度和多个所述第二距离数据进行计算处理,得到高斯均值和标准差;
根据所述第二像素点数据、所述第二距离数据、所述高斯均值和所述标准差对所述目标三维点云数据中的所有第二像素点进行分类,将所述第二像素点分为目标像素点和离群像素点;
根据所述目标像素点对应的目标像素点数据生成所述目标点云数据。
进一步优选的,所述根据所述第二像素点数据、所述第二距离数据、所述高斯均值和所述标准差对所述目标三维点云数据中的所有第二像素点进行分类,将所述第二像素点分为目标像素点和离群像素点具体包括:
确定所述第二距离数据小于等于所述高斯均值的第三像素点的个数;
当所述第三像素点的个数小于等于第一预设阈值时,将所述第二像素点确定为离群像素点,并将所述确定为离群像素点的第二像素点从所述目标三维点云数据中删除;
根据所述第二像素点的第一数量个第二距离数据的均值得到第二距离数据均值;
根据所述标准差的两倍与所述高斯均值的和,得到分类判定值;
当所述第二距离数据均值大于等于所述分类判定值时,将所述第二像素点确定为离群像素点,并从所述目标三维点云数据中删除;
将所述目标点云数据中保留的所述第二像素点确定为目标像素点。
优选的,所述方法还包括:
飞行时间相机接收图像采集指令,并根据所述图像采集指令对目标场景进行拍摄,生成所述原始三维点云数据。
第二方面,本发明实施例提供一种设备,所述设备包括存储器和处理器,所述存储器用于存储程序,所述处理器用于执行如第一方面所述的基于三维点云数据的目标点云数据提取方法。
本发明实施例提供的一种基于三维点云数据的目标点云数据提取方法,其在充分考虑TOF三维成像技术的特点和其受到设备***、环境光、运动模糊等影响因素的情况下,通过依次对TOF成像技术获取的三维点云数据进行去噪处理、对三维点云数据的强度图像数据进行目标提取处理、根据三维点云数据与强对图像数据的对应关系提取出目标三维点云数据和对目标三维点云数据进行滤波处理得到目标点云数据。本发明实施例提供的基于三维点云数据的目标点云数据提取方法,其处理过程中,针对三维点云数据的强度数据进行目标提取,大大简化了目标提取的复杂度、提取的计算量和***处理开支,在提取过程中根据图像特性先后采用不同的去噪算法对数据进行去噪处理,得到的目标点云数据具有准确度高,清晰度高,误差小的特点。
附图说明
图1为本发明实施例提供的一种基于三维点云数据的目标点云数据提取方法的流程图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明实施例一提供一种基于三维点云数据的目标点云数据提取方法,用于从三维点云数据中提取出目标点云数据。
下面介绍本实施例一提供的基于三维点云数据的目标点云数据提取方法,图1为本发明实施例提供的一种基于三维点云数据的目标点云数据提取方法的流程图。如图所示,包括以下步骤:
步骤101,获取原始三维点云数据,对原始三维点云数据进行去噪处理,得到去噪三维点云数据。
具体的,原始图像数据是由TOF相机采集目标场景图像数据生成的三维点云数据。飞行时间相机接收图像采集指令,并根据图像采集指令对目标场景进行拍摄,生成原始三维点云数据。
本发明实施例的一个具体例子中,TOF相机包括320×240分辨率的传感器和配套的飞行时间控制器,TOF相机采用850nm的红外光源作为发射光源,采集的深度数据包括相位信息、强度振幅信息、环境光和标志位。TOF相机采集的图像信息经过集成的处理模块生成原始三维点云数据。
在获取到原始三维点云数据后,采用高斯模板对原始三维点云数据进行去噪处理的过程如下:
首先,在内部存储单元中生成第一缓存区。
具体的,在内部存储单元中生成第一缓存区;第一缓存区为存储单元中存储容量大小一定的高速缓存区,也就是常说的Cache。第一缓存区用作对处理过的数据进行缓存。
其次,调用并基于NxN高斯模板对原始三维点云数据进行多次逐行缓存,每次缓存(N-1)行到第一缓存区中。
具体的,处理器按行读取原始三维点云数据,并基于NxN高斯模板,对原始三维点云数据进行多次逐行缓存,每次缓存(N-1)行到第一缓存区中。其中,N=3或5;
最后,将一次第一缓存区的N-1行缓存的三维点云数据的强度图像数据与原始三维点云数据的第N行三维点云数据的强度图像数据采用NxN高斯模板进行计算,并根据多次计算的结果得到去噪三维点云数据。
具体的,将一次在第一缓存区的缓存数据的强度图像数据与从内存中读取的第N行图像数据的强度图像数据采用NxN高斯模板进行计算,并根据多次计算的结果,得到去噪三维点云数据。
本实施例中优选的采用N=3或5的高斯模板;例如,在一个例子中采用N=3,也就是处理器基于3x3高斯模板,对原始三维点云数据进行多次逐行缓存,每次缓存2行到第一缓存区中,然后从内存中读取第3行原始三维点云数据,将第三行原始三维点云数据的强度图像数据和第一缓存区中2行三维点云数据的强度图像数据采用3x3高斯模板进行计算处理,经过计算处理后得到3行处理后的三维点云数据;对内存中的所有原始三维点云数据依次进行相同的计算处理,得到多个处理后的三维点云数据,根据多次计算的结果,得到去噪三维点云数据。
步骤102,从去噪三维点云数据中提取出强度图像数据。
具体的,三维点云数据的每个像素对应的数据值包括强度数据和深度数据值,为了简化目标数据提取的过程和计算量,将强度图像数据从去噪三维点云数据中提取出来,对强度图像数据进行目标数据的确定。
步骤103,对强度图像数据进行超像素聚类处理,得到第一强度图像数据;
具体的,本发明实施例中对强度图像数据和数据进行超像素聚类处理的步骤如下:
S1,采用预设图像模型换算法对第一强度图像数据进行第一图像模型转换处理,得到第三强度图像数据。
具体的,本发明实施例获取的第一强度图像数据为RGB颜色空间的数据,为了适应本发明所采用的超像素聚类处理,需要将第一强度图像数据转换为以LAB颜色空间的数据,即第三强度图像数据。
本发明实施例的优选方案中,采用的预设图像模型换算法为现有的图像模型转换算法。通过预设图像模型转换算法将第一图像数据由RGB图像模型数据转换为LAB图像模型换数据。第一图像数据转换为第三强度图像数据的转换过程包括:首先,对第一强度图像数据的各像素的R值、G值、B值进行归一化处理,生成归一化强度图像数据;然后,对归一化强度图像数据中每个像素进行校正处理,生成第三强度图像数据。
S2,按照SⅹS的邻域大小为所述第三强度图像数据确定K个聚类中心,并为所述第三强度图像数据中的每个像素点进行初始化;其中,S表示相邻聚类中心的步长;。
具体的,强度图像数据的具有N个像素点,经过步骤S1的转换不会改变强度图像数据中像素点的个数,所以第三强度图像数据也包括N个像素点,确定超像素的邻域大小为SⅹS,将第三强度图像数据预分割为K个相同尺寸的超像素,可以得到K个聚类中心。并为第三强度图像数据中的每个像素点进行初始化,对每个像素点初始化一个它到其所属聚类中心的初始距离数据,由于目前每个像素的聚类中心还不确定,所以将像素点的初始距离数据设置为无穷大。聚类中心的个数K与超像素领域大小SⅹS有直接的关系,其满足关系N=SⅹSⅹK,其中,N表示第三强度图像数据的像素个数,为正整数,S表示相邻聚类中心的步长,为正整数。
S3,在聚类中心的3ⅹ3邻域内重新选择聚类中心,得到第一聚类中心。
具体的,计算在聚类中心的3ⅹ3邻域的所有像素点的梯度值,将聚类中心移到该领域内梯度值最小的地方。这样做的目的是为了避免聚类中心落在梯度较大的轮廓边界上,以免影响后续聚类效果。
S4,根据第一像素点的数据值和第一聚类中心的数据值进行距离计算处理,得到第一像素点与第一聚类中心的距离数据。
具体的,对每一个第一聚类中心的和该第一聚类中心邻域内的像素i,根据像素点i和第一聚类中心j的l值、a值、b值和像素坐标值x,y计算它与所属第一聚类中心的颜色距离值dc和空间距离值ds。计算根据公式:
其中,dc代表颜色距离,ds代表空间距离。
S5,根据颜色距离值、空间距离值和相邻聚类中心的步长进行计算处理,生成第一距离数据。
具体的,对根据每一个第一聚类中心的和该第一聚类中心邻域内的像素i的第一距离数据,根据公式:
其中,dc代表颜色距离,ds代表空间距离,S表示相邻聚类中心的步长,m是一个常数,用来选择空间临近性的重要程度,m越大,空间上的邻近比颜色上的相似越重要。在本发明实施例的一个具体例子中,m=10。
S6,对多个第一距离数据进行升序排序处理,并将排序第一的第一距离数据确定为第一像素点的第一类聚中心距离数据;
S7,根据第一类聚中心距离数据,确定第一像素点的聚类中心,并对第一像素点分配标签值。
具体的,将第一聚类中心距离数据对应的第一聚类中心确定第一像素点的聚类中心。如此,对每个第一像素点都确定其所属的聚类中心。之后,为每个第一像素点分配标签值,这样就确定了每个像素属于哪个聚类中心。
S8,当第一类聚中心距离数据小于初始距离数据时,根据第一类聚中心距离数据对像素点进行初始化,并继续执行S3;
具体的,在执行超像素聚类处理开始时,对每个像素点都会初始化一个它到其所属聚类中心的初始距离数据,比较第一聚类中心距离数据与初始距离数据的大小,当第一类聚中心距离数据小于初始距离数据时,将第一像素数据对应的初始聚类数据更新为第一聚类中心距离数据。之后重复执行S4及之后的步骤。
S9,当每个第一像素点的第一类聚中心距离数据大于等于对应的初始距离数据时,根据N个第一像素点的数据值,生成第四强度图像数据,其中,第一像素点包括标签值。
具体的,迭代执行S3-S8的所有步骤,直至每个像素点对应的第一聚类中心距离数据大于或等于其更新后的初始距离数据,就说明超像素聚类已经完成。也就是说,完成了对N个第一像素点进行标签值的分配,即确定了每个像素点的聚类中心,此时,根据N个第一像素点的数据值生成第四强度图像数据。
S10,对第四强度图数据进行第二图像模型转换处理,生成第一强度图像数据。
具体的,第四强度图数据为LAB颜色空间的数据,需要将其转换成以RGB颜色空间的数据,经过转换后生成第一强度图像数据。本发明实施例采用与预设图像模型换算法向对应的逆转换算法对第四图像数据进行第二图像模型转换处理,将第四强度图像数据由LAB颜色模型数据转化为RGB颜色模型数据。
步骤104,调用预设二值化算法对第一强度图像数据进行二值化处理,得到第二强度图像数据。
具体的,本发明实施例中,调用现有技术中的最大类间方差算法对第一强度图像数据进行二值化处理,生成第二强度图像数据。
步骤105,调用预设形态学处理算法对第二强度图像数据进行目标识别处理,得到目标强度图像数据。
具体的,本发明实施例中,采用依次采用膨胀和腐蚀对第二强度数据进行目标识别处理,生成目标强度图像数据。
也可以采用现有技术中的其他形态学处理方法对第二强度图像数据进行目标识别处理,生成目标强度图像数据。
步骤106,根据目标强度图像数据中各像素的像素坐标值,从原始三维点云数据中提取出目标三维点云数据。
具体的,目标强度图像数据的像素坐标值在处理中不发生改变,根据目标强度数据中各像素的像素坐标与原始三维点云数据进行比对,从原始三维点云数据中提取出目标强度图像数据对应的目标三维点云数据。
步骤107,调用预设点云去噪算法对目标三维点云数据进行去噪处理,得到目标点云数据。
具体的,对生成的目标三维点云数据进行去噪处理,本发明实施例中,调用预设点云去噪算法对目标三维点云数据进行去噪处理,得到目标点云数据具体包括一下步骤:
步骤1071,读取目标三维点云数据中的第二像素点的第二像素点数据。
步骤1072,根据第二像素点数据获取与第二像素点相邻近的第三像素点数据。
步骤1073,根据第二像素点数据与第三像素点数据进行欧式距离计算处理,得到第二距离数据。
具体的,使用两点间距离计算公式,对第二像素点数据和第三像素点数据进行距离计算,得到第二像素点与多个第三像素点的欧式距离,即为第二距离数据。其中,每个第二像素点数据与多个第三像素点数据进行计算得到多个第二距离数据。
步骤1074,根据高斯分布概率密度和多个第二距离数据进行计算处理,得到高斯均值和标准差。
具体的,第二像素点与多个第三像素点邻近,所以多个第二距离数据的平均值应满足高斯近似点云的分布。所以根据高斯分布概率密度可以计算出高斯均值和标准差。
步骤1075,根据第二像素点数据、第二距离数据、高斯均值和标准差对目标三维点云数据中的所有第二像素点进行分类,将第二像素点分为目标像素点和离群像素点。
具体的,离群像素点和目标像素点的确定包括:首先,确定第二距离数据小于等于高斯均值的第三像素点的个数。其次,当第三像素点的个数小于等于第一预设阈值时,将第二像素点确定为离群像素点,并将确定为离群像素点的第二像素点从目标三维点云数据中删除。接着,根据第二像素点的第一数量个第二距离数据的均值得到第二距离数据均值。然后,根据标准差的两倍与高斯均值的和,得到分类判定值。接着,当第二距离数据均值大于等于分类判定值时,将第二像素点确定为离群像素点,并从目标三维点云数据中删除。最后,将目标点云数据中保留的第二像素点确定为目标像素点。
步骤1076,根据目标像素点对应的目标像素点数据生成目标点云数据。
具体的,每个目标像素点都对应由目标像素点数据,所有目标像素点的目标像素点数据生成目标点云数据。
本发明实施例提供的一种基于三维点云数据的目标点云数据提取方法,其在充分考虑TOF三维成像技术的特点和其受到设备***、环境光、运动模糊等影响因素的情况下,通过依次对TOF成像技术获取的三维点云数据进行去噪处理、对三维点云数据的强度图像数据进行目标提取处理、根据三维点云数据与强对图像数据的对应关系提取出目标三维点云数据和对目标三维点云数据进行滤波处理得到目标点云数据。本发明实施例提供的基于三维点云数据的目标点云数据提取方法,其处理过程中,针对三维点云数据的强度数据进行目标提取,大大简化了目标提取的复杂度、提取的计算量和***处理开支,在提取过程中根据图像特性先后采用不同的去噪算法对数据进行去噪处理,得到的目标点云数据具有准确度高,清晰度高,误差小的特点。
本发明实施例二提供了一种设备,包括存储器和处理器,存储器用于存储程序,存储器可通过总线与处理器连接。存储器可以是非易失存储器,例如硬盘驱动器和闪存,存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能;设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序,该软件程序被执行时,能够实现本发明实施例一提供的方法。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于三维点云数据的目标点云数据提取方法,其特征在于,所述方法包括:
获取原始三维点云数据,对所述原始三维点云数据进行去噪处理,得到去噪三维点云数据;
从所述去噪三维点云数据中提取出强度图像数据;
调用预设的目标提取算法对所述强度图像数据进行目标提取处理,得到目标强度图像数据;
根据所述目标强度图像数据中各像素的像素坐标值,从所述原始三维点云数据中提取出目标三维点云数据;
调用预设点云去噪算法对所述目标三维点云数据进行去噪处理,得到所述目标点云数据;
其中,所述调用预设的目标提取算法对所述强度图像数据进行目标提取处理,得到目标强度图像数据具体包括:
对所述强度图像数据进行超像素聚类处理,得到第一强度图像数据;
调用预设二值化算法对所述第一强度图像数据进行二值化处理,得到第二强度图像数据;
调用预设形态学处理算法对所述第二强度图像数据进行目标识别处理,得到所述目标强度图像数据;
其中,所述调用预设点云去噪算法对所述目标三维点云数据进行去噪处理,得到所述目标点云数据具体包括:
读取所述目标三维点云数据中的第二像素点的第二像素点数据;
根据所述第二像素点数据获取与第二像素点相邻近的第三像素点数据;
根据所述第二像素点数据与所述第三像素点数据进行欧式距离计算处理,得到第二距离数据;
根据高斯分布概率密度和多个所述第二距离数据进行计算处理,得到高斯均值和标准差;
根据所述第二像素点数据、所述第二距离数据、所述高斯均值和所述标准差对所述目标三维点云数据中的所有第二像素点进行分类,将所述第二像素点分为目标像素点和离群像素点;
根据所述目标像素点对应的目标像素点数据生成所述目标点云数据。
2.根据权利要求1所述基于三维点云数据的目标点云数据提取方法,其特征在于,所述对所述原始三维点云数据进行去噪处理,得到去噪三维点云数据具体为:
在内部存储单元中生成第一缓存区;
调用并基于3x3高斯模板对所述原始三维点云数据进行多次逐行缓存,每次缓存2行到所述第一缓存区中;
将一次所述第一缓存区的2行缓存的三维点云数据的强度图像数据与原始三维点云数据的第3行三维点云数据的强度图像数据采用-3x3高斯模板进行计算,并根据多次计算的结果得到所述去噪三维点云数据。
3.根据权利要求1所述基于三维点云数据的目标点云数据提取方法,其特征在于,所述对所述原始三维点云数据进行去噪处理,得到去噪三维点云数据具体为:
在内部存储单元中生成第一缓存区;
调用并基于5x5高斯模板对所述原始三维点云数据进行多次逐行缓存,每次缓存4行到所述第一缓存区中;
将一次所述第一缓存区的4行缓存的三维点云数据的强度图像数据与原始三维点云数据的第5行三维点云数据的强度图像数据采用5x5高斯模板进行计算,并根据多次计算的结果得到所述去噪三维点云数据。
4.根据权利要求1所述基于三维点云数据的目标点云数据提取方法,其特征在于,所述强度图像数据的具有N个像素点,所述对所述强度图像数据进行超像素聚类处理,得到第一强度图像数据具体包括:
S1,采用预设图像模型换算法对所述第一强度图像数据进行第一图像模型转换处理,得到第三强度图像数据;
S2,按照SⅹS的邻域大小为所述第三强度图像数据确定K个聚类中心,并为所述第三强度图像数据中的每个像素点进行初始化;其中,S表示相邻聚类中心的步长;
S3,在所述聚类中心的3ⅹ3邻域内重新选择聚类中心,得到第一聚类中心;
S4,根据第一像素点的数据值和所述第一聚类中心的数据值进行距离计算处理,得到所述第一像素点与所述第一聚类中心的距离数据;其中,所述距离数据包括颜色距离值和空间距离值;
S5,根据所述颜色距离值、所述空间距离值和所述相邻聚类中心的步长进行计算处理,生成第一距离数据;
S6,对多个所述第一距离数据进行升序排序处理,并将排序第一的第一距离数据确定为所述第一像素点的第一类聚中心距离数据;
S7,根据所述第一类聚中心距离数据,确定所述第一像素点的聚类中心,并对所述第一像素点分配标签值;
S8,当所述第一类聚中心距离数据小于所述初始距离数据时,根据所述第一类聚中心距离数据对所述第一聚类中心进行初始化,并继续执行S4;
S9,当每个第一像素点的第一类聚中心距离数据大于等于对应的所述初始距离数据时,根据所述N个第一像素点的数据值,生成第四强度图像数据,其中,所述第一像素点包括所述标签值;
S10,对所述第四强度图数据进行第二图像模型转换处理,生成所述第一强度图像数据。
5.根据权利要求1所述基于三维点云数据的目标点云数据提取方法,其特征在于,所述调用预设二值化算法对所述第一强度图像数据进行二值化处理,得到第二强度图像数据具体包括:
调用最大类间方差算法对所述第一强度图像数据进行二值化处理,生成所述第二强度图像数据。
6.根据权利要求1所述基于三维点云数据的目标点云数据提取方法,其特征在于,所述根据所述第二像素点数据、所述第二距离数据、所述高斯均值和所述标准差对所述目标三维点云数据中的所有第二像素点进行分类,将所述第二像素点分为目标像素点和离群像素点具体包括:
确定所述第二距离数据小于等于所述高斯均值的第三像素点的个数;
当所述第三像素点的个数小于等于第一预设阈值时,将所述第二像素点确定为离群像素点,并将所述确定为离群像素点的第二像素点从所述目标三维点云数据中删除;
根据所述第二像素点的第一数量个第二距离数据的均值得到第二距离数据均值;
根据所述标准差的两倍与所述高斯均值的和,得到分类判定值;
当所述第二距离数据均值大于等于所述分类判定值时,将所述第二像素点确定为离群像素点,并从所述目标三维点云数据中删除;
将所述目标点云数据中保留的所述第二像素点确定为目标像素点。
7.根据权利要求1所述基于三维点云数据的目标点云数据提取方法,其特征在于,所述方法还包括:
飞行时间相机接收图像采集指令,并根据所述图像采集指令对目标场景进行拍摄,生成所述原始三维点云数据。
8.一种执行基于三维点云数据的目标点云数据提取方法的电子设备,其特征在于,所述设备包括存储器和处理器,所述存储器用于存储程序,所述处理器用于执行如权利要求1-7任一所述的基于三维点云数据的目标点云数据提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010301616.8A CN111507340B (zh) | 2020-04-16 | 2020-04-16 | 一种基于三维点云数据的目标点云数据提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010301616.8A CN111507340B (zh) | 2020-04-16 | 2020-04-16 | 一种基于三维点云数据的目标点云数据提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507340A CN111507340A (zh) | 2020-08-07 |
CN111507340B true CN111507340B (zh) | 2023-09-01 |
Family
ID=71871010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010301616.8A Active CN111507340B (zh) | 2020-04-16 | 2020-04-16 | 一种基于三维点云数据的目标点云数据提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507340B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529044B (zh) * | 2020-11-20 | 2022-06-28 | 西南交通大学 | 基于车载LiDAR的铁路接触网提取分类的方法 |
CN113255677B (zh) * | 2021-05-27 | 2022-08-09 | 中国电建集团中南勘测设计研究院有限公司 | 一种岩体结构面及产状信息快速提取方法、设备及介质 |
CN117152353B (zh) * | 2023-08-23 | 2024-05-28 | 北京市测绘设计研究院 | 实景三维模型创建方法、装置、电子设备和可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017157967A1 (en) * | 2016-03-14 | 2017-09-21 | Imra Europe Sas | Processing method of a 3d point cloud |
CN108257222A (zh) * | 2018-01-31 | 2018-07-06 | 杭州中科天维科技有限公司 | 钢炉转炉三维激光点云自动融合算法 |
WO2018185807A1 (ja) * | 2017-04-03 | 2018-10-11 | 富士通株式会社 | 距離情報処理装置、距離情報処理方法および距離情報処理プログラム |
CN110163047A (zh) * | 2018-07-05 | 2019-08-23 | 腾讯大地通途(北京)科技有限公司 | 一种检测车道线的方法及装置 |
CN110232329A (zh) * | 2019-05-23 | 2019-09-13 | 星际空间(天津)科技发展有限公司 | 基于深度学习的点云分类方法、装置、存储介质及设备 |
CN110363858A (zh) * | 2019-06-18 | 2019-10-22 | 新拓三维技术(深圳)有限公司 | 一种三维人脸重建方法及*** |
CN110659547A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 物体识别方法、装置、车辆和计算机可读存储介质 |
CN110827339A (zh) * | 2019-11-05 | 2020-02-21 | 北京深测科技有限公司 | 目标点云提取的方法 |
-
2020
- 2020-04-16 CN CN202010301616.8A patent/CN111507340B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017157967A1 (en) * | 2016-03-14 | 2017-09-21 | Imra Europe Sas | Processing method of a 3d point cloud |
WO2018185807A1 (ja) * | 2017-04-03 | 2018-10-11 | 富士通株式会社 | 距離情報処理装置、距離情報処理方法および距離情報処理プログラム |
CN108257222A (zh) * | 2018-01-31 | 2018-07-06 | 杭州中科天维科技有限公司 | 钢炉转炉三维激光点云自动融合算法 |
CN110659547A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 物体识别方法、装置、车辆和计算机可读存储介质 |
CN110163047A (zh) * | 2018-07-05 | 2019-08-23 | 腾讯大地通途(北京)科技有限公司 | 一种检测车道线的方法及装置 |
CN110232329A (zh) * | 2019-05-23 | 2019-09-13 | 星际空间(天津)科技发展有限公司 | 基于深度学习的点云分类方法、装置、存储介质及设备 |
CN110363858A (zh) * | 2019-06-18 | 2019-10-22 | 新拓三维技术(深圳)有限公司 | 一种三维人脸重建方法及*** |
CN110827339A (zh) * | 2019-11-05 | 2020-02-21 | 北京深测科技有限公司 | 目标点云提取的方法 |
Non-Patent Citations (1)
Title |
---|
基于TOF三维相机相邻散乱点云配准技术研究;张旭东;吴国松;胡良梅;王竹萌;;机械工程学报(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111507340A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Uzkent et al. | Tracking in aerial hyperspectral videos using deep kernelized correlation filters | |
Wang et al. | Fusing bird’s eye view lidar point cloud and front view camera image for 3d object detection | |
US9934591B2 (en) | Remote determination of quantity stored in containers in geographical region | |
US10115209B2 (en) | Image target tracking method and system thereof | |
CN111507340B (zh) | 一种基于三维点云数据的目标点云数据提取方法 | |
CN111222395B (zh) | 目标检测方法、装置与电子设备 | |
US7756296B2 (en) | Method for tracking objects in videos using forward and backward tracking | |
WO2016026371A1 (en) | Fast object detection method based on deformable part model (dpm) | |
Chuang et al. | Automatic fish segmentation via double local thresholding for trawl-based underwater camera systems | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN111383252B (zh) | 多相机目标追踪方法、***、装置及存储介质 | |
CN113761999B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
Schilling et al. | Detection of vehicles in multisensor data via multibranch convolutional neural networks | |
CN109816694B (zh) | 目标跟踪方法、装置及电子设备 | |
WO2018227216A1 (en) | Learning-based matching for active stereo systems | |
US9747507B2 (en) | Ground plane detection | |
US11657485B2 (en) | Method for expanding image depth and electronic device | |
US8989505B2 (en) | Distance metric for image comparison | |
CN112949440A (zh) | 一种提取行人的步态特征的方法、步态识别方法及*** | |
CN116883588A (zh) | 一种大场景下的三维点云快速稠密重建方法及*** | |
CN108875500B (zh) | 行人再识别方法、装置、***及存储介质 | |
CN110516731B (zh) | 一种基于深度学习的视觉里程计特征点检测方法及*** | |
JP2013037539A (ja) | 画像特徴量抽出装置およびそのプログラム | |
CN111507339B (zh) | 一种基于强度图像的目标点云获取方法 | |
Lin et al. | Enhancing deep-learning object detection performance based on fusion of infrared and visible images in advanced driver assistance systems |
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 |