CN112102375A - 一种点云配准可靠性检测的方法、装置、移动智慧设备 - Google Patents
一种点云配准可靠性检测的方法、装置、移动智慧设备 Download PDFInfo
- Publication number
- CN112102375A CN112102375A CN202010709453.7A CN202010709453A CN112102375A CN 112102375 A CN112102375 A CN 112102375A CN 202010709453 A CN202010709453 A CN 202010709453A CN 112102375 A CN112102375 A CN 112102375A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- distribution information
- determining
- cloud data
- mobile intelligent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 60
- 230000015556 catabolic process Effects 0.000 claims description 36
- 238000006731 degradation reaction Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及一种点云配准可靠性检测的方法、装置、移动智慧设备,包括:获取移动智慧设备周围环境的原始点云数据;从原始点云数据中确定出多个点云集合,每个点云集合对应移动智慧设备周围环境中的一个实体对象;对多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面;根据多个拟合面的几何特征,确定移动智慧设备周围环境中多个实体对象的分布信息;根据多个实体对象的分布信息,确定移动智慧设备周围环境对应的场景类型;根据场景类型确定原始点云数据对应的点云配准的可靠性评估结果。实现了基于原始的点云数据对退化场景中的点云配准进行可靠性分析,既能检测退化场景中的点云配准可靠性,又降低***计算量。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种点云配准可靠性检测的方法、装置、移动智慧设备。
背景技术
随着科技发展,移动机器人因其智能化、自主化等优点,在世界范围内有着越来越广泛的应用需求。场景的快速识别和定位作为移动机器人的核心技术之一,是衡量其智能化的重要指标。在定位构图的过程中,可以采用基于激光雷达的移动机器人定位构图方法,通过对二维点云或者三维点云进行配准,估计机器人自身的运动轨迹,并根据点云配准的结果对点云进行融合。
在现有技术中,可以对点云配准的可靠性进行检测,例如,可以通过预先定义配准误差计算点云配准的协方差,进而利用协方差推算点云配准误差,确定当前点云配准的可靠性;或者,可以采用多传感器融合技术,对点云配准的结果进行一致性检验,如果不同传感器之间的测量结果相差较远,可确定点云配准的可靠性较差。
然而,若采用协方差估计配准,在当前场景为退化场景时,即使预估得到的点云配准误差很小,可靠性也难以得到保证;若使用多传感器进行检测,则需要多个传感器的辅助,增加了***的计算量。这导致在检测点云配准可靠性时,难以兼顾针对退化场景的可靠性检测和检测过程中的计算量。
发明内容
基于此,有必要针对上述技术问题,提供一种点云配准可靠性检测的方法、装置、移动智慧设备。
一种点云配准可靠性检测的方法,所述方法包括:
获取移动智慧设备周围环境的原始点云数据;
从所述原始点云数据中确定出多个点云集合,每个点云集合对应所述移动智慧设备周围环境中的一个实体对象;
对所述多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面;
根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息;
根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型;
根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果。
可选地,所述多个实体对象的分布信息包括针对三维坐标系中的x轴的第一分布信息、y轴的第二分布信息和z轴的第三分布信息;
所述根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型,包括:
从所述多个实体对象的分布信息中,获取所述第一分布信息、所述第二分布信息和所述第三分布信息;
根据所述第一分布信息、所述第二分布信息和所述第三分布信息,确定所述多个实体对象在所述三维坐标系中的朝向;
若所述多个实体对象的朝向为z轴方向或y轴方向,则确定所述移动智慧设备周围环境对应的场景类型为第一场景类型;
若所述多个实体对象的朝向为z轴方向,则确定所述移动智慧设备周围环境对应的场景类型为第二场景类型。
可选地,所述根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果,包括:
当所述场景类型为第一场景类型时,确定所述原始点云数据对应的点云配准的可靠性评估结果为第一评估结果;所述第一评估结果表征x轴平移配准不可靠;
当所述场景类型为第二场景类型时,确定所述原始点云数据对应的点云配准的第二评估结果;所述第二评估结果表征x轴和y轴平移配准不可靠,以及z轴旋转配准不可靠。
可选地,所述从所述原始点云数据中确定出多个点云集合,包括:
以所述移动智慧设备周围环境中的实体对象为聚类目标,对所述原始点云数据进行聚类,得到多个点云集合,使得每个点云集合对应所述移动智慧设备周围环境中的一个实体对象。
可选地,在获取所述获取移动智慧设备周围环境的原始点云数据的步骤之后,所述方法还包括:
若原始点云数据为三维点云,对所述原始点云数据进行筛选,得到非地面点云数据和地面点云数据;
所述从所述原始点云数据中确定出多个点云集合,包括:
针对所述非地面点云数据和所述地面点云数据,确定出多个点云集合。
可选地,所述根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息,包括:
获取各个拟合面对应的法向量;
根据所述各个拟合面对应的法向量,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息。
可选地,所述根据所述多个法向量,确定所述移动智慧设备周围环境中所述多个实体对象的分布信,包括:
获取所述多个法向量对应的法向量矩阵;
确定所述法向量矩阵的奇异值;
根据所述奇异值,确定所述移动智慧设备周围环境中所述多个实体对象在三维坐标系中的所述第一分布信息、第二分布信息和第三分布信息。
可选地,所述根据所述奇异值,确定所述移动智慧设备周围环境中所述多个实体对象在三维坐标系中的所述第一分布信息、第二分布信息和第三分布信息,包括:
确定所述奇异值中的第一奇异值分量为第一分布信息,第二奇异值分量为第二分布信息,第三奇异值分量为第三分布信息;其中,所述第一奇异值分量小于所述第二奇异值分量,所述第二奇异值分量小于所述第三奇异值分量;
所述根据所述第一分布信息、所述第二分布信息和所述第三分布信息,确定所述多个实体对象在所述三维坐标系中的朝向,包括:
获取预设的退化阈值;
当所述第一分布信息小于所述退化阈值,且所述第二分布信息大于所述退化阈值,确定所述多个实体对象的朝向为z轴方向或y轴方向;
当所述第二分布信息小于所述退化阈值且所述第三分布信息大于所述退化阈值,确定所述多个实体对象的朝向为z轴方向。
一种点云配准可靠性检测的装置,所述装置包括:
原始点云数据获取模块,用于获取移动智慧设备周围环境的原始点云数据;
点云集合确定模块,用于从所述原始点云数据中确定出多个点云集合,每个点云集合对应所述移动智慧设备周围环境中的一个实体对象;
面拟合模块,用于对所述多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面;
分布信息确定模块,用于根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息;
场景类型确定模块,用于根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型;
评估结果确定模块,用于根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果。
一种移动智慧设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
在本申请实施例中,通过获取移动智慧设备周围环境的原始点云数据,从原始点云数据中确定出多个点云集合,对多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面,根据多个拟合面的几何特征,确定移动智慧设备周围环境中多个实体对象的分布信息,根据多个实体对象的分布信息,确定移动智慧设备周围环境对应的场景类型,根据场景类型确定原始点云数据对应的点云配准的可靠性评估结果,实现了基于原始的点云数据对退化场景中的点云配准进行可靠性分析,在无需依赖传感器的情况下,既能检测不同退化场景中的点云配准可靠性,又降低了***的冗余度和计算量。
附图说明
图1为一个实施例中一种点云配准可靠性检测的方法的流程示意图;
图2为一个实施例中三维点云的侧视图;
图3为一个实施例中三维点云在二维平面的投影示意图;
图4为一个实施例中确定分布特征值的步骤的流程示意图;
图5为一个实施例中确定场景类型的步骤的流程示意图;
图6为一个实施例中确定实体对象朝向的步骤的流程示意图;
图7为一个实施例中另一种点云配准可靠性检测的方法的流程示意图;
图8为一个实施例中一种点云配准可靠性检测的装置的结构框图;
图9为一个实施例中一种移动智慧设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本申请一实施例中,如图1所示,提供了一种点云配准可靠性检测的方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤110,获取移动智慧设备周围环境的原始点云数据;
作为一示例,移动智慧设备可以是具有移动作业能力的设备,例如机器人。
点云(Point Cloud)可以表示物体表面的离散点集合,原始点云数据(PointCloud Data)可以是通过测量仪器获取的物体外观表面的离散点的数据集合。原始点云数据可以包括物体对象通过三维坐标表示的几何位置信息,通过物体对象的几何位置信息可以得到该物体对象的三维尺寸。
在实际应用中,可以获取移动智慧设备周围环境的原始点云数据。
具体的,可以在移动智慧设备上安装激光扫描仪,在移动智慧设备的移动过程中,通过激光扫描仪对周围环境进行扫描,结合激光测量原理得到原始点云数据:当一束激光照射到物体表面时,所反射的激光会携带方位信息、距离信息。若将激光束按照预设轨迹对周围环境进行扫描,可以在扫描的同时,记录到反射的障碍点(即周围环境中的物体上的点)的信息,通过激光扫描,可以得到大量的激光点,因而能够形成描述物体外观的原始点云数据。通过激光扫描获得的原始点云数据中,可以包括点的坐标信息和激光反射强度信息,激光发射强度信息与物体的表面材质、粗糙度、入射角方向,仪器的发射能量以及激光波长等因素有关。
或者,也可以通过摄影测量原理得到原始点云数据,该原始点云数据中可以包括坐标信息和障碍点的颜色信息(即RGB数据)。当然,也可以采用激光测量原理和摄影测量原理相结合的测量方式,采用该方式得到原始点云数据,可以包括障碍点的三维坐标信息、激光反射强度和颜色信息。
步骤120,从所述原始点云数据中确定出多个点云集合,每个点云集合对应所述移动智慧设备周围环境中的一个实体对象;
由于原始点云数据可以是通过扫描移动智慧设备周围环境中的多个实体对象后得到的,包含了多个实体对象离散点的数据集合,为了进一步从原始点云数据中确定独立的对象,在获取原始点云数据后,可以从原始点云数据中确定多个点云集合,每一个点云集合可以对应移动智慧设备周围环境中的一个实体对象。
步骤130,对所述多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面;
在确定多个点云集合后,可以针对多个点云集合中的每一点云集合进行面拟合,得到多个实体对象对应的拟合面。
步骤140,根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息;
作为一示例,拟合面的几何特征可以是用于描述三维物体的空间结构的特征信息;分布信息可以描述多个实体对象在移动智慧设备周围环境中的分布情况。
在获取多个实体对象对应的多个拟合面后,针对每一拟合面,可以确定该拟合面对应的几何特征,进而确定多个拟合面的几何特征。通过确定多个拟合面的几何特征,可以确定移动智慧设备周围的多个实体对象的空间结构。
在确定多个拟合面的几何特征后,可以采用多个拟合面的几何特征确定移动智慧设备周围环境中,多个实体对象的分布信息。具体而言,由于拟合面的几何特征可以反映实体对象的空间结构,通过多个拟合面对应的多个几何特征,可以确定实体对象在周围环境中的具体分布情况,即多个实体对象的分布信息。
步骤150,根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型;
在实际应用中,实体对象不同的分布方式可以对应于不同的场景类型,例如,在长廊或隧道中实体对象的分布方式,有别于空旷地面上实体对象的分布方式。基于此,在确定移动智慧设备周围环境中多个实体对象的分布信息后,可以确定移动智慧设备周围环境对应的场景类型。
步骤160,根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果。
在实际应用中,不同拍摄视角下获取的原始点云数据,有时会表现为旋转错位或平移错位,因此,需要对多个点云进行点云配准。其中,点云配准可以是针对两帧(或两帧以上)的点云,固定其中一帧点云的位姿(即位置和姿态),对其他帧的点云进行刚***姿变换,使得变换后的点云尽可能跟固定帧的点云重叠。
在进行刚***姿变换时,可以通过旋转和/或平移等操作进行坐标转换,实现原始点云数据在统一坐标系下的一致对准,得到完整的三维点云数据。通过获取移动智慧设备周围环境的三维点云数据,可以构建移动智慧设备周围环境的三维或二维模型,并对移动智慧设备进行定位,预测移动智慧设备自身的运动情况。
然而,在移动智慧设备所处场景不同,其点云配准结果的可靠性并不相同。具体而言,点云配准的目的之一是获得一个刚体姿态变换,令变换后的点云与固定帧的点云重合,而在退化场景中,存在多个刚***姿变换使得两个点云满足重合条件。在点云配准作为slam(即时定位与地图构建,simultaneous localization and mapping)方法的底层技术时,点云配准直接影响构图效果,在点云配准结果可靠性无法得到保证、难以准确估计移动智慧设备的运动的情况下,将导致定位和构图结果(即通过slam方法生成的地图)出现较大误差。
基于此,在确定场景类型后,可以针对场景类型,获取原始点云数据对应的点云配准可靠性评估结果。在实际应用中,通过采用原始点云数据进行可靠性检测,无需依赖传感器的额外辅助。
在本申请实施例中,通过获取移动智慧设备周围环境的原始点云数据,从原始点云数据中确定出多个点云集合,对多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面,根据多个拟合面的几何特征,确定移动智慧设备周围环境中多个实体对象的分布信息,根据多个实体对象的分布信息,确定移动智慧设备周围环境对应的场景类型,根据场景类型确定原始点云数据对应的点云配准的可靠性评估结果,实现了基于原始的点云数据对退化场景中的点云配准进行可靠性分析,在无需依赖传感器的情况下,既能检测不同退化场景中的点云配准可靠性,又降低了***的冗余度和计算量。
在本申请一实施例中,在步骤110之后,还可以包括如下步骤:
若原始点云数据为二维点云,执行所述从所述原始点云数据中确定出多个点云集合的步骤;若原始点云数据为三维点云,对所述原始点云数据进行筛选,得到非地面点云数据和地面点云数据。
在实际应用中,原始点云数据可以是二维点云或三维点云。在获取原始点云数据后,可以进一步确定原始点云数据的类型,若原始点云数据为二维点云,则可以从原始点云数据中确定多个点云集合;若原始点云数据为三维点云,则可以对原始点云数据进行筛选,得到非地面点云数据和地面点云数据(地面分割处理),并将其确定为原始点云数据。
通过对原始点云数据的数据类型进行判断,可以对不同类型的点云进行不同的处理,使得该方法既可适用于二维点云,也可适用于三维点云。
在本申请一实施例中,对所述原始点云数据进行筛选,得到非地面点云数据和地面点云数据,可以包括如下步骤:
获取所述原始点云数据的二维投影,并确定所述二维投影对应的投影范围;对所述投影范围进行分割,得到多个子区域和所述多个子区域对应的多个第一数据容器;将所述待处理点云数据分别添加至匹配的第一数据容器,得到多个第二数据容器;针对每个第二数据容器,获取所述第二数据容器中的待处理点云数据对应的高度差,并在所述高度差大于预设高度阈值时,确定所述第二数据容器中的原始点云数据为非地面点云数据。
在实际应用中,如图2所示,为三维的待处理点云数据的侧视图,地面点云连接了周围环境中多个对象的点云,为了便于后续从点云中分割出独立的对象,可以预先将原始点云数据中的地面点云筛选出来,获取非地面点云数据。
在进行分割时,可以将三维的待处理点云数据投影到二维(x-y)平面中,以得到待处理点云数据的二维投影,并针对二维投影确定一投影范围,该投影范围可以是囊括投影点的矩形区域。
在确定有效投影范围后,可以按照预设的分辨率将有效投影范围分割为多个子区域,如图3所示,在二维平面上具有多个方格,即本申请中的子区域。在具体实现中,可以针对多个子区域建立对应的第一数据容器(container),并针对每一个第一数据容器建立方格索引。例如,当投影范围被划分为m*n个子区域后,可以建立m*n个第一数据容器,并针对每一个第一数据容器,建立索引container[m][n]。
在投影范围内的二维投影,可以获取二维投影对应的横坐标信息和纵坐标信息,并确定与横坐标信息和纵坐标信息匹配的子区域,即横坐标信息和纵坐标信息落入子区域的坐标范围。在确定二维投影对应的子区域后,可以将二维投影对应的待处理点云数据添加至该子区域对应的第一数据容器中,得到第二数据容器。
采用该方法,可以将投影范围内二维投影对应的原始点云数据,分别添加至对应的第一数据容器中。在将原始点云数据添加至第一数据容器并获取多个第二数据容器后,可以遍历每一第二数据容器,针对每一第二数据容器,可以采用待处理点云数据的纵坐标信息确定第二数据容器中的最高点与最低点,并计算最高点与最高点的高度差值。
在具体实现中,地面上的点属于同一平面,则地面点之间的高度差值小。基于此,在确定高度差值信息后,可以获取预设的高度阈值,并采用该高度阈值与高度差值信息进行比较,判断高度差值是否小于高度阈值,若是,则确定该第二数据容器中的点云数据为地面点云数据;若否,则确定该第二数据容器中的点云数据为非地面点云数据。
通过获取非地面点云数据(将三维点云中的地面点分割出来),在对原始点云数据进行聚类,确定原始点云数据对应的实体对象时,可以避免连接了大部分实体对象的地面点所产生的干扰,有利于后续获取多个点云集合。
在本申请一实施例中,所述从所述原始点云数据中确定出多个点云集合,可以包括如下步骤:
以所述移动智慧设备周围环境中的实体对象为聚类目标,对所述原始点云数据进行聚类,得到多个点云集合,使得每个点云集合对应所述移动智慧设备周围环境中的一个实体对象。
在确定原始点云数据后,可以以移动智慧设备周围环境中的实体对象为聚类目标,对原始点云数据进行聚类,得到多个点云集合,通过对原始点云数据进行聚类,可以令每一个点云集合与周围环境中的一个实体对象对应。
通过对原始点云数据进行聚类,可以将原始点云数据划分为不同类别的点云,得到多个独立的实体对象,进而在后续确定几何特征时,可以单独针对每一实体对象进行确定。
在实际应用中,可以采用欧式聚类算法对原始点云数据聚类,其中,欧式聚类算法在PCL(点云库,Point Cloud Library)中有开源实现。具体的,可以判断空间中的一点与邻近点的距离是否小于预设阈值,若是,则可以将该点与邻近点确定为一类,若否,则把临近点设置为新的聚类种子,根据预设阈值判断另一个临近点是否与该聚类种子划分为同一类;重复上述步骤,直到所有的点都被聚类到不停的点云集合中。
在本申请一实施例中,所述从所述原始点云数据中确定出多个点云集合,可以包括如下步骤:
针对所述非地面点云数据和所述地面点云数据,确定出多个点云集合。
在具体实现中,由于可以对原始点云数据进行筛选,分别确定出地面点云数据和非地面点云数据,则在确定点云集合时,可以分别针对非地面点云数据和点云数据确定点云集合,得到多个点云集合。
通过分别对非地面点云数据和点云数据确定点云集合,可以在确定移动智慧设备周围环境中的实体对象时,既可以避免地面点云数据产生的干扰,并且,由于点云集合是与地面点云数据和非地面点云数据对应,使得点云集合对应的实体对象,可以囊括移动智慧设备周围环境中的实体对象,即非地面点云数据对应的实体对象,以及地面点云数据对应的地面。
在本申请一实施例中,聚类后的多个点云集合可以分别具有对应的聚类标签,以识别不同的点云集合,例如,可以采用不同的颜色对多个点云集合进行区别。
在本申请一实施例中,步骤140可以包括如下步骤:
步骤141,获取各个拟合面对应的法向量;
作为一示例,垂直于拟合面的直线所表示的向量为该拟合面的法向量,法向量可以用于描述三维物体(如移动智慧设备周围环境中的实体对象)的空间结构,是物体对象三维模型的重要结构特征之一。
在获取多个实体对象对应的多个拟合面后,可以分别针对每一个拟合面,确定该拟合面的法向量,进而可以确定各个拟合面对应的法向量。
具体的,针对每一个点云集合cluster[i],可以具有对应的三维点云坐标集(xj,yj,zj),其中,j=1,2,...n,三维点云坐标集中的每一个元素可以对应点云集合中的一个点。针对每一个点云集合,将三维点云坐标集中点的三维坐标信息分别代入待拟合的方程“axj+byj+czj+1=0”中,可以得到实体对象对应的拟合面,其中,a、b和c为方程的系数。
在实际应用中,针对每一个点云集合的拟合面,若点云集合中存在n个点,则可以将n个点对应的三维坐标信息分别代入方程“axj+byj+czj+1=0”,得到n个方程。
在拟合过程中,当点云集合中的点大于3(即n>3),有效方程的个数大于方程中未知数(a、b和c)的个数,可以通过超定方程组求解,将“axj+byj+czj+1=0”转换为矩阵形式“Ax=b”,其中,b为行向量-[1,1…1]T,T表示矩阵的转置操作,A为矩阵。当n=k时(即点云集合中有k个点),矩阵A的形式如下所示:
则可以求解得到一拟合面对应的法向量x为:
x=(ATA)-1ATb
步骤142,根据所述各个拟合面对应的法向量,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息。
在获取多个拟合面对应的法向量后,由于法向量可以表征周围环境中每一实体对象的表面几何属性信息,可以采用多个法向量,确定移动智慧设备周围环境中多个实体对象的分布信息。
通过获取多个拟合面的法向量并确定分布信息,使得能够采用该分布信息综合反映空间中多个实体对象的分布情况。
在本申请一实施例中,如图4所示,所述根据所述各个拟合面对应的法向量,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息,可以包括如下步骤:
步骤410,获取所述多个法向量对应的法向量矩阵;
具体的,可以将多个法向量排列为法向量矩阵。例如,当有k个点云集合时,可以获得k个法向量xi,k个法向量xi可以排列为k*3的矩阵,如下所示的法向量矩阵A:
步骤420,确定所述法向量矩阵的奇异值;
在确定法向量矩阵后,可以对法向量矩阵进行奇异值分解,得到与该矩阵对应的奇异值。
步骤430,根据所述奇异值,确定所述移动智慧设备周围环境中所述多个实体对象在三维坐标系中的所述第一分布信息、第二分布信息和第三分布信息。
在确定奇异值后,可以进一步采用奇异值确定为多个实体对象在x轴的第一分布信息、在y轴的第二分布信息以及在z轴的第三分布信息。通过奇异值,可以确定空间中多个法向量的分布情况。
在本申请一实施例中,所述根据所述奇异值,确定所述移动智慧设备周围环境中所述多个实体对象在三维坐标系中的所述第一分布信息、第二分布信息和第三分布信息,可以包括如下步骤:
确定所述奇异值中的第一奇异值分量为第一分布信息,第二奇异值分量为第二分布信息,第三奇异值分量为第三分布信息;其中,所述第一奇异值分量小于所述第二奇异值分量,所述第二奇异值分量小于所述第三奇异值分量;
在具体实现中,奇异值可以是三维向量,在x轴方向上具有第一奇异值分量,在y轴方向上具有第二奇异值分量,以及在z轴方向上具有第三奇异值分量。其中,第一奇异值分量可以小于第二奇异值分量,第二奇异值分量可以小于第三奇异值分量。
在获取奇异值后,可以将第一奇异值分量确定为第一分布信息,将第二奇异值分量确定为第二分布信息,以及将第三奇异值分量确定为第三分布信息。
通过采用奇异值作为分布特征,并采用奇异值在不同方向上的分量分别作为第一分布信息、第二分布信息和第三分布信息,能够定量地综合反映多个实体对象在空间中的分布情况。
在本申请一实施例中,多个实体对象的分布信息可以包括针对三维坐标系中的x轴的第一分布信息、y轴的第二分布信息和z轴的第三分布信息,如图5所示,步骤150可以包括如下步骤:
步骤510,从所述多个实体对象的分布信息中,获取所述第一分布信息、所述第二分布信息和所述第三分布信息;
在实际应用中,多个实体对象的分布信息中,可以包括针对三维坐标系中的x轴的第一分布信息、y轴的第二分布信息和z轴的第三分布信息。在确定多个实体对象的分布信息后,可以从分布信息中获取第一分布信息、第二分布信息和第三分布信息。
步骤520,根据所述第一分布信息、所述第二分布信息和所述第三分布信息,确定所述多个实体对象在所述三维坐标系中的朝向;
由于分布特征可以综合反映多个实体对象在三维空间中的几何特征,在获取第一分布信息、第二分布信息和第三分布信息,可以确定多个实体对象在三维坐标系中的朝向。
步骤530,若所述多个实体对象的朝向为z轴方向或y轴方向,则确定所述移动智慧设备周围环境对应的场景类型为第一场景类型;
作为一示例,第一场景类型可以包括长廊场景类型、隧道场景类型。
在确定多个实体对象在三维坐标系中的朝向后,若朝向为z轴方向或y轴方向,可以确定移动智慧设备周围环境的场景类型为第一场景类型。
步骤540,若所述多个实体对象的朝向为z轴方向,则确定所述移动智慧设备周围环境对应的场景类型为第二场景类型。
作为一示例,第二场景类型可以包括空旷场景类型。
若朝向为z轴方向,可以确定移动智慧设备周围环境的场景类型为第二场景类型。
通过采用第一分布信息、第二分布信息以及第三分布信息对场景类型进行识别,可以在独立于点云配准算法运行的情况下,对不同类型的退化场景中的点云配准可靠性进行定性分析
在本申请一实施例中,如图6所示,步骤520可以包括如下步骤:
步骤610,获取预设的退化阈值;
步骤620,当所述第一分布信息小于所述退化阈值,且所述第二分布信息大于所述退化阈值,确定所述多个实体对象的朝向为z轴方向或y轴方向;
步骤630,当所述第二分布信息小于所述退化阈值,且所述第三分布信息大于所述退化阈值,确定所述多个实体对象的朝向为z轴方向。
在实际应用中,可以预先存储退化阈值,在获取分布信息后,可以采用第一分布信息、第二特征分布值与退化阈值进行比较。
当第一分布信息小于退化阈值,且第二分布信息大于退化阈值时,可以确定奇异值在y轴方向的分量更大,而在x轴方向的分量较小,可以确定多个实体对象的朝向为z轴方向或者y轴方向。
当第二分布信息小于退化阈值,且所述第三分布信息大于所述退化阈值,可以确定奇异值在x轴和y轴方向的分量都较小,可以确定多个实体对象的朝向为z轴方向。
在本申请一实施例中,步骤160可以包括如下步骤:
步骤161,当所述场景类型为第一场景类型时,确定所述原始点云数据对应的点云配准的可靠性评估结果为第一评估结果;所述第一评估结果表征x轴平移配准不可靠;
当场景类型为第一场景类型时,可以确定原始点云数据的点云配准可靠性评估结果为第一评估结果,该结果中可以表征x轴平移配准不可靠。
具体而言,当场景类型为第一场景类型时,移动智慧设备将沿x轴方向作平移运动,例如在长廊或隧道中的移动,在不进行y轴方向和z轴方向时,可以获得多个满足点云配准条件的刚体姿态变换,基于此,可以生成第一评估结果。
步骤162,当所述场景类型为第二场景类型时,确定所述原始点云数据对应的点云配准的第二评估结果;所述第二评估结果表征x轴和y轴平移配准不可靠,以及z轴旋转配准不可靠。
当场景类型为第二场景类型时,可以确定原始点云数据的点云配准的第二评估结果,该评估结果可以表征移动智慧设备在x轴方向和y轴方向平移配准不可靠,在z轴方向旋转配准不可靠。
通过对确定退化场景的场景类型,可以在移动智慧设备作不同运动时,针对性地确定各个方向上点云配准的可靠性,提高了对退化场景的识别能力和配准可靠性的识别能力。
在本申请一实施例中,若采用传感器对点云配准结果进行校验,在生成第一评估结果或第二评估结果后,还可以生成一传感器调整信息,将当前用于检测点云配准可靠性的当前传感器调整为与第一场景类型或第二场景类型匹配的目标传感器。例如,在第一场景类型中,若采用激光传感器对点云配准结果进行检测可靠性较差,则可以采用与传感器调整信息对应的其他传感器(即目标传感器)对点云配准结果进行校验。通过及时将传感器调整为与退化场景匹配的传感器,可以提高在退化场景中使用传感器的可靠性。
为了使本领域技术人员能够更好地理解上述步骤,以下通过一个例子对本申请实施例加以示例性说明,但应当理解的是,本申请实施例并不限于此。
如图7所示,在具体实现中,可以通过激光扫描仪获取移动智慧设备周围环境的点云数据(即本申请中的原始点云数据),在获取点针对周围环境的云数据后,可以判断点云数据的点云类型是否为2D(二维)点云,若点云类型是2D点云,可以对点云数据进行点云聚类,以从点云数据中获取出多个不同的独立对象(例如一个人、一辆车或一堵墙,等等);若点云类型为3D点云,则可以先对3D点云进行地面分割,剔除云数据中的地面点,进而对非地面点进行点云聚类。
在进行点云聚类后,可以获得k个点云聚类cluster[k],针对其中的点云聚类cluster[i],可以计算点云聚类cluster[i]的法向量,并判断i是否大于或等于k,若是,可以将k个点云聚类对应的k个法向量排列为法向量矩阵,并对法向量矩阵进行奇异值分解,获得奇异值[δ1,δ2,δ3];若否,则可以令i=i+1,重复计算点云聚类cluster[i]的法向量,并判断i是否大于或等于k的步骤。
通过对法向量矩阵进行奇异值分解,可以获得法向量在三维空间中的分布情况,例如,在多个法向量中,若多个法向量的朝向基本一致(例如,存在大于预设法向量个数阈值的m个法向量,m个法向量之间的夹角小于预设角度阈值),则可以存在δ1与δ2基本为0,而δ3较大的情况。
在确定奇异值后,可以获取预设的退化阈值threshold,并将δ1和δ2与退化阈值进行比较。若δ1小于退化阈值且δ2大于退化阈值,可以确定多个点云聚类的法向量朝向z轴或朝向x轴,进而可以确定移动智慧设备当前处于长廊或隧道中,而在隧道或长廊场景中,点云配准在x轴方向产生平移运动的退化,即x轴方向的点云配准不可靠。
若δ1小于退化阈值且δ2小于退化阈值,可以确定多个点云聚类的法向量皆朝向z轴,进而可以确定移动智慧设备当前处于空旷场景(例如空旷的地面),而在空旷场景中,点云配准在x轴方向和y轴方向产生平移运动的退化,在z轴方向产生旋转运动的退化,即针对x轴方向和y轴方向的平移运动,点云配准不可靠;针对移动智慧设备在z轴方向的旋转运动,点云配准不可靠。
应该理解的是,虽然图1至图7中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1至图7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种点云配准可靠性检测的装置,所述装置可以包括:
原始点云数据获取模块801,用于获取移动智慧设备周围环境的原始点云数据;
点云集合确定模块802,用于从所述原始点云数据中确定出多个点云集合,每个点云集合对应所述移动智慧设备周围环境中的一个实体对象;
面拟合模块803,用于对所述多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面;
分布信息确定模块804,用于根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息;
场景类型确定模块805,用于根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型;
评估结果确定模块806,用于根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果。
在本申请一实施例中,所述多个实体对象的分布信息包括针对三维坐标系中的x轴的第一分布信息、y轴的第二分布信息和z轴的第三分布信息;
所述场景类型确定模块805,包括:
分布特征值获取子模块,用于从所述多个实体对象的分布信息中,获取所述第一分布信息、所述第二分布信息和所述第三分布信息;
朝向确定子模块,用于根据所述第一分布信息、所述第二分布信息和所述第三分布信息,确定所述多个实体对象在所述三维坐标系中的朝向;
第一场景确定子模块,用于若所述多个实体对象的朝向为z轴方向或y轴方向,则确定所述移动智慧设备周围环境对应的场景类型为第一场景类型;
第二场景确定子模块,用于若所述多个实体对象的朝向为z轴方向,则确定所述移动智慧设备周围环境对应的场景类型为第二场景类型。
在本申请一实施例中,所述评估结果确定模块806,包括:
第一评估结果生成子模块,用于当所述场景类型为第一场景类型时,确定所述原始点云数据对应的点云配准的可靠性评估结果为第一评估结果;所述第一评估结果表征x轴平移配准不可靠;
第二评估结果生成子模块,用于当所述场景类型为第二场景类型时,确定所述原始点云数据对应的点云配准的第二评估结果;所述第二评估结果表征x轴和y轴平移配准不可靠,以及z轴旋转配准不可靠。
在本申请一实施例中,所述点云集合确定模块802,包括:
第一聚类子模块,用于以所述移动智慧设备周围环境中的实体对象为聚类目标,对所述原始点云数据进行聚类,得到多个点云集合,使得每个点云集合对应所述移动智慧设备周围环境中的一个实体对象。
在本申请一实施例中,所述装置还包括:
第一判断模块,用于若原始点云数据为二维点云,调用所述点云集合确定模块802;
第二判断模块,若原始点云数据为三维点云,对所述原始点云数据进行筛选,得到非地面点云数据和地面点云数据;
所述点云集合确定模块802包括:
第二聚类子模块,用于针对所述非地面点云数据和所述地面点云数据,确定出多个点云集合。
在本申请一实施例中,所述分布信息确定模块804,包括:
法向量获取子模块,用于获取各个拟合面对应的法向量;
分布信息获取子模块,用于根据所述各个拟合面对应的法向量,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息。
在本申请一实施例中,所述分布信息获取子模块,包括:
矩阵生成单元,用于获取所述多个法向量对应的法向量矩阵;
奇异值确定单元,用于确定所述法向量矩阵的奇异值;
分布特征值确定单元,用于根据所述奇异值,确定所述移动智慧设备周围环境中所述多个实体对象在三维坐标系中的所述第一分布信息、第二分布信息和第三分布信息。
在本申请一实施例中,所述根分布特征值确定单元,包括:
分布特征值赋值子单元,用于确定所述奇异值中的第一奇异值分量为第一分布信息,第二奇异值分量为第二分布信息,第三奇异值分量为第三分布信息;其中,所述第一奇异值分量小于所述第二奇异值分量,所述第二奇异值分量小于所述第三奇异值分量;
所述朝向确定子模块,包括:
退化阈值获取单元,用于获取预设的退化阈值;
第一朝向确定单元,用于当所述第一分布信息小于所述退化阈值,且所述第二分布信息大于所述退化阈值,确定所述多个实体对象的朝向为z轴方向或y轴方向;
第二朝向确定单元,用于当所述第二分布信息小于所述退化阈值,且所述第三分布信息大于所述退化阈值,确定所述多个实体对象的朝向为z轴方向。
在本申请实施例中,通过获取移动智慧设备周围环境的原始点云数据,从原始点云数据中确定出多个点云集合,对多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面,根据多个拟合面的几何特征,确定移动智慧设备周围环境中多个实体对象的分布信息,根据多个实体对象的分布信息,确定移动智慧设备周围环境对应的场景类型,根据场景类型确定原始点云数据对应的点云配准的可靠性评估结果,实现了基于原始的点云数据对退化场景中的点云配准进行可靠性分析,在无需依赖传感器的情况下,既能检测不同退化场景中的点云配准可靠性,又降低了***的冗余度和计算量。
关于一种点云配准可靠性检测的装置的具体限定可以参见上文中对于一种点云配准可靠性检测的方法的限定,在此不再赘述。上述一种点云配准可靠性检测的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种移动智慧设备,该移动智慧设备可以是机器人,其内部结构图可以如图9所示。该移动智慧设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种点云配准可靠性检测的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种移动智慧设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取移动智慧设备周围环境的原始点云数据;
从所述原始点云数据中确定出多个点云集合,每个点云集合对应所述移动智慧设备周围环境中的一个实体对象;
对所述多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面;
根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息;
根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型;
根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的数据处理的方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取移动智慧设备周围环境的原始点云数据;
从所述原始点云数据中确定出多个点云集合,每个点云集合对应所述移动智慧设备周围环境中的一个实体对象;
对所述多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面;
根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息;
根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型;
根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的数据处理的方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种点云配准可靠性检测的方法,其特征在于,所述方法包括:
获取移动智慧设备周围环境的原始点云数据;
从所述原始点云数据中确定出多个点云集合,每个点云集合对应所述移动智慧设备周围环境中的一个实体对象;
对所述多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面;
根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息;
根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型;
根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果。
2.根据权利要求1所述的方法,其特征在于,所述多个实体对象的分布信息包括针对三维坐标系中的x轴的第一分布信息、y轴的第二分布信息和z轴的第三分布信息;
所述根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型,包括:
从所述多个实体对象的分布信息中,获取所述第一分布信息、所述第二分布信息和所述第三分布信息;
根据所述第一分布信息、所述第二分布信息和所述第三分布信息,确定所述多个实体对象在所述三维坐标系中的朝向;
若所述多个实体对象的朝向为z轴方向或y轴方向,则确定所述移动智慧设备周围环境对应的场景类型为第一场景类型;
若所述多个实体对象的朝向为z轴方向,则确定所述移动智慧设备周围环境对应的场景类型为第二场景类型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果,包括:
当所述场景类型为第一场景类型时,确定所述原始点云数据对应的点云配准的可靠性评估结果为第一评估结果;所述第一评估结果表征x轴平移配准不可靠;
当所述场景类型为第二场景类型时,确定所述原始点云数据对应的点云配准的第二评估结果;所述第二评估结果表征x轴和y轴平移配准不可靠,以及z轴旋转配准不可靠。
4.根据权利要求1所述的方法,其特征在于,所述从所述原始点云数据中确定出多个点云集合,包括:
以所述移动智慧设备周围环境中的实体对象为聚类目标,对所述原始点云数据进行聚类,得到多个点云集合,使得每个点云集合对应所述移动智慧设备周围环境中的一个实体对象。
5.根据权利要求1所述的方法,其特征在于,在获取所述获取移动智慧设备周围环境的原始点云数据的步骤之后,还包括:
若原始点云数据为三维点云,对所述原始点云数据进行筛选,得到非地面点云数据和地面点云数据;
所述从所述原始点云数据中确定出多个点云集合,包括:
针对所述非地面点云数据和所述地面点云数据,确定出多个点云集合。
6.根据权利要求2所述的方法,其特征在于,所述根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息,包括:
获取各个拟合面对应的法向量;
根据所述各个拟合面对应的法向量,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息。
7.根据权利要求6所述的方法,其特征在于,所述根据所述各个拟合面对应的法向量,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息,包括:
获取所述多个法向量对应的法向量矩阵;
确定所述法向量矩阵的奇异值;
根据所述奇异值,确定所述移动智慧设备周围环境中所述多个实体对象在三维坐标系中的所述第一分布信息、第二分布信息和第三分布信息。
8.根据权利要求7所述的方法,其特征在于,所述根据所述奇异值,确定所述移动智慧设备周围环境中所述多个实体对象在三维坐标系中的所述第一分布信息、第二分布信息和第三分布信息,包括:
确定所述奇异值中的第一奇异值分量为第一分布信息,第二奇异值分量为第二分布信息,第三奇异值分量为第三分布信息;其中,所述第一奇异值分量小于所述第二奇异值分量,所述第二奇异值分量小于所述第三奇异值分量;
所述根据所述第一分布信息、所述第二分布信息和所述第三分布信息,确定所述多个实体对象在所述三维坐标系中的朝向,包括:
获取预设的退化阈值;
当所述第一分布信息小于所述退化阈值,且所述第二分布信息大于所述退化阈值,确定所述多个实体对象的朝向为z轴方向或y轴方向;
当所述第二分布信息小于所述退化阈值,且所述第三分布信息大于所述退化阈值,确定所述多个实体对象的朝向为z轴方向。
9.一种点云配准可靠性检测的装置,其特征在于,所述装置包括:
原始点云数据获取模块,用于获取移动智慧设备周围环境的原始点云数据;
点云集合确定模块,用于从所述原始点云数据中确定出多个点云集合,每个点云集合对应所述移动智慧设备周围环境中的一个实体对象;
面拟合模块,用于对所述多个点云集合进行面拟合,得到多个实体对象对应的多个拟合面;
分布信息确定模块,用于根据所述多个拟合面的几何特征,确定所述移动智慧设备周围环境中所述多个实体对象的分布信息;
场景类型确定模块,用于根据所述多个实体对象的分布信息,确定所述移动智慧设备周围环境对应的场景类型;
评估结果确定模块,用于根据所述场景类型确定所述原始点云数据对应的点云配准的可靠性评估结果。
10.一种移动智慧设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的点云配准可靠性检测的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的点云配准可靠性检测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010709453.7A CN112102375B (zh) | 2020-07-22 | 2020-07-22 | 一种点云配准可靠性检测的方法、装置、移动智慧设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010709453.7A CN112102375B (zh) | 2020-07-22 | 2020-07-22 | 一种点云配准可靠性检测的方法、装置、移动智慧设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102375A true CN112102375A (zh) | 2020-12-18 |
CN112102375B CN112102375B (zh) | 2024-04-12 |
Family
ID=73749801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010709453.7A Active CN112102375B (zh) | 2020-07-22 | 2020-07-22 | 一种点云配准可靠性检测的方法、装置、移动智慧设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102375B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021124377A (ja) * | 2020-02-05 | 2021-08-30 | 沖電気工業株式会社 | キャリブレーション判定結果提示装置、キャリブレーション判定結果提示方法及びプログラム |
CN114234832A (zh) * | 2021-12-21 | 2022-03-25 | 中国铁路设计集团有限公司 | 一种基于标靶识别的隧道监控量测方法 |
CN114332180A (zh) * | 2021-12-29 | 2022-04-12 | 湖北亿咖通科技有限公司 | 一种激光点云配准结果的评估方法、电子设备和存储介质 |
CN115423835A (zh) * | 2022-11-02 | 2022-12-02 | 中汽创智科技有限公司 | 杆状物点云数据处理方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120316784A1 (en) * | 2011-06-09 | 2012-12-13 | Microsoft Corporation | Hybrid-approach for localizaton of an agent |
US9098754B1 (en) * | 2014-04-25 | 2015-08-04 | Google Inc. | Methods and systems for object detection using laser point clouds |
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 |
CN108776991A (zh) * | 2018-04-17 | 2018-11-09 | 深圳清创新科技有限公司 | 三维建模方法、装置、存储介质和计算机设备 |
CN108921925A (zh) * | 2018-06-27 | 2018-11-30 | 广州视源电子科技股份有限公司 | 基于激光雷达和视觉融合的语义点云生成方法和装置 |
US20190080503A1 (en) * | 2017-09-13 | 2019-03-14 | Tata Consultancy Services Limited | Methods and systems for surface fitting based change detection in 3d point-cloud |
US20190086524A1 (en) * | 2017-09-17 | 2019-03-21 | Baidu Online Network Technology (Beijing) Co., Ltd . | Parameter calibration method and apparatus of multi-line laser radar, device and readable medium |
US20190205695A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for determining matching relationship between point cloud data |
CN110223297A (zh) * | 2019-04-16 | 2019-09-10 | 广东康云科技有限公司 | 基于扫描点云数据的分割与识别方法、***及存储介质 |
CN110782531A (zh) * | 2019-09-16 | 2020-02-11 | 华为技术有限公司 | 处理三维点云数据的方法和计算设备 |
US20200074729A1 (en) * | 2018-08-30 | 2020-03-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for generating three-dimensional scene map |
CN111009002A (zh) * | 2019-10-16 | 2020-04-14 | 贝壳技术有限公司 | 点云配准检测方法、装置以及电子设备、存储介质 |
CN111179274A (zh) * | 2019-12-30 | 2020-05-19 | 深圳一清创新科技有限公司 | 地图地面分割方法、装置、计算机设备和存储介质 |
-
2020
- 2020-07-22 CN CN202010709453.7A patent/CN112102375B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120316784A1 (en) * | 2011-06-09 | 2012-12-13 | Microsoft Corporation | Hybrid-approach for localizaton of an agent |
US9098754B1 (en) * | 2014-04-25 | 2015-08-04 | Google Inc. | Methods and systems for object detection using laser point clouds |
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 |
US20190080503A1 (en) * | 2017-09-13 | 2019-03-14 | Tata Consultancy Services Limited | Methods and systems for surface fitting based change detection in 3d point-cloud |
US20190086524A1 (en) * | 2017-09-17 | 2019-03-21 | Baidu Online Network Technology (Beijing) Co., Ltd . | Parameter calibration method and apparatus of multi-line laser radar, device and readable medium |
US20190205695A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for determining matching relationship between point cloud data |
CN108776991A (zh) * | 2018-04-17 | 2018-11-09 | 深圳清创新科技有限公司 | 三维建模方法、装置、存储介质和计算机设备 |
CN108921925A (zh) * | 2018-06-27 | 2018-11-30 | 广州视源电子科技股份有限公司 | 基于激光雷达和视觉融合的语义点云生成方法和装置 |
US20200074729A1 (en) * | 2018-08-30 | 2020-03-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for generating three-dimensional scene map |
CN110223297A (zh) * | 2019-04-16 | 2019-09-10 | 广东康云科技有限公司 | 基于扫描点云数据的分割与识别方法、***及存储介质 |
CN110782531A (zh) * | 2019-09-16 | 2020-02-11 | 华为技术有限公司 | 处理三维点云数据的方法和计算设备 |
CN111009002A (zh) * | 2019-10-16 | 2020-04-14 | 贝壳技术有限公司 | 点云配准检测方法、装置以及电子设备、存储介质 |
CN111179274A (zh) * | 2019-12-30 | 2020-05-19 | 深圳一清创新科技有限公司 | 地图地面分割方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
张伟伟;陈超;徐军;: "融合激光与视觉点云信息的定位与建图方法", 计算机应用与软件, no. 07 * |
张楠;孙剑峰;姜鹏;刘迪;王鹏辉;: "激光雷达场景三维姿态点法向量估计方法", 红外与激光工程, no. 01 * |
王欢;汪同庆;李阳;: "利用Kinect深度信息的三维点云配准方法研究", 计算机工程与应用, no. 12 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021124377A (ja) * | 2020-02-05 | 2021-08-30 | 沖電気工業株式会社 | キャリブレーション判定結果提示装置、キャリブレーション判定結果提示方法及びプログラム |
JP7363545B2 (ja) | 2020-02-05 | 2023-10-18 | 沖電気工業株式会社 | キャリブレーション判定結果提示装置、キャリブレーション判定結果提示方法及びプログラム |
CN114234832A (zh) * | 2021-12-21 | 2022-03-25 | 中国铁路设计集团有限公司 | 一种基于标靶识别的隧道监控量测方法 |
CN114234832B (zh) * | 2021-12-21 | 2023-09-29 | 中国铁路设计集团有限公司 | 一种基于标靶识别的隧道监控量测方法 |
CN114332180A (zh) * | 2021-12-29 | 2022-04-12 | 湖北亿咖通科技有限公司 | 一种激光点云配准结果的评估方法、电子设备和存储介质 |
CN115423835A (zh) * | 2022-11-02 | 2022-12-02 | 中汽创智科技有限公司 | 杆状物点云数据处理方法、装置、电子设备及存储介质 |
CN115423835B (zh) * | 2022-11-02 | 2023-03-24 | 中汽创智科技有限公司 | 杆状物点云数据处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112102375B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102375B (zh) | 一种点云配准可靠性检测的方法、装置、移动智慧设备 | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
Trucco et al. | Model-based planning of optimal sensor placements for inspection | |
US8792726B2 (en) | Geometric feature extracting device, geometric feature extracting method, storage medium, three-dimensional measurement apparatus, and object recognition apparatus | |
CN104574406B (zh) | 一种360度全景激光与多个视觉***间的联合标定方法 | |
CN110033484B (zh) | 一种结合uav影像和tls点云的高郁闭森林样地树高提取方法 | |
US20110206274A1 (en) | Position and orientation estimation apparatus and position and orientation estimation method | |
CN112396656B (zh) | 一种视觉与激光雷达融合的室外移动机器人位姿估计方法 | |
Taylor et al. | Automatic calibration of multi-modal sensor systems using a gradient orientation measure | |
CN107680125A (zh) | 在视觉***中自动选择三维对准算法的***和方法 | |
Wang et al. | Density-invariant registration of multiple scans for aircraft measurement | |
CN114549738A (zh) | 无人车室内实时稠密点云重建方法、***、设备及介质 | |
El Bouazzaoui et al. | Enhancing RGB-D SLAM performances considering sensor specifications for indoor localization | |
CN112669458A (zh) | 基于激光点云进行地面滤波的方法、设备和程序载体 | |
García-Moreno et al. | Error propagation and uncertainty analysis between 3D laser scanner and camera | |
Junior et al. | A new variant of the ICP algorithm for pairwise 3D point cloud registration | |
Cui et al. | ACLC: Automatic Calibration for non-repetitive scanning LiDAR-Camera system based on point cloud noise optimization | |
Liu et al. | Outdoor camera calibration method for a GPS & camera based surveillance system | |
Tamas et al. | 3D map building with mobile robots | |
US11747141B2 (en) | System and method for providing improved geocoded reference data to a 3D map representation | |
Ozkan et al. | Surface profile-guided scan method for autonomous 3D reconstruction of unknown objects using an industrial robot | |
CN113790711A (zh) | 一种无人机低空飞行位姿无控多视测量方法及存储介质 | |
Gonzalez et al. | A C-embedded algorithm for real-time monocular SLAM | |
CN111462321A (zh) | 点云地图处理方法、处理装置、电子装置和车辆 | |
CN117523010B (zh) | 车辆的相机位姿确定方法、装置、计算机设备和存储介质 |
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 |