CN115049551A - 一种点云地面点的滤除方法、装置、设备及存储介质 - Google Patents
一种点云地面点的滤除方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115049551A CN115049551A CN202210657607.1A CN202210657607A CN115049551A CN 115049551 A CN115049551 A CN 115049551A CN 202210657607 A CN202210657607 A CN 202210657607A CN 115049551 A CN115049551 A CN 115049551A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- target
- point
- clustering
- normal vector
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种点云地面点的滤除方法、装置、设备及存储介质。该方法包括获取待滤除的目标三维点云数据;按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合;在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值;根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点。本发明实施例的技术方案提供一种点云地面点的滤除方法,有效改善非地面点缺失,提高对地面点滤除的准确性,扩大点云地面点的滤除方法的适用范围。
Description
技术领域
本发明涉及点云滤除技术领域,尤其涉及一种点云地面点的滤除方法、装置、设备及存储介质。
背景技术
过滤地面数据是激光雷达数据预处理的重要一步,目前较为常见的方法是一种基于角度微分,实现地面点与非地面点的分割的方法。该算法以射线的形式组织点云,将点云的三维空间降到二维平面,并计算每一个点到雷达正方向的平面夹角,并且对360度以激光雷达的角度分辨率进行微分,对同一角度的线束上的点按照半径的大小进行排序,通过判断前后两点的坡度是否大于设定的阈值来判断是否为地面点。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:1.非地面点容易被错误分类,造成非地面点缺失。2.存在少量噪点,不能彻底滤除地地面。3.使用具有局限性,只可在机械式激光雷达上使用。
发明内容
本发明提供了一种点云地面点的滤除方法、装置、设备及存储介质,以提供一种点云地面点的滤除方法,有效改善非地面点缺失,提高对地面点滤除的准确性,扩大点云地面点的滤除方法的适用范围。
根据本发明的一方面,提供了一种点云地面点的滤除方法,该方法包括:
获取待滤除的目标三维点云数据;
按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合;
在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值;
根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点。
根据本发明的另一方面,提供了一种点云地面点的滤除装置,该装置包括:
目标三维点云数据获取模块,用于获取待滤除的目标三维点云数据;
聚类集合获取模块,用于按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合;
法向量均值计算模块,用于在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值;
点云地面点滤除模块,用于根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的点云地面点的滤除方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的点云地面点的滤除方法。
本发明实施例的技术方案,通过获取待滤除的目标三维点云数据;按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合;在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值;根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点的技术手段,提供一种点云地面点的滤除方法,有效改善非地面点缺失,提高对地面点滤除的准确性,扩大点云地面点的滤除方法的适用范围。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种点云地面点的滤除方法的流程图;
图2是根据本发明实施例二提供的一种点云地面点的滤除装置的结构示意图;
图3是实现本发明实施例的点云地面点的滤除方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种点云地面点的滤除方法的流程图,本实施例可适用于对点云中的地面点云进行滤除的情况,该方法可以由点云地面点的滤除装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于ROS(Robot OperatingSystem,机器人操作***)的主处理器中。如图1所示,该方法包括:
S110、获取待滤除的目标三维点云数据。
其中,待滤除的目标三维点云数据可以指针对目标场景通过激光雷达扫描得到的点云数据。在本实施例中,待滤除的目标三维点云数据一般可以是将原始采集的点云数据进行下采样获得。
在一个可选实施方式中,获取待滤除的目标三维点云数据,具体可以通过获取激光雷达采集得到的稠密点云数据,并对所述稠密点云数据进行降采样处理,得到稀疏的目标三维点云数据。
其中,稠密点云数据可以指针对目标场景采集的原始点云数据。
这样设置的好处在于可以减少需要处理的点云数据量,从而减少工作量,提高处理效率。
S120、按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合。
其中,预设的聚类算法可以是预先设定的用于对目标三维点云数据进行聚类处理的算法,例如,区域增长算法。每一个聚类集合中的点云点可以具有相同或者相似的特征。
在本实施例中,可以根据预设的聚类算法,对目标三维点云数据中的各点云点进行分析处理,从而得到多个聚类集合。
S130、在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值。
其中,目标聚类集合可以指具有地面特征的点云点的集合,目标聚类集合的数量可以为一个或者多个。例如,属于同一个对象的点云点基本可以被聚类为一个聚类集合。目标点云点可以指目标聚类集合中的点云点。法向量均值可以指全部目标聚类集合中全部目标点云点的法向量的均值。
在本实施例中,可以在多个聚类集合中识别出与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,以全部目标聚类集合中全部目标点云点的总数量为基数,计算出全部目标点云点的法向量均值。
在一个可选实施方式中,在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,具体可以通过获取与各所述聚类集合分别对应的聚类中心;在全部聚类中心中识别高程最低的目标聚类中心;分别计算各所述聚类中心与所述目标聚类中心之间的夹角和高程差,并获取夹角满足角度相似度条件且高程差满足高程相似度条件的相似聚类中心;获取与所述目标聚类中心和所述相似聚类中心分别对应的至少一个目标聚类集合。
其中,聚类中心可以指聚类集合中具有代表性的点云点。每个聚类集合均可以有对应的聚类中心。角度相似度条件可以指其他聚类中心与目标聚类中心的夹角满足夹角门限值,可以确认未超过夹角门限值的其他聚类中心满足角度相似度条件。高程相似度条件可以指其他聚类中心与目标聚类中心的高程差满足高程差门限值,可以确认未超过高程差门限值的其他聚类中心满足高程相似度条件。相似聚类中心可以指与目标聚类中心具有相似特征的其他聚类中心。
在本实施例中,针对每个聚类集合,可以分别获取对应的聚类中心,进一步根据每个聚类中心高程的数值,在全部聚类中心中识别出高程的数值最低的聚类中心作为目标聚类中心。进而计算除目标聚类中心之外的各其他聚类中心分别与目标聚类中心之间的夹角和高程差,从而根据设定的角度相似度条件与高程相似度条件,将既满足角度相似度条件又满足高程相似度条件的其他聚类中心确定为与目标聚类中心对应的相似聚类中心,并将与目标聚类中心和相似聚类中心分别对应的聚类集合确定为目标聚类集合。
这样设置的好处在于,在识别相似聚类中心的基础上,将目标聚类中心和相似聚类中心对应的聚类集合一同确定为与地面匹配的目标聚类集合,可以提高对地面点云点识别的准确率。
可选的,在根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值之前,还可以包括:在目标三维点云数据中获取当前处理点云点,并搜索与当前处理点云点匹配的多个邻域点云点;根据各所述邻域点云点,确定与所述当前处理电云点匹配的点云平面;计算与所述点云平面对应的法向量,作为当前处理点云点的法向量。
其中,邻域点云点可以指当前处理点云点周围最近的点云点,邻域点云点可以与当前处理点云点构成一个平面,邻域点云点的数量可以为至少两个。
具体的,针对目标三维点云数据中当前处理点云点,可以获取当前处理点云点的多个邻域点云点,确定当前处理点云点匹配的点云平面,将该点云平面的法向量作为当前处理点云点的法向量。
S140、根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点。
在本实施例中,可以根据目标三维点云数据中各点云点的法向量以及法向量均值之间的数值差异识别全部点云地面点并滤除。
在一个可选实施方式中,根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点,可以通过分别计算目标三维点云数据中每个点云点的法向量与法向量均值之间的目标夹角,并为目标夹角小于或等于夹角阈值的点云地面点,添加地面点索引值;在目标三维点云数据中,滤除包含地面点索引值的全部点云地面点。
其中,地面点索引值可以用于在目标三维点云数据的大量点云点中搜索出地面点。
具体的,可以分别计算目标三维点云数据中每个点云点的法向量与法向量均值之间的夹角,判断各夹角与夹角阈值之间的大小关系,为小于或等于夹角阈值的点云地面点,添加地面点索引值,从而在目标三维点云数据中,滤除包含地面点索引值的全部点云地面点。
本发明实施例的技术方案,通过获取待滤除的目标三维点云数据;按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合;在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值;根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点的技术手段,提供一种点云地面点的滤除方法,有效改善非地面点缺失,提高对地面点滤除的准确性,扩大点云地面点的滤除方法的适用范围。
在上述技术方案的基础上,在按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合之前,还可以包括:按照预设的点云去噪算法,滤除所述目标三维点云数据中包括的噪声点云点。
这样设置的好处在于,可以减少处理的数据量,还可以避免在滤除地面点过程中由噪声点云点产生的干扰。
在按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合之前,还可以包括:根据所述目标三维点云数据中各点云点的高程数据,以及预设的地面高程区间,对所述目标三维点云数据进行点云裁减。
其中,预设地面高程区间可以用于滤除不必要参与地面点滤除的点云点,例如,高程较高且明显不可能是地面点的点云点。
这样设置的好处在于,裁减预设的地面高程区间外的点云点,可以减少处理数据量,避免做出大量无效处理工作。
实施例二
图2为本发明实施例二提供的一种点云地面点的滤除装置的结构示意图。如图2所示,该装置包括:目标三维点云数据获取模块210、聚类集合获取模块220、法向量均值计算模块230和点云地面点滤除模块240。
其中:
目标三维点云数据获取模块210,用于获取待滤除的目标三维点云数据;
聚类集合获取模块220,用于按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合;
法向量均值计算模块230,用于在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值;
点云地面点滤除模块240,用于根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点。
本发明实施例的技术方案,通过获取待滤除的目标三维点云数据;按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合;在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值;根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点的技术手段,提供一种点云地面点的滤除方法,有效改善非地面点缺失,提高对地面点滤除的准确性,扩大点云地面点的滤除方法的适用范围。
可选的,目标三维点云数据获取模块210,具体可以用于:
获取激光雷达采集得到的稠密点云数据,并对所述稠密点云数据进行降采样处理,得到稀疏的目标三维点云数据。
可选的,法向量均值计算模块230,具体可以用于:
获取与各所述聚类集合分别对应的聚类中心;
在全部聚类中心中识别高程最低的目标聚类中心;
分别计算各所述聚类中心与所述目标聚类中心之间的夹角和高程差,并获取夹角满足角度相似度条件且高程差满足高程相似度条件的相似聚类中心;
获取与所述目标聚类中心和所述相似聚类中心分别对应的至少一个目标聚类集合。
可选的,所述点云地面点的滤除装置,还包括,点云点法向量计算模块,用于在根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值之前:
在目标三维点云数据中获取当前处理点云点,并搜索与当前处理点云点匹配的多个邻域点云点;
根据各所述邻域点云点,确定与所述当前处理电云点匹配的点云平面;
计算与所述点云平面对应的法向量,作为当前处理点云点的法向量。
可选的,所述点云地面点的滤除装置,还包括,噪声点云点滤除模块,用于在按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合之前:
按照预设的点云去噪算法,滤除所述目标三维点云数据中包括的噪声点云点。
可选的,所述点云地面点的滤除装置,还包括,点云裁减模块,用于在按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合之前:
根据所述目标三维点云数据中各点云点的高程数据,以及预设的地面高程区间,对所述目标三维点云数据进行点云裁减。
可选的,点云地面点滤除模块240,具体可以用于:
分别计算目标三维点云数据中每个点云点的法向量与法向量均值之间的目标夹角,并为目标夹角小于或等于夹角阈值的点云地面点,添加地面点索引值;
在目标三维点云数据中,滤除包含地面点索引值的全部点云地面点。
本发明实施例所提供的点云地面点的滤除装置可执行本发明任意实施例所提供的点云地面点的滤除方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备300的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备300包括至少一个处理器301,以及与至少一个处理器301通信连接的存储器,如只读存储器(ROM)302、随机访问存储器(RAM)303等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器301可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM 303中,还可存储电子设备300操作所需的各种程序和数据。处理器301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
电子设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许电子设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器301可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器301执行上文所描述的各个方法和处理,例如点云地面点的滤除方法。
在一些实施例中,点云地面点的滤除方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到电子设备300上。当计算机程序加载到RAM 303并由处理器301执行时,可以执行上文描述的点云地面点的滤除方法的一个或多个步骤。备选地,在其他实施例中,处理器301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行点云地面点的滤除方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
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,根据设计要求和其他因素,可以进行各种修改、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 (10)
1.一种点云地面点的滤除方法,其特征在于,包括:
获取待滤除的目标三维点云数据;
按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合;
在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值;
根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点。
2.根据权利要求1所述的方法,其特征在于,获取待滤除的目标三维点云数据,包括:
获取激光雷达采集得到的稠密点云数据,并对所述稠密点云数据进行降采样处理,得到稀疏的目标三维点云数据。
3.根据权利要求1所述的方法,其特征在于,在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,包括:
获取与各所述聚类集合分别对应的聚类中心;
在全部聚类中心中识别高程最低的目标聚类中心;
分别计算各所述聚类中心与所述目标聚类中心之间的夹角和高程差,并获取夹角满足角度相似度条件且高程差满足高程相似度条件的相似聚类中心;
获取与所述目标聚类中心和所述相似聚类中心分别对应的至少一个目标聚类集合。
4.根据权利要求1所述的方法,其特征在于,在根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值之前,还包括:
在目标三维点云数据中获取当前处理点云点,并搜索与当前处理点云点匹配的多个邻域点云点;
根据各所述邻域点云点,确定与所述当前处理电云点匹配的点云平面;
计算与所述点云平面对应的法向量,作为当前处理点云点的法向量。
5.根据权利要求1-4任一项所述的方法,其特征在于,在按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合之前,还包括:
按照预设的点云去噪算法,滤除所述目标三维点云数据中包括的噪声点云点。
6.根据权利要求1-4任一项所述的方法,其特征在于,在按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合之前,还包括:
根据所述目标三维点云数据中各点云点的高程数据,以及预设的地面高程区间,对所述目标三维点云数据进行点云裁减。
7.根据权利要求1-4任一项所述的方法,其特征在于,根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点,包括:
分别计算目标三维点云数据中每个点云点的法向量与法向量均值之间的目标夹角,并为目标夹角小于或等于夹角阈值的点云地面点,添加地面点索引值;
在目标三维点云数据中,滤除包含地面点索引值的全部点云地面点。
8.一种点云地面点的滤除装置,其特征在于,包括:
目标三维点云数据获取模块,用于获取待滤除的目标三维点云数据;
聚类集合获取模块,用于按照预设的聚类算法,对目标三维点云数据中的各点云点进行聚类处理,得到多个聚类集合;
法向量均值计算模块,用于在各聚类集合中,识别与地面匹配的至少一个目标聚类集合,并根据各目标聚类集合中每个目标点云点的法向量,计算法向量均值;
点云地面点滤除模块,用于根据目标三维点云数据中各点云点的法向量与法向量均值之间的数值差异,在目标三维点云数据中识别并滤除全部点云地面点。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的点云地面点的滤除方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的点云地面点的滤除方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210657607.1A CN115049551A (zh) | 2022-06-10 | 2022-06-10 | 一种点云地面点的滤除方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210657607.1A CN115049551A (zh) | 2022-06-10 | 2022-06-10 | 一种点云地面点的滤除方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049551A true CN115049551A (zh) | 2022-09-13 |
Family
ID=83162367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210657607.1A Pending CN115049551A (zh) | 2022-06-10 | 2022-06-10 | 一种点云地面点的滤除方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049551A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311457A (zh) * | 2022-10-09 | 2022-11-08 | 广东汇天航空航天科技有限公司 | 点云数据处理方法、计算设备、飞行装置及存储介质 |
-
2022
- 2022-06-10 CN CN202210657607.1A patent/CN115049551A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311457A (zh) * | 2022-10-09 | 2022-11-08 | 广东汇天航空航天科技有限公司 | 点云数据处理方法、计算设备、飞行装置及存储介质 |
CN115311457B (zh) * | 2022-10-09 | 2023-03-24 | 广东汇天航空航天科技有限公司 | 点云数据处理方法、计算设备、飞行装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065614B (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
CN112488060B (zh) | 目标检测方法、装置、设备和介质 | |
CN114882198A (zh) | 一种目标确定方法、装置、设备及介质 | |
CN115049551A (zh) | 一种点云地面点的滤除方法、装置、设备及存储介质 | |
CN116596750A (zh) | 一种点云处理方法、装置、电子设备及存储介质 | |
CN115049590B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN116012859A (zh) | 基于清晰度指标的文本图像拒识判断方法、装置及设备 | |
CN115457152A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
CN113920404A (zh) | 训练方法、图像处理方法、装置、电子设备以及存储介质 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN113870428A (zh) | 场景地图生成方法、相关装置及计算机程序产品 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN112991451A (zh) | 图像识别方法、相关装置及计算机程序产品 | |
CN115361584B (zh) | 一种视频数据处理方法、装置、电子设备及可读存储介质 | |
CN117392000B (zh) | 一种噪点去除方法、装置、电子设备及存储介质 | |
CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
EP4036861A2 (en) | Method and apparatus for processing point cloud data, electronic device, storage medium, computer program product | |
CN115496916B (zh) | 图像识别模型的训练方法、图像识别方法以及相关装置 | |
CN118072078A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN116703963A (zh) | 一种ar跟踪方法、装置、ar设备及存储介质 | |
CN116304635A (zh) | 一种抽水蓄能设备的运行数据分析方法、装置及设备 | |
CN116580218A (zh) | 一种控制方法、装置、设备及存储介质 | |
CN117539602A (zh) | 落后者任务推测的方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |