CN116934779A - 一种激光点云的分割方法、装置、电子设备及存储介质 - Google Patents

一种激光点云的分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116934779A
CN116934779A CN202310966984.8A CN202310966984A CN116934779A CN 116934779 A CN116934779 A CN 116934779A CN 202310966984 A CN202310966984 A CN 202310966984A CN 116934779 A CN116934779 A CN 116934779A
Authority
CN
China
Prior art keywords
point cloud
cloud cluster
cluster
point
ground
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
Application number
CN202310966984.8A
Other languages
English (en)
Inventor
程光凯
张怡欢
戴一凡
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.)
Tsinghua University
Suzhou Automotive Research Institute of Tsinghua University
Original Assignee
Tsinghua University
Suzhou Automotive Research Institute of Tsinghua University
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 Tsinghua University, Suzhou Automotive Research Institute of Tsinghua University filed Critical Tsinghua University
Priority to CN202310966984.8A priority Critical patent/CN116934779A/zh
Publication of CN116934779A publication Critical patent/CN116934779A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种激光点云的分割方法、装置、设备及存储介质。该方法包括：获获取激光点云的第一分割结果；其中，所述第一分割结果包括第一地面点云和第一非地面点云；对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型；根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。本技术方案解决了复杂工况下，激光点云分割精度低、可靠性差等问题，可以在提高激光点云分割准确性的同时，进一步增强地面和非地面点云划分的可靠性。

Description

一种激光点云的分割方法、装置、电子设备及存储介质
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种激光点云的分割方法、装置、电子设备及存储介质。
背景技术
在自动驾驶领域，自动驾驶车辆通过激光雷达获取的激光点云是进行障碍物检测、路径规划等任务的重要依据。激光点云的分割结果，决定了自动驾驶车辆障碍物检测的准确性以及路径规划的可靠性。
目前，现有技术通常根据激光点云的几何特征，例如高度、曲率等，通过阈值比较，区分地面点云和非地面点云；或者，基于分割模型，提取激光点云数据的特征，实现地面点云与非地面点云的划分。
但是，对于驾驶环境坡度变化较大，自动驾驶车辆颠簸导致激光点云存在采集误差等复杂工况下，现有技术难以实现地面点云和非地面点云的准确划分，容易出现分割错误。因此，亟需一种在激光点云初次分割之后进行分割校验的方法，以提高区域划分的可靠性。
发明内容
本发明提供了一种激光点云的分割方法、装置、设备及存储介质，以解决复杂工况下，激光点云分割精度低、可靠性差等问题，可以在提高激光点云分割准确性的同时，进一步增强地面和非地面点云划分的可靠性。
根据本发明的一方面，提供了一种激光点云的分割方法，所述方法包括：
获取激光点云的第一分割结果；其中，所述第一分割结果包括第一地面点云和第一非地面点云；
对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；
根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型；
根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。
根据本发明的另一方面，提供了一种激光点云的分割装置，该装置包括：
第一分割结果获取模块，用于获取激光点云的第一分割结果；其中，所述第一分割结果包括第一地面点云和第一非地面点云；
点云簇生成模块，用于对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；
点云簇类型确定模块，用于根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型；
第二分割结果确定模块，用于根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。
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激光点云的分割方法。
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激光点云的分割方法。
本发明实施例的技术方案，通过获取激光点云的第一分割结果，对预先设置的目标区域内的第一分割结果中的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；然后根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型；最后根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。该技术方案解决了复杂工况下，激光点云分割精度低、可靠性差等问题，可以在提高激光点云分割准确性的同时，进一步增强地面和非地面点云划分的可靠性。
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激光点云的分割方法的流程图；
图2是根据本发明实施例二提供的一种激光点云的分割方法的流程图；
图3是根据本发明实施例三提供的一种激光点云的分割装置的结构示意图；
图4是实现本发明实施例的激光点云的分割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“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，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。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供了一种激光点云的分割方法的流程图，本实施例可适用于自动驾驶环境对激光点云进行分割的场景。该方法可以由激光点云的分割装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取激光点云的第一分割结果；其中，所述第一分割结果包括第一地面点云和第一非地面点云。
本方案可以由自动驾驶车辆执行，自动驾驶车辆可以通过激光雷达获取驾驶环境的激光点云数据。基于地面分割算法，自动驾驶车辆可以得到激光点云的第一分割结果，即将驾驶环境的激光点云分为第一地面点云和第一非地面点云。地面分割算法可以是基于几何特征的阈值比较实现的，也可以是基于机器学习原理构建的分割模型实现的。
由于驾驶环境的地面坡度变化较大、车辆颠簸等原因，容易造成的激光点云中部分区域点云的错误分割，因此，自动驾驶车辆可以在地面分割算法输出第一分割结果之后，对第一分割结果进行校验，以纠正部分区域点云的错误分割，提高激光点云分割准确率，进而增强自动驾驶车辆的行驶安全性和可靠性。
S120、对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇。
自动驾驶车辆可以根据激光雷达的感知范围、自动驾驶车辆的状态以及驾驶环境中区域的优先级等信息，确定目标区域。目标区域可以是容易出现激光点云错误分割的区域，也可以是用户关注的感兴趣区域，例如目标区域可以是自动驾驶车辆前方和后方的区域。自动驾驶车辆可以基于聚类模型，对目标区域内第一非地面点云进行聚类处理，得到一个或多个点云簇。聚类模型可以是基于密度的聚类算法实现的。
S130、根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型。
可以理解的，自动驾驶车辆可以获取各点云簇中点坐标，根据各点云簇中点坐标，确定点云簇特征。其中，点云簇特征可以包括平均高度、最大高度、最小高度、最大高度差以及点云分布等特征中的一种或多种。根据点云簇特征，自动驾驶车辆可以确定各点云簇类型。点云簇类型可以包括地面点云和非地面点云。
S140、根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。
容易理解的，在确定各点云簇类型之后，自动驾驶车辆可以将地面点云合并至第一地面点云中，将非地面点云合并至第一非地面点云中，得到激光点云的第二分割结果。
本发明实施例的技术方案，通过获取激光点云的第一分割结果，对预先设置的目标区域内的第一分割结果中的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；然后根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型；最后根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。该技术方案解决了复杂工况下，激光点云分割精度低、可靠性差等问题，可以在提高激光点云分割准确性的同时，进一步增强地面和非地面点云划分的可靠性。
实施例二
图2为本发明实施例二提供的一种激光点云的分割方法的流程图，本实施例以上述实施例为基础进行细化。如图2所示，该方法包括：
S210、获取激光点云的第一分割结果；其中，所述第一分割结果包括第一地面点云和第一非地面点云。
本方案中，激光点云可以通过三维坐标系进行表示，以三维直角标系为例，激光点云中每个点可以表示为一个三维坐标。
S220、对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇。
在一个可行的方案中，所述对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇，包括：
基于预先确定的聚类模型，对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；其中，聚类模型为欧式距离聚类模型、均值漂移聚类模型以及具有噪声的空间聚类模型中的一项。
具体的，欧式距离聚类模型可以是基于欧式聚类(Euclidean)算法实现的，均值漂移聚类模型可以是基于均值漂移聚类(MeanShift)算法实现的，具有噪声的空间聚类模型可以是基于DBSCAN聚类(Density-Based Spatial Clustering of Applications withNoise)算法实现的。
在一个具体的例子中，通过具有噪声的空间聚类模型实现第一非地面点云的聚类处理的步骤可以包括：
(1)自动驾驶车辆可以在第一非地面点云中随机选择一个未访问的点P；
(2)如果P为核心点，则创建一个点云簇，并将P加入该点云簇；
(3)确定P的密度可达的所有点，将它们加入该点云簇中；
(4)对于每个新加入的点，如果它是核心点，则继续寻找它的密度可达点，并将它们加入簇中；
(5)继续将P的密度可达的点作为新的点P，返回执行步骤(3)-(4)，直到P不存在密度可达的点；
(6)形成一个点云簇后，返回步骤(1)选择一个新的未被访问的点，继续迭代直到第一非地面点云中所有点都被访问过。
需要说明的是，DBSCAN模型通过密度来定义簇，预先设置一个半径ε和一个最小密度阈值MinPts，对于一个点P，如果在半径ε内至少存在MinPts个点(包括P)，则将P视为核心点。如果在半径ε内的点的数量小于MinPts，但是P在其它核心点的ε邻域内，则将P视为边界点。除核心点和边界点以外，其它点视为噪声点。对于两个核心点P和Q，存在一个核心点序列P1，P2，…，Pn，若P1＝P，Pn＝Q，并且对于任意相邻的核心点Pi和Pi+1，Pi+1在Pi的ε邻域内，则称P和Q是密度可达的。对于一个核心点P和一个边界点Q，存在一个核心点序列P1，P2，…，Pn，若P1＝P，Pn＝Q，并且对于任意相邻的核心点Pi和Pi+1，Pi+1在Pi的ε邻域内，则称P和Q是密度相连的。
在得到目标区域内的点云簇后，自动驾驶车辆可以提取各点云簇特征，依据点云簇特征，确定点云簇类型。本方案中，点云簇特征可以包括平均高度、最大高度差以及点云直线分布评估值。自动驾驶车辆可以分别计算各点云簇的平均高度、最大高度差以及点云直线分布评估值，根据点云簇的平均高度、最大高度差以及点云直线分布评估值，确定该点云簇类型。
S230、计算各点云簇中点坐标均值，根据点坐标均值，确定各点云簇的中心点，并将中心点的高度坐标作为平均高度。
可以理解的，自动驾驶车辆可以计算点云簇中各点坐标均值，将坐标均值作为中心点坐标，并将中心点的高度坐标作为该点云簇的平均高度。
S240、将各点云簇中最大高度坐标与最小高度坐标之差作为最大高度差。
自动驾驶车辆可以对点云簇中各点的高度坐标进行比较，确定最大高度坐标和最小高度坐标，并计算最大高度坐标与最小高度坐标之差，将最大高度坐标与最小高度坐标之差作为该点云簇的最大高度差。
S250、根据各点云簇中点坐标，确定各点云簇匹配的协方差矩阵。
容易理解的，根据点云簇中的点坐标，自动驾驶车辆可以计算该点云簇对应的协方差矩阵。
S260、对各点云簇匹配的协方差矩阵进行奇异值分解，得到各坐标方向匹配的特征值。
通过对点云簇对应的协方差矩阵进行奇异值分解，自动驾驶车辆可以得到该点云簇各坐标方向对应的特征值。
S270、将各坐标方向匹配的特征值进行排序，并根据特征值排序结果，确定点云直线分布评估值。
自动驾驶车辆可以将各坐标方向对应的特征值进行排序，根据特征值排序结果，确定第一特征值和第二特征值。其中，第一特征值可以是最大特征值，第二特征值可以是小于最大特征值的最大特征值，即第二大特征值。自动驾驶车辆可以将第一特征值与第二特征值的比值作为点云直线分布评估值。
S280、根据各点云簇匹配的点云簇特征，确定各点云簇类型。
容易理解的，自动驾驶车辆可以根据各点云簇的平均高度、最大高度差以及点云直线分布评估值，判断各点云簇类型。
在本方案中，可选的，所述根据各点云簇匹配的点云簇特征，确定各点云簇类型，包括：
若点云簇的平均高度小于预设平均高度阈值，最大高度差小于预设最大高度差阈值，且点云直线分布评估值大于预设评估值阈值，则确定点云簇类型为地面点云；
若点云簇的平均高度大于或等于预设平均高度阈值，最大高度差大于或等于预设最大高度差阈值，且点云直线分布评估值小于或等于预设评估值阈值，则确定点云簇类型为非地面点云；
其中，所述平均高度阈值是基于目标区域内点云簇中心点预设范围内地面点云的平均高度确定的。
需要说明的是，在目标区域内，自动驾驶车辆可以以各点云簇的中心点为中心，计算预设范围内地面点云的平均高度，并基于地面点云的平均高度设置点云簇的平均高度阈值。例如计算以点云簇中心点为圆心，半径R构成的圆形区域内地面点云的平均高度H，在H的基础上增加一个容限参数h，将H+h作为该点云簇的平均高度阈值。
通过根据目标区域内点云簇中心点预设范围内地面点云的平均高度设置平均高度阈值，有利于针对坡度变化较大的地面点云进行准确判断，提高阈值的环境适应性。
可以理解的，激光点云的分布特点是小范围内的地面点云中的各点的高度差值较小，通过聚类处理后的点云簇可以保证第一非地面点云在空间分布上的小范围，如果点云簇中各点的高度极差值过大，则该点云簇的点不符合地面点云的特征。点云直线分布评估值可以表示点云直线分布的可能性，点云直线分布评估值较小，表示点云分布为曲率较小的曲线，点云直线分布评估值较大，表示点云分布越接近直线。
如果点云簇的平均高度小于预设平均高度阈值，最大高度差小于预设最大高度差阈值，且点云直线分布评估值大于预设评估值阈值，则说明该点云簇满足地面点云特征，确定点云簇类型为地面点云。如果点云簇的平均高度大于或等于预设平均高度阈值，最大高度差大于或等于预设最大高度差阈值，且点云直线分布评估值小于或等于预设评估值阈值，则说明该点云簇不符合地面点云特征，确定点云簇类型为非地面点云。
S290、根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。
在上述方案的基础上，所述第二分割结果包括第二地面点云和第二非地面点云；
所述根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果，包括：
将点云簇类型为地面点云的点云簇合并至第一地面点云中，得到第二地面点云，以及将地面类型为非地面点云的点云簇与目标区域外的第一非地面点云合并，得到第二非地面点云。
上述方案可以将第一非地面点云进行校验，根据校验结果判断第一非地面点云中是否存在错误分割的激光点云，并将错误分割的激光点云进行重新规划，有利于实现激光点云的准确分割，提高自动驾驶的安全性和可靠性。
本发明实施例的技术方案，通过获取激光点云的第一分割结果，对预先设置的目标区域内的第一分割结果中的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；然后根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型；最后根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。该技术方案解决了复杂工况下，激光点云分割精度低、可靠性差等问题，可以在提高激光点云分割准确性的同时，进一步增强地面和非地面点云划分的可靠性。
实施例三
图3为本发明实施例三提供的一种激光点云的分割装置的结构示意图。如图3所示，该装置包括：
第一分割结果获取模块310，用于获取激光点云的第一分割结果；其中，所述第一分割结果包括第一地面点云和第一非地面点云；
点云簇生成模块320，用于对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；
点云簇类型确定模块330，用于根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型；
第二分割结果确定模块340，用于根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。
在本方案中，可选的，所述点云簇特征包括平均高度；
所述点云簇类型确定模块330包括点云簇特征确定单元，所述点云簇特征确定单元，具体用于：
计算各点云簇中点坐标均值，根据点坐标均值，确定各点云簇的中心点，并将中心点的高度坐标作为平均高度。
本实施例中，可选的，所述点云簇特征还包括最大高度差；
所述点云簇特征确定单元，还用于：
将各点云簇中最大高度坐标与最小高度坐标之差作为最大高度差。
在上述方案的基础上，所述点云簇特征还包括点云直线分布评估值；
所述点云簇特征确定单元，还用于：
根据各点云簇中点坐标，确定各点云簇匹配的协方差矩阵；
对各点云簇匹配的协方差矩阵进行奇异值分解，得到各坐标方向匹配的特征值；
将各坐标方向匹配的特征值进行排序，并根据特征值排序结果，确定点云直线分布评估值。
在一个可行的方案中，所述点云簇类型确定模块330包括点云簇类型确定单元，所述点云簇类型确定单元，具体用于：
若点云簇的平均高度小于预设平均高度阈值，最大高度差小于预设最大高度差阈值，且点云直线分布评估值大于预设评估值阈值，则确定点云簇类型为地面点云；
若点云簇的平均高度大于或等于预设平均高度阈值，最大高度差大于或等于预设最大高度差阈值，且点云直线分布评估值小于或等于预设评估值阈值，则确定点云簇类型为非地面点云；
其中，所述平均高度阈值是基于目标区域内点云簇中心点预设范围内地面点云的平均高度确定的。
在上述方案的基础上，可选的，所述第二分割结果包括第二地面点云和第二非地面点云；
所述第二分割结果确定模块340，具体用于：
将点云簇类型为地面点云的点云簇合并至第一地面点云中，得到第二地面点云，以及将地面类型为非地面点云的点云簇与目标区域外的第一非地面点云合并，得到第二非地面点云。
在一个优选的方案中，所述点云簇生成模块320，具体用于：
基于预先确定的聚类模型，对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；其中，聚类模型为欧式距离聚类模型、均值漂移聚类模型以及具有噪声的空间聚类模型中的一项。
本发明实施例所提供的激光点云的分割装置可执行本发明任意实施例所提供的激光点云的分割方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备410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4所示，电子设备410包括至少一个处理器411，以及与至少一个处理器411通信连接的存储器，如只读存储器(ROM)412、随机访问存储器(RAM)413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411可以根据存储在只读存储器(ROM)412中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)413中的计算机程序，来执行各种适当的动作和处理。在RAM 413中，还可存储电子设备410操作所需的各种程序和数据。处理器411、ROM 412以及RAM 413通过总线414彼此相连。输入/输出(I/O)接口415也连接至总线414。
电子设备410中的多个部件连接至I/O接口415，包括：输入单元416，例如键盘、鼠标等；输出单元417，例如各种类型的显示器、扬声器等；存储单元418，例如磁盘、光盘等；以及通信单元419，例如网卡、调制解调器、无线通信收发机等。通信单元419允许电子设备410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411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411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411执行上文所描述的各个方法和处理，例如激光点云的分割方法。
在一些实施例中，激光点云的分割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418。在一些实施例中，计算机程序的部分或者全部可以经由ROM 412和/或通信单元419而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 413并由处理器411执行时，可以执行上文描述的激光点云的分割方法的一个或多个步骤。备选地，在其他实施例中，处理器411可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行激光点云的分割方法。
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激光点云的分割装置的处理器，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)

1.一种激光点云的分割方法，其特征在于，所述方法包括：
获取激光点云的第一分割结果；其中，所述第一分割结果包括第一地面点云和第一非地面点云；
对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；
根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型；
根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。
2.根据权利要求1所述的方法，其特征在于，所述点云簇特征包括平均高度；
所述根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，包括：
计算各点云簇中点坐标均值，根据点坐标均值，确定各点云簇的中心点，并将中心点的高度坐标作为平均高度。
3.根据权利要求2所述的方法，其特征在于，所述点云簇特征还包括最大高度差；
所述根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，包括：
将各点云簇中最大高度坐标与最小高度坐标之差作为最大高度差。
4.根据权利要求3所述的方法，其特征在于，所述点云簇特征还包括点云直线分布评估值；
所述根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，包括：
根据各点云簇中点坐标，确定各点云簇匹配的协方差矩阵；
对各点云簇匹配的协方差矩阵进行奇异值分解，得到各坐标方向匹配的特征值；
将各坐标方向匹配的特征值进行排序，并根据特征值排序结果，确定点云直线分布评估值。
5.根据权利要求4所述的方法，其特征在于，所述根据各点云簇匹配的点云簇特征，确定各点云簇类型，包括：
若点云簇的平均高度小于预设平均高度阈值，最大高度差小于预设最大高度差阈值，且点云直线分布评估值大于预设评估值阈值，则确定点云簇类型为地面点云；
若点云簇的平均高度大于或等于预设平均高度阈值，最大高度差大于或等于预设最大高度差阈值，且点云直线分布评估值小于或等于预设评估值阈值，则确定点云簇类型为非地面点云；
其中，所述平均高度阈值是基于目标区域内点云簇中心点预设范围内地面点云的平均高度确定的。
6.根据权利要求5所述的方法，其特征在于，所述第二分割结果包括第二地面点云和第二非地面点云；
所述根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果，包括：
将点云簇类型为地面点云的点云簇合并至第一地面点云中，得到第二地面点云，以及将地面类型为非地面点云的点云簇与目标区域外的第一非地面点云合并，得到第二非地面点云。
7.根据权利要求1所述的方法，其特征在于，所述对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇，包括：
基于预先确定的聚类模型，对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；其中，聚类模型为欧式距离聚类模型、均值漂移聚类模型以及具有噪声的空间聚类模型中的一项。
8.一种激光点云的分割装置，其特征在于，包括：
第一分割结果获取模块，用于获取激光点云的第一分割结果；其中，所述第一分割结果包括第一地面点云和第一非地面点云；
点云簇生成模块，用于对预先设置的目标区域内的第一非地面点云进行聚类处理，得到目标区域内的至少一个点云簇；
点云簇类型确定模块，用于根据各点云簇中点坐标，确定各点云簇匹配的点云簇特征，并根据各点云簇匹配的点云簇特征，确定各点云簇类型；
第二分割结果确定模块，用于根据各点云簇类型以及第一分割结果，确定激光点云的第二分割结果。
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中任一项所述的激光点云的分割方法。
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中任一项所述的激光点云的分割方法。
CN202310966984.8A 2023-08-02 2023-08-02 一种激光点云的分割方法、装置、电子设备及存储介质 Pending CN116934779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310966984.8A CN116934779A (zh) 2023-08-02 2023-08-02 一种激光点云的分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310966984.8A CN116934779A (zh) 2023-08-02 2023-08-02 一种激光点云的分割方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116934779A true CN116934779A (zh) 2023-10-24

Family

ID=88390743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310966984.8A Pending CN116934779A (zh) 2023-08-02 2023-08-02 一种激光点云的分割方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116934779A (zh)

Similar Documents

Publication Publication Date Title
CN113971723B (zh) 高精地图中三维地图的构建方法、装置、设备和存储介质
CN116596750A (zh) 一种点云处理方法、装置、电子设备及存储介质
CN116300946A (zh) 一种自动装载机的路径规划方法、装置、设备及介质
CN116934779A (zh) 一种激光点云的分割方法、装置、电子设备及存储介质
CN115049551A (zh) 一种点云地面点的滤除方法、装置、设备及存储介质
CN114910892A (zh) 一种激光雷达的标定方法、装置、电子设备及存储介质
CN114694138B (zh) 一种应用于智能驾驶的路面检测方法、装置及设备
CN112668653A (zh) 基于激光雷达地图的回环检测方法、装置、设备及介质
CN117194591B (zh) 一种球体轨迹到平面地图的显示方法、装置、设备和介质
CN117589188B (zh) 行车路径规划方法、装置、电子设备和存储介质
CN116258769B (zh) 一种定位校验方法、装置、电子设备和存储介质
CN114049615B (zh) 行驶环境中交通对象融合关联方法、装置及边缘计算设备
CN117392000B (zh) 一种噪点去除方法、装置、电子设备及存储介质
CN116740676A (zh) 一种障碍物检测方法、装置、设备和介质
CN114842084B (zh) 一种地图构建方法、装置及移动探测设备
CN117419736A (zh) 一种目标区域的确定方法、装置、电子设备及存储介质
CN118010049A (zh) 轨迹规划方法、装置、电子设备及存储介质
CN116883969A (zh) 一种地面点云的识别方法、装置、电子设备及存储介质
CN118035788A (zh) 一种目标车辆相对位置分类方法、装置、设备及存储介质
CN117742243A (zh) 一种设备动作碰撞预测方法、装置、电子设备及存储介质
CN118212469A (zh) 基于点云的电力线分类后处理方法及装置、设备、介质
CN117372477A (zh) 一种目标跟踪匹配方法、装置、设备及介质
CN117392631A (zh) 一种道路边界提取方法、装置、电子设备及存储介质
CN118262313A (zh) 道路区域检测方法、装置及电子设备
CN117804480A (zh) 自动驾驶车辆的循迹路线生成方法、装置、设备及介质

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