KR20190082062A - 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 - Google Patents
포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 Download PDFInfo
- Publication number
- KR20190082062A KR20190082062A KR1020180116484A KR20180116484A KR20190082062A KR 20190082062 A KR20190082062 A KR 20190082062A KR 1020180116484 A KR1020180116484 A KR 1020180116484A KR 20180116484 A KR20180116484 A KR 20180116484A KR 20190082062 A KR20190082062 A KR 20190082062A
- Authority
- KR
- South Korea
- Prior art keywords
- point cloud
- feature
- cloud data
- point
- determining
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G06K9/00201—
-
- G06K9/46—
-
- 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Traffic Control Systems (AREA)
Abstract
본 개시의 실시예들은 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법, 장치 및 컴퓨터 판독 가능한 저장 매체에 관한 것이다. 해당 방법은, 제1 포인트 클라우드 데이터에 관련된 제1 특징과 제2 포인트 클라우드 데이터에 관련된 제2 특징을 추출하는 단계를 포함한다. 제1 포인트 클라우드 데이터와 제2 포인트 클라우드 데이터는 동일한 대상물을 상대로 하여 수집된 것이다. 해당 방법은, 제1 특징과 제2 특징에 대해 특징 매칭을 진행하는 단계를 더 포함한다. 또한, 해당 방법은, 특징 매칭의 결과를 기반으로 제1 포인트 클라우드 데이터와 제2 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 단계를 더 포함한다.
Description
본 개시의 실시예들은 일반적으로 포인트 클라우드 데이터 처리 기술 분야에 관한 것으로, 보다 구체적으로는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치에 관한 것이다.
고정밀 지도 매핑에는 3차원 지도 환경을 정확하게 인식할 필요가 있다. 아울러, 넓은 의미에서, 자율 주행 차량에도 시뮬레이션 목적으로 3 차원 동적 목표를 인식할 필요가 있다. 또한, 부품 제조, 품질 검사, 다양성 보기, 만화 창작, 3 차원 매핑 및 매스 커뮤니케이션 수단 등의 분야에도 각종의 3 차원 대상물을 인식하고 비교할 필요가 있다. 현재, 상기와 같은 분야에서, 3 차원 대상물 인식은 일반적으로 포인트 클라우드 데이터를 수집하고 분석을 진행함으로써 구현될 수 있다.
포인트 클라우드는 통상적으로 대량의 포인트들의 집합을 가리킨다. 고정밀 지도 매핑과 자율 주행 차량 등의 분야에서, 포인트 클라우드는 일반적으로 도로 및 주변 환경에 존재하는 표면 특성을 구비하는 대량의 포인트들의 집합을 가리키며, 이로써 도로, 가드레일, 광고판 등과 같은 물체의 표면 형상을 표시할 수 있다. 포인트 클라우드 데이터는 포인트 클라우드의 데이터를 표시하기 위한 것으로, 포인트 클라우드 데이터에는 포인트 클라우드 중의 각 포인트가 구비하는 예컨대 3차원 좌표 및 기타 속성(예컨대,빛의 세기, RGB 색상, 계조치, 깊이 등)이 기록된다. 포인트 클라우드 데이터는 예컨대 3차원 스캔 장치를 이용하여 포인트 클라우드 수집 환경에 대해 스캐닝을 진행하여 획득할 수 있으며, 이러한 3차원 스캔 장치는 레이저 레이더, 스테레오 카메라, 비행 시간(time-of-flight) 카메라 등을 포함할 수 있다. 이러한 장치들은 장동화 방식으로 물체 표면의 대량의 포인트들의 정보를 측정하고, 이어서 임의의 데이터 파일 포맷의 형식으로 포인트 클라우드 데이터를 출력할 수 있다.
획득한 포인트 클라우드 데이터를 이용하여 후속적인 조작, 특히 동적으로 또는 여러번 획득한 포인트 클라우드를 상대로 하여 종합 사용을 진행할 경우, 동적 목표 포인트 클라우드 쉐도우 제거는 하나의 기술 요점으로 간주된다. 포인트 클라우드 데이터는 포인트 클라우드를 표시하도록 이용되므로, 포인트 클라우드 사이의 매칭 관계에 대한 확정과 포인트 클라우드 데이터 사이의 매칭 관계에 대한 확정은 서로 관련된다. 포인트 클라우드 데이터 사이의 매칭 관계를 확정하기 위한 반복 최근점(ICP) 알고리즘과 같은 전통적인 방법은 거의 모든 포인트 클라우드 데이터(즉, 포인트 클라우드 중의 거의 모든 포인트들의 관련 데이터)를 이용하여 상이한 포인트 클라우드 데이터 사이의 매칭 관계를 확정한다. 상술한 전통적인 방법에 있어서, 포인트 클라우드 데이터 사이의 매칭 관계를 확정하기 위해 동일한 대상물을 상대로 하는 포인트 클라우드 데이터로부터 포인트 클라우드 중의 특정의 특징을 구비하는 포인트를 인위적으로 추출한다. 그러나, 인위적인 추출의 진행은 포인트 클라우드 데이터에 대한 요구가 아주 엄격하며, 포인트 클라우드 중의 포인트들의 데이터가 충분히 크고 수집 정밀도가 충분히 높을 경우에만 예컨대 포인트 클라우드 중의 대응되는 코너 등 일부의 세부 사항을 찾아낼 수 있으며, 이는 대량의 인건비용을 초래하게 된다.
아울러, 포인트 클라우드 중의 포인트들은 통상적으로 수량이 아주 방대하므로, 상이한 포인트 클라우드 데이터 사이의 매칭 관계를 확정함에 있어서, 상술한 전통적인 방법은 대량의 컴퓨팅을 밀집되게 진행할 필요가 있으며, 이로 인해 대량의 시간과 메모리 공간을 소모하게 된다.
또한, 예컨대 차량 탑재형 레이저 레이더를 이용하여 차량 탑재형 레이저 포인트 클라우드를 획득할 경우, 획득한 차량 탑재형 레이저 포인트 클라우드는 비강성 변형의 특점을 구비한다. 그러나, 반복 최근점 알고리즘 등과 같은 상술한 전통적인 방법은 통상적으로 단지 강성 변형 특점을 구비하는 포인트 클라우드에만 적용된다. 따라서, 대규모의 차량 탑재형 레이저 포인트 클라우드 데이터 사이의 매칭 관계를 확정함에 있어서, 상술한 전통적인 방법의 이용은 양호한 정확도를 구비하도록 확보할 수 없게 되며, 이로 인해 포인트 클라우드 데이터 사이의 매칭 관계를 확정할 때의 비강성 변환의 요구를 만족할 수도 없게 된다.
또한, 포인트 클라우드 데이터 사이의 매칭 관계를 확정함에 있어서, 상술한 전통적인 방법은 모두 동시에 6개의 자유도를 상대로 하여 매칭 관계를 확정하며, 이는 상대적으로 높은 연산 속도와 상대적으로 큰 메모리 공간을 요구한다.
본 개시의 실시예들은 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치를 제공한다.
본 개시의 제1 양태에 있어서, 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법을 제공한다. 해당 방법은, 제1 포인트 클라우드 데이터에 관련된 제1 특징과 제2 포인트 클라우드 데이터에 관련된 제2 특징을 추출하는 단계를 포함한다. 제1 포인트 클라우드 데이터와 제2 포인트 클라우드 데이터는 동일한 대상물을 상대로 하여 수집된 것이다. 해당 방법은, 제1 특징과 제2 특징에 대해 특징 매칭을 진행하는 단계를 더 포함한다. 해당 방법은, 특징 매칭의 결과를 기반으로 제1 포인트 클라우드 데이터와 제2 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 단계를 더 포함한다.
본 개시의 제2 양태에 있어서, 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치를 제공한다. 해당 장치는, 제1 포인트 클라우드 데이터에 관련된 제1 특징과 제2 포인트 클라우드 데이터에 관련된 제2 특징을 추출하되, 제1 포인트 클라우드 데이터와 제2 포인트 클라우드 데이터는 동일한 대상물을 상대로 하여 수집된 것인 추출 모듈과, 제1 특징과 제2 특징에 대해 특징 매칭을 진행하도록 구축된 매칭 모듈과, 특징 매칭의 결과를 기반으로 제1 포인트 클라우드 데이터와 제2 포인트 클라우드 데이터 사이의 매칭 관계를 확정하도록 구축된 확정 모듈을 포함한다.
본 개시의 제3 양태에 있어서, 하나 또는 다수의 프로세서와, 하나 또는 다수의 프로그램을 저장하기 위한 저장 장치를 포함하되, 상기 하나 또는 다수의 프로그램이 상기 하나 또는 다수의 프로세서에 의해 실행될 경우, 상기 하나 또는 다수의 프로세서가 본 개시의 제1 양태에 따른 방법을 구현하도록 하는 기기를 제공한다.
본 개시의 제4 양태에 있어서, 컴퓨터 프로그램이 저장되되, 해당 프로그램 프로세서에 의해 실행될 경우, 본 개시의 제1 양태에 따른 방법을 구현하는 컴퓨터 판독 가능한 매체를 제공한다.
발명의 내용 부분은 간략된 형식으로 개념에 대한 선택을 소개하기 위해 제공되며, 아래의 구체적인 실시예들에서 이에 대한 진일보의 설명을 진행하기로 한다. 발명의 내용 부분은 본 개시의 관건적인 특징 또는 필수의 특징을 명시하고자 하지 않을 뿐만 아니라, 본 개시의 범위를 한정하고자 하지 않는다.
본 개시의 각 실시예의 전술한 및 기타의 과제, 특징 및 장점들은 첨부된 도면들을 결부하여 진행한 본 개시의 예시적 실시예들에 대한 보다 상세한 설명으로부터 더욱 명확해질 것이며, 본 개시의 예시적 실시예들에 있어서, 동일한 도면 부호는 통상적으로 동일한 부재를 대표한다.
도1은 본 개시의 다수의 실시예들을 구현 가능한 예시적 환경의 개략도(100)를 나타낸다.
도2는 본 개시의 실시예에 따른 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법(200)의 흐름도를 나타낸다.
도3은 본 개시의 실시예에 따른 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치(300)의 블록도를 나타낸다.
도4는 본 개시 내용의 실시예를 실시할 수 있는 예시적 기기(400)의 블록 개략도를 나타낸다.
각 도면들에 있어서, 동일하거나 대응되는 도면 부호는 동일하거나 대응되는 부분을 표시한다.
도1은 본 개시의 다수의 실시예들을 구현 가능한 예시적 환경의 개략도(100)를 나타낸다.
도2는 본 개시의 실시예에 따른 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법(200)의 흐름도를 나타낸다.
도3은 본 개시의 실시예에 따른 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치(300)의 블록도를 나타낸다.
도4는 본 개시 내용의 실시예를 실시할 수 있는 예시적 기기(400)의 블록 개략도를 나타낸다.
각 도면들에 있어서, 동일하거나 대응되는 도면 부호는 동일하거나 대응되는 부분을 표시한다.
아래에 첨부된 도면들을 참조하여 본 개시의 바람직한 실시예들에 대한 보다 상세한 설명을 진행하기로 한다. 첨부된 도면들에는 본 개시의 바람직한 실시예들이 도시되었으나, 본 개시는 여기에 기재된 실시예에 의해 한정되는 것이 아니라, 각종의 형식에 따라 구현될 수 있음을 이해하여야 한다. 반대로, 이러한 실시예들은 본 개시가 보다 철저하고 완정해지고, 해당 기술 분야의 당업자에게 본 개시의 범위를 완정하게 전달할 수 있기 위해 제공된다.
여기에 사용되는 용어 "포함" 및 이의 변형은 개방형 포함을 표시하며, 즉, "포함하나 ... 이에 한정되지 않음"을 표시한다. 특별히 해명하지 않은 한, 용어 "또는"은 "및/또는"을 표시한다. 용어 "기반으로"는 "적어도 부분적으로 ... 기반으로"를 표시한다. 용어 "일 예시적 실시예"와 "일 실시예"는 "적어도 하나의 실시예"를 표시한다. 용어 "다른 일 실시예"는 "적어도 하나의 다른 일 실시예"를 표시한다. 용어 "제1", "제2" 등은 상이하거나 동일한 대상물을 가리킨다. 아래에는 기타의 명확한 정의와 함축된 정의를 더 포함할 수 있다.
전술한 배경 기술에 설명된 바와 같이, 기존의 기술에 있어서, 상이한 포인트 클라우드 데이터 사이의 매칭 관계를 확정할 경우, 대량의 컴퓨팅을 밀집되게 진행하여야 하며, 이로 인해 대량의 시간과 메모리 공간을 소모하게 된다. 아울러, 비강성 변형 특성을 구비하는 예컨대 차량 탑재형 레이저 포인트 클라우드 데이터를 상대로 하여 매칭 관계를 확정할 경우, 전통적인 방법을 사용하면 대규모의 차량 탑재형 레이저 포인트 클라우드 데이터 사이의 매칭 관계를 확정함에 있어서 양호한 정확도를 구비하도록 확보할 수 없게 된다. 상술한 문제의 존재는 포인트 클라우드가 각종의 분야에서의 응용과 발전에 엄중한 영향을 미치게 된다.
예를 들어, 상술한 문제 및 하나 또는 다수의 기타의 잠재적인 문제들을 적어도 부분적으로 해결하기 위하여, 본 개시의 실시예들은 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치를 제출한다. 본 개시의 실시예들에 의하면, 자동적으로 신속하고 정밀도가 높게 구현할 수 있는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법을 제공한다.
해당 방법에 있어서, 포인트 클라우드에 포함된 상이한 포인트들의 특정의 속성에 따라 포인트 클라우드 중의 포인트들을 예컨대 지면 포인트, 평면 포인트 및 기둥체 포인트를 포함하는 다수의 유형들로 분류하는 것에 관한 것이다. 지면 포인트는 측정을 진행하는 환경 중의 지면 위치에 위치하는 포인트를 가리킨다. 평면 포인트는 측정을 진행하는 환경 중의 지면 위치와 수직되거나 기타 특정의 각도를 이루는 평면 상에 위치한 포인트를 가리키며, 이러한 평면은 예컨대 건출물의 외부 표면 및 광고판 등을 포함할 수 있다. 기둥체 포인트는 측정을 진행하는 환경 중의 지면 위치와 수직되거나 기타 특정의 각도를 이루는 기둥체 표면에 위치하는 포인트를 가리키며, 이러한 기둥체는 예컨대 전봇대, 나무, 쓰레기통 등을 포함할 수 있다. 포인트 클라우드 중의 포인트들의 상기 유형들은 단지 지면 포인트, 평면 포인트 및 기둥체 포인트만을 포함하는 것이 아니라, 예컨대 구체 포인트, 지면각 포인트, 고반사율 포인트 등의 기타의 유형들을 포함할 수 있음을 이해하여야 한다. 포인트 클라우드의 수집 환경에서 존재하는 것이면, 비교를 진행할 수 있는 상이한 형상들은 모두 포인트 클라우드 중의 포인트들의 유형으로 이용될 수 있다.
포인트 클라우드에 포함된 상이한 포인트들을 다수의 유형들로 분류한 이후, 상이한 유형의 포인트가 구비하는 특유의 속성을 이용하여 상이한 유형의 포인트로부터 새로운 특징을 생성할 수 있다. 이어서, 상이한 포인트 클라우드 중의 상응한 유형의 포인트들로부터 생성된 특징들에 대해 비교를 진행함으로써, 상이한 포인트 클라우드가 매칭되는지 여부를 확정할 수 있으며, 나아가 상이한 포인트 클라우드 사이의 매칭 관계를 확정할 수 있다. 본 개시의 실시예들에 있어서, 용어 "특징"은 특징 포인트, 특징 포인트에 대응되는 법선 벡터 및 기타의 부차적인 속성을 포함할 수 있다. 이러한 부차적인 속성은 예컨대 기둥체의 반경, 높이 및 특징 포인트가 상대로 하는 작은 블록 평면의 변의 길이 등을 포함한다.
본 개시에 있어서, 상기 상이한 특징들은 생성된 다수의 추상적인 특징 포인트 및 특징 포인트에 대응되는 법선 벡터를 포함할 수 있다. 본 개시에 있어서, 상이한 포인트 클라우드 사이의 매칭 관계는 상이한 포인트 클라우드 사이의 공간 변환 관계를 포함하며, 예컨대, 하나의 포인트 클라우드가 어떻게 예컨대 회전, 수평 이동, 각도 변화 등의 조작을 경유하여 다른 하나의 포인트 클라우드로 변환되는지, 즉, 다른 일 포인트 클라우드 중의 각 포인트들의 위치와 대체적으로 중첩되는지를 포함한다. 아울러, 상이한 포인트 클라우드 사이의 매칭 관계를 확정하는 과정은 포인트 클라우드 사이의 정합으로 지칭될 수도 있다.
상기 방법은 단지 포인트 클라우드 중의 포인트들로부터 생성된 상이한 특징에 대해 정합을 진행하면 될 뿐, 포인트 클라우드 중의 모든 포인트들에 대해 정합을 진행할 필요가 없으므로, 정합을 진행하기에 필요한 컴퓨팅 량을 대폭으로 감소시킬 수 있다. 아울러, 포인트 클라우드 중의 포인트들을 상이한 유형으로 분류하고, 상이한 유형의 포인트는 상이한 자유도에 대응되므로, 정합함에 있어서 매번마다 부분적인 자유도에 대해 정합을 진행할 뿐, 동시에 6개의 자유도에 대해 정합을 진행할 필요가 없으므로, 컴퓨팅 자원과 저장 자원을 절약할 수 있으며, 연산 속도를 향상시킬 수 있다.
아래에 첨부된 도면들을 참조하여 본 개시의 실시예들에 대해 구체적인 설명을 진행하기로 한다.
도1은 본 개시의 다수의 실시예들이 구현 가능한 예시적 환경의 개략도(100)를 나타낸다. 개략도(100)는 주로 본 개시 중의 관련된 포인트 클라우드 및 이에 대응되는 포인트 클라우드 데이터의 수집 환경을 나타낸다.
도1에는 수집 객체(110)가 도시되되, 수집 객체(110)는 수집 환경을 상대로 하여 포인트 클라우드를 수집하고, 대응되는 포인트 클라우드 데이터(120)를 생성하고, 포인트 클라우드 데이터(120)를 컴퓨팅 장치(130)에 전송한다. 도1에서, 수집 객체(110)는 수집 차량의 형식으로 도시된다. 본 개시에 있어서, 포인트 클라우드 데이터(120)를 수집하기 위한 수집 객체(110)는 수집 차량에 한정되지 않으며, 포인트 클라우드 수집 능력을 구비하는 임의의 객체, 예컨대 각종의 교통 수단일 수 있음을 이해하여야 한다. 아울러, 수집 객체(110)는 포인트 클라우드 수집 능력을 구비하는 장치가 집적되거나 탑재된 각종의 객체일 수도 있다. 수집 객체(110)로 수집한 포인트 클라우드 데이터(120)는 컴퓨팅 장치(130)에서 후속적인 처리를 진행한다. 수집 객체(110)는 유선 또는 무선 데이터 전송 등과 같은 임의의 데이터 전송 형식을 이용하여 포인트 클라우드 데이터(120)를 컴퓨팅 장치(130)에 전송할 수 있음을 이해하여야 한다. 이러한 전송은 반드시 실시간 전송이여야 하는 것은 아니다. 어떠한 시각 또는 어떠한 형식으로 포인트 클라우드 데이터(120)를 컴퓨팅 장치(130)에 전송하든간에 모두 포인트 클라우드 데이터(120)에 대한 컴퓨팅 장치(130)의 후속적인 처리에 영향을 미치지 않는다.
본 개시의 실시예들에 있어서, 포인트 클라우드 데이터는 수집 객체(110)가 레이저 레이더를 사용하여 수집 환경에 대해 360도 스캐닝을 진행하여 획득한 수집 환경 중의 각 대상물의 외부 표면의 포인트들의 데이터이다. 스캐닝된 수직각 해상도에 따라 하나의 n × m의 데이터를 획득할 수 있으며, 여기서, n는 수직 방향에서의 스캔 라인의 수량이로서, 스레드 수량으로도 지칭되며, m는 하나의 스캔 라인이 수평 방향을 따라 360도 스캐닝을 진행하여 획득한 데이터이다. 수직각 해상도에 대해, 수직각 해상도를 2.5도로 설정할 경우, 10 ÷ 2.5 = 4 개의 스레드가 스캔된다. 수집 객체(110)가 일정한 높이를 구비하므로, 포인트 클라우드 스캐닝을 진행할 경우, 지면인 수평면을 상대로 하는 스캔 데이터를 획득하기 위해, 통상적으로 수평면에 대한 각도가 음의 각(예컨대, -2.5 도)인 하나의 각도로부터 시작하여 스캐닝을 진행함을 이해하여야 한다. 상기 수치의 선택은 단지 예시적인 목적으로 진행될 뿐, 임의의 방식으로 본 출원의 보호 범위에 대해 한정을 진행하고자 하는 것이 아님을 이해하여야 한다.
도1은 도로(140), 광고판(150-1, 150-2 및 150-3)(광고판(150)으로 통칭됨), 쓰레기통(160-1 및 160-2)(쓰레기통(160)으로 통칭됨), 전봇대(170-1 및 170-2)(전봇대(170)로 통칭됨) 및 나무(180-1 및 180-2)(나무(180)로 통칭됨)를 포함하여, 수집 환경 중의 각종의 대상물들을 더 나타낸다. 상기 대상물들에 있어서, 도로(140)의 표면 상에서 수집한 포인트 클라우드의 데이터는 지면 포인트 클라우드 데이터를 구성하고, 도로(140)와 기본적으로 수직되고 작은 평면을 이루는 광고판(150)의 표면 상에서 수집한 포인트 클라우드의 데이터는 평면 포인트 클라우드 데이터를 구성하고, 상이한 길이와 직경을 구비하는 기둥체 형상인 쓰레기통(160), 전봇대(170) 및 나무(180)의 표면 상에서 수집한 포인트 클라우드의 데이터는 기둥체 포인트 클라우드 데이터를 구성한다.
포인트 클라우드 수집을 통해 획득한 데이터는 포인트들을 수집한 위치 및 관련된 일부의 속성들이므로, 단지 수집한 포인트 클라우드 중의 포인트들만으로 각 포인트들이 속하는 분류를 직접적으로 확정할 수 없으며, 후속적인 조작을 통해 포인트 클라우드 데이터(120)로부터 상응한 지면 포인트 클라우드 데이터, 평면 포인트 클라우드 데이터 및 기둥체 포인트 클라우드 데이터 등의 상이한 분류의 포인트 클라우드 데이터를 확정할 필요가 있음을 이해하여야 한다. 도1에 도시된 내용은 포인트 클라우드 수집을 진행하는 예시적 정경으로 이해할 수도 있으며, 여기서, 포인트 클라우드 수집을 진행한 이후, 수집한 포인트 클라우드가 도로(140), 광고판(150), 쓰레기통(160), 전봇대(170) 아니면 나무(180)로부터 유래되었는지를 직접적으로 확정할 수 없으며, 도2를 참조하여 설명한 아래의 방법의 흐름에 따라 후속적인 조작을 통해 포인트 클라우드 데이터(120)로부터 상이한 분류의 포인트 클라우드 데이터(120)를 확정할 필요가 있다.
도2는 본 개시의 실시예에 따른 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법(200)의 흐름도를 나타낸다. 방법(200)은 예컨대 도1의 컴퓨팅 장치(110)로 실행될 수 있다. 방법(200)을 통해, 수집 객체(110)로부터 획득한 상이한 포인트 클라우드 데이터(120)를 상대로 하여 포인트 클라우드 데이터(120) 사이의 매칭 관계를 확정할 수 있다.
본 개시의 실시예들에 있어서, 주요하게 동일하거나 기본적으로 동일한 위치에서 수집 객체(110)로 상이한 시간에 수집한 포인트 클라우드 데이터(120)를 상대로 하여 포인트 클라우드 데이터(120) 사이의 매칭 관계를 확정한다. 수집 객체(110) 자체의 위치, 각도 등의 내재적 원인 및 수집 환경에 존재할 가능성이 있는 예컨대 기상 영향 등과 같은 외재적 원인으로 인해, 수집 객체(110)로 동일한 위치에서 상이한 시간에 수집한 포인트 클라우드 데이터는 완전히 동일하지 않으므로, 후속적인 조작을 진행하기 위하여, 상이한 횟차에 수집한 이러한 포인트 클라우드 데이터(120) 사이의 매칭 관계를 확정할 필요가 있다. 아래에, 수집 객체(110)로 동일한 위치에서 상이한 시간에 수집한 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)를 예로 들어 설명을 진행하기로 한다.
본 개시의 기술적 방안은 기본적으로 동일한 위치에서 상이한 수집 객체(110)로 수집한 포인트 클라우드 데이터(120) 사이의 정합에 적용될 수도 있음을 이해하여야 한다. 방법(200)은 도시되지 않은 추가적인 단계들을 더 포함할 수 있으며, 및/또는, 도시된 단계들을 생략할 수도 있으며, 본 개시의 범위는 이러한 방면에 한정되지 않음을 이해하여야 한다.
방법(200)은 블록(202)에서 시작한다. 블록(202)에서, 컴퓨팅 장치(130)로 제1 포인트 클라우드 데이터(120-1)에 관련된 특징(아래에 "제1 특징”으로 지칭됨) 및 제2 포인트 클라우드 데이터(120-2)에 관련된 특징(아래에 "제2 특징”으로 지칭됨)을 추출한다. 상술한 바와 같이, 수집 객체(110)는 동일한 위치에서 상이한 횟차에 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)를 수집하므로, 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)가 동일한 대상물(즉, 동일한 수집 환경)을 상대로 하여 수집한 것으로 간주할 수 있다.
본 개시의 실시예들에 있어서, 전술한 내용을 결부하여, 상기 제1 특징과 상기 제2 특징은 각각 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)에 따라 확정한 특징 포인트, 특징 포인트에 대응되는 법선 벡터 및 기타의 부차적인 속성을 포함할 수 있으며, 여기서, 부차적인 속성은 예컨대 기둥체의 반경, 높이 및 특징 포인트가 상대로 하는 작은 블록 평면의 변의 길이 등을 포함한다. 포인트 클라우드 중의 포인트 분류 상의 차이점에 따라, 제1 특징과 제2 특징을 추출하는 과정 단계들은 동일하지 않으며, 추출한 제1 특징과 제2 특징에 포함된 예컨대 특징 포인트 및 법선 벡터의 특징의 수량은 동일하지 않으며, 추출한 제1 특징과 제2 특징에 포함된 특징의 내용들도 동일하지 않다.
아래에 각각 포인트 클라우드 데이터에 포함된 지면 포인트 클라우드 데이터, 평면 포인트 클라우드 데이터 및 기둥체 포인트 클라우드 데이터를 상대로 하여 포인트 클라우드 데이터(120)로부터 특징을 추출하는 과정을 설명한다. 제1 포인트 클라우드 데이터(120-1)에 관련된 제1 특징을 추출하는 단계와 제2 포인트 클라우드 데이터(120-2)에 관련된 제2 특징을 추출하는 단계는 동일하므로, 아래에 단지 제1 포인트 클라우드 데이터(120-1)에 관련된 제1 특징을 추출하는 단계에 대해 설명을 진행한다.
지면 포인트 클라우드 데이터 특징 추출 과정
지면 포인트 클라우드는 통상적으로 범위가 상대적으로 크고 분포가 상대적으로 일치하므로, 제1 포인트 클라우드 데이터(120-1)로부터 제1 포인트 클라우드 데이터(120-1) 중의 제1 지면 포인트 클라우드 데이터를 확정하는 것은 상대적으로 용이하다. 따라서, 본 개시의 실시예들에 있어서, 먼저 제1 포인트 클라우드 데이터(120-1)로부터 제1 지면 포인트 클라우드 데이터를 확정한다. 제1 포인트 클라우드 데이터(120-1)에 관련된 제1 특징을 추출함에 있어서, 반드시 먼저 제1 지면 포인트 클라우드 데이터를 확정하도록 요구되지 않으며, 먼저 제1 평면 포인트 클라우드 데이터 또는 제1 기둥체 포인트 클라우드 데이터를 확정할 수도 있으며, 여기서, 상이한 분류의 포인트 클라우드 데이터를 확정하는 순서는 본 개시의 실시예들의 효과들을 구현하지 못하는 원인이 되지 않음을 이해하여야 한다.
지면 포인트 클라우드 데이터 특징 추출 과정에 있어서, 먼저 제1 포인트 클라우드 데이터(120-1)로부터 제1 포인트 클라우드 중의 지면의 포인트들을 표시하는 제1 지면 포인트 클라우드 데이터를 확정한다. 본 개시의 실시예들에 있어서, 먼저 누적 합계(CUSUM) 알고리즘을 이용하여 지면 포인트 클라우드 중의 지면 가장자리 부분의 높이 트립 포인트를 검출한다. 이어서, 지면 포인트 클라우드 내에서 성장 알고리즘을 이용한다. 상기 과정을 통해, 즉 제1 지면 포인트 클라우드 데이터를 획득할 수 있다.
제1 지면 포인트 클라우드 데이터를 획득한 이후, 획득한 지면 포인트 클라우드를 일정한 면적의 작은 블록으로 분할한다. 본 개시의 실시예들에 있어서, 지면 포인트 클라우드는 변의 길이가 a인 작은 네모로 분할되되, a는 예컨대 0.5미터 또는 포인트 클라우드 수집 요구 및/또는 수집 객체(110)의 수집 능력에 적합한 임의의 길이일 수 있다. 상기 작은 블록의 형상과 척도 수치는 단지 예시일 뿐, 본 개시의 실시예들을 한정하기 위한 것이 아님을 이해하여야 한다. 각 작은 블록에는 지면 포인트 클라우드 중의 다수의 포인트들이 포함될 수 있으며, 포함된 포인트들의 수량은 분할된 작은 블록의 크기에 관련됨을 이해하여야 한다.
분할된 작은 네모(작은 블록)를 획득한 이후, 각 작은 네모를 상대로 하여 해당 작은 네모의 중심 포인트 및 대응되는 법선 벡터를 컴퓨팅하고, 획득한 각 작은 네모의 중심 포인트 및 대응되는 법선 벡터의 집합은 즉 제1 지면 포인트 클라우드 데이터를 표시할 수 있는 특징(즉, 제1 특징)이다. 상기 단계를 경과한 이후, 수량이 훨씬 적은 특징으로 제1 지면 포인트 클라우드 데이터를 표시할 수 있으며, 따라서, 상기 단계는 포인트 클라우드 데이터의 다운 샘플링으로 지칭될 수도 있다.
선택 가능하게, 상기 분할된 작은 네모에는 예컨대 식물 또는 가드레일과 같은 기타의 대상물이 포함될 수 있으므로, 각 작은 네모를 상대로 하여 컴퓨팅한 중심 포인트 및 대응되는 법선 벡터의 적확성에 영향을 미칠 가능성이 존재한다. 따라서, 매칭되지 않는 경우를 감소하기 위하여, 후속적인 포인트 클라우드 정합을 진행함에 있어서 상기 정보에 대해 진일보로 비교를 진행하여 포인트 클라우드 정합을 보다 정확하게 구현하기 위해, 작은 네모를 분할한 이후, 각 작은 네모에 포함된 포인트 클라우드 중의 포인트들을 상대로 하여 예컨대 높이 차이, 높이 평균값, 반사율 평균값 등의 높이 관련 정보를 컴퓨팅하거나 높이 분포 정보를 구축할 수 있다. 이러한 단계는 필수적인 것이 아니며, 상기 정보에 대해 비교를 진행할 필요가 존재하기 전의 임의의 시간에 실행될 수 있으며, 본 개시의 실시예들의 효과들을 구현하지 못하는 원인이 되지 않음을 이해하여야 한다. 아울러, 이러한 단계는 평면 포인트 클라우드 데이터 특징 추출 과정과 기둥체 포인트 클라우드 데이터 특징 추출 과정에 적용될 수도 있다.
평면 포인트 클라우드 데이터 특징 추출 과정
평면 포인트 클라우드 데이터 특징 추출 과정에 있어서, 먼저 제1 포인트 클라우드 데이터(120-1)로부터 제1 포인트 클라우드 중의 평면의 포인트들을 표시하는 제1 평면 포인트 클라우드 데이터를 확정한다. 전술한 평면 포인트 클라우드 데이터 특징 추출 과정을 진행할 때 제1 지면 포인트 클라우드 데이터를 확정하는 단계가 이미 완료되었을 경우, 제1 포인트 클라우드 데이터(120-1)로부터 제1 지면 포인트 클라우드 데이터를 제거할 수 있으며, 이로써 연산량을 명확하게 감소시킬 수 있다. 제1 포인트 클라우드 데이터(120-1)로부터 제1 지면 포인트 클라우드 데이터를 제거한 이후 획득한 포인트 클라우드 데이터는 제1 후보 평면 포인트 클라우드 데이터로 지칭될 수 있다.
평면 포인트 클라우드 데이터 특징 추출 과정에 있어서, 상이한 스레드(즉, 수직 방향에서 상이한 스캔 라인)를 상대로 하여 조작을 진행한다. 상이한 스레드를 상대로 하는 조작은 병행되게 진행될 수 있으며, 이로써 연산의 속도를 가속시킬 수 있음을 이해하여야 한다. 각 스레드에는 포인트 클라우드 중의 다수의 포인트들이 포함될 수 있으며, 그중의 포인트들의 수량은 데이터 스캐닝을 진행할 때의 수평각 해상도에 의해 결정된다. 예를 들어, 각 스레드의 수평 방향의 총 각도가 360도이므로, 수평 방향 각 해상도가 0.1도 일 경우, 각 스레드에는 포인트 클라우드 중의 360 ÷ 0.1 = 3600개의 포인트들이 포함된다. 상기 수치의 선택은 단지 예시적인 목적으로 진행될 뿐, 임의의 방식으로 본 출원의 보호 범위에 대해 한정을 진행하고자 하는 것이 아님을 이해하여야 한다.
각 스레드를 상대로 하여 조작을 진행할 경우, 스레드 중의 각 포인트와 이전의 포인트 사이의 거리 차이를 컴퓨팅하고, 해당 거리 차이와 해당 포인트의 거리의 비율이 특정의 기정 역치를 초과할 경우, 해당 포인트를 스레드 중의 중단 포인트로 간주한다. 이러한 단계는 제1 후보 평면 포인트 클라우드 데이터에서 상이한 작은 평면에 속할 수 있는 포인트들을 구분하도록 이용되는 것임을 이해하여야 한다. 따라서, 포인트와 포인트 사이의 거리 차이와 해당 포인트의 거리의 비율을 이용하는 상술한 비교 방식은 단지 예시일 뿐, 본 개시에 대해 한정을 진행하는 것이 아니다. 본 개시의 실시예들에 있어서, 제1 후보 평면 포인트 클라우드 데이터중의 상이한 작은 평면에 속할 수 있는 포인트들을 구분할 수 있는 임의의 적당한 컴퓨팅 방법을 이용할 수 있다. 하나의 스레드에서 다수의 중단 포인트들을 찾으므로써, 이러한 스레드를 상이한 세그먼트로 분할할 수 있다.
중단 포인트를 이용하여 각 스레드를 상이한 세그먼트로 분할한 이후, 모든 스레드 범위 내의 세그먼트들의 집합을 획득할 수 있다. 이어서, 예컨대 주성분 분석(PCA) 알고리즘과 같은 방법을 이용하여 각 세그먼트에 포함된 포인트 클라우드 중의 포인트들의 예컨대 특징근 및 특징 벡터와 같은 특징값을 컴퓨팅하며, 이로써 분석을 통해 해당 세그먼트의 형상 속성(즉, 해당 세그먼트가 직선임, 곡선임 또는 구분되지 못함)을 획득할 수 있다.
세그먼트들의 집합 중의 각 세그먼트의 형상 속성을 획득한 이후, 평면 속성을 구비하는 제1 평면 포인트 클라우드 데이터를 확정할 필요가 있으므로, 직선 속성을 구비하는 세그먼트만을 보류하고, 이러한 세그먼트는 직선 세그먼트로 지칭될 수도 있으며, 해당 세그먼트를 표시하기 위해 각 직선 세그먼트에 포함된 포인트 클라우드 중의 포인트들의 중심 포인트와 주요 방향을 컴퓨팅한다.
이어서, 상기 단계에서 보류한 직선 세그먼트에 대해 예컨대 오일러 조건 클러스터링을 진행하며, 여기서, 클러스터링의 표준은 세그먼트의 중심 포인트가 근접(예컨대, 중심 포인트 사이의 거리가 기정의 역치 거리 내에 위치함)할 뿐만 아니라, 주요 방향도 근사(예컨대, 주요 방향 사이의 각도 차이가 기정의 역치 각도 내에 위치함)한 것일 수 있다. 이로써, 상기 단계에서 보류된 직선 세그먼트는 다수의 직선 세그먼트 집합들로 클러스터링되되, 각 직선 세그먼트 집합에 포함된 포인트 클라우드 중의 포인트들은 상이한 평면에 속한다.
클러스터링을 통해 다수의 직선 세그먼트 집합들을 획득한 이후, 다시 주성분 분석 알고리즘과 같은 방법을 이용하여 각 직선 세그먼트 집합에 포함된 포인트 클라우드 중의 포인트들의 예컨대 특징근 및 특징 벡터와 같은 특징값을 컴퓨팅함으로써, 분석을 통해 해당 직선 세그먼트 집합의 형상 속성(즉, 해당 세그먼트는 평면임, 평면이 아님, 또는 확정할 수 없음)을 획득할 수 있다.
각 직선 세그먼트 집합의 형상 속성을 획득한 이후, 평면 속성을 구비하는 제1 평면 포인트 클라우드 데이터를 확정할 필요가 있으므로, 단지 평면 속성을 구비하는 직선 세그먼트 집합들만을 보류하되, 이러한 직선 세그먼트 집합들은 평면 직선 세그먼트 집합으로 지칭될 수도 있으며, 각 평면 직선 세그먼트 집합에 포함된 포인트 클라우드 중의 포인트들의 법선 벡터를 컴퓨팅하고, 해당 평면 직선 세그먼트 집합에 포함된 포인트 클라우드 중의 포인트들의 중심 포인트를 컴퓨팅하여 획득한다. 이어서, 지면 포인트 클라우드 데이터 특징 추출 과정에 관련해 설명한 상기 포인트 클라우드 데이터의 다운 샘플링과 동일한 방식에 따라 각 평면 직선 세그먼트 집합에 포함된 포인트 클라우드 중의 포인트들을 작은 블록으로 분할하고, 각 작은 네모를 상대로 하여 해당 작은 네모의 중심 포인트 및 대응되는 법선 벡터를 컴퓨팅하되, 획득한 각 작은 네모의 중심 포인트 및 대응되는 법선 벡터의 집합은 즉 제1 평면 포인트 클라우드 데이터를 표시할 수 있는 특징(즉, 제1 특징)이다.
기둥체 포인트 클라우드 데이터 특징 추출 과정
기둥체 포인트 클라우드 데이터 특징 추출 과정에 있어서, 먼저 제1 포인트 클라우드 데이터(120-1)로부터 제1 포인트 클라우드 중의 기둥체의 포인터들을 표시하는 제1 기둥체 포인트 클라우드 데이터를 확정한다. 기둥체 포인트 클라우드 데이터 특징 추출 과정을 진행함에 있어서, 제1 지면 포인트 클라우드 데이터를 확정하는 단계와 제1 평면 포인트 클라우드 데이터를 확정하는 단계가 이미 완료되었을 경우, 제1 지면 포인트 클라우드 데이터 및 제1 평면 포인트 클라우드 데이터를 제거할 수 있으며, 이로써 연산량을 명확히 저감시킬 수 있다. 제1 포인트 클라우드 데이터(120-1)로부터 제1 지면 포인트 클라우드 데이터 및 제1 평면 포인트 클라우드 데이터를 제거한 이후 획득한 포인트 클라우드 데이터는 제1 후보 기둥체 포인트 클라우드 데이터로 지칭될 수 있다.
제1 후보 기둥체 포인트 클라우드 데이터를 획득한 이후, 포인트 클라우드 중의 예컨대 각 2 미터의 인근 영역 내의 포인트들을 상대로 하여 주성분 분석 알고리즘과 같은 방법을 실행하여, 각 포인트의 법선 벡터와 주요 방향을 컴퓨팅하고, 이러한 포인트들에 대해 예컨대 오일러 조건 클러스터링을 진행하되, 클러스터링의 표준은 포인트의 주요 방향과 지면의 법선 벡터의 협각이 예컨대 5도의 역치 협각 내에 위치하는 것일 수 있다. 이로써, 상기 단계에서 보류된 포인트 클라우드 중의 포인트들은 다수의 포인트 집합들로 클러스터링되되, 각 포인트 집합에 포함된 포인트 클라우드 중의 포인트들은 하나의 기둥체에 속한다.
이어서, 해당 포인트 집합이 속하는 기둥체의 중심으로서 각 포인트 집합의 중심 포인트를 컴퓨팅하고, 해당 기둥체의 법선 벡터 및 반경을 기록하되, 획득한 각 기둥체의 중심 포인트, 법선 벡터 및 반경의 집합은 즉 제1 기둥체 포인트 클라우드 데이터를 표시할 수 있는 특징(즉, 제1 특징)이다.
계속하여 방법(200)으로 돌아가, 블록(204)에서, 상기 방식을 통해 추출한 제1 포인트 클라우드 데이터(120-1)에 관련된 제1 특징과 제2 포인트 클라우드 데이터(120-2)에 관련된 제2 특징을 상대로 하여 특징 매칭을 진행한다. 특징 매칭의 진행은 2개의 특징이 대응되는지 여부를 판단하는 것을 목적으로 하며, 이러한 단계는 후속적인 포인트 클라우드 정합을 진행하는 기초이다. 마찬가지로, 포인트 클라우드 중의 포인트 분류 상의 차이점에 따라, 추출한 제1 특징과 제2 특징에 대해 특징 매칭을 진행하는 과정 단계는 동일하지 않다. 아래에, 추출한 제1 특징과 추출한 제2 특징이 각각 지면 포인트 클라우드 데이터 특징, 평면 포인트 클라우드 데이터 특징 및 기둥체 포인트 클라우드 데이터 특징인 것을 상대로 하여 추출한 제1 특징과 제2 특징에 대해 특징 매칭을 진행하는 과정에 대해 설명을 진행한다.
지면 포인트 클라우드 데이터 특징 매칭 과정
지면 포인트 클라우드 데이터 특징 매칭 과정에 있어서, 매트릭스의 회전을 통해 지면 포인트 클라우드 데이터 특징의 형식인 제1 특징과 제2 특징을 동일한 좌표계로 전환시킨다.
제1 특징과 제2 특징을 동일한 좌표계로 전환시킨 이후, 제1 특징 중의 특징 포인트(즉, 지면 포인트 클라우드 데이터 중의 작은 블록의 중심 포인트)와 제2 특징 중의 대응되는 특징 포인트 사이의 거리를 확정하고, 해당 거리가 기정의 역치 거리보다 작을 경우, 해당 특징 포인트의 법선 벡터와 해당 대응되는 특징 포인트의 법선 벡터 사이의 차이를 확정하며, 해당 차이가 기정의 역치 차이보다 작을 경우, 이러한 2개의 특징 포인트가 매칭되는 것으로 확정할 수 있다. 선택적으로, 이러한 단계는 제1 특징 중의 하나의 특징 포인트를 상대로 하여 제2 특징에서 제1 특징 중의 해당 특징 포인트와의 거리 차이와 법선 벡터의 차이가 모두 상응한 기정의 역치보다 작은 특징 포인트를 검색하는 것으로 구현될 수도 있으며, 이러한 2개의 특징 포인트 사이의 매칭 관계에 따라 포인트 클라우드를 조절한 이후, 제1 특징과 제2 특징 중의 역치 비율(예컨대, 70%-100% 중의 임의의 비율)을 만족하는 대응되는 특징 포인트 사이의 거리 차이 및 법선 벡터 차이가 모두 상응한 기정의 역치(여기의 기정의 역치는 반드시 상기 기정의 역치와 동일해야 되는 것이 아니라, 이번에 진행하는 판단이 더욱 엄격하도록 수치가 보다 작을 수도 있음) 내에 위치하도록 하며, 이러할 경우 이러한 2개의 특징 포인트가 매칭되는 것으로 확정할 수 있다. 제1 특징과 제2 특징으로부터 각각 유래한 2개의 특징 포인트가 매칭되는 것으로 확정된 이후, 이러한 2개의 특징 포인트의 매칭을 이러한 2개의 특징 포인트가 속하는 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)에 기록한다. 이러한 매칭 과정에 있어서, 제1 특징과 제2 특징 중의 모든 또는 대부분의 특징 포인트들을 상대로 하여 매칭 여부를 확정할 필요가 있으며, 이로써 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)의 매칭 결과를 획득할 수 있으며, 여기서, 상이한 특징 포인트들을 상대로 하여 매칭 여부를 확정하는 것은 병렬로 진행될 수 있다.
평면 포인트 클라우드 데이터 특징 매칭 과정
평면 포인트 클라우드 데이터 특징 매칭 과정에 있어서, 매트릭스의 회전을 통해 평면 포인트 클라우드 데이터 특징의 형식인 제1 특징과 제2 특징을 동일한 좌표계로 전환시킨다.
제1 특징과 제2 특징을 동일한 좌표계로 전환시킨 이후, 제1 특징 중의 특징 포인트(즉, 평면 포인트 클라우드 데이터 중의 작은 블록의 중심 포인트)와 제2 특징 중의 대응되는 특징 포인트 사이의 거리를 확정하고, 해당 거리가 기정의 역치 거리보다 작을 경우, 해당 특징 포인트의 법선 벡터와 해당 대응되는 특징 포인트의 법선 벡터 사이의 차이를 확정하며, 해당 차이가 기정의 역치 차이보다 작을 경우, 이러한 2개의 특징 포인트가 매칭되는 것으로 확정할 수 있다. 선택적으로, 이러한 단계는 제1 특징 중의 하나의 특징 포인트를 상대로 하여 제2 특징에서 제1 특징 중의 해당 특징 포인트와의 거리 차이와 법선 벡터의 차이가 모두 상응한 기정의 역치보다 작은 특징 포인트를 검색하는 것으로 구현될 수도 있으며, 이러한 2개의 특징 포인트 사이의 매칭 관계에 따라 포인트 클라우드를 조절한 이후, 제1 특징과 제2 특징 중의 역치 비율(예컨대, 70%-100% 중의 임의의 비율)을 만족하는 대응되는 특징 포인트 사이의 거리 차이 및 법선 벡터 차이가 모두 상응한 기정의 역치(여기의 기정의 역치는 반드시 상기 기정의 역치와 동일해야 되는 것이 아니라, 이번에 진행하는 판단이 더욱 엄격하도록 수치가 보다 작을 수도 있음) 내에 위치하도록 하며, 이러할 경우 이러한 2개의 특징 포인트가 매칭되는 것으로 확정할 수 있다. 제1 특징과 제2 특징으로부터 각각 유래한 2개의 특징 포인트가 매칭되는 것으로 확정된 이후, 이러한 2개의 특징 포인트의 매칭을 이러한 2개의 특징 포인트가 속하는 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)에 기록한다. 이러한 매칭 과정에 있어서, 제1 특징과 제2 특징 중의 모든 또는 대부분의 특징 포인트들을 상대로 하여 매칭 여부를 확정할 필요가 있으며, 이로써 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)의 매칭 결과를 획득할 수 있으며, 여기서, 상이한 특징 포인트들을 상대로 하여 매칭 여부를 확정하는 것은 병렬로 진행될 수 있다.
기둥체 포인트 클라우드 데이터 특징 매칭 과정
기둥체 포인트 클라우드 데이터 특징 매칭 과정에 있어서, 매트릭스의 회전을 통해 기둥체 포인트 클라우드 데이터 특징의 형식인 제1 특징과 제2 특징을 동일한 좌표계로 전환시킨다.
제1 특징과 제2 특징을 동일한 좌표계로 전환시킨 이후, 제1 특징 중의 특징 포인트(즉, 기둥체의 중심 포인트)와 제2 특징 중의 대응되는 특징 포인트 사이의 거리를 확정하고, 해당 거리가 기정의 역치 거리보다 작을 경우, 해당 특징 포인트의 법선 벡터 및 반경과 해당 대응되는 특징 포인트의 법선 벡터 및 반경 사이의 차이를 확정하며, 해당 차이가 기정의 역치 차이보다 작을 경우, 이러한 2개의 특징 포인트가 매칭되는 것으로 확정할 수 있다. 선택적으로, 이러한 단계는 제1 특징 중의 하나의 특징 포인트 주위의 기정의 범위 내의 제2 특징으로부터 유래한 기타의 특징 포인트를 검색하는 것으로 구현될 수도 있으며, 제1 특징 중의 해당 특징 포인트와 제2 특징으로부터 유래한 임의의 특징 포인트의 법선 벡터 및 반경의 차이가 기정의 역치 차이보다 작고 제2 특징 중의 해당의 범위 내의 기타의 특징 포인트의 법선 벡터 및 반경와의 차이보다 작을 경우, 이러한 2개의 특징 포인트가 매칭되는 것으로 확정할 수 있다. 제1 특징과 제2 특징으로부터 각각 유래한 2개의 특징 포인트가 매칭되는 것으로 확정된 이후, 이러한 2개의 특징 포인트의 매칭을 이러한 2개의 특징 포인트가 속하는 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)에 기록한다. 이러한 매칭 과정에 있어서, 제1 특징과 제2 특징 중의 모든 또는 대부분의 특징 포인트들을 상대로 하여 매칭 여부를 확정할 필요가 있으며, 이로써 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)의 매칭 결과를 획득할 수 있으며, 여기서, 상이한 특징 포인트들을 상대로 하여 매칭 여부를 확정하는 것은 병렬로 진행될 수 있다.
이어서, 블록(206)에서, 블록(204)에 설명된 단계를 통해 획득한 제1 특징과 제2 특징의 특징 매칭의 결과를 기반으로 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2) 사이의 매칭 관계를 확정한다. 상술한 바와 같이, 상이한 포인트 클라우드 사이의 매칭 관계는 상이한 포인트 클라우드 사이의 공간 변환 관계, 즉, 하나의 포인트 클라우드가 어떻게 예컨대 회전, 수평 이동, 각도 변화등의 조작을 통해 다른 하나의 포인트 클라우드로 변환되는지를 포함한다. 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2) 사이의 매칭 관계를 확정함에 있어서, 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)가 지면 포인트 클라우드 데이터, 평면 포인트 클라우드 데이터를 포함하든, 아니면 기둥체 포인트 클라우드 데이터를 포함하든 간에, 진행하는 과정 단계들은 모두 동일하다.
제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2)가 매칭되는 것으로 확정한 이후, 대응되는 포인트 클라우드 데이터(즉, 모두 지면 포인트 클라우드 데이터, 평면 포인트 클라우드 데이터 또는 기둥체 포인트 클라우드 데이터임)를 상대로 하여, 랜덤 샘플링 일관성(RANSAC) 알고리즘과 같은 방법을 이용하여 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2) 사이의 아래와 같은 매칭 관계를 확정하며, 이로써 제1 포인트 클라우드 데이터(120-1)의 제1 특징과 제2 포인트 클라우드 데이터(120-2)의 제2 특징 중의 적어도 대부분의 특징들이 이러한 매칭 관계를 만족하도록 한다. 본 개시의 실시예들에 의하면, 랜덤 샘플링 일관성 알고리즘과 같은 방법을 이용하여 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2) 사이의 매칭 관계를 확정할 경우, 매칭된 각 특징 포인트를 상대로 하여 반복적 순환을 진행하여 매칭 관계를 찾을 수 있다. 그러나, 매칭된 다수의 특징 포인트들을 상대로 하여, 예컨대 중간 값을 취하는 것과 같은 방식을 이용하여 다수의 특징 포인트들을 상대로 하여 동시에 매칭 관계를 찾을 수도 있으며, 이로써 컴퓨팅 량을 상응하게 저감시킬 수 있다.
포인트 클라우드 데이터를 3가지 유형, 즉, 지면 포인트 클라우드 데이터, 평면 포인트 클라우드 데이터 및 기둥체 포인트 클라우드 데이터로 분류하므로, 상이한 유형의 포인트 클라우드 데이터를 상대로하여 상이한 자유도에 대해 매칭 관계를 찾을 수 있으며, 6개의 자유도를 상대로 하여 동시에 제1 포인트 클라우드 데이터(120-1)와 제2 포인트 클라우드 데이터(120-2) 사이의 매칭 관계를 찾을 필요가 없다. 예를 들어, 지면 포인트 클라우드 데이터는 높이 오차(z)와 회전 오차를 조정하기에 이용될 수 있으며, 평면 포인트 클라우드 데이터와 기둥체 포인트 클라우드 데이터는 평면 오차(x,y)와 각도 오차를 조정하기에 이용될 수 있다.
앞서 도2를 참조하여 컴퓨팅 장치(130)의 시각에서 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법(200)의 흐름을 설명하였다. 앞서 컴퓨팅 장치(130)의 시각에서 진행한 설명은 본 개시에 기재된 내용을 보다 잘 나타내기 위한 것일 뿐, 임의의 방식으로 한정하기 위한 것이 아님을 이해하여야 한다.
앞서 도1 및 도2를 참조하여 진행한 설명으로부터 알 수 있는 바, 본 개시의 실시예에 따른 기술적 방안은 기존의 기술들에 비해 여러가지 이점들을 구비한다. 상기 기술적 방안은 단지 포인트 클라우드 중의 포인트들로부터 생성된 상이한 특징들을 상대로 하여 정합을 진행하며, 포인트 클라우드 중의 모든 포인트들을 상대로 하여 정합을 진행할 필요가 없으므로, 정합을 진행하기에 필요한 컴퓨팅 량을 대폭으로 감소시킬 수 있다. 아울러, 포인트 클라우드 중의 포인트들을 상이한 유형으로 분류하고, 상이한 유형의 포인트는 상이한 자유도에 대응되므로, 정합을 진행할 경우 매 번마다 단지 부분적인 자유도를 상대로 할 수 있으며, 동시에 6개의 자유도를 상대로 하여 정합을 진행할 필요가 없으므로, 컴퓨팅 자원과 저장 자원을 절약할 수 있고, 연산 속도를 향상시키고, 개별적인 매칭 착오로 인해 전체적인 매칭에 착오를 초래하는 것을 피면할 수 있다. 또한, 인위적으로 동일한 대상물을 상대로 하는 특정의 특징을 구비하는 포인트를 추출하여 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 것과 비교시, 상기 기술적 방안은 수집 객체(110)로 수집한 포인트 클라우드에 대한 밀도 요구가 높지 않으며, 원시 데이터에 대한 오차 요구도 크지 않다.
도3은 본 개시의 실시예에 따른 장치(300)의 블록도를 나타낸다. 예를 들어, 도2에 도시된 바와 같은 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법(200)은 장치(300)로 구현될 수 있다. 도3에 도시된 바와 같이, 장치(300)는, 제1 포인트 클라우드 데이터에 관련된 제1 특징과 제2 포인트 클라우드 데이터에 관련된 제2 특징을 추출하도록 구축되되, 제1 포인트 클라우드 데이터와 제2 포인트 클라우드 데이터는 동일한 대상물을 상대로 하여 수집되는 추출 모듈(310)을 포함할 수 있다. 장치(300)는, 제1 특징과 제2 특징에 대해 특징 매칭을 진행하도록 구축된 매칭 모듈(320)을 더 포함할 수 있다. 장치(300)는, 특징 매칭의 결과를 기반으로 제1 포인트 클라우드 데이터와 제2 포인트 클라우드 데이터 사이의 매칭 관계를 확정하도록 구축된 확정 모듈(330)을 더 포함할 수 있다.
명확성을 목적으로, 도3에는 장치(300)의 일부 선택 가능한 모듈들이 도시되지 않는다. 그러나, 앞서 도1 내지 도2를 참조하여 설명한 각 특징들도 마찬가지로 장치(300)에 적용됨을 이해하여야 한다. 또한, 장치(300)의 각 모듈은 하드웨어 모듈일 수 있으며, 소프트웨어 모듈일 수도 있다. 예를 들어, 일부의 실시예에 있어서, 장치(300)는 소프트웨어 및/또는 펌웨어를 이용하여 부분적으로 또는 전체적으로 구현될 수 있으며, 예를 들어, 컴퓨터 판독 가능한 매체 상에 포함된 컴퓨터 프로그램 제품으로 구현될 수 있다. 선택적으로 또는 추가적으로, 장치(300)는 하드웨어를 기반으로 부분적으로 또는 전체적으로 구현될 수 있으며, 예컨대, 집적 회로(IC), 주문형 집적 회로(ASIC), 시스템 온 칩(SOC), 필드 프로그래머블 게이트 어레이(FPGA) 등으로 구현될 수 있다. 본 개시의 범위는 이러한 방면에 한정되지 않는다.
도4는 본 개시 내용의 실시예를 실시할 수 있는 예시적 기기(400)의 블록 개략도를 나타낸다. 도시된 바와 같이, 기기(400)는, 중앙 처리 유닛(401; CPU)을 포함하되, CPU(401)는 읽기 전용 메모리(402; ROM)에 저장된 컴퓨터 프로그램 명령 또는 저장 유닛(408)으로부터 랜덤 액세스 메모리(403; RAM)에 로딩된 컴퓨터 프로그램 명령에 따라 각종의 적당한 동작과 처리를 실행할 수 있다. RAM(403)에는 기기(400)의 작동에 필요한 각종의 프로그램 및 데이터가 더 저장될 수 있다. CPU(401), ROM(402) 및 RAM(403)은 버스(404)를 통해 서로 연결된다. 입력/출력(I/O) 인터페이스(405)도 버스(404)에 연결된다.
기기(400) 중의 I/O 인터페이스(405)에 연결되는 다수의 부재들로서, 키보드, 마우스 등과 같은 입력 유닛(406)과, 각종 유형의 표시 장치, 스피커 등과 같은 출력 유닛(407)과, 자기 디스크, 콤팩트 디스크 등과 같은 저장 유닛(408)과, 랜카드, 모뎀, 무선 통신 송수신기 등과 같은 통신 유닛(409)이 포함된다. 통신 유닛(409)은 인터넷과 같은 컴퓨터 네트워크 및/또는 각종의 전기 통신망을 통해 기타의 기기와 정보/데이터를 교환하는 것을 허용한다.
전술한 각 과정 및 처리, 예컨대 방법(200)은 중앙 처리 유닛(401)에 의해 실행된다. 예를 들어, 일부의 실시예들에 있어서, 방법(200)은 컴퓨터 소프트웨어 프로그램으로 구현될 수 있으며, 이는 기계 판독 가능한 매체(예컨대 저장 유닛(408))에 유형적으로 포함된다. 일부의 실시예들에 있어서, 컴퓨터 프로그램의 일부 또는 전부는 ROM(402) 및/또는 통신 유닛(409)을 경유하여 기기(400) 상에 로딩 및/또는 설치될 수 있다. 컴퓨터 프로그램이 RAM(403)에 로딩되고 CPU(401)에 의해 실행될 경우, 전술한 방법(200)의 하나 또는 다수의 동작들을 실행할 수 있다.
본 개시는 방법, 장치, 시스템 및/또는 컴퓨터 프로그램 제품일 수 있다. 컴퓨터 프로그램 제품은 컴퓨터 판독 가능한 저장 매체일 수 있으며, 컴퓨터 판독 가능한 저장 매체 상에는 본 개시의 각 방면을 실행하기 위한 컴퓨터 판독 가능한 프로그램 명령이 탑재된다.
컴퓨터 판독 가능한 저장 매체는 명령 실행 장치에 의해 사용되는 명령을 유지하거나 저장할 수 있은 유형적인 장치일 수 있다. 컴퓨터 판독 가능한 저장 매체는 예컨대 전기 저장 장치, 자기 저장 장치, 광 저장 장치, 전자기 저장 장치, 반도체 저장 장치 또는 이들의 임의의 적합한 조합일 수 있으나, 이에 한정되지 않는다. 컴퓨터 판독 가능한 저장 매체의 보다 구체적인 예시는 휴대용 컴퓨터 디스크, 하드 디스크, 랜덤 액세스 메모리(RAM), 읽기 전용 메모리(ROM), 소거 및 프로그램 가능한 읽기 전용 메모리(EPROM 또는 플래시 메모리), 정적 랜덤 액세스 메모리(SRAM), 휴대용 콤팩트 디스크 읽기 전용 메모리(CD-ROM), 디지털 다목적 디스크(DVD), 메모리 스틱, 플로피 디스크, 기계 코딩 장치, 예컨대 명령이 저장된 펀치 카드 또는 그루브 내 돌출 구조, 및 이들의 임의의 적합한 조합을 포함하나, 이에 한정되지 않는다. 본원에 사용되는 컴퓨터 판독 가능한 저장 매체는 컴퓨터 판독 가능 저장 매체는 무선전파 또는 자유롭게 전파되는 기타의 전자기파, 도파관 또는 기타의 전송 매체를 통해 전파되는 전자기파(예를 들어, 광섬유 케이블을 통한 광 펄스) 또는 전선을 통해 전송되는 전기 신호와 같은 순간 신호 자체로 해석되지 않는다.
본원에 성명된 컴퓨터 판독 가능 프로그램 명령은 컴퓨터 판독 가능 저장 매체로부터 각 컴퓨팅/프로세싱 장치로 다운로드되거나 또는 인터넷, 근거리 통신망, 광역 통신망 및/또는 무선 네트워크와 같은 네트워크를 통해 외부 컴퓨터 또는 외부 저장 장치에 다운로드될 수 있다. 네트워크는 구리 전송 케이블, 광섬유 전송, 무선 전송, 라우터, 방화벽, 교환기, 게이트웨이 컴퓨터 및 / 또는 에지 서버가 포함할 수 있다. 각 컴퓨팅/처리 장치 중의 랜카드 또는 네트워크 인터페이스는 네트워크로부터 컴퓨터 판독 가능 프로그램 명령을 수신하고, 컴퓨터 판독 가능 프로그램 명령이 각 컴퓨팅/프로세싱 장치 중의 컴퓨터 판독 가능 저장 매체에 저장되도록 컴퓨터 판독 가능 프로그램 명령을 중계한다.
본 개시의 조작을 실행하기 위한 컴퓨터 프로그램 명령은 어셈블리 명령, 명령 세트 아키텍처 (ISA) 명령, 기계 명령, 기계 관련 명령, 마이크로 코드, 펌웨어 명령, 상태 설정 데이터 또는 하나 또는 다수의 프로그래밍 언어의 임의의 조합으로 작성된 소스 코드 또는 객체 코드일 수 있으며, 상기 프로그래밍 언어는 Smalltalk, C++ 등과 같은 대상물을 상대로 하는 프로그래밍 언어, "C"언어와 같은 기존의 절차 적 프로그래밍 언어 또는 이와 유사한 프로그래밍 언어를 포함한다. 컴퓨터 판독 가능한 프로그램 명령은 완전히 사용자 컴퓨터 상에서 실행되거나, 부분적으로 사용자 컴퓨터 상에서 실행되거나, 독립적인 하나의 소프트웨어 패킷으로서 실행되거나, 부분적으로 사용자 컴퓨터 상에서 실행되고 부분적으로 원거리 컴퓨터 상에서 실행되거나, 또는 완전히 원거리 컴퓨터 또는 서버 상에서 실행될 수 있다. 원거리 컴퓨터에 관한 정경에 있어서, 원거리 컴퓨터는 근거리 통신망(LAN) 또는 광역 통신망(WAN)을 포함하는 임의의 유형의 네트워크를 통해 사용자 컴퓨터에 연결될 수 있으며, 또는 (예컨대, 인터넷 서비스 제공 업체를 이용하여 인터넷 연결을 통해) 외부 컴퓨터에 연결될 수 있다. 일부의 실시예들에 있어서, 컴퓨터 판독 가능한 프로그램 명령의 상태 정보를 이용하여 주문형 전자 회로(예컨대, 프로그래머블 로직 회로, 필드 프로그래머블 게이트 어레이(FPGA) 또는 프로그래머블 로직 어레이(PLA))를 개성화시키며, 해당 전자 회로는 본 개시의 각 방면을 구현하기 위해 컴퓨터 판독 가능한 프로그램 명령을 실행한다.
여기서 본 개시의 각 방면은 본 개시의 실시예에 따른 방법, 장치(시스템) 및 컴퓨터 프로그램 제품의 흐름도 및/또는 블록도를 참조하여 설명되었다. 흐름도 및/또는 블록도의 각 블록 및 흐름도 및/또는 블록도 중의 각 블록의 조합은 모두 컴퓨터 판독 가능한 프로그램 명령으로 구현될 수 있음을 이해하여야 한다.
이러한 컴퓨터 판독 가능한 프로그램 명령은 범용 컴퓨터, 전용 컴퓨터 또는 기타의 프로그래머블 더이터 처리 장치의 처리 유닛에 제공되어 일 기계가 생산될 수 있으며, 이로써 이러한 명령이 컴퓨터 또는 기타의 프로그래머블 데이터 처리 장치의 처리 유닛에서 실행될 경우, 흐름도 및/또는 블록도 중의 하나 또는 다수의 블록들에 규정된 기능/동작을 구현하는 장치가 생성된다. 이러한 컴퓨터 판독 가능한 프로그램 명령은 컴퓨터 판독 가능한 저장 매체에 저장될 수도 있으며, 이러한 명령은 컴퓨터, 프로그래머블 데이터 처리 장치 및/또는 기타의 장치가 특정의 방식으로 조작되게 하며, 이러할 경우 명령이 저장된 컴퓨터 판독 가능한 매체는 흐름도 및/또는 블록도 중의 하나 또는 다수의 블록에 규정된 기능/동작의 각 방면을 구현하는 명령을 포함하는 제품을 포함한다.
컴퓨터 판독 가능한 프로그램 명령은 컴퓨터, 기타의 프로그래머블 데이터 처리 장치 또는 기타의 장치에 로딩될 수도 있으며, 이로써 컴퓨터 구현의 과정을 생성하도록 컴퓨터, 기타의 프로그래머블 데이터 처리 장치 또는 기타의 장치 상에서 일련의 조작 단계들을 실행하여, 컴퓨터, 기타의 프로그래머블 데이터 처리 장치 또는 기타의 장치 상에서 실행되는 명령이 흐름도 및/또는 블록도 중의 하나 또는 다수의 블록에 규정된 기능/동작을 구현하도록 한다.
첨부된 도면 중의 흐름도와 블록도는 본 개시의 다수의 실시예들에 따른 시스템, 방법 및 컴퓨터 프로그램 제품의 구현 가능한 체계구조, 기능 및 조작을 나타낸다. 이러한 방면에 있어서, 흐름도 또는 블록도 중의 각 블록은 하나의 모듈, 프로그램 세그먼트 또는 명령의 일부분을 대표할 수 있으며, 상기 모듈, 프로그램 세그먼트 또는 명령의 일부분은 규정된 로직 기능을 구현하기 위한 하나 또는 다수의 실행 가능한 명령을 포함한다. 일부의 대체 가능한 구현에 있어서, 블록에 표기된 기능은 도면에 표기된 순서와 다른 순서로 발생할 수도 있다. 예를 들어, 연속되는 2개의 블록은 실제상 기본적으로 병행되게 실행될 수 있으며, 관련된 기능에 따라 때로는 반대되는 순서로 실행될 수도 있다. 블록도 및/또는 흐름도 중의 각 블록 및 블록도 및/또는 흐름도 중의 블록의 조합은 규정된 기능 또는 동작을 실행하기 위한 하드웨어 기반의 전문용 시스템으로 구현될 수 있으며, 또는 전문용 하드웨어와 컴퓨터 명령의 조합으로 구현될 수 있음을 유의하여야 한다.
이상에서 본 개시의 각 실시예가 설명되었으나, 전술한 설명은 예시적인 것일 뿐, 한정적인 것이 아니며, 개시된 각 실시예에 한정되는 것도 아니다. 설명된 각 실시예의 범위와 사상을 벗어나지 않고서 수많은 수정 및 변경을 진행할 수 있음을 해당 기술 분야에서 통상의 지식을 가진 기술자들은 자명할 것이다. 본원에 사용된 용어들의 선택은 각 실시예의 원리, 실제 응용 또는 시판 기술에 대한 기술적 개선을 최선으로 해석하거나 또는 해당 기술 분야에서 통상의 지식을 가진 다른 기술자들이 본원에 개시된 각 실시예를 이해할 수 있도록 하기 위한 것이다.
Claims (22)
- 제1 포인트 클라우드 데이터에 관련된 제1 특징과 제2 포인트 클라우드 데이터에 관련된 제2 특징을 추출하되, 상기 제1 포인트 클라우드 데이터와 상기 제2 포인트 클라우드 데이터는 동일한 대상물을 상대로 하여 수집된 것인 단계와,
상기 제1 특징과 상기 제2 특징에 대해 특징 매칭을 진행하는 단계와,
상기 특징 매칭의 결과를 기반으로 상기 제1 포인트 클라우드 데이터와 상기 제2 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 단계를 포함하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제1항에 있어서,
상기 제1 특징과 상기 제2 특징 각각은 적어도 특징 포인트 및 상기 특징 포인트에 대응되는 법선 벡터를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제1항에 있어서,
상기 제1 특징과 상기 제2 특징을 추출하는 단계는,
상기 제1 포인트 클라우드 데이터로부터 제1 지면 포인트 클라우드 데이터를 확정하고, 상기 제1 지면 포인트 클라우드 데이터의 중심 포인트 및 대응되는 법선 벡터를 상기 제1 특징의 특징 포인트 및 대응되는 법선 벡터로 확정하는 단계와,
상기 제2 포인트 클라우드 데이터로부터 제2 지면 포인트 클라우드 데이터를 확정하고, 상기 제2 지면 포인트 클라우드 데이터의 중심 포인트 및 대응되는 법선 벡터를 상기 제2 특징의 특징 포인트 및 대응되는 법선 벡터로 확정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제1항에 있어서,
상기 제1 특징과 상기 제2 특징을 추출하는 단계는,
상기 제1 포인트 클라우드 데이터로부터 제1 후보 평면 포인트 클라우드 데이터를 확정하고, 상기 제1 후보 평면 포인트 클라우드 데이터를 기반으로 상기 제1 특징을 확정하는 단계와,
상기 제2 포인트 클라우드 데이터로부터 제2 후보 평면 포인트 클라우드 데이터를 확정하고, 상기 제2 후보 평면 포인트 클라우드 데이터를 기반으로 상기 제2 특징을 확정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제4항에 있어서,
상기 제1 후보 평면 포인트 클라우드 데이터를 기반으로 상기 제1 특징을 확정하는 단계는,
상기 제1 후보 평면 포인트 클라우드 데이터 중의 스레드의 중단 포인트를 확정하는 단계와,
상기 중단 포인트를 기반으로 상기 스레드에 대해 세그먼팅을 진행하는 단계와,
세그먼팅된 상기 스레드에 대해 클러스터링을 진행하는 단계와,
클러스터링 결과에 대응하여, 상기 평면 포인트 클라우드 데이터의 중심 포인트 및 대응되는 법선 벡터를 상기 제1 특징의 특징 포인트 및 대응되는 법선 벡터로 확정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제3항 또는 제5항에 있어서,
상기 제1 특징과 상기 제2 특징에 대해 특징 매칭을 진행하는 단계는,
상기 제1 특징과 상기 제2 특징을 동일한 좌표계로 전환시키는 단계와,
상기 제1 특징의 특징 포인트와 상기 제2 특징의 특징 포인트의 거리를 확정하는 단계와,
상기 거리가 역치 거리보다 작음에 대응하여, 상기 제1 특징의 법선 벡터와 상기 제2 특징의 법선 벡터 사이의 차이를 확정하는 단계와,
상기 차이가 역치 차이보다 작음에 대응하여, 상기 제1 특징과 상기 제2 특징이 매칭됨을 확정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제1항에 있어서,
상기 제1 특징과 상기 제2 특징을 추출하는 단계는,
상기 제1 포인트 클라우드 데이터로부터 제1 후보 기둥체 포인트 클라우드 데이터를 확정하고, 상기 제1 후보 기둥체 포인트 클라우드 데이터를 기반으로 상기 제1 특징을 확정하는 단계와,
상기 제2 포인트 클라우드 데이터로부터 제2 후보 기둥체 포인트 클라우드 데이터를 확정하고, 상기 제2 후보 기둥체 포인트 클라우드 데이터를 기반으로 상기 제2 특징을 확정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제7항에 있어서,
상기 제1 후보 기둥체 포인트 클라우드 데이터를 기반으로 상기 제1 특징을 확정하는 단계는,
상기 제1 후보 기둥체 포인트 클라우드 데이터 중의 주요 방향과 지면 법선 벡터 사이의 협각이 역치 협각보다 작은 포인트 클라우드 데이터에 대해 클러스트링을 진행하는 단계와,
클러스터링 결과에 대응하여, 상기 기둥체 포인트 클라우드 데이터의 중심 포인트, 법선 벡터 및 반경을 상기 제1 특징의 특징 포인트, 법선 벡터 및 반경으로 확정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제8항에 있어서,
상기 제1 특징과 상기 제2 특징에 대해 특징 매칭을 진행하는 단계는,
상기 제1 특징과 상기 제2 특징을 동일한 좌표계로 전환시키는 단계와,
상기 제1 특징의 특징 포인트와 상기 제2 특징의 특징 포인트의 거리를 확정하는 단계와,
상기 거리가 역치 거리보다 작음에 대응하여, 상기 제1 특징의 법선 벡터 및 반경과 상기 제2 특징의 법선 벡터 및 반경 사이의 차이를 확정하는 단계와,
상기 차이가 역치 차이보다 작음에 대응하여, 상기 제1 특징과 상기 제2 특징이 매칭됨을 확정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제1항에 있어서,
상기 제1 포인트 클라우드 데이터와 상기 제2 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 단계는,
상기 제1 특징과 상기 제2 특징이 매칭됨에 대응하여, 상기 제1 포인트 클라우드 데이터와 상기 제2 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법. - 제1 포인트 클라우드 데이터에 관련된 제1 특징과 제2 포인트 클라우드 데이터에 관련된 제2 특징을 추출하도록 구축되되, 상기 제1 포인트 클라우드 데이터와 상기 제2 포인트 클라우드 데이터는 동일한 대상물을 상대로 하여 수집된 것인 추출 모듈과,
상기 제1 특징과 상기 제2 특징에 대해 특징 매칭을 진행하도록 구축된 매칭 모듈과,
상기 특징 매칭의 결과를 기반으로 상기 제1 포인트 클라우드 데이터와 상기 제2 포인트 클라우드 데이터 사이의 매칭 관계를 확정하도록 구축된 확정 모듈을 포함하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 제11항에 있어서,
상기 제1 특징과 상기 제2 특징 각각은 적어도 특징 포인트 및 상기 특징 포인트에 대응되는 법선 벡터를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 제11항에 있어서,
상기 추출 모듈은,
상기 제1 포인트 클라우드 데이터로부터 제1 지면 포인트 클라우드 데이터를 확정하고, 상기 제1 지면 포인트 클라우드 데이터의 중심 포인트 및 대응되는 법선 벡터를 상기 제1 특징의 특징 포인트 및 대응되는 법선 벡터로 확정하며,
상기 제2 포인트 클라우드 데이터로부터 제2 지면 포인트 클라우드 데이터를 확정하고, 상기 제2 지면 포인트 클라우드 데이터의 중심 포인트 및 대응되는 법선 벡터를 상기 제2 특징의 특징 포인트 및 대응되는 법선 벡터로 확정하도록 더 구축되는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 제11항에 있어서,
상기 추출 모듈은,
상기 제1 포인트 클라우드 데이터로부터 제1 후보 평면 포인트 클라우드 데이터를 확정하고, 상기 제1 후보 평면 포인트 클라우드 데이터를 기반으로 상기 제1 특징을 확정하며,
상기 제2 포인트 클라우드 데이터로부터 제2 후보 평면 포인트 클라우드 데이터를 확정하고, 상기 제2 후보 평면 포인트 클라우드 데이터를 기반으로 상기 제2 특징을 확정하도록 더 구축되는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 제14항에 있어서,
상기 추출 모듈은,
상기 제1 후보 평면 포인트 클라우드 데이터 중의 스레드의 중단 포인트를 확정하고,
상기 중단 포인트를 기반으로 상기 스레드에 대해 세그먼팅을 진행하고,
세그먼팅된 상기 스레드에 대해 클러스터링을 진행하며,
클러스터링 결과에 대응하여, 상기 평면 포인트 클라우드 데이터의 중심 포인트 및 대응되는 법선 벡터를 상기 제1 특징의 특징 포인트 및 대응되는 법선 벡터로 확정하도록 더 구축되는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 제13항 또는 제15항에 있어서,
상기 매칭 모듈은,
상기 제1 특징과 상기 제2 특징을 동일한 좌표계로 전환시키고,
상기 제1 특징의 특징 포인트와 상기 제2 특징의 특징 포인트의 거리를 확정하고,
상기 거리가 역치 거리보다 작음에 대응하여, 상기 제1 특징의 법선 벡터와 상기 제2 특징의 법선 벡터 사이의 차이를 확정하며,
상기 차이가 역치 차이보다 작음에 대응하여, 상기 제1 특징과 상기 제2 특징이 매칭됨을 확정하도록 더 구축되는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 제11항에 있어서,
상기 추출 모듈은,
상기 제1 포인트 클라우드 데이터로부터 제1 후보 기둥체 포인트 클라우드 데이터를 확정하고, 상기 제1 후보 기둥체 포인트 클라우드 데이터를 기반으로 상기 제1 특징을 확정하며,
상기 제2 포인트 클라우드 데이터로부터 제2 후보 기둥체 포인트 클라우드 데이터를 확정하고, 상기 제2 후보 기둥체 포인트 클라우드 데이터를 기반으로 상기 제2 특징을 확정하도록 더 구축되는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 제17항에 있어서,
상기 추출 모듈은,
상기 제1 후보 기둥체 포인트 클라우드 데이터 중의 주요 방향과 지면 법선 벡터 사이의 협각이 역치 협각보다 작은 포인트 클라우드 데이터에 대해 클러스트링을 진행하고,
클러스터링 결과에 대응하여, 상기 기둥체 포인트 클라우드 데이터의 중심 포인트, 법선 벡터 및 반경을 상기 제1 특징의 특징 포인트, 법선 벡터 및 반경으로 확정하도록 더 구축되는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 제18항에 있어서,
상기 매칭 모듈은,
상기 제1 특징과 상기 제2 특징을 동일한 좌표계로 전환시키고,
상기 제1 특징의 특징 포인트와 상기 제2 특징의 특징 포인트의 거리를 확정하고,
상기 거리가 역치 거리보다 작음에 대응하여, 상기 제1 특징의 법선 벡터 및 반경과 상기 제2 특징의 법선 벡터 및 반경 사이의 차이를 확정하며,
상기 차이가 역치 차이보다 작음에 대응하여, 상기 제1 특징과 상기 제2 특징이 매칭됨을 확정하도록 더 구축되는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 제11항에 있어서,
상기 확정 모듈은,
상기 제1 특징과 상기 제2 특징이 매칭됨에 대응하여, 상기 제1 포인트 클라우드 데이터와 상기 제2 포인트 클라우드 데이터 사이의 매칭 관계를 확정하도록 더 구축되는 것을 특징으로 하는 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 장치. - 하나 또는 다수의 프로세서와,
하나 또는 다수의 프로그램을 저장하기 위한 저장 장치를 포함하되,
상기 하나 또는 다수의 프로그램이 상기 하나 또는 다수의 프로세서에 의해 실행될 경우, 상기 하나 또는 다수의 프로세서가 제1항 내지 제10항 중의 임의의 한 항의 방법을 구현하도록 하는 기기. - 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 저장 매체에 있어서,
상기 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제10항 중의 임의의 한 항의 방법을 구현하는 컴퓨터 판독 가능한 저장 매체.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711478277.5 | 2017-12-29 | ||
CN201711478277.5A CN108228798B (zh) | 2017-12-29 | 2017-12-29 | 确定点云数据之间的匹配关系的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190082062A true KR20190082062A (ko) | 2019-07-09 |
KR102125959B1 KR102125959B1 (ko) | 2020-06-24 |
Family
ID=62646898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180116484A KR102125959B1 (ko) | 2017-12-29 | 2018-09-28 | 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10853687B2 (ko) |
EP (1) | EP3506162B1 (ko) |
JP (1) | JP6837467B2 (ko) |
KR (1) | KR102125959B1 (ko) |
CN (1) | CN108228798B (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200096408A (ko) * | 2019-01-30 | 2020-08-12 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정 |
KR102359250B1 (ko) * | 2021-04-29 | 2022-02-08 | 주식회사 메이사 | 포인트 클라우드 추론 장치 및 그 방법 |
KR20220018371A (ko) * | 2020-08-06 | 2022-02-15 | 국방과학연구소 | 3차원 지형 모델 복원을 위한 점군 데이터 정합 방법 및 그 장치 |
Families Citing this family (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11294060B2 (en) * | 2018-04-18 | 2022-04-05 | Faraday & Future Inc. | System and method for lidar-based vehicular localization relating to autonomous navigation |
US11287266B2 (en) * | 2019-03-13 | 2022-03-29 | Here Global B.V. | Maplets for maintaining and updating a self-healing high definition map |
US11096026B2 (en) | 2019-03-13 | 2021-08-17 | Here Global B.V. | Road network change detection and local propagation of detected change |
US11255680B2 (en) | 2019-03-13 | 2022-02-22 | Here Global B.V. | Maplets for maintaining and updating a self-healing high definition map |
US11287267B2 (en) | 2019-03-13 | 2022-03-29 | Here Global B.V. | Maplets for maintaining and updating a self-healing high definition map |
US11402220B2 (en) | 2019-03-13 | 2022-08-02 | Here Global B.V. | Maplets for maintaining and updating a self-healing high definition map |
US11280622B2 (en) | 2019-03-13 | 2022-03-22 | Here Global B.V. | Maplets for maintaining and updating a self-healing high definition map |
CN110136181B (zh) * | 2019-05-17 | 2021-08-20 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
WO2020232709A1 (en) * | 2019-05-23 | 2020-11-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for evaluating quality of a point cloud map |
CN110163900B (zh) * | 2019-05-31 | 2021-04-20 | 北京百度网讯科技有限公司 | 用于调整点云数据方法和装置 |
CN110348310A (zh) * | 2019-06-12 | 2019-10-18 | 西安工程大学 | 一种霍夫投票3d彩色点云识别方法 |
CN112147637B (zh) * | 2019-06-28 | 2024-07-02 | 杭州海康机器人股份有限公司 | 一种机器人重定位方法和装置 |
CN114041169A (zh) * | 2019-07-03 | 2022-02-11 | Lg 电子株式会社 | 点云数据发送设备、点云数据发送方法、点云数据接收设备、以及点云数据接收方法 |
WO2021016803A1 (zh) * | 2019-07-29 | 2021-02-04 | 深圳市大疆创新科技有限公司 | 高精度地图定位方法、***、平台及计算机可读存储介质 |
CN110456321B (zh) * | 2019-08-21 | 2021-07-30 | 森思泰克河北科技有限公司 | 滤除雷达误报的方法、终端设备及存储介质 |
WO2021035532A1 (en) * | 2019-08-27 | 2021-03-04 | Beijing Voyager Technology Co., Ltd. | Systems and methods for positioning target subject |
DE102019123483B4 (de) * | 2019-09-02 | 2021-12-09 | Audi Ag | Verfahren sowie Kraftfahrzeug-Steuereinheit zum Erfassen einer Umgebung eines Kraftfahrzeugs durch Fusionieren von Sensordaten auf Punktwolkenebene |
US11106936B2 (en) * | 2019-09-05 | 2021-08-31 | General Atomics | Object point cloud comparison and matching |
CN110782457B (zh) * | 2019-09-06 | 2023-05-23 | 广东工业大学 | 一种基于无人机电力巡检的点云数据分割方法 |
JP6819758B1 (ja) * | 2019-09-30 | 2021-01-27 | ダイキン工業株式会社 | 点群データ同一性推定装置及び点群データ同一性推定システム |
CN110738730B (zh) * | 2019-10-15 | 2023-07-18 | 业成科技(成都)有限公司 | 点云匹配方法、装置、计算机设备和存储介质 |
CN111009002B (zh) * | 2019-10-16 | 2020-11-06 | 贝壳找房(北京)科技有限公司 | 点云配准检测方法、装置以及电子设备、存储介质 |
CN110796671B (zh) * | 2019-10-31 | 2022-08-26 | 深圳市商汤科技有限公司 | 数据处理方法及相关装置 |
JP7517675B2 (ja) | 2020-01-31 | 2024-07-17 | Necソリューションイノベータ株式会社 | 地図データ生成装置、地図データ生成方法、及びプログラム |
CN111369602B (zh) * | 2020-02-25 | 2023-10-27 | 阿波罗智能技术(北京)有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN111487641B (zh) * | 2020-03-19 | 2022-04-22 | 福瑞泰克智能***有限公司 | 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质 |
CN111553881A (zh) * | 2020-03-27 | 2020-08-18 | 武汉地大信息工程股份有限公司 | 基于三维点云识别的检测铁塔形变的方法和*** |
CN111461194B (zh) * | 2020-03-27 | 2024-03-12 | 广州小鹏汽车科技有限公司 | 点云处理方法及装置、行驶控制方法、电子装置和车辆 |
CN111428692A (zh) * | 2020-04-23 | 2020-07-17 | 北京小马慧行科技有限公司 | 运载工具的行驶轨迹的确定方法、确定装置与存储介质 |
CN111738292B (zh) * | 2020-05-18 | 2024-01-23 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN111765882B (zh) * | 2020-06-18 | 2024-07-12 | 浙江华睿科技股份有限公司 | 激光雷达定位方法及其相关装置 |
CN111681282A (zh) * | 2020-06-18 | 2020-09-18 | 浙江大华技术股份有限公司 | 一种栈板识别处理方法及装置 |
JP7163342B2 (ja) | 2020-06-29 | 2022-10-31 | 京セラ株式会社 | 電子機器、電子機器の制御方法、及びプログラム |
CN112835086B (zh) * | 2020-07-09 | 2022-01-28 | 北京京东乾石科技有限公司 | 确定车辆位置的方法和装置 |
CN112835085B (zh) * | 2020-07-09 | 2022-04-12 | 北京京东乾石科技有限公司 | 确定车辆位置的方法和装置 |
CN112102375B (zh) * | 2020-07-22 | 2024-04-12 | 广州视源电子科技股份有限公司 | 一种点云配准可靠性检测的方法、装置、移动智慧设备 |
CN111967100B (zh) * | 2020-07-24 | 2023-11-24 | 上海市计量测试技术研究院 | 一种基于改进蚁群算法拟合螺纹中轴线的方法 |
CN114067555B (zh) * | 2020-08-05 | 2023-02-17 | 北京万集科技股份有限公司 | 多基站数据的配准方法、装置、服务器和可读存储介质 |
CN112200767B (zh) * | 2020-09-04 | 2023-08-01 | 群滨智造科技(苏州)有限公司 | 一种基于pca的点云数据端点提取方法和装置 |
CN111929694B (zh) * | 2020-10-12 | 2021-01-26 | 炬星科技(深圳)有限公司 | 点云匹配方法、设备及存储介质 |
CN112348897A (zh) * | 2020-11-30 | 2021-02-09 | 上海商汤临港智能科技有限公司 | 位姿确定方法及装置、电子设备、计算机可读存储介质 |
CN112630793B (zh) * | 2020-11-30 | 2024-05-17 | 深圳集智数字科技有限公司 | 一种确定平面异常点的方法和相关装置 |
CN112650790B (zh) * | 2020-12-28 | 2023-10-13 | 北京字节跳动网络技术有限公司 | 目标点云平面确定方法,装置,电子设备及存储介质 |
CN112767512B (zh) * | 2020-12-31 | 2024-04-19 | 广州小鹏自动驾驶科技有限公司 | 一种环境线状元素生成方法、装置、电子设备及存储介质 |
KR20220112072A (ko) | 2021-02-03 | 2022-08-10 | 한국전자통신연구원 | 점군 데이터 정합 오차 최소점 탐색 장치 및 방법 |
CN113468941B (zh) * | 2021-03-11 | 2023-07-18 | 长沙智能驾驶研究院有限公司 | 障碍物检测方法、装置、设备及计算机存储介质 |
CN113011113B (zh) * | 2021-03-23 | 2022-04-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种离散点云重复点快速查找方法 |
CN112733971B (zh) * | 2021-04-02 | 2021-11-16 | 北京三快在线科技有限公司 | 扫描设备的位姿确定方法、装置、设备及存储介质 |
CN113341396B (zh) * | 2021-05-28 | 2023-12-15 | 深圳市优必选科技股份有限公司 | 机器人及其充电桩识别方法和装置 |
CN113343840B (zh) * | 2021-06-02 | 2022-03-08 | 合肥泰瑞数创科技有限公司 | 基于三维点云的对象识别方法及装置 |
CN113436336B (zh) * | 2021-06-22 | 2024-01-12 | 京东鲲鹏(江苏)科技有限公司 | 地面点云分割方法和装置及自动驾驶车辆 |
CN116069051B (zh) * | 2021-10-29 | 2024-03-19 | 北京三快在线科技有限公司 | 无人机的控制方法、装置、设备及可读存储介质 |
CN114236488B (zh) * | 2021-11-18 | 2024-05-14 | 深圳成谷科技有限公司 | 目标分类方法、目标分类装置、终端设备及存储介质 |
CN114371485B (zh) * | 2022-03-21 | 2022-06-10 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于icp与多特征数据关联的障碍物预测与跟踪方法 |
CN115272433B (zh) * | 2022-09-23 | 2022-12-09 | 武汉图科智能科技有限公司 | 用于无人机自动避障的轻量点云配准方法及*** |
CN115661215B (zh) * | 2022-10-17 | 2023-06-09 | 北京四维远见信息技术有限公司 | 一种车载激光点云数据配准方法、装置、电子设备及介质 |
CN116523984B (zh) * | 2023-07-05 | 2023-09-26 | 矽瞻科技(成都)有限公司 | 一种3d点云定位及配准方法、设备和介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006084385A1 (en) * | 2005-02-11 | 2006-08-17 | Macdonald Dettwiler & Associates Inc. | 3d imaging system |
KR20140133773A (ko) * | 2012-06-14 | 2014-11-20 | 소프트키네틱 소프트웨어 | 3-차원 물체 모델링, 피팅 및 트랙킹 |
US20150123995A1 (en) * | 2013-11-07 | 2015-05-07 | Here Global B.V. | Method and apparatus for processing and aligning data point clouds |
US20150154199A1 (en) * | 2013-11-07 | 2015-06-04 | Autodesk, Inc. | Automatic registration |
US20150254857A1 (en) * | 2014-03-10 | 2015-09-10 | Sony Corporation | Image processing system with registration mechanism and method of operation thereof |
US20150288947A1 (en) * | 2014-04-03 | 2015-10-08 | Airbus Ds Gmbh | Position and location detection of objects |
US20160187130A1 (en) * | 2014-12-19 | 2016-06-30 | Leica Geosystems Ag | Method for determining a position and orientation offset of a geodetic surveying device and such a surveying device |
JP2017009616A (ja) * | 2011-08-29 | 2017-01-12 | 国立大学法人北海道大学 | 柱状物体抽出方法、柱状物体抽出プログラム、及び柱状物体抽出装置 |
US20190043255A1 (en) * | 2016-02-11 | 2019-02-07 | 3M Innovative Properties Company | Population-based surface mesh reconstruction |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839701B (zh) * | 2010-05-27 | 2012-03-21 | 中国科学院自动化研究所 | 树木点云数据的自动分割方法 |
JP6114052B2 (ja) | 2013-02-13 | 2017-04-12 | 日本電信電話株式会社 | 点群解析処理装置及び点群解析処理プログラム |
JP2015184061A (ja) | 2014-03-20 | 2015-10-22 | 株式会社東芝 | 抽出装置、方法及びプログラム |
CN104143210B (zh) * | 2014-07-31 | 2017-04-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
CN104299260B (zh) * | 2014-09-10 | 2017-05-17 | 西南交通大学 | 一种基于sift和lbp的点云配准的接触网三维重建方法 |
JP6525148B2 (ja) * | 2015-06-09 | 2019-06-05 | 株式会社パスコ | 軌跡推定方法、軌跡推定装置及び軌跡推定プログラム |
JP6545065B2 (ja) * | 2015-09-30 | 2019-07-17 | 株式会社日立ビルシステム | 3次元点群データのモデリング装置、モデリングプログラム及びエレベータガイドレールのモデリング方法 |
JP6693193B2 (ja) * | 2016-03-15 | 2020-05-13 | 富士通株式会社 | 情報処理装置及び情報合成プログラム |
CN106530342B (zh) * | 2016-10-31 | 2017-08-25 | 武汉大学 | 利用激光点云辅助的可量测全景影像生成方法 |
-
2017
- 2017-12-29 CN CN201711478277.5A patent/CN108228798B/zh active Active
-
2018
- 2018-09-28 KR KR1020180116484A patent/KR102125959B1/ko active IP Right Grant
- 2018-12-26 US US16/232,720 patent/US10853687B2/en active Active
- 2018-12-26 JP JP2018242682A patent/JP6837467B2/ja active Active
- 2018-12-27 EP EP18248068.1A patent/EP3506162B1/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006084385A1 (en) * | 2005-02-11 | 2006-08-17 | Macdonald Dettwiler & Associates Inc. | 3d imaging system |
US20100098327A1 (en) * | 2005-02-11 | 2010-04-22 | Mas Donald Dettwiler And Associates Inc. | 3D Imaging system |
JP2017009616A (ja) * | 2011-08-29 | 2017-01-12 | 国立大学法人北海道大学 | 柱状物体抽出方法、柱状物体抽出プログラム、及び柱状物体抽出装置 |
KR20140133773A (ko) * | 2012-06-14 | 2014-11-20 | 소프트키네틱 소프트웨어 | 3-차원 물체 모델링, 피팅 및 트랙킹 |
US20150123995A1 (en) * | 2013-11-07 | 2015-05-07 | Here Global B.V. | Method and apparatus for processing and aligning data point clouds |
US20150154199A1 (en) * | 2013-11-07 | 2015-06-04 | Autodesk, Inc. | Automatic registration |
US20150254857A1 (en) * | 2014-03-10 | 2015-09-10 | Sony Corporation | Image processing system with registration mechanism and method of operation thereof |
US20150288947A1 (en) * | 2014-04-03 | 2015-10-08 | Airbus Ds Gmbh | Position and location detection of objects |
US20160187130A1 (en) * | 2014-12-19 | 2016-06-30 | Leica Geosystems Ag | Method for determining a position and orientation offset of a geodetic surveying device and such a surveying device |
US20190043255A1 (en) * | 2016-02-11 | 2019-02-07 | 3M Innovative Properties Company | Population-based surface mesh reconstruction |
Non-Patent Citations (1)
Title |
---|
Vosselman, et al. "Contextual segment-based classification of airborne laser scanner data." ISPRS journal of photogrammetry and remote sensing 128 (2017.04.26.)* * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200096408A (ko) * | 2019-01-30 | 2020-08-12 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정 |
KR20220018371A (ko) * | 2020-08-06 | 2022-02-15 | 국방과학연구소 | 3차원 지형 모델 복원을 위한 점군 데이터 정합 방법 및 그 장치 |
KR102359250B1 (ko) * | 2021-04-29 | 2022-02-08 | 주식회사 메이사 | 포인트 클라우드 추론 장치 및 그 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN108228798A (zh) | 2018-06-29 |
JP2019133646A (ja) | 2019-08-08 |
US20190205695A1 (en) | 2019-07-04 |
JP6837467B2 (ja) | 2021-03-03 |
US10853687B2 (en) | 2020-12-01 |
EP3506162A1 (en) | 2019-07-03 |
CN108228798B (zh) | 2021-09-17 |
KR102125959B1 (ko) | 2020-06-24 |
EP3506162B1 (en) | 2024-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190082062A (ko) | 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 | |
KR102210715B1 (ko) | 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기 | |
CN110232329B (zh) | 基于深度学习的点云分类方法、装置、存储介质及设备 | |
US11495026B2 (en) | Aerial line extraction system and method | |
KR20210052409A (ko) | 차선의 확정방법, 포지셔닝 정밀도의 평가방법, 장치, 기기 및 컴퓨터 프로그램 | |
CN112305559A (zh) | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、***和电子设备 | |
Seers et al. | Extraction of three-dimensional fracture trace maps from calibrated image sequences | |
JP5870011B2 (ja) | 点群解析装置、点群解析方法及び点群解析プログラム | |
Yadav et al. | Identification of trees and their trunks from mobile laser scanning data of roadway scenes | |
CN114677435A (zh) | 一种点云全景融合要素提取方法和*** | |
CN114387319A (zh) | 点云配准方法、装置、设备以及存储介质 | |
CN112116549A (zh) | 用于评估点云地图精度的方法和装置 | |
CN113280764A (zh) | 基于多星协同技术的输变电工程扰动范围定量监测方法及*** | |
CN114882316A (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
Xing et al. | An improved automatic pointwise semantic segmentation of a 3D urban scene from mobile terrestrial and airborne LiDAR point clouds: A machine learning approach | |
Laupheimer et al. | The importance of radiometric feature quality for semantic mesh segmentation | |
CN117371949B (zh) | 基于三维可视化模型的输电线路施工安全监测方法及*** | |
CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
Xin et al. | Accurate and complete line segment extraction for large-scale point clouds | |
Ni et al. | Applications of 3d-edge detection for als point cloud | |
EP3467764A1 (en) | Image processing method and image processing apparatus | |
Daudt et al. | Learning to understand earth observation images with weak and unreliable ground truth | |
CN115937449A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
Li et al. | [Retracted] PointLAE: A Point Cloud Semantic Segmentation Neural Network via Multifeature Aggregation for Large‐Scale Application | |
CN113901903A (zh) | 道路识别方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |