专利汇可以提供一种三维点云道路边界自动提取方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及点 云 处理领域,具体公开了一种三维点云道路边界自动提取方法,包括以下步骤:S1、对获得的整个三维点云数据集P,筛选 种子 点进行超 体素 划分;S2、使用α‑shape 算法 提取邻近非共面的超体素之间的边界点;S3、使用基于图割的 能量 最小化算法提取道路边界点;S4、基于欧几里得距离 聚类算法 去除离群点;S5、将提取的道路边界点拟合成平滑曲线。本发明的方法可以直接运行在大规模三维点云上,可用于不同场景,计算速度快,算法鲁棒性好,可快速提取道路边界。,下面是一种三维点云道路边界自动提取方法专利的具体信息内容。
1.一种三维点云道路边界自动提取方法,其特征在于:包括以下步骤:
S1、对获得的整个三维点云数据集P,筛选种子点进行超体素划分;
S2、使用α-shape算法提取邻近非共面的超体素之间的边界点;
S3、使用基于图割的能量最小化算法提取道路边界点;
S4、基于欧几里得距离聚类算法去除离群点;
S5、将去除离群点后的道路边界点拟合成平滑曲线;
其中,步骤S1对超体素的划分过程包括如下步骤:
S11、求解拟合平面Tp(Pi),其中,Pi为整个三维点云数据集P的每个输入点;
S12、去除非地面点;
S13、计算超体素fi;
并且,求解拟合平面Tp(Pi)具体步骤如下:
对于整个三维点云数据集P的每个输入点Pi,其切平面Tp(Pi)可以表示为由其中心点oi和法向量nl组成的二元组,即:
其中, 为法向量nl的估算值,
三维空间内的任一点p到Tp(Pi)的距离可以表示为:
记Pi的K近邻构成的集合为NbK(Pi),通过求解下式可以得到最小二乘意义下的最佳拟合平面:
然后采用迭代重加权的最小二乘法来优化拟合的平面:
解带权最小二乘方程即可得到优化后的拟合平面Tp(Pi):
对优化后的拟合平面Tp(Pi)重复上述求解过程,直到解带权最小二乘方程的算法收敛。
2.根据权利要求1所述的一种三维点云道路边界自动提取方法,其特征在于:步骤S2使用α-shape算法提取邻近非共面的超体素之间的边界点的具体步骤为:
将点云分割成超体素以后,对于每个超体素,可以使用α-shape算法来提取边界点,同时,去除两个彼此共面的超体素之间的边界点,即如果两个超体素的法向量夹角小于
22.5°,则删除这两个超体素之间的边界点,此时的边界点Pb包括道路边界点和非道路边界点。
3.根据权利要求1所述的一种三维点云道路边界自动提取方法,其特征在于:
S12、去除非地面点的具体步骤如下:
记最终构成拟合平面Tp(Pi)的点集的协方差矩阵的三个特征值为λ1,λ2,和λ3,且满足λ1≥λ2≥λ3,则点Pi的平滑度s(Pi)可以表示为:
使用下面两个限制来去除非地面点:
A、去除明显高于路面的点,即zi≥5m的点,zi为点Pi的高度值;
B、去除其法向量与Z轴夹角大于22.5°的点。
4.根据权利要求2所述的一种三维点云道路边界自动提取方法,其特征在于:
S13、计算超体素fi的具体步骤如下:
将去除非地面点以后的点集Pg按照每个点的平滑度排序,首先选择平滑度大于预设值的点作为种子点,从种子点开始进行区域增长的方式来计算超体素;将超体素fi形式化的定义为一个由所属点Pi,中心点oi,和法向量nl所构成的三元组 对每个种子点seedi,令其初始的超体素fi的初始点集为{Pi},中心点和法向量分别是Tp(Pi).oi和Tp(Pi).nl;然后,采用宽度优先的原则对fi进行区域增长,对每个候选点Pj,如果同时满足(1)Pj到Pi的距离小于阈值Rseed;(2)向量Tp(Pj).nl与Tp(Pi).nl的夹角小于22.5°;(3)Pj到Tp(Pi)的距离小于阈值∈;则将Pj加入到fi的点集中,当fi无法再扩展时,根据三元组fi中的Pi这一项fi.Pi使用最小二乘法拟合平面,并将三元组fi中的 这一项 更新为拟合平面的法向量;在计算得到的所有fi三元组的基础上采用局部K均值聚类来将点赋值于超体素,并保证每个点到其所属的超体素的距离小于到其他超体素的距离,这里的距离函数定义为:
其中Ds,Dn和Di分别是欧几里得距离,法向量距离以及强度距离,ωs,ωn和ωi分别是这三个距离值对应的权值。
5.根据权利要求4所述的三维点云道路边界自动提取方法,其特征在于:步骤S3使用基于图割的能量最小化算法提取道路边界点,具体如下:
将车载激光扫描系统提供的车辆行驶轨迹线数据,作为初始观测模型,利用图割算法将边界点分为以下两类{“道路边界点”,“非道路边界点”},即图割算法的目标是,求得一个分类函数f给每个点分配一个标签fp∈L,L为类别集合{“道路边界点”,“非道路边界点”},使得付出的代价最小,即使得能量公式最小化,
这里能量公式定义为:
E(f)=Edata(f)+λ·Esmooth(f)
这里Edata(f),即能量公式中的数据项,指的是分类结果与初始观测模型比较的误差,是分类过程中给每个点分配标签的代价,Esmooth(f),即能量公式中的光滑项,指的是分类函数f非光滑的程度,具体是指分类过程中每个点与邻近点之间分类结果不一致的代价,λ是光滑项Esmooth(f)的权重,这里按经验设置为32,其中,
这里Pb是指步骤S2中提取到的边界点的集合,n是Pi所属超体素的点集的势,Δdj是指点Pj到直线 的距离,Δdi是指点Pi邻域内所有点到直线 的平均冗余,σ1是指点集Pg中所有点的平均冗余,直线 定义为经过点Pi且方向向量与距离Pi最近的轨迹线方向一致,为Pi的标签, 为Pj的标签,(xi,yi,zi),(xj,yj,zj)分别是点Pi和Pj的三维坐标,是指点Pi和Pj的欧几里得距离,这里 表示的是如果点Pi和Pj分
配的标签一致的话,代价为零,反之代价为B{Pi,Pj},
这里σ2指的是点集Pb的空间分辨率,使用图割算法求得上述能量公式最小值的结果即将边界点分为两类,一类是道路边界点,另一类是非道路边界点。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
超市停车引导反向寻车和出场引导的系统和方法 | 2020-05-08 | 354 |
一种基于量化和事件的集值卡尔曼滤波方法 | 2020-05-18 | 757 |
一种自然场景文字检测的方法 | 2020-05-13 | 579 |
基于旋翼飞行机器人的动态更新视觉跟踪航拍方法及系统 | 2020-05-12 | 491 |
一种基于5G的椎体强化遥操作系统 | 2020-05-17 | 544 |
一种视觉传感网络的快速通用标定方法 | 2020-05-17 | 849 |
一种基于图像处理的梨果实横纵径测量方法 | 2020-05-18 | 646 |
一种基于目标感知相关滤波的目标跟踪方法 | 2020-05-14 | 630 |
一种智慧景区实景语义地图的生成与辅助定位方法 | 2020-05-14 | 954 |
基于YOLO和LSTM的地震速度谱智能拾取方法 | 2020-05-16 | 857 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。