点云数据的分类方法及装置的制造方法

点云数据的分类方法及装置的制造方法

【技术领域】

[0001] 本发明实施例涉及点云数据处理技术，尤其涉及一种点云数据的分类方法及装 置。

【背景技术】

[0002] 三维高精地图被工业界和学术界公认为下一代数字地图的主要发展方向，是实现 汽车自动驾驶和辅助驾驶的前提条件，为自动驾驶汽车进行精确定位和正确决策提供主要 依据。激光点云数据分类是三维高精地图生产中的一个关键环节，点云数据的分类算法用 于减少数据生产过程中人工的干预，提高三维高精度地图的生产效率。

[0003] 现有技术中，将通过测量仪器得到的物品外观表面的点数据集合称之为点云数 据。在对点云数据进行分类时，首先采用点、边缘、面片等局部特征进行目标识别，即通过局 部识别整体;然后进行待分类点云和点云模型库特征点对的对应性搜索；最后通过计算相 关系数的方式进行点云数据的分类。

[0004] 然而，采用点、边缘、面片等局部特征进行目标识别和分类时，需要进行待分类点 云和点云模型库特征点对的对应性搜索，由于物体表面的点、边缘、片面等局部特征较多， 使得对应性搜索的计算代价较为高昂。

【发明内容】

[0005] 本发明提供一种点云数据的分类方法及装置，以实现降低对应性搜索的计算代 价，提高点云数据的分类效率。

[0006] 第一方面，本发明实施例提供了一种点云数据的分类方法，包括：

[0007] 获取第一有向点对应的第一旋转图像，所述第一有向点为点云数据中的任一有向 占.

[0008] 根据至少一个第一旋转图像对应的第一直方图确定协方差矩阵；

[0009] 根据所述协方差矩阵计算所述点云数据的特征描述向量；

[0010] 将所述点云数据的特征描述向量带入分类器进行分类处理。

[0011] 第二方面，本发明实施例还提供了一种点云数据的分类装置，包括：

[0012] 旋转图像获取单元，用于获取第一有向点对应的第一旋转图像，所述第一有向点 为点云数据中的任一有向点；

[0013] 协方差矩阵确定单元，用于根据所述旋转图像获取单元获取的至少一个第一旋转 图像对应的第一直方图确定协方差矩阵；

[0014] 特征描述向量计算单元，用于根据所述协方差矩阵确定单元确定的所述协方差矩 阵计算所述点云数据的特征描述向量；

[0015] 分类处理单元，用于将所述特征描述向量计算单元得到的所述点云数据的特征描 述向量带入分类器进行分类处理。

[0016] 本发明能够获取第一有向点获取对应的第一旋转图像，然后根据至少一个第一旋 转图像得到的协方差矩阵计算点云数据的特征描述向量，并根据该特征描述向量对点云数 据进行分类。与现有技术中根据局部特征进行分类，对应性搜索的计算代价较为高昂相比， 本发明中一个第一旋转图像中包括多个局部特征，因此根据第一旋转图像得到的特征描述 向量能够描述多个局部特征，进而降低对应性搜索的计算代价，提高点云数据的分类效率。 此外，由于现有技术采用的局部特征无法完整的表示点云数据的整体形状，因此可能将具 有相同局部特征的不同类型性的对点云数据分到同一类中，分类不准确。本发明根据第一 旋转图像确定的特征描述向量进行分类云模型计算，由于第一旋转图像能够对点云数据的整体进行表 示，因此根据第一旋转图像确定的特征描述向量进行分类能够更为准确的进行分类。

【附图说明】

[0017] 图1为本发明实施例一中的点云数据的分类方法的流程图；

[0018] 图2是本发明实施例一中的一个目标物体旋转的形状示意图；

[0019] 图3是本发明实施例一中的一个第一旋转图像示意图；

[0020] 图4是本发明实施例一中的一个增量矩阵5?的示意图；

[0021] 图5是本发明实施例二中的一个预设格槽平面与目标平面的位置示意图；

[0022] 图6是本发明实施例二中的一个预设格槽平面的旋转示意图；

[0023] 图7是本发明实施例二中的一个旋转帧的示意图；

[0024]图8为本发明实施例二中的点云数据的分类方法的流程图；

[0025]图9为本发明实施例三中的点云数据的分类装置的结构示意图。

【具体实施方式】

[0026]下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描 述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便 于描述，附图中仅示出了与本发明相关的部分而非全部结构。

[0027] 实施例一

[0028] 图1为本发明实施例一提供的点云数据的分类方法的流程图，本实施例可适用于 对点云数据进行分类的情况，该方法可以由用于进行点云数据分类的终端来执行，该终端 可以为服务器、个人电脑、笔记本电脑、平板电脑、汽车中控台、智能手机或智能可穿戴设备 等，该方法具体包括：

[0029] S110、获取第一有向点对应的第一旋转图像。

[0030] 其中，第一有向点为点云数据中的任一有向点。点云数据由N个有向点组成，N大于 等于1，任意一个有向点均可称为第一有向点。第一有向点与第一旋转图像一一对应，根据N 个第一有向点可得到N个第一旋转图像。每个第一有向点的信息包括坐标信息和方向信息。 其中，坐标信息为三维空间坐标，方向信息可根据每个第一有向点相邻的多个第二有向点 的三维坐标确定，相邻的多个第二有向点数量大于等于3,优选为4。例如:根据第一有向点a 周围相邻的第二有向点b、第二有向点c和第二有向点d确定一参考平面，将经过第一有向点 a且垂直于该参考平面的方向矢量确定为第一有向点a的方向信息。

[0031]第一旋转图像用于表示目标物体（点云数据表示的物体)在以第一有向点的方向 矢量为z轴建立的坐标系下的图像，目标物体在该坐标系中的不可显示部分(被遮挡部分） 可通过在相应可见部分的灰度值体现。

[0032]例如，如图2所示，目标物体由一大一小两个正方体组成，其中小正方体的边长为 大正方体边长的二分之一。点云数据包括该目标物体表面的多个位置点，其中包括第一有 向点a，第一有向点a的方向为图2中的X轴方向。根据第一有向点a获取第一旋转图像时，以 第一有向点a的方向矢量，即图2中的X轴方向，作为z '轴建立坐标系，在新的坐标系中得到 目标物体的图像。其中，X轴和y轴位于水平平面且X轴与y轴相互垂直，Z轴垂直于水平平面。 如图3所示，第一旋转图像中大正方体位于小正方体的右侧，且由于大正方体的厚度（即边 长)为小正方体的2倍，因此大正方体的灰度值G1为小正方体灰度值G2的2倍。

[0033] S120、根据至少一个第一旋转图像对应的第一直方图确定协方差矩阵。

[0034] 每个第一旋转图像对应一个第一直方图，第一直方图用于表示第一旋转图像中的 灰度值分布情况。协方差矩阵的生成操作如下：

[0035] 首先，将第一旋转图像的第一直方图表达为一个长度为D的向量Xl。

[0036] 根据获取的目标物体的Μ的N个第一直方图，得到N个向量X1~Xn。

[0037] 其次，计算N个第一直方图向量XI~xn的平均值又，平均值又的计算公式如下：

[0039] 再次，根据平均值i得到每个向量^对应的增量向量，增量向量的计算公式 如下：

[0040] Xj = Xj - X

[0041] N个D维的x'i组成增量矩阵Sm，增量矩阵Sm如图4所示。

[0042] 最后，将增量矩阵Sm乘以增量矩阵Sm的转置矩阵(Sm)T后可以得到一个DXD的协方 差矩阵C m。

[0043] S130、根据协方差矩阵计算点云数据的特征描述向量。

[0044] 特征描述向量用于描述协方差矩阵中的数据分布特征，进而描述点云数据的形状 特征。通过计算协方差矩阵的特征值和特征向量，可得到点云数据的特征描述向量。给予特 征值可选择相应的特征向量作为点云数据的特征描述向量。

[0045] S140、将点云数据的特征描述向量带入分类器进行分类处理。

[0046] 分类器(Classifier)指在已有数据的基础上构建一个分类函数或分类模型，该函 数或模型能够把数据映射到给定类

（编辑：天瑞地安资讯网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!