处理三维点云数据的方法和计算设备技术

本申请提供了一种处理三维点云数据的方法，该方法可以用于智能驾驶领域，以减少计算设备处理传感器获得的数据的计算开销。该方法包括：获取激光雷达等传感器扫描目标场景得到的三维点云数据；根据三维点云数据，确定有序点云阵列，有序点云阵列包括多个点；确定目标点在有序点云阵列中的多个第一邻近点，目标点为有序点云阵列中的多个点中的任意一个点；根据多个第一邻近点，确定目标点的法向量。

Methods and computing equipment for processing 3D point cloud data

【技术实现步骤摘要】
处理三维点云数据的方法和计算设备
本申请涉及数据处理领域，尤其涉及处理三维点云数据的方法和计算设备。
技术介绍
随着传感器技术的进步，三维点云越来越多的应用到三维场景建模中。例如，智能机器人导航、自动驾驶、体感游戏等领域。例如，随着自动驾驶的发展，激光雷达是车载重要传感器之一。单纯使用三维点云的三维空间坐标特征来分析一个点云场景是非常困难的，而点云法向量可以描述局部的空间特征，是分析三维点云场景所使用的最广泛的特征，可广泛应用在数据配准、切割、识别等方面。在现有的计算方法中，可以先利用主成分分析(principalcomponentanalysis,PCA)法粗略计算目标点的法向量，然后通过平面拟合，筛选出距离拟合平面较近的多个点，构成点集Q。然后基于点集Q，重新利用PCA计算目标点的法向量。在计算过程中，利用邻近点所拟合的平面与目标点的切平面越接近，计算出的法向量的精度越高。对于每个目标点，通常都需要查找邻近的15～30个点进行法向量的计算。对于稀疏点云来说，这些邻近点很大概率不处于同一平面，导致法向量的估计误差较大。另外，PCA分析涉及矩阵本文档来自技高网...

【技术保护点】
1.一种处理三维点云数据的方法，用于计算设备，所述计算设备与传感器相连，其特征在于，所述方法包括：/n获取所述传感器扫描目标场景得到的三维点云数据；/n根据所述三维点云数据，确定有序点云阵列，所述有序点云阵列包括多个点；/n确定目标点在所述有序点云阵列中的多个第一邻近点，所述目标点为所述有序点云阵列中的任意一个点；/n根据所述多个第一邻近点，确定所述目标点的法向量。/n

【技术特征摘要】
1.一种处理三维点云数据的方法，用于计算设备，所述计算设备与传感器相连，其特征在于，所述方法包括：
获取所述传感器扫描目标场景得到的三维点云数据；
根据所述三维点云数据，确定有序点云阵列，所述有序点云阵列包括多个点；
确定目标点在所述有序点云阵列中的多个第一邻近点，所述目标点为所述有序点云阵列中的任意一个点；
根据所述多个第一邻近点，确定所述目标点的法向量。


2.如权利要求1所述的方法，其特征在于，所述根据所述多个第一邻近点，确定所述目标点的法向量，包括：
根据所述多个第一邻近点，得到非平行的第一向量和第二向量；
根据所述第一向量和所述第二向量的叉乘结果，确定所述目标点的法向量。


3.如权利要求2所述的方法，其特征在于，所述根据所述多个第一邻近点，得到非平行的第一向量和第二向量，包括：
根据两个所述第一邻近点和所述目标点得到所述第一向量和所述第二向量；或，
根据三个所述第一邻近点得到所述第一向量和所述第二向量；或，
根据三个所述第一邻近点和所述目标点得到所述第一向量和所述第二向量；或，
根据四个所述第一邻近点得到所述第一向量和所述第二向量。


4.如权利要求2或3所述的方法，其特征在于，所述方法还包括：
确定所述目标点在所述有序点云阵列中的多个第二邻近点，所述多个第二邻近点与所述多个第一邻近点不相同；
根据所述多个第二邻近点，得到非平行的第三向量和第四向量；
所述根据所述第一向量和所述第二向量的叉乘结果，确定所述目标点的法向量，包括：
根据所述第一向量和所述第二向量的叉乘结果以及所述第三向量和所述第四向量的叉乘结果，确定所述目标点的法向量。


5.如权利要求1至4中任一项所述的方法，其特征在于，所述三维点云数据为稠密点云数据，所述根据所述三维点云数据，确定有序点云阵列，包括：
对所述三维点云数据进行降采样，得到降采样后的三维点云数据；
对所述降采样后的三维点云数据进行转换，获取所述有序点云阵列。


6.如权利要求1至5中任一项所述的方法，其特征在于，所述多个第一邻近点中的任意一个点与所述目标点在所述有序点云阵列中的距离小于搜索步长。


7.如权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述传感器与所述目标点在所述目标场景中的距离，确定所述搜索步长。


8.一种计算设备，用于处理三维点云数据，所述计算设备与传感器相连...

【专利技术属性】
技术研发人员：肖聪，王志美，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44