激光点云数据的超分辨处理方法、装置、系统和存储介质制造方法及图纸

本发明专利技术公开了一种激光点云数据的超分辨处理方法、装置、系统和存储介质，该方法包括：步骤1，针对不同目标物，从不同角度分别获取高分辨率激光点云数据，利用该高分辨率激光点云数据形成高分辨率距离图，根据该高分辨率距离图建立每种目标物的超分辨稀疏字典；步骤2，通过激光雷达装置获取一种目标物的激光点云数据，建立该目标物的激光点云数据的距离图；步骤3，选择该目标物的超分辨稀疏字典中的特定参数，将该目标物的激光点云数据的距离图重建为超分辨高分辨率距离图。本发明专利技术针对激光雷达装置的激光点云数据实现超分辨，使激光雷达装置对目标物的激光点云数据的高频信息增加，具备较高的目标识别率。

Super resolution processing method, device, system and storage medium of laser point cloud data

【技术实现步骤摘要】
激光点云数据的超分辨处理方法、装置、系统和存储介质
本专利技术涉及三维激光扫描领域，特别是涉及一种激光点云数据的超分辨处理方法、装置、系统和存储介质。
技术介绍
激光雷达装置所发射的激光信号投射在物体上并发生反射，激光雷达装置接收到反射回来的激光扫描数据后，据以计算环境中的物体的空间位置。激光雷达装置距离物体越近，照射到物体上的激光点越密集，基于该激光扫描数据对物体的识别率越高，距离物体越远，照射到物体上的激光点越稀疏，基于该激光扫描数据对物体的识别率越低。特别是在物体的边缘位置，能够覆盖的激光点较少，则物体的边缘轮廓不易被准确识别，则物体的种类也难以被确定，因此在激光雷达装置的扫描参数保持不变的前提下，如何对扫描得到的点云数据进行处理，以提升激光点云数据的高频信息，也就是细节数据，从而提升物体的识别率，是本领域亟待解决的问题。
技术实现思路
本专利技术解决的技术问题在于，针对激光雷达装置的激光点云数据实现超分辨。更进一步的，使激光雷达装置对目标物的激光点云数据的高频信息增加。本专利技术公开了一种激光点云数据的超分辨处理方法，包括：步骤1，针对不同目标物，从不同角度分别获取高分辨率激光点云数据，利用该高分辨率激光点云数据形成高分辨率距离图，根据该高分辨率距离图建立每种目标物的超分辨稀疏字典；步骤2，通过激光雷达装置获取一种目标物的激光点云数据，建立该目标物的激光点云数据的距离图；步骤3，选择该目标物的超分辨稀疏字典中的特定参数，将该目标物的激光点云数据的距离图重建为超分辨高分辨率距离图。利用该高分辨率激光点云数据形成高分辨率距离图的步骤进一步包括：利用一基准点Z0，基于该目标物的该高分辨率激光点云数据(Xθ,Yθ,Zθ)的Z轴数据Zθ，将该高分辨率激光点云数据进行格网化，生成该高分辨率距离图Ghθ；Ghθ＝255*(1-(Zθ-Z0)/D)D为归化目标距离范围的间距。该步骤1进一步包括：步骤11，利用垂直/水平滤波器，对该高分辨率距离图进行滤波，从而获得该高分辨率距离图的水平/垂直方向特征图，将该高分辨率距离图的水平/垂直方向特征图合并，得到高分辨率特征图；步骤12，利用该高分辨率距离图生成不同尺寸的低分辨率距离图，以及该低分辨率距离图的水平/垂直方向特征图；步骤13，对于该低分辨率距离图以及该低分辨率距离图的水平/垂直方向特征图进行插值处理，使得插值后的低分辨率距离图以及插值后的低分辨率距离图的水平/垂直方向特征图，与该高分辨率距离图尺寸相同，合并该插值后的低分辨率距离图以及插值后的低分辨率距离图的水平/垂直方向特征图，得到低分辨率特征图；步骤14，利用该高分辨率特征图以及该低分辨率特征图训练得到高分辨字典以及低分辨字典，该超分辨稀疏字典包括该高分辨字典以及该低分辨字典。该步骤12通过如下公式实现：Gk(i,j)代表该高分辨率距离图，Gk+1(m,n)为该低分辨率距离图，为该低分辨率距离图的水平方向特征图，为该低分辨率距离图的垂直方向特征图，l和h分别为小波函数对应的低通和高通滤波器系数，j为高分辨率距离图中的行，i为高分辨率距离图中的列，m、n为尺度变换参数，k为深度图变换的层数。该步骤14通过如下公式实现：其中，X为稀疏系数矩阵，1/λ是权值系数，Dh为高分辨率特征图样本，Dl为低分辨率特征图样本，符号min表示训练使得目标函数值最小，s.t.表示求解优化问题要满足的条件，||||F和||||0分别表示F-范数和0-范数，dk表示Dh或Dl中第k个元素，L0是对||||0的约束。该步骤2进一步包括：对目标物的激光点云数据(Xθ,Yθ,Zθ)进行网格化，利用以下公式建立该目标物的激光点云数据的距离图G；G＝255*(1-(Zθ-Z0)/D)Z0为基准点，D为归化目标距离范围的间距。该步骤3进一步包括：步骤31，对所述目标物的激光点云数据的距离图G进行滤波，获得目标物的激光点云数据的距离图G的水平/垂直方向特征图Gh和Gv，合并该距离图G的水平/垂直方向特征图Gh和Gv，获得距离图G的低分辨率特征图Ghv；步骤32，对距离图G的低分辨率特征图Ghv进行插值，使得插值后的低分辨率特征图Ghv’与该高分辨率特征图尺寸相同，利用插值后的低分辨率特征图Ghv’训练得到目标物的稀疏系数矩阵X’；步骤33，利用高分辨字典Ah和目标物的稀疏系数矩阵X’，得到目标物的距离特征图{gk}＝AhX'。步骤34，将距离图G插值，得到与{gk}相同维数的低分辨率距离图G'，利用该目标物的距离特征图{gk}和该低分辨率距离图G'叠合组成超分辨高分辨率距离图Gθ'。该步骤32通过如下公式实现：符号min表示训练使得目标函数值最小，s.t.表示求解优化问题要满足的条件，||||F和||||0分别表示F-范数和0-范数，L0是对||||0的约束，X’为目标物的稀疏系数矩阵，Al'为目标物的低分辨字典，xk为X’中的第k个元素。该方法进一步包括：步骤4，利用目标物的超分辨高分辨率距离图Gθ'生成超分辨的目标激光点云数据Z'θ；其中，D为归化目标距离范围的间距，Z0为基准点。该步骤1中进一步包括，将该高分辨率距离图分为多个图像块，基于该图像块执行后续步骤。本专利技术还公开了一种激光点云数据的超分辨处理装置，包括：字典生成模块，用于针对不同目标物，从不同角度分别获取高分辨率激光点云数据，利用该高分辨率激光点云数据形成高分辨率距离图，根据该高分辨率距离图建立每种目标物的超分辨稀疏字典；目标距离图生成模块，用于通过激光雷达装置获取一种目标物的激光点云数据，建立该目标物的激光点云数据的距离图；重建模块，选择该目标物的超分辨稀疏字典中的特定参数，将该目标物的激光点云数据的距离图重建为超分辨高分辨率距离图。该字典生成模块进一步包括：利用垂直/水平滤波器，对该高分辨率距离图进行滤波，从而获得该高分辨率距离图的水平/垂直方向特征图，将该高分辨率距离图的水平/垂直方向特征图合并，得到高分辨率特征图的模块；利用该高分辨率距离图生成不同尺寸的低分辨率距离图，以及该低分辨率距离图的水平/垂直方向特征图的模块；对于该低分辨率距离图以及该低分辨率距离图的水平/垂直方向特征图进行插值处理，使得插值后的低分辨率距离图以及插值后的低分辨率距离图的水平/垂直方向特征图，与该高分辨率距离图尺寸相同，合并该插值后的低分辨率距离图以及插值后的低分辨率距离图的水平/垂直方向特征图，得到低分辨率特征图的模块；利用该高分辨率特征图以及该低分辨率特征图训练得到高分辨字典以及低分辨字典，该超分辨稀疏字典包括该高分辨字典以及该低分辨字典的模块。该重建模块进一步包括：对所述目标物的激光点云数据的距离图G进行滤波，获得目标物的本文档来自技高网...

【技术保护点】
1.一种激光点云数据的超分辨处理方法，其特征在于，包括：/n步骤1，针对不同目标物，从不同角度分别获取高分辨率激光点云数据，利用该高分辨率激光点云数据形成高分辨率距离图，根据该高分辨率距离图建立每种目标物的超分辨稀疏字典；/n步骤2，通过激光雷达装置获取一种目标物的激光点云数据，建立该目标物的激光点云数据的距离图；/n步骤3，选择该目标物的超分辨稀疏字典中的特定参数，将该目标物的激光点云数据的距离图重建为超分辨高分辨率距离图。/n

【技术特征摘要】
1.一种激光点云数据的超分辨处理方法，其特征在于，包括：
步骤1，针对不同目标物，从不同角度分别获取高分辨率激光点云数据，利用该高分辨率激光点云数据形成高分辨率距离图，根据该高分辨率距离图建立每种目标物的超分辨稀疏字典；
步骤2，通过激光雷达装置获取一种目标物的激光点云数据，建立该目标物的激光点云数据的距离图；
步骤3，选择该目标物的超分辨稀疏字典中的特定参数，将该目标物的激光点云数据的距离图重建为超分辨高分辨率距离图。


2.如权利要求1所述的方法，其特征在于，利用该高分辨率激光点云数据形成高分辨率距离图的步骤进一步包括：
利用一基准点Z0，基于该目标物的该高分辨率激光点云数据(Xθ,Yθ,Zθ)的Z轴数据Zθ，将该高分辨率激光点云数据进行格网化，生成该高分辨率距离图Ghθ；
Ghθ＝255*(1-(Zθ-Z0)/D)
D为归化目标距离范围的间距。


3.如权利要求1或2所述的方法，其特征在于，该步骤1进一步包括：
步骤11，利用垂直/水平滤波器，对该高分辨率距离图进行滤波，从而获得该高分辨率距离图的水平/垂直方向特征图，将该高分辨率距离图的水平/垂直方向特征图合并，得到高分辨率特征图；
步骤12，利用该高分辨率距离图生成不同尺寸的低分辨率距离图，以及该低分辨率距离图的水平/垂直方向特征图；
步骤13，对于该低分辨率距离图以及该低分辨率距离图的水平/垂直方向特征图进行插值处理，使得插值后的低分辨率距离图以及插值后的低分辨率距离图的水平/垂直方向特征图，与该高分辨率距离图尺寸相同，合并该插值后的低分辨率距离图以及插值后的低分辨率距离图的水平/垂直方向特征图，得到低分辨率特征图；
步骤14，利用该高分辨率特征图以及该低分辨率特征图训练得到高分辨字典以及低分辨字典，该超分辨稀疏字典包括该高分辨字典以及该低分辨字典。


4.如权利要求3所述的方法，其特征在于，该步骤12通过如下公式实现：









Gk(i,j)代表该高分辨率距离图，Gk+1(m,n)为该低分辨率距离图，为该低分辨率距离图的水平方向特征图，为该低分辨率距离图的垂直方向特征图，l和h分别为小波函数对应的低通和高通滤波器系数，j为高分辨率距离图中的行，i为高分辨率距离图中的列，m、n为尺度变换参数，k为深度图变换的层数。


5.如权利要求3所述的方法，其特征在于，该步骤14通过如下公式实现：



其中，
X为稀疏系数矩阵，1/λ是权值系数，Dh为高分辨率特征图样本，Dl为低分辨率特征图样本，符号min表示训练使得目标函数值最小，s.t.表示求解优化问题要满足的条件，||||F和||||0分别表示F-范数和0-范数，dk表示Dh或Dl中第k个元素，L0是对||||0的约束。


6.如权利要求3所述的方法，其特征在于，该步骤2进一步包括：
对目标物的激光点云数据(Xθ,Yθ,Zθ)进行网格化，利用以下公式建立该目标物的激光点云数据的距离图G；
G＝255*(1-(Zθ-Z0)/D)
Z0为基准点，D为归化目标距离范围的间距。


7.如权利要求6所述的方法，其特征在于，该步骤3进一步包括：
步骤31，对所述目标物的激光点云数据的距离图G进行滤波，获得目标物的激光点云数据的距离图G的水平/垂直方向特征图Gh和Gv，合并该距离图G的水平/垂直方向特征图Gh和Gv，获得距离图G的低分辨率特征图Ghv；
步骤32，对距离图G的低分辨率特征图Ghv进行插值，使得插值后的低分辨率特征图Ghv’与该高分辨率特征图尺寸相同，利用插值后的低分辨率特征图Ghv’训练得到目标物的稀疏系数矩阵X’；
步骤33，利用高分辨字典Ah和目标物的稀疏系数矩阵X’，得到目标物的距离特征图{gk}＝AhX'。
步骤34，将距离图G插值，得到与{gk}相同维数的低分辨...

【专利技术属性】
技术研发人员：张珂殊，
申请(专利权)人：北京北科天绘科技有限公司，
类型：发明
国别省市：北京;11