点云法向量的估计方法、装置、计算机设备和存储介质制造方法及图纸

本申请适用于计算机技术领域，提供一种点云法向量估计的方法、装置、计算机设备和存储介质。点云法向量的估计方法包括：获取点云数据以及与点云数据对应的彩色图像；将点云数据中目标点云区域内的各坐标点与彩色图像进行关联，确定目标点云区域内的各坐标点所对应的图像特征信息；将目标点云区域内的各坐标点的坐标信息与其对应的图像特征信息进行融合，并根据融合结果确定目标点云区域的法向量。本方案通过获取一个点云区域中各坐标点对应的图像特征信息，将各坐标点的坐标信息与其对应的图像特征融合，然后根据融合结果确定该点云区域的法向量，相比于将点云区域拟合成平面以拟合平面的法向量为点云区域的法向量，提高法向量的估计精度。量的估计精度。量的估计精度。

【技术实现步骤摘要】
点云法向量的估计方法、装置、计算机设备和存储介质


[0001]本申请属于计算机领域
，尤其涉及一种点云法向量的估计方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着科技的发展，人工智能逐渐渗透到我们的生活，例如无人驾驶汽车、室内机器人等，其均通过计算机视觉技术而具有感受环境的能力和人类视觉功能。而三维点云数据的处理是计算机视觉技术的重要研究方向之一。点云法向量估计又是三维点云处理的基本任务，精确的法向量估计能够直接用于三维重构、点云配准和场景渲染等任务。点云是一个三维坐标点的集合，点云中的每一个点可以看成空间中的一个坐标点，我们一般从激光雷达、双目相机等这类空间探测传感器直接获取。点云的法向量是指点云中每一个三维坐标点对应在真实物体表面上的垂直方向的向量。
[0003]现有的点云数据处理过程中，对点云法向量的估计一般是通过基于主成分分析的回归模型，直接将预设大小的局部区域的点云拟合成一个平面，然后计算出该平面的法向量作为该局部区域点云的法向量。
[0004]可见，利用现有点云法向量的估计方法，估计得到的点云法向量的精度低。

技术实现思路

[0005]有鉴于此，本申请实施例提供了一种点云法向量的估计方法、装置、计算机设备和存储介质，可以解决利用现有点云法向量的估计方法，估计得到的点云法向量的精度低的技术问题。
[0006]本申请实施例的第一方面提供了一种点云法向量的估计方法，包括：
[0007]获取第一设备采集的点云数据以及第二设备采集的与所述点云数据对应的彩色图像；
[0008]将所述点云数据中目标点云区域内的各坐标点与所述彩色图像进行关联，确定所述目标点云区域内的各坐标点所对应的图像特征信息；所述目标点云区域为所述点云数据中的任意一个点云区域；
[0009]将所述目标点云区域内的各坐标点的坐标信息与其对应的图像特征信息进行融合，并根据融合结果确定所述目标点云区域的法向量。在第一方面的一种可能的实现方式中，目标点云区域的获取方式可以通过先获取点云数据，再将点云数据生成若干点云区域。示例性的，可以以点云数据中的每个坐标为中心点，搜索该中心点周围指定范围内的坐标点，每个中心点及其周围指定范围内的点构成一个点云区域，应理解，上述仅为获取点云区域的一种实现方式，获取点云区域的方法并不限于此。
[0010]本申请实施例的第二方面提供了一种点云法向量的估计装置，所述点云法向量的估计装置，包括：
[0011]获取模块，用于获取第一设备采集的点云数据以及第二设备采集的与所述点云数
据对应的彩色图像；
[0012]关联模块，用于将所述点云数据中目标点云区域内的各坐标点与所述彩色图像进行关联，确定所述目标点云区域内的各坐标点所对应的图像特征信息；所述目标点云区域为所述点云数据中的任意一个点云区域；
[0013]法向量确定模块，用于将所述目标点云区域内的各坐标点的坐标信息与其对应的图像特征信息进行融合，并根据融合结果确定所述目标点云区域的法向量。
[0014]本申请实施例的第三方面提供了一种计算机设备，所述计算机设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中所述点云法向量的估计方法的步骤。
[0015]本申请实施例的第四方面提供了一种计算机可读存储介质，包括：存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中所述点云法向量的估计方法的步骤。
[0016]本申请实施例与现有技术相比存在的有益效果是：本申请方案通过将点云数据中一个点云区域中的各点与点云数据对应的图像进行关联，可以获取该点云区域中各坐标点的图像特征信息，然后将该点云区域中各坐标点的坐标信息与其对应的图像特征进行融合，进一步可以根据融合结果确定该点云区域的法向量。当确定了点云数据中所有点云区域的法向量，从而得到整个点云数据法向量的估计结果。本方案相比于现有技术对点云法向量的估计时，通过将点云数据中的局部区域拟合成一个平面，然后以该拟合平面的法向量作为该点云局部区域法向量的方法，能够有效提高对点云数据法向量估计的精度。
附图说明
[0017]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本申请实施例提供的点云法向量的估计方法的应用环境图；
[0019]图2是本申请实施例提供的点云法向量的估计方法的流程图；
[0020]图3为点云采集装置采集的一个场景的点云集合示意图
[0021]图4是本申请实施例提供的确定目标点云区域中各点对应的图像特征信息的流程图；
[0022]图5是本申请实施例提供的将目标点云区域中的各点的坐标信息与其对应的图像特征信息进行融合，并根据融合结果确定所述目标点云区域的法向量的流程图；
[0023]图6为本申请实施例提供的将点云区域中点的坐标信息编码为高维特征信息过程示意图的示意图；
[0024]图7为本申请实施例提供的根据所述拼接融合向量确定目标点云区域的法向量的示意图；
[0025]图8是本申请实施例提供的获取法向量估计模型的训练数据的流程图；
[0026]图9为本申请实施例提供的一种样本点云数据在相机平面的投影图；
[0027]图10为本申请实施例得到的虚拟点云投影图；
[0028]图11是本申请实施例提供的点云数据处理装置的结构框图；
[0029]图12为本申请实施例提供的计算机设备的内部结构框图。
具体实施方式
[0030]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0031]为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
[0032]图1为本申请实施例提供的一种点云法向量的估计方法的应用环境图，如图1所示，在该应用环境中，包括计算机设备110、第一设备120以及第二设备130。
[0033]计算机设备110可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
[0034]第一设备120为点云采集装置，点云采集装置可以是雷达设备，但并不局限于此。第一设备120可以和计算机设备110进行通信连接。
[0035]第二设备130可以为图像采集装置，图像采集装置可以为相机，但并不局限于此。第二设备130可以和计算机设备进行通信连本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云法向量的估计方法，其特征在于，所述点云法向量的估计方法包括：获取第一设备采集的点云数据以及第二设备采集的与所述点云数据对应的彩色图像；将所述点云数据中目标点云区域内的各坐标点与所述彩色图像进行关联，确定所述目标点云区域内的各坐标点所对应的图像特征信息；所述目标点云区域为所述点云数据中的任意一个点云区域；将所述目标点云区域内的各坐标点的坐标信息与其对应的图像特征信息进行融合，并根据融合结果确定所述目标点云区域的法向量。2.如权利要求1所述的一种点云法向量的估计方法，其特征在于，所述将所述点云数据中目标点云区域内的各坐标点与所述彩色图像进行关联，确定所述目标点云区域内的各坐标点所对应的图像特征信息，包括：将所述目标云区域中的每个坐标点均投影到所述彩色图像所在的相机成像平面内，得到与所述目标点云区域中每个坐标点对应的投影点；提取所述彩色图像中与所述投影点位置对应的图像特征信息，得到所述目标点云区域中的各坐标点的图像特征信息。3.如权利要求1所述的一种点云法向量的估计方法，其特征在于，将所述目标点云区域内的各坐标点的坐标信息与其对应的图像特征信息进行融合，并根据融合结果确定所述目标点云区域的法向量，包括：将所述目标点云区域中每个坐标点的图像特征信息和该坐标点的坐标信息拼接，得到每个坐标点对应的第一拼接向量；对所述目标点云区域中所有坐标点对应的第一拼接向量进行均值池化操作，得到所述目标点云区域对应的第二拼接向量；将所述目标点云区域中每个坐标点的第一拼接向量和所述第二拼接向量拼接，或者将所述目标点云区域中每个坐标点的图像特征信息和所述第二拼接向量拼接，或者将所述目标点云区域中每个坐标点的坐标信息和所述第二拼接向量拼接，确定拼接融合向量；根据所述拼接融合向量确定所述目标点云区域的法向量。4.如权利要求3所述的一种点云法向量的估计方法，其特征在于，根据所述拼接融合向量确定所述目标点云区域的法向量，包括：根据所述拼接融合向量，通过法向量估计网络模型确定所述目标点云区域的法向量。5.如权利要求4所述的一种点云法向量的估计方法，其特征在于，所述法向量估计网络模型利用训练数据训练得到，所述训练数据基于以下方式获取：获取样本点云数据中各坐标点投影在相机成像平面上的样本投影点的数量和分布区域；根据所述样本投...

【专利技术属性】
技术研发人员：林安成，李俊，项羽升，苏天晴，茆胜，
申请(专利权)人：深圳有象智联科技有限公司，
类型：发明
国别省市：