【技术实现步骤摘要】
行道树靶标点云在线分割方法
[0001]本专利技术涉及行道树靶标在线分割,尤其是基于二维激光雷达点云数据的行道树靶标在线分割,具体地说是一种基于图像实例分割的行道树靶标点云在线分割。
技术介绍
[0002]向叶面喷施农药是防治行道树病虫害的重要手段,目前,在线对靶施药技术已成功应用于果园病虫害防治,这类技术采用搭载在施药车辆上的传感器实时探测树冠,根据树冠位置靶向施药。然而,与单一果园环境不同,城市街道环境包含多种地物目标,极大地增加了树冠靶标在线分割的计算/时间复杂度,限制了在线对靶施药在行道树上的推广应用。
[0003]众多靶标探测传感器中,激光雷达(Light detection and ranging,LiDAR)能够快速准确地测量物体表面距离信息,随着施药车辆的移动,获得道路两侧物体表面的高分辨率、高精度三维点云数据。现有行道树点云分割方法主要分为两类:
[0004]1、边分割边识别。根据行道树和其他地物目标的形貌特征,采用图像/点云分割方法逐步过滤非行道树点云。这类方法的行道树识别能力较弱,并且需要利用街道场景的全部点云数据,从中提取行道树及其他地物的全局特征,不能满足行道树靶标在线分割需求。
[0005]2、先识别后分割。首先采用监督学习训练得到的行道树检测器从街道点云数据中逐点识别出行道树点云,然后采用聚类等算法将行道树点云分割为单株行道树。这类方法具有较高的行道树识别精度,但行道树逐点检测计算量大,同样不能满足行道树靶标在线分割需求。
技术实现思路
[0006 ...
【技术保护点】
【技术特征摘要】
1.一种行道树靶标点云在线分割方法,其特征在于,该方法包括以下步骤:S1、建立缓冲区:构建FIFO缓冲区,用于存储二维激光雷达采集的街道长度为L的N帧街道点云数据,FIFO缓冲区首次写满后,初始化处理时刻t,令t=1,执行S2;缓冲区更新,在后续处理中,每次向FIFO缓冲区写入街道更新长度为ΔL的ΔN帧街道点云更新数据,令处理时刻t加1,执行S2;为缓冲区首次写入的和更新的街道点云数据分配标签T
P
,令标签T
P
=0,代表为非行道树点;S2、点云
‑
图像映射:将当前时刻FIFO缓冲区中的街道点云数据转化为三通道街道图像C,所述的三通道街道图像C包括N帧街道点云数据中所有点的深度坐标、回波强度和回波次数;S3、行道树图像实例分割:采用实时行道树图像实例分割算法从街道图像C中分割出掩模图M,根据掩模图M提取行道树候选实例,并且记录行道树候选实例列范围c
L
和c
R
,帧范围f
L
和f
R
,以及分割时刻t
′
;S4、行道树图像实例融合:初始状态下,即当t=1时,将行道树候选实例作为行道树实例,为它们依次分配计数标签T和映射指示m,令m=0,代表该行道树实例未映射回点云;后续分割处理中,即当t>1时,对当前时刻的每个行道树候选实例与已有行道树实例对比融合,得到更新后的所有行道树实例信息;所述的行道树实例信息包括计数标签T、掩模图M、列范围c
L
和c
R
,帧范围f
L
和f
R
,分割时刻t
′
以及映射指示m;对于当前时刻新增的行道树实例,令m=0;S5、行道树实例完整性检测:计算当前时刻t街道图像C的第1列像素在全部点云中的帧序号:f1=ΔN(t
‑
1)+1对于所有m=0的未映射回点云的行道树实例,若f
L
≤f1≤f
R
,认为该行道树实例已经分割完整,并执行S6,否则,执行S1中的缓冲区更新;S6、图像
‑
点云映射:根据行道树实例的计数标签T和掩模图M将行道树实例分割结果反映射回点云,掩模图M的像素和点一一对应,得到行道树点云实例,完成分割。2.根据权利要求1所述的行道树靶标点云在线分割方法,其特征在于,所述的S1中,N帧街道点云数据和ΔN帧街道点云更新数据分别采用下述公式获取:街道点云数据和ΔN帧街道点云更新数据分别采用下述公式获取:其中:L每次在线分割的街道长度;v是二维激光雷达的移动速度,Δt是二维激光雷达获取1帧点云数据的时间;ΔL为街道更新长度。3.根据权利要求2所述的行道树靶标点云在线分割方法,其特征在于,所述的S1中L=10m,ΔL=0.5m。
4.根据权利要求1所述的行道树靶标点云在线分割方法,其特征在于,所述的S2具体为:将FIFO缓冲区中的点云数据的深度坐标y、回波强度I和回波次数n的范围变换到0
‑
255,得到对应点的深度坐标y
′
、回波强度I
′
和回波次数n
′
:其中:一帧点云数据对应一列像素,一个点对应一个像素,a∈{y,I,n},a
min
、a
max
分别表示深度坐标/回波强度/回波次数的最小值和最大值,深度的最小最大值为LiDAR的距离测量范围,回波强度的最小最大值为LiDAR的强度测量范围,回波次数的最小最大值为LiDAR的回波次数范围,前述最小值均为0。5.根据权利要求1所述的行道树靶标点云在线分割方法,其特征在于,所述的S3具体为:S3.1、采用实时行道树图像实例分割算法对街道图像C进行处理,产生掩模图M,M的尺寸与C相同;S3.2、在掩模图M中刻画行道树候选实例的像素位置,像素值=0代表背景,像素值=255代表行道树,根据行道树的像素值记录行道...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。