本发明专利技术公开了基于点云鸟瞰图的室外静态环境建模方法及装置，方法包括：获取室外静态环境点云数据；根据获取到的所述室外静态环境点云数据进行点云坐标系转换，得到监控区域垂直视觉下的点云；根据所述监控区域垂直视觉下的点云生成点云鸟瞰图；对所述点云鸟瞰图中得区域属性进行标注，获取监控环境中的语义信息；根据所述语义信息，生成室外静态区域模型。本发明专利技术简洁高效，实现了从离散的点云信息中获取稠密的环境信息，高效的实现动态物体的提取，并且让无序的点云数据变成有序的点云数据，使其更加有效的赋能上层应用，可广泛应用于点云数据处理技术领域。于点云数据处理技术领域。于点云数据处理技术领域。
【技术实现步骤摘要】
基于点云鸟瞰图的室外静态环境建模方法及装置
[0001]本专利技术涉及点云数据处理
，尤其是基于点云鸟瞰图的室外静态环境建模方法及装置。
技术介绍
[0002]现阶段室外环境的动态目标识别大多都是基于视频设备的，通过采集视频图像数据，利用基于深度学习的算法对动态目标进行识别。然而基于视频图像的监控方法存在着以下缺陷：
[0003]1.深度学习模型存在泛化性不佳的问题。深度学习模型只能识别出预训练好的目标类别，对于没见过的类别，模型就无能为力了，并且对于一些类别的特殊个体，其识别效果往往也比较差，因此基于深度学习的图像目标识别算法或多或少都存在泛化性不佳的问题。这对于动态物体识别的可靠性，就会打大折扣。
[0004]2.环境适应性较差，难以实现对监控区域全天候的识别。基于图像的方法受天气和光照的影响较大，雨雾天气或者光照条件较差的情况，会极大的影响到深度学习算法的性能。因此基于图像的方法难已做到全天候监控，这极大的影响到下游业务的准确性，也极大的限制了该方法的适用范围。
[0005]3.缺乏准确的三维信息，容易造成误判。基于视频图像的方法难以在空间尺度上作出正确的判断，特别是角度不佳的情况下，这会导致对动态物体行为的误判，在复杂性比较高的场景里更是如此，这也会严重影响到下游业务的开展。
[0006]以上三点是基于图像的动态目标提取难以解决的先天性问题。因此行业中急需替代视觉的动态目标提取方案，来解决相关的痛点。
[0007]和基于视频图像的智能识别方法不一样的是，激光点云对环境的适应性较强，基于激光等主动设备的点云数据受环境的光照影响较少，因此在晚间也能有非常好的检测效果，这就让基于激光点云的动态目标提取方案有了能全天候工作的优点；并且，由于激光点云有准确的三维信息，因此在应用上，对于动态目标的一些行为，如、越界、违停等，就会有比较准确的判断。
[0008]然而基于连续点云的数据处理，存在以下两个问题：
[0009]1.和图像不同的是，点云是离散的，在某些地方会存在信息丢失的问题。
[0010]2.连续的点云帧数据量较为庞大，在实际的应用中，怎么做到快速处理、快速检测是一个不小的挑战。
技术实现思路
[0011]有鉴于此，本专利技术实施例提供一种简洁高效的，基于点云鸟瞰图的室外静态环境建模方法及装置。
[0012]本专利技术实施例的一方面提供了基于点云鸟瞰图的室外静态环境建模方法，包括：
[0013]获取室外静态环境点云数据；
[0014]根据获取到的所述室外静态环境点云数据进行点云坐标系转换，得到监控区域垂直视觉下的点云；
[0015]根据所述监控区域垂直视觉下的点云生成点云鸟瞰图；
[0016]对所述点云鸟瞰图中得区域属性进行标注，获取监控环境中的语义信息；
[0017]根据所述语义信息，生成室外静态区域模型。
[0018]可选地，所述获取室外静态环境点云数据，包括：
[0019]在监控区域中不存在动态物体时采集相应的点云数据；
[0020]采集完监控区域之后对点云数据进行编辑；
[0021]通过对连续多帧点云进行统计，完成对动态点云的剔除。
[0022]可选地，所述根据获取到的所述室外静态环境点云数据进行点云坐标系转换，得到监控区域垂直视觉下的点云，包括：
[0023]通过惯性测试单元获取的数据，计算激光设备在垂直方向上倾斜的角度，得到点云转换成垂直视图时所需的旋转矩阵；
[0024]或者，
[0025]以检测区域的一个平面作为参考平面，计算参考平面法向量，计算出参考平面法向量和原始点云垂直方向的坐标轴的夹角，得到点云转换成垂直视图时所需的旋转矩阵；
[0026]在得到旋转矩阵之后，把点云从原始的坐标系转换成z轴垂直于检测环境的世界坐标系。
[0027]可选地，所述根据所述监控区域垂直视觉下的点云生成点云鸟瞰图，包括：
[0028]在监控区域中配置一个原点，得到该原点在鸟瞰视角的点云中对应的值，所有点云的点减去原点点云的点，把监控区域中所有点云的坐标值转换成正值；
[0029]设定鸟瞰图每个像素对应监控区域中的尺度大小；
[0030]根据设定的像素和现实尺度的对应关系，结合点云轴方向及图片轴方向的不同，计算出监控环境中每个点云投影到鸟瞰图时对应的像素值；
[0031]得到点云到鸟瞰图的投影关系之后，计算出鸟瞰图中每个像素的特征值，生成点云鸟瞰图。
[0032]可选地，所述根据所述语义信息，生成室外静态区域模型，包括：
[0033]对于点云数据中所有的缺失点，获取与缺失点距离最近的3个有效点的，作为缺失点的邻近点；
[0034]计算邻近点和缺失点的距离，若所有邻近点和缺失点的距离小于给定的距离阈值，且所有邻近点和缺失点的语义属性一致，则所有邻近点为有效邻近点，反之，则所有邻近点都为非有效邻近点；
[0035]根据得到的有效近邻点，计算所有有效邻近点最大高度值的平均值作为缺失点的最大高度值，计算所有有效邻近点的最小高度值的平均值作为缺失点的最小高度值；
[0036]通过有效邻近点计算得到相应的高度信息，将缺失点标记成有效点，直至所有缺失点都被标记成有效点。
[0037]可选地，所述方法还包括：根据所述室外静态区域模型进行动态物体提取。
[0038]本专利技术实施例的另一方面还提供了一种基于点云鸟瞰图的室外静态环境建模装置，包括：
[0039]第一模块，用于获取室外静态环境点云数据；
[0040]第二模块，用于根据获取到的所述室外静态环境点云数据进行点云坐标系转换，得到监控区域垂直视觉下的点云；
[0041]第三模块，用于根据所述监控区域垂直视觉下的点云生成点云鸟瞰图；
[0042]第四模块，用于对所述点云鸟瞰图中得区域属性进行标注，获取监控环境中的语义信息；
[0043]第五模块，用于根据所述语义信息，生成室外静态区域模型。
[0044]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0045]所述存储器用于存储程序；
[0046]所述处理器执行所述程序实现如前面所述的方法。
[0047]本专利技术实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0048]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0049]本专利技术的实施例获取室外静态环境点云数据；根据获取到的所述室外静态环境点云数据进行点云坐标系转换，得到监控区域垂直视觉下的点云；根据所述监控区域垂直视觉下的点云生成点云鸟瞰图；对所述点本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于点云鸟瞰图的室外静态环境建模方法，其特征在于，包括：获取室外静态环境点云数据；根据获取到的所述室外静态环境点云数据进行点云坐标系转换，得到监控区域垂直视觉下的点云；根据所述监控区域垂直视觉下的点云生成点云鸟瞰图；对所述点云鸟瞰图中得区域属性进行标注，获取监控环境中的语义信息；根据所述语义信息，生成室外静态区域模型。2.根据权利要求1所述的基于点云鸟瞰图的室外静态环境建模方法，其特征在于，所述获取室外静态环境点云数据，包括：在监控区域中不存在动态物体时采集相应的点云数据；采集完监控区域之后对点云数据进行编辑；通过对连续多帧点云进行统计，完成对动态点云的剔除。3.根据权利要求1所述的基于点云鸟瞰图的室外静态环境建模方法，其特征在于，所述根据获取到的所述室外静态环境点云数据进行点云坐标系转换，得到监控区域垂直视觉下的点云，包括：通过惯性测试单元获取的数据，计算激光设备在垂直方向上倾斜的角度，得到点云转换成垂直视图时所需的旋转矩阵；或者，以检测区域的一个平面作为参考平面，计算参考平面法向量，计算出参考平面法向量和原始点云垂直方向的坐标轴的夹角，得到点云转换成垂直视图时所需的旋转矩阵；在得到旋转矩阵之后，把点云从原始的坐标系转换成z轴垂直于检测环境的世界坐标系。4.根据权利要求3所述的基于点云鸟瞰图的室外静态环境建模方法，其特征在于，所述根据所述监控区域垂直视觉下的点云生成点云鸟瞰图，包括：在监控区域中配置一个原点，得到该原点在鸟瞰视角的点云中对应的值，所有点云的点减去原点点云的点，把监控区域中所有点云的坐标值转换成正值；设定鸟瞰图每个像素对应监控区域中的尺度大小；根据设定的像素和现实尺度的对应关系，结合点云轴方向及图片轴方向的不同，计算出监控环境中每个点云投影到鸟瞰图时对应的像素值；得到点云到鸟瞰图的投影关系之后，计算出鸟瞰图中每个像素的特征值...
【专利技术属性】
技术研发人员：文奴，李梓成，
申请(专利权)人：忘平广东科技有限公司，
类型：发明
国别省市：
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。