【技术实现步骤摘要】
本专利技术涉及点云构图领域，特别是涉及一种点云2d深度面三角剖分构图方法、装置、系统及设备。
技术介绍
1、受cnn（convolutional neural networks，卷积神经网络）启发，想要使用类似于图片的方式表示3d点云进行深度学习，目前lasernet等算法直接使用深度图表示激光雷达点云。但是深度图有一个重要的问题是：它是一张规则的图片，在将3d点云转化为深度图的过程中会产生量化误差和0值像素，这会带来信息损失以及增加无效计算量。
技术实现思路
1、本专利技术的目的是提供一种点云2d深度面三角剖分构图方法、装置、系统及设备，可克服3d点云三角剖分算法面不连续问题，以及计算复杂度较高的问题。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种点云2d深度面三角剖分构图方法，包括：将交通场景的3d原始点云投影到2d的深度面空间上，获得交通场景的2d点集；对所述2d点集进行2d delaunay三角剖分，形成delaunay图；将所述delaunay图再反投影到3d原始点云上，获得交通场景的初级图；对初级图进行修饰，获得交通场景的最终构图。
4、可选地，将交通场景的3d原始点云投影到2d的深度面空间上，获得交通场景的2d点集，具体包括以下过程。
5、依据公式和，将交通场景的3d原始点云投影到2d的深度面空间上，获得交通场景的2d点集；其中，(x,y,z)表示3d原始点云中点的坐标，x、y、z分别表示3d原始点云中点的x
6、可选地，对初级图进行修饰，获得交通场景的最终构图，具体包括：若所述初级图中存在长边，则去除长边，获得去除长边之后的边集合为；其中，所述长边为初级图中长度大于长度阈值的边；为去除长边之后的边集合，m为初级图中边的条数，为初级图的第k条边，为初级图的第k条边是否为长边的掩码，=0表示初级图的第k条边为长边，=1表示初级图的第k条边为非长边；构造无向图，增加反向边，获得反向边集合为：；其中，er为反向边集合，v为初级图中的节点集合，和分别为初级图中的节点集合中的第i个节点和第j个节点；为全称量化符号；添加自环，获得自环边的集合为：；其中，es为自环边的集合；根据去除长边之后的边集合、反向边集合和自环边的集合，依据公式，确定交通场景的最终构图中的边集合e；根据交通场景的最终构图中的边集合e和初级图中的节点集合v，获得交通场景的最终构图g(v,e)。
7、可选地，去除长边所依据的公式为：；其中，me为边掩码，ed为边集合中的一条边，dup为距离上限阈值，，为正实数，为l2范数。
8、可选地，对初级图进行修饰，获得交通场景的最终构图，之后还包括：将交通场景的最终构图输入图神经网络模型，识别交通场景中目标的分类，并定位目标；所述目标包括：车、走路的行人和骑自行车的人。
9、可选地，若所述初级图中存在长边，且图神经网络模型的规模大于规模阈值，则不需要去除长边；若图神经网络模型不支持无向图，或图神经网络模型的规模大于规模阈值，或点云附加了单向语义特征，则不需要构造无向图，不进行反向边的增加；若图神经网络不支持自环，或初级图中不会产生孤点，或点特征更新不需要考虑自身特征，则不需要添加自环。
10、一种点云2d深度面三角剖分构图装置，包括：点云传感器和计算机；云传感器用于采集交通场景的3d原始点云，并传输至计算机；计算机用于采用上述的点云2d深度面三角剖分构图方法，获得交通场景的最终构图。
11、一种点云2d深度面三角剖分构图系统，包括：投影模块，用于将交通场景的3d原始点云投影到2d的深度面空间上，获得交通场景的2d点集；三角剖分模块，用于对所述2d点集进行2d delaunay三角剖分，形成delaunay图；反投影模块，用于将所述delaunay图再反投影到3d原始点云上，获得交通场景的初级图；修饰模块，用于对初级图进行修饰，获得交通场景的最终构图。
12、一种电子设备，包括存储器、处理器以及存储在所述存储器上并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的点云2d深度面三角剖分构图方法。
13、可选地，所述存储器为非暂态计算机可读存储介质。
14、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
15、本专利技术实施例的点云2d深度面三角剖分构图方法、装置、系统及设备，将3d原始点云投影到2d的深度面空间上，2d点云三角剖分算法不需要法线，且将3d原始点云投影到2d深度面之后，点云中所有点的仰角和方位角的邻接关系没有发生改变，在此基础上进行delaunay三角剖分，就会将相邻点有效的连接成多个三角形，形成连续的连接关系，克服了3d点云三角剖分算法面不连续问题。由于本专利技术的delaunay三角剖分是在2d空间进行，因此避免了3d三角剖分的计算复杂度的问题。
本文档来自技高网...【技术保护点】
1.一种点云2D深度面三角剖分构图方法，其特征在于，包括：
2.根据权利要求1所述的点云2D深度面三角剖分构图方法，其特征在于，将交通场景的3D原始点云投影到2D的深度面空间上，获得交通场景的2D点集，具体包括：
3.根据权利要求1所述的点云2D深度面三角剖分构图方法，其特征在于，对初级图进行修饰，获得交通场景的最终构图，具体包括：
4.根据权利要求3所述的点云2D深度面三角剖分构图方法，其特征在于，去除长边所依据的公式为：
5.根据权利要求3所述的点云2D深度面三角剖分构图方法，其特征在于，对初级图进行修饰，获得交通场景的最终构图，之后还包括：
6.根据权利要求5所述的点云2D深度面三角剖分构图方法，其特征在于，
7.一种点云2D深度面三角剖分构图装置，其特征在于，包括：点云传感器和计算机；
8.一种点云2D深度面三角剖分构图系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并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
10.根据权利要求9所述的电子设备，其特征在于，所述存储器为非暂态计算机可读存储介质。
...【技术特征摘要】
1.一种点云2d深度面三角剖分构图方法，其特征在于，包括：
2.根据权利要求1所述的点云2d深度面三角剖分构图方法，其特征在于，将交通场景的3d原始点云投影到2d的深度面空间上，获得交通场景的2d点集，具体包括：
3.根据权利要求1所述的点云2d深度面三角剖分构图方法，其特征在于，对初级图进行修饰，获得交通场景的最终构图，具体包括：
4.根据权利要求3所述的点云2d深度面三角剖分构图方法，其特征在于，去除长边所依据的公式为：
5.根据权利要求3所述的点云2d深度面三角剖分构图方法，其特征在于，对初级图进行修饰，获得交通场景的最终...
【专利技术属性】
技术研发人员：邹渊，李圆圆，张旭东，
申请(专利权)人：北京理工大学长三角研究院嘉兴，
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。