一种点云数据处理方法和设备的制造方法
【技术领域】
[0001] 本发明涉及雷达点云数据分割，特别涉及松散型点云数据分割。
【背景技术】
[0002] 在无人车(或其他机器人)领域中，三维激光雷达(或者三维激光测距传感器)生成 的三维点云在无人车对环境进行精确的探测扫描，高分辨率环境地图的建立以及无人车辆 自身在环境中的定位中，变得越发重要。因此，对于点云模型的处理，如点云数据的曲面重 建、分割、特征提取等研究已成为研究热点。
[0003] 点云数据分割是确定点云中具有相同属性（空间位置、几何形状、激光强度、光谱 特征等）区域的过程。作为无人车环境感知一项重要的工作，它是根据点云数据的整体密度 分布和局部聚集特性，将其聚类分离成独立的子集，各子集均对应于当前具有物理意义的 感知对象(如环境中的车辆，树木，建筑物等等），反映感知对象的几何和位置特征。
[0004] 发明人在实现本发明的过程中发现，松散型点云数据分割是一项具有挑战性的工 作，这是因为雷达数据更新频率可达5-15赫兹，每帧数据量约40万条，同时应用中还有实时 性要求，因此必须提出针对松散型点云数据的更具有针对性的分割算法。
【发明内容】
[0005] 以下给出对一个或更多个方面的简化概述以力图提供对此类方面的基本理解。此 概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性 要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或更多 个方面的一些概念以作为稍后给出的更加具体的说明之序。
[0006] 本发明提供一种一种松散型点云数据分割方法解决针对松散型点云数据的分割 大数据量和实时性要求的问题。
[0007] 为实现上述目的，发明人提供了一种松散型点云数据分割方法包括下述步骤： S101、输入点云数据A，以及初始的内点的子集B，内点的子集B也是点云数据A的子集，点云 数据A是雷达扫描形成的具有空间相关性的点的集合；
[0008] S102、通过随机样本一致性算法，计算出于与子集B最相符的模型b;
[0009] S103、点云数据A中不属于子集B点的所有的点都作为测试点a，用测试点a测试模 型b，并将根据测试结果将测试点分为内点、外点和未知点。
[0010] 进一步，所述用测试点a测试模型b，并将根据测试结果将测试点分为内点、外点和 未知点为：
[0011]
[0012]
[0013]如果一个测试点不能使公式1成立，那么该测试点会被判定为未知点;对于使公式 1成立的点，如果它能使公式2成立，那么它就会被判定为内点，否则就会被判定为外点；
[0014] 其中，X为测试点a在模型b中的值，0Mdel为点云数据的噪音估计，tMdel为模型b'的 确定性估计，模型b'为模型b加入测试点a后的模型，模型的预测为为模型b的标 准距离估计， 〇data为模型b中data的噪音估计。X可以是测试点a的数据。
[0015] 进一步，在步骤S103之后，还包括步骤，将属于内点的测试点a添加内点的子集B 中，重复步骤S103，直到重复次数达到预设值c或内点数量不再增加。
[0016] 进一步，在步骤S101之前包括步骤：
[0017] S401、建立一个单元格大小为r*r*r的固定三维网格结构，并根据点云数据A对网 格中的单元格赋值，每一个单元格的值就是单元格内的点云数据的期待值;从空间相邻的d 个期待值中抽取一个期待值组成由期待值为单位数据的点云数据E;
[0018] S402、利用设定的的种子方程筛选点云数据E获得子集B，子集B是最有可能属于地 面的期待值的集合;并将步骤S102-S103中的点云数据A赋值为点云数据E参与的计算；
[0019] 在步骤S103之后还包括步骤:根据步骤S103得到的对点云数据E划分为内点、外点 和未知点，以及点云数据E和点云数据A的对应关系，将点云数据A中的点划分为内点、外点、 未知点。
[0020] 发明人还提供一种点云数据处理设备，，点云获取模块、模型计算模块、模型测试 丰旲块；
[0021] 所述点云获取模块用于获取输入点云数据A，以及初始的内点的子集B，内点的子 集B也是点云数据A的子集，点云数据A是雷达扫描形成的具有空间相关性的点的集合；
[0022] 所述模型计算模块用于通过随机样本一致性算法，计算出于与子集B最相符的模 型b;
[0023] 所述模型测试模块用于将点云数据A中不属于子集B点的所有的点都作为测试点 a，用测试点a测试模型b，并将根据测试结果将测试点分为内点、外点和未知点。
[0024]进一步，所述模型测试模块用于
[0025]
[0026]
[0027]如果一个测试点不能使公式1成立，那么该测试点会被判定为未知点;对于使公式 1成立的点，如果它能使公式2成立，那么它就会被判定为内点，否则就会被判定为外点； [0028]其中，X为测试点a在模型b中的值， 〇Mdel为点云数据的噪音估计，tMdel为模型b'的 确定性估计，模型b'为模型b加入测试点a后的模型，模型的预测为为模型b的标 准距离估计，〇data为模型b中data的噪音估计。
[0029]进一步，所述模型测试模块用于将属于内点的测试点a添加内点的子集B中，重复 步骤S103,直到重复次数达到预设值c或内点数量不再增加。
[0030]进一步，所述模型测试模块用于建立一个单元格大小为r*r*r的固定三维网格结 构，并根据点云数据A对网格中的单元格赋值，每一个单元格的值就是单元格内的点云数据 的期待值;从空间相邻的d个期待值中抽取一个期待值组成由期待值为单位数据的点云数 据E;
[0031]用于利用设定的的种子方程筛选点云数据E获得子集B，子集B是最有可能属于地 面的期待值的集合;并将点云数据A赋值为点云数据E参与划分内点、外点和未知点的计算； [0032]用于根据得到的对点云数据E划分为内点、外点和未知点，以及点云数据E和点云 数据A的对应关系，将点云数据A中的点划分为内点、外点、未知点。
[0033]区别于现有技术，对于建立在标准笛卡尔坐标系上的点云数据，无论点云数据的 来源是哪里，甚至点云数据可以来自多个来源，我们都能使用上述分割方法去处理这组点 云数据，并且在模型中处理中能够选择进行数据压缩的操作，以提高运算效率。
[0034] 上述方法可以迭代"搜索"点云数据以找到内点，而模型不会受到未知点带来的负 面影响。
[0035] 可以通过上述方法可应用于地面的分割，并且能有效的对松散的数据组进行建 模。上述方法对通过概率性性对的，因此我们能够严谨地定义分割的判定边界。上述方法是 连续的，因此我们能够避免一些如密集型点云数据的分割方法中由于使用结构性网格所带 来的限制。为能达成前述及相关目的，这一个或更多个方面包括在下文中充分描述并在所 附权利要求中特别指出的特征。以下描述和附图详细阐述了这一个或更多个方面的某些说 明性特征。但是，这些特征仅仅是指示了可采用各种方面的原理的各种方式中的若干种，并 且本描述旨在涵盖所有此类方面及其等效方面。
【附图说明】
[0036]以下将结合附图来描述所公开的方面，提供附图是为了说明而非限定所公开的方 面，附图中相似的标号标示相似要素，并且在其中：
[0037]图1为本方法的迭代结果处理示意图；；
[0038]图2为将本发明所述方法应用于一个具体色点云数据输入后数据点云的分割结果 示意图；
[0039]图3、本方法步骤示意图。
【具体实施方式】
[0040]为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实 施例并配合附图详予说明。在以下描述中，出于解释目的阐述了众多的具体细节以提供对 一个或更多个方面的透彻理解。但是显而易见的是，没有这些具体细节也可实践此类方面。 [0041 ]内点指的是分割目标数据内的点。本方法的应用可以是对原始输入数据的分类， 即将所有点分成了内点（属于地面）、外点（属于