得第一目标点云数据集合Ν'κ-1，并依 据所述第二点云数据集合Νκ获得第二目标点云数据集合Ν ' Κ;
[0037] 对所述第一点云数据集合Νκ-1进行降噪或精简预处理获得所述第一目标点云数据 集合Ν'κ-1;对所述第二点云数据集合Νκ进行降噪或精简预处理获得所述第二目标点云数据 集合Ν'κ。
[0038] 步骤S104、计算所述第一目标点云数据集合Ν'κ-1中每个点对应的第一 PFH特征直 方图，W及所述第二目标点云数据集合Ν'κ中每个点对应的第二PFH特征直方图；
[0039] 如图2所示，点Ρ是第一目标点云数据集合Ν'κ-冲的任意一点，距离该点Ρ预设范围 内有Η个邻域点，Pt是与点Ρ相邻的Η个邻域点中的任意一个点，与点Ρ相连的是其他的邻域 点，依据点Ρ对应的法线ns分别与Η个邻域点中的每一个邻域点对应的法线之间的偏差获得 点Ρ对应的第一PFH特征直方图，同理，第一目标点云数据集合Ν'κ-1中的每一个点都对应一 个第一PFH特征直方图。依据同样的方法可W计算出所述第二目标点云数据集合Ν'κ中每个 点对应的第二PFH特征直方图。
[0040] 步骤S105、若所述第一 PFH特征直方图和所述第二PFH特征直方图匹配，则与所述 第一PFH特征直方图对应的点为第一匹配特征点，与所述第二PFH特征直方图对应的点为第 二匹配特征点，将所有所述第一匹配特征点构成第一集合Q'K-l，将所有所述第二匹配特征 点构成第二集合Q'K;
[0041] 由步骤S104可获得第一目标点云数据集合Ν'κ-1中的每一个点都对应的第一 PFH特 征直方图，W及第二目标点云数据集合Ν'κ中每个点对应的第二PFH特征直方图，若第一目 标点云数据集合Ν'κ-1中的一个点对应的第一 PFH特征直方图和第二目标点云数据集合Ν'κ 中的一个点对应的第二PFH特征直方图相同，则运两个点分别为匹配特征点，第一目标点云 数据集合Ν'κ-1中的匹配特征点构成第一集合Q'K-i，第二目标点云数据集合Ν'κ中的匹配特 征点构成第二集合Q'K。
[0042] 步骤S106、依据ICP算法处理所述第一集合Q'K-i和所述第二集合Q'K获得旋转矩阵 R和平移矩阵T，且Q ' κ=R*Q ' K-1巧；
[0043] 对所述第一集合Q'K-i和所述第二集合Q'K进行ICP算法处理，获得旋转矩阵R和平 移矩阵Τ，且Q'K=R*Q'K-1巧。
[0044] 步骤S107、依据所述旋转矩阵R和所述平移矩阵門尋第一点云数据集合Νκ-1和第二 点云数据集合Νκ归一到同一个坐标系获得重构模型。
[0045] 所述依据所述旋转矩阵R和所述平移矩阵Τ将第一点云数据集合Νκ-1和第二点云数 据集合Νκ归一到同一个坐标系获得重构模型，包括：
[0046] 依据所述旋转矩阵R、所述平移矩阵Τ和所述第一点云数据集合Νκ-1计算第Ξ点云 数据集合N"k=R*Nk-i巧；
[0047] 依据所述第Ξ点云数据集合Ν"κ和所述第二点云数据集合Νκ获得重构模型Ν"κ+Νκ。 [004引步骤S108、将所述重构模型作为模式识别算法的输入数据，依据所述模式识别算 法对所述重构模型进行模式识别，W使所述模式识别算法输出所述目标道路对应的路面信 息。
[0049] 本发明实施例通过将二维深度图像转换为Ξ维的点云数据集合，获取点云数据集 合中每个点对应的PFH特征直方图，通过PFH特征直方图匹配寻找相邻两个时刻点云数据集 合的匹配特征点对，对匹配特征点对实施ICP算法，求取相邻两个时刻点云数据集合的旋转 平移矩阵，依据旋转平移矩阵将两个点云数据集合归一到同一坐标系，实现了点云数据集 合的融合，得到重构模型，避免路信息受到颜色、纹理、光照强度等因素的影响，提高了道路 信息的计算精度，为驾驶员提供精确、实时、可靠的前方路面信息。
[0050] 图3为本发明实施例提供的目标点云数据集合中任意一点的坐标示意图。图4为本 发明实施例提供的PFH特征直方图的示意图。图5为本发明实施例提供的主从计算方法适用 的结构图。在上述实施例的基础上，所述计算所述第一目标点云数据集合Ν'κ-1中每个点对 应的第一PFH特征直方图，包括：
[0051 ]定义所述第一目标点云数据集合Ν'κ-1中任意一点Ρ的坐标系为(u，v，w)，其中，11 = (7)-/)) ns, v-iiX -~^，W = UX V，ns是点P对应的法线，Pt是与点P相邻的Η个邻域点中的任意一 尸一与 个点，且点Ρ对应的法线ns与点Pt对应的法线m之间的偏差表示为(保展巧，其中，a = v*nt， φ. = Β心--，目=arctan(w*nt，u*nt);等间隔划分二维坐标的横坐标获得多个刻度点， d 所述多个刻度点分别对应一组不同的批，口，0)取值;对于所述二维坐标中的每个刻度点统 计所述Η个邻域点中满足预设条件的目标点的个数获得所述第一PFH特征直方图，所述预设 条件为所述目标点对应的法线与点Ρ对应的法线之间的偏差等于所述刻度点对应的 (斯换巧取值。
[0052]对于第一目标点云数据集合Ν'κ-1中的点Ρ，定义其坐标为(u，v，w)，其中，u = ns， iP-P.) V二《x^^^3^，w = uXv，ns是点P对应的法线，Pt是与点P相邻的H个邻域点中的任意一个 点，且点P对应的法线ns与点Pt对应的法线nt之间的偏差表示为(α，與巧，其中，a = v*nt， Ψ二U*也一目=arCtan(w*nt，u*nt)。如此，P对应的法线ns与其相邻的Η个邻域点中的任 d 意一个点对应的法线之间都有一个偏差(化口，巧，同理，第一目标点云数据集合N'K-1中的任 意一个点对应的法线与其相邻的Η个邻域点中的任意一个点对应的法线之间都有一个偏差 (仿，巧(9)。
[0053] 如图4所示，等间隔划分二维坐标的横坐标获得多个刻度点，优选的，本发明实施 例划分为125个刻度点，具体为0-124，每个刻度点对应一组不同的(仿，巧巧取值;对于125个 刻度点的每一个刻度点，统计点Ρ的预设范围内Η个邻域点中满足预设条件的目标点的个 数，该个数作为该刻度点对应的纵坐标，具体的预设条件为目标点的法线与点Ρ对应的法线 之间的偏差等于所述刻度点对应的似，口，所取值，如此获得点Ρ对应的第一 PFH特征直方图， 即所述第一目标点云数据集合Ν'κ-冲每个点都可W用第一PFH特征直方图进行刻画，同理， 可获得所述第二目标点云数据集合Ν'κ中每个点对应的第二PFH特征直方图。
[0054] 在本发明实施例的基础上，为整个系统提供高速并行计算能力与应对复杂逻辑计 算的能力。由于需要处理的点云数据量巨大，如图5所示，本系统采用主从结合的计算方式 实施相关算法，主计算单元由通用CPU担当，用于实现复杂算法逻辑;从计算单元由GPU或者 专用并行计算单元担当，主要用于实现大量重复计算；主计算单元将需要处理的点云集合 划分成若干子集，分发给各个并行的子计算单元，处理完毕后，由主计算单元汇总处理结 果。
[0055] 本发明实施例具体提供了如何计算目标点云数据集合中每个点对应的PFH特征直 方图的方法，另外，通过主从计算方法提高了数据处理的速度。
[0056] 图6为本发明实施例提供的车载3D道路实时重构装置的结构图。本发明实施例提 供的车载3D道路实时重构装置可W执行车载3D道路实时重构方法实施例提供的处理流程， 如图6所示，车载3D道路实时重构装置50包括采样模块51、投影模块52、去噪模块53、直方图 计算模块54、匹配模块55、ICP处理模块56和归一模块57,其中，采样模块51用于在两个相邻 采样时刻分别获取目标道路的第一深度图像Μκ-1和第二深度图像Μκ;投