點云數據的分類方法及裝置的制造方法
【技術領域】
[0001] 本發明實施例涉及點云數據處理技術，尤其涉及一種點云數據的分類方法及裝 置。
【背景技術】
[0002] 三維高精地圖被工業界和學術界公認為下一代數字地圖的主要發展方向，是實現 汽車自動駕駛和輔助駕駛的前提條件，為自動駕駛汽車進行精確定位和正確決策提供主要 依據。激光點云數據分類是三維高精地圖生產中的一個關鍵環節，點云數據的分類算法用 于減少數據生產過程中人工的干預，提高三維高精度地圖的生產效率。
[0003] 現有技術中，將通過測量儀器得到的物品外觀表面的點數據集合稱之為點云數 據。在對點云數據進行分類時，首先采用點、邊緣、面片等局部特征進行目標識別，即通過局 部識別整體;然后進行待分類點云和點云模型庫特征點對的對應性搜索；最后通過計算相 關系數的方式進行點云數據的分類。
[0004] 然而，采用點、邊緣、面片等局部特征進行目標識別和分類時，需要進行待分類點 云和點云模型庫特征點對的對應性搜索，由于物體表面的點、邊緣、片面等局部特征較多， 使得對應性搜索的計算代價較為高昂。
【發明內容】
[0005] 本發明提供一種點云數據的分類方法及裝置，以實現降低對應性搜索的計算代 價，提高點云數據的分類效率。
[0006] 第一方面，本發明實施例提供了一種點云數據的分類方法，包括：
[0007] 獲取第一有向點對應的第一旋轉圖像，所述第一有向點為點云數據中的任一有向 占.
[0008] 根據至少一個第一旋轉圖像對應的第一直方圖確定協方差矩陣；
[0009] 根據所述協方差矩陣計算所述點云數據的特征描述向量；
[0010] 將所述點云數據的特征描述向量帶入分類器進行分類處理。
[0011] 第二方面，本發明實施例還提供了一種點云數據的分類裝置，包括：
[0012] 旋轉圖像獲取單元，用于獲取第一有向點對應的第一旋轉圖像，所述第一有向點 為點云數據中的任一有向點；
[0013] 協方差矩陣確定單元，用于根據所述旋轉圖像獲取單元獲取的至少一個第一旋轉 圖像對應的第一直方圖確定協方差矩陣；
[0014] 特征描述向量計算單元，用于根據所述協方差矩陣確定單元確定的所述協方差矩 陣計算所述點云數據的特征描述向量；
[0015] 分類處理單元，用于將所述特征描述向量計算單元得到的所述點云數據的特征描 述向量帶入分類器進行分類處理。
[0016] 本發明能夠獲取第一有向點獲取對應的第一旋轉圖像，然后根據至少一個第一旋 轉圖像得到的協方差矩陣計算點云數據的特征描述向量，并根據該特征描述向量對點云數 據進行分類。與現有技術中根據局部特征進行分類，對應性搜索的計算代價較為高昂相比， 本發明中一個第一旋轉圖像中包括多個局部特征，因此根據第一旋轉圖像得到的特征描述 向量能夠描述多個局部特征，進而降低對應性搜索的計算代價，提高點云數據的分類效率。 此外，由于現有技術采用的局部特征無法完整的表示點云數據的整體形狀，因此可能將具 有相同局部特征的不同類型性的對點云數據分到同一類中，分類不準確。本發明根據第一 旋轉圖像確定的特征描述向量進行分類，由于第一旋轉圖像能夠對點云數據的整體進行表 示，因此根據第一旋轉圖像確定的特征描述向量進行分類能夠更為準確的進行分類。
【附圖說明】
[0017] 圖1為本發明實施例一中的點云數據的分類方法的流程圖；
[0018] 圖2是本發明實施例一中的一個目標物體旋轉的形狀示意圖；
[0019] 圖3是本發明實施例一中的一個第一旋轉圖像示意圖；
[0020] 圖4是本發明實施例一中的一個增量矩陣5?的示意圖；
[0021] 圖5是本發明實施例二中的一個預設格槽平面與目標平面的位置示意圖；
[0022] 圖6是本發明實施例二中的一個預設格槽平面的旋轉示意圖；
[0023] 圖7是本發明實施例二中的一個旋轉幀的示意圖；
[0024]圖8為本發明實施例二中的點云數據的分類方法的流程圖；
[0025]圖9為本發明實施例三中的點云數據的分類裝置的結構示意圖。
【具體實施方式】
[0026]下面結合附圖和實施例對本發明作進一步的詳細說明。可以理解的是，此處所描 述的具體實施例僅僅用于解釋本發明，而非對本發明的限定。另外還需要說明的是，為了便 于描述，附圖中僅示出了與本發明相關的部分而非全部結構。
[0027] 實施例一
[0028] 圖1為本發明實施例一提供的點云數據的分類方法的流程圖，本實施例可適用于 對點云數據進行分類的情況，該方法可以由用于進行點云數據分類的終端來執行，該終端 可以為服務器、個人電腦、筆記本電腦、平板電腦、汽車中控臺、智能手機或智能可穿戴設備 等，該方法具體包括：
[0029] S110、獲取第一有向點對應的第一旋轉圖像。
[0030] 其中，第一有向點為點云數據中的任一有向點。點云數據由N個有向點組成，N大于 等于1，任意一個有向點均可稱為第一有向點。第一有向點與第一旋轉圖像一一對應，根據N 個第一有向點可得到N個第一旋轉圖像。每個第一有向點的信息包括坐標信息和方向信息。 其中，坐標信息為三維空間坐標，方向信息可根據每個第一有向點相鄰的多個第二有向點 的三維坐標確定，相鄰的多個第二有向點數量大于等于3,優選為4。例如:根據第一有向點a 周圍相鄰的第二有向點b、第二有向點c和第二有向點d確定一參考平面，將經過第一有向點 a且垂直于該參考平面的方向矢量確定為第一有向點a的方向信息。
[0031]第一旋轉圖像用于表示目標物體（點云數據表示的物體)在以第一有向點的方向 矢量為z軸建立的坐標系下的圖像，目標物體在該坐標系中的不可顯示部分(被遮擋部分） 可通過在相應可見部分的灰度值體現。
[0032]例如，如圖2所示，目標物體由一大一小兩個正方體組成，其中小正方體的邊長為 大正方體邊長的二分之一。點云數據包括該目標物體表面的多個位置點，其中包括第一有 向點a，第一有向點a的方向為圖2中的X軸方向。根據第一有向點a獲取第一旋轉圖像時，以 第一有向點a的方向矢量，即圖2中的X軸方向，作為z '軸建立坐標系，在新的坐標系中得到 目標物體的圖像。其中，X軸和y軸位于水平平面且X軸與y軸相互垂直，Z軸垂直于水平平面。 如圖3所示，第一旋轉圖像中大正方體位于小正方體的右側，且由于大正方體的厚度（即邊 長)為小正方體的2倍，因此大正方體的灰度值G1為小正方體灰度值G2的2倍。
[0033] S120、根據至少一個第一旋轉圖像對應的第一直方圖確定協方差矩陣。
[0034] 每個第一旋轉圖像對應一個第一直方圖，第一直方圖用于表示第一旋轉圖像中的 灰度值分布情況。協方差矩陣的生成操作如下：
[0035] 首先，將第一旋轉圖像的第一直方圖表達為一個長度為D的向量Xl。
[0036] 根據獲取的目標物體的Μ的N個第一直方圖，得到N個向量X1~Xn。
[0037] 其次，計算N個第一直方圖向量XI~xn的平均值又，平均值又的計算公式如下：
[0039] 再次，根據平均值i得到每個向量^對應的增量向量，增量向量的計算公式 如下：
[0040] Xj = Xj - X
[0041] N個D維的x'i組成增量矩陣Sm，增量矩陣Sm如圖4所示。
[0042] 最后，將增量矩陣Sm乘以增量矩陣Sm的轉置矩陣(Sm)T后可以得到一個DXD的協方 差矩陣C m。
[0043] S130、根據協方差矩陣計算點云數據的特征描述向量。
[0044] 特征描述向量用于描述協方差矩陣中的數據分布特征，進而描述點云數據的形狀 特征。通過計算協方差矩陣的特征值和特征向量，可得到點云數據的特征描述向量。給予特 征值可選擇相應的特征向量作為點云數據的特征描述向量。
[0045] S140、將點云數據的特征描述向量帶入分類器進行分類處理。
[0046] 分類器(Classifier)指在已有數據的基礎上構建一個分類函數或分類模型，該函 數或模型能夠把數據映射到給定類