[發(fā)明專利]用于基于LiDAR的聚類的自適應(yīng)搜索

在審

• 申請?zhí)枺?/td>: 202110055574.9
• 申請日: 2021-01-15
• 公開（公告）號: CN113128551A
• 公開（公告）日: 2021-07-16
• 發(fā)明（設(shè)計）人: M-H·李
• 申請（專利權(quán)）人: 安波福技術(shù)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 上海專利商標事務(wù)所有限公司 31100
• 代理人: 錢慰民;張鑫

1.一種對空間數(shù)據(jù)進行聚類的方法，所述方法包括：

接收包括在三維(3D)空間內(nèi)限定的多個點的點云；

為所述多個點中的每個點選擇一個或多個自適應(yīng)聚類參數(shù)；

遍歷所述點云中的所述多個點中的每個點，并且基于與每個點相關(guān)聯(lián)的選定聚類參數(shù)，將所述點中的每個點選擇性地添加到一個或多個聚類。

2.如權(quán)利要求1所述的方法，其特征在于，選擇一個或多個自適應(yīng)聚類參數(shù)包括：選擇最少點閾值參數(shù)或搜索半徑參數(shù)。

3.如權(quán)利要求2所述的方法，其特征在于，所述最少點閾值參數(shù)或搜索半徑參數(shù)是基于到所述點的距離選擇的。

4.如權(quán)利要求3所述的方法，其特征在于，所述最少點閾值參數(shù)隨著所確定的到所述點的距離增大而減小。

5.如權(quán)利要求3所述的方法，其特征在于，所述搜索半徑隨著所確定的到所述點的距離增大而增大。

6.如權(quán)利要求1所述的方法，其特征在于，進一步包括：

基于位于所述點的搜索半徑內(nèi)的鄰近點的數(shù)量，計算與所述多個點中的每個點相關(guān)聯(lián)的密度。

7.如權(quán)利要求6所述的方法，其特征在于，計算與所述多個點中的每個點相關(guān)聯(lián)的所述密度包括：

基于位于所述點的搜索半徑內(nèi)的鄰近點的數(shù)量與定義的最少點閾值的比較，將所述點標識為核心點；以及

如果所述點未被標識為核心點，則增大所述搜索半徑，并且基于增大的搜索半徑檢索附加的鄰近點，其中計算所述點的所述密度是基于所述增大的搜索半徑和附加的鄰近點的。

8.如權(quán)利要求6所述的方法，其特征在于，進一步包括：

基于所計算的每個點的密度對所述多個點進行排序。

9.如權(quán)利要求8所述的方法，其特征在于，遍歷所述點云中的所述多個點中的每個點包括：基于所排序的所述多個點的密度來遍歷點，其中從密集到稀疏遍歷點。

10.如權(quán)利要求1所述的方法，其特征在于，遍歷所述點云中的所述多個點中的每個點并且選擇性地將所述點中的每個點添加到一個或多個聚類包括：

選擇先前未聚類的點；

如果選定點是核心點并且先前未聚類，則創(chuàng)建新的聚類；

如果所述點是核心點，則將鄰近點添加到與所述新的聚類相關(guān)聯(lián)的鄰居列表，其中，鄰近點位于所述核心點的搜索半徑內(nèi)；以及

檢查所述鄰居列表上的每個點并將每個點標識為核心點或邊界點，其中被標識為核心點的鄰居點被分配到所述新的聚類，并且被標識為核心點的所述鄰居點的鄰居被添加到所述鄰居列表，其中，被標識為邊界點的鄰居點被分配到所述新的聚類，但是所述邊界點的鄰居不被添加到所述鄰居列表。

11.如權(quán)利要求10所述的方法，其特征在于，響應(yīng)于將點標識為邊界點，將所述邊界點和與所述邊界點相鄰的點之間的入射角與閾值進行比較，其中，如果差異小于閾值，則在相鄰點先前未被分配到聚類的情況下，將所述相鄰點添加到與所述新的聚類相關(guān)聯(lián)的所述鄰居列表。

12.如權(quán)利要求11所述的方法，其特征在于，所述入射角是方位角或仰角。