[發明專利]基于點云鳥瞰圖的室外靜態環境建模方法及裝置

在審

• 申請號: 202310083179.0
• 申請日: 2023-02-02
• 公開（公告）號: CN116310085A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 文奴;李梓成
• 申請（專利權）人: 忘平（廣東）科技有限公司
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06T3/60;G06V20/00;G06V20/52;G06V20/70
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 余凱歡

本發明公開了基于點云鳥瞰圖的室外靜態環境建模方法及裝置，方法包括：獲取室外靜態環境點云數據；根據獲取到的所述室外靜態環境點云數據進行點云坐標系轉換，得到監控區域垂直視覺下的點云；根據所述監控區域垂直視覺下的點云生成點云鳥瞰圖；對所述點云鳥瞰圖中得區域屬性進行標注，獲取監控環境中的語義信息；根據所述語義信息，生成室外靜態區域模型。本發明簡潔高效，實現了從離散的點云信息中獲取稠密的環境信息，高效的實現動態物體的提取，并且讓無序的點云數據變成有序的點云數據，使其更加有效的賦能上層應用，可廣泛應用于點云數據處理技術領域。

技術領域

本發明涉及點云數據處理技術領域，尤其是基于點云鳥瞰圖的室外靜態環境建模方法及裝置。

背景技術

現階段室外環境的動態目標識別大多都是基于視頻設備的，通過采集視頻圖像數據，利用基于深度學習的算法對動態目標進行識別。然而基于視頻圖像的監控方法存在著以下缺陷：

1.深度學習模型存在泛化性不佳的問題。深度學習模型只能識別出預訓練好的目標類別，對于沒見過的類別，模型就無能為力了，并且對于一些類別的特殊個體，其識別效果往往也比較差，因此基于深度學習的圖像目標識別算法或多或少都存在泛化性不佳的問題。這對于動態物體識別的可靠性，就會打大折扣。

2.環境適應性較差，難以實現對監控區域全天候的識別。基于圖像的方法受天氣和光照的影響較大，雨霧天氣或者光照條件較差的情況，會極大的影響到深度學習算法的性能。因此基于圖像的方法難已做到全天候監控，這極大的影響到下游業務的準確性，也極大的限制了該方法的適用范圍。

3.缺乏準確的三維信息，容易造成誤判。基于視頻圖像的方法難以在空間尺度上作出正確的判斷，特別是角度不佳的情況下，這會導致對動態物體行為的誤判，在復雜性比較高的場景里更是如此，這也會嚴重影響到下游業務的開展。

以上三點是基于圖像的動態目標提取難以解決的先天性問題。因此行業中急需替代視覺的動態目標提取方案，來解決相關的痛點。

和基于視頻圖像的智能識別方法不一樣的是，激光點云對環境的適應性較強，基于激光等主動設備的點云數據受環境的光照影響較少，因此在晚間也能有非常好的檢測效果，這就讓基于激光點云的動態目標提取方案有了能全天候工作的優點；并且，由于激光點云有準確的三維信息，因此在應用上，對于動態目標的一些行為，如、越界、違停等，就會有比較準確的判斷。

然而基于連續點云的數據處理，存在以下兩個問題：

1.和圖像不同的是，點云是離散的，在某些地方會存在信息丟失的問題。

2.連續的點云幀數據量較為龐大，在實際的應用中，怎么做到快速處理、快速檢測是一個不小的挑戰。

發明內容

有鑒于此，本發明實施例提供一種簡潔高效的，基于點云鳥瞰圖的室外靜態環境建模方法及裝置。

本發明實施例的一方面提供了基于點云鳥瞰圖的室外靜態環境建模方法，包括：

獲取室外靜態環境點云數據；

根據獲取到的所述室外靜態環境點云數據進行點云坐標系轉換，得到監控區域垂直視覺下的點云；

根據所述監控區域垂直視覺下的點云生成點云鳥瞰圖；

對所述點云鳥瞰圖中得區域屬性進行標注，獲取監控環境中的語義信息；

根據所述語義信息，生成室外靜態區域模型。

可選地，所述獲取室外靜態環境點云數據，包括：

在監控區域中不存在動態物體時采集相應的點云數據；

采集完監控區域之后對點云數據進行編輯；

通過對連續多幀點云進行統計，完成對動態點云的剔除。