一种点云退化环境的判断方法、装置、终端及存储介质

技术领域

本发明涉及点云数据处理领域，尤其涉及的是一种点云退化环境的判断方法、装置、终端及存储介质。

背景技术

随着科技的不断发展，信息化成为城市发展过程中的必然趋势。其中，三维点云地图已经成为城市信息化建设的重要内容。三维点云地图主要是通过匹配、拼接LiDAR输出的点云来构建，能够准确、真实、生动地表达城市三维空间信息。但是在某个方向或某些方向上缺乏几何特征或约束的环境，例如笔直的隧道、长长的小巷这类点云退化环境，点云匹配的精度会下降甚至出错，给建图工作带来了较大的困难。因此需要识别出这类点云退化环境，从而能避开该环境，以防其扭曲整体三维点云地图；或者针对性的进行优化以提高在点云退化环境下的精度。目前识别点云退化场景的方法主要基于深度学习，需要大量的训练数据和强大的算力，导致实用性不足。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种点云退化环境的判断方法、装置、终端及存储介质，旨在解决现有技术中利用深度学习方法识别点云退化环境，需要大量的训练数据和强大的算力，导致实用性过低的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种点云退化环境的判断方法，其中，所述方法包括：

获取目标环境对应的目标距离影像，其中，所述目标距离影像基于所述目标环境对应的点云数据生成，所述目标距离影像用于反映所述点云数据中各点云与点云采集装置之间的距离；

根据所述目标距离影像，确定预设视场内各视场角对应的最大所述距离所服从的概率密度函数；

根据所述概率密度函数，判断所述目标环境是否为点云退化环境。

在一种实施方式中，所述根据所述目标距离影像，确定预设视场内各视场角对应的最大所述距离所服从的概率分布特征，包括：

根据所述目标距离影像生成目标向量，其中，所述目标向量包括若干元素，若干所述元素分别用于反映所述预设视场内各视场角分别对应的最大所述距离；

通过对数逻辑分布对所述目标向量进行拟合；

根据拟合后的所述目标向量确定所述概率密度函数。

在一种实施方式中，所述概率密度函数为：

其中，x为自变量，表示所述目标向量中的元素；α为尺度参数；β为形状参数。

在一种实施方式中，所述根据所述概率密度函数，判断所述目标环境是否为点云退化环境，包括：

确定所述概率密度函数对应的对数平均值；

根据所述对数平均值判断所述目标环境是否为点云退化环境。

在一种实施方式中，所述对数平均值的计算公式为：

μ＝lnα

其中，μ为对数平均值；α为尺度参数。

在一种实施方式中，所述根据所述对数平均值判断所述目标环境是否为点云退化环境，包括：

获取预设阈值，将所述对数平均值与所述预设阈值进行比较；

当所述对数平均值小于所述预设阈值时，判断所述目标环境为点云退化环境。

在一种实施方式中，所述方法还包括：

当所述对数平均值大于或者等于所述预设阈值时，判断所述目标环境为非点云退化环境。

第二方面，本发明实施例还提供一种点云退化环境的判断装置，其中，所述装置包括：

获取模块，用于获取目标环境对应的目标距离影像，其中，所述目标距离影像基于所述目标环境对应的点云数据生成，所述目标距离影像用于反映所述点云数据中各点云与点云采集装置之间的距离；

确定模块，用于根据所述目标距离影像，确定预设视场内各视场角对应的最大所述距离所服从的概率密度函数；

判断模块，用于根据所述概率密度函数，判断所述目标环境是否为点云退化环境。

第三方面，本发明实施例还提供一种终端，其中，所述终端包括有存储器和一个或者一个以上处理器；所述存储器存储有一个或者一个以上的程序；所述程序包含用于执行如上述任一所述的点云退化环境的判断方法的指令；所述处理器用于执行所述程序。

第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的点云退化环境的判断方法的步骤。

本发明的有益效果：本发明实施例通过获取目标环境对应的目标距离影像，其中，所述目标距离影像基于所述目标环境对应的点云数据生成，所述目标距离影像用于反映所述点云数据中各点云与点云采集装置之间的距离；根据所述目标距离影像，确定预设视场内各视场角对应的最大所述距离所服从的概率密度函数；根据所述概率密度函数，判断所述目标环境是否为点云退化环境。本发明通过统计分析的方法来识别点云退化环境，可以有效解决现有技术中利用深度学习方法识别点云退化环境，需要大量的训练数据和强大的算力，导致实用性过低的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的点云退化环境的判断方法的流程示意图。

图2是本发明实施例提供的采用对数平均数识别点云退化环境的流程示意图。

图3是本发明实施例提供的目标距离影像的示意图。

图4是本发明实施例提供的目标向量的示意图。

图5是本发明实施例提供的点云退化环境的判断装置的内部模块示意图。

图6是本发明实施例提供的终端的原理框图。

具体实施方式

本发明公开了一种点云退化环境的判断方法、装置、终端及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

随着科技的不断发展，信息化成为城市发展过程中的必然趋势。其中，三维点云地图已经成为城市信息化建设的重要内容。三维点云地图主要是通过匹配，拼接LiDAR输出的点云来构建，能够准确、真实、生动地表达城市三维空间信息。但是在某个方向或某些方向上缺乏几何特征或约束的环境，例如笔直的隧道、长长的小巷这类点云退化环境，点云匹配的精度会下降甚至出错，给建图工作带来了较大的困难。因此需要识别出这类点云退化环境，从而能避开该环境，以防其扭曲整体三维点云地图；或者针对性的进行优化以提高在点云退化环境下的精度。目前识别点云退化场景的方法主要基于深度学习，需要大量的训练数据和强大的算力，导致实用性不足。

针对现有技术的上述缺陷，本发明提供一种点云退化环境的判断方法，所述方法通过：获取目标环境对应的目标距离影像，其中，所述目标距离影像基于所述目标环境对应的点云数据生成，所述目标距离影像用于反映所述点云数据中各点云与点云采集装置之间的距离；根据所述目标距离影像，确定预设视场内各视场角对应的最大所述距离所服从的概率密度函数；根据所述概率密度函数，判断所述目标环境是否为点云退化环境。本发明通过统计分析的方法来识别点云退化环境，可以有效解决现有技术中利用深度学习方法识别点云退化环境，需要大量的训练数据和强大的算力，导致实用性过低的问题。

如图1所示，所述方法包括如下步骤：

步骤S100、获取目标环境对应的目标距离影像，其中，所述目标距离影像基于所述目标环境对应的点云数据生成，所述目标距离影像用于反映所述点云数据中各点云与点云采集装置之间的距离。

具体地，本实施例中的目标环境可以为任一一个当前需要进行点云退化环境识别的空间。为了判断目标环境是否为点云退化环境，本实施例需要获取目标环境的点云数据，该点云数据可以为预先采集并存储的数据，也可以是当场通过LiDAR传感器采集得到的数据。然后将该点云数据转换为距离影像，即得到目标距离影像(如图3所示)。通过目标距离影像可以分析出每一点云与点云采集装置之间的距离。

如图1所示，所述方法还包括如下步骤：

步骤S200、根据所述目标距离影像，确定预设视场内各视场角对应的最大所述距离所服从的概率密度函数。

具体地，本实施例需要截取目标距离影像中以点云采集装置为观测点的预设视场的数据，由于目标距离影像可以反映每一点云与点云采集装置之间的距离，因此通过截取出来的数据可以确定预设视场内每一视场角对应的点云与点云采集装置之间的最大距离。这些最大距离是连续型的随机变量，通过数学统计的方法可以分析出这些最大距离的取值落入不同数值区间的概率，进而确定这些最大距离所服从的概率密度函数。

在一种实现方式中，所述步骤S200具体包括如下步骤：

步骤S201、根据所述目标距离影像生成目标向量，其中，所述目标向量包括若干元素，若干所述元素分别用于反映所述预设视场内各视场角分别对应的最大所述距离；

步骤S202、通过对数逻辑分布对所述目标向量进行拟合；

步骤S203、根据拟合后的所述目标向量确定所述概率密度函数。

具体地，为了确定概率密度函数，本实施例首先以预设视场对目标距离影像进行截取，例如截取前向180度的视场，得到预设视场内各视场角上的最大距离，并以向量形式输出，即得到目标向量。可以理解的是，该目标向量是多维向量，每一元素对应预设视场内一度视场角对应的最大距离(如图4所示)。然后使用对数逻辑分布对目标向量进行拟合，以减少原始数据中一些离散的数据对后续统计分析的影响。根据拟合后的目标向量可以得到一个连续的函数，即概率密度函数。通过概率密度函数，可以分析出各视场角对应的最大距离的数值落入不同数值区间的概率。

在一种实现方式中，所述概率密度函数为：

其中，x为自变量，表示所述目标向量中的元素；α为尺度参数；β为形状参数。

如图1所示，所述方法还包括如下步骤：

步骤S300、根据所述概率密度函数，判断所述目标环境是否为点云退化环境。

具体地，通过概率密度函数可以分析出各个最大距离的数值落入不同数值区间的概率。可以理解的是，若目标环境不是点云退化环境，即不存在某个方向或某些方向上缺乏几何特征或约束，则最大距离的数值落入低数值区间和高数值区间的概率基本相等；若目标环境是点云退化环境，则最大距离的数值落入低数值区间的概率明显高于落入高数值区间的概率。因此通过概率密度函数，可以快速判断目标环境是否为点云退化环境。

在一种实现方式中，所述步骤S300具体包括如下步骤：

步骤S301、确定所述概率密度函数对应的对数平均值；

步骤S302、根据所述对数平均值判断所述目标环境是否为点云退化环境。

具体地，由于各个最大距离的取值出现在概率密度函数的对数平均值附近的可能性最高。因此通过对数平均值的大小，即可确定最大距离的数值分布在低数值区间的概率与分布在高数值区间的概率是否平衡，从而判断出目标环境是否为点云退化环境。

在一种实现方式中，所述对数平均值的计算公式为：

μ＝ln(α)

其中，μ为对数平均值；α为尺度参数。

在一种实现方式中，所述步骤S302具体包括如下步骤：

步骤S3021、获取预设阈值，将所述对数平均值与所述预设阈值进行比较；

步骤S3022、当所述对数平均值小于所述预设阈值时，判断所述目标环境为点云退化环境。

具体地，如图2所示，为了评判对数平均值的大小，本实施例预先设定了一个阈值，即预设阈值。若对数平均值小于该预设阈值，则表示对数平均值过小，即最大距离的数值分布在低数值区间的概率过高，分布在高数值区间的概率过低，说明点云采集装置采集到的更多是近距离的点云，缺乏远距离的点云，则目标环境在远距离的方向上可能缺乏几何特征或者约束，因此判断目标环境为点云退化环境。

在一种实现方式中，所述方法还包括如下步骤：

步骤S3023、当所述对数平均值大于或者等于所述预设阈值时，判断所述目标环境为非点云退化环境。

具体地，若对数平均值大于或者等于该预设阈值，则表示对数平均值的大小正常，最大距离的数值分布在低数值区间的概率和分布在高数值区间的概率基本均等，因此判断目标环境不是点云退化环境。

基于上述实施例，本发明还提供了一种点云退化环境的判断装置，如图5所示，所述装置包括：

获取模块01，用于获取目标环境对应的目标距离影像，其中，所述目标距离影像基于所述目标环境对应的点云数据生成，所述目标距离影像用于反映所述点云数据中各点云与点云采集装置之间的距离；

确定模块02，用于根据所述目标距离影像，确定预设视场内各视场角对应的最大所述距离所服从的概率密度函数；

判断模块03，用于根据所述概率密度函数，判断所述目标环境是否为点云退化环境

基于上述实施例，本发明还提供了一种终端，其原理框图可以如图6所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现如下的点云退化环境的判断方法：

获取目标环境对应的目标距离影像，其中，所述目标距离影像基于所述目标环境对应的点云数据生成，所述目标距离影像用于反映所述点云数据中各点云与点云采集装置之间的距离；

根据所述目标距离影像，确定预设视场内各视场角对应的最大所述距离所服从的概率密度函数；

根据所述概率密度函数，判断所述目标环境是否为点云退化环境。

其中，该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。

本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行点云退化环境的判断方法的指令。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

综上所述，本发明公开了一种点云退化环境的判断方法、装置、终端及存储介质，所述方法通过获取目标环境对应的目标距离影像，其中，所述目标距离影像基于所述目标环境对应的点云数据生成，所述目标距离影像用于反映所述点云数据中各点云与点云采集装置之间的距离；根据所述目标距离影像，确定预设视场内各视场角对应的最大所述距离所服从的概率密度函数；根据所述概率密度函数，判断所述目标环境是否为点云退化环境。本发明通过统计分析的方法来识别点云退化环境，可以有效解决现有技术中利用深度学习方法识别点云退化环境，需要大量的训练数据和强大的算力，导致实用性过低的问题。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。