CN113343840A - 基于三维点云的对象识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于三维点云的对象识别方法及装置。其中，该方法包括：获取目标对象的三维点云；对三维点云进行聚类，得到多个点云簇；分别确定多个点云簇的位置信息和大小信息；根据不同的点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；根据点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立目标对象的特征模型；根据特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定目标对象的状态，以对目标对象进行识别。本发明解决了现有技术中仅根据图像识别对象的方式，需要前期的大量训练和准备，导致操作复杂，而且只能静态识别对象的技术问题。

Description

基于三维点云的对象识别方法及装置

技术领域

本发明涉及对象识别领域，具体而言，涉及一种基于三维点云的对象识别方法及装置。

背景技术

相关技术中，随着人工智能的发展，通常都采用机器模型对对象进行识别，但是机器模型需要基于复杂的神经网络，而且需要前期对模型进行大量数据的训练，才能保证模型的有效性。相关技术中还有一种对象的识别方法，通过拍摄对象的照片，通过提取图像特征对对象进行识别。其需要前期的大量训练和准备，导致操作复杂。另外由于基于上述方式都是给予静态图像进行识别，很难实现对对象的状态例如运动，进行有效识别。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于三维点云的对象识别方法及装置，以至少解决现有技术中仅根据图像识别对象的方式，需要前期的大量训练和准备，导致操作复杂，而且只能静态识别对象的技术问题。

根据本发明实施例的一个方面，提供了一种基于三维点云的对象识别方法，包括：获取目标对象的三维点云；对所述三维点云进行聚类，得到多个点云簇；分别确定多个点云簇的位置信息和大小信息；根据不同的所述点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；根据所述点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立所述目标对象的特征模型；根据所述特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定所述目标对象的状态，以对所述目标对象进行识别。

可选的，获取目标对象的三维点云包括：通过激光雷达在预定方向上的多个位置对所述目标对象进行扫描，得到所述目标对向的三维点云；对所述三维点云进行聚类，得到多个点云簇包括：对所述三维点云进行聚类，得到多个与所述预定方向上的多个位置对应的点云簇。

可选的，分别确定多个点云簇的位置信息和大小信息包括：对所述多个点云簇进行编号，按照编号选取一个点云簇；对选取的点云簇进行分组，得到多个点云分组，其中，所述点云分组的数量与所述预设放方向的位置的数量相同；分别根据多个所述点云分组的点云位置，确定所述点云分组的标准偏差；根据所述标准偏差确定对应的点云分组的大小信息，其中，所述大小信息包括：长度、宽度和高度；根据多个点云分组的大小信息，确定选取的所述点云簇的大小信息；根据选取的所述点云簇的大小信息，以及所述点云簇中的点云的坐标信息，确定所述点云簇的位置信息，其中，所述位置信息为所述点云簇中某一位置的坐标信息；按照所述编号重新选取一个点云簇，确定所述点云簇的大小信息和位置信息，直至多个点云簇的大小信息和位置信息确定完成。

可选的，根据不同的所述点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息包括：根据多个所述点云簇的大小信息，分别确定对应的所述点云簇的外接立方体；在所述外接立方体的顶点中选择一个相对位置固定的顶点为目标顶点；根据多个所述点云簇的位置信息，分别确定多个所述点云簇的目标顶点的坐标；根据不同的点云簇的目标顶点的坐标，确定所述目标顶点的相对位置，其中，所相对位置包括，偏移角度和偏移距离；将相对位置，作为对应的不同点云簇的相对位置信息。

可选的，根据所述点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立所述目标对象的特征模型包括：根据所述点云簇的大小信息和所述点云簇中的点云分布，建立多个所述点云簇的多个特征模型；根据所述点云簇的位置信息和所述不同点云簇之间的相对位置信息，将多个特征模型进组合，生成所述目标对象的特征模型；在所述目标对象的特征模型中，保留所述相对位置信息；根据所述点云簇的点云数据，确定所述点云簇的移动速度，并将所述点云簇的移动速度在所述特征模型中标示。

可选的，根据所述特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定所述目标对象的状态，以对所述目标对象进行识别包括：分别确定所述特征模型中的特征参数，其中，所述特征参数包括下列至少之一：不同点云簇之间的相对位置关系，不同的点云簇的位置-速度曲线；根据所述特征参数与所述标准特征模型的特征参数进行比较；在所述特征参数的相似度达到预设相似度的状态下，确定所述特征模型与所述标准特征模型相匹配；确定所述目标对象处于所述标准特征模型对应的状态，其中，所述状态，包括移动，运动，静止。

可选的，根据所述特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定所述目标对象的状态，以对所述目标对象进行识别之前，还包括：根据所述特征模型对所述目标对象的种类进行识别；在识别到所述目标对象的种类后，调用所述种类对应的目标对象的多个状态下的标准特征模型，对所述目标对象所处状态进行进一步识别。

根据本发明实施例的另一个方面，提供了一种基于三维点云的对象识别装置，包括：获取模块，用于获取目标对象的三维点云；聚类模块，用于对所述三维点云进行聚类，得到多个点云簇；第一确定模块，用于分别确定多个点云簇的位置信息和大小信息；第二确定模块，用于根据不同的所述点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；建立模块，用于根据所述点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立所述目标对象的特征模型；识别模块，用于根据所述特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定所述目标对象的状态，以对所述目标对象进行识别。

根据本发明实施例的另一个方面，提供了一种计算机存储介质，所述计算机存储介质存储有程序指令，其中，在所述程序指令运行时控制所述计算机存储介质所在设备执行上述中任意一项所述的方法。

根据本发明实施例的另一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的方法。

在本发明实施例中，采用获取目标对象的三维点云；对三维点云进行聚类，得到多个点云簇；分别确定多个点云簇的位置信息和大小信息；根据不同的点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；根据点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立目标对象的特征模型；根据特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定目标对象的状态，以对目标对象进行识别的方式，达到了根据三维点云分析，基于多个点云簇的位置和带线奥，以及相对位置，对目标对象及其状态进行有效识别的目的，从而实现了提高对象识别的效率和准确率的技术效果，进而解决了现有技术中仅根据图像识别对象的方式，需要前期的大量训练和准备，导致操作复杂，而且只能静态识别对象的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种基于三维点云的对象识别方法的流程图；

图2是根据本发明实施例的一种基于三维点云的对象识别装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种基于三维点云的对象识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种基于三维点云的对象识别方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取目标对象的三维点云；

步骤S102，对三维点云进行聚类，得到多个点云簇；

步骤S103，分别确定多个点云簇的位置信息和大小信息；

步骤S104，根据不同的点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；

步骤S105，根据点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立目标对象的特征模型；

步骤S106，根据特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定目标对象的状态，以对目标对象进行识别。

通过上述步骤，采用获取目标对象的三维点云；对三维点云进行聚类，得到多个点云簇；分别确定多个点云簇的位置信息和大小信息；根据不同的点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；根据点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立目标对象的特征模型；根据特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定目标对象的状态，以对目标对象进行识别的方式，达到了根据三维点云分析，基于多个点云簇的位置和带线奥，以及相对位置，对目标对象及其状态进行有效识别的目的，从而实现了提高对象识别的效率和准确率的技术效果，进而解决了现有技术中仅根据图像识别对象的方式，需要前期的大量训练和准备，导致操作复杂，的技术问题。

上述目标对象可以为车辆，行人，动物等可移动的对象，在目标对象识别过程中，相关技术只能根据目标对象的静态图片识别目标对象的种类，对于目标对象所处的状态，例如，移动，跑步，行走等状态难以确认。上述三维点云可以通过深度相机获得，通过深度相机拍摄目标对象，获取目标对象的三维数据，进而生成三维点云。还可以根据测距装置对目标对象进行扫描，确定目标对象的三维数据，生成目标对象的三维点云。

本实施例中，采用测距装置获取上述三维点云，例如，激光雷达，可以使目标对象无感的状态下，获取目标对象的三维点云，在具体实施时，通过移动激光雷达，在多个位置分别采集三维点云，从而获取目标对象的完整的三维点云，其准确度更高。

由于目标对象的三维点云数量较大，为了便于处理，对三维点云进行聚类，得到多个点云簇，分部对目标对象的三维点云进行统一处理，从而避免由于目标对象的三维点云数量级大，放在一起进行处理，不仅计算量大，而且可能会存在一定的处理误差。通过分成点云簇进行处理的方式，可以有效提高处理的准确性。

上述分别确定点云簇的位置信息和大小信息，上述位置信息可以为该点云簇的具体位置，可以标识该点云簇在目标对象中的位置，方便后续根据点云簇对目标对象的模型生成，通过不同点云簇之间的位置，可以确定目标对象的姿态。上述点云簇的大小信息可以用于指示该点云簇所对应的目标对象部分，以及该部分的大小，以便后续生成的目标对象的模型与标准模型的匹配，将目标对象的相同部分进行对应和匹配。

上述不同的点云簇指示了目标对象不同的部位，其大小不同，在确定不同点云簇的相对位置关系时，需要考虑点云簇的大小，选取具有可比性的参照点，来根据参照点的位置确定不同点云簇的相对位置关系。上述不同点云簇的相对位置关系可以指示目标对象的不同部位之间的相对位置关系，从而确定该目标对象的所处的状态。

由于不同的目标对像其构造特征差异较大，通过固定的特征参数难以确定，因此本实施例中，根据特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定目标对象的状态，以对目标对象进行识别，从而对目标对象所处的状态进行准确识别。

可选的，获取目标对象的三维点云包括：通过激光雷达在预定方向上的多个位置对目标对象进行扫描，得到目标对向的三维点云；对三维点云进行聚类，得到多个点云簇包括：对三维点云进行聚类，得到多个与预定方向上的多个位置对应的点云簇。

上述激光雷达可以设置在一个移动装置上，例如车辆，还可以设置在一个导轨上，进行移动，移动方式可以预先设定，在激光雷达开始采集后，以预先设定的移动方式进行移动，从而快速多次采集目标对象的三维点云。

由于激光雷达与目标对象的相对位置固定时，只能采集目标对象一个侧面的三维点云，通过多次移动，可以采集目标对象完整的三维点云，进而方便后续对目标对象进行分析和识别，从而提高了目标对象识别的准确性。

可选的，分别确定多个点云簇的位置信息和大小信息包括：对多个点云簇进行编号，按照编号选取一个点云簇；对选取的点云簇进行分组，得到多个点云分组，其中，点云分组的数量与预设放方向的位置的数量相同；分别根据多个点云分组的点云位置，确定点云分组的标准偏差；根据标准偏差确定对应的点云分组的大小信息，其中，大小信息包括：长度、宽度和高度；根据多个点云分组的大小信息，确定选取的点云簇的大小信息；根据选取的点云簇的大小信息，以及点云簇中的点云的坐标信息，确定点云簇的位置信息，其中，位置信息为点云簇中某一位置的坐标信息；按照编号重新选取一个点云簇，确定点云簇的大小信息和位置信息，直至多个点云簇的大小信息和位置信息确定完成。

由于点云簇为多个，在对点云簇分析之前，对多个点云簇进行编号，按照编号选取一个点云簇，对于已经分析的点云簇进行编号记录，从而避免重复选取点云簇进行重复分析，导致资源浪费的问题。

由于采集三维点云时通过激光雷达在多个位置进行移动，对目标对象进行采集，其获取到的三维点云呈明显的分层，为了便于处理，在对点云簇进行分析时，先对选取的点云簇进行分组，得到多个点云分组，点云分组的数量与预设方向的位置的数量相同，其中点云分组与上述激光雷达的位置对应，将一个位置采集的三维点云进行统一处理，从而避免由于采集次数的不同，放在一起进行处理，不仅计算量大，而且可能会由于采集批次的不同，存在一定的处理误差。通过分成点云簇进行处理的方式，可以有效提高处理的准确性。

分别根据多个点云分组的点云位置，确定点云分组的标准偏差，上述标准偏差也即是标准差，可以包括三维点云三个坐标值的标准差。根据标准偏差确定对应的点云分组的大小信息，其中，大小信息包括：长度、宽度和高度。具体可以通过三个坐标值的标准差确定其对应的长度、宽度和高度，使得上述点云分组的全部点云落在上述长度、宽度、和高度的范围内。根据多个点云分组的大小信息，确定选取的点云簇的大小信息；使用三维点云的点信息的标准偏差计算点组的大小的方法，即使点云组中包含的信息的点数较小，也可以确定点组的尺寸保持相对高的精度。

根据选取的点云簇的大小信息，以及点云簇中的点云的坐标信息，确定点云簇的位置信息，其中，位置信息为点云簇中某一位置的坐标信息，例如，上述长度、宽度高度组成的立方体的几何中心的坐标信息，从而代表该点云簇的位置信息。从二完成对点云簇的位置信息和大小信息的确定。

按照编号重新选取一个点云簇，确定点云簇的大小信息和位置信息，直至多个点云簇的大小信息和位置信息确定完成。进而通过相同的方式对多个点云簇的大小信息和位置信息准确确定。上述多个点云簇的大小信息和位置信息的确定进程可以并行，进而提高数据处理的效率。

可选的，根据不同的点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息包括：根据多个点云簇的大小信息，分别确定对应的点云簇的外接立方体；在外接立方体的顶点中选择一个相对位置固定的顶点为目标顶点；根据多个点云簇的位置信息，分别确定多个点云簇的目标顶点的坐标；根据不同的点云簇的目标顶点的坐标，确定目标顶点的相对位置，其中，所相对位置包括，偏移角度和偏移距离；将相对位置，作为对应的不同点云簇的相对位置信息。

上述点云簇的外接立方体为根据点云簇的点云的三维坐标确定的立方体，与上述宽度、长度和高度确定的立方体可以相同，也可以不同。上述外接立方体的相对位置固定的顶点可以为右下角前方的顶点，也即是说，每个点云簇的外接立方体都以该顶点为基准，确定不同点云簇的相对位关系，包括偏移角度和偏移距离。从而确定不同点云簇的相对位置关系。

可选的，根据点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立目标对象的特征模型包括：根据点云簇的大小信息和点云簇中的点云分布，建立多个点云簇的多个特征模型；根据点云簇的位置信息和不同点云簇之间的相对位置信息，将多个特征模型进组合，生成目标对象的特征模型；在目标对象的特征模型中，保留相对位置信息；根据点云簇的点云数据，确定点云簇的移动速度，并将点云簇的移动速度在特征模型中标示。

上述点云簇的大小信息，可以为点云簇的上述宽度、长度和高度确定的立方体，通过立方体的形式表示点云簇的大小。通过相对位置关系确定不同点云簇的相对位置，从而生成该目标对象的特征模型。并将相对位置关系，以及根据点云簇的三维点云确定的移动速度，在模型中标示，以便后续进行比对。上述根据点云簇的三维点云确定移动速度，具体可以根据不同位置的激光雷达采集的目标对象相同位置的点云确定，其采用的原理是现有技术。

可选的，根据特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定目标对象的状态，以对目标对象进行识别包括：分别确定特征模型中的特征参数，其中，特征参数包括下列至少之一：不同点云簇之间的相对位置关系，不同的点云簇的位置-速度曲线；根据特征参数与标准特征模型的特征参数进行比较；在特征参数的相似度达到预设相似度的状态下，确定特征模型与标准特征模型相匹配；确定目标对象处于标准特征模型对应的状态，其中，状态，包括移动，运动，静止。

分别确定特征模型中的特征参数，包括不同点云簇之间的相对位置关系，不同的点云簇的位置-速度曲线，根据特征参数用于确定该目标对象的运动特征。根据特征参数与标准特征模型的特征参数进行比较；在特征参数的相似度达到预设相似度的状态下，确定特征模型与标准特征模型相匹配。具体的，在特征参数为多个时，需要保证一定比例的特征参数的相似度均达到要求。上述相似度要求可以预先设定。从而通过与标准特征模型的匹配，确定目标对象处于标准特征模型对应的状态。

可选的，根据特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定目标对象的状态，以对目标对象进行识别之前，还包括：根据特征模型对目标对象的种类进行识别；在识别到目标对象的种类后，调用种类对应的目标对象的多个状态下的标准特征模型，对目标对象所处状态进行进一步识别。

在对目标对象的状态进行识别之前，还可以根据特征模型的特征，包括模型的高度，以及各部分点云簇的大小，确定目标对象的形态特征，从而确定该目标对象的种类。例如，人为直立状态，双腿直立，包括躯干和头部，牛羊为四肢直立的状态。进而根据该类型对应的目标对象的多个状态下的标准特征模型，对目标对象所处状态进行进一步识别，提高目标对象的识别准确度。

图2是根据本发明实施例的一种通过飞行器采集建筑物信息生成建筑物模型的装置的结构示意图，如图2所示，根据本发明实施例的另一个方面，提供了一种基于三维点云的对象识别装置，包括：获取模块21，聚类模块22，第一确定模块23，第二确定模块24，建立模块25和识别模块26，下面对该装置进行详细说明。

获取模块21，用于获取目标对象的三维点云；聚类模块22，与上述获取模块21相连，用于对所述三维点云进行聚类，得到多个点云簇；第一确定模块23，与上述聚类模块22相连，用于分别确定多个点云簇的位置信息和大小信息；第二确定模块24，与上述第一确定模块23相连，用于根据不同的所述点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；建立模块25，与上述第二确定模块24相连，用于根据所述点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立所述目标对象的特征模型；识别模块26，与上述建立模块25相连，用于根据所述特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定所述目标对象的状态，以对所述目标对象进行识别。

通过上述装置，采用获取目标对象的三维点云；对三维点云进行聚类，得到多个点云簇；分别确定多个点云簇的位置信息和大小信息；根据不同的点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；根据点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立目标对象的特征模型；根据特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定目标对象的状态，以对目标对象进行识别的方式，达到了根据三维点云分析，基于多个点云簇的位置和带线奥，以及相对位置，对目标对象及其状态进行有效识别的目的，从而实现了提高对象识别的效率和准确率的技术效果，进而解决了现有技术中仅根据图像识别对象的方式，需要前期的大量训练和准备，导致操作复杂，的技术问题。

根据本发明实施例的另一个方面，提供了一种计算机存储介质，所述计算机存储介质存储有程序指令，其中，在所述程序指令运行时控制所述计算机存储介质所在设备执行上述中任意一项所述的方法。

根据本发明实施例的另一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于三维点云的对象识别方法，其特征在于，包括：

获取目标对象的三维点云；

对所述三维点云进行聚类，得到多个点云簇；

分别确定多个点云簇的位置信息和大小信息；

根据不同的所述点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；

根据所述点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立所述目标对象的特征模型；

根据所述特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定所述目标对象的状态，以对所述目标对象进行识别。

2.根据权利要求1所述的方法，其特征在于，获取目标对象的三维点云包括：

通过激光雷达在预定方向上的多个位置对所述目标对象进行扫描，得到所述目标对向的三维点云；

对所述三维点云进行聚类，得到多个点云簇包括：

对所述三维点云进行聚类，得到多个与所述预定方向上的多个位置对应的点云簇。

3.根据权利要求2所述的方法，其特征在于，分别确定多个点云簇的位置信息和大小信息包括：

对所述多个点云簇进行编号，按照编号选取一个点云簇；

对选取的点云簇进行分组，得到多个点云分组，其中，所述点云分组的数量与所述预设放方向的位置的数量相同；

分别根据多个所述点云分组的点云位置，确定所述点云分组的标准偏差；

根据所述标准偏差确定对应的点云分组的大小信息，其中，所述大小信息包括：长度、宽度和高度；

根据多个点云分组的大小信息，确定选取的所述点云簇的大小信息；

根据选取的所述点云簇的大小信息，以及所述点云簇中的点云的坐标信息，确定所述点云簇的位置信息，其中，所述位置信息为所述点云簇中某一位置的坐标信息；

按照所述编号重新选取一个点云簇，确定所述点云簇的大小信息和位置信息，直至多个点云簇的大小信息和位置信息确定完成。

4.根据权利要求3所述的方法，其特征在于，根据不同的所述点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息包括：

根据多个所述点云簇的大小信息，分别确定对应的所述点云簇的外接立方体；

在所述外接立方体的顶点中选择一个相对位置固定的顶点为目标顶点；

根据多个所述点云簇的位置信息，分别确定多个所述点云簇的目标顶点的坐标；

根据不同的点云簇的目标顶点的坐标，确定所述目标顶点的相对位置，其中，所相对位置包括，偏移角度和偏移距离；

将相对位置，作为对应的不同点云簇的相对位置信息。

5.根据权利要求4所述的方法，其特征在于，根据所述点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立所述目标对象的特征模型包括：

根据所述点云簇的大小信息和所述点云簇中的点云分布，建立多个所述点云簇的多个特征模型；

根据所述点云簇的位置信息和所述不同点云簇之间的相对位置信息，将多个特征模型进组合，生成所述目标对象的特征模型；

在所述目标对象的特征模型中，保留所述相对位置信息；

根据所述点云簇的点云数据，确定所述点云簇的移动速度，并将所述点云簇的移动速度在所述特征模型中标示。

6.根据权利要求1所述的方法，其特征在于，根据所述特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定所述目标对象的状态，以对所述目标对象进行识别包括：

分别确定所述特征模型中的特征参数，其中，所述特征参数包括下列至少之一：不同点云簇之间的相对位置关系，不同的点云簇的位置-速度曲线；

根据所述特征参数与所述标准特征模型的特征参数进行比较；

在所述特征参数的相似度达到预设相似度的状态下，确定所述特征模型与所述标准特征模型相匹配；

确定所述目标对象处于所述标准特征模型对应的状态，其中，所述状态，包括移动，运动，静止。

7.根据权利要求6所述的方法，其特征在于，根据所述特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定所述目标对象的状态，以对所述目标对象进行识别之前，还包括：

根据所述特征模型对所述目标对象的种类进行识别；

在识别到所述目标对象的种类后，调用所述种类对应的目标对象的多个状态下的标准特征模型，对所述目标对象所处状态进行进一步识别。

8.一种基于三维点云的对象识别装置，其特征在于，包括：

获取模块，用于获取目标对象的三维点云；

聚类模块，用于对所述三维点云进行聚类，得到多个点云簇；

第一确定模块，用于分别确定多个点云簇的位置信息和大小信息；

第二确定模块，用于根据不同的所述点云簇的位置信息和大小信息，确定多个不同的点云簇之间的相对位置信息；

建立模块，用于根据所述点云簇的位置信息和大小信息，以及不同的点云簇之间的相对位置信息，建立所述目标对象的特征模型；

识别模块，用于根据所述特征模型与预先存储的多个状态下的目标对象的标准特征模型进行比较，确定所述目标对象的状态，以对所述目标对象进行识别。

9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有程序指令，其中，在所述程序指令运行时控制所述计算机存储介质所在设备执行权利要求1至7中任意一项所述的方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的方法。

Images