【技術實現步驟摘要】
本專利技術屬于多傳感器數據融合，尤其涉及基于改進的dbscan聚類算法的點云圖像數據融合方法、系統、設備及存儲介質。
技術介紹
1、感知環境的傳感器有許多種，其中包括激光雷達、相機、慣性測量單元(imu)、全球定位系統(gps)等。激光雷達是一種通過發射激光脈沖根據反射的回波來感知目標姿態、位置的機構，激光雷達能精準探測空間位置、目標大小、形狀以及運行速度等相關參數，具有覆蓋廣泛的探測范圍等優勢；視覺相機是一種使用光學原理來采集圖像的設備，具有較高的圖像穩定性，視覺相機通過鏡頭控制光線的聚焦于傳播，透過光學透鏡將光線聚焦到傳感器上形成圖像；慣性測量單元(imu)是測量物體三軸姿態角(或角速率)以及加速度的裝置，在導航中有著很重要的應用價值；全球定位系統(gps)一種以人造地球衛星為基礎的高精度無線電導航的定位系統。
2、單一的視覺傳感器受環境明暗條件影響較大，室外的環境又相對復雜，高空光照變化使得視覺傳感器目標識別受到一定的限制，易出現漏檢誤檢檢測目標的情況。
技術實現思路
1、本專利技術的目的在于：提供基于改進的dbscan聚類算法的點云圖像數據融合方法、系統、設備及存儲介質，以解決單一的視覺傳感器受環境影響較大，使得目標識別監測受限以及易出現漏檢誤檢的問題。
2、本申請實施例是這樣實現的，。
3、可選地，在本申請的一些實施例中，基于改進的dbscan聚類算法的點云圖像數據融合方法，包括：
4、輸入初始半徑ε、最小鄰域數minpts
5、從點云數據d中選取一個尚未被訪問過的點q，以q點為中心、初始半徑為ε范圍的區域內，尋找滿足最小鄰域數minpts條件的所有點，即q點密度可達的點；
6、獲得q點在eps鄰域內的個數pi，如果pi≥minpts，q點則劃分為核心點，若pi≤minpt，q點則劃分為噪音點，直至找出最理想的最小鄰域數minpts；
7、繼續搜索q點直接密度可達的點，以上搜索到的點為核心聚類點；
8、重復上述步驟，直至將點云數據d中屬于檢測目標的點云全部劃分和搜索完畢，則判定點云改進dbscan聚類完成，獲得改進dbscan聚類之后的點云簇；
9、建立改進dbscan聚類之后的點云簇的3d包圍模型；
10、將建立改進dbscan聚類之后的點云簇的3d包圍模型投影至對應的圖像像素位置，完成點云數據與圖像數據的融合。
11、可選地，在本申請的一些實施例中，初始半徑ε獲得包括：
12、rang＝max{pk|0≤k≤m}
13、式中，初始半徑ε為rang所在的分段里的中值，pk表示為將隨機的距離間隔distance分割成m段后每段中dist(i,j)檢測頻率，dist(i,j)表示i，j兩點之間的歐式距離，rang表示為最大頻數；
14、dist(i,j)的獲得包括：
15、
16、式中，dist(i,j)表示i，j兩點之間的歐式距離；xi表示i點與x坐標軸的距離；yi表示i點與y坐標軸的距離；zi表示i點與z坐標軸的距離；xj表示j點與x坐標軸的距離；yj表示j點與y坐標軸的距離；zj表示j點與z坐標軸的距離。
17、距離間隔distance的獲得包括：
18、maxdist＝max{dist(i.j|0≤i≤n,0≤j≤d}
19、mindist＝min{dist(i.j|0≤i≤n,0≤j≤d}
20、distance＝maxdist-mindist
21、式中，maxdist表示i，j兩點之間的最大距離，mindist表示i，j兩點之間的最小距離，distance表示i，j兩點之間的距離間隔，n表示點的數目，d表示點云數據。
22、可選地，在本申請的一些實施例中，所述點云數據d的獲得包括：采用體素柵格法對原始的點云數據進行降采樣處理，再采用統計濾波算法去除點云數據中離群噪聲點，后采用隨機采樣一致算法ransac地面分割，獲得點云數據d。
23、可選地，在本申請的一些實施例中，q點在eps鄰域內的個數pi的獲得包括：
24、pi＝count{dist(i,j)<ε|0≤j≤d}
25、式中，pi表示i點的鄰域點數量，dist(i,j)表示i，j兩點之間的歐式距離，ε表示初始半徑，d表示點云數據。
26、可選地，在本申請的一些實施例中，3d包圍模型的獲得方法包括：獲取改進dbscan聚類之后的點云簇中的最大點云pmax和最小點云pmin,則該3d包圍盒的長l、寬w、高h的計算公式為：
27、l＝xmax-xmin
28、w＝ymax-ymin
29、h＝zmax-zmin
30、式中，xmax表示x坐標軸的范圍內最大值；xmin表示x坐標軸的范圍內最小值；ymax表示y坐標軸的范圍內最大值；ymin表示y坐標軸的范圍內最小值；zmax表示z坐標軸的范圍內最大值；zmin表示z坐標軸的范圍內最小值。
31、相應的，本申請實施例還提供基于改進的dbscan聚類算法的點云圖像數據融合算系統，包括：參數模塊，用于輸入初始半徑ε、最小鄰域數minpts和點云數據d；
32、q點密度可達的點模塊，用于從點云數據d中選取一個尚未被訪問過的點q，以q點為中心、初始半徑為ε范圍的區域內，尋找滿足最小鄰域數minpts條件的所有點，即q點密度可達的點；
33、最理想的最小鄰域數minpts模塊，用于獲得q點在eps鄰域內的個數pi，如果pi≥minpts，q點則劃分為核心點，若pi≤minpt，q點則劃分為噪音點，直至找出最理想的最小鄰域數minpts；
34、核心聚類點模塊，用于繼續搜索q點直接密度可達的點，以上搜索到的點為核心聚類點；
35、改進dbscan聚類之后的點云簇模塊，用于重復上述步驟，直至將點云數據d中屬于檢測目標的點云全部劃分和搜索完畢，則判定點云改進dbscan聚類完成，獲得改進dbscan聚類之后的點云簇；
36、點云簇的3d包圍模型模塊，用于建立改進dbscan聚類之后的點云簇的3d包圍模型；
37、點云數據與圖像數據的融合模塊，用于將建立改進dbscan聚類之后的點云簇的3d包圍模型投影至對應的圖像像素位置，完成點云數據與圖像數據的融合。
38、相應的，本申請實施例還提供計算機設備，包括儲存器和處理器，所述儲存器存儲有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行如上述方法的步驟。
39、相應的，本申請實施例還提供計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時，使得所述處理器執行如上述方法的步驟。
40、綜上所述，由于采用了上述技術方案，本專利技術的有益效果是：
4本文檔來自技高網...
【技術保護點】
1.基于改進的DBSCAN聚類算法的點云圖像數據融合方法，其特征在于，包括：
2.根據權利要求1所述的基于改進的DBSCAN聚類算法的點云圖像數據融合方法，其特征在于：初始半徑ε獲得包括：
3.根據權利要求1或2所述的基于改進的DBSCAN聚類算法的點云圖像數據融合方法，其特征在于：所述點云數據D的獲得包括：采用體素柵格法對原始的點云數據進行降采樣處理，再采用統計濾波算法去除點云數據中離群噪聲點，后采用隨機采樣一致算法RANSAC地面分割，獲得點云數據D。
4.根據權利要求1所述的基于改進的DBSCAN聚類算法的點云圖像數據融合方法，其特征在于：q點在eps鄰域內的個數Pi的獲得包括：
5.根據權利要求1所述的基于改進的DBSCAN聚類算法的點云圖像數據融合方法，其特征在于：3D包圍模型的獲得方法包括：獲取改進DBSCAN聚類之后的點云簇中的最大點云Pmax和最小點云Pmin,則該3D包圍盒的長l、寬w、高h的計算公式為：
6.基于改進的DBSCAN聚類算法的點云圖像數據融合系統，其特征在于，包括：
7.計算
8.計算機可讀存儲介質，其特征在于，存儲有計算機程序，所述計算機程序被處理器執行時，使得所述處理器執行如權利要求1-5任一項所述方法的步驟。
...【技術特征摘要】
1.基于改進的dbscan聚類算法的點云圖像數據融合方法，其特征在于，包括：
2.根據權利要求1所述的基于改進的dbscan聚類算法的點云圖像數據融合方法，其特征在于：初始半徑ε獲得包括：
3.根據權利要求1或2所述的基于改進的dbscan聚類算法的點云圖像數據融合方法，其特征在于：所述點云數據d的獲得包括：采用體素柵格法對原始的點云數據進行降采樣處理，再采用統計濾波算法去除點云數據中離群噪聲點，后采用隨機采樣一致算法ransac地面分割，獲得點云數據d。
4.根據權利要求1所述的基于改進的dbscan聚類算法的點云圖像數據融合方法，其特征在于：q點在eps鄰域內的個數pi的獲得包括：
5.根據權利...
【專利技術屬性】
技術研發人員：李曉，王斌斌，彭科，史文凱，陳石斌，沈正興，孟維泓，吳科，晏亞坤，
申請(專利權)人：蘭州理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。