Способ сегментирования лазерных сканов и система для его осуществления



Способ сегментирования лазерных сканов и система для его осуществления
Способ сегментирования лазерных сканов и система для его осуществления
Способ сегментирования лазерных сканов и система для его осуществления
Способ сегментирования лазерных сканов и система для его осуществления
Способ сегментирования лазерных сканов и система для его осуществления

 


Владельцы патента RU 2606370:

Общество с ограниченной ответственностью "РОБОСИВИ" (ООО "РОБОСИВИ") (RU)

Изобретения относятся к области обработки цифровых данных на основе использования сканирующих устройств и может найти применение для лазерных сканов (ЛС) в системах позиционирования и навигации автономных машин погрузчиков. Технический результат – повышение быстродействия. Для этого процесс сегментирования двумерного ЛС содержит этапы, на которых: разворачивают ЛС в одномерный сигнал (массив значений); обрабатывают полученный массив с помощью численного дифференцирования значений массива; получают массив значений дифференциала и второго дифференциала, который разбивается на сегменты в виде массива массивов значений, причем каждый упомянутый сегмент представляет собой набор точек, принадлежащих отдельному объекту на ЛС; определяют для каждого сегмента крайние точки, характеризующие объект; определяют углы от точки начала отсчета ЛС до каждой из упомянутых крайних точек объекта (крайние углы); осуществляют определение значений центральных углов объектов с помощью полученных значений крайних углов методом подсчета среднего значения; создают список, который включает в себя значения углов от точки начала отсчета ЛС до каждой из крайних точек, центральный угол и соответствующий объекту набор точек, характеризующих объект. 2 н. и 2 з.п. ф-лы, 4 ил.

 

Область техники

Заявленная группа изобретений относится к области обработки цифровых данных, в частности, лазерных сканов (ЛС), которые применяются в системах навигации автономных машин погрузчиков при их перемещении внутри помещений.

Известен способ сегментации и выделения геометрических примитивов из 2D лазерных сканов для применения в приложениях, предназначенных для роботизированных машин (Cristiano Premebida, Urbano Nunes «SEGMENTATION AND GEOMETRIC PRIMITIVES EXTRACTION FROM 2D LASER RANGE DATA FOR MOBILE ROBOT APPLICATIONS»).

В известном способе границы объектов определяются медленным последовательным сравнением расстояний между двумя соседними точками с использованием модифицированного фильтра Калмана. Основным недостатком известного решения является медленная скорость работы при определении границ объекта, который заключается в сравнении сегментов между кадрами.

Раскрытие изобретения

Задачей, на решение которой направлено заявленное изобретение, является создание способа сегментирования лазерных сканов, позволяющего с более высокой скоростью определить границы объектов, представленных на них.

Техническим результатом является повышение скорости сегментирования ЛС и скорости поиска соответствий между объектами в последовательных кадрах.

Технический результат достигается за счет способа сегментирования двумерного лазерного скана (ЛС), содержащий этапы, на которых:

- разворачивают ЛС в одномерный сигнал (массив значений);

- обрабатывают полученный массив с помощью численного дифференцирования значений массива;

- получают массив значений дифференциала и второго дифференциала, который разбивается на сегменты в виде массива массивов значений, причем каждый упомянутый сегмент представляет собой набор точек, принадлежащих отдельному объекту на ЛС;

- определяют для каждого сегмента крайние точки, характеризующие объект;

- определяют углы от точки начала отсчета ЛС до каждой из упомянутых крайних точек объекта (крайние углы);

- осуществляют определение значений центральных углов объектов с помощью полученных значений крайних углов методом подсчета среднего значения;

- создают список, который включает в себя значения углов от точки начала отсчета ЛС до каждой из крайних точек, центральный угол и соответствующий объекту набор точек, характеризующих объект.

Технический результат достигается так же за счет способа сопровождения распознанных объектов на ЛС во времени, содержащий этапы, на которых:

- осуществляют сегментацию ЛС с помощью способа по п. 1 и получают новый список объектов;

- проверяют, пуст ли текущий список объектов;

- если текущий список объектов пуст, то всем объектам из нового списка выдают уникальные УИД и все объекты вместе с УИД добавляют в текущий список, иначе осуществляют сравнение объектов из текущего и нового списков с помощью алгоритма ближайшего соседа, при котором происходит сравнение текущего и нового списков, содержащих значения центральных углов объектов от точки начала ЛС, и получают список соответствий между объектами в текущем и новом списках;

- проверяют, пуст ли новый список объектов, и если он пуст, то удаляют оставшиеся в текущем списке объекты, которые не были сопоставлены с каким-либо объектом в новом списке, иначе

- выбирают объект из нового списка и проверяют наличие соответствия этого объекта какому-либо объекту из текущего списка и если в текущем списке существует подобный объект, то обновляют параметры (набор точек, крайние углы, центральный угол) этого объекта в текущем списке на основе параметров объекта в новом списке, в противном случае объект считают появившимся в поле зрения, ему присваивают новый УИД и объект добавляют в текущий список;

- убирают объект из нового списка и итеративно повторяют этапы способа с этапа проверки, пуст ли текущий список объектов, до момента, когда новый список опустеет и все несопоставленные объекты удалятся из текущего списка.

Заявленный результат достигается также за счет системы, для сегментирования двумерного ЛС, содержащей по меньшей мере один процессор, по меньшей мере одно средство памяти, содержащее машиночитаемый инструкции, которые при их исполнении побуждают по меньшей мере один процессор выполнять вышеупомянутый способ сегментирования ЛС.

Описание графических изображений

Фиг. 1 иллюстрирует крупные шаги этапов способа по распознаванию объектов на последовательных ЛС.

Фиг. 2 иллюстрирует общую схему последовательности действий при выполнении способа сегментации ЛС.

Фиг. 3 иллюстрирует общую схему последовательности действий при сопровождении объектов.

Фиг. 4 иллюстрирует систему для выполнения заявленного способа.

Осуществление изобретения

Согласно Фиг. 1 заявленное изобретение включает в себя три основных этапа, которые выполняются последовательно. На этапе 100 осуществляется получение ЛС для его последующего сегментирования на этапе 200, определения объектов на ЛС и их последующего анализа и сопровождения на этапе 300.

Каждая точка скана представляется в виде единственного значения - удаленности точки от сканера. Точки упорядочиваются по возрастанию угла сканирования. Согласно Фиг. 2 при осуществлении способа сегментирования 200 на этапе 201 выполняется разворачивание (преобразование) ЛС в одномерный сигнал (массив значений). Способ сегментации предназначен для быстрого анализа ЛС и выделения в нем границ объектов в целях использования для их идентификации и последующего сопровождения.

После разворачивания ЛС (этап 201) на этапе 202 выполняется обработка сигнала (массива значений), полученного на этапе 100, для чего выполняется численное дифференцирование значений массива, а также повторное численное дифференцирование массива дифференциалов. Создается два новых массива значений, короче, соответственно, на один и на два элемента, чем оригинальный ЛС. В полученный первый массив 2021 записывается значение разности удаленности точки с тем же индексом и точки с индексом на единицу больше. Во второй массив 2022 записывается значение разности значения из первого массива 2021 с тем же индексом и значения из первого массива 2021 с индексом на единицу больше. В двух полученных массивах дифференциала и второго дифференциала значения сравниваются с заданными порогами для каждого массива. Точки из массива ЛС, соответствующие значениям, превышающим порог в двух других массивах 2021 и 2022, считаются границами объекта, точки, лежащие между ними, собираются в отдельные массивы, соответствующие разным объектам.

На этапе 203 определяют для каждого сегмента крайние точки, характеризующие объект, которые являются, в частности, крайней левой и крайней правой точками из набора точек, характеризующих объект. Поскольку массив ЛС отсортирован, такими точками будут являться первая и последняя точки из сегмента в качестве начала и конца объекта.

На этапе 204 для каждого объекта, выявленного на ЛС, рассчитывают углы от начала отсчета ЛС до крайних точек.

На этапе 205 осуществляют определение значений центральных углов объектов с помощью полученных на этапе 204 крайних углов методом подсчета среднего значения.

На этапе 206 создается новый список объектов, который включает в себя информацию, полученную на предыдущих этапах, в частности значения углов от точки начала отсчета ЛС до каждой из крайних точек, центральный угол и соответствующий объекту набор точек, характеризующих объект.

На Фиг. 3 представлена последовательность этапов способа 300, применяющегося для сопровождения объектов на ЛС. Способ 300 использует данные, полученные при осуществлении способа сегментирования 200.

На этапе 301 проверяется, пуст ли текущий список объектов.

Если текущий список объектов пуст, то осуществляется переход на этап 302 на котором всем объектам из нового списка выдаются уникальные УИД, и все объекты вместе с УИД добавляются в текущий список. Иначе осуществляется переход на этап 303.

На этапе 303 осуществляют сравнение объектов из текущего и нового списка с помощью алгоритма ближайшего соседа (см. ниже), при котором происходит сравнение текущего и нового списков, содержащих значения центральных углов объектов от точки начала ЛС. Новый список был получен при осуществлении способа сегментирования 200. После сравнения получается список соответствий между объектами в текущем и новом списках.

Далее на этапе 304 проверяется, пуст ли новый список объектов, и если он пуст, то в этапе 305 удаляются оставшиеся в текущем списке объекты, которые не были сопоставлены с каким-либо объектом в новом списке. Это те объекты, которые не были найдены на новом ЛС. Т.е. считается что эти объекты были утеряны из поля зрения и более не должны сопровождаться.

Если же новый список не пуст, то на этапе 306 выбирается объект из нового списка и на этапе 307 проверяется наличие соответствия этого объекта какому-либо объекту из текущего списка. Если в текущем списке существует подобный объект, то на этапе 308 обновляются параметры (набор точек, крайние углы, центральный угол) этого объекта в текущем списке на основе параметров объекта в новом списке. Если же подобного объекта не получается найти в текущем списке, то объект считается появившимся в поле зрения. Далее на этапе 309 ему присваивается новый УИД и объект добавляется в текущий список.

Далее на этапе 310 объект убирается из нового списка и снова проверяется условие на этапе 304.

Таким образом, последовательно выбираются объекты из нового списка, сопоставляются с объектами из текущего списка и удаляются из нового списка. Через определенное количество итераций новый список опустеет и будет осуществлен переход на этап 305.

Алгоритм ближайшего соседа, примененный к новому и текущему спискам, строит сопоставления между объектами в них.

В общем случае алгоритм ближайшего соседа заключается в следующем, есть два списка, а и b, с количеством элементов соответственно n и m. Для каждого элемента последовательности a (a(i*); i=[1…n]) находится элемент b(j*); j=[1…m] такой, что наименьший среди всех j=[1…m]. Поиск делается перебором всех значений j. Отсюда определяется, что a(i*) и b(j*) - ближайшие соседи. Поскольку количество элементов в последовательностях может быть разным, некоторые элементы могут не получить ближайшего соседа.

В другом частном случае поиск наименьшего среди всех j=[1…m] делается с помощью предварительного создания k-d дерева по списку b и дальнейшего использования этого дерева. Т.е. делается несколько уровней кластеризации по углу для списка b, которые отличаются размерами кластеров. Получается дерево кластеров, в котором каждый кластер на определенном уровне содержит 2 или более кластеров уровнем ниже. Поиск по такому дереву кластеров будет происходить быстрее при большом количестве объектов в последовательности b.

Последовательно применяя описанный выше подход к каждому новому ЛС, возможно сопровождать объекты (знать точки, принадлежащие одному и тому же объекту) на протяжении всего времени нахождения объекта в поле зрения сканера. На Фиг. 4 представлен общий вид системы 300 для выполнения процедур сегментирования ЛС.

Система 400 включает в себя один или более вычислительных процессоров 410, одно или более средство памяти 420 (ОЗУ, ПЗУ, NAND, EEPROM и т.п.), одно или более средств для хранения данных 430 (HDD, SSD, флэш-накопители и т.п.), интерфейсы 440 и устройства 450 ввода/вывода, средства коммуникации 460 (LAN, WLAN, irDa и т.п.), соединенные с помощью общей шины данных 470.

Система 400 может реализовываться на базе широко известных IBM PC совместимых устройств, например ПК, ноутбук, мейнфрем, суперкомпьютер и т.п., либо выполняться на базе мобильных вычислительных устройств, например планшета или мобильного телефона.

Система 400 также может являться частью роботизированной машины для обеспечения процесса автономной навигации машин внутри помещений.

1. Способ сегментирования двумерного лазерного скана (ЛС), содержащий этапы, на которых:

- разворачивают ЛС в одномерный сигнал (массив значений);

- обрабатывают полученный массив с помощью численного дифференцирования значений массива;

- получают массив значений дифференциала и второго дифференциала, который разбивается на сегменты в виде массива массивов значений, причем каждый упомянутый сегмент представляет собой набор точек, принадлежащих отдельному объекту на ЛС;

- определяют для каждого сегмента крайние точки, характеризующие объект;

- определяют углы от точки начала отсчета ЛС до каждой из упомянутых крайних точек объекта (крайние углы);

- осуществляют определение значений центральных углов объектов с помощью полученных значений крайних углов методом подсчета среднего значения;

- создают список, который включает в себя значения углов от точки начала отсчета ЛС до каждой из крайних точек, центральный угол и соответствующий объекту набор точек, характеризующих объект.

2. Система для сегментирования двумерного ЛС, содержащая по меньшей мере один процессор, по меньшей мере одно средство памяти, содержащее машиночитаемые инструкции, которые при их исполнении побуждают по меньшей мере один процессор выполнять способ по п. 1.

3. Способ сопровождения распознанных объектов на ЛС во времени, содержащий этапы, на которых:

- осуществляют сегментацию ЛС с помощью способа по п. 1 и получают новый список объектов;

- проверяют, пуст ли текущий список объектов;

- если текущий список объектов пуст, то всем объектам из нового списка выдают уникальные УИД и все объекты вместе с УИД добавляют в текущий список, иначе осуществляют сравнение объектов из текущего и нового списков с помощью алгоритма ближайшего соседа, при котором происходит сравнение текущего и нового списков, содержащих значения центральных углов объектов от точки начала ЛС, и получают список соответствий между объектами в текущем и новом списках;

- проверяют, пуст ли новый список объектов, и если он пуст, то удаляют оставшиеся в текущем списке объекты, которые не были сопоставлены с каким-либо объектом в новом списке, иначе

- выбирают объект из нового списка и проверяют наличие соответствия этого объекта какому-либо объекту из текущего списка и если в текущем списке существует подобный объект, то обновляют параметры (набор точек, крайние углы, центральный угол) этого объекта в текущем списке на основе параметров объекта в новом списке, в противном случае объект считают появившимся в поле зрения, ему присваивают новый УИД и объект добавляют в текущий список;

- убирают объект из нового списка и итеративно повторяют этапы способа с этапа проверки, пуст ли текущий список объектов, до момента, когда новый список опустеет и все несопоставленные объекты удалятся из текущего списка.

4. Способ по п. 3, отличающийся тем, что в алгоритме ближайшего соседа выполняется создание k-d дерева с последующим поиском по нему.



 

Похожие патенты:

Изобретение относится к области передачи и приема стереоскопической информации. Технический результат - обеспечение ффективной передачи с высокой скоростью информации стереоскопического изображения между электронными устройствами.

Изобретение относится к области масштабирования отображаемого изображения. Технический результат - обеспечение улучшенного отображения изображения в поле просмотра за счет масштабирования изображения.

Изобретение относится к технологиям автоматического тестирования для цифровых систем отображения. Техническим результатом является осуществление автоматизированного тестирования цифровых систем отображения.

Изобретение относится к области мультимедиа, обработке или генерации данных изображения. Техническим результатом является автоматизация процесса конвертации изображения.

Изобретение относится к медицине, в частности к хирургической стоматологии, и может быть использован при планировании установки дентальных имплантатов. Пациенту проводят компьютерную томографию.

Изобретение относится к измерительной технике, основанной на видеоизмерении. Технический результат заключается в уменьшении погрешности в результатах видеоизмерения.

Изобретение относится к отображению многомерного изображения и размещенной в нем аннотации. Техническим результатом является обеспечение возможности пользователю переключаться с отображения поперечного сечения трехмерного изображения, которое лишь частично демонстрирует представляющую интерес аннотацию и связанную с ней область, на отображение поперечного сечения, которое полностью демонстрирует представляющую интерес аннотацию и упомянутую область.

Предложенная группа изобретений относится к области медицины. Предложены персонализированный ген-активированный имплантат для замещения костных дефектов у млекопитающего и способ его получения, предусматривающий проведение компьютерной томографии области костной пластики, моделирование костного дефекта, трехмерную печать формы биосовместимого носителя и совмещение биосовместимого носителя с нуклеиновыми кислотами.

Изобретение относится к области навигации. Техническим результатом является эффективная навигация в помещении.

Изобретение относится к обработке банкнот для проверки степени загрязнения. Технический результат заключается в повышении надежности проверки.

Изобретение относится к медицине, радиологии и может использоваться для диагностики и хирургического лечения функциональных расстройств и новообразований головного мозга. Фиксируют на черепе маркеры посредством конструкции, состоящей из локализатора с маркерами и прикрепленного к нему лотка с оттиском зубов, закрепляемой на верхней челюсти пациента при проведении томографического исследования. Получают мультимодальные томографические изображения. При этом в качестве маркеров используют мономодальные маркеры с индивидуальной для каждой модальности геометрией расположения маркеров на локализаторе. Маркеры каждой модальности крепят на соответствующий локализатор и проводят исследование на томографах соответствующей маркерам модальности, получая серии изображений головного мозга с маркерами. Последовательно определяют координаты маркеров локализатора соответствующей модальности и строят координатную систему (СК) локализатора первой модальности во внутренней СК томографа первой модальности и далее - каждого локализатора в СК томографа каждой из следующих модальностей. Затем поочередно фиксируют локализаторы используемых модальностей на измерительном устройстве, определяя координаты маркеров локализаторов в СК измерительного устройства. Строят СК локализаторов в СК измерительного устройства. Совмещают томографические изображения, определяя координаты выбранной точки изображения внутримозгового пространства пациента, полученного с помощью томографа первой модальности, вначале в СК локализатора первой модальности с последующим преобразованием координат этой точки из СК локализатора первой модальности в СК измерительного устройства, а затем - в СК локализатора следующей модальности и далее - в СК томографа соответствующей модальности. Способ обеспечивает повышение точности совмещения томографических изображений, полученных более чем в двух модальностях, за счет универсальности СК измерительного устройства, позволяющей проводить преобразование координат точек для неограниченного количества локализаторов с индивидуальными СК и мономодальными маркерами, оптимально подобранными для каждого томографического метода – для наилучшей контрастности изображения, при атравматичности, неинвазивности фиксации маркеров. 6 ил., 1 пр.

Изобретение относится к области стеганографии и направлено на организацию канала для скрытой передачи дополнительной информации в видеоизображении. Техническим результатом является обеспечение минимизации искажений видеоизображения, в которое осуществляется внедрение, при обеспечении стегостойкости системы передачи информации. Предложен способ скрытой передачи данных в видеоизображении по стандарту MPEG-2, основанный на изменении менее значащих бит кадра видеоизображения значениями двумерной нелинейной кодовой комбинации, несущей в себе скрытно передаваемую информацию. Формирование стеганографического канала начинают с обработки встраиваемых данных, включающей шифрование и модуляцию псевдослучайным сигналом, в качестве которого выбирают двумерные нелинейные сигналы Франка-Уолша и/или Франка-Крестенсона. Одновременно с формированием стегосигнала выбирают кадры для его встраивания, полагая пригодными все I-кадры, а также В- и Р-кадры. Данные стегоканала встраивают только в те коэффициенты ДКП, которые расположены в окрестности правой диагонали матрицы коэффициентов ДКП, записываемых в JPEG-файл и дополненных системной информацией и универсальными таблицами Хаффмана путем сложения по модулю два битов коэффициентов ДКП. 7 ил.
Изобретение относится к средствам графического искажения отдельных символов при помощи интерполяции (морфинга) шрифтов между собой. Технический результат заключается в обеспечении возможности создания изображений для полностью автоматизированного теста Тьюринга (САРТСНА), при повышении сложности автоматического распознавания символов данных изображений с помощью компьютерных программ. Сущность изобретения заключается в том, чтобы загрузить два или более шрифтов, с помощью интерполяции (морфинга) получить одно или несколько промежуточных состояний между ними, и использовать результаты для генерации изображений для графического обратного текста Тьюринга. 2 з.п. ф-лы, 1 табл.

Изобретение относится к области навигации по данным изображения. Технический результат – обеспечение уменьшения задержки, возникающей при навигации по данным изображения, за счет повышения точности предсказания запросов вида. Контроллер кэша для использования в системе, содержащей клиент изображений и сервер изображений, причем клиент изображений обеспечивает возможность пользователю осуществлять навигацию по данным изображения посредством отображения видов данных изображения, которые получены с сервера изображений в зависимости от навигационных запросов пользователя, содержащий: процессор, выполненный с возможностью получения данных содержимого, указывающих на содержимое, показанное в текущем виде клиента изображений, причем текущий вид представляет первую точку просмотра в трех пространственных измерениях данных изображения; предсказания запроса вида клиента изображений в зависимости от данных содержимого, причем запрос вида соответствует виду, представляющему вторую точку просмотра в трех пространственных измерениях данных изображения; и средство связи для получения вида с сервера изображений в зависимости от запроса вида и для кэширования вида в кэше. 11 н. и 4 з.п. ф-лы, 7 ил.

Изобретение относится к принципу кодирования, делающему возможным параллельную обработку. Техническим результатам является повышение эффективности кодирования с малой задержкой в средах параллельной обработки. Заявлен декодер, выполненный с возможностью приема полезных данных последовательности необработанных байтов, описывающей изображение подпотоками WPP с одним подпотоком WPP на LCU-строку изображения и кодированной с использованием САВАС, от кодера в траншах, на которые сегментируются подпотоки WPP, посредством чего в них вводятся границы траншей; энтропийного декодирования траншей с продолжением адаптации вероятностей САВАС через границы траншей, введенные в подпотоки WPP; и декодирования полезных данных последовательности необработанных байтов для получения изображения. 8 н. и 15 з.п. ф-лы, 20 ил.
Наверх