一种激光点云数据的降维方法、装置、设备和存储介质与流程

1.本技术涉及激光雷达技术领域，尤其涉及一种激光点云数据的降维方法、装置、设备和存储介质。


背景技术：

2.随着科技技术的发展，激光雷达作为一种主动遥测工具，被广泛应用于各行各业，例如：地形测量、大气监测、无人驾驶等行业。
3.激光雷达的采样频率普遍高达30khz，导致雷达系统中的数据量较为庞大。因此，需要对激光雷达的点云数据进行降维处理。现有对于激光点云数据的降维虽然可以达到一定的降维效果，但是降维效果不理想，导致降维后的数据中任然存在高维数据。
4.因此，提供一种激光点云数据的有效降维方法是本领域技术人员亟待解决的技术问题。


技术实现要素：

5.本技术提供了一种激光点云数据的降维方法、装置、设备和存储介质，可以对激光雷达的点云数据进行有效降维，解决了现有对于激光点云数据的降维虽然可以达到一定的降维效果，但是降维效果不理想，导致降维后的数据中任然存在高维数据的技术问题。
6.有鉴于此，本技术第一方面提供了一种激光点云数据的降维方法，包括：
7.按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据；
8.利用主成分分析算法，计算各所述局部分解数据对应的局部坐标；
9.根据各所述局部分解数据的所述局部坐标，计算对应的全局坐标；
10.根据各所述局部分解数据的全局坐标，计算对应的低维数据。
11.可选地，所述分解基准包括：所述待降维点云数据的数据全覆盖和局部分解数据之间存在交叠；
12.所述按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据，具体包括：
13.获取激光雷达的待降维点云数据；
14.对所述待降维点云数据中的所有数据进行分解，得到若干局部分解数据，其中，一个局部分解数据和至少一个局部分解数据存在交叠。
15.可选地，所述利用主成分分析算法，计算各所述局部分解数据对应的局部坐标，具体包括：
16.计算各所述局部分解数据对应的中心化后的矩阵；
17.对各所述中心化后的矩阵进行奇异值分解，得到对应的分解矩阵；
18.根据各所述局部分解数据对应的分解矩阵，计算对应的局部坐标。
19.可选地，所述根据各所述局部分解数据对应的分解矩阵，计算对应的局部坐标，具体包括：
20.基于第一预置公式，根据各所述局部分解数据对应的分解矩阵，计算对应的局部坐标，所述第一预置公式为：
[0021][0022]
式中，θm是局部分解数据xm的局部坐标，是局部分解数据xm的中心化后的矩阵，u
m,d
是由um的前d个列向量组成的矩阵，um是局部分解数据xm的分解矩阵。
[0023]
可选地，所述根据各所述局部分解数据的所述局部坐标，计算对应的全局坐标，具体包括：
[0024]
基于第二预置公式，根据各所述局部分解数据的所述局部坐标，计算对应的全局坐标，所述第二预置公式为：
[0025][0026]
式中，θm是局部分解数据xm的局部坐标，是局部分解数据xm的全局坐标，am是旋转缩放矩阵。
[0027]
可选地，所述根据各所述局部分解数据的全局坐标，计算对应的低维数据，具体包括：
[0028]
获取低维数据和全局坐标之间的转换系数；
[0029]
基于第三预置公式，根据各所述局部分解数据的全局坐标，计算对应的低维数据，所述第三预置公式为：
[0030][0031]
式中，为局部分解数据xm的低维数据，为局部分解数据xm的全局坐标，w
m,i
为低维数据和全局坐标的转换系数。
[0032]
可选地，所述转换系数w
m,i
的表达式为：
[0033][0034]
式中，nm为局部分解数据xm中包含的高维数据的个数，为中心化矩阵，是全1的向量，s
m,i
为选择矩阵其中第nm行第i列元素为1，其他为0，θm为局部分解数据xm的局部坐标，为θm的右伪逆。
[0035]
本技术第二方面提供了一种激光点云数据的降维方法，包括：
[0036]
分解单元，用于按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据；
[0037]
第一计算单元，用于利用主成分分析算法，计算各所述局部分解数据对应的局部坐标；
[0038]
第二计算单元，用于根据各所述局部分解数据的所述局部坐标，计算对应的全局坐标；
[0039]
第三计算单元，用于根据各所述局部分解数据的全局坐标，计算对应的低维数据。
[0040]
本技术第三方面提供了一种激光点云数据的降维设备，所述设备包括处理器以及存储器；
[0041]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0042]
所述处理器用于根据所述程序代码中的指令执行任一种第一方面所述的激光点云数据的降维方法。
[0043]
本技术第四方面提供了一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行任一种第一方面所述的激光点云数据的降维方法。
[0044]
从以上技术方案可以看出，本技术具有以下优点：
[0045]
本技术中激光点云数据的降维方法，首先按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据，接着利用主成分分析算法，计算各局部分解数据对应的局部坐标，然后根据各局部分解数据的局部坐标，计算对应的全局坐标，最后根据各局部分解数据的全局坐标，计算对应的低维数据。本技术可以对激光点云数据进行有效降维，解决了现有对于激光点云数据的降维虽然可以达到一定的降维效果，但是降维效果不理想，导致降维后的数据中任然存在高维数据的技术问题。
附图说明
[0046]
为了更清楚地说明本技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0047]
图1为本技术实施例中一种激光点云数据的降维方法的实施例一的流程示意图；
[0048]
图2为本技术实施例中一种激光点云数据的降维方法的实施例二的流程示意图；
[0049]
图3为本技术实施例中一种激光点云数据的降维装置的实施例的结构示意图。
具体实施方式
[0050]
本技术实施例提供了一种激光点云数据的降维方法、装置、设备和存储介质，解决了现有对于激光点云数据的降维虽然可以达到一定的降维效果，但是降维效果不理想，导致降维后的数据中任然存在高维数据的技术问题。
[0051]
为使得本技术的发明目的、特征、优点能够更加的明显和易懂，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本技术一部分实施例，而非全部的实施例。基于本技术中的实施例，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它实施例，都属于本技术保护的范围。
[0052]
请参阅图1，图1为本技术实施例中一种激光点云数据的降维方法的实施例一的流程示意图。
[0053]
本实施例中一种激光点云数据的降维方法，具体可以包括步骤：
[0054]
步骤101，按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据。
[0055]
待降维点云数据分解为若干局部分解数据后，分别将各局部分解数据进行降维，在各局部分解数据降维后，便可对待降维点云数据完成降维。
[0056]
步骤102，利用主成分分析算法，计算各局部分解数据对应的局部坐标。
[0057]
在对各局部分解数据进行降维时，首先计算各局部分解数据对应的局部坐标。可以理解的是，局部坐标只是考虑各局部分解数据自身的单独降维。
[0058]
步骤103，根据各局部分解数据的局部坐标，计算对应的全局坐标。
[0059]
在计算得到各局部分解数据的局部坐标后，还需要考虑各局部分解数据和其他局部分解数据的关系，故，本实施例中通过各局部分解数据的全局坐标计算各局部分解数据和其他局部分解数据的关系。
[0060]
步骤104，根据各局部分解数据的全局坐标，计算对应的低维数据。
[0061]
在计算得到各局部分解数据的全局坐标后，便可计算各局部分解数据的低维数据，在各局部分解数据的低维数据均计算完以后，便完成了待降维点云数据的降维。
[0062]
本实施例中激光点云数据的降维方法，首先按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据，接着利用主成分分析算法，计算各局部分解数据对应的局部坐标，然后根据各局部分解数据的局部坐标，计算对应的全局坐标，最后根据各局部分解数据的全局坐标，计算对应的低维数据。本技术可以对激光点云数据进行有效降维，解决了现有对于激光点云数据的降维虽然可以达到一定的降维效果，但是降维效果不理想，导致降维后的数据中任然存在高维数据的技术问题。
[0063]
请参阅图2，图2为本技术实施例中一种激光点云数据的降维方法的实施例二的流程示意图。
[0064]
本实施例中一种激光点云数据的降维方法，具体可以包括步骤：
[0065]
步骤201，获取激光雷达的待降维点云数据。
[0066]
可以理解的是，待降维点云数据可以是激光雷达对应的原始数据，也可以是原始数据删除异常值后的数据，本实施例中对此不做具体限定。
[0067]
假设本实施例中的待降维点云数据为x＝[x1…
xn]∈rd×n，其中d为待降维点云数据的维数，n为待降维点云数据中的数据个数。
[0068]
设y＝[y1…yn
]∈rd×n表示高维数据集x的降维后的低维数据，这里d＜＜d，d是低维数据的维数。因为低维数据与高维数据是一一对应的，因此，高维数据集x被局部分解后，低维数据y也相应的被局部分解：y1,
…
,ym，这里降维数据的局部包含与高维数据的局部xm对应的降维数据，m＝1,
…
,m。
[0069]
步骤202，对待降维点云数据中的所有数据进行分解，得到若干局部分解数据，其中，一个局部分解数据和至少一个局部分解数据存在交叠。
[0070]
将待降维点云数据进行分解，便可得到若干局部分解数据，具体地，在分解时，一个局部分解数据和至少另外一个局部数据之间存在交叠，同时还需将待降维点云数据中的所有数据全部进行分解，也即数据全覆盖。
[0071]
假设分解后的局部点云数据为：x1,
…
,xm，这里这里nm表示xm包含的高维数据的个数，m＝1,
…
,m。由于前述的分解是全覆盖的，故
[0072]
步骤203，计算各局部分解数据对应的中心化后的矩阵。
[0073]
求解局部分解数据xm的中心化后的矩阵
[0074]
由于局部分解数据故局部分解数据xm的中心化后的矩阵为
[0075][0076]
式中，为中心化矩阵，是全1的向量，是xm的中心。即通过中心化矩阵对局部分接数据xm进行中心化，得到的中心化后的矩阵为
[0077]
需要说明的是，中心化后矩阵指的是将高维数据平移到以原点为中心的矩阵。n这里是xm的中心，是中心化矩阵。即中心化在几何上相当于将局部分接数据xm的中心平移到坐标轴的原点上。例如一个列向量[1,3,5]，中心化后为[-2,0,2]。
[0078]
步骤204，对各中心化后的矩阵进行奇异值分解，得到对应的分解矩阵。
[0079]
对各局部分解数据xm的中心化后的矩阵进行奇异值分解，便可得到分解矩阵。具体地求解的svd分解：
[0080][0081]
式中，um∈rd×d和都是标准的正交矩阵。
[0082]
步骤205，根据各局部分解数据对应的分解矩阵，计算对应的局部坐标。
[0083]
可以理解的是，在一种实施方式中，根据各局部分解数据对应的分解矩阵，计算对应的局部坐标，具体包括：
[0084]
基于第一预置公式，根据各局部分解数据对应的分解矩阵，计算对应的局部坐标，第一预置公式为：
[0085][0086]
式中，θm是局部分解数据xm的局部坐标，是局部分解数据xm的中心化后的矩阵，u
m,d
是由um的前d个列向量组成的矩阵，um是局部分解数据xm的分解矩阵。
[0087]
设u
m,d
∈rd×d是由um的前d个列向量组成的矩阵，在理论上，u
m,d
的列向量就是xm中点切空间的标准正交基。于是，xm在切空间投影的坐标就是：
[0088][0089]
需要说明的是，局部坐标θm的中心是0，也即d维欧式空间rd的原点。
[0090]
步骤206、基于第二预置公式，根据各局部分解数据的局部坐标，计算对应的全局坐标。
[0091]
在一种实施方式中，上述的第二预置公式为：
[0092][0093]
式中，θm是局部分解数据xm的局部坐标，是局部分解数据xm的全局坐标，am是旋转缩放矩阵。可以理解的是，ym是局部分解数据xm的全局坐标，是ym的中心化后的矩阵，几何上相当于将ym通过中心化矩阵整体移到以原点为中心的数据，ym是全局坐标，也是全局坐标，只是进行了中心化处理而已，不改变ym内部的几何关系结构。
[0094]
局部坐标θm只是考虑xm的单独降维，降维过程中没有考虑xm与其他局部分解数据之间的关系，因此，θm并不是xm的全局坐标ym。但是，θm和ym都是d维欧式空间rd的数据集，都源自xm，因此，它们之间必然存在某种关系。假设θm和ym之间的关系是仿射关系，即：
[0095]
这里表示ym的中心化后的矩阵，在几何解释上，相当于把ym平移至d维欧式空间rd的原点，使得的中心与的θm中心重合，am∈rd×d是旋转缩放矩阵，在几何解释上，相当于把θm旋转缩放，逼近于是有：
[0096][0097]
这里是θm的右伪逆。于是有：
[0098][0099]
式中，表示低维的一个数据点，为以为中心划分的局部其余数据点，表示选择向量，其中第i个元素为1，其他元素为0，i＝1,
…
,nm。
[0100]
步骤207，获取低维数据和全局坐标之间的转换系数。
[0101]
需要说明的是，转换系数w
m,i
的表达式为：
[0102][0103]
式中，nm为局部分解数据xm中包含的高维数据的个数，s
m,i
为选择矩阵其中第nm行第i列元素为1，其他为0，θm为局部分解数据xm的局部坐标，为θm的右伪逆。
[0104]
{w
m,i
|i＝1,...,nm}是在局部同胚准则下学习的局部线性模式。通过可以求出与近邻点组成构成的局部对第i个低维坐标的预测。
[0105]
步骤208，基于第三预置公式，根据各局部分解数据的全局坐标，计算对应的低维
数据。
[0106]
其中，第三预置公式为：
[0107][0108]
式中，为局部分解数据xm的低维数据，为局部分解数据xm的全局坐标，w
m,i
为低维数据和全局坐标的转换系数。
[0109]
其中，w
m,i
是局部坐标ym的线性模式，是选择矩阵其中第nm行第i列元素为1，其他为0。因此，目标函数可以写成：
[0110][0111]
其中，上述问题可以转化为瑞利商问题，矩阵lm的相对于最小特征值的d个标准正交的特征向量构成全局坐标矩阵y的列向量。
[0112]
本实施例中通过对目标函数求解，可以得出全局坐标，也就是低维数据表示。
[0113]
本实施例中激光点云数据的降维方法，首先按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据，接着利用主成分分析算法，计算各局部分解数据对应的局部坐标，然后根据各局部分解数据的局部坐标，计算对应的全局坐标，最后根据各局部分解数据的全局坐标，计算对应的低维数据。本技术可以对激光点云数据进行有效降维，解决了现有对于激光点云数据的降维虽然可以达到一定的降维效果，但是降维效果不理想，导致降维后的数据中任然存在高维数据的技术问题。
[0114]
请参阅图3，图3为本技术实施例中一种激光点云数据的降维装置的实施例的结构示意图。
[0115]
本实施例中一种激光点云数据的降维装置，具体可以包括：
[0116]
分解单元，用于按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据；
[0117]
第一计算单元，用于利用主成分分析算法，计算各局部分解数据对应的局部坐标；
[0118]
第二计算单元，用于根据各局部分解数据的局部坐标，计算对应的全局坐标；
[0119]
第三计算单元，用于根据各局部分解数据的全局坐标，计算对应的低维数据。
[0120]
可选地，分解基准包括：待降维点云数据的数据全覆盖和局部分解数据之间存在交叠；
[0121]
按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据，具体包括：
[0122]
获取激光雷达的待降维点云数据；
[0123]
对待降维点云数据中的所有数据进行分解，得到若干局部分解数据，其中，一个局部分解数据和至少一个局部分解数据存在交叠。
[0124]
可选地，利用主成分分析算法，计算各局部分解数据对应的局部坐标，具体包括：
[0125]
计算各局部分解数据对应的中心化后的矩阵；
[0126]
对各中心化后的矩阵进行奇异值分解，得到对应的分解矩阵；
[0127]
根据各局部分解数据对应的分解矩阵，计算对应的局部坐标。
[0128]
可选地，根据各局部分解数据对应的分解矩阵，计算对应的局部坐标，具体包括：
[0129]
基于第一预置公式，根据各局部分解数据对应的分解矩阵，计算对应的局部坐标，第一预置公式为：
[0130][0131]
式中，θm是局部分解数据xm的局部坐标，是局部分解数据xm的中心化后的矩阵，u
m,d
是由um的前d个列向量组成的矩阵，um是局部分解数据xm的分解矩阵。
[0132]
可选地，根据各局部分解数据的局部坐标，计算对应的全局坐标，具体包括：
[0133]
基于第二预置公式，根据各局部分解数据的局部坐标，计算对应的全局坐标，第二预置公式为：
[0134][0135]
式中，θm是局部分解数据xm的局部坐标，是局部分解数据xm的全局坐标，am是旋转缩放矩阵。
[0136]
可选地，根据各局部分解数据的全局坐标，计算对应的低维数据，具体包括：
[0137]
获取低维数据和全局坐标之间的转换系数；
[0138]
基于第三预置公式，根据各局部分解数据的全局坐标，计算对应的低维数据，第三预置公式为：
[0139][0140]
式中，为局部分解数据xm的低维数据，为局部分解数据xm的全局坐标，w
m,i
为低维数据和全局坐标的转换系数。
[0141]
可选地，转换系数w
m,i
的表达式为：
[0142][0143]
式中，nm为局部分解数据xm中包含的高维数据的个数，为中心化矩阵，是全1的向量，s
m,i
为选择矩阵其中第nm行第i列元素为1，其他为0，θm为局部分解数据xm的局部坐标，为θm的右伪逆。
[0144]
本实施例中激光点云数据的降维装置，首先按照预设的分解基准，分解激光雷达的待降维点云数据，得到若干局部分解数据，接着利用主成分分析算法，计算各局部分解数据对应的局部坐标，然后根据各局部分解数据的局部坐标，计算对应的全局坐标，最后根据各局部分解数据的全局坐标，计算对应的低维数据。本技术可以对激光点云数据进行有效
降维，解决了现有对于激光点云数据的降维虽然可以达到一定的降维效果，但是降维效果不理想，导致降维后的数据中任然存在高维数据的技术问题。
[0145]
本技术实施例还提供了一种激光点云数据的降维设备的实施例，设备包括处理器以及存储器；存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码中的指令执行前述实施例的激光点云数据的降维方法。
[0146]
本技术实施例还提供了一种存储介质的实施例，存储介质用于存储程序代码，程序代码用于执行前述实施例的激光点云数据的降维方法。
[0147]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0148]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0149]
本领域内的技术人员应明白，本技术实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本技术实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0150]
本技术实施例是参照根据本技术实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0151]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0152]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0153]
尽管已描述了本技术实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例范围的所有变更和修改。
[0154]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品
或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0155]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。