[go: up one dir, main page]

CN113313654A - 激光点云滤波去噪方法、系统、设备及存储介质 - Google Patents

激光点云滤波去噪方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN113313654A
CN113313654A CN202110700368.9A CN202110700368A CN113313654A CN 113313654 A CN113313654 A CN 113313654A CN 202110700368 A CN202110700368 A CN 202110700368A CN 113313654 A CN113313654 A CN 113313654A
Authority
CN
China
Prior art keywords
point cloud
point
distance
cloud cluster
laser
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110700368.9A
Other languages
English (en)
Other versions
CN113313654B (zh
Inventor
谭黎敏
孙作雷
饶兵兵
杨骋
顾荣琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Westwell Information Technology Co Ltd
Original Assignee
Shanghai Westwell Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Westwell Information Technology Co Ltd filed Critical Shanghai Westwell Information Technology Co Ltd
Priority to CN202110700368.9A priority Critical patent/CN113313654B/zh
Publication of CN113313654A publication Critical patent/CN113313654A/zh
Application granted granted Critical
Publication of CN113313654B publication Critical patent/CN113313654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了激光点云滤波去噪方法、系统、设备及存储介质，该方法包括以下步骤：通过激光雷达传感器接收描述周围环境的传感器数据，传感器数据包括多个点，每个点与激光雷达传感器捕获点的时间相关联，将每个点转换到空间坐标系下；基于每个点到激光雷达传感器的距离，获得基于距离的点云聚类的间距阈值；基于点的距离以及距离对应的点云聚类的间距阈值获得点云簇；遍历每个点云簇，判断点云簇中的点云密度是否满足密度阈值，若是，则保留点云簇；若否，则放弃点云簇。本发明能够进行点云聚类的间距阈值和点云簇的密度阈值的动态调整，优化激光点云滤波去噪效果，提升远距离的点云的三维点云识别的准确性，增强行驶安全。

Description

激光点云滤波去噪方法、系统、设备及存储介质
技术领域
本发明属于机器视觉领域，尤其涉及一种激光点云滤波去噪方法、系统、设备及存储介质。
背景技术
近年来，随着汽车驾驶辅助技术的日益成熟，各种汽车辅助功能被越来越多地应用在量产汽车上。汽车驾驶辅助技术是汽车由“机械化”向“智能化”发展的一个必经的技术阶段；其可以为驾驶员驾驶行为提供安全保障，同时提高车辆行驶的舒适性、安全性、燃油经济性。在驾驶辅助技术和无人驾驶技术中，环境感知是其重要的核心组成部分。环境感知技术指车辆通过包括摄像头、超声波雷达、毫米波雷达、激光雷达等传感器的相关信号对周围环境进行感知，为车辆的控制决策提供重要依据。尤其是，精确实时的防碰撞预警有重要的应用意义，尤其是在辅助驾驶安全警示和自动驾驶的自动控制中起到决定性作用，比如在自动驾驶中，防碰撞预警可以尽可能多地减少事故，避免人身和财产损失；在自动驾驶中，防碰撞预警越精确，安全性越高。
环境地图构建在移动机器人和环境监测领域都具有重要地位。环境地图构建既是机器人下一步行动规划的必要前提，也是对未知或已知空间进行监测的重要步骤。环境地图的构建常用占据栅格地图算法。根据GPS等方式得到雷达的位姿信息后，结合每帧点云数据形成环境栅格地图。
毫米波雷达是一种发射毫米波波段的电磁波进行探测的雷达，它可以通过点云的形式将数据进行输出。毫米波雷达穿透雾、烟、灰尘的能力强，具有全天候全天时的优点。由于其出色的鲁棒性，目前毫米波雷达变得越来越流行。目前毫米波雷达主要输出2D点云，随着硬件技术的成熟未来也将向3D点云数据发展。毫米波雷达在自动驾驶，安全防范，交通监控，无人车等多个领域得到了广泛的应用。但是与激光雷达相比(激光雷达是传统的点云采集传感器，可采集2D和3D点云数据)，毫米波雷达具有测量精度低和杂点多的数据特点。在毫米波雷达扫描范围内的不同位置处，其点云测量精度是不同的，这与毫米波雷达的硬件结构和采集环境是相关的。杂点是由于毫米波雷达接收了大量杂波引起的，它对于环境地图是严重的干扰，必须被筛除。
针对杂点筛除，聚类是一种常用的方法。聚类算法可以实现类内个体之间具有较大的相似性，类间个体间具有较大的相异性。但是，现有的聚类算法对于中近距离的点云有很高的识别准确性，但是由于激光雷达本身的特性，远距离的点云相互之间的距离间隔明显增大，存在一个物体上的激光点由于比较分散、激光点之间的间距较大，而无法聚类的情况。现有聚类算法的准确性就大大下降了，使得车辆在检测远距离障碍物时，激光雷达虽然侦测到了物体，但是难以对其进行识别，需要等到中近距离才能实现识别，这对于高速行驶的车辆而言，是一种严重的安全隐患，也阻碍了无人驾驶的发展。
因此，本发明提供了一种激光点云滤波去噪方法、系统、设备及存储介质。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本实用新型的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
针对现有技术中的问题，本发明的目的在于提供激光点云滤波去噪方法、系统、设备及存储介质，克服了现有技术的困难，能够进行点云聚类的间距阈值和点云簇的密度阈值的动态调整，优化激光点云滤波去噪效果，提升远距离的点云的三维点云识别的准确性，增强行驶安全。
本发明的实施例提供一种激光点云滤波去噪方法，包括以下步骤：
S110、通过激光雷达传感器接收描述周围环境的传感器数据，所述传感器数据包括多个点，每个点与所述激光雷达传感器捕获所述点的时间相关联，将每个点转换到空间坐标系下；
S120、基于每个所述点到所述激光雷达传感器的距离，获得基于距离的点云聚类的间距阈值；
S130、基于所述点的距离以及所述距离对应的点云聚类的间距阈值获得点云簇；
S140、遍历每个所述点云簇，判断所述点云簇中的点云密度是否满足密度阈值，若是，则执行步骤S150，若否，则执行步骤S160；
S150、保留所述点云簇；以及
S160、放弃所述点云簇。
优选地，所述步骤S120中，所述点到所述激光雷达传感器的距离与所述点云聚类的间距阈值之间呈正向增长。
优选地，所述步骤S130中，基于每个所述点为中心，以所述点的距离对应的点云聚类的间距阈值为半径形成一个圆形范围，将所述圆形范围内所述点的集合作为一点云簇。
优选地，所述步骤S130中，包括以下步骤：
S131、以所述点的距离获得对应的点云聚类的间距阈值作为间距条件；
S132、基于所述点为中心点，筛选与所述中心点之间的距离满足间距条件的所有所述点，均作为新的中心点；
S133、循环迭代所述步骤S132，直到没有筛选到与所述中心点之间的距离满足间距条件的新增的所述点；以及
S134、将被选中作为所述中心点的所述点的集合作为一点云簇。
优选地，所述步骤S140中，包括：
S141、遍历每个所述点云簇，获得所述点云簇中作为最早的中心点作为起始点；
S142、基于所述起始点到所述激光雷达传感器的距离，获得对应的密度阈值；
S143、获得所述点云簇中的点云密度；
S144、判断所述点云簇中的点云密度是否大于等于所述密度阈值，若是，则执行步骤S150，若否，则执行步骤S160。
优选地，所述步骤S142中，所述起始点到所述激光雷达传感器的距离与所述密度阈值呈反向增长。
优选地，所述步骤S150中还包括，对所述点云簇进行基于深度学习的三维点云识别。
优选地，所述点到所述激光雷达传感器的距离x与间距阈值d满足以下函数关系：
d(x)＝Ax*x+Bx+C；
其中，A、B、C为调节参数。
优选地，所述点到所述激光雷达传感器的距离x与间距阈值d满足以下函数关系：
d(x)＝D*(floot(Ax+B)+C)；
其中，A、B、C为调节参数，D为预设聚类距离阈值。
本发明的实施例还提供一种激光点云滤波去噪系统，用于实现上述的激光点云滤波去噪方法，激光点云滤波去噪系统包括：
雷达扫描模块，通过激光雷达传感器接收描述周围环境的传感器数据，所述传感器数据包括多个点，每个点与所述激光雷达传感器捕获所述点的时间相关联，将每个点转换到空间坐标系下；
间距阈值模块，基于每个所述点到所述激光雷达传感器的距离，获得基于距离的点云聚类的间距阈值；
点云簇建立模块，基于所述点的距离以及所述距离对应的点云聚类的间距阈值获得点云簇；
阈值判断模块，遍历每个所述点云簇，判断所述点云簇中的点云密度是否满足密度阈值，若是，则执行点云簇保留模块，若否，则执行点云簇放弃模块；
点云簇保留模块，保留所述点云簇；以及
点云簇放弃模块，放弃所述点云簇。
本发明的实施例还提供一种激光点云滤波去噪设备，包括：
处理器；
存储器，其中存储有处理器的可执行指令；
其中，处理器配置为经由执行可执行指令来执行上述激光点云滤波去噪方法的步骤。
本发明的实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现上述激光点云滤波去噪方法的步骤。
本发明的激光点云滤波去噪方法、系统、设备及存储介质，能够进行点云聚类的间距阈值和点云簇的密度阈值的动态调整，优化激光点云滤波去噪效果，提升远距离的点云的三维点云识别的准确性，增强行驶安全。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1是本发明的激光点云滤波去噪方法的流程图。
图2是使用本发明的激光点云滤波去噪方法的无人车进行激光雷达扫描的示意图。
图3是使用本发明的激光点云滤波去噪方法的无人车进行滤波去噪的示意图。
图4是本发明的激光点云滤波去噪系统的结构示意图
图5是本发明的激光点云滤波去噪设备的结构示意图。以及
图6是本发明一实施例的计算机可读存储介质的结构示意图。
附图标记
1 无人车
2 激光雷达传感器
21 激光点
22 点云簇
23 点云簇
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式。相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
图1是本发明的激光点云滤波去噪方法的流程图。如图1所示，本发明激光点云滤波去噪方法，包括以下步骤：
S110、通过激光雷达传感器接收描述周围环境的传感器数据，上述传感器数据包括多个点，每个点与上述激光雷达传感器捕获上述点的时间相关联，将每个点转换到空间坐标系下；
S120、基于每个上述点到上述激光雷达传感器的距离，获得基于距离的点云聚类的间距阈值；
S130、基于上述点的距离以及上述距离对应的点云聚类的间距阈值获得点云簇；
S140、遍历每个上述点云簇，判断上述点云簇中的点云密度是否满足密度阈值，若是，则执行步骤S150，若否，则执行步骤S160；
S150、保留上述点云簇；以及
S160、放弃上述点云簇。
在一个优选实施例中，上述步骤S120中，上述点到上述激光雷达传感器的距离与上述点云聚类的间距阈值之间呈正向增长，但不以此为限。
在一个优选实施例中，上述步骤S120中，上述点到上述激光雷达传感器的距离与上述点云聚类的间距阈值之间呈正比增长，但不以此为限。
在一个优选实施例中，上述步骤S120中，上述点到上述激光雷达传感器的距离与上述点云聚类的间距阈值之间呈正向指数增长，但不以此为限。
在一个优选实施例中，上述步骤S130中，基于每个上述点为中心，以上述点的距离对应的点云聚类的间距阈值为半径形成一个圆形范围，将上述圆形范围内上述点的集合作为一点云簇，但不以此为限。
在一个优选实施例中，上述步骤S130中，包括以下步骤：
S131、以上述点的距离获得对应的点云聚类的间距阈值作为间距条件；
S132、基于上述点为中心点，筛选与上述中心点之间的距离满足间距条件的所有上述点，均作为新的中心点；
S133、循环迭代上述步骤S132，直到没有筛选到与上述中心点之间的距离满足间距条件的新增的上述点；以及
S134、将被选中作为上述中心点的上述点的集合作为一点云簇，但不以此为限。
在一个优选实施例中，上述步骤S140中，包括：
S141、遍历每个上述点云簇，获得上述点云簇中作为最早的中心点作为起始点；
S142、基于上述起始点到上述激光雷达传感器的距离，获得对应的密度阈值；
S143、获得上述点云簇中的点云密度；
S144、判断上述点云簇中的点云密度是否大于等于上述密度阈值，若是，则执行步骤S150，若否，则执行步骤S160，但不以此为限。
在一个优选实施例中，上述步骤S142中，上述起始点到上述激光雷达传感器的距离与上述密度阈值呈反向增长，但不以此为限。
在一个优选实施例中，上述步骤S142中，上述起始点到上述激光雷达传感器的距离与上述密度阈值呈反比增长，但不以此为限。
在一个优选实施例中，上述步骤S142中，上述起始点到上述激光雷达传感器的距离与上述密度阈值呈反向指数增长，但不以此为限。
在一个优选实施例中，上述步骤S150中还包括，对上述点云簇进行基于深度学习的三维点云识别，但不以此为限。
在一个优选实施例中，上述点到上述激光雷达传感器的距离x与间距阈值d满足以下函数关系：
d(x)＝Ax*x+Bx+C；
其中，A、B、C为调节参数，但不以此为限。
在一个优选实施例中，上述点到上述激光雷达传感器的距离x与间距阈值d满足以下函数关系：
d(x)＝D*(floot(Ax+B)+C)；
其中，A、B、C为调节参数，D为预设聚类距离阈值，但不以此为限。
图2至3本发明的激光点云滤波去噪方法的实施过程示意图。如图2至3所示，本发明的基于激光雷达的地面过滤方法的实施过程如下：无人车1的前部设有激光雷达2，获得激光雷达2对地面进行扫描产生各个激光点21形成的激光点云。本实施例中，通过激光雷达传感器2接收描述周围环境的传感器数据，传感器数据包括多个点，每个点与激光雷达传感器2捕获点的时间相关联，将每个点转换到空间坐标系下。
基于每个点到激光雷达传感器2的距离，获得基于距离的点云聚类的间距阈值；步骤S120中，点到激光雷达传感器2的距离与点云聚类的间距阈值之间呈正向增长。其中，点到激光雷达传感器2的距离x与间距阈值d满足以下函数关系：d(x)＝Ax*x+Bx+C；其中，A、B、C为调节参数。
基于点的距离以及距离对应的点云聚类的间距阈值获得点云簇；基于每个点为中心，以点的距离对应的点云聚类的间距阈值为半径形成一个圆形范围，将圆形范围内点的集合作为一点云簇。在本实施例中，对应激光点Q1的点云聚类的间距阈值为P1，对应激光点Q2的点云聚类的间距阈值为P2，由于激光点Q1到空间坐标系的原点的距离小于激光点Q2到空间坐标系的原点的距离，为了补偿激光点云在远距离上的稀疏的分布状态，间距阈值P1小于间距阈值P2。
以点的距离获得对应的点云聚类的间距阈值作为间距条件。基于点为中心点，筛选与中心点之间的距离满足间距条件的所有点，均作为新的中心点。循环迭代上述筛选步骤，直到没有筛选到与中心点之间的距离满足间距条件的新增的点。将被选中作为中心点的点的集合作为一点云簇。例如：将以激光点Q1为圆心，P1作为半径形成第一阶段的圆形范围S1；再将第一阶段的圆形范围S1中的除了激光点Q1以外所有的新增加的激光点分别作为圆心，P1作为半径形成多个第二阶段的圆形范围；再将第二阶段的圆形范围中所有的新增加的激光点分别作为圆心，P1作为半径形成多个第三阶段的圆形范围......以此循环扩展，直到新的圆形范围中不再存在新增加的点为止，将这些点的结合作为一点云簇。本实施例中，基于激光点Q1为起点形成的点云簇为22，基于激光点Q2为起点形成的点云簇为23。
遍历每个点云簇，获得点云簇中作为最早的中心点作为起始点；基于起始点到激光雷达传感器2的距离，获得对应的密度阈值，起始点到激光雷达传感器2的距离与密度阈值呈反向增长。获得点云簇22中的点云密度W1，获得点云簇23中的点云密度W2，
由于点云簇为22对应的激光点Q1与坐标系原点的距离小于点云簇为23对应的激光点Q2与坐标系原点的距离，所以，点云簇为22对应的点云密度W1的密度阈值T1大于点云簇为23对应的点云密度W2的密度阈值T2。
本实施例中，点云簇22中的点云密度W1小于点云簇22对应的密度阈值T1，则放弃点云簇22。点云簇23中的点云密度W2大于点云簇23对应的密度阈值T2，则保留点云簇23，对上述点云簇23进行基于深度学习的三维点云识别，可见即便是对于远距离上点云密度更稀疏的点云簇23，本发明也能够进行点云聚类的间距阈值和点云簇的密度阈值的动态调整，从而保留和识别点云簇，确保了对远程障碍物进行提前识别。
本发明的激光点云滤波去噪方法，能够有效地对于远距离的稀疏的点云簇进行补偿识别，确保碍障物可以在远距离上被识别，从而优化激光点云滤波去噪效果，提升远距离的点云的三维点云识别的准确性，增强行驶安全。
图4是本发明的激光点云滤波去噪系统的结构示意图。如图4所示，本发明的实施例还提供一种激光点云滤波去噪系统5，用于实现上述的激光点云滤波去噪方法，包括：
雷达扫描模块51，通过激光雷达传感器接收描述周围环境的传感器数据，上述传感器数据包括多个点，每个点与上述激光雷达传感器捕获上述点的时间相关联，将每个点转换到空间坐标系下。
间距阈值模块52，基于每个上述点到上述激光雷达传感器的距离，获得基于距离的点云聚类的间距阈值。
点云簇建立模块53，基于上述点的距离以及上述距离对应的点云聚类的间距阈值获得点云簇。
阈值判断模块54，遍历每个上述点云簇，判断上述点云簇中的点云密度是否满足密度阈值，若是，则执行点云簇保留模块55，若否，则执行点云簇放弃模块56。
点云簇保留模块55，保留上述点云簇。以及
点云簇放弃模块56，放弃上述点云簇。
本发明的激光点云滤波去噪系统，能够进行点云聚类的间距阈值和点云簇的密度阈值的动态调整，优化激光点云滤波去噪效果，提升远距离的点云的三维点云识别的准确性，增强行驶安全。
本发明实施例还提供一种激光点云滤波去噪设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行的激光点云滤波去噪方法的步骤。
如上，本发明的激光点云滤波去噪设备能够进行点云聚类的间距阈值和点云簇的密度阈值的动态调整，优化激光点云滤波去噪效果，提升远距离的点云的三维点云识别的准确性，增强行驶安全。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
图5是本发明的激光点云滤波去噪设备的结构示意图。下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的激光点云滤波去噪方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
如上所示，该实施例的计算机可读存储介质的程序在执行时，能够进行点云聚类的间距阈值和点云簇的密度阈值的动态调整，优化激光点云滤波去噪效果，提升远距离的点云的三维点云识别的准确性，增强行驶安全。
图6是本发明的计算机可读存储介质的结构示意图。参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上，本发明的激光点云滤波去噪方法、系统、设备及存储介质，能够进行点云聚类的间距阈值和点云簇的密度阈值的动态调整，优化激光点云滤波去噪效果，提升远距离的点云的三维点云识别的准确性，增强行驶安全。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (12)

1.一种激光点云滤波去噪方法，其特征在于，包括以下步骤：
S110、通过激光雷达传感器接收描述周围环境的传感器数据，所述传感器数据包括多个点，每个点与所述激光雷达传感器捕获所述点的时间相关联，将每个点转换到空间坐标系下；
S120、基于每个所述点到所述激光雷达传感器的距离，获得基于距离的点云聚类的间距阈值；
S130、基于所述点的距离以及所述距离对应的点云聚类的间距阈值获得点云簇；
S140、遍历每个所述点云簇，判断所述点云簇中的点云密度是否满足密度阈值，若是，则执行步骤S150，若否，则执行步骤S160；
S150、保留所述点云簇；以及
S160、放弃所述点云簇。
2.根据权利要求1所述的激光点云滤波去噪方法，其特征在于，所述步骤S120中，所述点到所述激光雷达传感器的距离与所述点云聚类的间距阈值之间呈正向增长。
3.根据权利要求1所述的激光点云滤波去噪方法，其特征在于，所述步骤S130中，基于每个所述点为中心，以所述点的距离对应的点云聚类的间距阈值为半径形成一个圆形范围，将所述圆形范围内所述点的集合作为一点云簇。
4.根据权利要求1所述的激光点云滤波去噪方法，其特征在于，所述步骤S130中，包括以下步骤：
S131、以所述点的距离获得对应的点云聚类的间距阈值作为间距条件；
S132、基于所述点为中心点，筛选与所述中心点之间的距离满足间距条件的所有所述点，均作为新的中心点；
S133、循环迭代所述步骤S132，直到没有筛选到与所述中心点之间的距离满足间距条件的新增的所述点；以及
S134、将被选中作为所述中心点的所述点的集合作为一点云簇。
5.根据权利要求1所述的激光点云滤波去噪方法，其特征在于，所述步骤S140中，包括：
S141、遍历每个所述点云簇，获得所述点云簇中作为最早的中心点作为起始点；
S142、基于所述起始点到所述激光雷达传感器的距离，获得对应的密度阈值；
S143、获得所述点云簇中的点云密度；
S144、判断所述点云簇中的点云密度是否大于等于所述密度阈值，若是，则执行步骤S150，若否，则执行步骤S160。
6.根据权利要求5所述的激光点云滤波去噪方法，其特征在于，所述步骤S142中，所述起始点到所述激光雷达传感器的距离与所述密度阈值呈反向增长。
7.根据权利要求1所述的激光点云滤波去噪方法，其特征在于，所述步骤S150中还包括，对所述点云簇进行基于深度学习的三维点云识别。
8.根据权利要求2所述的激光点云滤波去噪方法，其特征在于，所述点到所述激光雷达传感器的距离x与间距阈值d满足以下函数关系：
d(x)＝Ax*x+Bx+C；
其中，A、B、C为调节参数。
9.根据权利要求2所述的激光点云滤波去噪方法，其特征在于，所述点到所述激光雷达传感器的距离x与间距阈值d满足以下函数关系：
d(x)＝D*(floot(Ax+B)+C)；
其中，A、B、C为调节参数，D为预设聚类距离阈值。
10.一种激光点云滤波去噪系统，其特征在于，用于实现如权利要求1所述的激光点云滤波去噪方法，包括：
雷达扫描模块，通过激光雷达传感器接收描述周围环境的传感器数据，所述传感器数据包括多个点，每个点与所述激光雷达传感器捕获所述点的时间相关联，将每个点转换到空间坐标系下；
间距阈值模块，基于每个所述点到所述激光雷达传感器的距离，获得基于距离的点云聚类的间距阈值；
点云簇建立模块，基于所述点的距离以及所述距离对应的点云聚类的间距阈值获得点云簇；
阈值判断模块，遍历每个所述点云簇，判断所述点云簇中的点云密度是否满足密度阈值，若是，则执行点云簇保留模块，若否，则执行点云簇放弃模块；
点云簇保留模块，保留所述点云簇；以及
点云簇放弃模块，放弃所述点云簇。
11.一种激光点云滤波去噪设备，其特征在于，包括：
处理器；
存储器，其中存储有处理器的可执行指令；
其中，处理器配置为经由执行可执行指令来执行权利要求1至9中任意一项所述激光点云滤波去噪方法的步骤。
12.一种计算机可读存储介质，用于存储程序，其特征在于，程序被执行时实现权利要求1至9中任意一项所述激光点云滤波去噪方法的步骤。
CN202110700368.9A 2021-06-23 2021-06-23 激光点云滤波去噪方法、系统、设备及存储介质 Active CN113313654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110700368.9A CN113313654B (zh) 2021-06-23 2021-06-23 激光点云滤波去噪方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110700368.9A CN113313654B (zh) 2021-06-23 2021-06-23 激光点云滤波去噪方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113313654A true CN113313654A (zh) 2021-08-27
CN113313654B CN113313654B (zh) 2023-12-15

Family

ID=77380327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110700368.9A Active CN113313654B (zh) 2021-06-23 2021-06-23 激光点云滤波去噪方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113313654B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926356A (zh) * 2022-05-10 2022-08-19 大连理工大学 一种针对降雪影响的LiDAR点云无监督去噪方法
CN114973191B (zh) * 2022-05-12 2025-04-15 桂林电子科技大学 基于点云密度和间距的动态阈值确定方法及欧式聚类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106291506A (zh) * 2016-08-16 2017-01-04 长春理工大学 基于单线点云数据机器学习的车辆目标识别方法及装置
CN108717540A (zh) * 2018-08-03 2018-10-30 浙江梧斯源通信科技股份有限公司 基于2d激光雷达区分行人和车辆的方法及装置
US20190286915A1 (en) * 2018-03-13 2019-09-19 Honda Motor Co., Ltd. Robust simultaneous localization and mapping via removal of dynamic traffic participants
CN111337941A (zh) * 2020-03-18 2020-06-26 中国科学技术大学 一种基于稀疏激光雷达数据的动态障碍物追踪方法
CN111461023A (zh) * 2020-04-02 2020-07-28 山东大学 基于三维激光雷达的四足机器人自主跟随领航员的方法
CN111540201A (zh) * 2020-04-23 2020-08-14 山东大学 基于路侧激光雷达的车辆排队长度实时估计方法及系统
CN112364888A (zh) * 2020-10-16 2021-02-12 爱驰汽车（上海）有限公司 点云数据处理方法、装置、计算设备及计算机存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106291506A (zh) * 2016-08-16 2017-01-04 长春理工大学 基于单线点云数据机器学习的车辆目标识别方法及装置
US20190286915A1 (en) * 2018-03-13 2019-09-19 Honda Motor Co., Ltd. Robust simultaneous localization and mapping via removal of dynamic traffic participants
CN108717540A (zh) * 2018-08-03 2018-10-30 浙江梧斯源通信科技股份有限公司 基于2d激光雷达区分行人和车辆的方法及装置
CN111337941A (zh) * 2020-03-18 2020-06-26 中国科学技术大学 一种基于稀疏激光雷达数据的动态障碍物追踪方法
CN111461023A (zh) * 2020-04-02 2020-07-28 山东大学 基于三维激光雷达的四足机器人自主跟随领航员的方法
CN111540201A (zh) * 2020-04-23 2020-08-14 山东大学 基于路侧激光雷达的车辆排队长度实时估计方法及系统
CN112364888A (zh) * 2020-10-16 2021-02-12 爱驰汽车（上海）有限公司 点云数据处理方法、装置、计算设备及计算机存储介质

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
YAO LIANBI ET AL.: "AUTOMATIC EXTRACTION OF ROAD MARKINGS FROM MOBILE LASER-POINT CLOUD USING INTENSITY DATA", 《THE INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 *
YAO LIANBI ET AL.: "AUTOMATIC EXTRACTION OF ROAD MARKINGS FROM MOBILE LASER-POINT CLOUD USING INTENSITY DATA", 《THE INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》, 31 December 2018 (2018-12-31), pages 2113 - 2119 *
余升林: "基于传感器信息融合的车辆识别与测量研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
余升林: "基于传感器信息融合的车辆识别与测量研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 July 2020 (2020-07-15), pages 4 *
文龙: "基于车载激光雷达的无人驾驶车辆障碍物检测与跟踪技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
文龙: "基于车载激光雷达的无人驾驶车辆障碍物检测与跟踪技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 August 2020 (2020-08-15), pages 1 *
汪世财 等: "基于激光雷达点云密度特征的智能车障碍物检测与跟踪", 《合肥工业大学学报（自然科学版）》 *
汪世财 等: "基于激光雷达点云密度特征的智能车障碍物检测与跟踪", 《合肥工业大学学报（自然科学版）》, vol. 42, no. 10, 31 October 2019 (2019-10-31), pages 14 - 17 *
汪清淼: "基于机器学习的简化模型误差评价方法及其在汽车安全中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
汪清淼: "基于机器学习的简化模型误差评价方法及其在汽车安全中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 January 2021 (2021-01-15), pages 3 *
赵杰 等: "《智能机器人技术 安保、巡逻、处置类警用机器人研究实践》", 31 January 2021, 机械工业出版社, pages: 262 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926356A (zh) * 2022-05-10 2022-08-19 大连理工大学 一种针对降雪影响的LiDAR点云无监督去噪方法
CN114973191B (zh) * 2022-05-12 2025-04-15 桂林电子科技大学 基于点云密度和间距的动态阈值确定方法及欧式聚类方法

Also Published As

Publication number Publication date
CN113313654B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
EP3627180B1 (en) Sensor calibration method and device, computer device, medium, and vehicle
CN109284348B (zh) 一种电子地图的更新方法、装置、设备和存储介质
CN109059902B (zh) 相对位姿确定方法、装置、设备和介质
CN112562314B (zh) 基于深度融合的路端感知方法、装置、路端设备和系统
US20210350149A1 (en) Lane detection method and apparatus,lane detection device,and movable platform
CN110632617B (zh) 一种激光雷达点云数据处理的方法及装置
CN109558854B (zh) 障碍物感知方法、装置、电子设备及存储介质
WO2023040737A1 (zh) 目标位置确定方法、装置、电子设备以及存储介质
WO2023142816A1 (zh) 障碍物信息确定方法、装置、电子设备以及存储介质
CN111857135A (zh) 用于车辆的避障方法、装置、电子设备和计算机存储介质
CN112613424A (zh) 铁轨障碍物检测方法、装置、电子设备和存储介质
CN111316328A (zh) 车道线地图的维护方法、电子设备与存储介质
CN111754798A (zh) 融合路侧激光雷达和视频实现车辆和周边障碍物探知方法
CN109635868B (zh) 障碍物类别的确定方法、装置、电子设备及存储介质
EP4009228A1 (en) Method for determining a semantic free space
CN110390252B (zh) 基于先验地图信息的障碍物检测方法、装置和存储介质
CN110530375B (zh) 机器人自适应定位方法、定位装置、机器人及存储介质
CN109827610B (zh) 用于校验传感器融合结果的方法和装置
CN113313654B (zh) 激光点云滤波去噪方法、系统、设备及存储介质
CN115346192A (zh) 基于多源传感器感知的数据融合方法、系统、设备及介质
CN112946603B (zh) 一种基于激光雷达的道路养护检测系统及其检测方法
CN111650604B (zh) 利用精确定位实现自我车辆和周边障碍物精确探知的方法
JP6657934B2 (ja) 物体検出装置
CN113298044B (zh) 基于定位补偿的障碍物检测方法、系统、设备及存储介质
CN115359332A (zh) 基于车路协同的数据融合方法、装置、电子设备及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Room 503-3, 398 Jiangsu Road, Changning District, Shanghai 200050

Applicant after: Shanghai Xijing Technology Co.,Ltd.

Address before: Room 503-3, 398 Jiangsu Road, Changning District, Shanghai 200050

Applicant before: SHANGHAI WESTWELL INFORMATION AND TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant