[go: up one dir, main page]

CN114812435B - 一种车辆三维点云数据滤波方法 - Google Patents

一种车辆三维点云数据滤波方法 Download PDF

Info

Publication number
CN114812435B
CN114812435B CN202210473084.5A CN202210473084A CN114812435B CN 114812435 B CN114812435 B CN 114812435B CN 202210473084 A CN202210473084 A CN 202210473084A CN 114812435 B CN114812435 B CN 114812435B
Authority
CN
China
Prior art keywords
vehicle
point cloud
height
dimensional point
midpoint
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.)
Active
Application number
CN202210473084.5A
Other languages
English (en)
Other versions
CN114812435A (zh
Inventor
范立
徐锦锦
李启达
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.)
Suzhou Seecar Information System Co ltd
Original Assignee
Suzhou Seecar Information System 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 Suzhou Seecar Information System Co ltd filed Critical Suzhou Seecar Information System Co ltd
Priority to CN202210473084.5A priority Critical patent/CN114812435B/zh
Publication of CN114812435A publication Critical patent/CN114812435A/zh
Application granted granted Critical
Publication of CN114812435B publication Critical patent/CN114812435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/2433—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures for measuring outlines by shadow casting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/04—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving
    • G01B11/043—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving for measuring length
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/04—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving
    • G01B11/046—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving for measuring width
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0608—Height gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0691—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of objects while moving
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请提供一种车辆三维点云数据滤波方法，利用几何特征滤波方法，能够很好的滤除水花噪声、尾气噪声、尘埃噪声、激光反射噪声等各类噪声点云，得到准确的车辆三维点云数据。包括步骤：(a)通过安装在路端的激光雷达，获得视场角的三维点云数据；(b)将步骤(a)中的三维点云数据去除环境点云并初步提取车辆位置和轮廓信息，获得车辆原始三维点云信息；(c)将车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到精准的车辆轮廓信息。

Description

一种车辆三维点云数据滤波方法
技术领域
本发明涉及点云数据处理的技术领域，更具体地，涉及一种车辆三维点云数据滤波方法。
背景技术
车辆的激光雷达数据是以点云的形式存放的，车辆点云数据由特定空间内的一定数量的点云构成，这些点云之间存在空间关系。处理车辆三维点云数据除了需要对数据的不同排列和某些空间转换保持不变性，更重要的是，需要过滤车辆点云数据中的各种噪声点云。
在现有技术中，激光雷达已经广泛用于路端的车辆检测中，其成像特性不受白天黑夜的光照影响，正常情况能够获取到的车辆点云图像噪声极少，比较清晰。但是如果由于天气原因，比如地面产生积水，车辆行驶过程中会产生大量水花，对于车辆的精确的轮廓检测会产生极大影响，使得车辆轮廓的测量准确度大幅下降。
有鉴于此，本发明提供一种车辆三维点云数据滤波方法，能够很好的滤除各类噪声点云，得到准确的车辆三维点云数据。
发明内容
本发明的目的在于，提供一种车辆三维点云数据滤波方法，利用几何特征滤波方法，能够很好的滤除水花噪声、尾气噪声、尘埃噪声、激光反射噪声等各类噪声点云，得到准确的车辆三维点云数据。
一种车辆三维点云数据滤波方法，包括步骤：
(a)通过安装在路端的激光雷达，获得视场角的三维点云数据；
(b)将步骤(a)中的三维点云数据去除环境点云并初步提取车辆位置和轮廓信息，获得车辆原始三维点云信息；
(c)将车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到精准的车辆轮廓信息。
在一些实施方式中，在步骤(a)中，所述激光雷达为多线束激光雷达，多线束激光雷达能够进行竖直方向的积分，识别车辆的高度信息。
进一步的，所述多线束激光雷达安装于路侧或者路中，多线束激光雷达的安装高度大于车辆的高度，多线束激光雷达能够扫描检测到车辆的车头或车尾、车辆侧面和车顶。
进一步的，所述多线束激光雷达安装在路侧装置或龙门架上，多线束激光雷达的安装角度能够扫描探测车辆的侧前方或侧后方。
在一些实施方式中，在步骤(b)中，通过三维点云去背景技术去除环境点云，并初步提取车辆位置和轮廓信息。
进一步的，三维点云去背景技术包括：动态点云提取或者地面背景点去除，初步提取车辆位置和轮廓信息的方法包括：聚类方式或者3D深度学习检测方式。
进一步的，动态点云提取为绘制一个3D长方体框，该长方体底面位于地面临界处，其余几个面为点云提取范围，判断点是否在长方体框的内部，内部的所有点云即为去除了背景点云的地面车辆、行人等动态点云；地面背景点去除是取感兴趣范围内的所有点云，拟合计算地面的曲面方程，然后将所有感兴趣范围内的点带入地面曲面函数，通过函数值判断该点和地面的关系，如果函数值大于0说明点在地面上，则保留，否则删除，得到的所有点就是地面上的车辆、行人等动态点云。
进一步的，聚类方式是对原始点云各个点之间的离度量分析(如选用欧氏距离)，将小于一定阈值(如1米)的点聚为一个类别，再由聚类后的每簇点云的长宽高、位置特征，分类为车辆、行人；3D深度学习检测的需要对大量人工标注数据进行训练，训练完成后得到权重参数，能够直接识别地面上车辆、行人的位置和大小。
进一步的，所述车辆原始三维点云信息，受噪声的影响，不能清晰的反映车辆轮廓信息，所述噪声包括：水花噪声、尾气噪声、尘埃噪声、激光反射噪声。
在一些实施方式中，在步骤(c)中，所述平面视图为车辆前视图和车辆侧视图，将车辆前视图和侧视图分别使用固定分辨率区间过滤法进行统计信息，统计信息为每个区间内的点云总数量和最大点云高度。
进一步优选的，每A厘米为一个竖直的区间，统计每个竖直区间内的点云总数量和最大点云高度，所述最大点云高度为取点云高度最大前5％-30％的平均值，A为5-40cm，车辆前视图的竖直区间宽度(A)小于车辆侧视图的竖直区间宽度。
进一步的，在车辆侧视图中，从车头向后搜索，根据所述统计信息找到车辆的真实尾部区间(记为tmp_index)，删除真实尾部区间后面的所有点云；车辆真实尾部区间的判断需满足条件：(1)点云高度不足设定的高度阈值，点云数量少于设定的数量阈值，(2)点云数量区间出现突降的位置，(3)向后搜索不再出现点云超过高度阈值和数量阈值。
进一步优选的，所述高度阈值为车辆最高高度的0.5-0.65倍，所述数量阈值为所有区间点云数量超过10的区间降序排序，取倒数前20％区间的点云数量的均值作为数量阈值，或者以数量40作为数量阈值，两者以更大的值作为数量阈值。货车或挂车的车头与车厢的连接部位，符合所述条件(1)和条件(2)，但是不符合条件(3)。
进一步优选的，为了降低单区间的测量误差，采用多区间共同判定，若tmp_index后续的几个区间也满足所述条件(1)，则确定tmp_index作为真实尾部区间，tmp_index后面的所有区间的点云可以直接过滤删除。
进一步的，在车辆前视图中，取车辆点云宽度方向的中间位置作为几何中点(记为geometry_mid_idx)，根据设定的偏差阈值和波动阈值计算出真正中点(记为true_mid_idx)；以真正中点向左右两边搜索，若某竖直区间内最大点云高度低于设定的前视阈值高度，则过滤掉该竖直区间更左或更右的所有点云。
进一步优选的，激光雷达照射不到的一侧几乎没有噪声，几何中点向车辆的另一侧(激光雷达照射到的一侧)位移设定的偏差阈值作为无干扰中点(记为no_noise_mid_idx)，根据几何中点与无干扰中点的距离是否小于波动阈值，计算真正中点。
进一步优选的，所述偏差阈值为车辆前视图的5-15个竖直区间，波动阈值为0.1-0.5m，若几何中点与无干扰中点的距离小于波动阈值，则真正中点为几何中点与无干扰中点的平均值，若几何中点与无干扰中点的距离大于波动阈值，则真正中点为无干扰中点。
进一步优选的，所述前视阈值高度为车辆最高高度的0.5-0.65倍或0.8m，两者以更大的值作为前视阈值高度。
在一些实施方式中，经过步骤(c)的噪声滤除后，过滤掉车辆周围的各类噪声，得到精准的车辆轮廓信息，根据该车辆轮廓测量车辆的长、宽和高更为精准，并且方便后续对真实车辆点云的分析。
附图说明
结合以下附图一起阅读时，将会更加充分地描述本申请内容的上述和其他特征。可以理解，这些附图仅描绘了本申请内容的若干实施方式，因此不应认为是对本申请内容范围的限定。通过采用附图，本申请内容将会得到更加明确和详细地说明。
图1为本申请实施例1的多线束激光雷达的安装位置及扫描范围图。
图2为本申请实施例1的获取的车辆原始三维点云信息图。
图3为本申请实施例1的车辆原始三维点云信息投影后的车辆侧视图。
图4为本申请实施例1的车辆原始三维点云信息投影后的车辆前视图。
图5a为本申请实施例1的车辆侧视图的竖直区间内的点云总数量。
图5b为本申请实施例1的车辆侧视图的竖直区间内的最大点云高度。
图6为本申请实施例1的过滤后的点云投影车辆侧视图。
图7为本申请实施例1的过滤后的点云投影车辆前视图。
图8为本申请实施例1的过滤后的三维点云图像。
具体实施方式
描述以下实施例以辅助对本申请的理解，实施例不是也不应当以任何方式解释为限制本申请的保护范围。
在以下描述中，本领域的技术人员将认识到，在本论述的全文中，组件可描述为单独的功能单元(可包括子单元)，但是本领域的技术人员将认识到，各种组件或其部分可划分成单独组件，或者可整合在一起(包括整合在单个的系统或组件内)。
同时，组件或系统之间的连接并不旨在限于直接连接。相反，在这些组件之间的数据可由中间组件修改、重格式化、或以其它方式改变。另外，可使用另外或更少的连接。还应注意，术语“联接”、“连接”、或“输入”“固定”应理解为包括直接连接、通过一个或多个中间媒介来进行的间接的连接或固定。
实施例1：
将激光雷达安装在路端，获得视场角的三维点云数据。所述激光雷达为多线束激光雷达，多线束激光雷达能够进行竖直方向的积分，识别车辆的高度信息。所述多线束激光雷达安装于路侧的装置上，多线束激光雷达的安装高度大于车辆的高度，多线束激光雷达的安装角度能够扫描探测车辆的侧前方，多线束激光雷达能够扫描检测到车辆的车头、车辆侧面和车顶，多线束激光雷达的安装位置及扫描范围如图1所示。
通过多线束激光雷达获得的原始数据为激光雷达视场角的三维点云数据，只关注车辆信息，需要使用三维点云去背景技术去除环境点云；并使用聚类方式初步提取车辆位置和轮廓信息。三维点云去背景技术为动态点云提取和地面背景点去除，动态点云提取为绘制一个3D长方体框，该长方体底面位于地面临界处，其余几个面为点云提取范围，判断点是否在长方体框的内部，内部的所有点云即为去除了背景点云的地面车辆、行人等动态点云。聚类方式是对原始点云各个点之间的离度量分析(选用欧氏距离)，将小于一定阈值(1米)的点聚为一个类别，再由聚类后的每簇点云的长宽高、位置特征，分类为车辆、行人。获取的车辆原始三维点云信息如图2所示，图2的场景是具有路面积水，行车会产生水花的噪声点云，图2中还具有明显的离群噪声，受多种噪声的影响，不能清晰的反映车辆轮廓信息。而在路面没有积水或未下雨的情况下没有水花噪声，其他噪声还是具有的。
获得车辆原始三维点云信息，点云数据按照车辆长度方向大小排序，最小的为车头前端，区分车辆的车头前端和车辆侧面。将所有的点分别投影到两个平面，得到的平面图为车辆侧视图和车辆前视图，图2中左边车辆的车辆侧视图如图3所示，图2中左边车辆的车辆前视图如图4所示。将车辆前视图和侧视图分别使用固定分辨率区间过滤法进行统计信息，统计信息为每个区间内的点云总数量和最大点云高度。每A厘米为一个竖直的区间，统计每个竖直区间内的点云总数量和最大点云高度，所述最大点云高度为取点云高度最大前20％的平均值，车辆前视图的竖直区间宽度(A)为10cm，车辆侧视图的竖直区间宽度(A)为20cm。图5a为图3中车辆侧视图的竖直区间内的点云总数量，图5b为图3中车辆侧视图的竖直区间内的最大点云高度。
在车辆侧视图中，从车头向后搜索，由于绝大多数车辆的长度超过3米，也可以直接从坐标为3米的位置开始向后搜索，根据所述统计信息找到车辆的真实尾部区间(记为tmp_index)，删除真实尾部区间后面的所有点云；车辆真实尾部区间的判断需满足条件：(1)点云高度不足设定的高度阈值,高度阈值为车辆最高高度的0.6倍，点云数量少于设定的数量阈值，数量阈值为所有区间点云数量超过10的区间降序排序，取倒数前20％区间的点云数量的均值；(2)点云数量区间出现突降的位置；(3)向后搜索不再出现点云超过高度阈值和数量阈值。对于货车或挂车的车头与车厢的连接部位，符合所述条件(1)和条件(2)，但是不符合条件(3)，应该继续向后搜索，直到出现满足上述3个条件的区间作为真实尾部区间。为了降低单区间的测量误差，采用多区间共同判定，若tmp_index后续的几个区间也满足所述条件(1)，则确定tmp_index作为真实尾部区间，tmp_index后面的所有点云可以直接过滤删除。图3过滤后的点云投影车辆侧视图如图6所示，从图6中可以看到，车辆尾部的水花噪声基本被完全过滤了。
在车辆前视图中，取车辆点云宽度方向的中间位置作为几何中点(记为geometry_mid_idx)，激光雷达照射不到的一侧几乎没有噪声，几何中点向车辆的另一侧(激光雷达照射到的一侧)位移设定的偏差阈值作为无干扰中点(记为no_noise_mid_idx)，所述偏差阈值为车辆前视图的10个竖直区间(即1m)，根据几何中点与无干扰中点的距离是否小于波动阈值，波动阈值为0.5m(即5个区间位置)。若几何中点与无干扰中点的距离小于波动阈值，则真正中点为几何中点与无干扰中点的平均值，若几何中点与无干扰中点的距离大于波动阈值，则说明水花等噪声的影响过大，则真正中点为无干扰中点。以真正中点向左右两边搜索，若某竖直区间内最大点云高度低于设定的前视阈值高度，所述前视阈值高度为车辆最高高度的0.5倍，则直接过滤掉该竖直区间更左或更右的所有点云。由于绝大多数车辆的宽度超过1.2米，可以直接由真正中点位置向左和右各6个区间位置作为两边搜索过滤的起点。图4过滤后的点云投影如图7所示，从图7可以看到，不仅左侧靠近雷达照射方向有的水花噪声点云被过滤掉了，右侧的少量离群噪点也被过滤掉了。
原始的车辆三维点云经过了上述几个步骤后，图2过滤后的三维点云图像如图8所示，从图8可以看出，过滤掉了周围的各类噪声，此时对于轮廓的测量(长、宽、高)更为精准，且方便后续对真实车辆点云的分析。
尽管本申请已公开了多个方面和实施方式，但是其它方面和实施方式对本领域技术人员而言将是显而易见的，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。本申请公开的多个方面和实施方式仅用于举例说明，其并非旨在限制本申请，本申请的实际保护范围以权利要求为准。

Claims (9)

1.一种车辆三维点云数据滤波方法，其特征在于，包括步骤：
(a)通过安装在路端的激光雷达，获得视场角的三维点云数据；
(b)将步骤(a)中的三维点云数据去除环境点云并初步提取车辆位置和轮廓信息，获得车辆原始三维点云信息；
(c)将车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到精准的车辆轮廓信息，所述平面视图为车辆前视图和车辆侧视图，将车辆前视图和侧视图分别使用固定分辨率区间过滤法进行统计信息，统计信息为每个区间内的点云总数量和最大点云高度。
2.如权利要求1所述的车辆三维点云数据滤波方法，其特征在于，在步骤(a)中，所述激光雷达为多线束激光雷达，多线束激光雷达能够进行竖直方向的积分，识别车辆的高度信息；所述多线束激光雷达安装于路侧或者路中，多线束激光雷达的安装高度大于车辆的高度，多线束激光雷达能够扫描检测到车辆的车头或车尾、车辆侧面和车顶。
3.如权利要求1所述的车辆三维点云数据滤波方法，其特征在于，在步骤(b)中，通过三维点云去背景技术去除环境点云，并初步提取车辆位置和轮廓信息；三维点云去背景技术包括：动态点云提取或者地面背景点去除，初步提取车辆位置和轮廓信息的方法包括：聚类方式或者3D深度学习检测方式；所述车辆原始三维点云信息，受噪声的影响，不能清晰的反映车辆轮廓信息，所述噪声包括：水花噪声、尾气噪声、尘埃噪声、激光反射噪声。
4.如权利要求1所述的车辆三维点云数据滤波方法，其特征在于，每A厘米为一个竖直的区间，统计每个竖直区间内的点云总数量和最大点云高度，所述最大点云高度为取点云高度最大前5％-30％的平均值，A为5-40cm，车辆前视图的竖直区间宽度小于车辆侧视图的竖直区间宽度。
5.如权利要求1所述的车辆三维点云数据滤波方法，其特征在于，在车辆侧视图中，从车头向后搜索，根据所述统计信息找到车辆的真实尾部区间，删除真实尾部区间后面的所有点云；车辆真实尾部区间的判断需满足条件：(1)点云高度不足设定的高度阈值，点云数量少于设定的数量阈值，
(2)点云数量区间出现突降的位置，(3)向后搜索不再出现点云超过高度阈值和数量阈值。
6.如权利要求5所述的车辆三维点云数据滤波方法，其特征在于，所述高度阈值为车辆最高高度的0.5-0.65倍，所述数量阈值为所有区间点云数量超过10的区间降序排序，取倒数前20％区间的点云数量的均值作为数量阈值，或者以数量40作为数量阈值，两者以更大的值作为数量阈值；货车或挂车的车头与车厢的连接部位，符合所述条件(1)和条件(2)，但是不符合条件(3)。
7.如权利要求1所述的车辆三维点云数据滤波方法，其特征在于，在车辆前视图中，取车辆点云宽度方向的中间位置作为几何中点，根据设定的偏差阈值和波动阈值计算出真正中点；以真正中点向左右两边搜索，若某竖直区间内最大点云高度低于设定的前视阈值高度，则过滤掉该竖直区间更左或更右的所有点云。
8.如权利要求7所述的车辆三维点云数据滤波方法，其特征在于，激光雷达照射不到的一侧几乎没有噪声，几何中点向车辆的激光雷达照射到的一侧位移设定的偏差阈值作为无干扰中点，根据几何中点与无干扰中点的距离是否小于波动阈值，计算真正中点；所述偏差阈值为车辆前视图的5-15个竖直区间，波动阈值为0.1-0.5m，若几何中点与无干扰中点的距离小于波动阈值，则真正中点为几何中点与无干扰中点的平均值，若几何中点与无干扰中点的距离大于波动阈值，则真正中点为无干扰中点。
9.如权利要求8所述的车辆三维点云数据滤波方法，其特征在于，所述前视阈值高度为车辆最高高度的0.5-0.65倍或0.8m，两者以更大的值作为前视阈值高度。
CN202210473084.5A 2022-04-29 2022-04-29 一种车辆三维点云数据滤波方法 Active CN114812435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210473084.5A CN114812435B (zh) 2022-04-29 2022-04-29 一种车辆三维点云数据滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210473084.5A CN114812435B (zh) 2022-04-29 2022-04-29 一种车辆三维点云数据滤波方法

Publications (2)

Publication Number Publication Date
CN114812435A CN114812435A (zh) 2022-07-29
CN114812435B true CN114812435B (zh) 2023-10-20

Family

ID=82510535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210473084.5A Active CN114812435B (zh) 2022-04-29 2022-04-29 一种车辆三维点云数据滤波方法

Country Status (1)

Country Link
CN (1) CN114812435B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115876098B (zh) * 2022-12-12 2023-10-24 苏州思卡信息系统有限公司 一种多线束激光雷达的车辆尺寸测量方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226833A (zh) * 2013-05-08 2013-07-31 清华大学 一种基于三维激光雷达的点云数据分割方法
CN111291775A (zh) * 2018-12-07 2020-06-16 北京万集科技股份有限公司 车辆定位方法、设备及系统
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
CN111580131A (zh) * 2020-04-08 2020-08-25 西安邮电大学 三维激光雷达智能车在高速公路上识别车辆的方法
CN112199991A (zh) * 2020-08-27 2021-01-08 广州中国科学院软件应用技术研究所 一种应用于车路协同路侧感知的仿真点云滤波方法和系统
CN112432647A (zh) * 2020-11-09 2021-03-02 深圳市汇川技术股份有限公司 车厢的定位方法、装置、系统及计算机可读存储介质
CN112859088A (zh) * 2021-01-04 2021-05-28 北京科技大学 一种基于三维雷达的车辆位置信息获取方法及系统
WO2021142996A1 (zh) * 2020-01-13 2021-07-22 五邑大学 基于图像分割的点云去噪方法、系统、装置和存储介质
CN113156455A (zh) * 2021-03-16 2021-07-23 武汉理工大学 基于路侧多激光雷达感知的车定位系统、方法、装置和介质
CN113191459A (zh) * 2021-05-27 2021-07-30 山东高速建设管理集团有限公司 一种基于路侧激光雷达的在途目标分类方法
CN113514847A (zh) * 2020-04-10 2021-10-19 深圳市镭神智能系统有限公司 一种车辆外轮廓尺寸检测方法、系统及存储介质
CN114155720A (zh) * 2021-11-29 2022-03-08 上海交通大学 一种路侧激光雷达的车辆检测和轨迹预测方法
CN114399744A (zh) * 2021-12-24 2022-04-26 深圳市镭神智能系统有限公司 一种车型识别方法、装置、电子设备和存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226833A (zh) * 2013-05-08 2013-07-31 清华大学 一种基于三维激光雷达的点云数据分割方法
CN111291775A (zh) * 2018-12-07 2020-06-16 北京万集科技股份有限公司 车辆定位方法、设备及系统
WO2021142996A1 (zh) * 2020-01-13 2021-07-22 五邑大学 基于图像分割的点云去噪方法、系统、装置和存储介质
CN111580131A (zh) * 2020-04-08 2020-08-25 西安邮电大学 三维激光雷达智能车在高速公路上识别车辆的方法
CN113514847A (zh) * 2020-04-10 2021-10-19 深圳市镭神智能系统有限公司 一种车辆外轮廓尺寸检测方法、系统及存储介质
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
CN112199991A (zh) * 2020-08-27 2021-01-08 广州中国科学院软件应用技术研究所 一种应用于车路协同路侧感知的仿真点云滤波方法和系统
CN112432647A (zh) * 2020-11-09 2021-03-02 深圳市汇川技术股份有限公司 车厢的定位方法、装置、系统及计算机可读存储介质
CN112859088A (zh) * 2021-01-04 2021-05-28 北京科技大学 一种基于三维雷达的车辆位置信息获取方法及系统
CN113156455A (zh) * 2021-03-16 2021-07-23 武汉理工大学 基于路侧多激光雷达感知的车定位系统、方法、装置和介质
CN113191459A (zh) * 2021-05-27 2021-07-30 山东高速建设管理集团有限公司 一种基于路侧激光雷达的在途目标分类方法
CN114155720A (zh) * 2021-11-29 2022-03-08 上海交通大学 一种路侧激光雷达的车辆检测和轨迹预测方法
CN114399744A (zh) * 2021-12-24 2022-04-26 深圳市镭神智能系统有限公司 一种车型识别方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN114812435A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN110487562B (zh) 一种用于无人驾驶的车道保持能力检测系统及方法
CN106652468B (zh) 车辆道路前车违规检测和自车违规预警提醒装置及方法
CN101303735B (zh) 探测车辆盲点区域内运动物体的方法及盲点探测装置
CN110705543A (zh) 基于激光点云进行车道线识别的方法和系统
CN106679633B (zh) 一种车载测距系统及方法
US9262838B2 (en) Method and apparatus for detecting traffic video information
CN111880196A (zh) 一种无人矿车抗干扰方法、系统及计算机设备
CN114879160B (zh) 基于三维点云数据的铁轨异物入侵实时监测方法及系统
CN112597839B (zh) 基于车载毫米波雷达的道路边界检测方法
JP2018055597A (ja) 車種判別装置および車種判別方法
CN114812435B (zh) 一种车辆三维点云数据滤波方法
Yamazaki et al. Vehicle extraction and speed detection from digital aerial images
CN112101316B (zh) 一种目标检测方法及系统
Vaibhav et al. Real-time fog visibility range estimation for autonomous driving applications
US20220415057A1 (en) Object detection device, object detection system, mobile object, and object detection method
CN112836619A (zh) 嵌入式车载远红外行人检测方法、系统、设备及存储介质
CN113034378A (zh) 一种区分电动汽车与燃油汽车的方法
CN112526548A (zh) 一种基于测风激光雷达的降雨识别方法及装置
CN115308761A (zh) 使用LiDAR传感器跟踪对象的方法和装置以及记录介质
KR102414632B1 (ko) 다중 관측정보를 이용한 고정객체의 위치 결정 방법
CN114821499A (zh) 目标分类方法
JP7278915B2 (ja) 物体検出装置、物体検出システム、移動体及び物体検出方法
CN115656962B (zh) 一种基于毫米波雷达识别限高物体的方法
US20090297049A1 (en) Detection of partially occluded targets in ladar images
CN118276032A (zh) 一种数据处理方法和装置

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
GR01 Patent grant
GR01 Patent grant