CN104463217A - 基于激光雷达的路面类型识别方法及装置 - Google Patents
基于激光雷达的路面类型识别方法及装置 Download PDFInfo
- Publication number
- CN104463217A CN104463217A CN201410777090.5A CN201410777090A CN104463217A CN 104463217 A CN104463217 A CN 104463217A CN 201410777090 A CN201410777090 A CN 201410777090A CN 104463217 A CN104463217 A CN 104463217A
- Authority
- CN
- China
- Prior art keywords
- data
- road surface
- surface profile
- spatial frequency
- laser radar
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供了一种基于激光雷达的路面类型识别方法及装置,其中,所述路面类型识别方法包括:采集固定在车辆上的激光雷达输出的采样点的坐标数据和反射能量数据;根据所述坐标数据生成直角坐标形式的路面轮廓数据;对所述路面轮廓数据进行处理,生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据;对所述路面轮廓空间频率数据进行特征提取,生成路面轮廓特征数据;将所述路面轮廓特征数据和所述反射能量数据进行合并处理,生成分类器输入数据;将所述分类器输入数据输入至经过训练的分类器,从而得到路面分类结果。本发明基于激光雷达的路面类型识别方法与现有技术相比,提高了路面识别的范围和准确率。
Description
技术领域
本发明涉及路面类型识别技术,尤其涉及一种基于激光雷达的路面类型识别方法及装置。
背景技术
随着人们对汽车驾驶过程中安全性、舒适性要求的不断提高,路面识别技术凸显出尤为重要的作用和意义。现有技术中,路面类型识别方法一般采用图像处理技术,首先采集路面图像,其次利用图像处理技术对采集来的路面图像进行分析,从而得出路面类型的判断结果。
在实现上述发明的过程中,发明人发现现有技术中至少存在如下问题:在车速较快时,路面图像经常由于产生拖影而变得模糊,另外,车辆的行驶环境(例如夜间行车路面照明不足)也会影响路面图像的质量,从而导致识别的准确率不高。由于图像识别对象是道路表面的成像,所以对一些特殊路面不能反映其真实的颠簸特性。例如,落叶覆盖的柏油路(颠簸特性与无落叶的柏油路相同);薄雪覆盖的碎石路(颠簸特性与无积雪的碎石路相同)。因此该方法无法面对复杂的路面情况,识别范围有限。
发明内容
本发明的实施例提供一种基于激光雷达的路面类型识别方法及装置,以提高路面识别的范围和准确率。
为达到上述目的,本发明提供了一种基于激光雷达的路面类型识别方法,包括:数据采集步骤:采集固定在车辆上的激光雷达输出的采样点的坐标数据和反射能量数据;路面轮廓数据生成步骤:根据所述坐标数据生成直角坐标形式的路面轮廓数据;路面轮廓空间频率数据生成步骤:对所述路面轮廓数据进行处理,生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据;路面轮廓特征数据生成步骤:对所述路面轮廓空间频率数据进行特征提取,生成路面轮廓特征数据;分类器输入数据生成步骤:将所述路面轮廓特征数据和所述反射能量数据进行合并处理,生成分类器输入数据;分类器处理步骤:将所述分类器输入数据输入至经过训练的分类器,从而得到路面分类结果。
本发明还提供了一种基于激光雷达的路面类型识别装置,包括:数据采集模块,用于采集固定在车辆上的激光雷达输出的采样点的坐标数据和反射能量数据;路面轮廓数据生成模块,用于根据所述坐标数据生成直角坐标形式的路面轮廓数据;路面轮廓空间频率数据生成模块,用于对所述路面轮廓数据进行处理,生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据;路面轮廓特征数据生成模块,用于对所述路面轮廓空间频率数据进行特征提取,生成路面轮廓特征数据;分类器输入数据生成模块,用于将所述路面轮廓特征数据和所述反射能量数据进行合并处理,生成分类器输入数据;分类器处理模块,用于将所述分类器输入数据输入至经过训练的分类器,从而得到路面分类结果。
本发明的基于激光雷达的路面类型识别方法及装置,通过激光雷达采集坐标数据和反射能量数据,并对坐标数据进行处理生成路面轮廓特征数据,基于路面轮廓特征数据和反射能量数据,就能够对路面类型进行识别,从而提高了路面识别的范围和准确率。
附图说明
图1为本发明实施例的激光雷达的工作原理示意图;
图2为本发明实施例一的基于激光雷达的路面类型识别方法的流程示意图;
图3为激光雷达输出的采样点的坐标数据的转换原理示意图;
图4为本发明实施例二的基于激光雷达的路面类型识别装置的结构示意图。
标号说明:
1:激光雷达;2:激光扫描光束;3:支撑架。
具体实施方式
下面结合附图对本发明实施例基于激光雷达的路面类型识别方法及装置进行详细描述,但所举实施例不作为本发明的限定。
本发明的基于激光雷达的路面类型识别方法的技术原理是利用激光雷达对待识别路面进行扫描,采集激光雷达输出的采样点的坐标数据和反射能量数据,进而进行路面类型识别。
实施例一
如图1所示,其为本发明实施例的激光雷达的工作原理示意图,激光雷达1通过支撑架3固定在车辆上,但不限于图1中示出的安装方式,还可以有很多安装方式,例如激光雷达可以安装于车辆前方,使激光光束扫描车辆前方的路面。其工作原理如下:激光雷达沿z轴方向垂直与x-y的平面扫描,能够在x-z平面内得到一个扫描面,该扫描面中包含多条激光扫描光束2,或者说能够在x轴方向上得到连续测距的点。例如车辆沿y轴方向行驶,则激光雷达能够以固定的扫描频率对待识别路面进行扫描,从而得到大量具有空间坐标信息的离散的采样点,这些采样点即可还原道路表面的空间信息。在实际应用中,激光雷达能够给出采样点的采样间隔角度以及距离值,即极坐标数据,也可以直接给出采样点的经换算后的直角坐标数据。
基于图1的工作原理,并参阅图2,本发明实施例一的基于激光雷达的路面类型识别方法包括:
数据采集步骤201:采集固定在车辆上的激光雷达输出的采样点的坐标数据和反射能量数据。具体地,根据激光雷达的工作原理可以获知激光雷达可输出采样点的坐标数据,另外,根据激光雷达的型号不同,其输出的数据中除包含每个采样点的坐标数据外,还可以包含有每个采样点对应的反射能量数据。因为对于不同的被测物体表面,不同材料对激光光束的漫反射能力是不同的,所以激光雷达所能测量到的反射能量大小也是不一样的。因此,采样点的反射能量数据可以作为待识别路面的另一种特征值的来源。
路面轮廓数据生成步骤202:根据坐标数据生成直角坐标形式的路面轮廓数据。具体地,如果激光雷达输出的采样点的坐标数据为极坐标形式,就需要将采样点的坐标数据由极坐标形式转化成直角坐标形式,进而生成直角坐标形式的路面轮廓数据。
路面轮廓空间频率数据生成步骤203:对路面轮廓数据进行处理,生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据。
路面轮廓特征数据生成步骤204:对路面轮廓空间频率数据进行特征提取,生成路面轮廓特征数据。
分类器输入数据生成步骤205:将路面轮廓特征数据和反射能量数据进行合并处理,生成分类器输入数据。
分类器处理步骤206:将分类器输入数据输入至经过训练的分类器,从而得到路面分类结果。
本发明的基于激光雷达的路面识别方法,通过激光雷达采集坐标数据和反射能量数据,并对坐标数据进行处理生成路面轮廓特征数据,基于路面轮廓特征数据和反射能量数据,就能够对路面类型进行识别,与现有技术相比,本发明的路面识别方法的路面识别范围和准确率更高。
进一步地,该方法还可以包括数据校正步骤:采集与激光雷达联动的加速度传感器输出的加速度数据,利用该加速度数据计算激光雷达在竖直方向上的振动位移,利用该振动位移对路面轮廓数据或者坐标数据进行校正。
具体的,可在车辆上同时安装加速度传感器,用来测量激光雷达在竖直方向上的加速度数据,从而解算(两次积分)出激光雷达的振动位移。将采样点的坐标数据或者路面轮廓数据与该振动位移进行加法或减法运算,能够去除掉激光雷达在车辆行驶过程中上下振动所产生的测量误差,获得更加准确的数据,从而使得路面识别的准确率更高。
进一步地,激光雷达输出的采样点的坐标数据可以是极坐标形式,如图3所示,其为激光雷达输出的采样点的坐标数据的转换原理示意图,结合图3所示的原理,路面轮廓数据生成步骤202可以具体包括:将采样点的坐标数据由极坐标形式转化成直角坐标形式,可以采用下式(1)和式(2)计算采样点在直角坐标系下的横向坐标值xi和纵向坐标值zi:
xi=ri sin(θi)……………………………………………………………………式(1)
zi=H-ri cos(θi)………………………………………………………………式(2)
其中,i为激光雷达的采样点的序号,ri为激光雷达的采样点的极坐标数据,θi为激光光束与激光雷达垂直于地面方向的夹角,H为激光雷达相对于平整地面的绝对安装高度,所述直角坐标系的圆心位于激光雷达的激光发射点,xi为采样点相对于激光发射点的横向坐标,zi为采样点相对于激光发射点的纵向坐标。通过对采样点的坐标数据的处理生成路面轮廓数据,更直接地体现了路面表面的状况。
进一步地,路面轮廓空间频率数据生成步骤203可以具体包括:以水平位移间隔S为单位,将路面轮廓数据进行分段,生成n个路面轮廓数据样本;使用Lomb算法分别对n个路面轮廓数据样本进行处理,生成包含n个横轴为空间频率、纵轴为空间频率分量的子路面轮廓空间频率数据的路面轮廓空间频率数据。
其中,由于激光雷达的采样点在x轴上是不等距的,这是由于激光雷达扫描连续点的极坐标角是相等的,经几何换算这些点在x轴上间距则一定不是等距的。使用Lomb算法是为了将每条扫描线(相当于路面轮廓数据样本)在x轴上的采样点等距分布。因此,Lomb算法实际上是一种针对非均匀采样数据的功率谱估计方法。具体地,在本发明实施例中引入了空间频率的概念,其实质上就是针对横轴为采样点相对于激光发射点的横向坐标、纵轴为采样点相对于激光发射点的纵向坐标的路面轮廓数据进行傅里叶变换的操作。因此,对n个路面轮廓数据样本进行Lomb算法处理后,便生成了路面轮廓空间频率数据,从而为路面轮廓特征数据的生成提供数据基础。
进一步地,路面轮廓特征数据生成步骤204可以具体包括:根据预先设定的起始频率、步距频率和终止频率,计算每个子路面轮廓空间频率数据内,从起始频率开始、到终止频率为止,每段步距频率内对应的空间频率分量的和。例如,预先设定起始频率为0Hz,步距频率为1Hz,终止频率为150Hz,使用起始频率、步距频率和终止频率这3个参数对获得的曲线进行分段积分,亦即计算从0Hz到1Hz(x轴从数值从0至1)、1Hz到2Hz……的y轴空间频率分量进行分段积分。从而生成n个子路面轮廓空间频率特征数据,子路面轮廓空间频率特征数据包含m个空间频率分量的和。
将n个子路面轮廓空间频率特征数据进行组合,生成第一路面轮廓特征矩阵Y1:
其中,第一路面轮廓特征矩阵Y1中的每一列对应于一个子路面轮廓空间频率特征数据,第一路面轮廓特征矩阵Y1中的每一个元素对应于一个空间频率分量的和。例如,0Hz到1Hz内(相当于x轴的数值从0至1)对应的y轴空间频率分量之和(相当于y轴的所有对应数值的和)作为矩阵Y1的第一列第一行ys1,f1,1Hz至2Hz内对应的空间频率分量之和作为第一列第二行ys1,f2,以此类推,最终生成第一路面轮廓特征矩阵Y1。
进一步地,前述激光雷达的输出数据中除包含每个采样点的坐标数据外,还可以包含有每个采样点对应的反射能量数据。因此,为了提高路面识别的准确率和范围,采样点的反射能量数据可作为待识别路面的另一种特征值的来源,具体地,反射能量数据可以为第一反射能量特征矩阵Y2:
其中,路面轮廓特征矩阵Y2中的每一列对应于一个路面轮廓数据样本,第一反射能量特征矩阵Y2中的每一个元素对应于激光雷达的采样点的反射能量数值。
进一步地,该方法还可以包括数据归一化步骤:对第一路面轮廓特征矩阵Y1和第一反射能量特征矩阵Y2进行归一化处理。
需要说明的是,上述数据归一化步骤是为了执行分类器输入数据生成步骤205中方便两个矩阵进行合并处理,从而生成最终的特征矩阵,用来执行步骤206。
进一步地,数据归一化步骤可以具体包括:
将第一路面轮廓特征矩阵Y1中数值最大的元素设定为1,数值最小的元素设定为0,介于数值最大和数值最小之间的元素成比例设定为0和1之间的数值,从而得到第二路面轮廓特征矩阵Y1'。
同理,对第一反射能量特征矩阵Y2做相同的处理,将第一反射能量特征矩阵Y2中数值最大的元素设定为1,数值最小的元素设定为0,介于数值最大和数值最小之间的元素成比例设定为0和1之间的数值,从而得到第二反射能量特征矩阵Y2'。
进一步地,分类器输入数据生成步骤205可以具体包括:将第二路面轮廓特征矩阵Y1'和第二反射能量特征矩阵Y2'在垂直方向上拼接在一起,生成分类器输入特征矩阵Y3:
具体地,Y3的每列对应每条扫描线的特征,每条扫描线的特征中包含了路面轮廓特征以及反射能量特征,可将上述步骤中的Y3输入至经过训练的分类器,从而得到路面分类结果。
本发明实施例中,上述提到的分类器是已经过训练的分类器。在此仅结合本发明实施例对分类器的训练过程及测试过程做简单说明:
训练阶段:驾驶安装了激光雷达的车辆在已知类型路面(例如沥青路面、碎石路面、草地路面、沙子路面等)行驶,并将激光雷达的每条扫描线所对应的路面类型告知分类器,从而使分类器识别已知路面类型。
测试阶段:将未知的用于测试的特征矩阵输入给分类器用于测试,则分类器将输出路面分类结果。
本发明实施例的路面类型识别方法,是处于测试阶段的处理流程。可采用如下方式对分类器进行测试:安装有激光雷达的车辆在未知类型路面行驶,则能够对每条扫描线输出一个路面类型结果,从而达到路面类型识别的目的。
实施例二
如图4所示,其为本发明实施例二的基于激光雷达的路面类型识别装置的结构示意图,其包括:数据采集模块401,用于采集固定在车辆上的激光雷达输出的采样点的坐标数据和反射能量数据;路面轮廓数据生成模块402,用于根据坐标数据生成直角坐标形式的路面轮廓数据;路面轮廓空间频率数据生成模块403,用于对路面轮廓数据进行处理,生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据;路面轮廓特征数据生成模块404,用于对路面轮廓空间频率数据进行特征提取,生成路面轮廓特征数据;分类器输入数据生成模块405,用于将路面轮廓特征数据和反射能量数据进行合并处理,生成分类器输入数据;分类器处理模块406,用于将分类器输入数据输入至经过训练的分类器,从而得到路面分类结果。
本发明的基于激光雷达的路面识别装置,通过激光雷达采集坐标数据和反射能量数据,并对坐标数据进行处理生成路面轮廓特征数据,基于路面轮廓特征数据和反射能量数据,就能够对路面类型进行识别,与现有技术相比,本发明的路面识别方法的路面识别范围和准确率更高。
进一步地,为了去除掉激光雷达在车辆行驶过程中上下振动所产生的测量误差,能够使得路面识别的准确率更高。该装置还可以包括:
数据校正模块,用于采集与激光雷达联动的加速度传感器输出的加速度数据,利用该加速度数据计算激光雷达在竖直方向上的振动位移,利用该振动位移对路面轮廓数据或者所述坐标数据进行校正。
进一步地,路面轮廓空间频率数据生成模块403可以包括:
路面轮廓数据样本分割单元,用于以水平位移间隔S为单位,将路面轮廓数据进行分段,生成n个路面轮廓数据样本;
Lomb算法处理单元,用于使用Lomb算法分别对n个路面轮廓数据样本进行处理,生成包含n个横轴为空间频率、纵轴为空间频率分量的子路面轮廓空间频率数据的路面轮廓空间频率数据。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于激光雷达的路面类型识别方法,其特征在于,所述方法包括:
数据采集步骤:采集固定在车辆上的激光雷达输出的采样点的坐标数据和反射能量数据;
路面轮廓数据生成步骤:根据所述坐标数据生成直角坐标形式的路面轮廓数据;
路面轮廓空间频率数据生成步骤:对所述路面轮廓数据进行处理,生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据;
路面轮廓特征数据生成步骤:对所述路面轮廓空间频率数据进行特征提取,生成路面轮廓特征数据;
分类器输入数据生成步骤:将所述路面轮廓特征数据和所述反射能量数据进行合并处理,生成分类器输入数据;
分类器处理步骤:将所述分类器输入数据输入至经过训练的分类器,从而得到路面分类结果。
2.根据权利要求1所述的方法,其特征在于,所述激光雷达输出的采样点的坐标数据为极坐标形式,在所述路面轮廓数据生成步骤中,所述根据所述坐标数据生成直角坐标形式的路面轮廓数据具体为:
将所述采样点的坐标数据由极坐标形式转化成直角坐标形式,利用下式实现:
xi=ri sin(θi),zi=H-ri cos(θi)
其中,i为激光雷达的采样点的序号,ri为激光雷达的采样点的极坐标数据,θi为激光光束与激光雷达垂直于地面方向的夹角,H为激光雷达相对于平整地面的绝对安装高度,所述直角坐标系的圆心位于激光雷达的激光发射点,xi为采样点相对于激光发射点的横向坐标,zi为采样点相对于激光发射点的纵向坐标。
3.根据权利要求1所述的方法,其特征在于,所述路面轮廓空间频率数据生成步骤具体为:
以水平位移间隔S为单位,将所述路面轮廓数据进行分段,生成n个路面轮廓数据样本;
使用Lomb算法分别对所述n个路面轮廓数据样本进行处理,生成包含n个横轴为空间频率、纵轴为空间频率分量的子路面轮廓空间频率数据的路面轮廓空间频率数据。
4.根据权利要求3所述的方法,其特征在于,所述路面轮廓特征数据生成步骤具体为:
根据预先设定的起始频率、步距频率和终止频率,计算每个子路面轮廓空间频率数据内,从所述起始频率开始、到所述终止频率为止,每段步距频率内对应的空间频率分量的和,从而生成n个子路面轮廓空间频率特征数据,所述子路面轮廓空间频率特征数据包含m个空间频率分量的和;
将所述n个子路面轮廓空间频率特征数据进行组合,生成所述第一路面轮廓特征矩阵Y1:
其中,所述第一路面轮廓特征矩阵Y1中的每一列对应于一个所述子路面轮廓空间频率特征数据,所述第一路面轮廓特征矩阵Y1中的每一个元素对应于一个所述空间频率分量的和。
5.根据权利要求4所述的方法,其特征在于,所述反射能量数据具体为第一反射能量特征矩阵Y2:
其中,所述路面轮廓特征矩阵Y2中的每一列对应于一个路面轮廓数据样本,所述第一反射能量特征矩阵Y2中的每一个元素对应于激光雷达的采样点的反射能量数值。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
数据归一化步骤:对所述第一路面轮廓特征矩阵Y1和所述第一反射能量特征矩阵Y2进行归一化处理。
7.根据权利要求6所述的方法,其特征在于,所述数据归一化步骤具体为:
将所述第一路面轮廓特征矩阵Y1中数值最大的元素设定为1,数值最小的元素设定为0,介于数值最大和数值最小之间的元素成比例设定为0和1之间的数值,从而得到所述第二路面轮廓特征矩阵Y1';
将所述第一反射能量特征矩阵Y2中数值最大的元素设定为1,数值最小的元素设定为0,介于数值最大和数值最小之间的元素成比例设定为0和1之间的数值,从而得到所述第二反射能量特征矩阵Y2'。
8.根据权利要求7所述的方法,其特征在于,所述分类器输入数据生成步骤具体为:
将所述第二路面轮廓特征矩阵Y1'和所述第二反射能量特征矩阵Y2'在垂直方向上拼接在一起,生成分类器输入特征矩阵Y3:
9.一种基于激光雷达的路面类型识别装置,其特征在于,所述装置包括:
数据采集模块,用于采集固定在车辆上的激光雷达输出的采样点的坐标数据和反射能量数据;
路面轮廓数据生成模块,用于根据所述坐标数据生成直角坐标形式的路面轮廓数据;
路面轮廓空间频率数据生成模块,用于对所述路面轮廓数据进行处理,生成横轴为空间频率、纵轴为空间频率分量的路面轮廓空间频率数据;
路面轮廓特征数据生成模块,用于对所述路面轮廓空间频率数据进行特征提取,生成路面轮廓特征数据;
分类器输入数据生成模块,用于将所述路面轮廓特征数据和所述反射能量数据进行合并处理,生成分类器输入数据;
分类器处理模块,用于将所述分类器输入数据输入至经过训练的分类器,从而得到路面分类结果。
10.根据权利要求9所述的装置,其特征在于,所述路面轮廓空间频率数据生成模块包括:
路面轮廓数据样本分割单元,用于以水平位移间隔S为单位,将所述路面轮廓数据进行分段,生成n个路面轮廓数据样本;
Lomb算法处理单元,用于使用Lomb算法分别对所述n个路面轮廓数据样本进行处理,生成包含n个横轴为空间频率、纵轴为空间频率分量的子路面轮廓空间频率数据的路面轮廓空间频率数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410777090.5A CN104463217A (zh) | 2014-12-15 | 2014-12-15 | 基于激光雷达的路面类型识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410777090.5A CN104463217A (zh) | 2014-12-15 | 2014-12-15 | 基于激光雷达的路面类型识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104463217A true CN104463217A (zh) | 2015-03-25 |
Family
ID=52909231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410777090.5A Pending CN104463217A (zh) | 2014-12-15 | 2014-12-15 | 基于激光雷达的路面类型识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463217A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835327A (zh) * | 2015-06-01 | 2015-08-12 | 北京经纬恒润科技有限公司 | 一种识别路面信息的方法及装置 |
CN106295505A (zh) * | 2016-07-25 | 2017-01-04 | 江苏中路新材料科技发展有限公司 | 路面使用过程中的状态测定系统 |
CN106502242A (zh) * | 2015-09-07 | 2017-03-15 | 深圳市朗驰欣创科技有限公司 | 一种自动导引车的运行路面检测系统及方法 |
CN110114692A (zh) * | 2016-12-29 | 2019-08-09 | 华为技术有限公司 | 一种地面环境的检测方法和装置 |
CN110108655A (zh) * | 2019-05-23 | 2019-08-09 | 桂林电子科技大学 | 一种道路路面状况检测方法及检测系统 |
CN112083434A (zh) * | 2020-09-09 | 2020-12-15 | 上海有个机器人有限公司 | 一种基于激光的机器人检测方法以及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050047663A1 (en) * | 2002-06-28 | 2005-03-03 | Keenan Daniel M. | Spectral mixture process conditioned by spatially-smooth partitioning |
CN102254161A (zh) * | 2011-07-15 | 2011-11-23 | 王世峰 | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 |
CN102289674A (zh) * | 2011-07-15 | 2011-12-21 | 王世峰 | 基于垂直加速度及路面图像的路面类型识别方法及装置 |
-
2014
- 2014-12-15 CN CN201410777090.5A patent/CN104463217A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050047663A1 (en) * | 2002-06-28 | 2005-03-03 | Keenan Daniel M. | Spectral mixture process conditioned by spatially-smooth partitioning |
CN102254161A (zh) * | 2011-07-15 | 2011-11-23 | 王世峰 | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 |
CN102289674A (zh) * | 2011-07-15 | 2011-12-21 | 王世峰 | 基于垂直加速度及路面图像的路面类型识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
SHIFENG WANG: "Multiple-Sensor Based Approach for Road Terrain Classification", 《HTTPS://OPUS.LIB.UTS.EDU.AU/HANDLE/10453/24109》 * |
SHIFENG WANG等: "Multiple Sensor Based Terrain Classification", 《PROCEEDINGS OF AUSTRALASIAN CONFERENCE ON ROBOTICS AND AUTOMATION》 * |
SHIFENG WANG等: "Road Terrain Type Classification based on Laser Measurement System Data", 《PROCEEDINGS OF AUSTRALASIAN CONFERENCE ON ROBOTICS AND AUTOMATION》 * |
SHIFENG WANG等: "Towards speed-independent road-type classification", 《INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION, ROBOTICS & VISION》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835327A (zh) * | 2015-06-01 | 2015-08-12 | 北京经纬恒润科技有限公司 | 一种识别路面信息的方法及装置 |
CN104835327B (zh) * | 2015-06-01 | 2017-03-08 | 北京经纬恒润科技有限公司 | 一种识别路面信息的方法及装置 |
CN106502242A (zh) * | 2015-09-07 | 2017-03-15 | 深圳市朗驰欣创科技有限公司 | 一种自动导引车的运行路面检测系统及方法 |
CN106502242B (zh) * | 2015-09-07 | 2023-02-28 | 深圳市朗驰欣创科技股份有限公司 | 一种自动导引车的运行路面检测系统及方法 |
CN106295505A (zh) * | 2016-07-25 | 2017-01-04 | 江苏中路新材料科技发展有限公司 | 路面使用过程中的状态测定系统 |
CN110114692A (zh) * | 2016-12-29 | 2019-08-09 | 华为技术有限公司 | 一种地面环境的检测方法和装置 |
CN110114692B (zh) * | 2016-12-29 | 2021-09-17 | 华为技术有限公司 | 一种地面环境的检测方法和装置 |
US11455511B2 (en) | 2016-12-29 | 2022-09-27 | Huawei Technologies Co., Ltd. | Ground environment detection method and apparatus |
CN110108655A (zh) * | 2019-05-23 | 2019-08-09 | 桂林电子科技大学 | 一种道路路面状况检测方法及检测系统 |
CN110108655B (zh) * | 2019-05-23 | 2022-01-11 | 桂林电子科技大学 | 一种道路路面状况检测方法及检测系统 |
CN112083434A (zh) * | 2020-09-09 | 2020-12-15 | 上海有个机器人有限公司 | 一种基于激光的机器人检测方法以及装置 |
CN112083434B (zh) * | 2020-09-09 | 2023-12-29 | 上海有个机器人有限公司 | 一种基于激光的机器人检测方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463217A (zh) | 基于激光雷达的路面类型识别方法及装置 | |
CN104408442A (zh) | 加速度传感器校正的激光雷达的路面类型识别方法及装置 | |
CN102254161B (zh) | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 | |
CN104164829B (zh) | 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统 | |
CN102463990B (zh) | 用于跟踪物体的系统和方法 | |
CN107392103A (zh) | 路面车道线的检测方法及装置、电子设备 | |
CN107796373B (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
CN104965202A (zh) | 障碍物探测方法和装置 | |
CN105109484A (zh) | 目标障碍物体确定方法及装置 | |
CN104569998A (zh) | 基于激光雷达的车辆安全行驶区域的检测方法及装置 | |
CN104597453A (zh) | 惯性测量装置校正的车辆安全行驶区域检测方法及装置 | |
CN103279759A (zh) | 一种基于卷积神经网络的车辆前方可通行性分析方法 | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN102289674B (zh) | 基于垂直加速度及路面图像的路面类型识别方法及装置 | |
CN110031829A (zh) | 一种基于单目视觉的目标精准测距方法 | |
CN104408443B (zh) | 多传感器辅助的基于激光雷达的路面类型识别方法及装置 | |
CN103499337A (zh) | 一种基于立式标靶的车载单目摄像头测距测高装置 | |
CN105069859A (zh) | 车辆行驶状态监测方法和装置 | |
WO2020133415A1 (en) | Systems and methods for constructing a high-definition map based on landmarks | |
CN105528815A (zh) | 一种车辆行驶轨迹调整方法及车辆行驶轨迹调整系统 | |
CN105740505A (zh) | 一种基于gps-rtk技术的道路空间线形恢复方法 | |
CN106546260A (zh) | 一种移动测量数据的纠正方法及系统 | |
Tatebe et al. | Pedestrian detection from sparse point-cloud using 3DCNN | |
CN104392245A (zh) | 多传感器融合的路面类型识别方法及装置 | |
Wang et al. | Two-stage road terrain identification approach for land vehicles using feature-based and markov random field algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150325 |
|
RJ01 | Rejection of invention patent application after publication |