CN108828608B - 车辆检测方法中激光雷达背景数据滤除方法 - Google Patents
车辆检测方法中激光雷达背景数据滤除方法 Download PDFInfo
- Publication number
- CN108828608B CN108828608B CN201810274834.XA CN201810274834A CN108828608B CN 108828608 B CN108828608 B CN 108828608B CN 201810274834 A CN201810274834 A CN 201810274834A CN 108828608 B CN108828608 B CN 108828608B
- Authority
- CN
- China
- Prior art keywords
- points
- background
- vehicle
- frame
- point
- 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
Links
Images
Classifications
-
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
车辆检测方法中激光雷达背景数据滤除方法,涉及车辆检测领域中激光雷达数据的处理方法。解决了现有采用雷达检测车辆的技术中存在的需要采集底面数据以及由于采集数据的区域的底面物体导致无法准确检测到车辆的问题。本发明包括S0选取背景帧;S1将背景帧的数据与目标帧的数据融合;S2将背景帧点与目标帧点关联,S3根据S2中关联完成的2个背景帧点和目标帧点之间欧式距离的关系标记车辆点;S4遗漏点提取,遍历未标记的目标帧点根据点的水平角度值进一步标记车辆点;S5判断n与阈值n0之间的关系,进一步对未标记的目标帧点进行判断;S6噪声点去除;S7准确率提高,选取多个背景帧与目标帧进行S2‑S6的操作,并取交集作为滤除结果。
Description
技术领域
本发明涉及激光雷达技术在车辆检测领域的应用,属于车辆检测技术领域。
背景技术
研究交通行为可以有效的减少交通事故,缩短旅行时间。目前人们主要是通过建模和通过采集地磁、图像等宏观的数据对交通行为进行研究。虽然这两种传统的方法在一定程度上能够较好的研究交通行为,推进交通的发展。
但是随着激光雷达技术的出现,由于激光雷达采集数据的速度快、实时性好的优点,在交通领域中、被广泛的应用于对动态车辆的检测中。目前应用激光雷达进行车辆检测的主要有两大类:栅格法和分割法,其中:
栅格法,是通过建立地面2D栅格,并对每一个栅格进行地面高度值插值,对高出对应栅格的地面高度一定阈值的点进行分类判断是否为车辆还是其他物体。该种方法需提取地面数据,在数据处理过程中,首先需要对点云空间进行栅格划分,然后计算出每个栅格的地面高度值。该种方法的栅格大小会直接影响算法效果,且容易受道路交通设施的影响,例如:红绿灯、交通道路标志牌等,都会直接影响其所在栅格的地面高度,进而影响数据分析的准确性。
分割法,直接通过特征提取对点云进行划分,然后对划分出来的每一个类别利用车辆的尺寸形状等特征判断是否为车辆。该种方法与栅格法相比较的优点在于无需提取地面数据,但是仍存在与栅格法一样的问题,就是都需要将车辆与地面其他物体(如交通设施、建筑物)进行区分,车辆检测效果取决于算法中对车辆的特征的提取,但由于在实际情况中存在遮挡等因素,因此经常会存在激光雷达检测到的并不是整个车辆的情况出现,针对该种情况,采用该方法检测车辆必然会存在遗漏。
发明内容
本发明的目的是解决现有采用雷达检测车辆的技术中存在的需要采集底面数据以及由于采集数据的区域的底面物体导致无法准确检测到车辆的问题。
本发明所述的车辆检测方法中激光雷达背景数据滤除方法是一种基于光的直线传播特性来实现的,所述激光雷达背景数据滤除方法为:
S0:在雷达采集的数据帧中选取背景帧,所述背景帧中无车辆或在兴趣区域中无车辆;
S1:将背景帧的数据与目标帧的数据融合,先按照激光束的序号laser_id排序,再对每一个激光束laser_id的点按照水平角度排序,此时背景帧点与目标帧点交错分布;
S2:将背景帧点与目标帧点关联,
Case(n)为两个背景帧点之间所含有的目标帧点的个数为n的情况;
0f表示前一个背景帧点;0l表示后一个背景帧点;1f表示前一个目标帧点;1l表示后一个目标帧点;
当这两个背景帧点满足条件:
将前一个背景帧点与前一个目标帧点关联,相对应地,后一个背景帧点与后一个目标帧点关联;θ0表示单个激光束的水平角度分辨率;表示前一个背景帧点的水平角度值,表示后一个背景帧点的水平角度值;表示前一个背景帧点的与激光雷达之间的欧式距离值,表示后一个背景帧点的与激光雷达之间的欧式距离值;ρ(id)表示序号为id的激光束的两点之间距离分辨率;
S3:车辆点判断;当S2中关联完成的2个背景帧点和目标帧点满足条件:
S4:遗漏点提取;对目标帧中所有未标记的目标帧点进行遍历,p0为未标记的目标帧点,即:非车辆点,当p0满足条件:
则,标记p0为车辆点p1;
S5:遍历未标记的所有目标点中,判断n是否满足n>n0,当满足该条件时,直接判断两背景帧点之间的目标帧点为车辆点;所述n0为设定的阈值,完成背景数据滤除。
所述激光雷达背景数据滤除方法中,S0中所述选取背景帧是通过veloview应用程序实现。所述Veloview应用程序是一种Kitware和Velodyne联合发布开源的海量点云数据可视化软件。
上述兴趣区域是指在激光雷达采集区域中指定的、需要进行数据分析的区域。该种情况针对检测区域存在非车辆行进的区域的情况,该种情况,可以将有车辆行进的区域划定出来,仅仅针对该区域进行数据分析,节省数据分子资源和数据分析时间。
上述S5中的阈值n0取值为:单个激光束打在车辆上的最少点数。
步骤S5中的阈值n0根据激光雷达的高度h及对Case(n)分布情况确定。
根据权利要求1所述的激光雷达背景数据滤除方法,其特征在于,激光雷达高度h为2.8米,激光雷达检测范围为100米,单个激光束相邻两点的距离为0.35米,n0取值4。
上述激光雷达背景数据滤除方法中,还可以包括:
S6:噪声点去除;根据上文对激光雷达工作原理及数据特征的分析,去除S5步骤所得点中被标记的点。即去除激光雷达的数据集中返回模式值为非0的点。
上述激光雷达背景数据滤除方法中,还可以包括:
S7:准确率提高;由于激光雷达的震动及原始数据的缺失,很难找到绝对完美的背景帧。若背景帧中缺失了该有的静态物体点,则在对目标帧数据进行处理时,会留下部分非车辆点。选取多个背景帧与目标帧进行S2-S6的操作,并取交集作为滤除结果,可以有效提高准确率。
上述方法中所述的背景帧是指没有车辆或行人的帧,背景帧点是指组成单个背景帧的所有点,静态物体点是指组成道路空间中地面,建筑,树木,道路基础设施等静态物体的点;目标帧是指有移动车辆或行人的帧,目标帧点是指目标阵中的点,车辆点是指组成车辆的点。
本发明所述的车辆检测方法中激光雷达背景数据滤除方法,是通过利用光的直线传播规律和对激光雷达本身的分析实现的,在不需要地面提取的前提下,就能够实现对背景数据的滤除、直接提取车辆点。
本发明所述的雷达可以采用16线激光雷达VLP-16进行数据采集,能够准确获得交通中微观的高精度信息。在实际应用中,将激光雷达水平放置于路边,对整个空间进行数据采集,从而得到庞大的点云数据。采集得到的数据包含了这个场景中的所有数据信息,进而更准确的获得车辆和行人的数据。
附图说明
图1是一幅激光雷达采集的图像,图中包括了目标帧点和背景帧点。
图2是激光雷达工作在双重模式下的原理示意图。
图3是激光雷达工作在双重模式下采集获得实际应用数据点云。
图4是背景帧点与目标帧点分布特点示意图。
图5中区域1,2,3处,激光雷达发射的激光在此处由于角度及到达距离大于激光雷达的检测范围无法返回数据。
图6是随机选取连续的11000帧目标帧与单个背景帧叠加后,获得的数据分布情况及概率。
图7是实施案例中雷达布置的现场的实际图像。
图8和9实施案例中选取单个背景帧,对2690帧目标帧进行背景滤除获得的结果,其中,图8是滤除背景之后的俯视图,图9的X轴和Y轴与激光雷达在检测时自身构建的笛卡尔坐标系的X轴和Y轴一致。
图10是实施案例中选取多个背景帧滤除的结果。
图11是实施案例中,雷达采集的第12660帧原始点云数据,图中的框内为道路空间,长100m,宽30m。图12是在未框定道路空间前提下对图11数据处理的实验结果,图13是在框定道路空间的前提下对图11数据处理的实验结果。
具体实施方式
下面给出给出实现本发明的具体方法:结合附图详细说明本发明的技术方案和工作原理;列出发明人认为本发明的创造性所在,以及希望保护的要点。
本实施方式所述的车辆检测方法中激光雷达背景数据滤除方法为:
S0:在雷达采集的数据帧中选取背景帧,所述背景帧中无车辆或在兴趣区域中无车辆;
所述雷达可以采用16线3D激光雷达VLP-16。该种激光雷达成本更低,可以大规模生产。同时,它保留了Velodyne激光雷达的突破性的关键特点:实时、全方位3D数据采集和测量,该激光雷达的测量距离半径可达100米。Velodyne的VLP-16支持16个通道的数据采集,水平视场360°,垂直视场30°,上下±15°。VLP-16没有明显的外部旋转部件(旋转部分在内部),使得在具有挑战性的环境中,具有高度适应性。
所述Veloview应用程序是一种Kitware和Velodyne联合发布开源的海量点云数据可视化软件,是一种常用的激光雷达数据处理的工具软件。
所述的兴趣区域是指在激光雷达采集区域中指定的、需要进行数据分析的区域。
S1:将背景帧的数据与目标帧的数据融合,先按照激光束的序号laser_id排序,再对每一个激光束laser_id的点按照水平角度排序,此时背景帧点与目标帧点交错分布;
S2:将背景帧点与目标帧点关联,
Case(n)为两个背景帧点之间所含有的目标帧点的个数为n的情况;
0f表示前一个背景帧点;0l表示后一个背景帧点;1f表示前一个目标帧点;1l表示后一个目标帧点;
当这两个背景帧点满足条件:
将前一个背景帧点与前一个目标帧点关联,相对应地,后一个背景帧点与后一个目标帧点关联;θ0表示单个激光束的水平角度分辨率;表示前一个背景帧点的水平角度值,表示后一个背景帧点的水平角度值;表示前一个背景帧点的与激光雷达之间的欧式距离值,表示后一个背景帧点的与激光雷达之间的欧式距离值;ρ(id)表示序号为id的激光束的两点之间距离分辨率;
S3:车辆点判断;当S2中关联完成的2个背景帧点和目标帧点满足条件:
S4:遗漏点提取;对目标帧中所有未标记的目标帧点进行遍历,p0为未标记的目标帧点,即:非车辆点,当p0满足条件:
则,标记p0为车辆点p1;
该步骤是对S3的进一步补充,S3中的条件较为苛刻,且实际情况中点与点之间距离上分布复杂,有些点虽然是车辆点,但由于没有相应的背景帧点与之关联,导致采用S3无法判定其是否是车辆点,因此增加该步骤进而对S3剩余的点继续进行分析,进而更正确的提出车辆点。
S5:遍历未标记的所有目标点中,判断n是否满足n>n0,当满足该条件时,直接判断两背景帧点之间的目标帧点为车辆点;所述n0为设定的阈值,完成背景数据滤除。
如图5所示,图中区域1,2,3为检测盲区,此类区域出现的车辆点必定找不到背景帧点与之关联判断,因此,增加该步骤对该区域的目标点进行判断。判断方法就是判断n与n0之间的关系,进而直接判断两背景帧点之间的目标帧点为车辆点。阈值n0选取取决于激光雷达放置的高度h及对Case(n)分布情况的分析,一般阈值n0根据单个激光打在同一辆车辆上的最少点数来确定。例如:当激光雷达放置的高度h=2.8m及对Case(n)分布情况的分析,此时雷达检测范围是100m,当车辆刚刚进入或离开该检测范围时,单个激光束的相邻两点的距离为0.35m,此时根据车辆的外形可以估算出打在车上的点为4个左右,该种情况下阈值n0建议取值为4。
本实施方式所述的激光雷达背景数据滤除方法还可以包括:S6:噪声点去除;去除激光雷达的数据集中返回模式值为非0的点。
本实施方式所述的激光雷达背景数据滤除方法还可以包括:S7:准确率提高;选取多个背景帧与目标帧进行S2-S6的操作,并取交集作为滤除结果。该处理方法可以有效的提高背景数据滤除的准确率,具体选择的背景帧与目标帧的个数,根据实际情况来确定。
在实际的车辆检测方法中,存在激光雷达的震动及原始数据的缺失的情况,在该种情况下很难找到绝对完美的背景帧,如果选取的背景帧中缺失了应该有的静态物体点、则会导致对目标帧数据进行处理时留下部分非车辆点,因此,针对该种情况增加上述S7,采用多个背景帧与目标帧进行处理,进而避免由于激光雷达震动以及原始数据缺失情况导致的背景滤除不准确的情况。
本实施方式所述的激光雷达背景数据滤除方法是基于基于光的直线传播特性来实现的,下面对这种原理进行详细说明:
在实际情况中,为了获得高精度的微观交通数据,背景滤除成为了对激光雷达所采集得到的原始数据进行处理的第一步,也是极其重要的一步。考虑到激光雷达是水平放置在路侧,基于光的传特性:当激光雷达检测范围内,出现运动物体时,同一个方向发射的激光所返回的距离值会发生较大的变化(如图1所示)。基于这一原理,本发明结合激光雷达本身的工作特性提出了一种基于光的直线传播特性的激光雷达背景数据滤除方法。
在实际方法中,将激光雷达水平放置于路边,高度设置为h。所述雷达为采用16线的3D激光雷达VLP-16,该激光雷达提供的数据具有以下特征:
旋转频率为10Hz时,16条激光束中的单个激光束的水平角度分辨率为θ0=0.2°。激光雷达水平放置时距离地面高度h=2.8m,则单束激光的两点之间距离分辨率为ρ(id),理想值如表二所示:
当角度为89°时,理想检测半径为160.41m,理想的分辨率为0.57m。激光雷达的检测范围为100m,因此,在100m处,相邻两点之间的理想最小距离为0.35m。车辆的尺寸远远大于0.35m,证明了该方法的可行性。
为对应laser_id的激光束与水平面的夹角,如表一所示。
表一
laser_id | θ(id) | laser_id | θ(id) |
0 | -15° | 8 | -7° |
1 | 1° | 9 | 9° |
2 | -13° | 10 | -5° |
3 | 3° | 11 | 11° |
4 | -11° | 12 | -3° |
5 | 5° | 13 | 13° |
6 | -9° | 14 | -1° |
7 | 7° | 15 | 15° |
表二
Vertical Angle(°) | Ideal Radius(m) | ρ(id)(m) |
89 | 160.41 | 0.57 |
87 | 53.43 | 0.19 |
85 | 32.00 | 0.12 |
83 | 22.80 | 0.09 |
81 | 17.68 | 0.07 |
79 | 14.40 | 0.06 |
77 | 12.13 | 0.05 |
75 | 10.45 | 0.04 |
激光雷达工作具有双重模式,当光斑在到达物体边缘被分成两部分时,激光雷达采集的数据集中会有所标记(如图2)。在道路场景中,车辆表面相对平整,可以利用这一特征滤除树木点,墙壁边缘处的点等(如图3、激光雷达实际应用数据点云)。
背景帧点与目标帧点分布特点:绝大部分按照水平角度交错分布(如图4),相邻背景帧点与目标帧点的距离小于对应id的激光的两点之间距离分辨率ρ(id)。
在本实施方式的数据中,当出现障碍物时,激光被遮挡,此时,对应角度的背景帧点和目标帧点的距离会发生较大变化,即大于对应id的激光的两点之间距离分辨率ρ(id)。
背景帧点与目标帧点的关联需要角度上满足一定的对应关系,标记背景帧点为0,目标帧点为1,则当两帧数据融合的时候对每一个laser_id按照水平角度的点分布分为以下4种情况:
·010
·0110
·01110
·1111……11
即当目标帧的点连续出现4个及以上的情况,此时认为这些点为新出现的障碍物点,直接作为障碍物点保留,参见图5所示,图中区域1,2,3处,激光雷达发射的激光在此处由于角度及到达距离大于激光雷达的检测范围无法返回数据,即为检测盲区。
随机选取连续的11000帧目标帧与单个背景帧叠加,分布情况及概率如图6所示。
n为两个背景帧点之间所含有的目标帧点的个数,具体分布情况如表三所示:
表三
Percent(%) | Case | n |
81.56573974 | 010 | 1 |
7.874986612 | 0110 | 2 |
0.502102474 | 01110 | 3 |
0.146126265 | 011110 | 4 |
0.020681513 | 0111110 | 5 |
0.010130325 | 01111110 | 6 |
0.006727316 | 011111110 | 7 |
0.004686841 | 0111111110 | 8 |
0.003057142 | 01111111110 | 9 |
0.001755714 | 011111111110 | 10 |
0.001033037 | 0111111111110 | 11 |
0.000658331 | 01111111111110 | 12 |
0.000416850 | 011111111111110 | 13 |
………… | ………… | ………… |
下面给出一个具体的实施案例:将激光雷达安装在十字路口进行了测试和验证,结果描述如下:
激光雷达的布置场景如图7所示。
一、单个背景帧滤除结果及分析:
选取单个背景帧实现背景滤除,对2690帧目标帧进行背景滤除,结果如图8和9所示,其中:
图8为滤除背景之后的俯视图,在道路空间滤除效果较好,但道路两侧的部分区域仍然存在噪点。这是由激光雷达传感器在旋转时震动使得背景帧中数据在这一部分有较大的抖动以及实际环境中此处不平整的因素所导致。
图9的X轴和Y轴与激光雷达在检测时自身构建的笛卡尔坐标系的X轴和Y轴一致。Z轴为表达式(2)中Case(n)中n的取值。图中可以看出,n=1时,点最多,且分布在距离激光雷达较近的区域。n=2和3时点数相应减少。n大于等于4时,点主要分布在图5所示的区域1,2,3处。验证了阈值n0取4的合理性。
二、多个背景帧滤除结果及分析:
本实验选择相对比较能够互补各自由激光雷达传感器在旋转时震动使得背景帧中数据在局部区域有较大的抖动以及实际环境中此类区域不平整的因素所导致的背景帧数据缺陷的3个背景帧进行数据滤除,并对所得结果取交集,结果如图10所示。与图8对比,图10的道路侧噪点得到了较好的抑制。
下面对上述滤除的准确率分析:
通过DBSCAN对所得车辆进行聚类,聚类半径根据一般车辆尺寸取值为1.3m,聚类最少点MinPts=4。在不框定道路空间的情况下,利用多个背景帧滤除所得准确率为87.1%;框定道路空间之后,准确率提高至92%。
其中,道路空间框定如图11所示,红色矩形框内为道路空间,长100m,宽30m。图11为原始数据一共有13辆车和2个行人,其中;图12为未框定道路空间的实验结果的数据,一共有13辆车和2个行人;图13为框定道路空间后的实验结果的数据,一共有11辆车和2个行人;与原始数据中的结果一致。
Claims (8)
1.一种车辆检测方法中激光雷达背景数据滤除方法,其特征在于,所述方法为:
S0:在雷达采集的数据帧中选取背景帧,所述背景帧中无车辆或在兴趣区域中无车辆;
S1:将背景帧的数据与目标帧的数据融合,先按照激光束的序号laser_id排序,再对每一个激光束laser_id的点按照水平角度排序,此时背景帧点与目标帧点交错分布;
S2:将背景帧点与目标帧点关联,
Case(n)为两个背景帧点之间所含有的目标帧点的个数为n的情况;
0f表示前一个背景帧点;0l表示后一个背景帧点;1f表示前一个目标帧点;1l表示后一个目标帧点;
当这两个背景帧点满足条件:
将前一个背景帧点与前一个目标帧点关联,相对应地,后一个背景帧点与后一个目标帧点关联;θ0表示单个激光束的水平角度分辨率;表示前一个背景帧点的水平角度值,表示后一个背景帧点的水平角度值;表示前一个背景帧点的与激光雷达之间的欧式距离值,表示后一个背景帧点的与激光雷达之间的欧式距离值;ρ(id)表示序号为id的激光束的两点之间距离分辨率;
S3:车辆点判断;当S2中关联完成的2个背景帧点和目标帧点满足条件:
S4:遗漏点提取;对目标帧中所有未标记的目标帧点进行遍历,p0为未标记的目标帧点,即:非车辆点,当p0满足条件:
则,标记p0为车辆点p1;
S5:遍历未标记的所有目标点中,判断n是否满足n>n0,当满足该条件时,直接判断两背景帧点之间的目标帧点为车辆点;所述n0为设定的阈值,完成背景数据滤除。
2.根据权利要求1所述的激光雷达背景数据滤除方法,其特征在于,所述雷达为16线激光雷达VLP-16。
3.根据权利要求1所述的激光雷达背景数据滤除方法,其特征在于,步骤S0中所述选取背景帧是通过veloview应用程序实现。
4.根据权利要求1所述的激光雷达背景数据滤除方法,其特征在于,步骤S0中所述的兴趣区域是指在激光雷达采集区域中指定的、需要进行数据分析的区域。
5.根据权利要求1所述的激光雷达背景数据滤除方法,其特征在于,S5中的阈值n0取值为:单个激光束打在车辆上的最少点数。
6.根据权利要求1所述的激光雷达背景数据滤除方法,其特征在于,激光雷达高度h为2.8米,激光雷达检测范围为100米,单个激光束相邻两点的距离为0.35米,n0取值4。
7.根据权利要求1至6任意一项权利要求所述的激光雷达背景数据滤除方法,其特征在于,所述方法还包括:
S6:噪声点去除;去除激光雷达的数据集中返回模式值为非0的点。
8.根据权利要求7所述的激光雷达背景数据滤除方法,其特征在于,所述方法还包括:
S7:准确率提高;选取多个背景帧与目标帧进行S2-S6的操作,并取交集作为滤除结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810274834.XA CN108828608B (zh) | 2018-03-29 | 2018-03-29 | 车辆检测方法中激光雷达背景数据滤除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810274834.XA CN108828608B (zh) | 2018-03-29 | 2018-03-29 | 车辆检测方法中激光雷达背景数据滤除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108828608A CN108828608A (zh) | 2018-11-16 |
CN108828608B true CN108828608B (zh) | 2021-08-17 |
Family
ID=64154295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810274834.XA Active CN108828608B (zh) | 2018-03-29 | 2018-03-29 | 车辆检测方法中激光雷达背景数据滤除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108828608B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110220529B (zh) * | 2019-06-17 | 2023-05-23 | 深圳数翔科技有限公司 | 一种路侧自动驾驶车辆的定位方法 |
CN111077539B (zh) * | 2019-12-30 | 2023-06-02 | 华通科技有限公司 | 基于激光雷达的探鸟系统 |
CN111722201A (zh) * | 2020-06-23 | 2020-09-29 | 常州市贝叶斯智能科技有限公司 | 一种用于室内机器人激光雷达数据去噪方法 |
CN113176548B (zh) * | 2020-10-20 | 2022-03-22 | 苏州思卡信息系统有限公司 | 基于多边形建模的路侧雷达的实时滤除背景的方法 |
CN112465908B (zh) * | 2020-11-30 | 2023-09-22 | 深圳市优必选科技股份有限公司 | 一种物体定位方法、装置、终端设备及存储介质 |
CN113447953B (zh) * | 2021-06-29 | 2022-08-26 | 山东高速建设管理集团有限公司 | 一种基于道路交通点云数据的背景滤除方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
CN107544095A (zh) * | 2017-07-28 | 2018-01-05 | 河南工程学院 | 一种地面三维激光点云与探地雷达图像融合的方法 |
CN107705563A (zh) * | 2017-11-28 | 2018-02-16 | 苏州大学 | 基于激光雷达的连续车辆速度检测方法 |
-
2018
- 2018-03-29 CN CN201810274834.XA patent/CN108828608B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107544095A (zh) * | 2017-07-28 | 2018-01-05 | 河南工程学院 | 一种地面三维激光点云与探地雷达图像融合的方法 |
CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
CN107705563A (zh) * | 2017-11-28 | 2018-02-16 | 苏州大学 | 基于激光雷达的连续车辆速度检测方法 |
Non-Patent Citations (2)
Title |
---|
"Automated Extraction of Urban Road Facilities Using Mobile Laser Scanning Radar";Yu Y et al.;《IEEE Transaction on Intelligent Transportation Systems》;20151231;全文 * |
"连续帧间差分与背景差分相融合的运动目标检测方法";屈晶晶 等;《光子学报》;20140310;第43卷(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108828608A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108828608B (zh) | 车辆检测方法中激光雷达背景数据滤除方法 | |
CN107665603B (zh) | 一种判定车位占用的实时检测方法 | |
EP3171292B1 (en) | Driving lane data processing method, device, storage medium and apparatus | |
CN106570446B (zh) | 车道线提取的方法和装置 | |
CN105844222B (zh) | 基于视觉的前方车辆碰撞预警系统及方法 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN105574543B (zh) | 一种基于深度学习的车辆品牌型号识别方法和系统 | |
CN107633516A (zh) | 一种识别路面变形类病害的方法和装置 | |
CN109615862A (zh) | 道路车辆交通运动状态参数动态获取方法及装置 | |
CN104951784A (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN111079611A (zh) | 一种道路面及其标志线的自动提取方法 | |
CN103530600A (zh) | 复杂光照下的车牌识别方法及系统 | |
EP2813973B1 (en) | Method and system for processing video image | |
CN102645679A (zh) | 一种基于多普勒天气雷达回波图像的中气旋识别方法 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN112825192B (zh) | 基于机器学习的对象辨识系统及其方法 | |
CN109870459A (zh) | 无砟轨道的轨道板裂缝检测方法 | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN107808524B (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN106803262A (zh) | 利用双目视觉自主解算汽车速度的方法 | |
CN113281782A (zh) | 一种基于无人驾驶车的激光雷达雪点滤除方法 | |
CN110443142B (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
CN115240154A (zh) | 停车场的点云特征提取方法、装置、设备及介质 |
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 |