CN109101892B - 基于栅格和密度聚类算法的激光雷达目标物检测方法 - Google Patents

基于栅格和密度聚类算法的激光雷达目标物检测方法 Download PDF

Info

Publication number
CN109101892B
CN109101892B CN201810784270.4A CN201810784270A CN109101892B CN 109101892 B CN109101892 B CN 109101892B CN 201810784270 A CN201810784270 A CN 201810784270A CN 109101892 B CN109101892 B CN 109101892B
Authority
CN
China
Prior art keywords
grid
density
laser radar
clustering algorithm
points
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
CN201810784270.4A
Other languages
English (en)
Other versions
CN109101892A (zh
Inventor
李立君
曾庆喜
夏晓宇
贺宇
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810784270.4A priority Critical patent/CN109101892B/zh
Publication of CN109101892A publication Critical patent/CN109101892A/zh
Application granted granted Critical
Publication of CN109101892B publication Critical patent/CN109101892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Graphics (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开一种基于栅格和密度聚类算法的激光雷达目标物检测方法，包括如下步骤：步骤1，获取激光雷达原始数据并解析；步骤2，建立栅格地图并进行数据投影；步骤3，计算栅格密度，判断栅格是否为密集栅格，将稀疏栅格删去；步骤4，用四个代表点代替密集栅格，产生新的集合；步骤5，在新的集合中采用基于密度的聚类算法完成聚类。此种检测方法结合了栅格算法和密度聚类算法，解决了激光雷达目标物检测算法中点云数据量大的缺点，减小了传统聚类算法的搜索时间，具有快速高效的特点。

Description

基于栅格和密度聚类算法的激光雷达目标物检测方法
技术领域
本发明属于信息感知与识别技术领域，特别涉及一种基于栅格和密度聚类算法的激光雷达目标物检测方法。
背景技术
对于无人车来说，其中重要的环节之一就是感知车辆周围环境，三维激光雷达由于其具有扫描精度高、抗干扰能力强等特点，被广泛应用于无人车的研究中。激光雷达目标物检测算法一般采用基于密度的聚类算法，但由于激光雷达点云数据量大，直接在原始数据上进行聚类比较麻烦，而且算法搜索时间较长。
发明内容
本发明的目的，在于提供一种基于栅格和密度聚类算法的激光雷达目标物检测方法，其具有快速高效的特点。
为了达成上述目的，本发明的解决方案是：
一种基于栅格和密度聚类算法的激光雷达目标物检测方法，包括如下步骤：
步骤1，获取激光雷达原始数据并解析；
步骤2，建立栅格地图并进行数据投影；
步骤3，计算栅格密度，判断栅格是否为密集栅格，将稀疏栅格删去；
步骤4，用四个代表点代替密集栅格，产生新的集合；
步骤5，在新的集合中采用基于密度的聚类算法完成聚类。
上述步骤1中，将十六进制表示的激光雷达原始数据转化为三维坐标的形式。
上述步骤2中，栅格的大小取决于激光雷达的水平分辨率。
上述步骤3中，判断密集栅格的方法包括：建立栅格地图时，将落入每个栅格的数据点的个数定义为栅格密度，人为设置一个密度阈值，栅格密度大于阈值的为密集栅格，小于阈值的定义为稀疏栅格。
上述步骤4的具体内容是：在某一个密集栅格内画一个包含该栅格所有数据点的最小外接圆，以圆心为原点建立直角坐标系，寻找该坐标系下X轴正负半轴和Y轴正负半轴附近远离圆心最远的4个点，以这4个点为代表点代替密集栅格形成新的集合。
上述步骤5的具体步骤是：
步骤51，任意选取1个数据点p；
步骤52，判断p是否是核心点，若是，则按公式
Figure BDA0001733351040000021
得出EPS的值，其中：int()为取整；α为聚类半径系数；(x,y)为该数据点在以激光雷达点为坐标原点建立的直角坐标系下的坐标；θ为激光雷达的扫描角分辨率；L为聚类区域步长；
步骤53，以EPS为半径搜索p邻域，建立p簇，邻域内所有的点连同p点归为同一簇；
步骤54，若两簇有共用的数据点，则两簇合拼为同一簇；
步骤55，取下一个数据点，重复步骤52，直至所有数据点判断完成。
采用上述方案后，本发明结合了栅格算法和密度聚类算法，解决了激光雷达目标物检测算法中点云数据量大的缺点，减小了传统聚类算法的搜索时间。
附图说明
图1是本发明的流程图；
图2是基于密度的聚类算法流程图。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
如图1所示，本发明提供一种基于栅格和密度聚类算法的激光雷达目标物检测方法，其具体的流程步骤如下：
(1)获取激光雷达原始数据并解析，激光雷达的数据包中包含了距离、垂直角、水平角等重要信息，这些信息是用十六进制表示的，需要将它们提取出来并转化为三维坐标的形式。
(2)建立栅格地图并进行数据投影，栅格的大小和激光雷达的水平分辨率等有关，假设激光雷达的水平分辨率接近20cm但小于20cm，则栅格的大小应为20cm。建立好栅格地图后，将所得到的点云的三维坐标进行投影。
(3)计算栅格密度并判断栅格是否为密集栅格，栅格密度即为落入栅格的数据点的个数。人为设定一个密度阈值，假设密度阈值N＝4，如果一个栅格中N>4，则该栅格为密集栅格，倘若N≦4，由于激光雷达的点云数据量非常庞大，因此可以认为该区域是激光雷达未扫描到的区域，可以略去。
(4)用四个代表点代替密集栅格，产生新的集合，在某一个密集栅格内画一个包含所有数据点的最小外接圆，以圆心为原点建立直角坐标系，寻找该坐标系下4条半轴(X轴正负半轴和Y轴正负半轴)附近远离圆心最远的4个点，以这4个点为代表点代替密集栅格形成新的集合。
(5)在新的集合中采用基于密度的聚类算法完成聚类，初始化新产生的集合以确定核心点，判断一个数据点是否为核心点，是的话按
Figure BDA0001733351040000041
为半径扫描该邻域，该邻域内所有的点连同p点归为同一簇，将有共用点的两簇合拼为同一簇，检测是否所有的点都完成聚类了，是的话算法结束，否则继续判断下一个数据点是否是核心点，完成剩余数据点的聚类。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种基于栅格和密度聚类算法的激光雷达目标物检测方法，其特征在于包括如下步骤：
步骤1，获取激光雷达原始数据并解析；
步骤2，建立栅格地图并进行数据投影；
步骤3，计算栅格密度，判断栅格是否为密集栅格，将稀疏栅格删去；
其中，判断密集栅格的方法包括：建立栅格地图时，将落入每个栅格的数据点的个数定义为栅格密度，人为设置一个密度阈值，栅格密度大于阈值的为密集栅格，小于阈值的定义为稀疏栅格；
步骤4，用四个代表点代替密集栅格，产生新的集合；具体内容是：
在某一个密集栅格内画一个包含该栅格所有数据点的最小外接圆，以圆心为原点建立直角坐标系，寻找该坐标系下X轴正负半轴和Y轴正负半轴附近远离圆心最远的4个点，以这4个点为代表点代替密集栅格形成新的集合；
步骤5，在新的集合中采用基于密度的聚类算法完成聚类。
2.如权利要求1所述的基于栅格和密度聚类算法的激光雷达目标物检测方法，其特征在于：所述步骤1中，将十六进制表示的激光雷达原始数据转化为三维坐标的形式。
3.如权利要求1所述的基于栅格和密度聚类算法的激光雷达目标物检测方法，其特征在于：所述步骤2中，栅格的大小取决于激光雷达的水平分辨率。
4.如权利要求1所述的基于栅格和密度聚类算法的激光雷达目标物检测方法，其特征在于：所述步骤5的具体步骤是：
步骤51，任意选取1个数据点p；
步骤52，判断p是否是核心点，若是，则按公式
Figure FDA0003087164740000011
得出EPS的值，其中：int()为取整；α为聚类半径系数；(x,y)为该数据点在以激光雷达点为坐标原点建立的直角坐标系下的坐标；θ为激光雷达的扫描角分辨率；L为聚类区域步长；
步骤53，以EPS为半径搜索p邻域，建立p簇，邻域内所有的点连同p点归为同一簇；
步骤54，若两簇有共用的数据点，则两簇合拼为同一簇；
步骤55，取下一个数据点，重复步骤52，直至所有数据点判断完成。
CN201810784270.4A 2018-07-17 2018-07-17 基于栅格和密度聚类算法的激光雷达目标物检测方法 Active CN109101892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810784270.4A CN109101892B (zh) 2018-07-17 2018-07-17 基于栅格和密度聚类算法的激光雷达目标物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810784270.4A CN109101892B (zh) 2018-07-17 2018-07-17 基于栅格和密度聚类算法的激光雷达目标物检测方法

Publications (2)

Publication Number Publication Date
CN109101892A CN109101892A (zh) 2018-12-28
CN109101892B true CN109101892B (zh) 2021-08-10

Family

ID=64846595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810784270.4A Active CN109101892B (zh) 2018-07-17 2018-07-17 基于栅格和密度聚类算法的激光雷达目标物检测方法

Country Status (1)

Country Link
CN (1) CN109101892B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961440B (zh) * 2019-03-11 2021-06-18 重庆邮电大学 一种基于深度图的三维激光雷达点云目标分割方法
CN113077473B (zh) * 2020-01-03 2024-06-18 广州汽车集团股份有限公司 三维激光点云路面分割方法、系统、计算机设备及介质
CN111723866A (zh) * 2020-06-19 2020-09-29 新石器慧通（北京）科技有限公司 点云聚类的方法及装置、无人车、可读存储介质
CN113466571B (zh) * 2021-09-06 2022-02-22 中国人民解放军国防科技大学 一种用于构建电磁地图的方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650838A (zh) * 2009-09-04 2010-02-17 浙江工业大学 基于重采样方法和仿射聚类算法的点云简化处理方法
EP2887262A2 (en) * 2013-12-20 2015-06-24 Visual Technology Services Ltd. Point Cloud Simplification
CN105931297A (zh) * 2016-03-29 2016-09-07 浙江大学 三维地质表面模型中的数据处理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650838A (zh) * 2009-09-04 2010-02-17 浙江工业大学 基于重采样方法和仿射聚类算法的点云简化处理方法
EP2887262A2 (en) * 2013-12-20 2015-06-24 Visual Technology Services Ltd. Point Cloud Simplification
CN105931297A (zh) * 2016-03-29 2016-09-07 浙江大学 三维地质表面模型中的数据处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
POLE-LIKE OBJECT EXTRACTION FROM MOBILE LIDAR DATA;H. Zheng等;《The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;20160606;全文 *
基于VG-DBSCAN算法的大场景散乱点云去噪;赵凯;《光学学报》;20180524;第38卷(第10期);全文 *

Also Published As

Publication number Publication date
CN109101892A (zh) 2018-12-28

Similar Documents

Publication Publication Date Title
CN109101892B (zh) 基于栅格和密度聚类算法的激光雷达目标物检测方法
CN110705543A (zh) 基于激光点云进行车道线识别的方法和系统
CN112526513B (zh) 基于聚类算法的毫米波雷达环境地图构建方法及装置
CN108549084B (zh) 一种基于稀疏二维激光雷达的目标检测与姿态估计方法
CN110349260B (zh) 一种路面标线自动提取方法及装置
CN111289998A (zh) 障碍物检测方法、装置、存储介质以及车辆
CN110850394B (zh) 一种自动驾驶激光雷达强度标定方法
CN113569958B (zh) 激光点云数据聚类方法、装置、设备及介质
CN110795978B (zh) 路面点云数据提取方法、装置、存储介质及电子设备
CN111275821B (zh) 一种电力线拟合方法、系统及终端
CN114051628A (zh) 一种确定目标对象点云集的方法及装置
CN115436910B (zh) 一种对激光雷达点云进行目标检测的数据处理方法和装置
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
CN110780276A (zh) 一种基于激光雷达的托盘识别方法、系统和电子设备
CN113970734A (zh) 路侧多线激光雷达降雪噪点去除方法、装置及设备
CN114638934A (zh) 一种3D激光slam建图中动态障碍物的后处理方法
CN114067224A (zh) 一种基于多传感器数据融合的无人机集群目标数量检测方法
CN117437147A (zh) 一种浅水域单光子点云的去噪方法
CN111899291A (zh) 基于多源维度分解的城市点云从粗到精的自动配准方法
CN111783648A (zh) 道路点云中护栏的提取方法及装置
CN116012628A (zh) 一种毫米波雷达点云聚类和多目标识别机器学习方法
Liu et al. Target detection from 3D point-cloud using Gaussian function and CNN
CN111932574B (zh) 基于多层次语义特征的建筑立面点云提取系统及方法
CN112884026B (zh) 一种图像识别辅助的输电线路激光LiDAR点云分类方法
CN114325678A (zh) 障碍物检测方法、装置及服务器

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