CN109597096A - 一种激光雷达点云处理系统及方法 - Google Patents
一种激光雷达点云处理系统及方法 Download PDFInfo
- Publication number
- CN109597096A CN109597096A CN201811460674.4A CN201811460674A CN109597096A CN 109597096 A CN109597096 A CN 109597096A CN 201811460674 A CN201811460674 A CN 201811460674A CN 109597096 A CN109597096 A CN 109597096A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser radar
- reflectivity
- high anti
- module
- 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
Links
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
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请涉及激光雷达技术领域,尤其涉及一种激光雷达点云处理系统。本申请包括高反物体识别模块、边缘提取模块、点云过滤模块和插值模块,高反物体识别模块用于对RGBD数据读取,识别高反物体;边缘提取模块用于将目标物体和高反物体的点云进行分割;点云过滤模块用于对点云数据进行过滤处理;插值模块用于对点云过滤结果进行插值,补齐物体的点云。本申请通过高反物体识别模块,对高反物体进行识别,提高激光雷达的准确度,激光雷达有效规避高反物体造成的影响,使得激光雷达对高反物体的点云整合度变高、视场内物体的判断更准确。
Description
技术领域
本发明涉及激光雷达技术领域,尤其涉及一种激光雷达点云处理系统及方法。
背景技术
激光雷达是采用LED或者激光器作为发射光源,采用光电探测技术手段的主动距离探测设备,其具有探测灵敏度和分辨率高,可以探测从低速到高速的目标,体积小重量轻等优点,广泛应用于无人驾驶(避障导航)、无人机(物流、植保等)、机器人(智能家居)、AGV(工业领域仓储物流)等领域。
但是激光雷达在探测目标背景中存在高反射率物体时,会出现测量不准的问题。当高反物体在雷达探测区域时,会出现几种情况造成检测失真:一是在在量程范围内,对高反物体进行检测,出现误差较大情况,从而造成测距不准和重复测距不稳定现象,这种情况下,激光雷达检测高反平面或曲面时,输出的点云会出现断层、距离不一致、本来是面的点云变成了线状点云等现象;二是在超出量程范围,高反物体由于反射光的影响,激光雷达会检测到距离为探测范围内的距离,这就会对激光雷达的检测造成误差,激光雷达输出的点云也会输出一组组无效的点云数据。
现有技术存在的问题在于无法得知误差的来源是否为高反物体,也就不能有效处理高反物体造成的影响,只能限定环境和说明失效模式,激光雷达在实际应用过程中,对高反物体的处理一般为尽量避免视场内有高反物体的存在或使用普通反射率的物体(如100%反射率的白纸)对高反物体进行遮挡,这种方式比较被动,不能适应复杂环境;如果加重算法滤波,去除噪声,去噪过重则会导致测距失效或有效点过少导致数据丢失等。
发明内容
本发明实施例的目的在于提出一套激光雷达点云处理系统及处理方法,通过加入高反物体识别模块,对高反物体进行识别,解决现有技术存在的不能有效处理高反物体造成误差的问题,本激光雷达点云处理系统工作稳定,准确性高。
为达此目的,本发明采用以下技术方案:
一方面,一种激光雷达点云处理系统,包括高反物体识别模块、边缘提取模块、点云过滤模块和插值模块,
所述高反物体识别模块用于对RGBD数据读取,识别高反物体;
所述边缘提取模块用于将目标物体和高反物体的点云进行分割;
所述点云过滤模块用于对点云数据进行过滤处理;
所述插值模块用于对点云过滤结果进行插值,补齐物体的点云。
在一种可能的实现方式中,所述的高反物体识别模块包括RGBD数据读取单元、图像分类单元、反射率对比单元、AMP判定单元、综合判定单元,
所述RGBD数据读取单元用于读取RGB图像、深度图像、RGBD点云数据;
所述图像分类单元用于对不同反射率的物体进行组合分类,得到分类参数;
所述反射率对比单元用于将物体的反射率和标准反射率表进行对比,得到反射率判定结果;
所述AMP判定单元用于对激光雷达的AMP值进行判定,得到AMP判定结果;
综合判定单元,用于根据深度图像、分类参数、反射率判定结果、AMP判定结果综合判定物体是否属于高反物体。
另一方面,一种激光雷达点云处理方法,其特征在于采用权利要求1-2所述的激光雷达点云处理系统,包括如下步骤:
a、读取RGB图像、深度图像,对高反物体进行识别;
b、根据步骤a结果和RGB图像几何特征、点云几何特征,将目标物体和高反物体的点云进行分割,对点云数据进行边缘提取,得到物体轮廓;
c、点云过滤,对步骤b得到的点云数据进行过滤处理,去除噪声;
d、插值处理,对步骤c得到的点云过滤结果进行插值,补齐物体的点云。
在一种可能的实现方式中,所述的高反物体识别步骤包括如下步骤:
S1、读取RGB图像、深度图像、RGBD点云数据;
S2、识别RGB图像中物体反射率,对不同反射率的物体进行组合分类,采集样本进行学习训练,得到分类参数;
S3、将物体的反射率和标准反射率表进行对比,进一步判断物体是否属于高反物体,得到反射率判定结果;
S4、对激光雷达的AMP值进行判定,AMP在1000-2895之间的判定为高反物体;
S5、根据深度图像、分类参数、反射率判定结果、AMP判定结果综合判定得到此物体是否属于高反物体。
在一种可能的实现方式中,所述的S2步骤中对不同反射率的物体进行组合分类是根据反射率的大小进行的,即一个分类类别中包含近似反射率的物体,以分类结果为样本进行学习训练,得到分类参数。
在一种可能的实现方式中,所述的分类参数为模型参数,包括目标物体的特征信息参数;反射率、AMP之间相互影响的参数。
在一种可能的实现方式中,所述的近似反射率按5%分档,即0-5%为一档,以此类推至300%。
在一种可能的实现方式中,所述的高反射率为100-300%。
在一种可能的实现方式中,所述的高反射率为150-300%。
在一种可能的实现方式中,所述的AMP的数值为0-2895。
本申请实施例克服了现有技术的不足,带来了如下积极效果:
提高激光雷达的准确度:激光雷达有效规避高反物体造成的影响,使得激光雷达对高反物体的点云整合度变高、视场内物体的判断更准确。
附图说明
图1是本申请实施例1提供的激光雷达点云处理系统模块示意图。
图2是本申请实施例1提供的高反物体识别模块结构示意图。
图3是本申请实施例1提供的激光雷达点云处理方法流程图。
图4是本申请实施例1提供的高反物体识别模块工作流程示意图。
图5是本申请激光雷达探测区域示意图。
图中:1、高反物体识别模块;2、边缘提取模块;3、点云过滤模块;4、插值模块;5、RGBD数据读取单元;6、图像分类单元;7、反射率对比单元;8、AMP判定单元;9、综合判定单元;10、警戒区域外目标;11、警戒区域内目标;12、警戒区;13、原始探测区域;14、盲区;15、激光雷达。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例
如图1所示,一种激光雷达点云处理系统,包括高反物体识别模块1、边缘提取模块2、点云过滤模块3和插值模块4,
所述高反物体识别模块1用于识别高反物体;
所述边缘提取模块2用于将目标物体和高反物体的点云进行分割;
所述点云过滤模块3用于对点云数据进行过滤处理;
所述插值模块4用于对点云过滤结果进行插值,补齐物体的点云。
如图2所示,所述的高反物体识别模块1包括RGBD数据读取单元5、图像分类单元6、反射率对比单元7、AMP判定单元8、综合判定单元9,
所述RGBD数据读取单元5用于读取RGB图像、深度图像、RGBD点云数据;
所述图像分类单元6用于对不同反射率的物体进行组合分类,得到分类参数;
所述反射率对比单元7用于将物体的反射率和预存的标准反射率表进行对比,得到反射率判定结果;
所述AMP判定单元8用于对激光雷达的AMP值进行判定,得到AMP判定结果;
综合判定单元9,根据深度图像、分类参数、反射率判定结果、AMP判定结果综合判定物体是否属于高反物体。
如图3所示,采用上述激光雷达点云处理系统的激光雷达点云处理方法,包括如下步骤:
a、读取RGB图像、深度图像、RGBD点云,对高反物体进行识别;
其中RGB图像通过RGB相机得到,深度图像通过激光雷达或者深度相机获得,RGBD点云通过RGB图像和深度图像融合、处理得到,RGB图像、深度图像、RGBD点云数据的获得均为现有技术。
b、点云数据边缘提取,根据步骤a结果和RGB几何特征、点云几何特征,将目标物体和高反物体的点云进行分割,得到物体轮廓;
其中,RGB几何特征是通过图像像素对比后,现场像素提取得到的;点云几何特征是通过聚类的方法得到的。上述方法均为现有技术。
边缘提取模块根据高反识别结果和RGB几何特征、点云几何特征,将目标物体和高反物体的点云分割好,然后根据RGBD成像关系和RGBD配准信息,如图5所示,在RGB图像上找到对应雷达的原始探测区域13中的实际需要探测的警戒区域12(ROI),其中RGBD成像关系和RGBD配准信息的获得为现有技术。
找到感兴趣警戒区域后,再对RGB图像进行边缘进行估计,点云聚类的边缘和RGB像素点对应的边缘进行比较,确定图像边缘的阈值。
因为RGB图像边缘像素比图像其他位置的像素差,对点云聚类的边缘和RGB像素点对比的边缘进行比较,一般做法为取像素变化的三个像素点作为边界。例如,从白到黄色像素变化,选取连续的白色像素点,几个黑色像素点,连续的黄色像素点,以黑色像素点为边界,白色像素为一侧,黄色像素为另一侧,确定RGB图像的边缘,获得物体的轮廓。
c、点云过滤,对步骤b得到的点云数据进行过滤处理,去除噪声;RGBD点云数据中,因为空气中的尘埃、遮挡物遮挡等因素存在噪声,影响最终测量结果,需要去除噪声。
d、插值处理,对点云过滤结果进行插值,补齐物体的点云。
在点云过滤后得到的物体轮廓内,使用作不规则三角网 (TIN) 线性插值法进行插值,从而达到对物体轮廓进行插值,使得高反物体的点云数据达到相对的准确,形成较为完整的点云图像。
也可以采用其他插值法进行插值。
如图4所示,所述的高反物体识别步骤包括如下步骤:
S1、读取RGB图像、深度图像、RGBD点云数据;
S2、识别RGB图像中物体反射率,对不同反射率的物体建立进行组合分类,采集样本进行学习训练,得到分类参数;
其中对不同反射率的物体进行组合分类是根据反射率的大小进行的,即一个分类类别中包含近似反射率的几种物体,以分类结果为样本进行学习训练,得到分类参数。近似反射率按5%分档,即0-5%为一档,以此类推至300%。
得到的分类参数为模型参数,包括目标物体的特征信息参数;反射率、AMP之间相互影响的参数。
特征信息参数例如人脸的72个特征信息参数、桌子的桌面及桌腿等特征参数。通过这些参数可以对目标进行判断分类和识别该目标为何种物体。此处目标识别的分类参数使用已有公知技术实现,人体检测的试验方法为SVM+HOG的方法,得到体素、人体模型参数、目标高度、大小、置信度参数等。
反射率和AMP满足线性关系,AMP=X*反射率+偏移量,X为反射率、AMP之间相互影响的参数,该参数为经验参数,需根据实际实验或者统计得到,本实施例中通过图像分类单元对AMP和反射率统计、计算得到。
S3、将物体的反射率和预存的标准反射率表进行对比,进一步判定物体是否属于高反物体,得到反射率判定结果;一般高反射率为100-300%,高反射率为150-300%时识别难度更低。
其中标准反射率表可采用柯达定义的反射率对照表;
也可按照下面的反射率对照表做判定。
表 1 常见材质的表面反射率
序号 | 材质 | 反射率 |
1 | 黑色泡沫橡胶 | 2.4% |
2 | 黑色布料 | 3% |
3 | 黑色橡胶 | 4% |
4 | 煤(不同煤有所差异) | 4~8% |
5 | 黑色汽车漆 | 5% |
6 | 黑色卡纸 | 10% |
7 | 不透明黑色塑料 | 14% |
8 | 干净粗木板 | 20% |
9 | 报纸 | 55% |
10 | 半透明塑料瓶 | 62% |
11 | 包装箱硬纸板 | 68% |
12 | 洁净松木 | 70% |
13 | 不透明白色塑料 | 87% |
14 | 白色卡纸 | 90% |
15 | 柯达标准白板 | 100% |
16 | 未抛光白色金属表面 | 130% |
17 | 光泽浅色金属表面 | 150% |
18 | 不锈钢 | 200% |
19 | 反射板、反射胶贴 | >300% |
S4、对激光雷达的AMP值进行判定,AMP在1000-2895之间的判定为高反物体;
以标准白板在同一场景下采集到的AMP数值为基准,大于1000的物体判定为高反,小于1000的物体为非高反。若是高反物体,且反射率越高,AMP该值将会趋近于AMP阈值的上限2895;
S5、根据深度图像、分类参数、反射率、AMP判定结果、距离综合判定得到此物体是否属于高反物体。
在S5步骤中,由深度图像、分类参数、反射率、AMP判定结果得到初步识别结果,如物体不为高反物体将不做处理。
如图5所示,如果物体属于高反物体,通过深度图像可以得出高反物体与激光雷达的距离,进而判断高反物体是否处于量程范围内,若在激光雷达测距范围内(在原始探测区域13内且在警戒区域12范围内,非盲区14),即高反物体为警戒区域内目标11时,则对点云数据进行边缘提取,得到物体轮廓;
若不在激光雷达测距范围内,同时激光雷达检测到视场内的未知物体,那高反物体属于警戒区域外目标10,则结合RGBD的数据信息,将警戒区域外目标10的点云数据先进行点云过滤,去除高反物体不在视场内的噪声,然后再继续点云数据边缘提取、点云过滤(第二次过滤)、插值处理。
本实施例克服了现有技术的不足,带来了如下积极效果:
提高激光雷达长期稳定工作的能力:本实施例可以有效避免在激光雷达视场内因高反物体存在而造成的激光雷达对高反物体检测的失效,从而减少了雷达错误距离数据的产生,提高了激光雷达作业的稳定性,雷达生命周期时间内可以稳定工作。
提高激光雷达的作业效率:激光雷达有效规避高反物体造成的影响,使得激光雷达对高反物体的点云整合度变高、视场内物体的判断更准确,作业效率大大提高,大于反射率150%的物体在视场范围内就可以100%识别。
增强了激光雷达工作环境的普适性:本发明的技术方案是对高反物体造成影响的处理。一、在激光雷达量程内,则可对雷达误差阈值和定点重复精度的自适应调整,可对点云数据进行插值补充平滑;二、在量程外,可对高反物体造成的噪声进行判定过滤。通过这样的措施能够提高激光雷达的应用场景范围扩大,增强了激光雷达工作环境的普适性。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种激光雷达点云处理系统,其特征在于包括高反物体识别模块、边缘提取模块、点云过滤模块和插值模块,
所述高反物体识别模块用于识别高反物体;
所述边缘提取模块用于将目标物体和高反物体的点云进行分割;
所述点云过滤模块用于对点云数据进行过滤处理;
所述插值模块用于对点云过滤结果进行插值,补齐物体的点云。
2.根据权利要求1所述的一种激光雷达点云处理系统,其特征在于所述的高反物体识别模块包括RGBD数据读取单元、图像分类单元、反射率对比单元、AMP判定单元、综合判定单元,
所述RGBD数据读取单元用于读取RGB图像、深度图像、RGBD点云数据;
所述图像分类单元用于对不同反射率的物体进行组合分类,得到分类参数;
所述反射率对比单元用于将物体的反射率和标准反射率表进行对比,得到反射率判定结果;
所述AMP判定单元用于对激光雷达的AMP值进行判定,得到AMP判定结果;
综合判定单元,用于根据深度图像、分类参数、反射率判定结果、AMP判定结果综合判定物体是否属于高反物体。
3.一种激光雷达点云处理方法,其特征在于采用权利要求1-2所述的激光雷达点云处理系统,包括如下步骤:
a、读取RGB图像、深度图像、RGBD点云数据,对高反物体进行识别;
b、根据步骤a结果和RGB图像几何特征、点云几何特征,将目标物体和高反物体的点云进行分割,对点云数据进行边缘提取,得到物体轮廓;
c、对步骤b得到的点云数据进行过滤处理,去除噪声;
d、对步骤c得到的点云过滤结果进行插值,补齐物体的点云。
4.根据权利要求3所述的一种激光雷达点云处理方法,其特征在于所述的步骤a包括如下步骤:
S1、读取RGB图像、深度图像、RGBD点云数据;
S2、识别RGB图像中物体反射率,对不同反射率的物体进行组合分类,采集组合分类样本进行学习训练,得到分类参数;
S3、将物体的反射率和标准反射率表进行对比,进一步判断物体是否属于高反物体,得到反射率判定结果;
S4、对激光雷达的AMP值进行判定,AMP在1000-2895之间的判定为高反物体;
S5、根据深度图像、分类参数、反射率判定结果、AMP判定结果综合判定得到此物体是否属于高反物体。
5.根据权利要求4所述的一种激光雷达点云处理方法,其特征在于所述的S2步骤中对不同反射率的物体进行组合分类是根据反射率的大小进行的,一个分类类别中包含近似反射率的物体,以分类结果为样本进行学习训练,得到分类参数。
6.根据权利要求5所述的一种激光雷达点云处理方法,其特征在于所述的分类参数为模型参数,包括目标物体的特征信息参数;反射率、AMP之间相互影响的参数。
7.根据权利要求5所述的一种激光雷达点云处理方法,其特征在于所述的近似反射率按5%分档,即0-5%为一档,以此类推至300%。
8.根据权利要求7所述的一种激光雷达点云处理方法,其特征在于所述的高反射率为100-300%。
9.根据权利要求8所述的一种激光雷达点云处理方法,其特征在于所述的高反射率为150-300%。
10.根据权利要求5所述的一种激光雷达点云处理方法,其特征在于所述的AMP的数值为0-2895。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811460674.4A CN109597096B (zh) | 2018-12-01 | 2018-12-01 | 一种激光雷达点云处理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811460674.4A CN109597096B (zh) | 2018-12-01 | 2018-12-01 | 一种激光雷达点云处理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109597096A true CN109597096A (zh) | 2019-04-09 |
CN109597096B CN109597096B (zh) | 2023-02-28 |
Family
ID=65959983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811460674.4A Active CN109597096B (zh) | 2018-12-01 | 2018-12-01 | 一种激光雷达点云处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109597096B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532935A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种大田作物表型信息高通量对等监测系统及监测方法 |
CN112258618A (zh) * | 2020-11-04 | 2021-01-22 | 中国科学院空天信息创新研究院 | 基于先验激光点云与深度图融合的语义建图与定位方法 |
CN112526545A (zh) * | 2019-08-30 | 2021-03-19 | 深圳市速腾聚创科技有限公司 | 一种激光雷达点云处理方法、装置、存储介质及终端设备 |
WO2023019901A1 (zh) * | 2021-08-16 | 2023-02-23 | 上海禾赛科技有限公司 | 提高激光雷达分辨率的方法及装置、激光雷达 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004054092A (ja) * | 2002-07-23 | 2004-02-19 | Elpida Memory Inc | マスクおよびその製造方法 |
JP2007240314A (ja) * | 2006-03-08 | 2007-09-20 | Omron Corp | 物体検出装置 |
US9080866B1 (en) * | 2013-06-26 | 2015-07-14 | Google Inc. | Methods and systems for detection of reflective markers at long range |
CN106886980A (zh) * | 2015-12-11 | 2017-06-23 | 北京智行者科技有限公司 | 一种基于三维激光雷达目标识别的点云密度增强的方法 |
JP2017133843A (ja) * | 2016-01-25 | 2017-08-03 | オムロンオートモーティブエレクトロニクス株式会社 | 光レーダ装置 |
CN108459319A (zh) * | 2018-03-13 | 2018-08-28 | 燕山大学 | 一种车辆行驶区域地形高度快速扫描系统 |
US20180253625A1 (en) * | 2015-09-09 | 2018-09-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for processing high-precision map data, storage medium and device |
-
2018
- 2018-12-01 CN CN201811460674.4A patent/CN109597096B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004054092A (ja) * | 2002-07-23 | 2004-02-19 | Elpida Memory Inc | マスクおよびその製造方法 |
JP2007240314A (ja) * | 2006-03-08 | 2007-09-20 | Omron Corp | 物体検出装置 |
US9080866B1 (en) * | 2013-06-26 | 2015-07-14 | Google Inc. | Methods and systems for detection of reflective markers at long range |
US20180253625A1 (en) * | 2015-09-09 | 2018-09-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for processing high-precision map data, storage medium and device |
CN106886980A (zh) * | 2015-12-11 | 2017-06-23 | 北京智行者科技有限公司 | 一种基于三维激光雷达目标识别的点云密度增强的方法 |
JP2017133843A (ja) * | 2016-01-25 | 2017-08-03 | オムロンオートモーティブエレクトロニクス株式会社 | 光レーダ装置 |
CN108459319A (zh) * | 2018-03-13 | 2018-08-28 | 燕山大学 | 一种车辆行驶区域地形高度快速扫描系统 |
Non-Patent Citations (2)
Title |
---|
路兴昌等: "基于回波强度和采样点距离的点云滤波研究", 《测绘科学》 * |
龚跃健等: "基于移动LiDAR点云数据的室内全要素三维重建", 《测绘工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532935A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种大田作物表型信息高通量对等监测系统及监测方法 |
CN112526545A (zh) * | 2019-08-30 | 2021-03-19 | 深圳市速腾聚创科技有限公司 | 一种激光雷达点云处理方法、装置、存储介质及终端设备 |
CN112258618A (zh) * | 2020-11-04 | 2021-01-22 | 中国科学院空天信息创新研究院 | 基于先验激光点云与深度图融合的语义建图与定位方法 |
CN112258618B (zh) * | 2020-11-04 | 2021-05-14 | 中国科学院空天信息创新研究院 | 基于先验激光点云与深度图融合的语义建图与定位方法 |
WO2023019901A1 (zh) * | 2021-08-16 | 2023-02-23 | 上海禾赛科技有限公司 | 提高激光雷达分辨率的方法及装置、激光雷达 |
Also Published As
Publication number | Publication date |
---|---|
CN109597096B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763606B (zh) | 一种基于机器视觉的户型图元素自动提取方法与系统 | |
CN109597096A (zh) | 一种激光雷达点云处理系统及方法 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN102998316B (zh) | 一种透明液体杂质检测系统及其检测方法 | |
CN106568783B (zh) | 一种五金零件缺陷检测系统及方法 | |
CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
CN110220917A (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN106680287B (zh) | 一种轴承铆钉台阶缺陷的视觉检测方法 | |
EP1991946B1 (en) | Approaches and apparatus for eye detection in a digital image | |
CN109255787A (zh) | 基于深度学习和图像处理技术的丝锭划痕检测系统及方法 | |
CN108828621A (zh) | 基于三维激光雷达的障碍检测和路面分割算法 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN105403147B (zh) | 一种基于嵌入式的瓶胚检测系统和检测方法 | |
CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN109815856A (zh) | 目标车辆的状态标记方法、系统和计算机可读存储介质 | |
CN103455820A (zh) | 基于机器视觉技术的车辆检测和跟踪方法及系统 | |
CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN107194393A (zh) | 一种检测临时车牌的方法及装置 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
CN105335688B (zh) | 一种基于视觉图像的飞机机型识别方法 |
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 |