CN111090105B - 一种车载激光雷达点云信号地面点分离方法 - Google Patents

一种车载激光雷达点云信号地面点分离方法 Download PDF

Info

Publication number
CN111090105B
CN111090105B CN201911375674.9A CN201911375674A CN111090105B CN 111090105 B CN111090105 B CN 111090105B CN 201911375674 A CN201911375674 A CN 201911375674A CN 111090105 B CN111090105 B CN 111090105B
Authority
CN
China
Prior art keywords
point
threshold
ground
points
criterion
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
CN201911375674.9A
Other languages
English (en)
Other versions
CN111090105A (zh
Inventor
冷智鑫
高炳钊
李鑫
贾士政
何钢磊
张洪坤
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN201911375674.9A priority Critical patent/CN111090105B/zh
Publication of CN111090105A publication Critical patent/CN111090105A/zh
Application granted granted Critical
Publication of CN111090105B publication Critical patent/CN111090105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了一种车载激光雷达点云信号地面点分离方法，具体的步骤如下：S1：读取原始激光雷达点云信号；S2：根据时间戳把所述原始激光雷达点云信号分解为单帧点云信号；S3：利用激光雷达的水平分辨率针对单帧点云信号，计算垂直线数量；S4：针对每一条垂直线寻找其地面初始点和阈值点；S5：根据每条垂直线上的地面初始点和阈值点的选取将点云信号划分为地面点和非地面点，得到最终的分离结果。该方法在满足实时性要求的同时精度可以达到保障。且该方法基于数学模型而非数据驱动式模型，有良好的可验证性以及实用性，该算法处理用时较短，可以为后续非地面点聚类或者应用神经网络模型推理预留了充足的时间。

Description

一种车载激光雷达点云信号地面点分离方法
技术领域
本发明涉及点云数据处理技术领域，更具体的说是涉及一种车载激光雷达点云信号地面点分离方法。
背景技术
现如今随着智能辅助驾驶系统的发展，许多传感器都被用作探测周围环境的工具，例如摄像头，毫米波雷达，惯性导航系统，激光雷达等。其中车载激光雷达作为自动驾驶汽车的眼睛已经成为了不可或缺的传感器类型，其信号处理技术的发展更为迅速。一方面，我们需要提高传感器的测量精度，另一方面，期望用更为准确的处理算法对传感器数据进行处理并满足系统实时性需求。地面点与非地面点分离技术是车载激光雷达点云信号处理之关键，地面点分离是后续聚类算法必不可少的一部分，其计算精度和效率极大影响了后续分类算法的精度。无论是二维点云数据还是三维点云数据，都将地面点分离作为整体算法的第一步。近年来许多学者提出了许多方法用来分离地面点和非地面点，但存在系统实时性与精度的问题，诸如算法精度高却无法满足实时性要求等因素。
因此，如何提供一种在满足精度要求下并满足实时性要求的点云处理方法，用来满足车辆无人驾驶需求中的激光雷达感知问题的需求。
发明内容
有鉴于此，本发明提供了一种将车载激光雷达点云信号中的地面点进行快速、准确的分离方法。该方法在满足实时性要求的同时精度可以达到保障。且该方法基于数学模型而非数据驱动式模型，有良好的可验证性以及实用性，该算法处理用时较短，可以为后续非地面点聚类或者应用神经网络模型推理预留了充足的时间。
为了实现上述目的，本发明提供如下技术方案：
一种车载激光雷达点云信号地面点分离方法，具体的步骤如下：
S1：读取原始激光雷达点云信号；
S2：根据时间戳把所述原始激光雷达点云信号分解为单帧点云信号；
S3：利用激光雷达的水平分辨率针对单帧点云信号，计算垂直线数量；
S4：针对每一条垂直线寻找其地面初始点和阈值点；
S5：根据每条垂直线上的地面初始点和阈值点的选取将点云信号划分为地面点和非地面点，得到最终的分离结果。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，根据时间戳把所述原始激光雷达点云信号分解为单帧点云信号，每帧信号有一个唯一的时间戳，这个时间戳唯一标示一帧信号。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，所述S3中，所述垂直线数量具体计算如下：
Figure BDA0002340895280000021
式中：rhor代表激光雷达的水平方向上的角度分辨率，nver代表垂直线数。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，所述S3中，所述地面初始点的选取为每条垂直线上与激光雷达垂向形成夹角最小的点。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，所述S3中，通过梯度判据、垂向距离判据、跨阈值点判据和反常点判据判断每条垂直线上的点是否属于阈值点；首先利用所述梯度判据，若满足梯度判据的内容则计算该点到地面初始点的垂向距离，若垂向距离大于阈值则认为该点是阈值点，反之则该点的前一个点为阈值点；若不满足梯度判据，之后利用跨阈值点判据进行判断，若该点不满足跨阈值点判据，则利用反常点判据进行判断；若该点满足跨阈值点判据，则计算两点之间的垂向距离，若该垂向距离大于阈值，则认为该点是阈值点，否则利用反常点判据进行判别；最后利用反常点判据进行判别，若该点不是反常点，则认为该点不是阈值点；若该点是反常点，则计算该点以及下一个点到原点的距离，若前者大于后者，则认为该点是阈值点。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，所述梯度判据为计算相邻点之间的梯度
Figure BDA0002340895280000031
其中，h0为相邻点之间的垂向距离，d为相邻点之间的连线距离；通过相邻点的梯度α与梯度阈值αmax进行比较，其中，αmax为经验值，通常来说αmax取45°至60°。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，所述垂向距离判据为计算当前点与地面初始点的垂向距离h＝hi-ha，其中hi为当前点的垂向距离，ha为地面初始点的垂向距离，通过当前点与地面初始点的垂向距离h与高度阈值hmax进行比较。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，所述高度阈值hmax＝δh(value(Nlabel)-value(Alabel))，其中，Nlabel表示在某垂直线中自第一个初始地面点开始逆时针计数所得的第N个点，value(Nlabel)表示该点在其所属垂直线中的点的顺序号，即N值；Alabel表示在某垂直线中自第一个初始地面点开始逆时针计数所得的第A个点，value(Alabel)表示该点在其所属垂直线中的点的顺序号，即A值；
Figure BDA0002340895280000032
整理得到
Figure BDA0002340895280000033
其中，Rn和Rn+1分别为两束激光到同一竖直面上的距离，δφ表示激光雷达的垂向分辨率，由激光雷达本身物理结构决定，δh为两束相邻的激光打到同一竖直面上的理论最小距离。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，两个采集点之间存在缺失点，判断当前点是否属于阈值点则需判断当前点与下一个相邻采集点之间的垂向距离ht是否大于其设定垂向距离阈值htmax，用来判断当前点是否属于阈值点的依据，其值的选取可为1-3倍的δh；若满足ht＞htmax,则认为当前点满足跨阈值点判据，进而当前点属于阈值点。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，反常点判据判断反常点与后一个点到原点的距离，若反常点到原点的距离大于下一个点到原点的距离，则认为所述反常点为阈值点。
优选的，在上述的一种车载激光雷达点云信号地面点分离方法中，所述S5中，根据第二高度阈值重新判断新的地面起始点，判断阈值点以后采集到的点到地面初始点之间的垂向距离，当其距离小于设定第二高度阈值时，则认为当前点为新的地面初始点，所述第二高度阈值的选取为经验值，可选范围为3-10cm；依次对点云中的所有垂直线进行地面初始点和阈值点的判别，并所有点进行标记，将其划分为地面点和非地面点，划分的规则为从起始地面到下一个阈值点之间的所有点是地面点，否则是非地面点。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种将车载激光雷达点云信号中的地面点进行快速、准确的分离方法。该方法在满足实时性要求的同时精度可以达到保障。且该方法基于数学模型而非数据驱动式模型，有良好的可验证性以及实用性，该算法处理用时较短，可以为后续非地面点聚类或者应用神经网络模型推理预留了充足的时间。首先采集车载点云信号，提取出单帧信号进行处理，并根据计算出垂直线数目，之后针对每条垂直线进行处理；需要为点云中的每个点进行分析判别，并分析其中的地面初始点和阈值点，其判据有4项具体内容组成。提取出点云中的地面初始点和阈值点以后将为点云中的每个点添加标签，标签分为地面点和非地面点，即本发明算法中所要实现的内容，划分的规则为从起始地面到下一个阈值点之间的所有点认为其是地面点，否则是非地面点。至此，将车载激光雷达点云中的点划分为地面点和非地面点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明的总流程图；
图2是本发明的阈值点判别流程图；
图3是本发明中一条垂直线上的扫描点示例图；
图4是本发明中阈值点判别条件中的梯度判据说明图；
图5是本发明中阈值点判别条件中的高度判据说明图；
图6是本发明中的阈值点判别条件中的跨阈值点判据说明图；
图7是本发明中的阈值点判别条件中的反常点判据说明图；
图8是本发明中的垂向最小距离计算说明图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例公开了一种将车载激光雷达点云信号中的地面点进行快速、准确的分离方法。该方法在满足实时性要求的同时精度可以达到保障。且该方法基于数学模型而非数据驱动式模型，有良好的可验证性以及实用性，该算法处理用时较短，可以为后续非地面点聚类或者应用神经网络模型推理预留了充足的时间。
一种车载激光雷达点云信号地面点分离方法，如图1所示，首先采集车载点云信号，提取出单帧信号进行处理，计算出垂直线数目，之后针对每条垂直线进行处理。附图1中的第一个循环的的终止条件是对每条垂直线进行循环，第二个循环是是针对每个垂直线中的所有点进行的循环。需要为点云中的每个点进行分析判别，并分析其中的地面初始点和阈值点，其判据有4项具体内容组成，在附图2中进行说明。提取出点云中的地面初始点和阈值点以后将为点云中的每个点添加标签，标签分为地面点和非地面点，即本发明算法中所要实现的内容，划分的规则为从起始地面到下一个阈值点之间的所有点认为其是地面点，否则是非地面点。至此，整体算法结束，将车载激光雷达点云中的点划分为地面点和非地面点。
具体步骤包括：
1、利用车载激光雷达采集原始激光雷达点云信号，并根据时间戳将原始激光雷达点云信号分为单帧点云信号。
2、计算点云信号的垂直线数，图2为一条垂直线上的点云分布示意图。每一条垂直线上的点的数量与激光雷达的激光器数量有关，对于64线激光雷达来说，理论上应该有64个点，但由于有些激光被吸收或未返回，因此点数不一定与激光器数目相等，进而产生跨阈值点判据。下面的处理针对单一垂直线进行。
Figure BDA0002340895280000061
式中：rhor代表激光雷达的水平方向上的角度分辨率，nver代表垂直线数。
3、选择第一个地面初始点为A点。阈值点的选取策略如图2所示，首先根据梯度判据和高度判据进行判别。如附图3、4所示是针对阈值的选取策略中的梯度判据和高度判据，第一计算相邻点之间连线与水平线之间的夹角，如附图4所示，α值可以通过公式(2)所得：
Figure BDA0002340895280000071
其中，h0为相邻点之间的垂向距离，d为相邻点之间的连线距离；
第二计算当前点到第一个地面初始点之间的垂向距离值h＝hi-ha，其中hi为当前点的垂向距离，ha为地面初始点的垂向距离；当夹角α大于设定的阈值α＞αmax时且满足h＜hmax时，则可认为该点为阈值点，若满足前者但不满足后者则认定该点的前一个点为阈值点；其中αmax的选取为经验值，下面说明hmax的计算方法。如附图8所示，δφ表示激光雷达的垂直分辨率，其垂向最小距离δh可由式(4)求得,为了简化计算，式(4)可以简化为(5)。由此，hmax可由(6)式计算所得。
Figure BDA0002340895280000072
Figure BDA0002340895280000073
hmax＝δh(value(Nlabel)-value(Alabel))(6)
式中Rn和Rn+1表示某点到激光雷达原点的距离，Nlabel表示在某垂直线中自第一个初始地面点开始逆时针计数所得的第N个点，value(Nlabel)表示该点在其所属垂直线中的点的顺序号，即N值；Alabel表示在某垂直线中自第一个初始地面点开始逆时针计数所得的第A个点，value(Alabel)表示该点在其所属垂直线中的点的顺序号，即A值。
4、其次根据跨阈值点判据进行判别。如附图5，当两个采集点之间存在缺失点时，由之前论述可知有可能其中存在着吸光物体，因此激光束未返回，此时需应用跨阈值点判据。两个采集点之间存在缺失点，判断该点是否属于阈值点则需判断该点与下一个相邻采集点之间的垂向距离ht是否大于其设定垂向距离阈值htmax，在该情况下，若满足ht＞htmax,则认为该点满足跨阈值点判据，进而该点属于阈值点。
5、最后利用反常点判据进行判别。具体来说判断反常点到激光雷达中心的距离进行判断。如附图6所示，一般来说，激光雷达采集得到的点到原点的距离应依次增大，若存在不满足该条件的点，称之为反常点。判断条件为计算反常点与后一个点到原点的距离，若反常点到原点的距离大于下一个点到原点的距离，则认为这个反常点为阈值点。
以上是判断阈值点的四个判据，判断完阈值点以后，需要根据第二高度阈值重新判断新的地面起始点。即判断阈值点以后采集到的点到地面初始点之间的垂向距离，当其距离小于设定阈值时，则认为该点为新的地面点，此处所述的第二高度阈值的选取为经验值。
6、依次对点云中的所有垂直线根据上述判据进行地面初始点和阈值点的判别。进而所有点进行标记，即将其划分为地面点和非地面点。划分的规则为从起始地面到下一个阈值点之间的所有点认为其是地面点，否则是非地面点。
进一步，如图2所示，具体包含四个判据用来判断每条垂直线上的点是否属于阈值点。其四个判据分别为：梯度判据、垂向距离判据、跨阈值点判据和反常点判据。首先利用梯度判据，若满足梯度判据的内容则计算该点到地面初始点的垂向距离，若垂向距离大于阈值则认为该点是阈值点，反之则该点的前一个点为阈值点；若不满足梯度判据，之后利用跨阈值点判据进行判断，若该点不满足跨阈值点判据，则利用反常点判据进行分析。若该点满足跨阈值点判据，则计算两点之间的垂向距离，若该垂向距离大于阈值，则认为该点是阈值点，否则利用反常点判据进行判别；最后利用反常点判据进行判别，若该点不是反常点，则认为该点不是阈值点。若该点是反常点，则计算该点以及下一个点到原点的距离，若前者大于后者，则认为该点是阈值点。由此，阈值点判断结束。其中包含的四个判据分别由附图4至附图8说明。
附图3是本发明的垂直线上扫描点示意图，由之前的论述，每条垂直线上的点数理论上应该与激光雷达线数相匹配，本图仅作举例说明，而非真正采集点。在附图3中，点1至5均为激光雷达同一垂直线上的扫描点，由之前论述认为点1是第一个地面初始点。需要对点2至5分析其是否为阈值点，进而区分地面点与非地面点。
附图4是阈值点分析中的梯度判据。A点为地面初始点，需要分析点B至点F是否为阈值点。由附图可知C点与D点指点的夹角α大于设定的阈值αmax，因此进一步分析其高度阈值判据，比较其与A点的垂向距离，显然A点的垂向距离小于设定阈值，因此在这种情况下点C为阈值点，点B、D、E、F为普通点。相比附图5来说，C点都满足梯度判据，附图4中的C点满足高度判据，而附图5中的C点不满足高度判据因而在附图5中点B为阈值点，点C、D、E、F为普通点。
附图6是阈值点分析的跨阈值点判据。由附图6可知A点为地面初始点，点B与点C之间存在两束未返回的激光束，因此无法得到其间的扫描点。若存在这种情况，则认为该垂直线中满足跨阈值点判据，需要计算点B与点C之间的垂向距离，同时与设定阈值ht比较，若满足ht＞htmax，则认为点B为阈值点，否则点B不为阈值点。假设B点满足上述条件，则点C、D、E、F为普通点，点B为阈值点。
附图7是阈值点分析的反常点判据。由附图7可知该垂直线中存在反常点，由于OC＞OD，因此认定C点为阈值点。点B、D、E、F为普通点。以上是阈值点分析的四个判据说明，包含于附图4至附图7，举例说明了各典型阈值点的选取过程。
附图8是高度判据中的高度阈值计算方法说明图。该图为正视图，Rn和Rn+1分别为两束激光到同一竖直面上的距离，δφ表示激光雷达的垂向分辨率，由激光雷达本身物理结构决定，因此其为定值，δh为两束相邻的激光打到同一竖直面上的理论最小距离，δh可由余弦定理求得，参见公式(4)，由于Rn和Rn+1数值相差不大，因而简化计算，令Rn＝Rn+1，简化得到公式(5)，由此δh可求得。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种车载激光雷达点云信号地面点分离方法，其特征在于，具体的步骤如下：
S1：读取原始激光雷达点云信号；
S2：根据时间戳把所述原始激光雷达点云信号分解为单帧点云信号；
S3：利用激光雷达的水平分辨率针对单帧点云信号，计算垂直线数量；
通过梯度判据、垂向距离判据、跨阈值点判据和反常点判据判断每条垂直线上的点是否属于阈值点；首先利用所述梯度判据，若满足梯度判据的内容则计算该点到地面初始点的垂向距离，若垂向距离大于阈值则认为该点是阈值点，反之则该点的前一个点为阈值点；若不满足梯度判据，之后利用跨阈值点判据进行判断，若该点不满足跨阈值点判据，则利用反常点判据进行判断；若该点满足跨阈值点判据，则计算两点之间的垂向距离，若该垂向距离大于阈值，则认为该点是阈值点，否则利用反常点判据进行判别；最后利用反常点判据进行判别，若该点不是反常点，则认为该点不是阈值点；若该点是反常点，则计算该点以及下一个点到原点的距离，若前者大于后者，则认为该点是阈值点；
S4：针对每一条垂直线寻找其地面初始点和阈值点；
S5：根据每条垂直线上的地面初始点和阈值点的选取将点云信号划分为地面点和非地面点，得到最终的分离结果。
2.根据权利要求1所述的一种车载激光雷达点云信号地面点分离方法，其特征在于，所述S3中，所述垂直线数量具体计算如下：
Figure FDA0003226188280000011
式中：rhor代表激光雷达的水平方向上的角度分辨率，nver代表垂直线数。
3.根据权利要求1所述的一种车载激光雷达点云信号地面点分离方法，其特征在于，所述S3中，所述地面初始点的选取为每条垂直线上与激光雷达垂向形成夹角最小的点。
4.根据权利要求1所述的一种车载激光雷达点云信号地面点分离方法，其特征在于，所述梯度判据为计算相邻点之间的梯度
Figure FDA0003226188280000021
其中，h0为相邻点之间的垂向距离，d为相邻点之间的连线距离；通过相邻点的梯度α与梯度阈值αmax进行比较，其中，αmax为经验值。
5.根据权利要求1所述的一种车载激光雷达点云信号地面点分离方法，其特征在于，所述垂向距离判据为计算当前点与地面初始点的垂向距离h＝hi-ha，其中hi为当前点的垂向距离，ha为地面初始点的垂向距离；通过当前点与地面初始点的垂向距离h与高度阈值hmax进行比较。
6.根据权利要求5所述的一种车载激光雷达点云信号地面点分离方法，其特征在于，所述高度阈值hmax＝δh(value(Nlabel)-value(Alabel))，其中，Nlabel表示在某垂直线中自第一个初始地面点开始逆时针计数所得的第N个点，value(Nlabel)表示该点在其所属垂直线中的点的顺序号，即N值；Alabel表示在某垂直线中自第一个初始地面点开始逆时针计数所得的第A个点，value(Alabel)表示该点在其所属垂直线中的点的顺序号，即A值；
Figure FDA0003226188280000022
整理得到
Figure FDA0003226188280000023
其中，Rn和Rn+1分别为两束激光到同一竖直面上的距离，δφ表示激光雷达的垂向分辨率，由激光雷达本身物理结构决定，δh为两束相邻的激光打到同一竖直面上的理论最小距离。
7.根据权利要求1所述的一种车载激光雷达点云信号地面点分离方法，其特征在于，两个采集点之间存在缺失点，判断当前点是否属于阈值点则需判断当前点与下一个相邻采集点之间的垂向距离ht是否大于其设定垂向距离阈值htmax；若满足ht＞htmax,则认为当前点满足跨阈值点判据，进而当前点属于阈值点。
8.根据权利要求1所述的一种车载激光雷达点云信号地面点分离方法，其特征在于，反常点判据判断反常点与后一个点到原点的距离，若反常点到原点的距离大于下一个点到原点的距离，则认为所述反常点为阈值点。
9.根据权利要求1所述的一种车载激光雷达点云信号地面点分离方法，其特征在于，所述S5中，根据第二高度阈值重新判断新的地面起始点，判断阈值点以后采集到的点到地面初始点之间的垂向距离，当其距离小于设定第二高度阈值时，则认为当前点为新的地面初始点，所述第二高度阈值为新的初始地面点时与第一个初始地面点的垂向距离差值的临界阈值；依次对点云中的所有垂直线进行地面初始点和阈值点的判别，并所有点进行标记，将其划分为地面点和非地面点，划分的规则为从起始地面到下一个阈值点之间的所有点是地面点，否则是非地面点。
CN201911375674.9A 2019-12-27 2019-12-27 一种车载激光雷达点云信号地面点分离方法 Active CN111090105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911375674.9A CN111090105B (zh) 2019-12-27 2019-12-27 一种车载激光雷达点云信号地面点分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911375674.9A CN111090105B (zh) 2019-12-27 2019-12-27 一种车载激光雷达点云信号地面点分离方法

Publications (2)

Publication Number Publication Date
CN111090105A CN111090105A (zh) 2020-05-01
CN111090105B true CN111090105B (zh) 2021-11-19

Family

ID=70396822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911375674.9A Active CN111090105B (zh) 2019-12-27 2019-12-27 一种车载激光雷达点云信号地面点分离方法

Country Status (1)

Country Link
CN (1) CN111090105B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113281717A (zh) * 2021-06-04 2021-08-20 上海西井信息科技有限公司 基于激光雷达的地面过滤方法、系统、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8224097B2 (en) * 2008-06-12 2012-07-17 Sri International Building segmentation for densely built urban regions using aerial LIDAR data
CN103268609A (zh) * 2013-05-17 2013-08-28 清华大学 一种有序提取地面的点云分割方法
CN103679655A (zh) * 2013-12-02 2014-03-26 河海大学 一种基于坡度与区域生长的LiDAR点云滤波方法
CN105354811A (zh) * 2015-10-30 2016-02-24 北京自动化控制设备研究所 一种地面用多线三维激光雷达点云数据的滤波方法
CN107272019A (zh) * 2017-05-09 2017-10-20 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法
CN108427124A (zh) * 2018-02-02 2018-08-21 北京智行者科技有限公司 一种多线激光雷达地面点分离方法及装置、车辆
CN108596860A (zh) * 2018-05-10 2018-09-28 芜湖航飞科技股份有限公司 一种基于三维激光雷达的地面点云分割方法
CN110221312A (zh) * 2019-07-05 2019-09-10 上海大学 一种基于激光雷达快速检测地面点云的方法
CN110443786A (zh) * 2019-07-25 2019-11-12 深圳一清创新科技有限公司 激光雷达点云滤波方法、装置、计算机设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8224097B2 (en) * 2008-06-12 2012-07-17 Sri International Building segmentation for densely built urban regions using aerial LIDAR data
CN103268609A (zh) * 2013-05-17 2013-08-28 清华大学 一种有序提取地面的点云分割方法
CN103679655A (zh) * 2013-12-02 2014-03-26 河海大学 一种基于坡度与区域生长的LiDAR点云滤波方法
CN105354811A (zh) * 2015-10-30 2016-02-24 北京自动化控制设备研究所 一种地面用多线三维激光雷达点云数据的滤波方法
CN107272019A (zh) * 2017-05-09 2017-10-20 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法
CN108427124A (zh) * 2018-02-02 2018-08-21 北京智行者科技有限公司 一种多线激光雷达地面点分离方法及装置、车辆
CN108596860A (zh) * 2018-05-10 2018-09-28 芜湖航飞科技股份有限公司 一种基于三维激光雷达的地面点云分割方法
CN110221312A (zh) * 2019-07-05 2019-09-10 上海大学 一种基于激光雷达快速检测地面点云的方法
CN110443786A (zh) * 2019-07-25 2019-11-12 深圳一清创新科技有限公司 激光雷达点云滤波方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
地面激光点云分割技术的研究;赵成伟;《中国优秀硕士学位论文全文数据库信息科技辑》;20170415;第8-9页 *
基于射线坡度阈值的城市地面分割算法;李炯等;《光学学报》;20190930;第39卷(第9期);第1-9页 *

Also Published As

Publication number Publication date
CN111090105A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
KR102198724B1 (ko) 포인트 클라우드 데이터를 처리하기 위한 방법 및 장치
Bosse et al. Place recognition using keypoint voting in large 3D lidar datasets
CN111462237B (zh) 利用多源信息构建四通道虚拟图像的目标距离检测方法
US20230099113A1 (en) Training method and apparatus for a target detection model, target detection method and apparatus, and medium
CN107144839A (zh) 通过传感器融合检测长对象
CN112883820B (zh) 基于激光雷达点云的道路目标3d检测方法及系统
KR101822373B1 (ko) 물체 탐지 장치 및 방법
Li et al. An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN101794437B (zh) 一种高光谱遥感影像异常探测方法
CN111695619A (zh) 一种多传感器目标融合方法、装置、车辆及存储介质
CN112462381A (zh) 一种基于车路协同的多激光雷达融合方法
CN109916488A (zh) 动态车辆称重方法及装置
CN111913177A (zh) 对目标物探测方法、装置以及存储介质
Pyo et al. Front collision warning based on vehicle detection using CNN
CN106080397A (zh) 自适应巡航系统及车载设备
CN111090105B (zh) 一种车载激光雷达点云信号地面点分离方法
CN114882701A (zh) 车位检测方法、装置、电子设备及机器可读存储介质
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
CN115546595A (zh) 基于激光雷达和摄像头融合感知的轨迹追踪方法及系统
CN115116034A (zh) 一种夜间行人检测方法、装置及系统
CN114882458A (zh) 一种目标跟踪方法、系统、介质及设备
CN116863325A (zh) 一种用于多个目标检测的方法和相关产品
CN114063107A (zh) 一种基于激光束的地面点云提取方法
EP3330893A1 (en) Information processing device, information processing method, and carrier means

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