CN111340875A - 一种基于三维激光雷达的空间移动目标检测方法 - Google Patents
一种基于三维激光雷达的空间移动目标检测方法 Download PDFInfo
- Publication number
- CN111340875A CN111340875A CN202010095900.4A CN202010095900A CN111340875A CN 111340875 A CN111340875 A CN 111340875A CN 202010095900 A CN202010095900 A CN 202010095900A CN 111340875 A CN111340875 A CN 111340875A
- Authority
- CN
- China
- Prior art keywords
- point
- laser
- ground
- points
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Abstract
Description
技术领域
本发明属于环境感知领域,特别涉及了一种空间移动目标检测方法。
背景技术
自主感知是机器人智能化和自主导航的核心技术之一,自主机器人对目标的检测水平的提高是其自主感知能力提高的关键因素。激光雷达不依赖于外接的光照条件,是一种主动式探测传感器,且具备高精度的测距信息。基于激光雷达目标检测方法是目标检测中应用最广泛的方法之一。
目前大多数的激光雷达目标检测都基于聚类分割的方法,但由于激光雷达点云稀疏,较视觉传感器来说,不具备纹理信息,往往无法进行有效的障碍物分割和轮廓的提取。仅采用基于聚类分割障碍物检测方法无法通过框选获得准确的分割结果和目标的轮廓、深度信息。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种基于三维激光雷达的空间移动目标检测方法。
为了实现上述技术目的,本发明的技术方案为:
一种基于三维激光雷达的空间移动目标检测方法,包括以下步骤:
(1)周期读取k时刻激光雷达点云Sk,进行点云划分;
进一步地,在步骤(1)中,所述点云划分的过程如下:
(1-1)定义传感器坐标系的X,Y,Z轴分别为激光雷达的前向,右向,下向;
(1-2)周期读取k时刻三维激光雷达点云Sk={si},i=1,2,...,Na,i按照激光雷达线与传感器Z轴方向夹角从小到大依次递增,Na为激光雷达线数;si={pij},j=1,2,...,Nb,Nb为单线激光点云的激光点个数,pij表示第i线激光点云的第j个激光点;
(1-3)将si平均分为Nc段,Sk将被划分为Na×Nc段,记Bk,l为k时刻激光雷达点云Sk的第l段激光点云,l=1,2,...,Na×Nc。
进一步地,在步骤(2)中,所述优化的Ransac地面分离的过程如下:
(2-1)设置参数并进行初始化:
记Ks为最大迭代次数,K为迭代次数;记为候选地面点集,为的候选地面点个数,为Bk,l中的候选地面点个数;记Tbetter为候选地面点集满足最优地面点集的激光点数量比重阈值,det(Cbest)为候选地面点集满足最优地面点集的激光点分布权重协方差矩阵Cbest的行列式;记为最优地面点集,为的最优地面点个数,为Bk,l中的最优地面点个数;定义候选地面点集为与拟合的地面平面之间满足距离阈值的激光雷达点集,最优地面点集为数量比重满足激光点数量比重阈值且激光点分布权重协方差矩阵行列式最大的激光雷达点集;
(2-2)筛选k时刻雷达点云采样先验数据集:
当k≠0时,根据k-1时刻的数据计算得到相应的先验数据集Dk;
(2-3)根据采样点拟合k时刻的地面模型:
在先验数据集Dk中迭代随机抽样3个样本,利用克莱姆法则计算k时刻模型参数,设拟合平面Pk:ax+by+cz+d=0,3个样本分别为(x1,y1,z1),(x2,y2,z2),(x3,y3,z3),则:
其中,(xij,yij,zij)为pij的三维坐标;
(2-5)根据候选地面点的比重与分布筛选最优地面点集:
(2-6)更新迭代次数并判断是否满足终止条件:
不断更新迭代次数K,如果K≤Ks,则跳转至步骤(2-2),直到满足终止条件,如果K>Ks,将直接停止迭代;Ks的计算式如下:
其中,μ为采样Ks次都至少包含一个非地面点的概率;pk,l为k时刻从Bk,l中采样构成数据集的概率,k=0时,k≠0时,pk,l为k-1时刻得到的先验采样概率;为k时刻Bk,l中的最优地面点的比率,其计算式如下:
(2-8)计算k时刻的最优地面点比重,得到k+1时刻解算模型参数的先验数据集:
其中,0<δ<0.5;
根据最优地面点分布获得k+1时刻采样数据集:
记pk+1,l为k时刻从Bk+1,l中采样的概率,记Dk+1为根据pk+1,l从Bk+1,l中取整抽样数据集:
进一步地,在步骤(3)中,所述基于距离图像的点云分割方法如下:
(3-2)定义激光点pa上下左右四点邻域内均存在激光点,则激光点pa为一个遍历中心;随机选择中遍历中心点pi,j,如果该点还不是任何类别的成员,创建一个新类别N,将pi,j加入N,如果该点标签为0将标签置为1表示已被分类,其中N=1,2,3…依次递增;
(3-3)定义激光点pb在激光点pa上下左右的邻域内,且激光点pa为遍历中心,则称激光点pb为激光点pa的遍历直达。根据下计算激光点pi,j以及其遍历直达点pi-1,j,pi+1,j,pi,j-1,pi,j+1五个点的深度和
其中,(xi,j,yi,j,zi,j)为pi,j的三维坐标;
其中,α为激光雷达水平角分辨率;
(3-4)当pi,j与其遍历直达点的夹角β>60°,如果该遍历直达点还不是任何类别的成员,将该遍历直达点加入类别N,将标签0置为1;当pi,j与遍历直达点夹角β≤60°,如果该遍历直达点还不是任何类别的成员,将该遍历直达点加入类别N+1,将标签0置为1;
(3-5)定义激光点pb与激光点pa,若存在激光点p1,p2,…,pm,…pn,其中p1=pa,pn=pb,且pm由pm-1遍历可达,则称激光点pb与激光点pa遍历可达;重复步骤(3-3)、(3-4),遍历激光点pi,j的遍历可达点并进行分类,直到激光点pi,j的遍历可达点均被分类;
(3-6)重复步骤(3-2)、(3-3)、(3-4)和(3-5),直到所有激光点均被分类;
(3-7)将分割后的点云按照下式根据深度等比例变化映射为灰度图像Ik:
进一步地,在步骤(4)中,所述自适应形态学滤波的过程如下:
(4-1)随机选择Ik中像素点mi,j,并遍历其上下左右4个像素点mi-1,j,mi+1,j,mi,j-1和mi,j+1;
(4-2)填充空洞:如果该像素点mi,j的像素为0且上下左右4个像素点像素值≥0的点数≥3,则根据下式对其进行膨胀操作,否则不对其进行任何操作:
(4-3)滤除空洞:如果该像素点mi,j的像素为≥0且上下左右4个像素点像素值为0的点数≥3,则根据下式对其进行腐蚀操作,否则不对其进行任何操作:
其中,⊙表示腐蚀运算,B2为腐蚀结构元素,DB2为结构元素B2的定义像素域,大小为3×3,o2为结构元素B2的中心点(0,0)。
进一步地,步骤(5)的具体过程如下:
(5-2)根据下式计算障碍物相对于传感器的相对距离robs:
(5-3)根据下式计算障碍物相对传感器的方位角θ:
其中,(x0k,y0k)为激光雷达k时刻在全局坐标系下的坐标,全局坐标系的原点为初始时刻激光雷达所在位置。
采用上述技术方案带来的有益效果:
本发明提供的一种基于三维激光雷达的空间移动目标检测方法,能够在三维激光雷达点云稀疏的条件下,获取获取障碍物的轮廓尺寸和深度航向信息,并满足实时性的要求。
附图说明
图1是本发明的方法流程图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种基于三维激光雷达的空间移动目标检测方法,如图1所示,步骤如下:
步骤1:周期读取k时刻激光雷达点云Sk,进行点云划分;
在本实施例中,优选地,在步骤1中,所述点云划分的过程如下:
1-1、定义传感器坐标系的X,Y,Z轴分别为激光雷达的前向,右向,下向;
1-2、周期读取k时刻三维激光雷达点云Sk={si},i=1,2,…,Na,i按照激光雷达线与传感器Z轴方向夹角从小到大依次递增,Na为激光雷达线数;si={pij},j=1,2,…,Nb,Nb为单线激光点云的激光点个数,pij表示第i线激光点云的第j个激光点;
1-3、将si平均分为Nc段,Sk将被划分为Na×Nc段,记Bk,l为k时刻激光雷达点云Sk的第l段激光点云,l=1,2,…,Na×Nc。
在本实施例中,优选地,在步骤2中,所述优化的Ransac地面分离的过程如下:
2-1、设置参数并进行初始化:
记Ks为最大迭代次数,K为迭代次数;记为候选地面点集,为的候选地面点个数,为Bk,l中的候选地面点个数;记Tbetter为候选地面点集满足最优地面点集的激光点数量比重阈值,det(Cbest)为候选地面点集满足最优地面点集的激光点分布权重协方差矩阵Cbest的行列式;记为最优地面点集,为的最优地面点个数,为Bk,l中的最优地面点个数;定义候选地面点集为与拟合的地面平面之间满足距离阈值的激光雷达点集,最优地面点集为数量比重满足激光点数量比重阈值且激光点分布权重协方差矩阵行列式最大的激光雷达点集;
2-2、筛选k时刻雷达点云采样先验数据集:
当k≠0时,根据k-1时刻的数据计算得到相应的先验数据集Dk,见步骤2-8;
2-3、根据采样点拟合k时刻的地面模型:
在先验数据集Dk中迭代随机抽样3个样本,利用克莱姆法则计算k时刻模型参数,设拟合平面Pk:ax+by+cz+d=0,3个样本分别为(x1,y1,z1),(x2,y2,z2),(x3,y3,z3),则:
其中,(xij,yij,zij)为pij的三维坐标;
2-5、根据候选地面点的比重与分布筛选最优地面点集:
2-6、更新迭代次数并判断是否满足终止条件:
不断更新迭代次数K,如果K≤Ks,则跳转至步骤(2-2),直到满足终止条件,如果K>Ks,将直接停止迭代;Ks的计算式如下:
其中,μ为采样Ks次都至少包含一个非地面点的概率;pk,l为k时刻从Bk,l中采样构成数据集的概率,k=0时,k≠0时,pk,l为k-1时刻得到的先验采样概率,见步骤2-8;为k时刻Bk,l中的最优地面点的比率,其计算式如下:
2-8、计算k时刻的最优地面点比重,得到k+1时刻解算模型参数的先验数据集:
其中,0<δ<0.5;
根据最优地面点分布获得k+1时刻采样数据集:
记pk+1,l为k时刻从Bk+1,l中采样的概率,记Dk+1为根据pk+1,l从Bk+1,l中取整抽样数据集:
在本实施例中,优选地,在步骤3中,所述基于距离图像的点云分割方法如下:
3-2、定义激光点pa上下左右四点邻域内均存在激光点,则激光点pa为一个遍历中心;随机选择中遍历中心点pi,j,如果该点还不是任何类别的成员,创建一个新类别N,将pi,j加入N,如果该点标签为0将标签置为1表示已被分类,其中N=1,2,3…依次递增;
3-3、定义激光点pb在激光点pa上下左右的邻域内,且激光点pa为遍历中心,则称激光点pb为激光点pa的遍历直达。根据下计算激光点pi,j以及其遍历直达点pi-1,j,pi+1,j,pi,j-1,pi,j+1五个点的深度和
其中,(xi,j,yi,j,zi,j)为pi,j的三维坐标;
其中,α为激光雷达水平角分辨率;
3-4、当pi,j与其遍历直达点的夹角β>60°,如果该遍历直达点还不是任何类别的成员,将该遍历直达点加入类别N,将标签0置为1;当pi,j与遍历直达点夹角β≤60°,如果该遍历直达点还不是任何类别的成员,将该遍历直达点加入类别N+1,将标签0置为1;
3-5、定义激光点pb与激光点pa,若存在激光点p1,p2,…,pm,…pn,其中p1=pa,pn=pb,且pm由pm-1遍历可达,则称激光点pb与激光点pa遍历可达;重复步骤3-3、3-4,遍历激光点pi,j的遍历可达点并进行分类,直到激光点pi,j的遍历可达点均被分类;
3-6、重复步骤3-2、3-3、3-4和3-5,直到所有激光点均被分类;
3-7、将分割后的点云按照下式根据深度等比例变化映射为灰度图像Ik:
在本实施例中,优选地,在步骤4中,所述自适应形态学滤波的过程如下:
4-1、随机选择Ik中像素点mi,j,并遍历其上下左右4个像素点mi-1,j,mi+1,j,mi,j-1和mi,j+1;
4-2、填充空洞:如果该像素点mi,j的像素为0且上下左右4个像素点像素值≥0的点数≥3,则根据下式对其进行膨胀操作,否则不对其进行任何操作:
4-3、滤除空洞:如果该像素点mi,j的像素为≥0且上下左右4个像素点像素值为0的点数≥3,则根据下式对其进行腐蚀操作,否则不对其进行任何操作:
其中,⊙表示腐蚀运算,B2为腐蚀结构元素,DB2为结构元素B2的定义像素域,大小为3×3,o2为结构元素B2的中心点(0,0)。
在本实施例中,优选地,步骤5的具体过程如下:
5-2、根据下式计算障碍物相对于传感器的相对距离robs:
5-3、根据下式计算障碍物相对传感器的方位角θ:
其中,(x0k,y0k)为激光雷达k时刻在全局坐标系下的坐标,全局坐标系的原点为初始时刻激光雷达所在位置。其中,传感器系的k时刻的X、Y、Z轴分别为传感器的前向、右向、下向,全局系的X、Y、Z轴分别为传感器初始坐标系下的前向、右向、下向。
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 (6)
2.根据权利要求1所述基于三维激光雷达的空间移动目标检测方法,其特征在于,在步骤(1)中,所述点云划分的过程如下:
(1-1)定义传感器坐标系的X,Y,Z轴分别为激光雷达的前向,右向,下向;
(1-2)周期读取k时刻三维激光雷达点云Sk={si},i=1,2,…,Na,i按照激光雷达线与传感器Z轴方向夹角从小到大依次递增,Na为激光雷达线数;si={pij},j=1,2,…,Nb,Nb为单线激光点云的激光点个数,pij表示第i线激光点云的第j个激光点;
(1-3)将si平均分为Nc段,Sk将被划分为Na×Nc段,记Bk,l为k时刻激光雷达点云Sk的第l段激光点云,l=1,2,…,Na×Nc。
3.根据权利要求2所述基于三维激光雷达的空间移动目标检测方法,其特征在于,在步骤(2)中,所述优化的Ransac地面分离的过程如下:
(2-1)设置参数并进行初始化:
记Ks为最大迭代次数,K为迭代次数;记为候选地面点集,为的候选地面点个数,为Bk,l中的候选地面点个数;记Tbetter为候选地面点集满足最优地面点集的激光点数量比重阈值,det(Cbest)为候选地面点集满足最优地面点集的激光点分布权重协方差矩阵Cbest的行列式;记为最优地面点集,为的最优地面点个数,为Bk,l中的最优地面点个数;定义候选地面点集为与拟合的地面平面之间满足距离阈值的激光雷达点集,最优地面点集为数量比重满足激光点数量比重阈值且激光点分布权重协方差矩阵行列式最大的激光雷达点集;
(2-2)筛选k时刻雷达点云采样先验数据集:
当k≠0时,根据k-1时刻的数据计算得到相应的先验数据集Dk;
(2-3)根据采样点拟合k时刻的地面模型:
在先验数据集Dk中迭代随机抽样3个样本,利用克莱姆法则计算k时刻模型参数,设拟合平面Pk:ax+by+cz+d=0,3个样本分别为(x1,y1,z1),(x2,y2,z2),(x3,y3,z3),则:
其中,(xij,yij,zij)为pij的三维坐标;
(2-5)根据候选地面点的比重与分布筛选最优地面点集:
(2-6)更新迭代次数并判断是否满足终止条件:
不断更新迭代次数K,如果K≤Ks,则跳转至步骤(2-2),直到满足终止条件,如果K>Ks,将直接停止迭代;Ks的计算式如下:
其中,μ为采样Ks次都至少包含一个非地面点的概率;pk,l为k时刻从Bk,l中采样构成数据集的概率,k=0时,k≠0时,pk,l为k-1时刻得到的先验采样概率;为k时刻Bk,l中的最优地面点的比率,其计算式如下:
(2-8)计算k时刻的最优地面点比重,得到k+1时刻解算模型参数的先验数据集:
其中,0<δ<0.5;
根据最优地面点分布获得k+1时刻采样数据集:
记pk+1,l为k时刻从Bk+1,l中采样的概率,记Dk+1为根据pk+1,l从Bk+1,l中取整抽样数据集:
4.根据权利要求1所述基于三维激光雷达的空间移动目标检测方法,其特征在于,在步骤(3)中,所述基于距离图像的点云分割方法如下:
(3-2)定义激光点pa上下左右四点邻域内均存在激光点,则激光点pa为一个遍历中心;随机选择中遍历中心点pi,j,如果该点还不是任何类别的成员,创建一个新类别N,将pi,j加入N,如果该点标签为0将标签置为1表示已被分类,其中N=1,2,3…依次递增;
(3-3)定义激光点pb在激光点pa上下左右的邻域内,且激光点pa为遍历中心,则称激光点pb为激光点pa的遍历直达。根据下计算激光点pi,j以及其遍历直达点pi-1,j,pi+1,j,pi,j-1,pi,j+1五个点的深度和
其中,(xi,j,yi,j,zi,j)为pi,j的三维坐标;
其中,α为激光雷达水平角分辨率;
(3-4)当pi,j与其遍历直达点的夹角β>60°,如果该遍历直达点还不是任何类别的成员,将该遍历直达点加入类别N,将标签0置为1;当pi,j与遍历直达点夹角β≤60°,如果该遍历直达点还不是任何类别的成员,将该遍历直达点加入类别N+1,将标签0置为1;
(3-5)定义激光点pb与激光点pa,若存在激光点p1,p2,...,pm,...pn,其中p1=pa,pn=pb,且pm由pm-1遍历可达,则称激光点pb与激光点pa遍历可达;重复步骤(3-3)、(3-4),遍历激光点pi,j的遍历可达点并进行分类,直到激光点pi,j的遍历可达点均被分类;
(3-6)重复步骤(3-2)、(3-3)、(3-4)和(3-5),直到所有激光点均被分类;
(3-7)将分割后的点云按照下式根据深度等比例变化映射为灰度图像Ik:
5.根据权利要求1所述基于三维激光雷达的空间移动目标检测方法,其特征在于,在步骤(4)中,所述自适应形态学滤波的过程如下:
(4-1)随机选择Ik中像素点mi,j,并遍历其上下左右4个像素点mi-1,j,mi+1,j,mi,j-1和mi,j+1;
(4-2)填充空洞:如果该像素点mi,j的像素为0且上下左右4个像素点像素值≥0的点数≥3,则根据下式对其进行膨胀操作,否则不对其进行任何操作:
(4-3)滤除空洞:如果该像素点mi,j的像素为≥0且上下左右4个像素点像素值为0的点数≥3,则根据下式对其进行腐蚀操作,否则不对其进行任何操作:
其中,⊙表示腐蚀运算,B2为腐蚀结构元素,DB2为结构元素B2的定义像素域,大小为3×3,o2为结构元素B2的中心点(0,0)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095900.4A CN111340875B (zh) | 2020-02-17 | 2020-02-17 | 一种基于三维激光雷达的空间移动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095900.4A CN111340875B (zh) | 2020-02-17 | 2020-02-17 | 一种基于三维激光雷达的空间移动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340875A true CN111340875A (zh) | 2020-06-26 |
CN111340875B CN111340875B (zh) | 2023-04-07 |
Family
ID=71186959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010095900.4A Active CN111340875B (zh) | 2020-02-17 | 2020-02-17 | 一种基于三维激光雷达的空间移动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340875B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111750870A (zh) * | 2020-06-30 | 2020-10-09 | 南京理工大学 | 一种空间翻滚火箭箭体的运动参数估计方法 |
CN111906765A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技(深圳)有限公司 | 应用于路径规划的空间采样方法、装置、设备及介质 |
CN112147638A (zh) * | 2020-09-21 | 2020-12-29 | 知行汽车科技(苏州)有限公司 | 基于激光点云反射强度的地面信息获取方法、装置和系统 |
CN112419360A (zh) * | 2020-11-16 | 2021-02-26 | 北京理工大学 | 一种基于立体成像的背景去除和目标图像分割方法 |
CN112764005A (zh) * | 2021-01-05 | 2021-05-07 | 哈尔滨工业大学 | 一种结合形态学滤波的Gm-APD激光雷达低信噪比回波数据重构方法 |
CN113284163A (zh) * | 2021-05-12 | 2021-08-20 | 西安交通大学 | 基于车载激光雷达点云的三维目标自适应检测方法及系统 |
CN116485678A (zh) * | 2023-04-28 | 2023-07-25 | 深圳联安通达科技有限公司 | 基于嵌入式操作系统的图像处理方法 |
CN117368880A (zh) * | 2023-12-07 | 2024-01-09 | 中国气象局人工影响天气中心 | 一种毫米波云雷达湍流杂波滤除方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180046909A (ko) * | 2016-10-28 | 2018-05-09 | 주식회사 메디트 | 3차원 데이터 처리 방법 |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN110221603A (zh) * | 2019-05-13 | 2019-09-10 | 浙江大学 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
-
2020
- 2020-02-17 CN CN202010095900.4A patent/CN111340875B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180046909A (ko) * | 2016-10-28 | 2018-05-09 | 주식회사 메디트 | 3차원 데이터 처리 방법 |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
CN110221603A (zh) * | 2019-05-13 | 2019-09-10 | 浙江大学 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
Non-Patent Citations (1)
Title |
---|
张银 等: "《三维激光雷达在无人车环境感知中的应用研究》" * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111750870A (zh) * | 2020-06-30 | 2020-10-09 | 南京理工大学 | 一种空间翻滚火箭箭体的运动参数估计方法 |
CN111750870B (zh) * | 2020-06-30 | 2023-12-26 | 南京理工大学 | 一种空间翻滚火箭箭体的运动参数估计方法 |
CN111906765B (zh) * | 2020-07-31 | 2022-07-12 | 平安科技(深圳)有限公司 | 应用于路径规划的空间采样方法、装置、设备及介质 |
CN111906765A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技(深圳)有限公司 | 应用于路径规划的空间采样方法、装置、设备及介质 |
CN112147638A (zh) * | 2020-09-21 | 2020-12-29 | 知行汽车科技(苏州)有限公司 | 基于激光点云反射强度的地面信息获取方法、装置和系统 |
CN112147638B (zh) * | 2020-09-21 | 2023-10-20 | 知行汽车科技(苏州)股份有限公司 | 基于激光点云反射强度的地面信息获取方法、装置和系统 |
CN112419360A (zh) * | 2020-11-16 | 2021-02-26 | 北京理工大学 | 一种基于立体成像的背景去除和目标图像分割方法 |
CN112419360B (zh) * | 2020-11-16 | 2023-02-21 | 北京理工大学 | 一种基于立体成像的背景去除和目标图像分割方法 |
CN112764005A (zh) * | 2021-01-05 | 2021-05-07 | 哈尔滨工业大学 | 一种结合形态学滤波的Gm-APD激光雷达低信噪比回波数据重构方法 |
CN113284163B (zh) * | 2021-05-12 | 2023-04-07 | 西安交通大学 | 基于车载激光雷达点云的三维目标自适应检测方法及系统 |
CN113284163A (zh) * | 2021-05-12 | 2021-08-20 | 西安交通大学 | 基于车载激光雷达点云的三维目标自适应检测方法及系统 |
CN116485678A (zh) * | 2023-04-28 | 2023-07-25 | 深圳联安通达科技有限公司 | 基于嵌入式操作系统的图像处理方法 |
CN116485678B (zh) * | 2023-04-28 | 2024-02-09 | 深圳联安通达科技有限公司 | 基于嵌入式操作系统的图像处理方法 |
CN117368880A (zh) * | 2023-12-07 | 2024-01-09 | 中国气象局人工影响天气中心 | 一种毫米波云雷达湍流杂波滤除方法 |
CN117368880B (zh) * | 2023-12-07 | 2024-02-06 | 中国气象局人工影响天气中心 | 一种毫米波云雷达湍流杂波滤除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111340875B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340875B (zh) | 一种基于三维激光雷达的空间移动目标检测方法 | |
CN106780524B (zh) | 一种三维点云道路边界自动提取方法 | |
CN111145228B (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
CN108109139B (zh) | 基于灰度体元模型的机载lidar三维建筑物检测方法 | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
CN111060888A (zh) | 一种融合icp和似然域模型的移动机器人重定位方法 | |
CN113345008B (zh) | 考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 | |
CN112099046B (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN113483747A (zh) | 基于具有墙角信息的语义地图改进amcl定位方法及机器人 | |
CN114565616B (zh) | 一种非结构化道路状态参数估计方法及系统 | |
CN113935428A (zh) | 基于图像识别的三维点云聚类识别方法及系统 | |
CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
CN113917487A (zh) | 基于激光雷达的封闭道路路沿和可行驶区域检测方法 | |
CN113139979A (zh) | 一种基于深度学习的边缘识别方法 | |
CN114549549B (zh) | 一种动态环境下基于实例分割的动态目标建模跟踪方法 | |
CN115100741A (zh) | 一种点云行人距离风险检测方法、系统、设备和介质 | |
CN113420648A (zh) | 一种具有旋转适应性的目标检测方法及系统 | |
CN113487631A (zh) | 基于lego-loam的可调式大角度探测感知及控制方法 | |
CN111080647B (zh) | 基于自适应滑动窗口滤波和fcm的sar图像分割方法 | |
CN110531340B (zh) | 一种激光雷达点云数据的基于深度学习的识别处理方法 | |
CN107765257A (zh) | 一种基于反射强度辅助外部校准的激光探测与测量方法 | |
CN109508674B (zh) | 基于区域划分的机载下视异构图像匹配方法 | |
Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes |
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 |