CN111369600B - 一种基于参照物的激光雷达点云数据配准方法 - Google Patents

一种基于参照物的激光雷达点云数据配准方法 Download PDF

Info

Publication number
CN111369600B
CN111369600B CN202010088663.9A CN202010088663A CN111369600B CN 111369600 B CN111369600 B CN 111369600B CN 202010088663 A CN202010088663 A CN 202010088663A CN 111369600 B CN111369600 B CN 111369600B
Authority
CN
China
Prior art keywords
point cloud
registration
cloud data
reference object
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
Application number
CN202010088663.9A
Other languages
English (en)
Other versions
CN111369600A (zh
Inventor
郑建颖
张哲源
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN202010088663.9A priority Critical patent/CN111369600B/zh
Publication of CN111369600A publication Critical patent/CN111369600A/zh
Application granted granted Critical
Publication of CN111369600B publication Critical patent/CN111369600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明实施例公开了一种基于参照物的激光雷达点云数据配准方法。本发明实施例采用基于参照物的激光雷达点云数据配准方法，利用参照物所反射的点云数据的配准来代替全局点云数据的配准，有效地节约了配准时长；进一步地，对参照物所反射的点云数据进行配准，能够消除多组点云数据之间的差异点对配准结果的影响，降低对扫描视角同一性的要求；进一步地，参照物采用逆向反射材料，具有区别环境中其他目标的显著特征，能够有效缓解利用参照物进行配准所带来的自动化水平降低的问题。

Description

一种基于参照物的激光雷达点云数据配准方法
技术领域
本发明涉及计算机视觉的技术领域，特别是涉及一种基于参照物的激光雷达点云数据配准方法。
背景技术
由于3D点云数据包含了物体的几何拓扑、相对位置等信息，3D点云数据在智能交通、地图构建、逆向工程等领域被广泛地应用。为了获得更加完整的几何拓扑信息，实际应用过程需要将多组3D点云数据(简称为点云数据)进行点云融合，其中，点云数据配准是点云融合的关键技术。
目前，点云数据配准常用的方法为迭代最近点方法(ICP,Iterative ClosestPoint)。ICP使用两组点云中各个点欧氏距离最短的点作为对应点，所有的对应点对形成对应点集，依据所有点对的欧氏距离平方的均值作为误差，逐步进行迭代，最终在算法误差最小时完成配准，并计算此时的变换矩阵。ICP存在三个缺点：由于ICP选用点云中所有的点计算对应点，而待配准的点云通常都具有极大的元素数量，从而ICP需要耗费很长的时间；ICP需要有一个较为合适的变换矩阵初值，若该变换矩阵初值拟定的不合适，将会陷入一个局部的极小值并耗费巨大的时间成本；对同一场景，若扫描视角偏差较大时，点云数据差异也很大，这将导致采用ICP进行配准时，场景中更多的点不是一一对应的，旋转及平移变换矩阵可能会收敛到一个错误的结果。
因此，针对上述技术问题，有必要提供一种时长消耗少、扫描视角同一性要求低的基于参照物的激光雷达点云数据配准方法。
发明内容
有鉴于此，针对现有技术中的ICP在点云数据配准时消耗时长过长且对扫描视角同一性要求过高的问题，本发明实施例采用基于参照物的激光雷达点云数据配准方法，利用参照物所反射的点云数据的配准来代替全局点云数据的配准，有效地节约了配准时长；进一步地，对参照物所反射的点云数据进行配准，能够消除多组点云数据之间差异点对配准结果的影响，降低对扫描视角同一性的要求；进一步地，参照物采用逆向反射材料，具有区别环境中其他目标的显著特征，能够有效解决利用参照物进行配准所带来的自动化水平降低的问题。
为了实现上述目的，本发明一实施例提供的技术方案如下：一种基于参照物的激光雷达点云数据配准方法包括步骤S1：制作具有逆向反射性能的参照物；S2：将所述参照物部署至待测环境中的预设位置处；S3：基于激光雷达获取待测环境的点云数据，依据所述点云数据中的反射强度信息进行初步滤波；S4：采用基于密度的聚类方法对初步滤波后的点云数据进行聚类，去除噪声并获得仅由参照物所反射的点云数据；S5：利用基于鲁棒M估计的迭代最近点方法，对步骤S4所获得点云数据进行加权配准；S6：将步骤S5加权配准所获得的旋转矩阵及平移向量应用到全局点云数据中，观测配准结果；若配准效果良好，则步骤S6结束，若配准存在误差，则将步骤S5加权配准所获得的旋转矩阵及平移向量作为迭代最近点方法的初始值，将全局点云进行迭代最近点方法的计算；S7：移动所述参照物至另一预设位置，重复步骤S3至S6，进行预设次数的配准，取最优配准结果时的旋转矩阵及平移向量作为配准最终结果。
作为本发明的进一步改进，所述参照物包括多个平面，各个平面之间的角度可调整。
作为本发明的进一步改进，所述各个平面的表面涂覆具有逆向反射性能的材料。
作为本发明的进一步改进，所述反射功能的材料为反光粉，所述反光粉粒径范围包括200目至800目。
作为本发明的进一步改进，所述各个平面的表面贴附具有逆向反射性能的反光膜。
作为本发明的进一步改进，所述参照物在所述预设位置处满足条件：所述参照物内侧的各个平面在每一个激光雷达的扫描范围内。
作为本发明的进一步改进，步骤S3所述初步滤波中的滤波阈值范围为150到200。
作为本发明的进一步改进，步骤S4中的簇半径参数为所述参照物上距离最远的两点的长度值。
作为本发明的进一步改进，步骤S4中簇最少数目根据激光雷达线束与参照物之间的距离确定。
本发明具有以下优点：
本发明实施例采用基于参照物的激光雷达点云数据配准方法利用参照物完成点云数据的配准来代替全局点云数据的配准，有效地节约了配准时长；进一步地，对参照物所反射的点云数据进行配准，能够消除多组点云数据之间的差异点对配准结果的影响，降低对扫描视角同一性的要求；进一步地，参照物采用逆向反射材料，具有区别环境中其他目标的显著特征，通过反射强度界定和基于密度聚类的方法，可自动提取出环境中逆向反射参照物所反射的点，提升了配准算法的自动化水平。
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中记载的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种参照物的激光雷达点云数据配准方法的流程示意图；
图2为本发明第一实施例提供的参照物示意图；
图3(a)为本发明第一实施例的第一激光雷达获得的原始点云数据的示意图；
图3(b)为本发明实施例中对图3(a)进行初步滤波后获得的滤波数据的示意图；
图4(a)为本发明第一实施例的第二激光雷达获得的原始点云数据的示意图；
图4(b)为本发明实施例中对图4(a)进行初步滤波后获得的滤波数据的示意图；
图5(a)和图5(b)分别为本发明第一实施例的配准结果对应的滤波数据和原始点云数据的示意图；
图6为本发明第二实施例提供的参照物示意图；
图7为本发明第二实施例经过初步滤波后获得的滤波数据的示意图；
图8为本发明第二实施例经过聚类后获得的数据示意图；
图9为本发明第二实施例的两组参考点的各自配准误差示意图；
图10为本发明第二实施例经过修正后的点云配准结果示意图。
附图中的标记说明：
100、参照物 10、第一平面
12、第二平面 14、第三平面
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
参考图1所示，本发明实施例提供的一种基于参照物的激光雷达点云数据配准方法包括七个步骤，每个步骤的具体内容如下详细描述。
步骤S1：制作具有逆向反射性能的参照物。参照物包括多个平面，各个平面之间的角度可调整，以使各个平面在所有激光雷达传感器中能够反射足够多的点。参照物的各个平面的表面涂覆具有逆向反射性能的材料。反射功能的材料为反光粉，所述反光粉粒径范围包括200目至800目。。可选地，参照物的各个平面的表面也可以贴附具有逆向反射性能的反光膜。如图2所示，本发明实施例提供的参照物示意图。参照物100包括三个平面：第一平面10、第二平面12和第三平面14。第一平面10、第二平面12和第三平面14的各个平面之间的夹角为90°。第一平面10、第二平面12和第三平面14的平面表面喷涂灰色400目的反光粉。
步骤S2：将所述参照物部署至待测环境中的预设位置处。参照物在所述预设位置处满足条件：所述参照物的各个平面在每一个激光雷达的扫描范围内。以图2所示参照物为例，参照物100的部署应当使第一平面10、第二平面12和第三平面14都能够被多个激光雷达传感器均匀的扫描到，从而使得每个平面所反射的点数量不应当有过大差距。
步骤S3：基于激光雷达获取待测环境的点云数据，依据所述点云数据中的反射强度信息进行初步滤波。根据反射材料的反射能力，初步滤波中的滤波阈值范围为150到200。
步骤S4：采用基于密度的聚类方法对初步滤波后的点云数据进行聚类，去除噪声并获得仅由参照物所反射的点云数据。该步骤中有两个参数需要设定:簇半径eps依据参照物尺寸设置，选择参照物上距离最远的两点长度为最佳；簇最少数目MinPts根据传感器线束及与参照物间距离确定，在扫描时估计参照物反射点数量，参数值应选择反射点数量的1/2以上。
步骤S5：利用基于鲁棒M估计的迭代最近点方法，对步骤S4所获得点云数据进行加权配准。
完成步骤S1至步骤S4后，问题转换为参照点在两个不同坐标系中的配准。
配准是找到由旋转矩阵
R∈{R3×3|RTR＝I，det(R)＝1}和转换向量t∈R3以使点集P与目标点集Q融合：矩阵I表示单位矩阵。由于两个激光雷达扫描角度差异很大，两个坐标系中的点无法建立一对一的位置关系。因此，本发明实施例需要一种鲁棒的ICP方法。博士将鲁棒的M估计技术引入到ICP算法中，对平均距离进行加权评估，以限制异常值的影响。在鲁棒的M估计中，权重函数W(r)由估计准则/>定义。在以前的研究者提出的许多估计标准中，本发明实施例采用柯西的标准函数。因为柯西的标准函数具有不受异常值影响的强大保护功能。通过迭代求解下式1可以获得最终的旋转矩阵R和转换向量t：
在式1中，pi是点集P中的点，q是pi在目标点集Q中的对应点，N是点集P中的点的数量，k是指迭代次数，即每一次迭代利用前一次迭代结果进行计算，对寻找对应点的方法，与传统ICP算法相同，本文不作详细介绍。根据Cauthy准则，wi的权重为pi；wi的表达式如式2所示：
其中，r是一组点对的在空间中的距离，kca是一个使函数收敛的常数值，为4.3040。
步骤S6：将步骤S5加权配准所获得的旋转及平移矩阵应用到全局点云数据中，观测配准结果；若配准效果良好，则步骤S6结束，若配准存在误差，则将步骤S5加权配准所获得的旋转及平移矩阵作为迭代最近点方法的初始值，将全局点云进行迭代最近点方法的计算。
步骤S7：移动所述参照物至另一预设位置，重复步骤S3至S6，进行预设次数的配准，取最优配准结果时的旋转矩阵及平移向量。预设次数范围为3至10。
本发明实施例采用基于参照物的激光雷达点云数据配准方法利用参照物完成点云数据的配准来代替全局点云数据的配准，有效地节约了配准时长，同时降低了在点云数据自动配准问题中对扫描视角同一性的要求；进一步地，参照物采用逆向反射材料，具有区别环境中其他目标的显著特征，有效解决了借助参照物用于配准可能带来的参照点难以提取的问题。
本发明实施例采用基于参照物的激光雷达点云数据配准方法中参照物采用逆向反射材料，具有区别环境中其他目标的显著特征，通过反射强度界定和基于密度聚类的方法，可自动提取出环境中逆向反射参照物所反射的点，保障了算法的高自动化水平。
本发明实施例分别在室内场景和室外交通场景应用上述基于参照物的激光雷达点云数据配准方法，以确定不同场景下的配准效果。在应用过程中，采用两个VelodyneVLP-16激光雷达传感器进行数据采集。该传感器探测范围为100米，频率设置为10Hz，每帧数据生成约30000个点。
室内场景
步骤S11：制作参照物。采用三块雪弗板拼装成如图2所示的参照物，各个平面的夹角均为90°，平面表面喷涂灰色400目反光粉。
步骤S21：部署参照物，使三个面能够被两个传感器均匀地扫描到。观察激光雷达实测数据，保证每个平面所反射的点数量不应当有过大差距。
步骤S31：根据点云数据中的反射强度(Intensity)信息进行初步滤波。根据反射材料的反射能力将滤波阈值设定为150。如图3(a)所示，第一激光雷达获得的原始点云数据的示意图；图3(b)为对图3(a)进行初步滤波后获得的滤波数据。如图4(a)所示，第二激光雷达获得的原始点云数据的示意图；图4(b)对图4(a)进行初步滤波后获得的滤波数据。根据图3(b)和图4(b)所显示的图像，初步滤波效果良好，滤波后仅包含了参照物点云。
步骤S41：观察经过初步滤波后的数据，发现室内坏境中，无高反射率物体干扰，故室内实验中省略了此步骤。
步骤S51：利用基于鲁棒M估计的ICP算法，对点云进行加权配准。估计准则为柯西准则，最小平均误差设置为0.001m。最大迭代次数设置为100，而最小迭代时间设置为10。
步骤S61：配准结果如图5(a)和图5(b)所示，观测图5(a)和图5(b)可知，配准效果良好。
室外交通场景
在室外的交通场景中，两个激光雷达传感器部署在街道的两侧，道路宽十米。参照物以图6所示为例，为了使激光雷达传感器能够在所有平面上收集更多点，第一平面10和第二平面12两个上平面之间的角度设置为135度。
步骤S12：制作逆向反射参照物。如图6所示，采用三面瓦楞纸组成参照物，各个平面的表面上贴满强反光膜。
步骤S22：部署参照物。为了完整检测道路交通信息，两个激光雷达的部署高度和角度均有较大差异。第一平面10和第二平面12之间的夹角为135°，第一平面10和第三平面14之间的夹角为90°，第二平面12和第三平面14之间的夹角为90°，以使各个平面在所有传感器中能够反射足够多点。
步骤S32：基于点云的反射强度进行过滤，以去除非参考系统中的大多数点，强度滤波的阈值选择150。通过观察经过强度滤波的点云数据图7，图7中除了参照物反射的点以外，还存在着一些噪音。噪音是由环境中其他高反射率的材料制成的，如车辆车牌、路障标志、交通标志等。
步骤S42：使用DBSCAN算法进行去噪。在该实施例中，基于参照物的大小，将群集半径eps设置为2m，并将最小包含点MinPts设置为50。聚类结果如图8所示，其中点状物是噪音，线状物是参考点。结果表明，所有噪声都被有效地检测出来。
步骤S52：利用基于鲁棒M估计的ICP算法，对点云进行加权配准。最小误差设置为0.0001m，最大迭代时间设置为1000，而最小迭代时间设置为10。图9显示两组参考点的配准出现了误差。主要原因是第一激光雷达传感器没有收集足够的点数。
步骤S62：为了配准的误差，首先将从参考点配准获得的变换矩阵应用于整个点云数据。通过配准完整的点云数据进行校正。参数设置与参考点配准一致。校正后，将来自两个激光雷达传感器的点数据转换到一个公共坐标系中。在完成修正后，如图10所示，点云配准的误差被极大的减小。
在室外交通场景应用场景中，将本发明实施例所提出基于参照物的激光雷达点云数据配准方法与传统的IPC方法进行性能比对。如表一所示，本发明实施例提出的基于参照物的激光雷达点云数据配准方法仅花费约11秒即可完成配准，而传统的ICP方法则花费了196秒。此外，尽管最终误差在两种方法中都接近，但ICP方法收敛于局部最小值，因此配准不能达到实际的要求。
表一、性能比对表
方法 耗时(S) 迭代次数 最终误差
本发明实施例方法 10.54 13 9.76e-5
ICP算法 196.54 143 7.39e-5
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (2)

1.一种基于参照物的激光雷达点云数据配准方法，其特征在于，所述数据配准方法包括步骤：
S1：制作具有逆向反射性能的参照物；所述参照物包括第一平面、第二平面和第三平面，所述第一平面、所述第二平面和所述第三平面中各个平面之间的夹角为90°；所述第一平面、所述第二平面和所述第三平面的平面表面均喷涂有灰色的反光粉，所述反光粉的粒径为400目；
S2：将所述参照物部署至待测环境中的预设位置处；所述参照物在所述预设位置处满足条件：所述参照物的各个平面在每一个激光雷达的扫描范围内；
S3：基于激光雷达获取待测环境的点云数据，依据所述点云数据中的反射强度信息进行初步滤波；
S4：采用基于密度的聚类方法对初步滤波后的点云数据进行聚类，去除噪声并获得仅由参照物所反射的点云数据；
S5：利用基于鲁棒M估计的迭代最近点方法，对步骤S4所获得点云数据进行加权配准；其中，利用基于鲁棒M估计的迭代最近点方法包括将参照点在两个不同坐标系中的配准；配准是找到由旋转矩阵
R∈{R3×3|RTR＝I，det(R)＝1}和转换向量t∈R3以使点集P与目标点集Q融合；通过迭代求解下式1获得最终的旋转矩阵R和转换向量t；矩阵I表示单位矩阵；
在式1中，pi是点集P中的点，q是pi在目标点集Q中的对应点，采用ICP算法寻找对应点，N是点集P中的点的数量，k是指迭代次数，即每一次迭代利用前一次迭代结果进行计算；
根据Cauthy准则，wi的权重为pi；wi的表达式如式2所示：
在式2中，r是一组点对的在空间中的距离，kca是一个使函数收敛的常数值，为4.3040；
S6：将步骤S5加权配准所获得的旋转及平移矩阵应用到全局点云数据中，观测配准结果；若配准效果良好，则步骤S6结束，若配准存在误差，则将步骤S5加权配准所获得的旋转矩阵及平移向量作为迭代最近点方法的初始值，将全局点云进行迭代最近点方法的计算；
S7：移动所述参照物至另一预设位置，重复步骤S3至S6，进行预设次数的配准，取最优配准结果时的旋转矩阵及平移向量作为配准的最终结果。
2.根据权利要求1所述的一种基于参照物的激光雷达点云数据配准方法，其特征在于，步骤S3所述初步滤波中的滤波阈值范围为150到200。
CN202010088663.9A 2020-02-12 2020-02-12 一种基于参照物的激光雷达点云数据配准方法 Active CN111369600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010088663.9A CN111369600B (zh) 2020-02-12 2020-02-12 一种基于参照物的激光雷达点云数据配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010088663.9A CN111369600B (zh) 2020-02-12 2020-02-12 一种基于参照物的激光雷达点云数据配准方法

Publications (2)

Publication Number Publication Date
CN111369600A CN111369600A (zh) 2020-07-03
CN111369600B true CN111369600B (zh) 2024-02-09

Family

ID=71210392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010088663.9A Active CN111369600B (zh) 2020-02-12 2020-02-12 一种基于参照物的激光雷达点云数据配准方法

Country Status (1)

Country Link
CN (1) CN111369600B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929694B (zh) * 2020-10-12 2021-01-26 炬星科技（深圳）有限公司 点云匹配方法、设备及存储介质
CN113155027B (zh) * 2021-04-27 2023-05-26 中铁工程装备集团有限公司 一种隧道岩壁特征物识别方法
CN113516687A (zh) * 2021-07-09 2021-10-19 东软睿驰汽车技术（沈阳）有限公司 目标跟踪方法、装置、设备及存储介质
CN115542340B (zh) * 2022-12-01 2023-05-05 广东工业大学 基于距离已知参照物的路侧双固态激光雷达点云融合方法
CN116934832B (zh) * 2023-07-19 2024-08-02 齐鲁工业大学(山东省科学院) 基于现场参照物的三维点云的实时标定方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700451A (zh) * 2015-03-14 2015-06-10 西安电子科技大学 基于迭代就近点算法的点云配准方法
CN107167788A (zh) * 2017-03-21 2017-09-15 深圳市速腾聚创科技有限公司 获取激光雷达校准参数、激光雷达校准的方法及系统
CN107481274A (zh) * 2017-08-11 2017-12-15 武汉理工大学 一种三维作物点云的鲁棒性重构方法
EP3451291A1 (en) * 2017-09-01 2019-03-06 Tata Consultancy Services Limited Systems and methods for shape constrained 3d point cloud registration
CN110276790A (zh) * 2019-06-28 2019-09-24 易思维（杭州）科技有限公司 基于形状约束的点云配准方法
CN110781927A (zh) * 2019-10-11 2020-02-11 苏州大学 车路协同下基于深度学习的目标检测与分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700451A (zh) * 2015-03-14 2015-06-10 西安电子科技大学 基于迭代就近点算法的点云配准方法
CN107167788A (zh) * 2017-03-21 2017-09-15 深圳市速腾聚创科技有限公司 获取激光雷达校准参数、激光雷达校准的方法及系统
CN107481274A (zh) * 2017-08-11 2017-12-15 武汉理工大学 一种三维作物点云的鲁棒性重构方法
EP3451291A1 (en) * 2017-09-01 2019-03-06 Tata Consultancy Services Limited Systems and methods for shape constrained 3d point cloud registration
CN110276790A (zh) * 2019-06-28 2019-09-24 易思维（杭州）科技有限公司 基于形状约束的点云配准方法
CN110781927A (zh) * 2019-10-11 2020-02-11 苏州大学 车路协同下基于深度学习的目标检测与分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
jianying zheng等.3-D Data Processing to Extract Vehicle Trajectories from Roadside LiDAR Data.Transportation Research Record Journal of the Transportation Research Board.2018,1-77. *

Also Published As

Publication number Publication date
CN111369600A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111369600B (zh) 一种基于参照物的激光雷达点云数据配准方法
Kang et al. Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model
CN106780524B (zh) 一种三维点云道路边界自动提取方法
KR101258668B1 (ko) 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법
Previtali et al. A flexible methodology for outdoor/indoor building reconstruction from occluded point clouds
CN111145228A (zh) 基于局部轮廓点与形状特征融合的异源图像配准方法
CN115761550A (zh) 一种基于激光雷达点云和相机图像融合的水面目标检测方法
CN104200471B (zh) 基于自适应权值图像融合的sar图像变化检测方法
CN101901343A (zh) 基于立体约束的遥感影像道路提取方法
CN113327296B (zh) 基于深度加权的激光雷达与相机在线联合标定方法
CN110850394B (zh) 一种自动驾驶激光雷达强度标定方法
CN111340875A (zh) 一种基于三维激光雷达的空间移动目标检测方法
CN116449384A (zh) 基于固态激光雷达的雷达惯性紧耦合定位建图方法
CN113205563B (zh) 一种自动驾驶传感器联合标定靶和标定方法
CN114659514A (zh) 一种基于体素化精配准的LiDAR-IMU-GNSS融合定位方法
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
CN114782729A (zh) 一种基于激光雷达与视觉融合的实时目标检测方法
CN112197773A (zh) 基于平面信息的视觉和激光定位建图方法
CN112379393A (zh) 一种列车碰撞预警方法及其装置
CN103065320A (zh) 基于恒虚警阈值的sar图像变化检测方法
CN116863357A (zh) 一种无人机遥感堤坝影像定标与智能分割变化检测方法
CN113111707A (zh) 一种基于卷积神经网络的前车检测与测距方法
CN116973857A (zh) 一种雷达与视觉检测在线联合标定方法
CN115965712A (zh) 一种建筑物二维矢量图构建方法、系统、设备及存储介质
CN117557617B (zh) 一种基于平面先验优化的多视密集匹配方法、系统及设备

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