CN111580131B - 三维激光雷达智能车在高速公路上识别车辆的方法 - Google Patents
三维激光雷达智能车在高速公路上识别车辆的方法 Download PDFInfo
- Publication number
- CN111580131B CN111580131B CN202010267304.XA CN202010267304A CN111580131B CN 111580131 B CN111580131 B CN 111580131B CN 202010267304 A CN202010267304 A CN 202010267304A CN 111580131 B CN111580131 B CN 111580131B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- cloud data
- dimensional
- 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
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
- 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V2201/08—Detecting or categorising vehicles
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种三维激光雷达智能车在高速公路上识别车辆的方法,由点云数据预处理、点云数据密度聚类、点云簇悬空判断、降维提取几何特征、车辆目标三维框识别步骤组成。采用三维激光雷达智能车采集高速公路上点云数据,滤除路面点云数据,对非路面点云数据进行三维空间聚类得到点云簇,进行降维几何特征提取,用三维立体框标示出识别车辆目标的位置。不需采集大量数据、构建训练识别车辆目标模型,能快速识别车辆目标,实时识别高速公路上的车辆。在大雾、雨雪等恶劣环境下,可获得无法感知到的周围环境信息,增强了交通安全。
Description
技术领域
本发明属于行驶车识别技术领域,具体涉及到采用三维激光雷达智能车在高速公路上对行驶车辆进行识别。
背景技术
目前,对高速公路上行驶车辆的识别方法主要有以下几种:
基于视觉的车辆识别,采用视觉传感器,车载摄像头可以描绘物体的外观和形状、读取标志等,受环境因素以及外部因素影响较大,在夜晚、雨天或有雾等恶劣天气情况下,隧道中光线不足,目标受到其他物体的遮挡,这些因素都会影响目标识别的准确性。
机器学习中的有监督方法在对目标分类的时候,输入的每个数据资料都是带有类别标签信息,根据数据和对应的标签进行学习,产生模型,之后就可以用训练出的模型对新的数据进行标签分类,达到目标分类的要求。需要采集大量的样本数据,训练模型。在现实问题中存在大量的无标记数据,这些无标记数据存在潜在的模式与规律,解决不了这些问题。
二维单线激光雷达识别目标,其结构简单,只有一路发射和一路接收,功耗低,但是由于只能够发出一束激光,返回的信息量少,而且扫描的只是一个平面的点,无法获取障碍物的大小,形状等信息,会降低目标障碍物识别的准确性。
现有的车辆识别方法,有的方法采集的车辆周围信息缺少,有的方法受环境影响和识别方法复杂,这些不足都难以保证智能车在高速公路上识别车辆目标。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的缺点,提供一种采集数据少、识别速度快、识别准确的三维激光雷达智能车在高速公路上识别车辆的方法。
解决上述技术问题所采用的技术方案由下述步骤组成:
(1)点云数据预处理
在高速公路上,三维激光雷达智能车获取车辆周围的三维点云数据,采用随机抽样一致性方法对点云数据进行分割,滤除高速公路路面的点云数据。
(2)点云数据密度聚类
将预处理后的非路面点云数据在三维空间中进行具有噪声的基于密度的聚类,得到不同的点云簇。
(3)点云簇悬空判断
判断各个点云簇Z坐标的最小值Zmin是否大于预设的悬空高度阈值5m,大于或等于悬空高度阈值,舍弃该点云簇;小于悬空高度阈值,进行步骤(4)。
(4)降维提取几何特征
将各个三维点云簇的数据点投影到二维空间,按簇分别提取二维边界轮廓几何形状和尺寸大小特征,同时满足几何形状符合直线形或L形、尺寸大小符合车辆目标,进行步骤(5);否则,舍弃该点云簇。
(5)车辆目标三维框识别
将符合车辆目标的点云簇用三维立体框进行识别,完成车辆目标的识别。
在本发明的点云数据预处理步骤(1)中,所述的随机抽样一致性方法分割路面点的方法如下:
从采集的点云数据点中随机选取三个点,构成一个平面,确定每个采集到的原始点云数据点到该平面的距离,如果点云数据点到平面距离小于阈值0.2m,为属于该平面的点云数据点,其中点云数据点数最多的平面为路面,去除路面点云数据点。
在本发明的点云数据密度聚类步骤(2)中,所述的在三维空间具有噪声的基于密度的聚类方法如下:
根据预处理之后的每个点云数据点,将核心点en提取出加入到集合Ω如下:
Ω={e1,e2,...,en}
式中n为有限的正整数,从集合Ω中随机选择一个核心点en,寻找这个核心点en能够密度相连的数据点集合C:
C={(x1,y1,z1),(x2,y2,z2),...,(xj,yj,zj)}
式中x、y、z为数据点的坐标,j为有限的正整数,数据点集合C为一个点云簇,重复以上过程,直至集合Ω中所有的核心点en都被选取,完成了点云数据密度聚类。
密度可达:从预处理之后的点云数据中选取点云数据点a,点云数据点b,如果存在序列{P1,P2,...,Pv},其中,v为有限的正整数,P1为a,P2为b,且序列中每一个点都在它的前一个点的r邻域内,r为0.5m,点云数据点a与点云数据点b密度可达。
核心点:如果点云数据点a的r邻域内所含的点云数据点数大于m、且m为1,点云数据点a为核心点en。
密度相连:对于点云数据点a和点云数据点b,若存在点云数据点t使得点云数据点a与点云数据点t密度可达,且点云数据点t与点云数据点b密度可达,点云数据点a与点云数据点b密度相连。
异常点:既不是核心点en也不是核心点en的r邻域内的点云数据点为异常点。
判断点云簇的点云数据点数是否大于30,大于30,进行步骤(3);小于30,舍弃该点云簇的数据点。
在本发明的降维提取几何特征步骤(4)中,所述的按簇分别提取二维边界轮廓几何形状和尺寸大小特征的方法为:
(4-1)提取二维边界轮廓几何形状
提取点云簇数据的二维直角坐标{(x1,y1),(x2,y2),...,(xf,yf)},f为有限的正整数,按下式:
将二维直角坐标其转化为极坐标{(ρ1,θ1),(ρ2,θ2),...,(ρf,θf)},角度θ从小到大排序,取出每个角度距离ρ最小的点,将极坐标转化为直角坐标系,将表示为点云簇的边界点集A:
A={q1,q2,…,qf}
把边界点集A的首尾点q1、qf用直线连起来,按下式确定边界点集A内每个点(xi,yi)(1≤i≤f)到直线的距离dist:
式中M、N、Q为系数,Q为常数,且M、N不同时为0,找到其中最大距离的边界点qk,将边界点qk当做拐点或转折点,在边界点qk处将边界点集A分为两部分,边界点集A中第一个点到第k个点为第一部分A':
A'={q1,q2,…,qk},
边界点集A中第k个点到最后一个点为第二部分A”:
A”={qk,qk+1,…,qf}。
分别对两部分点集A'、A”进行随机抽样一致性算法拟合直线,按下式确定两条直线之间的夹角θ:
式中k1、k2分别为两条直线的斜率,0°≤θ≤10°,点云簇的二维边界轮廓几何形状为直线形,70°≤θ≤90°,点云簇的二维边界轮廓几何形状为L形。
随机抽样一致性算法拟合直线:从点集中随机取两点,确定直线,得一个候选的直线方程,统计点集中其它点到直线距离小于0.1m点的个数,保留点数最多的直线参数。
(4-2)提取二维边界轮廓尺寸
点云簇的二维边界轮廓的长l为:
l=|Xmax-Xmin|
式中X为坐标系的x轴,点云簇的二维边界轮廓的宽w为:
w=|Ymax-Ymin|
Y为坐标系的y轴;符合车辆目标点云簇的二维边界轮廓的几何形状为直线形,轮廓尺寸为:
1.5m≤w≤3m
或者二维边界轮廓的几何形状为L形,轮廓尺寸为:
在本发明的车辆目标三维框识别步骤(5)中,所述的符合车辆目标的点云簇用三维立体框进行识别的方法为:
提取符合车辆目标点云簇的八个角点分别为:(Xmin、Ymin、Zmin)、(Xmin、Ymin、Zmax)、(Xmin、Ymax、Zmin)、(Xmin、Ymax、Zmax)、(Xmax、Ymin、Zmin)、(Xmax、Ymin、Zmax)、(Xmax、Ymax、Zmin)、(Xmax、Ymax、Zmax),将这八个角点接连起来表示车辆目标的三维立体框,识别出高速公路上的行驶车辆。
本发明使用三维激光雷达智能车采集高速公路上可探测范围内的点云数据,滤除路面点云数据,对非路面点云数据进行三维空间的密度聚类,得到点云簇,逐一对点云簇进行降维几何特征提取,提高识别车辆目标的速度,用三维立体框标示出识别车辆目标的位置。本发明采用三维空间聚类的方法,解决了现有视觉图像、单线激光雷达二维平面聚类不包含物体高度信息的缺点,聚类的精度高,能够提高识别车辆的准确率,与机器学习的目标识别方法相比,本发明不需要采集大量数据、构建训练识别车辆目标的模型,能快速识别车辆目标,确保实时识别高速公路上的行车车辆。将本发明应用于高速公路上,在大雾、雨雪等恶劣环境情况下,可以获得无法感知到的周围环境信息,增强了交通安全,优化了道路上的车辆流量。
附图说明
图1是本发明实施例1的流程图。
图2是本发明实施例1的激光雷达点云原图。
图3是本发明实施例1的结果图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于下述的实施例。
实施例1
在图1、2、3中,本实施例的三维激光雷达智能车在高速公路上识别车辆的方法方法由下述步骤组成:
(1)点云数据预处理
在高速公路上,三维激光雷达智能车获取车辆周围的三维点云数据,如图2所示,采用随机抽样一致性方法对点云数据进行分割,滤除高速公路路面的点云数据;
上述的随机抽样一致性方法分割路面点方法如下:
从采集的点云数据点中随机选取三个点,构成一个平面,确定每个采集到的原始点云数据点到该平面的距离,如果点云数据点到平面距离小于阈值0.2m,为属于该平面的点云数据点,其中点云数据点数最多的平面为路面,去除路面点云数据点。
(2)点云数据密度聚类
将预处理后的非路面点云数据在三维空间中进行具有噪声的基于密度的聚类,得到不同的点云簇。
在三维空间中具有噪声的基于密度的聚类方法如下:
根据预处理之后的每个点云数据点,将核心点en提取出加入到集合Ω如下:
Ω={e1,e2,...,en}
式中n为有限的正整数,从集合Ω中随机选择一个核心点en,寻找这个核心点en能够密度相连的数据点集合C:
C={(x1,y1,z1),(x2,y2,z2),...,(xj,yj,zj)}
式中x、y、z为数据点的坐标,j为有限的正整数,数据点集合C为一个点云簇,重复以上过程,直至集合Ω中所有的核心点en都被选取,完成了点云数据密度聚类。在三维空间中进行点云数据的聚类,提高了聚类的准确度以及点云簇的可视化效果,展现出聚类对象的立体形态。
密度可达:预处理之后的点云数据中选取点云数据点a,点云数据点b,如果存在序列{P1,P2,...,Pv},其中,v为有限的正整数,P1为a,P2为b,且序列中每一个点都在它的前一个点的r邻域内,r为0.5m,点云数据点a与点云数据点b密度可达。
核心点:如果点云数据点a的r邻域内所含的点云数据点数大于m、且m为1,点云数据点a为核心点en。
密度相连:对于点云数据点a和点云数据点b,若存在点云数据点t使得点云数据点a与点云数据点t密度可达,且点云数据点t与点云数据点b密度可达,点云数据点a与点云数据点b密度相连。
异常点:既不是核心点en也不是核心点en的r邻域内的点云数据点为异常点。
判断点云簇的点云数据点数是否大于30,大于30,进行步骤(3);小于30,舍弃该点云簇的数据点。
(3)点云簇悬空判断
判断各个点云簇Z坐标的最小值Zmin是否大于预设的悬空高度阈值5m,大于或等于悬空高度阈值,舍弃该点云簇;小于悬空高度阈值,进行步骤(4);
(4)降维提取几何特征
由于激光雷达采集的点云是三维空间,提取点云簇的二维边界轮廓几何特征需将各个三维点云簇的数据点投影到二维空间,按簇分别提取二维边界轮廓几何形状和尺寸大小特征,同时满足几何形状符合直线形或L形、尺寸大小符合车辆目标,进行步骤(5);否则,舍弃该点云簇。
上述的按簇分别提取二维边界轮廓几何形状和尺寸大小特征的方法为:
(4-1)提取二维边界轮廓几何形状
提取点云簇数据的二维直角坐标{(x1,y1),(x2,y2),...,(xf,yf)},f为有限的正整数,按下式:
将二维直角坐标其转化为极坐标{(ρ1,θ1),(ρ2,θ2),...,(ρf,θf)},角度θ从小到大排序,取出每个角度距离ρ最小的点,将极坐标转化为直角坐标系,将表示为点云簇的边界点集A:
A={q1,q2,…,qf}
把边界点集A的首尾点q1、qf用直线连起来,按下式确定边界点集A内每个点(xi,yi)(1≤i≤f)到直线的距离dist:
式中M、N、Q为系数,Q为常数,且M、N不同时为0,找到其中最大距离的边界点qk,将边界点qk当做拐点或转折点,在边界点qk处将边界点集A分为两部分,边界点集A中第一个点到第k个点为第一部分A':
A'={q1,q2,…,qk},
边界点集A中第k个点到最后一个点为第二部分A”:
A”={qk,qk+1,…,qf}。
分别对两部分点集A'、A”进行随机抽样一致性算法拟合直线,按下式确定两条直线之间的夹角θ:
式中k1、k2分别为两条直线的斜率,0°≤θ≤10°,点云簇的二维边界轮廓几何形状为直线形,70°≤θ≤90°,点云簇的二维边界轮廓几何形状为L形。
随机抽样一致性算法拟合直线:从点集中随机取两点,确定直线,得一个候选的直线方程,统计点集中其它点到直线距离小于0.1m点的个数,保留点数最多的直线参数。
(4-2)提取二维边界轮廓尺寸
点云簇的二维边界轮廓的长l为:
l=|Xmax-Xmin|
式中X为坐标系的x轴,点云簇的二维边界轮廓的宽w为:
w=|Ymax-Ymin|
Y为坐标系的y轴;符合车辆目标点云簇的二维边界轮廓的几何形状为直线形,轮廓尺寸为:
1.5m≤w≤3m
或者二维边界轮廓的几何形状为L形,轮廓尺寸为:
(5)车辆目标三维框识别
将符合车辆目标的点云簇用三维立体框进行识别,完成车辆目标的识别。
上述的符合车辆目标的点云簇用三维立体框进行识别的方法为:
提取符合车辆目标点云簇的八个角点分别为:(Xmin、Ymin、Zmin)、(Xmin、Ymin、Zmax)、(Xmin、Ymax、Zmin)、(Xmin、Ymax、Zmax)、(Xmax、Ymin、Zmin)、(Xmax、Ymin、Zmax)、(Xmax、Ymax、Zmin)、(Xmax、Ymax、Zmax),将这八个角点接连起来表示车辆目标的三维立体框,识别出高速公路上的行驶车辆,如图3所示,由图3可见,立体框的位置代表识别的车辆目标,未标示立体框的代表非车辆目标。
本发明采用三维空间聚类的方法,解决了现有视觉图像、单线激光雷达二维平面聚类不包含物体高度信息的缺点,聚类的精度高,能够提高识别车辆的准确率,与机器学习的目标识别方法相比,本发明不需要采集大量数据、构建训练识别车辆目标的模型,能快速识别车辆目标,确保实时识别高速公路上的行车车辆。将本发明应用于高速公路上,在大雾、雨雪等恶劣环境情况下,可以获得无法感知到的周围环境信息,增强了交通安全,优化了道路上的车辆流量。
Claims (3)
1.一种三维激光雷达智能车在高速公路上识别车辆的方法,其特征在于由下述步骤组成:
(1)点云数据预处理
在高速公路上,三维激光雷达智能车获取车辆周围的三维点云数据,采用随机抽样一致性方法对点云数据进行分割,滤除高速公路路面的点云数据;
(2)点云数据密度聚类
将预处理后的非路面点云数据在三维空间中进行具有噪声的基于密度的聚类,得到不同的点云簇;
所述的非路面点云数据在三维空间具有噪声的基于密度的聚类方法如下:
根据预处理之后的每个点云数据点,将核心点en提取出加入到集合Ω如下:
Ω={e1,e2,...,en}
式中n为有限的正整数,从集合Ω中随机选择一个核心点en,寻找这个核心点en能够密度相连的数据点集合C:
C={(x1,y1,z1),(x2,y2,z2),...,(xj,yj,zj)}
式中x、y、z为数据点的坐标,j为有限的正整数,数据点集合C为一个点云簇,重复以上过程,直至集合Ω中所有的核心点en都被选取,完成了点云数据密度聚类;
密度可达:从预处理之后的点云数据中选取点云数据点a,点云数据点b,如果存在序列{P1,P2,...,Pv},其中,v为有限的正整数,P1为a,P2为b,且序列中每一个点都在它的前一个点的r邻域内,r为0.5m,点云数据点a与点云数据点b密度可达;
核心点:如果点云数据点a的r邻域内所含的点云数据点数大于m、且m为1,点云数据点a为核心点en;
密度相连:对于点云数据点a和点云数据点b,若存在点云数据点t使得点云数据点a与点云数据点t密度可达,且点云数据点t与点云数据点b密度可达,点云数据点a与点云数据点b密度相连;
异常点:既不是核心点en也不是核心点en的r邻域内的点云数据点为异常点;
判断点云簇的点云数据点数是否大于30,大于30,进行步骤(3);小于30,舍弃该点云簇的数据点;
(3)点云簇悬空判断
判断各个点云簇Z坐标的最小值Zmin是否大于预设的悬空高度阈值5m,大于或等于悬空高度阈值,舍弃该点云簇;小于悬空高度阈值,进行步骤(4);
(4)降维提取几何特征
将各个三维点云簇的数据点投影到二维空间,按簇分别提取二维边界轮廓几何形状和尺寸大小特征,同时满足几何形状符合直线形或L形、尺寸大小符合车辆目标,进行步骤(5);否则,舍弃该点云簇;
所述的按簇分别提取二维边界轮廓几何形状和尺寸大小特征的方法为:
(4-1)提取二维边界轮廓几何形状
提取点云簇数据的二维直角坐标{(x1,y1),(x2,y2),...,(xf,yf)},f为有限的正整数,按下式:
将二维直角坐标其转化为极坐标{(ρ1,θ1),(ρ2,θ2),...,(ρf,θf)},角度θ从小到大排序,取出每个角度距离ρ最小的点,将极坐标转化为直角坐标系,将表示为点云簇的边界点集A:
A={q1,q2,…,qf}
把边界点集A的首尾点q1、qf用直线连起来,按下式确定边界点集A内每个点(xi,yi)(1≤i≤f)到直线的距离dist:
式中M、N、Q为系数,Q为常数,且M、N不同时为0,找到其中最大距离的边界点qk,将边界点qk当做拐点或转折点,在边界点qk处将边界点集A分为两部分,边界点集A中第一个点到第k个点为第一部分A':
A'={q1,q2,…,qk},
边界点集A中第k个点到最后一个点为第二部分A”:
A”={qk,qk+1,…,qf};
分别对两部分点集A'、A”进行随机抽样一致性算法拟合直线,按下式确定两条直线之间的夹角θ:
式中k1、k2分别为两条直线的斜率,0°≤θ≤10°,点云簇的二维边界轮廓几何形状为直线形,70°≤θ≤90°,点云簇的二维边界轮廓几何形状为L形;
随机抽样一致性算法拟合直线:从点集中随机取两点,确定直线,得一个候选的直线方程,统计点集中其它点到直线距离小于0.1m点的个数,保留点数最多的直线参数;
(4-2)提取二维边界轮廓尺寸
点云簇的二维边界轮廓的长l为:
l=|Xmax-Xmin|
式中X为坐标系的x轴,点云簇的二维边界轮廓的宽w为:
w=|Ymax-Ymin|
Y为坐标系的y轴;符合车辆目标点云簇的二维边界轮廓的几何形状为直线形,轮廓尺寸为:
1.5m≤w≤3m
或者二维边界轮廓的几何形状为L形,轮廓尺寸为:
(5)车辆目标三维框识别
将符合车辆目标的点云簇用三维立体框进行识别,完成车辆目标的识别。
2.根据权利要求1所述的三维激光雷达智能车在高速公路上识别车辆的方法,其特征在于在点云数据预处理步骤(1)中,所述的随机抽样一致性方法分割路面点的方法如下:
从采集的点云数据点中随机选取三个点,构成一个平面,确定每个采集到的原始点云数据点到该平面的距离,如果点云数据点到平面距离小于阈值0.2m,为属于该平面的点云数据点,其中点云数据点数最多的平面为路面,去除路面点云数据点。
3.根据权利要求1所述的三维激光雷达智能车在高速公路上识别车辆的方法,其特征在于在车辆目标三维框识别步骤(5)中,所述的符合车辆目标的点云簇用三维立体框进行识别的方法为:
提取符合车辆目标点云簇的八个角点分别为:(Xmin、Ymin、Zmin)、(Xmin、Ymin、Zmax)、(Xmin、Ymax、Zmin)、(Xmin、Ymax、Zmax)、(Xmax、Ymin、Zmin)、(Xmax、Ymin、Zmax)、(Xmax、Ymax、Zmin)、(Xmax、Ymax、Zmax),将这八个角点接连起来表示车辆目标的三维立体框,识别出高速公路上的行驶车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267304.XA CN111580131B (zh) | 2020-04-08 | 2020-04-08 | 三维激光雷达智能车在高速公路上识别车辆的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267304.XA CN111580131B (zh) | 2020-04-08 | 2020-04-08 | 三维激光雷达智能车在高速公路上识别车辆的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580131A CN111580131A (zh) | 2020-08-25 |
CN111580131B true CN111580131B (zh) | 2023-07-07 |
Family
ID=72126134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010267304.XA Active CN111580131B (zh) | 2020-04-08 | 2020-04-08 | 三维激光雷达智能车在高速公路上识别车辆的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580131B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508912B (zh) * | 2020-12-07 | 2024-07-12 | 中联重科股份有限公司 | 地面点云数据滤除方法及装置、臂架防碰撞方法及系统 |
CN112699267B (zh) * | 2021-01-13 | 2022-09-02 | 招商局重庆交通科研设计院有限公司 | 车辆车型的识别方法 |
CN112906519B (zh) * | 2021-02-04 | 2023-09-26 | 北京邮电大学 | 一种车辆类型识别方法及装置 |
CN113343835B (zh) * | 2021-06-02 | 2022-04-15 | 合肥泰瑞数创科技有限公司 | 一种适用于应急救援的物体识别方法、系统及存储介质 |
CN114460582B (zh) * | 2021-12-14 | 2023-04-14 | 江苏航天大为科技股份有限公司 | 一种基于点云速度的毫米波雷达大车识别方法 |
CN114708292A (zh) * | 2022-01-05 | 2022-07-05 | 上海交通大学 | 一种对象状态估计方法、装置、计算设备和车辆的改进方法 |
CN114812435B (zh) * | 2022-04-29 | 2023-10-20 | 苏州思卡信息系统有限公司 | 一种车辆三维点云数据滤波方法 |
CN116485887B (zh) * | 2023-01-16 | 2024-02-02 | 湖北普罗格科技股份有限公司 | 一种无监督3d纸箱检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009076182A1 (en) * | 2007-12-13 | 2009-06-18 | Clemson University | Vision based real time traffic monitoring |
CN105223583A (zh) * | 2015-09-10 | 2016-01-06 | 清华大学 | 一种基于三维激光雷达的目标车辆航向角计算方法 |
US9305235B1 (en) * | 2007-12-21 | 2016-04-05 | Cognex Corporation | System and method for identifying and locating instances of a shape under large variations in linear degrees of freedom and/or stroke widths |
WO2018058356A1 (zh) * | 2016-09-28 | 2018-04-05 | 驭势科技(北京)有限公司 | 基于双目立体视觉的汽车防碰撞预警方法和系统 |
CN108162858A (zh) * | 2016-12-07 | 2018-06-15 | 杭州海康威视数字技术股份有限公司 | 车载监控装置及其方法 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
CN109212541A (zh) * | 2018-09-20 | 2019-01-15 | 同济大学 | 基于车辆直角型特征和激光雷达的高精度车辆检测系统 |
CN110781891A (zh) * | 2019-11-28 | 2020-02-11 | 吉林大学 | 一种基于激光雷达传感器的识别车辆可行驶区域的方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914501B (zh) * | 2012-07-26 | 2015-01-14 | 南京大学 | 一种利用激光点云计算三维森林冠层消光系数的方法 |
US9229108B2 (en) * | 2013-04-05 | 2016-01-05 | Lockheed Martin Corporation | Underwater platform with LIDAR and related methods |
US10262213B2 (en) * | 2014-12-16 | 2019-04-16 | Here Global B.V. | Learning lanes from vehicle probes |
US10482619B2 (en) * | 2017-07-27 | 2019-11-19 | AI Incorporated | Method and apparatus for combining data to construct a floor plan |
TWI651686B (zh) * | 2017-11-30 | 2019-02-21 | 國家中山科學研究院 | 一種光學雷達行人偵測方法 |
CN108828621A (zh) * | 2018-04-20 | 2018-11-16 | 武汉理工大学 | 基于三维激光雷达的障碍检测和路面分割算法 |
CN110458854B (zh) * | 2018-05-02 | 2022-11-15 | 北京图森未来科技有限公司 | 一种道路边缘检测方法和装置 |
CN109270543A (zh) * | 2018-09-20 | 2019-01-25 | 同济大学 | 一种对目标车辆周围车辆位置信息检测的系统和方法 |
CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
CN110244321B (zh) * | 2019-04-22 | 2023-09-26 | 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 |
CN110126824A (zh) * | 2019-05-22 | 2019-08-16 | 河南工业大学 | 一种集成双目摄像头和毫米波雷达的商用车aebs系统 |
CN110320504B (zh) * | 2019-07-29 | 2021-05-18 | 浙江大学 | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 |
CN110865394A (zh) * | 2019-09-24 | 2020-03-06 | 中国船舶重工集团公司第七0七研究所 | 一种基于激光雷达数据的目标分类系统及其数据处理方法 |
CN110781827B (zh) * | 2019-10-25 | 2021-05-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
US20220365186A1 (en) * | 2021-05-03 | 2022-11-17 | The Boeing Company | Automatic detection of a calibration standard in unstructured lidar point clouds |
-
2020
- 2020-04-08 CN CN202010267304.XA patent/CN111580131B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009076182A1 (en) * | 2007-12-13 | 2009-06-18 | Clemson University | Vision based real time traffic monitoring |
US9305235B1 (en) * | 2007-12-21 | 2016-04-05 | Cognex Corporation | System and method for identifying and locating instances of a shape under large variations in linear degrees of freedom and/or stroke widths |
CN105223583A (zh) * | 2015-09-10 | 2016-01-06 | 清华大学 | 一种基于三维激光雷达的目标车辆航向角计算方法 |
WO2018058356A1 (zh) * | 2016-09-28 | 2018-04-05 | 驭势科技(北京)有限公司 | 基于双目立体视觉的汽车防碰撞预警方法和系统 |
CN108162858A (zh) * | 2016-12-07 | 2018-06-15 | 杭州海康威视数字技术股份有限公司 | 车载监控装置及其方法 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
CN109212541A (zh) * | 2018-09-20 | 2019-01-15 | 同济大学 | 基于车辆直角型特征和激光雷达的高精度车辆检测系统 |
CN110781891A (zh) * | 2019-11-28 | 2020-02-11 | 吉林大学 | 一种基于激光雷达传感器的识别车辆可行驶区域的方法 |
Non-Patent Citations (6)
Title |
---|
Chen, TT ; Zhang, TT and Wang, HG.LIDAR-based Vehicle Recognition with Global Cylindrical-coordinate Histogram Descriptor.《37th Chinese Control Conference (CCC)》.2019,第9516-9522页. * |
Dimitris Zermas ; Izzat Izzat ; Nikolaos Papanikolopoulos.Fast segmentation of 3D point clouds: A paradigm on LiDAR data for autonomous vehicle applications.《IEEE》.2017,第5067-5073页. * |
基于激光雷达深度信息和视觉HOG特征的车辆识别与跟踪方法;贾子永;任国全;李冬伟;赵爱德;;装甲兵工程学院学报(第06期);第105-109页 * |
基于激光雷达的智能汽车检测跟踪与运动规划;李明樵;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第C035-376页 * |
复杂环境下智能车辆动态目标三维感知方法研究;王肖;《中国优秀博士学位论文全文数据库 工程科技Ⅱ辑》;第C035-9页 * |
复杂环境下的激光雷达目标物实时检测方法;李茁;王田苗;胡坤磊;李晓飞;王肖;;激光杂志(第03期);第45-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111580131A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111580131B (zh) | 三维激光雷达智能车在高速公路上识别车辆的方法 | |
CN108052880B (zh) | 交通监控场景虚实车道线检测方法 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN103034836B (zh) | 道路标志检测方法和道路标志检测设备 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN105260699A (zh) | 一种车道线数据的处理方法及装置 | |
CN114359876B (zh) | 一种车辆目标识别方法及存储介质 | |
CN112329623A (zh) | 雾天能见度检测与能见度安全等级划分预警方法 | |
CN112818775B (zh) | 基于区域边界像素交换的林区道路快速识别方法及系统 | |
CN112561944A (zh) | 一种基于车载激光点云的车道线提取方法 | |
CN112560747A (zh) | 基于车载点云数据的车道边界交互式提取方法 | |
CN113837094A (zh) | 基于全色高分遥感图像的路况快捷分析方法 | |
CN112198899A (zh) | 基于无人飞行器的道路检测方法、设备和存储介质 | |
CN114782729A (zh) | 一种基于激光雷达与视觉融合的实时目标检测方法 | |
CN114648654A (zh) | 一种融合点云语义类别和距离的聚类方法 | |
CN112200171A (zh) | 一种基于扫描线的道路点云的提取方法 | |
Poggenhans et al. | A universal approach to detect and classify road surface markings | |
CN114863376A (zh) | 一种基于车载激光点云数据的道路标线分割方法及系统 | |
CN107918775B (zh) | 一种辅助车辆安全驾驶的斑马线检测方法及系统 | |
Ghahremannezhad et al. | Robust road region extraction in video under various illumination and weather conditions | |
CN112666573A (zh) | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 | |
CN114155720B (zh) | 一种路侧激光雷达的车辆检测和轨迹预测方法 | |
Börcs et al. | A marked point process model for vehicle detection in aerial LiDAR point clouds |
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 |