CN111832407B - 一种激光雷达开机自动判别方法、设备及存储设备 - Google Patents

一种激光雷达开机自动判别方法、设备及存储设备 Download PDF

Info

Publication number
CN111832407B
CN111832407B CN202010510429.0A CN202010510429A CN111832407B CN 111832407 B CN111832407 B CN 111832407B CN 202010510429 A CN202010510429 A CN 202010510429A CN 111832407 B CN111832407 B CN 111832407B
Authority
CN
China
Prior art keywords
image
laser radar
sky
camera
stars
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
CN202010510429.0A
Other languages
English (en)
Other versions
CN111832407A (zh
Inventor
林兆祥
柯伟
杨国韬
程学武
熊伟
吴金泉
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.)
Wuhan Qidou Photoelectric Technology Co ltd
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202010510429.0A priority Critical patent/CN111832407B/zh
Publication of CN111832407A publication Critical patent/CN111832407A/zh
Application granted granted Critical
Publication of CN111832407B publication Critical patent/CN111832407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G01S7/497—Means for monitoring or calibrating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明提供了一种激光雷达开机自动判别方法、设备及存储设备，其方法包括：首先采用自动曝光算法对相机的曝光参数进行调整；然后对压缩后的图像的灰度图进行二阶求导，进行拉普拉斯运算；对处理过的灰度图像进行二值化处理，得到二值化图像；对二值化图像进行孤立点检测，统计星星数量；对星星进行同类归一处理，得到星星数量阈值；最后激光雷达最大瑞利探测高度与星星数量进行指数拟合处理，获取当前的激光雷达最大瑞利探测高度；根据激光雷达最大瑞利探测高度判断是否符合激光雷达开机条件。本发明所提出的技术方案可以实现激光雷达无人值守运行，通过相机拍取的照片，可以有效识别的星星数量以及激光雷达开机最大高度，实现智能判别的效果。

Description

一种激光雷达开机自动判别方法、设备及存储设备
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开机自动判别方法、设备及存储设备。
背景技术
中高层大气探测激光雷达(lidar)主要探测地表以上80km～150km高空大气活动，由于特殊的探测需要，激光雷达的激光光源质量、望远镜接收系统的收光能力等都有极高的要求，其工作环境也极为苛刻，需要在晴朗的天气环境下工作，否则在雨、雪、雾霾等恶劣的天气环境下，固体颗粒物、雨水都容易破坏望远镜和激光反射镜等精密设备。激光雷达属于主动探测手段，在探测过程中激光发射光束和接收的散射光、荧光等都需要经过低层大气透射。低层大气的透射率影响着中高层大气探测激光雷达的观测结果，这种情况下，虽然激光雷达不遭到恶劣天气的破坏，但也无法获得有效的中高层大气观测数据，影响了激光雷达的运行效率。自激光雷达被用于大气观测以来，观测员一般需要具备丰富的光学和气象科学等学科知识，实时关注夜空气象变化，来保证激光雷达的运行安全和观测数据的有效性。这项工作一般由值守人员参考当天的卫星云图、气象天气预报，并实时观望天气变化——这种观测方法需要值守人员具有丰富的工作经验，并且难以实现激光雷达台站的无人值守，制约了激光雷达的业务化运行。
发明内容
为了解决上述问题，本发明提供了一种激光雷达开机自动判别方法、设备及存储设备；一种激光雷达开机自动判别方法，应用于一种激光雷达开机自动判别系统中；所述一种激光雷达开机自动判别系统，包括：图像采集装置和控制器；所述图像采集装置和所述控制器电性连接；所述图像采集装置包括相机，用于采集天空图像，并将采集的图像传输给所述控制器；
所述一种激光雷达开机自动判别方法，包括以下步骤：
S101：所述相机连续采集多张天空图像，并传输给控制器；所述控制器根据接收的天空图像，采用自动曝光算法对相机的曝光参数进行调整；
S102：采用曝光参数调整后的相机拍摄实时天空图像作为原始天空图像传输至控制器；并所述控制器将所述原始天空图像压缩十分之一，得到压缩后的天空图像；
S103：对压缩后的图像的灰度图进行二阶求导，进行拉普拉斯运算，得到处理过的灰度图像；
S104：对处理过的灰度图像进行二值化处理，得到二值化图像；
S105：对二值化图像进行孤立点检测，并计算孤立点的数量，根据连通域的大小判断孤立点是否为星星，统计二值化图像中的星星数量；
S106：激光雷达最大瑞利探测高度与星星数量进行指数拟合处理，获取当前的激光雷达最大瑞利探测高度；
S107：根据激光雷达最大瑞利探测高度判断当前天气是否符合激光雷达开机条件，所述开机条件：最大瑞利探测高度h>50。
进一步地，步骤S101中，所述控制器根据接收的天空图像，采用自动曝光算法对相机的曝光参数进行调整；具体包括：
控制器对接收的天空图像的亮度进行平均加权，求取平均亮度；并判断平均亮度是否处于[55,100]的范围内；若是，则停止调整相机的曝光参数；
否则，若平均亮度小于55，则调整相机的曝光参数增加
Figure GDA0003451928430000021
若平均亮度大于100，则调整相机的曝光参数减小
Figure GDA0003451928430000022
所述控制器采用上述方法对接收的每张天空图像进行处理，直到平均亮度处于[55,100]的范围内，完成相机曝光参数的调整。
进一步地，步骤S103中，对压缩后的图像的灰度图进行二阶求导，进行拉普拉斯运算时，采用8连通域的拉普拉斯卷子算子：
Figure GDA0003451928430000023
进一步地，步骤S104中，处理过的灰度图像的灰度值大于给定的阈值时，使用遍历图像二值化法对其像素点进行二值化；具体如下：
根据公式(1)对所述处理过的灰度图像进行二值化，得到二值化图像：
Figure GDA0003451928430000024
上式中，Bi表示所述处理过的灰度图像的第i个像素点的像素值；i＝1,2,…m；m为所述处理过的灰度图像的像素点总个数；
Figure GDA0003451928430000031
为对应阈值，计算方法为：
预先采集多张天空图像，并根据天气情况(由人判断晴天、阴天、多云，雨天)将采集的多张天空图像进行分类，得到多个类别的天空图像集；
根据公式(2)寻找每张天空图像上的孤立点峰值：
Figure GDA0003451928430000032
上式中，xi,yi表示天空图像对应的处理过的灰度图像上的第i个像素点的横坐标和纵坐标；
Figure GDA0003451928430000033
是对灰度图像第i个像素点求2阶导的结果，
Figure GDA0003451928430000034
是对灰度图像第i+1个像素点2阶导的结果；Aj表示某一类天空图像集中第j张天空图像对应的孤立点峰值；i＝1,2,…m；m为像素点总个数；j＝1,2,…,N；N表示一个类别的天空图像集中的天空图像总数；
S202：根据公式(3)，对同一类别的处理过的灰度图像进行峰值平均，得到阈值：
Figure GDA0003451928430000035
进一步地，步骤S105中，对二值化图像进行孤立点检测，并计算孤立点的数量，根据连通域的大小判断孤立点是否为星星，统计二值化图像中的星星数量n；方法为：
使用findContours函数，寻找二值化的图像的轮廓，即连通域；
遍历所有连通域，将连通域面积在20～40个像素范围内的轮廓判定为星星；统计出星星的数量n。
进一步地，步骤S106中，激光雷达最大瑞利探测高度与星星数量进行指数拟合处理，获取当前的激光雷达最大瑞利探测高度h；具体公式如公式(4)所示：
h＝65-23e-0.008n (4)。
进一步地，步骤S107中，判断条件h<50且
Figure GDA0003451928430000036
是否成立；若是，则判定当前天气不符合激光雷达开机条件；否则，判定当前天气符合激光雷达开机条件；
其中，n所代表的含义为统计的星星数量，
Figure GDA0003451928430000037
为对应的星星数量阈值，获取方法为：
根据所述的多个类别的天空图像集，通过公式(5)计算得到各类别的天空图像对应的星星数量阈值：
Figure GDA0003451928430000041
上式中，
Figure GDA0003451928430000042
为某一类别天空图像对应的星星数量阈值；ni为对应天空图像集中第i张天空图像中的星星数量。
一种计算机可读存储介质，所述计算机可读存储介质存储指令及数据用于实现一种激光雷达开机自动判别方法。
一种激光雷达开机自动判别设备，包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种激光雷达开机自动判别方法。
本发明提供的技术方案带来的有益效果是：本发明所提出的技术方案可以实现激光雷达无人值守运行，同时能对当前激光雷达瑞利散射信号强弱、可达到的探测高度等做出判断，为激光雷达安全运行提供保障；通过相机拍取的照片，可以有效识别的星星数量以及激光雷达开机最大高度，实现智能判别的效果。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种激光雷达开机自动判别系统的结构图；
图2是本发明实施例中拍照装置的结构图；
图3是本发明实施例中一种激光雷达开机自动判别方法的流程图；
图4是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种激光雷达开机自动判别方法；应用于一种激光雷达开机自动判别系统中；
请参阅图1，图1是本发明实施例中一种激光雷达开机自动判别系统的结构图；所述一种激光雷达开机自动判别系统，包括：图像采集装置和控制器；所述图像采集装置和所述控制器电性连接；
请参阅图2，图2是本发明实施例中拍照装置的结构图；所述图像采集装置包括相机3和拍照装置，相机3用于采集天空图像，并将采集的图像传输给所述控制器；拍照装置用于保护相机3及保持相机拍照的稳定性；
所述拍照装置包括：防雨罩1、箱体2、相机仓4、备用仓6、底板7、支撑杆8和底座9；
所述箱体2为中空的圆柱，且上下开口；防雨罩1为透明的半球，直径大小与箱体2相适应，固定安装在箱体2的上方开口；相机仓4、备用仓6和底板9相互平行，且通过连接杆5从上往下依次等间距设置；相机仓4上表面设置有相机固定孔；相机3通过相机固定孔固定安装在相机仓4上表面，且镜头朝上；底板7的下表面通过螺孔固定安装在支撑杆8的上端；底座9中心设置有与支撑杆8大小相适应的安装孔；支撑杆8的下端穿过所述安装孔固定在底座9上；支撑杆8中空，相机仓4、备用仓6和底板7上均设置有线孔；相机3的电源线10和数据线11穿过相机仓4、备用仓6和底板7的线孔后通过支撑杆8的中空部分，由底座9引出，进而连接控制器；
使用时，通过箱体2下端的开口将箱体套设在相机仓4、备用仓6和底板7上；底板7的直径大于箱体2的直径，以将箱体2搁置在底板7上；相机3镜头通过防雨罩1朝向天空，拍摄天空图像；相机3通过数据线11连接电脑，将实时照片传入电脑；
所述控制器为电脑，用于根据所述天空图像，采用所述一种激光雷达开机自动判别方法对激光雷达是否具备开机条件进行判断；
请参考图3，图3是本发明实施例中一种激光雷达开机自动判别方法的流程图，具体包括如下步骤：
S101：所述相机连续采集多张天空图像，并传输给控制器；所述控制器根据接收的天空图像，采用自动曝光算法对相机的曝光参数进行调整；
S102：采用曝光参数调整后的相机拍摄实时天空图像作为原始天空图像传输至控制器；并所述控制器将所述原始天空图像压缩十分之一，得到压缩后的天空图像；
S103：对压缩后的图像的灰度图进行二阶求导，进行拉普拉斯运算，得到处理过的灰度图像；以屏蔽相机镜头产生的斑点噪声、月光造成的强烈光斑；
S104：对处理过的灰度图像进行二值化处理，得到二值化图像；
S105：对二值化图像进行孤立点检测，并计算孤立点的数量，根据连通域的大小判断孤立点是否为星星，统计二值化图像中的星星数量；
S106：激光雷达最大瑞利探测高度与星星数量进行指数拟合处理，获取当前的激光雷达最大瑞利探测高度；
S107：根据激光雷达最大瑞利探测高度判断当前天气是否符合激光雷达开机条件，所述开机条件：最大瑞利探测高度h>50。
步骤S101中，所述控制器根据接收的天空图像，采用自动曝光算法对相机的曝光参数进行调整；具体包括：
控制器对接收的天空图像的亮度进行平均加权，求取平均亮度；并判断平均亮度是否处于[55,100]的范围内；若是，则停止调整相机的曝光参数；
否则，若平均亮度小于55，则调整相机的曝光参数在上一次的基础上增加
Figure GDA0003451928430000061
若平均亮度大于100，则调整相机的曝光参数上一次的基础上减小
Figure GDA0003451928430000062
所述控制器采用上述方法对接收的每张天空图像进行处理，直到平均亮度处于[55,100]的范围内，完成相机曝光参数的调整。
步骤S103中，对压缩后的图像的灰度图进行二阶求导，进行拉普拉斯运算时，采用的8连通域的拉普拉斯卷子算子：
Figure GDA0003451928430000063
步骤S104中，处理过的灰度图像的灰度值大于给定的阈值时，使用遍历图像二值化法对其像素点进行二值化；具体如下：
根据公式(1)对所述处理过的灰度图像进行二值化，得到二值化图像：
Figure GDA0003451928430000064
上式中，Bi表示所述处理过的灰度图像的第i个像素点的像素值；i＝1,2,…m；m为所述处理过的灰度图像的像素点总个数；
Figure GDA0003451928430000065
为对应阈值，计算方法为：
预先采集多张天空图像，并根据天气情况(晴天、阴天、多云，雨天)将采集的多张天空图像进行分类，得到多个类别的天空图像集；
根据公式(2)寻找每张天空图像上的孤立点峰值：
Figure GDA0003451928430000066
上式中，xi，yi表示天空图像对应的处理过的灰度图像上的第i个像素点的横坐标和纵坐标；
Figure GDA0003451928430000071
是对灰度图像第i个像素点求2阶导的结果，
Figure GDA0003451928430000072
是对灰度图像第i+1个像素点2阶导的结果；Aj表示某一类天空图像集中第j张天空图像对应的孤立点峰值；i＝1，2，…m；m为像素点总个数；j＝1，2，…，N；N表示一个类别的天空图像集中的天空图像总数；
Figure GDA0003451928430000073
表示对像素点(xi，yi)的像素值进行二阶求导；max(.)表示获取像素值求导的最大值；
S202：根据公式(3)，对同一类别的处理过的灰度图像进行峰值平均，得到阈值：
Figure GDA0003451928430000074
步骤S105中，对二值化图像进行孤立点检测，并计算孤立点的数量，根据连通域的大小判断孤立点是否为星星，统计二值化图像中的星星数量n；方法为：
使用findContours函数，寻找二值化的图像的轮廓，即连通域；
由于星星在的像素值为20～40，因此遍历所有连通域，将连通域面积在20～40个像素范围内的轮廓判定为星星；统计出星星的数量n。
步骤S106中，激光雷达最大瑞利探测高度与星星数量进行指数拟合处理，获取当前的激光雷达最大瑞利探测高度h；具体公式如下：
h＝65-23e-0.008n。
步骤S107中，判断条件h＜50且
Figure GDA0003451928430000075
是否成立；若是，则判定当前天气不符合激光雷达开机条件；否则，判定当前天气符合激光雷达开机条件；
其中，
Figure GDA0003451928430000076
为对应的星星数量阈值，获取方法为：
根据所述的多个类别的天空图像集，通过公式(5)采用下式对天空图像的星星数量进行同类归一处理，计算得到各类别的天空图像对应的星星数量阈值：
Figure GDA0003451928430000077
上式中，n所代表的含义为统计的星星数量，
Figure GDA0003451928430000078
为某一类别天空图像对应的星星数量阈值；ni为对应天空图像集中第i张天空图像中的星星数量。
根据天气情况(晴天、阴天、多云，雨天)将所述多张原始天空图像进行分类，然后将对应类别的天气图像进行标记归类。
findContours()函数为OpenCV内置的函数，其表达式如下：
findContours(InputOutputArray image,OutputArrayOfArrays contours,OutputArray hierarchy,int mode,int method,Point offset＝Point())；
其中，第一个参数：image，单通道图像矩阵，可以是灰度图，常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；
第二个参数：contours，定义为“vector<vector<Point>>contours”，是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓；有多少轮廓，向量contours就有多少元素；
第三个参数：hierarchy，定义为“vector<Vec4i>hierarchy”，Vec4i是Vec<int,4>的别名，定义了一个“向量内每一个元素包含了4个int型变量”的向量；从定义上看，hierarchy也是一个向量，向量内每个元素保存了一个包含4个int整型的数组；向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同；hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0]～hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号；如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0]～hierarchy[i][3]的相应位被设置为默认值-1；
第四个参数：int型的mode，定义轮廓的检索模式：
取值一：CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略；
取值二：CV_RETR_LIST检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1；
取值三：CV_RETR_CCOMP检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层；
取值四：CV_RETR_TREE，检测所有轮廓，所有轮廓建立一个等级树结构；外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓；
第五个参数：int型的method，定义轮廓的近似方法：
取值一：CV_CHAIN_APPROX_NONE保存物体边界上所有连续的轮廓点到contours向量内；
取值二：CV_CHAIN_APPROX_SIMPLE仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留；
取值三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain近似算法；
第六个参数：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值。
请参见图4，图4是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种激光雷达开机自动判别设备401、处理器402及存储设备403。
一种激光雷达开机自动判别设备401：所述一种激光雷达开机自动判别设备401实现所述一种激光雷达开机自动判别方法。
处理器402：所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述一种激光雷达开机自动判别方法。
计算机可读存储介质403：所述计算机可读存储介质403存储指令及数据；所述存储设备403用于实现所述一种激光雷达开机自动判别方法。
本发明的有益效果是：本发明所提出的技术方案可以实现激光雷达无人值守运行，同时能对当前激光雷达瑞利散射信号强弱、可达到的探测高度等做出判断，为激光雷达安全运行提供保障；通过相机拍取的照片，可以有效识别的星星数量以及激光雷达开机最大高度，实现智能判别的效果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种激光雷达开机自动判别方法，应用于一种激光雷达开机自动判别系统中；其特征在于：所述一种激光雷达开机自动判别系统，包括：图像采集装置和控制器；所述图像采集装置和所述控制器电性连接；
所述图像采集装置包括相机，用于采集天空图像，并将采集的图像传输给所述控制器；
所述一种激光雷达开机自动判别方法，包括以下步骤：
S101：所述相机连续采集多张天空图像，并传输给控制器；所述控制器根据接收的天空图像，采用自动曝光算法对相机的曝光参数进行调整；
S102：采用曝光参数调整后的相机拍摄实时天空图像作为原始天空图像传输至控制器；并所述控制器将所述原始天空图像压缩十分之一，得到压缩后的天空图像；
S103：对压缩后的图像的灰度图进行二阶求导，进行拉普拉斯运算，得到处理过的灰度图像；
S104：对处理过的灰度图像进行二值化处理，得到二值化图像；
S105：对二值化图像进行孤立点检测，并计算孤立点的数量，根据连通域的大小判断孤立点是否为星星，统计二值化图像中的星星数量；
S106：激光雷达最大瑞利探测高度与星星数量进行指数拟合处理，获取当前的激光雷达最大瑞利探测高度；
S107：根据激光雷达最大瑞利探测高度判断当前天气是否符合激光雷达开机条件，所述开机条件：最大瑞利探测高度h>50。
2.如权利要求1所述的一种激光雷达开机自动判别方法，其特征在于：步骤S101中，所述控制器根据接收的天空图像，采用自动曝光算法对相机的曝光参数进行调整；具体包括：
控制器对接收的天空图像的亮度进行平均加权，求取平均亮度；并判断平均亮度是否处于[55,100]的范围内；若是，则停止调整相机的曝光参数；
否则，若平均亮度小于55，则调整相机的曝光参数增加
Figure FDA0003451928420000011
若平均亮度大于100，则调整相机的曝光参数减小
Figure FDA0003451928420000012
所述控制器采用上述方法对接收的每张天空图像进行处理，直到平均亮度处于[55,100]的范围内，完成相机曝光参数的调整。
3.如权利要求1所述的一种激光雷达开机自动判别方法，其特征在于：步骤S103中，对压缩后的图像的灰度图进行二阶求导，进行拉普拉斯运算时，采用8连通域的拉普拉斯卷子算子：
Figure FDA0003451928420000021
4.如权利要求1所述的一种激光雷达开机自动判别方法，其特征在于：步骤S104中，处理过的灰度图像的灰度值大于给定的阈值时，使用遍历图像二值化法对其像素点进行二值化；具体如下：
根据公式(1)对所述处理过的灰度图像进行二值化，得到二值化图像：
Figure FDA0003451928420000022
上式中，Bi表示所述处理过的灰度图像的第i个像素点的像素值；i＝1,2,…m；m为所述处理过的灰度图像的像素点总个数；
Figure FDA0003451928420000023
为对应阈值，计算方法为：
预先采集多张天空图像，并根据天气情况将采集的多张天空图像进行分类，得到多个类别的天空图像集；
根据公式(2)寻找每张天空图像上的孤立点峰值：
Figure FDA0003451928420000024
上式中，xi,yi表示天空图像对应的处理过的灰度图像上的第i个像素点的横坐标和纵坐标；
Figure FDA0003451928420000025
是对灰度图像第i个像素点求2阶导的结果，
Figure FDA0003451928420000026
是对灰度图像第i+1个像素点2阶导的结果，Aj表示某一类天空图像集中第j张天空图像对应的孤立点峰值；i＝1,2,…m；m为像素点总个数；j＝1,2,…,N；N表示一个类别的天空图像集中的天空图像总数；
S202：根据公式(3)，对同一类别的处理过的灰度图像进行峰值平均，得到阈值：
Figure FDA0003451928420000027
5.如权利要求1所述的一种激光雷达开机自动判别方法，其特征在于：步骤S105中，对二值化图像进行孤立点检测，并计算孤立点的数量，根据连通域的大小判断孤立点是否为星星，统计二值化图像中的星星数量n；方法为：
使用findContours函数，寻找二值化的图像的轮廓，即连通域；
遍历所有连通域，将连通域面积在20～40个像素范围内的轮廓判定为星星；统计出星星的数量n。
6.如权利要求1所述的一种激光雷达开机自动判别方法，其特征在于：步骤S106中，激光雷达最大瑞利探测高度与星星数量进行指数拟合处理，获取当前的激光雷达最大瑞利探测高度h；具体公式如公式(4)所示：
h＝65-23e-0.008n (4)。
7.如权利要求4所述的一种激光雷达开机自动判别方法，其特征在于：步骤S107中，判断条件h<50且
Figure FDA0003451928420000031
是否成立；若是，则判定当前天气不符合激光雷达开机条件；否则，判定当前天气符合激光雷达开机条件；
其中，n所代表的含义为统计的星星数量，
Figure FDA0003451928420000032
为对应的星星数量阈值，获取方法为：
根据所述的多个类别的天空图像集，通过公式(5)计算得到各类别的天空图像对应的星星数量阈值：
Figure FDA0003451928420000033
上式中，
Figure FDA0003451928420000034
为某一类别天空图像对应的星星数量阈值；ni为对应天空图像集中第i张天空图像中的星星数量。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储指令及数据用于实现权利要求1～7所述的任意一种激光雷达开机自动判别方法。
9.一种激光雷达开机自动判别设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现权利要求1～7所述的任意一种激光雷达开机自动判别方法。
CN202010510429.0A 2020-06-08 2020-06-08 一种激光雷达开机自动判别方法、设备及存储设备 Active CN111832407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010510429.0A CN111832407B (zh) 2020-06-08 2020-06-08 一种激光雷达开机自动判别方法、设备及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010510429.0A CN111832407B (zh) 2020-06-08 2020-06-08 一种激光雷达开机自动判别方法、设备及存储设备

Publications (2)

Publication Number Publication Date
CN111832407A CN111832407A (zh) 2020-10-27
CN111832407B true CN111832407B (zh) 2022-03-15

Family

ID=72898402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010510429.0A Active CN111832407B (zh) 2020-06-08 2020-06-08 一种激光雷达开机自动判别方法、设备及存储设备

Country Status (1)

Country Link
CN (1) CN111832407B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504533A (zh) * 2021-07-13 2021-10-15 安徽大学 一种激光雷达数据有效性检测装置及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005037A (zh) * 2014-04-15 2015-10-28 北京艾沃思科技有限公司 基于嵌入式系统的气溶胶在线监测激光雷达
CN108828624A (zh) * 2018-06-29 2018-11-16 中科院合肥技术创新工程院 一种高灵敏度和高线性度兼顾的大气瑞利回波光信号接收方法和装置
CN109239808A (zh) * 2018-08-01 2019-01-18 平安科技（深圳）有限公司 天气预报方法、装置、计算机设备及存储介质
CN109784298A (zh) * 2019-01-28 2019-05-21 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9947128B2 (en) * 2013-01-29 2018-04-17 Andrew Robert Korb Methods for improving accuracy, analyzing change detection, and performing data compression for multiple images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005037A (zh) * 2014-04-15 2015-10-28 北京艾沃思科技有限公司 基于嵌入式系统的气溶胶在线监测激光雷达
CN108828624A (zh) * 2018-06-29 2018-11-16 中科院合肥技术创新工程院 一种高灵敏度和高线性度兼顾的大气瑞利回波光信号接收方法和装置
CN109239808A (zh) * 2018-08-01 2019-01-18 平安科技（深圳）有限公司 天气预报方法、装置、计算机设备及存储介质
CN109784298A (zh) * 2019-01-28 2019-05-21 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
探测武汉上空大气气溶胶的双视场激光雷达;李俊等;《光学学报》;20131210(第12期);全文 *

Also Published As

Publication number Publication date
CN111832407A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
AU2020100323A4 (en) Solar Power Forecasting
CN112381784B (zh) 一种基于多光谱图像的设备检测系统
CN108109385B (zh) 一种输电线防外破的车辆识别与危险行为判别系统与方法
CN110956137A (zh) 点云数据的目标检测方法、系统及介质
CN104182992B (zh) 一种基于全景视觉的海上弱小目标检测方法
CN116665080B (zh) 基于目标识别的无人机劣化绝缘子检测方法及系统
WO2017193172A1 (en) &#34;solar power forecasting&#34;
CN113989716A (zh) 煤矿井下输送带异物目标检测方法、系统、设备及终端
CN114241364A (zh) 一种架空输电线路异物目标快速标定方法
CN110488391B (zh) 针对小区域的天气预测系统、方法及存储介质
CN111832407B (zh) 一种激光雷达开机自动判别方法、设备及存储设备
CN113537016A (zh) 一种道路巡查中道路损伤自动检测预警的方法
CN113762161B (zh) 一种障碍物智能监测方法及系统
CN111667655A (zh) 基于红外图像的高速铁路安全区入侵警报装置及方法
CN117036825A (zh) 一种太阳能电池板检测方法、介质及系统
CN114399667A (zh) 一种基于云量特征的全天空云图云量分类方法
CN116600210A (zh) 基于机器人视觉的图像采集优化系统
CN115082504B (zh) 一种太阳能光伏板光斑识别方法
CN116225070A (zh) 一种基于无人机自动巡护的环境监测方法及系统
KR101877173B1 (ko) 위성영상을 이용한 해안선 검출 시스템 및 방법
CN113724274A (zh) 一种温度智能监测方法及系统
CN111582037A (zh) 基于粗糙集理论的地基云图云分类识别系统和方法
CN117095165B (zh) 基于人工智能的林地空秃检测系统
JP6901647B1 (ja) 視程推定装置、視程推定方法、および、記録媒体
TWI854739B (zh) 運用天空色彩特性估計全天空輻射量的方法

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
TR01 Transfer of patent right

Effective date of registration: 20221117

Address after: Building 1, No. 58, Guanggu Avenue, Donghu New Technology Development Zone, Wuhan, Hubei 430000

Patentee after: Wuhan Qidou Photoelectric Technology Co.,Ltd.

Address before: 430074 No. 708 National Road, Hongshan District, Hubei, Wuhan

Patentee before: SOUTH CENTRAL University FOR NATIONALITIES

TR01 Transfer of patent right