CN111861933B - 基于空间划分的点云去噪方法及装置 - Google Patents
基于空间划分的点云去噪方法及装置 Download PDFInfo
- Publication number
- CN111861933B CN111861933B CN202010743854.4A CN202010743854A CN111861933B CN 111861933 B CN111861933 B CN 111861933B CN 202010743854 A CN202010743854 A CN 202010743854A CN 111861933 B CN111861933 B CN 111861933B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- radius
- subset
- subsets
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 240000007594 Oryza sativa Species 0.000 claims description 2
- 235000007164 Oryza sativa Nutrition 0.000 claims description 2
- 235000009566 rice Nutrition 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 52
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 230000001629 suppression Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 244000020191 Salix babylonica Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241000183024 Populus tremula Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于空间划分的点云去噪方法，所述方法包括如下步骤：获取激光雷达的点云数据集；将所述点云数据集对应的点云空间划分为多个点云子集并计算子集半径；根据所述子集半径自适应确定滤波半径，该步骤包括：计算以激光雷达为圆心的水平单位圆上数据点间的最短距离I；最短距离I乘以放大倍数s得到单位滤波半径；子集半径Rn乘以单位滤波半径得到不同子集中的滤波半径rn；将所述点云数据集中所有点划分到所述点云子集；根据所述滤波半径去除所述点云子集的噪声。本发明的有益效果在于，提出了基于等比例点云空间划分方法，设计了滤波半径动态生成方法以及点云噪声识别方法，从而实现了一种新颖的点云去噪算法。
Description
技术领域
本发明属于点云数据去噪领域，具体涉及一种基于空间划分的点云去噪方法和装置。
背景技术
移动机器人工作于城市道路、农田、种植园、农产品加工厂等户外开放的非结构和半结构环境，场景复杂多变和规模庞大是这类场景的典型特征。在上述场景中，激光雷达输出的点云数据具有密度差异大、噪声随机性强等特点，已有研究成果在上述环境中都存在不适用之处。同时移动机器人的激光雷达数据分析结果用于机器人的导航、避障等实时任务，点云去噪算法应具有较高的计算效率。因此，现有技术中期待一种算法结构简单、处理速度快、通用性强、去噪效果稳定的滤波方法。另外，一些已知滤波方法因滤波参数不能动态调整使得对于密度差异较大的点云数据去噪时，存在去噪不完全或者细节损失较严重缺点，从而限制了这些方法在户外点云去噪的应用，因此也期待滤波方法的滤波参数能够动态调整。
发明内容
本发明提供了基于空间划分的点云去噪方法，所述方法包括如下步骤：
获取激光雷达的点云数据集；
将所述点云数据集对应的点云空间划分为多个点云子集并计算子集半径；
根据所述子集半径自适应确定滤波半径，该步骤包括：计算以激光雷达为圆心的水平单位圆上数据点间的最短距离I；最短距离I乘以放大倍数s得到单位滤波半径；子集半径Rn乘以单位滤波半径得到不同子集中的滤波半径rn；“最短距离I”即表示相邻数据点间距的理论值(单位圆)I。
将所述点云数据集中所有点划分到所述点云子集；
根据所述滤波半径去除所述点云子集的噪声。
本发明还提供了基于空间划分的点云去噪装置，所述装置包括至少一个处理器；以及
存储器，其存储有指令，当通过至少一个处理器来执行该指令时，实施本发明的方法。
本发明的有益效果在于，提出了基于等比例点云空间划分方法，设计了滤波半径动态生成方法以及点云噪声识别方法，从而实现了一种新颖的点云去噪算法，并基于百度ApolloScape数据集完成点云去噪实验。去噪结果表明：本发明提出的去噪方法，与统计滤波和半径滤波相比，去噪时间基本一致，去噪耗时804ms，噪声去除比例为5.27％，但经本发明方法去噪后，不同密度区域点云噪声被更有效地抑制，同时较完整地保留场景细节点云数据。
另外，本发明提出的等比例划分方法，相较于均匀划分，子集中点云数量分布更均匀，为基于划分思想的去噪方法奠定了基础。本发明提出的基于空间划分的自适应半径去噪方法，相比于统计滤波和半径滤波，去噪时间基本一致，近处的噪声去除更加明显，远处的特征保留更加完整，在保证信息不丢失的前提下，有效去除不同尺度噪声且保留点云特征，且不依赖有序点云和反射信息，具有较强的通用性、鲁棒性和实用性。
附图说明
图1一些实施例的均匀划分；
图2一些实施例的等比例划分；
图3(a)一些实施例的原始点云；
图3(b)一些实施例的统计滤波去噪；
图3(c)一些实施例的半径滤波去噪；
图3(d)一些实施例的均匀划分；
图3(e)一些实施例的等比例划分；
图4(a)一些实施例的半径曲线.子集数量＝6；
图4(b)一些实施例的半径曲线.子集数量＝12；
图4(c)一些实施例的半径曲线.子集数量＝18；
图5一些实施例的实验场景-白杨树林；
图6一些实施例的实验场景-旱柳树林；
图7一些实施例的实验场景-KITTI；
图8一些实施例的实验场景-ApolloScape；
具体实施方式
在一些基于空间划分的点云去噪方法的实施例中，包括如下步骤：
获取激光雷达的点云数据集；
将所述点云数据集对应的点云空间划分为多个点云子集并计算子集半径；
根据所述子集半径自适应确定滤波半径，该步骤包括：计算以激光雷达为圆心的水平单位圆上数据点间的最短距离I；最短距离I乘以放大倍数s得到单位滤波半径；子集半径Rn乘以单位滤波半径得到不同子集中的滤波半径rn；
将所述点云数据集中所有点划分到所述点云子集；
根据所述滤波半径去除所述点云子集的噪声。
在一些基于空间划分的点云去噪方法的实施例中，滤波半径rn步骤按(6)计算：
rn＝s·I·Rn， (6)
其中，s表示放大倍数；I表示相邻数据点间距的理论值(单位圆)；Rn表示子集半径。
在一些基于空间划分的点云去噪方法的实施例中，所述放大倍数s按如下式(11)计算：
其中，resV-水平分辨率；resH-垂直分辨率；fovV-水平视场角，单位：度；fovH-垂直视场角，单位：度。
所述相邻数据点间距的理论值I，按如下式(5)计算：
式中：I为相邻数据点间距的理论值(单位圆)；E为激光雷达水平方向分辨率。
在一些基于空间划分的点云去噪方法的实施例中，所述空间划分为均匀划分，所述均匀划分是将所述点云空间划分成相邻子集的半径Rn之差相等的若干个子集Cn，第n个子集Cn对应的半径Rn，计算方法如式(1)所示：
式中：n为子集序号；L为激光雷达最大探测量程；M为子集数量。
在一些基于空间划分的点云去噪方法的实施例中，所述空间划分为等比例划分，所述等比例划分是将所述点云空间划分成相邻子集的半径Rn之比相等的若干个子集Cn，第n个子集Cn对应的半径Rn，计算方法如式(15)所示：
Rn＝R1·qn,n＝1,2,3,…,M (15)
式中：R1为初始半径；q为比例系数；n为子集序号；M为子集数量。
在一些基于空间划分的点云去噪方法的实施例中，当为垂直视场角小的激光雷达时，所述初始半径R1为自定义；
当为长距离、垂直视场角大的激光雷达时，所述激光雷达的地面探测盲区D作为R1，所述盲区范围计算方法如式(2)所示，第n个子集Cn对应的半径Rn计算方法如式(4)所示，比例系数q计算方法由式(3)所示：
Rn＝D·qn,n＝1,2,3,...,M， (4)
式中：H为激光雷达安装高度；V为激光雷达垂直视场角；q为比例系数；n为子集序号；L为激光雷达最大探测量程；M为子集数量。
在一些基于空间划分的点云去噪方法的实施例中，子集数量M按如下式(10)计算：
其中，D-探测量程，单位：米。
在一些基于空间划分的点云去噪方法的实施例中，所述点云数据集中所有点划分到所述点云子集步骤，包括：
计算点云数据集中所有点pi(xi,yi,zi)到原点的距离，若则pi属于点云子集Cn。
在一些基于空间划分的点云去噪方法的实施例中，根据所述滤波半径去除所述点云子集的噪声步骤，包括：
a.对Cn中的任意一点pi∈Cn，统计搜索半径rn内邻域点数Ni，若Ni小于最小近邻数w，则该点为离群点，删除该点；
b.检查是否去除完子集中的噪声。判断是否处理完Cn中的所有数据点，如果否，执行步骤a；如果是，执行步骤c。
c.检查是否处理完所有子集。判断是否处理完所有环形区块Cn，如果否，进入下一个环形区块，执行步骤b；如果是，结束算法处理。
在一些基于空间划分的点云去噪装置实施例中，装置包括至少一个处理器；以及
存储器，其存储有指令，当通过至少一个处理器来执行该指令时，实施任一项实施例的方法。
下面继续说明本发明的一些实施例：
1点云空间划分
由于激光雷达输出点云数据的密度与被测物体与激光雷达间的距离相关，为避免点云密度差异对点云滤波操作的影响，应按照点云密度将点云划分为多个子集，根据子集点云密度确定滤波参数，从而提高半径滤波在大场景中的滤波效果。一些实施例中针对激光点云数据提出了均匀划分和等比例划分方法。
(1)均匀划分
均匀划分(Uniform division，UD)是将点云空间均匀地划分成环宽相等的若干个子集Cn，对应半径为Rn，由于激光雷达的探测盲区远小于探测距离，因此均匀划分不考虑激光雷达探测盲区，均匀划分的示意图如图1所示。
图1中相邻子集的半径之差Rn-Rn-1为常数，均匀划分的第n个子集Cn对应的半径Rn计算方法如式(1)所示：
式中：n为子集序号；L为激光雷达最大探测量程；M为子集数量。
由于点云密度与距激光雷达的距离成反比，均匀划分获得的子集环宽一致，使得靠近激光雷达的子集内部点云数量较多，距离激光雷达较远的子集内部点云数量稀少，不同子集内部的点云数量差异较大。子集间点云数量分布不均，导致去噪参数的针对性不强，不利于抑制噪声，对于点云数量更多的区域，应进行更细致的划分；对于点云数量稀少的区域，应扩大子集半径。
(2)等比例划分
针对均匀划分方法获得的各子集间点云数量差异大的问题，提出半径比例放大的等比例划分(Proportion division，PD)方法。该方法的空间划分示意图如图2所示，其中点云子集为Cn，对应半径为Rn。
图2中相邻半径之比Rn/Rn-1为常数。等比例划分需指定初始半径R1，可将激光雷达的地面探测盲区D作为R1。地面探测盲区与激光雷达安装高度成正相关，激光雷达的垂直视场角越大探测盲区越小，盲区范围计算方法如式(2)所示。等比例划分第n个子集Cn对应的半径Rn计算方法如式(4)所示，其中，比例系数q计算方法由式(3)所示。
Rn＝D·qn,n＝1,2,3,...,M， (4)
式中：H为激光雷达安装高度；V为激光雷达垂直视场角；q为比例系数；n为子集序号；L为激光雷达最大探测量程；M为子集数量。
距离激光雷达越近，点云越密集且数量越多，随着距离的增加，点云密度和数量快速减少，等比例划分的半径呈指数扩大，顺应了点云密度快速降低趋势，子集间的点云数量相对均匀，使去噪参数针对性更强，有利于提升噪声抑制效果。
2基于空间划分的自适应半径去噪方法
半径滤波的基本原理是考察点云中以某个点为中心的指定半径空间范围内相邻点的数量作为判断该点是否为孤立点的依据。若相邻点数量大于指定阈值，则该点为非孤立点并予以保留，反之为孤立点予以去除。半径滤波方法的效果与选取的半径参数相关，而半径参数与区域点云密度相关。若区域内点云密度均匀，则根据点云密度可选取适当的半径参数；若区域内点云密度不均匀，则应根据点云密度动态改变滤波操作的半径。由激光雷达的性质可知，激光雷达输出的点云密度不均匀，本文提出的等比例划分方法划分的点云子集内部的密度较为一致。本文基于空间划分方法获得点云子集数据，提出了动态滤波半径生成方法和滤波方法。
为使滤波半径能适应不同点云密度并动态调整，基于数据点间距的思想确定滤波半径，避免了过度依赖经验调参的问题；首先，计算水平单位圆上数据点间的最短距离；然后，该最短距离乘以放大倍数作为单位滤波半径，并以此为基准计算不同子集中的滤波半径；最后，依据圆的性质，子集的滤波半径为子集半径与单位滤波半径的乘积，从而实现滤波半径自适应确定。
具体方法如下，在以激光雷达为圆心的水平单位圆上，相邻两点数据点及单位圆圆心可构成以圆心为顶点的等腰三角形，其顶角大小与激光雷达水平分辨率一致，根据顶角与半径的正弦关系易得其底边大小，即相邻数据点间距的理论值I，如式(5)所示；I乘以放大倍数s作为单位滤波半径，再乘以子集半径即为滤波半径，如式(6)所示。
rn＝s·I·Rn， (6)
式中：I为相邻数据点间距的理论值(单位圆)；E为激光雷达水平方向分辨率；s为放大倍数；Rn为子集半径。
本文提出的噪声去除算法的重要步骤如下：
①读取激光雷达中的点云数据。
②空间划分并确定滤波参数。首先，确定空间划分方法并根据激光雷达的固有特性计算子集半径；其次，根据子集特性确定滤波半径；最后，划分点云数据，计算点云数据集中所有点pi(xi,yi,zi)到原点的距离，若则pi属于点云子集Cn。
③去除子集噪声。对Cn中的任意一点pi∈Cn，统计搜索半径rn内邻域点数Ni，若Ni小于最小近邻数w，则该点为离群点，删除该点。
④检查是否去除完子集中的噪声。判断是否处理完Cn中的所有数据点，如果否，执行步骤③；如果是，执行步骤⑤。
⑤检查是否处理完所有子集。判断是否处理完所有环形区块Cn，如果否，进入下一个环形区块，执行步骤④；如果是，结束算法处理。
一些具体试验例
1.实验设计
为保证数据集能够较好地反应道路信息的真实特点，实验采用百度Apollo自动驾驶开放平台提供的ApolloScape公开数据集，该数据集是目前行业内环境较复杂、数据量较大的三维自动驾驶数据集，在复杂的环境、天气和交通状况中，采集了丰富的点云信息，其中混杂着小型车、大型车、自行车、行人和道路景观等。点云采集设备为Velodyne HDL-64激光雷达，其固有参数为探测距离120m，水平视场角360°，水平分辨率0.08°，垂直视场角26.9°，垂直分辨率0.4°。由于汽车玻璃会折射激光束且反射率较低，此处点云通常带有噪声且难以反映真实情况；道路景观中的树枝、树干等物体细节丰富、轮廓复杂，这类物体的边缘容易使激光雷达产生逸出值。该数据集的噪声来源具有较强的代表性，且包含的信息复杂程度与自动导航机器人的一般工作环境相似。
同时，为验证算法有效性，将本发明的一些实施例去噪方法与统计滤波、半径滤波与相比较，从噪声抑制、细节保留和算法效率三个维度进行评价去噪方法，选取较远距离的景观树林、近距离的汽车、和远距离的柱状物体三处具有代表性的点云进行分析，依次对应图3(a)-图3(e)中的(1)(2)(3)，图中加入黄-蓝双色信息以区分地面和其他物体，即地面为黄色，地面上的物体为蓝色。
实验平台为Intel(R)Core(TM)i7-6700 CPU@3.40GHz，8GB RAM，120GB SSD，基于PCL 1.9由C++编程实现。
2.点云去噪实验
点云滤波操作应在保留细节信息和远处物体特征的前提下去除噪声点。本实施例基于Apol loScape数据集，测试统计滤波、半径滤波和基于空间划分的自适应半径滤波的滤波效果。原始点云如图3(a)所示，共96733个数据点，统计滤波结果如图3(b)所示，半径滤波结果如图3(c)所示，本实施例方法的结果如图3(d)和图3(e)所示，其中图3(d)基于均匀划分方法，图3(e)基于等比例划分方法。
(1)统计滤波
采用统计滤波去除噪声时，选取近邻数量c＝10，20，40和标准差倍数m＝1，2，3进行实验，实验数据及由正态分布3σ准则计算的理论值如表1所示。
表1统计滤波的实验结果
分析表1数据可得，当标准差倍数m<2时，实际值大于理论值，表明将正常点当作噪声处理，过度去噪；当标准差倍数m≥2，实际值略小于理论值，存在噪声去除不完全的现象。综合对比后，参数选取{c＝20，m＝3}，此时噪声得到明显抑制，细节丢失较少，滤波后的点云如图3b所示，保留点云数为94863，去除1870个数据点，耗时760ms。
(2)半径滤波
采用半径滤波去除噪声时，选取滤波半径d＝0.8，2，4和最小近邻数a＝5，15，40进行实验，实验数据如表2所示。
表2半径滤波的实验结果
分析表2数据可得，噪声去除数量和滤波半径成负相关，和最小近邻数成正相关。若滤波半径偏大则容易丢失细节，滤波半径偏小则容易出现大量点云碎块。选取参数{d＝2，a＝15}时，点云噪声去除效果理想，保留点云数为94690，去除2043个数据点，耗时681ms，如图3(c)所示。
由图4(a)-图4(c)可得，距离激光雷达较近的区域(20m以内)，均匀划分的子集数量很少，而等比例划分的子集数量更多，划分更加精细，此区域内点云数量约占总数的75％，而均匀划分在子集数量为18的条件下仅有3个子集。此区域内的子集中，点云数量庞大，若划分数量较少，则去噪参数针对性不强，影响去噪效果；距离激光雷达较远的区域(20m以外)，均匀划分方法的子集数量较多，由于本实施例的去噪算法基于邻域点数量分析，点云数量稀少可能存在误删现象。
确定子集半径后，测试划分效果，标准差表征一个数据集的波动程度，若计算并分析划分结果的标准差，可得出子集间点云数量分布的均匀程度。本实施例分别在划分数量为6，12和18三种情况下，划分点云数据，计算所得子集间的标准差如表3所示。
表3划分均匀性对比
分析表3数据可得，划分数量为6，12，18时，均匀划分的标准差约为等比例划分的2.5倍，与均匀划分相比，等比例划分比较均匀。较好的均匀性表明每个子集中点云数量相对一致，不存在点云数量异常庞大或稀少的子集，使去噪参数更具针对性，有利于提高噪声抑制效果。
然后，在子集数量M＝6，12，18的基础上，选取放大倍数s＝20，30和最小近邻数w＝10，15进行多组噪声去除实验，实验结果如表4所示。
表4本文方法的实验结果
分析表4数据可得，划分区域数量相同条件下，在放大倍数一定时，适当增大最小近邻数可提升滤波效果；在最小近邻数一定时，增大放大倍数，噪声去除能力有所减弱，特征保持能力有所增强。同一参数，划分数量越多，噪声去除效果越好，但不宜过度增加划分数量，否则路面信息将略有损失。当参数选取{M＝18，s＝30，W＝15}时，能够准确去除噪声去除，保留充足的信息，滤波后的点云如图3(d)和图3(e)所示。
(4)对比分析
对比分析图3(a)-图3(e)中的实验结果可得，图3(a)-图3(e)的(1)中存在大量景观树，由于距离较远且有大量树枝、树丛，扫描得到的激光点云中存在失落信息和逸出值，经算法处理后，已无明显噪声，三种方法能够有效去除对于距离中心较远的噪声。
图3(a)-图3(e)的(2)为近处的汽车，车窗和车顶都存在噪声，经统计滤波和半径滤波去噪后，汽车仍存在一定数量的噪点，如图3(b)的(2)、图3(c)的(2)所示；经本实施例方法(均匀划分)去噪后，车顶噪声基本去除，但车窗仍存在部分噪声，如图3(d)的(2)所示；经本实施例方法(等比例划分)去噪后，噪声基本被抑制且细节保留完整，如图3(e)的(2)所示。
图3(a)-图3(e)的(3)中存在整齐排布的柱状物体，经统计滤波、半径滤波处理后，部分柱状物体特征丢失，分别如图3(b)的(3)和图3(c)的(3)所示；经本文方法去噪后，细节基本保留完整，特征损失程度更低，相比于均匀划分，基于等比例划分的去噪方法细节更丰富，分别如图3(d)的(3)和图3(e)的(3)所示。
经分析，在农田、道路等大场景中，点云密度相差悬殊，且数据点间距相差百倍以上，而半径滤波、统计滤波的参数固定，不能根据点云密度动态调整，其去噪效果对点云密度、数据点间距均较为敏感，所以，此类算法在类似场景中，去噪效果并不理想。本实施例通过把密度相似的点云划分到对应的子集，使每个点云子集都有与点云密度相适应的滤波半径，从而实现有效抑制噪声的同时不损失场景细节。
综上所述，相较于统计滤波和半径滤波，本实施例算法并未明显增加噪声去除时的运算时间，不仅能有效去除大范围明显噪声，而且对小尺度离群点同样有较明显的抑制效果，除此之外，细节特征更丰富。
另外一些试验例
实验条件：为保证数据集能够较好地反映自然条件下树林的真实特点，在山西太原尖草坪区的白杨树林和旱柳树林选取7处典型场景收集数据，点云采集设备为北醒光子CE30-D固态面阵激光雷达，其固有参数为探测范围0.4m-28m，视场角60°×4°，分辨率320×20。
噪声来源分析：此类场景中，激光雷达主要受到两类噪声的干扰，一是天空、树行尽头等无目标处产生的失落信息，二是树干、树枝等目标边缘产生的逸出值，该场景的噪声来源具有较强的代表性，且包含的信息复杂程度与农业自动导航机器人的一般工作环境相似。
去噪效果评价指标包括：聚类准确率CAP、聚类召回率CAR、F1分数，计算公式分别为(12)-(14)所示，实验结果参见表5-7，图5-8：
其中，CA表示聚类总数；TP表示目标数量；CTP表示非噪声点云的聚类数量。
表5去噪参数整定
表6数据统计
由表6可知，经算法去噪后，DBSCAN聚类的平均准确率CAP、平均召回率CAR和平均F1分数提升10％-30％。本实施例方法(等比例划分)与原始数据相比，DBSCAN聚类准确率提升22.3％，召回率提升29.8％；与半径滤波相比，准确率提升4.4％，召回率提升21.5％；与统计滤波相比，准确率提升8.6％，召回率提升9.6％。本实施例方法保留了更加丰富的目标信息，较明显地提升了聚类准确率和召回率，有利于提升后续点云处理的效果。本实施例方法(等比例划分)的综合性能较强，不仅能有效去除稀疏离群噪声，而且对密集噪声、目标周围的噪声同样有较明显的抑制效果。该方法与半径滤波、统计滤波耗时基本一致，具有较高的实时性，可适用于自主导航、主动避障和定位建图等室内外场景。
表7数据统计
本说明书中描述的主题的实施方式和功能性操作可以在以下中实施：数字电子电路，有形实施的计算机软件或者固件，计算机硬件，包括本说明书中公开的结构及其结构等同体，或者上述中的一者以上的组合。本说明书中描述的主题的实施方式可以被实施为一个或多个计算机程序，即，一个或多个有形非暂时性程序载体上编码的计算机程序指令的一个或多个模块，用以被数据处理设备执行或者控制数据处理设备的操作。
作为替代或者附加，程序指令可以被编码在人工生成的传播信号上，例如，机器生成的电信号、光信号或者电磁信号，上述信号被生成为编码信息以传递到用数据处理设备执行的适当的接收器设备。计算机存储介质可以是机器可读存储装置、机器可读的存储基片、随机或者串行存取存储器装置或者上述装置中的一种或多种的组合。
术语“数据处理设备”包含所有种类的用于处理数据的设备、装置以及机器，作为实例，包括可编程处理器、计算机或者多重处理器或者多重计算机。设备可以包括专用逻辑电路，例如，FPGA(现场可编程门阵列)或者ASIC(专用集成电路)。设备除了包括硬件之外，还可以包括创建相关计算机程序的执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或者它们中的一种或多种的组合代码。
计算机程序(还可以被称为或者描述为程序、软件、软件应用、模块、软件模块、脚本或者代码)可以以任意形式的编程语言而被写出，包括编译语言或者解释语言或者声明性语言或过程式语言，并且计算机程序可以以任意形式展开，包括作为独立程序或者作为模块、组件、子程序或者适于在计算环境中使用的其他单元。计算机程序可以但不必须对应于文件系统中的文件。程序可以被存储在保存其他程序或者数据的文件的一部分中，例如，存储在如下中的一个或多个脚本：在标记语言文档中；在专用于相关程序的单个文件中；或者在多个协同文件中，例如，存储一个或多个模块、子程序或者代码部分的文件。计算机程序可以被展开为执行在一个计算机或者多个计算机上，所述计算机位于一处，或者分布至多个场所并且通过通信网络而互相连接。
在本说明书中描述的处理和逻辑流程可以由一个或多个可编程计算机执行，该计算机通过运算输入数据并且生成输出而执行一个或多个的计算机程序，以运行函数。处理和逻辑流程还可以由专用逻辑电路，例如，FPGA(可现场编程门阵列)或者ASIC(专用集成电路)执行，并且设备也可以被实施为专用逻辑电路。
虽然本说明书包含很多具体的实施细节，但是这些不应当被解释为对任何发明的范围或者对可以要求保护的内容的范围的限制，而是作为可以使特定发明的特定实施方式具体化的特征的说明。在独立的实施方式的语境中的本说明书中描述的特定特征还可以与单个实施方式组合地实施。相反地，在单个实施方式的语境中描述的各种特征还可以独立地在多个实施方式中实施，或者在任何合适的子组合中实施。此外，虽然以上可以将特征描述为组合作用并且甚至最初这样要求，但是来自要求的组合的一个或多个特征在一些情况下可以从该组合去掉，并且要求的组合可以转向子组合或者子组合的变形。
相似地，虽然以特定顺序在附图中描述了操作，但是不应当理解为：为了实现期望的结果，要求这样的操作以示出的特定顺序或者以顺序次序而执行，或者所有图示的操作都被执行。在特定情况下，多任务处理和并行处理可以是有利的。此外，上述实施方式中的各种系统模块和组件的分离不应当理解为在所有实施方式中要求这样的分离，并且应当理解程序组件和系统可以通常被一体化在单个软件产品中或者打包至多个软件产品中。
已经描述了主题的特定实施方式。其他实施方式在以下权利要求的范围内。例如，在权利要求中记载的活动可以以不同的顺序执行并且仍旧实现期望的结果。作为一个实例，为了实现期望的结果，附图中描述的处理不必须要求示出的特定顺序或者顺序次序。在特定实现中，多任务处理和并行处理可以是有优势的。
Claims (5)
1.一种基于空间划分的点云去噪方法，其特征在于，所述方法包括如下步骤：
获取激光雷达的点云数据集；
将所述点云数据集对应的点云空间划分为多个点云子集并计算子集半径；
根据所述子集半径自适应确定滤波半径，该步骤包括：计算以激光雷达为圆心的水平单位圆上数据点间的最短距离I；最短距离I乘以放大倍数s得到单位滤波半径；子集半径Rn乘以单位滤波半径得到不同子集中的滤波半径rn；
将所述点云数据集中所有点划分到所述点云子集；
根据所述滤波半径去除所述点云子集的噪声；
所述滤波半径rn步骤按(6)计算：
rn＝s·I·Rn， (6)
其中，s表示放大倍数；I表示相邻数据点间距的理论值；Rn表示子集半径；
所述放大倍数s按如下式(11)计算：
其中，resV-水平分辨率；resH-垂直分辨率；fovV-水平视场角，单位：度；fovH-垂直视场角，单位：度；
所述相邻数据点间距的理论值I，按如下式(5)计算：
式中：I为相邻数据点间距的理论值；E为激光雷达水平方向分辨率；
所述空间划分为等比例划分，所述等比例划分是将所述点云空间划分成相邻子集的半径Rn之比相等的若干个子集Cn，第n个子集Cn对应的半径Rn，计算方法如式(15)所示：
Rn＝R1·qn,n＝1,2,3,…,M (15)
式中：R1为初始半径；q为比例系数；n为子集序号；M为子集数量；
当为垂直视场角小的激光雷达时，所述初始半径R1为自定义；
当为长距离、垂直视场角大的激光雷达时，所述激光雷达的地面探测盲区D作为R1，所述盲区范围计算方法如式(2)所示，第n个子集Cn对应的半径Rn计算方法如式(4)所示，比例系数q计算方法由式(3)所示：
Rn＝D·qn,n＝1,2,3,...,M， (4)
式中：H为激光雷达安装高度；V为激光雷达垂直视场角；q为比例系数；n为子集序号；L为激光雷达最大探测量程；M为子集数量。
2.如权利要求1所述的基于空间划分的点云去噪方法，其特征在于，子集数量M按如下式计算：
其中，D-探测量程，单位：米。
3.如权利要求1所述的基于空间划分的点云去噪方法，其特征在于，所述点云数据集中所有点划分到所述点云子集步骤，包括：
计算点云数据集中所有点pi(xi,yi,zi)到原点的距离，若则pi属于点云子集Cn。
4.如权利要求1所述的基于空间划分的点云去噪方法，其特征在于，根据所述滤波半径去除所述点云子集的噪声步骤，包括：
a.对Cn中的任意一点pi∈Cn，统计搜索半径rn内邻域点数Ni，若Ni小于最小近邻数w，则该点为离群点，删除该点；
b.检查是否去除完子集中的噪声，判断是否处理完Cn中的所有数据点，如果否，执行步骤a；如果是，执行步骤c；
c.检查是否处理完所有子集，判断是否处理完所有环形区块Cn，如果否，进入下一个环形区块，执行步骤b；如果是，结束算法处理。
5.一种基于空间划分的点云去噪装置，其特征在于，所述装置包括至少一个处理器；以及
存储器，其存储有指令，当通过至少一个处理器来执行该指令时，实施按照权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010743854.4A CN111861933B (zh) | 2020-07-29 | 2020-07-29 | 基于空间划分的点云去噪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010743854.4A CN111861933B (zh) | 2020-07-29 | 2020-07-29 | 基于空间划分的点云去噪方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111861933A CN111861933A (zh) | 2020-10-30 |
| CN111861933B true CN111861933B (zh) | 2023-07-21 |
Family
ID=72946719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010743854.4A Active CN111861933B (zh) | 2020-07-29 | 2020-07-29 | 基于空间划分的点云去噪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861933B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508803B (zh) * | 2020-11-03 | 2023-10-03 | 中山大学 | 一种三维点云数据的去噪方法、装置及存储介质 |
| WO2022165672A1 (zh) * | 2021-02-03 | 2022-08-11 | 深圳市大疆创新科技有限公司 | 点云处理方法、装置和计算机可读存储介质 |
| US20220326382A1 (en) * | 2021-04-09 | 2022-10-13 | Motional Ad Llc | Adaptive point cloud generation for autonomous vehicles |
| CN113592926B (zh) * | 2021-07-23 | 2024-02-02 | 浙江工业大学 | 一种3d激光雷达点云数据预测点的快速选取配准方法 |
| CN113793273A (zh) * | 2021-08-11 | 2021-12-14 | 苏州中科行智智能科技有限公司 | 一种基于相移条纹亮度幅值的点云噪声删除方法 |
| CN114926356B (zh) * | 2022-05-10 | 2024-06-18 | 大连理工大学 | 一种针对降雪影响的LiDAR点云无监督去噪方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719249A (zh) * | 2016-01-15 | 2016-06-29 | 吉林大学 | 一种基于三维格网的机载激光雷达点云去噪方法 |
| CN108898662A (zh) * | 2018-05-30 | 2018-11-27 | 中国人民解放军陆军勤务学院 | 基于点云数据的管线设施bim模型自动化重建方法 |
| CN111462017A (zh) * | 2020-04-14 | 2020-07-28 | 四川省安全科学技术研究院 | 隧道激光点云数据的去噪方法 |
-
2020
- 2020-07-29 CN CN202010743854.4A patent/CN111861933B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719249A (zh) * | 2016-01-15 | 2016-06-29 | 吉林大学 | 一种基于三维格网的机载激光雷达点云去噪方法 |
| CN108898662A (zh) * | 2018-05-30 | 2018-11-27 | 中国人民解放军陆军勤务学院 | 基于点云数据的管线设施bim模型自动化重建方法 |
| CN111462017A (zh) * | 2020-04-14 | 2020-07-28 | 四川省安全科学技术研究院 | 隧道激光点云数据的去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| Filtering Stems and Branches from Terrestrial Laser Scanning Point Clouds Using Deep 3-D Fully Convolutional Networks;Zhouxin Xi等;《Remote Sensing》;1-18 * |
| 基于自适应半径滤波的农业导航激光点云去噪方法研究;毕松等;《农业机械学报》;第52卷(第11期);234-243 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111861933A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111861933B (zh) | 基于空间划分的点云去噪方法及装置 | |
| CN103745436B (zh) | 基于区域预测的LiDAR点云数据形态学滤波方法 | |
| CN115451983B (zh) | 一种复杂场景下的动态环境建图与路径规划方法及装置 | |
| US20200342250A1 (en) | Method for extracting uniform features from point cloud and system therefor | |
| CN106918311A (zh) | 基于车载激光点云数据的单株树树冠投影面积自动计算方法 | |
| CN103390169A (zh) | 一种车载激光扫描点云数据的城市地物分类方法 | |
| CN113970734B (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
| EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
| CN112907744B (zh) | 数字高程模型的构建方法、装置、设备及存储介质 | |
| CN115620263B (zh) | 基于摄像机和激光雷达图像融合的智能车障碍物检测方法 | |
| CN112462347A (zh) | 基于密度聚类的激光雷达点云快速分类滤波算法 | |
| CN113076773A (zh) | 目标检测聚类方法、系统、计算机设备及可读存储介质 | |
| CN116263735A (zh) | 神经网络的鲁棒性评估方法、装置、设备及存储介质 | |
| CN108345007B (zh) | 一种障碍物识别方法和装置 | |
| CN116165635B (zh) | 多级滤波算法的日间条件下不同波束光子云数据去噪方法 | |
| CN116524472A (zh) | 一种障碍物检测方法、装置、存储介质及设备 | |
| CN115272899B (zh) | 一种风险预警方法、装置、飞行器及存储介质 | |
| US11555928B2 (en) | Three-dimensional object detection with ground removal intelligence | |
| WO2020248118A1 (zh) | 点云处理方法、系统、设备及存储介质 | |
| CN115527187A (zh) | 一种障碍物的分类方法以及装置 | |
| CN112906519B (zh) | 一种车辆类型识别方法及装置 | |
| CN111145187B (zh) | 基于霍夫空间的物体识别方法、系统、设备及存储介质 | |
| CN114693687A (zh) | 一种车载激光雷达点云分割方法及系统 | |
| CN112016355A (zh) | 一种提取道路边沿的方法及装置 | |
| CN117475410B (zh) | 基于前景点筛选的三维目标检测方法、系统、设备、介质 |
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 |