CN113281782A - 一种基于无人驾驶车的激光雷达雪点滤除方法 - Google Patents

Abstract

本发明公开了一种基于无人驾驶车的激光雷达雪点滤除方法该方法包括，步骤1，基于激光雷达点云反射强度粗分类模块。步骤2，基于领域搜索细分类模块。本方法使用点云反射强度与空间邻域特点进行去噪，通过实验证明，本发明的性能优于传统的空间邻域去噪方法。通过反射强度粗识别分类后反向排除大部分点云，使得领域搜索的输入点云为局部点云，相比于其他领域空间方法更加节省人力物力。本发明通过单个传感器的两种属性进行分析，克服了单一属性不可靠的缺点，与其他多个传感器去噪方法相比，受环境影响较小，可应用性更加广泛。

Description

一种基于无人驾驶车的激光雷达雪点滤除方法

技术领域

本发明涉及一种基于无人驾驶车的激光雷达雪点滤除方法，属于无人驾驶的环境感知技术领域。

背景技术

申请号：201811040627.4涉及一种无人机雾天障碍物识别装置及其识别方法，属于无人机避障技术领域。采用了一种基于金字塔LK光流法结合超声传感的避障方法，进行金字塔分布式检测。超声波传感模块用于探测潜在障碍物；单目相机用于对潜在障碍物进行摄像；金字塔LK光流法用于求解单目相机拍摄到图像的光流数据；陀螺仪、加速度计用于测量无人机在三维空间的角速度和加速地，并以此解算出物体的姿态；将求解到的光流数据进行Kalman滤波处理后与经惯性测量单元(陀螺仪、加速度计)采集到的Euler角数据相融合；最后与设定的阈值进行比较，判断是否为障碍物，以提高微型无人机在雾天对障碍物辨识的准确性。与本方法相比：在设备选择上的不同，使用了超声波传感器、单目相机、陀螺仪和加速度计等多种传感器，本方法使用到了激光雷达。技术路线不同，上述方法采用多种传感器检测到的数据进行融合，将融合后得到的信息与阈值对比，实现障碍物的判断，本方法通过一种传感器数据的多种属性联合，对噪声进行判断滤除。

申请号：201610027355.9涉及一种基于三维格网的机载激光雷达点云去噪方法，是依据点云中各点的空间邻域关系，在三维格网的空间划分依据下实现海量点云数据的去噪处理。本发明通过对点云数据的空间三维格网化使每个立方栅格内部点之间具有空间索引属性，依据空间三维格网之间的空间邻域关系判断格网内的点是否为噪声点。根据单位三维格网之间的空间邻域特征来判断离散噪声点和点云主体，从而滤除由于地形扫描产生的离散及成簇噪声点，通过采用适当相关系数的平均点间距三维格网边长能够极大的降低判断噪声点的误差。该方法不同于以往的传统去噪算法，为机载激光雷达点云去噪提供了新的思路。与本方法相比，使用了激光雷达点云的单一属性，空间分布信息；本方法同时考虑了激光雷达点云的反射强度和到空间分布信息，克服了单一属性不可靠的局限。在空间上通过三维网格划分，建立外围索引格网并统计栅格中点的个数，以设定索引结构窗口的索引结果判断离散噪声点，本方法在空间上采用自适应半径领域搜索直接对点云进行处理，避免了空间栅格划分远距离点云数稀少的缺陷。

申请号CN201911258468.X公开了基于彩色三维扫描激光雷达的彩色点云滤波方法,包括以下步骤：利用彩色三维扫描激光雷达获取彩色点云；为彩色点云中的各点赋予类标签；同一类标签中的点数小于个数阈值,则在彩色点云中删除该类标签中的点。本方法直接对由彩色三维扫描激光雷达获取的彩色点云进行处理,实现容易,处理速度快。克服了现有点云滤波方法对在建筑物和植被边缘的有效点云中包含着大量的噪声不能够很好去除的局限,将彩色点云中的噪声有效滤除。同时利用彩色点云的空间信息和颜色信息对点云数据进行滤波,对噪声点的识别精度比一些传统的方法要高很多。在设备上选择的不同，上述方法选择的是彩色三维激光雷达，本方法选择常规的激光雷达。通过激光雷达采集到的不同颜色的点云数据，根据颜色赋予点云类标签，本方法通过激光雷达采集到的点云数据的反射强度进行粗识别分类，根据反射强度进行反向排除，将环境特征排除掉，不参与后续的点云滤波。

申请号：CN201810675426.5是一种基于区域分割的大尺度点云噪声去噪方法属于计算机视觉和逆向工程领域,涉及一种基于区域分割的大尺度点云噪声去噪方法。该方法首先利用搭建的激光辅助双目视觉测量系统获取原始点云数据,再采用主成分分析法获得点云主成分方向向量和与其垂直的第二主成分方向向量,通过向量叉乘求取第三向量,形成新的笛卡尔坐标系。然后对点云进行坐标系变换,得到用于区域分割的点云；然后,沿第一主成分方向进行区域分割,分割的区间大小根据激光扫描的频率设定。最后分区域设定中值阈值,去除阈值之外的大尺度噪声。该方法具有测量速度快、鲁棒性好的特点,实现了大尺度噪声的快速去除,效率高,适应性强,实时性好。上述方法选择了激光雷达和双目摄像机搭建的测量系统，以激光雷达辅助双目摄像机获取点云数据，本方法只采用了激光雷达，，受环境影响较小，所以本方法的适用性更广。上述方法对测量系统获取的原始数据通过主成分分析法得到笛卡尔坐标系，对点云进行坐标系变换得到后续分割的点云，再对点云分割并设定阈值去噪。本方法直接对原始点云进行基于反射强度和领域搜索的分类识别并滤除雪花噪声，保留了点云结构的完整性，即处理的点云较接近真实环境特征。

发明内容

针对现有大部分的点云去噪方法对雪花噪声的去噪效果差的问题。

本发明采用的技术方案为提出了一种适用于降雪场景的雪花噪声去噪方法，通过利用激光雷达点云反射强度信息和点云空间分布特征，解决雪花噪声造成的激光雷达误检，提高激光雷达在恶劣天气环境下的精度和可靠性。包括以下步骤：

步骤1，基于激光雷达点云反射强度粗分类模块。

反射强度是反映目标物体的重要的物理量，根据不同材质物体有不同的反射强度，激光雷达的反射强度可用于区域划分和物体识别分类。基于激光雷达点云反射强度粗分类是依据雪花的反射强度与其余环境特征反射强度的差异进行分类识别，此模块的关键点是动态边界阈值的获取。将大于动态边界阈值的目标点划分为非雪花点云，此步骤将局部的环境特征点云反向排除掉，不参与后续的点云滤波处理。

步骤1.1，统计数据点云反射强度等级分布。

对单帧点云数据通过kd树统计点云的反射强度等级，获得单帧点云数据的反射强度分布情况。

步骤1.2，计算某一点数据属于雪花点云A或属于非雪花点云B的概率。

步骤1.3，计算雪花点云A反射强度的均值与方差。

步骤1.4，计算雪花点云B反射强度的均值与方差。

步骤1.5，通过最小类内方差法求取点云的动态边界阈值。

步骤1.6，通过动态边界阈值对点云进行标记，标记为雪花点云与非雪花点云。

步骤2，基于领域搜索细分类模块。

三维点云的空间分布特点直接反应了环境中物体的实际分布状况，通过分析点云领域空间的分布，可直接获得点的邻域信息，而噪声与物体的点云的邻域具有明显的区别，利用其领域的不同对噪声进行精准的识别分类，得到较好质量的激光雷达点云。

步骤2.1，对于输入的激光雷达点云，计算点与激光雷达的欧式距离。

步骤2.2，利用所求的的欧式距离作为半径，在该半径内进行邻域搜索，获得该点的邻居数目。

步骤2.3，通过邻居数目与阈值相比较，比阈值小的邻居数目则标记为雪点，反之为环境特征。

步骤2.4，将标记为雪花噪声点滤除掉，输出高质量的激光雷达点云数据。

与现有技术相比，本发明具有以下优点：

(1)本文方法相比其他传统的滤波方法，使用点云反射强度与空间邻域特点进行去噪，通过实验证明，本发明的性能优于传统的空间邻域去噪方法。

(2)本方法通过反射强度粗识别分类后反向排除大部分点云，使得领域搜索的输入点云为局部点云，相比于其他领域空间方法更加节省人力物力。

(3)本发明通过单个传感器的两种属性进行分析，克服了单一属性不可靠的缺点，与其他多个传感器去噪方法相比，受环境影响较小，可应用性更加广泛。

附图说明

图1技术方案实施流程图。

图2邻域搜索示意图。

图3原始点云图。(a)雪天俯视图，(b)雪天前视图，(c)晴天俯视图，

(d)晴天前视图

图4本方法算法流程图。

图5本方法滤除效果图。(a)俯视图，(b)前视图。

具体实施方式

以下结合附图和实施例，对本发明进行详细说明。

步骤S10,点云反射强度动态边界阈值粗分类模块；

步骤S20,基于领域搜索细分类模块。

实施方式的点云反射强度动态边界阈值粗分类模块S10还包括以下步骤：

步骤S100，首先将采集到的激光雷达点云数据有序化，获得数据点个数N，统计并计算数据点云反射强度等级的分布概率，如表1所示：

表1：激光点反射强度的概率分布

步骤S110，p_i为点云的概率，通过最小类内方差法统计反射强度时，若在等级强度为T_k时取得动态边界阈值，可根据动态边界阈值T_k划分点云为两个点云A、B，若A∈{1,2,…,T_k}，B∈{T_k+1，T_k+2，…，T_m}，点云A标记为雪花点云，B标记为非雪花点云，点云A标记为雪花点云，B标记为非雪花点云，则计算目标点属于雪花点云A或属于非雪花点云B的概率η₁、η₂：

步骤S120，根据式(1)得到目标点属于点云A的概率后，计算雪花点云A的反射强度的均值μ₁和方差σ₁：

步骤S130，根据式(2)得到目标点属于点云B的概率后，计算雪花点云B的反射强度的均值μ₂和方差σ₂：

步骤S140，式(7)表示点云A、B类内方差公式，通过迭代的方式使得方差函数F(T_k)取得最小，即满足min|F(T_k)|,1≤T_k≤T_m时,可获得基于反射强度的动态边界阈值T_k。

步骤S150，以动态边界阈值T_k为识别分类的判断标准，将激光雷达点云强度与边界阈值T_k进行比较，当动态边界阈值大于激光雷达点云数据强度p_j时，即T_k＞p_j，则将该点标记为雪花点，否则标记为非雪花点。

实施方式的基于领域搜索细分类模块步骤S20还包括以下步骤：

步骤S200,邻域的搜索半径S_R通过目标点到传感器的欧式距离P_R及激光雷达的水平分辨率α两个值的关系构成一个式子求取。

式(8)(9)分别是求取点到传感器的欧式距离和搜索邻域的动态半径，β为自定义乘数β＞1，(x_p,y_p,z_p)为点p的空间坐标。

S_R＝β*(P_R*α) (9)

步骤S210，以目标点为圆心，结合搜索半径共同定义搜索邻域。通过定义动态半径的定义搜索邻域的方法适应了激光雷达扫描点随着距离增加而减少的缺陷。联合计算点到激光雷达的欧式距离和激光雷达水平分辨率获得搜索半径，从而确定以点为圆心，半径为S_R的圆形区域，散乱分布的点为激光雷达的扫描点，l为激光束在k时间内的变化位置，l₁、l₂为相邻时刻的激光束，α为激光雷达的水平分辨率，η平面为t时刻内激光束的扫描平面，如图2所示。

步骤S220，通过领域搜索的邻居数目与阈值相比较，通过自定义的领域内的最小点云数k_min，根据计算得到的搜索半径对该邻域进行搜索，得到该邻域内的点云数目k。将最小点云数k_min与邻域点云数k进行比较，当邻域搜索的点云数的值大于设定的最小点云数，即k＞k_min时，标记该点为非雪花点，否则标记为雪花点。

步骤S230，将标记为雪花的点云滤除，将滤除后的环境特征点云输出，实现雪花噪声的去噪。

技术效果：

在图3中，(a)为雪天场景原始点云俯视图，(b)为前视图；(c)为晴天场景原始点云俯视图，(d)为前示图；对比图3中的(a)与(b)、(c)与(d)可知标记的区域H是激光雷达检测到的雪花噪声。图5是本方法对点云进行雪花噪声去噪后的效果。

在降雪场景采集的真实数据验证下实验结果表明：与滤除效果较好的邻域搜索的动态半径滤波器去噪算法相比，其雪花噪声去噪率和环境特征质量皆得到了提升，雪花噪声去噪率由动态半径滤波器的88.5％提升到96％，且具有较好的稳定性；在达到去噪目的的前提下，具有较好的环境特征质量保留效果。本方法能够降低降雪场景中激光雷达的误检率，满足无人车所需的高精度、高可靠性的环境感知信息。

Claims (3)

1.一种基于无人驾驶车的激光雷达雪点滤除方法，其特征在于：

通过利用激光雷达点云反射强度信息和点云空间分布特征，解决雪花噪声造成的激光雷达误检，提高激光雷达在恶劣天气环境下的精度和可靠性；包括以下步骤：

步骤1，基于激光雷达点云反射强度粗分类模块；

反射强度是反映目标物体的重要的物理量，根据不同材质物体有不同的反射强度，激光雷达的反射强度用于区域划分和物体识别分类；基于激光雷达点云反射强度粗分类是依据雪花的反射强度与其余环境特征反射强度的差异进行分类识别，基于激光雷达点云反射强度粗分类模块的关键点是动态边界阈值的获取；将大于动态边界阈值的目标点划分为非雪花点云，将局部的环境特征点云反向排除掉，不参与后续的点云滤波处理；

步骤2，基于领域搜索细分类模块；

三维点云的空间分布特点直接反应了环境中物体的实际分布状况，通过分析点云领域空间的分布，直接获得点的邻域信息，而噪声与物体的点云的邻域具有明显的区别，利用其领域的不同对噪声进行精准的识别分类，得到较好质量的激光雷达点云。

2.根据权利要求1所述的一种基于无人驾驶车的激光雷达雪点滤除方法，其特征在于：步骤1中包括如下步骤，

步骤1.1，统计数据点云反射强度等级分布；

对单帧点云数据通过kd树统计点云的反射强度等级，获得单帧点云数据的反射强度分布情况；

步骤1.2，计算某一点数据属于雪花点云A或属于非雪花点云B的概率；

步骤1.3，计算雪花点云A反射强度的均值与方差；

步骤1.4，计算雪花点云B反射强度的均值与方差；

步骤1.5，通过最小类内方差法求取点云的动态边界阈值；

步骤1.6，通过动态边界阈值对点云进行标记，标记为雪花点云与非雪花点云。

3.根据权利要求1所述的一种基于无人驾驶车的激光雷达雪点滤除方法，其特征在于：步骤2中包括如下步骤，步骤2.1，对于输入的激光雷达点云，计算点与激光雷达的欧式距离；

步骤2.2，利用所求的的欧式距离作为半径，在该半径内进行邻域搜索，获得该点的邻居数目；

步骤2.3，通过邻居数目与阈值相比较，比阈值小的邻居数目则标记为雪点，反之为环境特征；

步骤2.4，将标记为雪花噪声点滤除掉，输出高质量的激光雷达点云数据。

Images