CN113920134B - 一种基于多线激光雷达的斜坡地面点云分割方法及系统 - Google Patents
一种基于多线激光雷达的斜坡地面点云分割方法及系统 Download PDFInfo
- Publication number
- CN113920134B CN113920134B CN202111137710.5A CN202111137710A CN113920134B CN 113920134 B CN113920134 B CN 113920134B CN 202111137710 A CN202111137710 A CN 202111137710A CN 113920134 B CN113920134 B CN 113920134B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ground
- ground point
- original
- slope
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
Abstract
本发明提供了一种基于多线激光雷达的斜坡地面点云分割方法及系统,属于室内外三维复杂场景地面分割技术领域,所述方法包括:获取多线激光雷达原始点云数据;对原始点云数据进行预处理;对预处理后的点云数据进行初步地面分割处理,得到非地面点云;对非地面点云进行欧式聚类,对每一类进行随机采样一致性平面拟合,根据拟合结果筛选得到斜坡地面点云;如果判断某一类为斜坡地面点云,则将此类对应的聚类拟合平面与原始地面进行拼接;本发明能够有效地识别并分割三维复杂斜坡环境的地面,提高了斜坡地面分割的准确性。
Description
技术领域
本发明涉及室内外三维复杂场景地面分割技术领域,特别涉及一种基于多线激光雷达的斜坡地面点云分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
随着5G技术和无人驾驶技术的快速发展,三维SLAM(Simultaneous LocalizationAnd Mapping)渐渐成为室外复杂环境领域的研究热点,无人驾驶技术难关在于精准避障,而精准避障关键在于地面分割去除,确保所有物体都孤立存在。
常见激光点云地面分割方法主要分为三大类,其一,利用实际地面到雷达的相对高度或者绝对高度筛选出地面种子点,再利用SVD(Singular Value Decomposition)分解进行地面拟合,实现地面分割;其二,利用PCL(Point Cloud Library)点云库中随机采样一致性方法对全局地面进行地面拟合,实现全局地面分割;其三,利用点云间的坡度以及相对高度融合的方法实现地面分割。
发明人发现,由于现实场景中地面并不是垂直于雷达竖直方向,地面会存在斜坡或者不平整等情况,上述三种方法系统都有可能会将斜坡视为障碍物,导致地面分割的准确性较低,无法满足三维复杂斜坡环境的地面分割需求。
发明内容
为了解决现有技术的不足,本发明提供了一种基于多线激光雷达的斜坡地面点云分割方法及系统,能够有效地识别并分割三维复杂斜坡环境的地面,提高了斜坡地面分割的准确性。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种基于多线激光雷达的斜坡地面点云分割方法。
一种基于多线激光雷达的斜坡地面点云分割方法,包括以下过程:
获取多线激光雷达原始点云数据;
对原始点云数据进行预处理;
对预处理后的点云数据进行初步地面分割处理,得到非地面点云;
对非地面点云进行欧式聚类,对每一类进行随机采样一致性平面拟合,根据拟合结果筛选得到斜坡地面点云。
进一步的,对预处理后的点云数据分割得到原始地面点云,如果判断聚类后的某一类为斜坡地面点云,则将此类对应的聚类拟合平面与原始地面进行拼接。
进一步的,对预处理后的点云数据进行分割,包括:
将预处理后的点云数据根据雷达分辨率划分为多个区域;
对每个区域按照点云水平距离对点云升序处理;
在各个区域内进行局部阈值判断,在某一区域中,如果当前点的前一点是地面点且两点高度差小于坡度阈值,则该点为地面点;否则,进行全局阈值判断,如果当前点测量高度小于根据当前点水平距离计算得到的全局坡度阈值,则当前点属于地面点,否则当前点属于非地面点。
进一步的,对非地面点云进行欧式聚类,对每一类进行随机采样一致性平面拟合,根据拟合结果得到斜坡地面点云,包括以下过程:
对非地面点云进行欧式聚类;
利用原始地面点云获得原始地面法向量和原始地面点高度平均值;
遍历每一聚类并对其进行随机采样一致性处理,对拟合平面进行数据处理,获得某类的拟合平面的法向量、该类拟合平面所占该类点云的数量比以及该类所拟合平面种子点云的高度平均值;
根据拟合平面的法向量和原始地面法向量,得到该类拟合平面与原始地面的夹角;
当夹角小于设定角度阈值,原始地面平均高度与该类点云种子点的高度平均值的差值小于距离阈值,且拟合平面所占点云的数量比大于给定比例时,该类非地面点云为斜坡地面点云;否则,该类非地面点云为障碍物点云。
更进一步的,当夹角大于或等于设定角度阈值时,该类非地面点云为障碍物点云。
更进一步的,当夹角小于设定角度阈值,原始地面平均高度与该类点云种子点的高度平均值的差值大于或等于距离阈值时,该类非地面点云为障碍物点云。
更进一步的,当夹角小于设定角度阈值,拟合平面所占点云的数量比小于或等于给定比例时,该类非地面点云为障碍物点云。
进一步的,对点云数据进行预处理,包括:
根据激光雷达的最大俯角,得到激光雷达扫到地面的最小距离;
计算所有点的水平距离,去除距离小于最小距离的点;
根据预设避障要求,去除大于最大距离的点;
根据距离初始地面下方的高度设定第一高度阈值,根据高于雷达上方的高度设定第二阈值,根据第一高度阈值和第二高度阈值去除竖直方向的无用点。
更进一步的,对点云数据进行预处理,还包括:
多线激光雷达的两条激光线映射到地面后,计算两者之间的最小距离和最大距离,在最小距离和最大距离之间查找使每一条激光线映射到地面的不同水平区域的数值,根据得到数值进行点云区域分割。
本发明第二方面提供了一种基于多线激光雷达的斜坡地面点云分割系统。
一种基于多线激光雷达的斜坡地面点云分割系统,包括:
数据获取模块,被配置为:获取多线激光雷达原始点云数据;
预处理模块,被配置为:对原始点云数据进行预处理;
点云分割模块,被配置为:对预处理后的点云数据进行初步地面分割处理,得到非地面点云;
斜坡地面点云获取模块,被配置为:对非地面点云进行欧式聚类,对每一类进行随机采样一致性平面拟合,根据拟合结果筛选得到斜坡地面点云。
本发明第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的基于多线激光雷达的斜坡地面点云分割方法中的步骤。
本发明第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的基于多线激光雷达的斜坡地面点云分割方法中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明基于多线激光雷达获取数据及安装原理,利用点云的几何信息对点云进行预处理,先利用点云水平、竖直方向的阈值区间去除无用点,减少点云数量;再利用两条激光线之间的距离阈值及雷达分辨率对点云进行高效最优化的区域划分,有效提高后续点云处理效率。
2、本发明利用基于坡度的地面分割算法,实时地实现原始地面点云与非地面点云的初步分割,对非地面点云进行欧式聚类,对每一类进行平面一致性拟合处理,根据平面的几何拼接原理,利用平面法向量夹角、斜坡最低处与原始地面平均高度差及拟合平面点云所占数量比例来实现地面的拼接,实现了斜坡地面的准确和高效分割。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于多线激光雷达的斜坡地面点云分割方法的流程示意图。
图2为本发明实施例1提供的点云预处理原理图。
图3为本发明实施例1提供的基于坡度的地面分割算法的流程示意图。
图4为本发明实施例1提供的非地面点云的地面分割及拼接流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本发明实施例1提供了一种基于多线激光雷达的斜坡地面点云分割方法,包括以下过程:
S1:基于多线激光雷达获取点云信息的原理,对原始点云进行预处理,分割合理区域。
S2:利用基于坡度的地面分割算法,将原始点云分割为原始地面点和非地面点。
S3:实现非地面点云的欧式聚类,再对每一类进行随机采样一致性平面拟合,将符合要求的点云与原始地面点云拼接,实现斜坡场景的地面分割。
具体的,S1中:
首先,由于激光雷达存在最大俯角θmax,因此,激光雷达扫到地面的最小距离:
然后,利用获取的点云信息计算得到所有点的水平距离,最大化去除距离小于Distancemin的点云;再根据避障要求,再利用最远水平距离Distancemax去除较远距离点云;
最后,根据距离初始地面下方高度和高于雷达上方高度分别设定相应的阈值Hmin和Hmax,去除竖直方向的无用点云,有效降低点云后续处理的计算量,提高地面分割效率。
在确定激光点云范围之后,需要对点云划分区域,圆周方向根据雷达分辨率设置区域,半径方向需要根据水平距离设定合理的区域,两条线映射到地面后,两者之间的最小距离为:
最大距离为:
其中,θmax-i-1为根据最大水平距离计算得到的理论映射到地面的最小俯角,在Lmin和Lmax之间找到合理值(可以按照8分制计算,即将区间平均分成8份,然后以二分法寻找最优值),使每一条激光映射到地面的不同水平区域。
通过上述点云预处理,最终实现点云区域的合理分割,多线激光雷达预处理点云原理如图2所示。
本实施例中,半径方向分区用于将三维点云信息投影到二维深度图像上,保证每一径向区域都有点云,避免无效区域划分,便于非地面点云的分段欧式聚类(根据不同的径向区域进行不同距离、聚类大小阈值的设置)。
S2中:
将预处理后的点云按照雷达分辨率进行投影,将点云按如下公式划分为多个区域:
对每个区域按照点云水平距离对点云升序处理,在所有区域内进行局部阈值判断;
根据相邻前一点是否为地面点以及利用相邻两点之间的水平距离计算得到的局部坡度阈值来判断是否为地面点,即如果前一点是地面点且两点高度差小于局部坡度阈值,则该点为地面点;否则,再根据全局阈值判断,即如果该点测量高度小于根据该点水平距离计算得到的全局坡度阈值,则该点属于地面点,否则该点属于非地面点。
本实施例中,局部坡度阈值=相邻两点水平距离*预设局部坡度(两点之间的竖直仰角,一般设为6~8°);全局坡度阈值=该点距离雷达水平距离*预设全局坡度(两点之间的竖直仰角,一般预设为较局部坡度高2~3度)。
将地面点归为原始地面点和非地面点分别保存起来,供后续地面分割优化处理。基于坡度的地面分割算法流程如图3所示。
S3中:
首先,将初步地面分割后的非地面点云进行欧式聚类;
然后,利用原始地面点云获得原始地面法向量n1及原始地面点高度平均值Z1,同时,遍历每一聚类并对其进行随机采样一致性处理,对拟合平面进行数据处理,获得拟合平面的法向量n2、该平面所占该类点云的数量比Rate及该类点云种子点的高度平均值Z2;
利用平面法向量判断该聚类拟合的平面与原始地面的夹角是否小于给定角度阈值T_Angle,如果满足要求,再判断原始地面平均高度Z1与该类点云种子点的高度平均值Z2的差值是否小于距离阈值T_Distance,同时,判断该聚类拟合平面所占点云的数量比Rate是否大于给定比例T_Rate,如果满足,则将该聚类拟合平面与原始地面进行拼接,不断地完善地面点云,最终实现斜坡地面的分割及与原始地面的拼接。非地面点云的地面分割及拼接流程如图4所示。
实施例2:
本发明实施例2提供了一种基于多线激光雷达的斜坡地面点云分割系统,包括:
数据获取模块,被配置为:获取多线激光雷达原始点云数据;
预处理模块,被配置为:对原始点云数据进行预处理;
点云分割模块,被配置为:对预处理后的点云数据进行初步地面分割处理,得到非地面点云;
斜坡地面点云获取模块,被配置为:对非地面点云进行欧式聚类,对每一类进行随机采样一致性平面拟合,根据拟合结果筛选得到斜坡地面点云。
所述系统的工作方法与实施例1提供的基于多线激光雷达的斜坡地面点云分割方法相同,这里不再赘述。
实施例3:
本发明实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例1所述的基于多线激光雷达的斜坡地面点云分割方法中的步骤。
实施例4:
本发明实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例1所述的基于多线激光雷达的斜坡地面点云分割方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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)
1.一种基于多线激光雷达的斜坡地面点云分割方法,其特征在于:
包括以下过程:
获取多线激光雷达原始点云数据;
对原始点云数据进行预处理;
对预处理后的点云数据进行初步地面分割处理,得到非地面点云;
对非地面点云进行欧式聚类,对每一类进行随机采样一致性平面拟合,根据拟合结果筛选得到斜坡地面点云;
其中,对非地面点云进行欧式聚类,对每一类进行随机采样一致性平面拟合,根据拟合结果得到斜坡地面点云,包括以下过程:
对非地面点云进行欧式聚类;利用原始地面点云获得原始地面法向量和原始地面点高度平均值;遍历每一聚类并对其进行随机采样一致性处理,对拟合平面进行数据处理,获得某类的拟合平面的法向量、该类拟合平面所占该类点云的数量比以及该类所拟合平面种子点云的高度平均值;根据拟合平面的法向量和原始地面法向量,得到该类拟合平面与原始地面的夹角;当夹角小于设定角度阈值,原始地面平均高度与该类点云种子点的高度平均值的差值小于距离阈值,且拟合平面所占点云的数量比大于给定比例时,该类非地面点云为斜坡地面点云;否则,该类非地面点云为障碍物点云。
2.如权利要求1所述的基于多线激光雷达的斜坡地面点云分割方法,其特征在于:
对预处理后的点云数据分割得到原始地面点云,如果判断聚类后的某一类为斜坡地面点云,则将此类对应的聚类拟合平面与原始地面进行拼接。
3.如权利要求2所述的基于多线激光雷达的斜坡地面点云分割方法,其特征在于:
对预处理后的点云数据进行分割,包括:
将预处理后的点云数据根据雷达分辨率划分为多个区域;
对每个区域按照点云水平距离对点云升序处理;
在各个区域内进行局部阈值判断,在某一区域中,如果当前点的前一点是地面点且两点高度差小于坡度阈值,则该点为地面点;否则,进行全局阈值判断,如果当前点测量高度小于根据当前点水平距离计算得到的全局坡度阈值,则当前点属于地面点,否则当前点属于非地面点。
4.如权利要求1所述的基于多线激光雷达的斜坡地面点云分割方法,其特征在于:
当夹角大于或等于设定角度阈值时,该类非地面点云为障碍物点云;
或者,
当夹角小于设定角度阈值,原始地面平均高度与该类点云种子点的高度平均值的差值大于或等于距离阈值时,该类非地面点云为障碍物点云;
或者,
当夹角小于设定角度阈值,拟合平面所占点云的数量比小于或等于给定比例时,该类非地面点云为障碍物点云。
5.如权利要求1所述的基于多线激光雷达的斜坡地面点云分割方法,其特征在于:
根据激光雷达的最大俯角,得到激光雷达扫到地面的最小距离;
计算所有点的水平距离,去除距离小于最小距离的点;
根据预设避障要求,去除大于最大距离的点;
根据距离初始地面下方的高度设定第一高度阈值,根据高于雷达上方的高度设定第二阈值,根据第一高度阈值和第二高度阈值去除竖直方向的无用点。
6.如权利要求5所述的基于多线激光雷达的斜坡地面点云分割方法,其特征在于:
对点云数据进行预处理,还包括:
多线激光雷达的两条激光线映射到地面后,计算两者之间的最小距离和最大距离,在最小距离和最大距离之间查找使每一条激光线映射到地面的不同水平区域的数值,根据得到数值进行点云区域分割。
7.一种基于多线激光雷达的斜坡地面点云分割系统,其特征在于:
包括:
数据获取模块,被配置为:获取多线激光雷达原始点云数据;
预处理模块,被配置为:对原始点云数据进行预处理;
点云分割模块,被配置为:对预处理后的点云数据进行初步地面分割处理,得到非地面点云;
斜坡地面点云获取模块,被配置为:对非地面点云进行欧式聚类,对每一类进行随机采样一致性平面拟合,根据拟合结果筛选得到斜坡地面点云;
其中,对非地面点云进行欧式聚类,对每一类进行随机采样一致性平面拟合,根据拟合结果得到斜坡地面点云,包括以下过程:
对非地面点云进行欧式聚类;利用原始地面点云获得原始地面法向量和原始地面点高度平均值;遍历每一聚类并对其进行随机采样一致性处理,对拟合平面进行数据处理,获得某类的拟合平面的法向量、该类拟合平面所占该类点云的数量比以及该类所拟合平面种子点云的高度平均值;根据拟合平面的法向量和原始地面法向量,得到该类拟合平面与原始地面的夹角;当夹角小于设定角度阈值,原始地面平均高度与该类点云种子点的高度平均值的差值小于距离阈值,且拟合平面所占点云的数量比大于给定比例时,该类非地面点云为斜坡地面点云;否则,该类非地面点云为障碍物点云。
8.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任一项所述的基于多线激光雷达的斜坡地面点云分割方法中的步骤。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于多线激光雷达的斜坡地面点云分割方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137710.5A CN113920134B (zh) | 2021-09-27 | 2021-09-27 | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137710.5A CN113920134B (zh) | 2021-09-27 | 2021-09-27 | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920134A CN113920134A (zh) | 2022-01-11 |
CN113920134B true CN113920134B (zh) | 2022-06-07 |
Family
ID=79236413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111137710.5A Active CN113920134B (zh) | 2021-09-27 | 2021-09-27 | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920134B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563796B (zh) * | 2022-03-03 | 2022-11-04 | 北京华宜信科技有限公司 | 基于无人机激光雷达探测数据的电力线识别方法和装置 |
CN114723830B (zh) * | 2022-03-21 | 2023-04-18 | 深圳市正浩创新科技股份有限公司 | 障碍物的识别方法、设备及存储介质 |
CN116520353B (zh) * | 2023-06-29 | 2023-09-26 | 广汽埃安新能源汽车股份有限公司 | 基于激光点云的地面检测方法、装置、存储介质及设备 |
CN116958303A (zh) * | 2023-09-19 | 2023-10-27 | 山东博昂信息科技有限公司 | 一种基于室外激光雷达的智能建图方法及系统 |
CN117649495A (zh) * | 2024-01-30 | 2024-03-05 | 山东大学 | 基于点云描述符匹配的室内三维点云地图生成方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599129A (zh) * | 2016-12-02 | 2017-04-26 | 山东科技大学 | 一种顾及地形特点的多波束点云数据去噪方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260539B2 (en) * | 2010-05-12 | 2012-09-04 | GM Global Technology Operations LLC | Object and vehicle detection and tracking using 3-D laser rangefinder |
JP7076372B2 (ja) * | 2015-10-12 | 2022-05-27 | グラウンドプルーブ・ピーティーワイ・リミテッド | 斜面安定性ライダー |
CN110163871B (zh) * | 2019-05-07 | 2021-04-13 | 北京易控智驾科技有限公司 | 一种多线激光雷达的地面分割方法及装置 |
CN110443786B (zh) * | 2019-07-25 | 2021-12-07 | 深圳一清创新科技有限公司 | 激光雷达点云滤波方法、装置、计算机设备和存储介质 |
CN111461023B (zh) * | 2020-04-02 | 2023-04-18 | 山东大学 | 基于三维激光雷达的四足机器人自主跟随领航员的方法 |
CN112184736B (zh) * | 2020-10-10 | 2022-11-11 | 南开大学 | 一种基于欧式聚类的多平面提取方法 |
CN113325428A (zh) * | 2021-04-29 | 2021-08-31 | 中国科学院沈阳自动化研究所 | 一种基于激光雷达的距离与航向测量方法 |
-
2021
- 2021-09-27 CN CN202111137710.5A patent/CN113920134B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599129A (zh) * | 2016-12-02 | 2017-04-26 | 山东科技大学 | 一种顾及地形特点的多波束点云数据去噪方法 |
Non-Patent Citations (1)
Title |
---|
李亮等.基于机载 LiDAR 数据的建筑屋顶点云提取方法.《中国科学院大学学报》.2016, * |
Also Published As
Publication number | Publication date |
---|---|
CN113920134A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113920134B (zh) | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
CN107292276B (zh) | 一种车载点云聚类方法及系统 | |
CN111291708B (zh) | 融合深度相机的变电站巡检机器人障碍物检测识别方法 | |
CN110781827A (zh) | 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 | |
CN106067003B (zh) | 一种车载激光扫描点云中道路矢量标识线自动提取方法 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
CN113640826B (zh) | 一种基于3d激光点云的障碍物识别方法及系统 | |
CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
CN109215112B (zh) | 一种单侧点云模型的标注方法 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN111553946B (zh) | 用于去除地面点云的方法及装置、障碍物检测方法及装置 | |
CN115205690B (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN114972377A (zh) | 基于移动最小二乘法与超体素的3d点云分割方法和装置 | |
CN111783721A (zh) | 一种激光点云的车道线提取方法及电子设备 | |
Baluyan et al. | Novel approach for rooftop detection using support vector machine | |
CN115861247A (zh) | 一种高分辨率遥感影像轮廓多级正则化方法、系统及应用 | |
CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
CN114325760A (zh) | 基于多线激光雷达的公路隧道质检避障方法及系统 | |
CN112232248B (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
CN117292076A (zh) | 工程机械局部作业场景动态三维重构方法及系统 | |
Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
Giosan et al. | Superpixel-based obstacle segmentation from dense stereo urban traffic scenarios using intensity, depth and optical flow information | |
CN116580168A (zh) | 建筑物白模的构建方法、装置、设备和存储介质 |
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 |