CN113970734A - 路侧多线激光雷达降雪噪点去除方法、装置及设备 - Google Patents

路侧多线激光雷达降雪噪点去除方法、装置及设备 Download PDF

Info

Publication number
CN113970734A
CN113970734A CN202111194443.5A CN202111194443A CN113970734A CN 113970734 A CN113970734 A CN 113970734A CN 202111194443 A CN202111194443 A CN 202111194443A CN 113970734 A CN113970734 A CN 113970734A
Authority
CN
China
Prior art keywords
point cloud
cloud data
depth
radar
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.)
Granted
Application number
CN202111194443.5A
Other languages
English (en)
Other versions
CN113970734B (zh
Inventor
赵祥模
孙朋朋
孙城浩
万凌峰
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN202111194443.5A priority Critical patent/CN113970734B/zh
Publication of CN113970734A publication Critical patent/CN113970734A/zh
Application granted granted Critical
Publication of CN113970734B publication Critical patent/CN113970734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S7/483—Details of pulse systems
    • G01S7/486—Receivers
    • G01S7/487—Extracting wanted echo signals, e.g. pulse detection
    • G01S7/4876—Extracting wanted echo signals, e.g. pulse detection by removing unwanted signals
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land 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
    • 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

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了路侧多线激光雷达降雪噪点去除方法、装置及设备，获取前k帧点云数据的深度矩阵；利用所述当前点云数据的深度矩阵和所述前k帧点云数据的深度矩阵，依次求取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，然后计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差；将所述深度差与预设深度差阈值进行比较，若深度差不小于预设深度差阈值，则当前点云数据中的雷达点为动态点；以激光雷达点云线束为单位滤除动态点中的降雪噪点。本发明旨在实现降雪天气下基于路侧激光雷达实现实时可靠的交通场景目标感知。

Description

路侧多线激光雷达降雪噪点去除方法、装置及设备
技术领域
本发明属于车路协同感知领域，具体涉路侧多线激光雷达降雪噪点去除方法、装置及设备。
背景技术
近年来，随着智能网联汽车的快速发展，路侧环境感知在智能交通中变得越来越重要。借助于路侧三维激光雷达实现道路交通参与者实时、精准三维目标感知，为解决自动驾驶面临的超视距和非视距感知提供了新的思路和希望。路侧多线激光雷达位于交通场景的制高点，能够以开阔的视野、更大的感知范围，从“上帝视角”总揽全局，实时将获取的动态信息分发到所有交通参与者，以提供路口通行信息及交通安全信息提示，从而有效避免事故的发生。与传统视频、微波雷达传感器相比，激光雷达具有广泛的视野、精确的深度信息以及夜视能力，感知更为精准。
目前基于路侧多线激光雷达的三维目标检测算法通常是在正常天气条件下开发的，而对于降雪条件下的数据处理受到严重的挑战。因为在降雪天气下，激光雷达打到水滴(如雨、雪或雾)上一方面会被散射形成很多的噪点，进而会造成目标检测丢失甚至错误检测。
因此，为了不限制路侧多线激光雷达环境感知算法在降雪天气下的场景理解性能，需要一种点云去噪方法滤除雪花在激光雷达点云中产生的噪声，且在滤除噪声的同时需要保留环境原有的细节特征。
虽然激光雷达受雨雪等恶劣天气条件的影响是显然易见的，但是目前针对雨雪天气激光点云去噪的研究成果还很少。现有的三维点云降雪噪点去除算法通常是基于空间邻近性或统计分布特征剔除雨雪引起的噪声点，这种技术的原理是将一定范围内临近点数量少的雷达点识别为噪声点，如统计离群点滤波(SOR)和半径离群点滤波(ROR)。这种方法简单易行，但由于受限于激光雷达点云紧密远疏的特点这种方法易将中远距离的小目标误识别为噪声点，并且这种方法采用了三维空间邻域搜索，运算效率较低，此外，雪花在点云中不一定以单个点的形式存在，在近距到中距范围内常常以多杂点的形式存在，这也显著降低了这种仅基于空间邻近的滤波方法的适用性。另一种点云去噪方法是采用深度学习的方法，通过建立神经网络模型、标注训练集、训练神经网络实现雨雪天气下的噪点识别，但路侧激光雷达部署在路侧，恶劣天气较少，很难采集大量多样化真实场景的样本数据，因此这种方法并不适合用于雨雪等恶劣天气下的路侧激光雷达点云去噪。
发明内容
针对现有技术中存在的问题，本发明提供了路侧多线激光雷达降雪噪点去除方法、装置及设备，旨在实现降雪天气下基于路侧激光雷达实现实时可靠的交通场景目标感知。
为了解决上述技术问题，本发明通过以下技术方案予以实现：
一种路侧多线激光雷达降雪噪点去除方法，包括：
获取多线激光雷达扫描周围得到的点云数据，并对获取到的点云数据进行水平校准；
将水平校准后的无序点云数据编码成一个多通道的张量，并将当前点云数据中雷达点的深度值赋值给多通道张量得到当前点云数据的深度矩阵；
获取前k帧点云数据的深度矩阵；
利用所述当前点云数据的深度矩阵和所述前k帧点云数据的深度矩阵，依次求取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，然后计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差；
将所述深度差与预设深度差阈值进行比较，若深度差不小于预设深度差阈值，则当前点云数据中的雷达点为动态点；
以激光雷达点云线束为单位滤除动态点中的降雪噪点。
进一步地，所述利用所述当前点云数据的深度矩阵和所述前k帧点云数据的深度矩阵，依次求取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，具体方法为：
获取k帧点云数据中对应位置点的k个深度值；
计算k个深度值中的中值深度值，该中值深度值即为所述当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值。
进一步地，所述计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差，具体方法为：
将所述当前点云数据中雷达点的深度值减去所述当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，取绝对值后得到所述当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差。
进一步地，将所述深度差与预设深度差阈值进行比较，若深度差小于预设深度差阈值，则当前点云数据中的雷达点为背景点。
进一步地，所述以激光雷达线束为单位滤除动态点中的降雪噪点，具体方法为：
获取多通道张量内对应当前点云数据中动态点的子张量；
根据多通道张量内对应当前点云数据中的动态点的子张量获取当前点云数据中每个动态点所在的点云线束以及水平角度；
根据当前点云数据中每条点云线束内的动态点的水平角度以及预设的线束搜索范围阈值计算当前点云数据中每条点云线束内每个动态点的临近点数；
将当前点云数据中动态点的临近点数与预设临近点数量进行比较，若临近点数不大于预设的临近点数量，则当前点云数据中的动态点分类为降雪点；
将当前点云数据的动态点中的被分类为降雪点的雷达点滤除。
一种路侧多线激光雷达降雪噪点去除装置，包括：
水平校准模块，用于获取多线激光雷达扫描周围得到的点云数据，并对获取到的点云数据进行水平校准；
编码模块，用于将水平校准后的无序点云数据编码成一个多通道的张量，并将当前点云数据中雷达点的深度值赋值给多通道张量得到当前点云数据的深度矩阵；
获取模块，用于获取前k帧点云数据的深度矩阵；
计算模块，用于利用所述当前点云数据的深度矩阵和所述前k帧点云数据的深度矩阵，依次求取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，然后计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差；
比较模块，用于将所述深度差与预设深度差阈值进行比较，若深度差不小于预设深度差阈值，则当前点云数据中的雷达点为动态点；
滤除模块，用于以激光雷达点云线束为单位滤除动态点中的降雪噪点。
进一步地，所述计算模块包括：
第一计算单元，用于获取k帧点云数据中对应位置点的k个深度值；计算k个深度值中的中值深度值，该中值深度值即为所述当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值；
第二计算单元，用于将所述当前点云数据中雷达点的深度值减去所述当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，取绝对值后得到所述当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差。
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述一种路侧多线激光雷达降雪噪点去除方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：本发明提供的路侧多线激光雷达降雪噪点去除方法首先利用历史点云数据快速滤除当前点云数据中大量的背景点，极大减少了后续降雪噪声滤除算法需要处理的雷达点数量，因此可以显著提高降雪滤波的整体运算效率，并且在执行雪噪滤除前将背景点滤除可以避免背景点对雪噪滤除造成的影响，提高了算法的鲁棒性；然后针对当前点云数据中剩余的动态点，以点云线束为单位执行降雪滤波，这种以点云线束为单位的雪点去噪方法将ROR等方法使用的三维空间邻域搜索压缩为二维空间邻域搜索，提高了算法的运行效率。同时，算法中涉及的范围阈值均为预设的动态范围阈值，即阈值大小随距离增加而变大，避免了激光雷达点云紧密远疏特点所造成的误差，提高了降雪滤波的精确性，并且本方法不需要收集大量数据用于模型训练，泛化性与稳定性高。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种路侧多线激光雷达降雪噪点去除方法的整体流程图；
图2是路侧激光雷达采集的原始点云和水平校准后的点云对比图；
图3是路侧多线激光雷达扫描线束分布示意图；
图4是动态范围阈值计算原理图；
图5是以激光雷达点云线束为单位滤除动态点中降雪噪点的具体流程图；
图6是降雪滤波效果图，其中：图(a)是原始点云图，图(b)是背景滤波后的背景点云图，图(c)是背景滤波后的动态点云图，图(d)是对动态点云执行雪噪滤波后的目标点云图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
作为本发明的某一具体实施方式，结合图1所示，一种路侧多线激光雷达降雪噪点去除方法，具体包括以下步骤：
步骤1、获取路侧多线激光雷达扫描周围得到的点云数据，并对获取到的点云数据进行水平校准。
具体地说，手动选取参照物以计算三维旋转向量，进而利用三维旋转矩阵对点云数据进行水平校准。
在本发明一实施例中，选用的三维激光雷达扫描仪为WLR-732R，该激光雷达安装在设计的路侧静态测试平台的顶部，安装高度为4.5米，以获得360°无遮挡的三维激光雷达点云数据。该激光雷达由一列上的32个单一激光器组成，它以10Hz的频率执行360°全景扫描，扫描角度的水平分辨率为0.1°，垂直扫描视场为
Figure BDA0003302482530000061
使32条线全部可以作用于地面，同时它采用多级垂直分辨率，可以使远处和近处的感知更加均匀。
激光雷达采集的点云数据可能由于地面崎岖不平或雷达安装倾斜而导致点云数据在雷达坐标系中不是水平的，这会对点云的处理算法造成负面影响，所以在对点云数据进行处理之前需要对点云数据进行水平校准，具体步骤如下：
1)将球面坐标系下的点云数据
Figure BDA0003302482530000071
转换到直角坐标系下:通过公式(1)计算每个点在直角坐标系下的坐标，得到每个点的多参数表示pi＝(xi,yi,zi)，其中ri为球面坐标系原点到Pi点的距离，θi为球面坐标系原点到Pi点的连线与正Z轴的夹角，
Figure BDA0003302482530000072
为球面坐标系原点到Pi点的连线在X-Y平面的投影线与正X轴的夹角，xi、yi、zi分别为pi点的X、Y、Z轴坐标。
Figure BDA0003302482530000073
2)利用参照物对点云数据进行水平校准：路侧激光雷达长时间布设在同一位置，因此可以手动选取参照物并通过计算三维旋转矩阵对点云数据进行水平校准，X轴、Y轴、Z轴三个方向的旋转矩阵分别如公式(2)、(3)、(4)所示；在本实施例中具体的利用了电线杆和长方体作为参照物对点云数据进行水平校准，在激光雷达水平放置的情况下线杆返回的雷达点在直角坐标系下的X轴和Y轴坐标相同，取线杆最底部点的X轴和Y轴坐标作为基准(即公式中的u、v)，将杆上其他点的X轴和Y轴坐标代入公式(2)和(3)后可以求出X轴旋转角α和Y轴旋转角β的角度值；长方体参照物的高度可以手动测量，将测量高度加地面高度作为长方体Z轴方向的基准(公式中的w)，将真实数据代入公式(4)后可以求出Z轴旋转角ω。求出三个旋转角后利用公式(5)即可实现对三维路测激光雷达点云的水平校准，最终得到每个点的多参数表示为pi＝(xi,yi,zi)，点云校准的效果如图2所示。
Figure BDA0003302482530000074
Figure BDA0003302482530000075
Figure BDA0003302482530000081
Figure BDA0003302482530000082
步骤2、将水平校准后的无序点云数据编码成一个多通道的张量，得到当前点云数据的深度矩阵。
WLR-732R激光雷达输出的原始点云数据可以封装成无序的点云作为数据处理的原始输入，但是本发明涉及大量有序乘加运算，因此为了提高数据处理效率，根据雷达点的水平旋转角和垂直角度将无序稀疏的点云编码成一个多通道张量,张量的行数等于多线激光雷达扫描线数，张量的列数取决于多线激光雷达的水平角度分辨率，得到这个多通道张量后，将当前点云数据中雷达点的深度值赋值给多通道张量可以得到当前点云数据的深度矩阵。
所述步骤2将点云转换为深度矩阵包括以下步骤：
1)获取激光雷达线束数l、激光雷达每条扫描线束的垂直角度、激光雷达水平角分辨率λ；
2)依据公式(6)计算当前点云数据中所有雷达点的垂直角度，其中μ为所求垂直角度，x、y和z分别为雷达点在X轴、Y轴和Z轴方向上的坐标；
Figure BDA0003302482530000083
3)WLR-732R激光雷达每条扫描线束的垂直角度见说明书附图3，将激光雷达每条扫描线束的垂直角度与第2)步计算得到的雷达点的垂直角度进行比较，获取当前点云数据中所有雷达点所属的线束；
4)根据公式(7)计算当前点云数据中所有雷达点的水平角度，其中φ为所求当前点云数据中雷达点的水平角度，φ的取值范围为[0°,360°]，x和y分别为雷达点在X轴和Y轴方向上的坐标。
Figure BDA0003302482530000091
5)根据当前点云数据中每个雷达点的线束值和水平角度将当前点云数据编码为一个多通道张量
Figure BDA0003302482530000092
具体的为：张量M的行数n等于激光雷达扫描线束数量，在张量M中按激光雷达线束由高到低排列；张量M的列数m＝360°/λ，在张量M中按雷达点的水平角度由小到大排列。即m0,0为激光雷达最上方扫描线束中水平角度为0的点对应的雷达点的属性，初始属性仅包含该雷达点在原始点云数据中的次序值，以标识张量M中各分量对应的雷达点；
6)将当前点云数据中各雷达点的深度值加入张量M对应分量处的属性，得到当前点云数据的深度矩阵
Figure BDA0003302482530000093
5)将当前点云的深度矩阵D存入内存；
步骤3、获取前k帧点云数据的深度矩阵。
具体地说，将存放于内存的前k帧点云数据的深度矩阵从内存中取出。k值取决于计算机处理器的性能，k值越大对计算机处理性能要求越高，在本实施例中k值取5。
步骤4、利用当前点云数据的深度矩阵和前k帧点云数据的深度矩阵，依次获取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，然后计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差。
具体地说，利用当前点云数据的深度矩阵和前k帧点云数据的深度矩阵，依次求取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，具体方法为：
依次从深度矩阵D中取雷达点的深度值di,j，其中i为该深度值在深度矩阵中的行数，j为该深度值在深度矩阵中的列数；
获取k帧点云数据中对应(i,j)位置点的k个深度值；
计算k个深度值中的中值深度值；
计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差。
具体地说，计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差，具体方法为：
将当前点云数据中雷达点的深度值减去当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，取绝对值后得到当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差。
对于激光雷达同一个激光发射器，如果环境中没有动态目标，则其扫描一圈产生的所有雷达点的位置几乎不会随时间的推移而产生变化，当环境中出现动态目标时，对于任一动态目标点云数据中的任一雷达点，其深度值将会与历史点云数据中对应位置雷达点的深度值相差较大，因此可利用背景点和动态点的历史点云数据和当前点云数据的深度差的不同实现动态点滤除。从图6(a)中可以看到激光雷达中央位置的降雪噪点较为密集，因此对于当前点云数据中降雪点P，在历史点云数据同一位置可能存在一个深度值相近的降雪点，所以在本发明中通过计算前k帧点云中的中值深度点减小此类误差发生的概率，同时选取中值深度点也可以减小将背景点误判为动态点的概率。
步骤5、将深度差与预设深度差阈值进行比较，若深度差小于预设深度差阈值，则当前点云数据中雷达点为背景点；若深度差不小于预设深度差阈值，则当前点云数据中的雷达点为动态点。
具体地说，将深度差与预设深度差阈值进行比较，判断当前点云数据中的雷达点是否为动态点，具体方法为：
首先为最内侧点云线束预设一个基准深度差阈值Th0；
根据激光雷达点云线束的垂直角度动态计算每条线束的预设深度差阈值，具体公式见公式(8)和公式(9)，原理见说明书附图4，其中R0为最内侧线束对应的地面圆半径，Rx为点云线束对应的地面圆半径，Th0为基准深度差阈值，Thx为点云线束对应的深度差阈值，α0为最内侧点云线束的垂直角度，αx为点云线束的垂直角度，
Figure BDA0003302482530000111
Figure BDA0003302482530000112
说明书附图3所示为WLR-732R激光雷达垂直方向分辨率示意图，为了减小激光雷达近处密集远处点云稀疏的弊端，它在远处和近处采用了多级垂直分辨率，这使得该激光雷达远处和近处的线束分布较为均匀，但是WLR-732R激光雷达也并未完全解决远处点云稀疏的缺点。弧长计算公式为
Figure BDA0003302482530000113
n为圆心角，r为径向距离，WLR-732R激光雷达各扫描线相邻两点间的水平角度n固定为0.1°，因此同一条扫描线两相邻点间的弧长l会随径向距离r的增大而增大，这导致远处扫描线的点间距远大于近处扫描线，而激光雷达可能因为机械振动产生细微点偏移，这种误差对于远处的扫描线影响较大，如果算法采用固定阈值进行动态点滤除，则远处的雷达点可能由于这种误差而被误分类为动态点，因此需要采用动态搜索范围阈值进行动态点滤除。
步骤6、以激光雷达线束为单位滤除动态点中的降雪噪点。
具体地说，以激光雷达线束为单位滤除动态点中的降雪噪点，流程如说明书附图5所示，具体方法为：
取步骤二中得到的当前点云数据的多通道张量M内对应当前点云数据中动态点子集的子张量A；
为最内侧线束预设基准搜索范围阈值Th0；
根据公式(8)和公式(9)动态计算每一条点云线束的搜索范围阈值；
预设临近点数阈值；
针对当前点云数据中的每一条动态点云线束上的所有雷达点，按雷达点在张量A中的顺序，计算雷达点在当前点云线束搜索范围阈值内的临近点数，
将当前点云数据中动态点的临近点数与预设临近点数阈值进行比较，若临近点数不大于预设的临近点数阈值，则将当前点云数据中的动态点分类为降雪点；
将当前点云数据的动态点中的被分类为降雪点的雷达点滤除。
最终降雪滤波效果参见图6，其中图(a)为原始点云图，图(b)和图(c)分别为背景滤波后的背景点云和动态点云图，图(d)为对动态点云执行雪噪滤波后的目标点云图。由图(a)与图(d)比较可看出雪噪几乎全部被滤除，由图(b)、图(c)和图(d)比较可看出在滤除雪噪的同时，动态目标特征与环境特征得到了完好的保留，体现了本方法对于多线激光雷达降雪噪点去除的高鲁棒性和高准确性。
一种路侧多线激光雷达降雪噪点去除装置，包括：
水平校准模块，用于获取多线激光雷达扫描周围得到的点云数据，并对获取到的点云数据进行水平校准。
编码模块，用于将水平校准后的无序点云数据编码成一个多通道的张量，并将当前点云数据中雷达点的深度值赋值给多通道张量得到当前点云数据的深度矩阵。
获取模块，用于获取前k帧点云数据的深度矩阵。
计算模块，用于利用所述当前点云数据的深度矩阵和所述前k帧点云数据的深度矩阵，依次求取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，然后计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差。
具体地说，计算模块包括：
第一计算单元，用于获取k帧点云数据中对应位置点的k个深度值；计算k个深度值中的中值深度值，该中值深度值即为所述当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值；
第二计算单元，用于将所述当前点云数据中雷达点的深度值减去所述当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，取绝对值后得到所述当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差。
比较模块，用于将所述深度差与预设深度差阈值进行比较，若深度差不小于预设深度差阈值，则当前点云数据中的雷达点为动态点。
滤除模块，用于以激光雷达点云线束为单位滤除动态点中的降雪噪点。
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种路侧多线激光雷达降雪噪点去除方法的操作。
本发明在一个实施例中，一种路侧多线激光雷达降雪噪点去除方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种路侧多线激光雷达降雪噪点去除方法，其特征在于，包括：
获取多线激光雷达扫描周围得到的点云数据，并对获取到的点云数据进行水平校准；
将水平校准后的无序点云数据编码成一个多通道的张量，并将当前点云数据中雷达点的深度值赋值给多通道张量得到当前点云数据的深度矩阵；
获取前k帧点云数据的深度矩阵；
利用所述当前点云数据的深度矩阵和所述前k帧点云数据的深度矩阵，依次求取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，然后计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差；
将所述深度差与预设深度差阈值进行比较，若深度差不小于预设深度差阈值，则当前点云数据中的雷达点为动态点；
以激光雷达点云线束为单位滤除动态点中的降雪噪点。
2.根据权利要求1所述的一种路侧多线激光雷达降雪噪点去除方法，其特征在于，所述利用所述当前点云数据的深度矩阵和所述前k帧点云数据的深度矩阵，依次求取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，具体方法为：
获取k帧点云数据中对应位置点的k个深度值；
计算k个深度值中的中值深度值，该中值深度值即为所述当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值。
3.根据权利要求2所述的一种路侧多线激光雷达降雪噪点去除方法，其特征在于，所述计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差，具体方法为：
将所述当前点云数据中雷达点的深度值减去所述当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，取绝对值后得到所述当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差。
4.根据权利要求1所述的一种路侧多线激光雷达降雪噪点去除方法，其特征在于，将所述深度差与预设深度差阈值进行比较，若深度差小于预设深度差阈值，则当前点云数据中的雷达点为背景点。
5.根据权利要求1所述的一种路侧多线激光雷达降雪噪点去除方法，其特征在于，所述以激光雷达线束为单位滤除动态点中的降雪噪点，具体方法为：
获取多通道张量内对应当前点云数据中动态点的子张量；
根据多通道张量内对应当前点云数据中的动态点的子张量获取当前点云数据中每个动态点所在的点云线束以及水平角度；
根据当前点云数据中每条点云线束内的动态点的水平角度以及预设的线束搜索范围阈值计算当前点云数据中每条点云线束内每个动态点的临近点数；
将当前点云数据中动态点的临近点数与预设临近点数量进行比较，若临近点数不大于预设的临近点数量，则将当前点云数据中的动态点分类为降雪点；
将当前点云数据的动态点中的被分类为降雪点的雷达点滤除。
6.一种路侧多线激光雷达降雪噪点去除装置，其特征在于，包括：
水平校准模块，用于获取多线激光雷达扫描周围得到的点云数据，并对获取到的点云数据进行水平校准；
编码模块，用于将水平校准后的无序点云数据编码成一个多通道的张量，并将当前点云数据中雷达点的深度值赋值给多通道张量得到当前点云数据的深度矩阵；
获取模块，用于获取前k帧点云数据的深度矩阵；
计算模块，用于利用所述当前点云数据的深度矩阵和所述前k帧点云数据的深度矩阵，依次求取当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，然后计算当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差；
比较模块，用于将所述深度差与预设深度差阈值进行比较，若深度差不小于预设深度差阈值，则当前点云数据中的雷达点为动态点；
滤除模块，用于以激光雷达点云线束为单位滤除动态点中的降雪噪点。
7.根据权利要求6所述的一种路侧多线激光雷达降雪噪点去除装置，其特征在于，所述计算模块包括：
第一计算单元，用于获取k帧点云数据中对应位置点的k个深度值；计算k个深度值中的中值深度值，该中值深度值即为所述当前点云数据中雷达点的深度值并计算当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值；
第二计算单元，用于将所述当前点云数据中雷达点的深度值减去所述当前点云数据中雷达点对应的k帧历史点云数据中相应位置的中值深度值，取绝对值后得到所述当前点云数据中雷达点的深度值与对应的k帧历史点云数据中相应位置的中值深度值之间的深度差。
8.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述一种路侧多线激光雷达降雪噪点去除方法的步骤。
CN202111194443.5A 2021-10-13 2021-10-13 路侧多线激光雷达降雪噪点去除方法、装置及设备 Active CN113970734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111194443.5A CN113970734B (zh) 2021-10-13 2021-10-13 路侧多线激光雷达降雪噪点去除方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111194443.5A CN113970734B (zh) 2021-10-13 2021-10-13 路侧多线激光雷达降雪噪点去除方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113970734A true CN113970734A (zh) 2022-01-25
CN113970734B CN113970734B (zh) 2024-04-19

Family

ID=79587399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111194443.5A Active CN113970734B (zh) 2021-10-13 2021-10-13 路侧多线激光雷达降雪噪点去除方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113970734B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612869A (zh) * 2022-03-14 2022-06-10 合肥工业大学 一种路侧激光雷达与车载激光雷达信息融合方法
CN115293980A (zh) * 2022-08-01 2022-11-04 北京斯年智驾科技有限公司 一种基于历史信息的小尺寸动态噪点滤除方法、装置
CN116338651A (zh) * 2023-03-03 2023-06-27 吉林大学 一种模拟雪天激光雷达点云雪噪点的方法和相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100092760A (ko) * 2009-02-13 2010-08-23 국방과학연구소 탐색레이더에서의 정밀 표적탐지방법
CN104156926A (zh) * 2014-08-19 2014-11-19 武汉海达数云技术有限公司 多场景下车载激光点云噪声点去除方法
WO2018205119A1 (zh) * 2017-05-09 2018-11-15 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法和系统
CN109215063A (zh) * 2018-07-05 2019-01-15 中山大学 一种事件触发相机与三维激光雷达的配准方法
CN110033457A (zh) * 2019-03-11 2019-07-19 北京理工大学 一种目标点云分割方法
CN112213735A (zh) * 2020-08-25 2021-01-12 上海主线科技有限公司 一种针对雨雪天气的激光点云降噪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100092760A (ko) * 2009-02-13 2010-08-23 국방과학연구소 탐색레이더에서의 정밀 표적탐지방법
CN104156926A (zh) * 2014-08-19 2014-11-19 武汉海达数云技术有限公司 多场景下车载激光点云噪声点去除方法
WO2018205119A1 (zh) * 2017-05-09 2018-11-15 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法和系统
CN109215063A (zh) * 2018-07-05 2019-01-15 中山大学 一种事件触发相机与三维激光雷达的配准方法
CN110033457A (zh) * 2019-03-11 2019-07-19 北京理工大学 一种目标点云分割方法
CN112213735A (zh) * 2020-08-25 2021-01-12 上海主线科技有限公司 一种针对雨雪天气的激光点云降噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕潮峰;杜正春;: "基于激光雷达测量技术的集装箱卡车定位系统", 激光技术, no. 06, 25 December 2007 (2007-12-25), pages 38 - 41 *
王张飞;刘春阳;隋新;杨芳;马喜强;陈立海;: "基于深度投影的三维点云目标分割和碰撞检测", 光学精密工程, no. 07, 15 July 2020 (2020-07-15), pages 191 - 199 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612869A (zh) * 2022-03-14 2022-06-10 合肥工业大学 一种路侧激光雷达与车载激光雷达信息融合方法
CN115293980A (zh) * 2022-08-01 2022-11-04 北京斯年智驾科技有限公司 一种基于历史信息的小尺寸动态噪点滤除方法、装置
CN115293980B (zh) * 2022-08-01 2024-05-28 北京斯年智驾科技有限公司 一种基于历史信息的小尺寸动态噪点滤除方法、装置
CN116338651A (zh) * 2023-03-03 2023-06-27 吉林大学 一种模拟雪天激光雷达点云雪噪点的方法和相关装置
CN116338651B (zh) * 2023-03-03 2023-11-14 吉林大学 一种模拟雪天激光雷达点云雪噪点的方法和相关装置

Also Published As

Publication number Publication date
CN113970734B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN113970734B (zh) 路侧多线激光雷达降雪噪点去除方法、装置及设备
CN111582054B (zh) 点云数据处理方法及装置、障碍物检测方法及装置
CN110349092B (zh) 一种点云滤波方法及设备
JP2018116004A (ja) データ圧縮装置、制御方法、プログラム及び記憶媒体
CN112907744B (zh) 数字高程模型的构建方法、装置、设备及存储介质
CN114937081A (zh) 基于独立非均匀增量采样的网联车位置估计方法及装置
CN112799091A (zh) 算法评估方法、装置及存储介质
CN114005110B (zh) 3d检测模型训练方法与装置、3d检测方法与装置
CN117590362B (zh) 一种多激光雷达外参标定方法、装置和设备
CN117197182B (zh) 雷视标定方法、设备及存储介质
CN114219770A (zh) 地面检测方法、装置、电子设备及存储介质
CN116263735A (zh) 神经网络的鲁棒性评估方法、装置、设备及存储介质
CN113222111A (zh) 适应全天候环境的自动驾驶4d感知方法、系统及介质
CN115236643B (zh) 一种传感器标定方法、系统、装置、电子设备及介质
CN115272899B (zh) 一种风险预警方法、装置、飞行器及存储介质
CN111583406A (zh) 杆塔脚基点坐标计算方法、装置及终端设备
CN116819561A (zh) 一种点云数据匹配方法、系统、电子设备及存储介质
CN112906519B (zh) 一种车辆类型识别方法及装置
CN113870337A (zh) 一种基于极坐标栅格与平面拟合的地面点云分割方法
CN111310643B (zh) 一种基于点云数据的车辆计数方法、装置及电子设备
CN117075135B (zh) 一种车辆特征检测方法、系统、存储介质和电子设备
CN115236637B (zh) 一种基于车辆数据的车载激光雷达点云地面提取方法
CN112649794A (zh) 地面滤波方法及装置
CN115908338B (zh) 基于三维点云的电力设施与入侵物距离检测方法和系统
US20220180546A1 (en) Image processing device and image processing program

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