CN114063107A - 一种基于激光束的地面点云提取方法 - Google Patents
一种基于激光束的地面点云提取方法 Download PDFInfo
- Publication number
- CN114063107A CN114063107A CN202111418184.XA CN202111418184A CN114063107A CN 114063107 A CN114063107 A CN 114063107A CN 202111418184 A CN202111418184 A CN 202111418184A CN 114063107 A CN114063107 A CN 114063107A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- background
- ground
- laser beam
- 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.)
- Pending
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
- 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
- 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种基于激光束的地面点云提取方法,包括:选择采集场景,架设路侧激光雷达,获取原始点云数据,选定感兴趣区域的点云数据范围,对感兴趣区域内的原始点云数据进行预处理操作,得到经过预处理后的点云数据;将经过预处理后的点云数据进行背景滤除操作,得到经过背景滤除后的点云数据;基于经过背景滤除后的点云数据,针对不同激光束获取的点云数据,进行聚类操作和坡度滤除操作,最终得到地面点与非地面点。本发明创新了一种地面线点云提取新方法,解决了不同坡度的条件场景下地面点提取不完全不彻底的问题。
Description
技术领域
本发明涉及智能交通感知技术领域,特别是涉及一种基于激光束的地面点云提取方法。
背景技术
随着社会对智慧交通技术方面的要求越来越高,越来越多的先进的感知设备被引入,近年来,除了已知的摄像头、毫米波雷达等设备外,激光雷达被广泛应用于交通领域,尤其体现在车型分类、行人追踪、冲突识别和自动驾驶等方面。与其他传感器相比,激光雷达具有测量精度高、稳定性好和获取数据丰富等优势性能,为获取更加精确的微观道路交通信息,激光雷达原始数据的处理方法研究就显得尤为重要。
路侧激光雷达可搜集道路使用者的实时高精度轨迹。收集的点云数据主要包含地平面、建筑物、树木、车辆和其他如行人和自行车等道路使用者,将其分为地面点、非地面点和噪声点。为将有用的交通数据从原始点云数据中提取出来,需对其进行地面线提取,现有的方法主要有邻域滤波、基于坡度的滤波和基于对象的滤波。邻域滤波主要为某点与其邻域之间的高差不超过给定阈值,则认为该点为地面点,具有最多的地面点的平面看作为地平面,该方法在平坦路面上效果良好,但在起伏较大的路面效果不佳;基于坡度的滤波方法主要为相邻两个地面的坡度通常低于一个地面点和一个非地面点这两点的坡度,如地面点与树木或建筑物的点之间的坡度十分大,故可根据此提取地面点,但该种方法不适用于植被较低的崎岖地形;基于对象的滤波方法利用分类器,根据选取的多种特征如密度、形状等区分地面点和非地面点,同样该种方法不适用于地表变化较大的地区。除此之外,与车载激光雷达比,路侧激光雷达采集形成的点云密度相对较低,则可能导致地面点提取不完全不彻底。
发明内容
针对现有技术的不足,本发明提供了一种基于激光束对地面点云提取的方法,该方法能够成功提取不同坡度条件下的地面点云,提取的地面线对等高线测量、多个路边激光雷达的数据集成和障碍物检测等方面具有重要意义。
为实现上述目的,本发明提供了如下方案:
一种基于激光束的地面点云提取方法,包括:
选择采集场景,架设路侧激光雷达,获取原始点云数据,选定感兴趣区域的点云数据范围,对所述感兴趣区域内的原始点云数据进行预处理操作,得到经过预处理后的点云数据;
将所述经过预处理后的点云数据进行背景滤除操作,得到经过背景滤除后的点云数据;
基于所述经过背景滤除后的点云数据,针对不同激光束获取的点云数据,进行聚类操作和坡度滤除操作,最终得到地面点与非地面点。
优选的,通过在所述选定采集场景的路侧设立三脚架并安装激光雷达,获取所述采集场景中周围环境的三维点云数据;其中,将所述激光雷达设置为每0.1秒采集一帧点云数据。
优选的,将所述三维点云数据进行保存,得到原始点云数据,并将所述原始点云数据保存为相同格式文件,其中,所述文件数据内容包括Location、Count、XLimits、YLimits、ZLimits属性信息。
优选的,根据所述激光雷达具体探测距离参数,确定所选取的空间范围,并对所述相同格式文件中的原始点云数据进行预处理操作。
优选的,对所述空间范围内的点云数据进行栅格化处理,将所述空间范围分为若干个边长为L的小立方体,并将每一小立方体的位置存储在M*M*N的矩阵中,并计算每一小立方体的栅格密度ρi;设置固定密度阈值θ,若ρi>θ,则该小立方体的点云数据为背景点云数据,反之,则小立方体的点云数据为非背景点云数据。
优选的,所述背景点云数据包括建筑物、树木,除所述背景点云数据外的点为非背景点云数据。
优选的,对所述背景点云数据进行激光束聚类,其中,针对同一束激光扫描形成的点云数据,通过DBSCAN算法进行聚类操作,包括:确定DBSCAN算法的参数,包括密度阈值MinPts和最小半径r;将所述点云数据聚类为N个簇,并对其进行编号,此时被聚类的每一个点云n均有一个簇序号,得到所述背景点云数据的聚类分簇。
优选的,在所述背景点云数据的聚类分簇中,对于不同激光束扫描形成的点云数据,基于其坡度大小不同,进行噪声滤波,完成地面点云数据的提取。
本发明的有益效果为:
1、基于路侧激光雷达采集的数据,本发明创新了一种地面线点云提取新方法,该方法通过采集数据、感兴趣区域范围选择、基于栅格的背景滤除、基于激光束聚类和基于坡度滤波实现对地面点云的提取,解决了不同坡度的条件场景下地面点提取不完全不彻底的问题。
2、本发明方法提取的地面线通过构建不规则三角网(TIN)等模型进行栅格化,得到高精度的数字高程模型(DEM)数据,其可用于等高线测量。
3、在对于障碍物检测方面,本发明方法有助于改善地面点对地面以上的障碍物点云聚类的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于激光束的地面点云提取方法流程示意图;
图2为本发明实施例中地面点数量随着距激光雷达VLP-16的距离分布图;
图3为本发明实施例中背景滤除后激光雷达点云数据示意图;
图4为本发明实施例中坡度示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种基于激光束的地面点云提取方法,如图1所示,包括以下步骤:
步骤S1:数据采集。选择采集场景,架设路侧激光雷达,获取原始点云数据;
通过在路侧设立三脚架并安装16线激光雷达VLP-16,获取周围环境大量的、无序的三维点云数据,将该数据传送给笔记本电脑,并将其保存为pcd文件模式。需要注意的是,在设置激光雷达具体参数时,需将其设置为每0.1秒采集一帧的点云数据,形成一个pcd文件。其中,pcd文件数据内容包含Location、Count、XLimits、YLimits、ZLimits等属性信息。如表1为pcd文件数据内容。
表1
步骤S2:感兴趣区域范围选择。对S1采集的原始点云数据进行预处理,选定感兴趣的点云区域范围;
由于激光雷达探测距离有限,根据选定的激光雷达具体探测距离参数,确定所选取的空间范围,并对S1获取的pcd原始点云数据进行初步的预处理。
图2表示地面点数量随着距激光雷达VLP-16的距离分布,95%的地面点位于距离激光雷达不到24.8米的位置,所有地面点位于距离激光雷达不到36.4米的位置,而对于不同地形,60m可包括所有地面点,故在本实施例中选取距离激光雷达60m内的范围作为感兴趣点云范围。
步骤S3:背景滤除。将点云分为静态点云和动态点云,即背景点云和道路使用者的点云,通过对点云空间划分为小正方体和设定密度阈值,对背景点云进行滤除,保留道路使用者的点云;
首先对点云空间栅格化,计算每一立方体的点云密度,设置阈值用以区分背景栅格和非背景栅格,从而实现背景滤除,具体步骤为:
步骤S3-1:定义点云类型。对于获取的原始点云数据,将在不同帧数中位置固定的点称之为背景点,如建筑物、树木等,除背景点外的点,称为移动点;
步骤S3-2:采集点云空间栅格化。将点云空间分为边长为L的小立方体,并将每一小立方体的位置存储在M*M*N的矩阵中,其中:
M=2d/L (1)
N=(H+h)/L (2)
式(1)至式(2)中,M表示水平方向沿某一坐标轴的小立方体的个数,N表示垂直方向小立方体的个数,d表示水平探测范围,H表示激光雷达具体地面的高度,h表示激光雷达竖直方向最大探测高度。
小立方体边长L的大小影响小立方体的个数及其矩阵计算量的大小,L值越大,计算速度则越快,但同时会降低背景滤除的精确性,L越小,会使背景滤除更加精确,但同时又会增加计算机的计算量。故确定小立方体边长大小十分重要,综合考虑计算量与精确性,将小立方体边长大小设置如下:
L=0.1m (3)
步骤S3-3:多帧融合。由于单帧每一小立方体的点的数量少,将采集到的多帧(如1500-3000帧)激光雷达点云进行融合,减少背景点云与非背景点云的识别误差。此时,所有点云的位置等数据均在一个空间中。
步骤S3-4:计算每一个小立方体的点的数量,即计算栅格密度ρi。
步骤S3-5:设置一个固定阈值θ。如果ρi>θ,则认为该小立方体的点云为背景点云,反之,则认为其为非背景点云,经阈值大小比较,即可实现背景滤除。
图3表示经过基于栅格的背景滤除算法后的点云图像,该算法可以精确区分道路使用者的点云和背景点云。
步骤S4:基于激光束聚类。针对同一束激光所扫描的点云数据,依据DBSCAN算法对其进行聚类;
由于在S3中已实现背景点云的提取,但其除了存在地面点、树木和一些建筑物等,还有一些噪声点,为提取地面点,滤除噪声点,对其采用DBSCAN算法进行聚类,具体步骤为:
步骤S4-1:确定滤除方法。对于一束激光对物体扫描形成的点云,其点与点的距离非常接近,故可利用距离特点来对点云进行滤除,DBSCAN是一个比较有代表性的基于密度的聚类算法,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。故选取DBSCAN算法对噪声进行滤除。
步骤S4-2:确定DBSCAN算法的两个参数,密度阈值MinPts和最小半径r。
步骤S4-3:完成聚类,并聚类为N个簇,并对其进行编号,此时被聚类的每一个点云n均有一个簇序号。
n∈(Cluster1,Cluster2,Cluster3…ClusterN) (4)
步骤S5:基于坡度滤波。对于相邻两束激光扫描得到的点云,找到两个激光束中距离最近的两个点,计算两点直线与地面的夹角,并设立一个阈值,用以区分地面点与非地面点。
由于在S4中已完成背景点云的聚类分簇,对于不同激光束,两个地面点的坡度比其他物体点的坡度要小,故其基于坡度进行滤波,具体步骤为:
步骤S5-1:假设有相邻两束激光:Ci和Ci+1,则两束激光的点的最近距离为:
其中,a为激光束Ci采集的点云,b为激光束Ci+1采集的点云,XA,YA,ZA为a的坐标数据,XB,YB,ZB为b的坐标数据。
步骤S5-2:计算AB的坡度值,如下:
坡度示意图如图4所示。
步骤S5-3:给定一坡度阈值θ,如果:
此时基于坡度,完成地面点的提取。
基于路侧激光雷达采集的数据,本发明创新了一种地面线点云提取新方法,该方法通过采集数据、感兴趣区域范围选择、基于栅格的背景滤除、基于激光束聚类和基于坡度滤波实现对地面点云的提取,解决了不同坡度的条件场景下地面点提取不完全不彻底的问题。
本发明方法提取的地面线可用于等高线测量、多个路边激光雷达的数据集成和障碍物检测等方面。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于激光束的地面点云提取方法,其特征在于,包括:
选择采集场景,架设路侧激光雷达,获取原始点云数据,选定感兴趣区域的点云数据范围,对所述感兴趣区域内的原始点云数据进行预处理操作,得到经过预处理后的点云数据;
将所述经过预处理后的点云数据进行背景滤除操作,得到经过背景滤除后的点云数据;
基于所述经过背景滤除后的点云数据,针对不同激光束获取的点云数据,进行聚类操作和坡度滤除操作,最终得到地面点与非地面点。
2.根据权利要求1所述的基于激光束的地面点云提取方法,其特征在于,通过在所述选定采集场景的路侧设立三脚架并安装激光雷达,获取所述采集场景中周围环境的三维点云数据;其中,将所述激光雷达设置为每0.1秒采集一帧点云数据。
3.根据权利要求2所述的基于激光束的地面点云提取方法,其特征在于,将所述三维点云数据进行保存,得到原始点云数据,并将所述原始点云数据保存为相同格式文件,其中,所述文件数据内容包括Location、Count、XLimits、YLimits、ZLimits属性信息。
4.根据权利要求3所述的基于激光束的地面点云提取方法,其特征在于,根据所述激光雷达具体探测距离参数,确定所选取的空间范围,并对所述相同格式文件中的原始点云数据进行预处理操作。
5.根据权利要求4所述的基于激光束的地面点云提取方法,其特征在于,对所述空间范围内的点云数据进行栅格化处理,将所述空间范围分为若干个边长为L的小立方体,并将每一小立方体的位置存储在M*M*N的矩阵中,并计算每一小立方体的栅格密度ρi;设置固定密度阈值θ,若ρi>θ,则该小立方体的点云数据为背景点云数据,反之,则小立方体的点云数据为非背景点云数据。
6.根据权利要求5所述的基于激光束的地面点云提取方法,其特征在于,所述背景点云数据包括建筑物、树木,除所述背景点云数据外的点为非背景点云数据。
7.根据权利要求5所述的基于激光束的地面点云提取方法,其特征在于,对所述背景点云数据进行激光束聚类,其中,针对同一束激光扫描形成的点云数据,通过DBSCAN算法进行聚类操作,包括:确定DBSCAN算法的参数,包括密度阈值MinPts和最小半径r;将所述点云数据聚类为N个簇,并对其进行编号,此时被聚类的每一个点云n均有一个簇序号,得到所述背景点云数据的聚类分簇。
8.根据权利要求7所述的基于激光束的地面点云提取方法,其特征在于,在所述背景点云数据的聚类分簇中,对于不同激光束扫描形成的点云数据,基于其坡度大小不同,进行噪声滤波,完成地面点云数据的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418184.XA CN114063107A (zh) | 2021-11-26 | 2021-11-26 | 一种基于激光束的地面点云提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418184.XA CN114063107A (zh) | 2021-11-26 | 2021-11-26 | 一种基于激光束的地面点云提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114063107A true CN114063107A (zh) | 2022-02-18 |
Family
ID=80276483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111418184.XA Pending CN114063107A (zh) | 2021-11-26 | 2021-11-26 | 一种基于激光束的地面点云提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114063107A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576325A (zh) * | 2024-01-16 | 2024-02-20 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 点云数据处理方法和装置以及点云数据管理系统和方法 |
-
2021
- 2021-11-26 CN CN202111418184.XA patent/CN114063107A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576325A (zh) * | 2024-01-16 | 2024-02-20 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 点云数据处理方法和装置以及点云数据管理系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
CN104463872B (zh) | 基于车载LiDAR点云数据的分类方法 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
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 | |
Chen et al. | Next generation map making: Geo-referenced ground-level LIDAR point clouds for automatic retro-reflective road feature extraction | |
CN110349260B (zh) | 一种路面标线自动提取方法及装置 | |
CN110320504A (zh) | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN106199558A (zh) | 障碍物快速检测方法 | |
KR101822373B1 (ko) | 물체 탐지 장치 및 방법 | |
Ibrahim et al. | Curb-based street floor extraction from mobile terrestrial LiDAR point cloud | |
CN106529431B (zh) | 基于车载激光扫描数据的路坎点自动提取及矢量化方法 | |
CN103500329B (zh) | 基于车载移动激光扫描点云的路灯自动提取方法 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN110532963B (zh) | 一种车载激光雷达点云驱动的道路标线精准提取方法 | |
CN114359876B (zh) | 一种车辆目标识别方法及存储介质 | |
CN112561944A (zh) | 一种基于车载激光点云的车道线提取方法 | |
CN114782729A (zh) | 一种基于激光雷达与视觉融合的实时目标检测方法 | |
CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
WO2023060632A1 (zh) | 基于点云数据的街景地物多维度提取方法和系统 | |
CN114063107A (zh) | 一种基于激光束的地面点云提取方法 | |
CN113721254A (zh) | 一种基于道路指纹空间关联矩阵的车辆定位方法 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 |
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 |