CN114076928A - 用于提取静态对象的轮廓的系统及其方法 - Google Patents
用于提取静态对象的轮廓的系统及其方法 Download PDFInfo
- Publication number
- CN114076928A CN114076928A CN202110802327.0A CN202110802327A CN114076928A CN 114076928 A CN114076928 A CN 114076928A CN 202110802327 A CN202110802327 A CN 202110802327A CN 114076928 A CN114076928 A CN 114076928A
- Authority
- CN
- China
- Prior art keywords
- point
- line
- points
- regression line
- regression
- 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
- 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
- G01S7/4808—Evaluating distance, position or velocity data
-
- 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
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Image Analysis (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
公开了用于提取静态对象的轮廓的系统及其方法。一种用于提取静态对象的轮廓的系统基于互连从激光雷达传感器获得的点的线段之间的角度的连续性来生成回归线,其指示静态对象的边界,移除距离回归线的距离大于或等于特定参考距离的点,以及提取由剩余的有效点组成的轮廓,从而在与静态对象一起被聚集并识别为一个对象的点(例如护栏或建筑物)中移除除了待识别静态对象之外的森林等引起的点,并以高可靠性提取待识别静态对象的轮廓。
Description
相关申请的交叉引用
本申请要求于2020年8月18日在韩国知识产权局提交的第10-2020-0103411号韩国专利申请的优先权,其全部内容通过引用并入本文。
技术领域
本公开涉及用于提取静态对象的轮廓的系统及其方法,并且更具体地,涉及以下技术:从与静态对象一起聚集并识别为一个对象的点中移除由森林等引起的、待识别的静态对象除外的点,并且以高可靠性提取作为识别目标的静态对象的轮廓。
背景技术
通常,光检测和测距(LiDAR,激光雷达)传感器用于使用基于所发射的脉冲激光从周围物体反射并返回所花费的时间,脉冲激光的强度等获得的数据来检测周边事物、地理特征等,并基于其对图像进行建模。
这种激光雷达传感器已经在各种领域中得到了扩展。近年来,激光雷达传感器作为能够起到自动驾驶车辆的眼睛的作用的一项技术已经成为人们关注的焦点。
特别是,它应该能够准确地识别自动驾驶车辆的当前位置。它应该能够根据激光雷达传感器获得的数据获得车辆周围的静态对象(如建筑物或护栏)的信息,并将获得的静态对象的信息与地图上相应区域的建筑物或护栏信息进行比较以准确地识别车辆的位置,建筑物或护栏信息存储在数据库中。
为此,应当准确地识别基于通过激光雷达传感器获得的数据生成的静态对象(例如建筑物)的轮廓。在现有技术中,存在各种尝试来更准确地提取建筑物等的轮廓。
然而,当激光雷达传感器发射脉冲激光以识别诸如建筑物或护栏的静态对象时,激光雷达传感器接收从静态对象周围的诸如树或森林的物体以及诸如建筑物的静态对象反射的脉冲激光。特别是,当木材或森林与静态对象聚集在一起时,树或森林向外突出的区域很有可能被验证为形成静态对象一部分的轮廓。
然而,当树木或森林与静态对象聚集在一起并作为激光雷达传感器的感测数据一起被接收时,仅仅选择和移除树木或森林生成的轮廓或点是不容易的。
因此,由从激光雷达传感器获得的数据提取的轮廓仍然与静态对象自身的轮廓时常不相同。因为这是降低自动驾驶精度的一个因素,所以仍然需要改进它。
此外,静态对象周围的树木或森林会随着时间的推移而生长,或者很容易由于修剪或景观美化工作等外部因素而在大小或形状上发生变化。难以应用在包括这样的树木或森林时的特定时间的图像来基于照片、图像或等精确定位自动驾驶车辆。
因此,仍然需要一种通过只适当地移除由树木或森林偶然生成的点而能够提高基于激光雷达传感器提取的轮廓的可靠性的手段,同时仍然保持用于识别静态对象本身外观的轮廓,树木或森林由激光雷达传感器一起检测到,因为它在静态对象的周围,但不是静态对象本身。
包括在该背景技术部分中的信息仅用于增强对本公开的一般背景技术的理解,并且可以不被认为是对该信息形成本领域技术人员已知的现有技术的确认或任何形式的建议。
发明内容
本公开致力于解决现有技术中出现的上述问题,同时保持了现有技术所实现的优点。
本公开的一方面提供了一种用于提取静态对象的轮廓的系统及其方法,根据将激光雷达传感器获得的指示静态对象边界的点互连的各线段之间的角度的连续性生成回归线,并提取在将距离回归线的距离大于或等于一定参考距离的点移除后留下的有效点组成的轮廓并且以高可靠性提取作为识别目标的静态对象的轮廓,提取在将距离回归线的距离大于或等于一定参考距离的点以在与静态对象(如护栏或建筑物)一起聚集并识别为一个对象的点中移除由森林等引起的除待识别的静态对象之外的点。
本公开要解决的技术问题不限于上述问题,并且本公开所属领域的技术人员将从以下描述中清楚地理解本文未提及的任何其他技术问题。
根据本公开的一个方面,一种用于提取静态对象的轮廓的系统可以包括:回归线生成器,其基于将从光检测和测距(激光雷达)传感器获得的点互连的线段的线性,导出作为点选择标准的回归线;点选择装置,其计算每个点垂直地距离回归线的间隔距离,当间隔距离大于或等于参考距离时,将点分类为移除点,并且当间隔距离小于参考距离时,将点分类为有效点,以及轮廓提取装置,其通过连接除分类的移除点之外的分类的有效点来生成静态对象的轮廓。
在本实施例的实施例中,系统还可以包括回归线候选选择装置,当分别由线段和与线段相邻的另一线段限定的至少两个连续角度大于参考角度时,回归线候选选择装置确定多个连续线段具有线性,并且选择形成多个线段的点作为回归线候选。
在本实施例的实施例中,回归线候选选择装置可以包括线段角度计算装置,其计算由一条线段和与该线段相邻的线段限定的角度;和参考角度比较装置,其选择线段的起点和终点,当确定彼此相邻的线段之间的至少两个连续角度大于参考角度时,线段的线性被连续识别。
在本实施例的实施例中,回归线生成器可以通过最小二乘法来生成回归线,在该回归线中,包括在从起点到终点的回归线候选中的点的误差的平方和为最小。
在本实施例的实施例中,点选择装置可以包括间隔度计算装置和点分类装置,间隔度计算装置获得点在垂直方向上距离回归线的间隔距离,点分类装置将间隔距离大于或等于参考距离时的点分类为移除点,并且将间隔距离小于参考距离时的点分类为有效点。
根据本发明的另一个方面,提取静态对象的轮廓的方法可包括当互连从激光雷达传感器获得的点的线段具有彼此连续连接的线性时,使用形成连续线段的点推导出作为点选择标准的回归线;计算每个点垂直距离回归线的间隔距离,并将间隔距离与参考距离进行比较,以选择要删除的移除点和要保留的有效点,并通过连接剩余的有效点生成静态对象的轮廓。
在本实施例的另一实施例中,该方法可以进一步包括:当至少两个线段具有彼此连续连接的线性时,选择形成连续线段的点作为起点和终点以生成回归线。
在本实施例的另一实施例中,选择形成连续线段的点作为起点和终点可以包括计算彼此相邻的线段之间的角度,并当彼此相邻线段之间的至少两个连续角度均大于参考角度时,确定线段具有相互连续连接的线性,以及选择连续线段的起点和终点作为回归线候选。
在本实施例的另一实施例中,选择要删除的移除点和要保留的有效点可以包括计算间隔距离,即每个点垂直远离回归线的程度,并且将间隔距离大于或等于参考距离时的点分类为移除点,将间隔距离小于参考距离时的点分类为有效点。
附图说明
通过以下结合附图的详细描述,本公开的上述和其他目的、特征和优点将变得更加明显:
图1是示出根据本公开的实施例的用于提取静态对象的轮廓的系统的配置的框图;
图2是示出根据本公开的实施例导出回归线候选的示图;
图3是示出根据本公开的实施例的通过最小二乘法生成的回归线的实例的示图;
图4是示出根据本公开的实施例的将回归线和点之间的距离与参考距离进行比较并选择要移除或添加的点的示图;
图5A和图5B是示出根据本公开的实施例的移除森林以提取建筑物的轮廓的示例性画面;
图6A和图6B是示出根据本公开的实施例的移除森林以提取护栏的轮廓的示例性画面;以及
图7是示出根据本公开的实施例的用于提取静态对象的轮廓的方法的图。
具体实施方式
在下文中,将参考示例性附图详细描述本公开的一些实施例。在将附图标记添加到每个附图的部件中时,应当注意,相同或等同的部件由相同的数字表示,即使它们显示在其他附图上。此外,在描述本公开的实施例时,将排除对公知的特征或功能的详细描述,以免不必要地模糊本公开的要旨。
在描述根据本公开的实施例的部件时,可以使用诸如第一、第二、“A”、“B”、“(a)”、“(b)”等术语。这些术语仅旨在将一个部件与另一个部件区分开,并且这些术语不限制构成部件的性质、顺序或次序。除非另外定义,否则本文使用的所有术语,包括技术或科学术语,具有与本公开所属领域的技术人员通常理解的那些相同的含义。如在通常使用的词典中定义的那些术语应被解释为具有与相关领域中的上下文含义相等的含义,并且不应被解释为具有理想的或过于正式的含义,除非在本申请中清楚地定义为具有这样的含义。
在下文中,将参考图1至图7详细描述本公开的实施例。
图1是示出根据本公开的实施例的用于提取静态对象的轮廓的系统的配置的框图。
参照图1,根据本公开的实施例的用于提取静态对象的轮廓的系统可以包括回归线候选选择装置100,用于在至少两个连续的角度大于参考角度并且多个线段具有互连的线性时,选择形成多个线段的点作为回归线候选,每个连续的角度由互连从光探测和测距(激光雷达)传感器获得的点的线段和与该线段相邻的另一线段限定;回归线生成器200,用于使用形成所选择的回归线候选的点导出作为点选择标准的回归线;点选择装置300,其用于计算从激光雷达传感器获得的点垂直地距离回归线的间隔距离,将间隔距离大于或等于参考距离时的点分类为移除点,并将间隔距离小于参考距离时的点分类为有效点;以及轮廓提取装置400,其用于通过连接除移除点之外的有效点来生成静态对象的轮廓。
在本公开中,回归线候选选择装置100、回归线生成器200、点选择装置300和轮廓提取装置400中的每一个可以是处理器或者集成到一个处理器中,或者更具体地,是诸如电子控制单元(ECU)的控制单元。然而,回归线候选选择装置100、回归线生成器200、点选择装置300以及轮廓提取装置400可以是能够被编程以执行各种功能的任何计算装置,但不限于此。
本公开的实施例可以用于从指示基于从激光雷达传感器获得的数据生成的静态对象的边界的点中移除由静态对象之外的对象引起的点,并且以高可靠性提取静态对象的轮廓。因此,显然,应当基于从激光雷达传感器获得的数据来获得能够辨别待识别的静态对象的边界的点。
在本实施例的实施例中,回归线候选选择装置100可以包括线段角度计算装置110,其计算由一条线段和与一条线段相邻的另一条线段限定的角度;和参考角度比较装置120,其在确定彼此相邻的线段之间的至少两个连续角度大于参考角度时,选择线性被连续识别的线段的起点和终点作为回归线候选。
在这种情况下,线段角度计算装置110可以计算由互连指示要识别的静态对象的外边界的点的线段和与该线段相邻的另一线段限定的角度θ。
因此,如图2所示,线段角度计算装置110可以生成互连由激光雷达传感器获得的点t1至t15(其中每个点在图2中表示为ti)的线段,并且可以计算彼此相邻的线段之间的角度。换言之,线段角度计算装置110可以获得连接点ti-1和ti的线段与该线段相邻的连接点ti和ti+1的段之间的角度θ。
此外,当确定由线段角度计算装置110获得的角度θ连续地大于参考角度时,参考角度比较装置120可以存储角度θ连续地大于参考角度的线段的起点和终点的位置,并且可以选择起点和终点作为回归线候选。
在这种情况下,因为参考角度比较装置120选择能够生成回归线的点,所以可以设置参考角度以确定线段的连续连接是否具有线性,回归线是移除由静态对象之外的森林等突出的部分引起的点的标准。
因此,在图2所示的实施例中,由于选择回归线候选的参考角被设定为170°,因此仅在线段之间的角度大于170°且小于或等于180°时,能够包括形成线段的点。然而,明显的是,参考角度的值不限于这样的特定值,并且能够以各种方式设定在能够被确定为中间不弯曲的直线的范围(例如,160°至180°的范围)内。
换言之,参考角度比较装置120可以在指示静态对象的外边界的点中选择能够被视为直线的连续性地设置的起点和终点。
参照图2,为了便于视觉区分,用于选择作为回归线候选的点的参考角度设定在大于170°时,并且在大于170°时将线段之间的角度表示为粗半圆曲线,并且在小于或等于170°时将线段之间的角度表示为细半圆曲线。
当相对于第i点ti+1的两侧的线段之间的角度大于参考角度170°时,图1的参考角度比较装置120可选择第i-1点ti作为起点StartIdx,其是包括第i点ti+1的线段的起点。当相对于第j点tj+1的两侧的线段之间角度小于或等于170°并且当在第j点tj+1之前存在起点StartIdx时,参考角度比较装置120可选择第j点tj+1作为终点EndIdx。
因此,如图2所示,因为在点t2处的线段之间的角度大于170°,所以参考角度比较装置120可以选择点t1作为起点StartIdx,其是包括点t2的线段的起点。验证在点t3处的线段之间的角度大于170°,并且连续地继续大于或等于参考角度。然而,因为线段之间的角度大于参考角度,所以参考角度比较装置120可不选择点t3作为终点。因为在点t4处的线段之间的角度小于或等于170°并且因为在点t4之前存在作为起点StartIdx的点t1,所以参考角度比较装置120可以选择点t4作为终点EndIdx。
因为在所有点t5至t11处的线段之间的角度小于或等于170°,所以这些点可以不被选择作为回归线候选。然而,因为在点t12处的线段之间的角度大于170°,所以参考角度比较装置120可以选择点t11作为起点StartIdx,其是包括点t12的线段的起点。因为在点t13处的线段之间的角度小于或等于170°并且因为在点t13之前存在点t11作为起点StartIdx,所以参考角度比较装置120可以选择点t13作为终点EndIdx。
因此,在图2中,可以看出,能够选择由点t1、t2、t3和t4构成的第一回归线候选和由点t11、t12和t13构成的第二回归线候选,并且它们用方框围绕表示。这样,在图2的下部示出了在所选择的两个回归线候选中起点StartIdx被选为点t1或t11并且终点EndIdx被选为点t4或t13。
图1的回归线生成器200可使用包括在由参考角度比较装置120选择的回归线候选中的点来生成回归线,回归线是点移除和添加的标准。
回归线生成器200可以通过最小二乘法生成回归线,该最小二乘法用于通过最小化从激光雷达传感器实际获得的点的位置的平方偏差的和以及理论上假定的期望值来估计参数。这样,因为通过最小二乘法最小化平方偏差的和是用于在数据被分布的情况下寻找直线的最适合的方法,所以优选地生成用于确定通过激光雷达传感器获得的点是否通过这样的最小二乘法被分布的回归线。
因此,如图3所示,回归线生成器200可以通过等式1至3执行计算以获得系数a0和a1,以寻找直线(y=a1*x+a0),其中,具有包括在从起点StartIdx到终点EndIdx的相应回归线候选中的点的误差Error(Ei)的平方和S变为最小。
在这种情况下,由于每个点的位置被表示为(xi,yi),回归线生成器200可能获得误差(Ei=yi-a1*xi-a0),其表示作为回归线候选的任何点ti离开回归线的程度,并可能获得针对形成如下等式1的回归线候选的所有点获得的误差Ei的平方和S。
[等式1]
此后,回归线生成器200可以如下面的等式2那样对系数a0和a1中的每一个的误差的平方和S进行微分,使得由上面的等式1获得的误差的平方和变为最小,并且可以如下面的等式3那样获得a0和a1,使得值变为“0”。
[等式2]
[等式3]
这样,回归线生成器200可以导出具有获得的系数a0和a1的直线作为由回归线候选生成的回归线。如图2和图3中的虚线所示,当回归线被表示为形成每个回归线候选的起点和终点上方的长直线时,图1的点选择装置300可以测量用于确定每个点与回归线垂直间隔开的程度的距离。
这样的回归线可以与起点和终点都接触,并且因为回归线是误差的平方和变得最小的直线,如图3所示,显然回归线可以不与起点和终点直接接触。
此外,点选择装置300可以包括间隔度计算装置310,用于获得点垂直地距离回归线的间隔距离,和点分类装置320,用于将间隔度计算装置310得到的间隔距离大于或等于参考距离时的点分类为移除点,将间隔度计算装置310得到的间隔距离小于参考距离时的点分类为有效点。
在这种情况下,间隔度计算装置310可以计算从激光雷达传感器获得的每个点与回归线垂直地间隔开的程度,以获得与回归线的间隔距离。
在这种情况下,间隔度计算装置310可以获得分别距离由回归线生成器200生成的所有回归线的所有间隔距离,以及距离任何一条回归线的间隔距离。
这样,间隔度计算装置310可以获得距离两条回归线的所有间隔距离,以便在选择要移除的点时,在该点与一条回归线间隔开大于参考距离以及与另一条回归线间隔开小于参考距离时,将该点保持为有效点,从而选择有效点,而不考虑点的选择顺序或方向。
因此,如图4所示,间隔度计算装置310可以从由点t11至t13生成的第二回归线以及从点t5处由t1至t4生成的第一回归线获得间隔距离。在图4中,与每条回归线的间隔距离被表示为从对应点到每条回归线垂直延伸到达的虚线。
此外,点分类装置320可以将由间隔度计算装置310获得的间隔距离大于或等于预定参考距离时的对应点分类为移除点,并且可以将由间隔度计算装置310获得的间隔距离小于预定参考距离时的点分类为有效点。
为此,在该实施例中,用于确定是否移除该点的参考距离被设置为0.6m。然而,参考距离不限于实施例的设定值,可以设定为各种值(例如,0.3m至1.0m)以高可靠性地提取轮廓。
在这种情况下,点分类装置320可以将每个点距离多条回归线的每个间隔距离与参考距离进行比较,并且将距多条回归线中的任一条的间隔距离小于参考距离的点分类为有效点。因此,与图4所示的点t10一样,因为与由点t11至t13生成的回归线的间隔距离大于或等于参考距离,但是因为与由点t1至t4生成的回归线的间隔距离小于参考距离,所以点t10可以被分类为有效点,以用作形成静态对象的轮廓的一个元素。
如图4中的原点(原始点)所示,点t1至t15中被确定为与回归线的距离大于或等于参考距离的t5至t9点和t14点可归类为要移除的移除点(值表示为“0”),并且可以将与两条回归线中的任一条的距离小于参考距离的点t1至t4、点t10、点t11至t13和点t15分类为有效点(每个点的位置保持不变)。
例如,由于仅收集被点分类装置320分类为移除点和有效点之后的有效点,如图4中的回归后所示,可以获得仅由点t1至t4、点t10、点t11至t13和点t15组成的新点。
此外,图1的轮廓提取装置400可以通过仅连接在通过点分类装置320移除回归线隔开大于参考距离的点之后剩余的有效点来提取轮廓。
这样的轮廓提取装置400可以在顺序连接剩余的有效点的同时提取开始于第一点并结束于最后一点的轮廓。
这样,轮廓提取装置400可在基于与估计为静态对象的主轮廓的回归线的间隔度移除由突出到静态对象外部的森林、树等获得的点之后,提取轮廓,从而以更高的可靠性提取轮廓。
本公开的实施例应用于提取诸如建筑物或护栏的大的静态对象的轮廓,其不应该影响对诸如车辆的动态对象的确定。
因此,优选地将具有大尺寸的物体确定为点,以使得由激光雷达传感器获得的尺寸能够排除诸如车辆之类的动态对象。
此外,本公开的实施例基于回归线移除由除了待识别的静态对象之外的诸如森林的对象突出并识别的点,相比于具有曲线形式的特性的对象更适于提取直线形式的对象的轮廓。因此,为了根据本公开的实施例生成回归线并选择点,更适合的是,用于生成回归线的轮廓点在数量上是多个。
在本公开的实施例中,对象的最小尺寸设置为13m,并且用于生成回归线的轮廓点的最小数量设置为3。然而,显然,对象的最小尺寸和轮廓点的最小数目不限于实施例,且可取决于待确定的状况而自由地增加和减少。
下面参见图5A至图6B,给出了根据本公开的实施例的以高可靠性提取静态对象的轮廓的实例的描述。图5A和图5B是示出根据本公开的实施例的移除森林以提取建筑物的轮廓的示例性画面。图6A和图6B是示出根据本公开的实施例的移除森林以提取护栏的轮廓的示例性画面。
由于在图5A和图5B中,建筑物和森林聚集在一起而被识别为一个对象,如图5A所示,说明了校正前的状态,因此可以在包括建筑物前面的森林的状态下提取轮廓。然而,当根据本公开的实施例移除与回归线间隔开参考距离以上的点(由图5A中的黄色虚线圆圈表示)时,如图5B所示,说明了校正后的状态,可以提取其中移除了由森林突出并识别的区域的高可靠性的轮廓。
此外,由于在图6A和图6B中,护栏和森林聚集在一起而被识别为一个对象,如图6A所示,说明了校正前的状态,因此可以在包括护栏旁的森林的状态下提取轮廓。然而,当根据本公开的实施例仅使用在移除与回归线间隔开参考距离以上的点(由图6A中的黄色虚线圆圈表示)之后保留的有效点来提取轮廓时,如图6B所示,示出了校正后的状态,可以提取移除由森林突出并识别的区域的高可靠性的轮廓。
接下来,将描述根据本公开的另一实施例的用于提取静态对象的轮廓的方法。图7是示出根据本公开的另一实施例的用于提取静态对象的轮廓的方法的示图。
参照图7,根据本公开的另一实施例的用于提取静态对象的轮廓的方法可以包括:选择(S10)形成连续线段的点作为起点和终点以生成回归线,当将从激光雷达传感器获得的点互连的至少两个线段具有彼此连续连接的线性时,使用起点和终点导出(S20)回归线,其为分类移除点和有效点的选择标准,计算(S30)从激光雷达传感器获得的点垂直地距离回归线的间隔距离,并将该间隔距离与参考距离进行比较以选择要删除的移除点和要保留的有效点,以及通过连接剩余的有效点来生成(S40)静态对象的轮廓。
步骤S10可以包括计算(S11)彼此相邻的线段之间的角度θ,并且当线段之间的计算出的至少两个连续角度θ大于参考角度时,确定(S12)线段具有彼此连续连接的线性,并且选择连续线段的起点和终点作为回归线候选。
步骤S11可以是计算由将点和与该点相邻的点互连的线段和与该线段相邻的另一线段限定的角度θ,其被获得为指示由激光雷达传感器检测到的静态对象的外边界。因此,在S11中,可以计算由连续互连点的线段限定的所有角度以获得其值。
步骤S12可以是提取连续连接的部分,同时保持互连多个点的多个线段之间的线性。
在S12中,可以将线段之间的角度θ与参考角度进行比较。当至少两个连续的角度大于参考角度时,在保持角度θ大于参考角度的状态下连接的第一线段中的起点的位置和最后一条线段中的终点的位置可以被存储,并且可以选择起点和终点作为回归线候选。
本实施例将参考角度设置为170°,并判断线段之间的角度θ是大于还是小于或等于参考角度,以确定线段的线性是否得到保持。然而,显然,不限于在各种可设定值(例如,属于160°至180°范围的值)中选择作为实施例的参考角度的特定值。
步骤S20可以是导出直线(y=a1*x+a0),其中,通过最小二乘法,位于起点和终点之间的点的误差Ei的平方和S变为最小。在这种情况下,如上所述,回归线的系数a0和a1可以通过执行等式1至3的计算来获得。
步骤S30可以包括计算(S31)作为从激光雷达传感器获得的每个点垂直地距离回归线的程度的间隔距离,并且当间隔距离大于或等于参考距离时,将点分类(S32)为移除点,并且当间隔距离小于参考距离时,将点分类为有效点。
步骤S31可以是计算从激光雷达传感器获得的每个点垂直地距离回归线的程度,以计算距离回归线的间隔距离。
在这种情况下,在S31中,可以计算各点距在S20中生成的所有回归线的所有间隔距离。
步骤S32可以是将间隔距离与预定的参考距离进行比较,当点的间隔距离大于或等于参考距离时,将该点分类为要移除的移除点,并且当点的间隔距离小于参考距离时,将该点分类为有效点以将该点包括在静态对象的轮廓中。
在这种情况下,本实施例将用于确定是否移除点的参考距离设置为0.6m,并且基于间隔距离是大于或等于0.6m还是小于0.6m来移除点。然而,不限于在各种可设定值(例如,属于0.3m至1.0m范围的值)中选择作为实施例的参考距离的特定值。
步骤S32可以是将每个点距离多条回归线的每个间隔距离与参考距离进行比较,并且将距多条回归线中的任一个的间隔距离小于参考距离时的点分类为有效点。因此,有效点可准确地保留而不受将点与回归线进行比较的顺序或方向的影响。
步骤S40可以是形成在第一点开始并在最后一点结束的线,同时顺序地连接剩余的有效点以提取待识别的静态对象的轮廓。
这样,本公开的实施例可以使用形成线性被连续地保持的线段的点来生成回归线,根据每个点与回归线的间隔程度来分类为移除点和有效点,并且可以通过仅连接剩余的有效点来提取静态对象的轮廓。
因此,本公开的实施例可以选择性地移除由伸出到外部的森林或树木生成的点,并降低静态对象自身的轮廓的线性,从而以更高的可靠性提取静态对象的轮廓。
本公开的实施例可以根据与从线段的线性估计的回归线的间隔度来移除由伸出到静态对象外部的森林等生成的点,从而以更高的可靠性提取静态对象的轮廓。
此外,可以提供通过本公开直接或间接确定的各种效果。
在上文中,尽管已经参考示例性实施例和附图描述了本公开,但是本公开不限于此,而是可以由本公开所属领域的技术人员在不脱离所附权利要求书中要求保护的本公开的精神和范围的情况下进行各种修改和改变。
因此,提供本公开的示例性实施例以解释本公开的精神和范围,但不限制它们,使得本公开的精神和范围不受实施例的限制。本公开的范围应当基于所附权利要求来解释,并且与权利要求等同的范围内的所有技术构思应当包括在本公开的范围内。
Claims (20)
1.一种用于提取静态对象的轮廓的系统,所述系统包括:
回归线生成器,配置成基于将由光检测和测距传感器获得的点互连的线段的线性,导出作为点选择标准的回归线;
点选择装置,配置成:
计算每个点垂直距离所述回归线的间隔距离,
当所述间隔距离大于或等于参考距离时,将所述点分类为移除点,以及
当所述间隔距离小于所述参考距离时,将所述点分类为有效点;以及
轮廓提取装置,配置成通过连接除分类的所述移除点之外的分类的所述有效点来生成所述静态对象的所述轮廓。
2.根据权利要求1所述的系统,进一步包括回归线候选选择装置,所述回归线候选选择装置配置成:
当各自由线段和与所述线段相邻的另一线段限定的至少两个连续角度大于参考角度时,确定多个连续线段具有线性,以及
选择形成所述多个连续线段的点作为回归线候选。
3.根据权利要求2所述的系统,其中,所述回归线候选选择装置包括:
线段角度计算装置,配置成计算由一条线段和与该一条线段相邻的另一线段限定的角度;以及
参考角度比较装置,配置成当确定各自在彼此相邻的线段之间的至少两个连续角度大于所述参考角度时,选择线性被连续识别的线段的起点和终点作为所述回归线候选。
4.根据权利要求3所述的系统,其中,所述参考角度比较装置将所述参考角度设定在160°至180°的范围内。
5.根据权利要求3所述的系统,其中,所述参考角度比较装置:
当在相对于第i点的两侧的线段之间的角度大于所述参考角度时,选择第i-1点作为起点,所述第i-1点是包括所述第i点的线段的起点,以及
当在相对于第j点的两侧的线段之间的角度小于或等于所述参考角度时,以及当在所述第j点之前存在所述起点时,选择第j点作为终点。
6.根据权利要求3所述的系统,其中,所述回归线生成器通过最小二乘法生成所述回归线,在所述回归线上,包含在从所述起点到所述终点的所述回归线候选中的点的误差的平方和为最小。
7.根据权利要求3所述的系统,其中,所述点选择装置包括:
间隔度计算装置,配置成获得每个点垂直地距离所述回归线的所述间隔距离;以及
点分类装置,配置成:
当所述间隔距离大于或等于所述参考距离时,将所述点分类为所述移除点,以及
当所述间隔距离小于所述参考距离时,将所述点分类为所述有效点。
8.根据权利要求7所述的系统,其中,所述间隔度计算装置获得每个点距离由所述回归线生成器生成的所有回归线的各个间隔距离。
9.根据权利要求8所述的系统,其中,所述点分类装置将与任一条所述回归线的所述间隔距离小于所述参考距离时的点分类为所述有效点。
10.根据权利要求7所述的系统,其中,所述点分类装置将所述参考距离设定在0.3m至1.0m的范围内。
11.一种用于提取静态对象的轮廓的方法,所述方法包括:
当互连从激光雷达传感器获得的点的线段具有连续地彼此连接的线性时,使用形成连续线段的所述点导出作为点选择标准的回归线;
计算各点垂直距离所述回归线的间隔距离,并将所述间隔距离与参考距离进行比较以选择要删除的移除点和要保留的有效点;以及
通过连接剩余的所述有效点生成所述静态对象的所述轮廓。
12.根据权利要求11所述的方法,进一步包括当至少两个线段具有连续地彼此连接的线性时,在形成连续线段的所述点中选择点作为起点和终点以生成所述回归线。
13.根据权利要求12所述的方法,其中,选择形成所述连续线段的所述点作为所述起点和所述终点包括:
计算彼此相邻的线段之间的角度;以及
当各个在彼此相邻的所述线段之间的至少两个连续角度大于参考角度时,确定所述线段具有彼此连续连接的线性,并且选择所述连续线段的起点和终点作为回归线候选。
14.根据权利要求13所述的方法,其中,选择所述连续线段的所述起点和所述终点作为所述回归线候选是将所述参考角度设定在160°至180°的范围内。
15.根据权利要求13所述的方法,其中,选择所述连续线段的所述起点和所述终点作为所述回归线候选是当在相对于第i点的两侧的线段之间的角度大于所述参考角度时,选择第i-1点作为起点,所述第i-1点是包括第i点的线段的起的,以及当在相对于第j点的两侧的线段之间的角度小于或等于所述参考角度时并且在所述第j点之前存在所述起点时,选择所述第j点作为终点。
16.根据权利要求13所述的方法,其中,导出所述回归线是通过最小二乘法生成所述回归线,在所述回归线上,包含在从所述起点到所述终点的所述回归线候选中的所述点的误差的平方和为最小。
17.根据权利要求13所述的方法,其中,选择要删除的所述移除点和要保留的所述有效点包括:
计算作为每个点垂直距离所述回归线的程度的所述间隔距离;当所述间隔距离大于或等于所述参考距离时,将所述点分类为所述移除点;以及
当所述间隔距离小于所述参考距离时,将每个点分类为所述有效点。
18.根据权利要求17所述的方法,其中,计算所述间隔距离是计算其中每个点距离所有回归线的所有间隔距离。
19.根据权利要求17所述的方法,其中,将每个点分类为所述有效点是在距任何一条回归线的所述间隔距离小于所述参考距离时将每个点分类为所述有效点。
20.根据权利要求17所述的方法,其中,将每个点分类为所述有效点是将所述参考距离设置在0.3m至1.0m的范围内。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2020-0103411 | 2020-08-18 | ||
KR1020200103411A KR20220022345A (ko) | 2020-08-18 | 2020-08-18 | 정적 객체의 외곽선 추출 시스템 및 그 추출 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114076928A true CN114076928A (zh) | 2022-02-22 |
Family
ID=80112900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110802327.0A Pending CN114076928A (zh) | 2020-08-18 | 2021-07-15 | 用于提取静态对象的轮廓的系统及其方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11922670B2 (zh) |
KR (1) | KR20220022345A (zh) |
CN (1) | CN114076928A (zh) |
DE (1) | DE102021118209A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994638A (zh) * | 2022-08-04 | 2022-09-02 | 之江实验室 | 一种基于椭圆包络曲线集自动驾驶汽车障碍物识别方法 |
-
2020
- 2020-08-18 KR KR1020200103411A patent/KR20220022345A/ko active Search and Examination
-
2021
- 2021-07-01 US US17/365,271 patent/US11922670B2/en active Active
- 2021-07-14 DE DE102021118209.3A patent/DE102021118209A1/de active Pending
- 2021-07-15 CN CN202110802327.0A patent/CN114076928A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994638A (zh) * | 2022-08-04 | 2022-09-02 | 之江实验室 | 一种基于椭圆包络曲线集自动驾驶汽车障碍物识别方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20220022345A (ko) | 2022-02-25 |
US11922670B2 (en) | 2024-03-05 |
US20220058421A1 (en) | 2022-02-24 |
DE102021118209A1 (de) | 2022-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5838901B2 (ja) | 物体識別装置及び物体識別方法 | |
JP6760114B2 (ja) | 情報処理装置、データ管理装置、データ管理システム、方法、及びプログラム | |
JP6682833B2 (ja) | 物体認識アルゴリズムの機械学習のためのデータベース構築システム | |
KR101784611B1 (ko) | 라이다 센서 및 레이더 센서를 이용한 사람 탐지 장치 및 방법 | |
US8994823B2 (en) | Object detection apparatus and storage medium storing object detection program | |
CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN107909047B (zh) | 一种汽车及其应用的车道检测方法及系统 | |
JP4561346B2 (ja) | 車両運動推定装置及び移動体検出装置 | |
JP2002175535A (ja) | 道路白線認識装置 | |
KR102456626B1 (ko) | 자율 주행 차량의 차선 인지 방법 및 장치 | |
US20180144207A1 (en) | Pedestrian detection device and pedestrian detection method | |
JP6717240B2 (ja) | 物標検出装置 | |
JP2010218246A (ja) | 物体識別装置 | |
KR102146175B1 (ko) | 센서, 제어 장치, 운전자 보조 시스템, 및 자동차를 사용하는 간접 측정에 의해 자동차 주위에서 하나 이상의 물체의 검출을 향상시키는 방법 | |
CN111723724A (zh) | 一种路面障碍物识别方法和相关装置 | |
CN113298026A (zh) | 车道线确定方法和系统、车辆以及存储介质 | |
US20230111364A1 (en) | Method for detecting crosswalk using lidar sensor and crosswalk detection device for performing the method | |
CN114076928A (zh) | 用于提取静态对象的轮廓的系统及其方法 | |
US11861914B2 (en) | Object recognition method and object recognition device | |
US11156466B2 (en) | Lane determination device | |
KR20060056949A (ko) | 2개의 컨투어의 근접성을 측정하는 방법 및 타겟의 자동식별용 시스템 | |
US20220171061A1 (en) | Apparatus and method for recognizing high-elevation structure using lidar sensor | |
KR102283053B1 (ko) | 영상 기반 객체 검출 정보를 이용한 실시간 다중 클래스 다중 객체 추적 방법 | |
CN114675283A (zh) | 对象跟踪方法和装置及存储执行该方法的程序的记录介质 | |
JP6986557B2 (ja) | 測定装置、測定方法およびプログラム |
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 |