CN114119998B - 一种车载点云地面点提取方法及存储介质 - Google Patents
一种车载点云地面点提取方法及存储介质 Download PDFInfo
- Publication number
- CN114119998B CN114119998B CN202111453859.4A CN202111453859A CN114119998B CN 114119998 B CN114119998 B CN 114119998B CN 202111453859 A CN202111453859 A CN 202111453859A CN 114119998 B CN114119998 B CN 114119998B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- ground
- section
- road
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000008520 organization Effects 0.000 claims abstract description 13
- 238000007670 refining Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及移动激光雷达数据处理技术领域,具体涉及一种车载点云地面点提取方法及存储介质,其中方法包括:S1、基于轨迹对点云进行断面分割,建立单线和多线点云数据均能适用的有序化组织算法;S2、基于断面内点云的几何特征差异,逐个断面运用移动最小二乘法提取道路面作为地面点自动提取的种子平面;S3、根据相邻断面的同类目标点云的相似几何特征,使用移动最小二乘法优化道路边界,并将道路边界作为后续地面滤波的种子点;S4、通过逐断面建立柱坐标系,分析剩余非道路面点云的分布规律和几何特征,通过约束断面内点云的几何特征提取并精化地面点。本发明解决了车载LiDAR点云地面点提取方法精度低、速度慢、适用性差的技术问题。
Description
技术领域
本发明涉及移动激光雷达数据处理技术领域,具体涉及一种车载点云地面点提取方法及存储介质。
背景技术
车载LiDAR(Light Detection And Ranging)作为新型空间信息获取技术,具备速度快、获取信息丰富、精度高、实效性好等特点,广泛应用于新型测绘、道路清查、道路信息提取和智慧交通等领域。
车载LiDAR技术采用高精度GNSS/IMU组合导航定位系统直接定位,集成激光扫描仪采集、记录地物表面几何和强度信息。在车载平台移动过程中,车载LiDAR系统实时采集、传输、记录、存储地物表面距离、角度几何和反射强度信息,以及含位置和姿态的轨迹数据,后期通过解译两类数据计算出带有地理参考的点云数据。激光扫描仪是集成车载LiDAR系统的核心硬件,通常高精度的单线激光扫描仪系统采集的地物点云内部—致性更好,且扫描线间排列规则、地形剖面特征明显;而低精度的多线激光扫描仪采集的点云内部一致性较差,且扫描线存在交错重叠、地形剖面特征不明显。
对于车载LiDAR点云数据的地面滤波(从海量点云提取地面点)来说,传统激光点云地面滤波虽然发展成熟,但是仍然存在以下几点问题:第一,车载LiDAR点云数据量大、局部信息丰富,数据密度受到测距与车载平台行进速度的影响,容易造成点云数据分布不均匀;第二,数据获取平台更贴近地面导致地物多尺度性,使处于不同空间位置的相同目标表面的点云分布亦具有几何特征差异;第三,地物遮挡引起车载点云数据出现数据缺失,数据的不完整性与信息的不连续性造成地面滤波精度不理想;第四,多线激光扫描系统获取的点云扫描线排列不规则且存在重叠,地形特征表现不直观。基于此,车载LiDAR点云地面滤波难以满足高效、准确的地面滤波需求,容易降低整体数据处理的效率以及地面点识别与分类的精度。
发明内容
本发明提供一种车载点云地面点提取方法及存储介质,解决了现有地面点提取方法精度低、速度慢、适用性差的技术问题。
本发明提供的基础方案为:一种车载点云地面点提取方法,包括:
S1、基于轨迹对点云进行断面分割,建立单线和多线点云数据均能适用的有序化组织算法;
S2、基于断面内点云的几何特征差异,逐个断面运用移动最小二乘法提取道路面作为地面点自动提取的种子平面;
S3、根据相邻断面的同类目标点云的相似几何特征,使用移动最小二乘法优化道路边界,并将道路边界作为后续地面滤波的种子点;
S4、逐断面构建柱坐标系,结合直角坐标系获取点云在不同坐标系下的属性信息,构建几何特征向量,分析剩余非道路面点云的分布规律和几何特征,通过约束断面内点云的几何特征提取并精化地面点。
本发明的工作原理及优点在于:
(1)通常,单线激光扫描仪采集的单线点云数据的内部—致性好,与之相反,多线激光扫描仪采集的多线点云数据内部一致性较差。就现目前来说,若要获得一致性高的点云数据就只能采用单线激光扫描仪,但就单线采集来说,单线激光扫描仪所采集的单线点云数据必然少于多线激光扫描仪;反之,若要单线采集获得更多的点云数据,只能采用多线激光扫描仪,但获得的多线点云数据一致性相对要差一些。鉴于此,在本方案中,基于轨迹对点云进行精确地断面分割,分割的准确度与精确性都更高,这样建立的有序化组织算法能够同时适用单线和多线点云数据:对于单线激光扫描仪所采集的单线点云数据来说,由于进行了有序化处理,提高了点云数据的密度,在保证一致性的同时,也保证了点云数据的数量;对于多线激光扫描仪所采集的多线点云数据来说,由于进行了精确分割,划分了点云数据的边界,在保证点云数据的数量的同时,也保证了点云数据的一致性;故而,能够提高有序化组织算法的通用性。
(2)对于点云数据的滤波来说,采用最小二乘法从海量的点云数据中提取地面点是比较成熟的做法,由于点云数据的不均匀性,从提高的滤波精度来说,目前都是通过分段的思路来保证精度,但车载LiDAR点云数据具有不同于一般点云数据的特点,也即,点云数据的数据密度受到测距与车载平台行进速度的影响,使处于不同空间位置的点云数据的分布具有几何特征差异,比如地物遮挡会引起车载点云数据出现缺失,造成数据的不完整性与信息的不连续性。本方案考虑到不同空间位置的相同目标表面的点云分布具有几何特征差异,运用移动最小二乘法提取道路面时,基于断面内点云的几何特征差异进行的,由于最小二乘法是数学优化技术,通过最小化误差的平方和寻找数据的最佳函数匹配,实质上考虑了断面内点云的几何特征差异,使得提取的道路面的范围尽可能小,能够减少后续参与点云滤波的数据量,即使是数据密度受到测距与车载平台行进速度的影响,但是由于所提取的道路面的相对较小,不容易造成点云数据分布不均匀。
(3)同样的,由于点云数据的数据密度受到测距与车载平台行进速度的影响,使处于不同空间位置的点云数据的分布具有几何特征差异,使用移动最小二乘法优化道路边界时,是根据相邻断面的同类目标点云的相似几何特征进行优化的,并将道路边界作为后续地面滤波的种子点,由于根据相似几何特征可以精确地划定道路边界,避免了道路边界不准确造成数据的不完整性与信息的不连续性,能够提高地面点提取的精度;与此同时,优化后的道路边界既不会“过小”也不会“过大”,而是刚好合适的,不会“过小”能够避免道路边界数据缺失,获得了较为完整的城市道路信息,进而能够适用于不同场景以及不同地形情况的地面点提取,同时,不会“过大”能够防止提取道路边界之外的无关的数据,进而减少了数据量,提高了数据处理精度、速度和效率;这样的过程并不需要人工进行干预,进而减少了人工干预误差。而且,由于柱坐标系是逐断面构建的,通过构建几何特征向量分析剩余非道路面点云的分布规律和几何特征,并通过约束断面内点云的几何特征提取并精化地面点,进一步使得无序离散的车载点云数据有序化,能够不受扫描线排列结构的影响,无论是单线或多线的车载LiDAR系统的点云数据,均可获取直观的点云剖面信息,提高了适用性。
本发明运用移动最小二乘法提取道路面和优化道路边界,以及逐断面构建柱坐标系以构建几何特征向量,进而分析剩余非道路面点云的分布规律和几何特征,解决了现有地面点提取方法精度低、速度慢、适用性差的技术问题。
进一步,S1中,基于轨迹对点云进行断面分割之前,通过KD-Tree对所有点云进行最近邻搜索,对点云中的高程异常点进行离群点滤除,得到离群点去噪后的点云,并对离群点去噪后的点云进行复杂轨迹简化,得到简化后的轨迹信息。
有益效果在于:KD-Tree,也即k-dimensional树,是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构,高程异常过滤无关数据,为达到轨迹时间与点云时间的逐个相互对应创造基础,有利于提高数据的有序化,便于建立有序化组织算法。
进一步,S1中,根据简化后的轨迹信息拟合轨迹直线,拟合公式如下,
式中k为轨迹拟合系数,b为轨迹拟合常数;
获取POS高度POSh,根据数学投影法则将点云投影到轨迹直线上,并计算每个点在直线上的垂足;
根据实际道路的路况设置宽度阈值Widththreshold作为断面分割的间隔值,得到点云数据的间距interval,interval的计算公式如下,
式中,Dlength为点云总长度。
有益效果在于:由宽度阈值划分后,可将点云数据表现为等间距二维平面的集合,进而实现有序化。
进一步,S2中,任意点在任意时刻的轨迹数据为dmin为距离阈值,Δt为时间值,如果[t0-Δt,t0+Δt]范围内距离(x0,y0)的平面距离小于dmin的点云有N个,轨迹到道路面之间的平均高程差POSh的计算公式如下,
式中,POSh为平均高程差。
有益效果在于:道路面生长的种子点选取非常关键,在每个断面中,轨迹必然在道路面上,轨迹正下方的最低点必为道路面点云,这样可以很容易的从断面中检索出时间为[t0-Δt,t0+Δt]范围内的所有点云。
有益效果在于:可以使轨迹到道路面之间的高程差更加的准确,降低统计误差。
进一步,S2中,对于断面中的任意点P在任意时刻t的轨迹数据为通过移动最小二乘法窗口结合提取每条断面中的道路面点云,如果点的平面坐标满足公式和|Z-Zt-H|<Hthreshold,则点P为道路面点云,其中,dmin为距离阈值,Hthreshold为高程差阈值。
有益效果在于:通过移动最小二乘法窗口提取每条断面中的道路面点云,既可以防止遗漏,又可以避免提取无关数据,这样可以精确地提取每条断面中的道路面点云。
进一步,S3中,判别道路边界点的几何特征约束的条件,如下式,
式中,Slope为城市道路的路坎坡度值,范围为Slope∈[60°,90°],H为高程差异,范围为10cm≤H≤20cm,Slopemin和Slopemax分别为最小坡度和最大坡度值,Hi为连续两点之间的高程差,Hmin和Hmax分别为最小高程差和最大高程差。
有益效果在于:在道路面提取的基础上,将道路边界从道路区域中进行提取,通过分析道路边界的几何特征以及道路边界与邻接路面之间的空间分布关系,能够精确地对道路边界点进行几何特征分析。
进一步,S4中,逐断面构建柱坐标系计算几何特征,将第一个断面作为参考平面γ,将点云范围内的第一个轨迹点作为局部极坐标系的参考坐标原点O'(x'0,y'0,z'0),对于点云中的任意点P(x,y,z,t)在柱坐标系的坐标可通过在P点所在的垂直于轨迹的断面相对于参考平面的相对位置获得,点P(x,y,z,t)在柱坐标系中的径向距离ρ和极角P点在由轨迹直线确定的L轴方向上参考坐标原点间的距离累加值为P在柱坐标系内的纵向距离d,计算公式如下,
有益效果在于:理论上讲,同一条道路横断面上地面点的径向距离变化是有规律的,这样得到的点云的柱坐标系的物理意义是直接的、直观的,当障碍物存在时,径向距离发生变化,如果地物遮挡引起车载点云数据出现数据缺失,造成数据的不完整性与信息的不连续性,可以通过径向距离的变化及时发现。
进一步,S4中,在柱坐标系的基础上,结合空间直角坐标系利用空间领域关系对地面点提取的方向进行定义,原点为道路面种子点通过从柱坐标系原点出发向两侧非地面点进行逐点依次检索,将径向距离特征ρ保持递增的点粗分类作为地面点。
有益效果在于:这样可以精确实现逐对断面几何特征约束的地面滤波。
如果连续两点的坡度差值大于阈值Slopethreshold,将该点判定为非地面点。
有益效果在于:在同一条道路横断面内,当两个或两个以上的物体位于同一个方位区时,这些物体是不能分开的,除了使用径向距离特征约束作为地面滤波规则,通过组合约束多种几何特征,结合坡度差特征约束可以进行地面点精化提取。
一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时可用于执行上述一种车载点云地面点提取方法所述方法的步骤。
有益效果在于:存储介质可以为优盘或者光盘,将执行时可执行上述任一项权利要求所述方法的步骤的计算机程序储存在优盘或者光盘里,需要提取车载点云地面点时,将优盘或者光盘中的计算机程序导入计算机,即可控制进行车载点云地面点的提取,既方便,又快捷,同时可以防止计算机程序泄露,有利于保护商业秘密。
附图说明
图1为本发明一种车载点云地面点提取方法实施例一的流程图。
图2为本发明一种车载点云地面点提取方法实施例一获取的点云数据示意图。
图3为本发明一种车载点云地面点提取方法实施例一的断面分割的效果示意图。
图4为本发明一种车载点云地面点提取方法实施例一的道路面提取结果示意图。
图5为本发明一种车载点云地面点提取方法实施例一的地面滤波种子点提取及拟合结果示意图。
图6为本发明一种车载点云地面点提取方法实施例一的地面点提取结果图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例一
实施例基本如附图1所示,包括:
S1、基于轨迹对点云进行断面分割,建立单线和多线点云数据均能适用的有序化组织算法;
S2、基于断面内点云的几何特征差异,逐个断面运用移动最小二乘法提取道路面作为地面点自动提取的种子平面;
S3、根据相邻断面的同类目标点云的相似几何特征,使用移动最小二乘法优化道路边界,并将道路边界作为后续地面滤波的种子点;
S4、逐断面构建柱坐标系,结合直角坐标系获取点云在不同坐标系下的属性信息,构建几何特征向量,分析剩余非道路面点云的分布规律和几何特征,通过约束断面内点云的几何特征提取并精化地面点。
具体实施过程如下:
S1、基于轨迹对点云进行断面分割,建立单线和多线点云数据均能适用的有序化组织算法。
在本实施例中,获取的点云数据如附图2所示,在基于轨迹对点云进行断面分割之前,通过KD-Tree对所有点云进行最近邻搜索,对点云中的高程异常点进行离群点滤除,得到离群点去噪后的点云,并对离群点去噪后的点云进行复杂轨迹简化,得到简化后的轨迹信息,实现轨迹时间与点云时间的逐个相互对应。KD-Tree,也即k-dimensional树,是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构,高程异常过滤无关数据,为达到轨迹时间与点云时间的逐个相互对应创造基础,有利于提高数据的有序化,便于建立有序化组织算法。
建立单线和多线点云数据均能适用的有序化组织算法,具体步骤如下:
根据简化后的轨迹信息拟合轨迹直线,拟合公式如下,
式中k为轨迹拟合系数,b为轨迹拟合常数;
获取POS高度POSh,根据数学投影法则将点云投影到轨迹直线上,并计算每个点在直线上的垂足;
根据实际道路的路况设置宽度阈值Widththreshold作为断面分割的间隔值,得到点云数据的间距interval,interval的计算公式如下,
式中,Dlength为点云总长度。
由宽度阈值划分后,可将点云数据表现为等间距二维平面的集合。
通过这样的方式,基于轨迹对点云进行断面分割,相较于任意分割来说,分割的准确度与精确性都更高;建立的有序化组织算法能够同时适用单线和多线点云数据,能够提高有序化组织算法的通用性
S2、基于断面内点云的几何特征差异,逐个断面运用移动最小二乘法快速提取道路面作为地面点自动提取的种子平面,快速提取道路面极大程度削减点云数据。
首先,任意点在任意时刻的轨迹数据为dmin为距离阈值,Δt为时间值,如果[t0-Δt,t0+Δt]范围内距离(x0,y0)的平面距离小于dmin的点云有N个,轨迹到道路面之间的平均高程差POSh的计算公式如下,
式中,POSh为平均高程差。由于道路面生长的种子点选取非常关键,在每个断面中,轨迹必然在道路面上,轨迹正下方的最低点必为道路面点云,这样可以很容易的从断面中检索出时间为[t0-Δt,t0+Δt]范围内的所有点云。
最后,对于断面中的任意点P,在任意时刻t的轨迹数据为,通过移动最小二乘法窗口结合提取每条断面中的道路面点云,如果点的平面坐标满足公式和|Z-Zt-H|<Hthreshold,则点P为道路面点云,其中,dmin为距离阈值,Hthreshold为高程差阈值,如附图3所示,通过移动最小二乘法窗口提取每条断面中的道路面点云,既可以防止遗漏,又可以避免提取无关数据,这样可以精确地提取每条断面中的道路面点云。
由于不同空间位置的相同目标表面的点云分布具有几何特征差异,最小二乘法是数学优化技术,通过最小化误差的平方和寻找数据的最佳函数匹配,使得提取的道路面的范围尽可能小,能够减少后续参与点云滤波的数据量;即使是数据密度受到测距与车载平台行进速度的影响,但是由于所提取的道路面的相对较小,不容易造成点云数据分布不均匀。
S3、根据相邻断面的同类目标点云的相似几何特征,使用移动最小二乘法优化道路边界,并将道路边界作为后续地面滤波的种子点。
在本实施例中,判别道路边界点的几何特征约束的条件,如下式,
式中,Slope为城市道路的路坎坡度值,范围为Slope∈[60°,90°],H为高程差异,范围为10cm≤H≤20cm,Slopemin和Slopemax分别为最小坡度和最大坡度值,Hi为连续两点之间的高程差,Hmin和Hmax分别为最小高程差和最大高程差。在道路面提取的基础上,将道路边界从道路区域中进行提取,通过分析道路边界的几何特征以及道路边界与邻接路面之间的空间分布关系,能够精确地对道路边界点进行几何特征分析。
当前点的坡度值和高差在给定的阈值范围内,就会被标识为路坎候选点,路坎、车辆等非路面点都有可能被标识为路坎候选点,若路坎候选点与其邻近点的几何特征都在给定阈值范围内,则将该点记为路坎点,否则将其记为非路坎点。连续两点之间的坡度Slopei的计算公式如下,
式中,Slopei为连续两点之间的坡度,(Xi,Yi,Zi)和(Xi+1,Yi+1,Zi+1)为两个连续点的空间直角坐标。
通过几何特征逐个断面提取的道路边界点中会存在误提取点或漏提取点,会影响后续道路边界拟合的效果,如附图4所示,必须对道路边界点进行优化。由于道路边界可能会受到遮挡造成数据缺失,使得道路边界不连续的,可以根据相邻断面间的几何特征进行拟合构成生成平滑的道路边界线,如附图5所示。
在本实施例中,根据相邻断面的同类目标点云的相似几何特征,使用移动最小二乘法优化道路边界,并将道路边界作为后续地面滤波的种子点,由于根据相似几何特征可以精确地划定道路边界,避免了道路边界不准确造成数据的不完整性与信息的不连续性,能够提高地面点提取的精度;与此同时,优化后的道路边界既不会“过小”也不会“过大”,而是刚好合适的,不会“过小”能够避免道路边界数据缺失,获得了较为完整的城市道路信息,进而能够适用于不同场景以及不同地形情况的地面点提取,同时,不会“过大”能够防止提取道路边界之外的无关的数据,进而减少了数据量,提高了数据处理精度、速度和效率;这样的过程并不需要人工进行干预,减少人工干预误差。
S4、通过逐断面建立柱坐标系,结合直角坐标系获取点云在不同坐标系下的属性信息,构建几何特征向量,分析剩余非道路面点云的分布规律和几何特征,通过约束断面内点云的几何特征提取并精化地面点。
在本实施例中,对于逐断面构建柱坐标系计算几何特征来说,将第一个断面作为参考平面γ,将点云范围内的第一个轨迹点作为局部极坐标系的参考坐标原点O'(x'0,y'0,z'0),对于点云中的任意点P(x,y,z,t)在柱坐标系的坐标可通过在P点所在的垂直于轨迹的断面相对于参考平面的相对位置获得,点P(x,y,z,t)在柱坐标系中的径向距离ρ和极角P点在由轨迹直线确定的L轴方向上参考坐标原点间的距离累加值为P在柱坐标系内的纵向距离d,计算公式如下,
除此之外,道路面及其边界提取的结果为基础对传统地面种子点选取方法做了简化,使用道路边界点作为地面生长的种子点,以此来提高种子点选取的可靠性。本实施例中,在柱坐标系的基础上,结合空间直角坐标系利用空间领域关系对地面点提取的方向进行定义,原点为道路面种子点通过从柱坐标系原点出发向两侧非地面点进行逐点依次检索,将径向距离特征ρ保持递增的点粗分类作为地面点,精确实现逐对断面几何特征约束的地面滤波。有下式成立,和为单条断面内地面点径向距离的最大值,
如果连续两点的坡度差值大于阈值Slopethreshold,将该点判定为非地面点。在同一条道路横断面内,当两个或两个以上的物体位于同一个方位区时,这些物体是不能分开的,除了使用径向距离特征约束作为地面滤波规则,通过组合约束多种几何特征,结合坡度差特征约束可以进行地面点精化提取,如附图6所示。可见,由于柱坐标系是逐断面构建的,通过构建几何特征向量分析剩余非道路面点云的分布规律和几何特征,并通过约束断面内点云的几何特征提取并精化地面点,可以使得无序离散的车载点云数据有序化,能够不受扫描线排列结构的影响,无论是单线或多线的车载LiDAR系统的点云数据,均可获取直观的点云剖面信息,提高了适用性。
在本方案中,克服了技术偏见,理由如下:
其一:通常情况下,无论是单线激光扫描仪还是多线激光扫描仪,都无法兼顾一致性和数量,前者所采集的点云数据的一致性高、数量少,后者所采集的点云数据一致性低、数量多。鉴于此,首先,基于轨迹对点云进行精确地断面分割;然后,建立有序化组织算法。通过这样的方式,对于单线激光扫描仪来说,有序化处理提高了点云数据的数据密度,保证了点云数据的数量;对于多线激光扫描仪来说,精确分割精准地划分了点云数据的边界,保证了点云数据的一致性。故而,无论是单线激光扫描仪还是多线激光扫描仪,采集点云数据时,均能兼顾到一致性和数量,克服了采集点云数据时,一致性和数量不可兼得的技术偏见。
其二:提取点云地面点时,其精度会受到道路边界的几何形状的影响:比如说,相对而言,形状规则的道路边界相较于不规则的道路边界,数据更加完整性、信息更加连续性,故而提取时精确度要高一些。现有技术也会考虑对道路边界进行优化,使得道路边界变得更加规则、更加准确,这种情况下道路边界的不规则是自身形成的,但是,本方案中道路边界的不规则更多是车载平台行进造成的,使得处于不同空间位置的点云数据的分布具有几何特征差异,比如地物遮挡会引起车载点云数据出现缺失,造成数据的不完整性与信息的不连续性。正是考虑到不同空间位置的相同目标表面的点云分布具有几何特征差异,运用移动最小二乘法提取道路面时,是基于断面内点云的几何特征差异进行的,实质上考虑了断面内点云的几何特征差异,使得提取的道路面的范围尽可能小、尽可能精确,即使是数据密度受到测距与车载平台行进速度的影响,也不容易造成点云数据分布不均匀;同样的,由于点云数据的数据密度受到测距与车载平台行进速度的影响,使处于不同空间位置的点云数据的分布具有几何特征差异,使用移动最小二乘法优化道路边界时,是根据相邻断面的同类目标点云的相似几何特征进行优化的,并将道路边界作为后续地面滤波的种子点,由于根据相似几何特征可以精确地划定道路边界,避免了道路边界不准确造成数据的不完整性与信息的不连续性,能够提高地面点提取的精度;与此同时,优化后的道路边界既不会“过小”也不会“过大”,不会“过小”能够避免道路边界数据缺失,获得了较为完整的城市道路信息,进而能够适用于不同场景以及不同地形情况的地面点提取,同时,不会“过大”能够防止提取道路边界之外的无关的数据,进而减少了数据量,提高了数据处理精度、速度和效率。故而,现有技术不会考虑到不同空间位置的相同目标表面的点云分布的几何特征差异对道路边界的影响,也不会考虑到基于断面内点云的几何特征差异进行提取、优化,从而本方案克服了技术偏见。
其三,提取点云地面点时,现有技术基本都是在静态场景进行提取,也是基于静态的断面进行提取,分割、优化也是针对静态的断面进行,并没有考虑到运动会对断面造成影响,将其应用到提取车载点云地面点的场合,忽略了车辆行进的影响,会导致较大的误差。正是如此,本方案中,就断面分割而言,基于轨迹对点云进行断面分割,由于轨迹体现了车辆的动态运动规律,对于轨迹上的任意两点A、B来说,A点和B点对应车辆不同时刻的位置,那么A点所对应的断面与B点所对应的断面也不同,他们所对应的断面的时刻也不同,这样能够实现轨迹时间与点云数据的时间的逐个相互对应。这种断面分割的思路与现有技术存在不同:现有技术的断面分割通常是“静态的”,主要针对某个固定的或特定的时刻进行断面分割,但是本方案的断面分割是“动态的”,这种动态的分割方式,在车辆随着轨迹运动的过程中,能够实时调整所分割的断面,而不仅仅分割特定时刻的断面,也正是如此,极大地提高了断面分割的精确性以及环境适应性。比如说,车辆通过不同的环境、地形,其轨迹也有所不同,例如,高速道路、城市道路、平坦地形、陡峭地形等,如果采用“静态的”分割方式,必然难以适应轨迹不规则变化导致的断面的变化,而采用“动态的”的分割方式,能够实时调整所分割的断面,在不同的场景需求下,无论是高速道路、城市道路,还是平坦地形、陡峭地形,都可以提取到高精度的地面点,环境适应性和通用性也较现有技术强。
实施例二
与实施例一不同之处仅在于,S2中,断面分割后,还包括两个步骤:
首先,对横断面内的点云进行点云序列化。由于每条断面中的点云分布是无序的,为了后续建立统一规则,使每条断面中的点云能按规定顺序进行数据预处理,可依据点云坐标确定点的先后顺序从而对每个点进行序列化。
然后,通过移动最小二乘法检测断面内点云的几何特征跳变来提取道路面。比如,通过设置输入一定数量的点作为移动过滤器窗口尺寸,使用快速平方拟合算法拟合一条直线;以道路种子点为界,将道路分为左右两边,从种子点到道路横断面的一侧边缘,移动过滤器窗口被设置为逐点滑动以检测高程跳变特征和水平距离跳变特征。在本实施例中,拟合终止条件如下:由于局部区域内道路面点的高程几乎保持一致,如果在拟合过程中存在一个潜在点到当前道路面点的距离小于阈值,则该潜在点被确定为道路点;对于道路旁具有排水沟的情况,增加水平距离约束,即从当前道路点到移动窗口最外侧点的距离,如果该距离小于阈值,则该点被确定为道路点。
实施例三
与实施例二不同之处仅在于,基于实施例一和实施例二,公开一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时可用于执行上述实施例方法的步骤。存储介质可以为优盘或者光盘,将执行时可执行上述任一项权利要求所述方法的步骤的计算机程序储存在优盘或者光盘里,需要提取车载点云地面点时,将优盘或者光盘中的计算机程序导入计算机,即可控制进行车载点云地面点的提取,既方便,又快捷,同时可以防止计算机程序泄露,有利于保护商业秘密。
实施例四
与实施例一的不同之处在于,本实施例中,在路坎坡度值和高程差异进行计算的时候,会先对已经获取的坡度和高度信息进行校验,只有经过校验的有效坡度和有效高度才会被纳入计算。对获取坡度和高度的校验,主要是通过对比相邻事物的坡度和高度,以及相邻时间段同一个位置事物的坡度和高度,避免因为突发事件而导致地面局部凸起或者凹陷,避免对地面点提取产生干扰。具体地,在获取坡度和高度值的位置处,在获取时间点的前后T1时间段内,通过历史获取记录查找该位置的坡度和高度变化,如果变化范围在当前高度的5%以内,且在当前时间点,该位置相邻长度范围在L长度内的事物与当前位置点的坡度和高度差也在7%以内的时候,认定当前获取坡度和高度为有效坡度和有效高度。经过这样处理,能够使参与计算的高度信息和坡度信息都是真实准确的,能够有效避免因为突发事件而造成的提取干扰。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (6)
1.一种车载点云地面点提取方法,其特征在于,包括:
S1、基于轨迹对点云进行断面分割,建立单线和多线点云数据均能适用的有序化组织算法;
S2、基于断面内点云的几何特征差异,逐个断面运用移动最小二乘法提取道路面作为地面点自动提取的种子平面;
S3、根据相邻断面的同类目标点云的相似几何特征,使用移动最小二乘法优化道路边界,并将道路边界作为后续地面滤波的种子点;
S4、通过逐断面建立柱坐标系,结合直角坐标系获取点云在不同坐标系下的属性信息,构建几何特征向量,分析剩余非道路面点云的分布规律和几何特征,通过约束断面内点云的几何特征提取并精化地面点;S1中,根据简化后的轨迹信息拟合轨迹直线,拟合公式如下,
式中k为轨迹拟合系数,b为轨迹拟合常数;
获取POS高度POSh,根据数学投影法则将点云投影到轨迹直线上,并计算每个点在直线上的垂足;
根据实际道路的路况设置宽度阈值Widththreshold作为断面分割的间隔值,得到点云数据的间距interval,interval的计算公式如下,
式中,Dlength为点云总长度;
宽度阈值划分后,将点云数据表现为等间距二维平面的集合;
S4中,在柱坐标系的基础上,结合空间直角坐标系利用空间邻域关系对地面点提取的方向进行定义,原点为道路面种子点通过从柱坐标系原点出发向两侧非地面点进行逐点依次检索,将径向距离特征ρ保持递增的点粗分类作为地面点;
如果连续两点的坡度差值大于阈值Slopethreshold,将该点判定为非地面点。
2.如权利要求1所述的车载点云地面点提取方法,其特征在于,S1中,基于轨迹对点云进行断面分割之前,通过KD-Tree对所有点云进行最近邻搜索,对点云中的高程异常点进行离群点滤除,得到离群点去噪后的点云,并对离群点去噪后的点云进行复杂轨迹简化,得到简化后的轨迹信息。
6.一种车载点云地面点提取存储介质,其特征在于,其上存储有计算机程序,计算机程序被处理器执行时可用于执行权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453859.4A CN114119998B (zh) | 2021-12-01 | 2021-12-01 | 一种车载点云地面点提取方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453859.4A CN114119998B (zh) | 2021-12-01 | 2021-12-01 | 一种车载点云地面点提取方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119998A CN114119998A (zh) | 2022-03-01 |
CN114119998B true CN114119998B (zh) | 2023-04-18 |
Family
ID=80369277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111453859.4A Active CN114119998B (zh) | 2021-12-01 | 2021-12-01 | 一种车载点云地面点提取方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119998B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549879B (zh) * | 2022-04-25 | 2022-07-08 | 四川省公路规划勘察设计研究院有限公司 | 一种隧道车载扫描点云的标靶识别及中心点提取方法 |
CN115272177B (zh) * | 2022-06-15 | 2023-07-14 | 成都理工大学 | 一种非接触式路面断面信息提取与分析方法 |
CN114973006B (zh) * | 2022-08-02 | 2022-10-18 | 四川省机械研究设计院(集团)有限公司 | 花椒采摘方法、装置、系统及存储介质 |
CN116363159B (zh) * | 2023-04-19 | 2024-05-03 | 济南大学 | 一种基于多窗口差分阈值滤波法的点云道路边界提取方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8537338B1 (en) * | 2011-08-24 | 2013-09-17 | Hrl Laboratories, Llc | Street curb and median detection using LIDAR data |
CN103743383A (zh) * | 2014-02-11 | 2014-04-23 | 天津市星际空间地理信息工程有限公司 | 一种基于点云的道路信息自动提取方法 |
CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
CN105844224A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种车载LiDAR 道路点云快速有序化方法 |
CN106157309A (zh) * | 2016-07-04 | 2016-11-23 | 南京大学 | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 |
CN108596860A (zh) * | 2018-05-10 | 2018-09-28 | 芜湖航飞科技股份有限公司 | 一种基于三维激光雷达的地面点云分割方法 |
CN108984599A (zh) * | 2018-06-01 | 2018-12-11 | 青岛秀山移动测量有限公司 | 一种利用行驶轨迹参考的车载激光点云路面提取方法 |
CN110275181A (zh) * | 2019-07-08 | 2019-09-24 | 武汉中海庭数据技术有限公司 | 一种车载移动测量系统及其数据处理方法 |
CN111079611A (zh) * | 2019-12-09 | 2020-04-28 | 成都奥伦达科技有限公司 | 一种道路面及其标志线的自动提取方法 |
CN112164081A (zh) * | 2020-09-30 | 2021-01-01 | 西南交通大学 | 一种车载LiDAR点云铁路横断面轮廓提取方法 |
CN112184736A (zh) * | 2020-10-10 | 2021-01-05 | 南开大学 | 一种基于欧式聚类的多平面提取方法 |
CN112633092A (zh) * | 2020-12-09 | 2021-04-09 | 西南交通大学 | 基于车载激光扫描点云的道路信息提取方法 |
CN112669458A (zh) * | 2020-12-25 | 2021-04-16 | 戴姆勒股份公司 | 基于激光点云进行地面滤波的方法、设备和程序载体 |
KR20210098276A (ko) * | 2020-01-31 | 2021-08-10 | 경북대학교 산학협력단 | 노면 상태 식별 장치 및 제어 방법 |
CN113439275A (zh) * | 2020-01-23 | 2021-09-24 | 华为技术有限公司 | 一种平面语义类别的识别方法以及图像数据处理装置 |
CN113627353A (zh) * | 2021-08-12 | 2021-11-09 | 成都航维智芯科技有限公司 | 点云数据中地面点的分类方法 |
-
2021
- 2021-12-01 CN CN202111453859.4A patent/CN114119998B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8537338B1 (en) * | 2011-08-24 | 2013-09-17 | Hrl Laboratories, Llc | Street curb and median detection using LIDAR data |
CN103743383A (zh) * | 2014-02-11 | 2014-04-23 | 天津市星际空间地理信息工程有限公司 | 一种基于点云的道路信息自动提取方法 |
CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
CN105844224A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种车载LiDAR 道路点云快速有序化方法 |
CN106157309A (zh) * | 2016-07-04 | 2016-11-23 | 南京大学 | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 |
CN108596860A (zh) * | 2018-05-10 | 2018-09-28 | 芜湖航飞科技股份有限公司 | 一种基于三维激光雷达的地面点云分割方法 |
CN108984599A (zh) * | 2018-06-01 | 2018-12-11 | 青岛秀山移动测量有限公司 | 一种利用行驶轨迹参考的车载激光点云路面提取方法 |
CN110275181A (zh) * | 2019-07-08 | 2019-09-24 | 武汉中海庭数据技术有限公司 | 一种车载移动测量系统及其数据处理方法 |
CN111079611A (zh) * | 2019-12-09 | 2020-04-28 | 成都奥伦达科技有限公司 | 一种道路面及其标志线的自动提取方法 |
CN113439275A (zh) * | 2020-01-23 | 2021-09-24 | 华为技术有限公司 | 一种平面语义类别的识别方法以及图像数据处理装置 |
KR20210098276A (ko) * | 2020-01-31 | 2021-08-10 | 경북대학교 산학협력단 | 노면 상태 식별 장치 및 제어 방법 |
CN112164081A (zh) * | 2020-09-30 | 2021-01-01 | 西南交通大学 | 一种车载LiDAR点云铁路横断面轮廓提取方法 |
CN112184736A (zh) * | 2020-10-10 | 2021-01-05 | 南开大学 | 一种基于欧式聚类的多平面提取方法 |
CN112633092A (zh) * | 2020-12-09 | 2021-04-09 | 西南交通大学 | 基于车载激光扫描点云的道路信息提取方法 |
CN112669458A (zh) * | 2020-12-25 | 2021-04-16 | 戴姆勒股份公司 | 基于激光点云进行地面滤波的方法、设备和程序载体 |
CN113627353A (zh) * | 2021-08-12 | 2021-11-09 | 成都航维智芯科技有限公司 | 点云数据中地面点的分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114119998A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114119998B (zh) | 一种车载点云地面点提取方法及存储介质 | |
CN109684921B (zh) | 一种基于三维激光雷达的道路边界检测与跟踪方法 | |
Sun et al. | A 3D LiDAR data-based dedicated road boundary detection algorithm for autonomous vehicles | |
CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 | |
CN109752701B (zh) | 一种基于激光点云的道路边沿检测方法 | |
CN110618434B (zh) | 一种基于激光雷达的隧道内定位系统及其定位方法 | |
WO2021143778A1 (zh) | 一种基于激光雷达的定位方法 | |
Zhai et al. | Multi-crop-row detection algorithm based on binocular vision | |
CN108280840B (zh) | 一种基于三维激光雷达的道路实时分割方法 | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN113593017A (zh) | 露天矿地表三维模型构建方法、装置、设备及存储介质 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN113281782A (zh) | 一种基于无人驾驶车的激光雷达雪点滤除方法 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
CN115797910A (zh) | 一种长尾目标识别方法、计算机可读存储介质及车辆 | |
CN109241855B (zh) | 基于立体视觉的智能车辆可行驶区域探测方法 | |
CN114842166A (zh) | 应用于结构化道路的负障碍检测方法、系统、介质及设备 | |
CN116184357B (zh) | 一种地面点云数据处理方法、装置、电子装置和存储介质 | |
CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
Song et al. | Natural landmark extraction in cluttered forested environments | |
CN115760898A (zh) | 一种混合高斯域下道路抛洒物的世界坐标定位方法 | |
CN115131677A (zh) | 面向地理对象的高分光学与sar影像一体化分割的方法 | |
CN112989946A (zh) | 一种车道线的确定方法、装置、设备及车辆 | |
Subash | Automatic road extraction from satellite images using extended Kalman filtering and efficient particle filtering |
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 |