CN114488073A - 激光雷达采集到的点云数据的处理方法 - Google Patents
激光雷达采集到的点云数据的处理方法 Download PDFInfo
- Publication number
- CN114488073A CN114488073A CN202210135624.9A CN202210135624A CN114488073A CN 114488073 A CN114488073 A CN 114488073A CN 202210135624 A CN202210135624 A CN 202210135624A CN 114488073 A CN114488073 A CN 114488073A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- coordinate
- points
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012545 processing Methods 0.000 title claims description 29
- 238000012216 screening Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000000638 solvent extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000003672 processing method Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000009792 diffusion process Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G01S7/4802—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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种激光雷达采集到的点云数据的处理方法，涉及深度学习技术领域，该方法包括：获取激光雷达采集到的至少一帧点云图中的点云集合；基于每个点云点的点云坐标信息对点云集合进行预处理，从点云集合中筛选出位于行驶道路的路面以上的前景点云点，生成目标点云集合；采用基于漫水法的图像分割算法对目标点云集合进行聚类分割，生成多个团簇；基于每个团簇内的点云数据，计算点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物。本发明解决了相关技术中对点云存在欠分割或过分割的技术问题，进而达到了提高图像识别精度的技术效果。
Description
技术领域
本发明涉及深度学习技术领域，具体而言，涉及一种激光雷达采集到的点云数据的处理方法。
背景技术
在自动驾驶体系中，使用激光雷达进行障碍物干事是实现自动驾驶的关键感知环节。
在相关技术中，通常采取目标检测算法对雷达所采集的数据进行检测，但运行在终端的自动驾驶系统软件，受计算机硬件资源限制，对三维激光雷达点云计算通常采用BEV(bird’s eye view，鸟瞰图)投影方式，并对投影后的点云进行图像分割处理，但这类解决方法通常对点云存在欠分割或过分割的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种激光雷达采集到的点云数据的处理方法，以至少解决相关技术中对点云存在欠分割或过分割的技术问题。
根据本发明实施例的第一方面，提供了一种激光雷达采集到的点云数据的处理方法，激光雷达安装在车辆的不同位置，处理方法包括：获取激光雷达采集到的至少一帧点云图中的点云集合，其中，点云集合包括：车辆行驶过程中激光雷达扫描到的位于行驶道路区域内的多个点云点，每个点云点的点云数据至少包括点云坐标信息；基于每个点云点的点云坐标信息对点云集合进行预处理，从点云集合中筛选出位于行驶道路的路面以上的前景点云点，生成目标点云集合；采用基于漫水法的图像分割算法对目标点云集合进行聚类分割，生成多个团簇，其中，每个团簇分别表征点云图中的一个待识别的障碍物；基于每个团簇内的点云数据，计算点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物，其中，目标障碍物表征为对车辆的行驶安全产生安全影响的障碍物。
可选地，基于每个点云点的点云坐标信息对点云集合进行预处理，从点云集合中筛选出位于行驶道路的路面以上的前景点云点，生成目标点云集合，包括：基于每个点云点的点云坐标信息对点云集合进行筛选处理，从点云集合中筛选出点云坐标信息位于行驶道路的路面上方的点云点数据集，其中，筛选处理包括如下至少之一：去除位于行驶道路路面表面上的点云点、去除点云坐标信息低于行驶道路的路面高度的点云点。
可选地，基于每个点云点的点云坐标信息对点云集合进行筛选处理，包括：遍历点云图中的点云集合所有点云点，并查询每个点云点对应的行驶道路的路面高度；基于每个点云点在点云图中的点云坐标信息，确定每个点云点相对于行驶道路的高度坐标；如果任意一个点云点的高度坐标小于等于对应的路面高度，和/或，与路面高度的差值小于等于高度阈值，将该点云点从点云集合中移除。
可选地，在从点云集合中筛选出点云坐标信息位于行驶道路的路面上方的点云点数据集之后，方法还包括：对点云点数据集中位于行驶道路的路面上方的点云点进行无监督的划分处理，分割得到多个类型的点云点，其中，点云点的类型包括：离群点、背景点和前景点；至少去除离群点和背景点，从位于行驶道路的路面上方的点云点中保留前景点的点云点，其中，保留的所有前景点的点云点构成目标点云集合。
可选地，在对点云点数据集中位于行驶道路的路面上方的点云点进行无监督的划分处理之前，方法还包括：确定针对激光雷达的点云坐标系，其中，点云坐标系的坐标轴x的方向为车辆行驶时的前进方向，坐标轴z的方向为垂直于车辆所在的行驶道路路面的垂直向上方向，坐标轴y的方向由坐标轴x和坐标轴z的矢量求积来确定。
可选地，对点云点数据集中位于行驶道路的路面上方的点云点进行无监督的划分处理，分割得到多个类型的点云点包括：获取点云图中位于行驶道路的路面上方的点云点在点云坐标系上的点云坐标信息；遍历点云坐标系上的点云坐标信息，确定x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点；基于x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点对平面网格进行划分，得到划分后的多个平面栅格，其中，平面网格为点云坐标系中由坐标轴x和坐标轴y确定的平面坐标系；基于划分后的平面栅格内的点云点，确定平面栅格的类型。
可选地，基于划分后的平面栅格内的点云点，确定平面栅格的类型包括：遍历每个平面栅格，判断每个平面栅格内是否包含点云点；将包含了点云点的平面栅格确定为目标平面栅格；确定至少一种聚类条件，其中，聚类条件基于点云集合所有点云点的高度坐标来确定；判断目标平面栅格内的点云点是否满足至少一种聚类条件；如果目标平面栅格内的点云点满足所有聚类条件，对目标平面栅格中的每个点云点进行下采样，获取目标平面栅格的高度坐标集合，其中，高度坐标集合由目标平面栅格内的所有点云点的高度坐标构成；采用均值漂移法对目标平面栅格的高度坐标集合进行分割，确定目标平面栅格的类型。
可选地，在得到划分后的多个平面栅格之后，初始化平面网格的网格状态，其中，如果目标平面栅格内的点云点满足任意一种或多种聚类条件，更新目标平面栅格内的网格点的状态，并基于更新后的网格点的状态来更新平面网格的网格状态。
可选地，目标点云集合包括多个目标平面栅格，其中，采用基于漫水法的图像分割算法对目标点云集合进行聚类分割，生成多个团簇包括：遍历目标点云集合内包含的每个目标平面栅格；如果遍历到的目标平面栅格内的点云点不为空，且该目标平面栅格存在领域，则标记该目标平面栅格聚类到第一簇中；将未被标记的目标平面栅格重新进行聚类，生成至少一个第二簇。
可选地，基于每个团簇内的点云数据，计算点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物包括：读取任意一个团簇内的每个点云点的点云坐标信息；基于该团簇内的每个点云点的点云坐标信息，计算该团簇表征的待识别的障碍物距离路面的高度值；如果待识别的障碍物距离路面的高度值低于车辆的高度值，则待识别的障碍物为目标障碍物。
根据本发明实施例的第二方面，还提供了了一种激光雷达采集到的点云数据的处理系统，激光雷达安装在车辆的不同位置，该处理系统包括：获取装置，用于获取激光雷达采集到的至少一帧点云图中的点云集合，其中，点云集合包括：车辆行驶过程中激光雷达扫描到的位于行驶道路区域内的多个点云点，每个点云点的点云数据至少包括点云坐标信息；集合生成装置，用于基于每个点云点的点云坐标信息对点云集合进行预处理，从点云集合中筛选出位于行驶道路的路面以上的前景点云点，生成目标点云集合；团簇生成装置，用于采用基于漫水法的图像分割算法对目标点云集合进行聚类分割，生成多个团簇，其中，每个团簇分别表征点云图中的一个待识别的障碍物；识别装置，用于基于每个团簇内的点云数据，计算点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物，其中，目标障碍物表征为对车辆的行驶安全产生安全影响的障碍物。
可选地，集合生成装置包括：筛选模块，用于基于每个点云点的点云坐标信息对点云集合进行筛选处理，从点云集合中筛选出点云坐标信息位于行驶道路的路面上方的点云点数据集，其中，筛选处理包括如下至少之一：去除位于行驶道路路面表面上的点云点、去除点云坐标信息低于行驶道路的路面高度的点云点。
可选地，筛选模块包括：查询子模块，遍历点云图中的点云集合所有点云点，并查询每个点云点对应的行驶道路的路面高度；确定子模块，用于基于每个点云点在点云图中的点云坐标信息，确定每个点云点相对于行驶道路的高度坐标；第一移除子模块，用于如果任意一个点云点的高度坐标小于等于对应的路面高度，和/或，与路面高度的差值小于等于高度阈值，将该点云点从点云集合中移除。
可选地，筛选模块还包括：分割子模块，用于对点云点数据集中位于行驶道路的路面上方的点云点进行无监督的划分处理，分割得到多个类型的点云点，其中，点云点的类型包括：离群点、背景点和前景点；第二移除子模块，用于至少去除离群点和背景点，从位于行驶道路的路面上方的点云点中保留前景点的点云点，其中，保留的所有前景点的点云点构成目标点云集合。
可选地，筛选模块还包括：坐标系确定子模块，用于确定针对激光雷达的点云坐标系，其中，点云坐标系的坐标轴x的方向为车辆行驶时的前进方向，坐标轴z的方向为垂直于车辆所在的行驶道路路面的垂直向上方向，坐标轴y的方向由坐标轴x和坐标轴z的矢量求积来确定。
可选地，分割子模块包括：信息获取单元，用于获取点云图中位于行驶道路的路面上方的点云点在点云坐标系上的点云坐标信息；最值点确定单元，用于遍历点云坐标系上的点云坐标信息，确定x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点；栅格得到单元，用于基于x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点对平面网格进行划分，得到划分后的多个平面栅格，其中，平面网格为点云坐标系中由坐标轴x和坐标轴y确定的平面坐标系；类型确定单元，用于基于划分后的平面栅格内的点云点，确定平面栅格的类型。
可选地，类型确定单元包括：第一判断子单元，用于遍历每个平面栅格，判断每个平面栅格内是否包含点云点；目标栅格确定子单元，用于将包含了点云点的平面栅格确定为目标平面栅格；聚类条件确定子单元，用于确定至少一种聚类条件，其中，聚类条件基于点云集合所有点云点的高度坐标来确定；第二判断子单元，用于判断目标平面栅格内的点云点是否满足至少一种聚类条件；坐标集合获取子单元，用于如果目标平面栅格内的点云点满足所有聚类条件，对目标平面栅格中的每个点云点进行下采样，获取目标平面栅格的高度坐标集合，其中，高度坐标集合由目标平面栅格内的所有点云点的高度坐标构成；类型确定子单元，采用均值漂移法对目标平面栅格的高度坐标集合进行分割，确定目标平面栅格的类型。
可选地，分割子模块还用于在得到划分后的多个平面栅格之后，初始化平面网格的网格状态，其中，如果目标平面栅格内的点云点满足任意一种或多种聚类条件，更新目标平面栅格内的网格点的状态，并基于更新后的网格点的状态来更新平面网格的网格状态。
可选地，团簇生成装置包括：遍历模块，用于遍历目标点云集合内包含的每个目标平面栅格；第一聚类模块，用于如果遍历到的目标平面栅格内的点云点不为空，且该目标平面栅格存在领域，则标记该目标平面栅格聚类到第一簇中；第二聚类模块，用于将未被标记的目标平面栅格重新进行聚类，生成至少一个第二簇。
可选地，识别装置包括：读取模块，用于读取任意一个团簇内的每个点云点的点云坐标信息；高度值计算模块，用于基于该团簇内的每个点云点的点云坐标信息，计算该团簇表征的待识别的障碍物距离路面的高度值；目标障碍物确定模块，用于如果待识别的障碍物距离路面的高度值低于车辆的高度值，则待识别的障碍物为目标障碍物。
根据本发明实施例的第三方面，还提供了一种车辆，基于第一方面的处理方法来控制车辆的行驶轨迹，其中，行驶轨迹为控制车辆避开目标障碍物。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行第一方面中任意一项激光雷达采集到的点云数据的处理方法。
根据本发明实施例的第五方面，提供了一种处理器，其特征在于，处理器用于运行程序，其中，程序运行时执行第一方面中任意一项激光雷达采集到的点云数据的处理方法。
在本发明实施例，通过获取所述激光雷达采集到的至少一帧点云图中的点云集合；基于所述每个所述点云点的所述点云坐标信息对所述点云集合进行预处理，从所述点云集合中筛选出位于所述行驶道路的路面以上的前景点云点，生成目标点云集合；采用基于漫水法的图像分割算法对所述目标点云集合进行聚类分割，生成多个团簇；基于每个所述团簇内的点云数据，计算所述点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物。容易注意到的是，本申请结合点云点的坐标信息对点云集合进行预处理，只保留了前景点云点作为目标点云集合，无需经过投影的方式，因此，避免了因为投影所产生的欠分割或过分割的技术问题，进而达到了提高图像识别精度的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：
图1是根据本发明实施例的一种激光雷达采集到的点云数据的处理方法的流程示意图；
图2是根据本发明实施例中激光雷达点云坐标系的示意图；
图3是根据本发明实施例中激光雷达路面点云点和路面以下点云点的过滤方法示意图；
图4是根据本发明实施例漫水法聚类分割结果示例图；
图5是根据本发明实施例中激光雷达2.5D点云分割流程图；
图6根据本发明实施例中基于条件判别和均值漂移法的点云分割流程图；
图7是障碍物为隧道的示意图；
图8是根据本发明实施例的一种激光雷达采集到的点云数据的处理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种数据处理方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
车辆在道路上驾驶时，若采用相关技术中BEV投影方式来处理激光雷达扫描到的3D点云，并对投影后的点云进行障碍物识别，可能存在以下情况：从绿化带中伸出的树枝、较多泥土或砖头，使得沿路边驾驶的车辆和绿化带在投影后的点云上天然的融为一体，造成欠分割；树木上的下垂枝条，悬垂在停车位的车辆上方，使车辆和树木融为一体，造成欠分割。因此，采用投影的方式处理点云信息，在障碍物、树木和绿化带融为一体的情况下，会将融为一体的物体从前景障碍物中删除，造成漏识别，存在识别不准确的技术问题。
图1是根据本发明实施例的一种激光雷达采集到的点云数据的处理方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤S101，获取激光雷达采集到的至少一帧点云图中的点云集合，其中，点云集合包括：车辆行驶过程中激光雷达扫描到的位于行驶道路区域内的多个点云点，每个点云点的点云数据至少包括点云坐标信息。
具体地，激光雷达包括但不限于机械式激光雷达和固态激光雷达。本申请可以采集至少一帧点云图，但本申请所提供的处理方法在步骤S101中每次可以处理一帧点云数据，在当前所处理的一帧点云数据处理完后，才开始处理下一帧点云数据。点云点的坐标信息可以表征每个点云点在这一帧点云数据中的相对位置和高度信息。
步骤S102，基于每个点云点的点云坐标信息对点云集合进行预处理，从点云集合中筛选出位于行驶道路的路面以上的前景点云点，生成目标点云集合。
具体地，基于每个点云点的坐标信息，筛选出该帧点云图中移动属于行驶道路的路面中的点云点和行驶道路路线以下的点云点，得到位于行驶道路的路线以上的前景点云点，上述前景点云点构成目标点云集合。
在一个可选实施例中，定义激光雷达获取的点云点在雷达自身坐标系的坐标为(xi，yi，zi)，如图2所示，坐标轴x的方向为自车的前进方向，坐标轴z的方向为垂直于自车所在路面的垂直向上方向，则y方向的计算方式，如公式1所示：
如图3所示，若该点云点的坐标满足公式1，则该点云点是位于路面上的点云点，将该点云点移除，若不满足公式1，则该点云点属于非点击面点云点，将该点云点加入非路面点集，并查询该点云点对应的路面高度。需要说明的是，点云点对应的路面高度可以基于激光雷达所采集的数据获得真实路面高度。基于点云点的坐标信息得倒该点云点的高度，然后，判断该点云点的高度是否大于路面高度，在该点云点的高度大于路面高度的情况下，将该点加入目标点云集合。在该点云点的高度小于路面高度的情况下，则移除该点云点，在遍历完成后，确定这一帧点云数据中位于路面以上的点云点，得到目标点云集合。
步骤S103，采用基于漫水法的图像分割算法对目标点云集合进行聚类分割，生成多个团簇，其中，每个团簇分别表征点云图中的一个待识别的障碍物。
具体地，利用基于漫水法(FloodFill)的图像分割算法去除目标点云集合中的离群点和背景点，得到多个团簇，在所得到的团簇为2个的情况下，如图4所示，完成对障碍物的初步识别。
需要说明的是，在实际行驶道路中，在同一条道路上可能存在机动车、非机动车、行人，还可能存在拖拉机、拖车、人力车等异形车辆，以及不定期出现的与施工路段相应的隔离路障，由于异形车辆和与施工路段施工路段相应的隔离路障出现的频次并不高，因此，样本量较小且出现时并没有规律，若采用传统的机器学习的有监督方法，难以识别出上述情况。因此，本申请采用无监督的基于漫水法的图像分割算法对点云集合进行聚类分割，进而达到了提高识别精度的技术效果。
步骤S104，基于每个团簇内的点云数据，计算点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物，其中，目标障碍物表征为对车辆的行驶安全产生安全影响的障碍物。
具体地，在计算出待识别障碍物的几何数据后，基于障碍物数据库对待识别的障碍物的几何数据进行识别，确定待识别障碍物是否会影响车辆的正常通行，若该障碍物影响车辆的正常通行，则该障碍物可以为目标障碍物。
通过本发明上述实施例，通过获取所述激光雷达采集到的至少一帧点云图中的点云集合；基于所述每个所述点云点的所述点云坐标信息对所述点云集合进行预处理，从所述点云集合中筛选出位于所述行驶道路的路面以上的前景点云点，生成目标点云集合；采用基于漫水法的图像分割算法对所述目标点云集合进行聚类分割，生成多个团簇；基于每个所述团簇内的点云数据，计算所述点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物。容易注意到的是，本申请结合点云点的坐标信息对点云集合进行预处理，只保留了前景点云点作为目标点云集合，无需经过投影的方式，因此，避免了因为投影所产生的欠分割或过分割的技术问题，进而达到了提高图像识别精度的技术效果。
可选地，基于每个点云点的点云坐标信息对点云集合进行预处理，从点云集合中筛选出位于行驶道路的路面以上的前景点云点，生成目标点云集合，包括：基于每个点云点的点云坐标信息对点云集合进行筛选处理，从点云集合中筛选出点云坐标信息位于行驶道路的路面上方的点云点数据集，其中，筛选处理包括如下至少之一：去除位于行驶道路路面表面上的点云点、去除点云坐标信息低于行驶道路的路面高度的点云点。
需要说明的是，由于位于地面上的点云点和低于地面的点云点通常不会对车辆的正常通行造成阻碍，因此，可以在预处理阶段将其进行去除，以减少对后续处理过程的干扰。
可选地，基于每个点云点的点云坐标信息对点云集合进行筛选处理，包括：遍历点云图中的点云集合所有点云点，并查询每个点云点对应的行驶道路的路面高度；基于每个点云点在点云图中的点云坐标信息，确定每个点云点相对于行驶道路的高度坐标；如果任意一个点云点的高度坐标小于等于对应的路面高度，和/或，与路面高度的差值小于等于高度阈值，将该点云点从点云集合中移除。
具体地，每个点云点对应的形式道路的路面高度可以从激光雷达采集的数据中获得。在实际筛选过程中，根据实际需要，可以直接比较点云点高度坐标与对应的路面高度之间的大小关系，也可以直接比较点云点的高度坐标与高度阈值之间的差值，
可选地，在从点云集合中筛选出点云坐标信息位于行驶道路的路面上方的点云点数据集之后，方法还包括：对点云点数据集中位于行驶道路的路面上方的点云点进行无监督的划分处理，分割得到多个类型的点云点，其中，点云点的类型包括：离群点、背景点和前景点；至少去除离群点和背景点，从位于行驶道路的路面上方的点云点中保留前景点的点云点，其中，保留的所有前景点的点云点构成目标点云集合。
具体地，离群点可以是距离中心较远的点，前景点可以是目标障碍物上的点云点，背景点可以是点云集合中除前景点以外的点。
在一个可选实施例中，如图5所示，在获取一帧激光雷达点云所构成的点云集合后，去除该集合中的离群点和背景点，保留该集合中的前景点，然后对前景点进行障碍物聚类分割和障碍物包络框计算，然后对该障碍物的包络框进行判断，判断该障碍物是否影响车辆正常通行。
可选地，在对点云点数据集中位于行驶道路的路面上方的点云点进行无监督的划分处理之前，方法还包括：确定针对激光雷达的点云坐标系，其中，点云坐标系的坐标轴x的方向为车辆行驶时的前进方向，坐标轴z的方向为垂直于车辆所在的行驶道路路面的垂直向上方向，坐标轴y的方向由坐标轴x和坐标轴z的矢量求积来确定。
具体地，针对激光雷达的点云坐标系可以是雷达自身的坐标系。坐标轴y的方向通过
得到。
可选地，对点云点数据集中位于行驶道路的路面上方的点云点进行无监督的划分处理，分割得到多个类型的点云点包括：获取点云图中位于行驶道路的路面上方的点云点在点云坐标系上的点云坐标信息；遍历点云坐标系上的点云坐标信息，确定x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点；基于x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点对平面网格进行划分，得到划分后的多个平面栅格，其中，平面网格为点云坐标系中由坐标轴x和坐标轴y确定的平面坐标系；基于划分后的平面栅格内的点云点，确定平面栅格的类型。
在一个可选实施例中，假设待分割的点云点共有N个，记点云点的集合为
{Pi}，0≤i≤N-1 (2)
遍历所有点云点，获取点云点的x坐标的最小值和最大值，表示为(xmin，xmax)；获取点云点的y坐标的最小值和最大值，表示为(ymin，ymax)。定义需要划分的Oxy平面栅格尺度为v＝(vx，vy)，则所划分的平面栅格数量可以记为：
则平面栅格索引坐标的取值范围为G(r，c)＝(0～Nx，0～Ny)，
然后，根据所平面网格的数量和尺度对平面网格进行划分，得到划分后的多个平面栅格。在得到多个平面栅格后，采用基于漫水法的图像分割方法对平面栅格中的点云点进行聚类处理，获取平面栅格的高度坐标集合，再利用改进的均值漂移算法对高度坐标集合进行处理，确定上述栅格的类型，栅格的类型可以是这个栅格中的点云点对某个类别访问频次最高的类别。
可选地，基于划分后的平面栅格内的点云点，确定平面栅格的类型包括：遍历每个平面栅格，判断每个平面栅格内是否包含点云点；将包含了点云点的平面栅格确定为目标平面栅格；确定至少一种聚类条件，其中，聚类条件基于点云集合所有点云点的高度坐标来确定；判断目标平面栅格内的点云点是否满足至少一种聚类条件；如果目标平面栅格内的点云点满足所有聚类条件，对目标平面栅格中的每个点云点进行下采样，获取目标平面栅格的高度坐标集合，其中，高度坐标集合由目标平面栅格内的所有点云点的高度坐标构成；采用均值漂移法对目标平面栅格的高度坐标集合进行分割，确定目标平面栅格的类型。
在一个可选实施例中，遍历Oxy平面栅格并获取其状态S1(xj，yj)，若平面栅格的状态sj＝1，则对该栅格执行条件判别；否则忽略该栅格。对栅格点执行的条件判别的步骤如下：
需要说明的是，每个栅格点的坐标为Gj(xj，yj)，对于栅格点Gj(xj，yj)，记栅格下包含的点云点集合为Qj，点云点Pi(xi，yi，zi)对应的栅格点坐标为gi(ri，ci)，详见公式(5).若(ri，ci)≡(xj，yj)，则将Pi(xi，yi)加入集合Qj。
对每个栅格Gj(xj，yj)，获取对应的点云点集合Qj.若Qj不是空集，对Qj中的所有点云点获取各自的高度坐标z，并计算高度坐标的最小值和最大值，表示为(zmin，zmax)。
设置单个栅格的聚类条件C1和C2，栅格内的高度划分尺度vz，则栅格内的高度坐标索引范围为
条件C1和C2分别表述为：
C1：zmax-zmin的数值小于阈值δ0；C2：Nz的数值必须小于或等于1。
设置栅格内的第一阈值δ1和第二阈值δ2作为初始值，且δ1≤δ2。若Qj的计算结果满足条件C1，则执行操作OP1，OP1可以表述为：比较zmin和δ1的大小关系，若zmin＜δ1，则比较zmax和δ1的大小关系，并使δ1修改为两者中的较大值，最后保留Qj中高度坐标小于δ1的所有点云点；否则，将修改该栅格的状态为sj(xj，yj)＝0。若Qj的计算结果满足条件C2，则执行操作OP2，OP2可以表述为：比较zmin和δ1的大小关系，若zmin＜δ1，则比较zmax和δ1的大小关系，并将δ1修改为两者中的较大值，最后保留Qj中高度坐标小于δ1的所有点云点；否则，比较zmin和δ2的大小关系，若zmin＜δ2，并将δ1修改为zmax和δ1的较大值，并保留Qj中高度坐标小于δ1的点云点。上述所保留的点可以是高度坐标集合。若Qj的计算结果同时满足条件C1和C2，则Qj可以是高度坐标结合。然后，采用均值漂移法对目标平面栅格的高度坐标集合进行分割，包括：
对单个栅格中的点云点进行下采样，获取单个栅格对应的点云点集合Qj中的点云点Pi(xi，yi，zi)，点云点高度坐标zi对应的高度索引坐标为
遍历集合Qj中的所有点云点，并对高度索引坐标相同的点云点的高度坐标值取平均值P′z。点云点集合Qj经下采样后，按照高度坐标值由小到大排序，得到集合Qz j＝{P′iz}。记集合Qz j为平面栅格Gj的下采样点高度集合，代替点云点集合Qj中的真实高度坐标集合。
对平面栅格Gj中的点云点经下采样后的高度坐标集合Qz j，应用均值漂移法进行分割，包括：
(a)选取集合Qz j未分类的最小索引的数据作为初始种子点ki，定义均值漂移分割法的需要的参数包括：高斯半径h，，当前需要分类的类别索引lj，聚类中心cj等于点ki的z坐标。初始时刻，i＝0，j＝0。
(b)以cj为聚类中心，以h为半径对Qz j中的样本进行聚类.遍历所有的样本m，聚类的距离函数为dm＝||m-ko||.若dm＜h，则将样本m的类别计数prob(m，i)增加1.
(c)加入类别lj中.样本遍历完毕后，计算类别lj中所有样本的新的聚类中心cj。
(d)设置聚类的停止条件阈值δ3.计算聚类中的偏移量shift＝ki-cj.若|shift|＜δ3，则停止聚类，挑选下一个种子点和类别索引，重复步骤a至步骤c，直到所有样本聚类完成；若不满足该条件，则将聚类中心移动到位置cj，重复步骤b至步骤c；直到满足聚类停止条件，然后重复步骤步骤a至步骤c，直到所有样本聚类完成。
(e)对于集合Qz j中每个样本P′iz，遍历其类别标记{prob(i，l)}，取类别计数中数值最大的类别作为该样本的类别。
(f)遍历所有类别，将包含样本数量最多的类别作为该平面栅格Gj的类别，并计算该类别中所有样本的最大值，作为平面栅格Gj第三阈值δ3。
(g)保留集合Qj中高度坐标小于δ3的点云点，并删除Qj的其他点；若集合Qj最终为非空集合，则平面栅格Gj的状态保持为sj(xj，yj)＝1；否则修改状态sj(xj，yj)＝0。
(h)得到所有含有非空点集的平面栅格
在一个可选实施例中，如图6所示，在得到多个平面栅格后，遍历平面栅格，判断该栅格中是否包含点云点，当栅格中包含点云点时，进行条件C1判断，该C1判别可以是位于该栅格中的点云点在z坐标上的最大值与最小值的差值是否小于第一阈值，则执行OP1，OP1包括：比较z坐标上最小值和第一阈值的关系，若z坐标上最小值小于第一阈值，则取z坐标最大值和第一阈值中较大的值作为第一阈值，并保留该栅格中高度小于第一阈值的点云点；若z坐标上最小值大于或等于第一阈值，则进行条件判断C2，条件判断C2包括：比较z坐标上最小值与第一阈值，若z坐标上最小值小于第一阈值，则取z坐标上最大值和第一阈值最大值作为新的第一阈值，若z坐标上最小值大于或等于第一阈值，则比较z坐标最小值和第二阈值，若z坐标最小值小于第二阈值，则取z坐标上最大值和第一阈值最大值作为新的第一阈值，并保留该栅格中高度小于第一阈值的点云点。其中，第一阈值小于或等于第二阈值。
可选地，在得到划分后的多个平面栅格之后，初始化平面网格的网格状态，其中，如果目标平面栅格内的点云点满足任意一种或多种聚类条件，更新目标平面栅格内的网格点的状态，并基于更新后的网格点的状态来更新平面网格的网格状态。
在一个可选实施例中，初始化Oxy平面网格状态，建立索引坐标.定义Oxy平面网格的状态量S(r，c).记初始状态为：
S0(r，c)＝{0}，0≤r≤Nx-1，0≤c≤Nc-1 (4)。
遍历点云点{Pi}，更新每个点云点对应的网格点状态sj.对于一个点云点Pi(xi，yi)，其所对应的网格点坐标为Gj(xj，yj)＝gi(ri，ci)，则
遍历点云点{Pi}，得到的网格状态为：
可选地，目标点云集合包括多个目标平面栅格，其中，采用基于漫水法的图像分割算法对目标点云集合进行聚类分割，生成多个团簇包括：遍历目标点云集合内包含的每个目标平面栅格；如果遍历到的目标平面栅格内的点云点不为空，且该目标平面栅格存在领域，则标记该目标平面栅格聚类到第一簇中；将未被标记的目标平面栅格重新进行聚类，生成至少一个第二簇。
在一个可选实施例中，遍历所有平面栅格Gj的对应集合Qj，再次更新Gj的状态sj(xj，yj)，包括：若Qj为非空集合，则sj(xj，yj)＝1；否则sj(xj，yj)＝0.对状态值为1的网格进行漫水法聚类.漫水法聚类的具体步骤如下：
步骤一：对于平面栅格sj(xj，yj)，存在邻域：
记团簇标记为Oi，i≥0.初始时刻i＝0。
步骤二：依次遍历未被标记团簇的网格点.若sj(xj，yj)＝1，则将网格点j加入团簇Oi，并判断邻域网格状态，若邻域网格的状态为1，则将邻域网格也加入团簇Oi，并将该网格点标记为属于团簇Oi。
步骤三：若sj(xj，yj)的所有邻域网格状态都为0，则结束聚类，该簇停止生长.团簇Oi聚类完成。
步骤四：增加1，对于未被标记团簇的网格，重复步骤二至步骤三，直到所有平面网格都被标记成属于某个团簇.最终得到团簇的集合{Oi}，i≥0。
可选地，基于每个团簇内的点云数据，计算点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物包括：读取任意一个团簇内的每个点云点的点云坐标信息；基于该团簇内的每个点云点的点云坐标信息，计算该团簇表征的待识别的障碍物距离路面的高度值；如果待识别的障碍物距离路面的高度值低于车辆的高度值，则待识别的障碍物为目标障碍物。
具体地，目标障碍物可以是影响当前车辆正常通行的障碍物。可以根据待识别的障碍物距离路面的高度值过滤不影响通行的障碍物，例如，桥洞、树冠、红绿灯、广告牌的悬挂横杆等，如图7所示，图7是障碍物为隧道的情况下的示意图。其本身的离地高度大于行驶车辆自身的高度，不会阻碍车辆穿行
在一个可选实施例中，假设车辆自身的高度为H1，安全的通行余量为H2，激光雷达的坐标原点距离车辆自身接地点的高度为Z1，障碍物团簇中的点云点在激光雷达坐标系下的最低高度坐标为zi，定义自车通行高度的含义是可容自车车辆通行的最小安全高度，则为车辆自身通行高度可通过公式(10)来计算：
H3＝H1+H2 (10)，
可容许车辆通行的障碍物在激光雷达坐标系下的最低高度Hth为：
Hth＝H3-Z1 (11)，
遍历所有的障碍物，并计算团簇所包含点云点的高度坐标，计算其最小值Oz_min。若Oz_min＞Hth，则该障碍物为不影响自车通行的障碍物，则将其从障碍物列表中移除，不作为最终的目标障碍物。
根据本申请实施例，还提供了一种激光雷达采集到的点云数据的处理系统的实施例，本实施例中具体的实施方式与可选的实施例与上述实施例中相似或者相同，在此不做赘述。
图8是根据本发明实施例的一种激光雷达采集到的点云数据的处理系统的结构示意图，如图8所示，该系统包括：
获取装置81，用于获取激光雷达采集到的至少一帧点云图中的点云集合，其中，点云集合包括：车辆行驶过程中激光雷达扫描到的位于行驶道路区域内的多个点云点，每个点云点的点云数据至少包括点云坐标信息。
集合生成装置82，用于基于每个点云点的点云坐标信息对点云集合进行预处理，从点云集合中筛选出位于行驶道路的路面以上的前景点云点，生成目标点云集合。
团簇生成装置83，用于采用基于漫水法的图像分割算法对目标点云集合进行聚类分割，生成多个团簇，其中，每个团簇分别表征点云图中的一个待识别的障碍物。
识别装置84，用于基于每个团簇内的点云数据，计算点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物，其中，目标障碍物表征为对车辆的行驶安全产生安全影响的障碍物。
在上述实施例中，通过获取所述激光雷达采集到的至少一帧点云图中的点云集合；基于所述每个所述点云点的所述点云坐标信息对所述点云集合进行预处理，从所述点云集合中筛选出位于所述行驶道路的路面以上的前景点云点，生成目标点云集合；采用基于漫水法的图像分割算法对所述目标点云集合进行聚类分割，生成多个团簇；基于每个所述团簇内的点云数据，计算所述点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物。容易注意到的是，本申请结合点云点的坐标信息对点云集合进行预处理，只保留了前景点云点作为目标点云集合，无需经过投影的方式，因此，避免了因为投影所产生的欠分割或过分割的技术问题，进而达到了提高图像识别精度的技术效果。
可选地，集合生成装置包括：筛选模块，用于基于每个点云点的点云坐标信息对点云集合进行筛选处理，从点云集合中筛选出点云坐标信息位于行驶道路的路面上方的点云点数据集，其中，筛选处理包括如下至少之一：去除位于行驶道路路面表面上的点云点、去除点云坐标信息低于行驶道路的路面高度的点云点。
可选地，筛选模块包括：查询子模块，遍历点云图中的点云集合所有点云点，并查询每个点云点对应的行驶道路的路面高度；确定子模块，用于基于每个点云点在点云图中的点云坐标信息，确定每个点云点相对于行驶道路的高度坐标；第一移除子模块，用于如果任意一个点云点的高度坐标小于等于对应的路面高度，和/或，与路面高度的差值小于等于高度阈值，将该点云点从点云集合中移除。
可选地，筛选模块还包括：分割子模块，用于对点云点数据集中位于行驶道路的路面上方的点云点进行无监督的划分处理，分割得到多个类型的点云点，其中，点云点的类型包括：离群点、背景点和前景点；第二移除子模块，用于至少去除离群点和背景点，从位于行驶道路的路面上方的点云点中保留前景点的点云点，其中，保留的所有前景点的点云点构成目标点云集合。
可选地，筛选模块还包括：坐标系确定子模块，用于确定针对激光雷达的点云坐标系，其中，点云坐标系的坐标轴x的方向为车辆行驶时的前进方向，坐标轴z的方向为垂直于车辆所在的行驶道路路面的垂直向上方向，坐标轴y的方向由坐标轴x和坐标轴z的矢量求积来确定。
可选地，分割子模块包括：信息获取单元，用于获取点云图中位于行驶道路的路面上方的点云点在点云坐标系上的点云坐标信息；最值点确定单元，用于遍历点云坐标系上的点云坐标信息，确定x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点；栅格得到单元，用于基于x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点对平面网格进行划分，得到划分后的多个平面栅格，其中，平面网格为点云坐标系中由坐标轴x和坐标轴y确定的平面坐标系；类型确定单元，用于基于划分后的平面栅格内的点云点，确定平面栅格的类型。
可选地，类型确定单元包括：第一判断子单元，用于遍历每个平面栅格，判断每个平面栅格内是否包含点云点；目标栅格确定子单元，用于将包含了点云点的平面栅格确定为目标平面栅格；聚类条件确定子单元，用于确定至少一种聚类条件，其中，聚类条件基于点云集合所有点云点的高度坐标来确定；第二判断子单元，用于判断目标平面栅格内的点云点是否满足至少一种聚类条件；坐标集合获取子单元，用于如果目标平面栅格内的点云点满足所有聚类条件，对目标平面栅格中的每个点云点进行下采样，获取目标平面栅格的高度坐标集合，其中，高度坐标集合由目标平面栅格内的所有点云点的高度坐标构成；类型确定子单元，采用均值漂移法对目标平面栅格的高度坐标集合进行分割，确定目标平面栅格的类型。
可选地，分割子模块还用于在得到划分后的多个平面栅格之后，初始化平面网格的网格状态，其中，如果目标平面栅格内的点云点满足任意一种或多种聚类条件，更新目标平面栅格内的网格点的状态，并基于更新后的网格点的状态来更新平面网格的网格状态。
可选地，团簇生成装置包括：遍历模块，用于遍历目标点云集合内包含的每个目标平面栅格；第一聚类模块，用于如果遍历到的目标平面栅格内的点云点不为空，且该目标平面栅格存在领域，则标记该目标平面栅格聚类到第一簇中；第二聚类模块，用于将未被标记的目标平面栅格重新进行聚类，生成至少一个第二簇。
可选地，识别装置包括：读取模块，用于读取任意一个团簇内的每个点云点的点云坐标信息；高度值计算模块，用于基于该团簇内的每个点云点的点云坐标信息，计算该团簇表征的待识别的障碍物距离路面的高度值；目标障碍物确定模块，用于如果待识别的障碍物距离路面的高度值低于车辆的高度值，则待识别的障碍物为目标障碍物。
根据本发明实施例的第三方面，还提供了一种车辆，基于第一方面中激光雷达采集到的点云数据的处理方法来控制车辆的行驶轨迹，其中，行驶轨迹为控制车辆避开目标障碍物
据本发明实施例的第四方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述实施例中任意一项激光雷达采集到的点云数据的处理方法。
根据本发明实施例的第五方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述实施例中任意一项激光雷达采集到的点云数据的处理方法。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种激光雷达采集到的点云数据的处理方法，其特征在于，激光雷达安装在车辆的不同位置，所述处理方法包括：
获取所述激光雷达采集到的至少一帧点云图中的点云集合，其中，所述点云集合包括：车辆行驶过程中所述激光雷达扫描到的位于行驶道路区域内的多个点云点，每个所述点云点的点云数据至少包括点云坐标信息；
基于所述每个所述点云点的所述点云坐标信息对所述点云集合进行预处理，从所述点云集合中筛选出位于行驶道路的路面以上的前景点云点，生成目标点云集合；
采用基于漫水法的图像分割算法对所述目标点云集合进行聚类分割，生成多个团簇，其中，每个所述团簇分别表征所述点云图中的一个待识别的障碍物；
基于每个所述团簇内的点云数据，计算所述点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物，其中，所述目标障碍物表征为对所述车辆的行驶安全产生安全影响的障碍物。
2.根据权利要求1所述的方法，其特征在于，基于每个点云点的点云坐标信息对所述点云集合进行预处理，从所述点云集合中筛选出位于所述行驶道路的路面以上的前景点云点，生成目标点云集合，包括：
基于每个点云点的点云坐标信息对所述点云集合进行筛选处理，从所述点云集合中筛选出点云坐标信息位于所述行驶道路的路面上方的点云点数据集，其中，所述筛选处理包括如下至少之一：去除位于所述行驶道路路面表面上的点云点、去除点云坐标信息低于所述行驶道路的路面高度的点云点。
3.根据权利要求2所述的方法，其特征在于，基于每个点云点的点云坐标信息对所述点云集合进行筛选处理，包括：
遍历所述点云图中的点云集合所有点云点，并查询每个点云点对应的行驶道路的路面高度；
基于每个点云点在所述点云图中的点云坐标信息，确定每个所述点云点相对于所述行驶道路的高度坐标；
如果任意一个点云点的高度坐标小于等于对应的路面高度，和/或，与所述路面高度的差值小于等于高度阈值，将该点云点从所述点云集合中移除。
4.根据权利要求2或3所述的方法，其特征在于，在从所述点云集合中筛选出点云坐标信息位于所述行驶道路的路面上方的点云点数据集之后，所述方法还包括：
对所述点云点数据集中位于所述行驶道路的路面上方的点云点进行无监督的划分处理，分割得到多个类型的点云点，其中，所述点云点的类型包括：离群点、背景点和前景点；
至少去除所述离群点和所述背景点，从位于所述行驶道路的路面上方的点云点中保留所述前景点的点云点，其中，保留的所有前景点的点云点构成所述目标点云集合。
5.根据权利要求4所述的方法，其特征在于，在对所述点云点数据集中位于所述行驶道路的路面上方的点云点进行无监督的划分处理之前，所述方法还包括：
确定针对所述激光雷达的点云坐标系，其中，所述点云坐标系的坐标轴x的方向为所述车辆行驶时的前进方向，所述坐标轴z的方向为垂直于所述车辆所在的行驶道路路面的垂直向上方向，所述坐标轴y的方向由所述坐标轴x和所述所述坐标轴z的矢量求积来确定。
6.根据权利要求5所述的方法，其特征在于，对所述点云点数据集中位于所述行驶道路的路面上方的点云点进行无监督的划分处理，分割得到多个类型的点云点包括：
获取所述点云图中位于所述行驶道路的路面上方的点云点在所述点云坐标系上的点云坐标信息；
遍历所述点云坐标系上的点云坐标信息，确定x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点；
基于所述x坐标值最小的点云点和x坐标值最大的点云点，以及y坐标值最小的点云点和y坐标值最大的点云点对平面网格进行划分，得到划分后的多个平面栅格，其中，所述平面网格为所述点云坐标系中由所述坐标轴x和所述坐标轴y确定的平面坐标系；
基于所述划分后的平面栅格内的点云点，确定所述平面栅格的类型。
7.根据权利要求6所述的方法，其特征在于，基于所述划分后的平面栅格内的点云点，确定所述平面栅格的类型包括：
遍历每个平面栅格，判断每个所述平面栅格内是否包含点云点；
将包含了点云点的平面栅格确定为目标平面栅格；
确定至少一种聚类条件，其中，所述聚类条件基于所述点云集合所有点云点的高度坐标来确定；
判断所述目标平面栅格内的点云点是否满足至少一种所述聚类条件；
如果所述目标平面栅格内的点云点满足所有聚类条件，对所述目标平面栅格中的每个点云点进行下采样，获取所述目标平面栅格的高度坐标集合，其中，所述高度坐标集合由所述目标平面栅格内的所有点云点的高度坐标构成；
采用均值漂移法对所述目标平面栅格的高度坐标集合进行分割，确定所述目标平面栅格的类型。
8.根据权利要求7所述的方法，其特征在于，在得到划分后的多个平面栅格之后，初始化所述平面网格的网格状态，其中，如果所述目标平面栅格内的点云点满足任意一种或多种所述聚类条件，更新所述目标平面栅格内的网格点的状态，并基于更新后的所述网格点的状态来更新所述平面网格的网格状态。
9.根据权利要求8所述的方法，其特征在于，所述目标点云集合包括多个所述目标平面栅格，其中，采用基于漫水法的图像分割算法对所述目标点云集合进行聚类分割，生成多个团簇包括：
遍历所述目标点云集合内包含的每个所述目标平面栅格；
如果遍历到的目标平面栅格内的点云点不为空，且该目标平面栅格存在领域，则标记该目标平面栅格聚类到第一簇中；
将未被标记的目标平面栅格重新进行聚类，生成至少一个第二簇。
10.根据权利要求9所述的方法，其特征在于，基于每个所述团簇内的点云数据，计算所述点云图中每个待识别的障碍物的几何数据，并基于计算结果识别出目标障碍物包括：
读取任意一个所述团簇内的每个点云点的点云坐标信息；
基于该团簇内的每个点云点的点云坐标信息，计算该团簇表征的待识别的障碍物距离路面的高度值；
如果待识别的障碍物距离路面的高度值低于所述车辆的高度值，则所述待识别的障碍物为所述目标障碍物。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210135624.9A CN114488073A (zh) | 2022-02-14 | 2022-02-14 | 激光雷达采集到的点云数据的处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210135624.9A CN114488073A (zh) | 2022-02-14 | 2022-02-14 | 激光雷达采集到的点云数据的处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114488073A true CN114488073A (zh) | 2022-05-13 |
Family
ID=81479750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210135624.9A Pending CN114488073A (zh) | 2022-02-14 | 2022-02-14 | 激光雷达采集到的点云数据的处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114488073A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115424442A (zh) * | 2022-08-31 | 2022-12-02 | 南京慧尔视智能科技有限公司 | 基于雷达图的车辆行驶事件检测方法、装置、设备和介质 |
| CN115509258A (zh) * | 2022-10-10 | 2022-12-23 | 未来机器人（深圳）有限公司 | 无人车的避障方法及无人车 |
| CN115712298A (zh) * | 2022-10-25 | 2023-02-24 | 太原理工大学 | 基于单线激光雷达的机器人在通道中行驶的自主导航方法 |
| CN115719354A (zh) * | 2022-11-17 | 2023-02-28 | 同济大学 | 基于激光点云提取立杆的方法与装置 |
| CN115908749A (zh) * | 2022-11-21 | 2023-04-04 | 中国科学院空天信息创新研究院 | 一种基于激光雷达点云数据的特定目标识别方法 |
| CN115964446A (zh) * | 2022-12-18 | 2023-04-14 | 北京工业大学 | 一种基于移动端的雷达数据交互处理方法 |
| CN117475438A (zh) * | 2023-10-23 | 2024-01-30 | 北京点聚信息技术有限公司 | 基于ocr技术的扫描文件矢量化转换方法 |
| WO2024037144A1 (zh) * | 2022-08-17 | 2024-02-22 | 湖南大学无锡智能控制研究院 | 一种激光雷达遮挡判断与清洗方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
| US20180225515A1 (en) * | 2015-08-04 | 2018-08-09 | Baidu Online Network Technology (Beijing) Co. Ltd. | Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device |
| CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
| CN111192284A (zh) * | 2019-12-27 | 2020-05-22 | 吉林大学 | 一种车载激光点云分割方法及系统 |
| CN111652060A (zh) * | 2020-04-27 | 2020-09-11 | 宁波吉利汽车研究开发有限公司 | 一种基于激光雷达的限高预警方法、装置、电子设备及存储介质 |
| CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
| WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、系统及计算机存储介质 |
| US20210188312A1 (en) * | 2019-12-19 | 2021-06-24 | Motional Ad Llc | Foreground extraction using surface fitting |
| CN113470049A (zh) * | 2021-07-06 | 2021-10-01 | 吉林省田车科技有限公司 | 一种基于结构化彩色点云分割的完整目标提取方法 |
| CN113985445A (zh) * | 2021-08-24 | 2022-01-28 | 中国北方车辆研究所 | 一种基于相机与激光雷达数据融合的3d目标检测算法 |
-
2022
- 2022-02-14 CN CN202210135624.9A patent/CN114488073A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180225515A1 (en) * | 2015-08-04 | 2018-08-09 | Baidu Online Network Technology (Beijing) Co. Ltd. | Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device |
| CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
| CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
| WO2021097618A1 (zh) * | 2019-11-18 | 2021-05-27 | 深圳市大疆创新科技有限公司 | 点云分割方法、系统及计算机存储介质 |
| US20210188312A1 (en) * | 2019-12-19 | 2021-06-24 | Motional Ad Llc | Foreground extraction using surface fitting |
| CN111192284A (zh) * | 2019-12-27 | 2020-05-22 | 吉林大学 | 一种车载激光点云分割方法及系统 |
| CN111652060A (zh) * | 2020-04-27 | 2020-09-11 | 宁波吉利汽车研究开发有限公司 | 一种基于激光雷达的限高预警方法、装置、电子设备及存储介质 |
| CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
| CN113470049A (zh) * | 2021-07-06 | 2021-10-01 | 吉林省田车科技有限公司 | 一种基于结构化彩色点云分割的完整目标提取方法 |
| CN113985445A (zh) * | 2021-08-24 | 2022-01-28 | 中国北方车辆研究所 | 一种基于相机与激光雷达数据融合的3d目标检测算法 |
Non-Patent Citations (2)
| Title |
|---|
| 李茁;王田苗;胡坤磊;李晓飞;王肖;: "复杂环境下的激光雷达目标物实时检测方法", 激光杂志, no. 03, 25 March 2018 (2018-03-25) * |
| 梁晋 等: "3D反求技术", 31 January 2019, 华中科技大学出版社, pages: 176 - 178 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024037144A1 (zh) * | 2022-08-17 | 2024-02-22 | 湖南大学无锡智能控制研究院 | 一种激光雷达遮挡判断与清洗方法及装置 |
| CN115424442A (zh) * | 2022-08-31 | 2022-12-02 | 南京慧尔视智能科技有限公司 | 基于雷达图的车辆行驶事件检测方法、装置、设备和介质 |
| CN115509258A (zh) * | 2022-10-10 | 2022-12-23 | 未来机器人（深圳）有限公司 | 无人车的避障方法及无人车 |
| CN115712298A (zh) * | 2022-10-25 | 2023-02-24 | 太原理工大学 | 基于单线激光雷达的机器人在通道中行驶的自主导航方法 |
| CN115719354A (zh) * | 2022-11-17 | 2023-02-28 | 同济大学 | 基于激光点云提取立杆的方法与装置 |
| CN115719354B (zh) * | 2022-11-17 | 2024-03-22 | 同济大学 | 基于激光点云提取立杆的方法与装置 |
| CN115908749A (zh) * | 2022-11-21 | 2023-04-04 | 中国科学院空天信息创新研究院 | 一种基于激光雷达点云数据的特定目标识别方法 |
| CN115964446A (zh) * | 2022-12-18 | 2023-04-14 | 北京工业大学 | 一种基于移动端的雷达数据交互处理方法 |
| CN115964446B (zh) * | 2022-12-18 | 2024-07-02 | 北京工业大学 | 一种基于移动端的雷达数据交互处理方法 |
| CN117475438A (zh) * | 2023-10-23 | 2024-01-30 | 北京点聚信息技术有限公司 | 基于ocr技术的扫描文件矢量化转换方法 |
| CN117475438B (zh) * | 2023-10-23 | 2024-05-24 | 北京点聚信息技术有限公司 | 基于ocr技术的扫描文件矢量化转换方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114488073A (zh) | 激光雷达采集到的点云数据的处理方法 | |
| CN114842438B (zh) | 用于自动驾驶汽车的地形检测方法、系统及可读存储介质 | |
| CN112801022B (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
| CN113989784B (zh) | 一种基于车载激光点云的道路场景类型识别方法及系统 | |
| CN112200171B (zh) | 一种基于扫描线的道路点云的提取方法 | |
| CN107169464A (zh) | 一种基于激光点云的道路边界检测方法 | |
| CN110992381A (zh) | 一种基于改进Vibe+算法的运动目标背景分割方法 | |
| CN113569915A (zh) | 一种基于激光雷达的多策略轨道交通障碍物识别方法 | |
| CN108898672A (zh) | 一种制作三维高清道路图车道线的半自动点云方法 | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
| CN112200248B (zh) | 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 | |
| CN114648654A (zh) | 一种融合点云语义类别和距离的聚类方法 | |
| CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
| CN112818775B (zh) | 基于区域边界像素交换的林区道路快速识别方法及系统 | |
| CN115063555B (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
| CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
| CN110163109B (zh) | 一种车道线标注方法及装置 | |
| CN107944407A (zh) | 一种基于无人机的路口斑马线识别方法 | |
| CN112561944A (zh) | 一种基于车载激光点云的车道线提取方法 | |
| CN112666573B (zh) | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 | |
| CN116311127A (zh) | 一种道路边界检测方法、计算机设备、可读存储介质及机动车 | |
| CN115760898A (zh) | 一种混合高斯域下道路抛洒物的世界坐标定位方法 | |
| CN114820662A (zh) | 基于点云二维密度的路侧视角地面分割方法、系统及介质 | |
| CN115240160A (zh) | 无人清扫车贴边清扫时的避障方法、装置及设备 |
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 |