CN114612598A - 一种点云的处理方法、装置及激光雷达 - Google Patents

Abstract

本申请公开一种点云的处理方法，其中，该方法包括：获取激光雷达的第一点云；遍历第一点云，通过查询点云近邻表，计算第一点云中每一个点到最近邻点的第一欧式距离；并且至少基于第一欧式距离，从第一点云中确定离群点。在本申请中，采用查表法确定点云中的最近邻点，进而由最近邻点确定离群点，数据计算量小且方便高效，从而有效提升点云的处理效率。

Description

一种点云的处理方法、装置及激光雷达

技术领域

本申请涉及激光雷达技术领域，尤其涉及一种点云的处理方法、装置及激光雷达。

背景技术

激光雷达(light detection and ranging，LiDAR)的数据形式是点云。点云数据中包含多种特征信息，例如：三维坐标信息、颜色信息、反射强度信息等。

目前，随着激光雷达的广泛应用，对激光雷达的测量精度提出了越来越高的要求，对点云数据的可靠性也提出了更高的要求。为了确保点云数据的准确可靠，就需要对点云中的噪点，例如离群点进行剔除。然而，相关确定离群点的算法计算量大且效率低下。

发明内容

本申请提供了一种点云的处理方法、装置及激光雷达，以实现从点云中快速识别出离群点。

第一方面，本申请提供一种点云的处理方法，包括：获取激光雷达的第一点云，激光雷达产生的点云为无序点云；遍历第一点云，通过查询点云近邻表，计算第一点云中每一个点到最近邻点的第一欧式距离，其中，点云近邻表是基于激光雷达的预设角度标定数据生成的；至少基于第一欧式距离，从第一点云中确定离群点。

在一些可能的实施方式中，至少基于第一欧式距离，从第一点云中确定离群点，包括：针对第一点云中的第i个点，从第i个点的最近邻点中确定第一欧式距离小于第一阈值的第一点的数量，i为正整数；若第一点的数量小于第二阈值，则将第i个点确定为离群点。

在一些可能的实施方式中，在获得输入的第一点云之后，方法还包括：遍历第一点云，通过查询点云近邻表，计算第一点云中每一个点到次近邻点的第二欧式距离；至少基于第一欧式距离，从第一点云中确定离群点，包括：基于第一欧式距离和第二欧式距离，从第一点云中确定离群点。

在一些可能的实施方式中，基于第一欧式距离和第二欧式距离，从第一点云中确定离群点，包括：基于第一欧式距离，从第一点云中确定疑似离群点；基于第二欧式距离，从疑似离群点中确定离群点。

在一些可能的实施方式中，基于第一欧式距离，从第一点云中确定疑似离群点，包括：针对第一点云中的第i个点，从第i个点的最近邻点中确定第一欧式距离小于第三阈值的第二点的数量，i为正整数；若第二点的数量小于第四阈值，则将第i个点确定为疑似离群点。

在一些可能的实施方式中，基于第二欧式距离，从疑似离群点中确定离群点，包括：针对第一点云中的第j个疑似离群点，从第j个疑似离群点的次近邻点中确定第二欧式距离小于第五阈值的第三点的数量，j为正整数；若第三点的数量小于或等于第六阈值，则将第j个疑似离群点确定为离群点。

在一些可能的实施方式中，方法还包括：基于激光雷达的角度标定数据，在预设探测距离下，生成第二点云；第二点云与第一点云一一对应；遍历第二点云，搜索每一点的最近邻点；至少基于最近邻点，生成点云近邻表。

在一些可能的实施方式中，在生成第二点云之后，方法还包括：遍历第二点云，搜索每一点的次近邻点；基于最近邻点和次近邻点，生成点云近邻表。

第二方面，本申请提供了一种点云的处理装置，该处理装置，包括：数据获取模块，用于获取激光雷达的第一点云，激光雷达产生的点云为无序点云；距离计算模块，用于遍历第一点云，通过查询点云近邻表，计算第一点云中每一个点到最近邻点的第一欧式距离，其中，点云近邻表是基于激光雷达的预设角度标定数据生成的；数据分析模块，用于至少基于第一欧式距离，从第一点云中确定离群点。

在一些可能的实施方式中，数据分析模块，还用于针对第一点云中的第i个点，从第i个点的最近邻点中确定第一欧式距离小于第一阈值的第一点的数量，i为正整数；若第一点的数量小于第二阈值，则将第i个点确定为离群点。

在一些可能的实施方式中，距离计算模块，还用于遍历第一点云，通过查询点云近邻表，计算第一点云中每一个点到次近邻点的第二欧式距离；数据分析模块，还用于基于第一欧式距离和第二欧式距离，从第一点云中确定离群点。

在一些可能的实施方式中，数据分析模块，还用于基于第一欧式距离，从第一点云中确定疑似离群点；以及，用于基于第二欧式距离，从疑似离群点中确定离群点。

在一些可能的实施方式中，数据分析模块，还用于针对第一点云中的第i个点，从第i个点的最近邻点中确定第一欧式距离小于第三阈值的第二点的数量，i为正整数；若第二点的数量小于第四阈值，则将第i个点确定为疑似离群点。

在一些可能的实施方式中，数据分析模块，还用于针对第一点云中的第j个疑似离群点，从第j个疑似离群点的次近邻点中确定第二欧式距离小于第五阈值的第三点的数量，j为正整数；若第三点的数量小于或等于第六阈值，则将第j个疑似离群点确定为离群点。

第三方面，本申请提供了一种激光雷达，包括：存储器，存储有计算机可执行指令；处理器，与存储器相连，用于通过执行计算机可执行指令，以实现如第一方面及其任一可能的实施方式所述的方法。

第四方面，本申请提供了一种计算机存储介质，计算机存储介质存储有计算机可执行指令，计算机可执行指令被处理器执行后能够实现如第一方面及其任一可能的实施方式所述的方法。

本申请提供的技术方案与现有技术相比存在的有益效果是：

在本申请中，通过查询点云近邻表，确定点云中每个点的最近邻点，并根据每个点到最近邻点的欧式距离来确定点云中的离群点。在对未知点云进行分析时，只需要查表获得近邻点，而无需每次都对近邻点进行搜寻，数据计算量小且方便高效，从而有效提升点云的处理效率。

进一步地，本申请采用激光雷达角度标定数据生成仿真点云，并根据仿真点云中点的位置关系生成点云近邻表。因为仿真点云与未知点云拥有同样的发射角度，所以仿真点云的点的排布与未知点云的点的排布是一一对应的。未知点云通过使用仿真点云生成的近邻表来确定未知点云中任意一点的最近邻点，这种方法确定的最近邻点更加准确。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请的保护范围。

附图说明

图1为相关技术中的一种激光雷达的结构示意图；

图2为本申请实施例中的一种点云的处理方法的流程图；

图3为本申请实施例中的一种点云排布的示意图；

图4为本申请实施例中的一种处理点云的流程图；

图5为本申请实施例中的另一种处理点云的流程图；

图6为本申请实施例中的点云的处理装置的一种结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

激光雷达是一种目标探测技术。激光雷达通过激光器发出激光光束，激光光束遇到目标物体后发生漫反射，通过探测器接收反射回的光束，并根据发射的光束和反射回的光束确定目标物体的距离、方位、高度、速度、姿态、形状等特征量。

激光雷达的应用领域非常广泛。除了运用在军事领域之外，目前还被广泛应用于生活领域，包括但不限于：智能驾驶车辆、智能驾驶飞机、三维(3D)打印、虚拟现实、增强现实、服务机器人等领域。以智能驾驶技术为例，在智能驾驶车辆中设置激光雷达，激光雷达可通过快速且重复地发射激光束来扫描周围环境，以获取反映周围环境中的一个或多个目标对象的形貌、位置、运动的点云等。

需要说明的是，上述智能驾驶技术可以指无人驾驶、自动驾驶、辅助驾驶等技术。

图1为相关技术中的一种激光雷达的结构示意图，参见图1所示，激光雷达10可以包括：光发射装置101、光接收装置102和处理器103。其中，光发射装置101、光接收装置102均与处理器103连接。

其中，上述各器件之间的连接关系可以是电性连接，还可以是光纤连接。更具体的，在光发射装置101和光接收装置102中，还可能分别包括多个光学器件，这些光学器件之间的连接关系还可能是空间光传输连接。

处理器103用于实现对发射装置101和光接收装置102的控制，以使光发射装置101和光接收装置102能够正常工作。示例性的，处理器103可以为光发射装置101和光接收装置102分别提供驱动电压，处理器103还可以为光发射装置101和光接收装置102提供控制信号。

示例性的，处理器103可以是通用处理器，如中央处理器(central processingunit，CPU)、网络处理器(network processor，NP)等；处理器103还可以是数字信号处理器(digital signal processing，DSP)、专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，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。

光发射装置101中还包括光源(图1未示出)。可以理解的，上述光源可以指激光器，激光器的数量可以是一个或者多个。可选的，激光器可以具体为脉冲激光二极管(pulsedlaser diode，PLD)、半导体激光器、光纤激光器等。上述光源用于发射激光束。具体的，处理器103可以向光源发送发射控制信号，从而触发光源发射激光束。

可以理解的，上述激光束也可以称为激光脉冲、激光、发射光束等。

下面结合图1所示的激光雷达的结构，简单描述激光雷达对目标物体104的探测过程。

参见图1所示，激光束沿发射方向进行传播，当激光束遇到目标物体104后，在目标物体104的表面发生反射，反射回的光束被激光雷达的光接收装置102接收。这里，可以将激光束被目标物体104反射回的光束称为回波光束(图1中激光束和回波光束采用实线标识)。

光接收装置102接收到回波光束后，对回波光束进行光电转换，即，将回波光束转换为电信号，光接收装置102将回波光束对应的电信号输出至处理器103，处理器103可以根据回波光束的电信号，获取目标物体104的形貌、位置、运动的点云等。

在实际应用中，激光雷达中的微机电系统(micro-electro-mechanical system，MEMS)扫描式激光雷达的激光器为固定连接，光只能沿着相应的角度传播，使得MEMS扫描式激光雷达中的单个激光器往往只具有有限的视场。为了实现激光雷达大视场，甚至全视场覆盖的应用要求，可以在MEMS扫描式激光雷达中配置多个不同角度的激光器，不同角度的激光器通过小视场拼接的方式扩大MEMS扫描式激光雷达的视场变为大视场。同时，为了防止不同小视场之间具有盲区，影响探测准确性，小视场之间常常具有一定的交叠区。交叠区的存在，使本来在小视场中点的序号分布有序的点云(即有序点云)，在整个激光雷达视场中变成了点的序号分布无序的点云(即无序点云)。

在一些特殊情况，激光雷达出现随机噪声，例如，雪崩光电二极管(avalanchephoton diode，APD)阵列部分接收器损坏、APD被阳光直射等。随机噪声的出现，会致使激光雷达扫描获取的点云出现缺陷(通常表现为点云中出现离群点)，进而影响激光雷达的探测准确性。

因为无序点云的存在，使点云中的点具有位置相邻点的序号并不相邻的特点。无法根据点的序号对点云进行离群点剔除。通常采用点云库(point cloud library，PCL)算法中的统计异常值删除(statistical outlier removal，SOR)对点云中的离群点进行剔除。SOR算法具有通用性强的优点，但是SOR算法在每次输入点云后，需要对每个点在三维空间上的最近邻进行搜寻，耗时非常久并且不稳定。

为了解决上述问题，本申请实施例提供一种点云的处理方法。该方法可以应用于产生无序点云的激光雷达，如MEMS扫描式激光雷达。

应理解的，本申请实施例所指的激光雷达可以为能够获得出厂角度标定文件的所有激光雷达或者能够知道激光雷达中发射器发射角度的激光雷达。即所有可以根据预设的文件和数据得到点云近邻表的激光雷达。为了方便说明，下文统称为激光雷达。

图2为本申请实施例中的一种点云的处理方法的流程图。参见图2中实线所示，该方法包括步骤S201至S203。

S201，获取激光雷达的第一点云。

这里，激光雷达产生的点云为无序点云。相应的，第一点云即为无序点云。

应理解的，激光雷达可以通过对目标物体进行扫描，获得用于描述目标物体相关特性的点云，并将该点云作为第一点云。或者，激光雷达可以通过获取过去扫描并存储的历史点云，并将该点云作为第一点云。当然，激光雷达还可以通过其他方式获得第一点云，本申请实施例对此不作具体限定。

示例性的，第一点云可以包括点的序号、点的三维坐标等信息。

S202，遍历第一点云，通过查询点云近邻表，计算第一点云中每一个点到最近邻点的第一欧式距离。

其中，点云近邻表可以是基于激光雷达的预设角度标定数据生成的。点云近邻表还可以包括激光雷达的点云中各个点的最近邻点。这里，最近邻点可以理解为在三维空间内与点云中每一个点的距离最近的点。在实际应用中，一个点的最近邻点可以为一个点或者多个点，那么，一个点的最近邻点的个数可以设置为K1，K1为正整数。

需要说明的是，最近邻点的个数可以根据算法计算平台的资源以及应用场景对实时性的要求设置。示例性的，若计算资源充分或计算实时性要求较低，最近邻点的个数K1可以设置为8；若计算资源有限，或计算实时性要求较高时，最近邻点的个数K1可以设置为4。当然，还可以存在其他情况，本申请实施例对此不做具体限定。

应理解的，激光雷达中预先存储有上述点云近邻表。那么，激光雷达在通过S101获得第一点云之后，可以遍历第一点云中的每一个点(下面以点A为例进行描述)，通过查询点云近邻表，获得点A的K1个最近邻点，并计算点A到K1个最近邻点的第一欧式距离。也就是说，激光雷达通过查询点云近邻表，确定第一点云中每一个点的K1个最近邻点，并计算各个点与其K1个最近邻点的欧式距离，此时，共计算K1个第一欧式距离。

在本申请实施例中，生成点云邻近表的点云与第一点云是同一激光雷达上的激光器发射的激光束产生的。由于激光器的发射角度固定，且发射光束沿直线传播，所以激光雷达点云中的点的排布是相对固定的。那么，通过查询点云近邻表可以获知第一点云中任意一点的最近邻点。

S203，基于第一欧式距离，从第一点云中确定离群点。

应理解的，激光雷达在确定了点A的K1个最近邻点和相应的第一欧式距离之后，可以根据满足预设条件的第一欧式距离的最近邻点的数量，确定点A是否为离群点。

具体来说，S203可以包括：针对第一点云中的第i(i＝1、2、3…)个点，从第i个点的最近邻点中确定第一欧式距离小于第一阈值的第一点的数量。若第一点的数量小于第二阈值，则将第i个点确定为离群点。

应理解的，激光雷达通过S202获得第i个点到最近邻点的第一欧式距离，共K1个。然后，激光雷达执行S203，从K1个最近邻点中找出第一欧式距离小于第一阈值的最近邻点(即第一点)，并根据第一点的数量确定第i个点是否为离群点。若第一点的数量小于第二阈值，则激光雷达确定第i个点为离群点，反之，激光雷达确定第i个点为非离群点，并针对第i+1个点重复上述步骤。

在实际应用中，上述第一点为第一欧式距离小于第一阈值的最近邻点的集合，该集合为K1个最近邻点的子集。第一点的数量可以小于或者等于K1。

需要说明的是，激光雷达可以遍历第一点云，对每一个点都执行上述判断过程，逐个确定每一个点是否为离群点。例如，以点A为例，激光雷达从点A的K1个最近邻点中确定出满足第一欧式距离小于第一阈值这一条件的第一点，共S1个。若第一点的数量(S1个)小于第二阈值，则激光雷达可以将点A确定为离群点。反之，激光雷达将点A确定为非离群点，并针对下一个点重复上述步骤。

应理解的，第一阈值和第二阈值是根据激光雷达的应用场景、精度要求等实际情况自行设定的。第一阈值和第二阈值可以为经验值。

示例性的，假设，第一阈值为5厘米，第二阈值为2个。如果激光雷达通过S203在点A的4个最近邻点(K1＝4)中确定第一欧式距离小于5厘米(即第一阈值)的第一点为3个(可以记为点B、点C以及点D)，又因为3大于2(即第二阈值)，则可以确定点A不是离群点。如果激光雷达通过S203在点A的4个最近邻点(K1＝4)中确定第一欧式距离小于5厘米(即第一阈值)的第一点为1个(可以记为点E)，又因为1小于2(即第二阈值)，则可以确定点A是离群点。

在实际应用中，针对于第一点云中各个点均执行S202至S203，以判断第一点云中的各个点是否为离群点。

至此，便根据最近邻点从第一点云中确定出离群点，不仅简单便捷，计算量小，能够有效提升对离群点的筛查效率。

在一些可能的实施方式中，上述点云近邻表还可以包括点云中各个点的次近邻点。这里，次近邻点可以理解为在三维空间中与点云中每一个点的距离次近的点。在实际应用中，一个点的次近邻点可以为一个点或者多个点，那么，一个点的最近邻点的个数可以设置为K2，K2为正整数。

需要说明的是，次近邻点的个数可以根据算法计算平台的资源以及应用场景对实时性的要求设置。示例性的，若计算资源充分或计算实时性要求较低，次近邻点的个数K2可以设置为16；若计算资源有限，或计算实时性要求较高时，次近邻点的个数K2可以设置为8。当然，还可以存在其他情况，本申请实施例对此不做具体限定。

那么，参见图2中虚线所示，上述方法还可以包括S204和S205。其中，S204在S201之后执行，可以与S202同时执行，也可以与S202先后执行。

S204，遍历第一点云，通过查询点云近邻表，计算第一点云中每一个点到次近邻点的第二欧式距离；

S205，基于第一欧式距离和第二欧式距离，从第一点云中确定离群点。

应理解的，激光雷达在S201之后，还可以遍历第一点云中的每一个点，通过查询点云近邻表，可以获得第一点云中每一个点(仍以点A为例进行描述)的K2个次近邻点，并计算点A到其K2个次近邻点的第二欧式距离，共K2个第二欧式距离。然后，激光雷达执行S205，基于点A到最近邻点的第一欧式距离和点A到次近邻点的第二欧式距离，确定点A是否为离群点，进而从第一点云中确定出离群点。

具体来说，S205可以包括：基于第一欧式距离，从第一点云中确定疑似离群点；基于第二欧式距离，从疑似离群点中确定离群点。

应理解的，通过S202和S204，激光雷达在获得第一点云中各个点的第一欧式距离和第二欧式距离后，可以根据满足第一预设条件的第一欧式距离的最近邻点的数量，确定点A是否为疑似离群点。然后，若点A为疑似离群点，则根据满足第二预设条件的第二欧式距离的次近邻点的数量，确定点A是否为离群点。通过两次判断，避免非离群点被误删，使得对离群点的识别更加准确。

具体来说，在S205可以包括：针对第一点云中的第i(i＝1、2、3…)个点，从第i个点的最近邻点中确定第一欧式距离小于第三阈值的第二点的数量。若第二点的数量小于第四阈值，则将第i个点确定为疑似离群点。

应理解的，激光雷达通过S202获得第i个点到最近邻点的第一欧式距离，共K1个。然后，激光雷达执行S205，从K1个最近邻点中找出第一欧式距离小于第三阈值的最近邻点(即第二点)，并根据第二点的数量确定第i个点是否为疑似离群点。若第二点的数量小于第四阈值，则激光雷达确定第i个点为疑似离群点，反之，激光雷达确定第i个点为非疑似离群点，并针对第i+1个点重复上述步骤。

在实际应用中，上述第二点为第一欧式距离小于第三阈值的最近邻点的集合，该集合为K1个最近邻点的子集。第二点的数量可以小于或者等于K1。

需要说明的是，激光雷达可以遍历第一点云，对每一个点都执行上述判断过程，逐个确定每一个点是否为疑似离群点。例如，以点A为例，激光雷达从点A的K1个最近邻点中确定出满足第一欧式距离小于第三阈值这一条件的第二点，共S2个。若第二点的数量(S2个)小于第四阈值，则激光雷达可以将点A确定为疑似离群点。反之，激光雷达将点A确定为非疑似离群点，并针对下一个点重复上述步骤。

应理解的，第三阈值和第四阈值是根据激光雷达的应用场景、精度要求等实际情况自行设定的。第三阈值和第四阈值可以为经验值。第三阈值可以与第一阈值相同或不同，第二阈值可以与第四阈值相同或不同，本申请实施例对此不做具体限定。第二点与第一点可以为相同的点，也可以为不同的点，本申请实施例对此不做具体限定。

示例性的，假设第三阈值为5厘米，第四阈值为2个。如果激光雷达通过S205在点A的4个最近邻点(K1＝4)中确定第一欧式距离小于5厘米(即第一阈值)的第一点为3个(可以记为点B、点C以及点D)，又因为3大于2(即第二阈值)，则可以确定点A不是疑似离群点。如果激光雷达通过S203在点A的4个最近邻点(K1＝4)中确定第一欧式距离小于5厘米(即第一阈值)的第一点为1个(可以记为点E)，又因为1小于2(即第二阈值)，则可以确定点A是疑似离群点。

进一步地，S205还可以包括：针对第一点云中的第j(＝1、2、3…)个疑似离群点，从第j个疑似离群点的次近邻点中确定第二欧式距离小于第五阈值的第三点的数量。若第三点的数量小于或等于第六阈值，则第j个疑似离群点确定为离群点。

应理解的，激光雷达通过S204获得第j个疑似离群点到次近邻点的第二欧式距离，共K2个。然后，激光雷达执行S205，从K2个次近邻点中找出第二欧式距离小于第五阈值的次近邻点(即第三点)，并根据第三点的数量确定第j个疑似离群点是否为离群点。若第三点的数量小于或等于第六阈值，则激光雷达确定第j个疑似离群点为离群点，反之，激光雷达确定第j个疑似离群点为非离群点，并针对第j+1个点重复上述步骤。

在实际应用中，上述第三点为第二欧式距离小于第五阈值的次近邻点的集合，该集合为K2个次近邻点的子集。第三点的数量可以小于或者等于K2。

需要说明的是，激光雷达可以遍历第一点云，对每一个疑似离群点都执行上述判断过程，逐个确定每一个疑似离群点是否为离群点。例如，以点A为例，激光雷达从点A的K2个次近邻点中确定出满足第二欧式距离小于第五阈值这一条件的第三点，共S3个。若第三点的数量(S3个)小于或等于第六阈值，则激光雷达可以将点A确定为离群点。反之，激光雷达将点A确定为非离群点，并针对下一个点重复上述步骤。

应理解的，第五阈值和第六阈值是根据激光雷达的应用场景、精度要求等实际情况自行设定的。第五阈值和第六阈值可以为经验值。第五阈值大于第三阈值，第六阈值大于第四阈值。

示例性的，假设点A为疑似离群点。第五阈值为8厘米，第六阈值为2个。如果激光雷达通过S205在点A的8个次近邻点(K2＝8)中确定第二欧式距离小于8厘米(即第三阈值)的第三点为4个(可以记为点F、点G、点H以及点I)，又因为4大于2(即第四阈值)，则可以确定点A不是离群点。如果激光雷达通过S203在点A的8个次近邻点(K2＝8)中确定第二欧式距离小于8厘米的第三点为2个(可以记为点H和点J)，又因为1小于2，则可以确定点A是离群点。

在实际应用中，针对于第一点云中各个点均执行S202至S205，以判断第一点云中的各个点是否为离群点。

至此，便根据最近邻点和次近邻点从第一点云中确定出离群点，不仅判断离群点的准确性更高，而且有效减少误删点情况的发生。

在本申请实施例中，由上述步骤S201-S205可知，通过查询点云近邻表，确定点云中每个点的最近邻点，并根据每个点到最近邻点的欧式距离来确定点云中的离群点。在对未知点云进行处理时，只需要查表获得近邻点，而无需每次都对近邻点进行搜寻，数据计算量小且方便高效，从而有效提升点云的处理效率。

在一些可能的实施方式中，上述方法还可以包括生成点云近邻表步骤。那么，仍参见图2中实线所示，在S201之前，上述方法还可以包括：

S206，基于激光雷达的角度标定数据，在预设探测距离下，生成第二点云；

S207，遍历第二点云，搜索每一点的最近邻点；

S208，至少基于最近邻点，生成点云近邻表。

在实际应用中，上述生成点云近邻表步骤可以在激光雷达出厂时执行，也可以在每次激光雷达上电初始化时执行。也就是说，激光雷达并不需要每次进行测距前执行。

在实际应用中，激光雷达的角度标定数据是在激光雷达出厂前存储的。激光雷达根据该角度标定数据，可以获得激光雷达中每个激光器的发射角度。预设探测距离(可以记为distance)可以理解为激光雷达预设的扫描范围，是根据实际情况设置的。distance为正整数。

应理解的，在S206中，激光雷达能够根据每个激光器的发射角度和预设的探测距离生成一帧仿真点云(即上述实施例中所述的用于生成点云近邻表的点云或者第二点云)。由于激光雷达激光器的发射角度固定且激光沿直线传播，所以，仿真点云重叠的区域是固定的，与激光器的发射距离无关。仿真点云中每一点与其近邻点的排布也是相对固定的。那么，由激光雷达的激光器所产生的任意未知点云中各点的排布与仿真点云是一致的，即第一点云中各点的排布与第二点云中各点的排布是对应的。这里，仿真点云可以理解为在相同探测距离下将二维的角度标定数据还原到三维角度空间中，这样找到的近邻点更加符合实际情况。

示例性的，图3为本申请实施例中的一种点云排布的示意图。假设，预设探测距离(distance)为2米，激光雷达根据角度标定数据和distance＝2，生成如图3所示的仿真点云。在仿真点云中，不同角度的激光器形成不同的视场，不同的视场之间形成交叠区域。图3中放大示意部分用于表示交叠区域中点云的分布情况。其中，圆圈代表点，圆圈中的数字代表该点的序号。由图3可以看出，点49178的四周紧邻点3294、点3302、点3314、点49394、点49402、点2014、点48761和点48537，即点的位置相邻而点云的序号并不相邻。其中，点3302、点49394、点48761以及点49402为点49178的最近邻点，点3294、点3314、点2014以及点8537为点49178的次近邻点。进一步地，激光雷达记录仿真点云中的每一个点的最近邻点和次近邻点，生成点云近邻表。

应理解的，在S207至S208中，激光雷达遍历第二点云，搜索第二点云中每一点的最近邻点。具体来说，激光雷达可以通过搜索算法(如KD树算法)搜索每个点的K1个最近邻点，并记录这些最近邻点，生成固定的点云近邻表。当然，激光雷达还可以采用其他搜索算法来搜索每个点的最近邻点，本申请实施例对此不做具体限定。

在一些可能的实施方式中，仍参见图2中虚线所示，在S206之后，还可以包括：S209，遍历第二点云，搜索第二点云中每一点的次近邻点。具体来说，激光雷达可以通过如KD树算法搜索每个点的K2个次近邻点。S210，基于最近邻点和次近邻点，生成点云近邻表，即记录这些最近邻点和次近邻点，生成固定的点云近邻表。

需要说明，可以采用相同的搜索算法搜索最近邻点和次近邻点，也可以采用不同的搜索算法搜索最近邻点和次近邻点，本申请实施例对此不做具体限定。

下面以具体实例来对上述点云的处理方法进行说明。

图4为本申请实施例中的一种处理点云的流程图。图5为本申请实施例中的另一种处理点云的流程图。结合图4和图5所示对点云处理方法进行说明。在下述实施例中，均以第一点云中的点A为例。

在一实施方式中，点云的处理方法可以包括以下步骤：

S401，输入第一点云，进入S402；

S402，判断是否遍历完成；若是，进入S407；若否，进入S403；

S403，查询近邻表，计算第一点云中点A到K1个最近邻点的第一欧式距离；进入S404；

S404，判断K1个第一欧式距离小于第一设定阈值的数量是否大于2个；若是，进入S405；若否，进入S406；

S405，该点不作处理，进入S402；

S406，该点为离群点，进入S402；

S407，输出去噪后点云，也就是剔除离群点的数据。

由步骤S401-S407可知，遍历输入的第一点云，并查询点云近邻表，基于第一点云中的任意一点到最近邻点的欧氏距离，即可实现确定离群点。

在另一实施方式中，点云的处理方式可以包括以下步骤：

S501，读取角度标定文件，生成点云近邻表，进入S502；

S502，输入第一点云，进入S503；

S503，判断是否遍历完成；若是，进入S510；若否，进入S504；

S504，查询近邻表，计算第一点云中点A到K1个最近邻点的第一欧式距离，进入S505；

S505，判断K1个第一欧式距离小于第一设定阈值的数量是否大于2个；若是，进入S506；若否，进入S507；

S506，该点不作处理，进入S503；

S507，该点为疑似离群点，查询近邻表，计算该疑似离群点到K2个次近邻点的第二欧式距离；进入S508；

S508，判断K2个第二欧式距离小于第二设定阈值的数量是否小于3个；若是，进入S509；若否，进入S506；

S509，该点为离群点，进入S503；

S510，输出去噪后点云，也就是剔除离群点的数据。

由步骤S501-S510可知，遍历输入的第一点云，生成点云近邻表并查询点云近邻表，基于第一点云中的任意一点到最近邻点和次近邻点的欧氏距离，即可实现确定离群点。

本申请实施例中，通过查询点云近邻表，确定点云中每个点的最近邻点，并根据每个点到最近邻点的欧式距离来确定点云中的离群点。在对未知点云进行分析时，只需要查表获得近邻点，而无需每次都对近邻点进行搜寻，数据计算量小且方便高效，从而有效提升点云的处理效率。

进一步地，本申请采用激光雷达角度标定数据生成仿真点云，并根据仿真点云中点的位置关系生成点云近邻表。因为仿真点云与未知点云拥有同样的发射角度，所以仿真点云的点的排布与未知点云的点的排布是一一对应的。未知点云通过使用仿真点云生成的近邻表来确定未知点云中任意一点的最近邻点，这种方法确定的最近邻点更加准确。

基于相同的发明构思，本申请实施例提供了一种点云的处理装置，该装置可以为激光雷达设备中的芯片或者片上系统，还可以为激光雷达设备中用于实现上述各个实施例所述的方法的功能模块。该装置可以实现上述各实施例中点云的处理功能，这些功能可以通过硬件执行相应的软件实现。这些硬件或软件包括一个或多个上述功能相应的模块。图6为本申请实施例中的点云的处理装置的一种结构示意图，参见图6所示，该处理装置600，可以包括：数据获取模块601，用于获取激光雷达的第一点云，激光雷达产生的点云为无序点云；距离计算模块602，用于遍历第一点云，通过查询点云近邻表，计算第一点云中每一个点到最近邻点的第一欧式距离，其中，点云近邻表是基于激光雷达的预设角度标定数据生成的；数据分析模块603，用于至少基于第一欧式距离，从第一点云中确定离群点。第一值的取值都可以根据实际情况进行设置。

在一些可能的实施方式中，数据分析模块603，还用于针对第一点云中的第i个点，从第i个点的最近邻点中确定第一欧式距离小于第一阈值的第一点的数量，i为正整数；若第一点的数量小于第二阈值，则将第i个点确定为离群点。

在一些可能的实施方式中，距离计算模块602，还用于遍历第一点云，通过查询点云近邻表，计算第一点云中每一个点到次近邻点的第二欧式距离；数据分析模块，还用于基于第一欧式距离和第二欧式距离，从第一点云中确定离群点。第三值的取值都可以根据实际情况进行设置。

在一些可能的实施方式中，数据分析模块603，还用于基于第一欧式距离，从第一点云中确定疑似离群点；以及，用于基于第二欧式距离，从疑似离群点中确定离群点。

在一些可能的实施方式中，数据分析模块603，还用于针对第一点云中的第i个点，从第i个点的最近邻点中确定第一欧式距离小于第三阈值的第二点的数量，i为正整数；若第二点的数量小于第四阈值，则将第i个点确定为疑似离群点。

在一些可能的实施方式中，数据分析模块603，还用于针对第一点云中的第j个疑似离群点，从第j个疑似离群点的次近邻点中确定第二欧式距离小于第五阈值的第三点的数量，j为正整数；若第三点的数量小于或等于第六阈值，则将第j个疑似离群点确定为离群点。

需要说明的是，上述数据获取模块601、距离计算模块602和数据分析模块603的具体实现过程可参考图2至图5实施例的详细描述，为了说明书的简洁，这里不再赘述。

本申请实施例中提到的数据获取模块601、距离计算模块602和数据分析模块603可以为一个或者多个处理器。

基于相同的发明构思，本申请实施例提供一种激光雷达，包括：存储器，存储有计算机可执行指令；处理器，与存储器相连，用于通过执行计算机可执行指令，并能够实现如上述一个或者多个实施例所述的点云的处理方法。

基于相同的发明构思，本申请提供一种计算机存储介质，计算机存储介质存储有计算机可执行指令，计算机可执行指令被处理器执行后，能够实现如上述一个或者多个实施例所述的点云的处理方法。

本领域技术人员可以理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

以上实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行替换。而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种点云的处理方法，其特征在于，包括：

获取激光雷达的第一点云，所述激光雷达产生的点云为无序点云；

遍历所述第一点云，通过查询点云近邻表，计算所述第一点云中每一个点到最近邻点的第一欧式距离，其中，所述点云近邻表是基于所述激光雷达的预设角度标定数据生成的；

至少基于所述第一欧式距离，从所述第一点云中确定离群点。

2.根据权利要求1所述的方法，其特征在于，所述至少基于所述第一欧式距离，从所述第一点云中确定离群点，包括：

针对所述第一点云中的第i个点，从所述第i个点的最近邻点中确定所述第一欧式距离小于第一阈值的第一点的数量，i为正整数；

若所述第一点的数量小于第二阈值，则将所述第i个点确定为所述离群点。

3.根据权利要求1所述的方法，其特征在于，在所述获得输入的第一点云之后，所述方法还包括：

遍历所述第一点云，通过查询所述点云近邻表，计算所述第一点云中每一个点到次近邻点的第二欧式距离；

所述至少基于所述第一欧式距离，从所述第一点云中确定离群点，包括：

基于所述第一欧式距离和所述第二欧式距离，从所述第一点云中确定离群点。

4.根据权利要求3所述的方法，其特征在于，所述基于所述第一欧式距离和所述第二欧式距离，从所述第一点云中确定离群点，包括：

基于所述第一欧式距离，从所述第一点云中确定疑似离群点；

基于所述第二欧式距离，从所述疑似离群点中确定离群点。

5.根据权利要求4所述的方法，其特征在于，所述基于所述第一欧式距离，从所述第一点云中确定疑似离群点，包括：

针对所述第一点云中的第i个点，从所述第i个点的最近邻点中确定所述第一欧式距离小于第三阈值的第二点的数量，i为正整数；

若所述第二点的数量小于第四阈值，则将所述第i个点确定为所述疑似离群点。

6.根据权利要求4所述的方法，其特征在于，所述基于所述第二欧式距离，从所述疑似离群点中确定离群点，包括：

针对所述第一点云中的第j个疑似离群点，从所述第j个疑似离群点的次近邻点中确定所述第二欧式距离小于第五阈值的第三点的数量，j为正整数；

若所述第三点的数量小于或等于第六阈值，则将所述第j个疑似离群点确定为所述离群点。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述激光雷达的角度标定数据，在预设探测距离下，生成第二点云；所述第二点云与所述第一点云一一对应；

遍历所述第二点云，搜索每一点的最近邻点和次近邻点；

基于所述每一点的最近邻点和次近邻点，生成所述点云近邻表。

8.一种点云的处理装置，其特征在于，包括：

数据获取模块，用于获取激光雷达的第一点云，所述激光雷达产生的点云为无序点云；

距离计算模块，用于遍历所述第一点云，通过查询点云近邻表，计算所述第一点云中每一个点到最近邻点的第一欧式距离，其中，所述点云近邻表是基于所述激光雷达的预设角度标定数据生成的；

数据分析模块，用于至少基于所述第一欧式距离，从所述第一点云中确定离群点。

9.一种激光雷达，其特征在于，包括：

存储器，存储有计算机可执行指令；

处理器，与所述存储器相连，用于通过执行所述计算机可执行指令，以实现如权利要求1至7任一项所述的方法。

10.一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，其特征在于，所述计算机可执行指令被处理器执行后能够实现如权利要求1至7任一项所述的方法。

Images