CN114973191A - 基于点云密度和间距的动态阈值确定方法及欧式聚类方法 - Google Patents

基于点云密度和间距的动态阈值确定方法及欧式聚类方法 Download PDF

Info

Publication number
CN114973191A
CN114973191A CN202210517031.9A CN202210517031A CN114973191A CN 114973191 A CN114973191 A CN 114973191A CN 202210517031 A CN202210517031 A CN 202210517031A CN 114973191 A CN114973191 A CN 114973191A
Authority
CN
China
Prior art keywords
point cloud
point
distance
clustering
threshold
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
Application number
CN202210517031.9A
Other languages
English (en)
Inventor
刘飞
杨起鸣
邹钰杰
柴文静
沈乃瑞
宁辉旺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202210517031.9A priority Critical patent/CN114973191A/zh
Publication of CN114973191A publication Critical patent/CN114973191A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/005—Tree description, e.g. octree, quadtree
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)

Abstract

基于点云密度和间距的动态阈值确定方法及欧式聚类方法，属于自动驾驶环境感知技术领域。为了解决针对欧式聚类对于全范围内的障碍物识别的采用统一的距离阈值存在因固定阈值导致的远距离的障碍物聚类欠分割率较高的问题。本发明首先根据地面分割后的激光点云建立KD‑tree；基于建立的KD‑tree计算每个集合中点云间的平均欧式距离
Figure DDA0003640077940000011
基于点云集合的平均欧式距离
Figure DDA0003640077940000012
确定补偿因子e；根据聚类集合中的两点确定初始阈值di；最后进而根据补偿因子和初始阈值确定距离阈值dt＝ed+di，其中，d为该点云至激光雷达中心的距离。本发明主要用于点云的聚类。

Description

基于点云密度和间距的动态阈值确定方法及欧式聚类方法
技术领域
本发明属于自动驾驶环境感知技术领域，涉及一种激光点云阈值确定方法及聚类方法。
背景技术
聚类算法是对于激光点云最常用的目标检测算法，具有算法简单、速度快及不需要训练等优点，聚类是将特征相似的点云划分为一类，将一个密集数量大的点集以距离或密度等依据划分为若干个簇和类，欧式聚类常被称为欧几里得聚类，欧式聚类是一种基于欧氏距离度量的聚类算法。欧式距离的算法原理是选取输入点云空间中的一个点，以该点为中心找寻与其邻近的点，邻近点与中心点的欧式距离必须满足小于给定阈值，将所有满足阈值条件的邻近点加入集合A中，若集合中激光点云个数也满足数量阈值，则该集合中点云为聚类目标，在本文中，该目标为障碍物目标。随后选取非集合A内点作为中心点，重复上述动作，直到所有非集合内的点都成为中心点。将所有成为目标的集合作为障碍物点云。即分割成不同的障碍物。传统的欧式聚类的阈值设定非常重要，主要依赖于两个阈值，一个是距离阈值，一个是点云个数阈值。这两个阈值是绝对一个点云簇是否能被拟合的重要因素。对于正常的点云，点云投射在目标上的数量较多，点云簇聚类效果较好，但由于激光雷达发射角度固定，因此点云在距离较远的位置，点云的间距会变大，因此无法满足距离阈值的要求，所以对远距离的目标聚类分割率低。
欧式聚类对近距离点云及密度较大的点云集合聚类效果较为精准，在30m以内的感知距离(以激光雷达坐标系为基准)，过分割率和欠分割率具体表现如图1所示。由图可知，在较远距离时，小型物体(如单车、人、树等)容易出现聚类欠分割现象，即无法被聚类。此时激光雷达激光角度原因，在较远物体上的点云数量较少，且点云的间距随着目标距离的增加而增加，当目标距离过大时，目标反射形成的点云数量小于数量阈值，或目标的点云间距过大，满足不了欧式聚类的条件，则无法聚类，出现欠分割现象。针对欠分割现象，本发明提出一种基于密度和间距的动态阈值的欧式聚类优化方法。
发明内容
本发明为了解决针对欧式聚类对于全范围内的障碍物识别的采用统一的距离阈值存在因固定阈值导致的远距离的障碍物聚类欠分割率较高的问题。
基于点云密度和间距的动态阈值确定方法，包括以下步骤：
根据地面分割后的激光点云建立KD-tree；基于建立的KD-tree计算每个集合中点云间的平均欧式距离
Figure BDA0003640077920000021
基于点云集合的平均欧式距离
Figure BDA0003640077920000022
确定补偿因子
Figure BDA0003640077920000023
其中，l为激光雷达的线数数量，ρ为点云集合中的点云密度；
根据聚类集合中的两点确定初始阈值
Figure BDA0003640077920000024
其中，p1和p2为点云密度最高且符合点云数量阈值的聚类集合中的两点；
最后进而根据补偿因子e和初始阈值确定距离阈值dt＝ed+di，其中，d为该点云至激光雷达中心的距离。
进一步地，所述点云集合的平均欧式距离
Figure BDA0003640077920000025
其中，dn(pi)为点云集合中任意一点pi与其最邻近点的欧式距离，N表示点云集合中的点云总数。
进一步地，所述点云集合中的点云密度ρ的确定过程包括以下步骤：
获取平均欧式距离后，将点云空间划分为立方体网格，即将空间体素化，设格网的边长为⊿a×⊿b×⊿c，则点云空间可划分为s个立方体网格；
s＝a×b×c
其中a,b,c为立方体各方向上网格平面数；
将点云空间划分为立方体网格后，若网格中存在点云，则该网格记为1，并记录点云数ni，若网格中没有点云，则记为0；点云集合中点云密度为：
Figure BDA0003640077920000026
其中，s(1)表示为记为1的网格数量，ni表示网格中的点云数量。
进一步地，立方体各方向上网格平面数如下：
Figure BDA0003640077920000027
其中，int表示向下取整；xmax、xmin分别是点云集合中点云x轴坐标的最大值和最小值，ymax、ymin分别是点云集合中点云y轴坐标的最大值和最小值，zmax、zmin分别是点云集合中点云z轴坐标的最大值和最小值。
基于点云密度和间距的动态阈值欧式聚类方法，首先利用基于点云密度和间距的动态阈值确定方法确定距离阈值
Figure BDA0003640077920000031
求得距离阈值后，基于设置好的欧式聚类的聚类参数，利用欧式聚类的方法进行聚类。
进一步地，所述利用欧式聚类的方法进行聚类的过程包括以下步骤：
S201、创建一个集合Q1，利用KD-tree在o1点外搜索最近点,将符合距离阈值的n个点p1,p2…,pn以及点p加入集合Q1中，则Q1＝(o1,p1,p2…,pn)，其中集合Q1中的点满足：
Figure BDA0003640077920000032
其中pi为集合Q1中除o1外的任意一点，di为最近搜索距离，
S202、在集合Q1外选取另一点作为中心点，创建另一个集合Q2，按照步骤S201的方式找寻满足距离阈值的点加入，遍历所有输入的点，反复执行上述动作，直到所有点都成为某一集合Qi中的点或者中心点，随后记录每个集合Qi中的点云个数ti，
当满足数量阈值条件时，即tmin<ti<tmax时，集合Qi内的点云为障碍物点云，其中tmin和tmax为聚类的数量阈值；不满足数量阈值条件的集合内的点云为无效点云。
有益效果：
本发明基于点云簇的点云密度及平均间距，对欧式聚类的距离阈值采取动态阈值的方法进行优化，对于不同点云密度及平均间距的点云簇采取不同的阈值，从而达到提升远距离目标的聚类精度及降低欠分割率的目的。采用本发明的方法可提升远距离目标的识别率且增加整体聚类的效果，可以有效地解决抑制现有欧式聚类方法中远距离目标点云的间距较大，聚类欠分割率较高的问题。
附图说明
图1为障碍物距离与分割率关系图；
图2为本发明流程示意图；
图3(a)和图3(b)分别为欧式聚类的效果图及其局部放大图；
图4(a)和图4(b)分别为传统欧式聚类与本发明优化后的欧式聚类效果图；
图5(a)、图5(b)、图5(c)传统欧式聚类与本发明优化后过分割率对比图、欠分割率对比图和聚类个数对比图。
具体实施方式
本发明是一种利用自动驾驶中利用传感器(如激光雷达、视觉相机)对周围环境进行勘测以及对障碍物进行识别的技术。本发明基于点云密度的动态阈值欧式聚类优化算法通过对算法程序中固定阈值的优化，将不同区域内的点云簇，计算其点云密度及点云间距，以一定比例系数对该值计算从而得出不同的距离阈值，以动态阈值的方式优化阈值的需求。下面结合具体实施方式对本发明做出更具体的说明。
具体实施方式一：结合图2说明本实施方式，
本实施方式为基于点云密度和间距的动态阈值确定方法，包括以下步骤：
(1)、根据地面分割后的激光点云建立KD-tree，欧式距离的关键为寻找最近点云，该方法依赖于KD-tree的最邻近查找算法来进行加速。KD-tree是一种树状的数据结构，可以将大量无序的空间点云按照一种顺序有序化，能更加有效的对空间中的三维点云进行最近邻近搜索，达到减少聚类时间的目的。
(2)、距离阈值应该针对不同距离的障碍物进行动态改变，阈值的设定依赖于单位面积的点云密度以及间隔距离，由于动态设定需要先确定初始阈值，初始阈值需要保证在距离较短范围内，检测率较高且稳定，在距离较短时，点云密度较高，点云间隔距离较短，易分割，则初始阈值可设为：
Figure BDA0003640077920000041
其中，p1和p2为点云密度最高且符合点云数量阈值的聚类集合中的两点。
(3)、计算平均点云间距对阈值的影响，即在点云簇中点云之间的平均距离对阈值的影响，平均点云间距为点云簇内每个点与最邻近点的欧式距离平均值，通过实验中可得聚类集合在30m时的平均点云间距较高。由于激光雷达发射角度的限制，平均点云间距随着障碍物距离增加而增加，则距离阈值可设为：
dt＝ed+di
式中e为补偿因子，di为初始聚类阈值，d为该点云至激光雷达中心的距离；随着距离增加，距离阈值需要随之增加；并保证在较远距离时，小型障碍物能精准聚类成功。
(4)除了平均点云间距，点云簇中的点云密度对阈值的选取同样有影响，点云密度为单位体积内的点云个数。点云密度对聚类阈值的影响较大，障碍物距离越远，点云的密度则越稀疏。在点云预处理之后，对建立的KD-tree计算每个集合中点云间的平均欧式距离，用来表示每个集合内点云的间距，计算公式如下：
Figure BDA0003640077920000042
其中
Figure BDA0003640077920000043
为点云集合的平均欧式距离；dn(pi)为点云集合中任意一点pi与其最邻近点的欧式距离；N表示点云集合中的点云总数。
(5)获取平均欧式距离后，将点云空间划分为立方体网格。即将空间体素化，设格网的边长为⊿a×⊿b×⊿c，则点云空间可划分为s个立方体网格。可得：
s＝a×b×c
其中a,b,c为立方体各方向上网格平面数，其的计算公式为:
Figure BDA0003640077920000051
其中，int表示向下取整；xmax、xmin分别是点云集合中点云x轴坐标的最大值和最小值，ymax、ymin分别是点云集合中点云y轴坐标的最大值和最小值，zmax、zmin分别是点云集合中点云z轴坐标的最大值和最小值；
将点云空间划分为立方体网格后，若网格中存在点云，则该网格记为1，并记录点云数ni，若网格中没有点云，则记为0；点云集合中点云密度可表示为：
Figure BDA0003640077920000052
其中，ρ为点云集合中的点云密度，s(1)表示为记为1的网格数量，ni表示网格中的点云数量。
(6)通过计算点云间距及点云密度，可得补偿因子e，其中e由公式(1)求得，最后可得距离阈值由公式(2)求得。则聚类的距离阈值可通过点云密度及间距的变化而随之动态改变，以达到动态阈值的目的，同时提升对远距离目标的聚类精度。
Figure BDA0003640077920000053
Figure BDA0003640077920000054
其中，l为激光雷达的线数数量。
具体实施方式二：结合图2说明本实施方式，
本实施方式为基于点云密度和间距的动态阈值欧式聚类方法，包括以下步骤：
(1)、根据地面分割后的激光点云建立KD-tree，欧式距离的关键为寻找最近点云，该方法依赖于KD-tree的最邻近查找算法来进行加速。KD-tree是一种树状的数据结构，可以将大量无序的空间点云按照一种顺序有序化，能更加有效的对空间中的三维点云进行最近邻近搜索，达到减少聚类时间的目的。
(2)、距离阈值应该针对不同距离的障碍物进行动态改变，阈值的设定依赖于单位面积的点云密度以及间隔距离，由于动态设定需要先确定初始阈值，初始阈值需要保证在距离较短范围内，检测率较高且稳定，在距离较短时，点云密度较高，点云间隔距离较短，易分割，则初始阈值可设为：
Figure BDA0003640077920000061
其中，p1和p2为点云密度最高且符合点云数量阈值的聚类集合中的两点。
(3)、计算平均点云间距对阈值的影响，即在点云簇中点云之间的平均距离对阈值的影响，平均点云间距为点云簇内每个点与最邻近点的欧式距离平均值，通过实验中可得聚类集合在30m时的平均点云间距较高。由于激光雷达发射角度的限制，平均点云间距随着障碍物距离增加而增加，则距离阈值可设为：
dt＝ed+di
式中e为补偿因子，di为初始聚类阈值，d为该点云至激光雷达中心的距离，随着距离增加，距离阈值需要随之增加；并保证在较远距离时，小型障碍物能精准聚类成功。
(4)除了平均点云间距，点云簇中的点云密度对阈值的选取同样有影响，点云密度为单位体积内的点云个数。点云密度对聚类阈值的影响较大，障碍物距离越远，点云的密度则越稀疏。在点云预处理之后，对建立的KD-tree计算每个集合中点云间的平均欧式距离，用来表示每个集合内点云的间距，计算公式如下：
Figure BDA0003640077920000062
其中
Figure BDA0003640077920000063
为点云集合的平均欧式距离；dn(pi)为点云集合中任意一点pi与其最邻近点的欧式距离；N表示点云集合中的点云总数。
(5)获取平均欧式距离后，将点云空间划分为立方体网格。即将空间体素化，设格网的边长为⊿a×⊿b×⊿c，则点云空间可划分为s个立方体网格。可得：
s＝a×b×c
其中a,b,c为立方体各方向上网格平面数，其的计算公式为:
Figure BDA0003640077920000064
其中，int表示向下取整；xmax、xmin分别是点云集合中点云x轴坐标的最大值和最小值，ymax、ymin分别是点云集合中点云y轴坐标的最大值和最小值，zmax、zmin分别是点云集合中点云z轴坐标的最大值和最小值；
将点云空间划分为立方体网格后，若网格中存在点云，则该网格记为1，并记录点云数ni，若网格中没有点云，则记为0；点云集合中点云密度可表示为：
Figure BDA0003640077920000071
其中，ρ为点云集合中的点云密度，s(1)表示为记为1的网格数量，ni表示网格中的点云数量。
(6)通过计算点云间距及点云密度，可得补偿因子e，其中e由公式(1)求得，最后可得距离阈值由公式(2)求得。则聚类的距离阈值可通过点云密度及间距的变化而随之动态改变，以达到动态阈值的目的，同时提升对远距离目标的聚类精度。
Figure BDA0003640077920000072
Figure BDA0003640077920000073
其中，l为激光雷达的线数数量。
(7)求得距离阈值后，设置聚类的各项参数，具体参数设置如表1所示。
表1欧式聚类参数设置
设置项 参数值
最大点云数量 60000
最小点云数量 20
距离阈值 d<sub>t</sub>
最小聚类高度 -0.5m
最大聚类高度 2.2m
检测框左边长最大值 5m
检测框左边长最大值 5m
(8)设定好各种参数后，创建一个集合Q1，利用KD-tree在o1点外搜索最近点,将符合距离阈值的n个点p1,p2…,pn以及点p加入集合Q1中，则Q1＝(o1,p1,p2…,pn)，其中集合Q1中的点满足：
Figure BDA0003640077920000074
其中pi为集合Q1中除o1外的任意一点，di为最近搜索距离。
(9)在集合Q1外选取另一点作为中心点，创建另一个集合Q2，按照步骤(8)的方式找寻满足距离阈值的点加入，遍历所有输入的点，反复执行上述动作，直到所有点都成为某一集合Qi中的点或者中心点，随后记录每个集合Qi中的点云个数ti。
(10)当满足数量阈值条件时，即tmin<ti<tmax时，集合Qi内的点云为障碍物点云，其中tmin和tmax为聚类的数量阈值；不满足数量阈值条件的集合内的点云为无效点云，当集合内点云数量ti过大时，说明该物体聚类不正常或者该物体为建筑等大型物体，当集合内点云数量ti过小时，说明该物体为小型物体或该物体距离较远。
(11)载入欧式聚类框架以对障碍物进行聚类，效果如图3(a)和图3(b)所示，其中图3(a)和图3(b)分别为欧式聚类的效果图及其局部放大图。欧式聚类将符合数量阈值和距离阈值的障碍物进行拟合，同时计算三维检测框的顶点坐标，见图3(b)中的绿线所示，并计算点云集合的中心位置，如图3(b)中蓝点所示，最后计算重心位置距离激光雷达坐标系原点的距离，并标注出具体距离值15.8m，见图3(b)。
基于图3(a)中所示信息可知，聚类框随着目标距离增大而减少，采用本发明的基于密度和距离的动态阈值聚类优化算法，对比传统的欧式聚类，同一场景下的聚类效果对比如图4(a)和图4(b)所示。图4(a)中可得传统的欧式聚类聚类个数仅为31个，边缘等距离激光雷达中心较远的物体聚类效果差，而使用本发明方法使用动态阈值聚类的聚类个数达45个，如图4(b)所示，聚类拟合数量大幅提升，同时在边缘等距离较远的物体识别率有所提升。
传统方法在点云空间边缘地带及较远距离的区域分割效果较差，通过本发明聚类优化，在不同距离、不同点云密度下采用自适应阈值，可减少聚类欠分割率，增加有效聚类个数。此外，为了测试该优化算法的对聚类精度的提升程度，则通过5组实验对比两种方法对于欠分割率、过分割率和聚类个数的影响，结果如图5(a)—图5(c)所示，实验结果表明，优化算法的优化效果随目标距离的提升而提升，当目标距离大于30m时，相较传统方法，欠分割率每组实验组均有下降，平均下降9.23％,且聚类个数增加，平均增加3.58个，过分割率则变化较小，平均下降1.2％。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.基于点云密度和间距的动态阈值确定方法，其特征在于，包括以下步骤：
根据地面分割后的激光点云建立KD-tree；基于建立的KD-tree计算每个集合中点云间的平均欧式距离
Figure FDA0003640077910000011
基于点云集合的平均欧式距离
Figure FDA0003640077910000012
确定补偿因子
Figure FDA0003640077910000013
其中，l为激光雷达的线数数量，ρ为点云集合中的点云密度；
根据聚类集合中的两点确定初始阈值
Figure FDA0003640077910000014
其中，p1和p2为点云密度最高且符合点云数量阈值的聚类集合中的两点；
最后进而根据补偿因子e和初始阈值确定距离阈值dt＝ed+di，其中，d为该点云至激光雷达中心的距离。
2.根据权利要求1所述的基于点云密度和间距的动态阈值确定方法，其特征在于，所述点云集合的平均欧式距离
Figure FDA0003640077910000015
其中，dn(pi)为点云集合中任意一点pi与其最邻近点的欧式距离，N表示点云集合中的点云总数。
3.根据权利要求2所述的基于点云密度和间距的动态阈值确定方法，其特征在于，所述点云集合中的点云密度ρ的确定过程包括以下步骤：
获取平均欧式距离后，将点云空间划分为立方体网格，即将空间体素化，设格网的边长为Δa×Δb×Δc，则点云空间可划分为s个立方体网格；
s＝a×b×c
其中a，b，c为立方体各方向上网格平面数；
将点云空间划分为立方体网格后，若网格中存在点云，则该网格记为1，并记录点云数ni，若网格中没有点云，则记为0；点云集合中点云密度为：
Figure FDA0003640077910000016
其中，s(1)表示为记为1的网格数量，ni表示网格中的点云数量。
4.根据权利要求3所述的基于点云密度和间距的动态阈值确定方法，其特征在于，立方体各方向上网格平面数如下：
Figure FDA0003640077910000017
其中，int表示向下取整；xmax、xmin分别是点云集合中点云x轴坐标的最大值和最小值，ymax、ymin分别是点云集合中点云y轴坐标的最大值和最小值，zmax、zmin分别是点云集合中点云z轴坐标的最大值和最小值。
5.基于点云密度和间距的动态阈值欧式聚类方法，其特征在于，首先利用权利要求1至4之一所述的基于点云密度和间距的动态阈值确定方法确定距离阈值
Figure FDA0003640077910000022
求得距离阈值后，基于设置好的欧式聚类的聚类参数，利用欧式聚类的方法进行聚类。
6.根据权利要求5所述的基于点云密度和间距的动态阈值欧式聚类方法，其特征在于，所述利用欧式聚类的方法进行聚类的过程包括以下步骤：
S201、创建一个集合Q1，利用KD-tree在o1点外搜索最近点，将符合距离阈值的n个点p1，p2…，pn以及点p加入集合Q1中，则Q1＝(o1，p1，p2…，pn)，其中集合Q1中的点满足：
Figure FDA0003640077910000021
其中pi为集合Q1中除o1外的任意一点，di为最近搜索距离，
S202、在集合Q1外选取另一点作为中心点，创建另一个集合Q2，按照步骤S201的方式找寻满足距离阈值的点加入，遍历所有输入的点，反复执行上述动作，直到所有点都成为某一集合Qi中的点或者中心点，随后记录每个集合Qi中的点云个数ti，
当满足数量阈值条件时，即tmin<ti<tmax时，集合Qi内的点云为障碍物点云，其中tmin和tmax为聚类的数量阈值；不满足数量阈值条件的集合内的点云为无效点云。
CN202210517031.9A 2022-05-12 2022-05-12 基于点云密度和间距的动态阈值确定方法及欧式聚类方法 Pending CN114973191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210517031.9A CN114973191A (zh) 2022-05-12 2022-05-12 基于点云密度和间距的动态阈值确定方法及欧式聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210517031.9A CN114973191A (zh) 2022-05-12 2022-05-12 基于点云密度和间距的动态阈值确定方法及欧式聚类方法

Publications (1)

Publication Number Publication Date
CN114973191A true CN114973191A (zh) 2022-08-30

Family

ID=82980740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210517031.9A Pending CN114973191A (zh) 2022-05-12 2022-05-12 基于点云密度和间距的动态阈值确定方法及欧式聚类方法

Country Status (1)

Country Link
CN (1) CN114973191A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115877373A (zh) * 2023-02-20 2023-03-31 上海几何伙伴智能驾驶有限公司 结合激光雷达信息实现点云雷达聚类参数设计的方法
CN117849760A (zh) * 2024-03-07 2024-04-09 云南云金地科技有限公司 一种激光雷达点云数据处理方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115877373A (zh) * 2023-02-20 2023-03-31 上海几何伙伴智能驾驶有限公司 结合激光雷达信息实现点云雷达聚类参数设计的方法
CN115877373B (zh) * 2023-02-20 2023-04-28 上海几何伙伴智能驾驶有限公司 结合激光雷达信息实现点云雷达聚类参数设计的方法
CN117849760A (zh) * 2024-03-07 2024-04-09 云南云金地科技有限公司 一种激光雷达点云数据处理方法
CN117849760B (zh) * 2024-03-07 2024-05-14 云南云金地科技有限公司 一种激光雷达点云数据处理方法

Similar Documents

Publication Publication Date Title
WO2020134082A1 (zh) 一种路径规划方法、装置和移动设备
CN114973191A (zh) 基于点云密度和间距的动态阈值确定方法及欧式聚类方法
CN110097536B (zh) 基于深度学习和霍夫变换的六边形螺栓松动检测方法
US9251399B2 (en) Method of separating object in three dimension point cloud
US8462992B2 (en) Method of change detection for building models
CN111340875B (zh) 一种基于三维激光雷达的空间移动目标检测方法
WO2022188663A1 (zh) 一种目标检测方法及装置
CN110599506B (zh) 一种复杂异形曲面机器人三维测量的点云分割方法
CN110794413B (zh) 线性体素分割的激光雷达点云数据电力线检测方法和系统
CN106970375A (zh) 一种机载激光雷达点云中自动提取建筑物信息的方法
WO2021035618A1 (zh) 点云分割方法、系统和可移动平台
CN109215112B (zh) 一种单侧点云模型的标注方法
WO2021082380A1 (zh) 一种基于激光雷达的托盘识别方法、系统和电子设备
CN111736167B (zh) 一种获取激光点云密度的方法和装置
CN115718305A (zh) 一种激光点云公路断面处理方法、装置、设备及存储介质
CN108629315B (zh) 一种针对三维点云的多平面识别方法
CN113269889B (zh) 一种基于椭圆域的自适应点云目标聚类方法
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
CN112767429B (zh) 一种地面-雪面点云快速分割方法
CN113077473A (zh) 三维激光点云路面分割方法、系统、计算机设备及介质
CN116310317A (zh) 面向点云目标包围框拟合的异形大目标点云切割方法
CN116071694A (zh) 船舶检测方法、装置及计算机可读存储介质
CN113393395B (zh) 一种高动态红外图像分割阈值自适应计算方法
CN113763563A (zh) 一种基于平面识别的三维点云几何网格结构生成方法
CN113298844A (zh) 基于多特征融合和区域生长的低小慢目标跟踪方法及装置

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