CN114998400A - 激光点云自动化地面提取方法 - Google Patents

激光点云自动化地面提取方法 Download PDF

Info

Publication number
CN114998400A
CN114998400A CN202210723752.5A CN202210723752A CN114998400A CN 114998400 A CN114998400 A CN 114998400A CN 202210723752 A CN202210723752 A CN 202210723752A CN 114998400 A CN114998400 A CN 114998400A
Authority
CN
China
Prior art keywords
point
point cloud
ground
interest
laser
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
CN202210723752.5A
Other languages
English (en)
Inventor
廖文龙
何弢
綦晓杰
谢荣荣
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.)
Shanghai Kuyi Robot Co ltd
Anhui Cowarobot Co ltd
Original Assignee
Shanghai Kuyi Robot Co ltd
Anhui Cowarobot Co ltd
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 Shanghai Kuyi Robot Co ltd, Anhui Cowarobot Co ltd filed Critical Shanghai Kuyi Robot Co ltd
Priority to CN202210723752.5A priority Critical patent/CN114998400A/zh
Publication of CN114998400A publication Critical patent/CN114998400A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供了一种激光点云自动化地面提取方法，包括：输入激光点云地图包中的单帧点云，对所述单帧点云进行盒子滤波，确定感兴趣区并提取得到单帧感兴趣区点云，然后判断所述单帧感兴趣区点云的累计帧数是否不小于第一阈值；将提取的所有单帧感兴趣区点云进行叠加，得到叠加感兴趣区点云，然后采用区域生长法对所述叠加感兴趣区点云进行噪点去除，得到目标感兴趣区点云；计算所述目标感兴趣区点云的地面起伏程度；针对目标点云地图，根据所述地面起伏程度，利用布料滤波完成地面提取。本发明提高CSF提取地面的自动化程度；杜绝除了道路上一些车辆的噪点之外的大部分的无关点，比如植被，建筑等。

Description

激光点云自动化地面提取方法
技术领域
本发明涉及遥感与摄影测量技术领域，具体地，涉及一种激光点云自动化地面提取方法，更为具体地，涉及一种针对激光雷达点云的融合区域生长法和布料滤波的自动化地面提取方法及系统。
背景技术
激光雷达点云地图是自动驾驶技术栈中不可缺少的一部分，而从激光雷达点云地图中提取相关要素则是地图应用的关键所在，其中从点云中提取地面就在许多场景中应用，比如回环检测，传感器标定等。常用的激光雷达点云地面提取方法主要有Randomsample consensus(RANSAC)，Cloth Simulation Fi lter(CSF)，即布料滤波，区域生长法和基于深度学习的地面提取方法。其中，RANSAC和区域生长法对噪声比较敏感，需要将点云进行预处理才会有较好的效果，但鲁棒性较差；CSF提取地面鲁棒性较好，但要根据地面起伏程度设置合适的参数才会得到比较好的地面提取效果，需要人工参与判断地面起伏程度；深度学习的方法提取地面也有较好的效果，但需要大量的数据训练模型，并且模型没有普适性，一般针对不同的数据需要训练新的模型才会有比较好的效果。本发明提出了一种融合CSF和区域生长法的具有普适性的自动化激光雷达点云地面提取方法。
专利文献CN113052881A(申请号：CN202110316363.6)公开了一种提取极点的室内三维点云自动化配准方法，以避免对点云数据进行构网和法方向估算为前提，以解决建筑室内场景中多站地面激光扫描点云数据的自动化配准为目的，主要包括极点提取和点云配准两部分，并利用真实的建筑室内点云数据对本发明方法进行解析和验证，对多组点云数据进行配准参数解算，将配准结果与通过人工选取标靶方式计算出的结果进行比较，进一步验证本发明方法的精度和可靠性。但该发明没有通过使用区域生长法初步提取激光雷达点云中的路面来确定地面的起伏程度。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种激光点云自动化地面提取方法。
根据本发明提供的一种激光点云自动化地面提取方法，包括：
步骤S1：输入激光点云地图包中的单帧点云，对所述单帧点云进行盒子滤波，确定感兴趣区并提取得到单帧感兴趣区点云，然后判断所述单帧感兴趣区点云的累计帧数是否大于或等于第一阈值Na，若是则进入步骤S2，若否则重复步骤S1；
步骤S2：将提取的所有单帧感兴趣区点云进行叠加，得到叠加感兴趣区点云，采用区域生长法对所述叠加感兴趣区点云进行噪点去除，得到目标感兴趣区点云；
步骤S3：计算所述目标感兴趣区点云的地面起伏程度；
步骤S4：针对目标点云地图，根据所述地面起伏程度，利用布料滤波完成地面提取。
优选地，所述步骤S1中对所述单帧点云进行盒子滤波，包括：
预先设置好尺寸参数；
沿道路方向，设置一个符合预设尺寸的长方体作为盒子，盒子内为感兴趣区；
保留感兴趣区内的激光点，滤除感兴趣区外的激光点。
优选地，所述步骤S1中的第一阈值Na根据构成目标点云地图所需的单帧点云帧数确定。
优选地，所述步骤S2中采用区域生长法对所述叠加感兴趣区点云进行噪点去除，包括：
步骤T1：估计各激光点的法向量，采用基于局部表面拟合的方法，针对每个激光点，搜索与该激光点邻近的其他K个点pi(i＝1,2,…,K)，这K个近邻点拟合出平面P，平面P的法向量就是该激光点的法向量，考虑到平面P经过K个近邻点的质心p0，对p0的协方差矩阵M：
Figure BDA0003712570750000021
进行特征值分解，其中最小特征值对应的特征向量为平面P的法向量，也就是该激光点的法向量；
步骤T2：从各激光点中筛选种子点集，针对每个激光点，对其协方差矩阵进行特征值分解，得到三个特征值λ0、λ1和λ2，若它们的大小关系为λ0≤λ1≤λ2，则该激光点的曲率为：
Figure BDA0003712570750000031
曲率越小表示邻域越平坦，选取曲率小于阈值δth的激光点作为种子点，得到种子点集；
步骤T3：利用种子点集去除噪点，针对每个种子点，使用KD-Tree法搜索该种子点的所有近邻点，计算每个近邻点与该种子点的法向量差，若差值大于等于第二阈值，则判断该近邻点不属于地面点，若差值不大于第二阈值，则接着计算该近邻点的曲率是否小于第三阈值，若否，则判断该近邻点不属于地面点，若是，则判断该近邻点为地面点；去除所有噪点后，余下的地面点构成目标感兴趣区点云。
优选地，所述步骤S3中计算所述目标感兴趣区点云的地面起伏程度，包括：
步骤Y1：将所述目标感兴趣区点云分为N块，其中N为正整数，其初始值任取；
步骤Y2：针对每块点云，计算其高度平均值H和高度方差V：
Figure BDA0003712570750000032
Figure BDA0003712570750000033
其中，R为每块点云中点的数量，hi(i＝1,2,…,R)为第i个点的高度；
步骤Y3：判断每块点云的高度方差是否大于第四阈值，若有某块点云的高度方差大于第四阈值，则增大N值，对所述目标感兴趣区点云重新进行划分，再重复步骤Y2；若所有N块点云的高度方差都不大于第四阈值，则计算所述目标感兴趣区点云的地面起伏程度S：
Figure BDA0003712570750000034
其中，Hj(j＝1,2,…,N)为第j块点云的平均高度，W为所述目标感兴趣区点云中点的数量，
Figure BDA0003712570750000035
为垂向单位法向量，
Figure BDA0003712570750000036
为第k个点的单位法向量，θ为
Figure BDA0003712570750000037
和
Figure BDA0003712570750000038
的夹角。
优选地，所述步骤S4中针对目标点云地图，根据所述地面起伏程度，利用布料滤波完成地面提取，包括：
步骤Z1：根据所述地面起伏程度S，判断地面情况是平坦、轻微起伏还是陡峭，进而确定布料滤波的Rigidness参数，Rigidness参数为RI值，用于确定格网粒子的移动次数和移动距离，地面越平坦，RI值越大，地面越陡峭，RI值越小；
步骤Z2：反转目标点云地图中的所有激光点，初始化布料格网并设置格网大小；
步骤Z3：把所有激光点以及格网粒子投影到同一个水平面上，找到每个格网粒子的最近邻点，记录其投影前的高程；
步骤Z4：针对每个可移动的格网粒子，根据其受到重力影响产生的位移更新其高度，然后如果格网粒子的高度小于或者等于其最近邻点投影前的高程IHV，则把该格网粒子的高度设置为IHV并把该格网粒子设置为不可移动点；如果格网粒子的高度大于IHV，则进一步根据格网粒子受到内部驱动因素影响产生的位移更新其高度；重复步骤Z4，直至迭代次数到达预设值或者所有格网粒子的最大高度变化小于预设值；
步骤Z5：计算各激光点与对应格网粒子的高度差值，若差值小于等于第五阈值，则判断该激光点为地面点，若差值大于第五阈值，判断该激光点为非地面点。
优选地，所述目标点云地图由Na个单帧点云叠加而成，以避免特征不足，Na为第一阈值。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过使用区域生长法初步提取激光雷达点云中的路面来确定地面的起伏程度，提高CSF提取地面的自动化程度；
2、本发明利用安装激光雷达的车辆会在道路上行驶这一特点，通过对每帧雷达点云数据限定一个沿着道路方向的细长的区域，获得道路潜在区域，从而杜绝除了道路上一些车辆的噪点之外的大部分的无关点，比如植被，建筑等。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明流程图；
图2为盒子滤波流程图；
图3为区域生长法去除噪点流程图；
图4为地面起伏度计算流程图；
图5为布料滤波流程图；
图6为叠加感兴趣区点云；
图7为感兴趣区点云；
图8为CSF提取单帧点云的地面点；
图9为CSF提取单帧点云的非地面点；
图10为区域生长法去除噪点后的目标感兴趣区点云；
图11为轻度起伏状态下CSF提取局部点云地图的地面点；
图12为轻度起伏状态下CSF提取局部点云地图的非地面点；
图13为平坦状态下CSF提取局部点云地图的地面点；
图14为平坦状态下CSF提取局部点云地图的地面点。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
根据本发明提供的一种激光点云自动化地面提取方法，如图1-图14所示，包括：
步骤S1：输入激光点云地图包中的单帧点云，对所述单帧点云进行盒子滤波，确定感兴趣区并提取得到单帧感兴趣区点云，然后判断所述单帧感兴趣区点云的累计帧数是否大于或等于第一阈值Na，若是则进入步骤S2，若否则重复步骤S1；
具体地，所述步骤S1中对所述单帧点云进行盒子滤波，包括：
沿道路方向，设置一个符合预设尺寸的长方体作为盒子，盒子内为感兴趣区；
保留感兴趣区内的激光点，滤除感兴趣区外的激光点。
具体地，所述步骤S1中的第一阈值Na根据构成目标点云地图所需的单帧点云帧数确定。
步骤S2：将提取的所有单帧感兴趣区点云进行叠加，得到叠加感兴趣区点云，采用区域生长法对所述叠加感兴趣区点云进行噪点去除，得到目标感兴趣区点云；
具体地，所述步骤S2中采用区域生长法对所述叠加感兴趣区点云进行噪点去除，包括：
步骤T1：估计各激光点的法向量，采用基于局部表面拟合的方法，针对每个激光点，搜索与该激光点邻近的其他K个点pi(i＝1,2,…,K)，这K个近邻点拟合出平面P，平面P的法向量就是该激光点的法向量，考虑到平面P经过K个近邻点的质心p0，对p0的协方差矩阵M：
Figure BDA0003712570750000061
进行特征值分解，其中最小特征值对应的特征向量为平面P的法向量，也就是该激光点的法向量；
步骤T2：从各激光点中筛选种子点集，针对每个激光点，对其协方差矩阵进行特征值分解，得到三个特征值λ0、λ1和λ2，若它们的大小关系为λ0≤λ1≤λ2，则该激光点的曲率为：
Figure BDA0003712570750000062
曲率越小表示邻域越平坦，选取曲率小于阈值δth的激光点作为种子点，得到种子点集；
步骤T3：利用种子点集去除噪点，针对每个种子点，使用KD-Tree法搜索该种子点的所有近邻点，计算每个近邻点与该种子点的法向量差，若差值大于第二阈值，则判断该近邻点不属于地面点，若差值不大于第二阈值，则接着计算该近邻点的曲率是否小于第三阈值，若否，则判断该近邻点不属于地面点，若是，则判断该近邻点为地面点；去除所有噪点后，余下的地面点构成目标感兴趣区点云。
步骤S3：计算所述目标感兴趣区点云的地面起伏程度；
具体地，所述步骤S3中计算所述目标感兴趣区点云的地面起伏程度，包括：
步骤Y1：将所述目标感兴趣区点云分为N块，其中N为正整数，其初始值任取；
步骤Y2：针对每块点云，计算其高度平均值H和高度方差V：
Figure BDA0003712570750000063
Figure BDA0003712570750000064
其中，R为每块点云中点的数量，hi(i＝1,2,…,R)为第i个点的高度；
步骤Y3：判断每块点云的高度方差是否大于第四阈值，若有某块点云的高度方差大于第四阈值，则增大N值，对所述目标感兴趣区点云重新进行划分，再重复步骤Y2；若所有N块点云的高度方差都不大于第四阈值，则计算所述目标感兴趣区点云的地面起伏程度S：
Figure BDA0003712570750000071
其中，Hj(j＝1,2,…,N)为第j块点云的平均高度，W为所述目标感兴趣区点云中点的数量，
Figure BDA0003712570750000072
为垂向单位法向量，
Figure BDA0003712570750000073
为第k个点的单位法向量，θ为
Figure BDA0003712570750000074
和
Figure BDA0003712570750000075
的夹角。
步骤S4：针对目标点云地图，根据所述地面起伏程度，利用布料滤波完成地面提取。
具体地，所述步骤S4中针对目标点云地图，根据所述地面起伏程度，利用布料滤波完成地面提取，包括：
步骤Z1：根据所述地面起伏程度S，判断地面情况是平坦、轻微起伏还是陡峭，进而确定布料滤波的Rigidness参数，Rigidness参数为RI值，用于确定格网粒子的移动次数和移动距离，地面越平坦，RI值越大，地面越陡峭，RI值越小；
步骤Z2：反转目标点云地图中的所有激光点，初始化布料格网并设置格网大小；
步骤Z3：把所有激光点以及格网粒子投影到同一个水平面上，找到每个格网粒子的最近邻点，记录其投影前的高程；
步骤Z4：针对每个可移动的格网粒子，根据其受到重力影响产生的位移更新其高度，然后如果格网粒子的高度小于或者等于其最近邻点投影前的高程IHV，则把该格网粒子的高度设置为IHV并把该格网粒子设置为不可移动点；如果格网粒子的高度大于IHV，则进一步根据该格网粒子受到内部驱动因素影响产生的位移更新其高度；重复步骤Z4，直至迭代次数到达预设值或者所有格网粒子的最大高度变化小于预设值；
步骤Z5：计算各激光点与对应格网粒子的高度差值，若差值小于等于第五阈值，则判断该激光点为地面点，若差值大于第五阈值，判断该激光点为非地面点。
具体地，所述目标点云地图由Na个单帧点云叠加而成，以避免特征不足，Na为第一阈值。
实施例2：
实施例2为实施例1的优选例，以更为具体地对本发明进行说明。
本发明的核心点在于，通过使用区域生长法初步提取激光雷达点云中的路面来确定地面的起伏程度，提高CSF提取地面的自动化程度。
本发明的核心点在于，利用安装激光雷达的车辆会在道路上行驶这一特点，通过对每帧雷达点云数据限定一个沿着道路方向的长方体区域，获得开放道路感兴趣区域，从而杜绝除了道路上一些车辆的噪点之外的大部分的无关点，比如植被，建筑等，而此道路感兴趣区域会反映地面的起伏程度。
本发明的核心点在于，通过估计各激光点的法向量和高度的指标S来衡量地面起伏程度，该计算公式为：
Figure BDA0003712570750000081
其中，Hj(j＝1,2,…,N)为第j块点云的平均高度，W为所述目标感兴趣区点云中点的数量，
Figure BDA0003712570750000082
为垂向单位法向量，
Figure BDA0003712570750000083
为第k个点的单位法向量，θ为
Figure BDA0003712570750000084
和
Figure BDA0003712570750000085
的夹角。
本发明输入的是点云地图包中的单帧点云，然后对点云进行盒子滤波提取感兴趣区，盒子滤波是一种限定区域过滤点云的滤波，使用时需要预先设定盒子滤波的尺寸大小，盒子内为感兴趣区，感兴趣区内的激光点保留，感兴趣区外的激光点被过滤掉，本发明使用的盒子滤波的大小要求为沿道路方向预设一个符合尺寸的长方体，目的是去除大量和地面无关的信息，只留下地面的一部分和少部分噪点。将提取的所有单帧感兴趣区点云进行叠加，当叠加的点云帧数足够生成一个叠加感兴趣区点云时，再执行区域生长法对所述叠加感兴趣区点云进行噪点去除，得到目标感兴趣点云，叠加点云的原因是单帧点云地面特征不够明显，直接对单帧点云使用滤波的方法提取地面效果较差。经过区域生长法去除噪点后，感兴趣区中的主体为地面，再根据本发明定义的地面起伏度S，衡量感兴趣区的地面起伏程度，将其分为平坦，轻度起伏，陡峭三种状态，再将其传到CSF中对局部点云地图进行地面提取。下面将对每一部分进行详细叙述。
本发明首先使用盒子滤波作为去除点云大部分噪点的方法，由于本发明在使用CSF前只需要得到地面的起伏程度而非提取整个地面，同时，激光雷达点云数据的车是在道路上采集的，地面起伏程度能反映该点云数据地面的起伏程度，因此，该步骤的关键在于设置盒子滤波尺寸时，要在激光雷达坐标系沿着道路方向预设一个符合尺寸的长方体，其目的是经过盒子滤波去除感兴趣区外的无关点后，保留感兴趣区内的激光点，此时感兴趣区中的主体为地面。
本发明对经过盒子滤波提取的感兴趣区采用区域生长法来去除路面之外的噪点。其步骤首先是估计各激光点的法向量，采用基于局部表面拟合的方法，针对每个激光点，搜索与该激光点邻近的其他K个点pi(i＝1,2,…,K)，然后使用最小二乘法计算这K个近邻点拟合出平面P，平面P的法向量就是该激光点的法向量，此平面可表示为：
Figure BDA0003712570750000091
式中，
Figure BDA0003712570750000092
为平面P的法向量，d为P到坐标原点的距离，Pi为K个点中第i个点；
考虑到平面P经过K个近邻点的质心p0，对p0的协方差矩阵M：
Figure BDA0003712570750000093
进行特征值分解，其中最小特征值对应的特征向量为平面P的法向量，也就是该激光点的法向量；
其次从各激光点中筛选种子点集，针对每个激光点，对其协方差矩阵进行特征值分解，得到三个特征值λ0、λ1和λ2，假设特征值关系为λ0≤λ1≤λ2，则该激光点的曲率为：
Figure BDA0003712570750000094
其中，δ为曲率，其越小表示邻域越平坦，而种子点为曲率小于阈值的点δth的激光点，得到种子点集，λ0为矩阵M第1个特征值，λ1为矩阵M第2个特征值，λ2为矩阵M第3个特征值。
然后利用种子点集去除噪点，针对每个种子点，使用KD-Tree搜索该种子点的所有近邻点，计算邻近点和种子点的法线量差，若差值大于第二阈值，则判断该近邻点不属于地面点，若差值不大于第二阈值，则接着计算该近邻点的曲率是否小于第三阈值，若否，则判断该近邻点不属于地面点，若是，则判断该近邻点为地面点；去除所有噪点后，余下的地面点构成目标感兴趣区点云。
本发明提出了地面起伏度S来衡量地面起伏程度，该计算公式为：
Figure BDA0003712570750000095
其中，Hj(j＝1,2,…,N)为第j块点云的平均高度，W为所述目标感兴趣区点云中点的数量，
Figure BDA0003712570750000096
为垂向单位法向量，
Figure BDA0003712570750000097
为第k个点的单位法向量，θ为
Figure BDA0003712570750000098
和
Figure BDA0003712570750000099
的夹角。
其计算流程图如图4所示，首先需要将经过生长区域法降噪过后的目标感兴趣区点云分为N块，N为正整数，其初始值任取，针对每块点云，计算其高度平均值H和高度方差V，其计算方法如下：
Figure BDA0003712570750000101
Figure BDA0003712570750000102
其中，R为每块点云中点的数量，hi(i＝1,2,…,R)为第i个点的高度；
判断每块点云的高度方差是否大于第四阈值，若有某块点云的高度方差大于第四阈值，则增大N值，对所述目标感兴趣区点云重新进行划分，再重复针对每块点云，计算其高度平均值H和高度方差V；若所有N块点云的高度方差都不大于第四阈值，则计算所述目标感兴趣区点云的地面起伏程度S。
本发明最后使用布料滤波提取局部点云地图的地面。布料滤波的基本公式为
Figure BDA0003712570750000103
其中，m代表粒子的质量，一般为1，X代表布料中的粒子在t时刻的位置，Fext(X,t)代表外部驱动因素(重力，碰撞等)，Finte(X,t)代表内部驱动因素。
首先假设只有外部驱动因素Fext(X,t)，并使得m为1，则上式可表示为
x(t+Δt)＝2X(t)-X(t-Δt)+GΔt2
其中，Δt为时间步长，G是一个常数。
然后考虑内部驱动因素Finte(X,t)，任意选取两个相邻的粒子，如果两个粒子都是可移动的，则令二者往相反的方向移动同样的距离；如果一个是不可移动的，则移动另一个；如果两者具有相同的高度，则不进行移动。位移量可以通过下式进行计算：
Figure BDA0003712570750000104
其中，
Figure BDA0003712570750000105
为粒子的位移量；当粒子可移动时，b等于1，不可移动时b等于0；pi为p0的相邻粒子，
Figure BDA0003712570750000106
是把点进行标准化到垂直方向上的单位向量(0,0,1)T。
通过地面起伏度判断地面的起伏程度为平坦，轻微起伏或陡峭，并将该参数传入布料滤波用于调节布料滤波中的参数rigidness，RI，当地面平坦时，RI值较大，当地面越陡峭，RI值越小。
参数rigidness,RI，用来描述粒子的移动次数，例如：RI为1时，则移动一次，且移动的距离是两个粒子之间高差的1/2；RI为2时，则移动两次，且移动3/4。类似的，RI为3时，移动三次，移动距离为两个粒子高差的7/8。RI的值越大，则“布料”就越硬，一般来说，平地需要设置RI的值较大，陡坡、山区需要设置的RI值较小。
之后，对输入的局部点云地图中的激光点进行反转，初始化布料格网并设置格网大小。把所有激光点以及格网粒子投影到同一个水平面上，找到每个格网粒子的最近邻点，记录其投影前的高程(intersection height value,IHV)。针对每一个可移动的格网粒子，根据其受到重力影响产生的位移更新其高度，然后如果格网粒子的高度小于或者等于其最近邻点投影前的高程IHV，则把该格网粒子的高度设置为IHV并把该格网粒子设置为不可移动点；如果格网粒子的高度大于IHV，则进一步根据格网粒子受到内部驱动因素影响产生的位移更新其高度；重复上述步骤，直至迭代次数到达预设值或者所有格网粒子的最大高度变化小于预设值。计算各激光点与对应格网粒子的高度差值，若差值小于等于第五阈值，则判断该激光点为地面点，若差值大于第五阈值，判断该激光点为非地面点。
本发明首先对Na个单帧点云进行叠加形成叠加感兴趣区点云地图，并对叠加后的目标点云地图中对每一帧点云在激光雷达坐标系下进行盒子滤波得到目标感兴趣区点云，叠加感兴趣区点云如图6，感兴趣区点云如图7。
使用单帧点云叠加形成叠加感兴趣区点云地图的原因是，单帧点云地面点稀疏，导致地面特征不明显，使用CSF提取效果较差，具体见图8和图9，而叠加感兴趣区点云地图则是在同一坐标系下叠加了几十帧点云，可以避免这一问题发生。
将提取的叠加感兴趣区点云地图使用区域生长法去除地面上的一些噪点，如图10，跟图7相比，去除了大部分的非地面点，降低了噪点对地面起伏度计算的影响。
计算所有的去除噪点后的目标感兴趣区点云中各激光点的法向量，并带入到地面起伏度公式计算地面起伏度S，该计算公式为
Figure BDA0003712570750000111
其中，Hj(j＝1,2,…,N)为第j块点云的平均高度，W为所述目标感兴趣区点云中点的数量，
Figure BDA0003712570750000112
为垂向单位法向量，
Figure BDA0003712570750000113
为第k个点的单位法向量，θ为
Figure BDA0003712570750000114
和
Figure BDA0003712570750000115
的夹角。
将目标感兴趣区点云分为N块的要求是每块点云的Z坐标方差要保持在较小的范围内，若方差较大，则意味着分块的数量N较少，导致分割的点云内部起伏程度较大，平均高度值H没有代表性。当S的值接近0时，地面起伏状态为平坦。S的值越大，地面起伏程度越大。
通过计算图10中目标感兴趣区点云的地面起伏度S，可以得知该目标感兴趣区点云地面起伏程度较大，为轻度起伏状态，将其传入CSF，使用CSF来提取图6中局部点云地图中的地面，可以得到图11和图12的结果。
若对CSF传入平坦的状态，再提取图6中局部点云地图中的地面，可以得到图13和图14的结果。
从图中的结果对比中可以看出，本发明可以明显提高CSF提取点云地面的自动化程度，对于不同起伏程度的地面，不需要人为地调整CSF参数就能够得到较好的提取点云地面的效果。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (7)

1.一种激光点云自动化地面提取方法，其特征在于，包括：
步骤S1：输入激光点云地图包中的单帧点云，对所述单帧点云进行盒子滤波，确定感兴趣区并提取得到单帧感兴趣区点云，然后判断所述单帧感兴趣区点云的累计帧数是否大于或者等于第一阈值Na，若是则进入步骤S2，若否则重复步骤S1；
步骤S2：将提取的所有单帧感兴趣区点云进行叠加，得到叠加感兴趣区点云，采用区域生长法对所述叠加感兴趣区点云进行噪点去除，得到目标感兴趣区点云；
步骤S3：计算所述目标感兴趣区点云的地面起伏程度；
步骤S4：针对目标点云地图，根据所述地面起伏程度，利用布料滤波完成地面提取。
2.根据权利要求1所述的激光点云自动化地面提取方法，其特征在于，所述步骤S1中对所述单帧点云进行盒子滤波，包括：
预先设置好尺寸参数；
沿道路方向设置一个符合预设尺寸的长方体作为盒子，盒子内为感兴趣区；
保留感兴趣区内的激光点，滤除感兴趣区外的激光点。
3.根据权利要求1所述的激光点云自动化地面提取方法，其特征在于，所述步骤S1中的第一阈值Na根据构成目标点云地图所需的单帧点云帧数确定。
4.根据权利要求1所述的激光点云自动化地面提取方法，其特征在于，所述步骤S2中采用区域生长法对所述叠加感兴趣区点云进行噪点去除，包括：
步骤T1：估计各激光点的法向量，采用基于局部表面拟合的方法，针对每个激光点，搜索与该激光点邻近的其他K个点pi(i＝1,2,…,K)，这K个近邻点拟合出平面P，平面P的法向量就是该激光点的法向量，考虑到平面P经过K个近邻点的质心p0，对p0的协方差矩阵M：
Figure FDA0003712570740000011
进行特征值分解，其中最小特征值对应的特征向量为平面P的法向量，也就是该激光点的法向量；
步骤T2：从各激光点中筛选种子点集，针对每个激光点，对其协方差矩阵进行特征值分解，得到三个特征值λ0、λ1和λ2，若它们的大小关系为λ0≤λ1≤λ2，则该激光点的曲率为：
Figure FDA0003712570740000021
曲率越小表示邻域越平坦，选取曲率小于阈值δth的激光点作为种子点，得到种子点集；
步骤T3：利用种子点集去除噪点，针对每个种子点，使用KD-Tree法搜索该种子点的所有近邻点，计算每个近邻点与该种子点的法向量差，若差值大于第二阈值，则判断该近邻点不属于地面点，若差值不大于第二阈值，则接着计算该近邻点的曲率是否小于第三阈值，若否，则判断该近邻点不属于地面点，若是，则判断该近邻点为地面点；去除所有噪点后，余下的地面点构成目标感兴趣区点云。
5.根据权利要求1所述的激光点云自动化地面提取方法，其特征在于，所述步骤S3中计算所述目标感兴趣区点云的地面起伏程度，包括：
步骤Y1：将所述目标感兴趣区点云分为N块，其中N为正整数，其初始值任取；
步骤Y2：针对每块点云，计算其高度平均值H和高度方差V：
Figure FDA0003712570740000022
Figure FDA0003712570740000023
其中，R为每块点云中点的数量，hi(i＝1,2,…,R)为第i个点的高度；
步骤Y3：判断每块点云的高度方差是否大于第四阈值，若有某块点云的高度方差大于第四阈值，则增大N值，对所述目标感兴趣区点云重新进行划分，再重复步骤Y2；若所有N块点云的高度方差都不大于第四阈值，则计算所述目标感兴趣区点云的地面起伏程度S：
Figure FDA0003712570740000024
其中，Hj(j＝1,2,…,N)为第j块点云的平均高度，W为所述目标感兴趣区点云中点的数量，
Figure FDA0003712570740000025
为垂向单位法向量，
Figure FDA0003712570740000026
为第k个点的单位法向量，θ为
Figure FDA0003712570740000027
和
Figure FDA0003712570740000028
的夹角。
6.根据权利要求1所述的激光点云自动化地面提取方法，其特征在于，所述步骤S4中针对目标点云地图，根据所述地面起伏程度，利用布料滤波完成地面提取，包括：
步骤Z1：根据所述地面起伏程度S，判断地面情况是平坦、轻微起伏还是陡峭，进而确定布料滤波的Rigidness参数，Rigidness参数为RI值，用于确定格网粒子的移动次数和移动距离，地面越平坦，RI值越大，地面越陡峭，RI值越小；
步骤Z2：反转目标点云地图中的所有激光点，初始化布料格网并设置格网大小；
步骤Z3：把所有激光点以及格网粒子投影到同一个水平面上，找到每个格网粒子的最近邻点，记录其投影前的高程；
步骤Z4：针对每个可移动的格网粒子，根据其受到重力影响产生的位移更新其高度，然后如果格网粒子的高度小于或者等于其最近邻点投影前的高程IHV，则把格网粒子的高度设置为IHV并把格网粒子设置为不可移动点；如果格网粒子的高度大于IHV，则进一步根据格网粒子受到内部驱动因素影响产生的位移更新其高度；重复步骤Z4，直至迭代次数到达预设值或者所有格网粒子的最大高度变化小于预设值；
步骤Z5：计算各激光点与对应格网粒子的高度差值，若差值小于等于第五阈值，则判断该激光点为地面点，若差值大于第五阈值，判断该激光点为非地面点。
7.根据权利要求2所述的激光点云自动化地面提取方法，其特征在于，所述目标点云地图由Na个单帧点云叠加而成，以避免特征不足，Na为第一阈值。
CN202210723752.5A 2022-06-24 2022-06-24 激光点云自动化地面提取方法 Pending CN114998400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210723752.5A CN114998400A (zh) 2022-06-24 2022-06-24 激光点云自动化地面提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210723752.5A CN114998400A (zh) 2022-06-24 2022-06-24 激光点云自动化地面提取方法

Publications (1)

Publication Number Publication Date
CN114998400A true CN114998400A (zh) 2022-09-02

Family

ID=83037160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210723752.5A Pending CN114998400A (zh) 2022-06-24 2022-06-24 激光点云自动化地面提取方法

Country Status (1)

Country Link
CN (1) CN114998400A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115824052A (zh) * 2023-02-14 2023-03-21 长沙空维激光技术服务有限公司 一种基于激光雷达点云数据的堆料体积测量方法
CN115984803A (zh) * 2023-03-10 2023-04-18 安徽蔚来智驾科技有限公司 数据处理方法、设备、驾驶设备和介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115824052A (zh) * 2023-02-14 2023-03-21 长沙空维激光技术服务有限公司 一种基于激光雷达点云数据的堆料体积测量方法
CN115984803A (zh) * 2023-03-10 2023-04-18 安徽蔚来智驾科技有限公司 数据处理方法、设备、驾驶设备和介质
CN115984803B (zh) * 2023-03-10 2023-12-12 安徽蔚来智驾科技有限公司 数据处理方法、设备、驾驶设备和介质

Similar Documents

Publication Publication Date Title
CN109186625B (zh) 智能车辆利用混合采样滤波进行精确定位的方法及系统
CN114998400A (zh) 激光点云自动化地面提取方法
Mutz et al. Large-scale mapping in complex field scenarios using an autonomous car
Oniga et al. Processing dense stereo data using elevation maps: Road surface, traffic isle, and obstacle detection
Ashraf et al. An investigation of interpolation techniques to generate 2D intensity image from LIDAR data
US8180100B2 (en) Plane detector and detecting method
CN105667518A (zh) 车道检测的方法及装置
Schmid et al. Dynamic level of detail 3d occupancy grids for automotive use
CN107808524B (zh) 一种基于无人机的道路交叉口车辆检测方法
CN101894366A (zh) 一种获取标定参数的方法、装置及一种视频监控系统
CN109544635B (zh) 一种基于枚举试探的相机自动标定方法
CN110824495B (zh) 基于激光雷达的果蝇视觉启发的三维运动目标检测方法
Lin et al. Construction of fisheye lens inverse perspective mapping model and its applications of obstacle detection
CN113281782A (zh) 一种基于无人驾驶车的激光雷达雪点滤除方法
CN115342821A (zh) 一种复杂未知环境下的无人车导航代价地图构建方法
CN116879870A (zh) 一种适用于低线束3d激光雷达的动态障碍物去除方法
CN117434545A (zh) 一种室内行走智能体的局部环境感知方法和装置
CN115965790A (zh) 一种基于布料模拟算法的倾斜摄影点云滤波方法
CN114627073A (zh) 地形识别方法、装置、计算机设备和存储介质
CN118053299A (zh) 一种基于雷视融合的地下车库盲区显示方法和系统
Wu et al. Road boundary-enhanced automatic background filtering for roadside LiDAR sensors
CN116206286A (zh) 高速路况下的障碍物检测方法、装置、设备和介质
Fangfang et al. Real-time lane detection for intelligent vehicles based on monocular vision
Bai et al. An extended hyperbola model for road tracking for video-based personal navigation
CN115861481A (zh) 一种基于激光惯性实时动态对象去除的slam系统

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