CN115524683A - 一种光斑提取方法、测距方法、激光雷达及机器人 - Google Patents

一种光斑提取方法、测距方法、激光雷达及机器人 Download PDF

Info

Publication number
CN115524683A
CN115524683A CN202211143032.8A CN202211143032A CN115524683A CN 115524683 A CN115524683 A CN 115524683A CN 202211143032 A CN202211143032 A CN 202211143032A CN 115524683 A CN115524683 A CN 115524683A
Authority
CN
China
Prior art keywords
light
spot
light intensity
candidate
light spot
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
CN202211143032.8A
Other languages
English (en)
Inventor
欧阳家斌
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.)
Shenzhen Camsense Technologies Co Ltd
Original Assignee
Shenzhen Camsense Technologies 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 Shenzhen Camsense Technologies Co Ltd filed Critical Shenzhen Camsense Technologies Co Ltd
Priority to CN202211143032.8A priority Critical patent/CN115524683A/zh
Publication of CN115524683A publication Critical patent/CN115524683A/zh
Pending legal-status Critical Current

Links

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
    • G01S7/483—Details of pulse systems
    • G01S7/486—Receivers
    • G01S7/4861—Circuits for detection, sampling, integration or read-out
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/24—Floor-sweeping machines, motor-driven
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/008—Manipulators for service tasks
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/46—Indirect determination of position data
    • G01S17/48—Active triangulation systems, i.e. using the transmission and reflection of electromagnetic waves other than radio waves
    • 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
    • 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
    • G01S7/491—Details of non-pulse systems
    • G01S7/4912—Receivers
    • G01S7/4913—Circuits for detection, sampling, integration or read-out

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明实施例涉及激光雷达技术领域，公开了一种光斑提取方法、测距方法、激光雷达及机器人，该光斑提取方法首先采集激光雷达的感光片上的感光信息，并绘制位置‑光强曲线，然后通过所述位置‑光强曲线，确定候选光斑，最后对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑，该光斑提取方法能够解决多路径形成的多光斑和光斑分裂的问题，稳定性和鲁棒性较强，进而在激光雷达测距时能够有效、稳定地提取光斑质心，实现复杂场景的测距。

Description

一种光斑提取方法、测距方法、激光雷达及机器人
技术领域
本发明实施例涉及激光雷达技术领域，特别涉及一种光斑提取方法、测距方法、激光雷达及机器人。
背景技术
激光雷达(Laser Radar)可用于目标距离的测定，在机器人中被广泛应用，激光雷达生成的点云信息包含了角度，距离，亮度等信息。在实际应用场景中，在近远处距离都有可能存在物体，物体有高低反材质等，通常使用激光雷达的三角测距法，通过接收到发射器发射的光斑来达到测距的目的，光斑在接收器中传感器(Sensor)的位置偏移量决定了目标物体的距离大小。
在实现本发明实施例过程中，发明人发现以上相关技术中至少存在如下问题：在测距的过程中，由于环境的复杂性，光斑会受到各种环境条件的影响，如多路径问题、光斑分裂问题等，会造成光斑提取错误，进而导致检测到的距离数据出现偏差等问题，现有的方法通过光强曲线中相邻的两点斜率最大值和最小值来确定光斑的位置，这对在高低反等特殊材质的表现来说，稳定性不高、鲁棒性不强。
发明内容
本申请实施例提供了一种光斑提取方法、测距方法、激光雷达及机器人。
本发明实施例的目的是通过如下技术方案实现的：
为解决上述技术问题，第一方面，本发明实施例中提供了一种光斑提取方法，所述方法包括：采集激光雷达的感光片上的感光信息，并绘制位置-光强曲线；通过所述位置-光强曲线，确定候选光斑；对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑。
在一些实施例中，所述对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑，包括：基于所述位置-光强曲线计算每个候选光斑的亮度评分；基于所述位置-光强曲线计算每个候选光斑的宽度评分；基于所述亮度评分和所述宽度评分，确定综合评价最高的候选光斑，并将其作为目标光斑；提取所述目标光斑。
在一些实施例中，所述基于所述位置-光强曲线计算每个候选光斑的宽度评分，包括：通过大数据建立光斑的质心与理论宽度之间的映射关系；根据所述映射关系，获取每个候选光斑的理论宽度；基于所述位置-光强曲线确定每个候选光斑的实际宽度；分别计算每个候选光斑的理论宽度与实际宽度的偏差；基于所述偏差计算每个候选光斑的宽度评分。
在一些实施例中，所述通过所述位置-光强曲线，确定候选光斑，包括：统计所述位置-光强曲线中出现次数最多的光强值和最高光强值；判断所述出现次数最多的光强值和所述最高光强值的差值是否大于或等于预设差值阈值；若是，根据所述出现次数最多的光强值和所述最高光强值，计算光强目标值；获取所述光强目标值在所述位置-光强曲线上对应的位置数据，根据所述位置数据确定所述候选光斑。
在一些实施例中，所述方法还包括：在所述出现次数最多的光强值和所述最高光强值的差值小于预设差值阈值时，则确定没有可提取的光斑。
在一些实施例中，所述方法还包括：从所述位置-光强曲线中获取相邻两个候选光斑最接近的两个边界之间范围内的最小光强值；判断所述最小光强值与所述出现次数最多的光强值的差值是否小于预设分裂阈值；若是，则确定没有可提取的光斑。
在一些实施例中，在所述统计所述位置-光强曲线中出现次数最多的光强值和最高光强值之前，所述方法还包括：对所述位置-光强曲线进行滤波处理；所述对所述位置-光强曲线进行滤波处理，包括：对所述位置-光强曲线进行n阶高斯滤波；对高斯滤波后的所述位置-光强曲线进行平滑滤波。
为解决上述技术问题，第二方面，本发明实施例中提供了一种测距方法，应用于激光雷达，所述方法包括：根据第一方面所述的光斑提取方法提取目标光斑；获取所述目标光斑的质心；根据所述目标光斑的质心，计算目标物体与所述激光雷达之间的距离信息。
为解决上述技术问题，第三方面，本发明实施例提供了一种激光雷达，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上第一方面或第二方面所述的方法。
为解决上述技术问题，第四方面，本发明实施例还提供了一种机器人，包括如第三方面所述的激光雷达。
与现有技术相比，本发明的有益效果是：区别于现有技术的情况，本发明实施例中提供了一种光斑提取方法、测距方法、激光雷达及机器人，该光斑提取方法首先采集激光雷达的感光片上的感光信息，并绘制位置-光强曲线，然后通过所述位置-光强曲线，确定候选光斑，最后对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑，该光斑提取方法能够解决多路径形成的多光斑和光斑分裂的问题，稳定性和鲁棒性较强，进而在激光雷达测距时能够有效、稳定地提取光斑质心，实现复杂场景的测距。
附图说明
一个或多个实施例中通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件/模块和步骤表示为类似的元件/模块和步骤，除非有特别申明，附图中的图不构成比例限制。
图1是本发明实施例提供的光斑提取方法及测距方法的其中一种应用环境的示意图；
图2是本发明实施例一提供的一种光斑提取方法的流程示意图；
图3是一种具有单个光斑的位置-光强曲线图的示例图；
图4是图2所示光斑提取方法中步骤S20的一子流程示意图；
图5是图2所示光斑提取方法中步骤S20的另一子流程示意图；
图6是一种具有分裂的多个(两个)光斑的位置-光强曲线图的示例图；
图7是图2所示光斑提取方法中步骤S30的一子流程示意图；
图8是图7所示光斑提取方法中步骤S32的一子流程示意图；
图9是一种具有多个(两个)可提取的光斑的位置-光强曲线图的示例图；
图10是本发明实施例二提供的一种测距方法的流程示意图；
图11是本发明实施例三提供的一种光斑提取装置的结构示意图；
图12是本发明实施例四提供的一种测距装置的结构示意图；
图13是本发明实施例五提供的一种激光雷达的硬件结构示意图；
图14是本发明实施例六提供的一种机器人的结构示意图。
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，还可以作出若干变形和改进。这些都属于本发明的保护范围。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不适用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。本说明书所使用的术语“横”坐标、“纵”坐标、“左”边界、“右”边界以及类似的表述只是为了说明的目的。
此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
当前激光雷达在测距时，较为复杂的场景下，光斑会受到各种环境条件的影响，出现各种会造成光斑提取错误从而造成测距偏差的问题，例如多路径问题，也即光斑在一个物体经过反射到另一个物体，这样接收器得到了两个或多个物体上的光斑，又例如光斑分裂问题，也即光斑因在近处被激光雷达罩的支撑柱分割光斑或光斑在物体边缘处一分为二，在一些测距正常的点云中，这类点云存在显得异常，会对后续建图影响很大。同时，现有的方法通过光强曲线中相邻的两点斜率最大值和最小值来确定光斑的重心在相机传感器中的位置，这对在高低反等特殊材质的表现来说，稳定性不高、鲁棒性不强，且也无法对上述的多路径形成的多光斑和光斑分裂的问题上做出决策。
为了解决上述问题，本发明实施例提供了一种光斑提取方法、测距方法、激光雷达及机器人，该光斑提取方法通过各光斑的位置-光强曲线确定各光斑的左右边界，通过左右边界的限定排除掉、过滤掉多路径的光斑，进而通过对左右边界限定的范围内各光斑的位置数据和光强数据的综合评价，提取出稳定、准确的目标光斑。
图1为本发明实施例提供的光斑提取方法及测距方法的其中一种应用环境的示意图，该应用环境中包括：激光雷达10和物体A。其中，所述激光雷达10能够发射激光光束，并通过相机中的传感器采集由物体A 反射的激光光束形成的激光光斑，输出光斑的位置、光强等数据，本发明实施例提供的光斑提取方法及测距方法皆由所述激光雷达10执行。所述物体A为可反射所述激光雷达10输出的激光光束的物体，也即图1 所示应用场景中所述激光雷达10所需要测距的目标物体。
具体地，下面结合附图，对本发明实施例作进一步阐述。
实施例一
本发明实施例提供了一种光斑提取方法，该方法应用于激光雷达中，所述的激光雷达可以是如上述应用场景及图1所示的激光雷达10，请参见图2，其示出了本发明实施例提供的一种光斑提取方法的流程，所述方法包括但不限于以下步骤：
步骤S10：采集激光雷达的感光片上的感光信息，并绘制位置-光强曲线；
在本发明实施例中，首先，光斑打在激光雷达上后，在激光雷达的相机传感器上，不同的像素点表征不同的位置，各像素点是否接收到激光以及接收到的光子数量的不同，也会导致各像素点采集到的光强数据不同，接收到光斑的若干个像素点光强较高，未接收到光斑的像素点的光强则较低。此时，可以将相机传感器的感光片上感光信息，也即各行像素点的位置及对应的光强数据导出，从而将感光片上的至少一行像素点的位置参数及像素点对应的光强参数通过绘图软件自动绘制并导出所述位置-光强曲线。
请一并参见图3，其示出了发明实施例提供的一种具有单个光斑的位置-光强曲线图的示例，其中，横坐标表示光斑落在相机传感器的感光片上的像素点的位置数据，纵坐标表示接收到的光的光强数据。在图 3所示示例中，位置-光强曲线图是抽取感光片上具有光斑的像素点中最亮的四行像素点的位置数据和光强数据所绘制成的，且将四行像素点的位置数据和光强数据分别按列投影累加为一行像素点后计算得到的位置数据和光强数据作为绘制所述位置-光强曲线图的横纵坐标的值。可选地，也可以是将四行像素点的数据按列取平均值后赋值到一行像素点上。可选地，选择的像素点的行数也可以是大于等于1的其他整数。在本发明实施例中，选择适当行数的像素点代替整个光斑导出数据，能够提高激光雷达的帧率、减少算法处理的资源，从而加快处理速度。且有，在图3所示示例中，选用四行像素点的相较于其他行数像素点的优点在于，相较于少于四行的情况稳定性更好，相较于高于四行的情况帧率较高、处理速度较快，因此本发明实施例的图3以及下述其他的位置-光强曲线皆以取最亮的四行像素点为例。
步骤S20：通过所述位置-光强曲线，确定候选光斑；
在本发明实施例中，在获取到所述位置-光强曲线后，结合所述位置-光强曲线上光强数据的变化情况，能够首先筛选出可能是目标光斑的一个或多个候选光斑，进而对候选光斑进行进一步的筛选，提取出可用于提取质心的目标光斑。具体地，请参见图4，其示出了本发明实施例提供的图2所示光斑提取方法中步骤S20的一子流程，所述通过所述位置-光强曲线，确定候选光斑，包括：
步骤S21：对所述位置-光强曲线进行滤波处理；
具体地，所述滤波处理包括高斯滤波处理和平滑滤波处理，也即是，所述对所述位置-光强曲线进行滤波处理，包括：对所述位置-光强曲线进行n阶高斯滤波；对高斯滤波后的所述位置-光强曲线进行平滑滤波。其中，进行所述高斯滤波能够抑制所述位置-光强曲线的高频数据点，去除噪声，且n可以取5,7,9。进行所述平滑滤波则能够使得曲线更加的平滑，从而有利于后续左右边界的选取。且有，所述平滑滤波具体的做法是，对曲线中每连续的m个点依次进行取均值，其中m可取3,4,5。
步骤S22：统计所述位置-光强曲线中出现次数最多的光强值和最高光强值；
在将所述位置-光强曲线滤波处理后，统计曲线上所有的光强数据，也即如图3所示的各纵坐标值出现的次数及最高值，从而得到所述位置 -光强曲线中出现次数最多的光强值MostValue和最高光强值MaxValue。
步骤S23：判断所述出现次数最多的光强值和所述最高光强值的差值是否大于或等于预设差值阈值；若是，跳转至步骤S24；若否，跳转至步骤S26；
在得到所述出现次数最多的光强值MostValue和所述最高光强值 MaxValue后，计算两者的差值。且有，由于通常所述最高光强值MaxValue 大于所述出现次数最多的光强值MostValue，因此，所述的差值也即是 MaxValue-MostValue。得到所述差值后，判断所述差值是否大于或等于预设差值阈值，若是，则可能存在可提取的光斑，跳转至步骤S24进行进一步的计算。其中，所述的预设差值阈值可根据传感器的精度，应用场景的背景亮度，激光雷达所发射的激光亮度等进行设置。
步骤S24：根据所述出现次数最多的光强值和所述最高光强值，计算光强目标值；
在所述出现次数最多的光强值和所述最高光强值的差值大于或等于预设差值阈值时，可能存在可提取的光斑，此时，进一步地，通过以下公式计算所述光强目标值：
TargetValue＝MostValue+a*(MaxValue-MostValue)
其中，a为系数因子，由实验数据所确定，TargetValue表示所述光强目标值，MostValue表示所述出现次数最多的光强值，MaxValue表示所述最高光强值。
步骤S25：获取所述光强目标值在所述位置-光强曲线上对应的位置数据，根据所述位置数据确定所述候选光斑。
在计算到所述光强目标值后，即可对应找出该光强目标值在所述位置-光强曲线上对应的位置数据，以根据位置数据的限定范围得到候选光斑。例如，请继续参见图3，在计算到所述光强目标值后，在表示光强的纵坐标上找到该光强目标值后，做垂直与纵坐标且平行于横坐标的辅助线L1，辅助线L1与位置-光强曲线相交的两个点a、b即可分别作为光斑的左边界和右边界，相应的点a、点b的横坐标即为左边界的位置数据和右边界的位置数据。
步骤S26：确定没有可提取的光斑。
在所述出现次数最多的光强值和所述最高光强值的差值小于预设差值阈值时，则说明此时没有可提取的光斑，结束所述光斑提取的流程。
进一步地，在一些实施例中，请一并参见图1，激光打到物体A上时，还可能会打到物体A的边缘上，导致光斑分裂为两个光斑的情况，因此，本发明实施例还提供了一种能够筛选出并滤除掉分裂光斑的情况，请参见图5，其示出了本发明实施例提供的图2所示光斑提取方法中步骤S20的另一子流程，所述方法还包括：
步骤S27：从所述位置-光强曲线中获取相邻两个候选光斑最接近的两个边界之间范围内的最小光强值；
步骤S28：判断所述最小光强值与所述出现次数最多的光强值的差值是否小于预设分裂阈值；若是，跳转至步骤S26。
请一并参见图6，其示出了发明实施例提供的一种具有分裂的多个 (两个)光斑的位置-光强曲线图的示例，与图3相同地，横坐标表示光斑落在相机传感器的感光片上的像素点的位置数据，纵坐标表示接收到的光的光强数据。如图6不难看出，分裂的两个光斑为独立的，从底线生成，两个光斑皆无法准确表示物体的准确距离信息，此时确定没有可提取的光斑。
具体地，获取相邻两个候选光斑最接近的两个边界之间范围内的最小光强值，如图6所示即左侧光斑的右边界和右侧光斑的左边界之间的范围内的所有位置数据对应的光强数据，然后取这些光强数据的最小光强值MinValue，并计算最小光强值MinValue与所述出现次数最多的光强值MostValue之间的差值。其中，由于分裂的两个光斑为从底线生成的独立的光斑，因此最小光强值MinValue通常为底线的值，所述的底线是由于应用场景中存在背景亮度所产生的。优选地，由于通常所述出现次数最多的光强值MostValue大于所述最小光强值MinValue，因此，所述的差值也即是MostValue-MinValue。得到所述差值后，判断所述差值是否小于预设分裂阈值，若是，则认为生成了两个分裂的独立的光斑，确定没有可提取的光斑。其中，所述的预设分裂阈值可根据传感器的精度，应用场景的背景亮度，激光雷达所发射的激光亮度等进行设置。
步骤S30：对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑。
在本发明实施例中，获取到所述候选光斑之后，即可根据候选光斑的位置数据和光强数据，提取各候选光斑中综合评价最高的光斑，作为用于进一步提取质心、进行测距的目标光斑。其中，当如图3所示位置 -光强曲线上仅存在一个光斑时，则可以不用计算光斑的综合评价，该光斑即可输出为目标光斑。
而当存在多个光斑，如两个光斑，且不是如图6所示分裂且独立的光斑时，则需要对光斑进行综合评价的计算，以提取其中综合评价最高的光斑作为用于测距的目标光斑。具体地，请参见图7，其示出了本发明实施例提供的图2所示光斑提取方法中步骤S30的一子流程，所述对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑，包括：
步骤S31：基于所述位置-光强曲线计算每个候选光斑的亮度评分；
具体地，根据所述每个候选光斑的左右边界范围内的位置数据和光强数据，求取各光斑的质心和亮度，结合图3可知，求取候选光斑的质心时，可通过左边界a和右边界b之间的各位置数据，即横坐标的值，以及左边界a和右边界b之间的各位置对应的光强数据，即纵坐标的值，求取光斑的质心，且计算公式如下：
Figure BDA0003854263890000111
其中，cx表示光斑的质心，∑ixi为左边界a和右边界b所限定的区间中各点横坐标的累和，∑iyi*xi为左边界a和右边界b所限定的区间中各点横坐标与对应的纵坐标、即光强数据的乘积后的累和。
进而，可以计算得到候选光斑的亮度，光斑的亮度的计算公式如下：
Figure BDA0003854263890000121
其中，∑iyi为左边界a和右边界b所限定的位置-光强曲线的范围各点的纵坐标、即光强数据的累和，纵坐标xb-xa+1为左边界a和右边界b所限定的区间中的位置宽度，也即所述光斑的实际宽度。
在本发明实施例中，候选光斑的亮度越大，则亮度评分越高。
步骤S32：基于所述位置-光强曲线计算每个候选光斑的宽度评分；
在计算候选光斑的宽度评分时，则需要通过大数据先得到理论宽度，然后再结合步骤S31中获取到的光斑质心及实际宽度进行进一步的计算，具体地，请参见图8，其示出了本发明实施例提供的图7所示光斑提取方法中步骤S32的一子流程，所述基于所述位置-光强曲线计算每个候选光斑的宽度评分，包括：
步骤S321：通过大数据建立光斑的质心与理论宽度之间的映射关系；
首先，需要通过大量数据建立光斑质心与理论宽度的关系，其关系如下：
depth＝α*cx+β
其中，α为系数因子，β为偏置，cx为光斑的质心，depth为左右边界所限定的区间中的理论宽度。
将上述光斑质心与理论宽度的关系式写成矩阵形式时，可得如下公式：
Figure BDA0003854263890000122
将实验数据中大量的cx和depth值代入如上矩阵后，通过最小二乘法求解超定方程，即可得到参数α和β的具体值。
步骤S322：根据所述映射关系，获取每个候选光斑的理论宽度；
然后，将步骤S31所获取到的候选光斑的质心代入步骤S321所得到的关系式或矩阵，即可得到一个或多个光斑的质心对应的理论宽度。
步骤S323：基于所述位置-光强曲线确定每个候选光斑的实际宽度；
接着，还可以通过如图3所示的位置-光强曲线得到各候选光斑的实际宽度，实际宽度的值为候选光斑的左右边界限定的位置宽度的数值，以图3所示示例的光斑进行计算时，实际宽度即步骤S31所计算得到的左边界a和右边界b所限定的区间中的宽度xb-xa+1。
步骤S324：分别计算每个候选光斑的理论宽度与实际宽度的偏差；
然后，对于各光斑，分别计算各个光斑的理论宽度与实际宽度的偏差，若理论宽度和实际宽度越接近，则偏差越小，若理论宽度和实际宽度越不接近，则偏差越大。
步骤S325：基于所述偏差计算每个候选光斑的宽度评分。
最后，偏差最小的光斑即为与理论宽度最接近的光斑，此时，将偏差最小的光斑作为宽度评分最高的光斑，也即是，偏差大小与宽度评分呈反相关。
步骤S33：基于所述亮度评分和所述宽度评分，确定综合评价最高的候选光斑，并将其作为目标光斑。
请一并参见图9，其示出了发明实施例提供的一种具有多个(两个) 可提取的光斑的位置-光强曲线图的示例，当区别于图3所示存在多个可提取的光斑时，如图9所示存在两个光斑的情况下，会出现(p1,p2)， (p3,p4)，(p1,p4)这三种组合的左右边界限制得到的光斑，对于这三个限制得到的光斑，需要通过步骤S32计算出其中亮度评分最高的光斑和宽度评分最高的光斑，然后对亮度评分和宽度评分分别赋权求和，选出评分最高的光斑，即为可用于测距的目标光斑。显然，在图9所示示例中，综合评价最高的光斑为右侧由边界(p3,p4)限定得到的光斑。
步骤S34：提取所述目标光斑。
在确定出所述目标光斑后，将所述目标光斑的光斑质心、光斑宽度、光斑位置等数据输出，以实现目标光斑的提取，提取出来的所述目标光斑可用于进一步计算出目标物体的距离。
实施例二
本发明实施例提供了一种测距方法，该方法应用于激光雷达中，所述的激光雷达可以是如上述应用场景及图1所示的激光雷达10，请参见图10，其示出了本发明实施例提供的一种测距方法的流程，所述方法包括但不限于以下步骤：
步骤S1：根据实施例一所述的光斑提取方法提取目标光斑；
步骤S2：获取所述目标光斑的质心；
步骤S3：根据所述目标光斑的质心，计算目标物体与所述激光雷达之间的距离信息。
在本发明实施例中，可通过实施例一所述的光斑提取方法提取出准确保留了待测目标物体的距离信息的目标光斑，然后，可通过步骤S31 所示公式求取该目标光斑的质心，最后，根据所述目标光斑的质心，计算目标物体与所述激光雷达之间的距离信息，所述距离信息的计算公式如下：
d＝n1/(n2-cx)
其中，n1和n2为激光雷达通过标定可得到的测距参数，cx表示光斑的质心，d表示距离。
本发明实施例通过实施例一所提供的光斑提取方法提取出准确的目标光斑，从而得到可靠的光斑质心cx，进而可计算出目标物体准确的距离d。其中，所述光斑提取方法具体参见上述实施例一及附图2至附图9所述，此处不再详述。
实施例三
本发明实施例提供了一种光斑提取装置，该装置应用于激光雷达中，所述的激光雷达可以是如上述应用场景及图1所示的激光雷达10，请参见图11，其示出了本发明实施例提供的一种光斑提取装置的结构，所述光斑提取装置100包括：采集单元110、确定单元120和提取单元130。
所述采集单元110，用于采集激光雷达的感光片上的感光信息，并绘制位置-光强曲线；所述确定单元120，用于通过所述位置-光强曲线，确定候选光斑；所述提取单元130，用于对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑。
在一些实施例中，所述确定单元120还用于统计所述位置-光强曲线中出现次数最多的光强值和最高光强值；断所述出现次数最多的光强值和所述最高光强值的差值是否大于或等于预设差值阈值；若是，根据所述出现次数最多的光强值和所述最高光强值，计算光强目标值；获取所述光强目标值在所述位置-光强曲线上对应的位置数据，根据所述位置数据确定所述候选光斑。
在一些实施例中，所述确定单元120还用于在所述出现次数最多的光强值和所述最高光强值的差值小于预设差值阈值时，则确定没有可提取的光斑。
在一些实施例中，所述确定单元120还用于从所述位置-光强曲线中获取相邻两个候选光斑最接近的两个边界之间范围内的最小光强值；判断所述最小光强值与所述出现次数最多的光强值的差值是否小于预设分裂阈值；若是，则确定没有可提取的光斑。
在一些实施例中，所述确定单元120还用于对所述位置-光强曲线进行滤波处理，其中，所述确定单元120具体用于对所述位置-光强曲线进行n阶高斯滤波；对高斯滤波后的所述位置-光强曲线进行平滑滤波。
在一些实施例中，所述提取单元130还用于基于所述位置-光强曲线计算每个候选光斑的亮度评分；基于所述位置-光强曲线计算每个候选光斑的宽度评分；基于所述亮度评分和所述宽度评分，确定综合评价最高的候选光斑，并将其作为目标光斑；提取所述目标光斑。
在一些实施例中，所述提取单元130还用于通过大数据建立光斑的质心与理论宽度之间的映射关系；根据所述映射关系，获取每个候选光斑的理论宽度；基于所述位置-光强曲线确定每个候选光斑的实际宽度；分别计算每个候选光斑的理论宽度与实际宽度的偏差；基于所述偏差计算每个候选光斑的宽度评分。
实施例四
本发明实施例提供了一种测距装置，该装置应用于激光雷达中，所述的激光雷达可以是如上述应用场景及图1所示的激光雷达10，请参见图12，其示出了本发明实施例提供的一种测距装置的结构，所述测距装置200包括：提取模块210、获取模块220和计算模块230。
所述提取模块210用于根据光斑提取方法提取目标光斑，所述提取模块210可以包括实施例四及图11所示的光斑提取装置100，具体可以包括所述光斑提取装置100中的提取单元130，此处不再详述。
所述获取模块220用于获取所述目标光斑的质心。
所述计算模块230用于根据所述目标光斑的质心，计算目标物体与所述激光雷达之间的距离信息。
实施例五
本发明实施例还提供了一种激光雷达，请参见图13，其示出了能够执行图2至图9所述光斑提取方法和/或执行图10所述测距方法的激光雷达的硬件结构。所述激光雷达10可以是图1所示的激光雷达10。
所述激光雷达10包括：至少一个处理器11；以及，与所述至少一个处理器11通信连接的存储器12，图13中以一个处理器11为例。所述存储器12存储有可被所述至少一个处理器11执行的指令，所述指令被所述至少一个处理器11执行，以使所述至少一个处理器11能够执行上述图2至图9所述光斑提取方法和/或执行上述图10所述测距方法。所述处理器11和所述存储器12可以通过总线或者其他方式连接，图13 中以通过总线连接为例。
存储器12作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的光斑提取方法或测距方法对应的程序指令/模块，例如，图11至图12所示的各个模块。处理器11通过运行存储在存储器12中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例光斑提取方法或测距方法。
存储器12可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据光斑提取装置或测距装置的使用所创建的数据等。此外，存储器12 可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或其他非易失性固态存储器件。在一些实施例中，存储器12可选包括相对于处理器11远程设置的存储器，这些远程存储器可以通过网络连接至光斑提取装置或测距装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器12中，当被所述一个或者多个处理器11执行时，执行上述任意方法实施例中的光斑提取方法或测距方法，例如，执行以上描述的图2至图10的方法步骤，实现图 11至图12中的各模块和各单元的功能。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图2至图10的方法步骤，实现图11至图12中的各模块的功能。
本申请实施例还提供了一种计算机程序产品，包括存储在非易失性计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时时，使所述计算机执行上述任意方法实施例中的光斑提取方法或测距方法，例如，执行以上描述的图2至图10 的方法步骤，实现图11至图12中的各模块的功能。
实施例六
本发明实施例提供了一种机器人，请参见图14，其示出了本发明实施例提供的一种机器人的结构框图，所述机器人1包括激光雷达10。
所述激光雷达10为实施例五所述的激光雷达10，具体请参见实施例五、应用场景及附图1、附图13所示，此处不再详述。
所述机器人1可以是扫地机器人、导航机器人、测绘机器人等工业及服务机器人，具体可根据实际应用场景选择装载有所述激光雷达10 的机器人。
本发明实施例中提供了一种光斑提取方法、测距方法、激光雷达及机器人，该光斑提取方法首先采集激光雷达的感光片上的感光信息，并绘制位置-光强曲线，然后通过所述位置-光强曲线，确定候选光斑，最后对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑，该光斑提取方法能够解决多路径形成的多光斑和光斑分裂的问题，稳定性和鲁棒性较强，进而在激光雷达测距时能够有效、稳定地提取光斑质心，实现复杂场景的测距。
需要说明的是，以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以任意顺序实现，并存在如上所述的本发明的不同方面的许多其他变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，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等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种光斑提取方法，其特征在于，所述方法包括：
采集激光雷达的感光片上的感光信息，并绘制位置-光强曲线；
通过所述位置-光强曲线，确定候选光斑；
对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑。
2.根据权利要求1所述的光斑提取方法，其特征在于，所述对所述候选光斑的亮度和宽度进行评分，根据评分结果确定并提取目标光斑，包括：
基于所述位置-光强曲线计算每个候选光斑的亮度评分；
基于所述位置-光强曲线计算每个候选光斑的宽度评分；
基于所述亮度评分和所述宽度评分，确定综合评价最高的候选光斑，并将其作为目标光斑；
提取所述目标光斑。
3.根据权利要求2所述的光斑提取方法，其特征在于，所述基于所述位置-光强曲线计算每个候选光斑的宽度评分，包括：
通过大数据建立光斑的质心与理论宽度之间的映射关系；
根据所述映射关系，获取每个候选光斑的理论宽度；
基于所述位置-光强曲线确定每个候选光斑的实际宽度；
分别计算每个候选光斑的理论宽度与实际宽度的偏差；
基于所述偏差计算每个候选光斑的宽度评分。
4.根据权利要求1所述的光斑提取方法，其特征在于，所述通过所述位置-光强曲线，确定候选光斑，包括：
统计所述位置-光强曲线中出现次数最多的光强值和最高光强值；
判断所述出现次数最多的光强值和所述最高光强值的差值是否大于或等于预设差值阈值；
若是，根据所述出现次数最多的光强值和所述最高光强值，计算光强目标值；
获取所述光强目标值在所述位置-光强曲线上对应的位置数据，根据所述位置数据确定所述候选光斑。
5.根据权利要求4所述的光斑提取方法，其特征在于，所述方法还包括：
在所述出现次数最多的光强值和所述最高光强值的差值小于预设差值阈值时，则确定没有可提取的光斑。
6.根据权利要求4所述的光斑提取方法，其特征在于，所述方法还包括：
从所述位置-光强曲线中获取相邻两个候选光斑最接近的两个边界之间范围内的最小光强值；
判断所述最小光强值与所述出现次数最多的光强值的差值是否小于预设分裂阈值；
若是，则确定没有可提取的光斑。
7.根据权利要求4所述的光斑提取方法，其特征在于，在所述统计所述位置-光强曲线中出现次数最多的光强值和最高光强值之前，所述方法还包括：
对所述位置-光强曲线进行滤波处理；
所述对所述位置-光强曲线进行滤波处理，包括：
对所述位置-光强曲线进行n阶高斯滤波；
对高斯滤波后的所述位置-光强曲线进行平滑滤波。
8.一种测距方法，其特征在于，应用于激光雷达，所述方法包括：
根据权利要求1-7任一项所述的光斑提取方法提取目标光斑；
获取所述目标光斑的质心；
根据所述目标光斑的质心，计算目标物体与所述激光雷达之间的距离信息。
9.一种激光雷达，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8任一项所述的方法。
10.一种机器人，其特征在于，包括如权利要求9所述的激光雷达。
CN202211143032.8A 2022-09-20 2022-09-20 一种光斑提取方法、测距方法、激光雷达及机器人 Pending CN115524683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211143032.8A CN115524683A (zh) 2022-09-20 2022-09-20 一种光斑提取方法、测距方法、激光雷达及机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211143032.8A CN115524683A (zh) 2022-09-20 2022-09-20 一种光斑提取方法、测距方法、激光雷达及机器人

Publications (1)

Publication Number Publication Date
CN115524683A true CN115524683A (zh) 2022-12-27

Family

ID=84697976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211143032.8A Pending CN115524683A (zh) 2022-09-20 2022-09-20 一种光斑提取方法、测距方法、激光雷达及机器人

Country Status (1)

Country Link
CN (1) CN115524683A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840231A (zh) * 2023-02-20 2023-03-24 深圳市欢创科技有限公司 测距方法及激光雷达
CN116299497A (zh) * 2023-05-12 2023-06-23 深圳深浦电气有限公司 光学检测的方法、装置和计算机可读存储介质
CN117192562A (zh) * 2023-10-25 2023-12-08 武汉市品持科技有限公司 一种激光测距传感器及其测距方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840231A (zh) * 2023-02-20 2023-03-24 深圳市欢创科技有限公司 测距方法及激光雷达
CN116299497A (zh) * 2023-05-12 2023-06-23 深圳深浦电气有限公司 光学检测的方法、装置和计算机可读存储介质
CN116299497B (zh) * 2023-05-12 2023-08-11 深圳深浦电气有限公司 光学检测的方法、装置和计算机可读存储介质
CN117192562A (zh) * 2023-10-25 2023-12-08 武汉市品持科技有限公司 一种激光测距传感器及其测距方法
CN117192562B (zh) * 2023-10-25 2024-02-02 武汉市品持科技有限公司 一种激光测距传感器及其测距方法

Similar Documents

Publication Publication Date Title
CN115524683A (zh) 一种光斑提取方法、测距方法、激光雷达及机器人
CN111710000B (zh) 一种相机行偏差自检方法及系统
EP1505543A2 (en) Video object tracking
CN107220647B (zh) 一种叶片交叉条件下作物中心点定位方法及系统
CN101794437B (zh) 一种高光谱遥感影像异常探测方法
EP3593322B1 (en) Method of detecting moving objects from a temporal sequence of images
CN110008947A (zh) 一种基于卷积神经网络的粮仓粮食数量监测方法及装置
CN111768450A (zh) 基于散斑图的结构光相机行偏差的自动检测方法和装置
CN111507204A (zh) 倒计时信号灯的检测方法、装置、电子设备及存储介质
CN115047472B (zh) 确定激光雷达点云分层的方法、装置、设备及存储介质
CN110954919A (zh) 一种面阵激光探测器的固定值噪声确定方法及去除方法
CN113947576A (zh) 容器定位方法、装置、容器存取设备及存储介质
CN110060282B (zh) 一种点云配准的方法及装置
US11887315B2 (en) Method and apparatus for tracking an object
KR101770742B1 (ko) 클러터를 억제하는 표적 탐지 장치 및 그 방법
Danescu et al. Tracking multiple objects using particle filters and digital elevation maps
CN115372933A (zh) 一种杂光过滤方法、装置及激光雷达
CN111522016A (zh) 空间目标激光测距微弱信号识别模型构建方法及装置
CN115861443A (zh) 一种多相机内参标定方法、装置、电子设备及存储介质
CN116358528A (zh) 地图更新方法、地图更新装置、自移动设备及存储介质
CN115511902A (zh) 一种角点特征提取方法及系统
CN111723797B (zh) 一种确定三维目标的包围框的方法及系统
CN113096024B (zh) 用于深度数据的去飞点方法及其系统和电子设备
CN112837346A (zh) 对活动目标进行到位检测的方法和装置
CN115840231B (zh) 测距方法及激光雷达

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000, Floor 1801, Block C, Minzhi Stock Commercial Center, North Station Community, Minzhi Street, Longhua District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Huanchuang Technology Co.,Ltd.

Address before: 518000 2407-2409, building 4, phase II, Tian'an Yungu Industrial Park, Gangtou community, Bantian street, Longgang District, Shenzhen, Guangdong

Applicant before: SHENZHEN CAMSENSE TECHNOLOGIES Co.,Ltd.