CN115656982A - 水面杂波去除方法、装置、计算机设备和存储介质 - Google Patents
水面杂波去除方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115656982A CN115656982A CN202211593480.8A CN202211593480A CN115656982A CN 115656982 A CN115656982 A CN 115656982A CN 202211593480 A CN202211593480 A CN 202211593480A CN 115656982 A CN115656982 A CN 115656982A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cluster
- dimensional point
- reflection intensity
- dimensional
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请公开了一种水面杂波去除方法、装置、计算机设备和存储介质。该方法包括：通过获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；之后对第一点云数据进行聚类，得到三维点云簇；基于三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；进而可根据反射强度变化值，确定三维点云簇是否为水面杂波，并在三维点云簇为水面杂波的情况下，去除三维点云簇。上述方案，通过引入反射强度变化值，基于反射强度变化值可精准确定出水面杂波，实现了去除水面杂波的处理，进而提高了激光雷达应用于水面时障碍物检测的准确性。
Description
技术领域
本申请涉及障碍物检测技术领域，特别是涉及一种水面杂波去除方法、装置、计算机设备和存储介质。
背景技术
实时准确的障碍物检测是实现无人水面艇自主航行的前提，其不但为动态避障提供了必要的信息，也是安全的路径规划和路径跟踪的保障。激光雷达因其测距精度高、抗干扰能力强的特点，逐渐被无人水面艇应用在近距离障碍水面物检测任务中。
然而海洋环境下的水面点云与地面点云有很大不同。首先，水面不如地面反光，会吸收大部分的激光波束，返回的点云数据较为稀疏；其次，水面动态的波浪和气泡会对激光波束进行反射，产生动态化的无效点云杂波，导致水面点云数据的不稳定性强；最后，激光雷达返回的点云数据分辨率随着距离变化，较远距离的障碍物不易区分。为提高激光雷达应用于水面时障碍物检测的准确性，需要进行水面杂波去除处理。
发明内容
基于此，有必要针对上述技术问题，提供一种能够去除水面杂波的水面杂波去除方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种水面杂波去除方法。该方法包括：
获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
对第一点云数据进行聚类，得到三维点云簇；
根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；
在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
在其中一个实施例中，根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值，包括：
根据三维点云簇中各簇点云的反射强度，确定三维点云簇的反射强度均值；
根据反射强度均值、各簇点云的反射强度和三维点云簇中簇点云的数量，确定三维点云簇的反射强度变化值。
在其中一个实施例中，根据反射强度变化值，确定三维点云簇为水面杂波，包括：
若反射强度变化值小于设定阈值，则确定三维点云簇为水面杂波。
在其中一个实施例中，对第一点云数据进行聚类，得到三维点云簇，包括：
从第一点云数据中提取感兴趣区域；
对感兴趣区域进行聚类，得到三维点云簇。
在其中一个实施例中，对感兴趣区域进行聚类，得到三维点云簇，包括：
将感兴趣区域内的区域点云，从三维空间映射至二维空间；
对二维空间下的区域点云进行聚类，得到二维空间下的二维点云簇；
将二维空间下的二维点云簇，映射至三维空间下，得到三维点云簇。
在其中一个实施例中，从第一点云数据中提取感兴趣区域，包括：
将第一点云数据从激光雷达坐标系转换到水上驾驶设备坐标系下，得到第二点云数据；
对第二点云数据进行滤波处理；
从滤波处理后的第二点云数据中提取感兴趣区域。
第二方面，本申请还提供了一种水面杂波去除装置。该装置包括：
数据获取模块，用于获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
第一确定模块，用于对第一点云数据进行聚类，得到三维点云簇；
第二确定模块，用于根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；
去除模块，用于在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
对第一点云数据进行聚类，得到三维点云簇；
根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；
在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
对第一点云数据进行聚类，得到三维点云簇；
根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；
在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
对第一点云数据进行聚类，得到三维点云簇；
根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；
在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
上述水面杂波去除方法、装置、计算机设备和存储介质，通过获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；之后对第一点云数据进行聚类，得到三维点云簇；基于三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；进而可根据反射强度变化值，确定三维点云簇是否为水面杂波，并在三维点云簇为水面杂波的情况下，去除三维点云簇。上述方案，通过引入反射强度变化值，基于反射强度变化值可精准确定出水面杂波，实现了去除水面杂波的处理，进而提高了激光雷达应用于水面时障碍物检测的准确性。
附图说明
图1为一个实施例中水面杂波去除方法的流程示意图；
图2为一个实施例中确定三维点云簇的流程示意图；
图3为另一个实施例中水面杂波去除方法的流程示意图；
图4为一个实施例中水面杂波去除装置的结构框图；
图5为另一个实施例中水面杂波去除装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的水面杂波去除方法，可适用于水上行驶场景下，如何去除水上驾驶设备上的激光雷达所采集的点云数据中水面杂波相关数据的情况。可选的，该方法可以由水上驾驶设备来执行，也可以由服务器来执行，或者还可以由水上驾驶设备和服务器配合来执行。其中，水上驾驶设备可以为无人水面艇或水上无人驾驶游船等。
在一个实施例中，如图1所示，提供了一种水面杂波去除方法，以该方法应用于水上驾驶设备为例进行说明，包括以下步骤：
S101，获取安装于水上驾驶设备上的激光雷达采集的第一点云数据。
其中，第一点云数据即为一组由三维坐标的点所组成的点集。
具体的，水上驾驶设备在水环境下沿设定路线行驶过程中，可以通过安装于水上驾驶设备上的激光雷达对水上驾驶设备的周围行驶环境进行采集，得到第一点云数据。
S102，对第一点云数据进行聚类，得到三维点云簇。
其中，所谓三维点云簇即为包含多个第一点云数据的簇。
具体的，可以采用设定的聚类方式，比如k-means聚类算法、模型聚类算法或DBSCAN 聚类算法等，对第一点云数据进行聚类，得到多个三维点云簇。
S103，根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值。
可选的，本实施例中将位于三维点云簇中的每一点云，均称为簇点云；具体的，在三维点云簇是通过对第一点云数据进行聚类得到的情况下，位于三维点云簇内的每一点云，也即每一第一点云。
每一簇点云的反射强度即为每一簇点云的反射率；每一三维点云簇的反射强度变化值即为该三维点云簇中簇点云的反射强度变化情况。
具体的，针对每一三维点云簇，可以将该三维点云簇中簇点云的反射强度输入至预先训练好的模型中，基于模型输出该三维点云簇的反射强度变化值。
或者，也可以根据三维点云簇中各簇点云的反射强度，确定三维点云簇的反射强度均值；根据反射强度均值、各簇点云的反射强度和三维点云簇中簇点云的数量，确定三维点云簇的反射强度变化值。
例如，针对第s个三维点云簇，可以结合如下公式（1）和公式（2），来确定该三维点云簇的反射强度变化值。
其中，
为第s个三维点云簇的反射强度变化值；N为第s个三维点云簇中簇点云的数量；u j 为第s个点云簇中第j个簇点云的反射强度；
为第s个三维点云簇的反射强度均值。
S104，在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
具体的，可以根据各三维点云簇的反射强度变化值，计算出所有三维点云簇的反射强度变化值的均值；若某一三维点云簇的反射强度变化值小于所有三维点云簇的反射强度变化值的均值，认为该三维点云簇为水面杂波。
或者，可预先配置一个设定阈值，进而可以基于设定阈值，来确定三维点云簇是否为水面杂波。例如，若反射强度变化值小于设定阈值，则确定三维点云簇为水面杂波。
具体为，将每一个三维点云簇的反射强度变化值均与设定阈值进行比较，若某一个三维点云簇的反射强度变化值小于设定阈值，则确定该三维点云簇为水面杂波。
进一步的，对于每一三维点云簇，若该三维点云簇为水面杂波，则可以将该三维点云簇去除；进一步的，可以基于剩余三维点云簇进行障碍物检测。
上述水面杂波去除方法中，通过获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；之后对第一点云数据进行聚类，得到三维点云簇；基于三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；进而可根据反射强度变化值，确定三维点云簇是否为水面杂波，并在三维点云簇为水面杂波的情况下，去除三维点云簇。上述方案，通过引入反射强度变化值，基于反射强度变化值可精准确定出水面杂波，实现了去除水面杂波的处理，进而提高了激光雷达应用于水面时障碍物检测的准确性。
在一个实施例中，在上述实施例的基础上，进一步对S102对第一点云数据进行聚类，得到三维点云簇进行详细解释说明。如图2所示，具体过程包括：
S201，从第一点云数据中提取感兴趣区域。
具体的，可以将第一点云数据输入至预先训练好的模型中，由模型基于自身的算法输出感兴趣区域。
可选的，也可以将第一点云数据从激光雷达坐标系转换到水上驾驶设备坐标系下，得到第二点云数据；对第二点云数据进行滤波处理；从滤波处理后的第二点云数据中提取感兴趣区域。
本实施例中，激光雷达是以激光雷达坐标系采集点云数据，也即采集的第一点云数据是以极坐标系的形式呈现。水上驾驶设备坐标系是以水上驾驶设备的质心为原点建立的坐标系。
可选的，先将第一点云数据从极坐标系转换到笛卡尔坐标系下，再转换到水上驾驶设备坐标系下，即可得到第二点云数据；进一步的，可以对第二点云数据进行滤波处理。例如，可以通过半径滤波器去除掉第二点云数据中不满足聚类的离散噪声点，并使用体素滤波器，通过体素化算法对第二点云数据进行下采样，保持点云形状特征并减少数据量，得到滤波处理后的第二点云数据。
进一步的，从滤波处理后的第二点云数据中提取感兴趣区域。例如，可以建立如下公式（3）的感兴趣区域提取模型，来提取感兴趣区域。
其中，K为感兴趣区域的点云集，K i 为符合提取模型要求的滤波处理后的第二点云数据，x i 、y i 、z i 分别为K i 内的每一滤波处理后的第二点云的x轴、y轴、z轴的值；d 为激光雷达距离水面的安装高度，a、b、c分别为过滤立方体模型的宽、长、高，r为激光雷达在水面返回有效点云的距离。
S202，对感兴趣区域进行聚类，得到三维点云簇。
可选的，本实施例中将位于感兴趣区域内的每一点云，均称为区域点云；具体的，在感兴趣区域是从滤波处理后的第二点云数据中提取的情况下，位于感兴趣区域内的每一点云，也即每一滤波处理后的第二点云。
具体的，可以将感兴趣区域内的区域点云数据输入至预先训练好的聚类模型中，由模型基于自身的算法输出三维点云簇。
可选的，也可以将感兴趣区域内的区域点云，从三维空间映射至二维空间；对二维空间下的区域点云进行聚类，得到二维空间下的二维点云簇；将二维空间下的二维点云簇，映射至三维空间下，得到三维点云簇。
可选的，可以建立如公式（4）所示的聚类模型。首先将三维空间下的区域点云的点云集A a 投影到二维空间下，形成二维空间下的区域点云的点云集B b ，并记录所有的索引（即三维空间下的各区域点云的z值）；之后，采用DBSCAN聚类算法对点云集B b 内的区域点云进行聚类，即利用公式（5）计算出二维空间下每个区域点云的聚类参数ε（邻域半径）和MinPts（邻域样本个数阈值），并在点云集B b 中遍历寻找满足聚类参数条件的核心点，当查到到核心点后，标记该区域点云已被访问，再遍历其周围的区域点云，同时查找更多核心点和边界点；相应的，将每一个核心点都做上已被访问的标记，直到查找到了边界点，将所有核心点和边界点写入一个点云簇中，得到一个二维点云簇C 1。进一步的，继续访问剩余的区域点云，重复上述步骤，将点云集B b 中的每一个区域点云都访问一遍，结束访问，即得到很多个二维点云簇，所有的二维点云簇即构成一个二维点云簇集C b ={ C 1，C 2 ，…，C s，…，C n}；最后利用索引将二维点云簇集合中的每个二维点云簇均重新映射到三维空间下，形成由n个三维点云簇构成的三维点云簇集U a ={ U，U 2 ，…，U s，…，U n}。
其中，a，b分别为三维空间和二维空间；A a 为三维空间下的区域点云的点云集；B b 为二维空间下的区域点云的点云集；C b 为二维空间下的二维点云簇集；U a 为三维空间下的三维点云簇集；k为第k个ε和MinPts的值，取值为1、2、3或4；例如，k为1，则表示第1个ε和MinPts的值，即ε=0.4，MinPts=16；k为2，则表示第2个ε和MinPts的值，即ε=0.8，MinPts=11。
可以理解的是，采用DBSCAN进行聚类的过程中，算法会先找到一个核心点，然后遍历搜索核心点邻域内的区域点云，会消耗大量的时间在搜索上，数据量越大则搜索时间越多。为加快搜索速度，本实施例中可以使用kd-tree建立区域点云的k维搜索树，在k维空间对核心点邻域内的点云进行快速查询，以减少在搜索上的耗时。
本实施例中，通过从第一点云数据中提取感兴趣区域；之后对感兴趣区域进行聚类，即可得到三维点云簇，为确定三维点云簇提供了一种可选方式。
另外，在一个实施例中，本申请还提供一个水面杂波去除方法的可选实例。结合图3所示，具体过程包括：
S301，获取安装于水上驾驶设备上的激光雷达采集的第一点云数据。
S302，将第一点云数据从激光雷达坐标系转换到水上驾驶设备坐标系下，得到第二点云数据。
S303，对第二点云数据进行滤波处理。
S304，从滤波处理后的第二点云数据中提取感兴趣区域。
S305，将感兴趣区域内的区域点云，从三维空间映射至二维空间。
S306，对二维空间下的区域点云进行聚类，得到二维空间下的二维点云簇。
S307，将二维空间下的二维点云簇，映射至三维空间下，得到三维点云簇。
S308，根据三维点云簇中各簇点云的反射强度，确定三维点云簇的反射强度均值。
可选的，在三维点云簇是通过S301-S307得到的情况下，位于三维点云簇内的每一点云，即为三维空间下的每一区域点云。
S309，根据反射强度均值、各簇点云的反射强度和三维点云簇中簇点云的数量，确定三维点云簇的反射强度变化值。
S310，若反射强度变化值小于设定阈值，则确定三维点云簇为水面杂波。
S311，在确定三维点云簇为水面杂波的情况下，去除三维点云簇。
上述S301-S311的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的水面杂波去除方法的水面杂波去除装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个水面杂波去除装置实施例中的具体限定可以参见上文中对于水面杂波去除方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种水面杂波去除装置1，包括：数据获取模块10、第一确定模块20、第二确定模块30和去除模块30，其中：
数据获取模块10，用于获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
第一确定模块20，用于对第一点云数据进行聚类，得到三维点云簇；
第二确定模块30，用于根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；
去除模块40，用于在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
在其中一个实施例中，上图4中的第二确定模块30具体可以用于：
根据三维点云簇中各簇点云的反射强度，确定三维点云簇的反射强度均值；根据反射强度均值、各簇点云的反射强度和三维点云簇中簇点云的数量，确定三维点云簇的反射强度变化值。
在其中一个实施例中，上图4中的去除模块40具体可以用于：
若反射强度变化值小于设定阈值，则确定三维点云簇为水面杂波。
在其中一个实施例中，如图5所示，上图4中的第一确定模块20具体可以包括：
区域提取单元21，用于从第一点云数据中提取感兴趣区域；
聚类单元22，用于对感兴趣区域进行聚类，得到三维点云簇。
在其中一个实施例中，上图5中的聚类单元22具体可以用于：
将感兴趣区域内的区域点云，从三维空间映射至二维空间；对二维空间下的区域点云进行聚类，得到二维空间下的二维点云簇；将二维空间下的二维点云簇，映射至三维空间下，得到三维点云簇。
在其中一个实施例中，上图5中的区域提取单元21具体可以用于：
将第一点云数据从激光雷达坐标系转换到水上驾驶设备坐标系下，得到第二点云数据；对第二点云数据进行滤波处理；从滤波处理后的第二点云数据中提取感兴趣区域。
上述水面杂波去除装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储水面杂波去除数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水面杂波去除方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
对第一点云数据进行聚类，得到三维点云簇；
根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；
在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
在其中一个实施例中，处理器执行计算机程序中根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值的逻辑时，具体实现以下步骤：
根据三维点云簇中各簇点云的反射强度，确定三维点云簇的反射强度均值；根据反射强度均值、各簇点云的反射强度和三维点云簇中簇点云的数量，确定三维点云簇的反射强度变化值。
在其中一个实施例中，处理器执行计算机程序中根据反射强度变化值，确定三维点云簇为水面杂波的逻辑时，具体实现以下步骤：
若反射强度变化值小于设定阈值，则确定三维点云簇为水面杂波。
在其中一个实施例中，处理器执行计算机程序中对第一点云数据进行聚类，得到三维点云簇的逻辑时，具体实现以下步骤：
从第一点云数据中提取感兴趣区域；对感兴趣区域进行聚类，得到三维点云簇。
在其中一个实施例中，处理器执行计算机程序中对感兴趣区域进行聚类，得到三维点云簇的逻辑时，具体实现以下步骤：
将感兴趣区域内的区域点云，从三维空间映射至二维空间；对二维空间下的区域点云进行聚类，得到二维空间下的二维点云簇；将二维空间下的二维点云簇，映射至三维空间下，得到三维点云簇。
在其中一个实施例中，处理器执行计算机程序中从第一点云数据中提取感兴趣区域的逻辑时，具体实现以下步骤：
将第一点云数据从激光雷达坐标系转换到水上驾驶设备坐标系下，得到第二点云数据；对第二点云数据进行滤波处理；从滤波处理后的第二点云数据中提取感兴趣区域。
上述提供的计算机设备，其在实现各实施例中的原理和具体过程可参见前述实施例中水面杂波去除方法实施例中的说明，此处不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
对第一点云数据进行聚类，得到三维点云簇；
根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；
在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
在其中一个实施例中，计算机程序中根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值的逻辑被处理器执行时，具体实现以下步骤：
根据三维点云簇中各簇点云的反射强度，确定三维点云簇的反射强度均值；根据反射强度均值、各簇点云的反射强度和三维点云簇中簇点云的数量，确定三维点云簇的反射强度变化值。
在其中一个实施例中，计算机程序中根据反射强度变化值，确定三维点云簇为水面杂波的逻辑被处理器执行时，具体实现以下步骤：
若反射强度变化值小于设定阈值，则确定三维点云簇为水面杂波。
在其中一个实施例中，计算机程序中对第一点云数据进行聚类，得到三维点云簇的逻辑被处理器执行时，具体实现以下步骤：
从第一点云数据中提取感兴趣区域；对感兴趣区域进行聚类，得到三维点云簇。
在其中一个实施例中，计算机程序中对感兴趣区域进行聚类，得到三维点云簇的逻辑被处理器执行时，具体实现以下步骤：
将感兴趣区域内的区域点云，从三维空间映射至二维空间；对二维空间下的区域点云进行聚类，得到二维空间下的二维点云簇；将二维空间下的二维点云簇，映射至三维空间下，得到三维点云簇。
在其中一个实施例中，计算机程序中从第一点云数据中提取感兴趣区域的逻辑被处理器执行时，具体实现以下步骤：
将第一点云数据从激光雷达坐标系转换到水上驾驶设备坐标系下，得到第二点云数据；对第二点云数据进行滤波处理；从滤波处理后的第二点云数据中提取感兴趣区域。
上述提供的计算机可读存储介质，其在实现各实施例中的原理和具体过程可参见前述实施例中水面杂波去除方法实施例中的说明，此处不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
对第一点云数据进行聚类，得到三维点云簇；
根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值；
在根据反射强度变化值，确定三维点云簇为水面杂波的情况下，去除三维点云簇。
在其中一个实施例中，计算机程序中根据三维点云簇中簇点云的反射强度，确定三维点云簇的反射强度变化值的逻辑被处理器执行时，具体实现以下步骤：
根据三维点云簇中各簇点云的反射强度，确定三维点云簇的反射强度均值；根据反射强度均值、各簇点云的反射强度和三维点云簇中簇点云的数量，确定三维点云簇的反射强度变化值。
在其中一个实施例中，计算机程序中根据反射强度变化值，确定三维点云簇为水面杂波的逻辑被处理器执行时，具体实现以下步骤：
若反射强度变化值小于设定阈值，则确定三维点云簇为水面杂波。
在其中一个实施例中，计算机程序中对第一点云数据进行聚类，得到三维点云簇的逻辑被处理器执行时，具体实现以下步骤：
从第一点云数据中提取感兴趣区域；对感兴趣区域进行聚类，得到三维点云簇。
在其中一个实施例中，计算机程序中对感兴趣区域进行聚类，得到三维点云簇的逻辑被处理器执行时，具体实现以下步骤：
将感兴趣区域内的区域点云，从三维空间映射至二维空间；对二维空间下的区域点云进行聚类，得到二维空间下的二维点云簇；将二维空间下的二维点云簇，映射至三维空间下，得到三维点云簇。
在其中一个实施例中，计算机程序中从第一点云数据中提取感兴趣区域的逻辑被处理器执行时，具体实现以下步骤：
将第一点云数据从激光雷达坐标系转换到水上驾驶设备坐标系下，得到第二点云数据；对第二点云数据进行滤波处理；从滤波处理后的第二点云数据中提取感兴趣区域。
上述提供的计算机程序产品，其在实现各实施例中的原理和具体过程可参见前述实施例中水面杂波去除方法实施例中的说明，此处不再赘述。
需要说明的是，本申请所涉及点云数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经授权或者经过各方充分授权的信息和数据。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种水面杂波去除方法，其特征在于，所述方法包括：
获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
对所述第一点云数据进行聚类，得到三维点云簇；
根据所述三维点云簇中簇点云的反射强度，确定所述三维点云簇的反射强度变化值；
在根据所述反射强度变化值，确定所述三维点云簇为水面杂波的情况下，去除所述三维点云簇。
2.根据权利要求1所述的方法，其特征在于，所述根据所述三维点云簇中簇点云的反射强度，确定所述三维点云簇的反射强度变化值，包括：
根据所述三维点云簇中各簇点云的反射强度，确定所述三维点云簇的反射强度均值；
根据所述反射强度均值、各簇点云的反射强度和所述三维点云簇中簇点云的数量，确定所述三维点云簇的反射强度变化值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述反射强度变化值，确定所述三维点云簇为水面杂波，包括：
若所述反射强度变化值小于设定阈值，则确定所述三维点云簇为水面杂波。
4.根据权利要求1所述的方法，其特征在于，所述对所述第一点云数据进行聚类，得到三维点云簇，包括：
从所述第一点云数据中提取感兴趣区域；
对所述感兴趣区域进行聚类，得到三维点云簇。
5.根据权利要求4所述的方法，其特征在于，所述对所述感兴趣区域进行聚类，得到三维点云簇，包括：
将所述感兴趣区域内的区域点云，从三维空间映射至二维空间；
对所述二维空间下的区域点云进行聚类，得到二维空间下的二维点云簇；
将所述二维空间下的二维点云簇，映射至所述三维空间下，得到三维点云簇。
6.根据权利要求4所述的方法，其特征在于，所述从所述第一点云数据中提取感兴趣区域，包括：
将所述第一点云数据从激光雷达坐标系转换到水上驾驶设备坐标系下，得到第二点云数据；
对所述第二点云数据进行滤波处理；
从滤波处理后的第二点云数据中提取感兴趣区域。
7.一种水面杂波去除装置，其特征在于，所述装置包括：
数据获取模块，用于获取安装于水上驾驶设备上的激光雷达采集的第一点云数据；
第一确定模块，用于对所述第一点云数据进行聚类，得到三维点云簇；
第二确定模块，用于根据所述三维点云簇中簇点云的反射强度，确定所述三维点云簇的反射强度变化值；
去除模块，用于在根据所述反射强度变化值，确定所述三维点云簇为水面杂波的情况下，去除所述三维点云簇。
8.一种水面杂波去除装置，其特征在于，所述装置包括：
第三确定模块，用于根据所述三维点云簇中各簇点云的反射强度，确定所述三维点云簇的反射强度均值；
第四确定模块，用于根据所述反射强度均值、各簇点云的反射强度和所述三维点云簇中簇点云的数量，确定所述三维点云簇的反射强度变化值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211593480.8A CN115656982B (zh) | 2022-12-13 | 2022-12-13 | 水面杂波去除方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211593480.8A CN115656982B (zh) | 2022-12-13 | 2022-12-13 | 水面杂波去除方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115656982A true CN115656982A (zh) | 2023-01-31 |
| CN115656982B CN115656982B (zh) | 2023-06-09 |
Family
ID=85019123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211593480.8A Active CN115656982B (zh) | 2022-12-13 | 2022-12-13 | 水面杂波去除方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115656982B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115980702A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 目标防误检方法、设备、驾驶设备和介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
| JP2019185347A (ja) * | 2018-04-09 | 2019-10-24 | 株式会社デンソー | 物体認識装置、及び、物体認識方法 |
| CN110441788A (zh) * | 2019-07-31 | 2019-11-12 | 北京理工大学 | 一种基于单线激光雷达的无人艇环境感知方法 |
| CN110458055A (zh) * | 2019-07-29 | 2019-11-15 | 江苏必得科技股份有限公司 | 一种障碍物检测方法及系统 |
| CN112381026A (zh) * | 2020-11-23 | 2021-02-19 | 武汉理工大学 | 航道岸线检测方法、系统、装置和存储介质 |
| CN112733813A (zh) * | 2021-03-30 | 2021-04-30 | 北京三快在线科技有限公司 | 一种数据降噪的方法及装置 |
| CN112882059A (zh) * | 2021-01-08 | 2021-06-01 | 中国船舶重工集团公司第七0七研究所 | 一种基于激光雷达的无人船内河障碍物感知方法 |
| CN113203409A (zh) * | 2021-07-05 | 2021-08-03 | 北京航空航天大学 | 一种复杂室内环境移动机器人导航地图构建方法 |
| CN113281782A (zh) * | 2021-05-08 | 2021-08-20 | 北京联合大学 | 一种基于无人驾驶车的激光雷达雪点滤除方法 |
| CN114325755A (zh) * | 2021-11-26 | 2022-04-12 | 江苏徐工工程机械研究院有限公司 | 一种适用于自动驾驶车辆的挡土墙检测方法及系统 |
| CN114494287A (zh) * | 2021-12-31 | 2022-05-13 | 南京理工大学 | 一种远距离激光雷达点云数据处理方法 |
| CN115240149A (zh) * | 2021-04-25 | 2022-10-25 | 株洲中车时代电气股份有限公司 | 三维点云检测识别方法、装置、电子设备及存储介质 |
| CN115273018A (zh) * | 2022-05-18 | 2022-11-01 | 洛伦兹（北京）科技有限公司 | 障碍物识别方法、装置及电子设备 |
-
2022
- 2022-12-13 CN CN202211593480.8A patent/CN115656982B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019185347A (ja) * | 2018-04-09 | 2019-10-24 | 株式会社デンソー | 物体認識装置、及び、物体認識方法 |
| CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
| CN110458055A (zh) * | 2019-07-29 | 2019-11-15 | 江苏必得科技股份有限公司 | 一种障碍物检测方法及系统 |
| CN110441788A (zh) * | 2019-07-31 | 2019-11-12 | 北京理工大学 | 一种基于单线激光雷达的无人艇环境感知方法 |
| CN112381026A (zh) * | 2020-11-23 | 2021-02-19 | 武汉理工大学 | 航道岸线检测方法、系统、装置和存储介质 |
| CN112882059A (zh) * | 2021-01-08 | 2021-06-01 | 中国船舶重工集团公司第七0七研究所 | 一种基于激光雷达的无人船内河障碍物感知方法 |
| CN112733813A (zh) * | 2021-03-30 | 2021-04-30 | 北京三快在线科技有限公司 | 一种数据降噪的方法及装置 |
| CN115240149A (zh) * | 2021-04-25 | 2022-10-25 | 株洲中车时代电气股份有限公司 | 三维点云检测识别方法、装置、电子设备及存储介质 |
| CN113281782A (zh) * | 2021-05-08 | 2021-08-20 | 北京联合大学 | 一种基于无人驾驶车的激光雷达雪点滤除方法 |
| CN113203409A (zh) * | 2021-07-05 | 2021-08-03 | 北京航空航天大学 | 一种复杂室内环境移动机器人导航地图构建方法 |
| CN114325755A (zh) * | 2021-11-26 | 2022-04-12 | 江苏徐工工程机械研究院有限公司 | 一种适用于自动驾驶车辆的挡土墙检测方法及系统 |
| CN114494287A (zh) * | 2021-12-31 | 2022-05-13 | 南京理工大学 | 一种远距离激光雷达点云数据处理方法 |
| CN115273018A (zh) * | 2022-05-18 | 2022-11-01 | 洛伦兹（北京）科技有限公司 | 障碍物识别方法、装置及电子设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115980702A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 目标防误检方法、设备、驾驶设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115656982B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11709058B2 (en) | Path planning method and device and mobile device | |
| CN107341819B (zh) | 目标跟踪方法及存储介质 | |
| CN108763287A (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
| Wang et al. | 3D object detection based on sparse convolution neural network and feature fusion for autonomous driving in smart cities | |
| CN110363771B (zh) | 一种基于三维点云数据的隔离护栏形点提取方法及装置 | |
| CN113516663B (zh) | 点云语义分割方法及装置、电子设备及存储介质 | |
| CN116783620A (zh) | 根据点云的高效三维对象检测 | |
| WO2024012211A1 (zh) | 自动驾驶环境感知方法、介质及车辆 | |
| CN115656982B (zh) | 水面杂波去除方法、装置、计算机设备和存储介质 | |
| CN114485698B (zh) | 一种交叉路口引导线生成方法及系统 | |
| CN110906935A (zh) | 一种无人艇路径规划方法 | |
| Yin et al. | General place recognition survey: Towards the real-world autonomy age | |
| Schreier et al. | From grid maps to parametric free space maps—A highly compact, generic environment representation for ADAS | |
| Gao et al. | Autonomous driving of vehicles based on artificial intelligence | |
| CN113189610B (zh) | 地图增强的自动驾驶多目标追踪方法和相关设备 | |
| CN117419738A (zh) | 基于可视图与D*Lite算法的路径规划方法及系统 | |
| CN112733971A (zh) | 扫描设备的位姿确定方法、装置、设备及存储介质 | |
| CN110222742B (zh) | 基于分层多回波的点云分割方法、装置、存储介质及设备 | |
| CN117095303A (zh) | 基于数字孪生技术建筑群的智能监测分析预警方法及系统 | |
| CN110413716A (zh) | 数据存储和数据查询方法、装置及电子设备 | |
| CN111338336B (zh) | 一种自动驾驶方法及装置 | |
| Mentasti et al. | Two algorithms for vehicular obstacle detection in sparse pointcloud | |
| CN114792397A (zh) | 一种sar影像城市道路提取方法、系统以及存储介质 | |
| CN112906519A (zh) | 一种车辆类型识别方法及装置 | |
| CN112651986A (zh) | 环境识别方法、识别装置、识别系统、电子设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230724 Address after: 570000 Unit B, 14 #, Fortune Plaza, 103 Binhai Avenue, Haikou City, Hainan Province Patentee after: Haikou Branch of Guangzhou Bureau of China Southern Power Grid Co.,Ltd. Address before: 510700 Building 2, 223 science Avenue, Huangpu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU BUREAU OF EXTRA HIGH VOLTAGE TRANSMISSION COMPANY OF CHINA SOUTHERN POWER GRID Co.,Ltd. |