CN116071571A - 一种鲁棒快速的车用单线激光雷达点云聚类方法 - Google Patents

一种鲁棒快速的车用单线激光雷达点云聚类方法 Download PDF

Info

Publication number
CN116071571A
CN116071571A CN202310195164.3A CN202310195164A CN116071571A CN 116071571 A CN116071571 A CN 116071571A CN 202310195164 A CN202310195164 A CN 202310195164A CN 116071571 A CN116071571 A CN 116071571A
Authority
CN
China
Prior art keywords
voxel
structure body
point
index
point cloud
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
Application number
CN202310195164.3A
Other languages
English (en)
Other versions
CN116071571B (zh
Inventor
吴晓富
王博
宋士佳
黄文艺
孙超
王文伟
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 Automotive Research Institute of Beijing University of Technology
Original Assignee
Shenzhen Automotive Research Institute of Beijing University of 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 Shenzhen Automotive Research Institute of Beijing University of Technology filed Critical Shenzhen Automotive Research Institute of Beijing University of Technology
Priority to CN202310195164.3A priority Critical patent/CN116071571B/zh
Publication of CN116071571A publication Critical patent/CN116071571A/zh
Application granted granted Critical
Publication of CN116071571B publication Critical patent/CN116071571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明涉及无线电波反射定位和检测技术领域，提供一种鲁棒快速的车用单线激光雷达点云聚类方法包括：激光雷达获取点云，设置体素相关参数；建立极坐标结构体数组和体素结构体；遍历点云，计算每个点的极坐标，划分体素网格，建立索引关系；遍历极坐标结构体数组，计算每个点对应的结构体索引；把相同索引的点放进同一个体素结构体并存放每个点的序号，并建立体素结构体哈希表；遍历哈希表，获取当前体素结构体索引，进行连通查找；当前循环结束，获取下一帧点云，继续计算。本发明划分的体素大小会随着距离的改变而改变，解决了无法自适应的问题；并通过体素建立点与点之间的关系，使得算法转为遍历体素，极大降低了计算量。

Description

一种鲁棒快速的车用单线激光雷达点云聚类方法
技术领域
本发明涉及无线电波反射定位和检测技术领域，特别涉及一种鲁棒快速的车用单线激光雷达点云聚类方法。
背景技术
随着无人驾驶技术的发展，对车载雷达的探测距离、角度分辨率等性能提出了更高的要求。目前的车载激光雷达在对一个目标进行成像时会形成点云数据，为了对同一时刻检测的多个目标进行目标区分，首先需要通过聚类算法对车载雷达采集到的点云数据进行聚类，以保证无人驾驶车辆不会漏检障碍物。为了保证无人驾驶车辆的可靠需要过聚类算法非常快速，也需要它非常的准确；同时为了降低生产成本需要过聚类算法能够在低成本的设备上实时运行，并且聚类效果要良好，甚至优秀。
现有技术中已有的点云聚类方法主要采用欧式聚类：通过两点间的欧式距离来判断是否属于同一类，然而对于同一个物体不同部位，在距离激光雷达较近部位处，点云会更加密集，而在较远位置的部位点云相对会比较稀疏。对于欧式聚类这样的，基于密度的算法而言，这是一个很不友好的性质，因为这意味着，设置的阈值存在距离限制，超过一定距离时，所设置的阈值就不能正确聚类了。同时，并且现有的点云聚类方法计算量过大，导致算法无法在低成本计算设备实时运行，即使在较好的设备上能够实时运行，但占据资源相对较多，性价比并不理想。
发明内容
本发明提供一种鲁棒快速的车用单线激光雷达点云聚类方法，所述鲁棒快速的车用单线激光雷达点云聚类方法包括以下步骤；
步骤1，激光雷达获取点云，设置体素相关参数，并对点云进行预处理；
步骤2，建立极坐标结构体数组，用于存储点的极坐标，建立体素结构体，用于存储属于该体素的点的序号，以及记录类别；
步骤3，遍历点云，计算每个点的极坐标，划分体素网格，建立索引关系；
步骤4，遍历极坐标结构体数组，计算每个点对应的结构体索引；
步骤5，根据计算出来的空间索引，把相同索引的点放进同一个体素结构体并存放每个点的序号，并把空间索引值作为该结构体的索引建立体素结构体哈希表；
步骤6，遍历哈希表，获取当前体素结构体索引，进行连通查找，并对同标签点云进行特征向量计算，二次验证是否为同一个类别；
步骤7，当前循环结束，获取下一帧点云，继续计算。
更近一步地，在步骤1中，所述激光雷达获取点云，设置体素相关参数，其参数为（q，d），其中q代表体素的弧度，d代表体素上弧线和下弧线之间的距离。
更近一步地，在步骤3中，遍历点云，以激光雷达坐标系原点为原点，建立极坐标系，对每个点 计算极坐标，记为；称为P点的极径，称为P点的极角；其中 ，当y大于等于0时，，当y 小于0时。
更近一步地，将计算的极坐标赋给极坐标结构体，并存进极坐标结构体数组，并获取最大，最大，最小，最小，分别记为，，，   ；根据，，，   计算体素空间大小： ，
其中表示角度空间的长度，表示距离空间的长度，int表示取整；
根据和（q，d）为每个点分配结构体，划分体素网格，建立索引关系。
更近一步地，在步骤4中，遍历极坐标结构体数组，计算每个点对应的结构体索引：
；
；
；
其中代表第i个点的长度空间索引，代表第i个点的角度空间索引， 代表第i个点的由角度和长度构成的空间索引。
更近一步地，在步骤6中，还包括以下步骤：
步骤61，遍历哈希表，获取当前体素结构体索引，通过判断体素结构体中的类别来判断是否已经被搜索（默认类别为-1，通过判断是否为-1可以得知是否已经被搜索），如果已经被搜索，保持原来类别，如果没有，则新建类别；
步骤62，根据索引值，遍历当前体素的所有邻居，使用表示当前邻居，获取邻居索引；
步骤63，若哈希表中存在该邻居索引，邻居实际上和当前遍历的体素为同一类别，因此计算当前邻居体素的强度平均值，以及形体特征，进而形成特征向量，进行二次类别验证：
；
其中，表示第i个点的强度；
；
其中，和代表协方差矩阵R的特征值 ，协方差矩阵，为点i的坐标（x， y），为体素中点的坐标均值；
步骤64，使用代表当前体素，计算当前体素的强度平均值 和形体特征，并计算向量t =[，]和向量u = [，]的余弦相似度，若kk小于设定阈值th，则认为当前体素和邻居体素为同一类；否则不为同一类，继续遍历，直到每个体素都归类完毕。
本发明达到的有益效果是：
本发明划分的体素大小会随着距离的改变而改变——弧度一定，当距离变大时（即半径变大），弧线也就越长，而体素网格也就越大，也即是距离越近，体素网格越小，越多；距离越远，体素网格越大，越少；即符合激光雷达近密远疏的特点，从而解决了一般算法无法自适应的问题，使得算法更加的鲁棒可靠。
本发明通过体素建立点与点之间的关系，使得算法从遍历点，转为遍历体素，从而大大降低了计算量，使得算法更加的快速。
本发明通过计算体素点云特征向量相似度的方式，对聚类分割进行二次验算，使得算法更加精准，解决了一般聚类分割算法容易过分割，欠分割的问题。
附图说明
图1为一种鲁棒快速的车用单线激光雷达点云聚类方法的算法流程图。
图2为一种鲁棒快速的车用单线激光雷达点云聚类方法中体素的结构示意图。
图3为一种鲁棒快速的车用单线激光雷达点云聚类方法中算法体素网格划分演示图。
图4为一种鲁棒快速的车用单线激光雷达点云聚类方法中体素网格划分的示意图。
具体实施方式
下面结合附图对本发明的技术方案进行更详细的说明，本发明包括但不仅限于下述实施例。
如附图1所示，本发明提供了一种鲁棒快速的车用单线激光雷达点云聚类方法，该鲁棒快速的车用单线激光雷达点云聚类方法包括以下步骤：
步骤1，单线激光雷达获取点云，并进行预处理；
激光雷达获取点云，设置体素为圆弧状，其参数为（q，d），其中q代表体素的弧度，d代表体素上弧线和下弧线之间的距离，参数d的意义在于减小体素空间，节省计算资源，加快计算速度。体素的结构示意图如附图2所示。
激光雷达获取点云后读取体素参数（q，d），阈值th。
激光雷达若接收点云点数少于预设值N，则结束回调函数，接收新点云。并对接收的点云进行预处理，如去除噪点等。
步骤2，建立极坐标结构体数组，用于存储点的极坐标；
建立体素结构体，用于存储属于该体素的点的序号以及记录类别。同时，设置极坐标结构体数组：遍历点云，以激光雷达坐标系原点为原点。
建立极坐标系，对每个点 计算极坐标，记为；称为P点的极径，称为P点的极角。其中 ，当y大于等于0时，，当y 小于0时。
步骤3，为每个点分配极坐标结构体，划分体素网格，建立索引关系；
将计算的极坐标赋给极坐标结构体，并存进极坐标结构体数组，并获取最大，最大，最小，最小，分别记为，，，   。
根据，，，   计算体素空间大小，计算公式如下，， 。其中表示角度空间的长度，表示距离空间的长度，int表示取整。根据和（q，d）为每个点分配结构体，划分体素网格，建立索引关系。
步骤4，遍历极坐标结构体数组，计算每个点对应的结构体索引；
遍历极坐标结构体数组，计算每个点对应的结构体索引，计算公式如下，；；；其中代表第i个点的长度空间索引，代表第i个点的角度空间索引， 代表第i个点的由角度和长度构成的空间索引。
步骤3，4的体素网格划分演示如图3所示。
步骤5，根据计算出来的空间索引，把相同索引的点放进同一个体素结构体，体素结构体中存储属于该体素的点的序号还有类别，并把空间索引值作为该结构体的索引建立体素结构体哈希表。哈希表，是根据键值而直接进行访问的数据结构。也就是说，它通过把键值映射到表中一个位置来访问记录，以加快查找的速度。
步骤6，遍历哈希表，获取当前体素结构体索引，进行连通查找，并对同标签点云进行特征向量计算，二次验证是否为同一个类别；
在步骤6中，还包括以下步骤：
步骤61，遍历哈希表，获取当前体素结构体索引，通过判断体素结构体中的类别来判断是否已经被搜索（默认类别为-1，通过判断是否为-1可以得知是否已经被搜索），如果已经被搜索，保持原来类别，如果没有，则新建类别；
步骤62，根据索引值，遍历当前体素的所有邻居，使用表示当前邻居，获取邻居索引；
步骤63，若哈希表中存在该邻居索引，邻居实际上和当前遍历的体素为同一类别，因此计算当前邻居体素的强度平均值，以及形体特征，进而形成特征向量，进行二次类别验证：
；
其中，表示第i个点的强度；
；
其中，和代表协方差矩阵R的特征值 ，协方差矩阵，为点i的坐标（x， y），为体素中点的坐标均值；
步骤64，使用代表当前体素，计算当前体素的强度平均值 和形体特征，并计算向量t =[，]和向量u = [，]的余弦相似度，若kk小于设定阈值th，则认为当前体素和邻居体素为同一类；否则不为同一类，继续遍历，直到每个体素都归类完毕。
步骤7，当前循环结束，获取下一帧点云，继续计算。
如图4所示，以一个具体的实施方式对本发明提供的一种鲁棒快速的车用单线激光雷达点云聚类方法进行说明。
步骤1，激光雷达获取点云，设置其体素为圆弧状，该体素的参数（q，d）为（0.069，0.1），也即是对应圆心角q的弧度为0.069 rad，上下弧线，如弧线1和弧线2，弧线3和弧线2之间的距离为0.1m。从图中我们可以看出，距离圆心越近，体素也就越小，可以明显看出体素2比体素1要大，也就拥有了自适应的特性。
对于体素参数相识度阈值th，一般设置th为0.5；同时设置激光雷达若接收点云点数预设值N为5。
若激光雷达若接收点云点数少于预设值N，则结束回调函数，接收新点云。并对接收的点云进行预处理，如去除噪点等。即是说，当程序接收到一帧点云，就会对点云（点云包含很多个点）中包含的点数进行判断，如果点数少于N，N为5，我们就认为，此时接收到的点云都是噪点，没有包含有真正的障碍物。
步骤2，设置点P坐标为（3.0，4.0）数值单位为米，即x=3，y=4，计算它的极径， 。
步骤3，假设对点云中的每一个点进行了极坐标计算，获得了每一个点的，，然后对每一个点的，进行排序，获得了最大，最大，最小，最小，其中，，，   。接着开始计算体素空间的大小，，，也就意味着当前点云的体素空间大小为  x 67；每一帧点云的体素空间大小都不一样，因为，，，   的大小不一样。
步骤4，以步骤2中提到的P点（3， 4）为例，；；  。
步骤5，对于点P的由角度和长度构成的空间索引 =720，点A，B，C的由角度和长度构成的空间索引,,也等于720，那么我们把点P，A，B，C的存进相同的体素结构体，并把作为哈希表的键值，通过索引，就能找到存放了点P，A，B，C的体素。
步骤6，包括以下步骤：
步骤61，遍历哈希表，获取当前体素结构体索引，通过判断体素结构体中的类别来判断是否已经被搜索（默认类别为-1，通过判断是否为-1可以得知是否已经被搜索），如果已经被搜索，保持原来类别，如果没有，则新建类别；
步骤62，根据索引值，遍历当前体素的所有邻居，使用表示当前邻居，获取邻居索引；比如当前索引值为720，那么邻居的索引值就是719，721，717，723，其中717，723取决于列数的大小，比如说列数为2，上下邻居索引值就是717，723，左右邻居索引值为加一减一，也就是721，719。
步骤63，当前720的索引存在一个邻居719，719代表的体素中所有点的反射率平均强度为，假设 = 23，由协方差矩阵 计算出来的特征值= 0.19，=3.2，那么 = 0.19/(0.19-3.2)+3.2/(0.19+3.2)=0.880829879。
步骤64，当前获得向量t=[23，0.880829879]，向量u=[16，0.310219221]，则余弦相似度 = 368.2728/（23.0168604 *16.0030071 ）= 0.999820327。当前余弦相似度大于相识度阈值th，所以认为两个体素为同一类。
步骤7，当前循环结束，获取下一帧点云，继续计算。
发明不仅局限于上述具体实施方式，本领域一般技术人员根据实施例和附图公开内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变换或更改的设计，都落入本发明保护的范围。

Claims (5)

1.一种鲁棒快速的车用单线激光雷达点云聚类方法，其特征在于，所述鲁棒快速的车用单线激光雷达点云聚类方法包括以下步骤；
步骤1，激光雷达获取点云，设置体素相关参数，并对点云进行预处理；
步骤2，建立极坐标结构体数组，用于存储点的极坐标，建立体素结构体，用于存储属于该体素的点的序号，以及记录类别；
步骤3，遍历点云，计算每个点的极坐标，划分体素网格，建立索引关系；
步骤4，遍历极坐标结构体数组，计算每个点对应的结构体索引；
步骤5，根据计算出来的空间索引，把相同索引的点放进同一个体素结构体并存放每个点的序号，并把空间索引值作为该结构体的索引建立体素结构体哈希表；
步骤6，遍历哈希表，获取当前体素结构体索引，进行连通查找，并对同标签点云进行特征向量计算，二次验证是否为同一个类别；
步骤7，当前循环结束，获取下一帧点云，继续计算。
2.根据权利要求1所述鲁棒快速的车用单线激光雷达点云聚类方法，其特征在于，在步骤1中，所述激光雷达获取点云，设置体素相关参数，其参数为（q，d），其中q代表体素的弧度，d代表体素上弧线和下弧线之间的距离。
3.根据权利要求1所述鲁棒快速的车用单线激光雷达点云聚类方法，其特征在于，在步骤3中，遍历点云，以激光雷达坐标系原点为原点，建立极坐标系，对每个点 计算极坐标，记为；称为P点的极径，称为P点的极角；其中 ，当y大于等于0时，，当y 小于0时，；将计算的极坐标赋给极坐标结构体，并存进极坐标结构体数组，并获取最大，最大，最小，最小，分别记为，，，；根据，，，计算体素空间大小：
， 其中表示角度空间的长度，表示距离空间的长度，int表示取整；
根据和（q，d）为每个点分配结构体，划分体素网格，建立索引关系。
4.根据权利要求3所述鲁棒快速的车用单线激光雷达点云聚类方法，其特征在于，在步骤4中，遍历极坐标结构体数组，计算每个点对应的结构体索引：
；
；
；
其中代表第i个点的长度空间索引，代表第i个点的角度空间索引， 代表第i个点的由角度和长度构成的空间索引。
5.根据权利要求4所述鲁棒快速的车用单线激光雷达点云聚类方法，其特征在于，在步骤6中，还包括以下步骤：
步骤61，遍历哈希表，获取当前体素结构体索引，通过判断体素结构体中的类别来判断是否已经被搜索（默认类别为-1，通过判断是否为-1可以得知是否已经被搜索），如果已经被搜索，保持原来类别，如果没有，则新建类别；
步骤62，根据索引值，遍历当前体素的所有邻居，使用表示当前邻居，获取邻居索引；
步骤63，若哈希表中存在该邻居索引，邻居实际上和当前遍历的体素为同一类别，因此计算当前邻居体素的强度平均值，以及形体特征，进而形成特征向量，进行二次类别验证：
；
其中，表示第i个点的强度；
；
其中，和代表协方差矩阵R的特征值 ，协方差矩阵，为点i的坐标（x， y），为体素中点的坐标均值；
步骤64，使用代表当前体素，计算当前体素的强度平均值 和形体特征，并计算向量t =[，]和向量u = [，]的余弦相似度，若kk小于设定阈值th，则认为当前体素和邻居体素为同一类；否则不为同一类，继续遍历，直到每个体素都归类完毕。
CN202310195164.3A 2023-03-03 2023-03-03 一种鲁棒快速的车用单线激光雷达点云聚类方法 Active CN116071571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310195164.3A CN116071571B (zh) 2023-03-03 2023-03-03 一种鲁棒快速的车用单线激光雷达点云聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310195164.3A CN116071571B (zh) 2023-03-03 2023-03-03 一种鲁棒快速的车用单线激光雷达点云聚类方法

Publications (2)

Publication Number Publication Date
CN116071571A true CN116071571A (zh) 2023-05-05
CN116071571B CN116071571B (zh) 2023-07-14

Family

ID=86175011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310195164.3A Active CN116071571B (zh) 2023-03-03 2023-03-03 一种鲁棒快速的车用单线激光雷达点云聚类方法

Country Status (1)

Country Link
CN (1) CN116071571B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204705A (zh) * 2016-07-05 2016-12-07 长安大学 一种基于多线激光雷达的3d点云分割方法
CN108564525A (zh) * 2018-03-31 2018-09-21 上海大学 一种基于多线激光雷达的3d点云2d化数据处理方法
CN112907685A (zh) * 2021-02-05 2021-06-04 泉州装备制造研究所 一种点云极坐标编码方法及装置
US20210256718A1 (en) * 2020-02-19 2021-08-19 Gm Cruise Holdings Llc Object detection based on three-dimensional distance measurement sensor point cloud data
CN114359562A (zh) * 2022-03-20 2022-04-15 宁波博登智能科技有限公司 一种四维点云自动语义分割标注系统及方法
CN114488190A (zh) * 2021-12-30 2022-05-13 浙江零跑科技股份有限公司 一种激光雷达3d点云地面检测方法
CN114488185A (zh) * 2022-03-01 2022-05-13 山东大学 基于多线激光雷达的机器人导航系统方法及系统
CN114913399A (zh) * 2022-05-12 2022-08-16 苏州大学 一种车辆轨迹优化方法及智能交通系统
WO2022194888A1 (en) * 2021-03-19 2022-09-22 Supersonic Imagine Method and system for processing multi-modality and/or multi-source data of a medium
CN115293287A (zh) * 2022-08-22 2022-11-04 西安电子科技大学芜湖研究院 一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204705A (zh) * 2016-07-05 2016-12-07 长安大学 一种基于多线激光雷达的3d点云分割方法
CN108564525A (zh) * 2018-03-31 2018-09-21 上海大学 一种基于多线激光雷达的3d点云2d化数据处理方法
US20210256718A1 (en) * 2020-02-19 2021-08-19 Gm Cruise Holdings Llc Object detection based on three-dimensional distance measurement sensor point cloud data
CN112907685A (zh) * 2021-02-05 2021-06-04 泉州装备制造研究所 一种点云极坐标编码方法及装置
WO2022194888A1 (en) * 2021-03-19 2022-09-22 Supersonic Imagine Method and system for processing multi-modality and/or multi-source data of a medium
CN114488190A (zh) * 2021-12-30 2022-05-13 浙江零跑科技股份有限公司 一种激光雷达3d点云地面检测方法
CN114488185A (zh) * 2022-03-01 2022-05-13 山东大学 基于多线激光雷达的机器人导航系统方法及系统
CN114359562A (zh) * 2022-03-20 2022-04-15 宁波博登智能科技有限公司 一种四维点云自动语义分割标注系统及方法
CN114913399A (zh) * 2022-05-12 2022-08-16 苏州大学 一种车辆轨迹优化方法及智能交通系统
CN115293287A (zh) * 2022-08-22 2022-11-04 西安电子科技大学芜湖研究院 一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LESIA MOCHURAD 等: "An Obstacle-Finding Approach for Autonomous Mobile Robots Using 2D LiDAR Data", 《BIG DATA AND COGNITIVE COMPUTING》, pages 1 - 16 *
SEUNGCHEOL PARK 等: "Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Performance", 《2019 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》, pages 6459 - 6464 *
唐峻峰: "复杂环境下基于激光雷达点云的多模型融合障碍物检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 9, pages 035 - 134 *
薛连杰 等: "基于 3 维点云欧氏聚类和 ＲANSAC 边界拟合的目标物体尺寸和方位识别", 《机械设计与研究》, vol. 34, no. 5, pages 44 - 48 *
郑书富 等: "基于超体素聚类的三维点云轮廓特征提取", 《兰州文理学院学报(自然科学版)》, vol. 32, no. 3, pages 50 - 54 *
钟晋孝 等: "毫米波雷达目标点云稳健自适应聚类方法", 《科学技术与工程》, vol. 22, no. 5, pages 1936 - 1943 *

Also Published As

Publication number Publication date
CN116071571B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN110246183B (zh) 车轮接地点检测方法、装置及存储介质
CN112513679B (zh) 一种目标识别的方法和装置
CN108804714A (zh) 点云数据存储方法及装置
WO2022088104A1 (zh) 一种确定目标对象点云集的方法及装置
CN112861983A (zh) 图像匹配方法、装置、电子设备以及存储介质
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
CN113569958A (zh) 激光点云数据聚类方法、装置、设备及介质
CN111736167A (zh) 一种获取激光点云密度的方法和装置
CN117291840A (zh) 巡逻机器人的点云噪声过滤方法、装置、介质及设备
CN116071571B (zh) 一种鲁棒快速的车用单线激光雷达点云聚类方法
CN115375699B (zh) 点云分割方法、移动机器人及计算机可读存储介质
CN111598941A (zh) 一种杆塔倾斜度测量方法、装置、设备及存储介质
CN115908541A (zh) 针对室内环境基于曲率信息的车载激光雷达点云聚类算法
CN115457506A (zh) 一种目标检测方法、装置及存储介质
CN114820505A (zh) 一种动态目标的非接触测量方法
CN115062683A (zh) 基于dbscan的4d毫米波雷达聚类方法及存储介质
CN113033270B (zh) 采用辅助轴的3d物体局部表面描述方法、装置及存储介质
CN116502479B (zh) 一种三维物体在仿真环境中的碰撞检测方法和装置
CN115439484B (zh) 基于4d点云的检测方法、装置、存储介质及处理器
CN117710717B (zh) 超体聚类点云分割方法、装置、设备和存储介质
CN115830340B (zh) 一种点云目标识别方法和装置、存储介质
CN114055781B (zh) 基于点体素相关场的燃油箱焊接机械臂自适应校正方法
CN118115368A (zh) 一种自动化喷涂路径优化方法及系统
WO2023097873A1 (zh) 用于车辆定位检查的方法、装置、存储介质及设备
CN113920180B (zh) 一种基于正态分布变换假设校验的点云配准优化方法

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