CN116184357A - 一种地面点云数据处理方法、装置、电子装置和存储介质 - Google Patents

Abstract

本申请涉及一种地面点云数据处理方法、装置、电子装置和存储介质，其中，该地面点云数据处理方法包括：通过激光雷达采集原始点云数据，得到地面点云数据；根据车辆位姿将激光雷达坐标系下的地面点云数据转换为地图坐标系下的第一点云数据；根据车辆的行驶方向，从第一点云数据中获取搜索种子；根据搜索种子和高程变化阈值，将第一点云数据分为道路点云数据和障碍物点云数据；根据点云数据强度阈值对道路点云数据进行二分聚类，得到前景点云数据和背景点云数据。通过本申请，解决了相关技术中存在复杂路况下采集的点云数据处理存在噪声大，导致点云数据目标识别不精确的问题，实现了精确高效过滤路面点云数据的技术效果。

Description

一种地面点云数据处理方法、装置、电子装置和存储介质

技术领域

本申请涉及自动驾驶技术领域，特别是涉及一种地面点云数据处理方法、装置、电子装置和存储介质。

背景技术

车辆上通常会安装利用卫星导航定位技术进行定位的全球卫星定位装置，以通过这个全球卫星定位装置进行定位。为了保证车辆自动驾驶或无人驾驶的可靠性与安全性，在全球卫星定位装置的定位信号不正常的情况下通常会使用由激光雷达点云数据建立的点云数据地图进行定位。

在地图采集范围较大时通常需要使用激光雷达进行多次采集，根据每次采集到的激光雷达点云数据分别建立一个点云数据地图，再将这些点云数据地图进行叠加得到整个地图采集范围对应的完整点云数据地图。点云数据是用于动态存储通常来自激光雷达系统的数据的点的集合。激光雷达是一种每秒发送超过160,000个脉冲的采样工具。每个1米像素包含大约15个光脉冲。一旦LiDAR(Light detection and ranging，激光雷达)系统收集到每个单独的读数，处理后的数据就成为点云数据。光脉冲代表点云数据中的数百万个点数据。

每个点存储具有描述每个点的多个属性的信息。在最基本的层面上，属性包括X、Y和Z坐标。每个点都使用GPS时间戳和惯性测量单位进行检查。但是点云数据也可以存储关于强度、颜色和时间的属性信息。当LiDAR系统扫描地面时，整个点集就它们在表面上击中的物体而言是未分类的。自动化例程有助于对点云数据进行分类。例如，类别可以包括地面、植被(低、中和高)、建筑物、水等，点分类可能属于多个类别。

点云数据处理作为当前自动驾驶领域中一个重要的研究方向，与高精地图、定位、规划等众多研究方向都有密切的关联。通过现有的车载激光测绘技术采集到的点云数据大多只包含点云数据的三维坐标以及激光反射强度，难以直接提取到关键信息，例如车道线、箭头等道路标识，且采集到的点云数据量巨大，无法直接应用于高精地图等模块。不少学者提出了一些基于激光点云数据的车道线检测方法，在点云数据处理相关领域取得了一定的进展，但对于复杂路况下采集的点云数据处理存在噪声点多，导致点云数据目标的识别不精确的问题，现有的方法仍旧无法满足大规模复杂路况下的路面点云数据过滤。

针对相关技术中存在复杂路况下采集的点云数据处理存在噪声大，导致点云数据目标识别不精确的问题，目前还没有提出有效的解决方案。

发明内容

在本实施例中提供了一种地面点云数据处理方法、装置、电子装置和存储介质，以解决相关技术中存在复杂路况下采集的点云数据处理存在噪声大，导致点云数据目标识别不精确的问题。

第一个方面，在本实施例中提供了一种地面点云数据处理方法，所述方法应用于车辆，所述车辆包括激光雷达，所述方法包括：

通过所述激光雷达采集原始点云数据，得到地面点云数据；

根据车辆位姿将激光雷达坐标系下的所述地面点云数据转换为地图坐标系下的第一点云数据；

根据所述车辆的行驶方向，从所述第一点云数据中获取搜索种子；

根据所述搜索种子和高程变化阈值，将所述第一点云数据分为道路点云数据和障碍物点云数据；

根据点云数据强度阈值对所述道路点云数据进行二分聚类，得到前景点云数据和背景点云数据；

根据所述背景点云数据对所述前景点云数据进行过滤，得到道路标识点云数据。

在其中的一些实施例中，所述方法还包括：

将若干帧所述道路标识点云数据进行合并，获得第二点云数据。

在其中的一些实施例中，所述根据所述背景点云数据对所述前景点云数据进行过滤，得到道路标识点云数据包括：

对所述背景点云数据进行曲面拟合滤波，得到道路曲面方程；

根据所述道路曲面方程，对所述前景点云数据进行过滤，得到道路标识点云数据。

在其中的一些实施例中，所述根据所述道路曲面方程，对所述前景点云数据进行过滤，得到道路标识点云数据包括：

根据所述前景点云数据与道路曲面间的距离，将所述前景点云数据划分为所述道路标识点云数据和噪声点云数据。

在其中的一些实施例中，所述通过所述激光雷达采集原始点云数据，得到地面点云数据包括：

设定高程阈值；

根据所述高程阈值对所述原始点云数据进行过滤，获得所述地面点云数据。

在其中的一些实施例中，所述根据所述搜索种子和高程变化阈值，将所述第一点云数据分为道路点云数据和障碍物点云数据包括：

设定高程变化阈值；

从所述搜索种子向两边搜索，记录高程变化超过所述高程变化阈值的第一窗口；

根据所述第一窗口生成第二窗口；所述第二窗口包括多个所述第一窗口；

根据所述第二窗口，将所述第一点云数据分为道路点云数据和障碍物点云数据。

第二个方面，在本实施例中提供了一种地面点云数据处理装置，所述装置包括：

采集模块，用于通过激光雷达采集原始点云数据，得到地面点云数据；

坐标转换模块，用于根据车辆位姿将雷达坐标系下的所述地面点云数据转换为地图坐标系下的第一点云数据；

区分模块，用于根据所述车辆的行驶方向，从所述第一点云数据中获取搜索种子；根据所述搜索种子和高程变化阈值，将所述第一点云数据分为道路点云数据和障碍物点云数据；

过滤模块，用于根据点云数据强度阈值对所述道路点云数据进行二分聚类，得到前景点云数据和背景点云数据；根据所述背景点云数据对所述前景点云数据进行过滤，得到道路标识点云数据。

在其中的一些实施例中，所述装置还包括：

合并模块，用于将若干帧所述道路标识点云数据进行合并，获得第二点云数据。

第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的一种地面点云数据处理方法。

第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的一种地面点云数据处理方法。

与相关技术相比，在本实施例中提供的一种地面点云数据处理方法、装置、电子装置和存储介质，通过激光雷达采集原始点云数据，得到地面点云数据；根据车辆位姿将激光雷达坐标系下的地面点云数据转换为地图坐标系下的第一点云数据；根据车辆的行驶方向，从第一点云数据中获取搜索种子；根据搜索种子和高程变化阈值，将第一点云数据分为道路点云数据和障碍物点云数据；根据点云数据强度阈值对道路点云数据进行二分聚类，得到前景点云数据和背景点云数据，解决了相关技术中存在复杂路况下采集的点云数据处理存在噪声大，导致点云数据目标识别不精确的问题，实现了精确高效过滤路面点云数据的技术效果。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本实施例的一种地面点云数据处理方法的流程图；

图2为本实施例的激光雷达采集的斑马线的原始点云数据效果图；

图3为本实施例的斑马线的道路标识点云数据效果图；

图4为本实施例的公交车站的原始点云数据效果图；

图5为本实施例的公交车站的道路标识点云数据效果图；

图6为本实施例的车道线及箭头的原始点云数据效果图；

图7为本实施例的车道线及箭头的道路标识点云数据效果图；

图8是本优选实施例的一种基于激光雷达的路面点云数据过滤方法的流程图；

图9是本实施例的一种地面点云数据处理装置的结构框图。

具体实施方式

为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

在本实施例中提供了一种地面点云数据处理方法，图1是本实施例的一种地面点云数据处理方法的流程图，如图1所示，该流程包括如下步骤：

步骤S102，通过激光雷达采集原始点云数据，得到地面点云数据。

具体的，激光雷达对车辆当前位置的环境进行连续扫描及采集获得原始点云数据，原始点云数据包含了地面、树、房子等所有环境的点云数据，通过对原始点云数据进行过滤得到地面点云数据。其中，通过对原始点云数据进行过滤得到地面点云数据包括：设定高程阈值；根据高程阈值对原始点云数据进行过滤，去除单帧地面点云数据中超出高程阈值的点云数据，获得地面点云数据，地面点云数据包含道路、道路上的障碍物、绿化带等比较矮的物体。

步骤S104，根据车辆位姿将激光雷达坐标系下的地面点云数据转换为地图坐标系下的第一点云数据。

具体的，根据车辆在自身坐标系下的位置和姿态，将激光雷达坐标系下的地面点云数据转换至地图坐标系下的第一点云数据。根据所述相关参数确定雷达坐标系和地图坐标系的映射关系，根据映射关系，将激光雷达坐标系下的地面点云数据转换至地图坐标系下的第一点云数据。

步骤S106，根据车辆的行驶方向，从第一点云数据中获取搜索种子。

具体的，以当前帧坐标与上一帧坐标连成的向量作为车辆行驶方向，将第一点云数据中与车辆行驶方向最接近的点作为搜索种子。

步骤S108，根据搜索种子和高程变化阈值，将第一点云数据分为道路点云数据和障碍物点云数据。

具体的，取位于车辆行驶方向上的点云数据；从搜索种子向两边搜索，记录高程变化超出阈值的窗口；合并高程变化超出阈值的窗口，分离位于窗口内外的点云数据，得到道路点云数据和障碍物点云数据。

进一步的，假设A窗口中最小高程是1，最大高程是10，高程变化差值是9，而高程变化阈值是5，高程变化差值大于阈值，则记录A窗口。合并所有高程变化超出阈值的窗口，搜索出障碍物点云数据窗口，分离位于窗口内外的点云数据，完成道路点云数据的分离，得到道路点云数据和障碍物点云数据。基于车辆行驶轨迹的道路点云数据分离方法，可以准确地分离出道路点云数据和障碍物点云数据，同时也能避免路沿附近道路标识的漏检。

步骤S110，根据点云数据强度阈值对道路点云数据进行二分聚类，得到前景点云数据和背景点云数据。

具体的，二分聚类算法能根据道路点云数据的强度信息，精准地将道路点云数据进行分类，为后续曲面拟合提供准确的道路采样点。

步骤S112，根据背景点云数据对前景点云数据进行过滤，得到道路标识点云数据。

具体的，将背景点云数据作为采样点进行曲面拟合得到曲面方程；过滤背景点云数据中位于曲面外的点云数据，得到新背景点云数据；将新背景点云数据作为采样点再次进行曲面拟合得到道路曲面方程。根据道路曲面方程，进行前景点云数据滤波，得到道路标识点云数据。

进一步的，本实施例通过对原始点云数据进行处理，最终得到道路标识点云，如图2所示，图2为斑马线的原始点云数据效果图，图3为斑马线的道路标识点云数据效果图，图4为公交车站的原始点云数据效果图，图5为公交车站的道路标识点云数据效果图，图6为车道线及箭头的原始点云数据效果图，图7为车道线及箭头的道路标识点云数据效果图，可以很明显的看到经过本实施例的地面点云数据处理方法处理后的点云数据，提高了针对地面点云数据的筛选精度。

通过上述步骤，通过激光雷达采集原始点云数据，得到地面点云数据；根据车辆位姿将激光雷达坐标系下的地面点云数据转换为地图坐标系下的第一点云数据；根据车辆的行驶方向，从第一点云数据中获取搜索种子；根据搜索种子和高程变化阈值，将第一点云数据分为道路点云数据和障碍物点云数据；根据点云数据强度阈值对道路点云数据进行二分聚类，得到前景点云数据和背景点云数据，解决了相关技术中存在复杂路况下采集的点云数据处理存在噪声大，导致点云数据目标识别不精确的问题，实现了精确高效过滤路面点云数据的技术效果。

在其中的一些实施例中，将若干帧道路标识点云数据进行合并，获得第二点云数据。

在其中的一些实施例中，根据背景点云数据对前景点云数据进行过滤，得到道路标识点云数据包括：对背景点云数据进行曲面拟合滤波，得到道路曲面方程；根据道路曲面方程，对前景点云数据进行过滤，得到道路标识点云数据。

在其中的一些实施例中，根据道路曲面方程，对前景点云数据进行过滤，得到道路标识点云数据包括：根据前景点云数据与道路曲面间的距离，将前景点云数据划分为道路标识点云数据和噪声点云数据。

在其中的一些实施例中，通过激光雷达采集原始点云数据，得到地面点云数据包括：设定高程阈值；根据高程阈值对地面点云数据进行过滤，获得地面点云数据。

在其中的一些实施例中，根据搜索种子和高程变化阈值，将第一点云数据分为道路点云数据和障碍物点云数据包括：设定高程变化阈值；从搜索种子向两边搜索，记录高程变化超过高程变化阈值的第一窗口；根据第一窗口生成第二窗口；第二窗口包括多个第一窗口；根据第二窗口，将第一点云数据分为道路点云数据和障碍物点云数据。

下面通过优选实施例对本实施例进行描述和说明。

图8是本优选实施例的一种基于激光雷达的路面点云数据过滤方法的流程图。如图8所示，该基于激光雷达的路面点云数据过滤方法包括如下步骤：

步骤S402，利用无人车采集激光点云数据，并根据无人车位姿对点云数据进行坐标转换。

具体的，步骤S402还包括S4021～S4022子步骤；

步骤S4021，去除单帧点云数据中高程超出阈值的数据。

具体的，以无人车采集到的单帧点云数据为基础，根据单帧点云数据中雷达位于坐标原点的性质，设定高程过滤条件，将点云数据中z≥0的数据删除；

步骤S4022，根据无人车位姿将雷达坐标系的点云数据转换到地图坐标系。

具体的，无人车位姿包括平移矩阵T以及四元数w,x,y,z，首先将四元数转换成旋转矩阵

对点云数据矩阵P乘以旋转矩阵R并加上平移矩阵T，完成从雷达坐标系到地图坐标系的转换。

步骤S404，计算无人车行驶轨迹，并根据行驶方向确定搜索种子。

进一步的，步骤S404还包括S4041～S4042子步骤，

步骤S4041，以当前帧坐标与上一帧坐标连成的向量作为无人车行驶方向。

具体的，以当前帧坐标P_cur减去上一帧的坐标P_pre作为当前帧无人车行驶方向。

步骤S4042，将点云数据中与无人车行驶方向最接近的点作为搜索种子。

具体的，搜索每一线点云数据中与当前行驶方向最接近的点作为搜索种子P_center，以单帧图原点和搜索种子为基准建立坐标系，保留位于第一、第二象限的点云数据作为搜索区间。

步骤S406，完成道路点云数据分离，并对道路点云数据进行二分聚类，分为前景和背景。

具体的，从中心点P_center出发向两侧搜索，记搜索点后10个点的高程变化率

Z_max为当前窗口中高程最大值，Z_min为当前窗口中高程最小值，当高程变化率产生突变时，记录当前窗口中高程最大最小值位置为一个高程突变窗口。当搜索到高程突变窗口后出现横向距离超出阈值的不连续点云数据时，停止搜索，此时为辅道与主道之间的花坛或国道的边界；当搜索到高程突变窗口后直至搜索区间末端的所有点云数据共线时，停止搜索，此时为墙面。

进一步的，合并所有的高程突变窗口，分离位于高程突变窗口内外点云数据；计算点云数据强度直方图，统计落在每个强度上点云数据的数量，并进行强度直方图归一化，将每个强度对应点云数据的数量除以总体点云数据的数量；设置强度阈值i，统计强度位于0～i(强度在此范围内的点云数据称为背景点云数据)的点云数据所占总点云数据的比例ω₀，并计算背景点云数据的平均强度u₀；统计其余强度(强度在此范围内的点云数据称为前景点云数据)的点云数据所占总点云数据的比例ω₁，并计算背景点云数据的平均强度u₁；计算总体点云数据的平均强度u₂，类间方差g＝ω₀ω₁(u₀-u₁)²，从i＝0开始迭代，迭代到最大类间方差g对应的强度作为分类的阈值将点云数据分为背景点云数据和前景点云数据。

其中，二分聚类算法能根据点云数据的强度信息，精准地将点云数据进行分类，为后续曲面拟合提供准确的道路采样点。

步骤S408，将背景点云数据进行曲面拟合滤波。

具体的，将背景点云数据作为采样点进行第一次三次多项式曲面拟合z＝[1xx²x³]C[1y y²y³]^T，用待定系数法求解系数矩阵C，此时由于噪声的存在，得到的曲面并不准确，计算背景点云数据到曲面的距离h_bac，将不在曲面上的点作为噪声去除，剩余的点云数据作为新的采样点进行第二次三次多项式曲面拟合，得到准确的道路曲面方程。

步骤S410，根据道路曲面方程，进行前景滤波，得到道路标识点云数据。

具体的，计算前景点云数据到路面方程的距离h_pro，判断是否大于路面标识的厚度σ，删除非道路标识的噪声点云数据，得到最终的道路标识点云数据，再将每一帧过滤后的点云数据进行合并，完成路面点云数据过滤。通过上述步骤，利用雷达坐标系原点的坐标转换，获得无人车每一帧的行驶方向，进而得到每一线点云数据的搜索种子。其次利用高程突变信息搜索出障碍物点云数据窗口，完成道路点云数据的分离，并基于二分聚类算法完成了背景点云数据和前景点云数据的分类，结合三次多项式曲面拟合滤波，有效地过滤与路面强度相同的噪声点云数据以及和道路标识强度相同的噪声点云数据。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中还提供了一种地面点云数据处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图9是本实施例的一种地面点云数据处理装置的结构框图，如图5所示，该装置包括：

采集模块10，用于通过激光雷达采集原始点云数据，得到地面点云数据；

坐标转换模块20，用于根据车辆位姿将雷达坐标系下的地面点云数据转换为地图坐标系下的第一点云数据；

区分模块30，用于根据车辆的行驶方向，从第一点云数据中获取搜索种子；根据搜索种子和高程变化阈值，将第一点云数据分为道路点云数据和障碍物点云数据；

过滤模块40，用于根据点云数据强度阈值对道路点云数据进行二分聚类，得到前景点云数据和背景点云数据；根据背景点云数据对前景点云数据进行过滤，得到道路标识点云数据。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。在本发明的描述中，“处理器”可以包括硬件、软件或者两者的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，通过激光雷达采集原始点云数据，得到地面点云数据。

S2，根据车辆位姿将激光雷达坐标系下的地面点云数据转换为地图坐标系下的第一点云数据。

S3，根据车辆的行驶方向，从第一点云数据中获取搜索种子。

S4，根据搜索种子和高程变化阈值，将第一点云数据分为道路点云数据和障碍物点云数据。

S5，根据点云数据强度阈值对道路点云数据进行二分聚类，得到前景点云数据和背景点云数据。

S6，根据背景点云数据对前景点云数据进行过滤，得到道路标识点云数据。

需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。

此外，结合上述实施例中提供的一种地面点云数据处理方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种地面点云数据处理方法。

应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。

显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。

“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。

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专利保护范围的限制。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)

1.一种地面点云数据处理方法，其特征在于，所述方法应用于车辆，所述车辆包括激光雷达，所述方法包括：

通过所述激光雷达采集原始点云数据，得到地面点云数据；

根据车辆位姿将激光雷达坐标系下的所述地面点云数据转换为地图坐标系下的第一点云数据；

根据所述车辆的行驶方向，从所述第一点云数据中获取搜索种子；

根据所述搜索种子和高程变化阈值，将所述第一点云数据分为道路点云数据和障碍物点云数据；

根据点云数据强度阈值对所述道路点云数据进行二分聚类，得到前景点云数据和背景点云数据；

根据所述背景点云数据对所述前景点云数据进行过滤，得到道路标识点云数据。

2.根据权利要求1所述的地面点云数据处理方法，其特征在于，所述方法还包括：

将若干帧所述道路标识点云数据进行合并，获得第二点云数据。

3.根据权利要求1所述的地面点云数据处理方法，其特征在于，所述根据所述背景点云数据对所述前景点云数据进行过滤，得到道路标识点云数据包括：

对所述背景点云数据进行曲面拟合滤波，得到道路曲面方程；

根据所述道路曲面方程，对所述前景点云数据进行过滤，得到道路标识点云数据。

4.根据权利要求3所述的地面点云数据处理方法，其特征在于，所述根据所述道路曲面方程，对所述前景点云数据进行过滤，得到道路标识点云数据包括：

根据所述前景点云数据与道路曲面间的距离，将所述前景点云数据划分为所述道路标识点云数据和噪声点云数据。

5.根据权利要求1所述的地面点云数据处理方法，其特征在于，所述通过所述激光雷达采集原始点云数据，得到地面点云数据包括：

设定高程阈值；

根据所述高程阈值对所述原始点云数据进行过滤，获得所述地面点云数据。

6.根据权利要求5所述的地面点云数据处理方法，其特征在于，所述根据所述搜索种子和高程变化阈值，将所述第一点云数据分为道路点云数据和障碍物点云数据包括：

设定高程变化阈值；

从所述搜索种子向两边搜索，记录高程变化超过所述高程变化阈值的第一窗口；

根据所述第一窗口生成第二窗口；所述第二窗口包括多个所述第一窗口；

根据所述第二窗口，将所述第一点云数据分为道路点云数据和障碍物点云数据。

7.一种地面点云数据处理装置，其特征在于，所述装置包括：

采集模块，用于通过激光雷达采集原始点云数据，得到地面点云数据；

坐标转换模块，用于根据车辆位姿将雷达坐标系下的所述地面点云数据转换为地图坐标系下的第一点云数据；

区分模块，用于根据所述车辆的行驶方向，从所述第一点云数据中获取搜索种子；根据所述搜索种子和高程变化阈值，将所述第一点云数据分为道路点云数据和障碍物点云数据；

过滤模块，用于根据点云数据强度阈值对所述道路点云数据进行二分聚类，得到前景点云数据和背景点云数据；根据所述背景点云数据对所述前景点云数据进行过滤，得到道路标识点云数据。

8.根据权利要求7所述的地面点云数据处理装置，其特征在于，所述装置还包括：

合并模块，用于将若干帧所述道路标识点云数据进行合并，获得第二点云数据。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至权利要求6中任一项所述的地面点云数据处理方法。

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至权利要求6中任一项所述的地面点云数据处理方法的步骤。

Images