CN116883973A - 点云目标检测方法、装置、电子设备 - Google Patents

点云目标检测方法、装置、电子设备 Download PDF

Info

Publication number
CN116883973A
CN116883973A CN202310936198.3A CN202310936198A CN116883973A CN 116883973 A CN116883973 A CN 116883973A CN 202310936198 A CN202310936198 A CN 202310936198A CN 116883973 A CN116883973 A CN 116883973A
Authority
CN
China
Prior art keywords
point
points
laser
distance
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.)
Pending
Application number
CN202310936198.3A
Other languages
English (en)
Inventor
刘向阳
张东好
曹坤
彭海娟
田山
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.)
Beijing Jingxiang Technology Co Ltd
Original Assignee
Beijing Jingxiang Technology 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 Beijing Jingxiang Technology Co Ltd filed Critical Beijing Jingxiang Technology Co Ltd
Priority to CN202310936198.3A priority Critical patent/CN116883973A/zh
Publication of CN116883973A publication Critical patent/CN116883973A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请公开了一种点云目标检测方法、装置、电子设备，所述方法包括：获取待处理的激光3D点云数据；将所述激光3D点云数据映射到距离图像；根据所述距离图像，将地面点滤除得到物体点；根据所述物体点，得到目标分割结果。通过本申请较好地实现了地面滤除并达到目标分割的效果，可以提高检测准确率且能够保障较好的实时性能。

Description

点云目标检测方法、装置、电子设备
技术领域
本申请涉及自动驾驶、定位感知技术领域，尤其涉及一种点云目标检测方法、装置、电子设备。
背景技术
在自动驾驶领域，环境感知是极其重要的，感知的好坏直接影响着后续的决策与规划，进而影响着自动驾驶系统整体的控制效果。因此，处于环境感知中的目标检测显得尤为重要。
对于目标检测通常可以划分为两个大类，一种类型是基于深度学习神经网络的处理方式，另一种类型则是传统的基于目标聚类的方法。考虑硬件性能，开发周期以及数据成本等问题，目前工业界用的比较多的方式还是采用传统的处理方法，而激光雷达由于其优越的检测性能，也成为了自动驾驶领域不可或缺的感知传感器。
进一步地，基于激光雷达的目标检测技术可以划分为两类：一类是基于深度学习的特征提取方案，如PointPillar、VoxelNet等。另一类则是基于传统的点云处理算法，具体包括地面分割和目标分割，地面分割常用的方法有平面栅格法、点云法向量法、模型拟合法等，目标分割常采用基于边缘、属性以及基于模型的分割方法等。
相关技术中的目标检测存在如下的问题：
(a)基于深度学习的方式对硬件性能有着较高的要求，开发周期和数据成本较大。
(b)传统的基于栅格化的点云分割方法存在地面滤除不干净的问题，而地面点会对位于地面上物体点集造成干扰，进而导致目标分割不准确，影响最终的目标检测效果。
发明内容
本申请实施例提供了一种点云目标检测方法、装置、电子设备，以更好实现地面滤除并达到目标分割的效果，且能够保障较好的实时性能。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种点云目标检测方法，其中，所述方法包括：
获取待处理的激光3D点云数据；
将所述激光3D点云数据映射到距离图像；
根据所述距离图像，将地面点滤除得到物体点；
根据所述物体点，得到目标分割结果。
在一些实施例中，所述将所述激光3D点云数据映射到距离图像，包括：
根据激光传感器的视场角FOV以及分辨率，构建距离图像，其中所述距离图像的行数为垂直视场角与垂直分辨率的比值，所述距离图像的列数为水平视场角与水平分辨率的比值；
计算所述激光3D点云数据中每个物体点对应到所述距离图像的行列数，并将所述每个点对应到所述距离图像的行列数作为索引存储；
将所述激光3D点云数据中物体点到所述激光传感器的距离值作为所述距离图像中对应的像素坐标位置。
在一些实施例中，所述根据所述距离图像，将地面点滤除得到物体点，包括：
根据所述激光传感器的激光束方向，遍历包含地面的所述距离图像中的点，并将所述距离图像中的每列像素值经过处理为相邻两激光线束与地面形成的倾斜角度；
如果所述倾斜角度小于设定阈值，则认为遍历的所述索引为地面点；
将基于所述倾斜角度的分割处理得到的地面点进行平面拟合，得到第一平面，其中所述第一平面中的点包括满足角度阈值要求时确定的一个内点组成的平面，所述角度阈值根据所述第一平面中提取的平面法向量与参考法向量设置夹角阈值确定；
通过遍历所述距离图像中的每个点并计算与所述第一平面的距离，设置门限距离阈值。
在一些实施例中，所述根据所述距离图像，将地面点滤除得到物体点，包括：
按照所述激光传感器的纵向距离为分界，将所述距离图像中的点分为近处点和远处点；
若所述距离图像中的每个点与所述第一平面的距离满足所述门限距离阈值，且属于处于近处点则作为新的近处地面点；
若所述距离图像中的每个点与所述第一平面的距离满足所述门限距离阈值，且属于处于远处点则存储；
将已存储的远处点进行二次平面拟合，得到第二平面；
若所述距离图像中的每个点与所述第二平面的距离满足所述门限距离阈值，且属于远处点则作为新的远处地面点；
根据所述新的远处地面点以及新的近处地面点更新地面点，得到整个点云地面点并进行滤除后得到所述物体点。
在一些实施例中，获取待处理的激光3D点云数据，包括：
对所述激光3D点云数据进行预处理，得到待处理的激光3D点云数据，所述预处理至少包括如下之一的操作：ROI滤波、无效点移除、坐标系转换。
在一些实施例中，所述根据所述物体点，得到目标分割结果，包括：
遍历所述距离图像中的每个所述物体点；
按照遍历的每个物体点所在行和列为中心进行搜索，计算出相邻两个物体点与激光传感器形成的夹角角度；
如果所述夹角角度大于预设角度阈值，则将所述相邻两个物体点聚类为同一目标点；
根据聚类结果和所述激光传感器的激光线束进行噪声过滤，得到目标分割结果。
在一些实施例中，所述根据所述物体点，得到目标分割结果，包括：
计算装载激光设备的车体两侧所识别到的所有目标的纵向距离的最大长度；
判断所述目标的纵向距离的最大长度是否满足预设长度阈值；
若满足则认为存在道路边界，同时过滤掉所述道路边界外的目标；
将所述道路边界内的目标进行二次滤波处理，得到目标分割结果。
在一些实施例中，所述根据所述物体点，得到目标分割结果，包括：
将二次滤波处理后的目标按照点云的质心纵向距离进行排序，计算相邻两个目标之间的3DIoU；
如果3DIoU大于预设3DIoU阈值，则将两个目标聚类为一个新目标，并更新目标的属性信息。
第二方面，本申请实施例还提供一种点云目标检测装置，其中，所述装置包括：
获取模块，用于获取待处理的激光3D点云数据；
映射模块，用于将所述激光3D点云数据映射到距离图像；
滤除模块，用于根据所述距离图像，将地面点滤除得到物体点；
分割模块，用于根据所述物体点，得到目标分割结果。
第三方面，本申请实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取待处理的激光3D点云数据，之后将所述激光3D点云数据映射到距离图像。进一步根据所述距离图像，将地面点滤除得到物体点；最后根据所述物体点，得到目标分割结果。通过角度分割和分段拟合的方式，从距离图像中滤除地面点得到物体点，并采用相关的点云优化方案实现目标聚类得到目标分割检测结果。
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为本申请实施例中点云目标检测方法的流程示意图；
图2为本申请实施例中点云目标检测装置的结构示意图；
图3为本申请实施例中点云目标检测方法的实现原理示意图；
图4为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种点云目标检测方法，如图1所示，提供了本申请实施例中点云目标检测方法流程示意图，所述方法至少包括如下的步骤S110至步骤S140：
步骤S110，获取待处理的激光3D点云数据。
一种常见的场景为激光雷达被用于自动驾驶车辆上。自驾驶车辆是在普通车辆的基础上增加了先进的传感器(比如，雷达、摄像)、控制器、执行器等装置，并融合网络技术与通信技术，通过车载传感系统和信息终端实现车-车、车-路、车-人信息共享及智能信息交换，使车辆能够具备智能感知、智能决策等功能。所以，获取的激光3D点云数据是采用激光雷达扫描之后得到的结果。
为了使得激光3D点云数据便于处理可以提前进行一些预处理，从而得到待处理的激光3D点云数据。
步骤S120，将所述激光3D点云数据映射到距离图像。
对激光3D点云数据映射到距离图像中。距离图像中按照预设方式划分成为了大小相同的网格，每个网格中的行列数可以作为点云数据的索引。根据索引能够定位点云数据位于哪个网格中。并且网格中还保存了激光点云的像素点坐标位置。
此外，网格中还可以包括激光点云在不同方向上的x轴、y轴、z轴坐标以及反射率等激光雷达参数。
步骤S130，根据所述距离图像，将地面点滤除得到物体点。
基于上述得到的距离图像(此时包含地面点和物体点)，通过相关滤除方式得到全局地面点，并将这些全局地面点进行滤除后得到物体点。
需要注意的是，“物体点”是通过激光点云数据得到的目标识别结果，在“物体点”中包括了相关的点云。
步骤S140，根据所述物体点，得到目标分割结果。
基于上述得到的距离图像中的物体点，进行目标分割处理后分割出目标点云，并且可以再对这些目标点云进行滤波以及过分割处理，从而提高检测准确率，兼具良好实时性能的同时具有较佳的检测效果。
通过上述方法，可以更加有效地滤除地面点的干扰，从而提高激光点云的目标检测的准确性。
通过上述方法，将激光3D点云数据映射到距离图像之后便于在距离图像中进行角度分割以及分段拟合处理，通过不断更新地面点得到整个点云地面点，并通过将整个点云地面点滤除，得到只包括物体点的距离图像。
通过上述方法，结合角度与分段拟合的地面滤波处理，可以实现平整道路以及具有一定坡度的地面检测，从而将地面点滤除得到物体点。之后对物体点采用采用过分割处理，可以降低过分割现象的发生。
区别于相关技术中，基于深度学习的方式对硬件性能有着较高的要求，开发周期和数据成本较大，采用上述方法相较于深度学习方式对硬件性能要求较低，开发周期更短，节省数据成本，算法处理速度更具优越性。保障自动驾驶系统中定位感知结果的实时性。
区别于相关技术中，传统的基于栅格化的点云分割方法存在地面滤除不干净，而地面点会对位于地面上物体点集造成干扰进而导致目标分割不准确，影响最终的目标检测效果的问题。采用上述方法相较于传统划分网格的处理方式可以更好地去除地面点，并可以处理一定坡度的地面，降低误检率。提高检测准确性且目标聚类效果更好，采用上述方法的目标检测算法处理的实时性能更具优越性。
在本申请的一个实施例中，所述将所述激光3D点云数据映射到距离图像，包括：根据激光传感器的视场角FOV以及分辨率，构建距离图像，其中所述距离图像的行数为垂直视场角与垂直分辨率的比值，所述距离图像的列数为水平视场角与水平分辨率的比值；计算所述激光3D点云数据中每个物体点对应到所述距离图像的行列数，并将所述每个点对应到所述距离图像的行列数作为索引存储；将所述激光3D点云数据中物体点到所述激光传感器的距离值作为所述距离图像中对应的像素坐标位置。
可以理解，激光传感器的视场角FOV与激光传感器的扫描范围相关，激光传感器的分辨率为显示分辨率。根据激光雷达的FOV和分辨率，可以出构建距离图像，从而将待处理的3D点云数据映射到2.5D距离图像。
具体实施时，距离图像的行数则为垂直视场角与垂直分辨率的比值，若不为整数，向上取整，列数则为水平视场角与水平分辨率的比值。然后，求取点云中每个点对应到距离图像的行与列，存储该索引对应的点云数据，并将该物体点到激光传感器的距离值作为此距离图像的每个像素点即距离图像中的像素点为物体点到激光传感器的距离值。
可以理解，如果知道了行与列(索引)，就知道了在当前距离图像网格中对应哪个位置。
示例性地，3D点云数据中的每个点会按照算法逻辑映射到距离图像中某个位置，这个具体位置通过行与列的索引进行确定。比如，某个点云点映射到距离图像的索引为(m，n)，即距离图像中m行n列的位置对应那个点云点，距离图像的像素值即m行n列这个索引位置对应的像素值为该点云点距离激光的欧式距离。
在本申请的一个实施例中，所所述根据所述距离图像，将地面点滤除得到物体点，包括：根据所述激光传感器的激光束方向，遍历包含地面的所述距离图像中的点，并将所述距离图像中的每列像素值经过处理为相邻两激光线束与地面形成的倾斜角度；如果所述倾斜角度小于设定阈值，则认为遍历的所述索引为地面点；将基于所述倾斜角度的分割处理得到的地面点进行平面拟合，得到第一平面，其中所述第一平面中的点包括满足角度阈值要求时确定的一个内点组成的平面，所述角度阈值根据所述第一平面中提取的平面法向量与参考法向量设置夹角阈值确定；通过遍历所述距离图像中的每个点并计算与所述第一平面的距离，设置门限距离阈值。
首先，进行角度分割处理。
a.根据激光束为竖直方向的这个特性，对激光线束加以限制，在距离图像中遍历包含地面的距离图像点，并将所述距离图像中的每列像素值处理为相邻两激光线束与地面形成的倾斜角度。将角度分割得到的地面作为先验，可以进一步采用平面拟合。
b.根据倾斜角度判断是否满足阈值条件，若倾斜角度小于设定阈值，则初步认为遍历的索引点为地面点。
到此步骤角度分割处理结束，经过角度分割处理之后得到初步点云平面。
其次，根据初始拟合平面进行平面拟合。
c.将该角度分割初步得到的地面点进行平面拟合处理，得到拟合平面，并对提取的平面法向量(当前的平面法向量指的是拟合后的平面法向量)与参考法向量设置夹角阈值，若满足角度阈值要求，则得到一个内点组成的平面。
d.然后遍历距离图像中的每个点并计算与该拟合平面的距离，并以此为依据设置距离阈值。
在本申请的一个实施例中，所所述根据所述距离图像，将地面点滤除得到物体点，包括：按照所述激光传感器的纵向距离为分界，将所述距离图像中的点分为近处点和远处点；若所述距离图像中的每个点与所述第一平面的距离满足所述门限距离阈值，且属于处于近处点则作为新的近处地面点；若所述距离图像中的每个点与所述第一平面的距离满足所述门限距离阈值，且属于处于远处点则存储；将已存储的远处点进行二次平面拟合，得到第二平面；若所述距离图像中的每个点与所述第二平面的距离满足所述门限距离阈值，且属于远处点则作为新的远处地面点；根据所述新的远处地面点以及新的近处地面点更新地面点，得到整个点云地面点并进行滤除后得到所述物体点。
首先，进行分段拟合的初始操作。
以激光纵向距离为分界，将点云点分为近处和远处两段，若满足步骤d.中的距离阈值要求，且处于近处段的点则认为是新的近处地面点，并对地面点进行更新，若为远处点则进行存储。
其次，将上述存储的远处点进行二次平面拟合，得到第二平面，并对提取的平面法向量与参考法向量设置夹角阈值，若满足角度阈值要求，则得到一个内点组成的平面，然后遍历距离图像中满足距离阈值要求且为远处段的点作为新的远处地面点，更新地面点，进而得到整个点云地面点。
需要注意的是“第一平面”和“第二平面”仅为举例并不代表哪个具体的拟合平面。
分段拟合的过程的实现原理如下：主要思想是先得到了近处地面点，后得到了远处地面点。先通过角度分割的方式得到地面的预选点云，然后对此点云进行第一次平面拟合，拟合后的平面点云当中满足近处纵向距离的点云作为近处的地面，处于远处的点云予以保留存储送入第二次平面拟合，进而得到远处地面点。
上述步骤，先将角度分割得到的地面作为先验，进一步采用平面拟合。然后计算距离图像中的每个点距离拟合得到的平面的距离，满足阈值要求的点云再根据纵向距离进行分段平面拟合，进而得到全局地面点在距离图像中进行滤除。
在本申请的一个实施例中，所获取待处理的激光3D点云数据，包括：对所述激光3D点云数据进行预处理，得到待处理的激光3D点云数据，所述预处理至少包括如下之一的操作：ROI滤波、无效点移除、坐标系转换。
对于得到的待处理的激光3D点云数据，可以进行预处理。
ROI滤波，通常是指ROI(感兴趣区域)的提取，删除不属于特定区域的每一些点云数据，例如车辆左右距离10m以上的点云需要通过滤波器滤除，最终可以得到降采样并滤波后的点云。
无效点移除，通常指示滤除单独的或者属于背景的点云。
坐标系转换，将点数数据统一到同一个坐标系下。比如，车体坐标系或地面坐标系。
在本申请的一个实施例中，所所述根据所述物体点，得到目标分割结果，包括：遍历所述距离图像中的每个所述物体点；按照遍历的每个物体点所在行和列为中心进行搜索，计算出相邻两个物体点与激光传感器形成的夹角角度；如果所述夹角角度大于预设角度阈值，则将所述相邻两个物体点聚类为同一目标点；根据聚类结果和所述激光传感器的激光线束进行噪声过滤，得到目标分割结果。
具体实施时，通过遍历距离图像中的每个物体点，以遍历的每个点所在行、列为中心，进行BFS广度优先搜索，并计算相邻两点与激光传感器形成的角度(通常取较长边形成的角度，可以根据实际情况进行选择)，若角度大于一定阈值，则将上述两点聚类为同一目标点，然后通过聚类的点数以及激光线数进行噪声过滤，满足要求的即为分割出的目标点云。虽然通过分割得到了目标点云，但是仍可能存在过分割或者其他非目标点云的情况，则需要进行滤除。
在本申请的一个实施例中，所所述根据所述物体点，得到目标分割结果，包括：计算装载激光设备的车体两侧所识别到的所有目标的纵向距离的最大长度；判断所述目标的纵向距离的最大长度是否满足预设长度阈值；若满足则认为存在道路边界，同时过滤掉所述道路边界外的目标；将所述道路边界内的目标进行二次滤波处理，得到目标分割结果。
为了得到更加准确的目标分割结果，还需要进行二次滤波处理。
a.计算装载激光设备的车体两侧所识别到的所有目标纵向距离最大长度，并判断横纵向长度是否满足限定阈值，若满足则认为存在道路边界，过滤掉边界外的目标，然后分别计算处于近处段和远处段的目标质心与极小值点对地距离，进而实现对空中噪声的过滤。需要注意的是，“极小值点”仅为一种可选的实施方式，并不用于限定本申请实施例中的保护范围。
b.通过对目标进行长宽高、面积、体积、密度等特征的限制，实现对边界内的目标二次滤波。
在本申请的一个实施例中，所述根据所述物体点，得到目标分割结果，包括：将二次滤波处理后的目标按照点云的质心纵向距离进行排序，计算相邻两个目标之间的3DIoU；如果3DIoU大于预设3DIoU阈值，则将两个目标聚类为一个新目标，并更新目标的属性信息。
可以理解，“目标”是指对激光点云数据的识别结果，“目标”中包含多个点云，且经过噪声滤除。
IoU，(Intersection over Union)是一种测量在特定数据集中检测相应物体准确度的一个标准，也称为交并比。3DIoU即两个目标之间的3D交并比。
将经过上述二次滤波处理之后的目标按照其质心纵向距离从小到大的数序进行排序，计算相邻两个目标之间的3DIoU，若大于一定阈值，则将两个目标聚类为一个新目标，并更新其属性信息，实现在一定程度上降低过分割现象的发生。
上述方法，通过角度分割与3DIoU阈值的判断，实现目标聚类。
本申请实施例还提供了点云目标检测装置200，如图2所示，提供了本申请实施例中点云目标检测装置的结构示意图，所述点云目标检测装置200至少包括：获取模块210、映射模块220、滤除模块230以及分割模块240，其中：
在本申请的一个实施例中，所述获取模块210具体用于：获取待处理的激光3D点云数据。
一种常见的场景为激光雷达被用于自动驾驶车辆上。自驾驶车辆是在普通车辆的基础上增加了先进的传感器(比如，雷达、摄像)、控制器、执行器等装置，并融合网络技术与通信技术，通过车载传感系统和信息终端实现车-车、车-路、车-人信息共享及智能信息交换，使车辆能够具备智能感知、智能决策等功能。所以，获取的激光3D点云数据是采用激光雷达扫描之后得到的结果。
为了使得激光3D点云数据便于处理可以提前进行一些预处理，从而得到待处理的激光3D点云数据。
在本申请的一个实施例中，所述映射模块220具体用于：将所述激光3D点云数据映射到距离图像。
对激光3D点云数据映射到距离图像中。距离图像中按照预设方式划分成为了大小相同的网格，每个网格中的行列数可以作为点云数据的索引。根据索引能够定位点云数据位于哪个网格中。并且网格中还保存了激光点云的像素点坐标位置。
此外，网格中还可以包括激光点云在不同方向上的x轴、y轴、z轴坐标以及反射率等激光雷达参数。
在本申请的一个实施例中，所述滤除模块230具体用于：根据所述距离图像，将地面点滤除得到物体点。
基于上述得到的距离图像(此时包含地面点和物体点)，通过相关滤除方式得到全局地面点，并将这些全局地面点进行滤除后得到物体点。
需要注意的是，“物体点”是通过激光点云数据得到的目标识别结果，在“物体点”中包括了相关的点云。
在本申请的一个实施例中，所述分割模块240具体用于：根据所述物体点，得到目标分割结果。
基于上述得到的距离图像中的物体点，进行目标分割处理后分割出目标点云，并且可以再对这些目标点云进行滤波以及过分割处理，从而提高检测准确率，实现兼具良好实时性能的同时具有较佳的检测效果。
能够理解，上述点云目标检测装置，能够实现前述实施例中提供的点云目标检测方法的各个步骤，关于点云目标检测方法的相关阐释均适用于点云目标检测装置，此处不再赘述。
为了更好地理解本申请中点云目标检测方法的实现原理，通过结合角度与分段拟合的地面滤波处理，可以实现平整道路以及具有一定坡度的地面检测，同时通过本提案的角度分割算法可以降低过分割现象的发生、提高检测准确率，实现兼具良好实时性能的同时具有较佳的检测效果。请参考图3，具体包括如下几个步骤：
(1)激光点云预处理。包含ROI滤波、无效点移除、坐标系转换
(2)将预处理后的3D点云映射到2.5D距离图像。根据激光雷达的FOV和分辨率，构建距离图像，行数则为垂直视场角与垂直分辨率的比值，若不为整数，向上取整，列数则为水平视场角与水平分辨率的比值。
(3)地面检测与滤除。
根据所述激光传感器的激光束方向，遍历包含地面的所述距离图像中的点，并将所述距离图像中的每列像素值经过处理为相邻两激光线束与地面形成的倾斜角度；
如果所述倾斜角度小于设定阈值，则认为遍历的所述索引为地面点；
将基于所述倾斜角度的分割处理得到的地面点进行平面拟合，得到第一平面，其中所述第一平面中的点包括满足角度阈值要求时确定的一个内点组成的平面，所述角度阈值根据所述第一平面中提取的平面法向量与参考法向量设置夹角阈值确定；
通过遍历所述距离图像中的每个点并计算与所述第一平面的距离，设置门限距离阈值。将角度分割得到的地面作为先验，进一步采用平面拟合，然后计算深度图像中的每个点距离拟合得到的平面的距离，满足阈值要求的点云再根据纵向距离进行分段平面拟合，进而得到全局地面点。
按照所述激光传感器的纵向距离为分界，将所述距离图像中的点分为近处点和远处点；
若所述距离图像中的每个点与所述第一平面的距离满足所述门限距离阈值，且属于处于近处点则作为新的近处地面点；
若所述距离图像中的每个点与所述第一平面的距离满足所述门限距离阈值，且属于处于远处点则存储；
将已存储的远处点进行二次平面拟合，得到第二平面；
若所述距离图像中的每个点与所述第二平面的距离满足所述门限距离阈值，且属于远处点则作为新的远处地面点；
根据所述新的远处地面点以及新的近处地面点更新地面点，得到整个点云地面点并进行滤除后得到所述物体点。
(4)目标分割。
遍历所述距离图像中的每个所述物体点；
按照遍历的每个物体点所在行和列为中心进行搜索，计算出相邻两个物体点与激光传感器形成的夹角角度；
如果所述夹角角度大于预设角度阈值，则将所述相邻两个物体点聚类为同一目标点；
根据聚类结果和所述激光传感器的激光线束进行噪声过滤，得到目标分割结果。
(5)Filter滤波。
计算装载激光设备的车体两侧所识别到的所有目标的纵向距离的最大长度；
判断所述目标的纵向距离的最大长度是否满足预设长度阈值；
若满足则认为存在道路边界，同时过滤掉所述道路边界外的目标；
将所述道路边界内的目标进行二次滤波处理，得到目标分割结果。
(6)过分割处理。
将二次滤波处理后的目标按照点云的质心纵向距离进行排序，计算相邻两个目标之间的3DIoU；
如果3DIoU大于预设3DIoU阈值，则将两个目标聚类为一个新目标，并更新目标的属性信息。
图4是本申请的一个实施例电子设备的结构示意图。请参考图4，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成点云目标检测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取待处理的激光3D点云数据；
将所述激光3D点云数据映射到距离图像；
根据所述距离图像，将地面点滤除得到物体点；
根据所述物体点，得到目标分割结果。
上述如本申请图1所示实施例揭示的点云目标检测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中点云目标检测装置执行的方法，并实现点云目标检测装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中点云目标检测装置执行的方法，并具体用于执行：
获取待处理的激光3D点云数据；
将所述激光3D点云数据映射到距离图像；
根据所述距离图像，将地面点滤除得到物体点；
根据所述物体点，得到目标分割结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种点云目标检测方法，其中，所述方法包括：
获取待处理的激光3D点云数据；
将所述激光3D点云数据映射到距离图像；
根据所述距离图像，将地面点滤除得到物体点；
根据所述物体点，得到目标分割结果。
2.如权利要求1所述方法，其中，所述将所述激光3D点云数据映射到距离图像，包括：
根据激光传感器的视场角FOV以及分辨率，构建距离图像，其中所述距离图像的行数为垂直视场角与垂直分辨率的比值，所述距离图像的列数为水平视场角与水平分辨率的比值；
计算所述激光3D点云数据中每个物体点对应到所述距离图像的行列数，并将所述每个点对应到所述距离图像的行列数作为索引存储；
将所述激光3D点云数据中物体点到所述激光传感器的距离值作为所述距离图像中对应的像素坐标位置。
3.如权利要求2所述方法，其中，所述根据所述距离图像，将地面点滤除得到物体点，包括：
根据所述激光传感器的激光束方向，遍历包含地面的所述距离图像中的点，并将所述距离图像中的每列像素值经过处理为相邻两激光线束与地面形成的倾斜角度；
如果所述倾斜角度小于设定阈值，则认为遍历的所述索引为地面点；
将基于所述倾斜角度的分割处理得到的地面点进行平面拟合，得到第一平面，其中所述第一平面中的点包括满足角度阈值要求时确定的一个内点组成的平面，所述角度阈值根据所述第一平面中提取的平面法向量与参考法向量设置夹角阈值确定；
通过遍历所述距离图像中的每个点并计算与所述第一平面的距离，设置门限距离阈值。
4.如权利要求3所述方法，其中，所述根据所述距离图像，将地面点滤除得到物体点，包括：
按照所述激光传感器的纵向距离为分界，将所述距离图像中的点分为近处点和远处点；
若所述距离图像中的每个点与所述第一平面的距离满足所述门限距离阈值，且属于处于近处点则作为新的近处地面点；
若所述距离图像中的每个点与所述第一平面的距离满足所述门限距离阈值，且属于处于远处点则存储；
将已存储的远处点进行二次平面拟合，得到第二平面；
若所述距离图像中的每个点与所述第二平面的距离满足所述门限距离阈值，且属于远处点则作为新的远处地面点；
根据所述新的远处地面点以及新的近处地面点更新地面点，得到整个点云地面点并进行滤除后得到所述物体点。
5.如权利要求1所述方法，其中，获取待处理的激光3D点云数据，包括：
对所述激光3D点云数据进行预处理，得到待处理的激光3D点云数据，所述预处理至少包括如下之一的操作：ROI滤波、无效点移除、坐标系转换。
6.如权利要求1所述方法，其中，所述根据所述物体点，得到目标分割结果，包括：
遍历所述距离图像中的每个所述物体点；
按照遍历的每个物体点所在行和列为中心进行搜索，计算出相邻两个物体点与激光传感器形成的夹角角度；
如果所述夹角角度大于预设角度阈值，则将所述相邻两个物体点聚类为同一目标点；
根据聚类结果和所述激光传感器的激光线束进行噪声过滤，得到目标分割结果。
7.如权利要求6所述方法，其中，所述根据所述物体点，得到目标分割结果，包括：
计算装载激光设备的车体两侧所识别到的所有目标的纵向距离的最大长度；
判断所述目标的纵向距离的最大长度是否满足预设长度阈值；
若满足则认为存在道路边界，同时过滤掉所述道路边界外的目标；
将所述道路边界内的目标进行二次滤波处理，得到目标分割结果。
8.如权利要求7所述方法，其中，所述根据所述物体点，得到目标分割结果，包括：
将二次滤波处理后的目标按照点云的质心纵向距离进行排序，计算相邻两个目标之间的3DIoU；
如果3DIoU大于预设3DIoU阈值，则将两个目标聚类为一个新目标，并更新目标的属性信息。
9.一种点云目标检测装置，其中，所述装置包括：
获取模块，用于获取待处理的激光3D点云数据；
映射模块，用于将所述激光3D点云数据映射到距离图像；
滤除模块，用于根据所述距离图像，将地面点滤除得到物体点；
分割模块，用于根据所述物体点，得到目标分割结果。
10.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～8之任一所述方法。
CN202310936198.3A 2023-07-27 2023-07-27 点云目标检测方法、装置、电子设备 Pending CN116883973A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310936198.3A CN116883973A (zh) 2023-07-27 2023-07-27 点云目标检测方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310936198.3A CN116883973A (zh) 2023-07-27 2023-07-27 点云目标检测方法、装置、电子设备

Publications (1)

Publication Number Publication Date
CN116883973A true CN116883973A (zh) 2023-10-13

Family

ID=88262028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310936198.3A Pending CN116883973A (zh) 2023-07-27 2023-07-27 点云目标检测方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN116883973A (zh)

Similar Documents

Publication Publication Date Title
CN106951879B (zh) 基于摄像头与毫米波雷达的多特征融合车辆检测方法
CN116129376A (zh) 一种道路边缘检测方法和装置
CN110246183B (zh) 车轮接地点检测方法、装置及存储介质
CN109849930B (zh) 自动驾驶汽车的相邻车辆的速度计算方法和装置
CN111582054B (zh) 点云数据处理方法及装置、障碍物检测方法及装置
CN111553946B (zh) 用于去除地面点云的方法及装置、障碍物检测方法及装置
CN114705121B (zh) 车辆位姿测量方法、装置及电子设备、存储介质
CN113610143B (zh) 一种点云噪点的分类方法、装置、设备及存储介质
CN112912894B (zh) 道路边界识别方法和装置
CN115273018A (zh) 障碍物识别方法、装置及电子设备
WO2023207845A1 (zh) 车位检测方法、装置、电子设备及机器可读存储介质
CN112597846A (zh) 车道线检测方法、装置、计算机设备和存储介质
CN112036274A (zh) 一种可行驶区域检测方法、装置、电子设备及存储介质
CN112699711A (zh) 车道线检测方法、装置、存储介质及电子设备
CN112529011A (zh) 目标检测方法及相关装置
CN116740680A (zh) 一种车辆定位方法、装置及电子设备
CN116309628A (zh) 车道线识别方法和装置、电子设备和计算机可读存储介质
CN116883973A (zh) 点云目标检测方法、装置、电子设备
CN111338336B (zh) 一种自动驾驶方法及装置
CN115050007A (zh) 牵引车以及拖板车的识别方法、装置及电子设备、存储介质
CN115222900A (zh) 一种地面点高程确定方法、装置、设备及计算机程序产品
CN113744323A (zh) 点云数据处理方法和装置
CN117392166B (zh) 一种基于地平面拟合的三阶段点云地面分割方法
CN115675472B (zh) 一种匝道口的确定方法、装置、电子设备和存储介质
CN113807293B (zh) 减速带的检测方法、系统、设备及计算机可读存储介质

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