CN117475183A - 适用于自动驾驶车辆的基于密度检测的体素滤波改进方法 - Google Patents
适用于自动驾驶车辆的基于密度检测的体素滤波改进方法 Download PDFInfo
- Publication number
- CN117475183A CN117475183A CN202311158331.3A CN202311158331A CN117475183A CN 117475183 A CN117475183 A CN 117475183A CN 202311158331 A CN202311158331 A CN 202311158331A CN 117475183 A CN117475183 A CN 117475183A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- density
- voxel
- minimum outsourcing
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000012946 outsourcing Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008447 perception Effects 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法,涉及自动驾驶车辆的环境感知技术领域,解决了自动驾驶技术中体素滤波未考虑点云密度的技术问题,其技术方案要点是通过基于密度的聚类算法将输入点云数据划分为不同的点云数据区块,则每个点云数据区块的点云密度相对均匀。再采用AABB包围盒算法确定点云数据区块的最小外包矩形的参数,根据最小外包矩形中点云的数量和最小外包矩形参数计算出各最小外包矩形的平均点云密度,根据每个最小外包矩形的平均点云密度,本发明选择合适的体素参数进行滤波处理,提高滤波效果。本发明的方法实现简单、有效,可以适用于自动驾驶车辆的激光雷达点云数据滤波。
Description
技术领域
本申请涉及自动驾驶车辆的环境感知技术领域,尤其涉及一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法。
背景技术
感知技术是自动驾驶系统的重要组成部分,其中激光雷达输出的点云数据更是在障碍物检测,地图绘制等方面起到了极其重要的作用。自动驾驶车辆装载的激光雷达获取的点云信息十分庞大,为了从庞大的点云数据中获取有用的信息,往往需要对初始点云数据进行预处理,删除对障碍物感知无用的数据,从而减少运算量,提高运算速度,满足自动驾驶的实时性要求。在众多点云滤波方法中,体素滤波是在自动驾驶中比较常用的一种。体素的概念类似于像素,像素是二维的一个个点,而体素则是三维的一个个小空间。在输入点云数据上创建一个个3D体素网格后,在每个体素中,所有存在的点将用它们的质心近似。体素滤波器可以达到向下采样同时不破坏点云本身几何结构的功能,可以满足降低数据量且不影响数据结构的要求。
但是由于点云数据受距离远近、障碍物本身结构等因素的影响,往往在一份点云数据不同区域中点云的密度差异较大。如果对整份数据使用同一体素参数下采样,点云密度高的部分可能因为体素栅格过小而保留了较多噪点。因此,在自动驾驶场景中,如何基于点云密度检测对体素进行滤波是有待解决的问题。
发明内容
本申请提供了一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法,其技术目的是通过点云密度检测来进行体素滤波,以更好地适应不同的点云密度变化,提高点云预处理的效果,从而增强车辆感知环境的能力。
本申请的上述技术目的是通过以下技术方案得以实现的:
一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法,包括:
S1:获取车载激光雷达点云数据,对感兴趣区域内的激光雷达点云数据进行提取,得到输入点云数据;
S2:根据密度对输入点云数据进行聚类,将输入点云数据划分为不同密度的点云数据区块;
S3:通过AABB包围盒算法对每个点云数据区块的最小外包矩形进行构建,根据最小外包矩形得到点云数据区块的密度;
S4:根据每个点云数据区块的密度,选择对应的体素参数进行体素滤波,得到滤波后的点云数据。
进一步地,步骤S2中,通过DBSCAN聚类算法对输入点云数据进行聚类。
进一步地,步骤S3包括:根据AABB包围盒算法对每个点云数据区块的最小外包矩形的Xmax、Ymax、Zmax、Xmin、Ymin、Zmin进行确定,则最小外包矩形内点云的平均点云密度表示为:
其中,N表示最小外包矩形内的点云总数量;ρ表示最小外包矩形内点云的平均点云密度即点云数据区块的密度。
进一步地,步骤S4中,所述体素参数由预先设定的体素大小组成的密度区间和对应体素栅格大小的映射表确定。
本申请的有益效果在于:本申请所述的适用于自动驾驶车辆的基于密度检测的体素滤波改进方法,通过基于密度的聚类算法将输入点云数据划分为不同的点云数据区块,则每个点云数据区块的点云密度相对均匀。再采用AABB包围盒算法确定点云数据区块的最小外包矩形的参数,根据最小外包矩形中点云的数量和最小外包矩形参数计算出各最小外包矩形的平均点云密度,根据每个最小外包矩形的平均点云密度,本发明选择合适的体素参数进行滤波处理,提高滤波效果。本发明的方法实现简单、有效,可以适用于自动驾驶车辆的激光雷达点云数据滤波。
附图说明
图1为本申请所述方法流程图;
图2为本申请中点云数据区块的密度与体素栅格大小的对应图。
具体实施方式
下面将结合附图对本申请技术方案进行详细说明。
如图1所示,本申请所述的适用于自动驾驶车辆的基于密度检测的体素滤波改进方法,包括:
一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法,包括:
S1:获取车载激光雷达点云数据,对感兴趣区域内的激光雷达点云数据进行提取,得到输入点云数据。
S2:根据密度对输入点云数据进行聚类,将输入点云数据划分为不同密度的点云数据区块。
具体地,通过DBSCAN聚类算法对输入点云数据进行聚类。在DBSCAN聚类算法中,将数据集中被低密度覆盖的高密度区域分离出来作为一个单独的类别,将有足够密度的区域划分为簇,通过将所有紧密相连的对象划分为各个不同的簇,于是就得到了所有聚类结果。DBSCAN聚类算法是基于一组参数(ε,MinPts)来描述样本的紧密程度,ε表示半径,表示其中某一样本点的邻域距离阈值,MinPts表示其中某一样本距离为ε的邻域中样本个数,DBSCAN聚类算法通过检查数据集中的每个对象的ε的邻域来寻找聚类。
S3:通过AABB包围盒算法对每个点云数据区块的最小外包矩形进行构建,根据最小外包矩形得到点云数据区块的密度。
AABB包围盒(Axis-aligned bounding box)算法,是通过找到所选点云数据区块中所有点的X、Y、Z坐标的最大值和最小值,即Xmax、Ymax、Zmax、Xmin、Ymin、Zmin,通过这六个数据确定最小外包矩形。再根据最小外包矩形内的点云数据个数对最小外包矩形的平均点云密度进行计算。
则最小外包矩形内点云的平均点云密度表示为:
其中,N表示最小外包矩形内的点云总数量;ρ表示最小外包矩形内点云的平均点云密度即点云数据区块的密度。
S4:根据每个点云数据区块的密度,选择对应的体素参数进行体素滤波,得到滤波后的点云数据。
如图2所示,所述体素参数由预先设定的体素大小组成的密度区间和对应体素栅格大小的映射表确定,根据每个点云数据区块的密度值,从映射表中查找并选取对应的体素大小进行滤波处理。
作为具体实施例地,点云密度的检测和体素栅格大小的调整均由计算机程序实现。所述方法的实现基于Ubuntu操作系统和ROS平台,并使用C++编程语言进行开发。
本申请实施例中,使用了ROS和Ubuntu18.04操作系统首先,车载激光雷达获取点云数据,提取出感兴趣区域内的激光雷达点云数据。在本例中,我们提取了雷达检测半径2m~100m内的环形区域的点云数据作为研究对象,并剔除了高于雷达高度0.2m的点。因为道路旁大多有树木,而树冠部分以其分散的特性常常会反射出大量的点云数据,而这部分数据对于车辆避障往往是没有太大帮助的。因此使用条件滤波处理后可以剔除树冠点云,排除过近的点云还可以避免车辆自身反射的点云带来的干扰,大大减少后续的计算量,提高点云质量。接下来,将点云数据根据密度进行聚类,采用DBSCAN聚类算法。通过聚类将点云数据分成若干个密度不同的点云数据区块。再采用AABB包围盒算法确定点云数据区块的最小外包矩形的参数。根据最小外包矩形中点云的数量和最小外包矩形参数计算出各区块点云密度然后我们根据每个点云数据区块的密度,选择合适的体素参数进行滤波处理。我们采用的点云密度与滤波栅格大小的对应关系见图2所示,最后,在滤波完成后,输出处理过的点云数据,用于后续的地面分割、物体识别和目标跟踪等相关处理模块。
上述体素滤波改进方法,通过对输入点云数据进行初步密度估计,能够有效地筛选出噪声点,提高滤波的效率和准确性;其次,通过将输入点云数据根据密度进行聚类,能够将输入点云数据分成若干个密度不同的点云数据区块,从而能够更好地适应不同区域的点云数据,提高滤波的适应性和鲁棒性;最后,通过根据每个点云数据区块的密度选择合适的体素参数进行滤波处理,能够更好地平衡滤波的效果和速度。
Claims (4)
1.一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法,其特征在于,包括:
S1:获取车载激光雷达点云数据,对感兴趣区域内的激光雷达点云数据进行提取,得到输入点云数据;
S2:根据密度对输入点云数据进行聚类,将输入点云数据划分为不同密度的点云数据区块;
S3:通过AABB包围盒算法对每个点云数据区块的最小外包矩形进行构建,根据最小外包矩形得到点云数据区块的密度;
S4:根据每个点云数据区块的密度,选择对应的体素参数进行体素滤波,得到滤波后的点云数据。
2.如权利要求1所述的体素滤波改进方法,其特征在于,步骤S2中,通过DBSCAN聚类算法对输入点云数据进行聚类。
3.如权利要求1所述的体素滤波改进方法,其特征在于,步骤S3包括:根据AABB包围盒算法对每个点云数据区块的最小外包矩形的Xmax、Ymax、Zmax、Xmin、Ymin、Zmin进行确定,则最小外包矩形内点云的平均点云密度表示为:
其中,N表示最小外包矩形内的点云总数量;ρ表示最小外包矩形内点云的平均点云密度即点云数据区块的密度。
4.如权利要求1所述的体素滤波改进方法,其特征在于,步骤S4中,所述体素参数由预先设定的体素大小组成的密度区间和对应体素栅格大小的映射表确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311158331.3A CN117475183A (zh) | 2023-09-08 | 2023-09-08 | 适用于自动驾驶车辆的基于密度检测的体素滤波改进方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311158331.3A CN117475183A (zh) | 2023-09-08 | 2023-09-08 | 适用于自动驾驶车辆的基于密度检测的体素滤波改进方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117475183A true CN117475183A (zh) | 2024-01-30 |
Family
ID=89630071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311158331.3A Pending CN117475183A (zh) | 2023-09-08 | 2023-09-08 | 适用于自动驾驶车辆的基于密度检测的体素滤波改进方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475183A (zh) |
-
2023
- 2023-09-08 CN CN202311158331.3A patent/CN117475183A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
US20200342250A1 (en) | Method for extracting uniform features from point cloud and system therefor | |
CN113412505A (zh) | 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的系统和方法 | |
CN111462134A (zh) | 高分遥感影像和激光雷达点云融合的单木分割方法及系统 | |
CN113920134B (zh) | 一种基于多线激光雷达的斜坡地面点云分割方法及系统 | |
CN114359876B (zh) | 一种车辆目标识别方法及存储介质 | |
CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
CN113484875B (zh) | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 | |
CN113570621B (zh) | 一种基于高精度点云与影像的树木信息提取方法及装置 | |
CN113640826B (zh) | 一种基于3d激光点云的障碍物识别方法及系统 | |
CN112462347A (zh) | 基于密度聚类的激光雷达点云快速分类滤波算法 | |
Zheng et al. | Building recognition of UAV remote sensing images by deep learning | |
CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
CN114241217A (zh) | 一种基于圆柱特征的树干点云高效提取方法 | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
CN115293287A (zh) | 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 | |
CN111783722A (zh) | 一种激光点云的车道线提取方法和电子设备 | |
Wang et al. | Vehicle detection based on point cloud intensity and distance clustering | |
CN112232248B (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
CN111783648A (zh) | 道路点云中护栏的提取方法及装置 | |
CN117237913A (zh) | 一种多激光雷达障碍物识别方法 | |
CN115222767B (zh) | 一种基于空间车位的跟踪方法及系统 | |
CN117475183A (zh) | 适用于自动驾驶车辆的基于密度检测的体素滤波改进方法 | |
CN116977593A (zh) | 一种基于超体素凹凸性分割与颜色区域生长的单木分割方法 | |
CN115410036A (zh) | 一种高压架空输电线路关键要素激光点云自动分类方法 |
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 |