CN117677862A - 一种伪像点识别方法、终端设备及计算机可读存储介质 - Google Patents
一种伪像点识别方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117677862A CN117677862A CN202180100803.2A CN202180100803A CN117677862A CN 117677862 A CN117677862 A CN 117677862A CN 202180100803 A CN202180100803 A CN 202180100803A CN 117677862 A CN117677862 A CN 117677862A
- Authority
- CN
- China
- Prior art keywords
- point
- statistical result
- points
- statistical
- data analysis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007405 data analysis Methods 0.000 claims abstract description 82
- 238000004590 computer program Methods 0.000 claims description 18
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000002592 echocardiography Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 101100328518 Caenorhabditis elegans cnt-1 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 101150044602 Slc28a2 gene Proteins 0.000 description 1
- 101150090324 Slc28a3 gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010234 longitudinal analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
一种伪像点识别方法、终端设备及计算机可读存储介质,适用于激光雷达技术领域,包括:对雷达回传的点云数据中的每个点进行滑动遍历,确定每个点的数据分析区域;根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果;基于所述统计结果识别出所述点云数据中的伪像点,能够有效地识别出点云数据中的伪像点,解决目前无法有效地识别出点云数据中的伪像点的问题。
Description
本申请属于激光雷达技术领域,尤其涉及一种伪像点识别方法、终端设备及计算机可读存储介质。
激光雷达由于其分辨率高、灵敏度高、抗干扰能力强,不受黑暗条件影响等优势,常用于自动驾驶、物流车、机器人、公共智慧交通等领域。
由于激光雷达的光束是非理性化的,其光斑具有一定的面积,当同一方位上存在距离较近的两个目标物体时,光斑打到两个物体的交界处会产生两个回波,由于两个目标物体的距离较近,因此会产生两个回波的混叠效应,导致接收到的点云图像在两个目标物体之间的位置出现伪像点,即拖点现象,拖点现象的存在会导致目标物体的距离测定出现错误。
而现有技术存在无法有效识别出点云数据是真实物体还是拖点伪像点的问题。
有鉴于此,本申请实施例提供了一种伪像点识别方法、终端设备及计算机可读存储介质,以解决现有技术存在无法有效识别出点云数据是真实物体还是拖点伪像点的问题。
第一方面,本申请实施例提供一种伪像点识别方法,包括:
对雷达回传的点云数据中的每个点进行滑动遍历,确定每个点的数据分析区域;
根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果;
基于所述统计结果识别出所述点云数据中的伪像点。
在第一方面的一种实现方式中,在根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果之前,还包括:
计算所述数据分析区域中每个点的距离差分值。
在第一方面的一种实现方式中,所述根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果,包括:
加权统计所述数据分析区域中距离差分值大于特定阈值的点,并记录为第一统计结果;
根据所述第一统计结果中各个点的坐标位置统计坐标连续的点的个数,记录为第二统计结果;
根据所述第一统计结果中各个点的差分距离值统计距离增加的点的个数和距离减少的点的个数,并分别记录为第三统计结果和第四统计结果;
根据所述第一统计结果中各个点的差分距离值,统计连续两点距离差不相等或不满足等比关系的点的个数,记录为第五统计结果;
若所述数据分析区域首尾两点的距离差值大于第一预设阈值且小于第二预设阈值,则将变量标识置位。
在第一方面的一种实现方式中,所述基于所述统计结果识别出所述点云数据中的伪像点,包括:
根据识别精度设置识别条件;
基于所述识别条件对所述统计结果进行判断,确定出所述点云数据中的伪像点。
在第一方面的一种实现方式中,若所述第一统计结果大于第一统计阈值,所述第二统计结果大于第二统计阈值,所述第五统计结果大于第三统计阈值,所述变量标识置位,且距离差单调递增或递减,则确定所述数据分析区域的中心点为伪像点。
在第一方面的一种实现方式中,若所述第一统计结果大于第一统计阈值,所述第二统计结果大于第二统计阈值,所述第五统计结果大于第三统计阈值,所述变量标识置位,所述第三统计结果或所述第四统计结果小于或等于第四统计阈值,且当前点的前一点为伪像点,则确定所述数据分析区域的中心点为伪像点。
在第一方面的一种实现方式中,伪像点识别方法还包括:
将所述伪像点从所述点云数据中剔除。
第二方面,本申请实施例提供一种终端设备,包括:
确定单元,用于对雷达回传的点云数据中的每个点进行滑动遍历,确定每个点的数据分析区域;
统计单元,用于根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果;
识别单元,用于基于所述统计结果识别出所述点云数据中的伪像点。
第三方面,本申请实施例提供一种终端设备,所述终端设备包括处理器、存储器以及存储在所述存储器中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如第一方面或第一方面的任意可选方式所述的方法。
第四方面,本申请实施例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有计算机程序,所述计算机程序被处理器执行时实现如第一方面或第一方面的任意可选方式所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面或第一方面的任意可选方式所述的方法。
实施本申请实施例提供的一种伪像点识别方法、终端设备、计算机可读存储介质及计算机程序产品具有以下有益效果:
通过滑动遍历点云数据中的每个点,基于点云的距离差分结果来统计满足预设统计条件的点的统计结果,再基于统计结果准确识别出点云数据中的伪像点,能够有效地识别出点云数据中的伪像点,解决目前无法有效地识别出点云数据中的伪像点的问题。
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的雷达发射的光斑打到两个物体的交界处的场景示意图;
图2是本申请实施例提供的雷达发射的光斑打到两个物体的交界处时的回波示意图;
图3是本申请实施例提供的一种伪像点识别方法是示意性流程图;
图4是本申请实施例提供的S12的实现流程示意图;
图5是本申请实施例提供的拖点现象形成的伪像点的示意图;
图6是本申请实施例提供的包含伪像点的点云图像和通过本申请实施例提供的伪像点识别方法剔除掉伪像点之后的点云图像的对比图;
图7是本申请实施例提供的一种终端设备的结构示意图;
图8是本申请另一实施例提供的一种终端设备的结构示意图;
图9是本申请实施例提供的一种计算机可读存储介质的结构示意图。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
还应当理解,在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
激光雷达是一种使用激光器作为发射光源,采用光电探测技术进行探测的自动遥感设备。激光雷达可以包括发射系统、接收系统、扫描控制系统以及数据处理系统等部分。激光雷达的工作原理是通过向目标物体发射探测信号,探测信号在打到目标物体后,目标物体会反射该探测信号,形成回波信号,接收系统可以接收该回波信号,并且对接收到的回波信号进行处理,以得到目标物体的距离、大小、速度、反射率等信息。
请参阅图1,当同一方位上存在距离较近的两个目标物体时(目标物体1和目标物体2),激光雷达发射出的光斑打到两个物体的交界处会产生两个回波。如图2所示,光斑打到目标物体1和目标物体2后,分别在T1时刻和T2时刻发生反射,由于接收系统的分辨率限制,接收到的两个回波会重叠成一个宽波束回波,其回波时间会被估计为T3时刻,因此会导致测距错误。
目前无法有效地识别出点云数据中的伪像点,如果不将伪像点进行处理,则虚假点云(伪像点)会导致形成虚假目标物体,导致测距错误,如果过度得剔除伪像点,则会导致真实存在的斜坡物体点云被误判,同样会影响测距结果。
为了解决上述缺陷,本申请实施例通过滑动遍历点云数据中的每个点,基于点云的距离差分结果来统计满足预设统计条件的点的统计结果,再基于统计结果准确识别出点云数据中的伪像点,能够有效地识别出点云数据中的伪像点,解决目前无法有效地识别出点云数据中的伪像点的问题。以下将对本申请实施例提供的伪像点识别方法进行详细的说明:
请参阅图3,图3是本申请实施例提供的一种伪像点识别方法的示意性流程图。本申请实施例提供的伪像点识别方法的执行主体是与激光雷达通信连接的终端设备,上述终端设备可以是智能手机、平板电脑或可穿戴设备等移动终端,也可以是各种应用场景下的电脑、云服务器、雷达辅助计算机等。需要说明的是,本申请实施例提供的伪像点识别方法适用于任何形式的激光雷达产品,包括但不限于机械式激光雷达、MEMS激光雷达、FLASH激光雷达、OPA激光雷达等。
如图3所示,本申请实施例提供伪像点识别方法可以包括S11~S13,详述如下:
S11:对雷达回传的点云数据中的每个点进行滑动遍历,确定每个点的数据分析区域。
本申请实施例中,终端设备通过获取雷达上传的点云数据,然后对点云数据中的每个点进行滑动遍历,实现对每个点的识别。
在一种实现方式中,雷达系统在接收到回波后,可以将其接收到的数据上传至与其连接的终端设备,由终端设备对点云数据进行分析。在另一种可选的实施例中,所述雷达系统接收到回波后,可以将接收到的数据传到雷达数据处理模块,对数据处理完成后进行输出。可以理解的是,所述数据处理模块可以集成在雷达控制系统中。
在本申请实施例中,可以基于横向邻域和/或纵向邻域来确定数据分析区域。横向邻域是指以当前点为中心点确定的一个横向的数据分析区域,例如,若当前点数据在第1行中且确定数据分析区域半径为L/2,则数据分析的横向邻域可以是1行L列的一个区域;纵向邻域是指以当前点为中心点确定的一个纵向的数据分析区域,例如若当前数据在第1列中,且确定数据分析区域半径为L/2,则数据分析的纵向邻域可以是L行1列的一个区域,其中L为大于1的正整数,其中横向数据分析区域的半径和纵向分析区域半径可以相同也可以不同,在此不加限制。
示例性的,假设当前点的坐标为(m,n),以纵向邻域来确定数据分析区域,那么该点邻域就是(m,n-floor(L/2):n+floor(L/2))。再举例来说,当同时以横向邻域和纵向邻域来确定数据分析区域,若当前点的坐标为(m,n),则那么该点的领域可以为(m-floor(L/2):m+floor(L/2),n-floor(L/2):n+floor(L/2))。
需要说明的是,以点云数据中每个点为中心点都可以确定出其对应的数据分析区域,基于该数据分析区域对该点是否为伪像点进行分析。
还需要说明的是,每个点的数据分析区域可以为单横向邻域(即该点的数据分析区域仅为横向邻域)、单纵向邻域(即该点的数据分析区域仅为纵向邻域)、横向邻域和纵向邻域(即该点的数据分析区域既包括横向邻域也包括纵向邻域),在此不加限制。
S12:根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果。
在本申请实施例中,在确定了每个点的数据分析区域后,可以基于该数据分析区域中包含的每个点的距离差分值判断该数据分析区域中的点是否满足预设统计条件。
需要说明的是,预设统计条件可以根据实际情况进行设置,例如设置每个点的差分值的绝对值大于特定阈值,若满足该预设统计条件,则将该点记录到第一统计结果中。
在本申请一实施例中,在S12之前,还可以包括以下步骤:
计算所述数据分析区域中每个点的距离差分值。
对于点云数据中任意一个点,在确定出其数据分析区域后,就可以计算出该数据分析区域中的每个的距离差分值。
本申请实施例所述的距离差分值是指该点下一时刻的距离和当前时刻的距离的差值,每个点的距离差分值可以表示为公式(1)。
其中Diff(i)是指点i的距离差分值,Dist(i+1)是指点i在下一时刻的距离,Dist(i)是指点i在当前时刻的距离。
Diff(i)=Dist(i+1)-Dist(i)(1)
请参阅图4,在本申请一实施例中,上述S12可以包括S21~S25。
S21:加权统计所述数据分析区域中距离差分值大于特定阈值的点,并记录为第一统计结果。
在本申请实施例中,以数据分析区域为横向邻域为例进行说明,通过加权统计1行*L列邻域内距离差分结果的绝对值大于特定阈值的点,统计结果记为第一统计结果Cnt1,并记录满足条件的点的位置IndexList(记录坐标值)以及其距离差分值DiffList。
具体地,判断条件如下公式(2)所示,其中,Diff代表每一点的差分结果,Dist代表当前点的距离值,θ代表激光雷达角分辨率,ψ代表角度判断阈值,典型值为0.2rad。
|Diff|>Dis×sin(θ)/tan(ψ)(2)
需要说明的是,由于拖点点云距离从一个距离迅速连续变化到另一个距离,并且角分辨率足够小,因此其点云组成的方向向量看起来近似指向点云坐标系原点。因此,将判断条件设置如公式(2)。
示例性的,请参阅图5,其中,A和B为拖点现象形成的伪像点,若向量BA近似指向圆心O,那么∠ABC要足够小,假设为ψ,以此反推点云距离数据所需要满足的条件。当Dist足够大且角分辨率θ足够小时,CO的距离近似等于AO,那么BC可近似认为是A、B两点的距离差Diff,根据三角几何关系即可得到公式(2)。
需要说明的是,第一统计结果Cnt1是通过公式(2)的判断结果和当前点在横向邻域内的位置经过计算加权得到的。数据分析区域中每个点的加权权重可以基于与中心点的距离来确定,例如与中心点的距离越近,则加权权重越大;与中心点的距离越远,则加权权重越小。
还需要说明的是,每个点的加权系数计算可根据实际情况调整,例如加权系数服从线性递减、高斯递减等。
S22:根据所述第一统计结果中各个点的坐标位置统计坐标连续的点的个数,记录为第二统计结果。
需要说明的是,上述坐标连续是指第一统计结果中的点的坐标序号1、2、3、4、5,即是连续的,而不是跳跃的1、4、8。
具体地,可以基于S21中的点的位置IndexList来确定点的坐标序号,进而判断出各个点的坐标是否连续,若坐标连续,则将该点统计为坐标连续的点,记录到第二统计结果Cnt2。
S23:根据所述第一统计结果中各个点的差分距离值统计距离增加的点的个数和距离减少的点的个数,并分别记录为第三统计结果和第四统计结果。
在本申请实施例中,根据S21中的距离差分值DiffList判断列表中距离增加的点的个数,即Diff大于0的个数,记录为第三统计结果Cnt3;根据S21中的距离差分值DiffList判断列表中距离减少的点的个数,即Diff小于0的个数,记录为第四统计结果Cnt4。
S24:根据所述第一统计结果中各个点的差分距离值,统计连续两点距离差不相等或不满足等比关系的点的个数,记录为第五统计结果。
在本申请实施例中,根据S21中的距离差分值DiffList断列表中连续两点距离差是否相等或满足等比关系,统计连续两点距离差不相等或不满足等比关系的点的个数,记录为第五统计结果Cnt5。
需要说明的是,连续两点是指坐标相邻的两个点。
S25:若所述数据分析区域首尾两点的距离差值大于第一预设阈值且小于第二预设阈值,则将变量标识置位。
在本申请实施例中,数据分析区域首尾两点是指数据分析区域的第一个点和最后一个点,基于数据分析区域中每个点的坐标就能确定出数据分析区域的首尾两点,并且能够计算出首尾两点的距离差值。
需要说明的是,上述第一预设阈值和上述第二预设阈值可以根据实际应用进行设置,本申请在此不加以限制。
将变量标识Logic1置位可以是置1或置0,示例性的,当所述数据分析区域首尾两点的距离差值大于第一预设阈值且小于第二预设阈值时,将变量标识Logic1置1。
S13:基于所述统计结果识别出所述点云数据中的伪像点。
在本申请实施例中,在得到统计结果后,就能够针对统计结果对该点是否为伪像点进行判断,通过对点云数据中的每个点对应的统计结果都基于识别条件进行判断,就能够识别出点云数据中所有的伪像点。
在本申请一实施例中,上述S13可以包括以下步骤:
根据识别精度设置识别条件;
基于所述识别条件对所述统计结果进行判断,确定出所述点云数据中的伪像点。
识别精度是指去除伪像点的强弱程度,若需要加强伪像点的去除强度,则将识别精度设置偏高;若需要降低伪像点的去除强度,则将识别精度设置偏低。
在确定了识别精度后,可以设置多个联合的识别条件,只有多个识别条件均满足时,才将该数据分析区域的中心点确定为伪像点。
设置识别条件时可以基于S12的统计结果来进行设置,如果识别精度较高,则可以基于多个统计结果来设置识别条件,如果识别精度较低,则可以只基于一个或两个统计结果来设置识别条件,在应用中可以基于实际情况进行设置,本申请对此不再加以赘述。
示例性的,上述识别条件可以是若所述第一统计结果大于第一统计阈值,所述第二统计结果大于第二统计阈值,所述第五统计结果大于第三统计阈值,所述变量标识置位,且距离差单调递增或递减,则确定所述数据分析区域的中心点为伪像点,否则确定所述数据分析区域的中心点不是伪像点。
示例性的,上述识别条件可以是若所述第一统计结果大于第一统计阈值,所述第二统计结果大于第二统计阈值,所述第五统计结果大于第三统计阈值,所述变量标识置位,所述第三统计结果或所述第四统计结果小于或等于第四统计阈值,且当前点的前一点为伪像点,则确定所述数据分析区域的中心点为伪像点,否则确定所述数据分析区域的中心点不是伪像点。
以上可以看出,本申请实施例提供的伪像点识别方法,能够通过滑动遍历点云数据中的每个点,基于点云的距离差分结果来统计满足预设统计条件的点的统计结果,再基于统计结果准确识别出点云数据中的伪像点。
在本申请另一实施例中,上述伪像点识别方法还可以包括以下步骤:
将所述伪像点从所述点云数据中剔除。
在本申请实施例中,在识别出伪像点后,可以将伪像点的点标识Invalid置1,以标识该点为伪像点。
将点云数据中点标识Invalid为1的点全部剔除,就能够将伪像点从点云数据中剔除掉。
为了更直观地表现出本申请实施例提供的伪像点识别方法的有益效果,图6示出了包含伪像点的点云图像(箭头指向的位置就是伪像点)和通过本申请实施例提供的伪像点识别方法剔除掉伪像点之后的点云图像。
由图6明显可以看出,本申请实施例提供的伪像点识别方法能够有效地剔除掉点云图像中的伪像点,并且很好地保留真实物体的点云,有效地提高了测距精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
基于上述实施例所提供的伪像点识别方法,本发明实施例进一步给出实现上述方法实施例的终端设备的实施例。
请参阅图7,图7是本申请实施例提供的一种终端设备的结构示意图。本申请实施例中,终端设备包括的各单元用于执行图3对应的实施例中的各步骤。具体请参阅图3以及图3对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。如图7所示,终端设备70包括:确定单元71、统计单元72和识别单元73。其中:
确定单元71用于对雷达回传的点云数据中的每个点进行滑动遍历,确定每个点的数据分析区域。
统计单元72用于根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果。
识别单元73用于基于所述统计结果识别出所述点云数据中的伪像点。
在本申请一实施例中,上述终端设备还可以包括计算单元,上述计算单元用于计算所述数据分析区域中每个点的距离差分值。
在本申请一实施例中,上述识别单元包括条件设置单元和判断单元,其中:条件设置单元用于根据识别精度设置识别条件;判断单元用于基于所述识别条件对所述统计结果进行判断,确定出所述点云数据中的伪像点。
在本申请一实施例中,上述统计单元72具体用于加权统计所述数据分析区域中距离差分值大于特定阈值的点,并记录为第一统计结果;根据所述第一统计结果中各个点的坐标位置统计坐标连续的点的个数,记录为第二统计结果;根据所述第一统计结果中各个点的差分距离值统计距离增加的点的个数和距离减少的点的个数,并分别记录为第三统计结果和第四统计结果;根据所述第一统计结果中各个点的差分距离值,统计连续两点距离差不相等或不满足等比关系的点的个数,记录为第五统计结果;若所述数据分析区域首尾两点的距离差值大于第一预设阈值且小于第二预设阈值,则将变量标识置位。
需要说明的是,上述各个单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参照方法实施例部分,此处不再赘述。
图8是本申请另一实施例提供的一种终端设备的结构示意图。如图8所示,该实施例提供的终端设备8包括:处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82,例如图像分割程序。处理器80执行所述计算机程序82时实现上述各个伪像点识别方法实施例中的步骤,例如图3所示的S11~S13。或者,所述处理器80执行所述计算机程序82时实现上述各终端设备实施例中各模块/单元的功能,例如图7所示单元71~73的功能。
示例性的,所述计算机程序82可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器81中,并由处理器80执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序82在所述终端设备8中的执行过程。例如,所述计算机程序82可以被分割成第一获取单元和第一处理单元,各单元具体功能请参阅图5对应地实施例中的相关描述,此处不赘述。
所述终端设备可包括但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是终端设备8的示例,并不构成对终端设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific
Integrated Circuit,ASIC)、现成可编程门阵列
(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、分立硬件组件等。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。
所述存储器81可以是所述终端设备8的内部存储单元,例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备,例如所述终端设备8上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质。请参阅图9,图9是本申请实施例提供的一种计算机可读存储介质的结构示意图,如图9所示,计算机可读存储介质90中存储有计算机程序91,计算机程序91被处理器执行时可实现上述伪像点识别方法。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述伪像点识别方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述终端设备的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参照其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (20)
- 一种伪像点识别方法,其特征在于,包括:对雷达回传的点云数据中的每个点进行滑动遍历,确定每个点的数据分析区域;根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果;基于所述统计结果识别出所述点云数据中的伪像点。
- 根据权利要求1所述的伪像点识别方法,其特征在于,在根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果之前,还包括:计算所述数据分析区域中每个点的距离差分值。
- 根据权利要求2所述的伪像点识别方法,其特征在于,所述根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果,包括:加权统计所述数据分析区域中距离差分值大于特定阈值的点,并记录为第一统计结果;根据所述第一统计结果中各个点的坐标位置统计坐标连续的点的个数,记录为第二统计结果;根据所述第一统计结果中各个点的差分距离值统计距离增加的点的个数和距离减少的点的个数,并分别记录为第三统计结果和第四统计结果;根据所述第一统计结果中各个点的差分距离值,统计连续两点距离差不相等或不满足等比关系的点的个数,记录为第五统计结果;若所述数据分析区域首尾两点的距离差值大于第一预设阈值且小于第二预设阈值,则将变量标识置位。
- 根据权利要求1所述的伪像点识别方法,其特征在于,所述基于所述统计结果识别出所述点云数据中的伪像点,包括:根据识别精度设置识别条件;基于所述识别条件对所述统计结果进行判断,确定出所述点云数据中的伪像点。
- 根据权利要求3所述的伪像点识别方法,其特征在于,若所述第一统计结果大于第一统计阈值,所述第二统计结果大于第二统计阈值,所述第五统计结果大于第三统计阈值,所述变量标识置位,且距离差单调递增或递减,则确定所述数据分析区域的中心点为伪像点。
- 根据权利要求3所述的伪像点识别方法,其特征在于,若所述第一统计结果大于第一统计阈值,所述第二统计结果大于第二统计阈值,所述第五统计结果大于第三统计阈值,所述变量标识置位,所述第三统计结果或所述第四统计结果小于或等于第四统计阈值,且当前点的前一点为伪像点,则确定所述数据分析区域的中心点为伪像点。
- 根据权利要求1至6任意一项所述的伪像点识别方法,其特征在于,还包括:将所述伪像点从所述点云数据中剔除。
- 一种终端设备,其特征在于,包括:确定单元,用于对雷达回传的点云数据中的每个点进行滑动遍历,确定每个点的数据分析区域;统计单元,用于根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果;识别单元,用于基于所述统计结果识别出所述点云数据中的伪像点。
- 如权利要求8所述的终端设备,其特征在于,所述终端设备还包括:计算单元,用于计算所述数据分析区域中每个点的距离差分值。
- 如权利要求8所述的终端设备,其特征在于,所述识别单元包括:条件设置单元,用于根据识别精度设置识别条件;判断单元,用于基于所述识别条件对所述统计结果进行判断,确定出所述点云数据中的伪像点。
- 一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机可读指令时实现如下步骤:对雷达回传的点云数据中的每个点进行滑动遍历,确定每个点的数据分析区域;根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果;基于所述统计结果识别出所述点云数据中的伪像点。
- 如权利要求11所述的终端设备,其特征在于,在根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果之前,还包括:计算所述数据分析区域中每个点的距离差分值。
- 如权利要求12所述的终端设备,其特征在于,所述根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果,包括:加权统计所述数据分析区域中距离差分值大于特定阈值的点,并记录为第一统计结果;根据所述第一统计结果中各个点的坐标位置统计坐标连续的点的个数,记录为第二统计结果;根据所述第一统计结果中各个点的差分距离值统计距离增加的点的个数和距离减少的点的个数,并分别记录为第三统计结果和第四统计结果;根据所述第一统计结果中各个点的差分距离值,统计连续两点距离差不相等或不满足等比关系的点的个数,记录为第五统计结果;若所述数据分析区域首尾两点的距离差值大于第一预设阈值且小于第二预设阈值,则将变量标识置位。
- 如权利要求11所述的终端设备,其特征在于,所述基于所述统计结果识别出所述点云数据中的伪像点,包括:根据识别精度设置识别条件;基于所述识别条件对所述统计结果进行判断,确定出所述点云数据中的伪像点。
- 如权利要求11至14任一项所述的终端设备,其特征在于,所述处理器执行所述计算机可读指令时还实现如下步骤:将所述伪像点从所述点云数据中剔除。
- 一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机可读指令被处理器执行时实现如下步骤:对雷达回传的点云数据中的每个点进行滑动遍历,确定每个点的数据分析区域;根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果;基于所述统计结果识别出所述点云数据中的伪像点。
- 如权利要求16所述的计算机可读存储介质,其特征在于,在根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果之前,还包括:计算所述数据分析区域中每个点的距离差分值。
- 如权利要求17所述的计算机可读存储介质,其特征在于,所述根据每个点的距离差分值确定所述数据分析区域中满足预设统计条件的点的统计结果,包括:加权统计所述数据分析区域中距离差分值大于特定阈值的点,并记录为第一统计结果;根据所述第一统计结果中各个点的坐标位置统计坐标连续的点的个数,记录为第二统计结果;根据所述第一统计结果中各个点的差分距离值统计距离增加的点的个数和距离减少的点的个数,并分别记录为第三统计结果和第四统计结果;根据所述第一统计结果中各个点的差分距离值,统计连续两点距离差不相等或不满足等比关系的点的个数,记录为第五统计结果;若所述数据分析区域首尾两点的距离差值大于第一预设阈值且小于第二预设阈值,则将变量标识置位。
- 如权利要求17所述的计算机可读存储介质,其特征在于,所述基于所述统计结果识别出所述点云数据中的伪像点,包括:根据识别精度设置识别条件;基于所述识别条件对所述统计结果进行判断,确定出所述点云数据中的伪像点。
- 如权利要求16至19任一项所述的计算机可读存储介质,其特征在于,所述计算机可读指令被处理器执行时还实现如下步骤:将所述伪像点从所述点云数据中剔除。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/111483 WO2023015407A1 (zh) | 2021-08-09 | 2021-08-09 | 一种伪像点识别方法、终端设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117677862A true CN117677862A (zh) | 2024-03-08 |
Family
ID=85199674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180100803.2A Pending CN117677862A (zh) | 2021-08-09 | 2021-08-09 | 一种伪像点识别方法、终端设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117677862A (zh) |
WO (1) | WO2023015407A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984803B (zh) * | 2023-03-10 | 2023-12-12 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776760A (zh) * | 2010-02-09 | 2010-07-14 | 中国科学院上海技术物理研究所 | 一种基于单光子探测器的激光三维成像装置 |
US11592537B2 (en) * | 2019-07-29 | 2023-02-28 | Infineon Technologies Ag | Optical crosstalk mitigation in LIDAR using digital signal processing |
CN110580705B (zh) * | 2019-11-08 | 2020-04-03 | 江苏省测绘工程院 | 一种基于双域图信号滤波检测建筑物边缘点的方法 |
CN110865365B (zh) * | 2019-11-27 | 2022-05-24 | 江苏集萃智能传感技术研究所有限公司 | 一种基于毫米波雷达的停车场噪声消除方法 |
CN111199555B (zh) * | 2019-12-13 | 2023-10-13 | 意诺科技有限公司 | 毫米波雷达目标识别方法 |
CN113155027B (zh) * | 2021-04-27 | 2023-05-26 | 中铁工程装备集团有限公司 | 一种隧道岩壁特征物识别方法 |
-
2021
- 2021-08-09 CN CN202180100803.2A patent/CN117677862A/zh active Pending
- 2021-08-09 WO PCT/CN2021/111483 patent/WO2023015407A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023015407A1 (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109059902B (zh) | 相对位姿确定方法、装置、设备和介质 | |
CN111712731B (zh) | 目标检测方法、系统及可移动平台 | |
CN112513679B (zh) | 一种目标识别的方法和装置 | |
CN112213725B (zh) | 车载雷达的多径虚警抑制方法、装置及终端设备 | |
US11954918B2 (en) | Object detection device, object detection method, and storage medium | |
CN115018903B (zh) | 一种堆场料堆体积计算方法及系统 | |
WO2017130285A1 (ja) | 車両判定装置、車両判定方法及び車両判定プログラム | |
CN112686951A (zh) | 用于确定机器人位置的方法、装置、终端及存储介质 | |
CN117677862A (zh) | 一种伪像点识别方法、终端设备及计算机可读存储介质 | |
WO2019188509A1 (ja) | レーダ画像処理装置、レーダ画像処理方法、および記憶媒体 | |
WO2023024087A1 (zh) | 处理激光雷达点云的方法、装置、设备及存储介质 | |
CN112689842B (zh) | 一种目标检测方法以及装置 | |
JP6657934B2 (ja) | 物体検出装置 | |
CN115728772A (zh) | 激光扫描点的类别检测方法、装置及终端设备 | |
CN112835063B (zh) | 物体动静属性的确定方法、装置、设备及存储介质 | |
WO2018220824A1 (ja) | 画像識別装置 | |
JP7064400B2 (ja) | 物体検知装置 | |
CN113514825A (zh) | 道路边缘的获取方法、装置和终端设备 | |
CN114216412B (zh) | 一种交通参与者的角度信息获取方法、装置和存储介质 | |
JP2020008310A (ja) | 物体検出装置 | |
WO2021253333A1 (zh) | 一种基于屏幕光通信的车辆定位方法、装置及服务器 | |
JP7254243B2 (ja) | 物体検知システムおよび物体検知方法 | |
CN117554949B (zh) | 一种联动式目标接力跟踪方法和系统 | |
CN115902815A (zh) | 车道线识别方法、终端设备及计算机可读存储介质 | |
US20220189040A1 (en) | Method of determining an orientation of an object and a method and apparatus for tracking an object |
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 |