CN117726886A - 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质 - Google Patents
鲁棒的激光雷达点云地面点提取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117726886A CN117726886A CN202410177719.6A CN202410177719A CN117726886A CN 117726886 A CN117726886 A CN 117726886A CN 202410177719 A CN202410177719 A CN 202410177719A CN 117726886 A CN117726886 A CN 117726886A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- elevation
- laser radar
- ground
- 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
Links
- 238000000605 extraction Methods 0.000 title claims description 41
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000001914 filtration Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000007781 pre-processing Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供了鲁棒的激光雷达点云地面点提取方法、装置、设备及介质，包括获取单帧激光雷达点云的三维坐标，对获取的点云信息进行滤波处理；根据获取的激光雷达点云的三维坐标获取单帧点云高程的均值，获得高程均值以下点云，作为地面点云的候选点云集合；根据邻域点三维坐标信息估计候选点云集合中每个点的法向量信息，根据法向量z轴分量筛选立面点云集合；在地面点云的候选区域进行曲率估计，筛选高于平均曲率的角点点云集合；将高程均值以上的点云集合、立面点云集合、角点点云集合合并；将原始点云帧与合并的点云集合做差集获取地面点云的点云集合。旨在解决传统激光雷点云方法存在运行效率不高、鲁棒性不强、不能直接进行实际应用的问题。
Description
技术领域
本发明涉及大规模场景点云的特征提取技术领域，具体涉及鲁棒的激光雷达点云地面点提取方法、装置、设备及介质。
背景技术
激光雷达点云感知技术是一种基于激光雷达的三维环境感知技术，其原理是通过发射激光束，测量激光束与目标物体间的时间差和角度差，进而确定目标物体的位置、速度和方位等信息。该技术是多门前沿学科的综合体，近年来，激光雷达点云感知技术在多方面不断取得了新的突破，具有高精度、高可靠性、高实时性等优点，对于自动驾驶、机器人导航、智能交通等领域有广泛应用。
当前，针对市面上常见的场景行走问题，现有的行走单元需要获取场景的信息来进行进一步的路径规划，从而实现自动行走；其中，由于激光雷达自身的主动式的光学感知特性，在大范围的场景信息采集中具有显著的优势。而现有效果较好的感知技术大多数都是依赖于机器学习的方法，感知效果很大程度上取决于数据的质量和标注的质量，但是，该方法利用机器学习的技术来实现特定场景的感知成本高昂，数据成本高昂，尤其是数据标注成本。并且，在实际的自动行走任务中，行走单元仅依靠可行域和非可行域的划分即可实现基于场景信息的路径规划，而传统的方案多是基于优化迭代以及全局计算的方法，不仅运行效率不高，鲁棒性还不强，不能够直接进行实际应用。
有鉴于此，提出本申请。
发明内容
有鉴于此，本发明的目的在于提供鲁棒的激光雷达点云地面点提取方法、装置、设备及介质，能够有效解决现有技术中的传统激光雷点云方法存在运行效率不高、鲁棒性不强、不能够直接进行实际应用的问题。
本发明公开了一种鲁棒的激光雷达点云地面点提取方法, 包括：
获取由预设的激光雷达传感器采集到的激光雷达点云数据，并采用引导滤波方式对所述激光雷达点云数据进行滤波处理，生成滤波点云数据，其中，所述激光雷达点云数据至少包含(x,y,z)三维坐标信息；
根据所述滤波点云数据的z轴坐标进行高程计算和预处理，获取单帧点云高程的均值、高高程点云集合、低高程点云集合和数据索引，并将所述单帧点云高程的均值和所述数据索引作为地面点云的候选点云集合索引；
根据所述三维坐标信息进行估计预处理，估计所述地面点云的候选点云集合中每个点的法向量信息，并根据所述法向量信息的z轴分量进行筛选处理，筛选生成立面点云集合；
根据所述三维坐标信息在所述地面点云的预设候选区域内，进行曲率估计处理，筛选出高于平均曲率的点云，生成角点点云集合；
对所述高高程点云集合、所述立面点云集合和所述角点点云集合进行集合合并处理，生成总集合，并去除所述总集合中的重复的原始点云数据，生成合并点云集合；
基于差集原理，对原始点云帧与所述合并点云集合进行做差集处理，生成地面点云的点云集合。
优选地，获取由预设的激光雷达传感器采集到的激光雷达点云数据，并采用引导滤波方式对所述激光雷达点云数据进行滤波处理，生成滤波点云数据，具体为：
获取由预设的以自身作为坐标系原点的机械旋转式激光雷达传感器，采集到的激光雷达点云数据；
采用引导滤波方式对所述激光雷达点云数据进行滤波处理，所述引导滤波方式的映射函数公式为：
其中，为原始点，/>为原始点的滤波输出，/>为原始点/>到原始点的滤波输出/>的线性映射系数矩阵，其大小为/>，/>为偏置向量，其大小为/>，/>和/>均由引导滤波误差目标函数优化得到；
所述引导滤波误差目标函数由重建误差和正则化项构成，重建误差定义为：
其中，为重建误差，/>为原始点/>的邻域点；
正则化项定义为：
其中，为正则化项，/>为正则化系数，/>为矩阵转置符号；
基于线性回归和最大似然函数的求解方法，对所述引导滤波误差目标函数进行求解，求解得：
其中，为原始点/>的全集邻域点协方差矩阵，/>为原始点/>的邻域点平均值，/>为与/>同阶的单位矩阵；
根据求解的结果，生成滤波点云数据。
优选地，根据所述滤波点云数据的z轴坐标进行高程计算和预处理，获取单帧点云高程的均值、高高程点云集合、低高程点云集合和数据索引，并将所述单帧点云高程的均值和所述数据索引作为地面点云的候选点云集合索引，具体为：
获取目标分布的点云和原始点云的线性映射，基于预设的基本线性回归模型的最小重建误差的优化问题，对线性系数进行优化；
根据所述滤波点云数据的z轴标信息进行高程计算和预处理，其中，所述预处理包括计算整帧点云的平均高程值，并把所述平均高程值作为阈值，将所述整帧点云切分为高高程点云集合和低高程点云集合；
对所述整帧点云进行遍历处理，获取高程值小于所述平均高程值的点云数据，作为地面点云的候选数据集合。
优选地，根据所述三维坐标信息进行估计预处理，估计所述地面点云的候选点云集合中每个点的法向量信息，并根据所述法向量信息的z轴分量进行筛选处理，筛选生成立面点云集合，具体为：
对所述低高程点云集合进行逐点的法向量估计预处理，并进行特征向量计算，根据点云的法向量z轴分量阈值获取立面点云数据集合，其中，所述法向量估计预处理包括：邻域的最小二乘曲面拟合处理、以及协方差矩阵特征值计算处理，具体的：
获取所述地面点云的候选点云集合中每个原始点的邻域点集合/>，并计算所述原始点/>的候选点云集合邻域点的协方差矩阵/>，/>，其中，/>为邻域点的个数,/>为矩阵转置符号；
对所述协方差矩阵进行特征值分解处理，生成分解结果，将所述分解结果中最小特征值所对应的特征向量，作为所述原始点/>的法向量信息；
根据所述法向量信息，获取所述法向量信息的z轴分量；
设置立面点云的z轴分量阈值，生成立面点云阈值，并从所述立面点云阈值中选取点，添加到预设的初始立面点云集合中，生成立面点云集合。
优选地，根据所述三维坐标信息在所述地面点云的预设候选区域内，进行曲率估计处理，筛选出高于平均曲率的点云，生成角点点云集合，具体为：
对所述低高程点云集合进行逐点的曲率估计处理，并根据逐点曲率估计计算平均曲率，根据点云的曲率阈值获取角点点云数据集合，其中，曲率估计处理包括：邻域的最小二乘曲面拟合处理、协方差矩阵特征值计算处理、以及特征分量最小占比计算处理，具体的：
获取所述地面点云的候选点云集合中每个原始点的邻域点集合/>，并计算所述原始点/>的候选点云集合邻域点的协方差矩阵/>，/>，其中，/>为邻域点的个数，/>为矩阵转置符号；
对所述协方差矩阵进行特征值分解处理，获得所述协方差矩阵/>的特征值/>、和/>；
当判断到特征值是特征值/>、/>和/>中最小的特征值时，曲率表示为：
其中，为曲率；
根据曲率计算平均曲率，根据所述平均曲率计算曲率阈值，其中，曲率阈值为平均曲率/>容忍系数；
对所述地面点云的预设候选区域内的数据进行筛选处理，筛选出大于所述曲率阈值的点，并将大于所述曲率阈值的点添加到预设的初始角点点云集合中，生成角点点云集合。
优选地，基于差集原理，对原始点云帧与所述合并点云集合进行做差集处理，生成地面点云的点云集合，具体为：
采用所述引导滤波方式对所述激光雷达点云数据进行处理，获得滤波后的原始点云数据；
对所述滤波后的原始点云数据和所述合并点云集合进行做差集处理，获取所述滤波后的原始点云数据与所述合并点云集合两个集合的差集，生成地面点云的点云集合，其中，所述差集与所述合并点云集合的并集与所述滤波后的原始点云数据的集合是等价的。
本发明还公开了一种鲁棒的激光雷达点云地面点提取装置, 包括：
激光雷达点云数据获取单元，用于获取由预设的激光雷达传感器采集到的激光雷达点云数据，并采用引导滤波方式对所述激光雷达点云数据进行滤波处理，生成滤波点云数据，其中，所述激光雷达点云数据至少包含(x,y,z)三维坐标信息；
点云引导滤波和高程预处理单元，用于根据所述滤波点云数据的z轴坐标进行高程计算和预处理，获取单帧点云高程的均值、高高程点云集合、低高程点云集合和数据索引，并将所述单帧点云高程的均值和所述数据索引作为地面点云的候选点云集合索引；
立面点云提取单元，用于根据所述三维坐标信息进行估计预处理，估计所述地面点云的候选点云集合中每个点的法向量信息，并根据所述法向量信息的z轴分量进行筛选处理，筛选生成立面点云集合；
角点点云提取单元，用于根据所述三维坐标信息在所述地面点云的预设候选区域内，进行曲率估计处理，筛选出高于平均曲率的点云，生成角点点云集合；
点云合并单元，用于对所述高高程点云集合、所述立面点云集合和所述角点点云集合进行集合合并处理，生成总集合，并去除所述总集合中的重复的原始点云数据，生成合并点云集合；
差集单元，用于基于差集原理，对原始点云帧与所述合并点云集合进行做差集处理，生成地面点云的点云集合。
本发明还公开了一种鲁棒的激光雷达点云地面点提取设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的一种鲁棒的激光雷达点云地面点提取方法。
本发明还公开了一种可读存储介质，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如上任意一项所述的一种鲁棒的激光雷达点云地面点提取方法。
综上所述，本实施例提供的鲁棒的激光雷达点云地面点提取方法、装置、设备及介质，首先，获取单帧激光雷达点云的三维坐标，对获取的点云信息进行滤波处理；其次，根据获取的激光雷达点云的三维坐标获取单帧点云高程的均值，获得高程均值以下点云，作为地面点云的候选点云集合；再次，根据邻域点三维坐标信息估计候选点云集合中每个点的法向量信息，根据法向量z轴分量筛选立面点云集合；从次，在地面点云的候选区域进行曲率估计，筛选高于平均曲率的角点点云集合；最后，将高程均值以上的点云集合、立面点云集合以及角点点云集合合并，将原始点云帧与合并的点云集合做差集获取地面点云的点云集合。所述鲁棒的激光雷达点云地面点提取方法能够在大规模场景激光雷达点云数据中准确提取地面点云，并且因为本方法避免了全局性的特征计算，因此运行效率较高，计算成本较低。从而解决现有技术中的传统激光雷点云方法存在运行效率不高、鲁棒性不强、不能够直接进行实际应用的问题。
附图说明
图1是本发明实施例提供的鲁棒的激光雷达点云地面点提取方法的流程示意图。
图2是本发明实施例提供的地面规则场景下的地面点云提取示意图，其中，图2（a）为地面规则场景下的地面点云提取的原始点云帧示意图，图2（b）为地面规则场景下的地面点云提取的非地面点云示意图，图2（c）为地面规则场景下的地面点云提取的地面点云示意图。
图3是本发明实施例提供的地面不规则场景下的地面点云提取示意图其中，图3（a）为地面不规则场景下的地面点云提取的原始点云帧示意图，图3（b）为地面不规则场景下的地面点云提取的非地面点云示意图，图3（c）为地面不规则场景下的地面点云提取的地面点云示意图。
图4是本发明实施例提供的角点点云集合同立面点云集合的互补示意图，图4（a）为仅通过曲率约束示意图，图4（b）为曲率约束和立面约束互补示意图。
图5是本发明实施例提供的鲁棒的激光雷达点云地面点提取装置的模块示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
以下结合附图对本发明的具体实施例做详细说明。
请参阅图1至图4，本发明的第一实施例提供了鲁棒的激光雷达点云地面点提取方法,其可由鲁棒的激光雷达点云地面点提取设备（以下提取设备）来执行，特别的，由提取设备内的一个或者多个处理器来执行，以实现如下步骤：
所述提取设备可以是带有Linux操作系统的便携笔记本计算机、台式机计算机、服务器、或者平板电脑等具有计算性能的电子设备，也可以是连接机械旋转式激光雷达的带有Linux操作系统的工控机等计算设备。优选的，移动计算单元设备为自动化行走车机中具有计算性能的带有Linux操作系统工控机。
S101，获取由预设的激光雷达传感器采集到的激光雷达点云数据，并采用引导滤波方式对所述激光雷达点云数据进行滤波处理，生成滤波点云数据，其中，所述激光雷达点云数据至少包含(x,y,z)三维坐标信息；
具体地，步骤S101包括：获取由预设的以自身作为坐标系原点的机械旋转式激光雷达传感器，采集到的激光雷达点云数据；
采用引导滤波方式对所述激光雷达点云数据进行滤波处理，所述引导滤波方式的映射函数公式为：
其中，为原始点，/>为原始点的滤波输出，/>为原始点/>到原始点的滤波输出/>的线性映射系数矩阵，其大小为/>，/>为偏置向量，其大小为/>，/>和/>均由引导滤波误差目标函数优化得到；
所述引导滤波误差目标函数由重建误差和正则化项构成，重建误差定义为：
其中，为重建误差，/>为原始点/>的邻域点；
正则化项定义为：
其中，为正则化项，/>为正则化系数，/>为矩阵转置符号；
基于线性回归和最大似然函数的求解方法，对所述引导滤波误差目标函数进行求解，求解得：
其中，为原始点/>的全集邻域点协方差矩阵，/>为原始点/>的邻域点平均值，/>为与/>同阶的单位矩阵；
根据求解的结果，生成滤波点云数据。
具体地，在本实施例中，用户可以通过在线和离线两种方式获取场景的激光雷达点云数据；其中，在线方式包括直接读取旋转式激光雷达的解码信息等读取实时信息的方法；离线方式包括录制rosbag包，读取pcd或者bin文件等方式。
在本实施例中，所述激光雷达点云的类型为获取点云帧原点为自身的机械式旋转激光雷达，线数不限。需要主要的是，本发明中提及的获取激光雷达点云数据的方式包括但不限于直接解码激光雷达报文信息和录制rosbag解码成.pcd或.bin格式等方式。
在本实施例中，利用了引导滤波的方式对点云数据进行滤波处理；同时，采用线性回归和最优化的思想构建引导滤波器，具体的：引导滤波的映射函数可以为：。其中，可以根据线性回归和最大似然函数的求解方法，对所述引导滤波误差目标函数进行求解，求解得到的所述原始点/>到原始点的滤波输出/>的线性映射系数矩阵/>和所述偏置向量/>为所述原始点/>到所述原始点的滤波输出/>的线性映射的参数，该映射主要用于点云的边缘化和重分布。
S102，根据所述滤波点云数据的z轴坐标进行高程计算和预处理，获取单帧点云高程的均值、高高程点云集合、低高程点云集合和数据索引，并将所述单帧点云高程的均值和所述数据索引作为地面点云的候选点云集合索引；
具体地，步骤S102包括：获取目标分布的点云和原始点云的线性映射，基于预设的基本线性回归模型的最小重建误差的优化问题，对线性系数进行优化；
根据所述滤波点云数据的z轴标信息进行高程计算和预处理，其中，所述预处理包括计算整帧点云的平均高程值，并把所述平均高程值作为阈值，将所述整帧点云切分为高高程点云集合和低高程点云集合；
对所述整帧点云进行遍历处理，获取高程值小于所述平均高程值的点云数据，作为地面点云的候选数据集合。
具体地，在本实施例中，根据z轴坐标信息计算整帧点云的平均高程值；并遍历整帧点云，以获取高程值小于平均高程值的点云数据，作为地面点云的候选数据集合。其中，高程信息应该在滤波后的点云数据中获得。
在本实施例中，所述鲁棒的激光雷达点云地面点提取方法中估计候选点云集合中每个点的法向量信息，是采用了邻域曲面拟合法向量估计的方法，该方法获取选点云集合中每个点的邻域点集合/>，该邻域获取的方法是采用K近邻算法来获取据点/>最近的个点作为点/>的邻域点。再计算/>候选点云集合邻域点的协方差矩阵，对/>进行特征值分解，最小特征值对应的特征向量即为点/>的法向量。
在本实施例中，由于协方差矩阵是一个对称且正定的矩阵，因此，其特征值都是非负的。需要将特征值从大到小排列，其中，最大的特征值所对应的特征向量为该点的主法向量，即其法向量的方向指向该点所在表面上最陡峭的方向，而次大特征值所对应的特征向量则指向表面曲率变化的方向。又由于点云可能具有不同程度的曲率和复杂度，因此，在选择法向量时选择最小特征值所对应的特征向量，以确保法向量的可靠性，并且尽量避免主法向量错位或不准确的情况出现。
S103，根据所述三维坐标信息进行估计预处理，估计所述地面点云的候选点云集合中每个点的法向量信息，并根据所述法向量信息的z轴分量进行筛选处理，筛选生成立面点云集合；
具体地，步骤S103包括：对所述低高程点云集合进行逐点的法向量估计预处理，并进行特征向量计算，根据点云的法向量z轴分量阈值获取立面点云数据集合，其中，所述法向量估计预处理包括：邻域的最小二乘曲面拟合处理、以及协方差矩阵特征值计算处理，具体的：
获取所述地面点云的候选点云集合中每个原始点的邻域点集合/>，并计算所述原始点/>的候选点云集合邻域点的协方差矩阵/>，/>，其中，/>为邻域点的个数,/>为矩阵转置符号；
对所述协方差矩阵进行特征值分解处理，生成分解结果，将所述分解结果中最小特征值所对应的特征向量，作为所述原始点/>的法向量信息；
根据所述法向量信息，获取所述法向量信息的z轴分量；
设置立面点云的z轴分量阈值，生成立面点云阈值，并从所述立面点云阈值中选取点，添加到预设的初始立面点云集合中，生成立面点云集合。
具体地，在本实施例中，能够根据三维坐标信息估计每个点的法向量信息，并通过法向量的z轴分量筛选立面点云集合。其中，法向量信息的估计应该在地面点云的候选点云集合中进行。
在本实施例中，所述鲁棒的激光雷达点云地面点提取方法中所利用的法向量信息为法向量的z轴分量；该提取方法通过区分法向量的z轴分量，以区分平面和非平面；其中，法向量的z轴分量可以帮助确定某点是否属于一个平面。在平行于z轴的情况下，若该点所在的平面平行于xz和yz平面时，即拟合邻域最小二乘面的法向量的z轴分量接近0，将该点归类为立面上的点。而若该点所在的平面不平行于xz和yz平面时，即法向量的z轴分量不接近0，则将其视为非立面上的点。通过这种提取方式，可以利用法向量的z轴分量，以判断点及其邻域是否属于立面点云。
由于使用主成分分析法得到的法向量信息具有方向性，因此，需要考虑一个区间作为阈值。所述鲁棒的激光雷达点云地面点提取方法使用法向量z轴分量的绝对值来避免对于区间阈值的讨论，其中，法向量z轴分量双向接近0的点及其邻域属于立面点云。
S104，根据所述三维坐标信息在所述地面点云的预设候选区域内，进行曲率估计处理，筛选出高于平均曲率的点云，生成角点点云集合；
具体地，步骤S104包括：对所述低高程点云集合进行逐点的曲率估计处理，并根据逐点曲率估计计算平均曲率，根据点云的曲率阈值获取角点点云数据集合，其中，曲率估计处理包括：邻域的最小二乘曲面拟合处理、协方差矩阵特征值计算处理、以及特征分量最小占比计算处理，具体的：
获取所述地面点云的候选点云集合中每个原始点的邻域点集合/>，并计算所述原始点/>的候选点云集合邻域点的协方差矩阵/>，/>，其中，/>为邻域点的个数，/>为矩阵转置符号；
对所述协方差矩阵进行特征值分解处理，获得所述协方差矩阵/>的特征值/>、和/>；
当判断到特征值是特征值/>、/>和/>中最小的特征值时，曲率表示为：
其中，为曲率；
根据曲率计算平均曲率，根据所述平均曲率计算曲率阈值，其中，曲率阈值为平均曲率/>容忍系数；
对所述地面点云的预设候选区域内的数据进行筛选处理，筛选出大于所述曲率阈值的点，并将大于所述曲率阈值的点添加到预设的初始角点点云集合中，生成角点点云集合。
具体地，在本实施例中，能够根据三维坐标信息在地面点云的候选区域进行曲率估计，筛选高于平均曲率的角点点云集合。其中，曲率估计应该在地面点云的候选点云集合中进行。
在本实施例中，角点点云集合的生成过程可以简单表述为：先获取选点云集合中每个点的邻域点集合/>，该邻域获取的方法是采用K近邻算法来获取据点/>最近的/>个点作为点/>的邻域点；再利用邻域点集合/>估计/>的曲率信息；计算平均曲率，与设定的微调容忍系数相乘得到曲率阈值；最后根据曲率阈值筛选高于曲率阈值的点作为角点点云。
在本实施例中，对于一个点及其邻域点集合，协方差矩阵/>描述了邻域点相对于点/>的分布情况。协方差矩阵的特征值表示了对应特征向量方向上的方差，即在该方向上邻域点的变化程度。假设存在一个邻域点集合，其中包含一个平面或者一个几乎平坦的曲面，那么在这种情况下，邻域点相对于点/>在不同方向上的变化程度会非常小。此时，协方差矩阵的最小特征值较小，而其他特征值则较大。此时，如果邻域点集合包含了一个高度弯曲或弯折的曲面，那么在这种情况下，邻域点相对于点/>在不同方向上的变化程度会比较大；协方差矩阵的最小特征值较大，并且其他特征值也会较大。而协方差矩阵的最小特征值和所有特征值和的比值衡量了邻域点在不同方向上的变化程度，并从中推断出点/>所处位置的曲率特性。当比值接近1时，表示曲率较高；当比值接近0时，表示曲率较低。
在本实施例中，上文提到的平均曲率主要是用来评估整体点云的平滑度，利用平均曲率来作为曲率阈值的一部分可以更好实现动态平衡差异较大的帧之间的阈值有效性，容忍系数为阈值提供一个容忍的度，在处理单帧点云时可以实现曲率阈值的微调。
S105，对所述高高程点云集合、所述立面点云集合和所述角点点云集合进行集合合并处理，生成总集合，并去除所述总集合中的重复的原始点云数据，生成合并点云集合；
S106，基于差集原理，对原始点云帧与所述合并点云集合进行做差集处理，生成地面点云的点云集合。
具体地，步骤S106包括：采用所述引导滤波方式对所述激光雷达点云数据进行处理，获得滤波后的原始点云数据；
对所述滤波后的原始点云数据和所述合并点云集合进行做差集处理，获取所述滤波后的原始点云数据与所述合并点云集合两个集合的差集，生成地面点云的点云集合，其中，所述差集与所述合并点云集合的并集与所述滤波后的原始点云数据的集合是等价的。
具体地，在本实施例中，对获取到的高程点云集合、立面点云集合以及角点点云集合中的数据进行合并，并对合并后的集合中的数据进行去重，使得各个集合中的元素交集为空集。简单来说，由于高程点云集合、立面点云集合以及角点点云集合在内存空间中有独立的存储空间，因此，在合并集合的过程中首先需要拼接三个集合中的数据，再利用数据去重去掉出现次数大于等于2的点，使得拼接得到的内存空间中的数据交集为空集。
在本实施例中，将原始点云和合并的点云集合元素索引进行单独存储，其中，仅存储索引信息用于计算差集数据的索引；再根据差集原理，筛选属于原始点云但不属于合并点云集合的索引值作为差集的索引；最后，根据差集索引在原始点云中得到原始点云和合并点云集合差集，该差集所包含的数据在本实施例中被认定为地面点云数据。
需要说明的是，所述鲁棒的激光雷达点云地面点提取方法中的各个步骤能够在计算机模型中的不同模块进行处理，仅存在数据上的耦合，不存在方法上的耦合，具有处理结构化的特点。并且本实施例涉及场景点云感知方案中地面点云提取的部分，可以无缝配合其余的感知方案形成完整的场景信息感知系统。本实施例的地面点云提取方法能够适配客制化的系统单元。在算法的鲁棒性（通用性）方面能够适用于结构化和非结构化场景的地面点云提取任务，并且在非结构化场景中的效果优于RANSAC等基于优化的算法。
综上，所述鲁棒的激光雷达点云地面点提取方法很好的利用地面点云的高程信息分布特点，以及邻域点最小二乘曲面拟合的特性。首先，从预先设置的机械旋转式激光雷达上获取场景的点云信息。然后，采用三维点云引导滤波的方式在不进行点云的法向量估计的前提下，对点云进行分布重构处理，重构后的点云保留了轮廓和尖锐部分的特征信息，方便更好地进行后续计算。并且，所述鲁棒的激光雷达点云地面点提取方法利用点云平均高程信息获得地面点云的候选点云集合，又在该集合中利用邻域法向量估计和曲率估计的方式，得到了该集合中点的法向量信息和曲率信息，再分别通过法向量z轴分量和平均曲率阈值对立面点云集合和角点点云集合进行筛选提取。最后，所述鲁棒的激光雷达点云地面点提取方法通过合并高高程点云集合、立面点云集合、角点点云集合得到非地面点云集合，再与原始点云数据做差集得到地面点云集合。为场景点云的信息识别提供可一个切实可行的方案，具有很好的实际意义。
请参阅图5，发明的第二实施例提供了一种鲁棒的激光雷达点云地面点提取装置,包括：
激光雷达点云数据获取单元201，用于获取由预设的激光雷达传感器采集到的激光雷达点云数据，并采用引导滤波方式对所述激光雷达点云数据进行滤波处理，生成滤波点云数据，其中，所述激光雷达点云数据至少包含(x,y,z)三维坐标信息；
点云引导滤波和高程预处理单元202，用于根据所述滤波点云数据的z轴坐标进行高程计算和预处理，获取单帧点云高程的均值、高高程点云集合、低高程点云集合和数据索引，并将所述单帧点云高程的均值和所述数据索引作为地面点云的候选点云集合索引；
立面点云提取单元203，用于根据所述三维坐标信息进行估计预处理，估计所述地面点云的候选点云集合中每个点的法向量信息，并根据所述法向量信息的z轴分量进行筛选处理，筛选生成立面点云集合；
角点点云提取单元204，用于根据所述三维坐标信息在所述地面点云的预设候选区域内，进行曲率估计处理，筛选出高于平均曲率的点云，生成角点点云集合；
点云合并单元205，用于对所述高高程点云集合、所述立面点云集合和所述角点点云集合进行集合合并处理，生成总集合，并去除所述总集合中的重复的原始点云数据，生成合并点云集合；
差集单元206，用于基于差集原理，对原始点云帧与所述合并点云集合进行做差集处理，生成地面点云的点云集合。
本发明的第三实施例提供了一种鲁棒的激光雷达点云地面点提取设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的一种鲁棒的激光雷达点云地面点提取方法。
本发明的第四实施例提供了一种可读存储介质，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如上任意一项所述的一种鲁棒的激光雷达点云地面点提取方法。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。
Claims (9)
1.一种鲁棒的激光雷达点云地面点提取方法, 其特征在于，包括：
获取由预设的激光雷达传感器采集到的激光雷达点云数据，并采用引导滤波方式对所述激光雷达点云数据进行滤波处理，生成滤波点云数据，其中，所述激光雷达点云数据至少包含(x,y,z)三维坐标信息；
根据所述滤波点云数据的z轴坐标进行高程计算和预处理，获取单帧点云高程的均值、高高程点云集合、低高程点云集合和数据索引，并将所述单帧点云高程的均值和所述数据索引作为地面点云的候选点云集合索引；
根据所述三维坐标信息进行估计预处理，估计所述地面点云的候选点云集合中每个点的法向量信息，并根据所述法向量信息的z轴分量进行筛选处理，筛选生成立面点云集合；
根据所述三维坐标信息在所述地面点云的预设候选区域内，进行曲率估计处理，筛选出高于平均曲率的点云，生成角点点云集合；
对所述高高程点云集合、所述立面点云集合和所述角点点云集合进行集合合并处理，生成总集合，并去除所述总集合中的重复的原始点云数据，生成合并点云集合；
基于差集原理，对原始点云帧与所述合并点云集合进行做差集处理，生成地面点云的点云集合。
2.根据权利要求1所述的鲁棒的激光雷达点云地面点提取方法，其特征在于，获取由预设的激光雷达传感器采集到的激光雷达点云数据，并采用引导滤波方式对所述激光雷达点云数据进行滤波处理，生成滤波点云数据，具体为：
获取由预设的以自身作为坐标系原点的机械旋转式激光雷达传感器，采集到的激光雷达点云数据；
采用引导滤波方式对所述激光雷达点云数据进行滤波处理，所述引导滤波方式的映射函数公式为：
其中，为原始点，/>为原始点的滤波输出，/>为原始点/>到原始点的滤波输出/>的线性映射系数矩阵，其大小为/>，/>为偏置向量，其大小为/>，/>和/>均由引导滤波误差目标函数优化得到；
所述引导滤波误差目标函数由重建误差和正则化项构成，重建误差定义为：
其中，为重建误差，/>为原始点/>的邻域点；
正则化项定义为：
其中，为正则化项，/>为正则化系数，/>为矩阵转置符号；
基于线性回归和最大似然函数的求解方法，对所述引导滤波误差目标函数进行求解，求解得：
其中，为原始点/>的全集邻域点协方差矩阵，/>为原始点/>的邻域点平均值，/>为与同阶的单位矩阵；
根据求解的结果，生成滤波点云数据。
3.根据权利要求2所述的鲁棒的激光雷达点云地面点提取方法，其特征在于，根据所述滤波点云数据的z轴坐标进行高程计算和预处理，获取单帧点云高程的均值、高高程点云集合、低高程点云集合和数据索引，并将所述单帧点云高程的均值和所述数据索引作为地面点云的候选点云集合索引，具体为：
获取目标分布的点云和原始点云的线性映射，基于预设的基本线性回归模型的最小重建误差的优化问题，对线性系数进行优化；
根据所述滤波点云数据的z轴标信息进行高程计算和预处理，其中，所述预处理包括计算整帧点云的平均高程值，并把所述平均高程值作为阈值，将所述整帧点云切分为高高程点云集合和低高程点云集合；
对所述整帧点云进行遍历处理，获取高程值小于所述平均高程值的点云数据，作为地面点云的候选数据集合。
4.根据权利要求3所述的鲁棒的激光雷达点云地面点提取方法，其特征在于，根据所述三维坐标信息进行估计预处理，估计所述地面点云的候选点云集合中每个点的法向量信息，并根据所述法向量信息的z轴分量进行筛选处理，筛选生成立面点云集合，具体为：
对所述低高程点云集合进行逐点的法向量估计预处理，并进行特征向量计算，根据点云的法向量z轴分量阈值获取立面点云数据集合，其中，所述法向量估计预处理包括：邻域的最小二乘曲面拟合处理、以及协方差矩阵特征值计算处理，具体的：
获取所述地面点云的候选点云集合中每个原始点的邻域点集合/>，并计算所述原始点/>的候选点云集合邻域点的协方差矩阵/>，/>，其中，为邻域点的个数,/>为矩阵转置符号；
对所述协方差矩阵进行特征值分解处理，生成分解结果，将所述分解结果中最小特征值所对应的特征向量，作为所述原始点/>的法向量信息；
根据所述法向量信息，获取所述法向量信息的z轴分量；
设置立面点云的z轴分量阈值，生成立面点云阈值，并从所述立面点云阈值中选取点，添加到预设的初始立面点云集合中，生成立面点云集合。
5.根据权利要求3所述的鲁棒的激光雷达点云地面点提取方法，其特征在于，根据所述三维坐标信息在所述地面点云的预设候选区域内，进行曲率估计处理，筛选出高于平均曲率的点云，生成角点点云集合，具体为：
对所述低高程点云集合进行逐点的曲率估计处理，并根据逐点曲率估计计算平均曲率，根据点云的曲率阈值获取角点点云数据集合，其中，曲率估计处理包括：邻域的最小二乘曲面拟合处理、协方差矩阵特征值计算处理、以及特征分量最小占比计算处理，具体的：
获取所述地面点云的候选点云集合中每个原始点的邻域点集合/>，并计算所述原始点/>的候选点云集合邻域点的协方差矩阵/>，/>，其中，为邻域点的个数，/>为矩阵转置符号；
对所述协方差矩阵进行特征值分解处理，获得所述协方差矩阵/>的特征值/>、/>和；
当判断到特征值是特征值/>、/>和/>中最小的特征值时，曲率表示为：
其中，为曲率；
根据曲率计算平均曲率，根据所述平均曲率计算曲率阈值，其中，曲率阈值为平均曲率/>容忍系数；
对所述地面点云的预设候选区域内的数据进行筛选处理，筛选出大于所述曲率阈值的点，并将大于所述曲率阈值的点添加到预设的初始角点点云集合中，生成角点点云集合。
6.根据权利要求1所述的鲁棒的激光雷达点云地面点提取方法，其特征在于，基于差集原理，对原始点云帧与所述合并点云集合进行做差集处理，生成地面点云的点云集合，具体为：
采用所述引导滤波方式对所述激光雷达点云数据进行处理，获得滤波后的原始点云数据；
对所述滤波后的原始点云数据和所述合并点云集合进行做差集处理，获取所述滤波后的原始点云数据与所述合并点云集合两个集合的差集，生成地面点云的点云集合，其中，所述差集与所述合并点云集合的并集与所述滤波后的原始点云数据的集合是等价的。
7.一种鲁棒的激光雷达点云地面点提取装置, 其特征在于，包括：
激光雷达点云数据获取单元，用于获取由预设的激光雷达传感器采集到的激光雷达点云数据，并采用引导滤波方式对所述激光雷达点云数据进行滤波处理，生成滤波点云数据，其中，所述激光雷达点云数据至少包含(x,y,z)三维坐标信息；
点云引导滤波和高程预处理单元，用于根据所述滤波点云数据的z轴坐标进行高程计算和预处理，获取单帧点云高程的均值、高高程点云集合、低高程点云集合和数据索引，并将所述单帧点云高程的均值和所述数据索引作为地面点云的候选点云集合索引；
立面点云提取单元，用于根据所述三维坐标信息进行估计预处理，估计所述地面点云的候选点云集合中每个点的法向量信息，并根据所述法向量信息的z轴分量进行筛选处理，筛选生成立面点云集合；
角点点云提取单元，用于根据所述三维坐标信息在所述地面点云的预设候选区域内，进行曲率估计处理，筛选出高于平均曲率的点云，生成角点点云集合；
点云合并单元，用于对所述高高程点云集合、所述立面点云集合和所述角点点云集合进行集合合并处理，生成总集合，并去除所述总集合中的重复的原始点云数据，生成合并点云集合；
差集单元，用于基于差集原理，对原始点云帧与所述合并点云集合进行做差集处理，生成地面点云的点云集合。
8.一种鲁棒的激光雷达点云地面点提取设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的一种鲁棒的激光雷达点云地面点提取方法。
9.一种可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如权利要求1至6任意一项所述的一种鲁棒的激光雷达点云地面点提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410177719.6A CN117726886B (zh) | 2024-02-08 | 2024-02-08 | 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410177719.6A CN117726886B (zh) | 2024-02-08 | 2024-02-08 | 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117726886A true CN117726886A (zh) | 2024-03-19 |
| CN117726886B CN117726886B (zh) | 2024-05-14 |
Family
ID=90207394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410177719.6A Active CN117726886B (zh) | 2024-02-08 | 2024-02-08 | 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726886B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
| CN111429514A (zh) * | 2020-03-11 | 2020-07-17 | 浙江大学 | 一种融合多帧时序点云的激光雷达3d实时目标检测方法 |
| US20230213643A1 (en) * | 2022-01-05 | 2023-07-06 | Waymo Llc | Camera-radar sensor fusion using local attention mechanism |
| CN116721239A (zh) * | 2023-06-12 | 2023-09-08 | 山西阳光三极科技股份有限公司 | 一种基于多个雷达设备的自动化点云拼接方法 |
| CN117058439A (zh) * | 2023-07-07 | 2023-11-14 | 西南大学 | 一种基于位置适应模块与知识补足的点云分析方法及系统 |
| CN117197677A (zh) * | 2023-10-31 | 2023-12-08 | 云南师范大学 | 一种基于激光雷达点云数据的热带雨林乔灌分离方法 |
-
2024
- 2024-02-08 CN CN202410177719.6A patent/CN117726886B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
| CN111429514A (zh) * | 2020-03-11 | 2020-07-17 | 浙江大学 | 一种融合多帧时序点云的激光雷达3d实时目标检测方法 |
| US20230213643A1 (en) * | 2022-01-05 | 2023-07-06 | Waymo Llc | Camera-radar sensor fusion using local attention mechanism |
| CN116721239A (zh) * | 2023-06-12 | 2023-09-08 | 山西阳光三极科技股份有限公司 | 一种基于多个雷达设备的自动化点云拼接方法 |
| CN117058439A (zh) * | 2023-07-07 | 2023-11-14 | 西南大学 | 一种基于位置适应模块与知识补足的点云分析方法及系统 |
| CN117197677A (zh) * | 2023-10-31 | 2023-12-08 | 云南师范大学 | 一种基于激光雷达点云数据的热带雨林乔灌分离方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117726886B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11756324B2 (en) | Fish biomass, shape, size, or health determination | |
| CN111487641B (zh) | 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质 | |
| US8199977B2 (en) | System and method for extraction of features from a 3-D point cloud | |
| Zhou et al. | T-LOAM: Truncated least squares LiDAR-only odometry and mapping in real time | |
| Gharani et al. | Context-aware obstacle detection for navigation by visually impaired | |
| Cui et al. | Efficient large-scale structure from motion by fusing auxiliary imaging information | |
| Andreasson et al. | Mini-SLAM: Minimalistic visual SLAM in large-scale environments based on a new interpretation of image similarity | |
| CN112147637B (zh) | 一种机器人重定位方法和装置 | |
| US20200226392A1 (en) | Computer vision-based thin object detection | |
| Wang et al. | Real-time plane segmentation and obstacle detection of 3D point clouds for indoor scenes | |
| Ni et al. | An improved adaptive ORB-SLAM method for monocular vision robot under dynamic environments | |
| Gong et al. | A two-level framework for place recognition with 3D LiDAR based on spatial relation graph | |
| CN104637052A (zh) | 基于目标引导显著性检测的对象跟踪方法 | |
| Su et al. | An illumination-invariant nonparametric model for urban road detection | |
| CN117726886B (zh) | 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质 | |
| Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
| Imamoglu et al. | An integration of bottom-up and top-down salient cues on RGB-D data: saliency from objectness versus non-objectness | |
| CN116740160A (zh) | 一种复杂交通场景中的毫秒级多平面实时提取方法及装置 | |
| Xia et al. | YOLO-Based Semantic Segmentation for Dynamic Removal in Visual-Inertial SLAM | |
| Zhou et al. | Gaussian-weighted Jensen–Shannon divergence as a robust fitness function for multi-model fitting | |
| Deng et al. | Abnormal occupancy grid map recognition using attention network | |
| Lu et al. | Road vanishing-point detection: A multi-population genetic algorithm based approach | |
| Vishnyakov et al. | Real-time semantic slam with dcnn-based feature point detection, matching and dense point cloud aggregation | |
| Rui et al. | Real-Time obstacle detection based on monocular vision for unmanned surface vehicles | |
| Murillo et al. | Topological and metric robot localization through computer vision techniques |
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 |