CN117893412A - 一种点云数据滤除方法、装置、设备及存储介质 - Google Patents
一种点云数据滤除方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117893412A CN117893412A CN202410297514.1A CN202410297514A CN117893412A CN 117893412 A CN117893412 A CN 117893412A CN 202410297514 A CN202410297514 A CN 202410297514A CN 117893412 A CN117893412 A CN 117893412A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- coordinate system
- determining
- data
- 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 83
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004590 computer program Methods 0.000 claims description 14
- 239000000428 dust Substances 0.000 abstract description 38
- 238000004422 calculation algorithm Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 8
- 239000003595 mist Substances 0.000 abstract description 6
- 230000001788 irregular Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种点云数据滤除方法、装置、设备及存储介质,属于三维重建技术领域;首先对激光雷达的雷达坐标系进行划分,在雷达坐标系中确定多个视锥子区域;之后根据每个视锥子区域中的区域点云数据的分布,在点云数据中确定出噪点数据,并在点云数据中剔除噪点数据;通过在雷达坐标系中划分出多个视锥子区域,从而对噪点数据进行重组;之后利用雨雾和灰尘的无规则特性,根据每个视锥子区域中区域点云数据的分布情况,在点云数据中确定出与雨雾和灰尘相对应的噪点数据,并在点云数据中将噪点数据进行剔除;本发明能够有效对因雨雾和灰尘造成的点云数据进行滤除,解决了现有技术中点云数据的雨雾和灰尘的过滤算法,存在着过滤效果差的问题。
Description
技术领域
本发明属于三维重建技术领域,尤其涉及一种点云数据滤除方法、装置、设备及存储介质。
背景技术
由于激光雷达传感器具有精准的空间感知能力,因此在移动机器人、自动驾驶领域得到广泛发的应用。但是激光雷达由于其光学特性,对雨雾和灰尘比较敏感,激光雷达发射器发射激光束,在雨雾和灰尘表面形成反射后,反射光线被激光雷达接收器接收,容易将雨雾和灰尘等视为障碍物,造成移动机器人、自动驾驶汽车的刹车、停车以及绕行等误导行为。现有技术中,常用的雨雾和灰尘的过滤算法包括基于深度学习的特征提取算法、面向特定场景(矿山等)的聚类滤除算法、多传感器(毫米波雷达、摄像头、超声波等)融合校验算法等。然而现有技术中的雨雾和灰尘的过滤算法,存在着算力要求高、适用范围小以及成本较高等原因,导致雨雾和灰尘的过滤效果较差。
综上所述,现有技术中点云数据的雨雾和灰尘的过滤算法,存在着过滤效果差的技术问题。
发明内容
本发明实施例提供了一种点云数据滤除方法、装置、设备及存储介质,能够提高对点云数据中的雨雾和灰尘进行过滤的效果,解决了现有技术中点云数据的雨雾和灰尘的过滤算法,存在着过滤效果差的技术问题。
第一方面,本发明实施例提供了一种点云数据滤除方法,包括:
对激光雷达的雷达坐标系进行划分,在所述雷达坐标系中确定出多个视锥子区域;
在所述激光雷达所采集到的点云数据中,确定位于每个所述视锥子区域中的区域点云数据;
根据每个所述视锥子区域中的区域点云数据的分布,在所述点云数据中确定出噪点数据;
在所述点云数据中剔除所述噪点数据。
第二方面,本发明实施例提供了一种点云数据滤除装置,所述点云数据滤除装置包括:
坐标系划分模块,用于对激光雷达的雷达坐标系进行划分,在所述雷达坐标系中确定出多个视锥子区域;
点云确定模块,用于在所述激光雷达所采集到的点云数据中,确定位于每个所述视锥子区域中的区域点云数据;
噪点数据确定模块,用于根据每个所述视锥子区域中的区域点云数据的分布,在所述点云数据中确定出噪点数据;
噪点数据剔除模块,用于在所述点云数据中剔除所述噪点数据。
第三方面,本发明实施例提供了一种点云数据滤除设备,所述点云数据滤除设备包括处理器以及存储器;
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行如第一方面所述的一种点云数据滤除方法。
第四方面,本发明实施例提供了一种存储计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的一种点云数据滤除方法。
上述,本发明实施例提供了一种点云数据滤除方法、装置、设备及存储介质,本发明实施例在点云数据中剔除由于雨雾和灰尘引起的噪点数据时,首先需要对激光雷达的雷达坐标系进行划分,在雷达坐标系中确定出多个视锥子区域。之后,根据每个视锥子区域中的区域点云数据的分布,在点云数据中确定出噪点数据,并在点云数据中剔除噪点数据。本发明实施例首先通过在雷达坐标系中划分出多个视锥子区域,从而对噪点数据进行重组。之后利用雨雾和灰尘的无规则特性,根据每个视锥子区域中区域点云数据的分布情况,在点云数据中确定出与雨雾和灰尘相对应的噪点数据,并在点云数据中将噪点数据进行剔除。本发明实施例能够有效对因雨雾和灰尘造成的点云数据进行滤除,与现有技术相比,本发明实施例对算力的要求较小,适用范围广,且无需引入新的传感器,成本较低,解决了现有技术中点云数据的雨雾和灰尘的过滤算法,存在着过滤效果差的技术问题。
附图说明
图1为本发明实施例提供的一种点云数据滤除方法的流程示意图。
图2为本发明实施例提供的一种雷达坐标系中的视锥区域的示意图。
图3为本发明实施例提供的一种雷达坐标系中的视锥子区域的示意图。
图4为本发明实施例提供的另一种点云数据滤除方法的流程示意图。
图5为本发明实施例提供的一种第一扇区的示意图。
图6为本发明实施例提供的一种第二扇区的示意图。
图7为本发明实施例提供的另一种视锥子区域的示意图。
图8为本发明实施例提供的一种视锥子区域中点云数据分布的示意图。
图9为本发明实施例提供的另一种视锥子区域中点云数据分布的示意图。
图10为本发明实施例提供的又一种视锥子区域中点云数据分布的示意图。
图11为本发明实施例提供的一种点云数据滤除装置的结构示意图。
图12为本发明实施例提供的一种点云数据滤除设备的流程示意图。
图13为激光雷达的点云图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案,以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本申请的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。在本文中,各实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中,诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来,而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且,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。本文中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的结构、产品等而言,由于其与实施例公开的部分相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
现有技术中,常用的雨雾和灰尘的过滤算法包括基于深度学习的特征提取算法、面向特定场景(矿山等)的聚类滤除算法、多传感器(毫米波雷达、摄像头、超声波等)融合校验算法等。其中,基于深度学习的特征提取算法需要采集大量的雨雾天气或灰尘环境下雷达数据,在雷达数据中对干扰区域的点云进行标注,然后将标注后的雷达数据用于训练深度学习模型,使深度学习模型学习雨雾、灰尘环境下的点云特征。该方法对数据和算力平台的要求较高,无法应用在一般的机器人平台上。面向特定场景的聚类滤除算法,是通过聚类算法用3D框对噪点点云数据进行提取并剔除,该方法只能在矿山等存在较大灰尘的特定场景下使用,且容易误检。多传感器融合校验算法是融合一些对雨雾、灰尘等不敏感的传感器(毫米波、摄像头、超声波)的检测数据进行冗余校验,该方法需要引入新的传感器,成本较高,且新引入的传感器也会受到其他诸如检测精度、光照强度和作用距离等因素的制约,无法做到全场景的应用。
综上,为了解决上述技术问题,本发明实施例提供了一种点云数据滤除方法,如图1所示,图1为本发明实施例提供的点云数据滤除方法的流程示意图。本发明实施例提供的点云数据滤除方法可以由点云数据滤除设备执行,该点云数据滤除设备可以通过软件和/或硬件的方式实现,该点云数据滤除设备可以是两个或多个物理实体构成,也可以由一个物理实体构成。例如点云数据滤除设备可以是电脑、上位机以及平板等设备。方法包括以下步骤:
步骤101、对激光雷达的雷达坐标系进行划分,在雷达坐标系中确定出多个视锥子区域。
激光雷达,是以发射激光束探测目标的位置、速度等特征量的雷达系统。激光雷达的工作原理为,激光雷达由激光发射器在特定的方位角和俯仰角上,发射一束激光到目标物体,并由激光接收器接收返回的激光回波,通过测量“发射——接收”的时间差,再结合激光的光速信息,就可以计算出激光雷达与目标物体之间的直线距离。最后结合方位角、俯仰角就可以计算出目标物体在雷达坐标系下的空间坐标(x, y, z),因此激光雷达本质上是在极坐标系(即雷达坐标系)中进行测量计算的。
另外,而且激光雷达的方位角一般都有固定的角度间隔,即角度分辨率(如0.36°、0.18°、0.09°等),俯仰角也有固定的角度间隔。即目标物体距离激光雷达较近时,单位体积内的点云数据比较稠密;而当目标物体距离激光雷达较远时,单位体积内的点云数据比较稀疏。
基于以上的雷达特性和点云特性,本实施例中,在对点云数据进行过滤之前,首先需要对激光雷达的雷达坐标系进行划分。具体的,对雷达坐标系进行划分时,可将雷达坐标系划分为多个视锥子区域,其中视锥子区域,指的是一个实体形状,类似一个顶部被平行于地基切除的金字塔的区域。示例性,在对雷达坐标系进行划分时,由于雷达检测范围是一个球形空间,因此以雷达坐标系为参考系,并将雷达坐标系的原点作为球形空间的球心,本实施例中首先可以在雷达坐标系中划分出多个视锥区域,锥视区域的顶点为球心,锥形体的底面为球形空间的表面,如图2所示,图2中B为雷达坐标系,T为视锥区域。之后可进一步以球心为中心设置多个大小不同的同心圆,两个同心圆之间的区域即为视锥子区域,如图3所示,图3中,t1和t2为视锥子区域。划分视锥子区域后,离球心越近的视锥子区域体积小,但其中的点云越稠密,离得越远的体积越大,但点云越稀疏,因此各个视锥子区域内的点云数据的数量比较均匀,有利于保持数据的一致性,便于解算,提高计算效率。
步骤102、在激光雷达所采集到的点云数据中,确定位于每个视锥子区域中的区域点云数据。
在雷达坐标系中划分出多个视锥子区域后,即可在激光雷达所采集到的点云数据中,确定出位于每个视锥子区域中的区域点云数据。
步骤103、根据每个视锥子区域中的区域点云数据的分布,在点云数据中确定出噪点数据。
在确定出位于每个视锥子区域中的区域点云数据后,即可进一步确定出位于每个视锥子区域内的区域点云数据的分布情况,并根据视锥子区域中区域点云数据的分布情况,确定出点云数据中的噪点数据,其中噪点数据为雨雾和灰尘等噪点相对应的点云数据。示例性的,可对每个视锥子区域中的区域点云数据进行聚类处理,得到多个聚类后的点云数据,之后根据每个聚类后的点云数据的体积和每个聚类后的点云数据中的数量,在每个聚类后的点云数据中,确定出每个视锥子区域中区域点云数据分布的熵,其中熵是用来表示任何一种能量在空间中分布的均匀程度。其中需要进一步说明的是,激光雷达发射及接收到的激光回波是按照等角度间隔排列的。如图13所示,当激光雷达照射在一般障碍表面(如汽车、行人、马路等),点云数据呈现为整齐排列的较为规整的点序。而当激光照射在雨雾和灰尘上时,由于雨雾和灰尘的无规则(熵增)特性,激光穿透深度不一致,因此在雨雾、灰尘处形成点云数据较为散乱的噪点,如图13中方框内分布杂乱的点云,为灰尘引起的噪点。因此,通过判断点云数据的散乱程度(即熵),即可判断点云数据是否是为噪点数据。例如,在聚类后的点云数据的体积为固定值的情况下,聚类后的点云数据的分布越散乱,则对应的聚类后的点云数据分布的熵也就越大。当熵的值大于预先设置的阈值时,则可以将该聚类后的点云数据视为雨雾和灰尘引起的噪点数据。
步骤104、在点云数据中剔除噪点数据。
在确定出噪点数据后,即可在激光雷达所采集到的点云数据中,剔除噪点数据。
上述,本发明实施例在点云数据中剔除由于雨雾和灰尘引起的噪点数据时,首先需要对激光雷达的雷达坐标系进行划分,在雷达坐标系中确定出多个视锥子区域。之后,根据每个视锥子区域中的区域点云数据的分布,在点云数据中确定出噪点数据,并在点云数据中剔除噪点数据。本发明实施例首先通过在雷达坐标系中划分出多个视锥子区域,从而对噪点数据进行重组。之后利用雨雾和灰尘的无规则特性,根据每个视锥子区域中区域点云数据的分布情况,在点云数据中确定出与雨雾和灰尘相对应的噪点数据,并在点云数据中将噪点数据进行剔除。本发明实施例能够有效对因雨雾和灰尘造成的点云数据进行滤除,与现有技术相比,本发明实施例对算力的要求较小,适用范围广,且无需引入新的传感器,成本较低,解决了现有技术中点云数据的雨雾和灰尘的过滤算法,存在着过滤效果差的技术问题。
如图4所示,图4为本发明实施例提供的另一种点云数据滤除方法的方法流程图,图4所示的点云数据滤除方法是对上述点云数据滤除方法的具体化,如图4所示,本发明实施例提供点云数据滤除方法包括:
步骤201、对激光雷达的雷达坐标系进行划分,将雷达坐标系划分成多个视锥区域。
本实施例中,在对雷达坐标系进行划分时,首先需要将雷达坐标系划分成多个视锥区域。示例性的,在划分视锥区域时,可分别确定出雷达坐标系的原点所在的两个平面,在两个平面上划分出多个扇区,之后控制两个平面在雷达坐标系中旋转,对雷达坐标系的空间进行切割,从而得到多个视锥区域。
在上述实施例的基础上,步骤201中对激光雷达的雷达坐标系进行划分,将雷达坐标系划分成多个视锥区域,包括:
步骤2011、在雷达坐标系的原点所在的水平面上,以等角度间隔将水平面均分成多个第一扇区。
一个实施例中,将雷达坐标系划分为多个视锥区域时,首先确定出雷达坐标系的原点所在的水平面,并在水平面上,以等角度间隔将水平面均分成多个第一扇区,如图5所示,图5中S1为第一扇区。其中角度间隔可根据实际需要进行设置,例如角度间隔可以为15°时,则可以将水平面划分为24个第一扇区。
步骤2012、在雷达坐标系的原点所在的垂直面上,以等角度间隔将垂直面均分成多个第二扇区。
在将原点所在的水平面划分成多个第一扇区后,需要进一步确定出原点所在的垂直面,其中垂直面和水平面相互垂直。之后在垂直面上,以等角度间隔将垂直面均分成多个第二扇区,如图6所示,图6中S12为第二扇区,具体划分方式与水平面的划分方式类似,在本实施例中不再进行赘述。另外,划分垂直面时的角度间隔可以和划分水平面时的角度间隔相同,也可以不同,在本实施例中不进行具体限定。
步骤2013、根据第一扇区和第二扇区,将雷达坐标系划分成多个视锥区域。
在分别对水平面进行划分和对垂直面进行划分得到多个第一扇区和多个第二扇区后,则可以根据划分后的第一扇区和第二扇区,将雷达坐标系划分成多个视锥区域。示例性的,在对雷达坐标系进行划分时,可以分别控制水平面和垂直面在雷达坐标系中进行转动,利用划分后的第一扇区和划分后的第二扇区对雷达坐标系的空间进行切割,从而得到多个视锥区域。
在上述实施例的基础上,步骤2013中根据第一扇区和第二扇区,将雷达坐标系划分成多个视锥区域,包括:
步骤20131、在雷达坐标系的原点所在的水平面上,确定出第一旋转轴。
具体的,本实施例中在利用第一扇区和第二扇区将雷达坐标系划分成多个视锥区域时,首先可在雷达坐标系的原点所在的水平面上,确定出第一旋转轴。例如,可以将水平面中穿过雷达坐标系原点的一条线作为第一旋转轴。
步骤20132、控制水平面绕第一旋转轴旋转,以使水平面上的第一扇区对雷达坐标系进行切割,得到多个第一划分区域。
在确定出第一旋转后,控制水平面绕第一旋转轴旋转360°,在旋转的过程中,水平面上的第一扇区对雷达坐标系的空间进行切割,得到多个第一划分区域。
步骤20133、在雷达坐标系的原点所在的垂直面上,确定出第二旋转轴。
同理,本实施例中,也需要在雷达坐标系的原点所在的垂直面上,确定出第二旋转轴。本实施例中可以将垂直面中穿过雷达坐标系原点的一条线作为第二旋转轴。
步骤20134、控制垂直面绕第二旋转轴旋转,以使垂直面上的第二扇区对第一划分区域进行切割,得到多个视锥区域。
在确定出第二旋转后,控制垂直面绕第二旋转轴旋转360°,在旋转的过程中,水平面上的第二扇区对雷达坐标系中第一扇区所划分成的第一划分区域进行进一步切割,即可得到多个视锥区域。
步骤202、以雷达坐标系的原点作为圆心,在雷达坐标系以预设间隔划分出多个同心圆。
在得到多个视锥区域后,需要以雷达坐标系的原点作为圆心,在雷达坐标系以预设间隔划分出多个同心圆,其中预设间隔可根据实际需要进行设置,在本实施例中不对预设间隔的具体数值进行限定。
步骤203、将每个视锥区域中位于两个同心圆之间的区域确定为视锥子区域。
在雷达坐标系中确定出多个同心圆后,即可将每个视锥区域中位于两个同心圆之间的区域确定为视锥子区域,如图7所示。
步骤204、在激光雷达所采集到的点云数据中,确定位于每个视锥子区域中的区域点云数据。
步骤205、对每个视锥子区域中的区域点云数据进行聚类处理,得到多个聚类后的点云群。
在确定出位于每个视锥子区域中的区域点云数据后,需要对每个视锥子区域中的区域点云数据进行聚类处理,得到包括有多个点云数据的点云群。对点云数据进行聚类处理的方式采用现有技术即可,例如可以采用包括但不限于OPTICS、Spectral Clustering(谱聚类)、Hierarchical Clustering(层次聚类)、Mean-shift(均值迁移)、BIRCH、Affinity Propagation等聚类算法中的任意一种方法对点云数据进行聚类,在本实施例中不进行具体限定。
步骤206、确定出与每个点云群相对应的最小包围框,确定每个最小包围框的体积。
对点云数据进行聚类后,确定出与每个点云群相对应的最小包围框,即能够包围点云群中所有点云数据的最小的框架。在确定出最小包围框后,即可确定出最小包围框的体积。
步骤207、根据最小包围框的体积以及最小包围框中的点云数据的数量,计算每个最小包围框中点云数据分布的熵。
确定出最小包围框的体积后,即可根据每个最小包围框的体积以及每个最小包围框中的点云数据的数量,计算每个视锥子区域中区域点云数据分布的熵。具体的,在计算区域点云数据分布的熵时,需要将每个最小包围框的体积除以每个最小包围框中的点云数据的数量,得到每个最小包围框中单位体积内点云数据分布的熵。例如,定义单个最小包围框的体积为V,最小包围框内的点云数据的数量为K,则单位体积内的点云数据的数量U=K/V,定义E = 1/U = V/K,用E表示点云数据分布的熵。在K为固定值的条件下,视锥子单元内的点云数据分布越散乱,最小包围框的体积V就越大,单位体积内的点云数据的数量U也就越小,对应的熵E也就越大。
步骤208、根据最小包围框中点云数据分布的熵,在点云数据中确定出噪点数据。
计算出每个最小包围框中点云数据分布的熵后,即可根据最小包围框中点云数据分布的熵,在点云数据中确定出噪点数据。一个实施例中,当最小包围框相对应的点云数据分布的熵大于预设数值时,确定最小包围框内的点云数据为噪点数据。示例性的,可以将预设数值设置为2,当某个最小包围框内点云数据分布的熵大于2时,则可以将该包围框内的点云数据视为雨雾、灰尘引起的噪点数据。
示例性的,如图8所示,最小包围框的体积较大,视锥子区域内的区域点云数据分布的熵较大,因此将其视为雨雾、灰尘的噪点数据。在最小包围框外的散落的点云数据也一同视为噪点数据。如图9所示,最小包围框的体积均较小,视锥子区域内的区域点云数据分布的熵较小,因此将其视为有效的点云数据,将最小包围框外的散落的点云数据视为噪点数据,并进行滤除。
在另一个实施例中,如图10所示,虽然每个最小包围框的体积均较小,但是由于该视锥子区域内最小包围框的数量较多,每个最小包围框的点云数据的数量也比较少,就整体而言,该视锥子区域内的区域点云数据分布的熵也较大,因此也将该视锥子区域内的区域点云数据视为雨雾和灰尘所引起的噪点数据。在最小包围框外散落的点云数据也一同视为噪点数据。
步骤209、在点云数据中剔除噪点数据。
上述,本发明实施例在点云数据中剔除由于雨雾和灰尘引起的噪点数据时,首先需要对激光雷达的雷达坐标系进行划分,在雷达坐标系中确定出多个视锥子区域。之后,通过计算每个视锥子区域中的区域点云数据的熵,在点云数据中确定出噪点数据,并在点云数据中剔除噪点数据。本发明实施例首先通过在雷达坐标系中划分出多个视锥子区域,从而对噪点数据进行重组。之后利用雨雾和灰尘的无规则特性,根据每个视锥子区域中区域点云数据分布的熵,在点云数据中确定出与雨雾和灰尘相对应的噪点数据,并在点云数据中将噪点数据进行剔除。本发明实施例能够有效对因雨雾和灰尘造成的点云数据进行滤除,与现有技术相比,本发明实施例对算力的要求较小,适用范围广,且无需引入新的传感器,成本较低,解决了现有技术中点云数据的雨雾和灰尘的过滤算法,存在着过滤效果差的技术问题。
如图11所示,图11为本发明实施例提供的一种点云数据滤除装置的结构示意图,图11中,点云数据滤除装置包括:
坐标系划分模块301,用于对激光雷达的雷达坐标系进行划分,在雷达坐标系中确定出多个视锥子区域。
点云确定模块302,用于在激光雷达所采集到的点云数据中,确定位于每个视锥子区域中的区域点云数据。
噪点数据确定模块303,根据每个视锥子区域中的区域点云数据的分布,在点云数据中确定出噪点数据。
噪点数据剔除模块304,用于在点云数据中剔除噪点数据。
在上述实施例的基础上,坐标系划分模块301包括:
视锥区域划分子模块,用于对激光雷达的雷达坐标系进行划分,将雷达坐标系划分成多个视锥区域;
同心圆划分子模块,用于以雷达坐标系的原点作为圆心,在雷达坐标系以预设间隔划分出多个同心圆;
视锥子区域划分子模块,用于将每个视锥区域中位于两个同心圆之间的区域确定为视锥子区域。
在上述实施例的基础上,视锥区域划分子模块包括:
第一扇区划分单元,用于在雷达坐标系的原点所在的水平面上,以等角度间隔将水平面均分成多个第一扇区;
第二扇区划分单元,用于在雷达坐标系的原点所在的垂直面上,以等角度间隔将垂直面均分成多个第二扇区;
视锥区域划分单元,用于根据第一扇区和第二扇区,将雷达坐标系划分成多个视锥区域。
在上述实施例的基础上,视锥区域划分单元包括:
第一旋转轴确定子单元,用于在雷达坐标系的原点所在的水平面上,确定出第一旋转轴;
第一旋转单元,用于控制水平面绕第一旋转轴旋转,以使水平面上的第一扇区对雷达坐标系进行切割,得到多个第一划分区域;
第二旋转轴确定子单元,用于在雷达坐标系的原点所在的垂直面上,确定出第二旋转轴;
第二旋转单元,用于控制垂直面绕第二旋转轴旋转,以使垂直面上的第二扇区对第一划分区域进行切割,得到多个视锥区域。
在上述实施例的基础上,噪点数据确定模块303包括:
点云聚类子模块,用于对每个视锥子区域中的区域点云数据进行聚类处理,得到多个聚类后的点云群;
体积确定子模块,用于确定出与每个点云群相对应的最小包围框,确定每个最小包围框的体积;
熵计算子模块,用于根据最小包围框的体积以及最小包围框中的点云数据的数量,计算每个最小包围框中点云数据分布的熵;
噪点确定子模块,用于根据最小包围框中点云数据分布的熵,在点云数据中确定出噪点数据。
在上述实施例的基础上,熵计算子模块具体用于将每个最小包围框的体积除以每个最小包围框中的点云数据的数量,得到每个最小包围框中单位体积内点云数据分布的熵。
在上述实施例的基础上,噪点确定子模块具体用于当最小包围框中点云数据分布的熵大于预设数值时,确定最小包围框内的点云数据为噪点数据。
本发明实施例提供的点云数据滤除装置包含在点云数据滤除设备中,且可用于执行上述实施例中提供的点云数据滤除方法,具备相应的功能和有益效果。
值得注意的是,上述点云数据滤除装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
如图12所示,图12为本实施例还提供的一种点云数据滤除设备的结构示意图,图12中,点云数据滤除设备40包括处理器400以及存储器401;
存储器401用于存储计算机程序402,并将计算机程序402传输给处理器400;
处理器400用于根据计算机程序402中的指令执行上述的一种点云数据滤除方法实施例中的步骤。
示例性的,计算机程序402可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器401中,并由处理器400执行,以完成本申请。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,该指令段用于描述计算机程序402在点云数据滤除设备40中的执行过程。
点云数据滤除设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。点云数据滤除设备40可包括,但不仅限于,处理器400、存储器401。本领域技术人员可以理解,图12仅仅是点云数据滤除设备40的示例,并不构成对点云数据滤除设备40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,例如点云数据滤除设备40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400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。
存储器401可以是点云数据滤除设备40的内部存储单元,例如点云数据滤除设备40的硬盘或内存。存储器401也可以是点云数据滤除设备40的外部存储设备,例如点云数据滤除设备40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,存储器401还可以既包括点云数据滤除设备40的内部存储单元也包括外部存储设备。存储器401用于存储计算机程序以及点云数据滤除设备40所需的其他程序和数据。存储器401还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明实施例还提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种点云数据滤除方法,该方法包括以下步骤:
对激光雷达的雷达坐标系进行划分,在雷达坐标系中确定出多个视锥子区域;
在激光雷达所采集到的点云数据中,确定位于每个视锥子区域中的区域点云数据;
根据每个视锥子区域中的区域点云数据的分布,在点云数据中确定出噪点数据;
在点云数据中剔除噪点数据。
注意,上述仅为本发明实施例的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明实施例不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明实施例的保护范围。因此,虽然通过以上实施例对本发明实施例进行了较为详细的说明,但是本发明实施例不仅仅限于以上实施例,在不脱离本发明实施例构思的情况下,还可以包括更多其他等效实施例,而本发明实施例的范围由所附的权利要求范围决定。
Claims (10)
1.一种点云数据滤除方法,其特征在于,包括:
对激光雷达的雷达坐标系进行划分,在所述雷达坐标系中确定出多个视锥子区域;
在所述激光雷达所采集到的点云数据中,确定位于每个所述视锥子区域中的区域点云数据;
根据每个所述视锥子区域中的区域点云数据的分布,在所述点云数据中确定出噪点数据;
在所述点云数据中剔除所述噪点数据。
2.根据权利要求1所述的一种点云数据滤除方法,其特征在于,所述对激光雷达的雷达坐标系进行划分,在所述雷达坐标系中确定出多个视锥子区域,包括:
对激光雷达的雷达坐标系进行划分,将所述雷达坐标系划分成多个视锥区域;
以所述雷达坐标系的原点作为圆心,在所述雷达坐标系以预设间隔划分出多个同心圆;
将每个所述视锥区域中位于两个同心圆之间的区域确定为视锥子区域。
3.根据权利要求2所述的一种点云数据滤除方法,其特征在于,所述对激光雷达的雷达坐标系进行划分,将所述雷达坐标系划分成多个视锥区域,包括:
在所述雷达坐标系的原点所在的水平面上,以等角度间隔将所述水平面均分成多个第一扇区;
在所述雷达坐标系的原点所在的垂直面上,以等角度间隔将所述垂直面均分成多个第二扇区;
根据所述第一扇区和所述第二扇区,将所述雷达坐标系划分成多个视锥区域。
4.根据权利要求3所述的一种点云数据滤除方法,其特征在于,所述根据所述第一扇区和所述第二扇区,将所述雷达坐标系划分成多个视锥区域,包括:
在所述雷达坐标系的原点所在的水平面上,确定出第一旋转轴;
控制所述水平面绕所述第一旋转轴旋转,以使所述水平面上的第一扇区对所述雷达坐标系进行切割,得到多个第一划分区域;
在所述雷达坐标系的原点所在的垂直面上,确定出第二旋转轴;
控制所述垂直面绕所述第二旋转轴旋转,以使所述垂直面上的第二扇区对所述第一划分区域进行切割,得到多个视锥区域。
5.根据权利要求1所述的一种点云数据滤除方法,其特征在于,所述根据每个所述视锥子区域中的区域点云数据的分布,在所述点云数据中确定出噪点数据,包括:
对每个所述视锥子区域中的区域点云数据进行聚类处理,得到多个聚类后的点云群;
确定出与每个所述点云群相对应的最小包围框,确定每个所述最小包围框的体积;
根据所述最小包围框的体积以及所述最小包围框中的点云数据的数量,计算所述每个所述最小包围框中点云数据分布的熵;
根据所述最小包围框中点云数据分布的熵,在所述点云数据中确定出噪点数据。
6.根据权利要求5所述的一种点云数据滤除方法,其特征在于,所述根据所述最小包围框的体积以及所述最小包围框中的点云数据的数量,计算所述每个所述最小包围框中点云数据分布的熵,包括:
定义单个最小包围框的体积为V,最小包围框内的点云数据的数量为K,则单位体积内的点云数据的数量U=K/V,定义E = 1/U = V/K,用E表示点云数据分布的熵。
7.根据权利要求5所述的一种点云数据滤除方法,其特征在于,所述根据所述最小包围框中点云数据分布的熵,在所述点云数据中确定出噪点数据,包括:
当所述最小包围框中点云数据分布的熵大于预设数值时,确定所述最小包围框内的点云数据为噪点数据。
8.一种点云数据滤除装置,其特征在于,所述点云数据滤除装置包括:
坐标系划分模块,用于对激光雷达的雷达坐标系进行划分,在所述雷达坐标系中确定出多个视锥子区域;
点云确定模块,用于在所述激光雷达所采集到的点云数据中,确定位于每个所述视锥子区域中的区域点云数据;
噪点数据确定模块,用于根据每个所述视锥子区域中的区域点云数据的分布,在所述点云数据中确定出噪点数据;
噪点数据剔除模块,用于在所述点云数据中剔除所述噪点数据。
9.一种点云数据滤除设备,其特征在于,所述点云数据滤除设备包括处理器以及存储器;
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行如权利要求1-7中任一项所述的一种点云数据滤除方法。
10.一种存储计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的一种点云数据滤除方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410297514.1A CN117893412A (zh) | 2024-03-15 | 2024-03-15 | 一种点云数据滤除方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410297514.1A CN117893412A (zh) | 2024-03-15 | 2024-03-15 | 一种点云数据滤除方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117893412A true CN117893412A (zh) | 2024-04-16 |
Family
ID=90651656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410297514.1A Pending CN117893412A (zh) | 2024-03-15 | 2024-03-15 | 一种点云数据滤除方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893412A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
CN111812670A (zh) * | 2020-09-02 | 2020-10-23 | 中国地质大学(武汉) | 一种单光子激光雷达空间变换噪声判断、滤波方法及装置 |
CN113506376A (zh) * | 2021-07-27 | 2021-10-15 | 刘秀萍 | 地面三维点云多尺度闭合差校验拼接方法 |
WO2022086739A2 (en) * | 2020-10-23 | 2022-04-28 | Argo AI, LLC | Systems and methods for camera-lidar fused object detection |
CN115606188A (zh) * | 2020-05-19 | 2023-01-13 | Oppo广东移动通信有限公司(Cn) | 一种点云编解码方法、编码器、解码器及存储介质 |
CN116152108A (zh) * | 2023-02-28 | 2023-05-23 | 中铁二院工程集团有限责任公司 | 一种基于最小圆算法的隧道断面点云滤波方法及电子设备 |
CN116466363A (zh) * | 2023-04-23 | 2023-07-21 | 东南大学 | 使用二进制指纹来匹配回环帧的激光雷达位置识别方法 |
CN116485674A (zh) * | 2023-04-24 | 2023-07-25 | 智道网联科技(北京)有限公司 | 激光点云数据的实时去噪方法、装置及电子设备、存储介质 |
CN117291840A (zh) * | 2023-09-27 | 2023-12-26 | 广州高新兴机器人有限公司 | 巡逻机器人的点云噪声过滤方法、装置、介质及设备 |
-
2024
- 2024-03-15 CN CN202410297514.1A patent/CN117893412A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
CN115606188A (zh) * | 2020-05-19 | 2023-01-13 | Oppo广东移动通信有限公司(Cn) | 一种点云编解码方法、编码器、解码器及存储介质 |
CN111812670A (zh) * | 2020-09-02 | 2020-10-23 | 中国地质大学(武汉) | 一种单光子激光雷达空间变换噪声判断、滤波方法及装置 |
WO2022086739A2 (en) * | 2020-10-23 | 2022-04-28 | Argo AI, LLC | Systems and methods for camera-lidar fused object detection |
CN113506376A (zh) * | 2021-07-27 | 2021-10-15 | 刘秀萍 | 地面三维点云多尺度闭合差校验拼接方法 |
CN116152108A (zh) * | 2023-02-28 | 2023-05-23 | 中铁二院工程集团有限责任公司 | 一种基于最小圆算法的隧道断面点云滤波方法及电子设备 |
CN116466363A (zh) * | 2023-04-23 | 2023-07-21 | 东南大学 | 使用二进制指纹来匹配回环帧的激光雷达位置识别方法 |
CN116485674A (zh) * | 2023-04-24 | 2023-07-25 | 智道网联科技(北京)有限公司 | 激光点云数据的实时去噪方法、装置及电子设备、存储介质 |
CN117291840A (zh) * | 2023-09-27 | 2023-12-26 | 广州高新兴机器人有限公司 | 巡逻机器人的点云噪声过滤方法、装置、介质及设备 |
Non-Patent Citations (1)
Title |
---|
雷钊;习晓环;王成;王濮;王永星;尹国清;: "决策树约束的建筑点云提取方法", 激光与光电子学进展, no. 08, 27 June 2018 (2018-06-27) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192295B (zh) | 目标检测与跟踪方法、设备和计算机可读存储介质 | |
WO2021104497A1 (zh) | 基于激光雷达的定位方法及系统、存储介质和处理器 | |
CN109143207B (zh) | 激光雷达内参精度验证方法、装置、设备及介质 | |
WO2020243962A1 (zh) | 物体检测方法、电子设备和可移动平台 | |
WO2022142628A1 (zh) | 一种点云数据处理方法及装置 | |
Weon et al. | Object Recognition based interpolation with 3d lidar and vision for autonomous driving of an intelligent vehicle | |
CN102248947A (zh) | 使用3-d激光测距仪的目标和车辆检测及跟踪 | |
CN112513679B (zh) | 一种目标识别的方法和装置 | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN111339649B (zh) | 一种采集车辆轨迹数据的仿真方法、系统及设备 | |
JP2022013152A (ja) | 雲高計測装置、計測点決定方法、および雲種類決定方法 | |
CN116467848B (zh) | 一种毫米波雷达点云仿真的方法和装置 | |
CN117893412A (zh) | 一种点云数据滤除方法、装置、设备及存储介质 | |
CN113513988B (zh) | 一种激光雷达标靶检测方法、装置、车辆、存储介质 | |
KR101392222B1 (ko) | 표적 윤곽을 추출하는 레이저 레이더, 그것의 표적 윤곽 추출 방법 | |
CN116466307A (zh) | 一种基于深度图的毫米波雷达点云仿真的方法和装置 | |
CN112651405B (zh) | 目标检测方法及装置 | |
US20220221585A1 (en) | Systems and methods for monitoring lidar sensor health | |
CN114488026A (zh) | 基于4d毫米波雷达的地下停车库可通行空间检测方法 | |
JP7165630B2 (ja) | 認識システム、車両制御システム、認識方法、およびプログラム | |
CN113465614B (zh) | 无人机及其导航地图的生成方法和装置 | |
Venugopala | Comparative study of 3D object detection frameworks based on LiDAR data and sensor fusion techniques | |
KR102665806B1 (ko) | 합성 레이더 데이터 생성 방법 및 시스템 | |
CN116577762B (zh) | 仿真雷达数据生成方法、装置、设备及存储介质 | |
JP7489231B2 (ja) | 物体検知装置 |
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 |