一种车辆三维点云数据滤波方法技术

本申请提供一种车辆三维点云数据滤波方法，利用几何特征滤波方法，能够很好的滤除水花噪声、尾气噪声、尘埃噪声、激光反射噪声等各类噪声点云，得到准确的车辆三维点云数据。包括步骤：(a)通过安装在路端的激光雷达，获得视场角的三维点云数据；(b)将步骤(a)中的三维点云数据去除环境点云并初步提取车辆位置和轮廓信息，获得车辆原始三维点云信息；(c)将车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到精准的车辆轮廓信息。得到精准的车辆轮廓信息。得到精准的车辆轮廓信息。

A filtering method for vehicle 3D point cloud data

【技术实现步骤摘要】
一种车辆三维点云数据滤波方法


[0001]本专利技术涉及点云数据处理的
，更具体地，涉及一种车辆三维点云数据滤波方法。

技术介绍

[0002]车辆的激光雷达数据是以点云的形式存放的，车辆点云数据由特定空间内的一定数量的点云构成，这些点云之间存在空间关系。处理车辆三维点云数据除了需要对数据的不同排列和某些空间转换保持不变性，更重要的是，需要过滤车辆点云数据中的各种噪声点云。
[0003]在现有技术中，激光雷达已经广泛用于路端的车辆检测中，其成像特性不受白天黑夜的光照影响，正常情况能够获取到的车辆点云图像噪声极少，比较清晰。但是如果由于天气原因，比如地面产生积水，车辆行驶过程中会产生大量水花，对于车辆的精确的轮廓检测会产生极大影响，使得车辆轮廓的测量准确度大幅下降。
[0004]有鉴于此，本专利技术提供一种车辆三维点云数据滤波方法，能够很好的滤除各类噪声点云，得到准确的车辆三维点云数据。

技术实现思路

[0005]本专利技术的目的在于，提供一种车辆三维点云数据滤波方法，利用几何特征滤波方法，能够很好的滤除水花噪声、尾气噪声、尘埃噪声、激光反射噪声等各类噪声点云，得到准确的车辆三维点云数据。
[0006]一种车辆三维点云数据滤波方法，包括步骤：
[0007](a)通过安装在路端的激光雷达，获得视场角的三维点云数据；
[0008](b)将步骤(a)中的三维点云数据去除环境点云并初步提取车辆位置和轮廓信息，获得车辆原始三维点云信息；
[0009](c)将车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到精准的车辆轮廓信息。
[0010]在一些实施方式中，在步骤(a)中，所述激光雷达为多线束激光雷达，多线束激光雷达能够进行竖直方向的积分，识别车辆的高度信息。
[0011]进一步的，所述多线束激光雷达安装于路侧或者路中，多线束激光雷达的安装高度大于车辆的高度，多线束激光雷达能够扫描检测到车辆的车头或车尾、车辆侧面和车顶。
[0012]进一步的，所述多线束激光雷达安装在路侧装置或龙门架上，多线束激光雷达的安装角度能够扫描探测车辆的侧前方或侧后方。
[0013]在一些实施方式中，在步骤(b)中，通过三维点云去
技术介绍
去除环境点云，并初步提取车辆位置和轮廓信息。
[0014]进一步的，三维点云去
技术介绍
包括：动态点云提取或者地面背景点去除，初步提取车辆位置和轮廓信息的方法包括：聚类方式或者3D深度学习检测方式。
[0015]进一步的，动态点云提取为绘制一个3D长方体框，该长方体底面位于地面临界处，其余几个面为点云提取范围，判断点是否在长方体框的内部，内部的所有点云即为去除了背景点云的地面车辆、行人等动态点云；地面背景点去除是取感兴趣范围内的所有点云，拟合计算地面的曲面方程，然后将所有感兴趣范围内的点带入地面曲面函数，通过函数值判断该点和地面的关系，如果函数值大于0说明点在地面上，则保留，否则删除，得到的所有点就是地面上的车辆、行人等动态点云。
[0016]进一步的，聚类方式是对原始点云各个点之间的离度量分析(如选用欧氏距离)，将小于一定阈值(如1米)的点聚为一个类别，再由聚类后的每簇点云的长宽高、位置特征，分类为车辆、行人；3D深度学习检测的需要对大量人工标注数据进行训练，训练完成后得到权重参数，能够直接识别地面上车辆、行人的位置和大小。
[0017]进一步的，所述车辆原始三维点云信息，受噪声的影响，不能清晰的反映车辆轮廓信息，所述噪声包括：水花噪声、尾气噪声、尘埃噪声、激光反射噪声。
[0018]在一些实施方式中，在步骤(c)中，所述平面视图为车辆前视图和车辆侧视图，将车辆前视图和侧视图分别使用固定分辨率区间过滤法进行统计信息，统计信息为每个区间内的点云总数量和最大点云高度。
[0019]进一步优选的，每A厘米为一个竖直的区间，统计每个竖直区间内的点云总数量和最大点云高度，所述最大点云高度为取点云高度最大前5％
‑
30％的平均值，A为5
‑
40cm，车辆前视图的竖直区间宽度(A)小于车辆侧视图的竖直区间宽度。
[0020]进一步的，在车辆侧视图中，从车头向后搜索，根据所述统计信息找到车辆的真实尾部区间(记为tmp_index)，删除真实尾部区间后面的所有点云；车辆真实尾部区间的判断需满足条件：(1)点云高度不足设定的高度阈值，点云数量少于设定的数量阈值，(2)点云数量区间出现突降的位置，(3)向后搜索不再出现点云超过高度阈值和数量阈值。
[0021]进一步优选的，所述高度阈值为车辆最高高度的0.5
‑
0.65倍，所述数量阈值为所有区间点云数量超过10的区间降序排序，取倒数前20％区间的点云数量的均值作为数量阈值，或者以数量40作为数量阈值，两者以更大的值作为数量阈值。货车或挂车的车头与车厢的连接部位，符合所述条件(1)和条件(2)，但是不符合条件(3)。
[0022]进一步优选的，为了降低单区间的测量误差，采用多区间共同判定，若tmp_index后续的几个区间也满足所述条件(1)，则确定tmp_index作为真实尾部区间，tmp_index后面的所有区间的点云可以直接过滤删除。
[0023]进一步的，在车辆前视图中，取车辆点云宽度方向的中间位置作为几何中点(记为geometry_mid_idx)，根据设定的偏差阈值和波动阈值计算出真正中点(记为true_mid_idx)；以真正中点向左右两边搜索，若某竖直区间内最大点云高度低于设定的前视阈值高度，则过滤掉该竖直区间更左或更右的所有点云。
[0024]进一步优选的，激光雷达照射不到的一侧几乎没有噪声，几何中点向车辆的另一侧(激光雷达照射到的一侧)位移设定的偏差阈值作为无干扰中点(记为no_noise_mid_idx)，根据几何中点与无干扰中点的距离是否小于波动阈值，计算真正中点。
[0025]进一步优选的，所述偏差阈值为车辆前视图的5
‑
15个竖直区间，波动阈值为0.1
‑
0.5m，若几何中点与无干扰中点的距离小于波动阈值，则真正中点为几何中点与无干扰中点的平均值，若几何中点与无干扰中点的距离大于波动阈值，则真正中点为无干扰中点。
[0026]进一步优选的，所述前视阈值高度为车辆最高高度的0.5
‑
0.65倍或0.8m，两者以更大的值作为前视阈值高度。
[0027]在一些实施方式中，经过步骤(c)的噪声滤除后，过滤掉车辆周围的各类噪声，得到精准的车辆轮廓信息，根据该车辆轮廓测量车辆的长、宽和高更为精准，并且方便后续对真实车辆点云的分析。
附图说明
[0028]结合以下附图一起阅读时，将会更加充分地描述本申请内容的上述和其他特征。可以理解，这些附图仅描绘了本申请内容的若干实施方式，因此不应认为是对本申请内容范围的限定。通过采用附图，本申请内容将会得到更加明确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆三维点云数据滤波方法，其特征在于，包括步骤：(a)通过安装在路端的激光雷达，获得视场角的三维点云数据；(b)将步骤(a)中的三维点云数据去除环境点云并初步提取车辆位置和轮廓信息，获得车辆原始三维点云信息；(c)将车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到精准的车辆轮廓信息。2.如权利要求1所述的车辆三维点云数据滤波方法，其特征在于，在步骤(a)中，所述激光雷达为多线束激光雷达，多线束激光雷达能够进行竖直方向的积分，识别车辆的高度信息；所述多线束激光雷达安装于路侧或者路中，多线束激光雷达的安装高度大于车辆的高度，多线束激光雷达能够扫描检测到车辆的车头或车尾、车辆侧面和车顶。3.如权利要求1所述的车辆三维点云数据滤波方法，其特征在于，在步骤(b)中，通过三维点云去背景技术去除环境点云，并初步提取车辆位置和轮廓信息；三维点云去背景技术包括：动态点云提取或者地面背景点去除，初步提取车辆位置和轮廓信息的方法包括：聚类方式或者3D深度学习检测方式；所述车辆原始三维点云信息，受噪声的影响，不能清晰的反映车辆轮廓信息，所述噪声包括：水花噪声、尾气噪声、尘埃噪声、激光反射噪声。4.如权利要求1所述的车辆三维点云数据滤波方法，其特征在于，在步骤(c)中，所述平面视图为车辆前视图和车辆侧视图，将车辆前视图和侧视图分别使用固定分辨率区间过滤法进行统计信息，统计信息为每个区间内的点云总数量和最大点云高度。5.如权利要求4所述的车辆三维点云数据滤波方法，其特征在于，每A厘米为一个竖直的区间，统计每个竖直区间内的点云总数量和最大点云高度，所述最大点云高度为取点云高度最大前5％
‑
30％的平均值，A为5
‑
40cm，车辆前视图的竖直区间宽度小于车辆侧视图的竖直区间宽度。6.如权利要求4所述的车辆三维点云数据滤波方法，其特征在于，在车辆侧视图...

【专利技术属性】
技术研发人员：范立，徐锦锦，李启达，
申请(专利权)人：苏州思卡信息系统有限公司，
类型：发明
国别省市：