激光雷达的点云处理方法技术

本申请公开了一种激光雷达的点云处理方法

【技术实现步骤摘要】
激光雷达的点云处理方法、装置及电子设备、存储介质


[0001]本申请涉及激光雷达点云数据处理
，尤其涉及一种激光雷达的点云处理方法
、
装置及电子设备
、
存储介质
。

技术介绍

[0002]激光雷达地面点云提取技术，是自动驾驶领域中的一个重要基础技术
。
通过快速准确的地面点云提取，在感知模块，有助于地面点云的滤除，进而获得更为准确的路面障碍物点云，提升对地面障碍物的感知能力
。
进一步地，在定位模块，准确的地面估计有助于确定车辆相对于地面的位置和角度，从而提升自动驾驶系统中定位的准确性和稳定性
。
[0003]在相关技术的地面点云识别方案中，通常分为两大类：
[0004]第一，基于深度学习的地面点云提取方案，通过对激光雷达点云中的地面点云进行标注，对神经网络模型进行训练，在实车运行时，通过深度学习模型来提取地面点云
。
[0005]第二，基于规则的地面点云提取方案，计算点云的分布特征参数，依据地面点云的特征参数范围，来提取地面点云
。
[0006]在上述第一类的基于深度学习的地面点云提取方法中，需要大量的人工标注数据才能使神经网络模型具有相应的能力，数据标注和模型训练的经济成本较高
。
此外，在实车运行时，深度学习模型的使用需要占用较多的计算资源，造成硬件的使用效能不高
。
在上述第二类的基于规则的地面点云提取方法中，大多难以在精度和性能上实现平衡，且受到参数设置的影响，难以适应不同类型的激光雷达和不同的车辆行驶场景
。

技术实现思路

[0007]本申请实施例提供了一种激光雷达的点云处理方法
、
装置及电子设备
、
存储介质，以适配不同激光雷达类型
、
不同车辆行驶环境，并提升地面点云提取结果的精度和稳定性
。
[0008]本申请实施例采用下述技术方案：
[0009]第一方面，本申请实施例提供一种激光雷达的点云处理方法，其中，所述方法包括：
[0010]根据输入的激光雷达的点云数据，按照预设区域划分得到多个目标分区，所述预设区域为通过定制化得到的；
[0011]根据所述多个目标分区，进行地面拟合得到每个目标分区中的地面点云估计结果，其中所述地面点云估计结果包括估计出的地面点云
、
估计出的非地面点云；
[0012]根据所述估计出的地面点云以及所述估计出的非地面点云，通过自适应计算得到每个目标分区中的点云特征参数；
[0013]基于所述每个目标分区的点云特征参数，将所述目标分区中的点云分为地面点云和非地面点云，并作为地面点云输出结果
。
[0014]在一些实施例中，所述根据输入的激光雷达的点云数据，按照预设区域划分得到多个目标分区，包括：
[0015]在确定整体分区边界时，对于周向边界范围根据实际使用的激光雷达的实际扫描范围进行确定，对于径向边界范围根据实际使用的激光雷达的有效距离进行确定；
[0016]在所述整体分区边界的内部，按照径向对扇形区域进行分段，并在每个径向分段区域内部，使用不同的角度进行周向分区；
[0017]在径向分环的每个环内部设置不同的周向分区密度，并增加点云的
ROI
感兴趣区域或者点云分布密集的区域中的点云稠密度；
[0018]在距离圆心近处点采用密集的周向分区同时按照第一预设距离进行径向分段，在距离圆心远处点采用稀疏的周向分区同时第二预设距离进行径向分段
。
[0019]在一些实施例中，所述方法还包括：
[0020]对所述激光雷达的点云数据进行异常噪声点云过滤，其中所述异常噪声点云过滤包括：检查点云与激光雷达的自身夹角
、
点云高度值
、
点云强度
。
[0021]在一些实施例中，根据所述估计出的地面点云以及所述估计出的非地面点云，通过自适应计算得到每个目标分区中的点云特征参数，包括：
[0022]根据所述每个目标分区中的地面点云估计结果中的所述估计出的地面点云和所述估计出的非地面点云，计算点云法向量与高度方向的夹角；
[0023]根据所述点云法向量与高度方向的夹角，判断由点云组成的平面倾斜程度并作为每个目标分区中点云的垂直度参数
。
[0024]在一些实施例中，根据所述估计出的地面点云以及所述估计出的非地面点云，通过自适应计算得到每个目标分区中的点云特征参数，包括：
[0025]在扇形目标分区中，将每一环的地面点云作为一个参照地面，通过计算上一帧中点云高度参数的均值和标准差，以及与高度阈值系数，计算每个目标分区中每个点云的高度阈值，所述点云的高度阈值是根据不断迭代更新的激光传感器高度参数确定的
。
[0026]在一些实施例中，所述通过自适应计算得到每个目标分区中的点云特征参数还包括：
[0027]根据当前帧计算出每个目标分区的点云特征参数中的平整度参数；
[0028]通过计算得到的所述平整度参数的均值和标准差，以及平整度阈值系数，计算出所述候选点云的平整度阈值；
[0029]基于所述候选点云的平整度阈值，对所述通过自适应计算得到每个目标分区中的点云特征参数中的所述候选点云进行恢复，并与所述估计出的地面点云合并作为地面点云输出结果
。
[0030]在一些实施例中，根据所述估计出的地面点云以及所述估计出的非地面点云，通过自适应计算得到每个目标分区中的点云特征参数，包括：
[0031]在扇形目标分区中，将每一环的地面点云作为一个参照地面，通过计算上一帧中点云平整度参数的均值和标准差，以及与平整度阈值系数，计算每个目标分区中每个点云的平整度阈值，所述点云的平整度阈值是根据不断迭代更新的地面平整度参数确定的
。
[0032]第二方面，本申请实施例还提供一种激光雷达的点云处理装置，其中，所述装置包括：
[0033]定制化区域划分模块，用于根据输入的激光雷达的点云数据，按照预设区域划分得到多个目标分区，所述预设区域为通过定制化得到的；
[0034]基于分区的地面集合模块，用于根据所述多个目标分区，进行地面拟合得到每个目标分区中的地面点云估计结果，其中所述地面点云估计结果包括估计出的地面点云
、
估计出的非地面点云；
[0035]特征参数计算模块，用于根据所述估计出的地面点云以及所述估计出的非地面点云，通过自适应计算得到每个目标分区中的点云特征参数；
[0036]自适应地面估计模块，用于基于所述每个目标分区中的点云特征参数，将所述目标分区中的点云分为地面点云和非地面点云，并作为地面点云输出结果
。
[0037]第三方面，本申请实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种激光雷达的点云处理方法，其中，所述方法包括：根据输入的激光雷达的点云数据，按照预设区域划分得到多个目标分区，所述预设区域为通过定制化得到的；根据所述多个目标分区，进行地面拟合得到每个目标分区中的地面点云估计结果，其中所述地面点云估计结果包括估计出的地面点云
、
估计出的非地面点云；根据所述估计出的地面点云以及所述估计出的非地面点云，通过自适应计算得到每个目标分区中的点云特征参数；基于所述每个目标分区的点云特征参数，将所述目标分区中的点云分为地面点云和非地面点云，并作为地面点云输出结果
。2.
如权利要求1所述方法，其中，所述根据输入的激光雷达的点云数据，按照预设区域划分得到多个目标分区，包括：在确定整体分区边界时，对于周向边界范围根据实际使用的激光雷达的实际扫描范围进行确定，对于径向边界范围根据实际使用的激光雷达的有效距离进行确定；在所述整体分区边界的内部，按照径向对扇形区域进行分段，并在每个径向分段区域内部，使用不同的角度进行周向分区；在径向分环的每个环内部设置不同的周向分区密度，并增加点云的
ROI
感兴趣区域或者点云分布密集的区域中的点云稠密度；在距离圆心近处点采用密集的周向分区同时按照第一预设距离进行径向分段，在距离圆心远处点采用稀疏的周向分区同时第二预设距离进行径向分段
。3.
如权利要求1所述方法，其中，所述方法还包括：对所述激光雷达的点云数据进行异常噪声点云过滤，其中所述异常噪声点云过滤包括：检查点云与激光雷达的自身夹角
、
点云高度值
、
点云强度
。4.
如权利要求1所述方法，其中，根据所述估计出的地面点云以及所述估计出的非地面点云，通过自适应计算得到每个目标分区中的点云特征参数，包括：根据所述每个目标分区中的地面点云估计结果中的所述估计出的地面点云和所述估计出的非地面点云，计算点云法向量与高度方向的夹角；根据所述点云法向量与高度方向的夹角，判断由点云组成的平面倾斜程度并作为每个目标分区中点云的垂直度参数
。5.
如权利要求1所述方法，其中，根据所述估计出的地面点云以及所述估计出的非地面点云，通过自适应计算得到每个目标分区中的点云特征参数，包括：在扇形目标分区中，将每一环的地面点云作为一个参照地面，...

【专利技术属性】
技术研发人员：李达，
申请(专利权)人：北京京深深向科技有限公司，
类型：发明
国别省市：