【技术实现步骤摘要】
本申请涉及自动驾驶车辆的环境感知，尤其涉及一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法。
技术介绍
1、感知技术是自动驾驶系统的重要组成部分，其中激光雷达输出的点云数据更是在障碍物检测，地图绘制等方面起到了极其重要的作用。自动驾驶车辆装载的激光雷达获取的点云信息十分庞大，为了从庞大的点云数据中获取有用的信息，往往需要对初始点云数据进行预处理，删除对障碍物感知无用的数据，从而减少运算量，提高运算速度，满足自动驾驶的实时性要求。在众多点云滤波方法中，体素滤波是在自动驾驶中比较常用的一种。体素的概念类似于像素，像素是二维的一个个点，而体素则是三维的一个个小空间。在输入点云数据上创建一个个3d体素网格后，在每个体素中，所有存在的点将用它们的质心近似。体素滤波器可以达到向下采样同时不破坏点云本身几何结构的功能，可以满足降低数据量且不影响数据结构的要求。
2、但是由于点云数据受距离远近、障碍物本身结构等因素的影响，往往在一份点云数据不同区域中点云的密度差异较大。如果对整份数据使用同一体素参数下采样，点云密度高的部分可能因为体素栅格过小而保留了较多噪点。因此，在自动驾驶场景中，如何基于点云密度检测对体素进行滤波是有待解决的问题。
技术实现思路
1、本申请提供了一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法，其技术目的是通过点云密度检测来进行体素滤波，以更好地适应不同的点云密度变化，提高点云预处理的效果，从而增强车辆感知环境的能力。
2、本申请的上述技术目
3、一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法，包括：
4、s1：获取车载激光雷达点云数据，对感兴趣区域内的激光雷达点云数据进行提取，得到输入点云数据；
5、s2：根据密度对输入点云数据进行聚类，将输入点云数据划分为不同密度的点云数据区块；
6、s3：通过aabb包围盒算法对每个点云数据区块的最小外包矩形进行构建，根据最小外包矩形得到点云数据区块的密度；
7、s4：根据每个点云数据区块的密度，选择对应的体素参数进行体素滤波，得到滤波后的点云数据。
8、进一步地，步骤s2中，通过dbscan聚类算法对输入点云数据进行聚类。
9、进一步地，步骤s3包括：根据aabb包围盒算法对每个点云数据区块的最小外包矩形的xmax、ymax、zmax、xmin、ymin、zmin进行确定，则最小外包矩形内点云的平均点云密度表示为：
10、
11、其中，n表示最小外包矩形内的点云总数量；ρ表示最小外包矩形内点云的平均点云密度即点云数据区块的密度。
12、进一步地，步骤s4中，所述体素参数由预先设定的体素大小组成的密度区间和对应体素栅格大小的映射表确定。
13、本申请的有益效果在于：本申请所述的适用于自动驾驶车辆的基于密度检测的体素滤波改进方法，通过基于密度的聚类算法将输入点云数据划分为不同的点云数据区块，则每个点云数据区块的点云密度相对均匀。再采用aabb包围盒算法确定点云数据区块的最小外包矩形的参数，根据最小外包矩形中点云的数量和最小外包矩形参数计算出各最小外包矩形的平均点云密度，根据每个最小外包矩形的平均点云密度，本专利技术选择合适的体素参数进行滤波处理，提高滤波效果。本专利技术的方法实现简单、有效，可以适用于自动驾驶车辆的激光雷达点云数据滤波。
本文档来自技高网...【技术保护点】
1.一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法，其特征在于，包括：
2.如权利要求1所述的体素滤波改进方法，其特征在于，步骤S2中，通过DBSCAN聚类算法对输入点云数据进行聚类。
3.如权利要求1所述的体素滤波改进方法，其特征在于，步骤S3包括：根据AABB包围盒算法对每个点云数据区块的最小外包矩形的Xmax、Ymax、Zmax、Xmin、Ymin、Zmin进行确定，则最小外包矩形内点云的平均点云密度表示为：
4.如权利要求1所述的体素滤波改进方法，其特征在于，步骤S4中，所述体素参数由预先设定的体素大小组成的密度区间和对应体素栅格大小的映射表确定。
【技术特征摘要】
1.一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法，其特征在于，包括：
2.如权利要求1所述的体素滤波改进方法，其特征在于，步骤s2中，通过dbscan聚类算法对输入点云数据进行聚类。
3.如权利要求1所述的体素滤波改进方法，其特征在于，步骤s3包括：根据aabb包围盒算...
【专利技术属性】
技术研发人员：程昊，黄旭娴，王金湘，宋凯文，陆凯佳，严永俊，姚亿丞，彭林，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。