CN114186588A - 一种实时层次化滤波方法 - Google Patents
一种实时层次化滤波方法 Download PDFInfo
- Publication number
- CN114186588A CN114186588A CN202111493587.0A CN202111493587A CN114186588A CN 114186588 A CN114186588 A CN 114186588A CN 202111493587 A CN202111493587 A CN 202111493587A CN 114186588 A CN114186588 A CN 114186588A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- point cloud
- filtering
- algorithm
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 132
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 9
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种实时层次化滤波方法，包括采集激光雷达输出数据；进行条件滤波，将点云划分为近地点Gg0和非近地点Gu1；运用随机采样一致性算法将近地点划分为符合平面模型的地面点Gg和非地面点Gu2；合并Gu1和Gu2，采用曲面体素对合并点云进行快速粗滤波；对粗滤波后的点云进行选择性降采样处理和主成分分析选择性降维处理；确定DBSCAN算法参数Eps和Nmin；多线程并行执行DBSCAN算法进行精滤波，得到有效点云GE；步骤8：合并有效点云GE和地面点Gg，结束滤波。本发明解决激光雷达数据滤波过程中参数设置困难以及速度和精度难以兼顾的问题，降低算法复杂度，保证算法实时性，实现基于点云分布特点的实时层次化滤波，达到实时高精度点云滤波的目的。
Description
技术领域
本发明属于三维点云处理技术领域，涉及一种实时层次化滤波方法，特别是一种基于点云分布特征的实时层次化滤波方法。
背景技术
点云数据的质量决定了前端匹配算法的精度，进而会影响定位算法精度。然而在室外环境中获取的点云数据会因为设备精度、操作者经验、环境变化、电磁波衍射特性、被测物体表面性质变化等因素不可避免地出现一些噪声点。此外，由于受到如视线遮挡，障碍物等外界干扰因素的影响，数据中还存在一些距离主体点云较远的离散点。上述无效点对定位算法中特征提取、点云匹配等过程都会产生影响，所以点云滤波一直是点云研究领域重要的研究方向之一。
激光雷达传感器的数据大多是以无序形式存在的，而依据是否基于网格模型可以将无序点云滤波分成两类。基于网格模型滤波是指将获取的无序点云数据转化成网格模型并计算网格特征信息，但无论哪个步骤都会导致效率低下，所以该方法逐渐被基于非网格模型的方法取代。非网格模型滤波的主要思想是遍历所有数据点，直接构建采样点与周围邻域点间的关系。该方法因为能够简化降噪过程而得到广泛应用，进而延伸出基于统计、基于邻域、基于投影和基于密度的主流滤波方法。基于统计的滤波方法采用统计学概念，复杂的数学方法虽然能够增加对噪声的检测精度和鲁棒性，但会消耗大量的计算资源且有些情况下不能很好的保持点云特征。基于邻域的滤波方法主要利用采样点与邻域点的相似性，其中，具有代表性的双边滤波除计算量大外，对小尺度噪声敏感度也非常低；半径滤波基于连通分析，对参数依赖性强。基于投影的滤波方法与双边滤波相似，都是通过移动点的位置实现点云边缘平滑。该方法实时性差且限制条件多，不利于工程应用。基于密度的滤波方法因为识别性强、敏感度高等优点得到广泛应用，但在复杂场景下处理点云的效率会大大降低。综上所述，传统点云滤波算法没有考虑点云分布特点，使用的参数限制了算法适应性，同时，因为应用背景不同导致无法兼顾算法的速度和精度。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种基于点云分布特征的实时层次化滤波方法，解决激光雷达数据滤波过程中参数设置困难以及速度和精度难以兼顾的问题。
为解决上述技术问题，本发明的一种实时层次化滤波方法，包括以下步骤：
步骤1：采集激光雷达输出数据；
步骤2：进行条件滤波，将点云划分为近地点Gg0和非近地点Gu1；
步骤3：运用随机采样一致性算法将近地点划分为符合平面模型的地面点Gg和非地面点Gu2；
步骤4：合并Gu1和Gu2，采用曲面体素对合并点云进行快速粗滤波；
步骤5：对粗滤波后的点云进行选择性降采样处理和主成分分析选择性降维处理；
步骤6：确定DBSCAN算法参数Eps和Nmin；
步骤7：多线程并行执行DBSCAN算法进行精滤波，得到有效点云GE；
步骤8：合并有效点云GE和地面点Gg，结束滤波。
进一步的，步骤2中进行条件滤波，将点云划分为近地点Gg0和非近地点Gu1具体为：遍历点云，判断每个点的三维坐标是否满足预先设置的范围条件，进而分离出符合范围条件的近地点Gg0和不符合范围条件的非近地点Gu1。
进一步的，步骤3中运用随机采样一致性算法将近地点划分为符合平面模型的地面点Gg和非地面点Gu2包括：
步骤3.1：在近地点Gg0数据集中随机选取非共线的三个点(xi,yi,zi)i＝1,2,3，并假设为局内点；
步骤3.2：根据设置的距离阈值dis_thre判断点云中其他点是否满足平面模型，平面模型为：
Axi+Byi+Czi+D＝0
其中，A、B、C、D为已知平面参数，且A、B、C不同时为0。
计算三维空间中点(x4,y4,z4)到平面的距离公式为：
若d＜dis_thre，将该点标记为局内点，记录符合平面模型的局内点数目An，n代表第n次随机选取点，初始化A0＝0；当An>An-1，则选用An对应的平面模型，否则选用An-1对应的平面模型；
步骤3.3：当达到设定的结束迭代条件，则步骤3.2选用的平面模型的局内点组成地面点Gg，其余部分标记为地上点Gu2；否则，重新随机选取非共线的三个点，并返回步骤3.2。
进一步的，步骤4中采用曲面体素对合并点云进行快速粗滤波包括：
遍历点云，将三维坐标点转化为球坐标，构建空间曲面体素；
得到曲面体素索引，构建每个点映射到体素索引的哈希表，通过哈希表完成聚类过程，得到聚类标签；
遍历聚类标签，将点数小于阈值的类别视为离群点去除。
进一步的，将三维坐标点转化为球坐标，构建空间曲面体素具体为：
其中，P为转换到球坐标系下的点，ρ为径向距离，θ为方位角，
为垂直角，Δρ，Δθ和
为单位参数。
进一步的，步骤5中对粗滤波后的局部点云进行选择性降采样处理和主成分分析选择性降维处理，包括：
步骤5.1：判断
是否成立，其中，N代表当前类别点数，A代表当前类别面积，ε为给定阈值；
步骤5.2：当成立时，则对当前类别进行降采样，然后执行步骤5.3，否则执行步骤5.3；
步骤5.3：计算当前类别点云协方差矩阵并通过SVD分解得到对应的特征值λ1,λ2,λ3和特征向量ε1,ε2,ε3，定义判别公式：
其中，λ1,λ2,λ3为协方差矩阵特征值，且λ1＞λ2＞λ3，η为给定阈值；
判断判别公式是否成立，当成立时，将点云维度降低到二维，得到降维后的点云数据；否则，维持点云原样。
进一步的，步骤6中确定DBSCAN算法参数Eps和Nmin，包括：
选取Nmin：
Nmin＝2*D-1，D＝维度；
遍历当前类别点云，计算每个点到距其第Nmin近点的距离并由大到小排序，根据判别式找到拐点位置的坐标，即为Eps的值，判别式为：
(Dist[i-1]-Dist[i])/(Dist[i]-Dist[i+1])＞ε
其中，Dist[k],k＝1,...,n表示第k个点到距离其第Nmin近点的距离，ε表示相邻点间的梯度因子。
进一步的，步骤7中多线程并行执行DBSCAN算法进行精滤波，得到有效点云GE，包括：首先随机在点云中选择采样点，在半径Eps范围内寻找该采样点邻域内的点数，将邻域内点数大于Nmin的点标记为核心点；其次，遍历数据集，找到随机采样点的所有密度可达对象，构成点云簇C，并通过密度连接形成新的数据集；然后，将遍历过程中在核心点邻域范围内但不属于核心点的点标记为边缘点，将既不属于核心点也不属于边缘点的点标记为噪声点；最终将点云划分为核心点、边缘点和噪声点三种标签，将核心点和边缘点作为有效点留存，将噪声点作为小尺度噪声去除后得到有效点云GE。
本发明的有益效果：由于点云呈现近密远疏的分布特性，固定或基于距离函数计算的参数会使常规滤波算法的适应性降低；通常的滤波设计会在速度和精度方面进行折中，高精度算法因计算复杂导致实时性差，而高效算法意味着放弃细节和损失精度。本发明通过对现有点云滤波算法的研究及性能分析提出了一种新的点云滤波思路，针对点云近密远疏的分布特点，首先采用基于曲面体素分割点云的思想引入点云滤波，削弱距离对参数的影响，根据点云分布特性构建体积与传感器分辨率和距离相关的体素，并建立点与体素的映射关系，从而解决参数设置困难的问题，在聚类参数自适应的基础上实现点云快速粗滤波；其次，为进一步提高精度，结合基于密度聚类的DBSCAN算法对局部点云进行精细处理，弥补前者聚类粗糙的不足。另外，本发明为满足实际工程对算法计算量和实时性的要求，首先针对粗滤波结果选择性降采样以减少点云数量，其次，对点云进行主成分分析后有选择性地降低点云维度，从而降低算法复杂度，最后基于多线程并行计算，保证算法实时性，实现基于点云分布特点的实时层次化滤波，以达到实时高精度点云滤波的目的。
附图说明
图1为本发明基于点云分布特征的实时层次化滤波算法原理图；
图2为基于公开数据集的运动轨迹；
图3为运动轨迹的局部放大图1(公开)；
图4为运动轨迹的局部放大图2(公开)；
图5为本发明点云滤波算法与原始算法、对照算法x方向误差图(公开)；
图6为本发明点云滤波算法与原始算法、对照算法y方向误差图(公开)；
图7为本发明点云滤波算法与原始算法、对照算法x方向轨迹末端的位置误差放大图(公开)；
图8为本发明点云滤波算法与原始算法、对照算法y方向轨迹末端的位置误差放大图(公开)；
图9为本发明点云滤波算法与原始算法、对照算法前端运行时间表(公开)；
图10为本发明点云滤波算法与原始算法、对照算法路径均方根误差表(公开)；
图11为本发明点云滤波算法与原始算法、对照算法路径标准差表(公开)；
图12为基于自测数据集的运动轨迹；
图13为运动轨迹的局部放大图1(自测)；
图14为运动轨迹的局部放大图2(自测)；
图15为本发明点云滤波算法与原始算法、对照算法x方向误差图(自测)；
图16为本发明点云滤波算法与原始算法、对照算法y方向误差图(自测)；
图17本发明点云滤波算法与原始算法、对照算法x方向轨迹末端的位置误差放大图(自测)；
图18本发明点云滤波算法与原始算法、对照算法y方向轨迹末端的位置误差放大图(自测)
图19为本发明点云滤波算法与原始算法、对照算法前端运行时间表(自测)；
图20为本发明点云滤波算法与原始算法、对照算法路径均方根误差表(自测)；
图21为本发明点云滤波算法与原始算法、对照算法路径标准差表(自测)。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
结合图1，本发明具体实施方式包括以下步骤：
(1)采集激光雷达输出数据；
(2)进行条件滤波，将点云划分为近地点Gg0和非近地点Gu1；
(3)运用随机采样一致性算法(Random Sample Consensus.RANSAC)在近地点中挑选出符合平面模型的地面点Gg和非地面点Gu2；
(4)合并Gu1和Gu2，基于曲面体素对合并点云进行快速粗滤波，首先转换点云坐标并构建空间曲面体素；其次，通过哈希表加速完成聚类过程；最后将类别点数作为大尺度噪声的判别条件；
(5)遍历粗聚类滤波结果，对点云数量或面积过大的点云类进行降采样；
(6)计算点云协方差矩阵并分解计算得到特征值λ1,λ2,λ3和特征向量ε1,ε2,ε3，根据判定公式决定是否进行主成分分析降维，若是则基于第一、第二维特征向量将点云维度降低到二维，否则保持点云维度不变；
(7)计算每个点到距其第Nmin近的点间距，由大到小排序后找到拐点作为DBSCAN算法的Eps邻域半径参数，并根据经验值得到不同维度下DBSCAN算法的邻域点数参数Nmin。一般二维和三维下Nmin分别取3和5；
(8)多线程并行执行DBSCAN进行精滤波，将核心点和边缘点作为有效点留存，将噪声点作为小尺度噪声去除，得到有效点云GE；
(9)合并精滤波后的点云和地面点Gg，结束滤波。
其中进行条件滤波，将点云划分为近地点Gg0和非近地点Gu1具体为：
遍历点云，判断每个点的三维坐标是否满足预先设置的坐标范围条件，当坐标处于范围条件内，则将其标记为近地点。从而分离出近地点Gg0和大量地上点Gu1。
其中，运用随机采样一致性算法(Random Sample Consensus.RANSAC)在近地点中挑选出符合平面模型的地面点Gg和非地面点Gu2具体为：
在条件滤波筛选出近地点的基础上，在数据集中随机选取几个点并假设为局内点，选取的点数由模型特征决定。因为本发明需要拟合地面，所以选取非共线的三个点(xi,yi,zi)i＝1,2,3。根据预先设置的距离阈值dis_thre判断点云中其他点是否满足平面模型，平面模型为：
Axi+Byi+Czi+D＝0
其中，A、B、C、D为已知平面参数，且A、B、C不同时为0。
计算三维空间中点(x4,y4,z4)到平面的距离公式为：
若d＜dis_thre(dis_thre一般取0.1左右)，将该点标记为局内点，记录符合平面模型的局内点数目。更换初始选取的点进行重复迭代，迭代过程种生成的平面模型若局内点数目少则被舍弃，若比现存模型更好则被选用。当满足迭代次数或是所有局内点到平面的距离和足够小则跳出循环，最终得到整个迭代过程中最合理的结果Gg，其余部分标记为地上点Gu2。
其中，合并Gu1和Gu2，对合并点云进行快速粗滤波。首先转换点云坐标并构建空间曲面体素；其次，通过哈希表加速完成聚类过程；最后将类别点数作为大尺度噪声的判别条件具体为：
由于点云呈现近密远疏的分布特点，固定或基于距离函数计算的参数都会降低传统滤波算法的适应性，针对这一问题，本发明采用曲面体素的思想削弱距离对参数的影响，首先构建与传感器分辨率和距离相关的体素，并建立点与体素的映射关系；其次，对采样点当前所在体素及其周围体素进行聚类，合并组成群集后得到聚类标签，即各类别点数；最后将类别点数作为大尺度噪声的判别条件，将点数小于阈值的类别视为离群点去除，实现快速粗滤波。
a.曲面体素：
即包含三维球坐标的空间单元。曲面体素SVi,j,k中包含的球坐标系下点如式所示：
其中，P代表转换到球坐标系下的点，ρ代表径向距离，θ代表方位角，
代表垂直角。Δρ，Δθ和
代表单位参数大小，与传感器分辨率相关。
b.哈希表加速的粗滤波：
合并Gu1和Gu2后遍历点云，将三维坐标点转化为球坐标，结合单位参数Δρ，Δθ和
得到所在曲面体素的索引，以此构建每个点映射到体素索引的初步哈希表，同时删去不含点云的体素。构建表后访问每个点P，在包含点P的目标体素周围
个体素中找到相邻点，合并组成群集后得到聚类标签，即各类别所含点数。最后将类别点数作为大尺度噪声的判别条件，遍历聚类标签，将点数小于阈值的类别视为离群点去除，从而达到快速去除大尺度噪声的目的。
上述过程虽然在保证算法速度的同时简化阈值设定过程，但点云聚类过程十分粗糙。为了进一步提高精度，在上述基础上引入能够识别噪声且能够实现任意形状聚类的DBSCAN算法来解决局部点云存在小尺度噪声的问题，最终实现由粗到精的层次化滤波。DBSCAN算法复杂度高，针对大数据样本聚类收敛时间长，难以满足实时性的需求。尽管使用KD树或八叉树管理数据能够提高算法的搜索速度，但在实际工程中仍然难以应用，采用主成分分析选择性降维和降采样对KD树-DBSCAN算法加速进行加速。
其中，遍历粗聚类滤波结果，对点云数量或面积过大的点云类进行降采样具体为：
点云降采样是将点云所在的三维空间体素化，若体素内存在激光点，使用该体素内的点集质心代替点集。但考虑到降采样会改变点的位置，在选择性降维前只对点数和面积符合条件的类进行降采样，判断标准如下：
式中，N代表当前类别点数，A代表当前类别面积，一般Nmax取5000，Amax取50，ε取1。
其中，计算点云协方差矩阵并通过SVD分解计算得到特征值λ1,λ2,λ3和特征向量ε1,ε2,ε3，根据判定公式决定是否进行主成分分析降维，若是则基于第一、第二维特征向量将点云维度降低到二维，否则保持点云维度不变具体为：
假设三维点云数据的数量为m，将这些点云数据首先排列成3行m列的矩阵X，并将矩阵X的每行进行零均值化，即每行数据通过减去当前行平均值，使矩阵的每一行数据均以零为中心。上述做法可以确保每一行的平均值为零，表示为：
X＝[p1,p2,...,pm],pi＝[xi,yi,zi]T(i＝1,2,...,m)
协方差阵C由下式可得：
假设协方差阵C的3个特征向量为e1,e2,e3，按列形成矩阵E＝(e1,e2,e3)，可以得到：
其中，Λ是对角阵，对角元素是协方差阵各特征向量相应的特征值。至此，得到降维矩阵P＝ET。
由于点云分布情况不同，贸然对数据降维可能造成有效数据的丢失。针对这一情况，引入标准如下式所示：
式中，λi(i＝1,2,3)代表上述协方差阵的特征值且λ1＞λ2＞λ3。即当第一和第二特征值所占比例在η以上的数据设定为可以进行主成分分析降维，η一般取(0.95,1)。
如果点集X′对应的协方差阵特征值符上述公式，则取降维矩阵P的前两行组成矩阵P′。利用Y＝P′X′得到降维后的点云数据Y。
其中，计算每个点到距其第Nmin近的点间距，由大到小排序后找到拐点作为DBSCAN算法的Eps邻域半径参数，并根据经验值得到不同维度下DBSCAN算法的邻域点数参数Nmin具体为：
输入点云后，初始化算法参数Eps和Nmin，由于点云样本密度不均，保持一致的参数会导致算法的适应性变差，为保证每个粗滤波结果都能获得合适的参数，Nmin根据维度不同，选择标准如下式所示：
Nmin＝2*D-1,D＝维度
邻域半径参数Eps则根据点云分布情况自适应计算得到，首先根据上述方法针对不同维度的点云选取合适的Nmin，然后遍历当前类别点云，计算得到点数-距离相关值，即计算每个点到距其第Nmin近点的距离并由大到小排序，最后根据判别式找到拐点位置的坐标，即为Eps的值。判别式为：
(Dist[i-1]-Dist[i])/(Dist[i]-Dist[i+1])＞ε
其中，Dist[k],k＝1,...,n表示第k个点到距离其第Nmin近点的距离。ε表示相邻点间的梯度因子，一般取3或4；
其中，多线程并行执行DBSCAN进行精滤波，将核心点和边缘点作为有效点留存，将噪声点作为小尺度噪声去除具体为：
考虑到精滤波过程互不影响，首先将粗滤波结果按点数大小进行排列；其次，合理分组使得点数较多的类不在同一组，最后采用多线程并行计算。为提高算法中每个点的邻域查找速度，将KD树引入算法中提高运算效率。首先随机在点云中选择采样点，在半径Eps范围内寻找该采样点邻域内的点数，将邻域内点数大于Nmin的点标记为核心点；其次，遍历数据集，找到随机采样点的所有密度可达对象，构成点云簇C，并通过密度连接形成新的数据集；然后，上述遍历过程中将在核心点邻域范围内但不属于核心点的点标记为边缘点，将既不属于核心点也不属于边缘点的点标记为噪声点；最终将点云划分为核心点、边缘点和噪声点三种标签。由于DBSCAN不需要预先知道类别数量且不受点云形状限制，其特性能够很好的发现异常点，从而根据标签剔除噪声以达到去除小尺度噪声的目的。
本发明基于公开数据集和实测数据集，通过定性分析和定量分析两个方面将本发明与统计滤波和球形滤波算法进行了比较：
一、对本发明进行公开数据集验证：
为验证本发明的点云滤波性能，使用公开数据集中的HDL-64E-Velodyne激光雷达采集的数据，以公开数据集提供的GPS/IMU组合导航系统作为位置参考系统，选用ALOAM算法计算激光里程计的定位结果。整个数据集采集过程大概470s，由于数据量过于庞大导致无法正常使用传统算法，实验前统一对数据进行降采样。
图2为基于公开数据集的运动轨迹，显示了基于公开数据集的各种方案运动轨迹。由图可知各个算法在整体表现上与GPS吻合程度较好，没有出现大尺度的偏差，实验具备有效性。图3和图4为运动轨迹局部放大图，可以看出传统滤波方法的加入不仅没有改善定位算法的精度，反而起到了负面影响；本发明由于更具有适应性，能够在不断变化地环境中使用更合适地参数且保证精度，优化了原始算法使得结果更接近参考值。
图5和图6为水平位置误差，结果表明，传统滤波方法在0值上下波动剧烈，而本发明结果与ALOAM原算法以及两组对照算法相比较，整个过程更加平稳。图7和图8为运动轨迹末端的位置误差放大图，容易看出本发明得到的结果在Y向上效果最好，较于原始算法精度提高了18.25％，在X方向上同样起到一定效果，虽然较传统滤波算法略差，但较于原始算法精度提升了20.47％。
上述均为定性分析，只能在直观上帮助了解算法效果，路径末端点的误差也不足够具有代表性。为了更方便、更客观的分析对比每种算法的性能和精度，需要使用算法运行时间、均方根误差和标准差进行定量分析。图9为算法运行时间比较表，可以看出各种方法应用到算法前端均能使处理时间维持在100ms内，保证系统运行的实时性条件。
图10和图11分别显示了公开数据集路径均方根误差对比结果和路径标准差对比结果。可以明显看出，传统算法的引入不仅没有效果，反而削弱了算法性能，更加证实了传统算法由于阈值设定等问题缺乏适应性，在去除有效数据后降低了算法原本精度，而本发明算法的精度和数据稳定度均得到了一定程度提升，精度上较于原始算法X方向上提升8.816％，Y方向上提升8.869％，数据稳定性上较于原始算法在X方向上提升9.170％，Y方向上提升了6.155％。
二、对本发明进行自测数据集验证：
为进一步验证本发明的点云滤波性能，使用自测数据集中的Velodyne-32E激光雷达采集的数据，以自建平台提供的GI-7660型号的GPS/IMU组合导航系统作为位置参考系统，同样选用ALOAM算法计算激光里程计的定位结果。整个数据集采集过程大概307s，在数据量上小于64线激光雷达，更贴近实际情况。根据实验验证，统计滤波无法满足实时性的要求，将其与降采样结合使用。
图12为自测数据集中各种方案的运动轨迹。可以看到相较于公开数据集，各个算法的吻合程度降低，原因在于自测数据集中存在大量移动物体且激光雷达数据未进行畸变去除，降低了原始算法的性能，但没有出现大尺度偏差，实验具备有效性。图13和图14为运动轨迹局部放大图，可以看出传统滤波方法的加入不仅没有改善定位算法的精度，反而起到了负面影响；本发明由于更具有适应性，能够在不断变化地环境中使用更合适地参数且保证精度，优化了原始算法使得结果更接近参考值。
图15和图16为水平位置误差，结果表明，本发明算法与原始算法以及两组对照算法相比较，变化趋势大体相同，但本发明算法结果上下波动更小，更大程度上维持在0值附近。图17和图18为运动轨迹末端的位置误差放大图，容易看出本发明得到的结果无论在X方向还是Y方向，都起到了很好的效果，在X向上较于原始算法精度提高了80.39％，在Y向上较于原始算法精度提高了94.56％
上述为基于自测数据集的定性分析，同样需要进一步定量分析本发明的性能。图19为算法运行时间比较表，从图中可以看出各种方法应用到算法前端均能使处理时间维持在100ms内，保证系统运行的实时性条件，但相比于统计滤波的使用条件，本发明算法无需对数据降采样，避免因点云位置移动引入新的误差信息。
图20和图21分别显示了自测数据集路径均方根误差对比结果和路径标准差对比结果，可以明显看出，与基于公开数据集不同，传统算法的引入同样能够提升算法性能，这说明传统滤波算法因为参数的限制，环境适应性差，导致同样的参数在不同环境下产生截然不同的效果。本发明算法在精度上较于原始算法虽然Y方向上降低了4.44％，但X方向上提升了50.77％，且数据稳定性上较于原始算法在两个方向上分别提升了33.76％和38.23％。
Claims (8)
1.一种实时层次化滤波方法，其特征在于，包括以下步骤：
步骤1：采集激光雷达输出数据；
步骤2：进行条件滤波，将点云划分为近地点Gg0和非近地点Gu1；
步骤3：运用随机采样一致性算法将近地点划分为符合平面模型的地面点Gg和非地面点Gu2；
步骤4：合并Gu1和Gu2，采用曲面体素对合并点云进行快速粗滤波；
步骤5：对粗滤波后的点云进行选择性降采样处理和主成分分析选择性降维处理；
步骤6：确定DBSCAN算法参数Eps和Nmin；
步骤7：多线程并行执行DBSCAN算法进行精滤波，得到有效点云GE；
步骤8：合并有效点云GE和地面点Gg，结束滤波。
2.根据权利要求1所述的一种实时层次化滤波方法，其特征在于：步骤2所述进行条件滤波，将点云划分为近地点Gg0和非近地点Gu1具体为：遍历点云，判断每个点的三维坐标是否满足预先设置的范围条件，进而分离出符合范围条件的近地点Gg0和不符合范围条件的非近地点Gu1。
3.根据权利要求1所述的一种实时层次化滤波方法，其特征在于：步骤3所述运用随机采样一致性算法将近地点划分为符合平面模型的地面点Gg和非地面点Gu2包括：
步骤3.1：在近地点Gg0数据集中随机选取非共线的三个点(xi,yi,zi)i＝1,2,3，并假设为局内点；
步骤3.2：根据设置的距离阈值dis_thre判断点云中其他点是否满足平面模型，平面模型为：
Axi+Byi+Czi+D＝0
其中，A、B、C、D为已知平面参数，且A、B、C不同时为0。
计算三维空间中点(x4,y4,z4)到平面的距离公式为：
若d＜dis_thre，将该点标记为局内点，记录符合平面模型的局内点数目An，n代表第n次随机选取点，初始化A0＝0；当An>An-1，则选用An对应的平面模型，否则选用An-1对应的平面模型；
步骤3.3：当达到设定的结束迭代条件，则步骤3.2选用的平面模型的局内点组成地面点Gg，其余部分标记为地上点Gu2；否则，重新随机选取非共线的三个点，并返回步骤3.2。
4.根据权利要求1所述的一种实时层次化滤波方法，其特征在于：步骤4所述采用曲面体素对合并点云进行快速粗滤波包括：
遍历点云，将三维坐标点转化为球坐标，构建空间曲面体素；
得到曲面体素索引，构建每个点映射到体素索引的哈希表，通过哈希表完成聚类过程，得到聚类标签；
遍历聚类标签，将点数小于阈值的类别视为离群点去除。
5.根据权利要求4所述的一种实时层次化滤波方法，其特征在于：所述将三维坐标点转化为球坐标，构建空间曲面体素具体为：
其中，P为转换到球坐标系下的点，ρ为径向距离，θ为方位角，
为垂直角，Δρ，Δθ和
为单位参数。
6.根据权利要求1所述的一种实时层次化滤波方法，其特征在于：步骤5所述对粗滤波后的局部点云进行选择性降采样处理和主成分分析选择性降维处理，包括：
步骤5.1：判断
是否成立，其中，N代表当前类别点数，A代表当前类别面积，ε为给定阈值；
步骤5.2：当成立时，则对当前类别进行降采样，然后执行步骤5.3，否则执行步骤5.3；
步骤5.3：计算当前类别点云协方差矩阵并通过SVD分解得到对应的特征值λ1,λ2,λ3和特征向量ε1,ε2,ε3，定义判别公式：
其中，λ1,λ2,λ3为协方差矩阵特征值，且λ1＞λ2＞λ3，η为给定阈值；
判断判别公式是否成立，当成立时，将点云维度降低到二维，得到降维后的点云数据；否则，维持点云原样。
7.根据权利要求1所述的一种实时层次化滤波方法，其特征在于：步骤6所述确定DBSCAN算法参数Eps和Nmin，包括：
选取Nmin：
Nmin＝2*D-1，D＝维度；
遍历当前类别点云，计算每个点到距其第Nmin近点的距离并由大到小排序，根据判别式找到拐点位置的坐标，即为Eps的值，判别式为：
(Dist[i-1]-Dist[i])/(Dist[i]-Dist[i+1])＞ε
其中，Dist[k],k＝1,...,n表示第k个点到距离其第Nmin近点的距离，ε表示相邻点间的梯度因子。
8.根据权利要求1所述的一种实时层次化滤波方法，其特征在于：步骤7所述多线程并行执行DBSCAN算法进行精滤波，得到有效点云GE，包括：首先随机在点云中选择采样点，在半径Eps范围内寻找该采样点邻域内的点数，将邻域内点数大于Nmin的点标记为核心点；其次，遍历数据集，找到随机采样点的所有密度可达对象，构成点云簇C，并通过密度连接形成新的数据集；然后，将遍历过程中在核心点邻域范围内但不属于核心点的点标记为边缘点，将既不属于核心点也不属于边缘点的点标记为噪声点；最终将点云划分为核心点、边缘点和噪声点三种标签，将核心点和边缘点作为有效点留存，将噪声点作为小尺度噪声去除后得到有效点云GE。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111493587.0A CN114186588B (zh) | 2021-12-08 | 2021-12-08 | 一种实时层次化滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111493587.0A CN114186588B (zh) | 2021-12-08 | 2021-12-08 | 一种实时层次化滤波方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114186588A true CN114186588A (zh) | 2022-03-15 |
| CN114186588B CN114186588B (zh) | 2024-10-18 |
Family
ID=80603898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111493587.0A Active CN114186588B (zh) | 2021-12-08 | 2021-12-08 | 一种实时层次化滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114186588B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN111986115A (zh) * | 2020-08-22 | 2020-11-24 | 王程 | 激光点云噪声和冗余数据的精准剔除方法 |
| CN112462347A (zh) * | 2020-12-28 | 2021-03-09 | 长沙理工大学 | 基于密度聚类的激光雷达点云快速分类滤波算法 |
| CN113484875A (zh) * | 2021-07-30 | 2021-10-08 | 燕山大学 | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 |
| CN113643444A (zh) * | 2021-07-30 | 2021-11-12 | 北方魏家峁煤电有限责任公司 | 一种基于坡度补偿的渐进加密三角网点云滤波方法 |
-
2021
- 2021-12-08 CN CN202111493587.0A patent/CN114186588B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN111986115A (zh) * | 2020-08-22 | 2020-11-24 | 王程 | 激光点云噪声和冗余数据的精准剔除方法 |
| CN112462347A (zh) * | 2020-12-28 | 2021-03-09 | 长沙理工大学 | 基于密度聚类的激光雷达点云快速分类滤波算法 |
| CN113484875A (zh) * | 2021-07-30 | 2021-10-08 | 燕山大学 | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 |
| CN113643444A (zh) * | 2021-07-30 | 2021-11-12 | 北方魏家峁煤电有限责任公司 | 一种基于坡度补偿的渐进加密三角网点云滤波方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵凯;徐友春;王任栋;: "一种城市环境三维点云配准的预处理方法", 光电工程, no. 12, 10 December 2018 (2018-12-10) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
| CN116310360B (zh) * | 2023-05-18 | 2023-08-18 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114186588B (zh) | 2024-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ji et al. | A novel simplification method for 3D geometric point cloud based on the importance of point | |
| CN106600622A (zh) | 一种基于超体素的点云数据分割方法 | |
| CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
| CN115861397A (zh) | 一种基于改进fpfh-icp的点云配准方法 | |
| CN112861983A (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
| CN115620261A (zh) | 基于多传感器的车辆环境感知方法、系统、设备及介质 | |
| CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
| CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
| CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
| Cai et al. | A lightweight feature map creation method for intelligent vehicle localization in urban road environments | |
| CN117893924A (zh) | 一种基于树冠形态的无人机激光雷达点云单木分割方法 | |
| CN114186588B (zh) | 一种实时层次化滤波方法 | |
| CN117541614B (zh) | 基于改进icp算法的空间非合作目标近距离相对位姿跟踪方法 | |
| CN114463396A (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
| CN117788735A (zh) | 基于栅格划分的动态点云去除方法 | |
| CN117237913B (zh) | 一种多激光雷达障碍物识别方法 | |
| CN112581511A (zh) | 基于近似直立扫描点云快速配准的三维重建方法及系统 | |
| CN117928385A (zh) | 一种基于远程无人机和传感器的工程施工智能测量方法 | |
| CN116579949A (zh) | 适用于城市多噪声环境下机载点云地面点滤波方法 | |
| Zhang et al. | A road extraction method based on high resolution remote sensing image | |
| CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
| CN114022526A (zh) | 一种基于三维形状上下文的sac-ia点云配准方法 | |
| Mijit et al. | LR-Seg: A Ground Segmentation Method for Low-Resolution LiDAR Point Clouds | |
| CN117576172B (zh) | 基于改进关键点的配准方法和装置 | |
| CN112989946A (zh) | 一种车道线的确定方法、装置、设备及车辆 |
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 |