CN103777192A - 一种基于激光传感器的直线特征提取方法 - Google Patents
一种基于激光传感器的直线特征提取方法 Download PDFInfo
- Publication number
- CN103777192A CN103777192A CN201210000399.4A CN201210000399A CN103777192A CN 103777192 A CN103777192 A CN 103777192A CN 201210000399 A CN201210000399 A CN 201210000399A CN 103777192 A CN103777192 A CN 103777192A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mfrac
- math
- sigma
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000035945 sensitivity Effects 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/491—Details of non-pulse systems
- G01S7/493—Extracting wanted echo signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
- G01S17/32—Systems determining position data of a target for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种激光图像直线特征提取方法。在分割与合并方法的基础上,通过自适应邻近点集检测提高方法效率,利用模糊分割与合并方法进行线段分割改善方法对参数的敏感程度,最后利用最小二乘方法拟合出环境中各直线段极坐标系下的参数,方法包括:邻近点集检测、线段分割、最小二乘直线拟合、计算直线拟合误差四大步骤。方法实施结果表明当直线段所包含的点较多时,结果很准确,绝大多数直线误差都很小,极径误差都小于1mm,角度误差小于0.01rad,拟合效果较好。本发明同现有传统直线提取方法相比的优点在于:(1)方法的迭代次数减少,提高了方法效率;(2)方法的鲁棒性有很大提高;(3)线段提取的精度也明显提高。
Description
技术领域
本发明属于人工智能技术领域,涉及一种激光图像直线特征提取方法。
背景技术
随着计算机技术和人工智能技术的飞速发展,移动机器人技术也取得了巨大成就,并广泛地应用于家庭服务、太空探索、深海打捞、矿产勘探、安防医疗、军事侦察等领域。在机器人相关技术研究中,机器人同时定位与地图创建(Simultaneous Localization andMapping)问题,简称SLAM问题,是机器人技术的关键问题之一,甚至被誉为移动机器人研究领域的“圣杯”。而直线是机器人SLAM问题中最常用的特征描述之一,因为选择它作为机器人定位的环境特征拥有许多优点,如:直线在室内环境中存在的比较多;从激光测试***LMS(Laser Measurement Systems)激光雷达检测到的原始点中提取直线较容易,直线特征在地图中存储也容易;在平面坐标系中只用两条不平行直线就可以完成对机器人定位。
目前关于直线提取的方法也比较多,其中分割与合并(Split-and-Merge)方法是综合性能是最好的。因此得到了广泛应用。但是传统的分割与合并方法存在对直线参数的鲁棒性较差,效率较低的问题。
发明内容
技术问题:为了解决上述问题,本发明的目的在于提供一种基于激光传感器的自适应的直线提取方法,以提高直线提取的效率和鲁棒性。
现将本发明技术解决方案叙述如下:
本发明一种基于激光传感器的直线特征提取方法在分割与合并方法的基础上,通过自适应邻近点集检测提高方法效率,利用模糊分割与合并SMF(split-and-merge fuzzy)方法进行线段分割改善方法对参数的敏感程度,最后利用最小二乘方法拟合出环境中各直线段极坐标系下的参数,包括以下步骤(参见图2):
步骤1:邻近点集检测;
步骤2:线段分割;
步骤3:最小二乘直线拟合;
步骤4:计算直线拟合误差。
本发明进一步提供一种基于激光传感器的直线特征提取方法,其特征在于:设激光雷达每次扫描的结果是以角度Δφ为间隔的角度φ和距离ρ的离散点;步骤1中所述的邻近点集检测的具体过程为:
步骤1.1:设连续激光传感器探测到连续两点为sk-1和sk,其中sk-1离激光传感器的距离为ρk-1,Δl为其两点的距离;
步骤1.2:实验取常数m′=5,Δl′=m′ρk-1Δφ,如果Δl≤Δl′则为邻近点集,反之则不是。
本发明进一步提供一种基于激光传感器的直线特征提取方法,其特征在于:步骤2中所述的线段分割的具体过程如下(参见图3):
步骤2.3.1:利用模糊直线分割方法将lk中的点变成两条直线l′k和l″k,同时令C=2;
步骤2.3.2:用l′k和l″k替换lk,添加到Γ;
步骤2.3.3:
步骤2.3.4:转到步骤2.2;
步骤2.4:选择直线
步骤2.4.1:对于Γ中每两条相异的直线la和lb都被作为合并的候选情况;
步骤2.4.2:判断两条直线的坐标重心是否很接近:接近则转步骤2.4.3,不接近则转
步骤2.4.3:用l=l′^l″表示由l′和l″合并的直线,合并后的直线lf是lk^la和lk^lb离差最小的,同时必须满足σf≤σmax,直到无法再合并为止;其中,唯一的极限参数σmax由激光传感器的统计误差给出。
本发明进一步提供一种基于激光传感器的直线特征提取方法,其特征在于:步骤3中所述的最小二乘直线拟合的具体过程如下(参见图4):
步骤3.1:对于每个线段点集{ρi,φi},i=1,2,3...N,其中(r,α)表示直线的极坐标参数,公式为:
式中,
本发明进一步提供一种基于激光传感器的直线特征提取方法,其特征在于:步骤4中所述的计算直线拟合误差的具体过程如下:
步骤4.1:设直线参数误差协方差矩阵为:
其中,
式中:
至此,本发明的基于激光传感器的直线特征提取方法完成。
本发明同现有传统直线提取方法相比的优点在于:(1)方法的迭代次数减少,提高了方法效率;(2)方法的鲁棒性有很大提高;(3)线段提取的精度也明显提高。
附图说明
图1:本发明的邻近点距离变化图
图2:本发明的直线特征提取流程图
图3:本发明图2中的步骤1的邻近点集检测流程图
图4:本发明图2中的步骤2线段分割流程图
具体实施方式
现结合附图对本发明方法做进一步描述:
实施例
本实施例用的是德国SICK公司的SICK200工业180°距离激光传感器在实验室6m×6m的环境做的试验。LMS激光雷达是通过计算激光的往返时间来测量与周围障碍之间的距离,即激光雷达发射器发射一束激光,当激光遇到障碍物时被反射;激光雷达的接收器记录下反射光,通过激光发射到被反射回激光雷达的时间算出障碍物和激光雷达之间的距离。
实验室原始激光数据见图5,它从0°到180°每间隔0.5°取一个数据,距离测量的均方差为5mm,角度的测量误差忽略不计,每帧共得到361个数据。图4-2是在本文在实验室获取的一帧激光数据,其中,蓝色圆点代表激光数据点,黑色*点代表激光雷达坐标系的原点,右边黑色加号0°代表激光数据点,左边黑色加号代表180°激光数据点。
设置σmax=0.005mm,利用常规Split-and-Merge算法和第三部分的直线提取算法对图5提取结果如图6所示。本发明提取结果图见图7。
图6、7中红色直线段为算法检测出的直线段,+表示线段的起始点,从图6、7可以看出,改进后的算法共检测出12条直线,分别为L1,L2...L12,而改进前的算法只检测出8条直线,未检测出直线L4,L6,L9,L10。从直线的提取精度来看,改进后的也高于改进前的,尤其L8特别明显。同时因为传统的Split-and-Merge算法是把全部数据直接做分割提取的,而本文采用了先进行邻近点簇检测,再分割提取直线的方法,减少了算法的迭代次数,提高了算法效率。另外从图6、7也可以看出改进后的算法的鲁棒性也较改进前的有很大提高。
改进后的提取的直线L1,L2...L12拟合误差如下表1:
表1:直线L1,L2...L12的拟合误差表
表1表明当直线段所包含的点较多时,结果很准确,如L1,L3,L7和L11,但当线段包含点较少时误差相对较大,如L6和L10。从表1可以看出直线的极径误差都很小一般都在毫米级,只有L4、L6和L10因为点比较少为厘米级。相对而言,角度误差较大,最大为10-1rad;但绝大多数直线误差都很小,极径误差都小于1mm,角度误差小于0.01rad,拟合效果较好。
Claims (7)
1.一种基于激光传感器的直线特征提取方法,其特征在于:在分割与合并方法的基础上,通过自适应邻近点集检测提高方法效率,利用模糊分割与合并方法进行线段分割改善方法对参数的敏感程度,最后利用最小二乘方法拟合出环境中各直线段极坐标系下的参数,包括以下步骤:
步骤1:邻近点集检测;
步骤2:线段分割;
步骤3:最小二乘直线拟合;
步骤4:计算直线拟合误差。
2.根据权利要求1所述的一种基于激光传感器的直线特征提取方法,其特征在于:步骤1中所述的邻近点集检测的具体过程为:
步骤1.1:设连续激光传感器探测到连续两点为sk-1和sk,其中sk-1离激光传感器的距离为ρk-1,Δl为其两点的距离;
步骤1.2:设激光雷达每次扫描的结果是以角度Δφ为间隔的角度φ和距离ρ的离散点;实验取常数m′=5,Δl′=m′ρk-1Δφ,如果Δl≤Δl′则为邻近点集,反之则不是。
5.根据权利要求3所述的一种基于激光传感器的直线特征提取方法,其特征在于:步骤2.4中所述的“选择直线”的具体过程如下:
步骤2.4.1:对于Γ中每两条相异的直线la和lb都被作为合并的候选情况;
步骤2.4.2:判断两条直线的坐标重心是否很接近:接近则转步骤2.4.3,不接近则转
步骤2.4.3:用l=l′^l″表示由l′和l″合并的直线,合并后的直线lf是lk^la和lk^lb离差最小的,同时必须满足σf≤σmax,直到无法再合并为止;其中,唯一的极限参数σmax由激光传感器的统计误差给出。
6.根据权利要求1所述的一种基于激光传感器的直线特征提取方法,其特征在于:步骤3中所述的最小二乘直线拟合的具体过程如下:
步骤3.1:对于每个线段点集{ρi,φi},i=1,2,3...N,其中(r,α)表示直线的极坐标参数,公式为:
式中,
7.根据权利要求1所述的一种基于激光传感器的直线特征提取方法,其特征在于:步骤4中所述的计算直线拟合误差的具体过程如下:
步骤4.1:设直线参数误差协方差矩阵为:
其中,
式中:
至此,本发明的基于激光传感器的直线特征提取方法完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210000399.4A CN103777192B (zh) | 2012-10-24 | 一种基于激光传感器的直线特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210000399.4A CN103777192B (zh) | 2012-10-24 | 一种基于激光传感器的直线特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103777192A true CN103777192A (zh) | 2014-05-07 |
CN103777192B CN103777192B (zh) | 2016-11-30 |
Family
ID=
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104501794A (zh) * | 2014-11-24 | 2015-04-08 | 杭州申昊科技股份有限公司 | 一种基于环境直线特征的地图创建方法 |
CN104503449A (zh) * | 2014-11-24 | 2015-04-08 | 杭州申昊科技股份有限公司 | 一种基于环境直线特征的定位方法 |
CN105137412A (zh) * | 2015-08-19 | 2015-12-09 | 重庆大学 | 一种2d激光雷达距离图像中线段特征精确拟合方法 |
CN104316591B (zh) * | 2014-09-25 | 2016-09-07 | 杭州电子科技大学 | 一种基于非线性拟合方式的肽质谱峰特征参数提取方法 |
CN106786938A (zh) * | 2016-12-30 | 2017-05-31 | 亿嘉和科技股份有限公司 | 一种巡检机器人定位方法及自动充电方法 |
CN108280840A (zh) * | 2018-01-11 | 2018-07-13 | 武汉理工大学 | 一种基于三维激光雷达的道路实时分割方法 |
CN108898158A (zh) * | 2018-05-31 | 2018-11-27 | 华南理工大学 | 一种基于分段线性拟合的焊缝识别方法 |
CN110399892A (zh) * | 2018-04-24 | 2019-11-01 | 北京京东尚科信息技术有限公司 | 环境特征提取方法和装置 |
CN110632607A (zh) * | 2019-09-16 | 2019-12-31 | 广州小鹏汽车科技有限公司 | 一种基于超声波数据的物体边界确定方法、***及车辆 |
CN111060093A (zh) * | 2019-12-31 | 2020-04-24 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于单折角板的移动机器人定位方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1569558A (zh) * | 2003-07-22 | 2005-01-26 | 中国科学院自动化研究所 | 基于图像表现特征的移动机器人视觉导航方法 |
US20070253002A1 (en) * | 2006-04-28 | 2007-11-01 | Prueftechnik Dieter Busch Ag | Device and process for quantitative assessment of the three-dimensional position of two machine parts, shafts, spindles, workpieces or other articles relative to one another |
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
CN103198751A (zh) * | 2013-03-06 | 2013-07-10 | 南京邮电大学 | 一种移动机器人基于激光测距仪的线特征地图创建方法 |
CN103268729A (zh) * | 2013-05-22 | 2013-08-28 | 北京工业大学 | 基于混合特征的移动机器人级联式地图创建方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1569558A (zh) * | 2003-07-22 | 2005-01-26 | 中国科学院自动化研究所 | 基于图像表现特征的移动机器人视觉导航方法 |
US20070253002A1 (en) * | 2006-04-28 | 2007-11-01 | Prueftechnik Dieter Busch Ag | Device and process for quantitative assessment of the three-dimensional position of two machine parts, shafts, spindles, workpieces or other articles relative to one another |
CN101726255A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院光电研究院 | 从三维激光点云数据中提取感兴趣建筑物的方法 |
CN103198751A (zh) * | 2013-03-06 | 2013-07-10 | 南京邮电大学 | 一种移动机器人基于激光测距仪的线特征地图创建方法 |
CN103268729A (zh) * | 2013-05-22 | 2013-08-28 | 北京工业大学 | 基于混合特征的移动机器人级联式地图创建方法 |
Non-Patent Citations (1)
Title |
---|
满增光等: "基于自适应阈值的距离图像线段特征提取", 《深圳大学学报理工版》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104316591B (zh) * | 2014-09-25 | 2016-09-07 | 杭州电子科技大学 | 一种基于非线性拟合方式的肽质谱峰特征参数提取方法 |
CN104503449A (zh) * | 2014-11-24 | 2015-04-08 | 杭州申昊科技股份有限公司 | 一种基于环境直线特征的定位方法 |
CN104501794A (zh) * | 2014-11-24 | 2015-04-08 | 杭州申昊科技股份有限公司 | 一种基于环境直线特征的地图创建方法 |
CN105137412A (zh) * | 2015-08-19 | 2015-12-09 | 重庆大学 | 一种2d激光雷达距离图像中线段特征精确拟合方法 |
CN105137412B (zh) * | 2015-08-19 | 2017-10-20 | 重庆大学 | 一种2d激光雷达距离图像中线段特征精确拟合方法 |
CN106786938B (zh) * | 2016-12-30 | 2020-03-20 | 亿嘉和科技股份有限公司 | 一种巡检机器人定位方法及自动充电方法 |
CN106786938A (zh) * | 2016-12-30 | 2017-05-31 | 亿嘉和科技股份有限公司 | 一种巡检机器人定位方法及自动充电方法 |
CN108280840A (zh) * | 2018-01-11 | 2018-07-13 | 武汉理工大学 | 一种基于三维激光雷达的道路实时分割方法 |
CN108280840B (zh) * | 2018-01-11 | 2021-09-03 | 武汉理工大学 | 一种基于三维激光雷达的道路实时分割方法 |
CN110399892A (zh) * | 2018-04-24 | 2019-11-01 | 北京京东尚科信息技术有限公司 | 环境特征提取方法和装置 |
CN110399892B (zh) * | 2018-04-24 | 2022-12-02 | 北京京东尚科信息技术有限公司 | 环境特征提取方法和装置 |
CN108898158A (zh) * | 2018-05-31 | 2018-11-27 | 华南理工大学 | 一种基于分段线性拟合的焊缝识别方法 |
CN110632607A (zh) * | 2019-09-16 | 2019-12-31 | 广州小鹏汽车科技有限公司 | 一种基于超声波数据的物体边界确定方法、***及车辆 |
CN111060093A (zh) * | 2019-12-31 | 2020-04-24 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于单折角板的移动机器人定位方法及*** |
CN111060093B (zh) * | 2019-12-31 | 2021-07-30 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于单折角板的移动机器人定位方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102210715B1 (ko) | 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기 | |
CN105955258B (zh) | 基于Kinect传感器信息融合的机器人全局栅格地图构建方法 | |
CN110888126A (zh) | 基于多源传感器的无人船信息感知***数据综合处理方法 | |
Park et al. | Radar localization and mapping for indoor disaster environments via multi-modal registration to prior LiDAR map | |
CN104880160B (zh) | 一种工件表面轮廓的二维激光实时探测方法 | |
CN104330090A (zh) | 机器人分布式表征智能语义地图创建方法 | |
CN109884586A (zh) | 基于超带宽的无人机定位方法、装置、***及存储介质 | |
CN102711239A (zh) | 基于rss指纹数据库的二次模糊聚类室内定位方法 | |
CN103617328A (zh) | 一种飞机三维姿态解算方法 | |
Kim et al. | Road-feature extraction using point cloud and 3D LiDAR sensor for vehicle localization | |
CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
CN111929676B (zh) | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 | |
CN110703272B (zh) | 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法 | |
CN104569923A (zh) | 基于速度约束的Hough变换快速航迹起始方法 | |
CN110533650B (zh) | 一种基于视觉的auv水下管道检测跟踪方法 | |
CN116086484A (zh) | 基于地平面约束和回环检测的激光雷达里程计算方法 | |
JP2011112465A (ja) | 航空機位置測定システム、該システムに用いられる応答信号判別方法及び応答信号判別プログラム | |
Yuan et al. | DSmT-based ultrasonic detection model for estimating indoor environment contour | |
CN112611376B (zh) | 一种RGI-Lidar/SINS紧耦合AUV水下导航定位方法与*** | |
Premachandra et al. | UWB radar SLAM: An anchorless approach in vision denied indoor environments | |
CN111474560B (zh) | 一种障碍物定位方法、装置及设备 | |
CN106202926B (zh) | 基于多节点协同探测的空间***偏差配准优化方法 | |
CN117268416A (zh) | 一种猪舍环境下的栅栏过道导航路径提取方法 | |
CN103777192B (zh) | 一种基于激光传感器的直线特征提取方法 | |
US8798957B2 (en) | Method for the computer-aided calculation of the movement of an object using sensor data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161130 Termination date: 20171024 |
|
CF01 | Termination of patent right due to non-payment of annual fee |