CN107845095A - 基于三维激光点云的移动物体实时检测算法 - Google Patents
基于三维激光点云的移动物体实时检测算法 Download PDFInfo
- Publication number
- CN107845095A CN107845095A CN201711160903.6A CN201711160903A CN107845095A CN 107845095 A CN107845095 A CN 107845095A CN 201711160903 A CN201711160903 A CN 201711160903A CN 107845095 A CN107845095 A CN 107845095A
- Authority
- CN
- China
- Prior art keywords
- cloud data
- mobile object
- real
- point cloud
- dimensional laser
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种基于三维激光点云的移动物体实时检测算法,包括以下步骤:(1)通过三维激光传感器输出FOV空间内扫描到点的位置信息,将所有输出的数据转换为标准点云数据格式;(2)记录若干帧原始点云数据,累加获得一个背景点云数据;(3)根据原始点云数据获取实时点云数据;(4)将实时点云数据与背景点云数据对比获得差异点云数据;(5)将差异点云数据集合,根据每个点之间的距离,进行聚类处理,可得出若干聚类点的集合,每一个集合表示一个移动物体。通过上述方式,本发明能够准确获取激光传感器FOV空间内移动物体的实时信息。
Description
技术领域
本发明涉及移动物体检测领域,特别是涉及一种基于三维激光点云的移动物体实时检测算法。
背景技术
目前利用图像检测算法检测移动物体的方法中,使用RGB图像检测算法检测移动物体,对环境中的光照条件要求较为苛刻,并且无法准确获取移动物体的空间位置和实际大小。此外传统RGB摄像机的FOV较小,一台摄像机所覆盖的区域很有限。而随着近几年无人驾驶技术的兴起与激光技术的发展,三维激光传感器的发展越来越接近小型化,低成本化,同时三维激光传感器的稳定性、数据可靠性也越来越好。
因此如果利用三维激光传感器来实现移动物体的实时检测,能够准确地获取移动物体的真实信息。
发明内容
本发明所要解决的技术问题是提供一种基于三维激光点云的移动物体实时检测算法,能够准确获取激光传感器FOV空间内移动物体的实时信息。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于三维激光点云的移动物体实时检测算法,包括以下步骤:
(1)通过三维激光传感器输出FOV空间内扫描到点的位置信息,将所有输出的数据转换为标准点云数据格式;
(2)记录若干帧原始点云数据,累加获得一个背景点云数据;
(3)根据原始点云数据获取实时点云数据;
(4)将实时点云数据与背景点云数据对比获得差异点云数据;
(5)将差异点云数据集合,根据每个点之间的距离,进行聚类处理,可得出若干聚类点的集合,每一个集合表示一个移动物体。
在本发明一个较佳实施例中,在步骤(3)中,获取实时点云数据的具体算法包括以下步骤:
首先对原始点云数据进行下采样处理;
再删除离群点,获得实时点云数据。
在本发明一个较佳实施例中,在步骤(4)中,所述实时点云数据与背景点云数据的对比方法为:
将点云数据抽象为八叉树,八叉树的叶子节点为一个可设定大小的三维栅格,通过比较实时点云数据与背景点云数据在同一坐标位置的叶叶子节点是否都存在数据点,即实时点云数据比背景点云新增的点云数据集合,即获得差异点云数据。
在本发明一个较佳实施例中,根据移动物体包含的点云数据,得到该移动物体的预测体积大小。
本发明的有益效果是:本发明使用三维激光传感器,受环境影响极小,黑暗环境下仍可正常使用,同时,可根据实时扫描获取周围点信息,获取移动物体的真实位置信息;根据不同激光传感器特性,一台三维激光传感器可覆盖水平方向上360°范围、垂直方向上20°—30°范围,具有极大的优势;另外,还具有体积小、成本低,稳定性好、数据可靠性好;
所述算法简单,运算速度快,准确率高,可达到三维激光传感器实时检测移动物体的功能。
附图说明
图1是本发明基于三维激光点云的移动物体实时检测算法一较佳实施例的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,本发明实施例包括:
一种基于三维激光点云的移动物体实时检测算法,包括以下步骤:
(1)通过三维激光传感器输出FOV空间内扫描到点的位置信息,由三维激光传感器驱动将所有输出的数据转换为标准点云数据格式;
(2)记录若干帧原始点云数据,将其累加在一起,获得一个可靠的背景点云数据;
(3)根据原始点云数据获取实时点云数据,具体算法包括以下步骤:
首先对原始点云数据进行下采样处理,首先将原始点云数据栅格化处理,每个三维栅格的边长在0.5米左右,此时每个栅格内有多个原始点云数据,提取并保留其中的一个原始点云数据,该原始点云数据为三维栅格内所有点云数据的平均值,其余的点全部过滤即完成下采样处理。通过对原始点云数据进行过滤,得到相对稀疏的点云数据,有利于加速后续操作的运算速度;
经过下采样的点云数据,再进行离群点的删除,减少对最终计算结果的干扰;
(4)将实时点云数据与背景点云数据对比获得差异点云数据,具体对比方法为:
将点云数据抽象为八叉树,用一个立方体序列包围该散乱数据集所占有的空间,并视为八叉树的根节点,将该最小外接正方体分割成大小相同的八个子立方体,每个子立方体均被视为根节点的叶子节点,即八叉树的叶子节点为一个可设定大小的三维栅格,且每个叶子节点均有一坐标位置信息,比较叶子节点内是否同时存在背景点云数据和实时点云数据,如果有实时点云数据,但是没有背景点云数据,那么这些实时点云数据就是差异点云数据,可最终获取实时点云数据与背景点云数据的差异,即实时点云数据比背景点云新增的点云数据集合,即获得差异点云数据。
(5)将差异点云数据集合,根据每个点之间的距离,进行聚类处理,即采用开源聚类函数(euclidean clustering),可得出若干聚类点的集合,每一个集合表示一个移动物体。根据移动物体包含的点云,可得到该移动物体的预测体积大小。
本发明使用三维激光传感器,受环境影响极小,黑暗环境下仍可正常使用,同时,可根据实时扫描获取周围点信息,获取移动物体的真实位置信息;根据不同激光传感器特性,一台三维激光传感器可覆盖水平方向上360°范围、垂直方向上20°—30°范围,具有极大的优势;另外,还具有体积小、成本低,稳定性好、数据可靠性好;所述算法简单,运算速度快,准确率高,可达到三维激光传感器实时检测移动物体的功能。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于三维激光点云的移动物体实时检测算法,包括以下步骤:
(1)通过三维激光传感器输出FOV空间内扫描到点的位置信息,将所有输出的数据转换为标准点云数据格式;
(2)记录若干帧原始点云数据,累加获得一个背景点云数据;
(3)根据原始点云数据获取实时点云数据;
(4)将实时点云数据与背景点云数据对比获得差异点云数据;
(5)将差异点云数据集合,根据每个点之间的距离,进行聚类处理,可得出若干聚类点的集合,每一个集合表示一个移动物体。
2.根据权利要求1所述的基于三维激光点云的移动物体实时检测算法,其特征在于,在步骤(3)中,获取实时点云数据的具体算法包括以下步骤:
首先对原始点云数据进行下采样处理;
再删除离群点,获得实时点云数据。
3.根据权利要求1所述的基于三维激光点云的移动物体实时检测算法,其特征在于,在步骤(4)中,所述实时点云数据与背景点云数据的对比方法为:
将点云数据抽象为八叉树,八叉树的叶子节点为一个可设定大小的三维栅格,通过比较实时点云数据与背景点云数据在同一坐标位置的叶子节点是否都存在数据点,即实时点云数据比背景点云新增的点云数据集合,即获得差异点云数据。
4.根据权利要求1所述的基于三维激光点云的移动物体实时检测算法,其特征在于,根据移动物体包含的点云数据,得到该移动物体的预测体积大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711160903.6A CN107845095B (zh) | 2017-11-20 | 2017-11-20 | 基于三维激光点云的移动物体实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711160903.6A CN107845095B (zh) | 2017-11-20 | 2017-11-20 | 基于三维激光点云的移动物体实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107845095A true CN107845095A (zh) | 2018-03-27 |
CN107845095B CN107845095B (zh) | 2020-10-02 |
Family
ID=61679195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711160903.6A Active CN107845095B (zh) | 2017-11-20 | 2017-11-20 | 基于三维激光点云的移动物体实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107845095B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109000559A (zh) * | 2018-06-11 | 2018-12-14 | 广东工业大学 | 一种物体体积的测量方法、装置、***和可读存储介质 |
CN109271893A (zh) * | 2018-08-30 | 2019-01-25 | 百度在线网络技术(北京)有限公司 | 一种仿真点云数据的生成方法、装置、设备及存储介质 |
CN109409792A (zh) * | 2018-09-25 | 2019-03-01 | 深圳蓝胖子机器人有限公司 | 一种基于点云的物体追踪检测方法及*** |
CN111323027A (zh) * | 2018-12-17 | 2020-06-23 | 兰州大学 | 一种基于激光雷达与环视相机融合制作高精度地图方法及装置 |
WO2021068210A1 (zh) * | 2019-10-11 | 2021-04-15 | 深圳市大疆创新科技有限公司 | 移动物体监控的方法、装置及计算机存储介质 |
CN113156453A (zh) * | 2021-04-09 | 2021-07-23 | 武汉联一合立技术有限公司 | 移动物体检测方法、装置、设备及存储介质 |
CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及*** |
CN115661189A (zh) * | 2022-12-27 | 2023-01-31 | 上海仙工智能科技有限公司 | 一种场景动态信息检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952056A (zh) * | 2014-03-26 | 2015-09-30 | 株式会社理光 | 一种基于立体视觉的目标检测方法和*** |
CN106054208A (zh) * | 2016-08-16 | 2016-10-26 | 长春理工大学 | 多线激光雷达车辆目标识别方法和汽车的防撞装置 |
CN106225678A (zh) * | 2016-09-27 | 2016-12-14 | 北京正安维视科技股份有限公司 | 基于3d相机的动态物体定位与体积测量方法 |
CN106384079A (zh) * | 2016-08-31 | 2017-02-08 | 东南大学 | 一种基于rgb‑d信息的实时行人跟踪方法 |
CN106530353A (zh) * | 2016-10-19 | 2017-03-22 | 绍兴文理学院 | 针对双目视觉***稀疏三维重建的三维运动点检测方法 |
-
2017
- 2017-11-20 CN CN201711160903.6A patent/CN107845095B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952056A (zh) * | 2014-03-26 | 2015-09-30 | 株式会社理光 | 一种基于立体视觉的目标检测方法和*** |
CN106054208A (zh) * | 2016-08-16 | 2016-10-26 | 长春理工大学 | 多线激光雷达车辆目标识别方法和汽车的防撞装置 |
CN106384079A (zh) * | 2016-08-31 | 2017-02-08 | 东南大学 | 一种基于rgb‑d信息的实时行人跟踪方法 |
CN106225678A (zh) * | 2016-09-27 | 2016-12-14 | 北京正安维视科技股份有限公司 | 基于3d相机的动态物体定位与体积测量方法 |
CN106530353A (zh) * | 2016-10-19 | 2017-03-22 | 绍兴文理学院 | 针对双目视觉***稀疏三维重建的三维运动点检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109000559A (zh) * | 2018-06-11 | 2018-12-14 | 广东工业大学 | 一种物体体积的测量方法、装置、***和可读存储介质 |
CN109000559B (zh) * | 2018-06-11 | 2020-09-11 | 广东工业大学 | 一种物体体积的测量方法、装置、***和可读存储介质 |
CN109271893A (zh) * | 2018-08-30 | 2019-01-25 | 百度在线网络技术(北京)有限公司 | 一种仿真点云数据的生成方法、装置、设备及存储介质 |
CN109409792A (zh) * | 2018-09-25 | 2019-03-01 | 深圳蓝胖子机器人有限公司 | 一种基于点云的物体追踪检测方法及*** |
CN111323027A (zh) * | 2018-12-17 | 2020-06-23 | 兰州大学 | 一种基于激光雷达与环视相机融合制作高精度地图方法及装置 |
WO2021068210A1 (zh) * | 2019-10-11 | 2021-04-15 | 深圳市大疆创新科技有限公司 | 移动物体监控的方法、装置及计算机存储介质 |
CN112956187A (zh) * | 2019-10-11 | 2021-06-11 | 深圳市大疆创新科技有限公司 | 移动物体监控的方法、装置及计算机存储介质 |
CN113156453A (zh) * | 2021-04-09 | 2021-07-23 | 武汉联一合立技术有限公司 | 移动物体检测方法、装置、设备及存储介质 |
CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及*** |
CN115661189A (zh) * | 2022-12-27 | 2023-01-31 | 上海仙工智能科技有限公司 | 一种场景动态信息检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107845095B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845095A (zh) | 基于三维激光点云的移动物体实时检测算法 | |
Zhang et al. | A review of deep learning-based semantic segmentation for point cloud | |
JP6837467B2 (ja) | 点群データ同士のマッチング関係を確定するための方法及び装置 | |
JP7205613B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
US6826293B2 (en) | Image processing device, singular spot detection method, and recording medium upon which singular spot detection program is recorded | |
Zhou et al. | Self‐supervised learning to visually detect terrain surfaces for autonomous robots operating in forested terrain | |
CN102999152B (zh) | 一种手势动作识别方法和*** | |
CN111328396A (zh) | 用于图像中的对象的姿态估计和模型检索 | |
CN107430776B (zh) | 模板制作装置和模板制作方法 | |
CN108345831A (zh) | 基于点云数据的道路图像分割的方法、装置以及电子设备 | |
CN108710913A (zh) | 一种基于深度学习的开关柜图像开关状态自动识别方法 | |
US6775396B2 (en) | Image processing device, plane detection method, and recording medium upon which plane detection program is recorded | |
CN105957107A (zh) | 行人检测与跟踪方法及装置 | |
CN112581386B (zh) | 一种全自动避雷器检测与跟踪方法 | |
CN116012483A (zh) | 一种图像渲染的方法、装置、存储介质及电子设备 | |
CN114690144A (zh) | 一种点云数据标注方法、装置及*** | |
CN113239915B (zh) | 一种课堂行为的识别方法、装置、设备及存储介质 | |
Liu et al. | A multi-sensor fusion based 2D-driven 3D object detection approach for large scene applications | |
Ding et al. | [Retracted] Animation Design of Multisensor Data Fusion Based on Optimized AVOD Algorithm | |
Li et al. | Low-cost 3D building modeling via image processing | |
Fujiwara et al. | Interactions with a line-follower: An interactive tabletop system with a markerless gesture interface for robot control | |
CN114565753A (zh) | 一种基于改进YOLOv4网络的无人机小目标识别方法 | |
CN114353779A (zh) | 一种采用点云投影快速更新机器人局部代价地图的方法 | |
CN104156058B (zh) | 生成控制指令的方法和*** | |
CN101499176B (zh) | 一种视频游戏接口方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Real time detection method for moving objects based on 3D laser point cloud Effective date of registration: 20230807 Granted publication date: 20201002 Pledgee: Industrial and Commercial Bank of China Limited Shanghai Caohejing Development Zone sub branch Pledgor: VKINGTELE INTELLIGENT TECHNOLOGY CO.,LTD.|SHANGHAI VKINGTELE COMMUNICATION SCIENCE AND TECHNOLOGY CO.,LTD. Registration number: Y2023310000441 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |