CN111402161A - 点云障碍物的去噪方法、装置、设备和存储介质 - Google Patents
点云障碍物的去噪方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111402161A CN111402161A CN202010177539.XA CN202010177539A CN111402161A CN 111402161 A CN111402161 A CN 111402161A CN 202010177539 A CN202010177539 A CN 202010177539A CN 111402161 A CN111402161 A CN 111402161A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- obstacle
- point
- noise
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000004888 barrier function Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 238000013136 deep learning model Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 abstract description 20
- 230000008901 benefit Effects 0.000 abstract description 16
- 230000008569 process Effects 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了点云障碍物的去噪方法、装置、设备和存储介质,涉及自动驾驶领域。具体实现方案为:检测点云数据中的点云障碍物,并确定所述点云障碍物的类别;采用所述类别关联的去噪规则,确定所述点云障碍物中的噪声点;根据所述噪声点,对所述点云障碍物进行去噪处理。本申请实施例通过将噪点过滤环节后移,从以点为单位的过滤去噪优化为以障碍物为单位的过滤去噪,且不同类别的障碍物对应不同去噪规则。在避免障碍物漏检的同时,提高了点云障碍物去噪精度和效率,进而提高障碍物感知过程的准确性和实时性。
Description
技术领域
本申请实施例涉及数据处理领域,尤其涉及自动驾驶技术领域,具体涉及一种点云障碍物的去噪方法、装置、设备和存储介质。
背景技术
激光雷达是自动驾驶技术中的重要组成部分,其扫描获取的点云数据可用于障碍物感知。由于受激光雷达硬件的影响,点云数据中会存在一些噪点。目前,现有技术在进行障碍物感知时,会先采用整帧去噪的方式去除点云数据中的噪声后,再进行障碍物检测,常用的整帧去噪方式有对整帧点云数据进行如傅里叶变化或霍夫变换等处理,还可以是直接采用均值滤波或高斯滤波等方式对整帧点云数据进行迭代去噪等。
但是,现有技术的整帧去噪方式,容易造成点云畸变或小物体缺失,从而导致后续障碍物检测时出现漏检或边界不准确等问题。且整帧去噪运算量较大,导致障碍物感知过程存在较高的延时。
发明内容
本申请实施例了公开一种点云障碍物的去噪方法、装置、设备和存储介质,能够在避免障碍物漏检的同时,提高点云障碍物去噪精度和效率,进而提高障碍物感知过程的实时性。
第一方面,本申请实施例公开了一种点云障碍物的去噪方法,包括:
检测点云数据中的点云障碍物,并确定所述点云障碍物的类别;
采用所述类别关联的去噪规则,确定所述点云障碍物中的噪声点;
根据所述噪声点,对所述点云障碍物进行去噪处理。
上述申请中的一个实施例具有如下优点或有益效果:对采集到的点云数据先检测其中包含的点云障碍物及其所属类别,进而采用各类别关联的去噪规则确定各点云障碍物的噪声点进行去噪处理。本申请的方案,将点云数据噪点去除环节后移,从以点为单位的整帧过滤去噪优化为以障碍物为单位的过滤去噪,且不同障碍物对应不同去噪规则,在避免障碍物漏检的同时,极大的提高了点云障碍物的去噪精度和效率,进而提高障碍物感知过程的准确性和实时性。为点云障碍物的去噪提供了一种新思路。
另外,根据本申请上述实施例的点云障碍物的去噪方法,还可以具有如下附加的技术特征:
可选的,采用所述类别关联的去噪规则,确定所述点云障碍物中的噪声点,包括:
若所述点云障碍物的类别为行人类别,则采用行人类别关联的均值漂移算法,确定所述点云障碍物中的噪声点;
若所述点云障碍物的类别为车辆类别,则采用车辆类别关联的边缘拟合算法,确定所述点云障碍物中的噪声点。
上述申请中的一个实施例具有如下优点或有益效果:对于行人类别的点云障碍物,采用均值漂移算法,来确定点云障碍物中的噪声点;对于车辆类别的点云障碍物,采用边缘拟合算法,来确定点云障碍物中的噪声点。针对行人类别和车辆类别的点云障碍物,根据其特性,采用完全不同的方式确定噪声点,提高了噪声点确定的准确性。
可选的,采用行人类别关联的均值漂移算法,确定所述点云障碍物中的噪声点,包括:
根据行人类别的点云障碍物的初始点云中心和预设半径,对所述点云障碍物的偏移量进行迭代,确定所述点云障碍物的目标点云中心;
根据所述目标点云中心和所述预设半径,确定所述点云障碍物的目标区域;
将所述点云障碍物中位于所述目标区域之外的点云,作为所述点云障碍物中的噪声点。
上述申请中的一个实施例具有如下优点或有益效果:结合行人在点云分布空间上符合圆柱体假设的特征,通过对行人类别的点云障碍物的偏移量不断进行迭代,确定行人类别的点云障碍物的目标点云中心,进而确定出不在行人类别的点云障碍物所在目标区域的噪声点,提高了行人类别点云障碍物噪声点确定的准确性。
可选的,采用车辆类别关联的边缘拟合算法,确定所述点云障碍物中的噪声点,包括:
确定车辆类别的点云障碍物的可见边缘线,其中,所述可见边缘线呈直角状态;
从所述点云障碍物中,获取距离所述可见边缘线小于第一预设距离的点云进行直线拟合,得到目标边缘线;
将所述点云障碍物中不在所述目标边缘线的直角区域内,且距离所述目标边缘线距离大于第二预设距离的点云,作为所述点云障碍物中的噪声点。
可选的,确定车辆类别的点云障碍物的可见边缘线,包括:
确定车辆类别的点云障碍物的包围盒;
将雷达扫描视角内的所述包围盒的呈直角状态的可见包围边,作为所述点云障碍物的可见边缘线。
上述申请中的一个实施例具有如下优点或有益效果:通过车辆类别的点云障碍物的呈直角状态的可见边缘线附近的点云数据,拟合出准确的表征车辆边缘的目标边缘线,进而确定出不在目标边缘线的直角区域,且距离目标边缘线较远的点云作为噪声点,提高了车辆类别点云障碍物噪声点确定的准确性。
可选的,根据所述噪声点,对所述点云障碍物进行去噪处理,包括:
根据所述噪声点的数量和所述点云障碍物的总点云数量,计算所述点云障碍物的噪点比例;
若所述噪点比例小于预设比例值,则根据所述噪声点,对所述点云障碍物进行去噪处理。
上述申请中的一个实施例具有如下优点或有益效果:在点云障碍物的噪声点占点云障碍物总点云数量的噪点比例小于预设比例值时,方可执行对点云障碍物进行去噪处理的操作,避免了因噪声点确定有误,导致点云障碍物去噪出现信息丢失的情况,提高了点云数据去噪的准确性。
可选的,检测点云数据中的点云障碍物,并确定所述点云障碍物的类别,包括:
采用深度学习模型,确定点云数据中的点云障碍物以及所述点云障碍物的类别。
上述申请中的一个实施例具有如下优点或有益效果:采用深度学习模型来确定点云障碍物及其所属类别,提高了从点云数据中提取点云障碍物以及识别点云障碍物类别的准确性。
第二方面,本申请实施例公开了一种点云障碍物的去噪装置,包括:
障碍物检测模块,用于检测点云数据中的点云障碍物,并确定所述点云障碍物的类别;
噪点确定模块,用于采用所述类别关联的去噪规则,确定所述点云障碍物中的噪声点;
去噪处理模块,用于根据所述噪声点,对所述点云障碍物进行去噪处理。
第三方面,本申请实施例公开了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请任意实施例所述的点云障碍物的去噪方法。
第四方面,本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请任意实施例所述的点云障碍物的去噪方法。
上述申请中的一个实施例具有如下优点或有益效果:对采集到的点云数据先检测其中包含的点云障碍物及其所属类别,进而采用各类别关联的去噪规则确定各点云障碍物的噪声点进行去噪处理。本申请的方案,将点云数据噪点去除环节后移,从以点为单位的整帧过滤去噪优化为以障碍物为单位的过滤去噪,且不同障碍物对应不同去噪规则,在避免障碍物漏检的同时,极大的提高了点云障碍物的去噪精度和效率,进而提高障碍物感知过程的准确性和实时性。为点云障碍物的去噪提供了一种新思路。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的一种点云障碍物的去噪方法的流程图;
图2是根据本申请第二实施例的一种点云障碍物的去噪方法的流程图;
图3A-3B是根据本申请第二实施例的车辆类别点云障碍物的点云数据示意图;
图4是根据本申请第三实施例的一种点云障碍物的去噪装置的结构示意图;
图5是用来实现本申请实四施例的点云障碍物的去噪方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
第一实施例
图1是根据本申请第一实施例的一种点云障碍物的去噪方法的流程图,本实施例可适用于对点云数据中的障碍物进行去噪的情况,该方法可由一种点云障碍物的去噪装置来执行,该装置采用软件和/或硬件的方式实现,可优选配置于自动行驶设备中,例如自动驾驶车辆,或可移动机器人等。如图1所示,该方法具体包括如下步骤:
S101,检测点云数据中的点云障碍物,并确定点云障碍物的类别。
其中,在本申请中,点云数据可以是雷达扫描其所处场景以点云的形式记录的三维坐标向量的集合,每一个三维坐标向量可以用(x,y,z)表示。除此之外点云数据中还可以包含每一个点云的反射光强度值。由于雷达固有属性,其扫描的点云数据中不但包含场景中的障碍物,还包括少量的噪声。点云障碍物可以是当前场景下可能会影响自动行驶设备安全行驶的对象,例如,若当前场景为道路场景,则所述点云障碍物可以是道路上的行人、车辆、路牌等对应的点云数据。点云障碍物的类别可以是按照点云障碍物的属性,对其进行分类得到的,可选的,本申请中,点云障碍物的类别可以包括但不限于:行人类别、车辆类别和路标类别等。
可选的,在本申请中,自动行驶设备上配置有雷达,在自动行驶设备行驶的过程中,雷达可以实时扫描当前场景下的点云数据传输给自动行驶设备中的处理器,此时处理器在获取到点云数据后,并不是先对整帧点云数据进行去噪,而是先对扫描到的原始的点云数据进行点云障碍物的检测,并确定检测出的点云障碍物所属类别。可选的,在本申请中,从点云数据中检测点云障碍物,以及确定点云障碍物类别的方法有很多,对此本实施例不进行限定。例如,可以是采用聚类算法或深度学习模型从点云数据中检测点云障碍物,然后再采用图像特征检测或深度学习模型对检测到的点云障碍物进行类别的确定。
可选的,本申请优选采用深度学习模型,确定点云数据中的点云障碍物以及点云障碍物的类别。具体的,可以是预先采用大量点云样本数据,对初始深度学习模型进行训练,得到能够准确识别出点云数据中的障碍物以及能够确定点云障碍物类别的深度学习模型。其中,点云样本数据可以是标注出点云障碍物及其类别的点云数据。在执行本步骤操作时,将雷达扫描到的点云数据输入到训练好的该深度学习模型中,该深度学习模型就会按照训练时的算法,对输入的点云数据进行分析,得到该点云数据中包含的点云障碍物,以及检测出的各点云障碍物所属的类别。需要说明的是,从点云数据中检测点云障碍物的深度学习模型和确定点云障碍物类别的深度学习模型可以是同一个,也可以是两个不同的模型,且深度学习模型的可以采用任何一种基于深度学习的障碍物检测识别算法,对此本实施例不进行限定。
可选的,本申请实施例在检测出点云数据中的点云障碍物,确定点云障碍物障碍的类别属性时,还可以确定出障碍物的其他属性,例如,障碍物的朝向、包围盒等。用于后续确定点云障碍物的噪声或者对点云障碍物进行碰撞检测等后处理操作时使用。
S102,采用类别关联的去噪规则,确定点云障碍物中的噪声点。
其中,本申请中的去噪规则可以是针对不同类别的点云障碍物,结合该类别点云障碍物的特征,专门确定的该类别点云障碍物的噪声识别算法。例如,行人类别的点云障碍物,其在点云分布空间上符合圆柱假设,针对圆柱型特征,为行人类别关联均值漂移算法(即MeanShift算法)来确定行人类别的点云障碍物中的噪声点。车辆类别的点云障碍物,其在点云分布空间上可以看到呈直角状态的可见边缘线,即满足L型假设的可见边缘线,针对该特征,为车辆类别关联边缘拟合算法来确定车辆类别的点云障碍物的噪声点。
可选的,在本申请中,从原始的点云数据中检测出其中包含的点云障碍物后,由于识别点云障碍物前没有进行过去噪处理,所以S101识别到的点云障碍物可避免出现漏检问题,但相应的其中必定包含了一部分噪声点,为了能够精准确定出各点云障碍物中包含的噪声点,本申请预先为各类别的障碍物都设定了其专属的去噪规则,此时本步骤可以是根据各点云障碍物所属类别,采用该类别关联的去噪规则,来精准确定该点云障碍物中包含的噪声点。
可选的,在本申请实施例采用类别关联的去噪规则,确定点云障碍物中的噪声点时,可以是若点云障碍物的类别为行人类别,则采用行人类别关联的均值漂移算法,确定点云障碍物中的噪声点;若点云障碍物的类别为车辆类别,则采用车辆类别关联的边缘拟合算法,确定点云障碍物中的噪声点。具体如何采用均值漂移算法确定行人类别点云障碍物的噪声点,以及如何采用边缘拟合算法确定车辆类别点云障碍物的噪声点的具体实施过程,将在后续实施例进行详细介绍。在此不进行赘述。
需要说明的是,虽然本实施例只给出了行人类别的点云障碍物和车辆类别的点云障碍物关联的去噪规则,但是并不代表本实施例只能确定行人类别和车辆类别的点云障碍物的噪声点,对于其他类别,如路标类别、围栏类别等,也都可以关联有其对应的去噪规则,来识别其他类别的点云障碍物中的噪声点。对此本申请实施例不进行限定。
S103,根据噪声点,对点云障碍物进行去噪处理。
可选的,在本申请实施例中,S102确定出了各点云障碍物的噪声点后,可以是针对每个点云障碍物,将其噪声点滤除,得到该点云障碍物去噪后的精准的点云数据。后续可以将去噪后的精准的点云障碍物的点云数据输入下游的应用处理环节,如碰撞检测环节,完成对点云障碍物的后续处理流程。本申请实施例针对各障碍物的点云数据(即几十个点云)进行噪声点的确定及滤除操作,相比于针对整帧点云数据(即十万个点云)进行噪声点的确定及滤除操作,极大的降低了噪声点确定及滤除的耗时,降低了对点云障碍物进行去噪处理带来的延时,提高了点云数据处理的实时性。
可选的,在本申请实施例中,若点云障碍物的类别确定有误,或者对点云数据分布假设判断有误,就会导致S102确定出的点云障碍物的噪声点有误,如将点云障碍物的实际点云误判为了噪声点。为了防止出现该情况,本申请在执行本步骤操作时,可以是根据所述噪声点的数量和所述点云障碍物的总点云数量,计算所述点云障碍物的噪点比例;若所述噪点比例小于预设比例值,则根据所述噪声点,对所述点云障碍物进行去噪处理。具体的,针对某一个点云障碍物,计算S102确定出的该点云障碍物的噪声点的数量占该点云障碍物的总点云数量的比例,即得到该点云障碍物的噪点比例,然后将该噪点比例,与预设比例值(如30%)进行比较,若小于该预设比例值,则说明噪声点确定准确,可以将其作为该点云障碍物的噪点进行去除。若大于或等于该预设比例值,则说明噪点数量过多,可能出现了噪声点确定有误的情况,此时不执行本步骤的去噪操作,可以是采用其他方式重新确定该点云障碍物的噪声点后,再对该点云障碍物进行去噪操作。从而保证本申请点云障碍物去噪的准确性。
本申请实施例的技术方案,对采集到的点云数据先检测其中包含的点云障碍物及其所属类别,进而采用各类别关联的去噪规则确定各点云障碍物的噪声点进行去噪处理。本申请的方案,将点云数据噪点去除环节后移,从以点为单位的整帧过滤去噪优化为以障碍物为单位的过滤去噪,且不同障碍物对应不同去噪规则,在避免障碍物漏检的同时,极大的提高了点云障碍物的去噪精度和效率,进而提高障碍物感知过程的准确性和实时性。为点云障碍物的去噪提供了一种新思路。
第二实施例
图2是根据本申请第二实施例的一种点云障碍物的去噪方法的流程图,图3A-3B是根据本申请第二实施例的车辆类别点云障碍物的点云数据示意图。本实施例在上述第一实施例的基础上,进行了进一步的优化,给出了采用车辆和行人类别关联的去噪规则,确定点云障碍物中的噪声点的具体实现过程,如图2所示,该方法具体可以包括:
S201,检测点云数据中的点云障碍物,并确定点云障碍物的类别。
S202,判断点云障碍物的类别,若为行人类别,则执行S203,若为车辆类别,则执行S206。
可选的,在本申请实施例中,若S201确定的点云障碍物的类别为行人类别,则执行S203-S205的操作,采用行人类别关联的均值漂移算法,确定所述点云障碍物中的噪声点。若S201确定的点云障碍物的类别为车辆类别,则执行S206-S208的操作,采用车辆类别关联的边缘拟合算法,确定所述点云障碍物中的噪声点。
S203,根据行人类别的点云障碍物的初始点云中心和预设半径,对点云障碍物的偏移量进行迭代,确定点云障碍物的目标点云中心。
其中,在本申请中,行人类别的点云障碍物的初始点云中心可以是在该行人类别的点云障碍物的点云数据中随机选择的。可选的,为了提高噪声点确定的准确性,在选择初始点云中心时,可以尽可能的选择点云障碍物的中心点作为初始点云中心,如可以是计算该行人类别的点云障碍物的点云数据的均值坐标位置,并将其作为该点云障碍物的初始点云中心。行人类别的点云障碍物的预设半径可以是结合行人在点云数据中所占实际区域的大小,预先设置的。目标点云中心,可以是经过均值漂移算法计算后,得到的该行人类别的点云障碍物相对于初始点云中心而言,较为精准的点云中心。
可选的,本步骤基于均值漂移算法,根据行人类别的点云障碍物的初始点云中心和预设半径,对该点云障碍物的偏移量进行迭代,确定目标点云中心的具体执行过程可以包括以下步骤:1)将聚类数(seed)设置为默认数值,如设置为1,以初始点云中心为中心点center,以预设半径为半径radius,确定一个初始区域,将该初始区域内的点云划分到一个聚类中。2)计算从该center到该聚类中的每个点云的向量,并将各点云的向量相加,得到向量漂移量shift。3)将当前的center沿着shift的方向移动,移动距离为||shift||,得到新的center。3)重复执行步骤2)对偏移量进行迭代,直到shift趋于无限小,即迭代到收敛,此时的center即为迭代后的点云障碍物的目标点云中心。
S204,根据目标点云中心和预设半径,确定点云障碍物的目标区域。
可选的,在本申请实施例中,S203已经确定出了该行人类别的点云障碍物的目标点云中心和预设半径,此时可以将该目标点云中心和预设半径围成的区域作为该点云障碍物的目标区域。该目标区域即为采用均值漂移算法确定出的行人类的点云障碍物的实际所在区域。
S205,将点云障碍物中位于目标区域之外的点云,作为点云障碍物中的噪声点。
可选的,基于S204确定出的点云障碍物的目标区域,判断S201中检测出的该点云障碍物的各点云是否落在了该目标区域内,若没有,则将该点云作为该点云障碍物中的噪声点。
S206,确定车辆类别的点云障碍物的可见边缘线。
其中,在本申请中,车辆类别的点云障碍物的可见边缘线可以是车辆类别的点云数据,在点云分布空间上可见的且呈直角状态(即满足L型假设)的车辆边缘线。例如,如图3A所示,方框1中的点云即为S201检测出来的车辆类别的点云障碍物,从图3A可以看出,该点云障碍物在当前点云空间上,其右边缘线和下边缘线即为两条呈直角状态的可见边缘线。
可选的,在本实施例中,确定车辆类别的点云障碍物的可见边缘线的方式有很多,例如,可以是对车辆类别的点云障碍物的点云数据进行直线检测,将检测到的呈直角状态的直线作为该点云障碍物的可见边缘线。还可以是确定车辆类别的点云障碍物的包围盒;将雷达扫描视角内的所述包围盒的呈直角状态的可见包围边,作为所述点云障碍物的可见边缘线。其中,点云障碍物的包围盒可以是离散的点云障碍物的点云集的最优包围空间。如图3A所示,方框1即为图中点云障碍物的包围盒。具体的,该包围盒可以是通过深度学习模型在检测点云障碍物的属性信息时,与点云障碍物的所属类别信息一起检测到时,还可以是对点云数据进行图像处理检测到的,对此本实施例不进行限定。在确定出点云障碍物的包围盒后,由于在点云分布空间中雷达不能同时扫描到车辆的各个面,所以在雷达扫描视角内,通常可以看到的是满足L型假设的车辆边缘线,而点云障碍物的包围盒是该点云障碍物的最优包围空间,所以本申请可以将包围盒在雷达扫描视角内的呈直角状态(即满足L型假设)的可见包围边作为该点云障碍物的可见边缘线。例如,如图3A中,点A为雷达所在位置,点A处发出的两条虚线围成的区域即为雷达的扫描视角,在该视角内,方框1的右边线和下边线为该视角内的可见边线,其他边线均为遮挡不可见,此时可以将方框1的右边线和下边线作为点云障碍物的可见边缘线。可选的,雷达扫描视角可以是根据雷达安装位置和雷达参数而定。
S207,从点云障碍物中,获取距离可见边缘线小于第一预设距离的点云进行直线拟合,得到目标边缘线。
可选的,在本申请中,确定出车辆类别的点云障碍物的可见边缘线后,可以是从S201检测到的该车辆类别的点云障碍物中查找所有距离可见边缘线之间的距离值小于第一预设距离的点云,构成点云集。然后对点云集中的各点云采用直线拟合算法,拟合出两条呈直角状态,即满足L型假设的目标边缘线。例如,如图3B所示,图中的呈L型的直线3即为拟合出的呈直角状态的目标边缘线。
S208,将点云障碍物中不在目标边缘线的直角区域内,且距离目标边缘线距离大于第二预设距离的点云,作为点云障碍物中的噪声点。
可选的,在本申请中,S207确定出的目标边缘线是与车辆点云障碍物的实际边缘最为接近的直线,且目标边缘线呈直角状态,该直角范围内的点云数据就应该属于车辆点云障碍物的数据,所以,本步骤可以是判断S201检测出的该车辆类别的点云障碍的中的各点云是否在目标边缘线围成的直角区域内,若在,则该点云属于点云障碍物的实际点云数据,若不在,还要进一步判断不在直角区域内的点云距离目标边缘线的距离是否大于第二预设距离,若是,则将该点云作为该点云障碍物的噪声点。否则,仍把该点云作为该点云障碍物的实际点云数据。例如,如图3B所示,方框2中的点云即为确定出的该车辆点云障碍物的噪声点。需要说明的是,本申请实施例中,第一预设距离和第二预设距离可以相同也可以不同,可根据实际情况而定。
S209,根据噪声点,对点云障碍物进行去噪处理。
可选的,为了进一步验证S205或S208确定的噪声点的准确性,本实施例还可以是,根据S205或S208确定的噪声点的数量和该点云障碍物的总点云数量,计算该点云障碍物的噪点比例;若噪点比例小于预设比例值,则根据S205或S208确定的噪声点,对该点云障碍物进行去噪处理。
可选的,在本申请实施例中,对于每个点云障碍物,在对其进行障碍物去噪处理后,其包围盒的范围也会相应的进行调整,例如,如图3B所示,图中的方框1的范围和图3A中相比,右边缘和下边缘调整到了目标边缘线位置,此时的包围盒精度更高。需要说明的是,去除了点云障碍物的噪声后,虽然点云障碍物的包围盒发生了变化,但是该点云障碍物的朝向是不发生变化的。
本申请实施例的技术方案,对采集到的点云数据先检测其中包含的点云障碍物及其所属类别,对于行人类别的点云障碍物,基于其在点云分布空间上符合圆柱体假设的特征,通过对点云障碍物的偏移量不断进行迭代,确定障碍物的目标点云中心,进而确定出不在点云障碍物所在目标区域的噪声点,对于车辆类别的点云障碍物,通过车辆点云障碍物的呈直角状态的可见边缘线附近的点云数据,拟合出准确的表征车辆边缘的目标边缘线,进而确定出不在目标边缘线的直角区域,且距离目标边缘线较远的点云作为噪声点。本申请引入障碍物类别的语义先验,对确定语义的障碍物类别,即行人类别和车辆类别的点云障碍物,根据其特性,采用完全不同的方式确定噪声点,极大的提高了噪声点确定及过滤处理的准确性。
第三实施例
图4是根据本申请第三实施例的一种点云障碍物的去噪装置的结构示意图;本实施例可适用于对点云数据中的障碍物进行去噪的情况。该装置可实现本申请第一至第二实施例所述的点云障碍物的去噪方法。该装置可配置于自动行驶设备中,该装置400具体包括如下:
障碍物检测模块401,用于检测点云数据中的点云障碍物,并确定所述点云障碍物的类别;
噪点确定模块402,用于采用所述类别关联的去噪规则,确定所述点云障碍物中的噪声点;
去噪处理模块403,用于根据所述噪声点,对所述点云障碍物进行去噪处理。
本申请实施例的技术方案,对采集到的点云数据先检测其中包含的点云障碍物及其所属类别,进而采用各类别关联的去噪规则确定各点云障碍物的噪声点进行去噪处理。本申请的方案,将点云数据噪点去除环节后移,从以点为单位的整帧过滤去噪优化为以障碍物为单位的过滤去噪,且不同障碍物对应不同去噪规则,在避免障碍物漏检的同时,极大的提高了点云障碍物的去噪精度和效率,进而提高障碍物感知过程的准确性和实时性。为点云障碍物的去噪提供了一种新思路。
进一步的,所述噪点确定模块402包括:
行人噪点确定单元,用于若所述点云障碍物的类别为行人类别,则采用行人类别关联的均值漂移算法,确定所述点云障碍物中的噪声点;
车辆噪点确定单元,用于若所述点云障碍物的类别为车辆类别,则采用车辆类别关联的边缘拟合算法,确定所述点云障碍物中的噪声点。
进一步的,所述行人噪点确定单元具体用于:
根据行人类别的点云障碍物的初始点云中心和预设半径,对所述点云障碍物的偏移量进行迭代,确定所述点云障碍物的目标点云中心;
根据所述目标点云中心和所述预设半径,确定所述点云障碍物的目标区域;
将所述点云障碍物中位于所述目标区域之外的点云,作为所述点云障碍物中的噪声点。
进一步的,所述车辆噪点确定单元具体用于:
确定车辆类别的点云障碍物的可见边缘线,其中,所述可见边缘线呈直角状态;
从所述点云障碍物中,获取距离所述可见边缘线小于第一预设距离的点云进行直线拟合,得到目标边缘线;
将所述点云障碍物中不在所述目标边缘线的直角区域内,且距离所述目标边缘线距离大于第二预设距离的点云,作为所述点云障碍物中的噪声点。
进一步的,所述车辆噪点确定单元在执行确定车辆类别的点云障碍物的可见边缘线时,具体用于:
确定车辆类别的点云障碍物的包围盒;
将雷达扫描视角内的所述包围盒的呈直角状态的可见包围边,作为所述点云障碍物的可见边缘线。
进一步的,所述去噪处理模块403具体用于:
根据所述噪声点的数量和所述点云障碍物的总点云数量,计算所述点云障碍物的噪点比例;
若所述噪点比例小于预设比例值,则根据所述噪声点,对所述点云障碍物进行去噪处理。
进一步的,所述障碍物检测模块401具体用于:
采用深度学习模型,确定点云数据中的点云障碍物以及所述点云障碍物的类别。
第四实施例
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的点云障碍物的去噪方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置,诸如,耦合至接口的显示设备,其上显示图形用户界面(Graphical User Interface,GUI)的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作,例如,作为服务器阵列、一组刀片式服务器、或者多处理器***。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的点云障碍物的去噪方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的点云障碍物的去噪方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的点云障碍物的去噪方法对应的程序指令/模块,例如,附图4所示的障碍物检测模块401、噪点确定模块402和去噪处理模块403。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的点云障碍物的去噪方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据点云障碍物的去噪方法的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至点云障碍物的去噪方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
点云障碍物的去噪方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与点云障碍物的去噪方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置和触觉反馈装置等,其中,辅助照明装置例如发光二极管(Light Emitting Diode,LED);触觉反馈装置例如,振动电机等。该显示设备可以包括但不限于,液晶显示器(Liquid Crystal Display,LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用集成电路(Application Specific Integrated Circuit,ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序,也称作程序、软件、软件应用、或者代码,包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置,例如,磁盘、光盘、存储器、可编程逻辑装置(Programmable Logic Device,PLD),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置,例如,阴极射线管(Cathode Ray Tube,CRT)或者LCD监视器;以及键盘和指向装置,例如,鼠标或者轨迹球,用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈,例如,视觉反馈、听觉反馈、或者触觉反馈;并且可以用任何形式,包括声输入、语音输入或者、触觉输入,来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***,例如,作为数据服务器、或者包括中间件部件的计算***,例如,应用服务器、或者实施在包括前端部件的计算***,例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互、或者实施在包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信,例如,通信网络,来将***的部件相互连接。通信网络的示例包括:局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,对采集到的点云数据先检测其中包含的点云障碍物及其所属类别,进而采用各类别关联的去噪规则确定各点云障碍物的噪声点进行去噪处理。本申请的方案,将点云数据噪点去除环节后移,从以点为单位的整帧过滤去噪优化为以障碍物为单位的过滤去噪,且不同障碍物对应不同去噪规则,在避免障碍物漏检的同时,极大的提高了点云障碍物的去噪精度和效率,进而提高障碍物感知过程的准确性和实时性。为点云障碍物的去噪提供了一种新思路。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种点云障碍物的去噪方法,其特征在于,所述方法包括:
检测点云数据中的点云障碍物,并确定所述点云障碍物的类别;
采用所述类别关联的去噪规则,确定所述点云障碍物中的噪声点;
根据所述噪声点,对所述点云障碍物进行去噪处理。
2.根据权利要求1所述的方法,其特征在于,采用所述类别关联的去噪规则,确定所述点云障碍物中的噪声点,包括:
若所述点云障碍物的类别为行人类别,则采用行人类别关联的均值漂移算法,确定所述点云障碍物中的噪声点;
若所述点云障碍物的类别为车辆类别,则采用车辆类别关联的边缘拟合算法,确定所述点云障碍物中的噪声点。
3.根据权利要求2所述的方法,其特征在于,采用行人类别关联的均值漂移算法,确定所述点云障碍物中的噪声点,包括:
根据行人类别的点云障碍物的初始点云中心和预设半径,对所述点云障碍物的偏移量进行迭代,确定所述点云障碍物的目标点云中心;
根据所述目标点云中心和所述预设半径,确定所述点云障碍物的目标区域;
将所述点云障碍物中位于所述目标区域之外的点云,作为所述点云障碍物中的噪声点。
4.根据权利要求2所述的方法,其特征在于,采用车辆类别关联的边缘拟合算法,确定所述点云障碍物中的噪声点,包括:
确定车辆类别的点云障碍物的可见边缘线,其中,所述可见边缘线呈直角状态;
从所述点云障碍物中,获取距离所述可见边缘线小于第一预设距离的点云进行直线拟合,得到目标边缘线;
将所述点云障碍物中不在所述目标边缘线的直角区域内,且距离所述目标边缘线距离大于第二预设距离的点云,作为所述点云障碍物中的噪声点。
5.根据权利要求4所述的方法,其特征在于,确定车辆类别的点云障碍物的可见边缘线,包括:
确定车辆类别的点云障碍物的包围盒;
将雷达扫描视角内的所述包围盒的呈直角状态的可见包围边,作为所述点云障碍物的可见边缘线。
6.根据权利要求1所述的方法,其特征在于,根据所述噪声点,对所述点云障碍物进行去噪处理,包括:
根据所述噪声点的数量和所述点云障碍物的总点云数量,计算所述点云障碍物的噪点比例;
若所述噪点比例小于预设比例值,则根据所述噪声点,对所述点云障碍物进行去噪处理。
7.根据权利要求1所述的方法,其特征在于,检测点云数据中的点云障碍物,并确定所述点云障碍物的类别,包括:
采用深度学习模型,确定点云数据中的点云障碍物以及所述点云障碍物的类别。
8.一种点云障碍物的去噪装置,其特征在于,所述装置包括:
障碍物检测模块,用于检测点云数据中的点云障碍物,并确定所述点云障碍物的类别;
噪点确定模块,用于采用所述类别关联的去噪规则,确定所述点云障碍物中的噪声点;
去噪处理模块,用于根据所述噪声点,对所述点云障碍物进行去噪处理。
9.根据权利要求8所述的装置,其特征在于,所述噪点确定模块包括:
行人噪点确定单元,用于若所述点云障碍物的类别为行人类别,则采用行人类别关联的均值漂移算法,确定所述点云障碍物中的噪声点;
车辆噪点确定单元,用于若所述点云障碍物的类别为车辆类别,则采用车辆类别关联的边缘拟合算法,确定所述点云障碍物中的噪声点。
10.根据权利要求9所述的装置,其特征在于,所述行人噪点确定单元具体用于:
根据行人类别的点云障碍物的初始点云中心和预设半径,对所述点云障碍物的偏移量进行迭代,确定所述点云障碍物的目标点云中心;
根据所述目标点云中心和所述预设半径,确定所述点云障碍物的目标区域;
将所述点云障碍物中位于所述目标区域之外的点云,作为所述点云障碍物中的噪声点。
11.根据权利要求9所述的装置,其特征在于,所述车辆噪点确定单元具体用于:
确定车辆类别的点云障碍物的可见边缘线,其中,所述可见边缘线呈直角状态;
从所述点云障碍物中,获取距离所述可见边缘线小于第一预设距离的点云进行直线拟合,得到目标边缘线;
将所述点云障碍物中不在所述目标边缘线的直角区域内,且距离所述目标边缘线距离大于第二预设距离的点云,作为所述点云障碍物中的噪声点。
12.根据权利要求11所述的装置,其特征在于,所述车辆噪点确定单元执行确定车辆类别的点云障碍物的可见边缘线时,具体用于:
确定车辆类别的点云障碍物的包围盒;
将雷达扫描视角内的所述包围盒的呈直角状态的可见包围边,作为所述点云障碍物的可见边缘线。
13.根据权利要求8所述的装置,其特征在于,所述去噪处理模块具体用于:
根据所述噪声点的数量和所述点云障碍物的总点云数量,计算所述点云障碍物的噪点比例;
若所述噪点比例小于预设比例值,则根据所述噪声点,对所述点云障碍物进行去噪处理。
14.根据权利要求8所述的装置,其特征在于,所述障碍物检测模块具体用于:
采用深度学习模型,确定点云数据中的点云障碍物以及所述点云障碍物的类别。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的点云障碍物的去噪方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的点云障碍物的去噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177539.XA CN111402161B (zh) | 2020-03-13 | 2020-03-13 | 点云障碍物的去噪方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177539.XA CN111402161B (zh) | 2020-03-13 | 2020-03-13 | 点云障碍物的去噪方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402161A true CN111402161A (zh) | 2020-07-10 |
CN111402161B CN111402161B (zh) | 2023-07-21 |
Family
ID=71413461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010177539.XA Active CN111402161B (zh) | 2020-03-13 | 2020-03-13 | 点云障碍物的去噪方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402161B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560258A (zh) * | 2020-12-10 | 2021-03-26 | 中国第一汽车股份有限公司 | 一种测试方法、装置、设备及存储介质 |
CN115249349A (zh) * | 2021-11-18 | 2022-10-28 | 上海仙途智能科技有限公司 | 一种点云去噪方法、电子设备及存储介质 |
WO2023005572A1 (zh) * | 2021-07-27 | 2023-02-02 | 华能伊敏煤电有限责任公司 | 自动驾驶矿卡车的点云数据中过滤车身技术的应用方法 |
CN116051427A (zh) * | 2023-03-31 | 2023-05-02 | 季华实验室 | 点云去噪模型获取方法、点云融合方法及其相关设备 |
WO2023155389A1 (zh) * | 2022-02-16 | 2023-08-24 | 中国第一汽车股份有限公司 | 三维物体检测方法、装置、存储介质、处理器及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157608A (zh) * | 2015-08-31 | 2015-12-16 | 浙江大华技术股份有限公司 | 一种超限车辆的检测方法、装置及*** |
CN106772435A (zh) * | 2016-12-12 | 2017-05-31 | 浙江华飞智能科技有限公司 | 一种无人机避障方法和装置 |
US20180189578A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Lane Network Construction Using High Definition Maps for Autonomous Vehicles |
CN108984741A (zh) * | 2018-07-16 | 2018-12-11 | 北京三快在线科技有限公司 | 一种地图生成方法及装置、机器人和计算机可读存储介质 |
US20190180467A1 (en) * | 2017-12-11 | 2019-06-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying and positioning objects around a vehicle |
CN109949375A (zh) * | 2019-02-02 | 2019-06-28 | 浙江工业大学 | 一种基于深度图感兴趣区域的移动机器人目标跟踪方法 |
CN110109142A (zh) * | 2019-04-04 | 2019-08-09 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
CN110362077A (zh) * | 2019-07-03 | 2019-10-22 | 上海交通大学 | 无人驾驶车辆紧急避险决策***、方法及介质 |
-
2020
- 2020-03-13 CN CN202010177539.XA patent/CN111402161B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157608A (zh) * | 2015-08-31 | 2015-12-16 | 浙江大华技术股份有限公司 | 一种超限车辆的检测方法、装置及*** |
CN106772435A (zh) * | 2016-12-12 | 2017-05-31 | 浙江华飞智能科技有限公司 | 一种无人机避障方法和装置 |
US20180189578A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Lane Network Construction Using High Definition Maps for Autonomous Vehicles |
US20190180467A1 (en) * | 2017-12-11 | 2019-06-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying and positioning objects around a vehicle |
CN108984741A (zh) * | 2018-07-16 | 2018-12-11 | 北京三快在线科技有限公司 | 一种地图生成方法及装置、机器人和计算机可读存储介质 |
CN109949375A (zh) * | 2019-02-02 | 2019-06-28 | 浙江工业大学 | 一种基于深度图感兴趣区域的移动机器人目标跟踪方法 |
CN110109142A (zh) * | 2019-04-04 | 2019-08-09 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
CN110362077A (zh) * | 2019-07-03 | 2019-10-22 | 上海交通大学 | 无人驾驶车辆紧急避险决策***、方法及介质 |
Non-Patent Citations (3)
Title |
---|
Y. WANG 等: "VISION BASED OBSTACLE DETECTION USING ROVER STEREO IMAGES", 《REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
李鹏飞: "点云模型的噪声分类去噪算法", 《计算机工程与应用》 * |
袁华 等: "基于噪声分类的双边滤波点云去噪算法", 《计算机应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560258A (zh) * | 2020-12-10 | 2021-03-26 | 中国第一汽车股份有限公司 | 一种测试方法、装置、设备及存储介质 |
WO2023005572A1 (zh) * | 2021-07-27 | 2023-02-02 | 华能伊敏煤电有限责任公司 | 自动驾驶矿卡车的点云数据中过滤车身技术的应用方法 |
CN115249349A (zh) * | 2021-11-18 | 2022-10-28 | 上海仙途智能科技有限公司 | 一种点云去噪方法、电子设备及存储介质 |
WO2023155389A1 (zh) * | 2022-02-16 | 2023-08-24 | 中国第一汽车股份有限公司 | 三维物体检测方法、装置、存储介质、处理器及*** |
CN116051427A (zh) * | 2023-03-31 | 2023-05-02 | 季华实验室 | 点云去噪模型获取方法、点云融合方法及其相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111402161B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220383535A1 (en) | Object Tracking Method and Device, Electronic Device, and Computer-Readable Storage Medium | |
CN111402161A (zh) | 点云障碍物的去噪方法、装置、设备和存储介质 | |
KR20220113829A (ko) | 차량 추적 방법, 장치 및 전자 기기 | |
CN112150558B (zh) | 用于路侧计算设备的障碍物三维位置获取方法及装置 | |
CN110598541B (zh) | 一种提取道路边缘信息的方法及设备 | |
CN112560684B (zh) | 车道线检测方法、装置、电子设备、存储介质以及车辆 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN110717933B (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
CN111402160B (zh) | 一种点云数据去噪方法、装置、设备和存储介质 | |
CN112509126B (zh) | 三维物体检测的方法、装置、设备及存储介质 | |
CN111337898B (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN114091515A (zh) | 障碍物检测方法、装置、电子设备和存储介质 | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
CN111950345A (zh) | 摄像头的识别方法、装置、电子设备和存储介质 | |
CN111353466A (zh) | 车道线识别处理方法、设备、存储介质 | |
CN111597987A (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN114005098A (zh) | 高精地图车道线信息的检测方法、装置和电子设备 | |
CN115909253A (zh) | 一种目标检测、模型训练方法、装置、设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN115937449A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN116469073A (zh) | 目标识别方法、装置、电子设备、介质及自动驾驶车辆 | |
CN111968071B (zh) | 车辆的空间位置生成方法、装置、设备及存储介质 | |
CN114495049A (zh) | 识别车道线的方法和装置 |
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 |