CN112508803A - 一种三维点云数据的去噪方法、装置及存储介质 - Google Patents
一种三维点云数据的去噪方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112508803A CN112508803A CN202011207090.3A CN202011207090A CN112508803A CN 112508803 A CN112508803 A CN 112508803A CN 202011207090 A CN202011207090 A CN 202011207090A CN 112508803 A CN112508803 A CN 112508803A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- frame
- data
- denoising
- 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 93
- 239000002245 particle Substances 0.000 claims abstract description 108
- 238000001914 filtration Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007704 transition Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000013598 vector Substances 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种三维点云数据的去噪方法、装置及存储介质,该方法对激光雷达采集的三维点云数据进行处理,包括读取所述三维点云数据;对所述三维点云数据进行预处理,得到原始点云数据;融合粒子滤波法和动态半径滤波法,获取约束条件,所述约束条件包括点云追踪次数、点云相似度和点云FPFH特征差距;根据所述约束条件,对所述原始点云数据进行去噪处理;本发明采用融合粒子滤波法和动态半径滤波法来进行点云去噪处理,能够保证在去除噪声点的同时,不破坏其它点云的环境;去噪效果更佳,更完全,能够实现在不破坏非噪声点云的环境特征的同时,提高去除噪声点的准确率。本发明可广泛应用于数据处理领域。
Description
技术领域
本发明涉及数据处理领域,尤其是一种三维点云数据的去噪方法、装置及存储介质。
背景技术
雨雪天气往往会破坏传感器测量,特别是激光雷达传感器,可能会使邻近区域变形和干扰,从而降低许多跟踪、检测算法的性能;目前大多数去雨雪噪声影响的研究大多是基于二维的图像进行的。基于三维的点云数据去除特定的噪声点存在一定的难度,不仅要保证去掉噪声点的准确性,还要保留其它点云的环境特征;目前,采用的一些方法对激光雷达采集到的三维点云数据进行去噪,其去噪效果不佳且不够准确。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种三维点云数据的去噪方法、装置及存储介质。
本发明所采取的技术方案是:
一方面,本发明实施例包括一种三维点云数据的去噪方法,包括:
读取所述三维点云数据;
对所述三维点云数据进行预处理,得到原始点云数据;
融合粒子滤波法和动态半径滤波法,获取约束条件,所述约束条件包括点云追踪次数、点云相似度和点云FPFH特征差距;
根据所述约束条件,对所述原始点云数据进行去噪处理。
进一步地,去除所述原始点云数据中的噪声点,所述噪声点满足以下条件:
所述点云追踪次数大于第一阈值;
且
所述点云相似度大于第二阈值;
且
所述点云FPFH特征差距小于第三阈值。
进一步地,所述点云追踪次数是通过以下步骤获取:
通过所述粒子滤波法,对每一帧的所述原始点云数据进行追踪;
计算追踪到第一点云所对应的点云的帧数,所述帧数为点云追踪次数,所述第一点云为所述原始点云数据中的任意一个点云。
进一步地,通过所述粒子滤波法,对每一帧的所述原始点云数据进行追踪之后,还执行以下步骤:
若在连续帧中都追踪到第一点云,则确定所述第一点云不是噪声点并保留所述第一点云;反之,则确定所述第一点云为噪声点并去除所述第一点云。
进一步地,所述点云相似度通过以下步骤获取:
通过粒子滤波法获取第一帧点云数据的点云集,所述第一帧点云数据为原始点云数据中的任意一帧数据;
通过动态半径滤波法,计算得到第二帧点云数据中粒子的观测值,所述第二帧点云数据为所述第一帧点云数据的下一个连续帧;
根据所述点云集和所述粒子的观测值,计算得到点云相似度。
进一步地,所述通过动态半径滤波法,计算得到第二帧点云数据中粒子的观测值这一步骤,具体包括:
通过动态半径滤波法,确定第二帧点云数据中粒子的观测半径;
根据所述观测半径,计算得到所述观测值。
进一步地,所述通过动态半径滤波法,确定第二帧点云数据中粒子的观测半径这一步骤,具体包括:
计算粒子到激光雷达的欧式距离;
如果所述欧式距离小于第四阈值,则将预先设定的半径值确定为所述观测半径;
如果所述欧式距离大于第四阈值,则根据公式计算得到所述观测半径,所述公式为:
SR=β×(r×α);
式中,SR为观测半径,r为期望点间距,α为激光雷达的水平角分辨率,β为参数。
进一步地,所述点云FPFH特征差距通过以下步骤获取:
通过粒子滤波法获取第一点云集和第二点云集,所述第一点云集为所述第一帧点云数据的点云集,所述第二点云集为所述第二帧点云数据的点云集;
使用快速点特征直方图描述所述第一点云集的特征为第一特征;
使用快速点特征直方图描述所述第二点云集的特征为第二特征;
根据所述第一特征和所述第二特征,计算得到余弦距离,所述余弦距离为点云FPFH特征差距。
另一方面,本发明实施例还包括一种三维点云数据的去噪装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的一种三维点云数据的去噪方法。
另一方面,本发明实施例还包括计算机可读存储介质,其上存储有处理器可执行的程序,所述处理器可执行的程序在被处理器执行时用于实现所述的一种三维点云数据的去噪方法。
本发明的有益效果是:
本发明采用融合粒子滤波法和动态半径滤波法来进行点云去噪处理,利用噪声点在时间和空间上的不连续特点,在计算观测值时,利用动态半径滤波法的思想,通过根据粒子到激光雷达的欧式距离来动态调整观测半径,以提高去噪的准确率;同时,通过获取点云FPFH特征差距等约束条件,再根据约束条件进行去噪处理,能够保证在去除噪声点的同时,不破坏其它点云的环境;本发明去噪效果更佳,更完全,能够实现在不破坏非噪声点云的环境特征的同时,提高去除噪声点的准确率。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所述三维点云数据的去噪方法的步骤流程图;
图2为本发明的一个实施例所述的具体的三维点云数据去噪的流程图;
图3为本发明的一个实施例所述的具体的三维点云数据去噪的算法示意图;
图4为本发明实施例所述的一种三维点云数据的去噪装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面结合附图,对本申请实施例作进一步阐述。
参照图去1,本发明实施例提供一种三维点云数据的去噪方法,包括但不限于以下步骤:
S1.读取所述三维点云数据;
S2.对所述三维点云数据进行预处理,得到原始点云数据;
S3.融合粒子滤波法和动态半径滤波法,获取约束条件,所述约束条件包括点云追踪次数、点云相似度和点云FPFH特征差距;
S4.根据所述约束条件,对所述原始点云数据进行去噪处理。
本实施例是基于激光雷达采集的点云数据去噪声点的方法,雨雪天气往往会破坏传感器测量,特别是激光雷达传感器,可能会使邻近区域变形和干扰,从而降低许多跟踪、检测算法的性能。本实施例中,通过激光雷达采集三维点云数据,该方法方便、快捷、建模准确,能够精细地获得物体表面的几何纹理信息,本实施例中使用velodyneVLP-16激光雷达采集数据,采集到三维点云数据后,读取采集到的三维点云数据,并对所述数据进行预处理,得到原始点云数据,即完成步骤S1和S2。
下面具体介绍步骤S3中的粒子滤波法和动态半径滤波法。
粒子滤波是以贝叶斯推理(点击打开链接)和重要性采样为基本框架,粒子滤波的思想基于蒙特卡洛方法,它是利用粒子集来表示概率,可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布,是一种顺序重要性采样法(Sequential Importance Sampling)。简单来说,粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似,以样本均值代替积分运算,从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。
具体地,粒子滤波包括:
一、粒子滤波步骤:
1、初始状态:用大量粒子模拟X(t),粒子在空间内均匀分布;
2、预测阶段:根据状态转移方程,每一个粒子得到一个预测粒子;
3、校正阶段:对预测粒子进行评价,越接近于真实状态的粒子,其权重越大;
4、重采样:根据粒子权重对粒子进行筛选,筛选过程中,既要大量保留权重大的粒子,又要有一小部分权重小的粒子;
5、滤波:将重采样后的粒子带入状态转移方程得到新的预测粒子,即步骤2。
二、上述过程,每一步的具体做法
首先,看看如下任意状态下的状态方程;
x(t)=f(x(t-1),u(t),w(t))
y(t)=h(x(t),e(t))
其中,x(t)为t时刻状态,u(t)为控制量,w(t)和e(t)分别为状态噪音和观测噪音。前一个方程描述是状态转移,后一个是观测方程。
初始状态:由于开始对x(0)一无所知,所有我们认为x(0)在全状态空间内平均分布。然后将所有采样输入状态转移方程,得到预测粒子。
预测阶段:粒子滤波首先根据x(t-1)的概率分布生成大量的采样,这些采样就称之为粒子。那么这些采样在状态空间中的分布实际是x(t-1)的概率分布了。接下来依据状态转移方程加上控制量可以对每一粒子得到一个预测粒子。
校正阶段:观测值y到达后,利用观测方程即条件概率P(y|xi),对所有的粒子进行评价。直白的说,这个条件概率代表了假设真实状态x(t)取第i个粒子xi时获得观测y的概率。令这个条件概率为第i个粒子的权重。如此这样,继续对所有的粒子都进行这么个评价,那么越有可能获得观测y的粒子,当然获得的权重越高。
重采样:去除低权值的粒子,复制高权值的粒子,得到我们需要的真实状态x(t)。而这些重采样后的粒子,就代表了真实状态的概率分布。下一轮滤波,再将重采样后的粒子集输入到状态转移方程中,直接就能够获得预测粒子了。
动态半径滤波法DROR:对于每个点云,通过计算期望点间距r,乘以激光雷达的水平角分辨率α,和参数β来设置搜索半径SR,参数β用于解释不垂直于激光雷达光束的表面的点间距增加(因此应使用β>1),还需指定最小搜索半径SRmin,以避免对靠近激光雷达的点云使用非常小的搜索半径。如果一个点在指定的搜索中没有指定的最小点数kmin,则该点被分类为异常值,即判断该点云为噪声点。
从点云数据上看,很难辨别噪声点和距离激光雷达传感器远处的稀疏点云,但噪声点在时间上和空间上不连续,可以利用这一特性来实现去除噪声;时间上而言,因为在连续的帧中噪声不会保持稳定的特征,可以通过粒子滤波来对每一帧的点云进行追踪,若在连续帧中追踪到对应的点云,则说明在时间上连续,则不认为是噪声点,否则认为是噪声点;空间上而言,通过粒子滤波计算在当前帧的观测值时,可融入动态半径滤波的方法来实现约束。一般是通过设定固定的半径结合K邻近来计算观测值。然而,通过分析距离激光雷达点云数据的特点,从原理上说,距离激光雷达越近的物体反射回来的激光更多,对应的点云越密集。相反,越远的点云越稀疏。这样远距离但非噪声点的点云在计算观测值时会存在一定的影响,从而导致相似度小于预定的阈值而被误判为噪声点。因此,在计算粒子的观测值时引入动态半径滤波的思想,通过根据当前粒子到激光雷达的欧式距离来动态调整观测半径。计算粒子相似度的部分,为了保留点云的环境特征,增加了一个计算点云集特征的步骤来约束后续的去噪条件。使用快速点特征直方图FPFH方法来描述点集的特征,增加了点云的约束条件。然后根据约束条件进行追踪点云,若连续几帧未追踪到同一点云,则说明该粒子所追踪的点云为噪声。
具体地,本实施例中,去除所述原始点云数据中的噪声点,所述噪声点满足以下条件:
所述点云追踪次数大于第一阈值;
且
所述点云相似度大于第二阈值;
且
所述点云FPFH特征差距小于第三阈值。
本实施例中,只有当第一点云满足点云追踪次数大于第一阈值,同时,点云相似度大于第二阈值,且点云FPFH特征差距小于第三阈值时,才确定第一点云是噪声点,此时,去除第一点云,否则不是噪声点,则需要保留第一点云。所述第一阈值、第二阈值和第三阈值均为预先预设的阈值,第一、第二、第三只是用于区分所述阈值为不同类阈值,而非同一个阈值。
具体地,在t0帧点云图中对粒子进行预测,预测其在t0+1帧点云图里的位置,接着根据动态半径滤波计算出来的搜索半径计算粒子的观测值,然后对观测值的点云的追踪次数进行更新,更新为t0帧中粒子所对应的点云的追踪次数加上1,并且计算观测值的相似度和特征值FPFH的差距,然后对点云进行三个条件判断,追踪次数是否小于第一阈值并且点云相似度是否小于第二阈值,FPFH特征差是否大于第三阈值,三个条件都满足则说明当前第二点云中该点云为雨雪噪点,否则不为噪点。
进一步,作为可选的实施方式,所述点云追踪次数是通过以下步骤获取:
通过所述粒子滤波法,对每一帧的所述原始点云数据进行追踪;
计算追踪到第一点云所对应的点云的帧数,所述帧数为点云追踪次数,所述第一点云为所述原始点云数据中的任意一个点云。
本实施例中,在t0帧点云图中对粒子进行预测,预测其在t0+1帧点云图里的位置,接着根据动态半径滤波计算出来的搜索半径计算粒子的观测值,然后对观测值的点云的追踪次数进行更新,更新为t0帧中粒子所对应的点云的追踪次数加上1,以此类推,可获取点云追踪次数。
具体地,通过所述粒子滤波法,对每一帧的所述原始点云数据进行追踪之后,还执行以下步骤:
若在连续帧中都追踪到第一点云,则确定所述第一点云不是噪声点并保留所述第一点云;反之,则确定所述第一点云为噪声点并去除所述第一点云。
本实施例中,若当前帧的点云能被之前的帧的点云连续追踪到,则说明当前帧的点云不是噪声点,应该被保留下来,否则去除该噪点。
同样地,作为可选的实施方式,所述点云相似度通过以下步骤获取:
通过粒子滤波法获取第一帧点云数据的点云集,所述第一帧点云数据为原始点云数据中的任意一帧数据;
通过动态半径滤波法,计算得到第二帧点云数据中粒子的观测值,所述第二帧点云数据为所述第一帧点云数据的下一个连续帧;
根据所述点云集和所述粒子的观测值,计算得到点云相似度。
本实施例中,粒子会记录其在第一帧点云中用搜索半径搜索到的点云集R0,然后在第二帧点云中通过动态半径滤波计算得到搜索半径,根据搜索半径计算粒子在第二帧的观测值R,然后根据R和R0即可计算点云相似度。
具体地,所述通过动态半径滤波法,计算得到第二帧点云数据中粒子的观测值这一步骤,具体包括:
通过动态半径滤波法,确定第二帧点云数据中粒子的观测半径;
根据所述观测半径,计算得到所述观测值。
具体地,所述通过动态半径滤波法,确定第二帧点云数据中粒子的观测半径这一步骤,具体包括:
计算粒子到激光雷达的欧式距离;
如果所述欧式距离小于第四阈值,则将预先设定的半径值确定为所述观测半径;
如果所述欧式距离大于第四阈值,则根据公式计算得到所述观测半径,所述公式为:
SR=β×(r×α);
式中,SR为观测半径,r为期望点间距,α为激光雷达的水平角分辨率,β为参数。
同样地,作为可选的实施方式,所述点云FPFH特征差距通过以下步骤获取:
通过粒子滤波法获取第一点云集和第二点云集,所述第一点云集为所述第一帧点云数据的点云集,所述第二点云集为所述第二帧点云数据的点云集;
使用快速点特征直方图描述所述第一点云集的特征为第一特征;
使用快速点特征直方图描述所述第二点云集的特征为第二特征;
根据所述第一特征和所述第二特征,计算得到余弦距离,所述余弦距离为点云FPFH特征差距。
具体地,FPFH的特征差距是通过计算两个特征向量的余弦距离来得到的,余弦距离的计算公式为:
其中,a和b分别为两个FPFH特征向量。
参照图2,图2为融合粒子滤波法和动态半径滤波法,对三维点云数据进行去噪的具体例子。去噪的主要步骤如下:
(1)粒子集初始化阶段;
(2)根据状态方程进行粒子的传播;
(3)基于动态半径滤波的思想确定粒子的观测半径,计算粒子的观测值;
i.计算粒子到激光雷达的欧氏距离rp,
ii.如果rp小于阈值,则观测半径为预先设定好的观测半径SRmin,
iii.如果rp大于阈值,则根据公式SR=β×(r×α)计算观测半径,α为激光雷达的水平角分辨率,参数β用于解释不垂直于激光雷达光束的表面的点间距增加(β>1),r为期望点间距,
(4)根据观测半径,计算粒子在当前帧的观测值;
(5)更新粒子的权重,根据粒子的观测值和在上一帧的追踪到的点云集计算相似度;
(6)增加点云特征描述部分,使用快速点特征直方图FPFH方法来描述在当前帧观测到的点云集的特征,并使用快速点特征直方图FPFH方法描述该粒子追踪到的上一帧点云集的特征,计算二者的余弦距离作为点云FPFH特征差距;
(7)重采样,将权重小的粒子删除,增加权重大的粒子;
(8)结合粒子当前帧的点云相似度、点云FPFH特征差距、追踪到的点云的追踪帧数(点云追踪次数)这三个约束条件,判断是否为噪声点;
(9)根据当前帧中的点云信息更新粒子。
具体地,还可参照图3,图3示出了融合粒子滤波法和动态半径滤波法,对三维点云数据去噪的算法,本算法中,如果点云q连续三帧被追踪到且相似度大于阈值,且点云FPFH特征差距小于阈值,则判断点云q为噪声点,去除点云q。
综上所述,本实施例中所述的一种三维点云数据的去噪方法具有以下优点:
本发明实施例采用融合粒子滤波法和动态半径滤波法来进行点云去噪处理,利用噪声点在时间和空间上的不连续特点,在计算观测值时,利用动态半径滤波法的思想,通过根据粒子到激光雷达的欧式距离来动态调整观测半径,以提高去噪的准确率;同时,通过获取点云FPFH特征差距等约束条件,再根据约束条件进行去噪处理,能够保证在去除噪声点的同时,不破坏其它点云的环境;本发明去噪效果更佳,更完全,能够实现在不破坏非噪声点云的环境特征的同时,提高去除噪声点的准确率。
参照图4,本发明实施例还提供了一种三维点云数据的去噪装置200,具体包括:
至少一个处理器210;
至少一个存储器220,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器210执行,使得所述至少一个处理器210实现如图1及图2所示的方法。
其中,存储器220作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。存储器220可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器220可选包括相对于处理器210远程设置的远程存储器,这些远程存储器可以通过网络连接至处理器210。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。
可以理解到,图4中示出的***结构并不构成对装置200的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图4所示的装置200中,处理器210可以调取存储器220中储存的程序,并执行但不限于图1和图2所示实施例的步骤。
以上所描述的装置200实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现实施例的目的。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有处理器可执行的程序,所述处理器可执行的程序在被处理器执行时用于实现如图1和图2所示的方法。
本申请实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图图1和图2所示的方法。
可以理解的是,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种三维点云数据的去噪方法,对激光雷达采集的三维点云数据进行处理,其特征在于,包括:
读取所述三维点云数据;
对所述三维点云数据进行预处理,得到原始点云数据;
融合粒子滤波法和动态半径滤波法,获取约束条件,所述约束条件包括点云追踪次数、点云相似度和点云FPFH特征差距;
根据所述约束条件,对所述原始点云数据进行去噪处理。
2.根据权利要求1所述的一种三维点云数据的去噪方法,其特征在于,去除所述原始点云数据中的噪声点,所述噪声点满足以下条件:
所述点云追踪次数大于第一阈值;
且
所述点云相似度大于第二阈值;
且
所述点云FPFH特征差距小于第三阈值。
3.根据权利要求1所述的一种三维点云数据的去噪方法,其特征在于,所述点云追踪次数是通过以下步骤获取:
通过所述粒子滤波法,对每一帧的所述原始点云数据进行追踪;
计算追踪到第一点云所对应的点云的帧数,所述帧数为点云追踪次数,所述第一点云为所述原始点云数据中的任意一个点云。
4.根据权利要求3所述的一种三维点云数据的去噪方法,其特征在于,通过所述粒子滤波法,对每一帧的所述原始点云数据进行追踪之后,还执行以下步骤:
若在连续帧中都追踪到第一点云,则确定所述第一点云不是噪声点并保留所述第一点云;反之,则确定所述第一点云为噪声点并去除所述第一点云。
5.根据权利要求1所述的一种三维点云数据的去噪方法,其特征在于,所述点云相似度通过以下步骤获取:
通过粒子滤波法获取第一帧点云数据的点云集,所述第一帧点云数据为原始点云数据中的任意一帧数据;
通过动态半径滤波法,计算得到第二帧点云数据中粒子的观测值,所述第二帧点云数据为所述第一帧点云数据的下一个连续帧;
根据所述点云集和所述粒子的观测值,计算得到点云相似度。
6.根据权利要求5所述的一种三维点云数据的去噪方法,其特征在于,所述通过动态半径滤波法,计算得到第二帧点云数据中粒子的观测值这一步骤,具体包括:
通过动态半径滤波法,确定第二帧点云数据中粒子的观测半径;
根据所述观测半径,计算得到所述观测值。
7.根据权利要求6所述的一种三维点云数据的去噪方法,其特征在于,所述通过动态半径滤波法,确定第二帧点云数据中粒子的观测半径这一步骤,具体包括:
计算粒子到激光雷达的欧式距离;
如果所述欧式距离小于第四阈值,则将预先设定的半径值确定为所述观测半径;
如果所述欧式距离大于第四阈值,则根据公式计算得到所述观测半径,所述公式为:
SR=β×(r×α);
式中,SR为观测半径,r为期望点间距,α为激光雷达的水平角分辨率,β为参数。
8.根据权利要求5所述的一种三维点云数据的去噪方法,其特征在于,所述点云FPFH特征差距通过以下步骤获取:
通过粒子滤波法获取第一点云集和第二点云集,所述第一点云集为所述第一帧点云数据的点云集,所述第二点云集为所述第二帧点云数据的点云集;
使用快速点特征直方图描述所述第一点云集的特征为第一特征;
使用快速点特征直方图描述所述第二点云集的特征为第二特征;
根据所述第一特征和所述第二特征,计算得到余弦距离,所述余弦距离为点云FPFH特征差距。
9.一种三维点云数据的去噪装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-8任一项所述的方法。
10.计算机可读存储介质,其特征在于,其上存储有处理器可执行的程序,所述处理器可执行的程序在被处理器执行时用于实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011207090.3A CN112508803B (zh) | 2020-11-03 | 2020-11-03 | 一种三维点云数据的去噪方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011207090.3A CN112508803B (zh) | 2020-11-03 | 2020-11-03 | 一种三维点云数据的去噪方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508803A true CN112508803A (zh) | 2021-03-16 |
CN112508803B CN112508803B (zh) | 2023-10-03 |
Family
ID=74954993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011207090.3A Active CN112508803B (zh) | 2020-11-03 | 2020-11-03 | 一种三维点云数据的去噪方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508803B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880189A (zh) * | 2023-02-22 | 2023-03-31 | 山东科技大学 | 一种海底地形多波束点云滤波方法 |
WO2023087526A1 (zh) * | 2021-11-18 | 2023-05-25 | 上海仙途智能科技有限公司 | 用于点云去噪的方法、电子设备及存储介质 |
CN116538996A (zh) * | 2023-07-04 | 2023-08-04 | 云南超图地理信息有限公司 | 基于激光雷达的地形测绘***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105004274A (zh) * | 2015-07-07 | 2015-10-28 | 深圳大学 | 一种基于三维视觉的圆柱面半径测量方法 |
US20190035150A1 (en) * | 2017-07-28 | 2019-01-31 | The Boeing Company | Resolution adaptive mesh for performing 3-d metrology of an object |
CN110108255A (zh) * | 2019-05-21 | 2019-08-09 | 首都师范大学 | 多扫描仪通用的移动式数据采集与处理隧道检测*** |
CN111340728A (zh) * | 2020-02-26 | 2020-06-26 | 五邑大学 | 基于3d点云分割的点云去噪方法、装置和存储介质 |
CN111861933A (zh) * | 2020-07-29 | 2020-10-30 | 北方工业大学 | 基于空间划分的点云去噪方法及装置 |
-
2020
- 2020-11-03 CN CN202011207090.3A patent/CN112508803B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105004274A (zh) * | 2015-07-07 | 2015-10-28 | 深圳大学 | 一种基于三维视觉的圆柱面半径测量方法 |
US20190035150A1 (en) * | 2017-07-28 | 2019-01-31 | The Boeing Company | Resolution adaptive mesh for performing 3-d metrology of an object |
CN110108255A (zh) * | 2019-05-21 | 2019-08-09 | 首都师范大学 | 多扫描仪通用的移动式数据采集与处理隧道检测*** |
CN111340728A (zh) * | 2020-02-26 | 2020-06-26 | 五邑大学 | 基于3d点云分割的点云去噪方法、装置和存储介质 |
CN111861933A (zh) * | 2020-07-29 | 2020-10-30 | 北方工业大学 | 基于空间划分的点云去噪方法及装置 |
Non-Patent Citations (1)
Title |
---|
徐波;唐杰;武港山;: "基于CUDA的点云去噪算法", 计算机工程, no. 02, pages 230 - 232 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023087526A1 (zh) * | 2021-11-18 | 2023-05-25 | 上海仙途智能科技有限公司 | 用于点云去噪的方法、电子设备及存储介质 |
CN115880189A (zh) * | 2023-02-22 | 2023-03-31 | 山东科技大学 | 一种海底地形多波束点云滤波方法 |
CN116538996A (zh) * | 2023-07-04 | 2023-08-04 | 云南超图地理信息有限公司 | 基于激光雷达的地形测绘***及方法 |
CN116538996B (zh) * | 2023-07-04 | 2023-09-29 | 云南超图地理信息有限公司 | 基于激光雷达的地形测绘***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112508803B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508803B (zh) | 一种三维点云数据的去噪方法、装置及存储介质 | |
EP1995691B1 (en) | Method and apparatus for segmenting a motion area | |
US8009918B2 (en) | Visual background extractor | |
CN111602138B (zh) | 基于人工神经网络的物体检测的***及方法 | |
Yang et al. | Evaluating SAR sea ice image segmentation using edge-preserving region-based MRFs | |
CN113409361A (zh) | 一种多目标跟踪方法、装置、计算机及存储介质 | |
CN111476814B (zh) | 目标跟踪方法、装置、设备及存储介质 | |
CN115546705B (zh) | 目标识别方法、终端设备及存储介质 | |
CN115063454B (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
CN115240149A (zh) | 三维点云检测识别方法、装置、电子设备及存储介质 | |
CN108765463B (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
Ait Abdelali et al. | An adaptive object tracking using Kalman filter and probability product kernel | |
CN110349188A (zh) | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 | |
CN112907744A (zh) | 数字高程模型的构建方法、装置、设备及存储介质 | |
CN114648547A (zh) | 用于反无人机红外探测***的弱小目标检测方法和装置 | |
CN108876807B (zh) | 一种实时星载卫星图像运动对象检测跟踪方法 | |
KR101690050B1 (ko) | 지능형 영상보안 시스템 및 객체 추적 방법 | |
CN114545434A (zh) | 一种路侧视角测速方法、***、电子设备及存储介质 | |
Yildirim et al. | Direction‐based modified particle filter for vehicle tracking | |
CN113888438A (zh) | 图像处理方法、装置及存储介质 | |
CN116243273B (zh) | 一种针对植被冠层提取的光子计数激光雷达数据滤波方法 | |
Joo et al. | A temporal variance-based moving target detector | |
CN113129332A (zh) | 执行目标对象跟踪的方法和装置 | |
CN116012421A (zh) | 目标跟踪方法及装置 | |
RU2000120929A (ru) | Способ обработки сигналов для определения координат объектов, наблюдаемых в последовательности телевизионных изображений, и устройство для его осуществления (варианты) |
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 |