CN112666573A - 一种矿区卸载区车后方挡土墙及障碍物的检测方法 - Google Patents
一种矿区卸载区车后方挡土墙及障碍物的检测方法 Download PDFInfo
- Publication number
- CN112666573A CN112666573A CN202011284831.8A CN202011284831A CN112666573A CN 112666573 A CN112666573 A CN 112666573A CN 202011284831 A CN202011284831 A CN 202011284831A CN 112666573 A CN112666573 A CN 112666573A
- Authority
- CN
- China
- Prior art keywords
- point
- ground
- points
- height
- retaining wall
- 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
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种矿区卸载区车后方挡土墙及障碍物的检测方法,包括如下步骤:对激光雷达传感器采集到的车后方环境三维点云进行基于连通域的噪点去除;对去除噪点后的三维点云进行高度上的区间划分,基于点在高度方向上的离散度将仅有挡土墙点云的情况进行区分;基于三维点云在x方向的最大点和最小点之间的高度差和斜率角度,来判定是地面点云或地面加挡土墙点云;针对地面加挡土墙点云的情况,基于斜率的变化来进一步区分地面点云和挡土墙点云;针对步骤三和步骤四得到的地面点云,进行基于极图的地面再过滤,来进一步区分纯地面或障碍物。本发明所公开的方法能够大大提高障碍物检测的准确度,减少漏检误检情况。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种矿区卸载区车后方挡土墙及障碍物的检测方法。
背景技术
随着新基建的全面发展,结合大数据,5G以及人工智能等关键技术,矿业也迎来了全面智能化的转型升级机遇。作为智能化的关键一环,矿车配置多种传感器来实现矿区环境的精确感知,并为行为决策提供重要信息以确保矿车安全运行。其中,卸载区是矿区最重要的区域之一,矿车在该区域进行倒车卸载过程中,不仅需要准确感知后方的地面障碍物进行避障,还需要基于终点标志物—挡土墙来判断矿车位置距离信息,防止矿车越界,影响生产安全。因此,如何在卸载区准确地检测出后方完整挡土墙及地面障碍物便成为矿区智能感知领域的难点之一。
然而至今为止,针对矿区的卸载区进行车后方挡土墙及地面障碍物检测的相关研究还很少。目前基于图像的一些目标检测或目标分割算法,不管是采用传统图像处理还是深度学习相关方法,都已经较为广泛地应用于城市道路上障碍物(行人车辆等)检测,但是考虑到图像对光照条件比较敏感,且在矿区沙尘较多,能见度较差,图像质量也大大降低,从而影响其检测效果,另外当前也缺乏矿区相关的大规模图像数据,很难采用基于深度学习的图像检测。同时,感知的任务之一是需要获取相关障碍物的位置信息,而从图像上难以直接计算得到障碍物的空间距离信息,因此仅依靠图像数据难以满足在矿区的感知目标。所以目前,作为能够提供精确位置的激光雷达扫描的点云数据,则被越来越多应用到了智能交通上。
基于激光点云数据,采用神经网络进行大规模数据学习是目前较为常见的无人驾驶乘用车感知方案。尽管其检测性能被证明普遍优于传统规则算法,但是考虑到市区环境较为复杂,只有大规模的数据学习才能较好地检测,而矿区卸载区的场景则较为单一,障碍物数量较少,依靠传统规则算法就能很好地应对。另外深度学习算法在数据标注及模型训练上时间及经济成本都比较高,相对而言应用在矿区卸载区这类场景则十分不划算。常见的用于点云障碍物检测的规则算法有基于栅格和基于极图两种,其中基于栅格的方法往往是通过简单的固定高度差阈值进行可能障碍物与地面点的区分,但卸载区地面高度不一致,则很容易出现误检和漏检的情况,而基于极图的方法依赖所拟合的距离与地面期望高度关系,通过得到的期望地面高度进行区分,这对于漂浮的噪点无法进行排除。另外,卸载区矿车后方的点云形态也比较多样,包括了仅含挡土墙、仅含地面、挡土墙加地面这三种情况,例如仅含挡土墙的情况,若采用极图方法进行地面候选点的选取及直线拟合,会导致挡土墙误认为地面而过滤。所以,针对矿区卸载区这种场景,如何将不同情况进行区分后再采用具体方法进行挡土墙及地面障碍物检测是具有价值和挑战的研究议题。
发明内容
为解决上述技术问题,本发明提供了一种矿区卸载区车后方挡土墙及障碍物的检测方法,以达到大大提高障碍物检测的准确度,减少漏检误检情况的目的。
为达到上述目的,本发明的技术方案如下:
一种矿区卸载区车后方挡土墙及障碍物的检测方法,包括如下步骤:
步骤一,对激光雷达传感器采集到的车后方环境三维点云进行基于连通域的噪点去除;
步骤二,对去除噪点后的三维点云进行高度上的区间划分,基于点在高度方向上的离散度将仅有挡土墙点云的情况进行区分;
步骤三,基于三维点云在x方向的最大点和最小点之间的高度差和斜率角度,来判定是地面点云或地面加挡土墙点云;
步骤四,针对地面加挡土墙点云的情况,基于斜率的变化来进一步区分地面点云和挡土墙点云;
步骤五,针对步骤三和步骤四得到的地面点云,进行基于极图的地面再过滤,来进一步区分纯地面或障碍物。
上述方案中,所述步骤一的具体方法如下:
(1)对激光雷达传感器采集的原始单帧点云投影到xz平面进行栅格化;
(2)将不含点的栅格单元初始化为Tag=0,含点的栅格单元初始化Tag=1;
(3)针对Tag=1的栅格,采用八连通邻域回溯算法进行聚类,同一连通区域栅格打上Tag,Tag从2开始,并依次增加,直到所有栅格访问结束;
(4)同步统计各聚类的点个数,将点个数<3的聚类认为是噪点进行排除,得到新的去除噪点的三维点云Cloudf。
上述方案中,所述步骤二的具体方法如下:
首先,对去除噪点后的三维点云Cloudf进行高度方向上的区间划分,统计区间高度范围内的点个数,然后进行所有区间点个数的方差计算,若方差小于设定的阈值δ,则直接认为Cloudf为挡土墙点云,否则进行步骤三处理。
上述方案中,所述步骤三的具体方法如下:
找到x方向的最大点Pmax_x和最小点Pmin_x,计算两点的高度差Hdif以及斜率角度θ,若Hdif>hL或θ>θL或Hdif>hs且θ>θs,则认为是地面加挡土墙点云,否则认为是地面点云Cloudg;hL为设定的最大高度阈值,hs为设定的最小高度阈值,θL为设定的最大斜率角度阈值,θS为设定的最小斜率角度阈值。
上述方案中,所述步骤四的具体方法如下:
(1)将去除噪点后的三维点云Cloudf投影到xz平面进行栅格化,找最大连通区域,对最大连通区域,从上到下找每列的第一个含点栅格,存储点p到点集Pslope,p.x为该栅格的x坐标值,p.z为栅格内最高点高度z;
(2)对pi∈Pslope,取当前点在x方向的前k个点pi-1,pi-2,...,pi-k和后k个点pi+1,pi+2,...,pi+k,在pi,pi-1,pi-2,...,pi-k这k+1个点中,不重复地选取两点构成一条直线,计算剩余点到该条直线的平均距离,在得到的所有直线中,选取平均距离最小的直线斜率为同理对pi,pi+1,pi+2,...,pi+k这k+1个点中,不重复地选取两点构成一条直线,计算剩余点到该条直线的平均距离,在得到的所有直线中,选取平均距离最小的直线斜率为
(3)当同时存在挡土墙和地面时,临界处的点与之后的点构成的直线斜率Spost变大且值小于0,与之前的点构成的直线斜率Spre变小,因此该点处斜率比Sratio=Spost/Spre是最大的;遍历点集Pslope中所有点,找到满足Spost<0且θpost角度范围在15°~90°的,保存斜率比Sratio前三大的点;
(4)若步骤(3)没有找到满足的点,Cloudf直接认定为地面点云Cloudg;若只有一个点,即该点为临界点,该点所在栅格为临界栅格;若大于一个点,对pi,计算其后两个点pi+1与pi+2的斜率角度在满足均大于15°的条件下,选择斜率比最大的点为临界点,若点均不符合上述条件,则选择斜率比乘积最大的点为临界点;
(5)对该临界点所在栅格的后方栅格里的所有点,以该临界点z作为临界高度进行过滤,高度大于等于临界高度的点为挡土墙点云,否则存放到地面点云Cloudg。
上述方案中,所述步骤五的具体方法如下:
(1)极图的构建:在xy平面上,对地面点云Cloudg的每个点,计算点到原点(0,0)的距离以及其角度,根据距离和角度将点划分到不同的Bin;
(2)拟合候选点选取:对每块Bin,选择高度最低的点作为地面种子点,对同一角度范围的Bin,基于地面种子点构建该范围的候选点集,点的形式为(dis,h);
(3)基于RANSAC的直线拟合:对每个角度范围的候选点集,采用ransac进行直线拟合,直线形式为h=a*dis+b,用于表示距离与期望地面高度的关系,其中,a代表拟合的直线斜率,b代表截距;若出现拟合失败的情况,会将临界角度范围的候选点加入当前点集进行拟合,直到拟合成功;
(4)各个Bin的期望地面高度获取:对远处的Bin,使用h=a*dis+b得到期望高度;对于其他Bin,若选取的地面种子点为拟合直线内点,则该种子点的高度即为所在Bin的期望地面,否则仍使用h=a*dis+b得到期望高度;
(5)地面的滤除:遍历地面点云Cloudg的每个点,若点高度与点所在Bin的期望地面高度差值满足设定最大阈值hlth,则认为是纯地面点,同时计算这些纯地面点的平均高度Hg_avg,否则认为是临时非地面点;
针对临时非地面点,在所在Bin计算的地面点平均高度进行差值判断,满足更设定的最小阈值hsth,则认为是纯地面点,同步更新所在Bin的地面点平均高度Hg_avg,否则为非地面点,直到遍历完所有临时非地面点。
通过上述技术方案,本发明提供的一种矿区卸载区车后方挡土墙及障碍物的检测方法具有如下有益效果:
1.本发明针对卸载区矿车倒车过程中变化的不同场景,根据相应场景特有特征进行有效区分,并采用不同方法进行处理,相比采用单一算法,如仅采用极图方法进行处理,可以有效避免将挡土墙误分为地面的情况发生。
2.本发明在最后阶段也采用极图方法,针对区分的初始地面,使用不同策略选取期望地面高度进行过滤,有效应对卸载区后向地面高度不一致的情况,进一步有效区分地面与障碍物,减少漏检误检情况,大大提高障碍物检测的准确度。
3.本发明采用平面投影及搜寻最大连通域的方式,在预处理中就进行噪点去除,从而避免将噪点误检成障碍物的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种矿区卸载区车后方挡土墙及障碍物的检测方法流程示意图;
图2a为将原始单帧点云投影到xz平面进行栅格化后的图;
图2b为将不含点的栅格单元打Tag=0,含点的栅格单元打Tag=1后的图;
图2c为连通域聚类后的图;
图2d为去除噪点后的图;
图3a为地面点云图;
图3b为挡土墙点云图;
图3c为地面加挡土墙点云图;
图4为基于极图的地面再过滤方法流程图;
图5为挡土墙的检测结果;
图6为地面障碍物的检测结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种矿区卸载区车后方挡土墙及障碍物的检测方法,如图1所示,具体实施例如下:
步骤一,对激光雷达传感器采集到的车后方环境三维点云进行基于连通域的噪点去除;具体方法如下:
(1)对速腾16线激光雷达传感器采集的原始单帧点云投影到xz平面进行栅格化,如图2a所示;
(2)将不含点的栅格单元初始化为Tag=0,含点的栅格单元初始化Tag=1,如图2b所示;
(3)针对Tag=1的栅格,采用八连通邻域回溯算法进行聚类,同一连通区域栅格打上Tag,Tag从2开始,并依次增加,直到所有栅格访问结束,如图2c所示;
(4)同步统计各聚类的点个数,将点个数<3的聚类认为是噪点进行排除,得到新的去除噪点的三维点云Cloudf,如图2d所示。
步骤二,对去除噪点后的三维点云进行高度上的区间划分,基于点在高度方向上的离散度将仅有挡土墙点云的情况进行区分;
速腾16线激光雷达传感器采集得到的点云形态种类有三种:地面,挡土墙,地面加挡土墙(地面可能还含有石头等障碍物),如图3a、图3b和图3c所示yz视角下的投影点云。
当仅有挡土墙时,挡土墙点在高度方向上分布比较均匀,而如果是地面或地面加挡土墙的情况,则分布较为不均,利用这个特性,可以将仅有挡土墙点云的情况直接进行区分提取。
具体方法如下:
首先,对去除噪点后的三维点云Cloudf进行高度方向上的区间划分,以2cm为一个区间大小统计区间高度范围内的点个数,然后进行所有区间点个数的方差计算,若方差小于设定的阈值δ,则直接认为Cloudf为挡土墙点云,否则进行步骤三处理。
步骤三,基于三维点云在x方向的最大点和最小点之间的高度差和斜率角度,来判定是地面点云或地面加挡土墙点云;具体方法如下:
找到x方向的最大点Pmax_x和最小点Pmin_x,计算两点的高度差Hdif以及斜率角度θ,若Hdif>hL或θ>θL或Hdif>hs且θ>θs,则认为是地面加挡土墙点云,否则认为是地面点云Cloudg;hL为设定的最大高度阈值,hS为设定的最小高度阈值,θL为设定的最大斜率角度阈值,θS为设定的最小斜率角度阈值。
步骤四,针对地面加挡土墙点云的情况,基于斜率的变化来进一步区分地面点云和挡土墙点云;具体方法如下:
(1)将去除噪点后的三维点云Cloudf投影到xz平面进行栅格化,找最大连通区域,对最大连通区域,从上到下找每列的第一个含点栅格,存储点p到点集Pslope,p.x为该栅格的x坐标值,p.z为栅格内最高点高度z;
(2)对pi∈Pslope,取当前点在x方向的前k个点pi-1,pi-2,...,pi-k和后k个点pi+1,pi+2,...,pi+k,在pi,pi-1,pi-2,...,pi-k这k+1个点中,不重复地选取两点构成一条直线,计算剩余点到该条直线的平均距离,在得到的所有直线中,选取平均距离最小的直线斜率为同理对pi,pi+1,pi+2,...,pi+k这k+1个点中,不重复地选取两点构成一条直线,计算剩余点到该条直线的平均距离,在得到的所有直线中,选取平均距离最小的直线斜率为
(3)当同时存在挡土墙和地面时,临界处的点与之后的点构成的直线斜率Spost变大且值小于0,与之前的点构成的直线斜率Spre变小,因此该点处斜率比Sratio=Spost/Spre是最大的;遍历点集Pslope中所有点,找到满足Spost<0且θpost角度范围在15°~90°的,保存斜率比Sratio前三大的点;
(4)若步骤(3)没有找到满足的点,Cloudf直接认定为地面点云Cloudg;若只有一个点,即该点为临界点,该点所在栅格为临界栅格;若大于一个点,对pi,计算其后两个点pi+1与pi+2的斜率角度在满足均大于15°的条件下,选择斜率比最大的点为临界点,若点均不符合上述条件,则选择斜率比乘积最大的点为临界点;
(5)对该临界点所在栅格的后方栅格里的所有点,以该临界点z作为临界高度进行过滤,高度大于等于临界高度的点为挡土墙点云,否则存放到地面点云Cloudg,如图5所示。
步骤五,针对步骤三和步骤四得到的地面点云,进行基于极图的地面再过滤,来进一步区分纯地面或石头、小挡土墙等障碍物。如图4所示,具体方法如下:
(1)极图的构建:在xy平面上,对地面点云Cloudg的每个点,计算点到原点(0,0)的距离以及其角度,根据距离和角度将点划分到不同的Bin;
(2)拟合候选点选取:对每块Bin,选择高度最低的点作为地面种子点,对同一角度范围的Bin,基于地面种子点构建该范围的候选点集,点的形式为(dis,h);
(3)基于RANSAC的直线拟合:对每个角度范围的候选点集,采用ransac进行直线拟合,直线形式为h=a*dis+b,用于表示距离与期望地面高度的关系,其中,a代表拟合的直线斜率,b代表截距;若出现拟合失败的情况,会将临界角度范围的候选点加入当前点集进行拟合,直到拟合成功;
(4)各个Bin的期望地面高度获取:对远处的Bin,使用h=a*dis+b得到期望高度;对于其他Bin,若选取的地面种子点为拟合直线内点,则该种子点的高度即为所在Bin的期望地面,否则仍使用h=a*dis+b得到期望高度;
(5)地面的滤除:遍历地面点云Cloudg的每个点,若点高度与点所在Bin的期望地面高度差值满足设定最大阈值hlth,则认为是纯地面点,同时计算这些纯地面点的平均高度Hg_avg,否则认为是临时非地面点;
针对临时非地面点,在所在Bin计算的地面点平均高度进行差值判断,满足更设定的最小阈值hsth,则认为是纯地面点,同步更新所在Bin的地面点平均高度Hg_avg,否则为非地面点,直到遍历完所有临时非地面点,如图6所示。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种矿区卸载区车后方挡土墙及障碍物的检测方法,其特征在于,包括如下步骤:
步骤一,对激光雷达传感器采集到的车后方环境三维点云进行基于连通域的噪点去除;
步骤二,对去除噪点后的三维点云进行高度上的区间划分,基于点在高度方向上的离散度将仅有挡土墙点云的情况进行区分;
步骤三,基于三维点云在x方向的最大点和最小点之间的高度差和斜率角度,来判定是地面点云或地面加挡土墙点云;
步骤四,针对地面加挡土墙点云的情况,基于斜率的变化来进一步区分地面点云和挡土墙点云;
步骤五,针对步骤三和步骤四得到的地面点云,进行基于极图的地面再过滤,来进一步区分纯地面或障碍物。
2.根据权利要求1所述的一种矿区卸载区车后方挡土墙及障碍物的检测方法,其特征在于,所述步骤一的具体方法如下:
(1)对激光雷达传感器采集的原始单帧点云投影到xz平面进行栅格化;
(2)将不含点的栅格单元初始化为Tag=0,含点的栅格单元初始化Tag=1;
(3)针对Tag=1的栅格,采用八连通邻域回溯算法进行聚类,同一连通区域栅格打上Tag,Tag从2开始,并依次增加,直到所有栅格访问结束;
(4)同步统计各聚类的点个数,将点个数<3的聚类认为是噪点进行排除,得到新的去除噪点的三维点云Cloudf。
3.根据权利要求1或2所述的一种矿区卸载区车后方挡土墙及障碍物的检测方法,其特征在于,所述步骤二的具体方法如下:
首先,对去除噪点后的三维点云Cloudf进行高度方向上的区间划分,统计区间高度范围内的点个数,然后进行所有区间点个数的方差计算,若方差小于设定的阈值δ,则直接认为Cloudf为挡土墙点云,否则进行步骤三处理。
4.根据权利要求1或2所述的一种矿区卸载区车后方挡土墙及障碍物的检测方法,其特征在于,所述步骤三的具体方法如下:
找到x方向的最大点Pmax_x和最小点Pmin_x,计算两点的高度差Hdif以及斜率角度θ,若Hdif>hL或θ>θL或Hdif>hS且θ>θS,则认为是地面加挡土墙点云,否则认为是地面点云Cloudg;hL为设定的最大高度阈值,hS为设定的最小高度阈值,θL为设定的最大斜率角度阈值,θS为设定的最小斜率角度阈值。
5.根据权利要求1或2所述的一种矿区卸载区车后方挡土墙及障碍物的检测方法,其特征在于,所述步骤四的具体方法如下:
(1)将去除噪点后的三维点云Cloudf投影到xz平面进行栅格化,找最大连通区域,对最大连通区域,从上到下找每列的第一个含点栅格,存储点p到点集Pslope,p.x为该栅格的x坐标值,p.z为栅格内最高点高度z;
(2)对pi∈Pslope,取当前点在x方向的前k个点pi-1,pi-2,...,pi-k和后k个点pi+1,pi+2,...,pi+k,在pi,pi-1,pi-2,...,pi-k这k+1个点中,不重复地选取两点构成一条直线,计算剩余点到该条直线的平均距离,在得到的所有直线中选取平均距离最小的直线斜率为同理对pi,pi+1,pi+2,...,pi+k这k+1个点中,不重复地选取两点构成一条直线,计算剩余点到该条直线的平均距离,在得到的所有直线中,选取平均距离最小的直线斜率为
(3)当同时存在挡土墙和地面时,临界处的点与之后的点构成的直线斜率Spost变大且值小于0,与之前的点构成的直线斜率Spre变小,因此该点处斜率比Sratio=Spost/Spre是最大的;遍历点集Pslope中所有点,找到满足Spost<0且θpost角度范围在15°~90°的,保存斜率比Sratio前三大的点;
(4)若步骤(3)没有找到满足的点,Cloudf直接认定为地面点云Cloudg;若只有一个点,即该点为临界点,该点所在栅格为临界栅格;若大于一个点,对pi,计算其后两个点pi+1与pi+2的斜率角度在满足均大于15°的条件下,选择斜率比最大的点为临界点,若点均不符合上述条件,则选择斜率比乘积最大的点为临界点;
(5)对该临界点所在栅格的后方栅格里的所有点,以该临界点z作为临界高度进行过滤,高度大于等于临界高度的点为挡土墙点云,否则存放到地面点云Cloudg。
6.根据权利要求1或2所述的一种矿区卸载区车后方挡土墙及障碍物的检测方法,其特征在于,所述步骤五的具体方法如下:
(1)极图的构建:在xy平面上,对地面点云Cloudg的每个点,计算点到原点(0,0)的距离以及其角度,根据距离和角度将点划分到不同的Bin;
(2)拟合候选点选取:对每块Bin,选择高度最低的点作为地面种子点,对同一角度范围的Bin,基于地面种子点构建该范围的候选点集,点的形式为(dis,h);
(3)基于RANSAC的直线拟合:对每个角度范围的候选点集,采用ransac进行直线拟合,直线形式为h=a*dis+b,用于表示距离与期望地面高度的关系,其中,a代表拟合的直线斜率,b代表截距;若出现拟合失败的情况,会将临界角度范围的候选点加入当前点集进行拟合,直到拟合成功;
(4)各个Bin的期望地面高度获取:对远处的Bin,使用h=a*dis+b得到期望高度;对于其他Bin,若选取的地面种子点为拟合直线内点,则该种子点的高度即为所在Bin的期望地面,否则仍使用h=a*dis+b得到期望高度;
(5)地面的滤除:遍历地面点云Cloudg的每个点,若点高度与点所在Bin的期望地面高度差值满足设定最大阈值hlth,则认为是纯地面点,同时计算这些纯地面点的平均高度Hg_avg,否则认为是临时非地面点;
针对临时非地面点,在所在Bin计算的地面点平均高度进行差值判断,满足更设定的最小阈值hsth,则认为是纯地面点,同步更新所在Bin的地面点平均高度Hg_avg,否则为非地面点,直到遍历完所有临时非地面点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011284831.8A CN112666573B (zh) | 2020-11-17 | 2020-11-17 | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011284831.8A CN112666573B (zh) | 2020-11-17 | 2020-11-17 | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112666573A true CN112666573A (zh) | 2021-04-16 |
CN112666573B CN112666573B (zh) | 2022-08-23 |
Family
ID=75403586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011284831.8A Active CN112666573B (zh) | 2020-11-17 | 2020-11-17 | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666573B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114705287A (zh) * | 2022-04-06 | 2022-07-05 | 国网宁夏电力有限公司电力科学研究院 | 输变电设备用噪声监测装置及输变电设备噪声监测*** |
CN115291240A (zh) * | 2022-10-08 | 2022-11-04 | 江苏徐工工程机械研究院有限公司 | 矿区场景内卸载点后方挡墙感知识别的检测方法及*** |
WO2023092870A1 (zh) * | 2021-11-26 | 2023-06-01 | 江苏徐工工程机械研究院有限公司 | 一种适用于自动驾驶车辆的挡土墙检测方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127153A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 车载激光扫描点云数据的交通标牌识别方法 |
US20180059666A1 (en) * | 2016-08-23 | 2018-03-01 | Delphi Technologies, Inc. | Automated vehicle road model definition system |
WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
CN110956690A (zh) * | 2019-11-19 | 2020-04-03 | 广东博智林机器人有限公司 | 一种建筑信息模型生成方法和*** |
CN111192284A (zh) * | 2019-12-27 | 2020-05-22 | 吉林大学 | 一种车载激光点云分割方法及*** |
CN111260913A (zh) * | 2020-01-16 | 2020-06-09 | 江苏徐工工程机械研究院有限公司 | 一种露天矿山无人化运输***的矿用卡车卸载方法及*** |
CN111443360A (zh) * | 2020-04-20 | 2020-07-24 | 北京易控智驾科技有限公司 | 矿区无人驾驶***道路边界自动采集装置和识别方法 |
CN111537994A (zh) * | 2020-03-24 | 2020-08-14 | 江苏徐工工程机械研究院有限公司 | 一种无人矿卡障碍物检测方法 |
CN111602171A (zh) * | 2019-07-26 | 2020-08-28 | 深圳市大疆创新科技有限公司 | 一种点云特征点提取方法、点云传感***及可移动平台 |
-
2020
- 2020-11-17 CN CN202011284831.8A patent/CN112666573B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127153A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 车载激光扫描点云数据的交通标牌识别方法 |
US20180059666A1 (en) * | 2016-08-23 | 2018-03-01 | Delphi Technologies, Inc. | Automated vehicle road model definition system |
WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
CN111602171A (zh) * | 2019-07-26 | 2020-08-28 | 深圳市大疆创新科技有限公司 | 一种点云特征点提取方法、点云传感***及可移动平台 |
CN110956690A (zh) * | 2019-11-19 | 2020-04-03 | 广东博智林机器人有限公司 | 一种建筑信息模型生成方法和*** |
CN111192284A (zh) * | 2019-12-27 | 2020-05-22 | 吉林大学 | 一种车载激光点云分割方法及*** |
CN111260913A (zh) * | 2020-01-16 | 2020-06-09 | 江苏徐工工程机械研究院有限公司 | 一种露天矿山无人化运输***的矿用卡车卸载方法及*** |
CN111537994A (zh) * | 2020-03-24 | 2020-08-14 | 江苏徐工工程机械研究院有限公司 | 一种无人矿卡障碍物检测方法 |
CN111443360A (zh) * | 2020-04-20 | 2020-07-24 | 北京易控智驾科技有限公司 | 矿区无人驾驶***道路边界自动采集装置和识别方法 |
Non-Patent Citations (8)
Title |
---|
XIANGYUN HU ET AL.: ""Road Centerline Extraction in Complex Urban Scenes From LiDAR Data Based on Multiple Features"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 52, no. 11, 30 November 2014 (2014-11-30), pages 7448 - 7456, XP011549550, DOI: 10.1109/TGRS.2014.2312793 * |
XIAOHUA TONG ET AL.: ""Integration of UAV-Based Photogrammetry and Terrestrial Laser Scanning for the Three-Dimensional Mapping and "", 《REMOTE SENSING》, vol. 7, no. 6, 26 May 2015 (2015-05-26), pages 6635 - 6662 * |
XIAOWEI LU ET AL.: ""Real-Time Mine Road Boundary Detection and Tracking for Autonomous Truck"", 《SENSORS》, vol. 20, no. 4, 29 February 2020 (2020-02-29), pages 1 - 19 * |
XUELIAN MENG ET AL.: ""A multi-directional ground filtering algorithm for airborne LIDAR"", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, vol. 64, no. 1, 31 January 2009 (2009-01-31), pages 117 - 124, XP025870147, DOI: 10.1016/j.isprsjprs.2008.09.001 * |
游昌斌: ""基于多源数据的城市道路边界三维建模"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》, 15 July 2020 (2020-07-15), pages 12 * |
王灿等: "基于三维激光雷达的道路边界提取和障碍物检测算法", 《模式识别与人工智能》, vol. 33, no. 04, 15 April 2020 (2020-04-15), pages 353 - 362 * |
陈永辉: ""基于激光扫描的三维点云数据处理技术研究"", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》, 15 February 2018 (2018-02-15), pages 70 - 72 * |
饶杰: ""基于激光点云数据的建筑物快速三维建模"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》, 15 January 2016 (2016-01-15), pages 48 - 54 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023092870A1 (zh) * | 2021-11-26 | 2023-06-01 | 江苏徐工工程机械研究院有限公司 | 一种适用于自动驾驶车辆的挡土墙检测方法及*** |
CN114705287A (zh) * | 2022-04-06 | 2022-07-05 | 国网宁夏电力有限公司电力科学研究院 | 输变电设备用噪声监测装置及输变电设备噪声监测*** |
CN115291240A (zh) * | 2022-10-08 | 2022-11-04 | 江苏徐工工程机械研究院有限公司 | 矿区场景内卸载点后方挡墙感知识别的检测方法及*** |
CN115291240B (zh) * | 2022-10-08 | 2023-01-17 | 江苏徐工工程机械研究院有限公司 | 矿区场景内卸载点后方挡墙感知识别的检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112666573B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801022B (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
Hasegawa et al. | Robust Japanese road sign detection and recognition in complex scenes using convolutional neural networks | |
CN112666573B (zh) | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 | |
CN111260683A (zh) | 一种三维点云数据的目标检测与跟踪方法及其装置 | |
CN110069986B (zh) | 一种基于混合模型的交通信号灯识别方法及*** | |
CN104008387B (zh) | 一种基于特征点分段线性拟合的车道线检测方法 | |
Yenikaya et al. | Keeping the vehicle on the road: A survey on on-road lane detection systems | |
Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN113192091B (zh) | 一种基于激光雷达与相机融合的远距离目标感知方法 | |
CN112257522B (zh) | 基于环境特征的多传感器融合环境感知方法 | |
CN103020948A (zh) | 智能车载防撞预警***中的夜间图像特征提取方法 | |
CN111667512A (zh) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 | |
CN110458050B (zh) | 基于车载视频的车辆切入检测方法及装置 | |
CN112200171B (zh) | 一种基于扫描线的道路点云的提取方法 | |
CN113506318A (zh) | 一种车载边缘场景下的三维目标感知方法 | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
Chen et al. | Front vehicle detection and distance estimation using single-lens video camera | |
CN114325755A (zh) | 一种适用于自动驾驶车辆的挡土墙检测方法及*** | |
CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 | |
CN115327572A (zh) | 一种车辆前方障碍物检测方法 | |
Gupta et al. | Concurrent visual multiple lane detection for autonomous vehicles | |
Wang et al. | Lane detection based on two-stage noise features filtering and clustering | |
CN109086671B (zh) | 一种适于无人驾驶的夜间车道标志线视频检测方法 | |
Vajak et al. | A rethinking of real-time computer vision-based lane detection |
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 |