CN116068572A - 基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 - Google Patents
基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 Download PDFInfo
- Publication number
- CN116068572A CN116068572A CN202211579607.0A CN202211579607A CN116068572A CN 116068572 A CN116068572 A CN 116068572A CN 202211579607 A CN202211579607 A CN 202211579607A CN 116068572 A CN116068572 A CN 116068572A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser radar
- vehicle body
- point
- contour detection
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000013519 translation Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011897 real-time detection Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 239000013078 crystal Substances 0.000 description 5
- 238000002425 crystallisation Methods 0.000 description 3
- 230000008025 crystallization Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种基于激光雷达实现车体轮廓检测处理的***,包括机械框架模块、激光雷达模块、轮廓检测模块,所述的机械框架模块安装于轮廓检测模块上,所述的激光雷达模块安装在云台单元上,所述的激光雷达模块用于扫描车辆的车体轮廓结构,生成所述车辆的点云数据,所述轮廓检测模块用于处理所述激光雷达模块采集的所述车辆的点云数据,计算出所述车辆的车体轮廓信息。本发明还涉及一种基于激光雷达实现车体检测的方法。采用了本发明的基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质,可对任意车型的车辆进行车体测量,提高了车体轮廓的检测效率,减少劳动力,降低检测成本,加强自动化程度,具有更加广泛的应用范围。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及3D视觉领域,具体是指一种基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质。
背景技术
近年来,随着硬件技术的不断发展和点云处理技术的不断进步,激光扫描技术在越多越多的车辆检测领域得到应用,尤其是车体轮廓的空间尺寸检测。先进的尺寸测量手段是技术进步的先决条件,这对测量精度和自动化程度提出了更高的要求。目前,车体轮廓的空间尺寸检测主要是利用人工测量,人工测量存在时间成本大、人力成本高等多种问题。
激光雷达实现车体轮廓的空间尺寸检测是利用激光雷达将待检测车辆扫描成三维空间点云数据,然后对这些三维空间云数据进行处理,得到车辆的车体轮廓点云数据;再将车辆的车体轮廓点云数据进行区域分割,结合尺寸测量算法,进而得到车辆的具体车体轮廓数值。
现有技术中缺乏一种能够将激光雷达与车体轮廓测量相结合的设备,用以解决时间成本大、人力成本高等多种问题。
发明内容
本发明的目的是克服了上述现有技术的缺点,提供了一种满足成本低、自动化程度高、检测效率高的基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质。
为了实现上述目的,本发明的基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质如下:
该基于激光雷达实现车体轮廓检测处理的***,其主要特点是,所述的***包括机械框架模块、激光雷达模块、轮廓检测模块,所述的机械框架模块安装于轮廓检测模块上,所述的激光雷达模块安装在云台单元上,所述的激光雷达模块用于扫描车辆的车体轮廓结构,生成所述车辆的点云数据,所述轮廓检测模块用于处理所述激光雷达模块采集的所述车辆的点云数据,计算出所述车辆的车体轮廓信息。
较佳地,所述的机械框架模块包括车道前部固定支架和车道后部固定支架,所述的车道前部固定支架和车道后部固定支架的支架间距为6m,距离地面5.6m。
较佳地,所述的激光雷达模块包括云台单元、雷达单元和数据融合单元,所述的雷达单元在所述云台单元的带动下进行水平方向180°及垂直方向90°的旋转,用于对任意车型的车辆进行车体轮廓检测,所述数据融合单元用于将所述云台单元的旋转角度数据与激光雷达的空间点云数据进行融合。
较佳地,所述的云台单元由车道前部云台和车道后部云台组成,所述车道前部云台安装在所述车道前部固定支架上,所述车道后部云台安装在所述车道后部固定支架上,所述云台单元提供水平方向180°及垂直方向90°的旋转角度。
较佳地,所述的雷达单元由车道前部雷达和车道后部雷达组成,所述的车道前部雷达安装在所述车道前部云台上,所述的车道后部雷达安装在所述车道后部云台上。
较佳地,所述的轮廓检测模块包括数据预处理单元,所述数据预处理单元用于实现双点云拼接、坐标系转换和点云降噪,所述的双点云拼接具体为:将两个激光雷达的双目点云数据合并成一个整体点云数据;所述的坐标系转换具体为:通过坐标系转换算法将融合后的点云数据转换至空间直角坐标下;所述的点云降噪具体为:通过直通滤波和统计离群点滤波对数据进行降噪处理。
较佳地,所述的数据预处理单元实现双点云拼接具体包括以下步骤:
(1-1)采用中心重合法对双目点云数据进行粗略配准,利用两点云数据的中心重合,降低两点云数据之间的平移差值;
(1-2)采用迭代最近点算法进行精准匹配。
较佳地,所述的步骤(1-1)具体包括以下步骤:
(1-1.1)计算两点云相对应的点集质心,具体为:
根据以下公式计算两点云相对应的点集质心:
较佳地,所述的步骤(1-2)具体包括以下步骤:
(1-2.1)确定对应点对,由点云A中的点在待配准点云B中搜索最近的点,组成对应点对,并计算两组新点集的质心;
(1-2.2)计算目标函数f(Rk,Tk);
其中,Rk为最优旋转矩阵,Tk为平移矩阵,N为点云数目,ai和bi为两点云数据点集;
(1-2.3)利用最优旋转矩阵Rk和平移矩阵Tk,使点云B坐标变化到Bk+1;
(1-2.4)计算点对的平均距离,当dk-dk+1<τ时,迭代结束;
其中,ai为A点云数据点集,bk为k次迭代后的B点云数据点集,bk+1为k+1次迭代后B点云数据点集,dk,dk+1为k次与k+1次迭代后的平均距离,N为点云数目。
较佳地,所述的数据预处理单元实现坐标系转换,具体包括以下步骤:
其中,激光雷达某一测量点坐标为(r,α,θ),r为激光雷达中心到目标的距离,α为激光雷达的俯仰角度,θ为激光雷达的扫描角度。
较佳地,所述的数据预处理单元实现点云降噪具体包括以下步骤:
(2-1)直通滤波通过设置周界参数滤除周界范围以外的点,直通滤波处理后的点云满足:
其中,点云为S0={p1,p2,…,pn},点pn=(xn,yn,zn),X1,X2,Y1,Y2,Z1,Z1为周界参数;
(2-2)通过统计离群点滤波,对每个点的邻域进行统计分析,将不符合模型分布的点作为离群点予以剔除。
较佳地,所述的轮廓检测模块还包括轮廓计算单元,所述的轮廓计算单元用于实现点云区域分割和尺寸计算。
较佳地,所述的轮廓计算单元实现点云区域分割具体包括以下步骤:
(3-1)接收到滤波后的点云数据后,采用超体聚类分割算法对点云实施过分割,将点云划成很多小块,并研究每个小块之间的关系,将更小单元合并;
(3-2)对过分割的点云计算不同的块之间凹凸关系;
(3-3)采用约束平面切割算法对点云进行区域分割;
(3-4)提取每个区域的三视图,利用最小外接矩阵算法,结合尺寸比例系数获取最终的车体轮廓的实际尺寸。
较佳地,所述的***还包括:信号检测模块、信号显示模块和数据接口模块,所述的信号检测模块位于车体轮廓检测车道入口处,与所述轮廓检测模块相连,所述的信号检测模块用于检测是否有所述车辆需要启动激光雷达进行车体轮廓检测;所述的信号显示模块与所述的轮廓检测模块相连接,所述的信号显示模块用于向用户呈现雷达状态与检测结果;所述的数据接口模块与所述的轮廓检测模块相连接,所述的数据接口模块提供实时的检测状态和结果数据。
该利用上述***实现基于激光雷达的车体轮廓检测处理方法,其主要特点是,所述的方法包括以下步骤:
(1)所述的信号检测模块接收所述的激光雷达启动信号,将启动信号传递到所述的轮廓检测模块;
(2)所述的轮廓检测模块接收到所述的激光雷达启动信号后,将所述的激光雷达的启动信号发送至所述的激光雷达模块;
(3)所述的激光雷达模块接受到启动信号,运行所述的激光雷达进行检测;
(4)所述的激光雷达模块将测量完成的点云数据发送至所述的轮廓检测模块;
(5)所述的轮廓检测模块接收到所述的激光雷达模块传回的点云数据后,对点云数据进行处理。
该用于实现基于激光雷达的车体轮廓检测处理的装置,其主要特点是,所述的装置包括:
处理器,被配置成执行计算机可执行指令;
存储器,存储一个或多个计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现所述的实现基于激光雷达的车体轮廓检测处理方法的各个步骤。
该用于实现基于激光雷达的车体轮廓检测处理的处理器,其主要特点是,所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现所述的实现基于激光雷达的车体轮廓检测处理方法的各个步骤。
该计算机可读存储介质,其主要特点是,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现所述的实现基于激光雷达的车体轮廓检测处理方法的各个步骤。
采用了本发明的基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质,可对任意车型的车辆进行车体测量,检测精度在±20mm,检测时间约40s,提高了车体轮廓的检测效率,减少劳动力,降低检测成本,加强自动化程度,有利于车体轮廓检测***的大规模推广,具有更加广泛的应用范围。
附图说明
图1为本发明的基于激光雷达实现车体轮廓检测处理的***的整体功能模块示意图。
图2为本发明的基于激光雷达实现车体轮廓检测处理的***的机械框架模块的结构示意图。
图3为本发明的基于激光雷达实现车体轮廓检测处理的***的超体聚类时晶核的示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容,下面结合具体实施例来进行进一步的描述。
请参阅图1至图3所示,本发明的该基于激光雷达实现车体轮廓检测处理的***,其中包括机械框架模块、激光雷达模块、轮廓检测模块,所述的机械框架模块安装于轮廓检测模块上,所述的激光雷达模块安装在云台单元上,所述的激光雷达模块用于扫描车辆的车体轮廓结构,生成所述车辆的点云数据,所述轮廓检测模块用于处理所述激光雷达模块采集的所述车辆的点云数据,计算出所述车辆的车体轮廓信息。
作为本发明的优选实施方式,所述的机械框架模块包括车道前部固定支架和车道后部固定支架,所述的车道前部固定支架和车道后部固定支架的支架间距为6m,距离地面5.6m。
作为本发明的优选实施方式,所述的激光雷达模块包括云台单元、雷达单元和数据融合单元,所述的雷达单元在所述云台单元的带动下进行水平方向180°及垂直方向90°的旋转,用于对任意车型的车辆进行车体轮廓检测,所述数据融合单元用于将所述云台单元的旋转角度数据与激光雷达的空间点云数据进行融合。
作为本发明的优选实施方式,所述的云台单元由车道前部云台和车道后部云台组成,所述车道前部云台安装在所述车道前部固定支架上,所述车道后部云台安装在所述车道后部固定支架上,所述云台单元提供水平方向180°及垂直方向90°的旋转角度。
作为本发明的优选实施方式,所述的雷达单元由车道前部雷达和车道后部雷达组成,所述的车道前部雷达安装在所述车道前部云台上,所述的车道后部雷达安装在所述车道后部云台上。
作为本发明的优选实施方式,所述的轮廓检测模块包括数据预处理单元,所述数据预处理单元用于实现双点云拼接、坐标系转换和点云降噪,所述的双点云拼接具体为:将两个激光雷达的双目点云数据合并成一个整体点云数据;所述的坐标系转换具体为:通过坐标系转换算法将融合后的点云数据转换至空间直角坐标下;所述的点云降噪具体为:通过直通滤波和统计离群点滤波对数据进行降噪处理。
作为本发明的优选实施方式,所述的数据预处理单元实现双点云拼接具体包括以下步骤:
(1-1)采用中心重合法对双目点云数据进行粗略配准,利用两点云数据的中心重合,降低两点云数据之间的平移差值;
(1-2)采用迭代最近点算法进行精准匹配。
作为本发明的优选实施方式,所述的步骤(1-1)具体包括以下步骤:
(1-1.1)计算两点云相对应的点集质心,具体为:
根据以下公式计算两点云相对应的点集质心:
作为本发明的优选实施方式,所述的步骤(1-2)具体包括以下步骤:
(1-2.1)确定对应点对,由点云A中的点在待配准点云B中搜索最近的点,组成对应点对,并计算两组新点集的质心;
(1-2.2)计算目标函数f(Rk,Tk);
其中,Rk为最优旋转矩阵,Tk为平移矩阵,N为点云数目,ai和bi为两点云数据点集;
(1-2.3)利用最优旋转矩阵Rk和平移矩阵Tk,使点云B坐标变化到Bk+1;
(1-2.4)计算点对的平均距离,当dk-dk+1<τ时,迭代结束;
其中,ai为A点云数据点集,bk为k次迭代后的B点云数据点集,bk+1为k+1次迭代后B点云数据点集,dk,dk+1为k次与k+1次迭代后的平均距离,N为点云数目。
作为本发明的优选实施方式,所述的数据预处理单元实现坐标系转换,具体包括以下步骤:
其中,激光雷达某一测量点坐标为(r,α,θ),r为激光雷达中心到目标的距离,α为激光雷达的俯仰角度,θ为激光雷达的扫描角度。
作为本发明的优选实施方式,所述的数据预处理单元实现点云降噪具体包括以下步骤:
(2-1)直通滤波通过设置周界参数滤除周界范围以外的点,直通滤波处理后的点云满足:
其中,点云为S0={p1,p2,…,pn},点pn=(xn,yn,zn),X1,X2,Y1,Y2,Z1,Z1为周界参数;
(2-2)通过统计离群点滤波,对每个点的邻域进行统计分析,将不符合模型分布的点作为离群点予以剔除。
作为本发明的优选实施方式,所述的轮廓检测模块还包括轮廓计算单元,所述的轮廓计算单元用于实现点云区域分割和尺寸计算。
作为本发明的优选实施方式,所述的轮廓计算单元实现点云区域分割具体包括以下步骤:
(3-1)接收到滤波后的点云数据后,采用超体聚类分割算法对点云实施过分割,将点云划成很多小块,并研究每个小块之间的关系,将更小单元合并
(3-2)对过分割的点云计算不同的块之间凹凸关系;
(3-3)采用约束平面切割算法对点云进行区域分割;
(3-4)提取每个区域的三视图,利用最小外接矩阵算法,结合尺寸比例系数获取最终的车体轮廓的实际尺寸。
作为本发明的优选实施方式,所述的***还包括:信号检测模块、信号显示模块和数据接口模块,所述的信号检测模块位于车体轮廓检测车道入口处,与所述轮廓检测模块相连,所述的信号检测模块用于检测是否有所述车辆需要启动激光雷达进行车体轮廓检测;所述的信号显示模块与所述的轮廓检测模块相连接,所述的信号显示模块用于向用户呈现雷达状态与检测结果;所述的数据接口模块与所述的轮廓检测模块相连接,所述的数据接口模块提供实时的检测状态和结果数据。
本发明的该利用上述***实现基于激光雷达的车体轮廓检测处理方法,其中包括以下步骤:
(1)所述的信号检测模块接收所述的激光雷达启动信号,将启动信号传递到所述的轮廓检测模块;
(2)所述的轮廓检测模块接收到所述的激光雷达启动信号后,将所述的激光雷达的启动信号发送至所述的激光雷达模块;
(3)所述的激光雷达模块接受到启动信号,运行所述的激光雷达进行检测;
(4)所述的激光雷达模块将测量完成的点云数据发送至所述的轮廓检测模块;
(5)所述的轮廓检测模块接收到所述的激光雷达模块传回的点云数据后,对点云数据进行处理。
本发明的该用于实现基于激光雷达的车体轮廓检测处理的装置,其中所述的装置包括:
处理器,被配置成执行计算机可执行指令;
存储器,存储一个或多个计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现所述的实现基于激光雷达的车体轮廓检测处理方法的各个步骤。
本发明的该用于实现基于激光雷达的车体轮廓检测处理的处理器,其中所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现所述的实现基于激光雷达的车体轮廓检测处理方法的各个步骤。
本发明的该计算机可读存储介质,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现所述的实现基于激光雷达的车体轮廓检测处理方法的各个步骤。
本发明的具体实施方式中,克服了上述现有技术的缺点,提供了一种自动化程度高、检测效率高的基于激光雷达的车体轮廓检测***。为了实现上述目的或其他目的,本发明的基于激光雷达的车体轮廓检测***及相应的方法如下:
基于激光雷达的车体轮廓检测***包括:机械框架模块、激光雷达模块、轮廓检测模块;其中,所述的机械框架安装于车体轮廓检测车道上,所述激光雷达模块,用于扫描所述车辆的车体轮廓结构,生成所述车辆的点云数据,所述的激光雷达模块安装在云台单元上;所述轮廓检测用于处理所述激光雷达模块采集的所述车辆的点云数据,计算出所述车辆的车体轮廓信息;
所述机械框架包括:车道前部固定支架和车道后部固定支架,其中,前后两个支架间距6m,距离地面5.6m;
所述激光雷达模块包括云台单元、雷达单元和数据融合单元;所述云台单元由车道前部云台和车道后部云台组成,所述车道前部云台安装于所述车道前部固定支架上,所述车道后部云台安装于所述车道后部固定支架上,所述云台单元可以提供水平方向180°垂直方向90°的旋转角度;所述雷达单元由车道前部雷达和车道后部雷达组成,所述车道前部雷达安装于所述车道前部云台上,所述车道后部雷达安装于所述车道后部云台上,雷达安装于云台单元上,检测时会在云台单元的带动下进行水平方向180°及垂直方向90°的旋转,但雷达本身的位置不会发生变化,所述雷达单元可在所述云台单元的带动下进行水平方向180°垂直方向90°的旋转,可对任意车型的车辆进行车体轮廓检测,雷达在使用前需要利用已知尺寸的长方体物体进行标定;所述数据融合单元用于将所述云台单元的旋转角度数据与激光雷达的空间点云数据进行融合;
本技术方案通过激光雷达模块获取车辆的双点云数据,通过轮廓检测模块将车辆的双点云数据拼接成一个完整的车辆点云数据,然后通过直通滤波获取指定区域内的车辆点云数据,通过统计离群点滤波,将不符合模型分布的点作为离群点予以剔除,进而提取出准确的车辆点云数据。
所述轮廓检测模块包括数据预处理单元和轮廓计算单元;所述数据预处理单元可细分为双点云拼接、坐标系转换、点云降噪;
所述双点云拼接是将两个激光雷达的双目点云数据合并成一个整体点云数据;
(1)首先采用中心重合法对双目点云数据进行粗略配准。中心重合法在点云粗略配准中利用两点云数据的中心重合,从而降低两点云数据之间的平移差值。算法过程如下:
(1.1)计算两点云相对应的点集质心,这里两点云分别命名为A,B;
(2)接下来,采用迭代最近点算法(ICP)进行精准匹配,具体算法过程如下:
(2.1)确定对应点对,由点云A中的点在待配准点云B中搜索最近的点,组成对应点对,并计算两组新点集的质心;
(2.2)计算目标函数f(Rk,Tk),以目标函数值最小为原则;
式中,Rk为最优旋转矩阵,Tk为平移矩阵;
(2.3)利用最优旋转矩阵Rk和平移矩阵Tk,使点云B坐标变化到Bk+1;
(2.4)计算点对的平均距离,当dk-dk+1<τ时,迭代结束;
式中,ai为A点云数据点集,bk为k次迭代后的B点云数据点集,bk+1为k+1次迭代后B点云数据点集,dk,dk+1为k次与k+1次迭代后的平均距离,N为点云数目。
所述坐标系转换是通过坐标系转换算法将融合后的点云数据转换至空间直角坐标下;
其中,激光雷达某一测量点坐标为(r,α,θ),r为激光雷达中心到目标的距离,α为激光雷达的俯仰角度,θ为激光雷达的扫描角度。
(3)所述点云降噪是通过直通滤波和统计离群点滤波对数据进行降噪处理;
(3.1)直通滤波通过设置周界参数滤除周界范围以外的点;直通滤波处理后的点云满足:
其中,点云为S0={p1,p2,…,pn},点pn=(xn,yn,zn),X1,X2,Y1,Y2,Z1,Z1为周界参数;
(3.2)进行直通滤波处理后,需要通过统计离群点滤波,对每个点的邻域进行统计分析,将不符合模型分布的点作为离群点予以剔除。采用基于点到临近点的平均距离符合高斯分布将平均距离在标准范围之外的点作为离群点予以剔除。设参数邻域k=50,取3倍标准差,即对点云中的每个点,计算它与临近50个点的平均距离,当该值大于3倍标准差时记为离群点。
所述轮廓计算单元可细分为点云区域分割和尺寸计算;
(1)所述点云区域分割是在接收到滤波后的点云数据后,采用超体聚类分割算法对点云实施过分割,将点云划成很多小块,并研究每个小块之间的关系,将更小单元合并的分割思路;
超体聚类首先规律的布置区域生长晶核。晶核(seed)在空间中实际上是均匀分布的,并指定晶核距离(Rseed),指定粒子距离(Rvoxel),指定最小晶粒(MOV),过小的晶粒需要融入最近的大晶粒;
有了晶粒和结晶范围之后,只需要控制结晶过程,就能将整个空间划分开了。结晶过程的本质就是不断吸纳类似的粒子;符合以下公式:
公式中的Dc表示颜色上的差异,Dn表示法线上的差异,Ds代表点距离上的差异。w_表示一系列权重,用于控制结晶形状。在晶核周围寻找一圈,D最小的体素被认为是下一个被发展对象;
接下来所有晶核继续公平竞争,以此循环,最终所有晶体应该几乎同时完成生长。整个点云也被晶格所分割开来。并且保证了一个晶包里的粒子都是类似的;
(2)点云完成超体聚类之后,对于过分割的点云需要计算不同的块之间凹凸关系。凹凸关系通过CC(Extended Convexity Criterion)和SC(Sanity Criterion)判据来进行判断。首先是CC判据。假设有两个相邻的体素,他们的中心点分别为A和B,两个体素的法向量为n1和n2。可以求得向量AB和法向量的夹角α1和α2。如果α1大于α2则两个体素之间为凹,反之为凸。除此之外,如果两个体素被标记为凸且有公共的邻居,这个邻居也会被标记为与这两个体素凸相关;
其次是SC判据,首先计算出体素的法向量的叉乘s=n1*n2,之后求取该向量与中心连线向量d的夹角。因为向量有方向,此时需要选取夹角较小的那个角为θ。如果此时夹角为0,那么两个像素则为奇异;在实际应用中,由于有噪声的存在,还需要对上面的两个判据进行改写。在CC判据中,设定一个βThresh,只有当时α1-α2>βThresh,这两个体素才会被判定为凹。在SC判据中,会将阈值表示为一个sigmoid函数,阈值的结果会根据法向量夹角的大小进行调整,其公式为:
最后要同时判断上面的两个判据,只有同时判定为凸时,才会将两个体素间的关系判定为凸;
(3)完成上述两个步骤后,接下来采用CPC(约束平面切割)算法对点云进行区域分割;
先将所有相邻体素边缘的点云提取出来,对于每一个点,我们会赋予一个权重ω,计算公式为:
ω=h(α-βThresh)
其中h(x)为单位阶跃函数。这里的α为两个体素之间法相量的夹角,βThresh为阈值。
之后我们采用weighted RANSAC算法对有权重的点云进行分割。其目的是最大化函数Sm:
其中Pm为点的个数。可以看到目标函数的区间为0到1。我们可以设定一个最小的Sm。当算法在点云中无法再找到比该阈值大的分割后算法结束;
(4)所述尺寸计算是在完成点云区域分割以后,提取每个区域的三视图,利用opencv中的最小外接矩阵算法,结合雷达标定时获得的尺寸比例系数,获取最终的车体轮廓的实际尺寸。
所述的轮廓检测模块安装于一台计算机中,所述的计算机中安装有与所述的激光雷达模块相连接的硬件接口,所述的计算机设置于一电器柜中。
所述的***还包括:信号检测模块、信号显示模块和数据接口模块。
所述的信号检测模块位于车体轮廓检测车道入口处,与所述轮廓检测模块相连,此信号检测模块用于检测是否有所述车辆需要启动激光雷达进行车体轮廓检测;
所述的信号显示模块与所述的轮廓检测模块相连接,所述的信号显示模块用于向用户呈现雷达状态与检测结果;
所述的数据接口模块与所述的轮廓检测模块相连接,所述的数据接口模块提供实时的检测状态和结果数据。
所述的检测流程包括以下步骤:
所述的信号检测模块接收所述的激光雷达启动信号,将启动信号传递到所述的轮廓检测模块;
所述的轮廓检测模块接收到所述的激光雷达启动信号后,将所述的激光雷达的启动信号发送至所述的激光雷达模块;
所述的激光雷达模块接受到启动信号,运行所述的激光雷达进行检测;
所述的激光雷达模块将测量完成的点云数据发送至所述的轮廓检测模块;
所述的轮廓检测模块接收到所述的激光雷达模块传回的点云数据后,对点云数据进行处理。
本实施例的具体实现方案可以参见上述实施例中的相关说明,此处不再赘述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
采用了本发明的基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质,可对任意车型的车辆进行车体测量,检测精度在±20mm,检测时间约40s,提高了车体轮廓的检测效率,减少劳动力,降低检测成本,加强自动化程度,有利于车体轮廓检测***的大规模推广,具有更加广泛的应用范围。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (18)
1.一种基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的***包括机械框架模块、激光雷达模块、轮廓检测模块,所述的机械框架模块安装于轮廓检测模块上,所述的激光雷达模块安装在云台单元上,所述的激光雷达模块用于扫描车辆的车体轮廓结构,生成所述车辆的点云数据,所述轮廓检测模块用于处理所述激光雷达模块采集的所述车辆的点云数据,计算出所述车辆的车体轮廓信息。
2.根据权利要求1所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的机械框架模块包括车道前部固定支架和车道后部固定支架,所述的车道前部固定支架和车道后部固定支架的支架间距为6m,距离地面5.6m。
3.根据权利要求1所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的激光雷达模块包括云台单元、雷达单元和数据融合单元,所述的雷达单元在所述云台单元的带动下进行水平方向180°及垂直方向90°的旋转,用于对任意车型的车辆进行车体轮廓检测,所述数据融合单元用于将所述云台单元的旋转角度数据与激光雷达的空间点云数据进行融合。
4.根据权利要求3所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的云台单元由车道前部云台和车道后部云台组成,所述车道前部云台安装在所述车道前部固定支架上,所述车道后部云台安装在所述车道后部固定支架上,所述云台单元提供水平方向180°及垂直方向90°的旋转角度。
5.根据权利要求4所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的雷达单元由车道前部雷达和车道后部雷达组成,所述的车道前部雷达安装在所述车道前部云台上,所述的车道后部雷达安装在所述车道后部云台上。
6.根据权利要求1所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的轮廓检测模块包括数据预处理单元,所述数据预处理单元用于实现双点云拼接、坐标系转换和点云降噪,所述的双点云拼接具体为:将两个激光雷达的双目点云数据合并成一个整体点云数据;所述的坐标系转换具体为:通过坐标系转换算法将融合后的点云数据转换至空间直角坐标下;所述的点云降噪具体为:通过直通滤波和统计离群点滤波对数据进行降噪处理。
7.根据权利要求6所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的数据预处理单元实现双点云拼接具体包括以下步骤:
(1-1)采用中心重合法对双目点云数据进行粗略配准,利用两点云数据的中心重合,降低两点云数据之间的平移差值;
(1-2)采用迭代最近点算法进行精准匹配。
9.根据权利要求7所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的步骤(1-2)具体包括以下步骤:
(1-2.1)确定对应点对,由点云A中的点在待配准点云B中搜索最近的点,组成对应点对,并计算两组新点集的质心;
(1-2.2)计算目标函数f(Rk,Tk);
其中,Rk为最优旋转矩阵,Tk为平移矩阵,N为点云数目,ai和bi为两点云数据点集;
(1-2.3)利用最优旋转矩阵Rk和平移矩阵Tk,使点云B坐标变化到Bk+1;
(1-2.4)计算点对的平均距离,当dk-dk+1<τ时,迭代结束;
其中,ai为A点云数据点集,bk为k次迭代后的B点云数据点集,bk+1为k+1次迭代后B点云数据点集,dk,dk+1为k次与k+1次迭代后的平均距离,N为点云数目。
12.根据权利要求1所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的轮廓检测模块还包括轮廓计算单元,所述的轮廓计算单元用于实现点云区域分割和尺寸计算。
13.根据权利要求12所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的轮廓计算单元实现点云区域分割具体包括以下步骤:
(3-1)接收到滤波后的点云数据后,采用超体聚类分割算法对点云实施过分割,将点云划成很多小块,并研究每个小块之间的关系,将更小单元合并
(3-2)对过分割的点云计算不同的块之间凹凸关系;
(3-3)采用约束平面切割算法对点云进行区域分割;
(3-4)提取每个区域的三视图,利用最小外接矩阵算法,结合尺寸比例系数获取最终的车体轮廓的实际尺寸。
14.根据权利要求1所述的基于激光雷达实现车体轮廓检测处理的***,其特征在于,所述的***还包括:信号检测模块、信号显示模块和数据接口模块,所述的信号检测模块位于车体轮廓检测车道入口处,与所述轮廓检测模块相连,所述的信号检测模块用于检测是否有所述车辆需要启动激光雷达进行车体轮廓检测;所述的信号显示模块与所述的轮廓检测模块相连接,所述的信号显示模块用于向用户呈现雷达状态与检测结果;所述的数据接口模块与所述的轮廓检测模块相连接,所述的数据接口模块提供实时的检测状态和结果数据。
15.一种利用权利要求1所述的***实现基于激光雷达的车体轮廓检测处理方法,其特征在于,所述的方法包括以下步骤:
(1)所述的信号检测模块接收所述的激光雷达启动信号,将启动信号传递到所述的轮廓检测模块;
(2)所述的轮廓检测模块接收到所述的激光雷达启动信号后,将所述的激光雷达的启动信号发送至所述的激光雷达模块;
(3)所述的激光雷达模块接受到启动信号,运行所述的激光雷达进行检测;
(4)所述的激光雷达模块将测量完成的点云数据发送至所述的轮廓检测模块;
(5)所述的轮廓检测模块接收到所述的激光雷达模块传回的点云数据后,对点云数据进行处理。
16.一种用于实现基于激光雷达的车体轮廓检测处理的装置,其特征在于,所述的装置包括:
处理器,被配置成执行计算机可执行指令;
存储器,存储一个或多个计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现权利要求15所述的实现基于激光雷达的车体轮廓检测处理方法的各个步骤。
17.一种用于实现基于激光雷达的车体轮廓检测处理的处理器,其特征在于,所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现权利要求15所述的实现基于激光雷达的车体轮廓检测处理方法的各个步骤。
18.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现权利要求15所述的实现基于激光雷达的车体轮廓检测处理方法的各个步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211579607.0A CN116068572A (zh) | 2022-12-09 | 2022-12-09 | 基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 |
PCT/CN2023/090487 WO2024119700A1 (zh) | 2022-12-09 | 2023-04-25 | 基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211579607.0A CN116068572A (zh) | 2022-12-09 | 2022-12-09 | 基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116068572A true CN116068572A (zh) | 2023-05-05 |
Family
ID=86177805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211579607.0A Pending CN116068572A (zh) | 2022-12-09 | 2022-12-09 | 基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116068572A (zh) |
WO (1) | WO2024119700A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385516A (zh) * | 2023-05-31 | 2023-07-04 | 广州市杜格科技有限公司 | 一种静态车辆外廓检测方法、***、装置及存储介质 |
WO2024119700A1 (zh) * | 2022-12-09 | 2024-06-13 | 中建材凯盛机器人(上海)有限公司 | 基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090279A (zh) * | 2014-07-11 | 2014-10-08 | 四川省绵阳西南自动化研究所 | 一种基于激光雷达的挖掘作业面检测装置 |
CN107703499A (zh) * | 2017-08-22 | 2018-02-16 | 北京航空航天大学 | 一种基于自制地基激光雷达对准误差的点云误差校正方法 |
CN108614270A (zh) * | 2018-07-11 | 2018-10-02 | 武汉长江航道救助打捞局 | 一种基于三维点云***的水下抛石实时监测***及其工作方法 |
CN109948189A (zh) * | 2019-02-19 | 2019-06-28 | 江苏徐工工程机械研究院有限公司 | 一种挖掘机铲斗物料体积与重量测量*** |
CN111913184A (zh) * | 2020-09-01 | 2020-11-10 | 江苏普达迪泰科技有限公司 | 一种具有高密度点云的数据采集功能的激光雷达 |
CN112356019A (zh) * | 2020-08-06 | 2021-02-12 | 武汉科技大学 | 一种用于灵巧手抓取的目标物体形体分析方法及装置 |
CN112415493A (zh) * | 2020-11-27 | 2021-02-26 | 北京航天计量测试技术研究所 | 三维扫描激光雷达坐标误差修正方法 |
CN112735135A (zh) * | 2020-12-31 | 2021-04-30 | 东来智慧交通科技(深圳)有限公司 | 高速运动车辆超限检测方法 |
CN114061446A (zh) * | 2021-10-20 | 2022-02-18 | 成都利君环际智能装备科技有限公司 | 一种基于多三维扫描设备的车厢尺寸测量***及方法 |
CN114942421A (zh) * | 2022-05-30 | 2022-08-26 | 西安电子科技大学 | 一种全向扫描的多线激光雷达自主定位装置及方法 |
CN115201846A (zh) * | 2022-07-18 | 2022-10-18 | 江西方兴科技股份有限公司 | 车辆外轮廓尺寸检测仪及检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7024610B2 (ja) * | 2018-05-30 | 2022-02-24 | 株式会社Ihi | 検知装置及び検知システム |
CN110969055B (zh) * | 2018-09-29 | 2023-12-19 | 阿波罗智能技术(北京)有限公司 | 用于车辆定位的方法、装置、设备和计算机可读存储介质 |
KR102221158B1 (ko) * | 2019-07-15 | 2021-02-26 | 인하대학교 산학협력단 | 레이더 장치와 영상 처리를 이용하여 차종, 속도, 통행량을 검지하는 장치 및 방법 |
CN113514849A (zh) * | 2020-04-10 | 2021-10-19 | 深圳市镭神智能***有限公司 | 一种车辆参数检测方法、***及存储介质 |
CN113514847A (zh) * | 2020-04-10 | 2021-10-19 | 深圳市镭神智能***有限公司 | 一种车辆外轮廓尺寸检测方法、***及存储介质 |
CN112906127B (zh) * | 2021-01-18 | 2022-06-28 | 上海交通大学 | 基于云台与扫描仪的车辆建模方法、***、介质及设备 |
CN116068572A (zh) * | 2022-12-09 | 2023-05-05 | 中建材凯盛机器人(上海)有限公司 | 基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 |
-
2022
- 2022-12-09 CN CN202211579607.0A patent/CN116068572A/zh active Pending
-
2023
- 2023-04-25 WO PCT/CN2023/090487 patent/WO2024119700A1/zh unknown
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090279A (zh) * | 2014-07-11 | 2014-10-08 | 四川省绵阳西南自动化研究所 | 一种基于激光雷达的挖掘作业面检测装置 |
CN107703499A (zh) * | 2017-08-22 | 2018-02-16 | 北京航空航天大学 | 一种基于自制地基激光雷达对准误差的点云误差校正方法 |
CN108614270A (zh) * | 2018-07-11 | 2018-10-02 | 武汉长江航道救助打捞局 | 一种基于三维点云***的水下抛石实时监测***及其工作方法 |
CN109948189A (zh) * | 2019-02-19 | 2019-06-28 | 江苏徐工工程机械研究院有限公司 | 一种挖掘机铲斗物料体积与重量测量*** |
CN112356019A (zh) * | 2020-08-06 | 2021-02-12 | 武汉科技大学 | 一种用于灵巧手抓取的目标物体形体分析方法及装置 |
CN111913184A (zh) * | 2020-09-01 | 2020-11-10 | 江苏普达迪泰科技有限公司 | 一种具有高密度点云的数据采集功能的激光雷达 |
CN112415493A (zh) * | 2020-11-27 | 2021-02-26 | 北京航天计量测试技术研究所 | 三维扫描激光雷达坐标误差修正方法 |
CN112735135A (zh) * | 2020-12-31 | 2021-04-30 | 东来智慧交通科技(深圳)有限公司 | 高速运动车辆超限检测方法 |
CN114061446A (zh) * | 2021-10-20 | 2022-02-18 | 成都利君环际智能装备科技有限公司 | 一种基于多三维扫描设备的车厢尺寸测量***及方法 |
CN114942421A (zh) * | 2022-05-30 | 2022-08-26 | 西安电子科技大学 | 一种全向扫描的多线激光雷达自主定位装置及方法 |
CN115201846A (zh) * | 2022-07-18 | 2022-10-18 | 江西方兴科技股份有限公司 | 车辆外轮廓尺寸检测仪及检测方法 |
Non-Patent Citations (1)
Title |
---|
刘江 等: "一种基于K-D树优化的ICP三维点云配准方法", 测绘工程, vol. 25, no. 6, pages 15 - 18 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024119700A1 (zh) * | 2022-12-09 | 2024-06-13 | 中建材凯盛机器人(上海)有限公司 | 基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 |
CN116385516A (zh) * | 2023-05-31 | 2023-07-04 | 广州市杜格科技有限公司 | 一种静态车辆外廓检测方法、***、装置及存储介质 |
CN116385516B (zh) * | 2023-05-31 | 2023-09-05 | 广州市杜格科技有限公司 | 一种静态车辆外廓检测方法、***、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024119700A1 (zh) | 2024-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116068572A (zh) | 基于激光雷达实现车体轮廓检测处理的***、方法、装置、处理器及其计算机可读存储介质 | |
CN110781827B (zh) | 一种基于激光雷达与扇状空间分割的路沿检测***及其方法 | |
CN108020826B (zh) | 多线激光雷达与多路相机混合标定方法 | |
CN113436260B (zh) | 基于多传感器紧耦合的移动机器人位姿估计方法和*** | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN110222626B (zh) | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 | |
CN108171131B (zh) | 基于改进MeanShift的Lidar点云数据道路标识线提取方法 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
CN110796694A (zh) | 一种基于KinectV2的果实三维点云实时获取方法 | |
CN110110797B (zh) | 一种基于多传感器融合的水面目标训练集自动采集方法 | |
CN103204104B (zh) | 一种车辆全视角驾驶监控***及方法 | |
CN111640152A (zh) | 一种鱼类生长监控方法和*** | |
CN111457930B (zh) | 一种利用车载Lidar与无人机联合的高精度测图定位方法 | |
CN112735135A (zh) | 高速运动车辆超限检测方法 | |
CN111046843A (zh) | 一种智能驾驶环境下的单目测距方法 | |
CN114972532B (zh) | 激光雷达之间的外参标定方法、装置、设备及存储介质 | |
CN112308928B (zh) | 一种无标定装置的相机与激光雷达自动标定方法 | |
CN105606123A (zh) | 一种低空航空摄影测量自动纠正数字地面高程模型的方法 | |
CN113947638A (zh) | 鱼眼相机影像正射纠正方法 | |
CN113484867A (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
CN115685102A (zh) | 一种基于目标跟踪的雷视自动标定方法 | |
CN106530342B (zh) | 利用激光点云辅助的可量测全景影像生成方法 | |
CN117572451B (zh) | 一种基于多线激光雷达的交通信息采集方法、设备及介质 | |
WO2022062377A1 (zh) | 一种相机的标定方法、标定装置及电子设备 | |
CN114428259A (zh) | 一种基于地图车采集的地库激光点云中车辆自动提取方法 |
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 |