可左右滑动选省市

一种针对降雪影响的LiDAR点云无监督去噪方法

更新时间:2024-07-01
一种针对降雪影响的LiDAR点云无监督去噪方法 专利申请类型:发明专利;
地区:辽宁-大连;
源自:大连高价值专利检索信息库;

专利名称:一种针对降雪影响的LiDAR点云无监督去噪方法

专利类型:发明专利

专利申请号:CN202210500966.6

专利申请(专利权)人:大连理工大学
权利人地址:辽宁省大连市甘井子区凌工路2号

专利发明(设计)人:陈储,曹俊杰

专利摘要:本发明提供了一种高效且精准的针对降雪影响的LiDAR点云无监督去噪算法,属于点云降噪领域。本发明基于现有的DDIOR去噪算法进行改进,首先提出了一种新的根据点云高度进行动态切割的噪声点云预处理方法,使得高度较高、距离较远、较稀疏、特征与噪声点云极其相似的非噪声点云被保护。然后改进了DDIOR去噪算法中的动态阈值,使得阈值随各点的位置及邻域信息改变得更平滑更易控制、分离非噪点与噪点更精确。最后结合了基于HDBSCAN的聚类算法,处理前两个步骤对噪点和非噪点的分类结果,可以使周围环境中的非噪点结构更加完整,由于前两个步骤的去噪结果已非常精确,最后步骤并非必要项,只为满足不同的去噪需求。本发明利用真实冬季降雪天气中采集的点云数据集WADS进行评估本发明。

主权利要求:
1.一种针对降雪影响的LiDAR点云无监督去噪算法,其特征在于,步骤包括:步骤S1:对待降噪的点云进行切割预处理,保留随距离变化的高度阈值Hth以上的点云;
步骤S2:对每个点计算其k邻域的平均距离和动态阈值,通过比较平均距离与动态阈值的大小判定该点为噪点或是非噪点,判断后的非噪点集合与步骤S1中保留的点云结合,形成新的非噪点集合,其余点为噪点集合;
步骤S3:利用HDBSCAN聚类算法对整帧点云逐点根据空间特点进行分类,并求步骤S2得到的非噪点集合中分类标签出现点数最多的t个标签,将步骤S2得到的噪点集合中分类为这t个标签的点重新判定为非噪点;
所述的步骤S1:预处理;给定高度阈值曲线 其中d为待判断点到传感器距离,h1、h2为参数,根据实际调整,默认设置为h1=100、h2=‑5;在高度阈值曲线Hth上方的点将首先加入非噪点集合I1,其余点加入待处理点云集合P;
所述步骤S2具体为:
步骤S21:将目标点云载入KDTree,计算每点k邻域到该点的平均距离md,再计算各点平均距离md的均值作为全局平均距离μ;
步骤S22:计算每点的动态阈值 其中in为该点的
归一化强度,μ为全局平均距离,d为该点到传感器距离,k1、k2为参数,根据实际调整,默认设置为k1=0.02、k2=0.05;
步骤S23:将步骤S1生成的点云集合P中各点的平均距离md与该点的动态阈值Tm进行比较,距离小于阈值的点md 说明书 : 一种针对降雪影响的LiDAR点云无监督去噪方法技术领域[0001] 本申请属于点云降噪领域,涉及一种针对降雪影响的LiDAR点云无监督去噪方法,具体是一种DDIOR点云降噪方法改进优化并与HDBSCAN聚类方法结合的点云降噪方法。背景技术[0002] 激光雷达是一种高精度传感器,用于测量物体的位置和形状,形成高质量的三维点云图像,已广泛应用于自主驾驶、三维重建、工业测量等许多领域。随着科技的不断进步和成本的不断降低,激光雷达在可预见的未来不太可能被淘汰。激光雷达以点云的形式收集物理环境的信息。这些点云被处理并用于执行自动驾驶任务,如定位和绘图、移动目标检测和障碍物回避。然而,在恶劣天气条件下,如下雪、下雨和浓雾,它们的性能受到严重限制。恶劣的天气条件会导致不需要的测量点,进而影响漏检和误报,从而严重影响基于激光雷达的场景理解的性能。如在大雪中,雪粒子可能被误解为车辆前方的物体,从而使移动机器人完全停止。换而言之,激光雷达传感器获得的点云图像遭受很多噪音,分为三大类:孤立的异常值,集群噪音,附近的信号和噪声点。为了获得高质量的点云图像,必须去除这些噪声,应运而生的就是针对点云数据过滤噪声的方法研究。[0003] 现有的点云去噪方法主要分为两类:[0004] (1)无监督点云去噪方法,如半径离群点去除方法(ROR)、统计离群点去除方法(SOR)、动态半径离群点去除方法(DROR)、动态统计离群点去除方法(DSOR)、低强度离群点去除方法(LIOR)、体素网格滤波器方法(VG)、动态距离‑强度离群点去除方法(DDIOR)等。这些现有的无监督点云去噪方法体量小、速度快、噪点召回率高,但往往会误判大量的非噪点,精确度较低;[0005] (2)基于深度学习的方法,如PointNet、PointNet++、WeatherNet、RangeNet++等,这些基于深度学习的去噪方法精度较高,但体量很大。[0006] 在无监督点云去噪方法中,动态距离‑强度离群点去除方法(DDIOR)是目前最先进的,它在动态统计离群点去除方法(DSOR)的动态阈值基础上,加入了强度信息,构造了新的更为精准的阈值,且根据冬季恶劣天气采集的真实数据集WADS中噪点分布特点,加入了点云分割预处理步骤,减少了运算量的同时,较好地保持了高强度和远距离的非噪点。虽然DDIOR在召回率(Recall)上数值结果很高,但是精准度(Precision)相对较低,换而言之,DDIOR为了尽可能地除去雪噪点,同时误除了较多的非噪点。而且该方法在处理不同场景下的噪声点云时,需要调整大量参数以达到良好的效果,适用性有限。除此之外,即使DDIOR做了较大改动,精确度和召回率两个方面的数值结果上相较DSOR提高不多。发明内容[0007] 本发明针对上述冬季恶劣天气下雪噪点去除的不足之处,提供了一种针对降雪影响的LiDAR点云无监督去噪方法。该方法预处理阶段采用了高度‑距离阈值曲线,使得容易被以往滤波方法误除的、高度较高、距离较远、较稀疏的正常物体点云被很好地保护;并且修改了DDIOR方法阈值Tn中αr的计算方式,从原来的阶梯型常数值改为指数函数,使该方法可以根据实际需求简易控制,更具普适性;也修改了DDIOR方法阈值Tn中强度前系数,赋予了强度这一维度信息更大的权重,彻底去除低强度的雪噪点;除此之外,还加入了HDBSCAN聚类方法进行后处理,使周围环境中结构更加完整。[0008] 为了实现上述目的,本发明采用如下技术方案:[0009] 一种针对降雪影响的LiDAR点云无监督去噪方法,步骤如下:[0010] 步骤S1:对待降噪的点云进行切割预处理,保留随距离变化的高度阈值Hth以上的点云;[0011] 步骤S2:对每个点计算其k邻域的平均距离和动态阈值,通过比较平均距离与动态阈值的大小判定该点为噪点或是非噪点,判断后的非噪点集合与步骤S1中保留的点云结合,形成新的非噪点集合,其余点为噪点集合;[0012] 步骤S3:利用HDBSCAN聚类方法对整帧点云逐点根据空间特点进行分类,并求步骤S2得到的非噪点集合中分类标签出现点数最多的t个标签,将步骤S2得到的噪点集合中分类为这t个标签的点重新判定为非噪点。[0013] 本发明针对雪噪点的去噪问题,在DDIOR方法的基础上进行了改进,使其兼顾较高的除噪效率和较好地保持非噪点,实现了高效且精准地去除LiDAR点云中的降雪噪点,利用真实的冬季恶劣天气数据集WADS进行评估,并观察在最先进的基线上的改进。附图说明[0014] 图1是本发明方法的整体结构。[0015] 图2是恶劣天气下采集的点云图。[0016] 图3是经过本发明方法去噪后的点云图。具体实施方法[0017] 下面将结合具体实施例子和附图对本发明的技术方案进行进一步的说明。[0018] 一种针对降雪影响的LiDAR点云无监督去噪方法,步骤如下:[0019] 步骤S1:预处理;给定高度阈值曲线 其中d为待判断点到传感器距离,h1、h2为参数,可根据实际调整,默认设置为h1=100、h2=‑5。在高度阈值曲线Hth上方(即z坐标值大于Hth)的点将首先加入非噪点集合I1,其余点加入待处理点云集合P。[0020] 步骤S2:对每个点计算其k邻域的平均距离和动态阈值,通过比较平均距离与动态阈值的大小判定该点为噪点或是非噪点,判断后的非噪点集合与步骤S1中保留的点云结合,形成新的非噪点集合,其余点为噪点集合;[0021] 进一步,所述步骤S2具体为:[0022] 步骤S21:将目标点云载入KDTree,计算每点k邻域到该点的平均距离md,再计算各点平均距离md的均值作为全局平均距离μ。[0023] 步骤S22:计算每点的动态阈值 其中in为该点的归一化强度,μ为全局平均距离,d为该点到传感器距离,k1、k2为参数,可根据实际调整(k1值越小过滤越激进、k2值越小阈值随距离变化程度越小),默认设置为k1=0.02、k2=0.05。[0024] 步骤S23:将步骤S1生成的点云集合P中各点的平均距离md与该点的动态阈值Tm进行比较,距离小于阈值的点(md<Tm)加入步骤S1生成的点云集合I1,距离大于等于阈值的点(md≥Tm)加入噪点集合O1。[0025] 步骤S3:利用聚类方法调整噪点集合与非噪点集合;利用HDBSCAN聚类方法对整帧点云逐点根据三维坐标进行分类,并求步骤S2得到的非噪点集合I1中分类标签出现点数最多的t个标签,将步骤S2得到的噪点集合O1中分类为这t个标签的点重新判定为非噪点,得到新的非噪点集合I2,整帧点云的其他点被判定为噪点O2[0026] 在真实冬季大雪环境中采集的点云(如图2所示),图中中心黄色部分即为雪粒子噪点。经过以上步骤,非噪点集合I2即为经过本发明方法过滤后的点云(如图3所示),雪噪点去除效果理想,且周围环境细节保留完好。除此之外,本发明方法处理时间短,所用数据集每帧点云约有200,000个点,本方法处理速度约为2秒/帧,比较高效。本发明方法步骤如图1所示,其中步骤S3为非必要步骤,即经过步骤S1和步骤S2处理后得到的非噪点集I1已将降雪噪点去除较好。若追求更完好的环境细节、更高的交并比(mIoU)且不计聚类方法带来的时间成本,可根据需求选择通过步骤S3后处理。

专利地区:辽宁

专利申请日期:2022-05-10

专利公开日期:2024-06-18

专利公告号:CN114926356B

电话咨询
读内容
搜本页
回顶部