基于激光雷达点云和视觉特征的汽车自动驾驶环境感知与目标检测

本文讨论了激光雷达点云与视觉特征在汽车自动驾驶中的应用以及融合优势。本文首先介绍了激光雷达点云和视觉特征的特点、优势和应用,探讨了激光雷达点云与视觉特征的融合优势;其次介绍了激光雷达点云与视觉特征的融合目标检测与跟踪方法,在实验方法综述中讨论了实验设置、数据收集、标注与验证、数据处理与分析等内容;最后说明了实验结果与性能评估的方法和指标。

基于位姿状态的激光雷达点云帧间编码方法

激光雷达动态获取点云压缩在智能驾驶领域具有重要应用。为了应对点云序列时域冗余问题,本文设计了基于位姿状态的激光雷达点云帧间编码方法。在动态获取点云场景中,点云在三维空间上分布广泛且稀疏。对此,将其映射到二维距离图上。并在此基础上,结合激光雷达位姿关系,提出了一种高效的帧间预测编码方法,以消除时域冗余。由于三维物体遮挡的原因,激光雷达运动时易导致预测距离图产生空洞现象,影响预测编码性能。采用空洞填补方法可提高算法预测精度,并对预测残差进行量化和压缩。实验结果表明,相较于G-PCC等编码方法,所提出的方法在编码性能方面表现更为优越。

泥石流沟谷地形的机载激光雷达点云滤波算法对比

为探究不同滤波算法对泥石流沟谷复杂地形机载激光雷达点云数据处理的普适性,选取昆明市东川区大白泥河沟作为研究区,采用改进的渐进加密三角网滤波(IPTDF)、布料模拟滤波(CSF)、基于坡度的滤波(SBF)3种常用滤波算法对研究区内的15个样本机载激光雷达点云数据进行滤波试验,结合国际摄影测量和遥感学会提出的交叉表评价体系对滤波的结果进行量化分析,探究坡度、植被覆盖度两类因素与滤波精度之间的关系.结果表明,当地形平坦、坡度较小时(样本1、2、6、7、10),IPTDF、SBF和CSF算法的平均总误差分别为8.73%、8.81%、8.90%,数值上十分接近,3种算法都能达到分类地面点的目的,当地形复杂,坡度较大时(样本5、8、9、12、14),IPTDF、SBF和CSF算法的平均总误差分别为13.4%、36.4%、30.2%,CSF与SBF算法在地形复杂的陡壁区域精度较低,IPTDF算法平均总误差远低于其他两种算法,能够很好地适应泥石流沟谷的复杂地形地貌特征;研究区内坡度和植被覆盖度呈显著正相关,坡度和植被覆盖度对CSF和SBF的误差影响较为明显,各算法Ⅰ类误差和总误差整体上随着坡度的增大而增加,且在植被覆盖度近似的样本内,坡度越大的区域各算法总误差也越大.

基于激光雷达点云数据的光伏电站智能巡检系统

面对当前使用的人巡和机巡方法缺少对光伏电站周围环境分析,使电力线巡检数据评估结果与实际结果不一致,导致智能巡检结果不精准的问题,设计了基于激光雷达点云数据的光伏电站智能巡检系统。利用倾斜摄影相机可以转换视觉模式,确保不会发生不同视角下的摄影重叠问题。设计环境和设备信息采集模块,集中处理环境参数,并将处理结果存入存储模块。采用激光雷达,实现测距。利用激光脉冲对点云数据进行采集和处理,对雷达参数进行调整。通过计算激光源到被测点的距离,得到光伏电站周围的环境信息。建立三维曲面模型拟合电力线,获得最佳参数。设计输电线路巡检航线自动规划流程,完成光伏电站智能巡检。由实验结果可知,该系统水平距离和垂直距离均与实际数据一致,具有精准的巡检结果。

基于激光雷达点云的配网带电作业机器人的目标识别

为满足配网带电作业机器人作业任务要求,提出一种基于激光雷达点云的电气设备识别方法。采集点云后,进行预处理操作,清除干扰点并保留作业区域的点云。基于几何特征,初步检测电杆和绝缘机械臂,然后利用电杆与机械臂之间的几何约束条件,通过最小二乘法对识别结果进行迭代优化。利用所获得的电杆和机械臂构成结构所提供的几何信息,进一步处理电力线点云,实现电力线点云识别。实验表明,该方法能快速、准确、稳健地从作业区域的激光雷达点云中分割和识别电杆、机械臂和电力线,为机器人执行各种后续作业任务提供充足信息。

一种基于激光雷达点云的自适应双半径滤波算法

点云去噪技术是智能驾驶汽车感知周边环境信息的关键一步。针对激光雷达点云去噪算法去噪精度高、运行速率低的问题,提出一种适用于复杂场景和多种尺度噪声下的自适应双半径滤波算法。三维点云经最少点数约束条件下的体素滤波精简处理,并初步滤除离群噪声。用KD-tree建立索引计算点云的平均密度。根据点云密度构建自适应大、小半径模型,以滤除漂移噪声体素。为验证算法的有效性,在多噪声类型的简单场景和复杂场景下,与各算法对比去噪精度与运行速率。对比结果表明,在去噪精度略微降低的情况下,在简单场景中的运行时间低于0.6 s,在复杂场景中低于2 s,新算法具有较高的去噪精度和运行速率及较广的适用范围。

利用迁移学习的机载激光雷达点云分类

为解决现有机载激光雷达点云分类方法存在难以在获得较高精度的点云分类结果的同时降低分类过程所需时间等问题,提出了一种利用迁移学习的机载激光雷达点云分类方法。首先,计算点云的归一化高程、强度和法向量三个特征,通过设置不同邻域大小,利用所提出的点云特征图生成策略生成多尺度点云特征图;然后,利用预训练的深度残差网络从每个点的多尺度点云特征图提取其多尺度深度特征;最后,为了实现快速地训练,构建仅包含两层全连接神经网络模型,再利用训练好的模型对点云进行分类。两组ISPRS提供的标准点云数据集的试验结果表明:提出的方法所需训练时间少,分类结果的整体精度为89.6%,较ISPRS官网上所报道的最佳点云方法分类精度高4.4%。分类结果可为机载激光雷达点云的后续处理与应用提供可靠的信息。

基于多结构估计的建筑物激光雷达点云特征线提取算法

建筑物激光雷达(light detection and ranging,LiDAR)点云特征线对于多视角点云配准、建筑物对称性检测、建筑物三维重建等应用具有十分重要的意义.由于LiDAR点云具有数据量庞大的特点,传统的算法难以实现建筑物特征线的快速提取.针对这个问题,提出一种基于多结构鲁棒估计的建筑物特征线提取算法,该算法利用历史模型信息进行条件采样,并通过迭代搜索符合所有特征线性质的模型.根据建筑物LiDAR数据的实验结果表明,该方法与传统的RANSAC(random sample consensus)、MLESAC(maximum likelihood estimation sample consensus)等算法相比,避免了无效、重复的特征线采样过程,在相同时间内可获取更多的直线内点,从而有效提高了建筑物特征线的提取效率.

激光雷达点云特征表达研究进展

激光雷达点云的特征表达是激光雷达点云分类识别的基础和关键,也是当前研究的重点和热点问题。该文对激光雷达点云特征表达的研究进展进行了探索和总结。首先,分别从基于点特征和基于对象特征的对比、稀疏编码特征、多层次特征及深度学习特征四方面进行论述,阐明了各种特征的特点,并验证了基于对象特征的优势;其次,对稀疏编码特征、多层次特征和深度学习特征进行了实验分析,得到稀疏编码特征及多层次特征在点云分类识别方面的特性及优势;最后,指出了激光雷达点云特征表达研究的未来发展趋势。该文可为激光雷达点云等空间数据的识别与结构化表达提供一定的借鉴和参考,也可为环境感知、自动驾驶等应用提供一定帮助。

联合多元信息的激光雷达点云多核分类方法研究

充分利用激光雷达点云、波形数据和强度图像的特性，提出了一种联合多元信息的激光雷达点云多核学习分类方法。该方法首先提取点云的高程信息、回波的波形信息和强度图像的灰度信息，然后将三者结合形成新的特征数据，最后采用多核学习方法的MKSVM分类器进行分类，并利用国产机载激光雷达获取的数据进行了分类处理实验。实验结果表明：该方法有效地提高了分类的精度。

激光雷达点云电力线自动提取算法

针对当前电力线提取方法自动化程度和精度不高的问题,本文从点云数据的空间分布特征出发,提出了一种高效的电力线自动提取方法。首先基于自然裂点法,将点云数据按高程分类后去除地面点;然后对数据进行空间划分,基于子空间的点密度及空间结构特征的差异化,利用地物分割算法去除电塔点和残留的植被点;最后利用基于欧氏距离分割的电力线自动检测算法,实现单根电力线的快速、高精度提取。提取结果和拟合试验表明,该方法能在复杂地形下实现电力线的自动提取,极大提高了电力线的提取效率和精度。

多因子激光雷达点云分区精简算法

激光雷达点云密度较大时会导致数据冗余,对点云数据的计算、存储及显示造成困难。本文针对激光雷达地形扫描点云的精简问题,提出了一种多因子分区点云精简方法。首先在改进点云组织方式的基础上,使用变异系数定权法并综合4种传统的点云特征提取因子,得到最终的综合评价因子,以划分特征点与非特征点;然后使用改进的八叉树将所有点依据其位置与数量划分为子集,并根据每个子集的特征点数量确定是否保留其中部分非特征点。该方法可更全面客观地对数据进行特征评估与选择,得到最具代表性的点,实现更高精度的精简。试验显示,多因子分区方法的误差比其他方法低20%~50%,且在整体试验区域精度的均匀性高5%~70%,证明该方法更优越。

基于激光雷达点云的3D目标检测技术综述

在自动驾驶场景中,需要感知周围环境中的目标类型、大小、距离及方向等信息,因此3D目标检测技术对于自动驾驶汽车而言尤为重要。为获取周围环境信息,如激光雷达等传感器被应用在自动驾驶汽车上。为此,介绍自动驾驶领域基于激光雷达的3D目标检测现有方法,涵盖最新的模型,并对现有模型进行系统的分类,详细介绍具有代表性和开创性的方法,比较不同方法之间的优劣,并对基于点云的3D目标检测算法的发展进行展望。

基于震后机载激光雷达点云的建筑物破坏特征分析

本文利用2010年海地MW7.0地震震后获取的机载激光雷达(LiDAR)三维点云数据,通过人机交互的方式选取受损程度不同的典型建筑物点云数据,比较分析倒塌建筑物与完好建筑物点云数据的高度、坡度和法向量等分布特征,提出了用建筑物点云高度均值偏离度、屋顶面坡度值以及法向量与天顶方向夹角等因子判定建筑物破坏程度.试验分析结果表明,高度均值偏离度因子对单个建筑物的破坏部分识别效果较好,屋顶面坡度值因子可以识别建筑物破坏部分的边缘,点云法向量与天顶方向夹角因子能够较好地识别大范围区域内的建筑物破坏情况,因此上述判定因子均能在一定情况下表征建筑物的破坏情况.

使用显著性划分的机载激光雷达点云滤波

点云滤波是机载激光雷达点云数据处理的一个关键步骤。针对目前已有算法存在的单一方法在特定地形的点云滤波效果较好,而对于复杂或混合地形滤波效果不理想的现状,提出了一种基于点云网格地面显著性的点云滤波方法。该方法在点云以虚拟网格组织的基础上,使用扫描线高程分割的方式,计算各网格单元的地面显著性指标,依据地面显著性值对网格内的点云进行地形类别划分,对不同类别的网格单元,使用不同的滤波处理手段。该方法与其他经典方法相比,避免了迭代加密过程,在起伏区域使用曲面而非平面来代替局部地形,在不显著增加计算量的情况下,对于复杂和混合地形具有更好的适应性,能够生成可靠性较高的地面点集合。

基于激光雷达点云多特征提取的车辆目标识别算法

目标识别是智能车感知周围环境实现智能行驶的重要技术,高精度的目标识别算法可为智能车的安全行驶提供保障,因此提出一种基于三维激光雷达点云多特征提取的车辆识别算法。将提取的激光雷达数据的12维特征与分类器相结合识别城市道路中的车辆目标。算法首先对非地面激光雷达点云进行聚类,对聚类后的每簇点云数据提取12维特征;然后根据这12维特征训练四种分类器;最后使用KITTI数据集进行仿真,比较四种分类器的性能和三种不同维度特征(12维、26维、8维特征)识别车辆目标的准确率。仿真结果表明:提取的12维特征相比较于其它两种维度的激光雷达特征,可以提高车辆目标分类的准确性,与随机森林结合的识别精度优于其他分类器方法。另外,在百度Apollo数据集的道路场景中也验证了该算法的性能,结果表明其可满足车辆识别的精度。

基于大数据技术的机载激光雷达点云分类与建模研究

针对传统机载激光雷达点云数据分类建模方法存在的占用内存较大、运行时间较长等问题,提出一种大数据技术的机载激光雷达点云分类与建模方法。首先对当前机载激光雷达点云分类与建模方研究现状进行分析,指出各种机载激光雷达点云分类与建模方法的不足,然后引入大数据技术中的贝叶斯估计算法和包围盒法对机载激光雷达点云进行分类与建模,最后进行了机载激光雷达点云分类与建模的仿真测试,结果表明,方法提高了机载激光雷达点云分类精度,减少了机载激光雷达点云分类时间。

一种简易的激光雷达点云与光学影像自动配准方法

将激光雷达点云与光学影像进行配准融合,在数字城市建模、自动驾驶和导航避障等方面有重要的应用价值。当前多数自动配准方法需要专门设计特殊的场景结构,操作复杂。根据激光雷达对玻璃具有穿透的特性,提出利用透明的门窗等室内建筑物场景来实现对激光雷达点云与光学影像的自动配准。首先,将激光点云量化为图像,提取光学影像与量化图像的门窗角点特征,并利用相关系数法实现特征点的自动匹配;然后,对激光雷达与相机之间的配准转换参数进行求解;最后,对两种数据进行配准融合。实验结果表明:利用室内门窗这种规则的半透明场景,可以轻松实现激光点云与光学影像的自动化配准,简单实用,操作性强。

可见光影像与激光雷达点云融合技术在配网树障巡检中的应用

针对单一使用激光雷达或者可见光相机进行配电走廊树障巡检的可视化效果差、准确性低等问题,引入可见光影像与激光雷达点云融合技术。无人机搭载集成系统同时获取激光雷达点云数据与可见光影像数据,首先将激光点云数据去噪、滤波和分类,分离出地面和非地面激光点云,然后通过坐标转换,使激光点云数据和可见光影像数据建立在同一坐标系下,再将可见光影像的光谱信息赋值给对应的激光点、云,重现点云三维实景影像,实现配电走廊树障隐患识别与分析的功能。该技术大大提高树障隐患巡检的准确性和效率,可视化效果直观。

机载激光雷达点云在高植被山区数据处理中的应用研究

介绍了机载激光雷达技术的基本概况,以江西省奉新县境内获取的机载激光点云为例,浅谈点云在植被深厚地区的数据分类处理及地形图成图技术,通过这一典型案例,论证了机载激光雷达点云在植被深厚地区极大地减少了外业工作量,缩短了作业工期,解决了传统航空摄影测量技术在植被深厚且茂密地区应用的技术难题,使地形图的高程精度得到了很大的提升。