一种高分辨率固态激光雷达点云的杂点消除方法与流程

本发明涉及一种高分辨率固态激光雷达点云的杂点消除方法。

背景技术：

由于固态激光雷达的固有特性决定的是，当激光光斑打到物体边缘时，若物体和背景的距离在0~2.5米范围内，则物体点云和背景点云之间会出现类似瀑布一样的点云，称之为拉丝点。若物体和背景超过2.5米范围，则物体边缘不稳定的跳动点称之为奇异点。这两类点会严重影响雷达检测的精确性和点云质量。

技术实现要素：

本发明提供了一种高分辨率固态激光雷达点云的杂点消除方法，以至少解决现有技术中拉丝点、奇异点等杂点对高分辨率固态激光雷达点云的影响。

本发明提供了一种高分辨率固态激光雷达点云的杂点消除方法，包括步骤如下：

步骤一：进行图像扫描采集；

步骤二：对扫描到的每帧图像上设定一个扫描区域，并控制扫描区域在帧内进行规律滑动，遍历此扫描区域内所有有效点，个数为m，获得和，分别为tof最大值和tof最小值；

步骤三：设定阈值g，若此扫描区域内的-，则此区域所有点都判定为非杂点；若-，则判定该扫描区域内的点为疑似杂点；

步骤四：设定扫描区域的中心点为a及阈值k，比较该中心点和扫描区域内所有非零点的tof差，若tof差小于k,则计数cou=cou+1，直到获得所有满足该条件的点，个数为n，以及该扫描区域内所有的有效点个数m：

步骤五：若该扫描区域内的所有点为疑似拉丝点和奇异点，则设定一个数值w；若n×w>m,则认定该区域内所有点为非拉丝点和奇异点；若n×w<m,则认定该区域内所有点为杂点，删除该区域所有点。

进一步地，所述扫描区域的尺寸设定为，n为2~10。

进一步地，所述采集前一帧中所有点的位置，并扫描后续n-1帧图像，确保各帧图像之间具有对应点，计算相邻两帧图像中每一个对应点的笛卡尔坐标z值之差，建立一维矩阵m,进行杂点分析，若相邻两帧图像的一对应点之间笛卡尔坐标z值之差与其余对应点有明显区别，则认定此对应点为杂点，并删除。

更进一步地，所述后续n-1帧图像采用固定位置扫描。

更进一步地，所述后一帧图像中所有点与前一帧图像中所有点的对应数量百分比为s，s的取值范围为0.5~1。

更进一步地，所述相邻两帧图像中每一个对应点的笛卡尔坐标z值之差为d，所述一维矩阵m=[d1,d2,d3,d4,d5,……]。

更进一步地，所述杂点分析具体为确定相邻两帧图像在采集时是否处于相对静止状态，若处于相对静止状态，则设定阈值gz，所有d值大于gz的点为杂点。

更进一步地，所述相对静止状态的具体判断方法为：设定比例cz，计算后一帧图像的全部对应点数量k1，当一维差分矩阵m内的任一元素满足d值小于gz，则计数器cou=cou+1，遍历m中全部元素，获得cou=cou，若cz<cou/k1，则认定相邻两帧图像处于相对静止状态。

本发明方法可有效去除图中的奇异点和拉丝点，降低杂点对扫描结果精确性的影响，提高扫描的精确性。

附图说明

图1为滑动窗口搜索奇异点和拉丝点示意图；

图2为相邻帧点云差分检测奇异点和拉丝点示意图；

图3为消除奇异点测试情景图像

图4为未消除奇异点的点云图的俯视图；

图5为采用本发明实施例方法消除拉丝奇异点的后的俯视图；

图6为未消除奇异点的点云图的正视图；

图7为采用本发明实施例方法消除拉丝点和奇异点的正面点云图像。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。

本发明实施例公开了一种高分辨率固态激光雷达点云的杂点消除方法，包括步骤如下：

步骤一：进行图像扫描采集；

步骤二：如图1所示，对扫描到的每帧图像上设定一个扫描区域，并控制扫描区域在帧内进行规律滑动，遍历此扫描区域内所有有效点，个数为m，获得和，分别为tof最大值和tof最小值；

步骤三：设定阈值g，若此扫描区域内的-，则此区域所有点都判定为非杂点；若-，则判定该扫描区域内的点为疑似杂点；

步骤四：设定扫描区域的中心点为a及阈值k，比较该中心点和扫描区域内所有非零点的tof差，若tof差小于k,则计数cou=cou+1，直到获得所有满足该条件的点，个数为n，以及该扫描区域内所有的有效点个数m：

步骤五：若该扫描区域内的所有点为疑似拉丝点和奇异点，则设定一个数值w；若n×w>m,则认定该区域内所有点为非拉丝点和奇异点；若n×w<m,则认定该区域内所有点为杂点，删除该区域所有点。

可选的，所述扫描区域的尺寸设定为，n为2~10。

其中，本发明实施例为帧内直接检测和消除方法，设置一个滑动窗口（扫描区域）在整个扫描场帧内做有规律的滑动，滑动窗口的尺寸设定为n为可以设定在2~10范围内。在每个滑动窗口内，比如有m个有效点，则遍历此窗口内所有点，获得max_tof和min_tof,分别是tof最大值和tof最小值。设定一个阈值比如g，当在此滑动窗口内的-，则此区域所有点都判定为非拉丝点和非奇异点。当-，则判定该滑动窗口内的点为疑似拉丝点和奇异点。假定此滑动窗口的中心点为a，设定一个阈值k，比较该中心点和滑动窗口内所有非零点的tof差，例如tof_a-tof_b<k,则计数cou=cou+1，直到获得所有满足该条件的点的个数n，以及该滑动窗口内所有的有效点个数m，设定一个条件如下：

当判断该滑动窗口内的所有点为疑似拉丝点和奇异点，则设定一个数值w：

当且仅当：n*w>m,则认定该区域内所有点为非拉丝点和奇异点，

当n*w<m,则认定该区域内所有点为拉丝点或奇异点，删除该区域所有点。

本发明实施例通过采用帧内直接检测和消除方法，如图3-图6所示，可有效去除图中的奇异点和拉丝点，降低杂点对扫描结果精确性的影响。

可选的，如图2所示，所述采集前一帧中所有点的位置，并扫描后续n-1帧图像，确保各帧图像之间具有对应点，计算相邻两帧图像中每一个对应点的笛卡尔坐标z值之差，建立一维矩阵m,进行杂点分析，若相邻两帧图像的一对应点之间笛卡尔坐标z值之差与其余对应点有明显区别，则认定此对应点为杂点，并删除。

特别的，所述后续n-1帧图像采用固定位置扫描。

特别的，如图2所示，所述后一帧图像中所有点与前一帧图像中所有点的对应数量为的对应数量百分比为s，s的取值范围为0.5~1。

特别的，所述相邻两帧图像中每一个对应点的笛卡尔坐标z值之差为d，所述一维矩阵m=[d1,d2,d3,d4,d5,……]。

特别的，所述杂点分析具体为确定相邻两帧图像在采集时是否处于相对静止状态，若处于相对静止状态，则设定阈值gz，所有d值大于gz的点为杂点。

特别的，所述相对静止状态的具体判断方法为：设定比例cz，计算后一帧图像的全部对应点数量k1，当一维差分矩阵m内的任一元素满足d值小于gz，则计数器cou=cou+1，遍历m中全部元素，获得cou=cou，若cz<cou/k1，则认定相邻两帧图像处于相对静止状态。

方法2，帧间差分检测和消除

帧间检测的方法，通过记录前一帧数据的所有点的位置，采用固定扫描位置的方式，比如图5所示，前后n帧数据，都在相同的位置输出激光扫描，例如frame-1内有若干点，如a1,a2,a3,a4……,下一帧frame-2内有若干点，如b1,b2,b3,b4……,其中，a1与b1具有相同的row和column，但是空间笛卡尔坐标是不同的，以此类推，s（s在0.5~1.0之间）以上的frame-1内的点在frame-2上都能找到类似的对应点，则我们通过计算每一个对应点的笛卡尔坐标z值之差，可以形成一个一维矩阵m=[d1,d2,d3,d4,d5,……],我们设定一个比例cz，当frame-2内的点数为k1,选取一个阈值为gz，当满足一维差分矩阵m内的任一元素满足d1<gz，计数器cou=cou+1，则遍历全部m获得一个cou=cou，当cz<cou/k1，则认定，前后帧处于相对静止状态，则选取所有dn>gz的点，认定为奇异点或者拉丝点，消除之。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解，技术人员阅读本申请说明书后依然可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均未脱离本发明申请待批权利要求保护范围之内。