本发明涉及激光雷达，具体涉及一种基于自适应傅里叶分解对2d激光雷达点云数据提升的方法。
背景技术：
1、在当前的技术领域中，二维激光雷达(2d lidar)因其能够提供环境扫描和物体检测的能力而被广泛应用于自动驾驶、机器人导航、环境监测、地形测绘等领域。随着技术的发展，对激光雷达数据的精度和可靠性要求越来越高，这推动了高精度激光雷达技术的快速发展。然而，高精度激光雷达的成本相对较高，限制了其在成本敏感型项目中的广泛应用。
2、与此同时，低成本的2d激光雷达虽然广泛应用，但面临着数据质量不足的问题，如点云数据稀疏、误差较大、噪声较多等。这些问题严重限制了其在精确应用场景中的使用效果。因此，如何在不显著增加成本的前提下提升低成本激光雷达的数据质量，成为该技术领域亟待解决的关键技术问题。
3、目前，针对上述问题，学术界和工业界尝试了多种数据处理技术，包括但不限于数据插值、滤波去噪、特征增强等方法，以改善低精度激光雷达数据的质量。然而，这些方法往往在提升数据质量的同时也会引入新的问题，如过度平滑、特征丢失等，且在处理效率和效果上仍有待提升。因此，开发一种既能有效提升低精度激光雷达数据质量，又能保持数据特征和提高处理效率的新方法，是该技术领域中的一个重要研究方向。
技术实现思路
1、为了解决现有技术在改善低精度激光雷达数据的质量时，存在处理效率和效果不好的问题，本发明的目的在于提供一种基于自适应傅里叶分解对2d激光雷达点云数据提升的方法，所采用的技术方案具体如下：
2、一种基于自适应傅里叶分解对2d激光雷达点云数据提升的方法，所述方法包括步骤如下：
3、获取相同环境下的原始高精度2d激光雷达点云数据、原始低精度2d激光雷达点云数据；
4、对原始低精度2d激光雷达点云数据进行插值处理，增加2d激光雷达点云，以匹配高精度2d激光雷达点云数据的数据密度；
5、将插值处理后的低精度2d激光雷达点云数据转为线性曲线，并通过自适应傅里叶分解进行分解，提取m个分量；
6、将提取的m个分量分为n组，每组k个分量，从高频分量开始逐步剔除一组分量组，并合并剩余的分量，得到第二低精度2d激光雷达点云数据；
7、计算不同剔除阶段的第二低精度2d激光雷达点云数据与原始高精度2d激光雷达点云数据的均方根误差；
8、比较不同剔除阶段对应的均方根误差，选择均方根误差的分量组合作为最优分量组合；
9、利用最优分量组合重组低精度2d激光雷达点云数据。
10、优选地，采用三次样条差值法进行插值处理。
11、优选地，将插值处理后的低精度2d激光雷达点云数据转为线性曲线，并通过自适应傅里叶分解进行分解，提取m个分量，包括：
12、使用自适应基其中每个基函数bn被称为修改的blaschke乘积，其定义为：
13、
14、其中an∈d＝{z∈c:|z|＜1},c是复平面；
15、初始化：设定初始信号为f0(t)；
16、迭代分解：在每一步迭代中，选择一个最佳参数an使得能量收敛最快，通过递归公式计算下一步信号fn+1(t)：
17、fn+1(t)＝fn(t)-<fn,bn>bn
18、其中，<fn,bn>表示信号fn(t)和基函数bn(t)内积。
19、优选地，从高频分量开始逐步剔除一组分量组，所述方法还包括：结合小波变换方法、和/或中值滤波方法去噪。
20、一种基于自适应傅里叶分解对2d激光雷达点云数据提升的系统，所述系统包括：
21、获取模块，用于获取相同环境下的原始高精度2d激光雷达点云数据、原始低精度2d激光雷达点云数据；
22、插值处理模块，用于对原始低精度2d激光雷达点云数据使用三次样条插值法进行插值处理，增加2d激光雷达点云，以匹配高精度2d激光雷达点云数据的数据密度；
23、自适应傅里叶分解模块，用于将插值处理后的低精度2d激光雷达点云数据转为线性曲线，并通过自适应傅里叶分解进行分解，提取m个分量；
24、分组剔除模块，用于将提取的m个分量分为n组，每组k个分量，从高频分量开始逐步剔除一组分量组，并合并剩余的分量，得到第二低精度2d激光雷达点云数据；
25、均方根误差计算模块，用于计算不同剔除阶段的第二低精度2d激光雷达点云数据与原始高精度2d激光雷达点云数据的均方根误差；
26、比较模块，用于比较不同剔除阶段对应的均方根误差，选择均方根误差的分量组合作为最优分量组合；
27、重组优化模块，用于利用最优分量组合重组低精度2d激光雷达点云数据。
28、一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述的基于自适应傅里叶分解对2d激光雷达点云数据提升的方法。
29、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如所述的基于自适应傅里叶分解对2d激光雷达点云数据提升的方法。
30、本发明具有如下有益效果：
31、本发明通过引入自适应傅里叶分解(afd)，解决了现有技术存在数据稀疏性和精度不足，且在去噪的同时损失了部分重要信号信息，难以在降噪和保留数据特征之间找到一个良好的平衡问题。自适应傅里叶分解afd作为一种强大的信号处理工具，可以细致地分解信号，更精确地识别和去除噪声分量，同时保留关键的信号特征。通过这种方法，本发明能够有效提升低精度2d激光雷达点云数据的质量，解决数据稀疏、误差大和噪声问题，而不需要复杂的参数调整，计算成本相对较低，易于实现。此外，afd方法不依赖于大量的训练数据，使得本发明在不同的应用场景中都具有较好的适用性和泛化能力。
32、本发明通过自适应傅里叶分解(afd)处理方法，针对低成本、低精度的2d激光雷达所采集的点云数据进行质量提升，使其在精度和数据完整性方面更接近高成本、高精度激光雷达的性能。该技术不仅适用于自动驾驶、机器人导航、环境监测等领域中对激光雷达数据精度有较高要求的应用场景，还能够为基于激光雷达的地形测绘、建筑物三维重建、遗迹保护等领域提供支持，尤其在成本敏感型项目中展现出其重要价值和应用潜力。通过改善低精度激光雷达数据的质量，本发明旨在拓宽激光雷达技术的应用范围，提高其在多个技术领域内的实用性和经济效益。
1.一种基于自适应傅里叶分解对2d激光雷达点云数据提升的方法，其特征在于：所述方法包括步骤如下：
2.根据权利要求1所述基于自适应傅里叶分解对2d激光雷达点云数据提升的方法，其特征在于：采用三次样条差值法进行插值处理。
3.根据权利要求1所述基于自适应傅里叶分解对2d激光雷达点云数据提升的方法，其特征在于：将插值处理后的低精度2d激光雷达点云数据转为线性曲线，并通过自适应傅里叶分解进行分解，提取m个分量，包括：
4.根据权利要求1所述基于自适应傅里叶分解对2d激光雷达点云数据提升的方法，其特征在于：从高频分量开始逐步剔除一组分量组，所述方法还包括：结合小波变换方法、和/或中值滤波方法去噪。
5.一种基于自适应傅里叶分解对2d激光雷达点云数据提升的系统，其特征在于：所述系统包括：
6.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的基于自适应傅里叶分解对2d激光雷达点云数据提升的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至4任一项所述的基于自适应傅里叶分解对2d激光雷达点云数据提升的方法。