基于改进欧式聚类算法的双目主动视觉点云目标检测研究

双目视觉立体匹配时,在同色调表面因为缺乏纹理信息,不仅计算量大且匹配度低, 而且生成的 场景中的点云又具有非结构化、近密远疏的性质, 因此,提高双目视觉匹配的精度与速度, 以及准确分割点 云目标, 一直是点云获取及目标检测中的难点问题。 针对以上问题, 本文首先提出了一种融合主动激光 的 3D 点云目标采集方法, 快速准确地获得原始点云数据; 其次提出了一种基于欧式聚类的改进算法, 使用距离阈值和角度阈值作为阈值分割判断条件进行分段聚类, 得到边界明确的 3D 点云目标检测框。 实验结果表明:所设计的 3D 点云成像系统能够有效获取前方物体的 3D 点云信息,且具有比激光雷达成 本低、易实现、信息丰富等优势;改进后的欧式聚类算法能有效改善传统算法对阈值较为敏感导致的物 体易出现欠分割或过分割的问题, 提高了目标检测的准确率, 在室内场景下具有良好的检测效果。     

基于深度图的三维激光雷达点云目标分割方法

三维激光雷达广泛应用在智能车系统中,点云目标分割是智能车环境感知中的关键技术。针对目前三维激光雷达点云目标分割算法实时性和准确性不高的问题,提出一种基于深度图的点云目标快速分割方法。将点云数据表示为深度图,建立深度图与点云数据的映射关系。利用激光雷达扫描线的角度阈值去除地面点云数据,结合深度图和自适应参数改进的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能较好地降低欠分割错误率,分割准确度提升10%,达到了85.02%。     

实时感知型激光雷达多通道数据采集系统设计

激光雷达是实现环境实时感知的重要传感器,针对多通道感知激光雷达数据量大、数据传输解算实时性要求高及量体裁衣高效小型化的迫切需求,基于自研采用可靠的机械扫描、阵列探测和数据采集控制相结合的多通道激光雷达,设计实现了基于FPGA和DSP的多路并行信号采集处理系统,并在点云三维实时成像中得到了验证。该数据采集处理系统中的FPGA负责多通道激光雷达数据控制采集以及数据传输,DSP负责对数据进行解析处理并通过网口将点云数据上传到上位机,实现点云实时显示。实际测试结果表明,该数据采集处理系统能够满足多通道激光雷达2 Mpts/s的大数据量点云解析,并保证20 fps以上实时数据的可靠采集传输,实现周围环境和障碍物激光雷达点云的快速解算,可应用于自动驾驶、导航避障、周界安防等领域。     

基于点云目标检测的路考智能评判系统研究

针对现有科目三路考评判系统需要依靠人工辅助完成项目评判，以致评判主观性较强且准确性不高的问题，文中利用激光雷达的高测距精度特性，提出一种基于点云目标检测的路考智能评判系统。该系统分为目标检测和智能评判两个模块，目标检测模块针对路考场景三维点云数据设计预处理、滤波、聚类、后处理和包围盒/框的目标检测算法进行环境感知，智能评判模块针对直线跟车行驶、变更车道和行人闯入等场景设计路考评判规则，最后结合目标检测结果完成路考智能评判。为验证路考智能评判系统的有效性，在智能电动汽车平台上进行实车道路驾驶试验。试验结果表明，所提系统能实时、可靠地完成路考项目的自动评判，评判准确率可达0.945,22 m距离内的平均测距精度高于99.55%，且整体算法的平均耗时仅为3.655 ms，能够为智能化、安全化和公平化的路考提供一种有效的解决方案。     

采用温控镂空发热网的热像仪与3D激光雷达配准

在热像仪与3D 激光雷达组合感知系统上,对基于特征点的配准问题进行了研究遥结合热像仪与3D 激光雷达的工作特性,设计制作了温控镂空发热网配准靶,可同时为热像仪与3D 激光雷达提供特征点遥红外图像特征点使用Harris 角点探测器进行采集曰为减小混合像素和激光点稀疏的影响,对配准靶平面进行了拟合并对点云进行了配准平面符合度检查,确定了深度图边缘曰使用计算角点附近深度边缘均值的方法提取深度特征点坐标,并对坐标进行了修正曰最后使用NMSM-EM 优化方法对配准结果进行了优化遥基于以上研究成果,使组合感知系统能够在微光条件下完成对移动机器人行驶环境的感知遥     

融合激光雷达与视觉信息的小型障碍物测量方法

激光雷达相比于视觉传感器具有抗干扰能力强、测量精度高的优势.针对多线激光雷达距离小型障碍物较远时点云数据稀疏、难以进行精确测量的问题,将YOLO与HSV空间颜色直方图匹配结合进行远距离的目标检测,在机器人运动过程中,当检测区域内的激光数据量满足要求时,根据传感器标定结果对此时的激光雷达数据进行聚类、特征点提取与关键参量...     

电力线激光点云的分割及安全检测研究

为了进行高压输电线路安全检测分析，基于机载激光雷达（LiDAR）电力走廊数据，提出了一种基于密度的空间聚类方法（DBSCAN）的电力线激光点云单条分割提取算法。通过该方法可以实现输电走廊中单条电力线的快速分割提取。首先对电力线点云在x-O-y平面上投影，对投影后的激光点采用最小二乘法进行直线拟合；其次通过计算输电走廊长度，采用经验参量进行电力线点云分段；再次对分段点云在投影平面内进行DBSCAN聚类；最后将分段聚类结果类别归一化，得到单条电力线激光点云数据。结果表明，采用该方法能够在只需经验参量分段宽度的情况下，快速准确地对电力线激光点云进行分割提取，并根据分割结果进行电力线与电力走廊地物距离计算，判断危险点类型及距离。所提出的方法具有较高的提取与测量精度，能够有效地应用于电力线安全检测分析。     

顾及相对距离的路灯点云分层提取方法研究

路灯提取是车载点云目标提取的重要研究方向之一,但由于路灯上部和下部容易产生粘连和遮挡,路灯识别往往存在困难。针对此问题,考虑灯杆中部不易产生粘连和遮挡这一特点,结合灯头与灯杆之间的相对位置关系,提出了顾及相对距离的路灯点云分层提取方法。首先用布料模拟滤波（CSF）算法将原始点云分为灯头层、灯杆层和地面层,在此基础上对灯头层和灯杆层点云进行连通域分析并输出聚类;然后根据灯杆层各聚类矩形对角线长度和拟合圆内部范围提取灯杆点云;最后根据灯头中心与灯杆中心的相对距离搜索灯头点云,从而实现完整路灯点云的提取。对三组数据进行实验分析,结果表明：所提方法对数据1的正确率、完整率、质量和F1值均为100%;对数据2的正确率、完整率、F1值均为87.50%,质量为77.78%;对数据3的完整率和质量均为94.74%,正确率为100%,F1值为97.30%。所提方法能够实现对路灯点云的有效识别和提取。     

基于激光雷达感知的无人机自主避障3DVFH改进算法

传统无人机避障算法通过视觉传感器基于八叉树地图（Octomap）构建全局地图，会产生较大存储量，难以满足工程需要。基于三维向量直方图（3DVFH）做出改进，只需构建局部地图，但该方法不考虑先前的数据或操作，易造成行为不稳定和局部最小值。针对以上问题，提出基于增强3DVFH的自主局部避障算法，将全局地图直接替换为使用激光雷达提供的三维点云地图，同时设计一种价格较低的计算内存策略来减轻局部方法的固有问题。经试验验证，有效地提升了环境感知的效率与存储量，有助于更好地进行无人机自主避障。     

一种多层多模态融合3D目标检测方法

在自动驾驶感知系统中视觉传感器与激光雷达是关键的信息来源,但在目前的3D目标检测任务中大部分纯点云的网络检测能力都优于图像和激光点云融合的网络,现有的研究将其原因总结为图像与雷达信息的视角错位以及异构特征难以匹配,单阶段融合算法难以充分融合二者的特征.为此,本文提出一种新的多层多模态融合的3D目标检测方法：首先,前融合阶段通过在2D检测框形成的锥视区内对点云进行局部顺序的色彩信息（Red Green Blue, RGB）涂抹编码;然后将编码后点云输入融合了自注意力机制上下文感知的通道扩充PointPillars检测网络;后融合阶段将2D候选框与3D候选框在非极大抑制之前编码为两组稀疏张量,利用相机激光雷达对象候选融合网络得出最终的3D目标检测结果 .在KITTI数据集上进行的实验表明,本融合检测方法相较于纯点云网络的基线上有了显著的性能提升,平均mAP提高了6.24%.     

从三维激光点云中快速统计树木信息的方法

树木位置分布及胸径(DBH)是研究森林生态、管理林区的重要指标。激光雷达在获取树木相关数据方面有巨大潜力,因此,提出用手持移动激光雷达获取的三维点云快速统计树木信息的方法。手持移动激光雷达可近距离采集树木信息,获取更详细的单木立面信息。针对上述点云特点,提出分层聚类的点云处理方法,按不同高度对点云切片,形成一组切片截面图,再仅对切片截面图聚类;根据聚类结果使用随机抽样一致性算法拟合出圆,对比一组切片截面图的拟合结果,完成树木点云提取。这种先取样再计算的方法大大提高了运算速度。实验证明该方法树干提取准确率达94.4%,DBH计算平均误差3.4cm。本文方法可快速统计树木相关信息。     

基于优化DBSCAN的激光雷达障碍物检测

针对激光雷达在检测道路障碍物的过程中,由点云数据密度不均而导致障碍物检测准确率低和实时性差的问题,提出一种优化的密度噪声空间聚类（DBSCAN）算法以提高道路障碍物的聚类效果。首先依据点云数据的反射强度信息对车道线进行检测,提取感兴趣区域;然后使用射线坡度阈值地面分割算法进行地面分割,实现对斜坡地面的彻底分割;最后提出一种自适应的DBSCAN算法,选取代表性的核心点以及自适应聚类半径,实现对不同距离密集障碍物的快速准确聚类。实验结果表明：所提算法能够对不同距离的密集障碍物准确聚类;与传统算法相比,所提算法的正检率提高24.07个百分点,平均耗时减少1.18 s。     

一种用于道路障碍物识别的激光点云聚类算法

提出一种适用于道路障碍物识别检测的聚类算法,该算法用来处理各向异性分布的激光点云数据。算法的基本思想是:针对点云空间分布的实时变化,提出在线学习合并阈值的层次聚类算法,以确定聚类数搜索范围上界和初始聚类中心的待选点集;然后提出距离乘积最大化方法,对待选点集进行初始化排序,既结合点云的空间密度分布改善了聚类结果,又克服了传统K-means算法初始聚类中心难确定的问题;最后选取Silhouette和距离评价函数为聚类有效性指标分析算法的聚类效果,确定最佳聚类数。用以上自适应、在线学习的算法对2.5D激光雷达采集的点云数据进行聚类,并与其他两种聚类算法进行实际试验比较发现,本算法可以正确分割大多数空间分布各异且相互连接的障碍物。     

基于改进DBSCAN的星载激光雷达数据多尺度滤波研究

星载激光雷达数据滤波过程易受复杂背景、粗差点、噪声点等问题的干扰,导致滤波效果大幅度下降,所以研究基于改进DBSCAN的星载激光雷达数据多尺度滤波方法。采用改进DBSCAN算法对星载激光雷达数据做聚类处理,并标记噪声点,通过半球形邻域算法提取点云数据特征。根据提取到的点云数据特征构建规则格网,通过格网的多路径效应剔除点云数据中的粗差点与噪声点,完成星载激光雷达数据多尺度滤波。实验结果表明,所提方法的星载激光雷达数据多尺度滤波误差较低、滤波效果好,实际应用价值较高。     

基于Transformer的体素化激光点云目标检测算法

3D点云目标检测是计算机3D视觉中的一个关键技术,本文针对激光雷达点云数据的稀疏性、无序性和数据量大,导致神经网络运算效率慢、检测精度低等问题,开展了基于激光雷达点云的目标检测算法研究。在激光雷达点云数据处理阶段,我们将原始点云数据体素化,解决了点云稀疏性和无序性问题,然后使用多层特征下采样层构建特征金字塔,实验验证了该方法使网络在训练阶段更快收敛,有效减少点云数据量大导致的网络运算开销,网络运算效率提升～39；同时,我们通过引入Transformer注意力模块,提高网络对点云目标关键特征的学习能力,使目标检测的准确率达到885。总体实验结果表明,本文算法在确保检测精度的前提下,提升了网络运算效率。     

基于多传感器信息融合的障碍物感知追踪系统设计

自动驾驶系统是指采用先进的通信、计算机、网络和控制技术,对车辆实现实时、连续控制。自动驾驶研究领域中,对车身周围障碍物的感知追踪是自动驾驶车辆安全行驶的基础和前提。因此,重点研究了基于激光雷达、IMU、北斗卫星信号多源信息融合的障碍物感知与追踪系统。利用激光雷达提供的三维点云数据划分最大最小高度差栅格实现自动驾驶车辆周围的障碍物感知功能。基于激光雷达点云的障碍物感知算法中,针对特殊的悬空类型障碍物,采用高度划分的点云栅格中的点云概率密度作为悬空障碍物是否能够通行的判断依据,能够有效提升障碍物感知系统的鲁棒性。利用IMU和北斗卫星信号紧耦合方式实现自动驾驶车辆的轨迹跟踪,从而利用车辆运动状态信息结合匈牙利匹配算法实现多传感器信息融合的障碍物追踪功能。在基于多传感器信息融合的障碍物感知追踪系统中,利用IMU和北斗卫星紧耦合方式得到的转移矩阵信息去除由于车辆运动造成的激光雷达点云畸变,从而提升车辆障碍物感知追踪系统的准确度。通过实际采集得到的激光雷达、IMU及北斗卫星数据验证了提出的基于多传感器信息融合的障碍物感知追踪系统的有效性和实用性。     

基于LiDAR扫描角度修正的障碍目标定位方法

在二维激光雷达(LiDAR)用于障碍物检测时，移动机器人自身姿态变化导致LiDAR基准位置变化，对障碍目标进行定位计算时会产生较大误差。文中提出了一种基于LiDAR扫描角度修正的障碍目标定位方法，用K-means聚类算法对激光雷达点云数据进行聚类划分，然后对聚类后数据进行角度修正处理，使处理后的数据信息更符合真实值。最后包络每个聚类数据，从而提高LiDAR扫描数据的准确性。测试结果表明，文中所提方法能够提高定位精度，满足障碍物精准定位的需求。     

激光雷达云数据视场交迭异常监测系统

激光雷达扫描得到的点云数据以欧氏距离和交并比作为阈值对异常情况监测。但是，视场交迭异常对这两个二维参数的阈值突破不敏感，因此设计激光雷达云数据视场交迭异常监测系统。运用监测模块分析激光雷达点云数据，获取数据视场交迭系数。利用回声信号采集模块对数据进行高速计数累积和缓存。增加激光雷达云数据视场交迭区域可见光谱的范围，将拷贝的数据传送给数据监控模块。设置激光雷达点云数据监控节点，按照顺序取值划分异常阈值，利用其能够迅速精准捕捉视场交迭异常，实现异常监测。实验结果表明，所设计系统监测精准度高，虚警率与漏警率低，在激光雷达云数据处理领域具有较好的应用前景。     

山地坡度自适应星载光子计数激光雷达点云去噪方法

星载光子计数激光雷达在接收信号的过程中会产生大量噪声,并且在复杂的山区地形中信噪比低,极大地影响对植被点云信号的准确提取。为解决该问题,提出了一种基于山地坡度的密度聚类算法。通过分析点云数据的密度和森林目标地形特征,用最大密度中心搜索法进行粗去噪,基于点云数据计算坡度角以优化密度聚类,完成数据精去噪。通过对提取的森林区域信号进行分类,拟合植被冠层廓线和地表廓线,结果表明本算法提取植被光子信号的准确率较高,地面与冠层廓线的RMSE分别为0.3588 m和3.7449 m,更适用于植被遥感点云数据处理。     

面向铁路场景的大规模点云高效去噪方法

利用车载激光雷达获取铁路沿线环境信息对于保障行车安全具有重要意义。但是激光雷达采集到的点云数据受设备及环境因素影响,会产生大量的噪声干扰,这些噪声严重影响后续的感知和监测任务。为此,本文提出了一种面向铁路场景的大规模点云高效去噪方法。该方法提出了一种新颖的网格投影策略,对大规模铁路点云数据进行高效的降维降采样处理。然后,设计了基于GPU的改进聚类加速算法,快速识别离群的噪声数据。最后综合设计多策略融合方法,有效地去除噪声数据。所提方法充分利用铁路场景前向运动的特点,对点云数据进行基于网格化的时空压缩,同时利用GPU加速聚类算法的矩阵运算,实现了实时高效的铁路场景大规模点云去噪算法。实验结果表明,所提方法不仅能够提高去噪的性能,而且处理效率得到了极大提升。