基于高斯过程回归的车载激光雷达地面点滤波研究
发布时间：2021-02-23 03:59
无人驾驶作为当前汽车行业发展的主要方向,能为未来行车安全提供重要保障。车载激光雷达凭借其主动获取大场景下的高精度三维空间信息的能力,成为了实现无人驾驶不可或缺的技术手段。地面点滤波是车载激光雷达数据处理的关键过程,也是采用车载激光雷达点云数据实现无人驾驶的必要步骤。本文以innovusion300线激光雷达采集数据为研究对象,充分考虑到激光雷达点云数据分布不均、与真实数据存在偏差、点云存在局部空白、点云无序等特点,详细分析了常见地面点滤波算法中普遍存在的误识率高、对初始点云选取依赖性大、边缘位置滤波效果较差等问题,进行基于高斯过程回归的地面点滤波处理。并采用K-means对算法进行优化,解决算法边缘滤波效果差的问题。本文主要研究内容与结论如下:（1）点云预处理。本文采用单帧点云数据特征分析手段,进行基于最小二乘及旋转矩阵的点云校正及基于激光发射角度的点云扇形栅格化简。实验表明,经过点云预处理后,点云数量降低、点云规律性增强、点云特征数有所增加、点云实际位置与探测位置之间的误差角变小。（2）高斯过程回归模型的搭建。通过比较不同核函数的特点,选取平方指数核函数作为高斯模型核函数,引入DFP...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
完整路况信息Fig.1-1Completetrafficinfographic
哈尔滨理工大学工学硕士学位论文-2-另一方面，当提取到的非地面点中包含有很多地面点数据时，基于车载激光雷达的车道线及车道指示标志提取算法提取到的车道线可能会偏离实际位置、车道线提取长度可能与实际长度不符，甚至可能发生车道指示标志识别错误或无法识别等问题。此外，大量非地面点混入地面点中会提高地面点的平均高度，可能导致系统计算前方道路高度高于当前道路高度，判定存在坡度，从而影响车辆控制单元对车辆速度的控制。因此，从原始点云中提取完整的地面点信息，有效的提供车辆行驶所需的各种路面信息，具有非常重要的意义。一个完整的非地面点云数据涵盖的信息，如图1-2所示。图1-2完整路面信息Fig.1-2Completeroadinfographic1.2国内外研究现状本节对常见的地面点滤波算法的发展现状进行了分析，并总结了常见地面点滤波算法的优缺点，分析了常见滤波算法存在某些问题的原因。同时，本节从不同的应用环境、不同的优化角度对高斯过程回归算法的发展现状进行了总结与分析。1.2.1地面点滤波方法国内外研究现状车载激光雷达测量系统获取的点云数据主要包含地面点云与非地面点云，
哈尔滨理工大学工学硕士学位论文-9-第2章车载激光雷达点云数据预处理点云数据预处理是一个采用点云校正及点云栅格化等方法提高点云数据可操作性的过程，是实现地面点滤波算法的第一步。激光雷达点云数据是由激光雷达发射的不可见光打到被测物体后返回的一个位置信息。激光雷达点云具有分布不均匀、无序、只包含自身位置信息、不能描述整体目标以及含有噪声等特点。本章将对innovusion300线激光雷达点云数据特征进行分析，针对点云的部分特征及探测过程中存在的位置误差进行处理，期望能增加点云的可操作性。2.1车载激光雷达点云数据分析车载激光雷达采用不可见光回波的方式进行路况信息探测，由于光线沿直线传播、光线在受到遮挡时不具备穿透功能、同时车载激光雷达不考虑多次回波等特点[47,[48]，因而在实际应用时存在众多问题。本章针对下几点可能会影响地面点滤波算法效果的问题进行了分析：1.车载激光雷达点云呈不均匀分布Innovusion300线激光雷达是按照水平和垂直方向等角度等间隔步进采样，扫描角越大，间隔也越大，导致点云的空间分布不均匀，被测物体与激光雷达发射点距离越远，相邻两束激光返回的点云间的间隔越大，如图2-1所示。图2-1点云分布图Fig.2-1Pointcloudmap以雷达发射点正前方为例，统计每平方米内点云数量随点云到激光发射点
【参考文献】：
期刊论文
[1]改进坡度的数学形态学非地面点云去除算法研究[J]. 刘德儿,李瑞雪,覃燕敏. 江西理工大学学报. 2019(05)
[2]车载激光雷达Risley棱镜光束扫描系统[J]. 曾昊旻,李松,张智宇,伍煜. 光学精密工程. 2019(07)
[3]基于KPCA-Bagging的高斯过程回归建模方法及应用[J]. 赵帅,李妍君,熊伟丽. 控制工程. 2019(01)
[4]基于LiDAR数据的布料模拟滤波算法的适用性分析[J]. 张昌赛,刘正军,杨树文,左志权. 激光技术. 2018(03)
[5]城区LiDAR点云自适应坡度的滤波算法[J]. 何培培,万幼川,黄桂平,马开锋. 遥感信息. 2017(05)
[6]采用小波变换和高斯过程的肌电信号模型预测[J]. 邵辉,苏芳茵,程海波. 华侨大学学报(自然科学版). 2016(06)
[7]一种基于分层自适应移动曲面拟合机载LiDAR点云数据滤波方法[J]. 邢旭东,吕现福,王旭东,王星晨. 测绘与空间地理信息. 2016(01)
[8]利用改进的数学形态法进行车载激光点云地面滤波[J]. 卢秀山,刘如飞,田茂义,刘冰. 武汉大学学报(信息科学版). 2014(05)
[9]改进的多级移动曲面拟合激光雷达数据滤波方法[J]. 孙崇利,苏伟,武红敢,刘睿,刘婷,黄健熙,朱德海,张晓东,刘峻明. 红外与激光工程. 2013(02)
[10]一种基于移动曲面拟合的机载LIDAR点云数据滤波方法[J]. 尚大帅,马东洋,赵羲,万欢. 测绘技术装备. 2012(02)
博士论文
[1]车载激光点云中道路环境几何特征提取[D]. 方莉娜.武汉大学 2014
[2]分岔隧道设计施工优化与稳定性评价[D]. 徐冲.北京交通大学 2011
硕士论文
[1]车载激光雷达点云数据的分析与配准[D]. 姜小磊.吉林大学 2019
[2]荒漠植被区机载LiDAR点云生成DEM算法研究[D]. 李沛婷.石河子大学 2019
[3]改进高斯过程回归算法及其应用研究[D]. 赵梦恩.浙江理工大学 2019
[4]基于高斯过程回归的锂电池健康预测[D]. 何晶.北京交通大学 2018
[5]机载LiDAR点云数据滤波及建筑物提取研究[D]. 张抒远.长安大学 2018
[6]基于稀疏高斯过程回归的锂电池剩余寿命预测[D]. 王巍.北京交通大学 2018
[7]基于高斯过程回归模型的锂电池数据处理[D]. 张江帆.北京交通大学 2017
[8]车载激光点云地面滤波与道路识别方法研究[D]. 蔡尚书.山东科技大学 2017
[9]基于高斯过程回归模型的贝叶斯滤波故障诊断方法研究[D]. 祁丽洁.北京交通大学 2017
[10]结合形态学的不规则三角网LiDAR点云滤波算法研究[D]. 张雪洋.辽宁工程技术大学 2017
本文编号：3046981
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
完整路况信息Fig.1-1Completetrafficinfographic
哈尔滨理工大学工学硕士学位论文-2-另一方面，当提取到的非地面点中包含有很多地面点数据时，基于车载激光雷达的车道线及车道指示标志提取算法提取到的车道线可能会偏离实际位置、车道线提取长度可能与实际长度不符，甚至可能发生车道指示标志识别错误或无法识别等问题。此外，大量非地面点混入地面点中会提高地面点的平均高度，可能导致系统计算前方道路高度高于当前道路高度，判定存在坡度，从而影响车辆控制单元对车辆速度的控制。因此，从原始点云中提取完整的地面点信息，有效的提供车辆行驶所需的各种路面信息，具有非常重要的意义。一个完整的非地面点云数据涵盖的信息，如图1-2所示。图1-2完整路面信息Fig.1-2Completeroadinfographic1.2国内外研究现状本节对常见的地面点滤波算法的发展现状进行了分析，并总结了常见地面点滤波算法的优缺点，分析了常见滤波算法存在某些问题的原因。同时，本节从不同的应用环境、不同的优化角度对高斯过程回归算法的发展现状进行了总结与分析。1.2.1地面点滤波方法国内外研究现状车载激光雷达测量系统获取的点云数据主要包含地面点云与非地面点云，
哈尔滨理工大学工学硕士学位论文-9-第2章车载激光雷达点云数据预处理点云数据预处理是一个采用点云校正及点云栅格化等方法提高点云数据可操作性的过程，是实现地面点滤波算法的第一步。激光雷达点云数据是由激光雷达发射的不可见光打到被测物体后返回的一个位置信息。激光雷达点云具有分布不均匀、无序、只包含自身位置信息、不能描述整体目标以及含有噪声等特点。本章将对innovusion300线激光雷达点云数据特征进行分析，针对点云的部分特征及探测过程中存在的位置误差进行处理，期望能增加点云的可操作性。2.1车载激光雷达点云数据分析车载激光雷达采用不可见光回波的方式进行路况信息探测，由于光线沿直线传播、光线在受到遮挡时不具备穿透功能、同时车载激光雷达不考虑多次回波等特点[47,[48]，因而在实际应用时存在众多问题。本章针对下几点可能会影响地面点滤波算法效果的问题进行了分析：1.车载激光雷达点云呈不均匀分布Innovusion300线激光雷达是按照水平和垂直方向等角度等间隔步进采样，扫描角越大，间隔也越大，导致点云的空间分布不均匀，被测物体与激光雷达发射点距离越远，相邻两束激光返回的点云间的间隔越大，如图2-1所示。图2-1点云分布图Fig.2-1Pointcloudmap以雷达发射点正前方为例，统计每平方米内点云数量随点云到激光发射点
【参考文献】：
期刊论文
[1]改进坡度的数学形态学非地面点云去除算法研究[J]. 刘德儿,李瑞雪,覃燕敏. 江西理工大学学报. 2019(05)
[2]车载激光雷达Risley棱镜光束扫描系统[J]. 曾昊旻,李松,张智宇,伍煜. 光学精密工程. 2019(07)
[3]基于KPCA-Bagging的高斯过程回归建模方法及应用[J]. 赵帅,李妍君,熊伟丽. 控制工程. 2019(01)
[4]基于LiDAR数据的布料模拟滤波算法的适用性分析[J]. 张昌赛,刘正军,杨树文,左志权. 激光技术. 2018(03)
[5]城区LiDAR点云自适应坡度的滤波算法[J]. 何培培,万幼川,黄桂平,马开锋. 遥感信息. 2017(05)
[6]采用小波变换和高斯过程的肌电信号模型预测[J]. 邵辉,苏芳茵,程海波. 华侨大学学报(自然科学版). 2016(06)
[7]一种基于分层自适应移动曲面拟合机载LiDAR点云数据滤波方法[J]. 邢旭东,吕现福,王旭东,王星晨. 测绘与空间地理信息. 2016(01)
[8]利用改进的数学形态法进行车载激光点云地面滤波[J]. 卢秀山,刘如飞,田茂义,刘冰. 武汉大学学报(信息科学版). 2014(05)
[9]改进的多级移动曲面拟合激光雷达数据滤波方法[J]. 孙崇利,苏伟,武红敢,刘睿,刘婷,黄健熙,朱德海,张晓东,刘峻明. 红外与激光工程. 2013(02)
[10]一种基于移动曲面拟合的机载LIDAR点云数据滤波方法[J]. 尚大帅,马东洋,赵羲,万欢. 测绘技术装备. 2012(02)
博士论文
[1]车载激光点云中道路环境几何特征提取[D]. 方莉娜.武汉大学 2014
[2]分岔隧道设计施工优化与稳定性评价[D]. 徐冲.北京交通大学 2011
硕士论文
[1]车载激光雷达点云数据的分析与配准[D]. 姜小磊.吉林大学 2019
[2]荒漠植被区机载LiDAR点云生成DEM算法研究[D]. 李沛婷.石河子大学 2019
[3]改进高斯过程回归算法及其应用研究[D]. 赵梦恩.浙江理工大学 2019
[4]基于高斯过程回归的锂电池健康预测[D]. 何晶.北京交通大学 2018
[5]机载LiDAR点云数据滤波及建筑物提取研究[D]. 张抒远.长安大学 2018
[6]基于稀疏高斯过程回归的锂电池剩余寿命预测[D]. 王巍.北京交通大学 2018
[7]基于高斯过程回归模型的锂电池数据处理[D]. 张江帆.北京交通大学 2017
[8]车载激光点云地面滤波与道路识别方法研究[D]. 蔡尚书.山东科技大学 2017
[9]基于高斯过程回归模型的贝叶斯滤波故障诊断方法研究[D]. 祁丽洁.北京交通大学 2017
[10]结合形态学的不规则三角网LiDAR点云滤波算法研究[D]. 张雪洋.辽宁工程技术大学 2017
本文编号：3046981
本文链接：https://www.wllwen.com/kejilunwen/qiche/3046981.html
