LiDAR点云中三维物体快速分割及分类系统
发布时间：2021-10-23 11:08
在面向室外的环境感知技术中,利用激光雷达收集高精度的三维点云数据已成为研究者获取环境物体表面空间信息的重要手段。在点云数据处理任务中,快速、高效的点云分割及分类技术是智能机器人、智能驾驶汽车环境感知功能的重要技术支撑。然而,激光雷达收集到的三维点云数据复杂度高、数据量大,并且分布不均匀,这为高效、准确地处理三维点云数据带来了难度,并且由于点云数据排列方式与二维图像中像素的规则的排列方式不同,这使得卷积神经网络不能直接用来获取三维点云之间的局部相关性信息。因此,为了提升Li DAR点云中的物体分割速度及分类的准确性,本文利用车载激光雷达采集大规模三维点云数据,完成了以下工作内容:1)在无人驾驶汽车车顶安装32线激光雷达设备,在室外采集无人驾驶汽车周围环境的原始三维点云数据,并对其完成数据精简操作;2)用本文提出的基于图形处理器加速的连通区域标记算法完成了对三维点云数据的快速、实时的分割,并对该算法进行了CPU-GPU的性能对比,通过对比实验得出本文所提出的三维物体分割算法可以实现超过30fps（每秒帧）的分割速度,可达到优化无人车感知周围场景的运行效率,提高无人驾驶自主决策的能力。3)在...
【文章来源】：北方工业大学北京市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
美国Velodyne公司所
第一章绪论3林业、激光制导、和激光测高等领域都有应用价值。近年来，这项技术也被用于自动驾驶汽车的控制和导航之中，随着激光雷达技术的快速发展和智慧城市的广泛需求，逐渐出现了一些生产用于车载扫描周围环境获取三维点云的公司，如美国的Velodyne公司、法国的TopoSys公司、德国IBEO公司和和Sick公司等[4]。其中美国Velodyne公司所生产的Velodyne激光雷达被广泛应用在自动驾驶车辆上。如图1-1所示，Velodyne激光雷达具备高性能和高精度的优势，其16线、32线、64线的激光雷达不仅被大多数自动驾驶生产商使用，如谷歌、百度等参与智能辅助驾驶、无人驾驶研究的企业，还受到国际高校研究者们的青睐，Velodyne基本已经成为自动驾驶汽车激光雷达的黄金标准[5]。2016年8月Velodyne公司旗下激光雷达公司VelodyneLiDAR得到百度与福特公司的共同投资，投资金额达到1.5亿美元，三家公司希望通过此全方位次合作可以使得激光雷达价格不再昂贵，从而促进无人驾驶技术的商业化进程。2017年11月7日，128线激光雷达(VLS-128)正式被推出,和64线激光雷达相比较，其可探测量的范围显著增加，约提高1倍，抗潮抗干燥性能增加。可以捕捉更多大量细节，如60米内可以识别人体手指的动作等，且体积相对于64线激光雷达有所缩小，采集的点云数据量是64线激光雷达的4倍，价格基本相同。(a)16线(b)32线(c)64线(d)128线(e)32线激光雷达扫描大规模三维场景图1-1美国Velodyne公司所生产的多线激光雷达传感器LiDAR提供的三维点云为自主系统判定环境中可能存在的障碍物以及其位
第二章相关关键技术11图2-1VelodyneHDL-32ELidar线激光雷达设备表2-1VelodyneHDL-32ELidar性能参数特性HDL32激光线数32观测距离80-100m精度±2cm数据类型距离/校准发射率数据频率0.7Mpts/s垂直角度40°（+10.67°~-30.67°）水平角度360°垂直分辨率1.3°输入电压9-32功率12wa体积86*145mm重量<2kg2.2三维点云数据的获取及分类三维点云数据的获取是感知场景的基础环节，三维点云是通过扫描设备对其周围环境扫描得到的可以获得三维物体空间信息的数据集。点云数据是指在一个三维坐标系统中的一组向量的集合，这些向量通常以X,Y,Z三维坐标的形式表示，而且一般主要用来代表一个物体的外表面形状。除（X,Y,Z）代表的几何位置信息之外，点云数据还可以表示一个点的RGB颜色，灰度值，深度，分割结果等[40]。
【参考文献】：
期刊论文
[1]激光雷达技术研究现状及其应用[J]. 李鑫慧,郭蓬,臧晨,戎辉,唐风敏. 汽车电器. 2019(05)
[2]一种精简点云的快速配准算法[J]. 金露,王福伟,钟可君,伏燕军. 激光杂志. 2019(02)
[3]三维激光雷达在无人车环境感知中的应用研究[J]. 张银,任国全,程子阳,孔国杰. 激光与光电子学进展. 2019(13)
[4]基于近邻搜索的激光点云数据孤立噪点滤波研究[J]. 张芳菲,梁玉斌,王佳. 测绘工程. 2018(11)
[5]解析自动驾驶的三大传感器[J]. 杜莎,曹熙. 汽车与配件. 2018(23)
[6]基于三维激光雷达和深度图像的自动驾驶汽车障碍物检测方法[J]. 王新竹,李骏,李红建,尚秉旭. 吉林大学学报(工学版). 2016(02)
[7]大场景内建筑物点云提取及平面分割算法[J]. 卢维欣,万幼川,何培培,陈茂霖,秦家鑫,王思颖. 中国激光. 2015(09)
[8]智能车辆3-D点云快速分割方法[J]. 王肖,王建强,李克强,徐成,李晓飞. 清华大学学报(自然科学版). 2014(11)
[9]简述三维点云处理技术的研究[J]. 段红娟. 电子技术与软件工程. 2013(14)
[10]基于三维点云模型的特征线提取算法[J]. 刘倩,耿国华,周明全,赵璐璐,李姬俊男. 计算机应用研究. 2013(03)
硕士论文
[1]多路径激光雷达三维数据处理技术研究[D]. 刘建伟.电子科技大学 2018
[2]北京威克露天铁矿山地质环境动态监测研究[D]. 赖自力.中国地质大学(北京) 2018
本文编号：3453079
【文章来源】：北方工业大学北京市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
美国Velodyne公司所
第一章绪论3林业、激光制导、和激光测高等领域都有应用价值。近年来，这项技术也被用于自动驾驶汽车的控制和导航之中，随着激光雷达技术的快速发展和智慧城市的广泛需求，逐渐出现了一些生产用于车载扫描周围环境获取三维点云的公司，如美国的Velodyne公司、法国的TopoSys公司、德国IBEO公司和和Sick公司等[4]。其中美国Velodyne公司所生产的Velodyne激光雷达被广泛应用在自动驾驶车辆上。如图1-1所示，Velodyne激光雷达具备高性能和高精度的优势，其16线、32线、64线的激光雷达不仅被大多数自动驾驶生产商使用，如谷歌、百度等参与智能辅助驾驶、无人驾驶研究的企业，还受到国际高校研究者们的青睐，Velodyne基本已经成为自动驾驶汽车激光雷达的黄金标准[5]。2016年8月Velodyne公司旗下激光雷达公司VelodyneLiDAR得到百度与福特公司的共同投资，投资金额达到1.5亿美元，三家公司希望通过此全方位次合作可以使得激光雷达价格不再昂贵，从而促进无人驾驶技术的商业化进程。2017年11月7日，128线激光雷达(VLS-128)正式被推出,和64线激光雷达相比较，其可探测量的范围显著增加，约提高1倍，抗潮抗干燥性能增加。可以捕捉更多大量细节，如60米内可以识别人体手指的动作等，且体积相对于64线激光雷达有所缩小，采集的点云数据量是64线激光雷达的4倍，价格基本相同。(a)16线(b)32线(c)64线(d)128线(e)32线激光雷达扫描大规模三维场景图1-1美国Velodyne公司所生产的多线激光雷达传感器LiDAR提供的三维点云为自主系统判定环境中可能存在的障碍物以及其位
第二章相关关键技术11图2-1VelodyneHDL-32ELidar线激光雷达设备表2-1VelodyneHDL-32ELidar性能参数特性HDL32激光线数32观测距离80-100m精度±2cm数据类型距离/校准发射率数据频率0.7Mpts/s垂直角度40°（+10.67°~-30.67°）水平角度360°垂直分辨率1.3°输入电压9-32功率12wa体积86*145mm重量<2kg2.2三维点云数据的获取及分类三维点云数据的获取是感知场景的基础环节，三维点云是通过扫描设备对其周围环境扫描得到的可以获得三维物体空间信息的数据集。点云数据是指在一个三维坐标系统中的一组向量的集合，这些向量通常以X,Y,Z三维坐标的形式表示，而且一般主要用来代表一个物体的外表面形状。除（X,Y,Z）代表的几何位置信息之外，点云数据还可以表示一个点的RGB颜色，灰度值，深度，分割结果等[40]。
【参考文献】：
期刊论文
[1]激光雷达技术研究现状及其应用[J]. 李鑫慧,郭蓬,臧晨,戎辉,唐风敏. 汽车电器. 2019(05)
[2]一种精简点云的快速配准算法[J]. 金露,王福伟,钟可君,伏燕军. 激光杂志. 2019(02)
[3]三维激光雷达在无人车环境感知中的应用研究[J]. 张银,任国全,程子阳,孔国杰. 激光与光电子学进展. 2019(13)
[4]基于近邻搜索的激光点云数据孤立噪点滤波研究[J]. 张芳菲,梁玉斌,王佳. 测绘工程. 2018(11)
[5]解析自动驾驶的三大传感器[J]. 杜莎,曹熙. 汽车与配件. 2018(23)
[6]基于三维激光雷达和深度图像的自动驾驶汽车障碍物检测方法[J]. 王新竹,李骏,李红建,尚秉旭. 吉林大学学报(工学版). 2016(02)
[7]大场景内建筑物点云提取及平面分割算法[J]. 卢维欣,万幼川,何培培,陈茂霖,秦家鑫,王思颖. 中国激光. 2015(09)
[8]智能车辆3-D点云快速分割方法[J]. 王肖,王建强,李克强,徐成,李晓飞. 清华大学学报(自然科学版). 2014(11)
[9]简述三维点云处理技术的研究[J]. 段红娟. 电子技术与软件工程. 2013(14)
[10]基于三维点云模型的特征线提取算法[J]. 刘倩,耿国华,周明全,赵璐璐,李姬俊男. 计算机应用研究. 2013(03)
硕士论文
[1]多路径激光雷达三维数据处理技术研究[D]. 刘建伟.电子科技大学 2018
[2]北京威克露天铁矿山地质环境动态监测研究[D]. 赖自力.中国地质大学(北京) 2018
本文编号：3453079
本文链接：https://www.wllwen.com/kejilunwen/qiche/3453079.html
