Adaptive Two-Stage Filter for De-snowing LiDAR Point Clouds(DNNOR)

Adaptive Two-Stage Filter for De-snowing LiDAR Point Clouds

结论

CADCD dataset 验证了该算法的有效性-强度滤波与密度滤波合并的有效性：TP rate above 90%，FN rate are relatively smaller in all condition of weather。

摘要

该方法精度达到98% 处理速度达到 1.42帧每秒

引言

背景资料：

有很多公司正在为开发自动驾驶汽车创造巨大的资源。…激光雷达的效果会受到极端天气条件的严重限制，随机出现在点云中的雪，挡住了车辆的视线。此外，它在20米范围内的点云上显得密集，密度随着距离的增加而降低。

文献回顾：

比较少的研究能够解决这个问题，大部分的研究主要集中在降雪去噪。

指出问题：

滤波器需要适应天气的变化导致的雪点数量变化。

研究活动/目的：

本文分析了天气的影响，提出了自适应滤波器，以提高滤波器的精度。

研究工作的价值：

1、我们提出了两级自适应滤波系统，该系统在处理时间和精度上都比现有的滤波器有更高的性能。
2、提出了动态邻域异常值去除方法，提高了去除精度，降低了误去除目标点云的概率。
3、我们基于加拿大恶劣驾驶条件数据集，在降雪天气下使用手工标记的地面真相来评估我们方法的准确性。

本论文的组织结构

无

相关研究

ROR，SOR，DROR
WeatherNet LIOR

主要针对LIOR算法存在的问题：

然而，在某些条件下，LIOR可能会受到不利影响。
在各条件下优化LIOR滤波器可以降低假阳性率特征。过滤器可以跳过对象点
我们提出的方法将克服它们的局限性。

提出的滤波器

自适应滤波是一种基于不同强度与密度相结合的算法。


可以看到雪点的强度是最小的。
由LIOR得到强度阈值公式

由于强度重叠的问题，将阈值分为两个级别

按阈值划分的等级

按阈值分类后可以清晰看到有部分地面点，障碍物点，雪点的强度是相近的，它们集中在Medium中。

地面点，障碍物点的密度明显高于雪点。将那些与雪点强度相似的有效点分割出去。

用聚类的方法将离群点剔除。

这篇算法的改进点就是实时性