一种可扩展、精确的激光雷达点云冬季除雪算法

最新推荐文章于 2024-01-29 19:50:34 发布

CCChester

最新推荐文章于 2024-01-29 19:50:34 发布

阅读量1.9k

点赞数 2

文章标签：算法 python 人工智能

本文链接：https://blog.csdn.net/CCChester/article/details/127419437

版权

恶劣天气点云去噪算法专栏收录该内容

13 篇文章 16 订阅

订阅专栏

在这里插入图片描述包括了遥感业内知名二区刊物remote sensing

结论

本文提出了一个DDIOR的方法用于在降雪条件下进行去噪，数据集WADS，DDIOR包含数据预处理、动态点云滤波、点云融合。算法的核心是设置动态滤波系数-这是基于点云数据内的点距离和强度值的结合
使用WADS数据进行了验证，数据集出自《DSOR: A Scalable Statistical Filter for Removing Falling Snow from LiDAR Point Clouds in Severe Winter
Weather》。

引言

算法Dynamic Distance–Intensity Outlier Removal （DDIOR）
对降雪天气下的激光雷达点云特性有一个系统且精确的分析
已有的工作：恶劣天气下对激光雷达特性的分析《Automated driving recognition technologies for adverse weather conditions.》《 Autonomous Driving in Adverse Weather Conditions》

明确了点云的分布规律

主要的贡献：1、降雪条件下，系统地分析关于距离，强度，数据百分比的点云数据特点。
2、根据点云关于距离、强度的分布特性，提出结合两者的动态滤波器。该方法具有动态可调的阈值，以充分保留基于准确去除雪噪声的环境特征。

方法

对距离，强度，数据分布均做了分析
对于降雪天气条件数据集：DENSE dataset the Canadian Adverse Driving Conditions (CADC) dataset The WADS dataset

sequences 11–13的第50次扫描用来建立噪声点和非噪声点的强度对应关系。蓝色是有效点，红色是雪点，橘色是降雪和积雪。
在这里插入图片描述无降雪的点云强度

the 60th scans from sequences 14–16 用于点云百分比和分布统计分析。

在这里插入图片描述上图说明在自然因素不可抗力的情况下，很难从数据百分比的角度分析雪噪点权重的具体大小。**因此需要进一步用距离作为统计指标分析点云分布。**由于不同区间之间的权重存在显著差异，因此很难获得合适的可视化结果
在这里插入图片描述噪声点密集分布在传感器周围
更加具体的数据分析
将强度分为10个等级
距离分为20个间隔，与强度间隔结合
雪噪声点往往集中在较低强度值和较短距离处，随着距离或强度的增加，雪噪声点的分布明显减弱——密度高，强度低，范围近，衰减快。

DDIOR:数据预处理，动态滤波，点云融合
**数据预处理：**数据预处理步骤包括基于距离阈值和强度阈值对输入点云数据进行过滤，
在这里插入图片描述
阈值之上的点是不进行滤波处理的

DDIOR是对DSOR的一个改进，其核心是动态滤波阈值Tn和γ的确定
计算每个点的KNN邻域均值u，u作为基本的搜寻半径，
在这里插入图片描述
第一个参数就是动态系数的组合：ar是距离的动态系数，ai是强度的动态系数//？ar从哪里计算出来的？

个人补充ar=switch(d)的算法：ar = 0.2*floor(d/10) + 0.016//为什么选0.016呢？？?

对DSOR的评价：是目前最好的除雪算法，在去除大部分积雪的同时，保留了环境特征。
相比之下，提出的DDIOR滤波器从点云中去除了更多的雪噪声，从而在不丢失环境特征的情况下生成更干净的点云
DSOR和DDIOR效果对比
在这里插入图片描述 评估指标：

在目标检测算法上的应用：《SECOND: Sparsely Embedded Convolutional Detection》改善了检测效果
在SLAM算法上应用：《MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square》
评估SLAM里程计的py工具包：《Evo: Python PackAge for the Evaluation of Odometry and Slam》https://github.com/MichaelGrupp/evo