De-snowing LiDAR Point Clouds With Intensity and Spatial-Temporal Features

ICRA是机器人方向的顶会还有IROS，但是这两个会议规模太大，鱼龙混杂，没有源码的论文需要多加斟酌//期刊还有IJRR，JFR和TRO。
Idea is cheap , show me your code.

结论

从三维和W-T空间提取时空特征，从而滤除雪点保存非雪点。

引言

提及：仅使用受多种因素影响的强度信息是不能将雪点与物体点有效地区分开。
问题1：利用强度值去除噪声的同时减少对有效点的剔除。这个也是我要解决的问题。
问题2：利用点的分布和运动轨迹将雪点区分出来

论文：先利用LIOR对点进行粗区分，在利用空间的KNN均值，和多帧点云平面投影中点的轨迹，对真值进行修复。
节二：相关研究。
节三：动机
节四：方法
节五：实验
节六：总结

相关研究

一、基于空间特征的去噪：
体素降采样、SOR、DROR
二、基于机器学习和强度：
weathernet \LIOR
对相关研究的总结：已有算法忽略的连续的时空信息，单个帧的数据是不充足的，重点：单帧去雪基于稀疏点更偏向雪点的假设[23]，但是当雪稠密时这种假设便不合适了。

动机展示

通过展示当前的一些场景的点云数据，比对当前的去噪算法。
上位机配置，各算法参数设置。
总结当前算法去噪效果。

方法

一、基于强度的滤波

根据论文《LIOR》可知，强度数据主要受雪花偏角，反射率，距离影响。
强度计算公式：

根据LIOR中的参数以及文献[25]中的雪花物理模型。

雪花偏角设为45度，反射率设为0.144。以上是点云强度计算公式-激光雷达硬件计算得出最终的强度值。
根据实验获得点云强度-距离曲线为：

建立模型为：

强度阈值获得：其中Ic=Im

获取参考强度和参考距离，并带入上面公式，求出强度阈值
这个参考强度准则就是-在某一距离下强度分布集中的值。参考LIOR，参考值暂时为5.5m 以及 强度均值I_mean

二、修复

分别代表点Pi在3D空间和W-T空间中邻近点的数量。

3D空间恢复：半径滤波根据《LIOR》中的结论将半径设置为0.1m

W-T空间修复。W代表点云二维图的宽度，T代表点云帧时间序列：就是将当前帧投影为二维图像（h*w），该图像带有时间戳

这些点在连续时间空间中运动轨迹不规则，很可能是雪点。

通过这种方法将强度为较弱的有效点区分开。
具体方法：通过**PCA[26]**进行降维处理，点云图像投影。

搜索当前帧该点处的5*5范围的邻近点。也就是（如下图）

我的问题：这里没有使用上时间信息。

基于EWM的融合

根据信息论的原则：熵是系统混乱度的度量。
论文该处有误

EWM[27]是一种计算权重的方法，用于多指标综合评价

通过加权平均将进行融合来计算一个置信分数。如下，其实就是将每个点在两个空间的邻域数构成一个m*2的矩阵。

计算权重：
先计算每个点的各空间邻域点数在该空间下的比例。

计算比例值的熵值

获得该空间下邻域数的权重

计算该点的置信分数。论文设置分数0.65比较合适。

实验

测试数据集为CADC，降雪点已经被人工标注了。
评估指标：精度，召回，准确度，Fmeasure

精度是被预测为雪的样本中正确结果的比例。

召回率是真实雪中正确结果的比例

准确度是准确预测结果占总样本的比例。

Fmeasure是精度和召回率的加权调和平均