基于LiDAR点云的轨道内障碍物检测

基于LiDAR点云的轨道内障碍物检测

前言

该项目主要是应用在轨道交通上,并检测轨道内的障碍物,以保证轨道前方道路通畅,从而起到一个辅助驾驶的作用。在这里,简要介绍如何使用多线激光雷达,检测轨道前方障碍物,并将障碍物的位置标记出来。

研究思路

1、点云去噪。
2、轨道线检测。主要是利用轨道局部最高特征,以及轨道的几何特征来识别轨道。抓住这两个特征,感觉问题可以得到解决。
3、轨道内障碍物识别。提取轨道线之后,相当于轨道的位置已知。一般情况下,轨道内的面近似平面,或者平面有很小的凸起,如果这一现象成立就好办了。可以把障碍物检测问题描述成在类似平面上提取一个大于某个阈值的凸起物。

实验结果

轨道检测1
轨道检测2
动态轨道内障碍物检测

将激光雷达固定在列车上,并通过所设计算法动态检测轨道线,及轨道内障碍物。实验结果表明,所用方法,能够稳定检测直道、弯道、岔道及轨道内物体。由于雷达只能扫描到轨道线45m左右,故更远距离的轨道线及障碍物检测还需要待测试。感觉远距离除了点云会比较稀疏之外,轨道线数据特征仍然不会产生变化,可能需要在某些细节上需要注意,因此仍然可以根据其特征设计对应的处理方法。对于远距离的障碍物,由于雷达可能扫不到地面,可能直接通过聚类就可以怼出来了。

交流QQ:424176993

  • 4
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
使用Python从激光雷达点云数据中重建3D建筑是一个复杂而有挑战性的任务,涉及到多个步骤和算法。下面将以大致的流程来回答。 首先,需要一个能够读取和处理激光雷达点云数据的Python库,比如open3d、Pyntcloud等。通过这些工具可以加载和可视化点云数据。 接下来,需要对点云数据进行预处理。这可能包括去除离群点、滤波和降采样等操作,以减少噪声和数据量,简化后续的处理过程。 第三步是进行点云分割和聚类。使用聚类算法,比如基于DBSCAN,将点云分为不同的聚类,即建筑物的不同组成部分。这将有助于后续的建模和重建过程。 在得到聚类结果后,可以通过进行平面拟合来提取建筑物的水平面。通过拟合算法,比如随机采样一致性(RANSAC),可以找到建筑物的水平面并将其分离出来。这将为后续重建提供一个基准。 接下来是建模和重建的过程。根据点云的分布和形状特征,可以使用体素网格化或基于特征的方法来重建建筑物的3D模型。体素网格化将点云数据转化为稠密的3D网格,而基于特征的方法则利用点云的法线和几何特征来进行建模。 最后,可以通过可视化工具将重建的3D建筑物模型呈现出来,并进行进一步的后处理和优化。 需要注意的是,基于Python从激光雷达点云数据中重建3D建筑是一个复杂的过程,涉及到多个算法和工具,需要一定的计算资源和专业知识。此外,点云数据本身可能存在一定的噪声和缺失,对结果的质量也会有一定的影响。因此在实际应用中,还需要根据具体需求和情况进行针对性的参数调整和优化,以得到更好的结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值