[发明专利]一种针对降雪影响的LiDAR点云无监督去噪方法

说明书

本发明提供了一种高效且精准的针对降雪影响的LiDAR点云无监督去噪算法，属于点云降噪领域。本发明基于现有的DDIOR去噪算法进行改进，首先提出了一种新的根据点云高度进行动态切割的噪声点云预处理方法，使得高度较高、距离较远、较稀疏、特征与噪声点云极其相似的非噪声点云被保护。然后改进了DDIOR去噪算法中的动态阈值，使得阈值随各点的位置及邻域信息改变得更平滑更易控制、分离非噪点与噪点更精确。最后结合了基于HDBSCAN的聚类算法，处理前两个步骤对噪点和非噪点的分类结果，可以使周围环境中的非噪点结构更加完整，由于前两个步骤的去噪结果已非常精确，最后步骤并非必要项，只为满足不同的去噪需求。本发明利用真实冬季降雪天气中采集的点云数据集WADS进行评估本发明。

技术领域

本申请属于点云降噪领域，涉及一种针对降雪影响的LiDAR点云无监督去噪方法，具体是一种DDIOR点云降噪方法改进优化并与HDBSCAN聚类方法结合的点云降噪方法。

背景技术

激光雷达是一种高精度传感器，用于测量物体的位置和形状，形成高质量的三维点云图像，已广泛应用于自主驾驶、三维重建、工业测量等许多领域。随着科技的不断进步和成本的不断降低，激光雷达在可预见的未来不太可能被淘汰。激光雷达以点云的形式收集物理环境的信息。这些点云被处理并用于执行自动驾驶任务，如定位和绘图、移动目标检测和障碍物回避。然而，在恶劣天气条件下，如下雪、下雨和浓雾，它们的性能受到严重限制。恶劣的天气条件会导致不需要的测量点，进而影响漏检和误报，从而严重影响基于激光雷达的场景理解的性能。如在大雪中，雪粒子可能被误解为车辆前方的物体，从而使移动机器人完全停止。换而言之，激光雷达传感器获得的点云图像遭受很多噪音,分为三大类:孤立的异常值,集群噪音,附近的信号和噪声点。为了获得高质量的点云图像，必须去除这些噪声，应运而生的就是针对点云数据过滤噪声的方法研究。

现有的点云去噪方法主要分为两类：

(1)无监督点云去噪方法，如半径离群点去除方法(ROR)、统计离群点去除方法(SOR)、动态半径离群点去除方法(DROR)、动态统计离群点去除方法(DSOR)、低强度离群点去除方法(LIOR)、体素网格滤波器方法(VG)、动态距离-强度离群点去除方法(DDIOR)等。这些现有的无监督点云去噪方法体量小、速度快、噪点召回率高，但往往会误判大量的非噪点，精确度较低；

(2)基于深度学习的方法，如PointNet、PointNet++、WeatherNet、RangeNet++等，这些基于深度学习的去噪方法精度较高，但体量很大。

在无监督点云去噪方法中，动态距离-强度离群点去除方法(DDIOR)是目前最先进的，它在动态统计离群点去除方法(DSOR)的动态阈值基础上，加入了强度信息，构造了新的更为精准的阈值，且根据冬季恶劣天气采集的真实数据集WADS中噪点分布特点，加入了点云分割预处理步骤，减少了运算量的同时，较好地保持了高强度和远距离的非噪点。虽然DDIOR在召回率(Recall)上数值结果很高，但是精准度(Precision)相对较低，换而言之，DDIOR为了尽可能地除去雪噪点，同时误除了较多的非噪点。而且该方法在处理不同场景下的噪声点云时，需要调整大量参数以达到良好的效果，适用性有限。除此之外，即使DDIOR做了较大改动，精确度和召回率两个方面的数值结果上相较DSOR提高不多。

发明内容

本发明针对上述冬季恶劣天气下雪噪点去除的不足之处，提供了一种针对降雪影响的LiDAR点云无监督去噪方法。该方法预处理阶段采用了高度-距离阈值曲线，使得容易被以往滤波方法误除的、高度较高、距离较远、较稀疏的正常物体点云被很好地保护；并且修改了DDIOR方法阈值T_n中α_r的计算方式，从原来的阶梯型常数值改为指数函数，使该方法可以根据实际需求简易控制，更具普适性；也修改了DDIOR方法阈值T_n中强度前系数，赋予了强度这一维度信息更大的权重，彻底去除低强度的雪噪点；除此之外，还加入了HDBSCAN聚类方法进行后处理，使周围环境中结构更加完整。