申请/专利权人：大连理工大学

申请日：2022-05-10

公开（公告）日：2024-06-18

公开（公告）号：CN114926356B

主分类号：G06T5/70

分类号：G06T5/70;G06V10/762;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2022.09.06#实质审查的生效;2022.08.19#公开

摘要：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。

主权项：1.一种针对降雪影响的LiDAR点云无监督去噪算法，其特征在于，步骤包括：步骤S1：对待降噪的点云进行切割预处理，保留随距离变化的高度阈值Hth以上的点云；步骤S2：对每个点计算其k邻域的平均距离和动态阈值，通过比较平均距离与动态阈值的大小判定该点为噪点或是非噪点，判断后的非噪点集合与步骤S1中保留的点云结合，形成新的非噪点集合，其余点为噪点集合；步骤S3：利用HDBSCAN聚类算法对整帧点云逐点根据空间特点进行分类，并求步骤S2得到的非噪点集合中分类标签出现点数最多的t个标签，将步骤S2得到的噪点集合中分类为这t个标签的点重新判定为非噪点；所述的步骤S1：预处理；给定高度阈值曲线其中d为待判断点到传感器距离，h1、h2为参数，根据实际调整，默认设置为h1＝100、h2＝-5；在高度阈值曲线Hth上方的点将首先加入非噪点集合I1，其余点加入待处理点云集合P；所述步骤S2具体为：步骤S21：将目标点云载入KDTree，计算每点k邻域到该点的平均距离md，再计算各点平均距离md的均值作为全局平均距离μ；步骤S22：计算每点的动态阈值其中in为该点的归一化强度，μ为全局平均距离，d为该点到传感器距离，k1、k2为参数，根据实际调整，默认设置为k1＝0.02、k2＝0.05；步骤S23：将步骤S1生成的点云集合P中各点的平均距离md与该点的动态阈值Tm进行比较，距离小于阈值的点mdTm加入步骤S1生成的点云集合I1，距离大于等于阈值的点md≥Tm加入噪点集合O1。

全文数据：

权利要求：

百度查询： 大连理工大学 一种针对降雪影响的LiDAR点云无监督去噪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD