(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210500966.6 (22)申请日 2022.05.10 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 陈储　曹俊杰　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 王海波 (51)Int.Cl. G06T 5/00(2006.01) G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) (54)发明名称 一种针对降雪影 响的LiDAR点云无监督去噪 方法 (57)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。 权利要求书1页 说明书3页 附图2页 CN 114926356 A 2022.08.19 CN 114926356 A 1.一种针对降雪影响的L iDAR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。 2.根据权利要求1所述的一种针对降雪影响的LiDAR点云无监督去噪算法， 其特征在 于， 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。 3.根据权利要求1或2所述的一种针对降雪影响的LiDAR点云无监督去噪算法， 其特征 在于， 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m d， 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(md＜Tm)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。权　利　要　求　书 1/1 页 2 CN 114926356 A 2一种针对降雪影响的LiDAR点 云无监督去噪方法 技术领域 [0001]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D DIOR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 [0002]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。 [0003]现有的点云去噪方法主 要分为两类： [0004](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； [0005](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。 [0006]在无监督点云去噪方法 中， 动态距离 ‑强度离群点去除方法(DD IOR)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D SOR提高不多。 发明内容 [0007]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； 并且说　明　书 1/3 页 3 CN 114926356 A 3