激光雷达点云数据的三维成像处理

tb83564_11 2017-09-15 09:06:00

请教圈内各位大神，用机载激光雷达采集到的三维点云数据怎样重构其三维形态，用什么软件？有什么类似的参考书么？感谢各位的解答

...全文

3701 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

超级能量泡泡 2019-11-21

打赏
举报

回复

Geomagic Studio

本文主要描述了基于激光雷达的点云数据的滤波分类及其三维重建

激光雷达运动补偿是智能车动态背景目标检测中不可避免的过程。提出了一种基于激光雷达的运动补偿算法。首先通过四元数法求解车体在上一个扫描周期与当前扫描周期的位姿变化矩阵。其次,根据静态场景的特点及历史激光雷达数据帧生成的数据包,利用高斯混合模型对时间坐标系下的背景进行建模。考虑到高斯混合模型在动态场景下容易失效,通过运动补偿将动态背景转换为静态背景,再用高斯混合模型对时间列表中所有历史帧进行处理,得到T时刻运动目标的原点特征点,将特征点与当前帧中符合的点相匹配进一步细化点在当前帧中的新位置。经过实验验证,该方法成功地对背景运动进行了估计和补偿,适合应用于三维环境下实时运动目标的检测。

随着国网公司大力发展“大云物移智链”进行数字化改革，输电线路的运维也从单一的人巡升级为多维巡检，无人机与可视化摄像头也随着大数据、边缘计算等新兴技术的发展，进行了迭代，实时可视化监控也逐步成为电网运维不可或缺的一部分。通过激光雷达三维点云成像技术与正摄影像地理信息数据采集技术对线路走廊、电力设备以及周围环境进行扫描，获取对应的高精度三维激光点云与可见光数据，建立电网线路通道三维数字化场景。

在汽车智能驾驶系统中，激光雷达由于其独特的三维成像能力，成为场景探测感知传感器群组中不可或缺的组成部分。为提升单一波长激光雷达在物性探测分类和状态上的性能，借鉴多光谱探测具有物性探测能力的原理，论文对适用于汽车智能驾驶的多光谱激光雷达的波段选择进行了可行性研究，利用主成分分析法对智能驾驶中典型目标进行光谱计算及分析。结合激光光源特性以及光电探测器的特性，综合多光谱激光雷达波段选择方法和智能驾驶应用场景中典型目标地物光谱特性，以及商用激光雷达的可获得性，得出了适用汽车智能驾驶的多光谱激光雷达的波长可以选择808nm、905nm、1064nm、1310nm，并通过测试验证了多光谱激光雷达所选波长的有效性。为了更好地利用激光雷达技术的环境观测能力，国内外学者针对融合单波长激光回波信号的强度信息和三维信息对数据进行分类开展了大量研究和探索，当前智能驾驶中使用的激光雷达在技术上的研究主要集中于单一波长方式工作。为提升激光回波信号的强度信息和三维信息对数据进行分类的支持，不断地提高激光雷达点云密度，但这些研究并不能从根本上解决车载激光雷达单一波长所造成的物性探测能力上的不足，点云密度的增加虽可提高基于点云几何特征的物体识别能力，但也存在递减效应，且带来诸多额外的系统要求： 1）用于场景识别的算法日益复杂化，导致计算硬件需求剧烈增加；2）激光雷达的功耗、复杂性、体积和成本大大增加，阻碍其大规模商用；3）仅依靠三维特征，不足以有效识别复杂场景。因此，虽然激光雷达在三维空间信息获取方面具有突出优点，但由于激光雷达单一波长探测能力的限制，对环境信息中的物性分类、状态等方面的探测能力仍旧有待提高。光谱成像技术不仅具有图像分辨能力，还具有光谱分辨能力，利用光谱成像技术不仅可以对待检测目标进行定性和定量分析，而且还能对其进行定位分析。针对目前智能驾驶环境观测中激光雷达的应用及其技术特点。为了更好的挖掘出激光雷达对环境感知应用的潜力，使激光雷达技术在保留空间高分辨探测能力的同时，兼具对环境中物体物性感知的能力，因此，借鉴多、高光谱测量具有物性探测能力的原理，开展多光谱激光雷达对环境物体进行探测的技术研究将具有重要的研究价值和应用前景。

前言: 说起来，该3D激光扫描测距仪(3D激光雷达)就核心设计原理来而言，应该在激光键盘（https://www.cirmall.com/circuit/2978/detail?3）设计项目之后。现在给大伙讲讲3D扫描测距仪的相关原理和制作细节。请耐心读完，方可吸收其中的精华。在开始介绍原理前，先给出一些扫描得到的3D模型以及演示视频，给大家一个直观的认识扫描得到的房间一角: 扫描的我扫描仪实物激光三角测距原理这里统一列出他们的参数: 摄像头:VGA画质的USB摄像头，30fps (市面普遍可以购买的型号)。非广角激光器:50mW 红外一字线激光 808nm 滤光片:10mm直径红外低通滤光片舵机:HS-322hd 43g标准舵机本文结构简单介绍了激光雷达产品的现状 : 线状激光进行截面测距原理 3D激光扫描仪的制作考虑参考文献简介-激光扫描仪/雷达: 这里所说的激光扫描测距仪的实质就是3D激光雷达。如上面视频中展现的那样，扫描仪可以获取各转角情况下目标物体扫描截面到扫描仪的距离，由于这类数据在可视化后看起来像是由很多小点组成的云团，因此常被称之为:点云(Point Clould)。在获得扫描的点云后，可以在计算机中重现扫描物体/场景的三维信息。这类设备往往用于如下几个方面: 机器人定位导航目前机器人的SLAM算法中最理想的设备仍旧是激光雷达(虽然目前可以使用kinect，但他无法再室外使用且精度相对较低)。机器人通过激光扫描得到的所处环境的2D/3D点云，从而可以进行诸如SLAM等定位算法。确定自身在环境当中的位置以及同时创建出所处环境的地图。这也是我制作他的主要目的之一。零部件和物体的3D模型重建地图测绘现状: 目前市面上单点的激光测距仪已经比较常见，并且价格也相对低廉。但是它只能测量目标上特定点的距离。当然，如果将这类测距仪安装在一个旋转平台上，旋转扫描一周，就变成了2D激光雷达（LIDAR）。相比激光测距仪，市面上激光雷达产品的价格就要高许多: Hokuyo 2D激光雷达截图: 上图为Hokuyo这家公司生产的2D激光雷达产品，这类产品的售价都是上万元的水平。其昂贵的原因之一在于他们往往采用了高速的光学振镜进行大角度范围(180-270)的激光扫描，并且测距使用了计算发射/反射激光束相位差的手段进行。当然他们的性能也是很强的，一般扫描的频率都在10Hz以上，精度也在几个毫米的级别。 2D激光雷达使用单束点状激光进行扫描，因此只能采集一个截面的距离信息。如果要测量3D的数据，就需要使用如下2种方式进行扩充: 采用线状激光器使用一个2D激光雷达扫描，同时在另一个轴进行旋转。从而扫描出3D信息。说明: 第一种方式是改变激光器的输出模式，由原先的一个点变成一条线型光。扫描仪通过测量这束线型光在待测目标物体上的反射从而一次性获得一个扫描截面的数据。这样做的好处是扫描速度可以很快，精度也比较高。但缺点是由于激光变成了一条线段，其亮度(强度)将随着距离大幅衰减，因此测距范围很有限。对于近距离(<10m)的测距扫描而言，这种方式还是很有效并且极具性价比的，本文介绍的激光雷达也使用这种方式，对于第二种方式，优点是可以很容易用2D激光雷达进行改造，相对第一种做法来说，他在相同的激光器输出功率下扫描距离更远。当然，由于需要控制额外自由度的转轴，其误差可能较大，同时扫描速度也略低。这类激光雷达产品目前在各类实验室、工业应用场景中出现的比较多，但对于个人爱好着或者家用设备中，他们的价格实在是太高了。当然，目前也有了一个替代方案，那就是kinect，不过他的成像分辨率和测距精度相比激光雷达而言低了不少，同时无法在室外使用。低成本的方案造成激光雷达设备高成本的因素为使用测量激光相位差/传播时间差测距高速振镜的高成本矫正算法和矫正人工成本对于个人DIY而言，第三个因素可以排除，所谓知识就是力量这里就能体现了:-) 对于前2个因素，如果要实现完全一样的精度和性能，那恐怕成本是无法降低的。但是，如果我们对精度、性能要求稍微降低，那么成本将可以大幅的下降。首先要明确的是投入的物料成本与能达成的性能之间并非线型比例的关系，当对性能要求下降到一定水平后，成本将大幅下降。对于第一个因素，可以使用本文将介绍的三角测距方式来进行。而对于扫锚用振镜，则可以使用普通的电机机构驱动激光器来替代。本文介绍的低成本3D激光扫描仪实现了如下的成本/性能: 成本:~￥150 测量范围:最远6m 测量精度:（测量距离与实际距离的误差）最远6m出最大80mm误差，近距离(<1m)，误差水平在 5mm以内扫描范围:180度扫描速度:30 samples/sec (比如以1度角度增量扫描180度，耗时6秒) 对于精

OpenCL和异构编程

602

社区成员

575

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章