点云从入门到精通技术详解100篇-基于车载 LiDAR 的雨雪天气点云滤波算法研究（续）

最新推荐文章于 2025-06-05 13:58:01 发布
最新推荐文章于 2025-06-05 13:58:01 发布
阅读量494 收藏 3
点赞数
分类专栏： 点云从入门到精通技术详解100篇 文章标签： 算法 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/getusushu/article/details/138571890
版权
本文深入探讨了基于车载LiDAR的雨雪天气点云滤波算法，包括DROR、DSOR和DDIOR等衍生算法。详细介绍了雨雪噪声对LiDAR检测性能的影响，分析了噪声建模方法，如伽马分布和最大似然估计法。此外，文章还讨论了算法改进和评价指标，如准确率、精确率和召回率，并通过实验分析滤波算法的效率。同时，文章提供了点云滤波处理的背景知识，如体素滤波器和统计滤波器在点云数据预处理中的应用，以及激光雷达障碍物检测的挑战和方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

2.2.2 衍生算法

2.2.2.1 DROR

2.2.2.2 DSOR

2.2.2.3 DDIOR

3算法改进及评价指标

3.1 LiDAR 数据集制作

3.1.1 数据采集

3.1.2 标记分类

3.2 雨雪噪声特性分析

3.2.1 对 LiDAR 检测性能的影响

3.2.2 产生机理

3.2.3 建模方法

3.2.3.1 伽马分布

3.2.3.2 最大似然估计法

3.3 算法改进

3.4 评价指标

3.4.1 点云可视化比较

3.4.2 准确率

3.4.3 精确率与召回率

3.4.4 处理时间

4实验及结果分析

4.1 雨雪噪声模型构建

4.1.1 噪声数量分布情况

4.1.2 噪声强度信息分布情况

4.1.3 伽马分布的拟合结果

4.2 滤波算法评价

4.2.1 定性分析

4.2.2 定量分析

4.2.2.1 准确率

4.2.2.2 精确率与召回率

4.2.3 算法效率分析

知识拓展

激光点云滤波处理

几种常用滤波器

激光雷达的障碍物检测

驾驶毫米波雷达信号处理流程

信号处理流程

硬件实现

机载LiDAR点云滤波-SMRF简单形态学滤波

雨雪天气下-几种常见的滤波算法实现及效果对比

本文篇幅较长，分为上下两篇，上篇详见基于车载 LiDAR 的雨雪天气点云滤波算法研究

2.2.2 衍生算法

2.2.2.1 DROR
DROR 是一种基于
了解本专栏 订阅专栏 解锁全文
点云从入门到精通技术详解100篇-基于车载 LiDAR 的雨雪天气点云滤波算法研究
getusushu的博客
05-09 366
通过点云技术，激光雷达的成像能够更为清晰、精准，能够充分发挥高分辨率的优点。点云的应用不仅可以节省掉传统的建模时间，也增加了模型准确性，是激光雷达的技术优势之一。车载激光雷达是一种移动型扫描系统，可以通过发射和接收激光束，分析激光遇到目标对象后的折返时间，计算出目标对象与车的相对距离，并利用收集的目标对象表面大量的密集点的三维坐标、反射率等信息，快速复建出目标的三维模型及各种图件数据，建立三维点云图，绘制出环境地图，以达到环境感知的目的。
【Point Cloud ROS】用一张彩色图像和深度图像生成点云图像
小秋 AI SLAM 入门实战教程
12-02 3074
RGB图(彩色图像)和深度图像生成点云
激光雷达点云
m0_68553508的博客
02-13 465
点云噪点是指激光雷达采集到的一些无效点，它容易造成目标检测算法模型的误检。激光点云噪点的主要来源有两方面：一方面是目标物表面造成的噪点，比如目标物表面材质的性质（高反射率的表面材质引起的点云反射能量过强，而使得目标物比实际大小更大）、粗糙程度（凹凸不平的表面使得点云的发射角度发生变化）等；另一方面是外部扫描环境造成的噪点，如雨雪雾尘等颗粒物遮挡了点云而无法反射回点云等。雨雪雾尘等环境因素会对激光雷达点云产生干扰，导致噪点增加或点云消失等问题。
恶劣天气下的点云去噪方法
m0_73333808的博客
01-19 1631
可靠的点云数据对于感知任务至关重要，例如在机器人技术和自动驾驶应用中。恶劣天气会对光探测和测距（LiDAR）传感器数据产生特定类型的噪声，从而显著降低点云的质量。为了解决这一问题，本信提出了一种新的点云不利天气去噪深度学习算法（4义网）。我们的算法利用了时间维度不同于深度学习不利天气去噪方法。与之前的工作相比，它在相交方面比联合度量好了约10%，计算效率也更高。这些结果是在我们的新SnonyKITTI数据集上实现的，该数据集有超过4万个不利天气标注的点云。
雨雪天气下的点云滤波-几种常见的滤波算法实现及效果对比
zhaoliang的博客
12-12 1142
雨雪天气下的点云滤波-几种常见的滤波算法实现及效果对比
基于点云数据的雨天条件下的目标检测方法
m0_73333808的博客
01-19 2041
然而，并没有提出明确的解决方案来处理喷水引起的不希望的测量噪声。然而，这需要重新训练目标检测器，这可能在商业可用的检测器的情况下是昂贵的或甚至不可行的。作者在SemanticSpray数据集上测试了作者的框架，该数据集包含雨天条件下类似高速公路的场景，并展示了它提高了评估的目标检测器对喷水的抗干扰性。通过使用来过滤点云中的噪声，目标检测器ψ更不太可能返回由车辆尾气引起的不需要的幽灵目标检测，从而实现对环境的更鲁棒感知。对真实世界数据的测试显示，作者的方法提高了几种常用的3D目标检测器对道路喷水的抗干扰性。
鬼影、雨雪天气点云噪声处理
ywfwyht的博客
05-28 3453
以下是一个简单的雨水、雪花等噪声点云处理的算法和对应的C++代码：这里使用了PCL库，需要安装和配置好PCL库才能编译运行。代码中的注释应该可以帮助你理解如何实现这一算法。在雨雪天气中，点云噪点通常是由于雨滴或雪花的撞击和反射造成的，它们会被误认为是点云数据中的有效点。处理点云噪点的一种方法是使用统计学滤波器，例如高斯滤波器、中值滤波器或平均值滤波器。这些滤波器都可以根据周围点云数据的统计信息来过滤掉噪点。
[自动驾驶-目标检测] C++ PCL 点云噪声滤波
Lion996的博客
11-20 2700
3D点云的噪声滤波在激光雷达领域往往是最常见也同样是最容易忽略的地方，在实际应用场景下往往很容易产生噪声点，比如点云灰尘、雨水、雪雾等等。而常见的3D点云去噪方法往往无法根除，因此需要结合场景及激光雷达的特点来设计不同的噪声滤波器，从而满足实际需求，废话不多说，本文主要采用PCL来实现噪声过滤。
PCL点云处理之多种球面点云生成方法大汇总 （二百三十)
weixin_44329757的博客
03-12 550
算法实验中，可能会用到一些规则物体的点云，比如我们这里介绍的球面点云，即有一些点均匀或随机的分布在某个球的表面，球的中心和半径是指定的，而且为了更符合实际，我们有时候还需要在点云中添加一些高斯噪声点，所以下面会介绍三种球面点云生成方法，结果会保存到TXT文件中，适应不同的使用需求。
基于点云去滤除灰尘的滤波算法调研
To be a better man
12-17 1621
本论文调研了基于学习和基于滤波的8种以上的应对灰尘，雨雪等恶劣天气的滤除方法。上文中提到先通过反射强度对灰尘进行滤除，灰尘的反射强度比非灰尘反射强度低。通过反射强度能够滤除一些点。然后通过半径异常点移除滤波器。激光雷达在恶劣天气下会影响感知识别的精度，造成误差，将灰尘，雨雪误识别为障碍物，为了降低对灰尘的误检，因此调研相关的灰尘滤波算法。首先将点识别为外部点.
点云从入门到精通技术详解100篇-基于激光雷达点云的三维目标检测
getusushu的博客
03-18 894
不受光照、雨雪等恶劣天气的影响，是一种理想的、简单高效的检测网络模型。点云数据通过投影，转化为鸟瞰图，进行三维目标检测的方法，可以预测目标的位置、各种数据，不仅包含三维点云数据，还包与之对应的含白天和黑夜场景下的图像数据，的降低，汽车的自动驾驶技术得到了飞速发展，在我们的日常生活中经常能看到该技。和非自动驾驶汽车相比，自动驾驶汽车存在诸多优点，纷纷聚焦战略，不断推出更加完善的自动驾驶汽车，同时与高等院校合作，推出自动。一些，虽然存在部分技术上的困难，但可操作性强，时间成本更低，一旦成功便可进。
点云从入门到精通技术详解100篇-双传感器模式的非结构化环境检测与识别
getusushu的博客
11-15 602
当今科技日新月异自动化技术已广泛应用于各领域中，无论是提高生产效率及高精 密度制造的工业产线自动化，还是根据环境变化使能源有限利用的家庭自动控制系统等 都有许多相关研究。其中，智能交通系统的自动化研究日渐盛行，如行人与交通标识检 测[1]、驾驶员脸部观察驾驶人精神疲劳警示系统、行驶车道偏离警示系统等。而大多数 交通系统的研究是基于城市主干道或高速公路这些结构特征明显、车道标识清晰的结构 化道路，针对该类型道路研究的交通系统应用在野外道路时其效果往往大打折扣。
目标检测YOLO实战应用案例100讲-基于激光雷达点云的三维目标检测算法研究
qq_36130719的博客
05-23 3056
近几年来，在计算机视觉领域，利用深度学习卷积神经网络技术来实现各种任务的算法越来越多。毫米波雷达、相机、激光雷达、超声波雷达等车载传感器生产成本的降低，汽车的自动驾驶技术得到了飞速发展，在我们的日常生活中经常能看到该技术辅助汽车驾驶员进行行车。和非自动驾驶汽车相比，自动驾驶汽车存在诸多优点，如进一步减少交通事故，保障人身安全；提供安全合理的路线，避免交通拥堵；采用清洁无污染的电能作为汽车新能源，从而降低大气污染等。现如今，自动驾驶技术已经逐渐深入到各个领域并发挥着关键的作用。
PCL 动态半径滤波
点云侠的博客
06-22 1062
使用PCL实现的2022年最新SCI论文——【Design of Dust-Filtering Algorithms for LiDAR Sensors Using Intensity and Range Information in Off-Road Vehicles】 一文中提出用于自动驾驶点云剔除粉尘、雨雪等影响因素导致的噪声点滤波算法。
点云 3D 天气数据增强 - LiDAR Snowfall Simulation for Robust 3D Object Detection (CVPR 2022)
77wpa的博客
02-10 2251
3D目标检测是自动驾驶等应用程序的中心任务，在自动驾驶系统中，即使在恶劣天气的情况下，系统也需要对周围的交通代理进行定位和分类。在本文中，我们解决了降雪条件下基于激光雷达的3D目标检测问题。由于在此设置中收集和注释训练数据的困难，我们提出了一种基于物理的方法来模拟降雪对真实晴朗天气LiDAR点云的影响。我们的方法对每个激光雷达线在二维空间中的雪粒子进行采样，并使用诱导的几何结构相应地修改每个激光雷达光束的测量值。此外，由于降雪经常导致地面潮湿，我们还模拟了激光雷达点云的地面湿度。
一种可扩展、精确的激光雷达点云冬季除雪算法
CCChester的博客
10-20 2572
对距离系数的动态变换进行了研究，根据分布结果设置不同的值对应不同距离。系数初值0.016选取存在主观因素，最后用目标检测和SLAM作下对比，证明自己的去噪是有意义的。
登山第十一梯：点云除雪——摘掉琵琶不遮面
qq625924821的博客
10-23 870
文章：Denoising Framework Based on Multiframe Continuous Point Clouds for Autonomous Driving LiDAR in Snowy Weather代码：无日期：2024年1）摘要恶劣的天气条件是自动驾驶面临的长尾问题之一。解决恶劣天气条件下的自动驾驶运行问题是实现高级自动驾驶的重要挑战。为了增强自动驾驶下雪天气下的 LiDAR 感知能力，该文提出了一种多帧连续点云去噪方法。这种方法的核心概念是允许有序物体（例如，地面上的静止物体）
【MATLAB去噪算法】基于CEEMD联合小波阈值去噪算法(第三期)
yuchunyu12的博客
06-03 852
CEEMD联合小波阈值去噪算法相关文献。
AtCoder 第408​场初级竞赛 A~E题解
最新发布
m0_69389639的博客
06-05 1187
AtCoder 第408​场初级竞赛 A~E题解：A Timeout、B Compression、C Not All Covered、D Flip to Gather 、E Minimum OR Path
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

格图素书

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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