如何轻松解决LiDAR数据传输量太大的问题

激光雷达生成高精度的点云，许多技术将其作为一个模块来应用。但处理和存储产生大量数据一直是一个很大的挑战。本文将通过背景减法揭示如何在设备端上进行运动检测，减少传输的总数据。 LiDAR技术的发展已经开辟了众多全新的应用。

以厘米级的精度采集匿名的距离信息作为点云的能力，是一个令人兴奋的前景。LiDAR通常在数据处理之前捕获环境信息并输出整个场景的点云。虽然对许多应用来说非常有用，但未经处理的点云也构成了技术挑战，因为它们需要大量的资源来传输、存储和分析所产生的大量数据。

支持设备端上预处理运动检测

虹科通过引入一种在设备上的预处理算法来解决这个问题，该算法能够为虹科智能激光雷达提供运动检测应用支持。这是通过使用集成在LiDAR内的高性能片上系统（SoC）减去设备本身的静态背景来实现的。这项新功能在处理数据流的前提取相关数据信息，特别是动态运动检测，并生成预处理的点云数据，用于在之后应用中进行分析和使用。

虽然这取决于场景中的活动量，但一般来说，该算法会使得传输的数据量大幅减少，特别是当场景大部分是静态时效果会更加显著。在这个例子中，需要传输的数据量减少了98%，因为数据点的总数从8800多个减少到只有163个，在内存和传输时间上直线式下降。

这增强了LiDAR传感器在记录、跟踪和分析各种环境中移动物体的能力。从该功能中受益的应用包括交通和公共场所（如公路、火车站和机场）的智能视觉监控和跟踪系统，以及许多安全用例。

背景减法工作原理

实现运动检测的背景减法算法使用可配置的参考帧数量来估计场景中的静态点（背景）。一旦参考帧被处理，它通过比较背景模型和活动帧从点云中删除所有静态点，获得非静态点（前景）。 活动帧中明显偏离背景的点被认为是移动物体。然后，这些 “前景”点被进一步处理，用于物体定位和跟踪，以及各种使用情况下的运动检测。 使用背景减法算法的设备运动检测功能对很多应用都有很大的好处，比如说以下这些。

用于人流量统计的设备端上运动检测

人流量统计在各种环境中都很有用，如机场、零售店、大学、银行、娱乐设施等需要分析客户流量和运营管理的地方。 计算通过某一特定区域的人流量对于改善运营和优化利用资源至关重要。例如，在下面的使用案例中，LiDAR传感器可以安装在一个超市的入口处，以创建一个周围环境的3D图，并捕获整个视野的数据点。

可以创建一个区域来计算访问商店的总人数。例如，这种自动跟踪将有助于精确计算不同运营时期的人员需求，并有助于削减运营成本。然而，生成的数据资料也将包含许多静态物体，如门、柜台、杂货架等。使用背景减法算法，只传输人的相关数据，大大减少了网络资源的负荷。

准确地说，在这种情况下，背景过滤前的数据总量是每个传感器~3MB/s，而背景过滤后每个传感器减少到~0.2Mb/s。通过对来自前景的点进行聚类的进一步预处理，识别点云，每个传感器的数据流减少到~0.01MB/s，需要传输的总数据量减少了近99%。

用于交通监控的设备端上运动检测

基于LiDAR的交通监测系统是非常有前途的，因为它们提供实时和匿名的三维数据。例如，在混合交通情况下区分行人或骑自行车的人，但不识别个人，从而保护道路使用者的隐私。

更细微的应用，如获得不同道路使用者的运动数据和其他指标，如每条车道的平均速度、每条车道的车辆数、车辆停留时间、人数和行人的平均速度，都可以通过LiDAR交通监控系统得知。但是，交通监控在每个瞬间也会产生大量的数据，这意味着迫切需要智能解决方案来减少计算工作。

使用我们的智能激光雷达监测交通路口。点云不仅包括接近十字路口的车辆和行人，还包括场景中和周围的静态物体，如人行道、道路和建筑物，正如在 “完整场景”中看到的那样。 但智能LiDAR的设备上的数据分析能力会识别并去除背景中的静态物体，结果只有前景中的动态物体，如行人和移动的汽车，被标记为 “前景”。 这一步骤可以大大减少需要处理的数据量，从而提高物体识别的准确性和速度，同时减少传输数据时对网络的负荷。

LiDAR技术向前发展

LiDAR是最具前景的传感器技术之一，具有精确的空间感知能力。虹科的智能激光雷达通过使用预处理算法从点云中快速简化地提取动态部分，将其提升到了新的水平。 动态检测算法，设备上的背景减法已经在许多项目中证明了其价值。而随着预处理算法库的扩大，将会实现更多复杂的环境处理和用例，从而提高LiDAR传感器对所有用户的可及性。

编辑：jq