一种基于三维激光雷达的点云数据分割方法

摘要

本发明涉及一种基于三维激光雷达的点云数据分割方法，它包括步骤：1）建立检测车辆的雷达坐标系oxyz；2）对激光雷达采集到的雷达数据进行预处理，建立雷达坐标系oxyz下感兴趣区域，并滤除地面噪声；3）建立图像坐标系o'uv，并定义雷达坐标系oxyz与图像坐标系o'uv的映射关系；4）在雷达云图上直接采用图像处理算法进行车辆检测，并采用边界框来表征感兴趣区域内除检测车辆以外的所有被检测车辆，进而得到图像坐标系o'uv下被检测车辆的边界框四个顶点坐标；5）将所述步骤4）中图像坐标系o'uv下得到的边界框四个顶点坐标根据坐标映射模型映射到雷达坐标系oxyz下，进而由被检测车辆的位置向量参数得到被检测车辆的形状向量参数。本发明能提高运算效率，检测精度较高，可靠性强，可以广泛在车辆环境感知技术领域中应用。

说明书

技术领域

本发明涉及现代交通智能车辆环境感知技术领域，特别是关于一种用于车辆检测 中基于三维激光雷达的点云数据分割方法。

背景技术

三维激光雷达是智能车辆获取外部信息的重要传感器之一，具有可靠性和实时性 强，精确性高等优点，因此被广泛地应用在智能车环境感知研究中。雷达具有多个激 光传感器，每个传感器测量离散数据点可表示为P_i(x,y,z,s)，x,y,z分别表示三维物理 距离，单位为米，s表示反射强度，为无量纲值。而点云数据则是大规模的离散测量 点数据的集合{P₁,P₂,P₃,...,P_N}，集合约四十万个测量点，它们为还原型测量对象的基本 形状特征和结构细节提供了充足的信息。

点云数据分割是智能车环境感知一项重要的工作，它是根据点云数据的整体密度 分布和局部聚集特性，将其聚类分离成独立的子集，各子集均对应于当前具有物理意 义的感知对象，反映感知对象的几何和位置特征。子集通过边界框（Boundingbox）来 表征，边界框是指将子集封闭在内的父形状所在的本地坐标系统下的最小外接矩形， 它的主要参数为顶点坐标及倾斜角度。从数据处理量角度来看，点云数据分割是一项 具有挑战性的工作，这是因为雷达数据更新频率可达5-15HZ（本发明采用10HZ），每 帧数据量约40万条，同时应用中还有实时性要求，因此必须提出一种快速、准确的分 割算法才能满足上述要求。

目前国内外有很多文章对点云数据分割和边界框选取进行研究，如聚类算法、栅 格法、邻帧作差法等，但这些方法主要存在计算复杂、资源开销大、不利于工程实现 等问题。文献Fast Segmentation of3D Point Clouds for Ground Vehicles （M.Himmelsbach等，2010IEEE Intelligent Vehicle Symposium,University of  California,San Diego,CA,USA(2010)June21-24）中介绍了在2.5维雷达数据中，利 用Occupancy grids方法对感兴趣区域100m×100m建立0.15m×0.15m的单元格，每 个单元格内保存垂直方向的各点最大绝对差值，再利用高度阈值对各单元格进行二值 化，最终通过视觉算法找出候选车辆。由于每一帧雷达数据均要建立40多万个单元格， 每个单元格又需要建立相应数据结构，因此内存消耗巨大，效率较低，实际应用困难。 文献Model based vehicle detection and tracking for autonomous urban driving （Anna Petrovskaya,Sebastian Thrun等,Auton Robot(2009)26:123-139）将三维 数据投影至极坐标栅格地图中，并对相邻两帧数据作差，然后采用重要性采样来检测 运动车辆，并采用车辆观测模型对检测车辆进行评价，从而消除误差。但是该方法实 时性较差，同时邻帧作差法对静态或低速车辆检测效果不佳，因此有一定局限性。卡 耐基梅隆大学“BOSS”无人车则直接对原始数据进行分割处理，采用“点模型”和“方 盒模型”对边缘特征进行车辆假设，再与上一帧数据进行比较关联来检测运动车辆。 但是该方法较复杂，不利于工程实现，同时也无法较好的处理静态和低速车辆。

发明内容

针对上述问题，本发明的目的是提供一种基于三维激光雷达的点云数据分割方法， 该方法大大提高运算效率，检测精度较高，可靠性强。

为实现上述目的，本发明采取以下技术方案：一种基于三维激光雷达的点云数据 分割方法，它包括以下步骤：1）建立检测车辆的雷达坐标系oxyz；2）对激光雷达采 集到的雷达数据进行预处理，建立雷达坐标系oxyz下感兴趣区域，并滤除地面噪声；3） 建立图像坐标系o'uv，并定义雷达坐标系oxyz与图像坐标系o'uv的映射关系为： [1(m)|oxyz:20(pixel)|o'uv]，其中雷达坐标系oxyz中的1米对应图像坐标系o'uv中的20 个像素；4）在雷达云图上直接采用图像处理算法进行车辆检测，并采用边界框来表征 感兴趣区域内除检测车辆以外的所有被检测车辆，进而得到图像坐标系o'uv下被检测 车辆的边界框四个顶点坐标；5）将所述步骤4）中图像坐标系o'uv下得到的边界框四 个顶点坐标根据坐标映射模型映射到雷达坐标系oxyz下，进而由被检测车辆的位置向 量参数得到被检测车辆的形状向量参数；其中坐标映射模型为：

$\left(\begin{array}{c}{x}_i=(u_i-600)/20\\ y_i=(600-v_i)/20\end{array}\right),$

式中，i表示被检测车辆的编号；(u_i,v_i)表示编号为i的被检测车辆所对应的边界框顶 点在图像坐标系o'uv下的坐标值；(x_i,y_i)表示编号为i的被检测车辆根据坐标映射模型 映射到雷达坐标系oxyz下对应边界框顶点的坐标值。

所述步骤1）中，所述雷达坐标系oxyz建立是指当检测车辆在水平路面上处于静 止状态下，在所述检测车辆上安装激光雷达，以所述激光雷达的中心为坐标原点o，x 轴穿过原点o且平行于所述激光雷达横向切面，指向所述检测车辆的前进方向，z轴经 原点o平行于所述激光雷达纵向切面指向上方，y轴垂直于x轴和z轴所在的平面指 向驾驶员左侧。

所述步骤2）中，所述雷达数据预处理过程如下：①在雷达坐标系oxyz下选取感 兴趣区域范围为：-30m<x<30m,-30m<y<30m,-5m<z<5m；②在雷达坐标系oxyz的x,z平 面利用直线方程来滤除感兴趣区域范围内的地面噪声，将地面返回的雷达数据定义为 噪声数据；假定城市道路为水平面，在雷达坐标系下利用z＞0条件滤除地面数据；其 中直线方程求解过程如下：假设水平地面在雷达坐标系oxyz下的直线方程为ax+bz＝c， 则利用ax+bz＞c条件滤除地面噪声，其中，预先设定参数a和b的值，修改参数c的 值，用条件ax+bz＞c分别对雷达数据进行噪声滤除。

所述步骤4）中，所述雷达云图采用的图像处理算法包括以下步骤：①通过腐蚀 将雷达云图中的孤立噪声点滤除；②利用膨胀和开运算将局部密度大于阈值0.75的部 分进行处理，以形成连通块；局部密度的定义为当分析一个像素时，以包围它的八个 像素点为基数m，其中灰度值为0的像素个数为n，则密度=n/m；③在雷达云图中搜 寻满足约束条件的连通块，该约束条件为面积、长、宽和矩形特征；并利用Hough变 换进行直线检测验证，得到符合约束条件的连通块；④以符合约束条件的连通块为基 础建立边界框，得到图像坐标系o'uv下被检测车辆的边界框四个顶点坐标为：

[(u_left-top,v_left-top)(u_right-top,v_right-top)(u_right-bottom,v_right-bottom)(u_left-bottom,v_left-bottom)|bbx_i]， 式中：u_left-top：图像坐标系o'uv下边界框左上角顶点u值，单位为像素；v_left-top：图像坐 标系o'uv下边界框左上角顶点v值，单位为像素；u_right-top：图像坐标系o'uv下边界框右 上角顶点u值，单位为像素；v_right-top：图像坐标系o'uv下边界框右上角顶点v值，单位 为像素；u_rihgt-bottom：图像坐标系o'uv下边界框右下角顶点u值，单位为像素；v_right-bottom： 图像坐标系o'uv下边界框右下角顶点v值，单位为像素；u_left-bottom：图像坐标系o'uv下边 界框左下角顶点u值，单位为像素；v_left-bottom：图像坐标系o'uv下边界框左下角顶点v值， 单位为像素。

所述步骤4）中，所述被检测车辆的形状向量参数[l,w,h,h_t,h_bphi|bbx_i]由所述被检 测车辆的位置向量参数得到：

$\left(\begin{array}{c}l=|x_{\mathrm{left}-\mathrm{top}}-x_{\mathrm{right}-\mathrm{top}}|\\ w=|y_{\mathrm{left}-\mathrm{top}}-y_{\mathrm{left}-\mathrm{bottom}}|\\ h=h_t-h_b\\ \mathrm{phi}=\arctan \frac{y_{\mathrm{left}-\mathrm{bottom}}-y_{\mathrm{right}-\mathrm{bottom}}}{x_{\mathrm{left}-\mathrm{bottom}}-x_{\mathrm{right}-\mathrm{bottom}}}\end{array}\right)$

其中，l表示被检测车辆长度，w表示被检测车辆宽度，h表示车辆高度，h_t表示边界 框内的数据点在雷达坐标系oxyz的z方向上的最大值，h_b表示边界框内的数据点在雷 达坐标系oxyz的z方向上的最小值，phi表示被检测车辆边界框的纵向平行线同雷达坐 标系oxyz下x轴的夹角，bbx_i表示编号为i的被检测车辆；x_left-top是雷达坐标系oxyz下边 界框左上角顶点x值，单位：米；y_left-top是雷达坐标系oxyz下边界框左上角顶点y值， 单位：米；x_right-top是雷达坐标系oxyz下边界框右上角顶点x值，单位：米；x_rihgt-bottom是 雷达坐标系oxyz下边界框右下角顶点x值，单位：米；y_right-bottom是雷达坐标系oxyz下边 界框右下角顶点y值，单位：米；x_left-bottom是雷达坐标系oxyz下边界框左下角顶点x值， 单位：米；y_left-bottom是雷达坐标系oxyz下边界框左下角顶点y值，单位：米。

本发明采用以上技术，具有以下优点：1、本发明由于不需要对原始海量点云数据 进行直接操作，而转化为在图像域中处理，且目前已有OpenCV等许多成熟的图像处理 库及车辆检测算法借鉴利用，因此效率大大提高，实时性也能够得到保证。2、本发明 由于采用OpenCV图像处理库，其处理精度达到像素级甚至亚像素级别，根据oxyz与o'uv 坐标映射关系[1(m)|oxyz:20(pixel)|o'uv]可知，边界框的精度也能达到厘米级，完全满足 实际应用，实现了检测精度较高，可靠性强。本发明可以广泛在车辆环境感知技术领 域中应用。

附图说明

图1是本发明的整体流程示意图；

图2是本发明的雷达坐标系示意图；

图3是本发明的图像坐标系示意图；

图4是本发明的图像处理算法流程示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种基于三维激光雷达的点云数据分割方法，其包括以 下步骤：

1）建立检测车辆的雷达坐标系oxyz。

如图2所示，雷达坐标系oxyz是指当检测车辆1在水平路面2上处于静止状态下， 在检测车辆1上安装激光雷达3，以激光雷达3的中心为坐标原点o，x轴穿过原点o且 平行于激光雷达3横向切面，指向检测车辆1的前进方向，z轴经原点o平行于激光雷 达3纵向切面指向上方，y轴垂直于x轴和z轴所在的平面指向驾驶员左侧。

2）对激光雷达3采集到的雷达数据进行预处理。

由于激光雷达3能够获取上百米远外的数据，远远超出城市道路条件下的距离需 求，因此为减少计算量和提高测量精度，需对采集到的雷达数据进行预处理。具体操 作如下：

①在雷达坐标系oxyz下选取ROI（感兴趣区域），本发明选取的ROI范围为： -30m<x<30m,-30m<y<30m,-5m<z<5m的ROI，这样可大大提高运算效率。具体选取方 法为：在雷达数据点存入缓存前，判断是否在ROI范围内，如果是的话则将该点存至 缓存，否则丢弃该点数据。

②在雷达坐标系oxyz的x,z平面利用直线方程来滤除ROI范围内的地面噪声。由于 检测目标为地面以上物体，因此将地面返回的雷达数据定义为噪声数据。假定城市道 路为水平面，在雷达坐标系下可利用z＞0条件滤除地面数据。但由于雷达安装在车顶 上不可避免的在纵向上存至一定的倾斜角度，因此需在雷达坐标系oxyz的x,z平面利用 直线方程来滤除地面噪声。

雷达坐标系oxyz的x,z平面下的直线方程求解过程如下：

如图2所示，假设水平地面2在雷达坐标系oxyz下的直线方程为ax+bz＝c，则可 利用ax+bz＞c条件可对滤除地面噪声。其中，参数a,b,c可通过试凑法得出：预先设定 参数a和b的值，修改参数c的值，用条件ax+bz＞c分别对雷达数据进行噪声滤除。 但由于道路局部可能存在凹凸不平，如过度强调完全滤除地面数据，则可能损失目标 物的底部特征数据（如车辆轮胎底部数据等），因此滤除95%的地面数据即可，且残留 的5%地面数据不影响后续处理。参数选取的原则采用由小到大的原则逐步修改，直至 得到较为合适的参数。本发明优选a＝-0.03,b＝1.0,c＝-1.0。

3）建立图像坐标系o'uv，并定义雷达坐标系oxyz与图像坐标系o'uv的映射关系为：

[1(m)|oxyz:20(pixel)|o'uv]，

该映射关系表示雷达坐标系oxyz中的1米对应图像坐标系o'uv中的20个像素，雷 达坐标系oxyz下最优精度可达5厘米。

如图3所示，图像坐标系o'uv是定义在雷达云图上的直角坐标系，雷达云图是指 每帧三维点云数据利用OpenGL或其它三维图像处理库处理后绘制的二维俯视平面投 影图像，图像中灰度值为255的像素表示该处为可反射点，可理解为源自车辆等具备 反射能力物体中的某点，灰度值为0的像素代表无反射点或已滤除的噪声。雷达云图 的分辨率将由ROI（感兴趣区域）的大小及雷达坐标系oxyz与图像坐标系o'uv的映射关 系确定。图像坐标系o'uv便是以雷达云图左上角顶点为坐标原点o'，u轴为沿原点o'水 平向右，v轴为沿原点o'垂直向下。

同时，根据雷达坐标系oxyz与图像坐标系o'uv映射关系确定在图像坐标系o'uv下的 ROI范围为：0<u<1200pixel,0<v<1200pixel，即雷达云图分辨率为1200×1200。

4）在雷达云图上直接采用图像处理算法进行车辆检测，进而得到图像坐标系o'uv 下被检测车辆的边界框（Boundingbox）四个顶点坐标，本发明采用边界框来表征ROI 内除检测车辆1以外的所有被检测车辆。

如图4所示，雷达云图采用的图像处理算法包括以下步骤：

①通过腐蚀将雷达云图中的孤立噪声点滤除；

②利用膨胀和开运算将局部密度大于阈值k（本发明中k取0.75）的部分进行处 理，以形成连通块；局部密度的定义为：当分析一个像素时，以包围它的八个像素点 为基数m，其中灰度值为0的像素个数为n，则密度=n/m；

③在雷达云图中搜寻满足约束条件的连通块，该约束条件为面积、长、宽和矩形 特征等。由于车辆具有明显的直线特征，可利用Hough变换进行直线检测验证，从而 得到符合约束条件的连通块；

④以符合约束条件的连通块为基础建立边界框（Boundingbox），得到图像坐标系 o'uv下被检测车辆的边界框四个顶点坐标为：

[(u_left-top,v_left-top)(u_right-top,v_right-top)(u_right-bottom,v_right-bottom)(u_left-bottom,v_left-bottom)|bbx_i]，

式中：

u_left-top：图像坐标系o'uv下边界框左上角顶点u值，单位：像素；

v_left-top：图像坐标系o'uv下边界框左上角顶点v值，单位：像素；

u_right-top：图像坐标系o'uv下边界框右上角顶点u值，单位：像素；

v_right-top：图像坐标系o'uv下边界框右上角顶点v值，单位：像素；

u_rihgt-bottom：图像坐标系o'uv下边界框右下角顶点u值，单位：像素；

v_right-bottom：图像坐标系o'uv下边界框右下角顶点v值，单位：像素；

u_left-bottom：图像坐标系o'uv下边界框左下角顶点u值，单位：像素；

v_left-bottom：图像坐标系o'uv下边界框左下角顶点v值，单位：像素；

bbx_i：编号为i的被检测车辆。

5）将步骤4）中图像坐标系o'uv下得到的边界框四个顶点坐标根据坐标映射模型 映射到雷达坐标系oxyz下，坐标映射模型为：

$\left(\begin{array}{c}{x}_i=(u_i-600)/20\\ y_i=(600-v_i)/20\end{array}\right)$

式中，i表示被检测车辆的编号。(u_i,v_i)表示编号为i的被检测车辆所对应的边界 框顶点在图像坐标系o'uv下的坐标值；(x_i,y_i)表示编号为i的被检测车辆根据坐标映射 模型映射到雷达坐标系oxyz下对应边界框顶点的坐标值。根据雷达坐标系oxyz下得到 的对应的边界框顶点的坐标值(x_i,y_i)，即可得到编号为i的被检测车辆的位置向量参数 为：

[(x_left-top,y_left-top)(x_right-top,y_right-top)(x_right-bottom,y_right-bottom)(x_left-bottom,y_left-bottom)|bbx_i]，

式中：

x_left-top：雷达坐标系oxyz下边界框左上角顶点x值，单位：米；

y_left-top：雷达坐标系oxyz下边界框左上角顶点y值，单位：米；

x_right-top：雷达坐标系oxyz下边界框右上角顶点x值，单位：米；

y_right-top：雷达坐标系oxyz下边界框右上角顶点y值，单位：米；

x_rihgt-bottom：雷达坐标系oxyz下边界框右下角顶点x值，单位：米；

y_right-bottom：雷达坐标系oxyz下边界框右下角顶点y值，单位：米；

x_left-bottom：雷达坐标系oxyz下边界框左下角顶点x值，单位：米；

y_left-bottom：雷达坐标系oxyz下边界框左下角顶点y值，单位：米；

bbx_i：编号为i的被检测车辆。

继而根据公式

$\left(\begin{array}{c}l=|x_{\mathrm{left}-\mathrm{top}}-x_{\mathrm{right}-\mathrm{top}}|\\ w=|y_{\mathrm{left}-\mathrm{top}}-y_{\mathrm{left}-\mathrm{bottom}}|\\ h=h_t-h_b\\ \mathrm{phi}=\arctan \frac{y_{\mathrm{left}-\mathrm{bottom}}-y_{\mathrm{right}-\mathrm{bottom}}}{x_{\mathrm{left}-\mathrm{bottom}}-x_{\mathrm{right}-\mathrm{bottom}}}\end{array}\right)$

得到编号为i的被检测车辆的形状向量参数[l,w,h,h_t,h_bphi|bbx_i]。其中，l表示被检测车 辆长度，w表示被检测车辆宽度，h表示车辆高度，h_t表示边界框内的数据点在雷达 坐标系oxyz的z方向上的最大值，h_b表示边界框内的数据点在雷达坐标系oxyz的z方 向上的最小值，phi表示被检测车辆边界框的纵向平行线同雷达坐标系oxyz下x轴的夹 角，bbx_i表示编号为i的被检测车辆。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都 是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应 排除在本发明的保护范围之外。