一种可移动的道路特征测绘系统

摘要

本发明公开了一种可移动的道路特征测绘系统，涉及到道路测绘技术领域，包括观测装置和三脚架，所述观测装置是由激光雷达和相机构成，其特征在于，包括以下测绘步骤：将观测装置和三脚架进行安装，然后水平放置于地面，并且对激光雷达和相机与地面的相对位置进行标定，其中观测装置与三角架安装时倾斜向下设置。本发明提出的可移动的道路特征测绘系统，利用可移动、可收起的三脚架作为装置的底座，仅需一个人便可以实现装置的装运、使用，相比于固定安装的测绘装置减少了安装费用与维护费用，相比于驾驶车辆进行数据采集成本更低，也更加灵活。

说明书

技术领域

本发明涉及道路测绘技术领域，特别涉及一种可移动的道路特征测绘系统。

背景技术

随着无人驾驶产业的发展，越来越多的企业与科研单位投入到无人驾驶行业中。由于无人驾驶目前尚未成熟，直接在道路上进行测试风险较大，因此更多地在系统中进行仿真模拟，在模拟过程中的道路上其他车辆需要模仿人的驾驶习惯，如果是真实的道路场景数据对无人驾驶的算法更加有用，因此市场上需要对道路场景特征进行测绘的系统。

另一方面，无人驾驶车辆在行驶过程中需要时刻知道自己的位置，这个位置是利用传感器进行测量并用算法进行位置估计，它具有一定偏差，需要外界的观测装置来评判与纠正，目前也需要一种对无人驾驶车辆的位置、速度、方向进行观测的系统。

对于道路数据采集方面，目前比较常见的方法有两种：

1.驾驶员驾驶带各类传感器的车辆在道路上进行采集；

2.在路口或者路边铺设固定的测绘装置，对道路信息进行采集；

但是上述的技术在获取道路特征数据的过程中，过程较为繁琐，成本较高。在路口或路边架设固定的测绘装置，一般是对道路的摄像头系统进行改动，将装置安装在道路的摄像头支架附近，安装成本较高，不利于大规模使用。驾驶员驾驶带传感器的车辆在道路上进行采集，需要占用无人驾驶车辆，在使用时也不能灵活切换观测的方向、位置。

因此，发明一种可移动的道路特征测绘系统来解决上述问题很有必要。

发明内容

本发明的目的在于提供一种可移动的道路特征测绘系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种可移动的道路特征测绘系统，包括观测装置和三脚架，所述观测装置是由激光雷达和相机构成，其特征在于，包括以下测绘步骤：

(一)将观测装置和三脚架进行安装，然后水平放置于地面，并且对激光雷达和相机与地面的相对位置进行标定，其中观测装置与三角架安装时倾斜向下设置；

(二)观测装置倾斜向下放置后，激光雷达观测到的路面向上倾斜，在使用时将路面转换到水平面上，具体的在使用时，每次观测装置的向下倾斜角度会有细微不同，路面转换为水平面的转化关系也不一致，因此要对装置与路面的角度进行标定，标定流程如下：

S1.使观测装置朝向路面，保持短时间静止，对每一帧雷达点云提取最大平面，即路面平面；

S2.对该平面中的点集进行平面拟合，每个点的坐标为(x，y，z)，拟合后得到平面方程ax+by+cz+1＝0；

S3.通过步骤S2中的平面方程得到雷达坐标系到世界坐标系的转换关系；

(三)使观测装置保持短时间静止，对环境进行初始化，并滤去静止的背景物体，其具体的操作步骤如下：

S4.根据激光雷达的特性，设计一帧深度图，在初始化时间内，将雷达的点云对深度图进行投影，深度作为对应像素点的像素值；

S5.当一个像素点在不同的时间点都有点云的点与之对应，更远的点替代更近的点，这样得到一幅留下静态背景的深度图；

S6.再然后在人流车流繁忙的地带(地铁站出口)，将观测装置静止安放一段时间，深度图中只留下静态物体，而动态的车辆与行人均被滤去；

(四)对车辆、行人进行识别，并对速度、尺寸等信息进行精确观测与估计，具体包括以下步骤：

S7.图像识别与跟踪：通过开源算法yolov3对车辆、行人进行识别，并且通过相机获取一帧图像，并传入算法模型中，输出对该图像的分类结果与包络框，识别出的每个物体都被矩形框标出，而在每一帧识别后，记录下识别框的大小与位置，与上一帧的识别框进行配对比较，位置、大小相近的视为同一个物体的框，实现连续观测下的物体跟踪；

S8.获取物体的雷达点云：在对齐了雷达点云和图像后，将S7中每个识别框中的所有点取出，投影到深度图中，再与初始化的深度图进行对比，深度小于初始化时的深度的点就是不属于背景的点；

S9.计算物体最小包络盒：测量计算物体的尺寸以及位置需要用长方体对物体进行刻画，通过物体点云的形状，判断出点云的主矢量方向，即点云中所有的点到点云质心的距离方差最大的方向，然后将点云投影到水平面得到二维点云，计算水平面上的主矢量方向，通过主矢量方向与垂直其方向，绘制出矩形与长方体，得到包络住物体点云块的最小长方体；

S10.根据物体的连续观测对位置、速度信息进行估计：在得到最小包络盒之后，将包络盒的中心作为物体的当前位置，通过两个观测时刻的时间差以及物体位置的距离，可以计算得到物体的速度。

优选的，步骤(一)中观测装置和三脚架安装时的倾斜角度小于45°。

优选的，步骤S6中的观测装置静止安放时间不小于30秒。

优选的，步骤S8中通过使用欧拉聚类方法对属于识别框中的点云进行聚类，距离小于阈值的点云块聚为一块，分成若干块之后，点数量最多的块就是属于识别物体的点云块，使得步骤S8中残留了背后其他物体的点进行去除。

本发明的技术效果和优点：本发明提出的可移动的道路特征测绘系统，利用可移动、可收起的三脚架作为装置的底座，仅需一个人便可以实现装置的装运、使用，相比于固定安装的测绘装置减少了安装费用与维护费用，相比于驾驶车辆进行数据采集成本更低，也更加灵活。

附图说明

图1为本发明的装置倾斜向下放置示意图。

图2为本发明的雷达坐标系下的物体观测示意图。

图3为本发明的对静态环境的初始化示意图。

图4为本发明的基于yolov3算法的图像识别示意图。

图5为本发明的点云的主矢量方向示意图。

图6为本发明的物体的最小包络盒示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了如图1-6所示的一种可移动的道路特征测绘系统，包括观测装置和三脚架，所述观测装置是由激光雷达和相机构成，其特征在于，包括以下测绘步骤：

(一)将观测装置和三脚架进行安装，然后水平放置于地面，并且对激光雷达和相机与地面的相对位置进行标定，其中观测装置与三角架安装时倾斜向下设置，并且倾斜角度小于45°，如图1所示；

(二)观测装置倾斜向下放置后，如图2所示，激光雷达观测到的路面向上倾斜，在使用时将路面转换到水平面上，具体的在使用时，每次观测装置的向下倾斜角度会有细微不同，路面转换为水平面的转化关系也不一致，因此要对装置与路面的角度进行标定，标定流程如下：

S1.使观测装置朝向路面，保持短时间静止，对每一帧雷达点云提取最大平面，即路面平面；

S2.对该平面中的点集进行平面拟合，每个点的坐标为(x，y，z)，拟合后得到平面方程ax+by+cz+1＝0；

具体的，对于一个平面来说，具有一个向量(a，b，c)与其垂直，称为该平面的法向量，而平面的方程是ax+by+cz+d＝0，对d进行归一化可得到ax+by+cz+1＝0；对S2的平面中的点集，不可能每个点(xi，yi，zi)都满足该平面方程，因此需要使整体误差最小，令函数f(a，b，c)＝ax+by+cz+1，其中x，y，z为一个三维点，是已知的，因此使所有的f(a，b，c)的和最小的解就是拟合出来的平面方程，用梯度下降法求解a，b，c；

S3.通过步骤S2中的平面方程得到雷达坐标系到世界坐标系的转换关系；

具体的，在雷达坐标系下的地面平面法向量为(a，b，c)，在世界坐标系下的地面平面法向量竖直向上为(0，0，1)，存在一个旋转将前者转换到后者。在雷达坐标系下，原点为雷达位置，通过点到平面的距离计算，可得雷达的高度，这就是雷达坐标系到世界坐标系的平移。结合求得的旋转和平移，这就是雷达坐标系转换到世界坐标系的位姿变换。得到位姿变换后，可以将观测到的倾斜点云转换到水平面上；

(三)使观测装置保持短时间静止，对环境进行初始化，并滤去静止的背景物体，其具体的操作步骤如下：

S4.根据激光雷达的特性，设计一帧深度图，在初始化时间内，将雷达的点云对深度图进行投影，深度作为对应像素点的像素值；

S5.当一个像素点在不同的时间点都有点云的点与之对应，更远的点替代更近的点，这样得到一幅留下静态背景的深度图，如图3所示；

S6.再然后在人流车流繁忙的地带(地铁站出口)，将观测装置静止安放一段时间，静止安放时间不小于30秒，深度图中只留下静态物体，而动态的车辆与行人均被滤去；

(四)对车辆、行人进行识别，并对速度、尺寸等信息进行精确观测与估计，具体包括以下步骤：

S7.图像识别与跟踪：通过开源算法yolov3对车辆、行人进行识别，如图4所示，并且通过相机获取一帧图像，并传入算法模型中，输出对该图像的分类结果与包络框，识别出的每个物体都被矩形框标出，而在每一帧识别后，记录下识别框的大小与位置，与上一帧的识别框进行配对比较，位置、大小相近的视为同一个物体的框，实现连续观测下的物体跟踪；

S8.获取物体的雷达点云：在对齐了雷达点云和图像后，将S7中每个识别框中的所有点取出，投影到深度图中，再与初始化的深度图(如图3所示)进行对比，深度小于初始化时的深度的点就是不属于背景的点，另外通过使用欧拉聚类方法对属于识别框中的点云进行聚类，距离小于阈值的点云块聚为一块，分成若干块之后，点数量最多的块就是属于识别物体的点云块，使得步骤S8中残留了背后其他物体的点进行去除；

S9.计算物体最小包络盒：测量计算物体的尺寸以及位置需要用长方体对物体进行刻画，通过物体点云的形状，判断出点云的主矢量方向，即点云中所有的点到点云质心的距离方差最大的方向，如图5所示，然后将点云投影到水平面得到二维点云，计算水平面上的主矢量方向，通过主矢量方向与垂直其方向，绘制出矩形与长方体，得到包络住物体点云块的最小长方体，如图6所示；

S10.根据物体的连续观测对位置、速度信息进行估计：在得到最小包络盒之后，将包络盒的中心作为物体的当前位置，通过两个观测时刻的时间差以及物体位置的距离，可以计算得到物体的速度。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。