一种2d激光雷达距离图像中线段特征精确拟合方法
【技术领域】
[0001] 本发明涉及传感检测领域，特别涉及一种2D激光雷达距离图像中线段特征精确 拟合方法，适用于室内结构化场景下对2D激光雷达距离图像中线段特征的精确拟合。
【背景技术】
[0002] 2D激光雷达以其精度高、探测范围广、抗干扰强、价格适中等极具性价比的特点成 为了移动机器人在未知环境下自主导航的首要选择。激光雷达以激光作为信号源，由激光 器以一定的角度发射出的脉冲激光遇到被测物体后反射回接收器，从而根据收发的时间间 隔（TOF)测量出被测物体的距离，其中2D激光雷达是从一个平面上按一定范围探测距离信 息。
[0003] 在室内结构化的场景下，激光雷达感知外界环境的距离图像往往呈现线段的特 征。例如在走廊环境下，图像呈现两条平行线段，墙角环境下，图像呈现出两条相互垂直的 线段。只有快速、准确地提取出图像中的距离信息，才能对环境进行建模。
[0004] 如何根据激光雷达得到的距离信息精确的拟合出线段信息，是移动机器人对 未知环境下探测的关键，目前，现有的拟合线段方法往往采用基于2D激光雷达的线段 提取方法，主要有：Split-and-Merge算法、Incremental算法、霍夫变换算法等；其中， SpI it-and-Merge算法速度快，但是提取的效果对阈值选取以及分割合并准则的依赖性较 大，在不同的场景下需要选择合适的参数。Incremental算法速度快，复杂度低，但是该算法 主要适用于结构简单的场景，对于复杂场景下相交直线的拟合效果不好。霍夫变换具有很 好的抗噪性。但是计算量非常大，在对实时性要求较高的自主导航中不宜采用，而且阈值的 选取也比较困难。
[0005] 由于上述算法存在适应性不好、计算复杂度较高、精度不高、难以适应复杂场景的 问题。因此，急需一种既具有良好的适应性，又能保证快速性、精确性的激光雷达线段提取 方法。
【发明内容】
[0006] 有鉴于此，本发明所要解决的技术问题是提供一种2D激光雷达距离图像中线段 特征精确拟合方法，适用于室内结构化场景下对2D激光雷达距离图像中线段特征的精确 拟合。
[0007] 本发明的目的是这样实现的：
[0008] 本发明提供的一种2D激光雷达距离图像中线段特征精确拟合方法，包括以下步 骤：
[0009] Sl :获取激光雷达距离图像数据进行数据预处理；
[0010] S2 :将数据预处理后距离图像数据转化为极坐标模型数据；
[0011] S3 :对极坐标模型数据采用自适应阈值区域分割形成区域数据；
[0012] S4 :对各区域数据进行线段分割形成分割线段数据；
[0013] S5 :对分割线段数据中的线段数据进行线段合并；
[0014] S6:直至所有分割线段数据合并完毕并输出合并线段数据，所述合并线段数据作 为激光雷达距离图像的提取线段数据。
[0015] 进一步，所述Sl中数据预处理是通过选取中位值滤波方法来过滤距离图像数据 中的随机干扰数据的。
[0016] 进一步，所述S3中自适应阈值区域分割具体步骤如下：
[0017] S31 :从极坐标模型数据中选取当前数据；
[0018] S32:判断当前数据中的距离数据是否大于零，如果是，则将当前数据序号作为序 号标签flag ;
[0019] S33 :如果否，则返回步骤S31选取下一极坐标模型数据为当前数据；
[0020] S34 :计算当前数据与上一数据的前后变化值；计算当前数据与上一个不为零的 极坐标模型数据之间含有的零数据个数；
[0021] S35:判断前后变化值是否大于第一阈值thetal，或零数据个数是否大于第二阈 值theta2,如果是，则将当前数据划分为第m+1个分割区域数据，并返回步骤S31选取下一 极坐标模型数据为当前数据；
[0022] S36 :如果否，则将当前数据划分为第m个分割区域数据；并返回步骤S31选取下 一极坐标模型数据为当前数据；
[0023] S37 :直到最后一个极坐标模型数据；
[0024] S38:计算各分割区域中所含数据的个数，将个数小于预设阈值的视为干扰区域并 舍弃。
[0025] 进一步，所述S4中的线段分割包括以下步骤：
[0026] S41 :将各分割区域中的区域数据的极坐标数据转换成直角坐标数据；
[0027] S42 :选择分割区域中的两个区域数据并根据其直角坐标数据拟合出直线；
[0028] S43 :计算该区域数据内其他数据到该直线最大距离的点，并计算出最大距离；
[0029] S44:判断最大距离是否大于自适应阈值，如果是，则将该数据设置于第一直线数 据区域；如果否，则将该数据设置于第二直线数据区域；
[0030] 其中，所述自适应阈值根据最大距离按照以下公式计算：
[0031] 其中，（Xk 1，yk 1)表示 ， 第k-l个直角坐标数据，（xk，yk)表示第k个直角坐标数据，（xk+1，y k+1)表示第k+l个直角坐 标数据；
[0032] S45:循环重复对第一直线数据区域和第二直线数据区域进行分割，直至所有数据 分割完毕；
[0033] S46:计算各分割区域中所含分割直线的个数，将个数小于预设阈值的视为干扰区 域并舍弃。
[0034] 进一步，所述S5中线段合并具体包括以下步骤：
[0035] S51 :采取整体最小二乘法对分割线段数据中的坐标数据进行直线拟合，形成直线 方程 y = k*x+b ;
[0036] S52:选择线段坐标数据中的第一个坐标数据和最后一个坐标数据，并分别对直线 方程y = k*x+b作垂线，通过计算所述垂线与所述直线方程的交点得到该直线方程的起始 坐标和结束坐标；
[0037] S53 :将直线方程转换成极坐标方程；
[0038] S54:计算分割线段数据中的相邻线段的角度差绝对值，及分割线段数据中的相邻 线段的距离差绝对值；
[0039] S55 :判断角度差绝对值是否小于角度固定阈值，及距离差绝对值是否小于距离固 定阈值；如果是，则将两相邻段线段进行合并形成更新线段，并以更新线段代替合并前的线 段；如果否，则进入下一步；
[0040] S56 :返回步骤S51循环重复，直至所有的分割线段数据都计算完毕。
[0041] 本发明的有益效果在于：本发明在传统的Split-and-Merge算法的基础上，先采 用两级分割，再通过合并拟合得到激光雷达距离图像中的线段信息。第一级分割利用极坐 标中距离及角度信息提取出区域信息，第二级分割则是针对区域信息提取出线段信息。并 且分割阈值的选取采用自适应动态的方法，克服了传统方法需要在不同的场景下调整参数 的缺点。在线段合并的准则上进行了优化；本发明可快速准确的提取激光雷达数据图像中 的线段特征，该方法的优点是不需要手动设置阈值，可适用于不同的室内场景，同时能够保 证拟合的准确性。
【附图说明】
[0042] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进 一步的详细描述，其中：
[0043] 图1为本发明实施例提供的线段拟合方法流程图；
[0044] 图2为本发明实施例提供的区域分割流程图；
[0045] 图3为本发明实施例提供的线段分割流程图；
[0046] 图4为本发明实施例提供的线段合并流程图。
【具体实施方式】
[0047] 以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例 仅为了说明本发明，而不是为了限制本发明的保护范围。
[0048] 实施例1
[0049] 如图1所示，本发明提供的2D激光雷达距离图像中线段特征精确拟合方法，包括 以下步骤：
[0050] Sl :获取激光雷达距离图像数据进行数据预处理；
[0051] S2 :将数据预处理后距离图像数据转化为极坐标模型数据；所述极坐标模型数据 由角度值和距离值组成；所述角度值为Θ i对应交点与X轴形成的角度；距离值为p i对应 原点到直线的距离；
[0052] S3 :对极坐标模型数据采用自适应