专利名称：一种基于三维激光雷达的点云数据分割方法
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Pi (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IP1, P2, P3,, PN}，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,SanDiego, 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IOOmX IOOm建立0.15mX0.15m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 detectionand 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，本发明米取以下技术方案: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:[I (m) I oxyz:20 (pixel) | o’ uv],其中雷达坐标系oxyz中的I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:
权利要求
1.一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:
2.如权利要求1所述的一种基于三维激光雷达的点云数据分割方法，其特征在于:所述步骤I)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ο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ο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。
3.如权利要求1所述的一种基于三维激光雷达的点云数据分割方法，其特征在于: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ox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> O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。
4.如权利要求1所述的一种基于三维激光雷达的点云数据分割方法，其特征在于: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O的像素个数为η,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:
5.如权利要求1所述的一种基于三维激光雷达的点云数据分割方法，其特征在于:所述步骤4)中，所述被检测车辆的形状向量参数[1，W，h, ht, hbphi Ibbxi]由所述被检测车辆的位置向量参数得到:
全文摘要
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。
文档编号G06T5/00GK103226833SQ20131016696
公开日2013年7月31日 申请日期2013年5月8日 优先权日2013年5月8日
发明者王肖, 李克强, 王建强, 徐成, 秦晓辉, 谢伯元 申请人:清华大学