1.一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于包括如下步骤:
1)已采集的激光雷达点云数据,逐线检测局部点云距离跳变、局部点云分布密集和局部点云高度下降的三个结构特征,依据三个结构特征在单线激光点云中提取筛选获得可能属于负障碍物的候选点对;
2)由各线激光的激光点云获得的所有候选点对,依据点对长度一致性和空间位置一致性进行聚类,得负障碍物候选区域,再经过面积过滤得到负障碍物区域。
2.根据权利要求1所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于:
所述步骤1)具体是针对单线激光点云,采用以下方式进行处理:
1.1)逐激光点计算邻近点间距与局部平滑度,并根据局部平滑度判断获得平滑点;
1.2)逐激光点通过检测局部点云距离跳变特征选取邻近点间距局部极大值的候选点对,作为初始候选点对;
1.3)在初始候选点对中,通过检测局部点云分布密集特征选取初始候选点对中后沿点所在位置点云局部密集的点对,获得筛选后的初始候选点对;
1.4)通过局部点云高度下降特征进行进一步筛选,获得最终的候选点对。
3.根据权利要求2所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于:
所述步骤1.1)具体为:
1.1.1)计算邻近点间距
针对单线激光点云,采用以下公式计算每个激光点与其邻近激光点之间的空间距离,激光点的坐标为邻近激光点的坐标为
其中,表示激光点及其邻接点之间的邻近点间距,l表示单线激光点云中的激光点序号;
1.1.2)计算局部平滑度
采用以下公式计算单线激光点云中每个激光点的局部平滑度sl:
式中,Nneighbor表示预设的邻近点个数,l表示单线激光点云中的激光点序号,k表示该激光点的邻近点的序号;
预设平滑阈值Thssmooth和非平滑阈值Thssharp,通过将激光点的局部平滑度Sl分别与平滑阈值Thssmooth和非平滑阈值Thssharp进行比较获得激光点是否为平滑点的结果:若满足sl≤Thssmooth,该激光点为平滑点;若满足sl≥Thssharp,该激光点为非平滑点。
4.根据权利要求2所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于:所述步骤1.2)具体是:对于单线激光点云上的各激光点,按以下公式处理并提取获得邻近点间距跳变点集合Pjump:
式中,Njump_nbr表示预设的邻近点个数,Thsdis为邻近点间距跳变阈值,l表示单线激光点云中的激光点序号,k表示该激光点的邻近点的序号;
再取邻近点间距跳变点集合Pjump中的每个激光点作为后沿点,其在单线激光点云中之前的一个激光点作为前沿点,形成邻近点间距跳变点对并获得邻近点间距跳变点对集合Pneg_pair,具体是采用以下公式:
式中,l表示单线激光点云中的激光点序号。
以邻近点间距跳变点对集合Pneg_pair中的邻近点间距跳变点对作为初始候选点对。
5.根据权利要求2所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于:所述的步骤1.3)具体为:将初始候选点对投影到激光雷达点云空间所对应的栅格属性地图上,每个栅格统计落在该栅格内激光点的数目,针对初始候选点对的后沿点判断是否满足以下公式:
PtNum(k,l)-PtNum(m,n)≥Thsdense
m∈[k-Ngrid,k+Ngrid],m≠k
n∈[l-Ngrid,l+Ngrid],n≠l
式中,Ngrid表示预设栅格邻近距离,PtNum(k,l)表示当前栅格中包含的所有激光点总数,PtNum(m,n)表示当前栅格在预设栅格邻近距离Ngrid邻域内的一栅格内包含的所有激光点总数,Thsdense是预设的点云密集阈值,当前栅格是指初始候选点对的后沿点所在的栅格,m、n分别表示当前栅格在预设栅格邻近距离Ngrid邻域内的栅格行号与列号。
初始候选点对的后沿点满足公式,则认为满足局部点云分布密集特征,将该初始候选点对保留,继续下一步的处理;否则,将该初始候选点对舍弃,不继续下一步的处理。
6.根据权利要求2所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于:所述步骤1.4)具体为:
对于步骤1.3)筛选后的每个初始候选点对,选取后沿点前方的Nline个平滑点形成平滑点集Plocal_smooth,将滑点集Plocal_smooth中的所有平滑点通过最小二乘法进行直线拟合获得直线方程;
再将后沿点空间坐标[xl,yl,zl]中位于水平平面的x,y坐标代入直线方程,并与后沿点的z坐标相比较,具体是采用以下公式进行判断筛选:
式中,dzl是筛选后的初始候选点对前方的平滑点拟合直线在后沿点处的估计高度与实际高度之差,Thsz为预设的候选点对后沿点高度下降阈值,l表示候选点对序号;
若满足上述公式,则表明该后沿点位于直线的下方,满足局部点云高度下降特征,保留该后沿点所在的初始候选点对,继续下一步的处理;否则,将该后沿点所在的初始候选点对舍弃,不继续下一步的处理。
7.根据权利要求6所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于:所述的直线方程采用以下方式拟合计算得到:
设空间直线经过点[x0,y0,0],方向向量为[a,b,1],则空间直线方程表示为:
其中,a、b分别表示空间直线的归一化的方向向量在x、y坐标轴的两个分量,x0、y0分别表示空间直线经过点的坐标的x、y坐标轴的两个分量。
上述方程写成矩阵形式为:
将这Nline个平滑点代入上述矩阵,得到:
其中,x1到y1到z1到分别表示第1个到第Nline个平滑点的坐标的x、y、z坐标轴分量;
化简得到:
上式中,l是平滑点序号;
解出上述a、b、x0、y0即求出直线方程。
8.根据权利要求1所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于:所述的步骤2)中聚类具体为:2.1)将步骤1)获得各线激光点云中的候选点对进行合并,然后采用以下方式进行聚类,将候选点对投影到栅格属性地图上获得对应的栅格点对,栅格点对由前沿栅格点pfront和后沿栅格点pback构成;
2.2)每一对候选点对均使用向量表示;
取前沿栅格点pfront和后沿栅格点pback之间的中点表示该候选点对在栅格属性地图上的空间位置:
其中,u、v分别表示该候选点对在栅格属性地图上的行坐标和列坐标,ufront、vfront分别表示前沿栅格点pfront在栅格属性地图上的行坐标和列坐标,uback、vback分别表示后沿栅格点pback在栅格属性地图上的行坐标和列坐标;
采用以下公式取前沿栅格点pfront和后沿栅格点pback之间的距离表示候选点对的点对长度w:
2.3)由所有候选点对的向量形成候选点对向量集合Gpars:
其中,Npars表示步骤1)获得所有线激光上的候选点对总数;
2.3)使用均值偏移的方法进行聚类:
对每一个候选点对的向量均初始构造一个质心向量使得从而形成质心向量集合Gcenters:
对质心向量集合Gcenters中的每个质心向量,采用公式遍历计算其对应的加权质心向量
其中,为高斯核函数,l、k均为质心向量的序号,h为预先设定的核函数带宽;
从而得到加权质心向量集合Gshfts:
2.4)对加权质心向量集合Gshfts中的每个加权质心向量,采用以下公式计算其与其对应的质心向量之间的欧氏距离Dshftl:
式中,l表示加权质心向量的序号。将欧氏距离Dshftl与误差阈值Epsilon采用以下公式相比较,判断获得质心向量是否达到局部概率密度极大条件:
Dshftl≤Epsilon
若满足条件,则保持不变,否则采用以下方式更新
2.5)重复步骤2.2)-2.4),直到所有候选点对的向量对应的所有质心向量均达到局部概率密度极大条件;
2.6)将相同质心向量对应的候选点对归为同一类,完成候选点对集合的聚类。
9.根据权利要求5或8所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于:所述步骤1.3)或者步骤2.1)中的栅格属性地图具体是:将激光雷达点云空间所在的水平平面分割成大小相等的栅格,每个栅格尺寸为gridsize×gridsize,激光雷达点云空间的三维激光点坐标投影到栅格属性地图所在的栅格坐标(row,col)为:
其中,row、col分别表示该三维激光点投影到栅格属性地图所在的栅格坐标的行号与列号,Yoffset、Xoffset分别表示预设的偏移量;
并且每一个栅格包含车体区域标志位isCar、负障碍物标志位isNegObs和栅格内点云数目PtNum(row,col)的属性。
10.根据权利要求1所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法,其特征在于:所述的步骤2)中过滤具体为:由同一类的所有候选点对所形成的区域作为负障碍物候选区域,遍历所有负障碍物候选区域,采用以下公式判断是否满足:
Numpar≥Thsnum
Areaneg≥Thsarea
式中,Numpar表示负障碍物候选区域中所有候选点对的总对数,Areaneg表示负障碍物候选区域中所有候选点对构成多边形的面积,多边形为包围在负障碍物候选区域中所有候选点对外的最小外接多边形,Thsnum为区域候选点对数量阈值,Thsarea为负障碍物在栅格属性地图中形成多边形的面积阈值;
若同时满足以上两个条件,则负障碍物候选区域保留,为最终的负障碍物区域;
若不同时满足以上两个条件,则负障碍物候选区域舍弃,不为最终的负障碍物区域。