一种激光点云的平面识别方法、装置、设备和介质与流程

本发明实施例涉及数据处理技术，尤其涉及一种激光点云的平面识别方法、装置、设备和介质。

背景技术：

在自动驾驶和辅助驾驶的技术领域中，采用激光雷达进行环境感知是一种广泛被采用的技术。

现有技术中，首先通过激光雷达发射激光射线，激光射线遇到不可穿透的障碍物时会被反射回来，由激光雷达的接收设备接收；通过记录发射和接收之间的时延，再结合射线的传输速度来计算障碍物与激光雷达之间的距离。通过大量的激光射线检测，能够进行周围环境的感知。以64线激光雷达为例，每秒可产生130万个点，每个点能反映对应的距离。激光雷达的一次检测获取的点云数据，可称为一帧激光点云数据。

获得激光点云数据之后，需要进一步进行数据处理，基于激光点云数据进行各类障碍物识别，如大车、小车、行人等，从而作为控制车辆行驶的依据。进行障碍物识别之前进行平面识别是基础处理操作，但是，现有技术没有结合激光点云的特点进行平面识别的差异化对待，致使识别结果的准确性较低。

技术实现要素：

本发明实施例提供一种激光点云的平面识别方法、装置、设备和介质，以结合激光点云的特点进行平面识别，提高识别的准确性。

第一方面，本发明实施例提供了一种激光点云的平面识别方法，该方法包括：

获取车辆采集器采集到的一帧激光点云数据；

将所述激光点云数据进行栅格划分；

针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，其中，各个栅格所采用的设定点数阈值根据栅格与采集中心之间的距离差异而不同；

根据平面识别结果进行处理。

第二方面，本发明实施例还提供了一种激光点云的平面识别装置，该装置包括：

点云数据获取模块，用于获取车辆采集器采集到的一帧激光点云数据；

栅格划分模块，用于将所述激光点云数据进行栅格划分；

平面识别模块，用于针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，其中，各个栅格所采用的设定点数阈值根据栅格与采集中心之间的距离差异而不同；

处理模块，用于根据平面识别结果进行处理。

第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中任一所述的激光点云的平面识别方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如发明实施例中任一所述的激光点云的平面识别方法。

本发明实施例通过获取激光点云数据并将所述激光点云数据进行栅格划分，进而在平面识别时，针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，其中，各个栅格所采用的设定点数阈值是不同的，然后根据平面识别结果进行处理；解决了没有根据激光点云数据的特点进行平面识别的差异化对待，致使识别结果的准确性较低的问题，实现根据激光点云的特点在平面识别中动态设定阈值，能够提高平面识别的准确性。

附图说明

图1是本发明实施例一中的激光点云的平面识别方法的流程图；

图2a是本发明实施例二中的激光点云的平面识别方法的流程图；

图2b是本发明实施例二中的在激光点云数据中滤除地面的效果图；

图3是本发明实施例三中的激光点云的平面识别装置的结构示意图；

图4是本发明实施例四中的计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的激光点云的平面识别方法的流程图，本实施例可适用于通过激光点云数据平面识别的情况，该方法可以由激光点云的平面识别装置实现，具体可通过设备中的软件和/或硬件来实施，该装置可以集成于任何进行激光点云数据处理的设备中，可选的是车载控制设备。如图1所示，激光点云的平面识别方法具体包括：

s110、获取车辆采集器采集到的一帧激光点云数据。

其中，激光点云数据可以是由车辆(例如无人驾驶汽车)载激光扫描设备，在待测量道路上采集的激光点云数据。激光扫描设备通常放置在车身外部，例如车辆顶部。激光扫描设备的一次检测获取的点云数据，可称为一帧激光点云数据，可以任选其中一帧的激光点云数据，进行点云数据的分析与识别。

s120、将所述激光点云数据进行栅格划分。

激光雷达等扫描设备扫描的路面点不是完全平坦的，且是不连续的,因此，将激光点云数据划分成栅格，每个栅格的尺寸相同。在一种实施方式中，根据激光扫描设备可进行扫描的距离，可将栅格设置为长度为8米的立方体。由于激光点云本身的特点，以车辆为中心，从近至远的点云数据点逐渐变得稀疏。也即，距离激光光源越近的栅格内，点云点数量越多。

s130、针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，其中，各个栅格所采用的设定点数阈值根据栅格与采集中心之间的距离差异而不同。

具体的，针对每个栅格，可以选用平面识别算法进行平面识别，在识别过程中，通常需要采用设定点数阈值，作为识别平面的限值。由于各个栅格中的数据点的稀疏度原本不同，所以本发明实施例设置各个栅格所采用的设定点数阈值不同，根据栅格与采集中心之间的距离而变化，从而适应各个栅格中的数据点稀疏情况，使平面识别的准确性更高。

以ransac算法为例进行说明。采用ransac算法进行平面迭代识别，直至所述栅格中未归属于平面的剩余数据点的数量少于设定点数阈值时，停止平面识别。

ransac(randomsampleconsensus)随机采样一致性方法是通过从一组含有“局外点”的样本集中，使用迭代方式估计出数学模型参数(本文模型为空间平面模型)。具体过程是首先给出需要估计的数学模型，其次从观测数据样本中随机抽选出一个样本子集，通过最小方差估计法计算样本子集的模型参数，然后计算所有观测数据样本与该模型的方差，根据预先设定好的阈值和方差统计观测数据中在模型内的样本点(inliers)和模型外的局外点(outliers)，根据迭代次数重复这个过程。在每次迭代结束，根据当前迭代次数、模型参数、期望误差率以及样本总数计算出判断当前迭代结束的因子，决定是否结束迭代过程。迭代过程结束时，模型参数是最优的估计参数值。

在本实施例中，当前迭代的结束因子即为针对不同栅格，所设定的设定点数阈值。

s140、根据平面识别结果进行处理。

当进行平面识别后，可获得若干平面，其中包括建筑物表面、车辆表面、草坪及路面等平面。其中，路面数据大概占到总数据量的四分之一，在障碍物识别中加大了数据处理的负担。因此，基于后续对障碍物等进行识别的需求，可在平面识别的基础上，从激光点云数据中过滤掉路面对应的点云数据。

本实施例的技术方案，通过获取激光点云数据并将所述激光点云数据进行栅格划分，进而在平面识别时，针对每个栅格，采用ransac随机采样一致性平面识别算法，并针对不同的栅格设置不同的设定点数阈值作为迭代结束因子；解决了没有根据激光点云数据的特点进行平面识别的差异化对待，致使识别结果的准确性较低的问题，实现根据激光点云数据的特点在平面识别中动态设定阈值，能够提高平面识别的准确性以及路面分割方法的鲁棒性，通过路面分割后，还可以提高后续障碍物识别的处理效率。

实施例二

图2a为发明实施例二提供的一种激光点云的平面识别方法的流程图。本实施例以上述实施例中各个可选方案为基础，提供了根据平面识别结果，从激光点云数据中过滤掉路面对应的点云数据的过程。如图2a所示，本发明实施例中提供的激光点云的平面识别方法包括如下步骤：

s210、获取车辆采集器采集到的一帧激光点云数据。

s220、将所述激光点云数据进行栅格划分。

s230、获取每个栅格中数据点的数量，将所述数量乘以设定比例，作为所述栅格的设定点数阈值。

由于激光点云本身的特点，以车辆采集器为中心，从近至远的点云点逐渐变得稀疏，因此，可根据栅格位置确定针对每个栅格进行平面识别设定的设定点数阈值。当在一个栅格中，不属于任何一个平面的点数小于等于设定点数阈值时，即可结束在该栅格中对平面的识别。

在一种实施方式中，假设栅格内的点云点数量为n(n为正整数)，可以取n的10％为栅格的设定点数阈值。其中，10％即为设定比例，设定比例可以根据实际的激光点云数据量进行设定，使每个栅格的设定点数阈值与栅格内的点云点数量成一定比例关系。

在另一种实施方式中，可根据每个栅格与采集中心之间的距离，基于设定反比关系确定每个所述栅格的设定点数阈值。例如，当栅格与采集中心的距离为10米时，设定点数阈值为100；当栅格与采集中心的距离为20米时，设定点数阈值为90；当栅格与采集中心的距离为20米时，设定点数阈值为80。其中，采集中心即为车辆采集器所在的位置。

s240、针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，其中，各个栅格所采用的设定点数阈值根据栅格与采集中心之间的距离差异而不同。

具体的，根据每个栅格的动态阈值，使用ransac方法提取平面,迭代提取平面的剩余点数小于动态阈值时,停止提取平面。例如当提取平面后余下的点数小于n*10％时，停止迭代，提取平面结束。

s250、根据平面识别结果，从激光点云数据中过滤掉路面对应的点云数据。

在识别出的平面中确定属于路面的平面，可以通过平面的法向量与竖直方向的夹角和高度两个方面进行判断。

具体的，路面通常为水平面或为具有一定角度的斜面，其法向量与竖直方向的夹角等于或接近90度，如果任一平面的法向量与竖直方向之间的夹角小于设定夹角阈值，则确定该平面为非路面。

通常激光扫描设备放置在激光点云数据采集车辆的顶部，激光扫描设备为数据采集中心，即数据采集中心与路面之间的垂直距离为激光点云数据采集车辆的高度，如果任一平面与高度阈值不匹配，则确定该平面为非路面，其中，所述高度阈值根据所述车辆的高度以及栅格内点云数据点的平均高度设定。

进而可以结合夹角阈值和高度阈值的路面识别结果，确定目标路面，并从激光点云数据中过滤掉目标路面对应的点云数据。这里需要说明的是，对上述两个方面的判断没有固定的先后顺序。

进一步的，如果任一平面与高度阈值不匹配，则确定该平面为非路面包括：

根据每个栅格中的点云数据，统计栅格内各数据点的平均高度值；根据已知车辆高度值和所述平均高度值确定各个栅格的动态高度阈值，具体是，计算所述已知车辆高度值的比例折算值，和所述平均高度值的比例折算值，取两者的最大值，作为该栅格的动态高度阈值，其中，已知车辆高度值的折算比例和平均高度值的折算比例均可自定义；针对每个栅格，计算栅格中心点到各平面的平面距离值，如果所述平面距离值大于所述动态高度阈值，则确定该平面为非路面。

在一种实施方式中，具体根据平面高度对平面进行筛选的过程如下：首先，根据每个栅格中的点云数据，统计栅格内点的平均高度特征z，已知车辆高度h,然后，可设置平面的动态高度阈值为max(z/2，h/5)，其中2为平均高度值的折算比例，5为车辆高度值的折算比例。针对每个平面，计算栅格中心点到提取的空间平面距离特征d，如果d大于动态高度阈值则提取到的空间平面点不为地面点。以此排除像车顶部平面、绿化带顶部平面的点被识别为地面点。

在本实施例中，激光点云数据中滤除地面的效果可参考图2b，在图2b中，白色的点或点的集合为非路面点的点云点，在删除路面点云点后，可清晰地看到障碍物点云与路面间存在两条分界线，两条分界线中间区域为路面，在路面上还有体积较小的障碍物点云点，在路面两旁，障碍物点云点较为集中，障碍物可以为建筑物、数目等。

本实施例的技术方案，通过获取激光点云数据并将所述激光点云数据进行栅格划分，获取每个栅格中数据点的数量，将所述数量乘以设定比例，作为所述栅格的设定点数阈值，或可根据每个栅格与采集中心之间的距离，基于设定反比关系确定每个栅格的设定点数阈值，进而在平面识别时，针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，然后从激光点云数据中过滤掉路面对应的点云数据；解决了没有根据激光点云数据的特点进行平面识别的差异化对待，致使识别结果的准确性较低的问题，实现根据激光点云数据的特点在平面识别中动态设定阈值，能够提高平面识别的准确性以及路面分割方法的鲁棒性，通过路面分割后，还可以提高后续障碍物识别的处理效率。

实施例三

图3示出了本公开实施例三提供的一种激光点云的平面识别装置的结构示意图，本公开实施例可适用于基于激光点云数据的特点进行平面识别的情况。

如图3所示，本公开实施例中激光点云的平面识别装置，包括：点云数据获取模块310、栅格划分模块320、平面识别模块330和处理模块340。

其中，点云数据获取模块310，用于获取车辆采集器采集到的一帧激光点云数据；栅格划分模块320，用于将所述激光点云数据进行栅格划分；平面识别模块330，用于针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，其中，各个栅格所采用的设定点数阈值根据栅格与采集中心之间的距离差异而不同；处理模块340，用于根据平面识别结果进行处理。

本实施例的技术方案，通过获取激光点云数据并将所述激光点云数据进行栅格划分，进而在平面识别时，针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，其中，各个栅格所采用的设定点数阈值是不同的，然后根据平面识别结果进行处理；解决了没有根据激光点云数据的特点进行平面识别的差异化对待，致使识别结果的准确性较低的问题，实现根据激光点云的特点在平面识别中动态设定阈值，能够提高平面识别的准确性以及路面分割方法的鲁棒性，通过路面分割后，还可以提高后续障碍物识别的处理效率。

进一步的，处理模块340具体用于：

根据平面识别结果，从激光点云数据中过滤掉路面对应的点云数据。

可选的，平面识别模块330具体用于：

针对每个栅格，采用ransac算法进行平面迭代识别，直至所述栅格中未归属于平面的剩余数据点的数量少于所述设定点数阈值时，停止平面识别。

进一步的，激光点云的平面识别装置还包括点数阈值设定模块，用于在针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别之前，获取每个栅格中数据点的数量，将所述数量乘以设定比例，作为所述栅格的设定点数阈值；或者

根据每个栅格与采集中心之间的距离，基于设定反比关系确定每个所述栅格的设定点数阈值。

可选的，处理模块340包括第一非路面识别单元、第二非路面识别单元和处理单元；其中，

第一非路面识别单元，用于当任一平面的法向量与竖直方向之间的夹角小于设定夹角阈值时，则确定该平面为非路面；

第二非路面识别单元，用于当任一平面与高度阈值不匹配，则确定该平面为非路面，其中，所述高度阈值根据所述车辆的高度以及栅格内点云数据点的平均高度设定；

处理单元，用于结合夹角阈值和高度阈值的路面识别结果，确定目标路面，并从激光点云数据中过滤掉目标路面对应的点云数据。

进一步的，第二非路面识别单元，包括：平均高度统计子单元、动态高度阈值确定子单元和非路面识别子单元；其中，

平均高度统计子单元，用于根据每个栅格中的点云数据，统计栅格内各数据点的平均高度值；

动态高度阈值确定子单元，用于根据已知车辆高度值和所述平均高度值确定各个栅格的动态高度阈值；

非路面识别子单元，用于针对每个栅格，计算栅格中心点到各平面的平面距离值，如果所述平面距离值大于所述动态高度阈值，则确定该平面为非路面。

进一步的，动态高度阈值确定子单元具体用于计算所述已知车辆高度值的比例折算值，和所述平均高度值的比例折算值，取两者的最大值，作为该栅格的动态高度阈值。

本发明实施例所提供的激光点云的平面识别装置可执行本发明任意实施例所提供的激光点云的平面识别方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四中的计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。该计算机设备412优选为车载控制设备。

如图4所示，计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于：一个或者多个处理器或者处理单元416，系统存储器428，连接不同系统组件(包括系统存储器428和处理单元416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该计算机设备412交互的设备通信，和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口422进行。并且，计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的激光点云的平面识别方法，该方法主要包括：

获取车辆采集器采集到的一帧激光点云数据；

将所述激光点云数据进行栅格划分；

针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，其中，各个栅格所采用的设定点数阈值根据栅格与采集中心之间的距离差异而不同；

根据平面识别结果进行处理。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的激光点云的平面识别方法，该方法主要包括：

获取车辆采集器采集到的一帧激光点云数据；

将所述激光点云数据进行栅格划分；

针对每个栅格，采用平面识别算法和设定点数阈值进行平面识别，其中，各个栅格所采用的设定点数阈值根据栅格与采集中心之间的距离差异而不同；

根据平面识别结果进行处理。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。