一种对目标车辆周围车辆位置信息检测的系统和方法与流程

本发明属于车辆检测技术领域，涉及一种对目标车辆周围车辆位置信息检测的系统和方法，如目标车辆周围车辆的位置信息的检测系统和检测方法。

背景技术：

在无人驾驶技术领域，对无人驾驶车辆周围车辆的检测一直是保障车辆安全的关键任务之一。激光雷达传感器能够利用激光扫描无人驾驶车辆的周围环境，因此，激光雷达传感器已经成为最重要的车载传感器。

目前，现有的车辆检测技术直接利用对特定目标检测的方式，因此，检测方式算法过于复杂，且应用在车辆检测中效率低下难以保障实时性，同时准确率也较低。

技术实现要素：

针对现有技术的不足，本发明提供了一种目标车辆周围车辆的位置信息的检测系统和检测方法，其能够利用激光雷达全面实现准确可靠地检测行驶路径上的其他车辆，也具有较高的稳健性，能够适应复杂工况。

为实现上述目的，本发明采用的技术方案如下：

一种检测目标车辆周围的待测车辆位置信息的方法，其包括如下步骤：

(1)、利用单线激光雷达获取目标车辆周围的点云数据；

(2)、将点云数据转换为以单线激光雷达为原点的二维平面数据点；

(3)、对二维平面数据点进行密度聚类分析，得到不同的点云数据簇；

(4)、对各个点云数据簇中的数据点个数进行判断；当大于或等于数据点个数阈值时，进行第(5)步；当小于数据点个数阈值时，舍弃该点云数据簇；

(5)、采用直角型特征拟合算法对各个点云数据簇逐个进行直角型特征的提取，获取最合适表征直角型特征的三个顶点，将三个顶点拟合成代表待测车辆的矩形框作为该待测车辆的位置信息。

其中，在步骤(1)中，单线激光雷达设于目标车辆的顶部，采集视角为270-360°。

步骤(1)具体包括如下子步骤：

(1-1)、利用单线激光雷达采集目标车辆周围的雷达数据；

(1-2)、对雷达数据进行预处理，排除空数据，得到点云数据。

在步骤(3)中，密度聚类分析采用密度聚类算法进行分析，密度聚类算法包括如下步骤：对二维平面数据点进行遍历性搜索，根据预设的距离阈值对二维平面数据点进行簇划分，得到不同的点云数据簇。

在步骤(5)中，直角型特征拟合算法包括如下步骤：

(5-1)、对单个点云数据簇进行几何分析，获取该点云数据簇的表征直角型特征的数学模型的两个端点。

(5-2)、对该点云数据簇剩余点进行遍历分析，搜索基于步骤(5-1)的两个端点的表征直角型特征的数学模型的最佳角点。

一种目标车辆周围的待测车辆位置信息的检测系统，其包括：单线激光雷达、单线激光雷达数据处理模块、聚类分析模块、判断模块、直角型特征提取模块和拟合模块。

其中，单线激光雷达设于目标车辆的顶部，以一定的采集视角采集目标车辆周围的雷达数据。

单线激光雷达数据处理模块对雷达数据进行预处理，排除空数据，得到点云数据；数据转换模块，将点云数据转换为以单线激光雷达为原点的二维平面数据点。

聚类分析模块对二维平面数据点进行密度聚类分析，得到不同的点云数据簇。聚类分析模块采用密度聚类算法进行分析，密度聚类算法包括如下步骤：对二维平面数据点进行遍历性搜索，根据预设的距离阈值对二维平面数据点进行簇划分，得到不同的点云数据簇。

判断模块对各个点云数据簇中的数据点个数进行判断。

直角型特征提取模块采用随机抽样一致算法对数据点个数大于或等于数据点个数阈值的各个点云数据簇逐个进行直角型特征的提取，获取最合适表征直角型特征的三个顶点。直角型特征拟合算法包括如下步骤：

(1)、对单个点云数据簇进行几何分析，获取该点云数据簇的表征直角型特征的数学模型的两个端点。

(2)、对该点云数据簇剩余点进行遍历分析，搜索得到基于步骤(1)的两个端点的表征直角型特征的数学模型的最佳角点。

拟合模块将最合适表征直角型特征的三个顶点拟合成代表待测车辆的矩形框作为该待测车辆的位置信息。

由于采用上述方案，本发明的有益效果是：

第一、在本发明中，单线激光雷达以一定的时间频率持续地采集环境的数据，因此，采集数据具有很好的实时性。

第二、本发明的单线激光雷达能够在各种复杂的工况下采集准确的环境数据信息，同时辅以具有较高的鲁棒性的检测算法，因此，本发明的车辆检测具有很高的稳健性，在复杂工况下也能够保证检测结果的相对准确性。本发明的复杂工况指的是当前检测系统的周围环境不好的情况，诸如夜晚等环境光线较弱的情况、或者下雨等容易干扰采集的天气状况。

第三、本发明的单线激光雷达采集数据能够显著降低车辆检测的成本。

第四、本发明采用基于密度的聚类算法对采集的点云数据聚类后再进行车辆直角型特征的提取，可以显著提高车辆检测系统的效率，改善检测系统的实时性。

第五、相比于现有技术的车辆检测系统，本发明中涉及的调和的参数相对更少。

附图说明

图1为本发明的密度聚类算法的伪代码示意图。

图2为本发明的一个优选实施例的数学模型示意图。

图3为本发明的一个优选实施例所获取的二维平面数据点示意图。

图4为本发明的一个优选实施例所获取的点云数据簇示意图。

图5为本发明的一个优选实施例中某一具体点云数据簇的直角型特征的两个端点和最佳角点提取示意图。

图6为本发明的一个优选实施例某一具体点云数据簇拟合所成的代表待测车辆的矩形框示意图。

图7为本发明的一个优选实施例的拟合所成的代表待测车辆的矩形框示意图。

图8为本发明的检测方法的流程图。

具体实施方式

本发明提供了一种目标车辆周围车辆的位置信息的检测系统和检测方法。

[目标车辆周围车辆的位置信息的检测系统]

本发明提供了一种目标车辆周围的待测车辆位置信息的检测系统，其包括如下模块：单线激光雷达、单线激光雷达数据处理模块、数据转换模块、聚类分析模块、判断模块、直角型特征提取模块和拟合模块。通过上述模块的共同作用，最终得到目标车辆周围的不同待测车辆各自的位置信息。

其中，单线激光雷达设于目标车辆的顶部，以该单线激光雷达自身位置为原点以一定的采集视角采集目标车辆周围的雷达数据。在优选的实施例中，单线激光雷达的采集视角为270-360°，即该单线激光雷达能够采集目标车辆正前方左右各135-180°范围内的雷达数据。

单线激光雷达数据处理模块对雷达数据进行预处理，以排除雷达数据中的所有空数据，得到点云数据。

数据转换模块将点云数据转换为以单线激光雷达为原点的二维平面数据点。

聚类分析模块对二维平面数据点进行密度聚类分析，得到不同的点云数据簇。整个二维平面数据点是离散的，进行密度聚类分析后，二维平面数据点中有关联关系的点会被聚类在一起，形成一个点云数据簇。具有不同关联关系的点会被分别聚类，形成不同的点云数据簇。聚类分析模块是采用密度聚类算法(density-basedspatialclusteringofapplicationswithnoise，dbscan)进行聚类分析的。密度聚类算法包括如下步骤：对二维平面数据点进行遍历性搜索，根据预设的距离阈值对二维平面数据点进行簇划分，得到不同的点云数据簇。密度聚类算法的伪代码如图1所示。

判断模块对各个点云数据簇中的数据点个数进行判断。聚类分析模块经过密度聚类分析得到了多个不同的点云数据簇，那么判断模块就会逐一对每个点云数据簇中的数据点个数进行判断。当判断模块判断出某个点云数据簇所含有的数据点个数小于预设的数据点个数阈值时，说明这个点云数据簇是假阳性结果，不满足要求，应该舍弃。当判断模块判断出某个点云数据簇所含有的数据点个数大于或等于预设的数据点个数阈值时，说明这个点云数据簇是阳性结果，是所需要的数据，留待进一步的加工处理。

直角型特征提取模块采用直角型特征拟合算法对具有阳性结果的各个点云数据簇(即数据点个数大于或等于数据点个数阈值的各个点云数据簇)逐个进行直角型特征的提取，针对每一个点云数据簇都可获取最合适表征直角型特征的三个顶点。直角型特征拟合算法的具体包括如下步骤：

(1)、对单个点云数据簇按照横坐标和纵坐标进行排序，基于排序结果获取该点云数据簇的在水平方向和竖直方向的四个极值点(为增强算法的鲁棒性，该极值点为几个点的加权重心点)，然后对所获得的四个极值点进行几何分析，获取该点云数据簇的表征直角型特征的数学模型的两个端点。

(2)、对该点云数据簇点进行遍历分析，搜索基于步骤(1)的两个端点的表征直角型特征的数学模型的最佳角点。具体实现为：

(2-1)从点云数据簇中选择一个尚未进行遍历分析的点作为角点，判断选取的角点与步骤(1)的两个端点所形成的夹角，如果夹角介于70°至120°之间，则进行步骤(2-2)；否则继续进行步骤(2-1)。(因为所搜寻的最佳角点与步骤(1)的两个端点所形成的夹角一定是一个接近直角的角。)

(2-2)基于确定的直角型特征的数学模型的三个点，对点云数据簇中剩下的点逐一计算距离直角型特征的两条直角边的距离。根据距离两条边的距离大小，将点云数据点分为对应的两条直角边的部分，并统计每条边所属的点云数据点的数目。

(2-3)对步骤(2-2)所获得的基于两条直角边的对单个点云数据簇的划分，计算点云数据点与其对应的直角边的距离和，并与当前的最小距离和进行比较，更新最小距离和及其所对应的直角型特征的最佳角点。

(2-4)重复执行步骤(2-1)至步骤(2-3)直至对单个点云数据簇中的所有点都进行遍历后，获取表征直角型特征的三个最佳角点，并将此时的模型作为最合适表征直角型特征的模型。

其中，在步骤(1)中，数学模型如图2所示。模型中的p1、p2和p3表征的是直角型特征的三个顶点，其中p2是直角型特征的中间端点。步骤(1)的目的是基于几何特征确定数学模型的p1和p3两个端点。

步骤(2)中的确定的直角型特征的最佳角点即数学模型中的p2点。

本发明提取的直角型特征拟合算法找寻的最为合适的直角型特征可以容易的获得目标车辆的位置信息，并且可以很大程度上排除聚类后点云数据中噪音点的影响，保障了车辆检测系统的稳健性。使其在比较复杂工况也能够正常的运转。

拟合模块，将直角型特征提取模块所得出的每一个最合适表征直角型特征的三个顶点拟合成代表某个待测车辆的矩形框，一个矩形框即为一个待测车辆的位置信息。最终的结果出现多个矩形框，即显示多个待测车辆的位置信息。

[目标车辆周围车辆的位置信息的检测方法]

本发明提供了一种检测目标车辆周围的待测车辆位置信息的方法，其检测原理为：利用单线激光雷达采集无人驾驶车辆周围车辆的点云数据；对点云数据进行格式处理与密度聚类分析；对聚类分析后的点云数据按不同的聚类结果进行直角型特征提取；基于直角型拟合特征获取无人驾驶车辆周围车辆的位置信息。该方法具体包括如下步骤：

(1)、利用单线激光雷达获取目标车辆周围的点云数据；

(2)、将点云数据转换为以单线激光雷达为原点的二维平面数据点；

(3)、对二维平面数据点进行密度聚类分析，得到不同的点云数据簇；

(4)、对各个点云数据簇中的数据点个数进行判断；当大于或等于数据点个数阈值时，进行第(5)步；当小于数据点个数阈值时，舍弃该点云数据簇；

(5)、采用随机抽样一致算法对各个点云数据簇逐个进行直角型特征的提取，获取最合适表征直角型特征的三个顶点，将三个顶点拟合成代表待测车辆的矩形框作为该待测车辆的位置信息。

其中，在步骤(1)中，单线激光雷达设于目标车辆的顶部，采集视角为270-360°。

步骤(1)的获取过程包括如下子步骤：

(1-1)、利用单线激光雷达采集目标车辆周围的雷达数据；

(1-2)、对雷达数据进行预处理，排除空数据，得到点云数据。

在步骤(2)中，本发明的一个优选实施例所获取的二维平面数据点如图3所示。图3显示了各个数据点在二维平面上的分布情况。由该图可知，这些数据点之间是呈离散型点状分布的，各个数据点之间尚未形成关联关系。

在步骤(3)中，密度聚类分析采用密度聚类算法(density-basedspatialclusteringofapplicationswithnoise，dbscan)进行分析，密度聚类算法包括如下步骤：对二维平面数据点进行遍历性搜索，根据预设的距离阈值对二维平面数据点进行簇划分，得到不同的点云数据簇。本发明的一个优选实施例所获取的点云数据簇如图4所示。由图4可知，该实施例一共形成了四个点云数据簇，用×表示，而未形成点云数据簇的数据点用o表示。

在步骤(5)中，随机抽样一致算法的基本原理为：对不同的点云数据簇逐一进行迭代分析，找寻出最合适表征每个点云数据簇的直角型特征的三个顶点，利用这三个顶点拟合每个点云数据簇所代表的待测车辆的矩形框，从而获得不同待测车辆的位置信息，其具体包括如下步骤：

(5-1)、对单个点云数据簇按照横坐标和纵坐标进行排序，基于排序结果获取该点云数据簇的在水平方向和竖直方向的四个极值点(为增强算法的鲁棒性，该极值点为几个点的加权重心点)，然后对所获得的四个极值点进行几何分析，获取该点云数据簇的表征直角型特征的数学模型的两个端点。

(5-2)、对该点云数据簇点进行遍历分析，搜索基于步骤(5-1)的两个端点的表征直型角特征的数学模型的最佳角点。具体实现为：

(5-2-1)从点云数据簇中选择一个尚未进行遍历分析的点作为角点，判断选取的角点与步骤(5-1)的两个端点所形成的夹角，如果夹角介于70°至120°之间，则进行步骤(5-2-2)否则继续进行步骤(5-2-1)。(因为所搜寻的最佳角点与步骤(1)的两个端点所形成的夹角一定是一个接近直角的角。)

(5-2-2)基于确定的直角型特征的数学模型的三个点，对点云数据簇中剩下的点逐一计算距离直角型特征的两条直角边的距离。根据距离两条边的距离大小，将点云数据点分为对应的两条直角边的部分，并统计每条边所属的点云数据点的数目。

(5-2-3)对步骤(5-2-2)所获得的基于两条直角边的对单个点云数据簇的划分，计算点云数据点与其对应的直角边的距离和，并与当前的最小距离和进行比较，更新最小距离和及其所对应的直角型特征的最佳角点。

(5-2-4)重复执行步骤(5-2-1)至步骤(5-2-3)直至对单个点云数据簇中的所有点都进行遍历后，获取表征直角型特征的三个最佳角点，并将此时的模型作为最合适表征直角型特征的模型。

在步骤(5)中，本发明的一个优选实施例的中某一具体点云数据簇的直角型特征的两个端点和最佳顶点的提取，如图5所示，图中的五角星标记的是步骤(5-1)所确定的直角型特征的两个端点，图中的菱形标记的是步骤(5-2)所确定的直角型特征的最佳角点。

在步骤(5)中，本发明的一个优选实施例对某一具体点云数据簇拟合所成的代表待测车辆的矩形框如图6所示。

在步骤(5)中，本发明的一个优选实施例的所有点云数据簇拟合所成的代表待测车辆的矩形框如图7所示。

本发明的流程图如图8所示。

总之，本发明提出了一种基于车辆直角型特征而利用单线激光雷达的高精度车辆检测系统和方法，对驾驶车辆周边车辆的高精度感知检测是实现无人驾驶的关键任务之一，利用激光雷达扫描汽车后的出现直角型特征点云数据则可很好地实现车辆的检测与跟踪

熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。