一种3d点云的数据处理方法
【专利摘要】本发明公开了一种3D点云的数据处理方法，其中的3D点云中的地面滤波方法通过构建3D栅格地图和拟合地平面曲线完成，数据结构简单，得到的地平面曲线精确可靠，滤波效果和实时性非常好；提出的分割方法采用柱坐标栅格地图中的搜索窗口聚类方法，大大缩减了聚类过程的计算量，实时性好，聚类结果精确；提出的训练样本标记方法将点云分割结合适当的显示和存储方法而形成，易于实现，可以在每帧点云数据中标记多个类别的样本，大大提高了样本的标记效率。
【专利说明】一种3D点云的数据处理方法
【技术领域】
[0001] 本发明涉及一种3D点云的数据处理方法，属于3D点云数据预处理【技术领域】。
【背景技术】
[0002] 近年来，随着Kinect、Velodyne等旋转轴与地面垂直的3D激光传感器的发明及普 及，对3D深度数据处理方法的研究越来越受到人们的重视。由Velodyne等激光雷达传感 器对周围环境扫描采样得到的3D点云数据中，包含了传感器周围环境中几乎所有物体的 反射数据。通过对扫描得到的3D点云数据进行处理就可以达到障碍物检测和识别的目的， 但是由于3D点云数据往往规模过于庞大，会带来后续算法的实时性问题，所以首先要解决 的问题就是对点云数据进行滤波和分割以减小数据规模。而3D点云中训练样本标记方法 的研究也是众多监督学习方法在3D点云数据中扩展应用的基础。
[0003] 滤波是指对点云数据中的地面点进行识别和滤除。目前3D点云数据的地面滤波 方法主要可分为两类：直接依据点云数据的地平面滤波方法和依据点云数据特征的地平面 滤波方法。前者多依据点云中数据点的坐标构建直角坐标系下的栅格地图，据传感器的安 装高度，在各个栅格内设定高度阈值，通过比较点云中点坐标的高度值与高度阈值的大小 进行地面滤波，该类方法思路简单，应用广泛，实时性好，但在栅格内固定高度阈值难以反 应真实的地形特征，精确度较低，难以处理野外地形下的地面滤波任务。后者经过对点云 数据进行特征提取，利用表面法向量特征，结合离线训练的监督模型，进行地平面的识别和 滤波，此类方法地面滤波效果精确可靠，但特征提取、离线模型训练和匹配算法一般过于复 杂，需要占用很大的内存空间、花费较长的计算时间，实时性难以保证。
[0004] 分割指对地面以上的点云点通过聚类的方法分割成点云块儿，属于同一物体的点 聚成同一类。而现有的点云分割方法都以聚类算法为基础，常用的聚类方法有k-means、高 斯混合模型和基于K邻域的种子生长法。前两者需要预先指定聚类个数，而现实场景中的 分割任务很难预先知道场景中的目标个数，强行预先指定聚类个数难免造成误分割，且前 两种分割方法都需要不断的重新聚类，修正聚类中心的位置，直到算法收敛，适用于数据规 模较小问题的聚类，而现实场景中的点云每帧数据包含数十万个激光点，前两种方法难以 保证实时性。种子生长法比较适合激光点云的分割任务，但现有的基于K邻域的种子生长 方法在搜索K邻域时需要进行过多重复无用运算，在处理数十万激光点的聚类时实时性不 商。
[0005] 现有的监督学习方法中训练样本的标记是一个需要人工来操作的步骤。常用的方 法为利用第三方工具，如3D max等软件，将点云数据导入，通过人工选定样本，然后利用标 注工具进行圈注和数据导出。该类方法需要对样本目标如车辆、行人等物体一个一个进行 选定，圈注，导出，步骤繁琐，效率较低。
【发明内容】
[0006] 为了在保证精确度的前提下提高3D点云数据处理的效率，保证实时性，本发明提 出一种3D点云的数据处理方法，特别是对激光雷达传感器绕自身坚直中心轴旋转采集得 到的3D点云数据进行预处理，其特征在于，包括以下步骤：
[0007] 步骤1、以所述坚直中心轴为中心对称轴对激光雷达传感器的扫描区域进行等圆 周角划分，得到N = 360° /α个栅格通道，其中α为激光雷达传感器的角分辨率；
[0008] 步骤2、地平面滤波，具体包含以下步骤：
[0009] S21、定义所述坚直中心轴为Ζ轴，定义激光雷达传感器扫描窗口中心点为原点， 针对每个所述栅格通道，在所述原点至激光雷达传感器的安装高度范围内，沿Ζ轴进行等 间隔划分，形成多个等高的小栅格，统计落入各小栅格的点云点占所在栅格通道内总点云 点数的百分比，得到各栅格通道对应的高度直方图；
[0010] S22、地平面估计
[0011] 在各个高度直方图中，从ζ轴最低点向上逐个累加各小栅格内点云点的百分比 值，当累加得到的百分比值大于阈值？__。 1(1时，取这些被累加的小栅格内的点作为地平面 上的点，用最后被累加的小栅格内的点拟合一条曲线，作为各栅格通道的地平面曲线，所述 阈值Ρ threshold 的取值范围为10%?25% ;
[0012] S23、地平面滤波
[0013] 对各栅格通道内各个点云点进行判断：若Z轴高度值在地平面曲线以下，则将该 点从点云中滤除，保留下的点即为地平面滤波后的点云数据；
[0014] 步骤3、聚类分割，具体步骤如下：
[0015] S31、在滤波后的点云数据中选定一个没有被聚入任何类的点作为聚类起始点，在 所述聚类起始点所在栅格通道及与其相邻的两个栅格通道内，将与所述聚类起始点水平距 离为的区域定义为搜索窗口，其中R thMslTOld为搜索窗口的尺寸参数；
[0016] S32、计算步骤S31的搜索窗口中每一个点与聚类起始点的距离，距离小于阈值 Dtto esh〇id的点加入该聚类，所述阈值DthreshQld的取值范围为〇· 4m?1. 0m,同时对该点进行标 记表示其已加入该聚类，得到第一代标记点；以每一个第一代标记点作为新的聚类起始点， 按步骤S31所述的方法确定新的搜索窗口，对在搜索窗口中的所有未被标记的点计算其与 新的聚类起始点的距离，对小于阈值D threslTOld的点进行标记表示加入该聚类，得到第二代标 记点；以此类推，直至某一代标记点的搜索窗口中的所有点都不满足聚类条件或已全部加 入聚类，即得到聚类分割后的点云块。
[0017] 所述步骤1中，对各个栅格通道沿激光雷达传感器旋转的方向从1至N进行编号， 然后针对每个栅格通道中的点云点，按照其所在的栅格通道的编号、该点云点与Z轴的水 平距离以及该点云点的在Z轴的高度进行编码并存储。
[0018] 所述步骤S21的小栅格的高度不大于0. 2m。
[0019] 所述步骤S31中搜索窗口的尺寸参数Rth,esh()ld的取值范围为0. 4m?1. 2m。
[0020] 本发明的一种3D点云的数据处理方法，还包括对步骤3得到的聚类分割后的点云 块进行标记，具体为：首先将各个聚类得到的点云块编号，然后使用点云库中的点云3D显 示方法，在显示界面中显示各个点云块及其编号，观察每个编号的点云块属于哪个类别，并 统计记录；同时，在显示过程中，每显示一个点云块，则生成一个以其编号为名称的文本文 件，将该点云块保存进该文本文件，完成标记。
[0021 ] 所述步骤S22中，所述阈值PthreshQld为20 %。
[0022] 所述步骤S31中的搜索窗口的尺寸参数Rth,esh()ld选为0. 8m。
[0023] 所述步骤S32中的阈值Dtosh()ld优选为0. 5m。
[0024] 本发明具有如下有益效果：
[0025] 1、本发明提出的3D点云中的地面滤波方法通过构建3D栅格地图和拟合地平面曲 线完成，数据结构简单，得到的地平面曲线精确可靠，滤波效果和实时性非常好；
[0026] 2、本发明提出的分割方法采用柱坐标栅格地图中的搜索窗口聚类方法，大大缩减 了聚类过程的计算量，实时性好，聚类结果精确；
[0027] 3、本发明提出的训练样本标记方法将点云分割结合适当的显示和存储方法而形 成，易于实现，可以在每帧点云数据中标记多个类别的样本，大大提高了样本的标记效率。
【专利附图】
【附图说明】
[0028] 图1为本发明实施方式中进行地面滤波和分割前的点云示意图；
[0029] 图2为本发明实施方式中3D柱坐标栅格地图示意图；
[0030] 图3为本发明实施方式中点的柱坐标表栅格通道编号确定方法不意图；
[0031] 图4为地面直方图的示意图；
[0032] 图5为本发明实施方式中搜索窗口聚类示意图；
[0033] 图6为本发明实施方式中的训练样本标记示意图。
【具体实施方式】
[0034] 下面结合附图及实施例对本发明的实施方式做详细说明。
[0035] 本发明所采用的方法是针对按以下方式安装的传感器进行的：传感器的旋转轴与 地面垂直。定义0ΧΥΖ坐标系为与传感器固连的直角坐标系，0Z轴与为传感器的坚直中心 轴，与地平面垂直，0X轴为扫描起始平面中的水平射线，0Y轴由X轴和Z轴根据右手螺旋定 则确定，其中Z轴可以反映扫描到物体的高度值。
[0036] 通过如上所述的传感器对周围环境进行一次采样，得到如图1所示的待处理的现 实场景的点云数据图像。
[0037] 对得到的点云数据的处理包括以下步骤：
[0038] 步骤1、如图2所示，以所述坚直中心轴为中心对称轴对激光雷达传感器的圆柱状 扫描区域进行等圆周角划分，得到N = 360° /α个栅格通道，其中α为激光雷达传感器的 角分辨率；
[0039] S11、每个划分后的栅格通道由两个过坐标原点0且与水平面垂直的面分割而成， 两个面的夹角为α =0.5°。栅格通道的划分从0Χ轴开始，按传感器的扫描方向从1开始 编号，至Ν= 360° /α，共Ν= 720个栅格通道。
[0040] S12、对各栅格通道中的点进行编码存储
[0041] 如图3所示，点云中给定点p(x, y, ζ)及其与0Χ轴的夹角β = arctan(y/x)，其栅 格通道号的确定方法
【权利要求】
1. 一种3D点云的数据处理方法，特别是对激光雷达传感器绕自身坚直中心轴旋转采 集得到的3D点云数据进行预处理，其特征在于，包括以下步骤： 步骤1、以所述坚直中心轴为中心对称轴对激光雷达传感器的扫描区域进行等圆周角 划分，得到N= 360° /α个栅格通道，其中α为激光雷达传感器的角分辨率； 步骤2、地平面滤波，具体包含以下步骤： 521、 定义所述坚直中心轴为Ζ轴，定义激光雷达传感器扫描窗口中心点为原点，针对 每个所述栅格通道，在所述原点至激光雷达传感器的安装高度范围内，沿Ζ轴进行等间隔 划分，形成多个等高的小栅格，统计落入各小栅格的点云点占所在栅格通道内总点云点数 的百分比，得到各栅格通道对应的高度直方图； 522、 地平面估计 在各个高度直方图中，从Ζ轴最低点向上逐个累加各小栅格内点云点的百分比值，当 累加得到的百分比值大于阈值？__。1(1时，取这些被累加的小栅格内的点作为地平面上的 点，用最后被累加的小栅格内的点拟合一条曲线，作为各栅格通道的地平面曲线，所述阈值 ^threshold 的取值范围为10%?25% ; 523、 地平面滤波 对各栅格通道内各个点云点进行判断：若Z轴高度值在地平面曲线以下，则将该点从 点云中滤除，保留下的点即为地平面滤波后的点云数据； 步骤3、聚类分割，具体步骤如下： 531、 在滤波后的点云数据中选定一个没有被聚入任何类的点作为聚类起始点，在所述 聚类起始点所在栅格通道及与其相邻的两个栅格通道内，将与所述聚类起始点水平距离为 RthmhoM的区域定义为搜索窗口，其中Rth^hoM为搜索窗口的尺寸参数； 532、 计算步骤S31的搜索窗口中每一个点与聚类起始点的距离，距离小于阈值Dthresh()ld 的点加入该聚类，所述阈值Dthre;shaLd的取值范围为0. 4m?1. 0m，同时对该点进行标记表示 其已加入该聚类，得到第一代标记点；以每一个第一代标记点作为新的聚类起始点，按步骤 S31所述的方法确定新的搜索窗口，对在搜索窗口中的所有未被标记的点计算其与新的聚 类起始点的距离，对小于阈值D thrashaLd的点进行标记表示加入该聚类，得到第二代标记点； 以此类推，直至某一代标记点的搜索窗口中的所有点都不满足聚类条件或已全部加入聚 类，即得到聚类分割后的点云块。
2. 如权利要求1所述的一种3D点云的数据处理方法，其特征在于，所述步骤1中，对 各个栅格通道沿激光雷达传感器旋转的方向从1至N进行编号，然后针对每个栅格通道中 的点云点，按照其所在的栅格通道的编号、该点云点与Z轴的水平距离以及该点云点的在Z 轴的高度进行编码并存储。
3. 如权利要求1所述的一种3D点云的数据处理方法，其特征在于，所述步骤S21的小 栅格的高度不大于〇. 2m。
4. 如权利要求1所述的一种3D点云的数据处理方法，其特征在于，所述步骤S31中搜 索窗口的尺寸参数RthMsh()ld的取值范围为0. 4m?1. 2m。
5. 如权利要求1所述的一种3D点云的数据处理方法，其特征在于，还包括对步骤3得 到的聚类分割后的点云块进行标记，具体为：首先将各个聚类得到的点云块编号，然后使用 点云库中的点云3D显示方法，在显示界面中显示各个点云块及其编号，观察每个编号的点 云块属于哪个类别，并统计记录；同时，在显示过程中，每显示一个点云块，则生成一个以其 编号为名称的文本文件，将该点云块保存进该文本文件，完成标记。
6. 如权利要求1所述的3D点云的数据处理方法，其特征在于，所述步骤S22中，所述阈 值 Pthreshold 为 2〇 %。
7. 如权利要求1或4所述的3D点云的数据处理方法，其特征在于，所述步骤S31中的 搜索窗口的尺寸参数RttoeshaLd选为〇. 8m。
8. 如权利要求1所述的3D点云的数据处理方法，其特征在于，所述步骤S32中的阈值 ^threshold 优选为0. 5m。
【文档编号】G06K9/62GK104298998SQ201410509881
【公开日】2015年1月21日 申请日期:2014年9月28日 优先权日:2014年9月28日
【发明者】杨毅, 闫光, 朱昊, 周耿, 屈新 申请人:北京理工大学