本发明涉及激光雷达识别,尤其涉及一种基于凸平面检测的激光雷达目标识别算法。
背景技术:
0、技术背景
1、激光雷达是无人驾驶车辆的主要传感器之一。主要应用在目标检测和场景识别方面。目标检测是指无人驾驶车辆在行驶过程中对周边动态、静态目标的感知和跟踪技术。目标检测的准确性和实效性是影响无人车行驶的主要因素,能够对运动规划和控制起到决定性作用。目前主流的激光雷达目标检测技术,存在计算速度慢,精确度低以及聚类模糊的情况,无法对目标轮廓进行准确描述,本发明设计了一种基于凸平面的目标检测技术,能够准确识别目标。
技术实现思路
1、本发明的目的是针对现有技术的不足从而提供一种基于凸平面检测的激光雷达目标识别算法,解决了现有技术对目标轮廓识别不足的缺陷的问题。
2、本发明是采用如下技术方案来实现的:
3、一种基于凸平面检测的激光雷达目标识别算法,包括数据预处理、地面去除、法向量计算、凸平面检测、区域生长聚类;
4、所述数据预处理,包括划定感兴趣区域,根据点云中每个点的坐标去除区域外的点;地面去除将地平面按照角度划分为若干扇形,在每个扇形使用直线拟合算法搜索地面点,集合所有扇形中的地面点拟合地平面,进而去除地面;将每个点周围若干最近点或者一定范围内的点作为对象,采用主成分析算法计算每个点的法向量;将点云空间用八叉树结构表示,并分割为若干超体素,用特定策略计算超体素间凹凸性;采用区域生长算法聚类超体素,判断条件包括:距离小于阈值和法向量角度差小于阈值,每个超体素的中心点即为轮廓点,连接属于同一目标物的所有轮廓点,得到目标的准确轮廓。
5、优选的,数据预处理时划定感兴趣区域,感兴趣区域能够减少计算复杂度,并可以根据场景放大或缩小。
6、优选的,采用扇形区域内的直线拟合算法估计地平面,能够有效地去除地面点,减少地面点对目标识别的干扰。
7、优选的,采用主成分析算法结合临近点计算每个点的法向量。临近点的选择方式有两种:1.选择点周边一定距离内的所有点;2.按照距离排序点间的距离,选择距离最近的若干点。
8、优选的,将点云空间用八叉树结构表示,并分割为若干超体素,用特定策略计算超体素间凹凸性。
9、优选的,采用区域生长算法聚类超体素,区域生长是一种递归式的聚类方法,判断两个不同的超体素是否属于同一个目标物需同时满足两个条件:1.距离小于阈值;2.法向量角度差小于阈值。
10、优选的,每个超体素的中心点即为轮廓点,连接属于同一目标物的所有轮廓点,得到目标的准确轮廓。
11、与现有技术相比,本发明具有以下有益的技术效果:
12、1、将地面分成若干扇形区域,采用直线拟合算法估计每个扇形地面点,聚合所有的地面点拟合地平面,提高平面拟合精度和速度。
13、2、采用主成分析计算每个点的法向量,省去了计算三阶协方差矩阵,提高了计算速度。
14、3、将点云空间用八叉树结构表示,并分割为若干超体素,用特定策略计算超体素间凹凸性。
15、4、采用区域生长算法聚类超体素。
16、5、每个超体素的中心点即为轮廓点,连接属于同一目标物的所有轮廓点,得到目标的准确轮廓。
1.一种基于凸平面检测的激光雷达目标识别算法,其特征在于,包括数据预处理、地面去除、法向量计算、凸平面检测、区域生长聚类;
2.根据权利要求1所述的一种基于凸平面检测的激光雷达目标识别算法,其特征在于,数据预处理时划定感兴趣区域,感兴趣区域能够减少计算复杂度,并可以根据场景放大或缩小。
3.根据权利要求1所述的一种基于凸平面检测的激光雷达目标识别算法,其特征在于,采用扇形区域内的直线拟合算法估计地平面,能够有效地去除地面点,减少地面点对目标识别的干扰。
4.根据权利要求1所述的一种基于凸平面检测的激光雷达目标识别算法,其特征在于,采用主成分析算法结合临近点计算每个点的法向量;临近点的选择方式有两种:1.选择点周边一定距离内的所有点;2.按照距离排序点间的距离,选择距离最近的若干点。
5.根据权利要求1所述的一种基于凸平面检测的激光雷达目标识别算法,其特征在于,将点云空间用八叉树结构表示,并分割为若干超体素,用特定策略计算超体素间凹凸性。
6.根据权利要求1所述的一种基于凸平面检测的激光雷达目标识别算法,其特征在于,采用区域生长算法聚类超体素。区域生长是一种递归式的聚类方法,判断两个不同的超体素是否属于同一个目标物需同时满足两个条件:1.距离小于阈值;2.法向量角度差小于阈值。
7.根据权利要求1所述的一种基于凸平面检测的激光雷达目标识别算法,其特征在于,每个超体素的中心点即为轮廓点,连接属于同一目标物的所有轮廓点,得到目标的准确轮廓。