一种基于多传感器的检测物构建方法及装置与流程

1.本发明涉及点云数据处理领域，尤其涉及一种基于多传感器的检测物构建方法及装置。


背景技术：

2.自动驾驶技术需要利用多种传感器数据来实现对环境中各种目标的探测感知。对多种传感器(激光传感器，毫米波雷达，超声波传感器)输出的点云数据进行融合处理能够极大的提高感知模块的性能。但是，传感器受限于分辨率，视野范围，单次测量的数据(如毫米波雷达或者激光雷达点云)很难对一个目标的空间位置及轮廓(如车辆)准确描述，故此需要结合前后多次测试的结果或者多个传感器的数据融合，才可以对环境中的障碍物及运动目标的位置及几何轮廓做到准确的感知，从而可以规避碰撞提升驾驶安全。
3.车载的多种传感器输出数据的时间难以同步，各种传感器的点云数据往往不是同时到达数据中心处理器的，如果需要将所有数据在同一时间点上进行关联聚类，则需要等待所有数据都采集完成后，利用时钟对齐技术，将多传感器的点云数据的时间基准进行对齐。这不仅降低了系统的并行处理能力的要求，还对中心处理器的算力提出了较高的要求。
4.目前主要的聚类算法都是针对单帧点云数据进行聚类运算，如常用dbscan，k_means，但这种方法不同步不合成，在传感器点云较少的情况下错误率极高，且浪费很多可用信息。


技术实现要素：

5.为了解决上述技术问题，本发明提供一种基于多传感器的检测物构建方法及装置，用以解决异步点云同步合成问题，使得累积点云可以构建出检测物轮廓，也解决了点云太少导致聚类效果不佳的情况。具体的，本发明的技术方案如下：
6.一方面，本技术公开了一种基于多传感器的检测物构建方法，包括：
7.s100接收新获取的点云数据；
8.s200将之前获取到的历史点云数据与所述新获取的点云数据进行时钟对齐，并将对齐后的所述历史点云数据与所述新获取的点云数据进行融合处理，得到目标点云数据；
9.s300遍历所述目标点云数据中的点云，更新所有点云的关联信息；
10.s400根据所述所有点云的关联信息，将所有点云进行聚类处理；
11.s500更新累积的点云数据帧数，并判断所述累积的点云数据帧数是否达到预设的帧数阈值，若是，则进入步骤s700，否则，进入步骤s600；
12.s600将所述历史点云数据更新为所述目标点云数据，返回步骤s100；
13.s700将累积的点云数据帧数清零，并删除所述目标点云数据中的噪点，根据除噪后的点云聚类数据构建检测物轮廓。
14.优选地，在所述步骤s100之后还包括：
15.s150判断所述新获取的点云数据是否为第一帧点云数据，若是，则将所述新获取
的点云数据作为目标点云数据，进入步骤s300，否则进入步骤s200；
16.s160根据预设的邻域半径和邻域内最小点数，确定所述新获取的点云数据上的核心点、边界点和噪点；返回步骤s100。
17.优选地，所述步骤s200将获取到的历史点云数据与所述新获取的点云数据进行时钟对齐，将对齐后的所述历史点云数据与所述新获取的点云数据进行融合处理，得到目标点云数据；具体包括：
18.s210获取所述新获取的点云数据的采集时刻，并将其作为目标时刻；
19.s220基于预设的运动模型，预测历史帧的点云数据在所述目标时刻的点云信息，得到目标时刻的历史点云数据；
20.s230将所述目标时刻的历史点云数据转换到所述新获取的点云数据所在的坐标系下的点云数据，得到参考点云数据；
21.s240将所述参考点云数据与所述新获取的点云数据进行匹配，获取所述参考点云数据中存在但所述新获取的点云数据中未存在的点云作为补充点云；
22.s250获取所述补充点云的坐标位置，并基于所述补充点云的坐标位置将所述补充点云补充至所述新获取的点云数据中，获得目标点云数据；所述目标点云数据包括所述新获取的点云数据中的所有点云以及所述历史点云数据中的所有点云。
23.进一步优选地，所述步骤s300遍历所述目标点云数据中的点云，更新所有点云的关联信息；具体包括：s310根据预设的邻域半径，获取所述目标点云数据中的每个点云的预设的领域半径内存在的点云的数量。
24.进一步优选地，所述步骤s400根据所述所有点云的关联信息，进行聚类处理；具体包括：
25.s410根据所述目标点云数据中的每个点云的领域半径内存在的点云的数量及预设的邻域内最小点数，将所述目标传感点云数据中的所有点云分为核心点、边界点和噪点；
26.s420将所有相互关联的核心点聚成一个簇，并将边界点归入与之关联的核心点的簇中；
27.s430获取目标传感点云数据中所有被判定为噪点的点云作为待定点云；
28.s440获取所述待定点云在历史点云数据中的点云类型；
29.s450判断所述待定点云在所述历史点云数据中的点云类型是否也是噪点；若是，进入步骤s500，否则，进入步骤s460；
30.s460将所述待定点云在所述目标传感点云数据中的点云类型更新为其在所述历史点云数据中的点云类型。
31.优选地，所述新获取的点云数据与所述历史点云数据来自于不同的传感器，且所述预设的帧数阈值与所述传感器的数量一致。
32.另一方面，本技术还公开了一种基于多传感器的检测物构建装置，包括：数据接收模块，用于接收新获取的点云数据；点云融合模块，用于将之前获取到的历史点云数据与所述新获取的点云数据进行时钟对齐，并将对齐后的所述历史点云数据与所述新获取的点云数据进行融合处理，得到目标点云数据；关联聚类模块，遍历所述目标点云数据中的点云，更新所有点云的关联信息；以及根据所述所有点云的关联信息，将所有点云进行聚类处理；判断操作模块，用于更新累积的点云数据帧数，并判断所述累积的点云数据帧数是否达到
预设的帧数阈值；若是，将累积的点云数据帧数清零，并删除所述目标点云数据中的噪点；若否，将所述历史点云数据更新为所述目标点云数据；轮廓构建模块，用于根据除噪后的点云聚类数据构建检测物轮廓。
33.优选地，所述判断操作模块，还用于当接收到所述新获取的点云数据后，判断所述新获取的点云数据是否为第一帧点云数据，若是，则将所述新获取的点云作为目标点云数据，并通过所述关联聚类模块遍历所述目标点云数据中的点云，更新所有点云的关联信息；若否，则通过所述点云融合模块将所述新获取的点云数据与所述历史点云数据进行时钟对齐和融合处理，获得目标点云数据。
34.优选地，所述点云融合模块具体包括：时刻获取子模块，用于获取所述新获取的点云数据的采集时刻，并将其作为目标时刻；点云预测子模块，用于基于预设的运动模型，预测历史帧的点云数据在所述目标时刻的点云信息，得到目标时刻的历史点云数据；坐标转换子模块，用于将所述目标时刻的历史点云数据转换到所述新获取的点云数据所在的坐标系下的点云数据，得到参考点云数据；点云匹配子模块，用于将所述参考点云数据与所述新获取的点云数据进行匹配，获取所述参考点云数据中存在但所述新获取的点云数据中未存在的点云作为补充点云；补充融合子模块，用于获取所述补充点云的坐标位置，并基于所述补充点云的坐标位置将所述补充点云补充至所述新获取的点云数据中，获得目标点云数据；所述目标点云数据包括所述新获取的点云数据中的所有点云以及所述历史点云数据中的所有点云。
35.进一步优选地，所述关联聚类模块具体包括：点云关联子模块，用于根据预设的邻域半径，获取所述目标点云数据中的每个点云的预设的领域半径内存在的点云的数量。点云分类子模块，用于根据所述目标点云数据中的每个点云的领域半径内存在的点云的数量及预设的邻域内最小点数，将所述目标传感点云数据中的所有点云分为核心点、边界点和噪点；点云聚类子模块，用于将所有相互关联的核心点聚成一个簇，并将边界点归入与之关联的核心点的簇中；待定获取子模块，用于获取所述目标传感点云数据中所有被判定为噪点的点云作为待定点云；以及获取所述待定点云在历史点云数据中的点云类型；待定处理子模块，用于判断所述待定点云在所述历史点云数据中的点云类型是否也是噪点；若是，则所述待定点云的点云类型不变，否则，将所述待定点云在所述目标传感点云数据中的点云类型更新为其在所述历史点云数据中的点云类型。
36.与现有技术相比，本发明至少具有以下一项有益效果：
37.1、本技术可将异步获取的点云数据进行融合聚类处理，使得异步点云能同步合成，使得累积的点云可以构建出检测物轮廓，也解决了点云太少导致聚类效果不佳的情况。
38.2、多传感器采集点云数据时，往往不同步，而通过本技术的方案，则可以在每接收到一帧点云数据时便进行本技术的基于多传感器的检测物构建，无需等待所有的点云全部采集完毕后再才开始做处理，本方案可以边接收边处理，大大提高了处理速度，且大大降低了计算处理的难度。本方案充分利用系统的并行处理能力，降低了对中心处理器的算力的要求。
39.3、本技术中，对于单帧点云数据中的噪点，并不会一开始就进行删除处理，因为，单帧点云中的噪点可能不是真正的噪点，而可能是由于点云信息过少而被视为噪点，实际是伪噪点，如果将单帧点云中的噪点直接进行删除操作，则可能会删掉并不是真正的噪点
的点云，从而漏掉有用的点云信息。因此，本技术中只有所有点云数据中都被视为噪点的点云才会最后被删除除噪，如果其在任一帧中不被视为噪点，则并不会将该噪点删除。
附图说明
40.下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
41.图1是本技术基于多传感器的检测物构建方法的一个实施例的流程图；
42.图2是本技术中将历史点云与新获取点云进行融合的具体步骤流程图；
43.图3是本技术中将融合后的目标点云进行聚类处理的具体步骤流程图；
44.图4是本技术基于多传感器的检测物构建方法的另一个实施例的流程图；
45.图5a为t1时刻获取第一传感器的点云；
46.图5b为t1时刻对第一传感器的点云进行聚类的结果；
47.图5c为t2时刻获取的第二传感器的点云；
48.图5d为t2时刻对第一传感器的点云进行坐标系更新后的点云；
49.图5e为融合后的点云数据在t2时刻聚类结果；
50.图6为本技术基于多传感器的检测物构建装置的一个实施例的结构框图；
51.图7为本技术基于多传感器的检测物构建装置的另一个实施例的结构框图。
具体实施方式
52.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
53.为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
54.还应当进一步理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
55.在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
56.另外，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
57.在一个实施例中，参考说明书附图1，本技术提供了一种基于多传感器的检测物构建方法，包括：
58.s100接收新获取的点云数据；
59.s200将之前获取到的历史点云数据与所述新获取的点云数据进行时钟对齐，并将对齐后的所述历史点云数据与所述新获取的点云数据进行融合处理，得到目标点云数据；
60.具体的，由于新获取的点云数据与历史点云数据的采集时间点是不同的，因此，如果要同步合成的话，则需要将二者的时间转为同步。本方案中，将历史点云数据与新获取的点云数据进行时钟对齐，即将二者的时间转换为一致，具体包括以下三种实现形式：
61.(1)选取新获取的点云数据的采集时间点作为参考时间点，基于历史点云数据的当前形态，预测所述历史点云数据在所述参考时间点的点云形态，也就是说预测历史点云数据中的各点云在参考时间点的位置；从而将该新获取的点云数据与历史点云数据同步在同一时间点，以便进行后续的数据融合处理。
62.(2)选取历史点云数据的采集时间点作为参考时间点，基于新获取点云数据的当前形态，倒推所述新获取的点云数据中的各点云在参考时间点的坐标位置，从而将新获取的点云数据与历史点云数据同步在同一时刻，以便融合，但值得注意的是，该融合后的点云数据是历史点云数据采集时间点的点云数据，最终聚类及处理得到的检测物轮廓也是历史点云数据采集时间点的轮廓图像。
63.(3)基于新获取的点云数据的采集时间点(第二时间点)和历史点云数据的采集时间点(第一时间点)，确定基于第一时间点和所述第二时间点之间的一个时间点作为参考时间点(目标时刻)。该方案尤其适用于第一时间点和第二时间点之间间隔略长的时刻，由于异步间隔时间略长，则对预测模型的要求也更高，因为需要预测距离较长的另一时间点的点云形态，而如果预测模型达不到这种要求，则精准度会降低，也会影响到后续的融合聚类及检测物轮廓构建等一系列操作的准确性。而采用第一时间点和第二时间点之间的一个时间点作为参考时间点，则可以降低对预测模型的要求，同时，预测的间隔时间越短，则预测出的点云的坐标位置更准确。较佳的，选取新获取的点云数据的采集时间点与所述历史点云数据的采集时间点之间的中间时间点作为参考时间点，获取所述新获取的点云数据的各点云在所述参考时间点的位置坐标，以及所述历史点云数据中的各点云在所述参考时间点的点云坐标，从而实现了新获取的点云数据与历史点云数据的时钟对齐，最后将对齐至所述参考时间点的所述新获取的点云数据与所述历史点云数据进行融合，得到目标点云数据。
64.s300遍历所述目标点云数据中的点云，更新所有点云的关联信息；
65.具体的，融合后得到的目标点云数据实际上包含了所有点云(新获取的点云数据中的点云与历史点云数据中的点云)，此时再遍历目标点云数据中的每个点云，看每个点云在该点云的邻域半径内的点云数量，即确定每个点云的关联点云的数量。邻域半径和邻域内最小点数一般都是在聚类处理之前预先设定好的。
66.s400根据所述所有点云的关联信息，将所有点云进行聚类处理；
67.具体的，获取到所有点云的关联信息后，则可以将融合后的所有点云进行聚类分析处理，即根据每个点云的关联信息以及基于预设的邻域内最小点数，判断每个点云的类型。一般的，如果该点云在预设的邻域半径内的关联点云数量小于预设的邻域内最小点数，则将该点云判定为噪点，若该点云在邻域半径内的关联点云数量等于预设的邻域内最小点数，则将该点云判定为边界点；若该点云在邻域半径内的关联点云数量大于预设的邻域内最小点数，则将该点云判定为核心点。然后将所有相互关联的核心点聚成一个簇，将边界点
归入与之关联的核心点的簇中。
68.s500更新累积的点云数据帧数，并判断所述累积的点云数据帧数是否达到预设的帧数阈值，若是，则进入步骤s700，否则，进入步骤s600；
69.具体的，基于累积的历史点云数据帧数加上当前新获取的一帧点云数据帧，更新获取到的点云数据帧数，再将该更新累积的点云数据帧数与预设的帧数阈值进行比较，比如设定的帧数阈值是5，则统计当前累积的点云数据的帧数是否达到了5帧，如果还没有达到5帧，则后续还需要继续接收其它传感器采集传输的点云数据，直至获取到第5帧点云数据。一般的，预设的帧数阈值一般可设定为传感器的个数，也就是说把各个传感器获取到的点云数据进行融合，避免单帧点云数据中点云较少，造成很多信息遗漏。
70.s600将所述历史点云数据更新为所述目标点云数据，返回步骤s100；
71.具体的，该目标点云数据是将当前获取的点云数据与历史点云数据融合后的点云数据，相当于已经将前期获得的点云数据帧进行了处理，完善丰富了点云，后续再获取到其它传感器的点云数据，只需在该目标点云数据的基础上，进一步与后续新获取的点云数据融合即可，如此，可提升处理速度，无需等所有的点云数据都采集完毕后再一次性处理。
72.s700将累积的点云数据帧数清零，并删除所述目标点云数据中的噪点，根据除噪后的点云聚类数据构建检测物轮廓。
73.具体的，如果加上新获取的点云数据已达到预设的帧数阈值，则将融合聚类后的目标点云数据进行后续的除噪处理，以便根据聚类信息构建检测物轮廓。
74.本实施例方案中，单个传感器采集的单帧点云数据可能存在点云偏少，难以准确构建检测物轮廓，而采用多传感器采集点云，则又难以保证采集的时间点同步，对于异步的点云数据，传统的处理方式需要等所有点云数据采集完毕后再一起所有传感器数据进行时钟对齐等处理，这对处理器的算力有较高要求，而本实施例的方案，则可以每获取到一帧点云数据后，实时的将其与历史点云数据进行上述处理，无需等所有的点云数据全部获取完毕，显然，采用本方案处理速度加快，且对处理器的算力要求不高。
75.较佳的，所述新获取的点云数据与所述历史点云数据来自于不同的传感器，且所述预设的帧数阈值与所述传感器的数量一致。
76.具体的，由于单个传感器视野有限，采集的点云信息也可能较少难以单独构建检测物的轮廓，因而采用不同的传感器来采集点云数据。基于每个传感器采集的点云进行异步融合处理，构建出的检测物的轮廓更为准确。
77.本技术的另一实施例，在上述实施例的基础上，本实施例在获取到点云数据后会先判断该点云数据是否是第一帧点云数据，基于多传感器的检测物构建方法包括以下步骤：
78.s100接收新获取的点云数据；
79.s150判断所述新获取的点云数据是否为第一帧点云数据，若是，则将所述新获取的点云数据作为目标点云数据，进入步骤s300，否则进入步骤s200；
80.具体的，接收到新获取的点云数据后，会先判断下该点云数据是否是第一帧点云数据，如果是第一帧点云数据，则不存在历史点云数据，当该点云数据是第一帧点云数据时，则会将该第一帧点云数据作为目标点云数据，自行进行关联聚类处理，然后再返回继续接收其它传感器的点云数据。
81.s200将之前获取到的历史点云数据与所述新获取的点云数据进行时钟对齐，并将对齐后的所述历史点云数据与所述新获取的点云数据进行融合处理，得到目标点云数据；
82.s300遍历所述目标点云数据中的点云，更新所有点云的关联信息；
83.s400根据所述所有点云的关联信息，将所有点云进行聚类处理；
84.s500更新累积的点云数据帧数，并判断所述累积的点云数据帧数是否达到预设的帧数阈值，若是，则进入步骤s700，否则，进入步骤s600；
85.s600将所述历史点云数据更新为所述目标点云数据，返回步骤s100；
86.s700将累积的点云数据帧数清零，并删除所述目标点云数据中的噪点，据除噪后的点云聚类数据构建检测物轮廓。
87.具体的，我们以3个传感器采集点云数据为例，假如设定的帧数阈值为3，则如果接收的点云数据是第一帧的数据，也就是说是这三个传感器中最先采集到点云数据帧的，则将该帧作为目标点云自行进行关联聚类处理，然后再返回继续获取其它传感器的点云数据，如果接收到另一传感器传输过来的第二帧点云数据，则将该第二帧点云数据与历史点云数据(第一帧点云数据)进行时钟对齐、融合处理，然后再关联聚类处理，聚类后再统计当前接收到的点云数据帧数，判断目前获得的点云帧数是否达到了预设的3帧，若没有，则将融合后的点云数据作为历史点云数据，再返回继续接收最后一个传感器传输过来的点云数据(按接收顺序，视为第三帧点云数据)，同样的，再将该第三帧点云数据与更新后的历史点云数据进行时钟对齐和融合处理，获得新的目标点云数据(包含所有点云)，再将该目标点云数据进行关联聚类。统计更新当前接收的点云数据帧数达到了3帧，已达到了预设的帧数阈值，此时再将累积的点云数据帧数清零，并基于聚类后的目标点云数据，将其中的噪点删除，以便基于除噪后的目标点云数据进行目标物检测。
88.上述任一实施例中，所述步骤s200将获取到的历史点云数据与所述新获取的点云数据进行时钟对齐，将对齐后的所述历史点云数据与所述新获取的点云数据进行融合处理，得到目标点云数据；如图2所示，具体包括：
89.s210获取所述新获取的点云数据的采集时刻，并将其作为目标时刻；
90.s220基于预设的运动模型，预测历史帧的点云数据在所述目标时刻的点云信息，得到目标时刻的历史点云数据；
91.具体的，预设的运动模型可采用现有的运动预测模型，其主要基于当前的点云数据，预测未来某一时刻的点云数据。具体的预测过程不是本案创新点，现有技术可以实现，此处不再赘述。
92.s230将所述目标时刻的历史点云数据转换到所述新获取的点云数据所在的坐标系下的点云数据，得到参考点云数据；
93.具体的，除了将新获取的点云数据与历史点云数据进行时钟对齐外，还需要将新获取的点云数据与目标时刻的历史点云数据进行坐标对齐。只有转换到同一坐标下才能进行更好融合。
94.s240将所述参考点云数据与所述新获取的点云数据进行匹配，获取所述参考点云数据中存在但所述新获取的点云数据中未存在的点云作为补充点云；
95.具体的，将历史点云进行时钟对齐和坐标转换后，再与新获取的点云数据进行比对，找出新获取的点云数据中未存在的点云作为补充点云，以便将该补充点云补充融入新
获取的点云数据，从而得到目标点云数据。
96.s250获取所述补充点云的坐标位置，并基于所述补充点云的坐标位置将所述补充点云补充至所述新获取的点云数据中，获得目标点云数据；所述目标点云数据包括所述新获取的点云数据中的所有点云以及所述历史点云数据中的所有点云。
97.上述方案提供了一种将新获取的点云数据与历史点云数据进行数据融合的具体实现方式。当然，我们也可以有其它方式实现上述方案，下面提供另一种实现方式如下：
98.步骤1，将历史点云数据与新获取的点云数据进行坐标对齐，即将历史点云数据与新获取的点云数据统一在同一坐标系下。
99.具体的实现可以是将历史点云数据的坐标系转换为新获取的点云数据所在的坐标系，也可以是将新获取的点云数据所在的坐标系转换为历史点云数据所在的坐标系。当然，也还可以将新获取的点云数据的坐标系和历史点云数据的坐标系都进行转换，转换到统一的坐标系中，比如小汽车上的各类传感器采集的点云数据，最后都转换为车身坐标系下的点云数据。
100.步骤2，完成坐标转换后，再进行时钟对齐。具体的，基于历史点云数据的采集时刻作为目标时刻，根据新获取的点云数据，推算该新获取的点云数据在目标时刻的点云信息。当然，也可以基于新获取的点云数据的采集时刻作为目标时刻，预测历史点云数据在该目标时刻的点云信息。
101.步骤3，将完成坐标转换及时钟对齐后的新获取的点云数据和历史点云数据进行数据融合，获得包含所有点云的目标点云数据。
102.在一个实施方式中，在上述任一实施例的基础上，所述步骤s300遍历所述目标点云数据中的点云，更新所有点云的关联信息，根据所述所有点云的关联信息，进行聚类处理；如图3所示，具体包括：
103.s310根据预设的邻域半径，获取所述目标点云数据中的每个点云的预设的领域半径内存在的点云的数量；
104.s410根据所述目标点云数据中的每个点云的领域半径内存在的点云的数量及预设的邻域内最小点数，将所述目标传感点云数据中的所有点云分为核心点、边界点和噪点；
105.s420将所有相互关联的核心点聚成一个簇，并将边界点归入与之关联的核心点的簇中；
106.s430获取所述目标传感点云数据中所有被判定为噪点的点云作为待定点云；
107.s440获取所述待定点云在历史点云数据中的点云类型；
108.s450判断所述待定点云在所述历史点云数据中的点云类型是否也是噪点；若是，进入步骤s500，否则，进入步骤s460；
109.s460将所述待定点云在所述目标传感点云数据中的点云类型更新为其在所述历史点云数据中的点云类型。
110.具体的，邻域半径和邻域最小点数一般在启动进行初始化的时候便被设定了。后续关联聚类处理时，只需要根据预设的邻域半径和邻域最小点数，再去遍历所有点云，即可将这些点云进行分类。本实施例中，不会将单帧点云中的噪点直接删除，而是在最后进行噪点的比对判断，只有每一帧点云数据中都被视为噪点的点云最后才被删除，而一旦该点云在历史点云数据中不被视为噪点，则该点云不是真正的噪点，并不会被删除，而会被保留下
来，以避免误删掉有用的点云。
111.本技术的另一方法实施例，采用了基于分布式传感器点云数据的异步聚类算法，对传统dbscan算法做了改进，对多个传感器的点云数据进行异步聚类。本实施例的方法步骤如图4所示，包括如下步骤：
112.(1)初始化邻域半径(eps)和邻域内最小点数(min_pn)；
113.(2)获取一帧点云数据；
114.(3)如果是第一帧点云数据，则跳到第5步；
115.(4)将历史点云数据的时钟与新获取的点云数据的时钟进行对齐，即根据系统的运动模型将历史点云数据的坐标系转换到当前点云数据的坐标系下；
116.(5)遍历新获取的点云数据，更新所有点云(新获取的点云数据和历史点云数据)的关联信息；
117.(6)根据新的关联信息，将所有点分为核心点，边界点，和噪点；
118.(7)将所有相互关联的核心点聚成一个簇；
119.(8)将边界点归入与之关联的核心点的簇中；
120.(9)对噪点的age加1，如果age大于age_tres_delect,则删除噪点；
121.(10)回到步骤三，直到获取所有传感器数据；
122.直到获取到最后一个传感器的点云数据进行异步融合后，使得累积点云可以构建出检测物轮廓，也解决了点云太少导致聚类效果不佳的情况。优化点云聚类的性能。
123.我们仅以小车(图中的本车)上的两个传感器为例，小车前方有a、b、c三个待测物(障碍物，可能是移动的车辆)，本车上的两个传感器扫描待测物获取到点云，其中，sensor1获取的点云与sensor2获取的点云不是在同一时刻采集获取的。仿真结果如图5所示，其中图5a为t1时刻获取sensor1点云；图5b为t1时刻对sensor1点云进行聚类的结果；图5c为t2时刻获取的sensor2点云，可以看到由于sensor2点云与sensor1点云不是同时获取的，两批点云在空间上有偏移；图5d为t2时刻对sensor1点云进行坐标系更新，消除了两批点云的空间偏移；图5e为t2时刻聚类结果。
124.另一方面，本技术还公开了一种基于多传感器的检测物构建装置，如图6所示，包括：
125.数据接收模块10，用于接收新获取的点云数据；
126.点云融合模块20，用于将之前获取到的历史点云数据与所述新获取的点云数据进行时钟对齐，并将对齐后的所述历史点云数据与所述新获取的点云数据进行融合处理，得到目标点云数据；
127.关联聚类模块30，遍历所述目标点云数据中的点云，更新所有点云的关联信息；以及根据所述所有点云的关联信息，将所有点云进行聚类处理；
128.判断操作模块40，用于更新累积的点云数据帧数，并判断所述累积的点云数据帧数是否达到预设的帧数阈值；若是，将累积的点云数据帧数清零，并删除所述目标点云数据中的噪点；若否，将所述历史点云数据更新为所述目标点云数据；
129.轮廓构建模块50，用于根据除噪后的点云聚类数据构建检测物轮廓。
130.具体的，采用本技术的检测物构建装置，在前期的异步点云聚类处理时，在每接收到一帧点云数据时便进行相应的对齐融合处理，无需等待所有的点云全部采集完毕后再才
开始做处理，本方案可以边接收边处理，大大提高了处理速度，且大大降低了计算处理的难度。本方案充分利用系统的并行处理能力，降低了对中心处理器的算力的要求。
131.本发明的另一装置实施例，在上述装置实施例的基础上，所述判断操作模块，还用于当接收到所述新获取的点云数据后，判断所述新获取的点云数据是否为第一帧点云数据，若是，则将所述新获取的点云作为目标点云数据，并通过所述关联聚类模块遍历所述目标点云数据中的点云，更新所有点云的关联信息；若否，则通过所述点云融合模块将所述新获取的点云数据与所述历史点云数据进行时钟对齐和融合处理，获得目标点云数据。
132.本技术的另一装置实施例，如图7所示，在上述任一装置实施例的基础上，所述点云融合模块20具体包括：
133.时刻获取子模块21，用于获取所述新获取的点云数据的采集时刻，并将其作为目标时刻；
134.点云预测子模块22，用于基于预设的运动模型，预测历史帧的点云数据在所述目标时刻的点云信息，得到目标时刻的历史点云数据；
135.坐标转换子模块23，用于将所述目标时刻的历史点云数据转换到所述新获取的点云数据所在的坐标系下的点云数据，得到参考点云数据；
136.点云匹配子模块24，用于将所述参考点云数据与所述新获取的点云数据进行匹配，获取所述参考点云数据中存在但所述新获取的点云数据中未存在的点云作为补充点云；
137.补充融合子模块25，用于获取所述补充点云的坐标位置，并基于所述补充点云的坐标位置将所述补充点云补充至所述新获取的点云数据中，获得目标点云数据；所述目标点云数据包括所述新获取的点云数据中的所有点云以及所述历史点云数据中的所有点云。
138.所述关联聚类模块30具体包括：
139.点云关联子模块31，用于根据预设的邻域半径，获取所述目标点云数据中的每个点云的预设的领域半径内存在的点云的数量；
140.点云分类子模块32，用于根据所述目标点云数据中的每个点云的领域半径内存在的点云的数量及预设的邻域内最小点数，将所述目标传感点云数据中的所有点云分为核心点、边界点和噪点；
141.点云聚类子模块33，用于将所有相互关联的核心点聚成一个簇，并将边界点归入与之关联的核心点的簇中；
142.待定获取子模块34，用于获取所述目标传感点云数据中所有被判定为噪点的点云作为待定点云；以及获取所述待定点云在历史点云数据中的点云类型；
143.待定处理子模块35，用于判断所述待定点云在所述历史点云数据中的点云类型是否也是噪点；若是，则所述待定点云的点云类型不变，否则，将所述待定点云在所述目标传感点云数据中的点云类型更新为其在所述历史点云数据中的点云类型。
144.本技术的装置与本技术的方法对应，本技术的方法实施例中的技术细节同样适用于本技术的装置实施例，为减少重复，不再赘述。
145.应当说明的是，上述实施例均可根据需要自由组合。以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。