CN103777192A - 一种基于激光传感器的直线特征提取方法 - Google Patents

Abstract

本发明涉及一种激光图像直线特征提取方法。在分割与合并方法的基础上，通过自适应邻近点集检测提高方法效率，利用模糊分割与合并方法进行线段分割改善方法对参数的敏感程度，最后利用最小二乘方法拟合出环境中各直线段极坐标系下的参数，方法包括：邻近点集检测、线段分割、最小二乘直线拟合、计算直线拟合误差四大步骤。方法实施结果表明当直线段所包含的点较多时，结果很准确，绝大多数直线误差都很小，极径误差都小于1mm，角度误差小于0.01rad，拟合效果较好。本发明同现有传统直线提取方法相比的优点在于：(1)方法的迭代次数减少，提高了方法效率；(2)方法的鲁棒性有很大提高；(3)线段提取的精度也明显提高。

Description

一种基于激光传感器的直线特征提取方法

技术领域

本发明属于人工智能技术领域，涉及一种激光图像直线特征提取方法。

背景技术

随着计算机技术和人工智能技术的飞速发展，移动机器人技术也取得了巨大成就，并广泛地应用于家庭服务、太空探索、深海打捞、矿产勘探、安防医疗、军事侦察等领域。在机器人相关技术研究中，机器人同时定位与地图创建(Simultaneous Localization andMapping)问题，简称SLAM问题，是机器人技术的关键问题之一，甚至被誉为移动机器人研究领域的“圣杯”。而直线是机器人SLAM问题中最常用的特征描述之一，因为选择它作为机器人定位的环境特征拥有许多优点，如：直线在室内环境中存在的比较多；从激光测试***LMS(Laser Measurement Systems)激光雷达检测到的原始点中提取直线较容易，直线特征在地图中存储也容易；在平面坐标系中只用两条不平行直线就可以完成对机器人定位。

目前关于直线提取的方法也比较多，其中分割与合并(Split-and-Merge)方法是综合性能是最好的。因此得到了广泛应用。但是传统的分割与合并方法存在对直线参数的鲁棒性较差，效率较低的问题。

发明内容

技术问题：为了解决上述问题，本发明的目的在于提供一种基于激光传感器的自适应的直线提取方法，以提高直线提取的效率和鲁棒性。

现将本发明技术解决方案叙述如下：

本发明一种基于激光传感器的直线特征提取方法在分割与合并方法的基础上，通过自适应邻近点集检测提高方法效率，利用模糊分割与合并SMF(split-and-merge fuzzy)方法进行线段分割改善方法对参数的敏感程度，最后利用最小二乘方法拟合出环境中各直线段极坐标系下的参数，包括以下步骤(参见图2)：

步骤1：邻近点集检测；

步骤2：线段分割；

步骤3：最小二乘直线拟合；

步骤4：计算直线拟合误差。

本发明进一步提供一种基于激光传感器的直线特征提取方法，其特征在于：设激光雷达每次扫描的结果是以角度Δφ为间隔的角度φ和距离ρ的离散点；步骤1中所述的邻近点集检测的具体过程为：

步骤1.1：设连续激光传感器探测到连续两点为s_k-1和s_k，其中s_k-1离激光传感器的距离为ρ_k-1，Δl为其两点的距离；

步骤1.2：实验取常数m′＝5，Δl′＝m′ρ_k-1Δφ，如果Δl≤Δl′则为邻近点集，反之则不是。

本发明进一步提供一种基于激光传感器的直线特征提取方法，其特征在于：步骤2中所述的线段分割的具体过程如下(参见图3)：

步骤2.1：设每一个邻近点集合Γ只含有一条直线：包含传感器观测数据z中所有点，初始直线个数

设定产生的迭代代数m＝1；

步骤2.2：更新第m代直线个数

步骤2.3：检验每条直线l_k，

在邻近点集合Γ是否满足直线参数的方差σ_k≤σ_max，如果不满足则：

步骤2.3.1：利用模糊直线分割方法将l_k中的点变成两条直线l′_k和l″_k，同时令C＝2；

步骤2.3.2：用l′_k和l″_k替换l_k，添加到Γ；

步骤2.3.3： $N_L^m=N_L^m+1;$

步骤2.3.4：转到步骤2.2；

步骤2.4：选择直线

步骤2.4.1：对于Γ中每两条相异的直线l_a和l_b都被作为合并的候选情况；

步骤2.4.2：判断两条直线的坐标重心是否很接近：接近则转步骤2.4.3，不接近则转

步骤2.4.3：用l＝l′^l″表示由l′和l″合并的直线，合并后的直线l_f是l_k^l_a和l_k^l_b离差最小的，同时必须满足σ_f≤σ_max，直到无法再合并为止；其中，唯一的极限参数σ_max由激光传感器的统计误差给出。

本发明进一步提供一种基于激光传感器的直线特征提取方法，其特征在于：步骤3中所述的最小二乘直线拟合的具体过程如下(参见图4)：

步骤3.1：对于每个线段点集{ρ_i，φ_i}，i＝1，2，3...N，其中(r，α)表示直线的极坐标参数，公式为：

$\mathrm{\α}=\frac{1}{2}\arctan \frac{p}{q}---\left(11\right)$

$r=\frac{1}{N}\mathrm{\Σ}\left({\mathrm{\ρ}}_i\cos ({\mathrm{\φ}}_i-\mathrm{\α})\right)---\left(12\right)$

式中，

$p=\frac{2}{N}\mathrm{\Σ\Σ}{\mathrm{\ρ}}_i{\mathrm{\ρ}}_j\cos {\mathrm{\φ}}_i\sin {\mathrm{\φ}}_j-\mathrm{\Σ}{\mathrm{\ρ}}_i^2\sin 2{\mathrm{\φ}}_i---\left(13\right)$

$q=\frac{1}{N}\mathrm{\Σ\Σ}{\mathrm{\ρ}}_i{\mathrm{\ρ}}_j\cos ({\mathrm{\φ}}_i+{\mathrm{\φ}}_j)-\mathrm{\Σ}{\mathrm{\ρ}}_i^2\cos 2{\mathrm{\φ}}_i---\left(14\right)$

本发明进一步提供一种基于激光传感器的直线特征提取方法，其特征在于：步骤4中所述的计算直线拟合误差的具体过程如下：

步骤4.1：设直线参数误差协方差矩阵为：

$C_{\mathrm{\η}}=\left[\begin{array}{cc}{\mathrm{\σ}}_{\mathrm{rr}}& {\mathrm{\σ}}_{\mathrm{r\α}}\\ {\mathrm{\σ}}_{\mathrm{r\α}}& {\mathrm{\σ}}_{\mathrm{r\α}}\end{array}\right]---\left(15\right)$

其中，

${\mathrm{\σ}}_{\mathrm{rr}}=\frac{1}{N^2}\mathrm{\Σ}{[\cos ({\mathrm{\φ}}_i-\mathrm{\α})+\frac{\∂\mathrm{\α}}{\∂P_i}{\mathrm{\ρ}}_i\sin ({\mathrm{\φ}}_i-\mathrm{\α})]}^2{\mathrm{\σ}}_{{\mathrm{\ρ}}_i}^2---\left(16\right)$

${\mathrm{\σ}}_{\mathrm{\α\α}}=\frac{1}{4{(p^2+q^2)}^2}\mathrm{\Σ}{[p_i^{\′}q-p{q}_i^{\′}]}^2{\mathrm{\σ}}_{{\mathrm{\ρ}}_i}^2---\left(17\right)$

式中：

$p_i^{\′}=\frac{2}{N}\mathrm{\Σ}{\mathrm{\ρ}}_j\cos {\mathrm{\φ}}_i\sin {\mathrm{\φ}}_j-2{\mathrm{\ρ}}_i\sin 2{\mathrm{\φ}}_i---\left(18\right)$

$q_i^{\′}=\frac{1}{N}\mathrm{\Σ}{\mathrm{\ρ}}_j\cos ({\mathrm{\φ}}_i+{\mathrm{\φ}}_j)-2{\mathrm{\ρ}}_i\cos 2{\mathrm{\φ}}_i---\left(19\right)$

${\mathrm{\σ}}_{\mathrm{r\α}}=\mathrm{\Σ}\frac{\∂r}{\∂P_i}\frac{\∂\mathrm{\α}}{\∂P_i}{\mathrm{\σ}}_{{\mathrm{\ρ}}_i}^2---\left(20\right)$

$\frac{\∂r}{\∂P_i}=\frac{1}{N}[\cos ({\mathrm{\φ}}_i-\mathrm{\α})+\frac{\∂\mathrm{\α}}{{\∂P}_i}{\mathrm{\ρ}}_i\sin ({\mathrm{\φ}}_i-\mathrm{\α})]---\left(21\right)$

$\frac{\∂\mathrm{\α}}{\∂P_i}=\frac{1}{2(p^2+q^2)}(p_i^{\′}q-p{q}_i^{\′})---\left(22\right)$

至此，本发明的基于激光传感器的直线特征提取方法完成。

本发明同现有传统直线提取方法相比的优点在于：(1)方法的迭代次数减少，提高了方法效率；(2)方法的鲁棒性有很大提高；(3)线段提取的精度也明显提高。

附图说明

图1：本发明的邻近点距离变化图

图2：本发明的直线特征提取流程图

图3：本发明图2中的步骤1的邻近点集检测流程图

图4：本发明图2中的步骤2线段分割流程图

具体实施方式

现结合附图对本发明方法做进一步描述：

实施例

本实施例用的是德国SICK公司的SICK200工业180°距离激光传感器在实验室6m×6m的环境做的试验。LMS激光雷达是通过计算激光的往返时间来测量与周围障碍之间的距离，即激光雷达发射器发射一束激光，当激光遇到障碍物时被反射；激光雷达的接收器记录下反射光，通过激光发射到被反射回激光雷达的时间算出障碍物和激光雷达之间的距离。

实验室原始激光数据见图5，它从0°到180°每间隔0.5°取一个数据，距离测量的均方差为5mm，角度的测量误差忽略不计，每帧共得到361个数据。图4-2是在本文在实验室获取的一帧激光数据，其中，蓝色圆点代表激光数据点，黑色*点代表激光雷达坐标系的原点，右边黑色加号0°代表激光数据点，左边黑色加号代表180°激光数据点。

设置σ_max＝0.005mm，利用常规Split-and-Merge算法和第三部分的直线提取算法对图5提取结果如图6所示。本发明提取结果图见图7。

图6、7中红色直线段为算法检测出的直线段，+表示线段的起始点，从图6、7可以看出，改进后的算法共检测出12条直线，分别为L1，L2...L12，而改进前的算法只检测出8条直线，未检测出直线L4，L6，L9，L10。从直线的提取精度来看，改进后的也高于改进前的，尤其L8特别明显。同时因为传统的Split-and-Merge算法是把全部数据直接做分割提取的，而本文采用了先进行邻近点簇检测，再分割提取直线的方法，减少了算法的迭代次数，提高了算法效率。另外从图6、7也可以看出改进后的算法的鲁棒性也较改进前的有很大提高。

改进后的提取的直线L1，L2...L12拟合误差如下表1：

表1：直线L1，L2...L12的拟合误差表

表1表明当直线段所包含的点较多时，结果很准确，如L1，L3，L7和L11，但当线段包含点较少时误差相对较大，如L6和L10。从表1可以看出直线的极径误差都很小一般都在毫米级，只有L4、L6和L10因为点比较少为厘米级。相对而言，角度误差较大，最大为10^-1rad；但绝大多数直线误差都很小，极径误差都小于1mm，角度误差小于0.01rad，拟合效果较好。

Claims (7)

1.一种基于激光传感器的直线特征提取方法，其特征在于：在分割与合并方法的基础上，通过自适应邻近点集检测提高方法效率，利用模糊分割与合并方法进行线段分割改善方法对参数的敏感程度，最后利用最小二乘方法拟合出环境中各直线段极坐标系下的参数，包括以下步骤：

步骤1：邻近点集检测；

步骤2：线段分割；

步骤3：最小二乘直线拟合；

步骤4：计算直线拟合误差。

2.根据权利要求1所述的一种基于激光传感器的直线特征提取方法，其特征在于：步骤1中所述的邻近点集检测的具体过程为：

步骤1.1：设连续激光传感器探测到连续两点为s_k-1和s_k，其中s_k-1离激光传感器的距离为ρ_k-1，Δl为其两点的距离；

步骤1.2：设激光雷达每次扫描的结果是以角度Δφ为间隔的角度φ和距离ρ的离散点；实验取常数m′＝5，Δl′＝m′ρ_k-1Δφ，如果Δl≤Δl′则为邻近点集，反之则不是。

3.根据权利要求1所述的一种基于激光传感器的直线特征提取方法，其特征在于：步骤2中所述的线段分割的具体过程如下：

步骤2.1：设每一个邻近点集合Γ只含有一条直线：包含传感器观测数据z中所有点，初始直线个数

设定产生的迭代代数m＝1；

步骤2.2：更新第m代直线个数

步骤2.3：检验每条直线lk，

在邻近点集合Γ是否满足直线参数的方差σ_k≤σ_max；

步骤2.4：选择直线。

4.根据权利要求3所述的一种基于激光传感器的直线特征提取方法，其特征在于：步骤步骤2.3中所述的“检验每条直线lk，

在邻近点集合Γ是否满足直线参数的方差σ_k≤σ_max，如果不满足则按以下步骤进行：

步骤2.3.1：利用模糊直线分割方法将l_k中的点变成两条直线l′_k和l″_k，同时令C＝2；

步骤2.3.2：用l′_k和l″_k替换l_k，添加到Γ；

步骤2.3.3： $N_L^m=N_L^m+1;$

步骤2.3.4：转到步骤2.2。

5.根据权利要求3所述的一种基于激光传感器的直线特征提取方法，其特征在于：步骤2.4中所述的“选择直线”的具体过程如下：

步骤2.4.1：对于Γ中每两条相异的直线l_a和l_b都被作为合并的候选情况；

步骤2.4.2：判断两条直线的坐标重心是否很接近：接近则转步骤2.4.3，不接近则转

步骤2.4.3：用l＝l′^l″表示由l′和l″合并的直线，合并后的直线l_f是l_k^l_a和l_k^l_b离差最小的，同时必须满足σ_f≤σ_max，直到无法再合并为止；其中，唯一的极限参数σ_max由激光传感器的统计误差给出。

6.根据权利要求1所述的一种基于激光传感器的直线特征提取方法，其特征在于：步骤3中所述的最小二乘直线拟合的具体过程如下：

步骤3.1：对于每个线段点集{ρ_i，φ_i}，i＝1，2，3...N，其中(r，α)表示直线的极坐标参数，公式为：

$\mathrm{\α}=\frac{1}{2}\arctan \frac{p}{q}---\left(11\right)$

$r=\frac{1}{N}\mathrm{\Σ}\left({\mathrm{\ρ}}_i\cos ({\mathrm{\φ}}_i-\mathrm{\α})\right)---\left(12\right)$

式中，

$p=\frac{2}{N}\mathrm{\Σ\Σ}{\mathrm{\ρ}}_i{\mathrm{\ρ}}_j\cos {\mathrm{\φ}}_i\sin {\mathrm{\φ}}_j-\mathrm{\Σ}{\mathrm{\ρ}}_i^2\sin 2{\mathrm{\φ}}_i---\left(13\right)$

$q=\frac{1}{N}\mathrm{\Σ\Σ}{\mathrm{\ρ}}_i{\mathrm{\ρ}}_j\cos ({\mathrm{\φ}}_i+{\mathrm{\φ}}_j)-\mathrm{\Σ}{\mathrm{\ρ}}_i^2\cos 2{\mathrm{\φ}}_i---\left(14\right)$

7.根据权利要求1所述的一种基于激光传感器的直线特征提取方法，其特征在于：步骤4中所述的计算直线拟合误差的具体过程如下：

步骤4.1：设直线参数误差协方差矩阵为：

$C_{\mathrm{\η}}=\left[\begin{array}{cc}{\mathrm{\σ}}_{\mathrm{rr}}& {\mathrm{\σ}}_{\mathrm{r\α}}\\ {\mathrm{\σ}}_{\mathrm{r\α}}& {\mathrm{\σ}}_{\mathrm{r\α}}\end{array}\right]---\left(15\right)$

其中，

${\mathrm{\σ}}_{\mathrm{rr}}=\frac{1}{N^2}\mathrm{\Σ}{[\cos ({\mathrm{\φ}}_i-\mathrm{\α})+\frac{\∂\mathrm{\α}}{\∂P_i}{\mathrm{\ρ}}_i\sin ({\mathrm{\φ}}_i-\mathrm{\α})]}^2{\mathrm{\σ}}_{{\mathrm{\ρ}}_i}^2---\left(16\right)$

${\mathrm{\σ}}_{\mathrm{\α\α}}=\frac{1}{4{(p^2+q^2)}^2}\mathrm{\Σ}{[p_i^{\′}q-p{q}_i^{\′}]}^2{\mathrm{\σ}}_{{\mathrm{\ρ}}_i}^2---\left(17\right)$

式中：

$p_i^{\′}=\frac{2}{N}\mathrm{\Σ}{\mathrm{\ρ}}_j\cos {\mathrm{\φ}}_i\sin {\mathrm{\φ}}_j-2{\mathrm{\ρ}}_i\sin 2{\mathrm{\φ}}_i---\left(18\right)$

$q_i^{\′}=\frac{1}{N}\mathrm{\Σ}{\mathrm{\ρ}}_j\cos ({\mathrm{\φ}}_i+{\mathrm{\φ}}_j)-2{\mathrm{\ρ}}_i\cos 2{\mathrm{\φ}}_i---\left(19\right)$

${\mathrm{\σ}}_{\mathrm{r\α}}=\mathrm{\Σ}\frac{\∂r}{\∂P_i}\frac{\∂\mathrm{\α}}{\∂P_i}{\mathrm{\σ}}_{{\mathrm{\ρ}}_i}^2---\left(20\right)$

$\frac{\∂r}{\∂P_i}=\frac{1}{N}[\cos ({\mathrm{\φ}}_i-\mathrm{\α})+\frac{\∂\mathrm{\α}}{{\∂P}_i}{\mathrm{\ρ}}_i\sin ({\mathrm{\φ}}_i-\mathrm{\α})]---\left(21\right)$

$\frac{\∂\mathrm{\α}}{\∂P_i}=\frac{1}{2(p^2+q^2)}(p_i^{\′}q-p{q}_i^{\′})---\left(22\right)$

至此，本发明的基于激光传感器的直线特征提取方法完成。

Images