CN111208533A

CN111208533A - 一种基于激光雷达的实时地面检测方法

Info

Publication number: CN111208533A
Application number: CN202010023358.1A
Authority: CN
Inventors: 周志峰; 庞正雅; 方宇; 吴明晖; 董浩; 张怡
Original assignee: Shanghai University of Engineering Science
Current assignee: Shanghai University of Engineering Science
Priority date: 2020-01-09
Filing date: 2020-01-09
Publication date: 2020-05-29

Abstract

本发明涉及一种基于激光雷达的实时地面检测方法，包括以下步骤：S1，剔除激光雷达数据点云集中的无效点；S2，将激光雷达为中心的水平方向的圆等分为多个扇形区域，找出投影在每个扇形区域的Z值最小的点，筛选出每个扇形区域中与对应Z值最小的点的高度差在设定范围的点，归入待拟合点云集中；S3，对待拟合点云集进行平面拟合，获得平面方程；S4，对步骤S1得到的点云集进行循环遍历，将数据点的Z值与拟合平面高度进行比较，实现地面的检测。与现有技术相比，本发明能够在城市交通场景下实时准确地对地面进行检测。

Description

一种基于激光雷达的实时地面检测方法

技术领域

本发明涉及自动驾驶领域的激光雷达检测方法，尤其是涉及一种基于激光雷达的实时地面检测方法。

背景技术

随着三维激光雷达、毫米波雷达、相机等不同类型的感知传感器的快速发展，自动驾驶汽车环境感知方面的功能也渐渐成熟使得自动驾驶慢慢进入大众的视线中。而在室外环境感知场景中，激光雷达的地面分割是环境感知的重要预处理任务，是障碍物检测、分类和动态目标跟踪的基础，它可以帮助减少待处理数据的大小，进一步减少整体计算时间。由于三维激光雷达数据存在分布不均匀的特点，即靠近激光雷达附近的点云相对较为密集的分布，远离激光雷达的点云相对分布较为稀疏，因此在复杂的城市交通环境中，地面分割时往往会出现过分割、欠分割、慢分割等现象。

地面分割的主要任务是将地面点和地面上的障碍物进行区分，因为当行驶过程中检测到激光雷达左右两边都有车，此时地面点的存在可能会将两辆车连接到一起，这将影响障碍物的检测。当去除地面点时点云变成空间中单独的个体无任何连接，这有利于栅格分类、障碍物检测等目标检测的操作。现有的地面检测方法有：基于三维点云投影的方法、基于点云邻域信息拟合平面、采用区域增长算法以及基于表面元分类、均值移位聚类和光谱聚类等方法对点云模型进行分割。

将三维点云投射到一个水平网格，通过比较和确定激光雷达点属性的差异相邻网格内的点云的高度阈值，但该方法只计算激光点云之间的高度差，效率较高，但容易出现分割不足的问题。

根据点云的邻域信息拟合局部平面，利用平面法向量的局部凸度对点云进行分割，对不同的目标分割效果更好，但是粗糙曲面法向量的凸性特征不好计算。

采用区域增长算法进行点云分割，实现简单，速度快。但是不同的区域增长战略往往导致不同层次的细节分解结果。

基于表面元分类、均值移位聚类和光谱聚类等方法对点云模型进行分割，通过特征相似性检测将点云划分为若干组。由于不同的聚类准则会产生不同的聚类结果，所以不恰当的聚类算法设计可能会导致过度分割或分割不足。

发明内容

本发明的目的就是为了解决现有基于激光雷达点云地面分割存在的过分割、欠分割、慢分割等问题而提供一种基于激光雷达的实时地面检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于激光雷达的实时地面检测方法，具体方法如下：

S1：对获取的激光雷达点云数据进行特征点的选取，在选取特征点前将无效点去除，有利于特征点提取与平面拟合。

S2：将激光雷达为中心的圆以2°为一份划分为180个扇形区域，找出投影在每个扇形区域的Z值最小的点，以这些点为依据筛选出每个扇形区域中与该区域最小Z值点高度差符合范围内的点，将其归入平面拟合的点云集中。

S3：对这些特征点进行RANSAC平面拟合，获得平面方程。

S4：循环遍历所有点，将这些点的Z值与拟合平面高度相比实现地面的检测。

在点云分割算法中需要重点考虑两个问题：1)大量点云数据的处理；2)如何选取特征点。在大量的点云数据中筛选出符合我们需求的点云，滤除干扰点云可以提高算法的运算效率。特征点的选取要确保点均匀的遍布激光雷达的扫描范围且具有较高灵敏度受噪声影响较小，而且选取的特征点用于建立地面的初始平面模型，因此如何选取初始特征点较为重要。

S1中对于激光雷达采集到的点云数据，由于噪声点云的存在必定对平面拟合产生影响，因此需要对其进行剔除。循环遍历获得的点云集P＝{p₁,p₂,…,p_n}，得到点云集中点云的坐标与强度值，若坐标值x、y、z或强度值任一个为none时或当x、y、z值小于1.e-6时判断该点纳为无效点集V＝{v₁,v₂,…,v_i}，最后得到剔除无效点后的点云集P_NV。

S2中特征点的筛选主要依据点云的高度信息。在激光雷达点云中，地面激光雷达点云呈环形且距激光雷达原点的距离逐渐增大，激光雷达在障碍物区域内的点呈线性分布。对剔除无效点后的点云数据进行特征点的提取，将激光雷达为中心的圆以2°为一份划分为180个扇形区域，找出投影在每个扇形区域的z值最小的点LP_i，i＝{1,2,…,180}，这样保证了数据在平面拟合阶段不受测量噪声的影响。以筛选出的每个扇形区域z值最小的特征点作为每个扇形区域的最低高度点，每个区域中的其它点与之进行比较，点之间高度差符合范围内将其归入符合平面拟合的特征点点云集FP＝{fp₁,fp₂,…,fp_N}。

S3主要是对S2中筛选的特征点进行RANSAC平面拟合，获得平面参数及平面拟合方程Ax+By+Cz+D＝0，包括以下步骤：

S3.1从S2得到的特征点点云集FP中任意选取三个特征点并确保这个三个点不在同一条直线上，由这三个特征点获得平面参数，获得一个平面方程。

S3.2计算所有其他特征点到该平面的距离参数，求在该平面内的点的个数。

S3.3循环步骤S3.1、S3.2共

次，获得每次拟合平面符合点的个数。

S3.4保留最优个数的平面方程。

S4循环遍历除特征点外的所有点，将特征点以外的有效点带入平面拟合方程中，当该点的z值与计算的结果在误差范围内将其归入地面点的点云集中，反之将其归入非地面点，最终实现地面的检测。

与现有技术相比，本发明具有以下优点：

(1)对于16线激光雷达一帧扫描的点云数最多可达320000个点，因此对获取的激光雷达点云数据进行特征点的选取前将无效点去除，有利于特征点提取与平面拟合。

(2)特征点的选取要确保点均匀的遍布激光雷达的扫描范围且具有较高灵敏度受噪声影响较小，本发明将激光雷达为中心的圆以2°为一份划分为180个扇形区域，找出投影在每个扇形区域的z值最小的点，这样保证了数据在平面拟合阶段不受测量噪声的影响。

附图说明

图1是本实施例的算法流程图。

图2是激光雷达采集的原始点云图。

图3是本实施例周围无移动物体时实时地面检测的图。

图4是本实施例在交通路口转弯时实时地面检测的图。

图5是本实施例在激光雷达扫到周围很多车时的地面检测图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

如附图1至附图5所示：

图1为本实施例提供的一种基于激光雷达实时地面检测的方法，包括以下步骤：

1)以自动驾驶车为中心扫描车四周的城市道路环境信息，输入激光雷达实时扫描的点云数据。

2)无效点的存在容易对特征点的提取及平面的拟合造成误差影响，因此根据点云的坐标、强度值信息判断其是否属于无效点并将其剔除。

3)对于剔除无效点后的点云数据，激光雷达为中心以2°为一份划分为180个扇形区域，并将每个点都各自投影到所在的扇形区域中。

4)对投影后的点云进行筛选，筛选出每个扇形区域内Z值最小的点P＝{p₁,p₂,…,p₁₈₀}。

5)每个扇区剩下的点与该区域Z值最小的点进行比较，高度差符合范围将其归入拟合平面的点云集中。

6)从特征点点云集中任意选取三个特征点并确保这个三个点不在同一条直线上，由这三个特征点获得平面参数，获得一个平面方程。计算所有其他特征点到该平面的距离参数，求在该平面内的点的个数。循环步骤S3.1、S3.2共

次，获得每次拟合平面符合点的个数。保留最优个数的平面方程。

7)循环遍历除特征点外的所有点，将特征点以外的有效点带入平面拟合方程中，当该点的z值与计算的结果在误差范围内将其归入地面点的点云集中，反之将其归入非地面点，最终实现地面的检测。

表1基于激光雷达实时地面检测的伪代码

图2是激光雷达采集的原始点云图，对点云数据未经过任何处理。

本实施例的激光雷达安装支架根据汽车的型号定制的，将激光雷达安装在支架上，确保其稳定性以及数据的覆盖面。

图3是本实施例周围无移动物体时实时地面检测的图。可以清晰的看出障碍物与地面的分类，白色的线条代表检测出的地面数据，其他颜色数据代表路边的树木，建筑物等障碍物。

图4是本实施例在交通路口转弯时实时地面检测的图。结果展示了算法对于转弯时地面检测的性能。

图5是本实施例在激光雷达扫到周围很多车时的地面检测图。车身左边有6辆车，右边出现5辆车，实验结果可知激光雷达周围存在过多车辆时的地面与障碍物检测效果很好，不存在障碍物干扰地面检测结果的情况。

Claims

1.一种基于激光雷达的实时地面检测方法，其特征在于，包括以下步骤：

S1，剔除激光雷达数据点云集中的无效点；

S2，将激光雷达为中心的水平方向的圆等分为多个扇形区域，找出投影在每个扇形区域的Z值最小的点，筛选出每个扇形区域中与对应Z值最小的点的高度差在设定范围的点，归入待拟合点云集中，所述的Z值为高度分量；

S3，对待拟合点云集进行平面拟合，获得平面方程；

S4，对步骤S1得到的点云集进行循环遍历，将数据点的Z值与拟合平面高度进行比较，实现地面的检测。

2.根据权利要求1所述的一种基于激光雷达的实时地面检测方法，其特征在于，所述的步骤S1中，无效点剔除方法为：循环遍历点云集，得到各数据点的三维坐标值与强度值，若各坐标值分量和强度值中任一个为空数据或当任一坐标值分量小于设定值时，判断该点为无效点。

3.根据权利要求2所述的一种基于激光雷达的实时地面检测方法，其特征在于，所述的设定值为1×10^-6。

4.根据权利要求1所述的一种基于激光雷达的实时地面检测方法，其特征在于，所述的步骤S2中，各扇形区域的圆弧角为2°。

5.根据权利要求1所述的一种基于激光雷达的实时地面检测方法，其特征在于，所述的步骤S3中，对待拟合点云集进行RANSAC平面拟合。

6.根据权利要求5所述的一种基于激光雷达的实时地面检测方法，其特征在于，所述的步骤S3包括以下步骤：

S3.1，从步骤S2得到的待拟合点云集中任意选取三个不在同一条直线上的特征点，由这三个特征点确定一个平面；

S3.2，计算所有其他点到该平面的距离，获得在该平面内的点的个数；

S3.3，重复步骤S3.1、S3.2，直到遍历所有的平面，获得每个拟合平面内点的个数；

S3.4，保留最优平面方程。

7.根据权利要求6所述的一种基于激光雷达的实时地面检测方法，其特征在于，所述的最优平面方程为平面内点个数最多的平面方程。

8.根据权利要求1所述的一种基于激光雷达的实时地面检测方法，其特征在于，所述的步骤S4具体为：对步骤S1得到的点云集进行循环遍历，将数据点的Z值与拟合平面高度进行比较得到差值，将差值在误差范围内的点作为地面点，实现地面的检测。