CN114612795A - 基于激光雷达点云的路面场景目标识别方法 - Google Patents

Abstract

本发明公开了一种基于激光雷达点云的路面场景目标识别方法。该方法包括通过激光雷达传感器获取路面场景点云数据；对路面场景点云数据使用二阶多项式曲面模型进行拟合并通过随机采样一致性方法对地面点云进行去除，对点云数据进行多尺度的联合去噪处理从而修正目标表面点云位置、剔除孤立异常点；对点云数据通过均值漂移聚类方法进行分割聚类获得单独的目标点云集；对目标点云集进行结构特征提取，构建结构特征向量；使用基于全局搜索和局部搜索方式的参数自适应选取方法的支持向量机分类器进行训练和预测，从而实现路面场景下的目标分类。本发明比传统的基于激光雷达目标分类方法具有更高的识别准确率，对研究自动驾驶的感知能力具有重要的意义。

Description

基于激光雷达点云的路面场景目标识别方法

技术领域

本发明涉及目标分类领域，尤其涉及一种基于激光雷达点云的路面场景目标识别方法。

背景技术

激光雷达凭借抗干扰能力强、空间分辨率高和环境适应能力强等优点，在智能交通监控、车路协同和自动驾驶等智慧交通领域应用广泛。然而，不管是在人车安全预警、人流量车流量统计、交通综合监控和指挥，还是在自动驾驶的应用中，都十分依赖点云目标的精准成像和目标识别。目前，针对路面场景下的激光雷达点云目标识别算法均无法同时兼顾效率与准确率，或者难以准确分割出目标。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于激光雷达点云的路面场景目标识别方法。

实现本发明目的的技术方案为：一种基于激光雷达点云的路面场景目标识别方法，包括如下步骤：

步骤1：利用激光雷达采集路面场景点云数据；

步骤2：根据二次多项式模型和随机采样一致性确定地面点云，并从点云数据中删除地面点云数据；

步骤3：对步骤2中剩余的点云进行滤波处理，包括对点云进行使用统计滤波进行孤立异常点的去除，基于点云法向量和欧氏距离的双边滤波进行目标表面点云位置的修正；

步骤4：使用Meanshift聚类对步骤3得到的三维点云进行分割，获得目标点云集；

步骤5：对步骤4得到的目标点云集进行特征描述，提取结构特征信息；

步骤6：将提取的结构特征信息输入训练获得的支持向量机模型，进行目标点云的分类。

优选地，所述路面场景点云数据包括目标的空间坐标信息以及反射率信息。

优选地，根据二次多项式模型和随机采样一致性确定地面点云的具体方法为：

步骤2.1：设定初始地面高度阈值d，以z＝0表示地平面的基准，从z∈[-d,d]中随机抽取6个数据点根据二次多项式拟合路面表达式拟合初始地面模型作为当前最优模型；

步骤2.2：从z∈[-d,d]中随机抽取不同的6个数据点根据步骤2.1拟合新的地面模型；

步骤2.3：比较当前最优模型与新的地面模型的内点数量，将内点数量较多的模型更新为当前最优模型；

步骤2.4：重复步骤2.2-步骤2.3直至达到最大迭代次数时，流程结束，将当前最优模型的内点记为地面点云。

优选地，模型的内点的确定方法为：

遍历点云中的数据点并判定其是否为内点，具体判定方法为：根据二次多项式拟合路面表达式确定点(x,y)在现阶段拟合曲面上的对应z值表示为z_g，点(x,y)真实的坐标对应的z轴坐标值为z_t，当|z_t-z_g|≤e时，将这个点判定为内点，其中，e为距离误差阈值。

优选地，最大迭代次数为：

式中，u为地面点的点云占整幅点云的比例，N表示模型的点数，P为模型的置信度。

优选地，对步骤2中剩余的点云进行滤波处理的具体方法为：

步骤3.1：统计滤波：将点云中各点周围的k个点作为其邻域点，计算该点分别与其领域点的距离值并求取平均距离d_a，作一高斯函数以d_a为峰值对应横坐标，与该点距离为d_a的点的个数作为峰值对应纵坐标，由高斯函数公式可知，通过这两个数据可求得对应的高斯函数参数均值μ和标准差σ，取高斯分布函数百分之90的置信区间，区间内对应的距离最大值设置为d_max，如果某一点的平均距离d_a＞d_max，将该点云归类于噪声点并对其进行剔除，反之，则保留该点，得到统计滤波后的三维点云；

步骤3.2：对统计滤波后的点进行法向量修正：设定角度阈值T，使用半径搜索得到待修正点p_i的k个邻域点，计算各个点的约束因子：

确定点p_i修正后的法向量表示为：

其中n_i为待修正点p_i的法向量，n_ij表示p_i的j个邻域点的法向量。

遍历点云中的点，对每个点的法向量进行修正；

步骤3.3：对修正后的点分别进行双边滤波：

对于目标点p_i及其邻域点p_ij，计算滤波参数u₁,u₂，其中，u₁＝||p_i-p_ij||表示目标点p_i到邻域点的距离；u₂＝<n_i,p_i-p_ij>表示目标点p_i到邻域点的有向距离和这一点的法向量的内积；

根据

和

计算函数

和

的值并带入

求取权重因子α；

更新目标点信息：p_i:＝p_i+αn_i，完成当前点的滤波。

优选地，使用Meanshift聚类对步骤3得到的三维点云进行分割，获得目标点云集的具体方法为：

步骤4.1：定义点云中的点p_i及其邻域点p_ij，在未被标记过的点云数据中随机选取一个点p_i作为起始点；

步骤4.2：通过半径搜索找出以起始点为中心的邻域点集，将它们视为同一个类别，并在记录中将这些点进行标记，在该类别中出现的次数加1；

步骤4.3：以起始点为中心计算均值漂移向量，并通过p^iter+1＝p^iter+M_h(p^iter)进行迭代更新起始点，其中p^iter为第iter次迭代时获得的新的起始位置，M_h为均值漂移向量；

步骤4.4：重复步骤4.2、步骤4.3，直到均值漂移向量的模小于设定阈值，停止迭代，记此时获得的起始点为中心点；

步骤4.5：计算此次迭代获得的中心点与已存在的中心点的距离，若小于距离阈值，则将两类合并，否则记作新的一类；

步骤4.6：重复步骤4.2～步骤4.5，遍历点云集中的点直到所有点均被访问，统计每个点被各类别访问的次数，取访问次数最大的类作为该点所属类，完成Meanshift聚类操作。

云目标分类使用的支持本发明与现有技术相比，其显著优点为：

(1)本发明采取基于二阶多项式的模型进行地面的拟合，更加符合道路“中间高，两边低”的特点，可以有效滤除地面点云；

(2)本发明采用统计滤波和基于法向量与欧氏距离的双边滤波进行点云联合去噪，有效地去除了多尺度噪声；

(3)本发明在点向量机的训练阶段中所使用超参数—核函数参数γ和惩罚系数C不是人为设定的，而是根据数据集训练获得的，训练出来的分类模型更加精准。

附图说明

图1是本发明基于激光雷达点云的路面场景目标识别流程图。

图2是激光雷达采集路面场景点云数据。

图3是去除地面点云数据前后的点云对比示意图。

图4是进行多尺度联合去噪前后的点云对比示意图。

图5是使用Meanshift三维点云聚类算法对点云数据进行分割得到的点云图像。

图6是处理得到的部分数据集文件示例。

图7是自适应参数选取的支持向量机分类流程。

具体实施方式

为了使本申请的专利、技术方案和优点更加清楚明白，以下结合附图和具体实施对本申请进一步地详细说明。

在一个具体实施例，结合图1，提供了一种基于激光雷达点云的路面场景目标识别方法，所述方法包括以下步骤：

步骤1：利用激光雷达采集路面场景点云数据，包括目标的空间坐标信息以及反射率信息，其中点云空间可视化如图2，激光雷达获取路面场景下的信息并转换成三维坐标的点云形式。

步骤2：对采集到的点云信息进行地面点云的滤除，依靠二次多项式模型和随机采样一致性确定地面点云，并从点云数据中提出，实现点云数据规模的削减，如图3，具体流程如下：

步骤2.1：针对当前场景及坐标系的选择，设定初始地面高度阈值d。以z＝0表示地平面的基准，那么从z∈[-d,d]中随机抽取6个数据点根据二次多项式拟合路面表达式拟合初始地面模型作为当前最优模型，在一个具体实施例中，设定d＝0.2m；

选用的二次多项式拟合路面表达式为：z＝a₀+a₁x+a₂y+a₃xy+a₄x²+a₅y²。

步骤2.2：再次从z∈[-d,d]中随机抽取不同的6个数据点根据步骤2.1拟合新的地面模型；

步骤2.3：比较当前最优模型与新模型的内点数量，将内点数量较多的模型更新为当前最优模型；

具体地，模型的内点的确定方法为：遍历点云中的数据点并判定其是否为内点，具体判定方法为：根据二次多项式拟合路面表达式确定点(x,y)在现阶段拟合曲面上的对应z值表示为z_g，点(x,y)真实的坐标对应的z轴坐标值为z_t，当|z_t-z_g|≤e时，将这个点视为内点，否则视为外点，e为距离误差阈值。对于距离误差阈值e，在本发明中将其确定为

即0.05m。

步骤2.4：重复步骤2.2-步骤2.3直至达到最大迭代次数

时，流程结束，将当前最优模型的内点记为地面点。

其中，u为地面点的点云占整幅点云的比例，N表示模型的点数，P＝1-(1-u^N)^t代表模型的置信度。在最大迭代次数的计算中，设置置信度P＝95％,在实施例中，地面点云占比为19.9％，地面点云个数为59800。

步骤3：对步骤2中的点云进行滤波处理，对点云先使用统计滤波进行孤立异常点的去除，再使用基于点云法向量和欧氏距离的双边滤波进行目标表面点云位置的修正，实现噪声点云的去除，如图4，具体流程如下：

步骤3.1：首先进行统计滤波：将点云中各点周围的k个点作为其邻域点，计算该点分别与其领域点的距离值并求取平均距离d_a，

作一高斯函数以d_a为峰值对应横坐标，与该点距离为d_a的点的个数作为峰值对应纵坐标，由高斯函数公式可知，通过这两个数据可求得对应的高斯函数参数均值μ和标准差σ，取高斯分布函数百分之90的置信区间，区间内对应的距离最大值设置为d_max，如果某一点的平均距离d_a＞d_max，将该点云归类于噪声点并对其进行剔除，反之，则保留该点，得到统计滤波后的三维点云。在具体实施例中，设置点云的邻域点数量为k＝50，距离阈值d_max＝0.5m。

步骤3.2：进行法向量修正：步骤3.1统计滤波后的点为待修正点，设定一角度阈值T，使用半径搜索得到修正点p_i的k个邻域点，计算各个点的约束因子：

确定点p_i修正后的法向量表示为：

其中n_i为待修正点p_i的法向量，n_ij表示p_i的j个邻域点的法向量。遍历点云中的点，对每个点的法向量进行修正。

在具体实施例中，设置点云的邻域点数量为

T＝50°。

步骤3.3：进行双边滤波：对于目标点p_i及其邻域点p_ij，计算滤波参数u₁,u₂，其中，u₁＝||p_i-p_ij||表示目标点p_i到邻域点的距离；u₂＝<n_i,p_i-p_ij>表示目标点p_i到邻域点的有向距离和这一点的法向量的内积；根据

和

计算函数

和

的值并带入

求取权重因子α；更新目标点信息：p_i:＝p_i+αn_i，完成当前点的滤波；当点集中所有点都运算完毕后，结束流程。

步骤4：将步骤3得到的三维点云使用Meanshift聚类对点云进行分割，如图5，流程如下：

步骤4.1：定义点云中的点p_i及其邻域点p_ij，在未被标记的点云数据中随机选取一个点p_i作为起始点；

步骤4.2：通过半径搜索找出以起始点为中心的邻域点集，将它们视为同一个类别，并在记录中将这些点进行标记，在该类别中出现的次数加1；

步骤4.3：以起始点为中心计算均值漂移向量，并通过p^iter+1＝p^iter+M_h(p^iter)进行迭代更新起始点；其中p^iter为第iter次迭代时获得的新的起始位置。

在Meanshift中，用高斯核函数作为核函数，引入核函数后的均值漂移向量的计算公式为：

在具体实施例中h＝0.2m，k＝80。

步骤4.4：重复步骤4.2、步骤4.3，直到均值漂移向量的模小于设定阈值，停止迭代，记此时获得的起始点为中心点；

步骤4.5：计算此次迭代获得的中心点与已存在的中心点的距离，若小于距离阈值，则将两类合并，否则记作新的一类；

步骤4.6：重复步骤4.2～步骤4.5，遍历点云集中的点直到所有点均被访问，统计每个点被各类别访问的次数，取访问次数最大的类作为该点所属类，最终完成Meanshift聚类操作。

步骤5：对步骤4得到的所有目标点云分别从20个维度进行特征描述，以这20个特征描述符作为该目标的特征信息，以此形成数据集，部分数据集如图6。

表1特征值及其计算公式

步骤6：对于步骤5中的数据集，将其整理得到数据如下表1所示：

表2采集的数据示例

类别	共计
		汽车	880
人	807
		骑自行车的人	225
其它	52

按照一定比例将数据集划分为训练集和测试集。

接着，训练支持向量机中的两个超参数——核函数和惩罚系数，其主要过程为先在全局范围上确定参数范围，再在局部上进一步地确认，确定超参数后再依据训练集进行分类模型的训练。预测阶段则是依靠训练获得的模型进行测试集中目标分类的确认，如图7。具体流程为：

步骤6.1：在搜索空间随机初始化获得初始参数；

步骤6.2：在参数确定过程中，当迭代次数为t_n，最大迭代次数为T_max，设：

C(t_n)＝2·r，其中，r∈[0,1]并是一随机数，A(t_n)为参数确定过程中的学习率，当参数-1＜A＜1时，算法中进行局部搜索，反之进行全局搜索；

在全局搜索阶段，初始化设定一组粒子后，选定一个搜索粒子表示为X_r，搜索粒子进行数据更新的同时，其它粒子执行全局搜索的操作，远离搜索粒子，从而使有限的粒子覆盖到更大的搜索区域；在过程中，其它粒子与搜索粒子的距离表示为：

在局部搜索阶段，每次迭代中的最优粒子被认为是最接近目标的解，在这个阶段，其它所有粒子都向最优粒子移动并更新位置信息，在粒子移动的机制上，通过螺旋上升式的轨迹不断缩小运动半径获得最优解，其中，设X^*为最优目标位置，搜索粒子和目标位置的距离为：

通过螺旋方程迭代更新搜索粒子的位置：

其中，b为形状参数，为一常量，l∈[-1,1]并是一随机数；

在整个迭代过程中，根据参数A的变化，搜索模式在局部搜索和全局搜索中切换进行，不断更新参数，满足终止条件时停止迭代，此时的解被认为是最终确定的参数。

在此，使用分类率作为适应度进行计算。

步骤6.3：将适应度趋于稳定时的迭代次数设置为最大迭代次数，达到最大迭代次数时停止迭代并获得最优参数。在本实施例中，最大迭代次数为28次，自适应确定的核函数参数γ值为5.5，惩罚系数C为5.9。

步骤6.4：将计算得到的最优参数作为SVM多分类器的初始参数进行模型建立。其中的多分类器选用一对一的支持向量机分类器，在本实施例中，要对4个类别进行分类，根据计算，需要6个二分类器，在每个二分类器中，待测样本对两个不同类别的特征值进行计算并输出结果，最后通过对类别的“投票”机制产生分类结果。

步骤6.5：对测试集中的数据用训练好的模型进行测试，得到目标分类预测结果。

得到分类结果如下表2所示：

本实施例是基于Livox Mid-40激光雷达进行的点云数据处理，同时分类目标只有汽车、行人、骑自行车的人和其它四类，在检测精度和检测效率上相对于其它点云目标检测方法都有提升。同时本发明并不受该实施例的限制，对于其它型号的激光雷达或者更多的分类标准都具有普适性。

Claims (10)

1.一种基于激光雷达点云的路面场景目标识别方法，其特征在于，包括如下步骤：

步骤1：利用激光雷达采集路面场景点云数据；

步骤2：根据二次多项式模型和随机采样一致性确定地面点云，并从点云数据中删除地面点云数据；

步骤3：对步骤2中剩余的点云进行滤波处理，包括对点云进行使用统计滤波进行孤立异常点的去除，基于点云法向量和欧氏距离的双边滤波进行目标表面点云位置的修正；

步骤4：使用Meanshift聚类对步骤3得到的三维点云进行分割，获得目标点云集；

步骤5：对步骤4得到的目标点云集进行特征描述，提取结构特征信息；

步骤6：将提取的结构特征信息输入训练获得的支持向量机模型，进行目标点云的分类。

2.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法，其特征在于，所述路面场景点云数据包括目标的空间坐标信息以及反射率信息。

3.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法，其特征在于，根据二次多项式模型和随机采样一致性确定地面点云的具体方法为：

步骤2.1：设定初始地面高度阈值d，以z＝0表示地平面的基准，从z∈[-d,d]中随机抽取6个数据点根据二次多项式拟合路面表达式拟合初始地面模型作为当前最优模型；

步骤2.2：从z∈[-d,d]中随机抽取不同的6个数据点根据步骤2.1拟合新的地面模型；

步骤2.3：比较当前最优模型与新的地面模型的内点数量，将内点数量较多的模型更新为当前最优模型；

步骤2.4：重复步骤2.2-步骤2.3直至达到最大迭代次数时，流程结束，将当前最优模型的内点记为地面点云。

4.根据权利要求3所述的基于激光雷达点云的路面场景目标识别方法，其特征在于，模型的内点的确定方法为：

遍历点云中的数据点并判定其是否为内点，具体判定方法为：根据二次多项式拟合路面表达式确定点(x,y)在现阶段拟合曲面上的对应z值表示为z_g，点(x,y)真实的坐标对应的z轴坐标值为z_t，当|z_t-z_g|≤e时，将这个点判定为内点，其中，e为距离误差阈值。

5.根据权利要求3所述的基于激光雷达点云的路面场景目标识别方法，其特征在于，最大迭代次数为：

式中，u为地面点的点云占整幅点云的比例，N表示模型的点数，P为模型的置信度。

6.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法，其特征在于，对步骤2中剩余的点云进行滤波处理的具体方法为：

步骤3.1：统计滤波：将点云中各点周围的k个点作为其邻域点，计算该点分别与其领域点的距离值并求取平均距离d_a，作一高斯函数以d_a为峰值对应横坐标，与该点距离为d_a的点的个数作为峰值对应纵坐标，由高斯函数公式可知，通过这两个数据可求得对应的高斯函数参数均值μ和标准差σ，取高斯分布函数百分之90的置信区间，区间内对应的距离最大值设置为d_max，如果某一点的平均距离d_a＞d_max，将该点云归类于噪声点并对其进行剔除，反之，则保留该点，得到统计滤波后的三维点云；

步骤3.2：对统计滤波后的点进行法向量修正：设定角度阈值T，使用半径搜索得到待修正点p_i的k个邻域点，计算各个点的约束因子：

确定点p_i修正后的法向量表示为：

其中n_i为待修正点p_i的法向量，n_ij表示p_i的j个邻域点的法向量。

遍历点云中的点，对每个点的法向量进行修正；

步骤3.3：对修正后的点分别进行双边滤波：

对于目标点p_i及其邻域点p_ij，计算滤波参数u₁,u₂，其中，u₁＝||p_i-p_ij||表示目标点p_i到邻域点的距离；u₂＝<n_i,p_i-p_ij〉表示目标点p_i到邻域点的有向距离和这一点的法向量的内积；

根据

和

计算函数

和

的值并带入

求取权重因子α；

更新目标点信息：p_i:＝p_i+αn_i，完成当前点的滤波。

7.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法，其特征在于，使用Meanshift聚类对步骤3得到的三维点云进行分割，获得目标点云集的具体方法为：

步骤4.1：定义点云中的点p_i及其邻域点p_ij，在未被标记过的点云数据中随机选取一个点p_i作为起始点；

步骤4.2：通过半径搜索找出以起始点为中心的邻域点集，将它们视为同一个类别，并在记录中将这些点进行标记，在该类别中出现的次数加1；

步骤4.3：以起始点为中心计算均值漂移向量，并通过p^iter+1＝p^iter+M_h(p^iter)进行迭代更新起始点，其中p^iter为第iter次迭代时获得的新的起始位置，M_h为均值漂移向量；

步骤4.4：重复步骤4.2、步骤4.3，直到均值漂移向量的模小于设定阈值，停止迭代，记此时获得的起始点为中心点；

步骤4.5：计算此次迭代获得的中心点与已存在的中心点的距离，若小于距离阈值，则将两类合并，否则记作新的一类；

步骤4.6：重复步骤4.2～步骤4.5，遍历点云集中的点直到所有点均被访问，统计每个点被各类别访问的次数，取访问次数最大的类作为该点所属类，完成Meanshift聚类操作。

8.根据权利要求7所述的基于激光雷达点云的路面场景目标识别方法，其特征在于，均值漂移向量的计算公式为：

其中h为对目标点邻域的搜索半径，k为搜索半径内点云数量，使用的高斯核函数G具体定义为：

9.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法，其特征在于，从20个维度进行特征描述，包括：

10.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法，其特征在于，支持向量机模型的训练方法为：

步骤6.1：在搜索空间随机初始化获得初始参数；

步骤6.2：在参数确定过程中，当迭代次数为t_n，最大迭代次数为T_max，设：

C(t_n)＝2·r，其中，r∈[0,1]并是一随机数，A(t_n)为参数确定过程中的学习率，当参数-1＜A＜1时，算法中进行局部搜索，反之进行全局搜索；

在全局搜索阶段，初始化设定一组粒子后，选定一个搜索粒子表示为X_r，搜索粒子进行数据更新的同时，其它粒子执行全局搜索的操作，远离搜索粒子，从而使有限的粒子覆盖到更大的搜索区域；在过程中，其它粒子与搜索粒子的距离表示为：

在局部搜索阶段，每次迭代中的最优粒子被认为是最接近目标的解，在这个阶段，其它所有粒子都向最优粒子移动并更新位置信息，在粒子移动的机制上，通过螺旋上升式的轨迹不断缩小运动半径获得最优解，其中，设X^*为最优目标位置，搜索粒子和目标位置的距离为：

通过螺旋方程迭代更新搜索粒子的位置：

其中，b为形状参数，为一常量，l∈[-1,1]并是一随机数；

在整个迭代过程中，根据参数A的变化，搜索模式在局部搜索和全局搜索中切换进行，不断更新参数，满足终止条件时停止迭代，此时的解被认为是最终确定的参数；

步骤6.3：将计算得到的最优参数作为SVM多分类器的初始参数进行模型建立；其中的多分类器选用一对一的支持向量机分类器。

Images