一种基于激光雷达点云局部结构特征的负障碍物检测方法技术

本发明专利技术公开了一种基于激光雷达点云局部结构特征的负障碍物检测方法。已采集的激光雷达点云数据，逐线检测局部点云距离跳变、局部点云分布密集和局部点云高度下降的三个结构特征，依据三个结构特征在单线激光点云中提取筛选获得可能属于负障碍物的候选点对；由各线激光的激光点云获得的所有候选点对，依据点对长度一致性和空间位置一致性进行聚类，得到负障碍物候选区域，再经过面积过滤、点对数量过滤得到负障碍物区域。本发明专利技术能够有效检测环境中的负障碍物，具备良好的检测成功率，计算代价小，实时性强。

A method of negative obstacle detection based on local feature of lidar cloud point cloud

The invention discloses a negative obstacle detection method based on the local structural characteristics of a laser radar point cloud. The LIDAR point cloud data has been collected, by line detection of local point cloud distance jump, local point cloud distribution and local dense point cloud height decreased three structural features, on the basis of three structural features of candidate point to obstacles may belong to negative screening in single laser point cloud obtained by laser point extraction; line laser cloud point to all the candidate, according to cluster length consistency and spatial location consistency, negative obstacle candidate area, and then after filtration, the number of filter area negative obstacle area. The invention can effectively detect negative obstacles in the environment, and has good detection success rate, low computation cost and strong real-time performance.

【技术实现步骤摘要】
一种基于激光雷达点云局部结构特征的负障碍物检测方法
本专利技术涉及机器人避障检测方法，特别是涉及面向无人车导航的一种基于激光雷达点云局部结构特征的负障碍物检测方法。
技术介绍
传统的用于负障碍物检测的方法有基于热红外图像、基于彩色图像和基于双目视觉的检测方法。基于热红外图像的负障碍物检测方法使用热红外相机采集图像，根据负障碍物与环境温度存在温差的特点检测环境中的负障碍物。这种检测方法的缺点是对环境温度变化十分敏感。基于彩色图像的负障碍物检测方法使用彩色相机采集图像，在图像序列中提取颜色模型和几何模型检测负障碍物，这种方法受光照条件影响强烈。基于双目视觉的方法使用双目图像并利用种子生长法检测负障碍物，这种方法同样受到光照条件影响。除了受到光照条件影响，传统使用单相机图像的负障碍物检测方法无法确定负障碍物的实际距离，使用双目视觉的负障碍物检测方法虽然能计算距离，但也存在精度不高的缺点。为解决使用传统图像检测负障碍物易受到光照条件影响以及无法准确定位的问题，在无人车导航领域一类方法是使用三维激光雷达作为导航传感器。三维激光雷达能够获取环境的点云数据，探测范围广，精度高，且不受光照条件影响，能够精确描述环境结构信息。目前基于激光雷达检测负障碍物有基于多帧融合的检测方法和基于SVM分类的方法。多帧融合的负障碍物检测方法通过融合多帧点云得到高密度局部地图，进而通过遮挡关系确定负障碍物位置。这种方法对静态环境中的负障碍检测效果较好，但计算复杂度高且不适用于环境中存在大量运动物体的情况。基于SVM的负障碍物检测方法通过计算点云的局部特征，例如高度-长度-密度特征，再通过大量样本训练得到负障碍物分类器，进而用于对候选负障碍物点云的分类与位置检测。这种方法缺点在于需要预先进行大量样本训练，并且对未训练过的负障碍物种类的检测效果较差。
技术实现思路
在无人车越野行驶环境中，存在沟壑、坑洞等负障碍物，本专利技术的目的在于提供了一种基于激光雷达点云局部结构特征的负障碍物检测方法，即利用垂直扫描激光雷达点云的局部结构特征提取负障碍物候选点对，进而聚类形成负障碍物候选区域，最后进行过滤得到负障碍物结果。本专利技术所述的负障碍物检测方法采取先在单线激光点云中提取候选点对，再将多线激光提取的候选点对集合进行聚类的方案。首先是计算了点云中负障碍物的三类结构特征，即局部点云距离跳变、局部点云分布密集和局部点云高度下降。根据三类结构特征提取出负障碍物候选点对，通过空间位置一致性和点对长度一致性聚类得到负障碍物候选区域，通过面积过滤、点对数量过滤得到负障碍物结果区域。本专利技术采用的具体技术方案包括如下步骤：1)已采集的激光雷达点云数据，针对单线激光点云，逐线检测局部点云距离跳变、局部点云分布密集和局部点云高度下降的三个结构特征，依据三个结构特征在单线激光点云中提取筛选获得可能属于负障碍物的候选点对；2)由各线激光的激光点云获得的所有候选点对，依据点对长度一致性和空间位置一致性进行聚类，得到一系列负障碍物候选区域，再经过面积过滤得到负障碍物区域。本专利技术的负障碍物一般指的是地面上的凹坑、壕沟等障碍物。本专利技术涉及的点云数据由激光雷达采集得到，激光雷达为多线激光旋转扫描的工作方式，一根激光线对应一段连续分布的点云。所述步骤1)具体是针对单线激光点云，采用以下方式进行处理：1.1)逐激光点计算邻近点间距与局部平滑度，并根据局部平滑度判断获得平滑点；1.2)逐激光点通过检测局部点云距离跳变特征选取邻近点间距局部极大值的候选点对，作为初始候选点对；1.3)在初始候选点对中，通过检测局部点云分布密集特征选取初始候选点对中后沿点所在位置点云局部密集的点对，获得筛选后的初始候选点对；1.4)通过局部点云高度下降特征进行进一步筛选，获得最终的候选点对。经过步骤1.4)得到的点对即是满足负障碍物三个局部结构特征，即邻接点距离跳变、后沿点密集分布、后沿点高度下降的候选点对集合。所述步骤1.1)具体为：1.1.1)计算邻近点间距针对单线激光点云，采用以下公式计算每个激光点与其邻近激光点之间的空间距离，激光点的坐标为邻近激光点的坐标为其中，表示激光点及其邻接点之间的邻近点间距，l表示单线激光点云中的激光点序号；1.1.2)计算局部平滑度除邻近点间距外，还需要计算单线激光点云的局部平滑度。对于单线激光而言，其扫描方式为平面扫描，因而单线激光扫描局部地形所形成的点云可看做该扫描平面与地面的交线。在平坦的地面上，该交线呈直线分布，在地形起伏剧烈的地面上，该交线则呈现出蜿蜒曲折的折线形状。基于此，采用以下公式计算单线激光点云中每个激光点的局部平滑度sl：式中，Nneighbor表示预设的邻近点个数，一般取n＝5，l表示单线激光点云中的激光点序号，k表示该激光点的邻近点的序号；上述的sl大小体现了该激光点局部区域的平滑度，sl值非常小表明该激光点处于平滑的近似平面上，sl值非常大表明该激光点所处的位置地形起伏剧烈。预设平滑阈值Thssmooth和非平滑阈值Thssharp，通过将激光点的局部平滑度sl分别与平滑阈值Thssmooth和非平滑阈值Thssharp进行比较获得激光点是否为平滑点的结果：若满足sl≤Thssmooth，该激光点为平滑点；若满足sl≥Thssharp，该激光点为非平滑点。所述步骤1.2)具体是：对于单线激光点云上的各激光点，按以下公式处理并提取获得邻近点间距跳变点集合Pjump：式中，Njump_nbr表示预设的邻近点个数，Thsdis为邻近点间距跳变阈值，l表示单线激光点云中的激光点序号，k表示该激光点的邻近点的序号；邻近点间距跳变点集合Pjump中的点是作为候选点对中的后沿点，候选点对中包括前沿点和后沿点，前沿点是序号靠前的激光点，后沿点是序号靠后的激光点，判断负障碍往往需要前后沿的点对，因此再取邻近点间距跳变点集合Pjump中的每个激光点作为后沿点，其在单线激光点云中之前的一个激光点作为前沿点，形成邻近点间距跳变点对并获得邻近点间距跳变点对集合Pneg_pair，具体是采用以下公式：式中，l表示单线激光点云中的激光点序号。以邻近点间距跳变点对集合Pneg_pair中的邻近点间距跳变点对作为初始候选点对。所述的步骤1.3)具体为：将初始候选点对投影到激光雷达点云空间所对应的栅格属性地图上，每个栅格统计落在该栅格内激光点的数目，针对初始候选点对的后沿点判断是否满足以下公式：PtNum(k，l)-PtNum(m,n)≥Thsdensem∈[k-Ngrid,k+Ngrid],m≠kn∈[l-Ngrid,l+Ngrid],n≠l式中，Ngrid表示预设栅格邻近距离，PtNum(k,l)表示当前栅格中包含的所有激光点总数，PtNum(m,n)表示当前栅格在预设栅格邻近距离Ngrid邻域内的一栅格内包含的所有激光点总数，Thsdense是预设的点云密集阈值，当前栅格是指初始候选点对的后沿点所在的栅格，m、n分别表示当前栅格在预设栅格邻近距离Ngrid邻域内的栅格行号与列号。初始候选点对的后沿点满足公式，则认为满足局部点云分布密集特征，将该初始候选点对保留，继续下一步的处理；否则，将该初始候选点对舍弃，不继续下一步的处理。所述步骤1.4)具体为：对于步骤1.3)筛选后的每本文档来自技高网...

【技术保护点】
一种基于激光雷达点云局部结构特征的负障碍物检测方法，其特征在于包括如下步骤：1)已采集的激光雷达点云数据，逐线检测局部点云距离跳变、局部点云分布密集和局部点云高度下降的三个结构特征，依据三个结构特征在单线激光点云中提取筛选获得可能属于负障碍物的候选点对；2)由各线激光的激光点云获得的所有候选点对，依据点对长度一致性和空间位置一致性进行聚类，得负障碍物候选区域，再经过面积过滤得到负障碍物区域。

【技术特征摘要】
1.一种基于激光雷达点云局部结构特征的负障碍物检测方法，其特征在于包括如下步骤：1)已采集的激光雷达点云数据，逐线检测局部点云距离跳变、局部点云分布密集和局部点云高度下降的三个结构特征，依据三个结构特征在单线激光点云中提取筛选获得可能属于负障碍物的候选点对；2)由各线激光的激光点云获得的所有候选点对，依据点对长度一致性和空间位置一致性进行聚类，得负障碍物候选区域，再经过面积过滤得到负障碍物区域。2.根据权利要求1所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法，其特征在于：所述步骤1)具体是针对单线激光点云，采用以下方式进行处理：1.1)逐激光点计算邻近点间距与局部平滑度，并根据局部平滑度判断获得平滑点；1.2)逐激光点通过检测局部点云距离跳变特征选取邻近点间距局部极大值的候选点对，作为初始候选点对；1.3)在初始候选点对中，通过检测局部点云分布密集特征选取初始候选点对中后沿点所在位置点云局部密集的点对，获得筛选后的初始候选点对；1.4)通过局部点云高度下降特征进行进一步筛选，获得最终的候选点对。3.根据权利要求2所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法，其特征在于：所述步骤1.1)具体为：1.1.1)计算邻近点间距针对单线激光点云，采用以下公式计算每个激光点与其邻近激光点之间的空间距离，激光点的坐标为邻近激光点的坐标为其中，表示激光点及其邻接点之间的邻近点间距，l表示单线激光点云中的激光点序号；1.1.2)计算局部平滑度采用以下公式计算单线激光点云中每个激光点的局部平滑度sl：式中，Nneighbor表示预设的邻近点个数，l表示单线激光点云中的激光点序号，k表示该激光点的邻近点的序号；预设平滑阈值Thssmooth和非平滑阈值Thssharp，通过将激光点的局部平滑度Sl分别与平滑阈值Thssmooth和非平滑阈值Thssharp进行比较获得激光点是否为平滑点的结果：若满足sl≤Thssmooth，该激光点为平滑点；若满足sl≥Thssharp，该激光点为非平滑点。4.根据权利要求2所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法，其特征在于：所述步骤1.2)具体是：对于单线激光点云上的各激光点，按以下公式处理并提取获得邻近点间距跳变点集合Pjump：式中，Njump_nbr表示预设的邻近点个数，Thsdis为邻近点间距跳变阈值，l表示单线激光点云中的激光点序号，k表示该激光点的邻近点的序号；再取邻近点间距跳变点集合Pjump中的每个激光点作为后沿点，其在单线激光点云中之前的一个激光点作为前沿点，形成邻近点间距跳变点对并获得邻近点间距跳变点对集合Pneg_pair，具体是采用以下公式：式中，l表示单线激光点云中的激光点序号。以邻近点间距跳变点对集合Pneg_pair中的邻近点间距跳变点对作为初始候选点对。5.根据权利要求2所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法，其特征在于：所述的步骤1.3)具体为：将初始候选点对投影到激光雷达点云空间所对应的栅格属性地图上，每个栅格统计落在该栅格内激光点的数目，针对初始候选点对的后沿点判断是否满足以下公式：PtNum(k,l)-PtNum(m,n)≥Thsdensem∈[k-Ngrid,k+Ngrid],m≠kn∈[l-Ngrid,l+Ngrid],n≠l式中，Ngrid表示预设栅格邻近距离，PtNum(k,l)表示当前栅格中包含的所有激光点总数，PtNum(m,n)表示当前栅格在预设栅格邻近距离Ngrid邻域内的一栅格内包含的所有激光点总数，Thsdense是预设的点云密集阈值，当前栅格是指初始候选点对的后沿点所在的栅格，m、n分别表示当前栅格在预设栅格邻近距离Ngrid邻域内的栅格行号与列号。初始候选点对的后沿点满足公式，则认为满足局部点云分布密集特征，将该初始候选点对保留，继续下一步的处理；否则，将该初始候选点对舍弃，不继续下一步的处理。6.根据权利要求2所述的一种基于激光雷达点云局部结构特征的负障碍物检测方法，其特征在于：所述步骤1.4)具体为：对于步骤1.3)筛选后的每个初始候选点对，选取后沿点前方的Nline个平滑点形成平滑点集Plocal_smooth，将滑点集Plocal_smooth中的所有平滑点通过最小二乘法进行直线拟合获得直线方程；再将后沿点空间坐标[xl,yl,zl]中位于水平平面的x,y坐标代入直线方程，并与后沿点的z坐标相比较，具体是采用以下公式进行判断筛选：式中，dzl是筛选后的...

【专利技术属性】
技术研发人员：林辉，项志宇，邹楠，张佳鹏，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33