一种基于三维激光雷达目标识别的点云密度增强的方法技术

本发明专利技术公开了一种基于三维激光雷达目标识别的点云密度增强的方法，包括：通过三维激光雷达测量目标的初始点云数据，确定所述初始点云数据中的目标包围体；以所述目标包围体的中心为原点构建局部坐标系，将所述初始点云数据从初始的雷达坐标系下转换到所述局部坐标系下得到转换后点云数据；基于径向插值函数RBF和所述转换后点云数据构建三维曲面；基于所述三维曲面进行点云重采样以生成新的点云。本发明专利技术可使得目标点云密度同其距离无关，有利于点云特征提取，还可直接利用现有点云特征研究成果，如直方图等，并且适用于任意分割目标。

A method of point cloud density enhancement based on 3D lidar target recognition

The invention discloses a method of 3D laser radar target recognition based on point cloud density enhancement includes: through the initial measurement of target 3D laser radar data, determine the initial point cloud data in the bounding volume; with the goal of bounding box center local coordinate system is set up for the original point, will the initial point cloud data from initial radar coordinates conversion to the local coordinates obtained after the conversion of point cloud data; 3D surface reconstruction of point cloud data radial interpolation function RBF and the conversion based on the 3D surface; based on point cloud sampling to generate a new point cloud. The invention can make the density of the target point cloud independent of the distance, and is favorable for extracting the feature of the point cloud, and can directly utilize the existing point cloud characteristic research results, such as histograms, etc., and is suitable for any segmentation target.

【技术实现步骤摘要】
一种基于三维激光雷达目标识别的点云密度增强的方法
本专利技术属于智能驾驶
，尤其涉及一种基于三维激光雷达目标识别的点云密度增强的方法。
技术介绍
智能驾驶技术在交通安全、环境保护及缓解交通压力等方面都有巨大的应用潜力，目前已受到许多国家的科研机构及公司的高度重视。智能驾驶技术研究具有跨学科、多交叉等特点，其涉及机械电子、模式识别、人工智能、控制科学及软件工程等诸多学科知识，其中基于三维激光雷达的目标识别是其重要研究内容之一。三维激光雷达是智能车辆获取外部信息的重要传感器之一，具有可靠性和实时性强、精确性高等优点，因此被广泛地应用在智能车环境感知研究中。三维激光雷达具有多个激光传感器，点数据则是大规模的离散测量点数据的集合，它们为还原测量对象的基本形状特征和结构细节提供了充足的信息。但是，由三维激光雷达原理可知，目标离雷达距离越近，其点云越稠密，反之将稀疏。图1为一行人目标点云同距离变化关系示意图，如图1所示，在10米处目标点云中的点的数量约350个；随着距离增加，该目标点云中点的数量迅速下降，当距离达至50米时，只剩约20个点。从图1还可以发现，随距离增加目标点云的层数及每层上点数均同时减少。三维激光雷达这种点云密度同距离紧密相关的特性使得特征一致性较差，难以建立起目标有效直方图或几何形状特征，将极大地影响后期识别算法精度。为此，需要提供降低目标点云密度同距离的紧密关系的方法，以便提高目标识别的精度。
技术实现思路
本专利技术的目的在于提供一种基于三维激光雷达目标识别的点云密度增强的方法来克服或至少减轻现有技术中的至少一个上述缺陷。为实现上述目的，本专利技术提供一种基于三维激光雷达目标识别的点云密度增强的方法，包括：通过三维激光雷达测量目标的初始点云数据，确定所述初始点云数据中的目标包围体；以所述目标包围体的中心为原点构建局部坐标系，将所述初始点云数据从初始的雷达坐标系下转换到所述局部坐标系下得到转换后点云数据；基于径向插值函数RBF和所述转换后点云数据构建三维曲面；基于所述三维曲面进行点云重采样以生成新的点云。进一步地，其中以所述目标包围体的中心为原点构建局部坐标系包括：以所述目标包围体的中心为所述局部坐标系的原点；确定所述局部坐标系的第一主平面，第二主平面与所述第一主平面正交。进一步地，其中确定所述局部坐标系的第一主平面包括：确定目标包围体内点云的三个方向的特征向量e1,e2,e3及对应的特征值λ1,λ2,λ3，其中特征值大小关系为λ1＞λ2＞λ3；利用特征向量e1,e2来计算第一主平面进一步地，其中特征向量e1平行于所述雷达坐标系的竖直轴，基于随机抽样一致性算法RANSAC及σhd计算特征向量e2，特征向量e3与特征向量e1和e2分别垂直，其中：其中，Nt为点云中的点数，di为点i同其同层最近点的距离，HADP见下式：其中，Ml为总层数，dij为点i同其最近点j的投影距离，Nl为第j层上点云总数量。进一步地，其中将所述初始点云数据从初始的雷达坐标系下转换到所述局部坐标系下得到转换后点云数据包括：设雷达坐标系Oxyz下的点pi(x,y,z)，其在局部坐标系O′x′y′z′下的坐标为pi′(x′,y′,z′)，设坐标系Ox′y′z′为平行于O′x′y′z′，且原点与Oxyz相同，则pi在坐标系Ox′y′z′下的坐标值pi″(x″,y″,z″)计算式为：其中为对应坐标轴间夹角，则点pi′(x′,y′,z′)由下式计算：其中max(x″)，min(x″)分别为点的x″坐标值的最大及最小值，max(y″)，min(y″)及max(z″)，min(z″)分别为y″和z″的最大、最小值。进一步地，其中基于径向插值函数RBF和所述转换后点云数据构建三维曲面包括：基于RBF的函数S的表达式如下：其中wi为常量系数，Φ(r),r≥0为固定实值函数，||·||表示欧式距离，p为k维空间中点云，点pi,i＝1,…,N为RBF函数逼近的中心；其中，Φ(r)包括如下至少一个：和exp(r/ε)*(3r/ε+(r/ε)2)。进一步地，其中，当Φ(r)包括两个以上表达式时，基于交叉检验及均方根误差RMSE法选择最优Φ(r)：其中pi为测试点，Np为测试点的数量，S为所述基于RBF的函数，F为已知测试函数，F的值为测试点的y′轴坐标值，RMSE的值越小则Φ(r)更优。进一步地，基于所述三维曲面进行点云重采样以生成新的点云包括：将所述目标投影至所述第一主平面上，按照横、纵向网格宽度rm,rn生成二值网格坐标系Omn，坐标原点位于左上角，Om轴正向指向右方，On轴正向指向下方，各网格单元中存储0/1值，其中值1表示网格对应的主平面上存在点云投影，值0表示网格对应的主平面上不存在点云投影；利用下式对所述三维曲面上的点云中的所有点进行遍历，确定其属于的网格单元，如果网格单元中存在一个或多个点，则该网格单元值为1，否则为0，最终生成二值网络：其中m,n表示网格坐标值，xi′,zi′为点i的坐标值，min(x′),min(z′)为所有点云的最小x′及y′值；在所述二值网格坐标系中扫描线对应每一层横向网格，采用跳跃聚类JDC算法将各层上的扫描线进行分割，以表示其中一个分割，其中Ns为第Lj层上网格的分割数量，Nl为网格纵向层数，即扫描线个数；在扫描线分割完成后对横向单元值为0的网格进行重新调整，包括：如果一个包括不止一个单元值为1的网格，则设置所处的所有网格为单元值为1的网格；如果一个仅有一个单元值为1的网格，则设置该单元值为1的网格的左右两侧na个网格为单元值为1的网格，参数na取决于网格横向宽度rm；对于纵向单元值为1的网格，计算网格相邻层的近邻分割，将处于这两个分割的连接处的所有网格置为单元值为1的网格；对网格坐标系中的每一个单元值为1的网格，在目标局部坐标系O′x′y′z′都对应一个点，该点的坐标值为：其中S为所述基于RBF的函数S，所有点(x′,y′,z′)的和构成新的点云。本专利技术由于采取以上技术方案，其具有以下优点：1、可使得目标点云密度同其距离无关，有利于点云特征提取；2、可直接利用现有点云特征研究成果，如直方图等；3、密度增加算法是在点云分割基础上进行，因此适用于任意分割目标。附图说明图1是现有技术中行人目标在距离雷达10m-50m时的点云图；图2是本专利技术提供的基于三维激光雷达目标识别的点云密度增强的方法的流程图；图3是目标局部坐标系的示意图；图4(a)～(d)是在本专利技术提供的点云密度增强的方法中执行点云重采样的示意图；图5是在图2所示的流程中对纵向“hitcell”的线性计算示意图。具体实施方式在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本专利技术的实施例进行详细说明。在本专利技术的描述中，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术保护范围的限制。本专利技术提供一种基于三维激光雷达目标识别的点云密度增强的方法，该方法可以应用于智能车本文档来自技高网...

【技术保护点】
一种基于三维激光雷达目标识别的点云密度增强的方法，包括：通过三维激光雷达测量目标的初始点云数据，确定所述初始点云数据中的目标包围体；以所述目标包围体的中心为原点构建局部坐标系，将所述初始点云数据从初始的雷达坐标系下转换到所述局部坐标系下得到转换后点云数据；基于径向插值函数RBF和所述转换后点云数据构建三维曲面；基于所述三维曲面进行点云重采样以生成新的点云。

【技术特征摘要】
1.一种基于三维激光雷达目标识别的点云密度增强的方法，包括：通过三维激光雷达测量目标的初始点云数据，确定所述初始点云数据中的目标包围体；以所述目标包围体的中心为原点构建局部坐标系，将所述初始点云数据从初始的雷达坐标系下转换到所述局部坐标系下得到转换后点云数据；基于径向插值函数RBF和所述转换后点云数据构建三维曲面；基于所述三维曲面进行点云重采样以生成新的点云。2.如权利要求1所述的方法，其中以所述目标包围体的中心为原点构建局部坐标系包括：以所述目标包围体的中心为所述局部坐标系的原点；确定所述局部坐标系的第一主平面，第二主平面与所述第一主平面正交。3.如权利要求2所述的方法，其中确定所述局部坐标系的第一主平面包括：确定目标包围体内点云的三个方向的特征向量e1,e2,e3及对应的特征值λ1,λ2,λ3，其中特征值大小关系为λ1＞λ2＞λ3；利用特征向量e1,e2来计算第一主平面4.如权利要求3所述的方法，其中特征向量e1平行于所述雷达坐标系的竖直轴，基于随机抽样一致性算法RANSAC及σhd计算特征向量e2，特征向量e3与特征向量e1和e1分别垂直，其中：其中，Nt为点云中的点数，di为点i同其同层最近点的距离，HADP见下式：其中，Ml为总层数，dij为点i同其最近点j的投影距离，Nl为第j层上点云总数量。5.如权利要求4所述的方法，其中将所述初始点云数据从初始的雷达坐标系下转换到所述局部坐标系下得到转换后点云数据包括：设雷达坐标系Oxyz下的点pi(x,y,z)，其在局部坐标系O′x′y′z′下的坐标为p′i(x′,y′,z′)，设坐标系Ox′y′z′为平行于O′x′y′z′，且原点与Oxyz相同，则pi在坐标系Ox′y′z′下的坐标值p″i(x″,y″,z″)计算式为：其中为对应坐标轴间夹角，则点p′i(x′,y′,z′)由下式计算：其中max(x″)，min(x″)分别为点的x″坐标值的最大及最小值，max(y″)，min(y″)及max(z″)，min(z″)分别为y″和z″的最大、最小值。6.如权利要求1至5中任...

【专利技术属性】
技术研发人员：王肖，
申请(专利权)人：北京智行者科技有限公司，
类型：发明
国别省市：北京,11