一种基于激光雷达深度图像的多障碍物检测和跟踪方法技术
【技术实现步骤摘要】
一种基于激光雷达深度图像的多障碍物检测和跟踪方法
本专利技术涉及激光雷达数据处理领域。更具体地，涉及一种基于激光雷达深度图像的多障碍物检测和跟踪方法。
技术介绍
环境感知是移动机器平台能够进行导航和避障的核心技术，其主要任务是提取周围环境中的障碍物，从而分辨出可通行区域。在各种类型的传感器之中，激光雷达有着测距精度高、实时性好、适用范围广等优点，因此移动机器平台将激光雷达作为主要传感器。目前对通过激光雷达获取周围环境动态信息的研究大多集中在结构化道路障碍物检测上，尤其是对车辆的检测和跟踪。常规做法是先将点云数据聚类分割为不同的障碍物，然后将不同时刻的障碍物数据相互关联起来，通过计算障碍物的动态特性来表示周围环境的动态特性。其中，障碍物检测和跟踪根据点云数据的聚类分割方式不同可分为直接在三维空间中聚类跟踪和映射为二维图像然后再聚类跟踪两种方法。前者可以通过INSAC算法、贝叶斯估计、三维地图对比差分等方法实现，但计算量都相对较大，不适合实时计算；后者通常是将激光雷达数据映射为方形或者扇形的栅格地图，然后对栅格地图进行障碍物检测，但该方法忽视了障碍物的高度信息，且计算...
【技术保护点】
一种基于激光雷达深度图像的多障碍物检测和跟踪方法，其特征在于，所述方法包括：S1：处理激光雷达数据得到深度图像，进而得到水平深度图像和高度图像；S2：根据所述深度图像、水平深度图像、高度图像和参考数据，通过边缘检测提取障碍物数据得到障碍物图像；S3：根据连续的障碍物图像建立动态的障碍物列表；S4：根据障碍物列表中的障碍物信息预测障碍物运动特性。
【技术特征摘要】
1.一种基于激光雷达深度图像的多障碍物检测和跟踪方法，其特征在于，所述方法包括：S1：处理激光雷达数据得到深度图像，进而得到水平深度图像和高度图像；S2：根据所述深度图像、水平深度图像、高度图像和参考数据，通过边缘检测提取障碍物数据得到障碍物图像；S3：根据连续的障碍物图像建立动态的障碍物列表；S4：根据障碍物列表中的障碍物信息预测障碍物运动特性。2.根据权利要求1所述的方法，其特征在于，所述S1包括：S11：对激光雷达数据进行滤波，去除激光雷达数据中的孤立噪点；S12：对滤波处理后的激光雷达数据进行离散化处理得到深度图像，所述深度图像为P＝{ru,v|u＝1,2,…,m；v＝1,2,…,n}m＝2π/Δα其中，ru,v为激光雷达数据中坐标为(u,v)的数据点到原点的距离，u为离散化后的水平角度序号，v为离散化后的垂直角度序号，Δα为离散化选取的角度间隔，为数据点相对于原点的水平角度，n为激光雷达的垂直通道数量；S13：处理所述深度图像得到水平深度图像D和高度图像H为其中，θ(v)为激光雷达通道序号v所对应的实际角度。3.根据权利要求2所述的方法，其特征在于，所述S11包括：S111：计算激光雷达数据中每个数据点与邻域数据点的最小差值为rmin＝min{|rc,i,t-rc+Δc,i+Δi,t+Δt|}其中，rc,i,t为数据点的坐标，c是该数据点所在的激光雷达的垂直通道数，i是数据点的水平角度序号，t是数据点的采集时刻序号，Δc,Δi,Δt分别为c，i，t的增量，取值范围分别为{-1，0，1}，且不全为零；S112：将rmin与自适应阈值δr进行比较，如果rmin小于阈值δr，则不作改变，反之，则用rc,i,t的邻域数据点的中值代替。4.根据权利要求1所述的方法，其特征在于，所述S2包括：S21：激光雷达数据中标记为天空的数据点为pi,j＝pmax且hi,j＞0其中，pi,j为深度图像中坐标为(i,j)的数据点的像素值，pmax为激光雷达的最大探测距离，hi,j为坐标为(i,j)的数据点的高度；S22：计算每个数据点与领域数据点的水平深度变化和高度变化的比值的绝对值，若低于阈值，则将该数据点标记为地面；S23：通过Canny边缘检测算法计算水平深度图像的边缘图像，进而去除所述水平深度图像中的边缘图像，得到连通域图像；S24：去除连通域图像中的天空、地面、面积小于阈值的连通域以及最低高度大于障碍影响范围的连通域得到障碍物图像。5.根据权利要求1所述的方法，其特征在于，所述连通域图像为m＝2π/Δα其中，D为水平深度图像，D*为边缘图像，d′ij为连通域图像中数据点的像素值，dij为水平深度图像中数据点的像素值，为边缘图像中数据点的像素值，Δα为离散化选取的角度间隔，n为激光雷达的垂直通道数量。6.根据权利要求1...
【专利技术属性】
技术研发人员：李晓峰，杨晗，管岭，贾利民，秦勇，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。