【技术实现步骤摘要】
一种智能驾驶车辆结构化道路下目标检测识别方法
[0001]本专利技术属于智能驾驶领域，具体涉及一种应用在结构化道路下的智能驾驶车辆基于三维点云数据实现路面目标检测识别的方法。
技术介绍
[0002]在智慧交通和人工智能技术飞快发展的今天，智能驾驶车辆在改善道路交通的安全性问题以及疏解停车难问题的同时，也大大降低因人为操作不当造成的交通事故引起生命与财产的巨大损失。
[0003]随着特斯拉等新能源汽车企业的出现，智能驾驶技术正在受到社会各界的广泛关注，并向着更高等级的自动驾驶领域前进，也被认为是未来交通系统的一种极具前景的发展方向。
[0004]智能驾驶系统由感知、决策以及控制三部分组成，是一种综合性的智能控制系统。感知模块由环境感知、导航定位以及车辆状态感知构成。环境感知就像是汽车的视听觉，能够帮助汽车快速、精确地获取行驶环境信息，是车辆实现避障、定位、路径规划等高级智能行为的前提条件和基础。
[0005]现阶段为了提高汽车感知系统的能力，提高汽车的智能化程度，会在汽车中安装很多传感器，比如激光雷达、毫米波雷达、摄像头、定位和导航系统等多种传感器。三维激光雷达具有测距精度高、探测范围大以及不受照明条件影响等优势，激光器高速地水平旋转来获取周围的环境信息，从而生成了一系列数据点，被称作点云数据，能够对周围三维环境进行详细的描述。被绝大多数企业认为是发展更高等级自动驾驶不可或缺的一部分。基于激光雷达采集到的三维点云数据，实现物体的快速检测识别是环境感知中至关重要的环节
技术实现思路
>[0006]本专利技术采用车载激光雷达采集三维点云数据，利用激光雷达数据精度高，约束条件少等优势解决了毫米波雷达检测精度不够，无法对周围三维环境进行详细描述的问题，并设计优化了点云分割算法结合基于深度学习的点云分类算法，优化效果明显，可以保证在结构化道路下快速实现目标检测识别任务。
[0007]本专利技术为解决各环节技术问题，设计了如下技术方案：
[0008]为实现在结构化道路下目标物体的快速检测识别，本方法是通过如下模块实现的：
[0009]数据采集模块、坐标转换模块、点云数据预处理模块、地面点云分割模块、目标物体分割模块、点云分类识别模块。
[0010]本方法基于ROS平台搭建数据处理及可视化软件系统，以Ubuntu作为操作系统，以C++和Python作为程序语言。读取激光雷达采集到的三维点云数据，在各模块实现数据处理，最后在RVIZ可视化平台显示。
[0011]数据采集模块负责采集三维点云数据，主要通过安装在汽车顶部的机械式激光雷
达采集三维点云数据，激光雷达可以是任意品牌，线数为32线或64线。
[0012]坐标转换模块负责实现三维点云数据在激光雷达坐标系与车辆坐标系间的转换，通过解析原始UDP数据包得到点云在激光雷达的坐标系下三维坐标，基于旋转矩阵R和平移矩阵T实现转换，得到点云在车辆坐标系下的三维坐标，具体包含以下步骤：
[0013]步骤1.1、解析原始UDP数据包获取回波距离Range、垂直角度V_theta、水平角度H_Beta、转台角度ωt等参数。
[0014]步骤1.2、通过下列公式计算点云在激光雷达坐标系下的三维坐标(x
l
,y
l
,z
l
)：
[0015]Angle＝
‑
ωt
‑
ω*Δt
‑
(H_Beta)
ꢀꢀ
(4
‑
1)
[0016][0017]步骤1.3、由安装激光雷达时实际测量得到的夹角向量A＝[ε
1 ε
2 ε3]，计算得到旋转矩阵R：
[0018]R＝R(ε1)R(ε2)R(ε3)
ꢀꢀ
(4
‑
3)
[0019]其中：
[0020][0021][0022][0023]由公式(4
‑
3)结合平移矩阵T，得到车辆坐标系o
v
x
v
y
v
z
v
与激光雷达坐标系o
l
x
l
y
l
z
l
的转换公式：
[0024][0025]由此得到点云在车辆坐标系下的三维坐标(x
v
,y
v
,z
v
)。
[0026]点云数据预处理模块负责对车辆坐标系下的三维点云进行数据预处理操作，使用PCL开源库，选择直通滤波与统计滤波，有效过滤点云数据中的离群点以及距离行驶车辆过远的点云数据。
[0027]地面点云分割模块负责将预处理后的三维点云数据中的地面点云分割处理，为实现地面点云和非地面点云的快速分离，设计了一种基于多扇区投影的多迭代地面拟合方法，具体原理步骤如下：
[0028]步骤2.1、将单帧点云数据在X
‑
Y平面上以角度θ划分为等角度的多个扇形区域，以第一象限X轴向上的第一个扇区为编号为0的扇区，编号逆时钟增长，根据每一个点在X
‑
Y平面上的投影坐标(x,y)计算该点属于哪个扇区。θ可根据实际情况自行设置。在本方法中设置θ＝3
°
，共划分120个扇区。
[0029]步骤2.2、对各扇区里的点按Z轴大小从Z0开始排序，由激光雷达相对于地面的高度h，得到Z0‑
(
‑
h)的值，若大于阈值M，则判断该点脱离地面，排除整个扇区。否则继续判断D＝Z1‑
Z0，若D<N且Z1‑
(
‑
h)<M，则继续考虑，否则不再考虑后面的点，以此得到拟合点P
i
(f
i
＝0)。阈值M与N可根据实际情况自行设置。在本方法中设定阈值为0.2m。
[0030]步骤2.3、运用最小二乘法根据拟合点P
i
(f
i
＝0)进行拟合得到平面方程G(x,y,z)＝EstimatePlane[P
i
(f
i
＝0)]。
[0031]步骤2.4、遍历点云P
i
(f
i
＝1)，计算P
i
(f
i
＝1)与平面G(x,y,z)之间的垂直投影距离distance
i
；设置距离阈值ε
dist
，判断distance
i
≤ε
dist
是否成立，若成立，将点P
i
的标识f
i
置为0，归入地面点云；否则，保持不变。距离阈值ε
dist
可根据实际情况自行设置。本方法中设定阈值ε
dist
为0.2m。
[0032]步骤2.5、设置迭代次数N
iter
，重本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种智能驾驶车辆结构化道路下目标检测识别方法，其特征在于，所述的智能驾驶车辆结构化道路下目标检测识别方法是通过以下模块实现的：数据采集模块、坐标转换模块、点云数据预处理模块、地面点云分割模块、目标物体分割模块、点云分类识别模块；所述的数据采集模块采集的数据为三维点云数据，来源于安装在汽车顶部的机械式激光雷达，激光雷线数为32线或64线；所述的坐标转换模块是基于旋转矩阵R和平移矩阵T，在激光雷达坐标系与车辆坐标系之间进行转换；所述的点云数据预处理模块，使用PCL开源库，选择直通滤波与统计滤波，过滤点云数据中的离群点以及距离行驶车辆过远的点云数据；所述的地面点云分割模块用于实现地面点云和非地面点云的快速分离；所述的目标物体分割模块利用目标检测识别方法：基于ROS平台搭建数据处理及可视化软件系统，以Ubuntu作为操作系统，以C++和Python作为程序语言；读取激光雷达采集到的三维点云数据，在各模块实现数据处理，最后在RVIZ可视化平台显示；所述的点云分类识别模块，使用了基于PointNet++神经网络的点云分类算法进行点云分类与识别。2.根据权利要求1所述的一种智能驾驶车辆结构化道路下目标检测识别方法，其特征在于，所述的坐标转换模块按以下步骤进行：步骤1.1、解析原始UDP数据包获取回波距离Range、垂直角度V_theta、水平角度H_Beta、转台角度ωt参数；步骤1.2、通过下列公式计算点云在激光雷达坐标系下的三维坐标(x
l
，y
l
，z
l
)：Angle＝
‑
ωt
‑
ω*Δt
‑
(H_Beta)
ꢀꢀꢀꢀ
(2
‑
1)步骤1.3、由安装激光雷达时实际测量得到的夹角向量A＝[ε
1 ε
2 ε3]，计算得到旋转矩阵R：R＝R(ε1)R(ε2)R(ε3)
ꢀꢀꢀꢀ
(2
‑
3)其中：其中：其中：由公式(2
‑
3)结合平移矩阵T，得到车辆坐标系o
v
x
v
y
v
z
v
与激光雷达坐标系o
l
x
l
y
l
z
l
的转换公式：
由此得到点云在车辆坐标系下的三维坐标(x
v
，y
v
，z
v
)。3.根据权利要求1所述的一种智能驾驶车辆结构化道路下目标检测识别方法，其特征在于，所述的地面点云分割模块，为实现地面点云和非地面点云的快速分离，设计了一种基于多扇区投影的多迭代地面拟合方法，按照以下步骤进行：步骤2.1、将单帧点云数据在X
‑
Y平面上以角度θ划分为等角度的多个扇形区域，以第一象限X轴向上的第一个扇区为编号为0的扇区，编号逆时钟增长，根据每一个点在X
‑
Y平面上的投影坐标(x，y)计算该点属于哪个扇区；θ可根据实际情况自行设置；步骤2.2、对各扇区里的点按Z轴大小从Z0开始排序，由激光雷达相对于地面的高度h，得到Z0‑
(
‑
h)的值，若大于阈值M，则判断该点脱离地面，排除整个扇区；否则继续判断D＝Z1‑
Z0，若D＜N且Z1‑
(
‑
h)＜M，则继续考虑，否则不再考虑后面的点，以此得到拟合点P
i
(f
i
＝0)；阈值M与N可根据实际情况自行设置；步骤2.3、运用最小二乘法根据拟合点P
i
(f
i
＝0)进行拟合得到平面方程G(x，y，z)＝EstimatePlane[P
i
(f
i
＝0)]；步骤2.4、遍历点云P
i
(f
i
＝1)，计算P
i
【专利技术属性】
技术研发人员：杨长春，苏昊，王子垚，贺津，魏星，
申请(专利权)人：常州大学，
类型：发明
国别省市：
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。