一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置制造方法及图纸

本发明专利技术公开了一种基于车载雷达的对目标进行聚类的方法，涉及三维激光雷达点云数据处理技术领域，所述方法包括：收集车载雷达的测量数据，作为待聚类的数据；使用多尺度分块的点云处理算法对数据进行预处理；通过一种设置距离的动态阈值的方法来使用欧式聚类分割点云数据；添加角度阈值来解决大规模人群的欠分割问题，本发明专利技术提出的对数据预处理的改进、对欧式聚类的距离阈值的改进和对较大规模人群目标添加的角度阈值可以较好地提高车载雷达的对目标进行聚类的准确性，且对多目标具有很好的聚类效果。好的聚类效果。好的聚类效果。

【技术实现步骤摘要】
一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置


[0001]本专利技术属于三维激光雷达点云数据处理
，具体涉及一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置。

技术介绍

[0002]车载三维激光雷达具有准确性高和测量范围大的优点。此外，车载三维激光雷达还不受光照环境的限制。这使得车载三维激光雷达在智能驾驶领域得到了广泛的应用。车载三维激光雷达产生的点云数据是一个无序而没有关系的点的集合。为了达到识别雷达外界环境的目的，首先应将点云数据聚类分割成多个独立的子集，每个独立的子集都对应着一个现实世界的物理目标。之后则在此基础上进行目标分类和识别。这也意味着对点云数据的聚类分割的准确性将是后续处理步骤的效果的决定性因素。因此，提出一种提高分割准确度的方法十分有必要。
[0003]当前的点云分割方法的主要过程是将初始3D点划为非重复区域。每个区域映射一个场景中的对象。点云分割主要有4种方法。基于边缘的方法将基于二维图像方法直接应用转换为三维点云。算法主要分为边缘检测和边缘点分组两个阶段。这种算法只有在具有理想点的简单场景中才具有较高的性能。处理密集和大面积的点云数据时效果不佳。基于区域增长的方法将两个点或区域单元之间的特征结合从而测量像素(2D)、点(3D)或体素(3D)之间的相似性，并将它们合并在一起。这种方法对精度种子的生长准则和位置要求较高，消耗的计算资源也较多，在计算力有限的智能驾驶系统中表现不佳。基于模型拟合分割的方法将点云与不同的原始几何图形进行匹配，这是一种形状检测或提取的方法。此外，当处理具有参数几何图形/模型的场景时，例如平面、球体和圆柱体，模型拟合。最常见的模型拟合方法是建立在两种经典算法上的，Hough变换(HT)和随机样本一致性(RANSAC)。
[0004]基于聚类分割的方法是具有相同目标的不同方法的混合，即将具有相似性几何谱特征或空间分布的点组合成相同的均匀模式。这些均匀模式通常不会有预先的定义。因此基于聚类的算法可用于不规则对象分割。对于不同的聚类方法，可以选择多个具有不同特性的相似性度量，例如欧几里德距离、密度和法向量等。
[0005]由于通行的目标点云分割算法的准确性不高或不适用于汽车雷达领域，提出一种优化算法显得格外重要。

技术实现思路

[0006]本专利技术的目的在于提供一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置，以解决现有技术中导致的上述缺陷。
[0007]一种基于车载雷达的对目标进行聚类的方法，包括如下步骤：
[0008]S1.获取车载雷达点云数据；
[0009]S2.对点云数据进行预处理；
[0010]S3.去除地面点云数据；
[0011]S4.设置动态阈值；
[0012]S5.添加角度阈值；
[0013]S6.对点云数据进行欧式聚类。
[0014]优选的，在对点云数据进行预处理时，通过对点云数据进行下采样，进而缩小点云的数量。
[0015]优选的，去除地面点云数据的方法如下：
[0016]S3.1.使用点云数据建立虚拟分块坐标系，然后将三位坐标投影到二维平面，从而将数据根据平面坐标建立网格索引，由此可以建立索引帮助进行快速查询；
[0017]S3.2.通过上述步骤对点云分块化处理后，在每个块内抽取最低点作为初始点，并通过将网格中的其他点与种子点比较，判断该点是否为地面点，然后去除所有地面点，从而完成删除地面点云数据的操作。
[0018]优选的，距离的动态阈值d的设置方法如下：
[0019][0020]其中，a和b为待检索的聚类中心点的的坐标；x和y则为参数，x和y这两个参数与激光雷达的角分辨率成正比，与激光雷达的角度精度成反比。
[0021]优选的，在点云位置位于行人下肢区域时，设置一个所述的角度阈值，将大于角度阈值的分割为不同目标，小于角度阈值的则合成为同一目标。
[0022]其中，在雷达扫描现实世界中的对象时可以发现，大规模聚集人群中多个人物目标之间的下肢部分会形成一个角度差，这个角度差相比于同一个对象内部的点云之间所形成的角度差要大很多。因此当点云位于行人下肢区域时，可以设置一个所述的角度阈值，将大于角度阈值的分割为不同目标，小于角度阈值的则合成为同一目标。该角度阈值经过多次实验发现设置为0.6
°
左右时可以较好的提高聚类的效果。
[0023]优选的，在对点云数据进行欧式聚类时，通过KD
‑
Tree的近邻查询算法，计算邻域点到目标点的欧氏距离。
[0024]优选的，在对点云数据进行欧式聚类时，首先将在阈值范围内的点聚为一个类，然后不断重复计算过程，直到计算完所有的新点。
[0025]优选的，所述合理动作包括但不限于减速、避障以及停车。
[0026]本专利技术还公开了一种存储器，存储器中存储有计算机程序，该计算机程序采用了如上述的基于车载雷达的对目标进行聚类的方法。
[0027]本专利技术还公开了一种电子装置，包括至少一个处理器和至少一个与所述处理器连接的存储器，所述存储器中存储有计算机程序，其特征在于，所述处理器用于调用如上述存储器中的计算机程序从而执行基于车载雷达的对目标进行聚类的方法。
[0028]本专利技术的优点在于：
[0029]1.本专利技术提出的对数据预处理的改进、对欧式聚类的距离阈值的改进和对较大规模人群目标添加的角度阈值可以较好地提高车载雷达的对目标进行聚类的准确性，且对多目标具有很好的聚类效果。
[0030]2.本专利技术提出了一种多尺度分块的点云处理算法，通过设置动态阈值，从而避免使用固定阈值将地面近似为平面或二次曲面的传统的地面点云去除算法的弊端。由于点云
数据具有近密远疏的特点，将固定的距离阈值变为根据距离改变的可变的动态阈值，这提高了点云分割的效果。
[0031]3.为了解决雷达在较大规模人群中频繁出现的欠分割困境，本专利技术在点云位置位于行人下肢区域时，设置一个角度阈值，从而将大于角度阈值的分割为不同目标，小于角度阈值的则合成为同一目标。
附图说明
[0032]图1为本专利技术实施例提供的一种车载雷达目标聚类方法的步骤流程图。
具体实施方式
[0033]为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0034]参照图1所示，本实施例公开了一种基于车载雷达的对目标进行聚类的方法，具体如下：
[0035]获取车载雷达点云数据
[0036]通过车载系统获取车载LiDAR的原始点云数据，作为待聚类的数据集；
[0037]激光雷达收集的点云数据是无序点的集合，点与点没有联系。为了达到对环境进行识别的目标需要对点云进行聚类分割。这可以让点云被分为多个独立点云小集合。每个小集合意味着一个现实世界中的目标。因此对点云数据进行分割的准确性会直接影响后续处理的准确度，准确度高则目标分类和识别的效果好。准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车载雷达的对目标进行聚类的方法，其特征在于，包括如下步骤：S1.获取车载雷达点云数据；S2.对点云数据进行预处理；S3.去除地面点云数据；S4.设置动态阈值；S5.添加角度阈值；S6.对点云数据进行欧式聚类。2.根据权利要求1所述的一种基于车载雷达的对目标进行聚类的方法，其特征在于，在对点云数据进行预处理时，通过对点云数据进行下采样，具体方法如下：首先通过输入的点云数据创建一个微小的空间三维立方体的集合，然后在每个三维立方体中使用其包含的所有点的重心来近似的显示三维立方体中的其它的点，从而将这个三维立方体中的所有点转为一个点，通过对所有的三维立方体进行同样的操作，最终产生下采样后的点云数据，进而缩小点云的数量。3.根据权利要求1所述的一种基于车载雷达的对目标进行聚类的方法，其特征在于，去除地面点云数据的方法如下：S3.1.使用点云数据建立虚拟分块坐标系，然后将三位坐标投影到二维平面，从而将数据根据平面坐标建立网格索引，由此可以建立索引帮助进行快速查询；S3.2.通过上述步骤对点云分块化处理后，在每个块内抽取最低点作为初始点，并通过将网格中的其他点与种子点比较，判断该点是否为地面点，然后去除所有地面点，从而完成删除地面点云数据的操作。4.根据权利要求1所述的一种基于车载雷达的对目标进行聚类的方法，其特征在于，距...

【专利技术属性】
技术研发人员：柴诚，蒋立伟，杨华，谷涛涛，檀生辉，吴勇，王东，戴兴民，伍旭东，
申请(专利权)人：西安电子科技大学芜湖研究院，
类型：发明
国别省市：