一种基于逻辑回归的障碍检测方法技术

本发明专利技术属于无人车辆可通行区域提取技术领域，具体涉及一种基于逻辑回归的障碍检测方法，包括以下步骤：通过激光雷达采集越野环境三维点云信息，再将离散的点云数据投影到二维深度图坐标中，提取邻域间的高度差和距离差特征，再利用逻辑回归进行训练，得到相应的参数

【技术实现步骤摘要】
一种基于逻辑回归的障碍检测方法


[0001]本专利技术属于无人车辆可通行区域提取
，具体涉及一种基于逻辑回归的障碍检测方法
。

技术介绍

[0002]未知环境下的障碍检测技术作为地面无人车辆技术的一个重要研究领域，在无先验环境信息的场景中应用广泛
。
事实上，在很多实际应用场合中，无人车并不具备先验环境信息，因此无人车必须具备在未知工作环境中进行障碍检测的能力，才能完成自主导航
、
目标搜索等其他任务
。
[0003]障碍检测主要是指正障碍物和负障碍物检测
。
正障碍物是指高出地面影响无人车通行的物体，而负障碍物则是低于地面的结构如坑
、
沟以及负斜坡等
。
目前大多数检测方法是将正负障碍分开检测，区分激光雷达数据中可通行区域的最主要的特征就是激光点云高度差，但是仅仅以高度差进行分析特征较为单一，很容易因为阈值的选取问题造成障碍检测不准确，大多无法同时满足无人车在大型室外越野场景中的障碍检测实时性和准确性要求，还有很多关键技术问题有待完善
。

技术实现思路

[0004](
一
)
要解决的技术问题
[0005]本专利技术要解决的技术问题是：如何解决以高度差为特征的传统障碍检测方法中，因为阈值的选取造成障碍检测不准确的问题
。
[0006](
二
)
技术方案
[0007]为解决上述技术问题，本专利技术提供一种基于逻辑回归的障碍检测方法，包括以下步骤：
[0008]步骤1：通过激光雷达获取三维点云球形投影的数据；
[0009]步骤2：对获取的三维点云球形投影的数据进行球形投影坐标转换，得到二维深度图像；
[0010]步骤3：在二维深度图像上，提取领域内的高度差特征和距离差特征；
[0011]步骤4：基于逻辑回归算法，对二维深度图像上的高度差特征和距离差特征进行障碍识别，即可获得障碍所在像素点的位置；
[0012]步骤5：通过球形投影坐标逆转换，然后再利用激光雷达与车体后轴的标定关系，将障碍所在像素点由二维深度图投影到栅格地图，获得可通行区域
。
[0013]其中，所述步骤2中，将三维点云球形投影的数据转换为二维深度图，是将三维点云球形投影成二维深度图，二维深度图的像素值存放着对应三维激光点云的距离
。
[0014]其中，所述步骤2中，为尽可能让二维深度图反映出原始的三维点云球形投影的数据，由于
n
线激光雷达会同时发出对应
n
束激光，因此将二维深度图的高度设置为
n
，二维深度图每一行的像素对应点云的俯仰角与
n
组激光器线束俯仰角一一对应，宽度设置为
870
，
对应的水平角角度分辨率为
0.41
°
；由于激光雷达伴随试验车辆颠簸或者由于深度图像分辨率不足，同一个深度图像素值可能会对应多个三维点云；因为试验车辆在自动驾驶过程中，检测近处障碍比远处障碍更为迫切，所以每一个二维深度图的像素值取对应多个的三维点云最小距离
。
[0015]其中，所述步骤2中，以
x
r
、y
r
、z
r
分别代表点云的
x、y、z
坐标，
α
y
、
α
p
为点云所对应的横摆角和俯仰角，投影关系式如下：
[0016]x
s
＝
x
r
·
x
r
[0017]y
s
＝
y
r
·
y
r
[0018]α
y
＝
a tan 2(y
r
,x
r
)
[0019]α
p
＝
a tan 2(
‑
z
r
,sqrt(x
s
+y
s
))。
[0020]其中，所述步骤3中，在二维深度图像上提取领域高度差特征和距离差特征，包含横向高度差特征
、
横向距离差特征
、
纵向距离差特征
、
纵向高度差特征；
[0021]为了让提取的特征更加准确，会在纵向邻域距离差
、
纵向邻域高度差
、
横向邻域距离差
、
横向邻域高度差概率灰度图的上，采用4种大小不同的窗口求出深度图像上某一像素点对应的平均灰度比例以及其方差特征，其中利用方差特征时，还需要其与1相减取绝对值，以便于与其他特征的显示效果一致，最终每一个像素点会对应
20
个特征
。
[0022]其中，所述步骤3中，在深度图像上提取领域高度差特征和距离差特征，是为了提取更多的有效特征，同一帧的原始点云会球形投影成深度图和高度图，只不过高度图的像素值存放着对应的最近三维点云高度；具体为：
[0023]1)
平滑深度图和高度图；由于想提取横向高度差
、
横向距离差
、
纵向距离差
、
纵向高度差特征，先对深度图和高度图取不同大小的窗口对其分别进行横向和纵向的均值滤波，平滑之后，深度图和高度图的特征信息更明显；
[0024]2)
拟合特征和障碍概率回归曲线；根据现有数据拟合出纵向邻域距离差
、
纵向邻域高度差
、
横向邻域距离差和横向邻域高度差四种特征的回归曲线；对于横向邻域距离差
,
随着横坐标上的横向领域距离差的增大，纵坐标上的障碍检测概率逐渐升高；利用逻辑回归曲线生成对应的概率灰度图，以更真实的反映特征信息；
[0025]3)
提取特征，得到特征图像；为了让提取的特征更加准确，会在纵向邻域距离差
、
纵向邻域高度差
、
横向邻域距离差
、
横向邻域高度差概率灰度图的基础上，采用1乘
5、2
乘
5、2
乘2和3乘3固定的窗口求出深度图像上某一像素点对应的平均灰度比例以及求出1乘5窗口的方差为特征，其中利用方差特征时，还需要其与1相减取绝对值，以便于与其他特征的显示效果一致；所以，最终每一个像素点会对应
20
个特征
。
[0026]其中，所述步骤4中，基于逻辑回归算法，对二维深度图像上的高度差特征和距离差特征进行障碍识别，即可获得障碍所在像素点的位置，包括：创建基于逻辑回归的障碍检测模型
、
障碍特征输入
、
更新逻辑回归模型
、
优化训练参数；
[0027]创建基于逻辑回归的障碍本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于逻辑回归的障碍检测方法，其特征在于，包括以下步骤：步骤1：通过激光雷达获取三维点云球形投影的数据；步骤2：对获取的三维点云球形投影的数据进行球形投影坐标转换，得到二维深度图像；步骤3：在二维深度图像上，提取领域内的高度差特征和距离差特征；步骤4：基于逻辑回归算法，对二维深度图像上的高度差特征和距离差特征进行障碍识别，即可获得障碍所在像素点的位置；步骤5：通过球形投影坐标逆转换，然后再利用激光雷达与车体后轴的标定关系，将障碍所在像素点由二维深度图投影到栅格地图，获得可通行区域
。2.
如权利要求1所述的基于逻辑回归的障碍检测方法，其特征在于，所述步骤2中，将三维点云球形投影的数据转换为二维深度图，是将三维点云球形投影成二维深度图，二维深度图的像素值存放着对应三维激光点云的距离
。3.
如权利要求2所述的基于逻辑回归的障碍检测方法，其特征在于，所述步骤2中，为尽可能让二维深度图反映出原始的三维点云球形投影的数据，由于
n
线激光雷达会同时发出对应
n
束激光，因此将二维深度图的高度设置为
n
，二维深度图每一行的像素对应点云的俯仰角与
n
组激光器线束俯仰角一一对应，宽度设置为
870
，对应的水平角角度分辨率为
0.41
°
；由于激光雷达伴随试验车辆颠簸或者由于深度图像分辨率不足，同一个深度图像素值可能会对应多个三维点云；因为试验车辆在自动驾驶过程中，检测近处障碍比远处障碍更为迫切，所以每一个二维深度图的像素值取对应多个的三维点云最小距离
。4.
如权利要求3所述的基于逻辑回归的障碍检测方法，其特征在于，所述步骤2中，以
x
r
、y
r
、z
r
分别代表点云的
x、y、z
坐标，
α
y
、
α
p
为点云所对应的横摆角和俯仰角，投影关系式如下：
x
s
＝
x
r
·
x
r
y
s
＝
y
r
·
y
r
α
y
＝
atan2(y
r
,x
r
)
α
p
＝
atan2(
‑
z
r
,sqrt(x
s
+y
s
))。5.
如权利要求4所述的基于逻辑回归的障碍检测方法，其特征在于，所述步骤3中，在二维深度图像上提取领域高度差特征和距离差特征，包含横向高度差特征
、
横向距离差特征
、
纵向距离差特征
、
纵向高度差特征；为了让提取的特征更加准确，会在纵向邻域距离差
、
纵向邻域高度差
、
横向邻域距离差
、
横向邻域高度差概率灰度图的上，采用4种大小不同的窗口求出深度图像上某一像素点对应的平均灰度比例以及其方差特征，其中利用方差特征时，还需要其与1相减取绝对值，以便于与其他特征的显示效果一致，最终每一个像素点会对应
20
个特征
。6.
如权利要求5所述的基于逻辑回归的障碍检测方法，其特征在于，所述步骤3中，在深度图像上提取领域高度差特征和距离差特征，是为了提取更多的有效特征，同一帧的原始点云会球形投影成深度图和高度图，只不过高度图的像素值存放着对应的最近三维点云高度；具体为：
1)
平滑深度图和高度图；由于想提取横向高度差
、
横向距离差
、
纵向距离差
、
纵向高度差特征，先对深度图和高度图取不同大小的窗口对其分别进行横向和纵向的均值滤波，平滑之后，深度图和高度图的特征信息更明显；
2)

【专利技术属性】
技术研发人员：周昌仪，李波，余振奇，高天云，李兆冬，杨雨，
申请(专利权)人：中兵智能创新研究院有限公司，
类型：发明
国别省市：