基于分数阶微分的三维点云前视投影图障碍物检测方法技术

本发明专利技术公开了一种基于分数阶微分的三维点云前视投影图障碍物检测方法，该方法首先将激光雷达采集的点云数据根据水平偏移角度和垂直偏移角度投影到前视图，前视图每个像素点的像素值由落入该像素点的所有点云的距离最大值决定；然后将分数阶微分的求解过程转换为对每一个像素点求

【技术实现步骤摘要】
基于分数阶微分的三维点云前视投影图障碍物检测方法


[0001]本专利技术属于三维点云处理
，具体地说，是一种基于分数阶微分的三维点云前视投影图障碍物检测方法
。

技术介绍

[0002]障碍物检测是无人车环境感知的重要环节，是其是否能安全的行驶
、
选择最合适的行驶路线的重要因素
。
障碍物检测的好坏直接影响无人车的安全系数
。
随着各种高实时性
、
高准确性的传感器在机器人上广泛的应用以及计算机性能的高速发展，障碍物检测已经被广泛地应用于机器人
。
近年来，激光雷达逐步取代了视觉相机，成为移动机器人障碍检测中的主要传感器
。
激光雷达分为传统的重复扫描式激光雷达和目前常见的非重复扫描式激光雷达，重复扫描式激光雷达重复扫描相同的位置，线数固定，这通常会导致场景中的信息不够丰富；目前，览沃推出了一种非重复扫描式激光雷达，通过棱镜旋转的方式，每一帧扫描不同的位置，丰富了场景中的信息
。
[0003]点云数据的障碍物检测方法主要有基于传统方法的点云障碍检测和基于深度学习的点云障碍检测
。
传统方法通常是对场景中的所有点进行平面拟合，每次随机选择场景中的三个点，选取的三个点组成一个平面，之后求取其他所有点到平面之间的距离，当距离大于一个阈值
τ
时，判定为外点，否则判定为内点
。
循环多次，将内点最多时对应的平面保存，将其认定为当前场景中的地平面
。
此时，距离地平面较远的点可以判定为障碍物点，这种基于地平面拟合的障碍物检测算法通常需要大量的循环来寻找最符合的地面参数，这将耗费大量的时间，同时面对斜坡等非障碍物情况也难以区分
。
[0004]基于深度学习的方法通常是将点云划分为体素块，对每个体素块进行特征提取，提取后的体素特征经过拼接还原成特征图，最终特征图送入卷积神经网络，根据网络的输出结果判定障碍物所处的区域
。
基于卷积神经网络的方法通常使用监督学习计算进行训练，这需要大量的手工标记的训练集
。
此外，基于深度学习的方法对于硬件设备需求较高，安装与机器人上的边缘计算设备一般难以满足需求
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于分数阶微分的三维点云前视投影图障碍物检测方法，根据障碍物检测的结果，使得机器人可以安全的在环境中移动
。
[0006]实现本专利技术目的的技术解决方案为：一种基于分数阶微分的三维点云前视投影图障碍物检测方法，包括以下步骤：
[0007]第一步：根据激光雷达的采集分辨率设置前视图每个像素代表的水平角分辨率和垂直角分辨，以及选定点云的水平范围和垂直范围
。
[0008]第二步：筛选位于所选区域内的点云，将筛选后的的点云根据其水平偏移量和垂直偏移量投影至前视图中对应像素点中，并将点云到激光雷达距离归一化的结果作为该点的像素值
。
如果前视图一个像素点中落入了多个点云数据，选取所有点云中距离最小值为
该点像素值；
[0009]第三步：对前视图中每一个像素点求分数阶微分，该过程通过对每一个像素点求解
y
方向的一维卷积实现；
[0010]第四步：判断每一个像素点的分数阶微分值，如果大于一个阈值，则该像素点内对应的所有点云可以判断为障碍物点云
。
[0011]进一步地，第二步中将筛选后的点云数据投影至前视图的具体方法如下：
[0012]1)
根据激光雷达的采集分辨率设置前视图的水平分辨率
Δθ
和垂直分辨率前视图的角分辨率设置大于激光雷达的采集分辨率；
[0013]2)
激光雷达在
t
时刻采集到一帧原始点云数据用一个集合
Z
t
表示
[0014][0015]其中，
i
为点云的索引值，
N
表示一帧点云中包含点个数的值，
(x
i
，
y
i
，
z
i
)
表示索引为
i
的点云在笛卡尔坐标系中的坐标值；将点云位于笛卡尔坐标系中的坐标值根据以下公式投影至球面坐标系中：
[0016][0017][0018][0019]其中，
d
i
表示索引为
i
的点云到激光雷达的测量距离，
θ
i
表示索引为
i
的点云相较于坐标原点的水平旋转角度，表示索引为
i
的点云相较于坐标原点的垂直旋转角度；投影过后的点云用集合表示：
[0020][0021]3)
筛掉不属于预设范围内的点云，并根据筛选后的点云数据以及预先设置的前视图角分辨率，计算出每一个点对应的前视图坐标索引：
[0022]P
i_x
＝
floor(
θ
i
÷
Δθ
)
[0023][0024]其中，
P
i_x
，
P
i_y
分别表示索引
i
的点云对应前视图中横坐标索引值和纵坐标索引值，
floor
表示向下取整；在确定了每一个点所对应的前视图像素后，每一点的距离值
d
i_ralue
用落在该像素中点云距离最小值表示：
[0025][0026]进一步地，第二步中的前视图属性如下表所示：
[0027][0028]进一步地，第三步中的通过一维卷积计算前视图中每一个像素点的分数阶微分的方法如下：
[0029]1)
构建一个
Eigen
类型的二维矩阵，大小为3行
(w
×
h)
列，使用
cv
：：
Mat
读取并保存一张前视图，遍历前视图中的每一个点，将每个点的像素值以及前两行相同位置的点的像素值总共3个值保存到
Eigen
类型的二维矩阵中，如果前两行为空则用0填充；
[0030]2)
图像
y
方向的分数阶微分根据以下公式表示：
[0031][0032]其中，
x
，
y
分别为图像横纵坐标的索引值，
f(x
，
y)
为以
x
，
y
为索引的像素点的像素值，
v
表示分数阶微分的阶数，取值范围为0～1；构建
Eigen
类型的一维矩阵，大小为1行3列，矩阵用以下公式表示：
[0033][0034]3)
将
1)
得到的3行
(w
×
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于分数阶微分的三维点云前视投影图障碍物检测方法，其特征在于，包括以下步骤：第一步：根据激光雷达的采集分辨率设置前视图每个像素代表的水平角分辨率和垂直角分辨，确定选定点云的水平范围和垂直范围；第二步：筛选位于所选区域内的点云，将筛选后的点云根据其水平偏移量和垂直偏移量投影至前视图中对应像素点中，并将点云到激光雷达距离归一化的结果作为该点的像素值；如果前视图一个像素点中落入了多个点云数据，则选取距离最小值为该点像素值；第三步：对前视图中每一个像素点求分数阶微分，该过程通过对每一个像素点求解
y
方向的一维卷积实现；第四步：判断每一个像素点的分数阶微分值，如果大于一个阈值，则该像素点内对应的所有点云判断为障碍物点云
。2.
根据权利要求1所述的分数阶微分的三维点云前视投影图障碍物检测方法，其特征在于，第二步中将筛选后的点云数据投影至前视图的具体方法如下：
1)
根据激光雷达的采集分辨率设置前视图的水平分辨率
Δθ
和垂直分辨率前视图的角分辨率设置大于激光雷达的采集分辨率；
2)
激光雷达在
t
时刻采集到一帧原始点云数据用一个集合
Z
i
表示其中，
i
为点云的索引值，
N
表示一帧点云中包含点个数的值，
(x
i
，
y
i
，
z
i
)
表示索引为
i
的点云在笛卡尔坐标系中的坐标值；将点云位于笛卡尔坐标系中的坐标值根据以下公式投影至球面坐标系中：至球面坐标系中：至球面坐标系中：其中，
d
i
表示索引为
i
的点云到激光雷达的测量距离，
θ
i
表示索引为
i
的点云相较于坐标原点的水平旋转角度，表示索引为
i
的点云相较于坐标原点的垂直旋转角度；投影过后的点云用集合表示：
3)
筛掉不属于预设范围内的点云，并根据筛选后的点云数据以及预先设置的前视图角分辨率，计算出每一个点对应的前视图坐标索引：
P
i_x
＝
floor(
θ
i
÷
Δθ
)
其中，
P
i_x
，
P
i_y
分别表示索引
i
的点云对应前视图中横坐标索引值和纵坐标索引值，
floor
表示向下取整；在确定了每一个点所对应的前视图像素后，每一点的距离值
d
i_value
用落在该像素中点云距离最小值表示：
3.
根据权利要求1所述的分数阶微分的三维点云前视投影...

【专利技术属性】
技术研发人员：袁夏，许嘉琛，梁永顺，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：