CN102270301A - 一种svm与激光雷达结合检测非结构化道路边界的方法 - Google Patents

Abstract

本发明公开了对智能车辆正在行驶的非结构化道路边界检测方法。本方法将车载64线激光雷达的一帧数据分析处理之后得到一帧二值栅格数据，将该帧二值栅格数据进行膨胀、腐蚀操作，填充了道路同一侧的障碍物数据之间狭小空间且保持整体轮廓不变；求取每个障碍物目标的轮廓，以链码形式保存，并求其质心；对障碍物目标使用K均值聚类，样本使用求取的质心，目标类别数为两类，分别为道路左侧障碍物目标，道路右侧障碍物目标；接着用SVM进行训练，样本使用分好类别的障碍物目标的轮廓点，获得分类器，最后根据分类器、最大间隔条件以及栅格数据求取描述道路边界的直线段。本方法尽量减少参与计算的数据，实时性好，求取的道路边界正确率也比较高。

Description

一种SVM与激光雷达结合检测非结构化道路边界的方法

技术领域

本发明涉及一种对智能车辆正在行驶的非结构化道路边界的检测方法，特别是一种SVM（支持向量机）与激光雷达结合检测非结构化道路边界的方法。

背景技术

智能车辆导航技术中对于行驶的道路的感知理解，大部分研究都是基于图像来进行的。由安装在智能车辆正上方的摄像头采集前方道路的图像，然后使用图像处理的方法提取道路边界信息。当智能车辆行驶在结构化道路上时，道路边界信息非常明显，易于提取，而在非结构化道路上，道路的环境十分复杂，主要表现在：（1）道路表面覆盖物多种多样，可能是泥土、沙石、沥青和水泥；（2）道路宽度变化大，有些地方路面较宽，有些地方路面狭窄，只能允许一辆车通过；（3）道路边界变化多样，大多是人工铺设路面与自然景物（植物）相交形成的道路边界，因此不能用简单的直线表示，并且会随着季节变化；（4）道路平整度较差，可能凸凹不平。基于以上原因，非结构化道路的边界信息往往不明显，使用图像处理的手段受到了一定的限制。

由CN1979524A可知一种道路边界的检测方法，对采集的图像进行边缘提取，利用连续帧对应区域内的特征点，获得图像的速度信息，然后检测具有速度成分的像素沿纵向连续存在的区域中的最低点位置，连接这些最低点并判断是否是道路边界。

由CN101629820A可知一种道路边界的检测方法，通过车载LIDAR获得测距数据，然后生成海拔数据，接着基于海拔数据来选择道路和道路侧边缘的候选区域，最后在地平面上的投影中检查候选区域来确定道路和道路侧边缘的存在和位置。

上述专利中提及的方法都只适用于结构化道路，不适合非结构化道路的边界检测。

发明内容

    本发明的目的在于提供SVM与激光雷达结合检测非结构化道路边界的方法，来帮助智能车辆进行导航。

本发明的技术解决方案为：一种SVM与激光雷达结合检测非结构化道路边界的方法，包括以下步骤：

步骤1、在车辆顶端安装64线激光雷达，对该雷达进行标定并采集周围障碍物的三维数据；

步骤2、将采集到的三维数据投影生成二值栅格数据；

步骤3、对二值栅格数据进行膨胀、腐蚀操作；

步骤4、将膨胀、腐蚀之后的数据进行K-means聚类；

步骤5、对数据使用SVM训练获得分类器，利用分类器求取道边，从而完成非结构化道路边界的检测。

本发明与现有技术相比，其有益效果为：1）本方法尽量减少参与计算的数据，实时性好，求取的道路边界正确率也比较高；2）能够全天候工作，不受光照影响，算法鲁棒性好；3）本发明的方法能够检测各类非结构道路边界，克服了基于视觉道路检测的缺点。

    下面结合附图来对本发明做进一步的详细描述。

附图说明

图1是本发明的SVM与激光雷达结合检测非结构化道路边界的方法流程图。

图2是本发明所提及栅格数据例图。

图3是本发明所提及栅格数据膨胀、腐蚀后的例图。

图4是SVM原理示意图。

图5是本发明结果示意图。

具体实施方案

本发明的一种SVM与激光雷达结合检测非结构化道路边界的方法，是在智能车辆行驶过程中，由车载64线激光雷达采集的数据分析处理，生成二值栅格数据；对二值栅格数据进行膨胀、腐蚀操作，使得障碍物的表示尽可能的连通；为了减少处理数据量，对障碍物目标求取轮廓，记录下这些轮廓点以及计算出质心；接着使用K-means算法对障碍物质心进行分类，目标对象为两类；用SVM训练两类目标的轮廓点，即可得到道路边界。结合图1，具体包括以下步骤：

步骤1、在车辆顶端安装64线激光雷达，对该雷达进行标定并采集周围障碍物的三维数据，标定采用K. P. Horn提出的四元组估算等算法进行标定；

步骤2、将采集到的三维数据投影生成二值栅格数据；具体是将障碍物投影到60*40的栅格中，每个栅格代表边长为0.5m的正方形区域，栅格中有障碍物则数据为1，栅格中无障碍物则数据为0。

步骤3、对二值栅格数据进行膨胀、腐蚀操作；具体使用3*3大小的窗口，对二值栅格数据进行膨、腐蚀操作，填充细小缝隙。

步骤4、将膨胀、腐蚀之后的数据进行K-means（K均值）聚类；具体包括以下步骤：

步骤41、对每个障碍物目标求取其轮廓，将轮廓以链码形式保存下来；

步骤42、利用轮廓计算每个障碍物目标的面积，然后进行一次判断，将目标面积小于阈值T的删除，这个T是经验值，根据需要进行设定，其意义是认为面积小于T的障碍物目标可以忽略；

步骤43、计算上述目标的质心                                               ，其中n为描述该目标轮廓的点的个数，

是当前计算质心的障碍物目标的第i个轮廓点；

步骤44、用K-means聚类算法对障碍物目标质心进行聚类，目标类别数为道路左边障碍物和道路右边障碍物两类。

步骤5、对数据使用SVM训练获得分类器，利用分类器求取道边，从而完成非结构化道路边界的检测。利用分类器求取道边具体为：

步骤51、把K-means聚类之后的两类目标的所有轮廓点作为训练样本，使用SVM（支持向量机）进行训练，得到超平面H以及N个支撑向量；这里超平面H为一条直线，其意义是训练得到的一个分类器，该超平面H即为直线方程H；

步骤52、通过上述直线方程H确定道路边界的方向，所述道路边界与直线H相平行；

步骤53、对两类支撑向量进行处理，分别求取其所在的直线方程，具体为：判断每类支撑向量的数量，若数量为一个则结合上述道路边界的方向求取直线方程，若向量的数量大于等于2则直接利用任意两个支撑向量求取直线方程；上述求取的两类直线方程即为道路边界的直线方程。

下面结合实施例对本发明做进一步详细的描述：

一种SVM与激光雷达结合检测非结构化道路边界的方法，具体为:

步骤1：将激光雷达三维数据投影生成二值栅格数据；

步骤1.1： 雷达获得的数据首先要变换到车体坐标系，点

是雷达坐标系下的三维数据点，那么车体坐标系下的点

，其中R和t是通过标定得到的外参；

步骤1.2：对相邻区域的雷达数据计算梯度

，当

时，则说明该区域为坡面，这里的障碍物数据可以忽略，当

并且

，这里的障碍物数据不是坡面，且高出阈值

则为可以判断为障碍，

和取值根据实际需要确定；

步骤1.3：为了降低数据处理量，将障碍物数据投影到60*40的栅格中，每个栅格其物理意义为边长0.5m的正方形区域，也就是说只使用车体左右各15m，前方20m的这样一个范围内的障碍物数据，见图2，白色区域表示障碍物。

步骤2：膨胀、腐蚀

在图2中可以看到，由于激光雷达数据的不连续性，反映在栅格上数据也是不连续的，为了使不连续的相同的数据（这里相同是指道路同一侧的数据，即，道路左边障碍物数据，道路右边障碍物数据）尽可能的归为一起，并且使得目标轮廓较为明显（这里目标是指障碍物数据），使用3*3大小的窗口（过大的窗口会使得轮廓增大），对这二值栅格数据进行闭运算，即先进行膨胀操作，然后在进行腐蚀操作。结果如图3，道路同一侧的障碍物数据，比较相近的基本连通到了一起。

步骤3：K-means聚类

步骤3.1：首先对每个障碍物目标求取其轮廓，将轮廓以链码形式保存下来，接着计算每个障碍物目标的面积，然后进行一次判断，将目标面积小于阈值T的删除，这个T是经验值，其意义是认为面积小于T的障碍物目标可以忽略，最后计算该目标的质心

，其中n为描述该目标轮廓的点的个数，是当前计算质心的障碍物目标的第i个轮廓点；

步骤3.2：用K-means聚类算法对障碍物目标质心进行聚类，目标类别数为两类，即，道路左边障碍物，道路右边障碍物。此时每一个障碍物目标都有以下属性：该障碍物目标所属类别，该障碍物目标的轮廓链码和该障碍物目标的质心；

步骤4：SVM训练获得分类器及道边

步骤4.1：把K-means聚类之后的两类目标的所有轮廓点作为训练样本，使用SVM进行训练；

步骤4.2：见图4，这是某一组训练样本的训练结果图，“+”表示左边障碍物目标轮廓，“*”表示右边障碍物目标轮廓，R1，R2和L1这三个就是这一组训练样本的支撑向量。利用支撑向量以及几个参数（参数求解在这里不是所要讨论的内容，因此不再累述）求出图中所示的直线方程H，也就是使得这组训练样本间隔（也就是直线H1和直线H2间隔）最大的分类面；

步骤4.3：有了直线方程H，即可确定道路边界的方向，所述道路边界与直线H相平行；

步骤4.4：对两类支撑向量进行处理，分别求取其所在的直线方程，具体为：判断每类支撑向量的数量，若数量为一个则结合上述道路边界的方向求取直线方程，若向量的数量大于等于2则直接利用任意两个支撑向量求取直线方程；上述求取的两类直线方程即为道路边界的直线方程。见图5，其中两条灰色的直线段就是该组栅格数据求取道路边界的结果。

本方法减少参与计算的数据，实时性好，求取的道路边界正确率也比较高；能够全天候工作，不受光照影响，算法鲁棒性好。

Claims (5)

1.一种SVM与激光雷达结合检测非结构化道路边界的方法，其特征在于，包括以下步骤：

步骤1、在车辆顶端安装64线激光雷达，对该雷达进行标定并采集周围障碍物的三维数据；

步骤2、将采集到的三维数据投影生成二值栅格数据；

步骤3、对二值栅格数据进行膨胀、腐蚀操作；

步骤4、将膨胀、腐蚀之后的数据进行K-means聚类；

步骤5、对数据使用SVM训练获得分类器，利用分类器求取道边，从而完成非结构化道路边界的检测。

2.根据权利要求1所述的SVM与激光雷达结合检测非结构化道路边界的方法，其特征在于，步骤2将采集到的三维数据投影生成二值栅格数据时，是将障碍物投影到60*40的栅格中，每个栅格代表边长为0.5m的正方形区域，栅格中有障碍物则数据为1，栅格中无障碍物则数据为0。

3.根据权利要求1所述的SVM与激光雷达结合检测非结构化道路边界的方法，其特征在于，步骤3对二值栅格数据进行膨胀、腐蚀操作时，使用3*3大小的窗口，对二值栅格数据进行膨、腐蚀操作，填充细小缝隙。

4.根据权利要求1所述的SVM与激光雷达结合检测非结构化道路边界的方法，其特征在于，步骤4将膨胀、腐蚀之后的数据进行K-means聚类具体包括以下步骤：

步骤41、对每个障碍物目标求取其轮廓，将轮廓以链码形式保存下来；

步骤42、利用轮廓计算每个障碍物目标的面积，然后进行一次判断，将目标面积小于阈值T的删除；

步骤43、计算上述目标的质心                                               

，其中n为描述该目标轮廓的点的个数，

是当前计算质心的障碍物目标的第i个轮廓点；

步骤44、用K-means聚类算法对障碍物目标质心进行聚类，目标类别数为道路左边障碍物和道路右边障碍物两类。

5.根据权利要求1所述的SVM与激光雷达结合检测非结构化道路边界的方法，其特征在于，步骤5对数据使用SVM训练获得分类器，利用分类器求取道边具体为：

步骤51、把K-means聚类之后的两类目标的所有轮廓点作为训练样本，使用SVM进行训练，得到超平面H以及N个支撑向量，这里超平面H为一条直线，其意义是训练得到的一个分类器，该超平面H即为直线方程H；

步骤52、通过上述直线方程H确定道路边界的方向，所述道路边界与直线H相平行；

步骤53、对两类支撑向量进行处理，分别求取其所在的直线方程，具体为：判断每类支撑向量的数量，若数量为一个则结合上述道路边界的方向求取直线方程，若向量的数量大于等于2则直接利用任意两个支撑向量求取直线方程；上述求取的两类直线方程即为道路边界的直线方程。

Images