CN102779280B - 一种基于激光传感器的交通信息提取方法 - Google Patents

Abstract

本发明提供了一种基于激光传感器的交通信息提取方法，该方法包括步骤：S1、通过激光传感器获取激光传感器周围场景的激光点云；S2、基于激光点云，构建激光传感器周围场景的障碍物地图；S3、基于障碍物地图进行障碍物目标点云分割，获得候选动目标点云；S4、对候选动目标点云进行动目标识别。本发明方法能实时提供准确、有效的道路环境信息，为无人驾驶车辆的行驶提供有力的安全保障，也可以作为制定无人驾驶车辆行驶策略的基础。

Description

一种基于激光传感器的交通信息提取方法

技术领域

本发明属于智能交通技术领域，尤其涉及一种基于激光传感器的交通信息提取方法。

背景技术

无人驾驶车辆利用车载传感器，如摄像头，激光雷达等，进行周围环境感知，通过对传感器信息进行处理，得出本车所在环境诸如所在车道、道路范围、障碍物位置等信息，并根据环境信息进行规划，得出本车下一时刻要进行的动作，如前进，换道，停止等，同时对车辆状态进行调整，如加速、减速等。无人驾驶车辆的行驶策略、安全性等除了自身因素起作用外，很大程度由车载传感器对环境感知所得的信息决定。车载传感器对周围环境的感知内容主要包括：无人驾驶车辆可通行区域的范围、障碍物位置、动目标的识别等。车载传感器的环境感知是无人驾驶车平台的一项重要研究内容，其作用相当于无人车的“眼睛”，能给无人驾驶车辆提供安全保障。

现有技术中，对道路信息的提取，基本采用路侧固定装置，如激光测速仪等，该方法将传感器固定在道路边，受位置约束，不适于用于无人驾驶车辆的移动场景的环境感知。在无人驾驶平台上，SICK单线激光雷达由于其价格的合理，数据获取速度快（能达到75Hz）的原因，被一些无人驾驶车辆平台使用，但由于其为单线雷达，不足以提供足够的环境信息，难以准确感知周围大范围内的环境状况，是无人驾驶平台发展的一个瓶颈，要想得到足够大的信息量，则需要安装数个雷达，或者同时使用其他传感器。然而数据的同步性、各传感器之间的信息融合策略的选择困难都是难以解决的。

发明内容

本发明的主要目的是提供一种用于无人驾驶车辆、基于激光传感器的交通信息提取方法，该方法能实时提供准确、有效的道路环境信息，实现了对无人车周围场景的实时感知，为无人驾驶车辆行驶提供有力的安全保障。

为达到上述目的，本发明采用如下技术方案：

一种基于激光传感器的交通信息提取方法，包括以下步骤：

S1、通过激光传感器获取激光传感器周围场景的激光点云；

S2、基于激光点云，构建激光传感器周围场景的障碍物地图；

S3、基于障碍物地图进行障碍物目标点云分割，获得候选动目标点云；

S4、对候选动目标点云进行动目标识别，该步骤进一步包括以下子步骤：

S4-1提取候选动目标点云的特征，所述的候选动目标点云特征为点特征直方图或快速点特征直方图；

S4-2利用SVM分类器、根据提取的候选动目标点云特征将候选动目标点云分为行人、车辆或其他，从而实现候选动目标点云的动目标识别。

上述的激光传感器为三维激光扫描仪，所述的三维激光扫描仪为激光雷达。

上述步骤S2进一步包括以下子步骤：

S2-1建立空间坐标系；

S2-2解算激光点云到所建立的空间坐标系；

S2-3将激光点云投影到预先设计的地面网格地图；

S2-4根据地面网格地图中各网格内所有激光点在高度上的方差，对所有网格逐一进行障碍物网格识别；

S2-5根据障碍物网格识别结果构建障碍物地图。

上述步骤S3具体为：

对障碍物地图上的每一障碍物网格g_i逐一执行以下步骤：

S3-1标识障碍物网格g_i；

S3-2搜索障碍物网格g_i邻域内的其他网格，并判断搜索到的其他网格是否为障碍物网格，若搜索到的其他网格均不为障碍物网格，则结束搜索，此时，障碍物网格g_i及对障碍物网格g_i搜索出的所有障碍物网格即为一个候选动目标点云；否则，执行步骤S3-3;

S3-3判断搜索到的障碍物网格是否被标识，若搜索到的障碍物网格均被标识，则结束搜索；否则，执行步骤S3-4；

S3-4对未被标识的障碍物网格进行标识，并对未标识的障碍物网格分别执行步骤S3-2。

在步骤S3和S4之间还有以下步骤：

对候选动目标点云进行筛选，仅保留尺寸符合以下条件的候选动目标点云：

0.2m＜l＜3.0m

0.5m＜w＜1.8m

0.8m＜h＜2.0m

其中，l为候选动目标点云的长度，w为候选动目标点云的宽度，h为候选动目标点云的高度。

在步骤S4-1前还可以对候选动目标点云进行滤波处理，以保证提取效果，所述的滤波处理具体为：

分别计算候选动目标点云中各激光点1、2、…n到其邻域内各激光点的平均距离d_m1、d_m2、…d_mn，其中，n为候选动目标点云中激光点的数量，并判断各激光点的平均距离是否服从均值和方差的高斯分布，所述的均值和方差为平均距离d_m1、d_m2、…d_mn的均值和方差，将平均距离不服从上述高斯分布的激光点当作噪声点滤除。

上述步骤S4-2具体为：

首先，对收集到的激光点云动目标识别样本进行样本训练，并提取各样本特征，整理样本并对整理后的样本进行SVM训练，产生模型文件；然后，以候选动目标点云特征为目标特征输入SVM分类器，SVM分类器根据模型文件将候选动目标点云分为行人、车辆或其他，所述的样本特征和候选动目标点云特征同时为点特征直方图或快速点特征直方图中的一种。

与现有技术相比，本发明具有以下特点：

1、本发明方法可用于智能交通技术领域，将激光传感器置于无人驾驶车顶部实时获取车辆周围场景的激光点云数据，并根据所获取的激光点云数据识别动目标（即行人和车辆）；本发明方法能实时提供准确、有效的道路环境信息，为无人驾驶车辆行驶提供有力的安全保障，也可以作为制定无人驾驶车辆行驶策略的基础；

2、本发明的优选方案采用三维激光扫描仪，由于三维激光扫描仪能对其周围360°大范围内的环境进行感知，能提供更丰富的地理环境信息。

附图说明

图1为本发明的方法实现流程图；

图2为本发明所选用激光传感器获取的空间数据；

图3为本发明所得的障碍物地图；

图4为一个激光与其邻域内点之间的关系；

图5为两个激光点之间的空间位置关系示意图；

图6为提取出来的道路上的行人与车辆。

具体实施方式

下面将结合具体实施对本发明作进一步说明。

S1、通过激光传感器获取激光传感器周围场景的激光点云

本具体实施中采用的激光传感器为三维激光扫描仪Velodyne，具体型号为VelodyneHDL-64E 3D 64线激光雷达，该激光雷达由64个激光光敏二极管组成，以600r/min转速探测周围环境，在垂直方向有26°~5°的测量范围，在100m的距离内能达到5cm的分辨率。

将该激光雷达安装在无人驾驶车的车顶中心用来采集无人驾驶车周围场景信息，该激光雷达通过64条激光扫描线，一秒钟可采集2万多个激光点。

本具体实施中Velodyne HDL-64E 3D 64线激光雷达能对无人驾驶车周围360°大范围内的场景进行感知，是无人驾驶车辆平台上比较理想的探测传感器。

S2、构建障碍物地图

基于激光传感器所获取的激光点云来构建激光传感器周围场景的障碍物地图，本具体实施中是将激光雷达安装在无人驾驶车的车顶，则，所构建的障碍物地图也为无人驾驶车周围场景的障碍物地图。

构建障碍物地图进一步包括以下子步骤：

S2-1建立空间坐标系

以激光雷达处为坐标原点、车辆前方为x方向、车辆左方为y方向、车辆上方为z方向，建立空间坐标系。对激光点云的处理均是基于该空间坐标系进行。

S2-2解算激光点云到空间坐标系

解算，即根据采集到的各激光点距激光传感器的距离以及相关空间角度，计算出各激光点在空间坐标系中的坐标位置。对激光雷达点云而言，由于其原始的点云格式是UDP网络数据包，所以需要将激光点云解算到所建立的空间坐标系中。

本具体实施中，对激光点云中的各激光点采用如下解算公式进行逐一解算：

$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{c}(s^i*R_i+D_0^i)*\cos \left({\mathrm{\δ}}_i\right)*[\sin \left(\mathrm{\ϵ}\right)*\cos \left({\mathrm{\β}}_i\right)-\cos \left(\mathrm{\ϵ}\right)*\sin \left({\mathrm{\β}}_i\right)]-H_0^i*[\cos \left(\mathrm{\ϵ}\right)*\cos \left({\mathrm{\β}}_i\right)+\sin \left(\mathrm{\ϵ}\right)*\sin \left({\mathrm{\β}}_i\right)]\\ (s^i*R_i+D_0^i)*\cos \left({\mathrm{\δ}}_i\right)*[\cos \left(\mathrm{\ϵ}\right)*\cos \left({\mathrm{\β}}_i\right)+\sin \left(\mathrm{\ϵ}\right)*\sin \left({\mathrm{\β}}_i\right)]+H_0^i*[\sin \left(\mathrm{\ϵ}\right)*\cos \left({\mathrm{\β}}_i\right)-\cos \left(\mathrm{\ϵ}\right)*\sin \left({\mathrm{\β}}_i\right)]\\ (s^i*R_i+D_0^i)*\sin \left({\mathrm{\δ}}_i\right)+V_0^i\end{array}\right]$

式中，

x、y、z为激光点解算出来的空间坐标值；

sⁱ是获取激光点的激光扫描线的距离缩放因子；

是获取激光点的激光扫描线的测距修正值；

δ_i是获取激光点的激光扫描线的俯仰角修正值；

β_i是获取激光点的激光扫描线水平面上旋转角的修正值；

是获取激光点的激光扫描线相对激光雷达中心水平面上的偏移值；

是获取激光点的激光扫描线相对激光雷达中心垂直方向上的偏移值；

R_i是获取激光点的激光扫描线测量出激光点距激光雷达的距离值；

ε是获取激光点的激光扫描线测量出激光点与水平面的旋转角。

上述sⁱ、δ_i、β_i和跟每个激光雷达产品有关，其具体数值保存在激光雷达的db.xml文件里。

S2-3将激光点云投影到地面网格地图

本具体实施中的地面网格地图大小为150像素*150像素，每个网格大小为0.3m*0.3m，此地面网格地图覆盖了激光雷达前方45m、左右各22.5m范围的道路场景。

S2-4根据地面网格地图中网格内所有激光点在高度上的方差，对所有网格逐一进行障碍物网格识别

本发明中的障碍物包括行人、车辆、树木、建筑物等一切高于地面的物体。

本具体实施中，对地面网格地图中所有网格逐一执行以下步骤：计算网格内所有激光点在高度上的方差h_v，h_v大于一定阈值，则判定该网格是障碍物网格。阈值的选取根据经验设定，本具体实施中的阈值取5.0cm。

S2-5根据障碍物网格识别结果建立障碍物地图

对所有的障碍物进行标记，则得到的障碍物地图为一个带有标记的大网格。无人驾驶车可以根据障碍物地图有效的避开障碍物，从而保障自动驾驶的安全性。障碍物地图还可以作为制定无人驾驶车行驶策略的基础。

S3、基于障碍物地图进行障碍物目标点云分割，获得候选动目标点云

对障碍物地图上的每一障碍物网格g_i，搜索障碍物网格g_i邻域内的其他障碍物网格，并将其周围的障碍物网格与之合并，分隔出目标点云，从而得到候选动目标点云。该步骤进一步包括以下子步骤：

对障碍物地图上的每一障碍物网格g_i逐一执行以下步骤：

S3-1标识障碍物网格g_i；

S3-2搜索障碍物网格g_i邻域内的其他网格，并判断搜索到的其他网格是否为障碍物网格，若搜索到的其他网格均不为障碍物网格，则结束搜索，此时，障碍物网格g_i及对障碍物网格g_i搜索出的所有障碍物网格即为一个候选动目标点云；否则，执行步骤S3-3;

S3-3判断搜索到的障碍物网格是否被标识，若搜索到的障碍物网格均被标识，则结束搜索，此时，障碍物网格g_i及对障碍物网格g_i搜索出的所有障碍物网格即为一个候选动目标点云；否则，执行步骤S3-4；

S3-4对未被标识的障碍物网格进行标识，然后分别对其执行步骤S3-2。

为了提供计算效率，避免计算所有的候选动目标点云，本具体实施提供了一种优选方案，对得到的候选动目标点云进行筛选，丢弃尺寸过大和过小的候选动目标点云，保留尺寸符合以下条件的候选动目标点云：

0.2m＜l＜3.0m

0.5m＜w＜1.8m

0.8m＜h＜2.0m

其中，l为候选动目标点云的长度，w为候选动目标点云的宽度，h为候选动目标点云的高度。

S4、利用SVM分类器对候选动目标点云进行动目标识别

S4-1提取候选动目标点云的特征

在提取候选动目标点云的特征之前，为了保证特征提取效果，首先对候选动目标点云进行滤波，本具体实施采用对候选动目标点云中每个激光点的邻域作统计的方法进行激光点滤除，对每个候选动目标点云均进行如下操作：分别计算候选动目标点云中各激光点1、2、…n到其邻域内各激光点的平均距离d_m1、d_m2、…d_mn，其中，n为候选动目标点云中激光点的数量，假设各平均距离d_m1、d_m2、…d_mn服从均值和方差的高斯分布，其中，均值和方差为平均距离d_m1、d_m2、…d_mn的均值和方差，将平均距离不符合上述高斯分布的激光点当作噪声点滤除。

对于包含n个激光点的点云P，计算其点特征的计算复杂度为O(nk²)，k为每个点的领域内点的个数，对于实时系统来说，稠密点云的点特征计算将是制约系统性能的主要瓶颈。为了减少计算量，提高运算效率，本具体实施中提取的候选动目标点云的特征为快速点特征直方图（FPFH），该特征基于激光点与其邻域位置关系，并对这种位置关系进行直方图统计。

对于候选动目标点云中的激光点p_q，假设其邻域内的激光点分别为p_k1，p_k2，p_k3，p_k4，p_k5，如图4所示，对于邻域内任意两个激光点p_ki和p_kj，i＝1,2,...5，j＝1,2,...5，且i≠j，以p_kj为原点建立空间坐标系，如图5所示，该坐标系的u、v、w坐标为：

u＝n_kj

$v=u\×\frac{(p_{\mathrm{ki}}-p_{\mathrm{kj}})}{{\left|\right|p_{\mathrm{ki}}-p_{\mathrm{kj}}\left|\right|}_2}$

w＝u×v

其中，n_kj为激光点p_kj的法向量。

通过如下三个角度α、φ、θ来表示激光点p_ki和p_kj之间的位置关系：

cos(α)＝v·n_kj

$\cos \left(\mathrm{\φ}\right)=u\·\frac{(p_{\mathrm{ki}}-p_{\mathrm{kj}})}{d}$

θ＝arctan(w·n_ki,u·n_ki)

其中，n_ki、n_kj分别为激光点p_ki、p_kj对应的法向量；d为激光点p_ki、p_kj之间的欧几里得距离。

因此原来用以表示两个点的位置信息的12个值（点的位置坐标和其法向量坐标），现在可以用4个值（α、φ、θ、d）来表示。计算激光点p_q与邻域内所有点之间的位置关系和邻域内的所有激光点的两两之间的位置关系，并统计成直方图，便可以得到激光点p_q的点特征直方图，将候选动目标点云内所有激光点的点特征直方图进行累加，则得到候选动目标点云的点特征直方图。

为了简化候选动目标点云的点特征直方图的提取过程，可以对候选动目标点云的快速点特征直方图进行提取。其取值方法如下：

对候选动目标点云中的激光点p_q，仅分别计算激光点p_q与其邻域内激光点的点特征α、φ、θ、d，而对于激光点p_q邻域内的激光点，不再两两之间进行点特征计算，这样计算出来的特征直方图称为简化了的点特征直方图SPFH。而激光点p_q的快速点特征直方图FPFH等于激光点p_q自身的SPFH和邻域内所有激光点的SPFH的加权平均之和，公式如下：

$\mathrm{FPFH}\left(p_q\right)=\mathrm{SPFH}\left(p_q\right)+\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\frac{1}{w_i}\·\mathrm{SPFH}\left(p_i\right)$

式中，FPFH(p_q)是激光点p_q的快速点特征直方图；SPFH(p_q)是激光点p_q的简化了的点特征直方图；k为激光点p_q邻域内激光点的数量；p_i激光点p_q邻域内的激光点，w_i为激光点p_i的SPFH的加权系数，取值为激光点p_i到p_q的距离值的倒数，i＝1，2，...,k。

S4-2动目标识别

本具体实施采用SVM分类器，使用开源代码libSVM来对候选动目标点云进行分类，所述的分类的类别有车辆、行人和其他，从而实现动目标识别，。

在进行动目标识别之前需要进行样本训练，具体为：

首先，收集激光点云动目标识别样本，即特征数据文件，该特征数据文件可通过激光传感器采集得到，并计算各样本的快速点特征直方图；

然后，样本进行人工标识，将收集的特征数据文件统一转换成以下格式：

<label><index1>:<value1><index2>:<value2>...

每一行表示一个特征数据文件，其中，label是类别标识，指定该行特征数据文件的种类，本具体实施中特征数据文件的种类有车辆、行人和其他；index从1开始，表示第index维特征，value为该维特征值。本具体实施中，特征的维数即点特征直方图的箱格的个数，特征值即直方图中每个箱格的取值。

接着，对特征数据文件进行归一化，该过程使用libSVM软件包的SVM-scale.exe进行归一化，目的在于：1，避免一些特征值范围过大而另一些特征值范围过小；2，避免在训练时为了计算核函数而计算内积的时候引起数值计算的困难。通常将数据缩放到[-1,1]或者是[0,1]之间。

最后，就是利用SVM对归一化后的特征数据文件进行训练，并生成模型文件。训练时，只需将归一化后的特征数据文件读入到SVM训练算法，便自动生成以model为后缀的模型文件。

完成样本训练之后，将步骤4-1提取的候选动目标点云的特征作为目标特征输入SVM分类器，SVM分类器通过模型文件对候选动目标点云进行分类，将候选动目标点云分为车辆、行人或其他，从而实现动目标的识别。

Claims (8)

1.一种基于激光传感器的交通信息提取方法，其特征在于，包括以下步骤：

S1、通过激光传感器获取激光传感器周围场景的激光点云；

S2、基于激光点云，构建激光传感器周围场景的障碍物地图，该步骤进一步包括以下子步骤：

S2-1建立空间坐标系；

S2-2解算激光点云到所建立的空间坐标系；

S2-3将激光点云投影到预先设计的地面网格地图；

S2-4根据地面网格地图中各网格内所有激光点在高度上的方差，对所有网格逐一进行障碍物网格识别；

S2-5根据障碍物网格识别结果构建障碍物地图；

S3、基于障碍物地图进行障碍物目标点云分割，获得候选动目标点云，该步骤具体为：

对障碍物地图上的每一障碍物网格g_i逐一执行以下步骤：

S3-1标识障碍物网格g_i；

S3-2搜索障碍物网格g_i邻域内的其他网格，并判断搜索到的其他网格是否为障碍物网格，若搜索到的其他网格均不为障碍物网格，则结束搜索，此时，障碍物网格g_i及对障碍物网格g_i搜索出的所有障碍物网格即为一个候选动目标点云；否则，执行步骤S3-3;

S3-3判断搜索到的障碍物网格是否被标识，若搜索到的障碍物网格均被标识，则结束搜索；否则，执行步骤S3-4；

S3-4对未被标识的障碍物网格进行标识，并对未标识的障碍物网格分别执行步骤S3-2；

S4、对候选动目标点云进行动目标识别，该步骤进一步包括以下子步骤：

S4-1提取候选动目标点云的特征；

S4-2利用SVM分类器、根据提取的候选动目标点云特征将候选动目标点云分为行人、车辆或其他，从而实现候选动目标点云的动目标识别。

2.根据权利要求1所述的基于激光传感器的交通信息提取方法，其特征在于：

所述的激光传感器为三维激光扫描仪。

3.根据权利要求2所述的交通信息提取方法，其特征在于：

所述的三维激光扫描仪为激光雷达。

4.根据权利要求1所述的交通信息提取方法，其特征在于：

在步骤S3和S4之间还有以下步骤：

对候选动目标点云进行筛选，仅保留尺寸符合以下条件的候选动目标点云：

0.2m＜l＜3.0m

0.5m＜w＜1.8m

0.8m＜h＜2.0m

其中，l为候选动目标点云的长度，w为候选动目标点云的宽度，h为候选动目标点云的高度。

5.根据权利要求1所述的交通信息提取方法，其特征在于：

步骤S4-1中所述的候选动目标点云特征为点特征直方图或快速点特征直方图。

6.根据权利要求1所述的交通信息提取方法，其特征在于：

在提取候选动目标点云特征之前对候选动目标点云进行滤波处理。

7.根据权利要求6所述的交通信息提取方法，其特征在于：

所述的滤波处理具体为：

分别计算候选动目标点云中各激光点1、2、…n到其邻域内各激光点的平均距离d_m1、d_m2、…d_mn，其中，n为候选动目标点云中激光点的数量，并判断各激光点的平均距离是否服从均值和方差的高斯分布，所述的均值和方差为平均距离d_m1、d_m2、…d_mn的均值和方差，将平均距离不服从上述高斯分布的激光点当作噪声点滤除。

8.根据权利要求1所述的交通信息提取方法，其特征在于：

所述的步骤S4-2具体为：

首先，对收集到的激光点云动目标识别样本进行样本训练，并提取各样本特征，整理样本并对整理后的样本进行SVM训练，产生模型文件；然后，以候选动目标点云特征为目标特征输入SVM分类器，SVM分类器根据模型文件将候选动目标点云分为行人、车辆或其他，所述的样本特征和候选动目标点云特征同时为点特征直方图或快速点特征直方图中的一种。