CN105975975A - 一种环境线特征提取方法 - Google Patents

Abstract

本发明公开了一种环境线特征提取方法，包括：对激光扫描仪采集到的观测数据进行预处理，并提取出无法平滑的异常点；围绕每一异常点建立一个指定大小的窗口，通过计算窗口中的点到邻近点的差异距离提取断点特征；基于提取出的断点特征将激光数据分割成若干连续的数据段，并将每一数据段均分成若干长度相等的数据块，考察每一数据段中每个数据块主方向和相关系数的变化得到目标数据块，再通过比较目标数据块中的点到邻近数据块端点的余弦距离得到目标数据块对应的角点，将所有角点汇总获得角点集合；对角点集合中所有相邻角点之间的点使用Hough变换进行处理，获得环境中所有直线的参数。该方法，可以提高线特征提取的准确性和鲁棒性。

Description

一种环境线特征提取方法

技术领域

本发明涉及移动机器人地图创建和定位领域，尤其涉及一种环境线特征提取方法。

背景技术

移动机器人领域的一个关键问题是可靠而准确的获取机器人周围的环境信息，它是移动机器人实现导航、探索等复杂任务的基础。机器人使用传感器采集环境信息，常用的传感器类型有超声波传感器、激光传感器和视觉传感器，其中激光传感器使用最为广泛。与超声波传感器相比，激光传感器有更高的精度和扫描频率；与视觉传感器相比，视觉传感器信息虽然丰富，但要求机器人具备快速的数据处理能力，且易受到光线、遮挡的干扰。二维的激光测距仪以固定的角分辨率和角度范围对周围环境进行扫描，每次扫描激光测得一系列的数据点，其中每个点都对应相应光束所在方向的障碍物的位置。

为了提高计算的效率和鲁棒性，通常需要对传感器数据进行处理，将其转化成更紧凑的形式，即环境地图。常用的环境表示方法有基于栅格的表示、基于特征的表示和基于拓扑的表示三种，对应的地图分别称为栅格地图、特征地图和拓扑地图。栅格地图将整个环境分成若干大小相同的栅格，可以表示复杂的环境结构，易于创建和维护，但当环境较大时会占用大量的存储空间；拓扑地图将环境抽象成一张由节点和边组成的“图”，其中节点表示环境中的显著特征，边表示特征之间的连接关系，拓扑地图缺乏环境必要的细节信息，给移动机器人定位带来了一定困难；特征地图一般提取环境中的线段作为对真实环境的描述，表示较为紧凑。

基于激光扫描数据提取环境特征时，由于传感器精度限制和环境中物体反射等因素影响，激光测距仪测得的数据总是带有一定的噪声，甚至存在测量失败的情况。目前的方案中一般是直接滤除噪声点，然后使用Hough变换或RANSAC算法等直线提取方法提取线特征。然而，现实环境复杂多变，当观测数据中噪声点个数较多时，直接过滤噪声点可能会使定位和地图变得不准确。同时，直接使用Hough变换或RANSAC算法提取线特征，需要不断进行迭代，计算量大。

发明内容

本发明的目的是提供一种环境线特征提取方法，可以提高线特征提取的准确性和鲁棒性。

本发明的目的是通过以下技术方案实现的：

一种环境线特征提取方法，包括：

步骤S1、对激光扫描仪采集到的观测数据进行预处理，并提取出无法平滑的异常点；

步骤S2、围绕每一异常点建立一个指定大小的窗口，通过计算窗口中的点到邻近点的差异距离提取断点特征；

步骤S3、基于提取出的断点特征将激光数据分割成若干连续的数据段，并将每一数据段均分成若干长度相等的数据块，考察每一数据段中每个数据块主方向和相关系数的变化得到目标数据块，再通过比较目标数据块中的点到邻近数据块端点的余弦距离得到目标数据块对应的角点，将所有角点汇总获得角点集合；

步骤S4、对角点集合中所有相邻角点之间的点使用Hough变换进行处理，获得环境中所有直线的参数。

所述对激光扫描仪采集到的观测数据进行预处理，并提取出无法平滑的异常点包括：

利用激光测距仪对外部环境进行扫描，获得观测数据z＝{p_i＝(r_i,φ_i)|i＝1,...,N}，其中，i为观测数据的序号，N为一组观测数据的个数，r_i表示激光在方向φ_i到最近障碍物的距离；

设激光量程为[r_min,r_max]，对激光扫描的距离数据分别进行处理，超出量程之外的数据均置为r_max，记为异常点，加入到异常点点集O中；其余点记为有效点，加入有效点点集E中；

对有效点点集E中所有观测点，均计算两两观测点的距离，若满足下式，则认为观测点p_i为异常点，并移至异常点集O中，得到最终的异常点集合

max(d_(i-1)i,d_i(i+1))＞d_thr；

上式中，d_(i-1)i表示观测点p_i-1与观测点p_i的距离，d_i(i+1)表示观测点p_i与观测点p_i+1的距离，d_thr为阈值；

对于异常点集合O'中第j个观测点结合观测点 与计算观测点插值和预测值

${r_{i_j}}^{\′}=\frac{2r_{i_j-1}{r}_{i_j+1}}{r_{i_j-1}+r_{i_j+1}};$

${r_{i_j}}^{\′\′}=\frac{r_{i_j-2}{r}_{i_j-1}}{2r_{i_j-2}-r_{i_j-1}};$

如果若小于阈值则对观测点进行平滑，使用均值代替同时将观测点从异常点集合O'中移除；

异常点集合O'中剩下的点即为无法平滑的异常点。

进一步的，检测无法平滑的异常点中的连续点，去除中间点，只保留端点，得到m个点构成的集合

所述围绕每一异常点建立一个指定大小的窗口，通过计算窗口中的点到邻近点的差异距离提取断点特征包括：

步骤S21、初始化，令k＝1，断点特征集合

步骤S22、取出集合O”的第k个观测点若点未被处理，则围绕观测点建立一个大小为2M+1的窗口，记为：否则转到步骤S25；

步骤S23、对于窗口中的每一个观测点，计算它到相邻点距离的差异，该差异距离Δd_k为：

${\mathrm{\Δd}}_{j_k}=(d_{\left(j_{k-1}\right)j_k}+d_{j_k\left(j_{k+1}\right)})/2-\sqrt{d_{\left(j_{k-1}\right)j_k}{d}_{j_k\left(j_{k+1}\right)}};$

上式中，d_(k-1)k表示窗口中的观测点与观测点的距离，d_k(k+1)表示观测点与窗口中的观测点的距离；该差异反应了观测点到邻近观测点之间的距离差异，距离差异越大，观测点是断点的可能性越大，由此得到窗口中每个观测点的差异距离Δd_jk+u，u＝-M,-M+1,...,M；

步骤S24、检查窗口中每个点的差异距离是否大于阈值Δd_thr，取大于阈值Δd_thr的第一个和最后一个观测点作为断点，并加入断点特征集合B，同时将这些异常点标记为已处理；

步骤S25、令k＝k+1，并转到步骤S22，直到集合O”的观测点全部处理完毕，获得最终的断点特征集合。

所述基于提取出的断点特征将激光数据分割成若干连续的数据段，并将每一数据段均分成若干长度相等的数据块，考察每一数据段中每个数据块主方向和相关系数的变化得到目标数据块，再通过比较目标数据块中的点到邻近数据块端点的余弦距离得到目标数据块对应的角点，将所有角点汇总获得角点集合包括：

根据提取出的断点特征中的每两个断点确定一个数据段，其中两个断点中的前一个为数据段的起点，后一个为数据段的终点；

根据每一数据段中点与点之间的距离，将数据段分成若干长度相等的数据块；

对于每一数据段中每个数据块做如下处理：

步骤S31、计算数据块s_i的主方向o_i和相关系数γ_i：设数据块s_i中的点序为则求得点坐标x和y之间的相关系数γ_i，相应的协方差矩阵为Σ_i，对其进行特征值分解，由Σ_i的最大特征值对应的特征向量求得数据块s_i的主方向o_i；

步骤S32、计算数据块s_i的主方向o_i和相关系数γ_i，如果变化大于阈值则认为角点包含在当前数据块s_i中，数据块s_i为目标数据段；

步骤S33、遍历数据块s_i中的点，计算每个点与相邻数据块端点所成矢量之间的余弦距离，余弦距离最大的点即为角点；

当所有数据段中的所有数据块均进行上述步骤S31～步骤S32的处理后，获得q个角点，汇总后获得的角点集合记为C＝{c₁,...,c_q}。

所述对角点集合中所有相邻角点之间的点使用Hough变换进行处理，获得环境中所有直线的参数包括：

步骤S41、初始化，令l＝1。

步骤S42、根据初始角点c_l和c_l+1确定第l个数据段的起始序号，取出该范围内的观测点；若该范围内点数|c_l+1-c_l|≥4，则转到步骤S43，否则转到步骤S45；

步骤S43、查找位于[c_l,c_l+1]内的数据块，根据相应数据块的主方向获得参数θ的估计值，由此得到参数θ的真实值所在的区间其中Δθ为范围阈值；所述参数θ为直线的垂线与x轴的夹角；

步骤S44、参数θ的真实值所在的区间限制了参数空间中参数的取值范围，将[c_l,c_l+1]内的观测点变换到参数空间的相应区域内，得票数最高的点(θ_max,ρ_max)即为直线的参数；

步骤S45、令l＝l+1，并转入步骤S42；直至角点集合中的所有角点全部处理完毕，获得环境中所有直线的参数。

由上述本发明提供的技术方案可以看出，本发明能够识别和平滑观测数据中的异常点，可靠有效地提取环境中的断点、角点和线特征，具有计算简单、准确度高、鲁棒性好的优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种环境线特征提取方法的流程图；

图2为本发明实施例提供的一种环境线特征提取方法的框图；

图3为本发明实施例提供的激光测距仪的视场及环境扫描结果示意图；

图4为本发明实施例提供的无法平滑的异常点的示意图；

图5为本发明实施例提供的异常点及其前后M个测量点的示意图；

图6为本发明实施例提供的图5中每个点对应的差异距离示意图；

图7为本发明实施例提供的为提取的目标数据块示意图；

图8为本发明实施例提供的为从目标数据块中提取角点的示意图；

图9为本发明实施例提供的提取后的角点示意图；

图10为本发明实施例提供的对分离的特征数据点应用Hough变换提取的线特征示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

图1为本发明实施例提供的一种环境线特征提取方法的流程图。如图1所示，其主要包括如下步骤：

步骤S1、对激光扫描仪采集到的观测数据进行预处理，并提取出无法平滑的异常点。

步骤S2、围绕每一异常点建立一个指定大小的窗口，通过计算窗口中的点到邻近点的差异距离提取断点特征。

步骤S3、基于提取出的断点特征将激光数据分割成若干连续的数据段，并将每一数据段均分成若干长度相等的数据块，考察每一数据段中每个数据块主方向和相关系数的变化得到目标数据块，再通过比较目标数据块中的点到邻近数据块端点的余弦距离得到目标数据块对应的角点，将所有角点汇总获得角点集合。

步骤S4、对角点集合中所有相邻角点之间的点使用Hough变换进行处理，获得环境中所有直线的参数。

为了便于理解，下面针对上述四个步骤做详细说明。

如图2所示，本发明的方案可以归纳为：数据预处理、数据分割、特征分离以及线特征提取。

1、数据预处理。

激光测距仪对视场(Field of View,FOV)范围内的环境进行观测，以固定的分辨率获得一系列的扫描数据。由于激光测距仪感知能力限制及环境因素的影响，激光观测数据总是存在一定的噪声，因此需要对激光观测数据中的噪声点进行预处理，过滤存在异常的数据点，再进行后续处理。

示例性的，可以使用Hokuyo UST-10LX型激光，角分辨率为0.25°，最大量程为10m。

具体的过程如下：

1)如图3所示，利用激光测距仪对外部环境进行扫描，获得观测数据z＝{p_i＝(r_i,φ_i)|i＝1,...,N}，其中，i为观测数据的序号，N为一组观测数据的个数，r_i表示激光在方向φ_i到最近障碍物的距离；对应障碍物的笛卡尔坐标为(x_i,y_i)，因此观测数据也可记为z＝{p_i＝(x_i,y_i)|i＝1,...,N}。

2)设激光量程为[r_min,r_max]，对激光扫描的距离数据分别进行处理，如图3所示，超出量程(虚线框)之外的数据均置为r_max，记为异常点，加入到异常点点集O中；其余点记为有效点，加入有效点点集E中。

3)对有效点点集E中所有观测点，均计算两两观测点的距离，若满足下式，则认为观测点p_i为异常点，并移至异常点集O中，得到最终的异常点集合

max(d_(i-1)i,d_i(i+1))＞d_thr；

上式中，d_(i-1)i表示观测点p_i-1与观测点p_i的距离，d_i(i+1)表示观测点p_i与观测点p_i+1的距离，d_thr为阈值。

4)对于异常点集合O'中第j个观测点结合观测点 与计算观测点插值和预测值

${r_{i_j}}^{\′}=\frac{2r_{i_j-1}{r}_{i_j+1}}{r_{i_j-1}+r_{i_j+1}};$

${r_{i_j}}^{\′\′}=\frac{r_{i_j-2}{r}_{i_j-1}}{2r_{r_j-2}-r_{i_j-1}};$

如果若小于阈值r_thr，说明观测值含有较大的噪声，但可以根据邻近的观测点进行平滑，则使用均值代替噪声值同时将观测点从异常点集合O'中移除。如图4所示，不小于阈值的异常点不能进行平滑处理。

5)重复上述步骤4)，直到异常点集合O'中的数据全部处理完毕；异常点集合O'中剩下的点即为无法平滑的异常点。

优选的，还可以检测无法平滑的异常点中的连续点，去除中间点，只保留端点，得到m个点构成的集合

2、数据分割

一组激光数据图像可以根据点的连续性将其分割成若干段，每一段对应一个连续物体的表面。分段也称为断点检测，其目标是找到观测数据中的断点，根据断点将观测数据进行分割。具体包括以下步骤：

步骤S21、初始化，令k＝1，断点特征集合

步骤S22、取出集合O”的第k个观测点若点未被处理，则围绕观测点建立一个大小为2M+1的窗口，记为：否则转到步骤S25。

如图5所示，为异常点及其前后M个测量点的扫描图像，与图7中椭圆内的点对应，其中三角形内的点为异常点。

步骤S23、对于窗口中的每一个观测点，计算它到相邻点距离的差异，该差异距离Δd_k为：

${\mathrm{\Δd}}_{j_k}=(d_{\left(j_{k-1}\right)j_k}+d_{j_k\left(j_{k+1}\right)})/2-\sqrt{d_{\left(j_{k-1}\right)j_k}{d}_{j_k\left(j_{k+1}\right)}};$

上式中，d_(k-1)k表示窗口中的观测点与观测点的距离，d_k(k+1)表示观测点与窗口中的观测点的距离；该差异反应了观测点到邻近观测点之间的距离差异，距离差异越大，观测点是断点的可能性越大，由此得到窗口中每个观测点的差异距离

步骤S24、检查窗口中每个点的差异距离是否大于阈值Δd_thr，由于断点总是成对出现，取大于阈值Δd_thr的第一个和最后一个观测点作为断点，并加入断点特征集合B，同时将这些异常点标记为已处理。

如图6所示，为图5中每个点的对应差异距离，其中三角形内的点为异常点，其相邻的两个点为断点。

步骤S25、令k＝k+1，并转到步骤S22，直到集合O”的观测点全部处理完毕，获得最终的断点特征集合。

3、特征分离

角点是环境中的一种典型特征，一般是相邻两条线段交叉形成的交点。激光对环境进行扫描，得到的扫描点包含了环境不同表面的方向信息及角点信息。由断点集合B可得到激光扫描中的连续片段，要进一步提取环境中的角点，需要分别对每段激光扫描点进行处理。具体包括以下步骤：

根据提取出的断点特征中的每两个断点确定一个数据段，其中两个断点中的前一个为数据段的起点，后一个为数据段的终点；

根据每一数据段中点与点之间的距离，将数据段分成若干长度相等的数据块；

对于每一数据段中每个数据块做如下处理：

步骤S31、计算数据块s_i的主方向o_i和相关系数γ_i：设数据块s_i中的点序为则求得点坐标x和y之间的相关系数γ_i，相应的协方差矩阵为Σ_i，对其进行特征值分解，由Σ_i的最大特征值对应的特征向量求得数据块s_i的主方向o_i。

步骤S32、计算数据块s_i的主方向o_i和相关系数γ_i，如果变化大于阈值则认为角点包含在当前数据块s_i中，数据块s_i为目标数据段。

如图7所示，为提取的目标数据块图示；其中用黑色和灰色标记的数据块为目标数据块，圆圈内的点为提取的断点。

步骤S33、遍历数据块s_i中的点，计算每个点与相邻数据块端点所成矢量之间的余弦距离，余弦距离最大的点即为角点。如图8所示，为从目标数据块中提取角点的方法图示；其中用圆圈标记的点为目标数据块，实心点为相邻的数据块，十字形点为相邻数据块的端点。

当所有数据段中的所有数据块均进行上述步骤S31～步骤S32的处理后，获得q个角点，汇总后获得的角点集合记为C＝{c₁,...,c_q}，如图9所示，提取后的角点示意图，其中星号点为提取出的角点。

4、线特征提取

两个角点之间的观测点属于同一特征，根据相应数据块的主方向可确定该直线与x轴夹角的范围，从而确定该直线参数θ的估计值，然后将该数据段中的点使用Hough变换映射到参数空间，得到直线参数。本领域技术人员可以理解，Hough变换使用参数(θ,ρ)表示直线，其中的参数ρ为原点到直线的距离，参数θ为该直线的垂线与x轴的夹角，θ-ρ即构成相应的参数空间。并在整个参数空间中进行投票，计算量较大，这里缩小了参数θ的取值范围，显著减小了计算量。具体步骤如下：

步骤S41、初始化，令l＝1。

步骤S42、根据初始角点c_l和c_l+1确定第l个数据段的起始序号，取出该范围内的观测点；若该范围内点数|c_l+1-c_l|≥4，则转到步骤S43，否则转到步骤S45；

步骤S43、查找位于[c_l,c_l+1]内的数据块，根据相应数据块的主方向获得参数θ的估计值，由此得到参数θ的真实值所在的区间，其中Δθ为范围阈值；

步骤S44、参数θ的真实值所在的区间限制了参数空间中参数的取值范围，将[c_l,c_l+1]内的观测点变换到参数空间的相应区域内，得票数最高的点(θ_max,ρ_max)即为直线的参数；

步骤S45、令l＝l+1，并转入步骤S42；直至角点集合中的所有角点全部处理完毕，获得环境中所有直线的参数。

上述步骤对所有相邻角点之间的点使用Hough变换进行处理，获取环境中所有直线的参数，提取到的线特征如图10所示。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种环境线特征提取方法，其特征在于，包括：

步骤S1、对激光扫描仪采集到的观测数据进行预处理，并提取出无法平滑的异常点；

步骤S2、围绕每一异常点建立一个指定大小的窗口，通过计算窗口中的点到邻近点的差异距离提取断点特征；

步骤S3、基于提取出的断点特征将激光数据分割成若干连续的数据段，并将每一数据段均分成若干长度相等的数据块，考察每一数据段中每个数据块主方向和相关系数的变化得到目标数据块，再通过比较目标数据块中的点到邻近数据块端点的余弦距离得到目标数据块对应的角点，将所有角点汇总获得角点集合；

步骤S4、对角点集合中所有相邻角点之间的点使用Hough变换进行处理，获得环境中所有直线的参数。

2.根据权利要求1所述的一种环境线特征提取方法，其特征在于，所述对激光扫描仪采集到的观测数据进行预处理，并提取出无法平滑的异常点包括：

利用激光测距仪对外部环境进行扫描，获得观测数据z＝{p_i＝(r_i,φ_i)|i＝1,...,N}，其中，i为观测数据的序号，N为一组观测数据的个数，r_i表示激光在方向φ_i到最近障碍物的距离；

设激光量程为[r_min,r_max]，对激光扫描的距离数据分别进行处理，超出量程之外的数据均置为r_max，记为异常点，加入到异常点点集O中；其余点记为有效点，加入有效点点集E中；

对有效点点集E中所有观测点，均计算两两观测点的距离，若满足下式，则认为观测点p_i为异常点，并移至异常点集O中，得到最终的异常点集合

max(d_(i-1)i,d_i(i+1))＞d_thr；

上式中，d_(i-1)i表示观测点p_i-1与观测点p_i的距离，d_i(i+1)表示观测点p_i与观测点p_i+1的距离，d_thr为阈值；

对于异常点集合O'中第j个观测点结合观测点 与计算观测点插值和预测值

${r_{i_j}}^{\′}=\frac{2r_{i_j-1}{r}_{i_j+1}}{r_{i_j-1}+r_{i_j+1}};$

${r_{i_j}}^{\′\′}=\frac{r_{i_j-2}{r}_{i_j-1}}{2r_{i_j-2}-r_{i_j-1}};$

如果若小于阈值则对观测点进行平滑，使用均值代替同时将观测点从异常点集合O'中移除；

异常点集合O'中剩下的点即为无法平滑的异常点。

3.根据权利要求2所述的一种环境线特征提取方法，其特征在于，检测无法平滑的异常点中的连续点，去除中间点，只保留端点，得到m个点构成的集合

4.根据权利要求3所述的一种环境线特征提取方法，其特征在于，所述围绕每一异常点建立一个指定大小的窗口，通过计算窗口中的点到邻近点的差异距离提取断点特征包括：

步骤S21、初始化，令k＝1，断点特征集合

步骤S22、取出集合O”的第k个观测点若点未被处理，则围绕观测点建立一个大小为2M+1的窗口，记为：否则转到步骤S25；

步骤S23、对于窗口中的每一个观测点，计算它到相邻点距离的差异，该差异距离Δd_k为：

${\mathrm{\Δd}}_{j_k}=(d_{\left(j_{k-1}\right)j_k}+d_{j_k\left(j_{k+1}\right)})/2-\sqrt{d_{\left(j_{k-1}\right)j_k}{d}_{j_k\left(j_{k+1}\right)}};$

上式中，d_(k-1)k表示窗口中的观测点与观测点的距离，d_k(k+1)表示观测点与窗口中的观测点的距离；该差异反应了观测点到邻近观测点之间的距离差异，距离差异越大，观测点是断点的可能性越大，由此得到窗口中每个观测点的差异距离

步骤S24、检查窗口中每个点的差异距离是否大于阈值Δd_thr，取大于阈值Δd_thr的第一个和最后一个观测点作为断点，并加入断点特征集合B，同时将这些异常点标记为已处理；

步骤S25、令k＝k+1，并转到步骤S22，直到集合O”的观测点全部处理完毕，获得最终的断点特征集合。

5.根据权利要求1或4所述的一种环境线特征提取方法，其特征在于，所述基于提取出的断点特征将激光数据分割成若干连续的数据段，并将每一数据段均分成若干长度相等的数据块，考察每一数据段中每个数据块主方向和相关系数的变化得到目标数据块，再通过比较目标数据块中的点到邻近数据块端点的余弦距离得到目标数据块对应的角点，将所有角点汇总获得角点集合包括：

根据提取出的断点特征中的每两个断点确定一个数据段，其中两个断点中的前一个为数据段的起点，后一个为数据段的终点；

根据每一数据段中点与点之间的距离，将数据段分成若干长度相等的数据块；

对于每一数据段中每个数据块做如下处理：

步骤S31、计算数据块s_i的主方向o_i和相关系数γ_i：设数据块s_i中的点序为则求得点坐标x和y之间的相关系数γ_i，相应的协方差矩阵为Σ_i，对其进行特征值分解，由Σ_i的最大特征值对应的特征向量求得数据块s_i的主方向o_i；

步骤S32、计算数据块s_i的主方向o_i和相关系数γ_i，如果变化大于阈值则认为角点包含在当前数据块s_i中，数据块s_i为目标数据段；

步骤S33、遍历数据块s_i中的点，计算每个点与相邻数据块端点所成矢量之间的余弦距离，余弦距离最大的点即为角点；

当所有数据段中的所有数据块均进行上述步骤S31～步骤S32的处理后，获得q个角点，汇总后获得的角点集合记为C＝{c₁,…,c_q}。

6.根据权利要求5所述的一种环境线特征提取方法，其特征在于，所述对角点集合中所有相邻角点之间的点使用Hough变换进行处理，获得环境中所有直线的参数包括：

步骤S41、初始化，令l＝1。

步骤S42、根据初始角点c_l和c_l+1确定第l个数据段的起始序号，取出该范围内的观测点；若该范围内点数|c_l+1-c_l|≥4，则转到步骤S43，否则转到步骤S45；

步骤S43、查找位于[c_l,c_l+1]内的数据块，根据相应数据块的主方向获得参数θ的估计值由此得到参数θ的真实值所在的区间其中Δθ为范围阈值；所述参数θ为直线的垂线与x轴的夹角；

步骤S44、参数θ的真实值所在的区间限制了参数空间中参数的取值范围，将[c_l,c_l+1]内的观测点变换到参数空间的相应区域内，得票数最高的点(θ_max,ρ_max)即为直线的参数；

步骤S45、令l＝l+1，并转入步骤S42；直至角点集合中的所有角点全部处理完毕，获得环境中所有直线的参数。