CN106355194A - 一种基于激光成像雷达的无人艇水面目标处理方法 - Google Patents

Abstract

一种基于激光成像雷达的无人艇水面目标处理方法，该方法基于具有激光成像雷达的无人艇，包括以下步骤：S1，利用激光成像雷达在无人艇周边的水面上产生三维点云图像，该三维点云图像包含目标点云和非目标点云，对该三维点云图像进行降维处理，将三维点云图像投影到二维XY栅格平面内，统计每个栅格的位置信息与高度信息；S2，对目标点云与非目标点云进行分割；S3，对分割后所得到的目标点云进行聚类处理，提取出每个目标的位置信息，形成目标样本集，提取目标样本集的多维特征向量；S4，对目标样本集进行训练，并且得到训练后的识别函数，使用该识别函数对目标点云进行识别。本发明能够较为准确地检测和识别无人艇周围的水面目标。

Description

一种基于激光成像雷达的无人艇水面目标处理方法

技术领域

本发明涉及图像检测与处理技术领域，具体地说是一种基于激光成像雷达的无人艇水面目标处理方法。

背景技术

目标检测是计算机视觉和图像处理领域的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天航海等诸多领域。它的目的就是快速、准确地检测出视频流中的目标，从序列图像中将待检测目标提取出来。

典型的目标检测方法如基于图像的目标检测能在天气良好的情况下较好的检测出目标物体。水面环境由于雾化现象比较严重，使用基于图像的方法对无人艇周围目标进行检测，其识别精度受环境影响较大，容易误判和漏判，且处理图像过程繁杂，需花费大量时间检测与目标无关的区域。此外图像信息无法精确识别目标距离，这对后续无人艇的精确控制影响很大。而激光传感器则具有检测速度快、目标可靠、能提供精确距离信息等优点，更适合作为无人艇控制系统模块中的控制信息。

目前，对基于激光雷达的无人艇水面目标检测的研究相对较少，在水面环境上使用激光雷达所产生的三维点云图像进行目标提取与识别，将较以往基于图像的方法更快速、更准确、更方便。

发明内容

本发明要解决的技术问题是提供一种基于激光成像雷达的无人艇水面目标处理方法，能够较为准确的检测和识别水面目标。

为了解决上述技术问题，本发明采取以下技术方案：

一种基于激光成像雷达的无人艇水面目标处理方法，该方法基于具有激光成像雷达的无人艇，包括以下步骤：

S1，利用激光成像雷达在无人艇周边的水面上产生三维点云图像，该三维点云图像包含目标点云和非目标点云，对该三维点云图像进行降维处理，将三维点云图像投影到二维XY栅格平面内，统计每个栅格的位置信息与高度信息；

S2，对目标点云与非目标点云进行分割；

S3，对分割后所得到的目标点云进行聚类处理，提取出每个目标的位置信息，形成目标样本集；

S4，对目标样本集进行训练，并且得到训练后的识别函数，使用该识别函数对目标点云进行识别。

所述二维XY栅格平面由无人艇当前所处的三维空间投影到大地水平面而成；

将投影在二维XY栅格平面的某一个栅格的XY范围内的三维点云图像标记为同一栅格点云，统计投影在每个栅格内点的数量、最大高度、最小高度和高度差。

所述步骤S2中对目标点云与非目标点云进行分割时具体包括：

遍历二维XY栅格平面的每一个栅格；

若栅格内点数N<2，则将该栅格标记为未知栅格；若栅格内点数N≥2，则进一步计算栅格内点的最大高度与最小高度的高度差ΔH，

若高度差ΔH<高度阈值T_G，则将该栅格标记为水面栅格；若高度差ΔH≥高度阈值T_G，则将该栅格标记为目标栅格。

所述步骤3中对目标点云进行聚类处理时采用DBSCAN聚类算法，具体如下：

S3.1，任意选取其中一个目标栅格C_i；

S3.2，如果目标栅格C_i没有被划分到某一簇，则判断该目标栅格C_i是否为核心栅格，；

S3.3，若该目标栅格C_i为核心栅格，将目标栅格C_i加入到当前簇中，并且扩展以目标栅格C_i为核心对象的当前簇，开始搜索该目标栅格C_i的邻域；

S3.4，以核心栅格C_i为坐标原点建立一个直角坐标系，寻找该直角坐标系下在Eps范围内距离目标栅格C_i最远的4个目标栅格，对该4个目标栅格执行步骤S3.2操作。

S3.5，当所有目标栅格处理完毕，搜索过程结束，完成聚类处理。

所述步骤S3.3中搜索目标栅格C_i邻域时，检测邻域内与该目标栅格C_i所在点距离小于Eps值的点，Eps为目标栅格C_i的区域半径，Eps随距离变化的关系为：

$\frac{\sqrt{{x_{C_i}}^2+{y_{C_i}}^2}}{{\mathrm{Ref}}_l}.{\mathrm{Ref}}_{Eps}$

其中:为目标栅格C_i所在的栅格直角坐标系下的栅格坐标，Ref_Eps为目标栅格C_i距离坐标原点为Ref_l时的区域半径Eps。

所述步骤S4中采用支撑向量机算法对目标点云进行训练。

本发明方法受水面环境影响小，有效缩短对无人艇周围水面目标提取的时间，更加准确实现对无人艇周围水面目标的识别。

附图说明

附图1为本发明流程示意图；

附图2为本发明改进的DBSCAN算法流程示意图；

附图3为本发明中目标点云的层次特征表示图。

具体实施方式

为了便于本领域技术人员的理解，下面结合附图对本发明作进一步的描述。

如附图1所示，一种基于激光成像雷达的无人艇水面目标处理方法，该方法基于具有激光成像雷达的无人艇，包括以下步骤：

S1，利用激光成像雷达在无人艇周边的水面上产生三维点云图像，该三维点云图像包含目标点云和非目标点云，对该三维点云图像进行降维处理，将三维点云图像投影到二维XY栅格平面内，统计每个栅格的位置信息与高度信息。二维XY栅格平面由无人艇当前所处的三维空间投影到大地水平面而成，并且能选取其中某一个栅格的大小作为该XY栅格平面的分辨率。另外将投影在二维XY栅格平面的某一个栅格的XY范围内的三维点云图像标记为同一栅格点云，统计投影在每个栅格内点的数量、最大高度、最小高度和高度差，高度差通常是指最大高度和最小高度之间的差值。一个目标点云投影到二维XY栅格平面内即为一个点，一个栅格内可以存在一个点、两个点或者多个点，或者没有。

S2，采用基于高度阈值的方法对水面上的目标点云与非目标点云进行分割。

S3，对分割后所得到的目标点云进行聚类处理，提取出每个目标点云的位置信息，形成目标样本集，并且对该目标样本集中的目标样本进行多维特征向量的提取，该多维特征向量包括点云的空间尺寸特征、空间尺寸特征、整体强度特征以及密集程度特征。

S4，对目标样本集进行训练，并且得到训练后的识别函数，使用该识别函数对目标点云进行识别。其中训练时，使用每个目标点云的点云层次特征、空间尺寸特征、整体强度特征以及密集程度特征对目标样本集进行训练。

在步骤S2中对目标点云与非目标点云进行分割时具体包括：

遍历二维XY栅格平面的每一个栅格。由于水面与路面相比更为平坦，水面目标如船只、浮标、桥梁相较于水面有明显的高度差别。三维点云图像投影到二维XY栅格平面后，每个栅格都包含三维点个数、最大高度、最小高度、高度差等信息。遍历每个栅格，判断该栅格的属性。属性分为水面栅格、目标栅格以及未知栅格。

若栅格内点数N<2，则将该栅格标记为未知栅格；若栅格内点数N≥2，则进一步计算栅格内点的最大高度与最小高度的高度差ΔH。

若高度差ΔH<高度阈值T_G，则将该栅格标记为水面栅格；若高度差ΔH≥高度阈值T_G，则将该栅格标记为目标栅格。

如附图2所示，所述步骤3中对目标点云进行聚类处理时采用改进的DBSCAN聚类算法对目标点云进行聚类处理，具体如下：

S3.1，任意选取XY栅格平面内的其中一个目标栅格C_i。

S3.2，如果目标栅格C_i没有被划分到某一簇，则判断该目标栅格C_i是否为核心栅格。

S3.3，若该目标栅格C_i为核心栅格，将目标栅格C_i加入到当前簇中，并且扩展以目标栅格C_i为核心对象的当前簇，开始搜索该目标栅格C_i的邻域；如果该目标栅格C_i不是核心栅格，则跳至步骤S3.5。

S3.4，以核心栅格C_i为坐标原点建立一个直角坐标系，寻找该直角坐标系下在Eps范围内距离目标栅格C_i最远的4个目标栅格，对该4个目标栅格执行步骤S3.2操作。该4个目标栅格通常是区域半径Eps范围内的4条半轴上距离核心栅格C_i最远的栅格。将该4个目标栅格依次代入步骤S3.2中进行处理，直到该4个目标栅格都处理完毕。也可以看成是，将4个目标栅格入栈，查看栈是否为空，如果为空，则当前簇+1，如果不是为空，则返回步骤S3.2。

S3.5，查看是否所有目标栅格处理完毕，若是，则搜索过程结束，完成聚类处理；若不是，则在二维XY栅格平面内选取另外一个目标栅格，并且返回步骤S3.2再次处理。

在步骤S3.3中搜索目标栅格C_i邻域时，检测邻域内与该目标栅格C_i所在点距离小于Eps值的点，Eps为目标栅格C_i的区域半径，Eps随距离变化的关系为：

$\frac{\sqrt{{x_{C_i}}^2+{y_{C_i}}^2}}{{\mathrm{Ref}}_l}.{\mathrm{Ref}}_{Eps}$

其中:为目标栅格C_i所在的栅格直角坐标系下的栅格坐标，Ref_Eps为目标栅格C_i距离坐标原点为Ref_l时的区域半径Eps。

所述步骤S4中采用一种机器学习方法---支撑向量机对目标点云进行训练。结合水面目标的特点，从点云层次特征、空间尺寸特征、整体强度特征以及密集程度特征几个方面对目标点云进行特征提取。

本发明中涉及的激光成像雷达具有多线扫描性能。水面目标点云的层次特征主要利用多线扫描雷达中每条线的扫描点不同的特点，计算每一层投影点的x差值最大值与y差值最大值并计作d_j0和d_j1来统计一个点云目标的层次特征，其中下标j代表层数，则整个目标点云的层次特征可表示为：

f₁＝{d₁₀,d₁₁,…d_j0,d_j1,…d_n0,d_n1}

提取一组无人艇周边的船只目标点云的层次特征图，见附图3所示。

水面目标点云的空间尺寸主要利用目标对象内部点云的最大高度值和最小高度的高度差值，以及目标点云所在栅格的长宽来构造其空间尺寸特征。Δh表示高度差，Δl表示栅格长度，Δw表示栅格宽度。则目标点云的空间尺寸特征可表示为：

f₂＝{Δh,Δl,Δw}

水面目标点云的整体强度特征是利用了不同目标对激光点的反射强度不同的特点来对目标进行区分，用p_i表示目标点云内每个目标点的强度，则整体强度特征主要有以下两个方面：

目标对象内部所有激光点的平均反射强度：

$f_{31}=\stackrel{\&OverBar;}{p}=\frac{1}{n}*\underset{i=1}{\overset{n}{\&Sigma;}}{p}_i$

目标对象内部所有激光点反射强度的标准方差：

$f_{32}=S_p=\frac{1}{n-1}*\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(p_i-\stackrel{\&OverBar;}{p})}^2}$

则该目标点云的整体强度特征可表示为：

f₃＝{f₃₁,f₃₂}

水面目标点云的密集程度特征主要利用不同目标点云的离散程度不同来区分目标，用分别表示目标对象内部点云的x，y，z在坐标的平均值，则密集程度特征可表示为目标对象的质心向量和质心方差向量两方面：

质心向量表示为：

$f_{41}=(\stackrel{\&OverBar;}{x}-x_{\min },\stackrel{\&OverBar;}{y}-y_{\min },\stackrel{\&OverBar;}{z}-z_{\min })$

质心方差向量表示为：

$f_{42}=(\frac{1}{n-1}*\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(\stackrel{\&OverBar;}{x}-x_i)}^2},\frac{1}{n-1}*\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(\stackrel{\&OverBar;}{y}-y_i)}^2},\frac{1}{n-1}*\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(\stackrel{\&OverBar;}{z}-z_i)}^2},)$

则目标点云的密集程度特征表示为：

f₄＝{f₄₁,f₄₂}

根据以上目标点云的空间尺寸特征、空间尺寸特征、整体强度特征和密集程度特征等多个特征使用支撑向量机SVM对指定目标类型的点云进行样本训练，能够得到良好的目标对象识别函数，最终完成对无人艇周围水面目标的类型识别。

需要说明的是，以上所述并非是对本发明的限定，在不脱离本发明的创造构思的前提下，任何显而易见的替换均在本发明的保护范围之内。

Claims (6)

1.一种基于激光成像雷达的无人艇水面目标处理方法，该方法基于具有激光成像雷达的无人艇，包括以下步骤：

S1，利用激光成像雷达在无人艇周边的水面上产生三维点云图像，该三维点云图像包含目标点云和非目标点云，对该三维点云图像进行降维处理，将三维点云图像投影到二维XY栅格平面内，统计每个栅格的位置信息与高度信息；

S2，对目标点云与非目标点云进行分割；

S3，对分割后所得到的目标点云进行聚类处理，提取出每个目标的位置信息，形成目标样本集；

S4，对目标样本集进行训练，并且得到训练后的识别函数，使用该识别函数对目标点云进行识别。

2.根据权利要求1所述的基于激光成像雷达的无人艇水面目标处理方法，其特征在于，所述二维XY栅格平面由无人艇当前所处的三维空间投影到大地水平面而成；

将投影在二维XY栅格平面的某一个栅格的XY范围内的三维点云图像标记为同一栅格点云，统计投影在每个栅格内点的数量、最大高度、最小高度和高度差。

3.根据权利要求2述的基于激光成像雷达的无人艇水面目标处理方法，其特征在于，所述步骤S2中对目标点云与非目标点云进行分割时具体包括：

遍历二维XY栅格平面的每一个栅格；

若栅格内点数N<2，则将该栅格标记为未知栅格；若栅格内点数N≥2，则进一步计算栅格内点的最大高度与最小高度的高度差ΔH，

若高度差ΔH<高度阈值T_G，则将该栅格标记为水面栅格；若高度差ΔH≥高度阈值T_G，则将该栅格标记为目标栅格。

4.根据权利要求3述的基于激光成像雷达的无人艇水面目标处理方法，其特征在于，所述步骤3中对目标点云进行聚类处理时采用DBSCAN聚类算法，具体如下：

S3.1，任意选取其中一个目标栅格C_i；

S3.2，如果目标栅格C_i没有被划分到某一簇，则判断该目标栅格C_i是否为核心栅格，；

S3.3，若该目标栅格C_i为核心栅格，将目标栅格C_i加入到当前簇中，并且扩展以目标栅格C_i为核心对象的当前簇，开始搜索该目标栅格C_i的邻域；

S3.4，以核心栅格C_i为坐标原点建立一个直角坐标系，寻找该直角坐标系下在Eps范围内距离目标栅格C_i最远的4个目标栅格，对该4个目标栅格执行步骤S3.2操作。

S3.5，当所有目标栅格处理完毕，搜索过程结束，完成聚类处理。

5.根据权利要求4述的基于激光成像雷达的无人艇水面目标处理方法，其特征在于，所述步骤S3.3中搜索目标栅格C_i邻域时，检测邻域内与该目标栅格C_i所在点距离小于Eps值的点，Eps为目标栅格C_i的区域半径，Eps随距离变化的关系为：

$\frac{\sqrt{{x_{C_i}}^2+{y_{C_i}}^2}}{{\mathrm{Ref}}_l}.{\mathrm{Ref}}_{Eps}$

其中:为目标栅格C_i所在的栅格直角坐标系下的栅格坐标，Ref_Eps为目标栅格C_i距离坐标原点为Ref_l时的区域半径Eps。

6.根据权利要求5述的基于激光成像雷达的无人艇水面目标处理方法，其特征在于，所述步骤S4中采用支撑向量机算法对目标点云进行训练。