CN110188663A - 检测定位车辆点云质量的方法 - Google Patents

Abstract

本发明公开了一种检测定位车辆点云质量的方法，主要包括以下步骤：S1、当点云的数量小于阈值下限时舍弃；S2、平面分布判断：将抓取的点云与预存的车模点云统一坐标系，并判断与车模点云的重叠程度是否满足预定要求；是，进入下一步；否，舍弃并重复S1；S3、分布均匀度判断：对S2得到的点云进行降采样，并判断是否分布均匀；是，进入下一步；否，重复S1‑S2；S4、范围判断：判断S3得到的点云是否为一辆车的点云；是，进入下一步；否，舍弃并重复S1‑S3；S4、向量分布判断：判断S4得到的点云是否分布在不同的平面；是，将该点云用于车辆的定位；否，舍弃并重复S1‑S4。其通过对抓取的车辆的点云的数量的控制和质量的监控，有效保证了车辆定位的效率和精度。

Description

检测定位车辆点云质量的方法

技术领域

本发明涉及自动驾驶汽车技术领域，尤其涉及一种检测定位车辆点云质量的方法。

背景技术

对于许多驾驶员而言，顺列式驻车是一种痛苦的经历，大城市停车空间有限，将汽车驶入狭小的空间已成为一项必备技能。很少有不费一番周折就停好车的情况，停车可能导致交通阻塞、神经疲惫和保险杠被撞弯。因而自动泊车功能应运而生，自动泊车是指汽车自动泊车入位不需要人工控制，即自动泊车能够帮助驾驶员自动停车。不同的自动泊车系统采用不同的方法来检测汽车周围的物体，一般都是通过在车辆上进行加装而实现，例如：在汽车前后保险杠四周加装感应器，使它们既可以充当发送器，也可以充当接收器，这些感应器会发送信号，当信号碰到车身周边的障碍物时会反射回来，然后，车上的计算机会利用其接收信号所需的时间来确定障碍物的位置；其他一些系统则使用安装在保险杠上的摄像头或雷达来检测障碍物；还有的是通过在场端安装激光雷达，通过激光雷达的定位和感知实现车辆的自动泊车，其中，通过在场端安装的激光雷达的定位和感知实现车辆的自动泊车的方法能够避免在车辆上加装各种昂贵的传感器等配件，使得自动泊车的实现成本更低，且通用性更强。

但是，当采用场端激光雷达进行自动泊车时，需要通过场端激光雷达抓取车辆的点云，然后通过点云对车辆定位来实现车辆自动泊车，可见对车辆的精准定位是自动泊车顺利进行的必要条件，然而为保证车辆的精准定位就必须保证抓取的车辆的点云的质量，点云的数量和质量得到保证后，能够使得车辆定位精度更高，且定位速度更快。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种检测定位车辆点云质量的方法，通过对抓取的车辆的点云的数量的控制和质量的监控，有效保证了车辆定位的效率和精度。

为实现上述目的和一些其他的目的，本发明采用如下技术方案：

一种检测定位车辆点云质量的方法，主要包括以下步骤：

S1、点云数量判断：对随机抓取的车辆的点云数量进行判断，当点云数量小于预设的阈值的下限时舍弃，并重新抓取点云；当点云数量满足所述阈值的要求时，进入下一步；

S2、平面分布判断：将抓取的点云与预存的车模点云统一坐标系，并判断与所述车模点云统一坐标系后的点云与所述车模点云的重叠程度是否满足预定要求；是，则进入下一步；否，则将点云舍弃，并重复S1；

S3、分布均匀度判断：利用体素网格对S2得到的点云进行降采样，并判断降采样后的点云是否分布均匀；是，则进入下一步；否，则将点云舍弃，并重复S1-S2；

S4、范围判断：判断S2得到的点云是否为一辆车的点云；是，则进入下一步；否，则将S2得到的点云舍弃，并重复S1-S3；

S5、向量分布判断：判断S4得到的点云是否分布在不同的平面上；是，则将S4得到的点云用于车辆的定位；否，则将S4得到的点云舍弃，并重复S1-S4。

优选的是，所述的检测定位车辆点云质量的方法中，S1中当点云数量大于预设的阈值的上限时，还需对多余的点云进行去除，具体方法为：

S1-1、对随机抓取的点云进行均值滤波，并比较均值滤波后得到的点云数量是否大于预设的阈值的上限；是，则进入下一步；否，则进行S2；

S1-2、在均值滤波后得到的点云的各个位置随机选取部分点云，并使所述随机选取的点云的数量满足所述阈值的要求。

优选的是，所述的检测定位车辆点云质量的方法中，S2中所述点云模型为与抓取点云的车辆相应的车型的点云模型。

优选的是，所述的检测定位车辆点云质量的方法中，其中，S4中判断S3得到的点云是否为一辆车的点云的方法为：

将S3得到的点云拟合成长方形的包围盒，并将所述长方形的包围盒与所述点云模型的长方形的包围盒进行比较，以判断点云拟合得到的长方形的包围盒是否完全包含在所述点云模型的长方形的包围盒内；是，则判定S3得到的点云为一辆车的点云；否，则判定S3得到的点云为两辆及两辆以上车辆的点云。

优选的是，所述的检测定位车辆点云质量的方法中，S5中判断S4得到的点云是否分布在不同的平面上的方法为：

计算S4得到的点云的法向，按照法向归类区分点云在各个平面上的分布。

优选的是，所述的检测定位车辆点云质量的方法中，S5中S4得到的点云至少为分布在两个不同平面上的点云时，S4得到的点云才能用于车辆的定位。

本发明至少包括以下有益效果：

本发明的检测定位车辆点云质量的方法中，对随机抓取的车辆的点云首先进行数量上的控制，保证了定位精度和定位效率；然后监控点云的分布，保证对于车辆各个位置的点云抓取的均匀性；接着判断点云是否为一辆车的点云，避免抓取的点云为两辆甚至两辆车辆的点云；最后通过判断抓取的点云是否位于不同的平面，保证了抓取的点云位于车辆不同的表面，从而保证了利用点云对车辆定位的精度。

通过预设阈值，保证了抓取的点云的数量，既保证了后续通过点云定位车辆的精度，又避免了过多点云的计算，提高了后续通过点云定位车辆的速率。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

具体实施方式

下面对本发明做详细说明，以令本领域普通技术人员参阅本说明书后能够据以实施。

一种检测定位车辆点云质量的方法，主要包括以下步骤：

S1、点云数量判断：对随机抓取的车辆的点云数量进行判断，当点云数量小于预设的阈值的下限时舍弃，并重新抓取点云；当点云数量满足所述阈值的要求时，进入下一步。

S2、平面分布判断：将抓取的点云与预存的车模点云统一坐标系，并判断与所述车模点云统一坐标系后的点云与所述车模点云的重叠程度是否满足预定要求；是，则进入下一步；否，则将点云舍弃，并重复S1。

S3、分布均匀度判断：利用体素网格对S2得到的点云进行降采样，并判断降采样后的点云是否分布均匀；是，则进入下一步；否，则将点云舍弃，并重复S1-S2。

S4、范围判断：判断S2得到的点云是否为一辆车的点云；是，则进入下一步；否，则将S2得到的点云舍弃，并重复S1-S3。

S5、向量分布判断：判断S4得到的点云是否分布在不同的平面上；是，则将S4得到的点云用于车辆的定位；否，则将S4得到的点云舍弃，并重复S1-S4。

在上述方案中，S1中通过对抓取点云的数量的判断，使得抓取的点云数量符合预设阈值的要求，从而避免抓取点云个数太少时，不符合定位算法的输入要求的问题；S2当抓取的点云数量满足阈值要求时，将抓取的点云与车模的点云统一坐标系，然后判断抓取的点云与车模的重叠度，进而进一步保证抓取的点云的分布；S3中当点云重合程度满足条件时，对此点云进行体素滤波，使用体素化网格方法不仅实现了点云降采样，提高后续的计算速度，同时体素滤波可以保持点云的形状特征，进而判断获取的点云分布是否均匀，如果抓取的点云只集中在某个区域，则对车辆的定位精度具有很大的影响，因而可将该种点云舍弃，并进行重新抓取；S4中若点云分布均匀，则将抓取的点云拟合成的长方形的包围盒与车模的box进行比较，如果box长，宽以及面积均在车模的box内，则认为点云质量满足要求，否则舍弃；S5中判断抓取点云的法向分布，质量好的点云是有上、前、后、左和右五个面的点云，通过统计抓取的每个点云的法向，然后行进归类，即统计抓取的点云分布的各个面，能够判断抓取的点云是否包含车辆的各个表面，进而通过点云对应的车辆上的分布决定是否舍弃或采用该抓取的点云用于车辆的定位。

对随机抓取的车辆的点云首先进行数量上的控制，保证了定位精度和定位效率；然后监控点云的分布，保证对于车辆各个位置的点云抓取的均匀性；接着判断点云是否为一辆车的点云，避免抓取的点云为两辆甚至两辆车辆的点云；最后通过判断抓取的点云是否位于不同的平面，保证了抓取的点云位于车辆不同的表面，从而保证了利用点云对车辆定位的精度。通过预设阈值，保证了抓取的点云的数量，既保证了后续通过点云定位车辆的精度，又避免了过多点云的计算，提高了后续通过点云定位车辆的速率。

一个优选方案中，S1中当点云数量大于预设的阈值的上限时，还需对多余的点云进行去除，具体方法为：

S1-1、对随机抓取的点云进行均值滤波，并比较均值滤波后得到的点云数量是否大于预设的阈值的上限；是，则进入下一步；否，则进行S2；

S1-2、在均值滤波后得到的点云的各个位置随机选取部分点云，并使所述随机选取的点云的数量满足所述阈值的要求。

在上述方案中，采用均值滤波对抓取的点云进行滤波能够将分布在各个位置的点云进行均匀的滤除，从而避免了点云因滤波造成的分布不均匀，其中均值滤波优选采用体素滤波器进行滤波；当滤波后点云数量仍较多时，在各个位置随机选取部分点云，从而既减少了点云的数量，且避免了因点云的抓取使得点云分布不均匀。

一个优选方案中，S2中所述点云模型为与抓取点云的车辆相应的车型的点云模型。

在上述方案中，通过预存多种车型的车辆的点云模型，并在抓取了车辆的点云后调取相应车型的点云模型进行比较，能够进一步保证检测抓取点云质量的准确度。

一个优选方案中，S4中判断S3得到的点云是否为一辆车的点云的方法为：

将S3得到的点云拟合成长方形的包围盒，并将所述长方形的包围盒与所述点云模型的长方形的包围盒进行比较，以判断点云拟合得到的长方形的包围盒是否完全包含在所述点云模型的长方形的包围盒内；是，则判定S3得到的点云为一辆车的点云；否，则判定S3得到的点云为两辆及两辆以上车辆的点云。

在上述方案中，通过将S3得到的点云拟合的长方形的包围盒与车模的长方形的包围盒进行比较，S3得到的点云如果为同一车辆的点云则必然会完全包含在车模的box内，而当点云为两辆或者更多辆车辆的点云时，则点云必然分布范围更广，进而不能完全包含在车模的长方形的包围盒内，因而实现了对车辆点云是否为一辆车的判断。

一个优选方案中，S5中判断S4得到的点云是否分布在不同的平面上的方法为：

计算S4得到的点云的法向，按照法向归类区分点云在各个平面上的分布。

在上述方案中，通过计算点云的法向，即各个点云的方向，可实现通过点云的法向判断点云是否位于同一平面上，从而避免抓取的点云完全位于同一平面上，即抓取的点云仅为车辆的一个面的点云，从而保证了定位精度。

一个优选方案中，S5中S4得到的点云至少为分布在两个不同平面上的点云时，S4得到的点云才能用于车辆的定位。

在上述方案中，通过反复实验确定，当抓取的点云为车辆的两个不同面的点云时，即可实现通过点云对车辆进行精确的定位，因而S5中限定S4得到的点云至少为分布在两个不同平面上的点云时，该点云才可以用于车辆的定位。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (6)

1.一种检测定位车辆点云质量的方法，其中，主要包括以下步骤：

S1、点云数量判断：对随机抓取的车辆的点云数量进行判断，当点云数量小于预设的阈值的下限时舍弃，并重新抓取点云；当点云数量满足所述阈值的要求时，进入下一步；

S2、平面分布判断：将抓取的点云与预存的车模点云统一坐标系，并判断与所述车模点云统一坐标系后的点云与所述车模点云的重叠程度是否满足预定要求；是，则进入下一步；否，则将点云舍弃，并重复S1；

S3、分布均匀度判断：利用体素网格对S2得到的点云进行降采样，并判断降采样后的点云是否分布均匀；是，则进入下一步；否，则将点云舍弃，并重复S1-S2；

S4、范围判断：判断S2得到的点云是否为一辆车的点云；是，则进入下一步；否，则将S2得到的点云舍弃，并重复S1-S3；

S5、向量分布判断：判断S4得到的点云是否分布在不同的平面上；是，则将S4得到的点云用于车辆的定位；否，则将S4得到的点云舍弃，并重复S1-S4。

2.如权利要求1所述的检测定位车辆点云质量的方法，其中，S1中当点云数量大于预设的阈值的上限时，还需对多余的点云进行去除，具体方法为：

S1-1、对随机抓取的点云进行均值滤波，并比较均值滤波后得到的点云数量是否大于预设的阈值的上限；是，则进入下一步；否，则进行S2；

S1-2、在均值滤波后得到的点云的各个位置随机选取部分点云，并使所述随机选取的点云的数量满足所述阈值的要求。

3.如权利要求1所述的检测定位车辆点云质量的方法，其中，S2中所述点云模型为与抓取点云的车辆相应的车型的点云模型。

4.如权利要求1所述的检测定位车辆点云质量的方法，其中，S4中判断S3得到的点云是否为一辆车的点云的方法为：

将S3得到的点云拟合成长方形的包围盒，并将所述长方形的包围盒与所述点云模型的长方形的包围盒进行比较，以判断点云拟合得到的长方形的包围盒是否完全包含在所述点云模型的长方形的包围盒内；是，则判定S3得到的点云为一辆车的点云；否，则判定S3得到的点云为两辆及两辆以上车辆的点云。

5.如权利要求1所述的检测定位车辆点云质量的方法，其中，S5中判断S4得到的点云是否分布在不同的平面上的方法为：

计算S4得到的点云的法向，按照法向归类区分点云在各个平面上的分布。

6.如权利要求1所述的检测定位车辆点云质量的方法，其中，S5中S4得到的点云至少为分布在两个不同平面上的点云时，S4得到的点云才能用于车辆的定位。