CN110471043A - 基于阈值激光雷达3d点云数据压缩识别目标检测方法 - Google Patents

Abstract

本发明属于激光雷达数据处理与目标识别技术领域，为提出雷达3维轮廓识别技术方案，提高目标的识别效率。为此，本发明采取的技术方案是，基于阈值激光雷达3D点云数据压缩识别目标检测方法，首先通过对3D点云数据进行2D压缩，再通过距离检测确定目标轮廓的2D点云数据，最后将目标的2D点云数据与3D点云数据对应来进行目标的3维轮廓识别。本发明主要应用于激光雷达设计制造场合。

Description

基于阈值激光雷达3D点云数据压缩识别目标检测方法

技术领域

本发明属于激光雷达数据处理与目标识别技术领域，具体涉及基于阈值的激光雷达3D点云数据压缩识别目标的检测方法。

背景技术

激光雷达(Lidar)是一种对目标进行测距和定位的主动探测技术，原理是首先激光雷达发射脉冲激光，激光在介质中传播后照射到目标上，目标反射激光脉冲回探测器，探测器通过发射波形和回波波形的时间差进行距离计算，采用飞行时间法(TOF)，用时间差乘以光速的二分之一来表示目标的距离。现阶段激光雷达广泛用于自动驾驶领域，机械旋转式激光雷达是现阶段用于自动驾驶的主流，在激光雷达上安装多个激光发射模块和探测接收模块来同时发射和接收多个激光光束，再利用激光雷达自身的旋转实现三维激光雷达点云成像，可以获得空间点云数据的三维坐标信息和强度信息。返回的激光雷达三维点云坐标信息可以用于实时成像，但如何从众多的三维点云数据中快速分辨出目标轮廓的点云数据是自动驾驶领域的重点，后续的深度学习与机器学习需要目标的轮廓特征信息来进行计算和匹配，自动驾驶要求成像系统进行快速运算来实现对于汽车速度和方向的控制，传统的点云数据三维空间网格搜索方法所需时间较长，为了减少目标点云识别所用的时间，本发明设计了一种激光雷达3D点云数据压缩识别目标的检测方法，通过对3D点云数据进行2D压缩，再通过距离检测确定目标轮廓对应的的2D点云数据，最后将目标的2D点云数据与3D点云数据对应来进行目标的3维轮廓识别。

发明内容

为克服现有技术的不足，本发明旨在提出雷达3维轮廓识别技术方案，提高目标的识别效率。为此，本发明采取的技术方案是，基于阈值激光雷达3D点云数据压缩识别目标检测方法，首先通过对3D点云数据进行2D压缩，再通过距离检测确定目标轮廓的2D点云数据，最后将目标的2D点云数据与3D点云数据对应来进行目标的3维轮廓识别。

具体步骤细化如下：

步骤一：对三维激光雷达点云数据进行标定，将激光雷达发射的角度值和发射的线数值对每一个三维点云数据进行标定；

步骤二：将所有的三维激光雷达点云数据进行二维压缩，保留XY坐标值，Z坐标值省略，进行二维平面成像；

步骤三：将XY坐标下的二维点云数据转换为极坐标下的二维点云数据，每一个点对应一个角度值和一个距离值；

步骤四：设定一个距离阈值d，遍历每一个角度下的点云坐标，将相邻点距离大于的阈值的外侧点云进行剔除，记录每一个角度下保留数据点云的最大值与最小值坐标；

步骤五：遍历相邻角度值下的保留的点云坐标的最大值与最小值，将相对应的最大值之差与相对应的最小值之差均在距离阈值范围以内的点云视为同一目标的点云，同一目标的点云必须为角度值相邻的；

步骤六：将二维极坐标下的目标点云数据对应到三维点云数据，并进行目标点云数据输出。

本发明的特点及有益效果是：

本发明所提出的激光雷达点云数据目标识别方法能够使得三维的激光雷达点云数据压缩到二维极坐标空间并通过相邻点云数据间的距离判断来进行目标识别，将识别的目标的二维点云返回到三维坐标空间，能够大大减少进行目标搜索的时间，在二维空间里面进行目标检测相比在三维空间进行目标检测大大减少了运算量。

附图说明：

图1是本发明中总体算法流程图；

具体实施方式

本发明涉及一种对激光雷达3D点云数据进行目标识别的方法，首先通过对3D点云数据进行2D压缩，再通过距离检测确定目标轮廓的2D点云数据，最后将目标的2D点云数据与3D点云数据对应来进行目标的3维轮廓识别，属于激光雷达数据处理与目标识别技术领域。

本发明通过对3D点云数据进行2D压缩，再通过距离检测确定目标轮廓的2D点云数据，最后将目标的2D点云数据与3D点云数据对应来进行目标的3维轮廓识别。

机械式激光雷达发射通过自身旋转发射激光脉冲来实现360°成像，激光雷达每秒绕自身旋转的圈数称为帧频，而激光雷达在每旋转一周的时间内发射激光的位置与角度为固定值，不随激光雷达旋转周数的变化，也即激光雷达发射激光脉冲的频率为固定值，可以利用每次激光雷达发射时候的角度位置来对激光雷达点云数据进行标定，激光雷达的线数为空间上纵向同时发射的激光脉冲个数。激光雷达照射到目标后目标轮廓的三维点云数据投影在XY平面上将会呈现出重叠度大的趋势，所在区域激光点云密度较大，点云之间距离更近，因此通过对目标3维点云数据进行2D压缩可以有效进行目标识别，减少了在3维空间搜索目标所用的时间，大大提高目标的识别效率。为了实现3维激光雷达点云数据的2维压缩，本发明包括以下步骤：

步骤一：对三维激光雷达点云数据进行标定，将激光雷达发射的角度值和发射的线数值对每一个三维点云数据进行标定。

步骤二：将所有的三维激光雷达点云数据进行二维压缩，保留XY坐标值，Z坐标值省略，进行二维平面成像。

步骤三：将XY坐标下的二维点云数据转换为极坐标下的二维点云数据，每一个点对应一个角度值和一个距离值。

步骤四：设定一个距离阈值d，遍历每一个角度下的点云坐标，将相邻点距离大于的阈值的外侧点云进行剔除，记录每一个角度下保留数据点云的最大值与最小值坐标。

步骤五：遍历相邻角度值下的保留的点云坐标的最大值与最小值，将相对应的最大值之差与相对应的最小值之差均在距离阈值范围以内的点云视为同一目标的点云(同一目标的点云必须为角度值相邻的)。

步骤六：将二维极坐标下的目标点云数据对应到三维点云数据，并进行目标点云数据输出。

下面对本发明技术方案作进一步详细描述，本发明提出了一种基于阈值的激光雷达3D点云数据压缩识别目标的检测方法，具体实施步骤如下：

步骤一：对三维激光雷达点云数据进行标定，将激光雷达发射的角度值和发射的线数值对应于每一个三维点云数据，存入一个n x 5的矩阵A，n代表所有点云数据的总数，矩阵每一行的5列分别是每一个点云数据的XYZ坐标值以及角度值和线数值。

步骤二：将所有的三维激光雷达点云数据进行二维压缩，保留XY值，Z值省略，进行二维成像，存入矩阵B(矩阵B为n x 4大小的矩阵)的前两列。

步骤三：将XY坐标下的二维点云数据转换为极坐标下的二维点云数据，每一个点对应一个角度值和一个距离值，其中距离值的计算为将角度值与距离值存入矩阵B的3、4列。

步骤四：设定一个距离阈值d，依次遍历每一个角度下的点云坐标，计算每一个角度下相邻点云坐标之间的距离，将相邻点距离大于的阈值的外侧点云进行剔除，记录每一个角度下保留数据点云集的距离值的最大值与最小值。

步骤五：遍历相邻角度值下的保留的点云距离的最大值与最小值，计算相邻角度下的相对应的最大值之差与相对应的最小值之差，判断两者是否均在距离阈值范围以内，若两者均满足，则将此点云视为同一目标的点云(同一目标的点云必须为角度值相邻的)，否则认为不是同一目标的点云，剔除其相关数据。

步骤六：将标定的同一目标的二维极坐标下的点云数据在矩阵A中进行查找，找出对应的三维点云坐标，并进行目标轮廓输出，输出的目标个数与步骤五中在二维平面内查找出的目标点云集数相对应。

Claims (2)

1.一种基于阈值激光雷达3D点云数据压缩识别目标检测方法，其特征是，首先通过对3D点云数据进行2D压缩，再通过距离检测确定目标轮廓的2D点云数据，最后将目标的2D点云数据与3D点云数据对应来进行目标的3维轮廓识别。

2.如权利要求1所述的基于阈值激光雷达3D点云数据压缩识别目标检测方法，其特征是，具体步骤细化如下：

步骤一：对三维激光雷达点云数据进行标定，将激光雷达发射的角度值和发射的线数值对每一个三维点云数据进行标定；

步骤二：将所有的三维激光雷达点云数据进行二维压缩，保留XY坐标值，Z坐标值省略，进行二维平面成像；

步骤三：将XY坐标下的二维点云数据转换为极坐标下的二维点云数据，每一个点对应一个角度值和一个距离值；

步骤四：设定一个距离阈值d，遍历每一个角度下的点云坐标，将相邻点距离大于的阈值的外侧点云进行剔除，记录每一个角度下保留数据点云的最大值与最小值坐标；

步骤五：遍历相邻角度值下的保留的点云坐标的最大值与最小值，将相对应的最大值之差与相对应的最小值之差均在距离阈值范围以内的点云视为同一目标的点云，同一目标的点云必须为角度值相邻的；

步骤六：将二维极坐标下的目标点云数据对应到三维点云数据，并进行目标点云数据输出。