CN110501719B - 一种基于激光雷达的列车障碍物探测方法 - Google Patents

Abstract

本发明公开了一种基于激光雷达的列车障碍探测方法。包含以下步骤：S01、获取障碍物激光雷达回波信号；S02、获取各个激光束对目标障碍物的投影点信息，得到点云数据；S03、对点云数据进行滤波处理；S04、列车轨道线识别；S05、点云数据聚类；S06、识别障碍物类型。本发明能够快速进行障碍物识别，采用建立激光雷达感兴趣区域与障碍物信息匹配的方式，大大避免了障碍物检测过程中繁琐的算法分析过程，有利于列车在高速工况下快速的检测列车前方障碍物。

Description

一种基于激光雷达的列车障碍物探测方法

技术领域

本发明涉及到列车安全行车领域，具体涉及到一种基于激光雷达的列车障碍探测方法。

背景技术

列车行驶的过程中，有效的探测列车前方可能存在的障碍物对于列车的行驶安全起到至关重要的作用。而由于列车行驶的特殊性，列车需要在远距离情况下探测障碍物的存在。由于列车驾驶人视野有限，或者视野受到其他事物的干扰，将导致列车驾驶人无法有效的探测障碍物的存在，现阶段存在着许多由于列车无法有效的探测障碍物的存在而的导致列车事故，为保障列车行驶的安全，列车障碍物探测的方法值得关注。

同时列车在刹车时的最大制动距离随行车速度变化范围比较大，列车探测障碍物的要求就必须在这个距离内有效识别障碍物的存在，才能成功的保证列车能够安全避险。此外，列车障碍物存在着许多的形式(如：行人、建筑钢管、落石等)，可能存在非危险因素的人为障碍，因此在探测列车障碍物时必要的进行障碍物的识别，以免在列车行驶过程中出现障碍物误判的情况，影响到列车的正常行驶。

列车行驶的高速性，对于障碍物检测提出了高时效性的要求，而目前的列车障碍物检测方法，很难对此问题进行解决。

发明内容

针对上述现有技术存在的问题，本发明中提出一种基于激光雷达的列车障碍探测方法，提高列车障碍物识别能力，进一步保障列车安全行驶。

本发明所采用的技术方案是：一种基于激光雷达的列车障碍物探测方法，包含以下步骤：

S01、获取障碍物激光雷达回波信号

由激光雷达传感器发出激光束，对目标区域进行探测，由激光雷达接收单元接收来自目标障碍物产生的激光雷达回波信号；

S02、获取点云数据

获取各个激光束对目标障碍物的投影点信息，得到点云数据；

S03、点云数据滤波处理

采用半径滤波法，对点云数据进行滤波处理；

S04、列车轨道线识别

建立动态感兴趣区域(ROI)，分析识别列车轨道线，动态实时监测列车轨道线；

S05、点云数据聚类

进行点云数据聚类分割，得到聚类点蔟，并计算目标障碍物与列车之间相对位置；

S06、识别障碍物类型

通过对聚类点蔟的特征提取，获取障碍物轮廓信息，将获取的障碍物轮廓信息与障碍物特征数据库进行比对，即可识别障碍物类型。

优选的，在S03中，通过半径滤波法对点云数据进行降噪处理。

优选的，在S04中，依据点云数据的Z轴信息，建立动态感兴趣区域(ROI)，基于每一类介质的激光反射特性不同，对激光雷达所获点云数据进行回波强度值滤波分类，再进行列车行驶轨道线的粗提取，后采用最大期望聚类算法对轨道线点云数据进行聚类，然后再利用最小二乘法进行列车轨道线拟合。

优选的，在S04中，所述列车轨道实时监测采用卡尔曼滤波算法实现。

优选的，在S05中，根据激光位点与激光雷达相对距离划分不同的聚类阈值，采用欧氏距离作为聚类指标，进行迭代聚类，最终获取聚类点蔟，并根据聚类点蔟获取目标障碍物与激光雷达的y轴距离与高程。

优选的，获取聚类点蔟包括以下步骤：

步骤1、读取降噪后的感兴趣区域内点云数据，随机选取r_m空间内未归类的随机n个点，采用K-D树邻域搜索，将n个点邻域内满足相互距离小于阈值d_m的点划分为一类P_i。

步骤2、根据欧氏距离计算公式，落在r_m区域中的第P_i类和第P_j类之间的欧氏距离为：

判断d_ij＜d_m，若小于则将二类归为一类，若d_ij＞d_m则二者为不同类。若数据中仍然存在未归类的点，则回到步骤1)；

步骤3、当所有点都被进行归类后，判断各类中点数量N_i与设定阈值N_min、N_min进行比较，若N_i＜N_min，则剔除该类；若N_i＞N_max则解散该类，回到步骤1中，相应减小d_m，对该类中的点数据进行重新的迭代，直到所有的聚类都满足N_min＜N_i＜N_max时，结束循环；

目标障碍物与激光雷达的y轴距离与高程计算公式为：

优选的，在S06中，首先，优化聚类点蔟，寻找生长初始点，定义边缘点生长条件，逐点生长，寻找边缘点集V；其次，运用连通域标记法，提取出目标障碍物轮廓，同已建立好的障碍物特征数据库进行特征对比，从而确定障碍物类型。

优选的，其目标障碍物轮廓提取包括以下步骤：

步骤1、选定生长初始点，将所有障碍物点云数据投影至XOZ平面内，在XOZ平面内计算每两点间相互距离，记录相互间距最大两点p_s、p_e，可推测为两点从属于边缘点集V，并选取其中一点作为初始点p_s。

步骤2、搜索生长步进点，定义边缘点生长条件，以p_s为中心，建立p_s-p_e向量为生长方向，/>可视为/>划定初始点在以/>为法向量，半径为R的半圆型搜索区域，将该区域划分为四个方向，并搜索内所有的邻域点。M(p_s，p_s+1)为以p_s与p_s+1直线为中轴，半径为r的圆柱区域内所含点个数，其表示式为：

因此，所选步进点p_s+1应满足：

式中，{p₁...p_n}为同一方向上的点，M_o为点数阈值，G为生长步长限定值。

步骤3、将每一方向上满足上述条件的点纳入边缘点集，选取任意一点作为新的初始点，并重复进行步骤1、步骤2，直至无法步进，则选取步进点集中另外点作为新的步进点；

步骤4、通过上述步骤3，边缘点信息已经有序存储，运用连通域标记法，提取出目标障碍物轮廓。

相较与现有技术，本发明具有的有益效果：

1、通过建立有效感兴趣区域，并采用特征匹配的方式进行列车行驶轨道间的障碍物探测识别，大大避免了障碍物检测过程中繁琐的算法分析过程，有利于列车在高速工况下快速的检测列车前方障碍物。解决了由于激光雷达的每帧包含了上万个数据点，在进行分析计算过程中，计算量巨大，处理时间容易延长的问题。

2、将初始点云数据进行滤波降噪处理，并以点云数据的距离远近进行分段处理，减小了较远处的障碍物识别错误率，提高了识别效率，识别准确度大大提高。

附图说明

图1为发明工作原理流程图；

图2为激光雷达安装位置示意图；

图3为激光雷达感兴趣区域示意图；

图4为激光雷达坐标系示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一种基于激光雷达的列车障碍物探测方法，请参阅图1，具体包含以下，步骤：

S01、获取障碍物激光雷达回波信号

实施例1

请参阅图2，包括激光雷达，所述激光雷达安装于列车车头中部中心位置S2处，该激光雷达包括激光雷达传感器和激光雷达接收单位，由激光雷达传感器发出激光束，对目标区域进行探测，由激光雷达接收单元接收来自目标障碍物产生的激光雷达回波信号。

S02、获取点云数据

获取各个激光束对目标障碍物的投影点信息，得到点云数据；

实施例2

获取每个激光束在目标场景中投影区域的子距离像、子强度像、子光线的入射角等信息。

请参阅图4，通过激光雷达光源发出激光信号，由雷达回波信号接收机接受激光点云数据，后通过半径滤波算法，对信号数据进行降噪处理。建立笛卡尔坐标系，如图四所示根据点云数据根据以下公式：

计算各点子距离像、子强度像、子光线的入射角等信息。

S03、数据滤波处理。

采用半径滤波法，对激光雷达回波信号进行滤波处理。

实施例3

由于初始获取的点云数据数量庞杂，采用一种改进的半径滤波器进行点云数据处理。所涉及的具体方法为：设p_i为所获点云中的任意一点，那么以p_i为中心划定以r_i为半径的球面，采用邻近算法搜索球内近邻点，如近邻点少于阈值数量n则剔除该点，计算球内所有点重心O，根据p_i与O点相对位置，进行p_i的偏移。

S04、列车轨道线识别

建立动态感兴趣区域(ROI)，请参阅图3，分析识别列车轨道线，动态实时监测列车轨道线；

实施例4

依据所获点云数据的Z轴信息，设定列车轨道线识别的建立动态感兴趣区域(ROI)，基于每一类介质的激光反射特性不同，对激光雷达所获点云数据进行回波强度值滤波分类，进行列车行驶轨道线的粗提取。

在粗提取过程中，假设每一点的反射信号强度为R_e，则采用FIR滤波器滤波后的信号为g′＝FIR(R_e)，设定相位延迟值k，则g＝FIR(R_e-k)。P_sig＝{g(n)|g(n)＞g_o，n＝(1，2，3...)}为有效点集，g_o为分割阈值。

采用最大期望聚类算法对轨道线点云数据进行进一步的聚类，从而提取列车轨道线点云数据。在聚类过程中估计轨道线方向来对轨道线点云数据集进行分类。具体的聚类流程：1)遍历每一个有效点集内点云数据，划分初始子点集2)判断各子点集间相互距离，如/>与/>间相互距离D_(i，j)，若D_(i，j)＜D_o，则将/>与/>归于点集C_k中，估算集合C_k点的方向；若D_(i，j)＞D_o，且/>位于C_k方向，将/>归于集合C_k上，并重新估算C_k点的方向；直至所有子点集均被划分。

利用最小二乘法对聚类后的列车轨道线候选点云数据进行拟合。鉴于列车轨道线的线性特征，本发明在最小二乘法多项式进行拟合的过程中选择二次多项式作为拟合函数，令列车轨道线的特征点集为P_i，其拟合函数为：

聚类的过程中得到b_i2、b_i1、b_i0的线性方程，求得拟合系数，最后将拟合函数转换为拟合曲线，即可拟合出列车轨道线。通过所识别的列车轨道线，建立障碍物识别动态感兴趣区域(ROI)，通过卡尔曼滤波方法对轨道线进行实时监测。

在建立障碍物动态感兴趣区域(ROI)后，采用直通滤波器，对在笛卡尔坐标系中的点云数据进行筛选，剔除障碍物识别动态感兴趣区域以外点云数据，再进行点云数据的聚类。

S05、点云数据聚类，进行点云数据聚类分割，计算障碍物与列车之间相对位置。

实施例5

由于在激光雷达的点云数据中，随着与激光雷达的相对距离不同，点云的分布情况也不相同，因此，在进行点云聚类时，按距离划分设定不同阈值，通过以欧氏距离作为指标的聚类方法获取障碍物点云数据，以感兴趣区域内障碍物与列车之间的距离分为r₁、r₂、r₃、r₄、r₅将对应的聚类阈值划分为d₁、d₂、d₃、d₄、d₅个不同等级。通过以下步骤进行障碍物类的提取：

步骤1、读取降噪后的感兴趣区域内点云数据，随机选取r_m空间内未归类的随机n个点，采用K-D树邻域搜索，将n个点邻域内满足相互距离小于阈值d_m的点划分为一类P_i。

步骤2、根据欧氏距离计算公式，落在r_m区域中的第P_i类和第P_j类之间的欧氏距离为：

判断d_ij＜d_m，若小于则将二类归为一类，若d_ij＞d_m则二者为不同类。若数据中仍然存在未归类的点，则回到1)。

步骤3、当所有点都被进行归类后，判断各类中点数量N_i与设定阈值N_min、N_min进行比较。若N_i＜N_min，则剔除该类；若N_i＞N_max则解散该类，回到1)中，相应减小d_m，对该类中的点数据进行重新的迭代。直到所有的聚类都满足N_min＜N_i＜N_max时，结束循环。

当所有聚类都已划分，获取聚类P_i中所含点云内原点矩最小值Y_min与最大值Y_min。获得聚类与原点的y轴距离Y_i。

采用同样的方法获取聚类与原点的z轴距离Z_i

以Y_i＜1.5D_max、Z_i＜h为准则，判断聚类是否存在威胁性。式中D_max为列车当前速度下的最大制动距离，h为列车安全通过高度。

S06、障碍物特征识别，通过聚类点蔟的特征提取，获取障碍物轮廓信息，将之与建立好的障碍物特征数据库进行比对，进行障碍物类型识别。

实施例6

对聚类后的障碍物进行特征提取，并建立障碍物特征数据库，进行障碍物类型识别。首先，优化已聚类的点蔟，寻找生长初始点，定义边缘点生长条件，逐点生长，寻找边缘点集V；其次，运用连通域标记法，提取出目标障碍物轮廓，同已建立好的障碍物特征信息库进行特征对比，从而确定障碍物类型。

所涉及轮廓提取方式主要通过以下四个步骤：

步骤1、选定生长初始点。将所有障碍物点云数据投影至XOZ平面内，在XOZ平面内计算每两点间相互距离，记录相互间距最大两点p_s、p_e，可推测为两点从属于边缘点集V，并选取其中一点作为初始点p_s。

步骤2搜索生长步进点。定义边缘点生长条件，以p_s为中心，建立p_s-p_e向量为生长方向，/>可视为/>划定初始点在以/>为法向量，半径为R的半圆型搜索区域，将该区域划分为四个方向，并搜索内所有的邻域点。M(p_s，p_s+1)为以p_s与p_s+1直线为中轴，半径为r的圆柱区域内所含点个数，其表示式为：

因此，所选步进点p_s+1应满足：

式中，{p₁...p_n}为同一方向上的点，M_o为点数阈值，G为生长步长限定值。

步骤3、将每一方向上满足上述条件的点纳入边缘点集，选取任意一点作为新的初始点，并重复进行步骤1、步骤2。直至无法步进，则选取步进点集中另外点作为新的步进点。

步骤4，通过上述步骤3，边缘点信息已经有序存储，运用连通域标记法，提取出目标障碍物轮廓。

最后，运用连通域标记法，提取出目标障碍物轮廓，同已建立好的障碍物特征信息库进行特征对比，从而确定障碍物类型。

本发明能够快速进行障碍物识别，采用建立激光雷达感兴趣区域与障碍物信息匹配的方式，大大避免了障碍物检测过程中繁琐的算法分析过程，有利于列车在高速工况下快速的检测列车前方障碍物。

Claims (3)

1.一种基于激光雷达的列车障碍物探测方法，其特征在于，包含以下步骤：

S01、获取障碍物激光雷达回波信号

由激光雷达传感器发出激光束，对目标区域进行探测，由激光雷达接收单元接收来自目标障碍物产生的激光雷达回波信号；

S02、获取点云数据

获取各个激光束对目标障碍物的投影点信息，该投影点信息包括子距离像、子强度像及子光线的入射角，得到点云数据；

S03、点云数据滤波处理

采用半径滤波法，对点云数据进行滤波处理；

所述半径滤波法具体为：设p_i为所获点云中的任意一点，那么以p_i为中心划定以r_i为半径的球面，采用邻近算法搜索球内近邻点，如近邻点少于阈值数量n则剔除该点，计算球内所有点重心O，根据p_i与O点相对位置，进行p_i的偏移；

S04、列车轨道线识别

依据点云数据的Z轴信息，建立动态感兴趣区域(ROI)，基于每一类介质的激光反射特性不同，对激光雷达所获点云数据进行回波强度值滤波分类，再进行列车行驶轨道线的粗提取，后采用最大期望聚类算法对轨道线点云数据进行聚类，然后再利用最小二乘法进行列车轨道线拟合，分析识别列车轨道线，动态实时监测列车轨道线；

S05、点云数据聚类

根据激光位点与激光雷达相对距离划分不同的聚类阈值，采用欧氏距离作为聚类指标，进行迭代聚类，最终获取聚类点蔟，并根据聚类点蔟获取目标障碍物与激光雷达的y轴距离与高程；

获取聚类点蔟包括以下步骤：

步骤1、读取降噪后的感兴趣区域内点云数据，随机选取r_m空间内未归类的随机n个点，采用K-D树邻域搜索，将n个点邻域内满足相互距离小于阈值d_m的点划分为一类P_i；

步骤2、根据欧氏距离计算公式，落在r_m区域中的第P_i类和第P_j类之间的欧氏距离为：

判断d_ij＜d_m，若小于则将二类归为一类，若d_ij＞d_m则二者为不同类，若数据中仍然存在未归类的点，则回到步骤1；

步骤3、当所有点都被进行归类后，判断各类中点数量N_i与设定阈值N_min、N_min进行比较，若N_i＜N_min，则剔除该类；若N_i＞N_max则解散该类，回到步骤1中，相应减小d_m，对该类中的点数据讲行重新的迭代，直到所有的聚类都满足

N_min＜N_i＜N_max时，结束循环；

目标障碍物与激光雷达的y轴距离与高程计算公式为：

S06、识别障碍物类型

首先，优化聚类点蔟，寻找生长初始点，定义边缘点生长条件，逐点生长，寻找边缘点集V；其次，运用连通域标记法，提取出目标障碍物轮廓，同已建立好的障碍物特征数据库进行特征对比，从而确定障碍物类型；

通过对聚类点蔟的特征提取，获取障碍物轮廓信息，将获取的障碍物轮廓信息与障碍物特征数据库进行比对，即可识别障碍物类型；

目标障碍物轮廓提取包括以下步骤：

步骤1、选定生长初始点，将所有障碍物点云数据投影至XOZ平面内，在XOZ平面内计算每两点间相互距离，记录相互间距最大两点p_s、p_e，可推测为两点从属于边缘点集V，并选取其中一点作为初始点p_s；

步骤2、搜索生长步进点，定义边缘点生长条件，以p_s为中心，建立p_s-p_e向量为生长方向，/>可视为/>划定初始点在以/>为法向量，半径为R的半圆型搜索区域，将该区域划分为四个方向，并搜索内所有的邻域点；M(p_s，p_s+1)为以p_s与p_s+1直线为中轴，半径为r的圆柱区域内所含点个数，其表示式为：

因此，所选步进点p_s+1应满足：

式中，{p₁…p_n}为同一方向上的点，M_o为点数阈值，G为生长步长限定值；

步骤3、将每一方向上满足上述条件的点纳入边缘点集，选取任意一点作为新的初始点，并重复进行步骤1、步骤2，直至无法步进，则选取步进点集中另外点作为新的步进点；

步骤4、通过上述步骤3，边缘点信息已经有序存储，运用连通域标记法，提取出目标障碍物轮廓。

2.根据权利要求1所述的一种基于激光雷达的列车障碍物探测方法，其特征在于，在S03中，通过半径滤波法对点云数据进行降噪处理。

3.根据权利要求1所述的一种基于激光雷达的列车障碍物探测方法，其特征在于，在S04中，所述列车轨道实时监测采用卡尔曼滤波算法实现。