CN111340875A - 一种基于三维激光雷达的空间移动目标检测方法 - Google Patents

Abstract

本发明公开了一种基于三维激光雷达的空间移动目标检测方法，步骤：周期读取k时刻激光雷达点云S_k，进行点云划分；根据划分后的点云分布情况进行优化的Ransac地面分离，获取地面上的障碍物；记分离后点云信息为

将基于距离图像的点云分割方法应用于

以进行障碍物分割，并映射为灰度图像I_k；利用自适应形态学滤波以进行灰度图像I_k的空洞填充和噪声滤除，获得处理后的图像

在图像

上框选障碍物，获取其中心，并计算障碍物相对于激光雷达的相对距离和相对偏航角。本发明能够在三维激光雷达点云稀疏的条件下，获取获取障碍物的轮廓尺寸和深度航向信息，并满足实时性的要求。

Description

一种基于三维激光雷达的空间移动目标检测方法

技术领域

本发明属于环境感知领域，特别涉及了一种空间移动目标检测方法。

背景技术

自主感知是机器人智能化和自主导航的核心技术之一，自主机器人对目标的检测水平的提高是其自主感知能力提高的关键因素。激光雷达不依赖于外接的光照条件，是一种主动式探测传感器，且具备高精度的测距信息。基于激光雷达目标检测方法是目标检测中应用最广泛的方法之一。

目前大多数的激光雷达目标检测都基于聚类分割的方法，但由于激光雷达点云稀疏，较视觉传感器来说，不具备纹理信息，往往无法进行有效的障碍物分割和轮廓的提取。仅采用基于聚类分割障碍物检测方法无法通过框选获得准确的分割结果和目标的轮廓、深度信息。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于三维激光雷达的空间移动目标检测方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于三维激光雷达的空间移动目标检测方法，包括以下步骤：

(1)周期读取k时刻激光雷达点云S_k，进行点云划分；

(2)根据划分后的点云分布情况进行优化的Ransac地面分离，获取地面上的障碍物；记分离后点云信息为

(3)将基于距离图像的点云分割方法应用于

以进行障碍物分割，并映射为灰度图像I_k；

(4)利用自适应形态学滤波以进行灰度图像I_k的空洞填充和噪声滤除，获得处理后的图像

(5)在图像

上框选障碍物，获取其中心，并计算障碍物相对于激光雷达的相对距离和相对偏航角。

进一步地，在步骤(1)中，所述点云划分的过程如下：

(1-1)定义传感器坐标系的X，Y，Z轴分别为激光雷达的前向，右向，下向；

(1-2)周期读取k时刻三维激光雷达点云S_k＝{s_i}，i＝1，2，...,N_a，i按照激光雷达线与传感器Z轴方向夹角从小到大依次递增，N_a为激光雷达线数；s_i＝{p_ij}，j＝1，2，...,N_b，N_b为单线激光点云的激光点个数，p_ij表示第i线激光点云的第j个激光点；

(1-3)将s_i平均分为N_c段，S_k将被划分为N_a×N_c段，记B_k,l为k时刻激光雷达点云S_k的第l段激光点云，l＝1,2,...,N_a×N_c。

进一步地，在步骤(2)中，所述优化的Ransac地面分离的过程如下：

(2-1)设置参数并进行初始化：

记K_s为最大迭代次数，K为迭代次数；记

为候选地面点集，

为

的候选地面点个数，

为B_k,l中的候选地面点个数；记T_better为候选地面点集满足最优地面点集的激光点数量比重阈值，det(C_best)为候选地面点集满足最优地面点集的激光点分布权重协方差矩阵C_best的行列式；记

为最优地面点集，

为

的最优地面点个数，

为B_k,l中的最优地面点个数；定义候选地面点集为与拟合的地面平面之间满足距离阈值的激光雷达点集，最优地面点集为数量比重满足激光点数量比重阈值且激光点分布权重协方差矩阵行列式最大的激光雷达点集；

初始化K_s＝∞，K＝0，

T_better＝0，det(C_best)，

(2-2)筛选k时刻雷达点云采样先验数据集：

当k＝0时，由于地面点仅存在于激光雷达下半视场仅选取激光雷达点云

根据如下公式求k＝0时刻

的每一个B_0,l的质心，记为x_k,l，质心的集合记为先验数据集D₀：

其中，m_l为B_0,l中激光点个数；

为x_k,l的三维坐标，(x_i,y_i,z_i)为B_0,l中第i个激光点的三维坐标；

当k≠0时，根据k-1时刻的数据计算得到相应的先验数据集D_k；

(2-3)根据采样点拟合k时刻的地面模型：

在先验数据集D_k中迭代随机抽样3个样本，利用克莱姆法则计算k时刻模型参数，设拟合平面P_k:ax+by+cz+d＝0，3个样本分别为(x₁,y₁,z₁)，(x₂,y₂,z₂)，(x₃,y₃,z₃)，则：

(2-4)根据激光点与模型的欧式距离筛选候选地面点集

设置距离阈值为L₁＝2δ，δ为点云到k时刻模型距离的标准差；计算激光点p_ij到平面P_k的欧式距离

其中，(x_ij,y_ij,z_ij)为p_ij的三维坐标；

若

将p_ij加入

并更新

(2-5)根据候选地面点的比重与分布筛选最优地面点集：

记k时刻的候选地面点所占比重为T_count，当T_count＞T_better时，比较候选地面点的分布权重协方差矩阵C，当det(C)＞C_best更新最优地面点集

T_count和C计算式如下：

其中，N_k为k时刻激光雷达点总个数，定义

为激光雷达点云的权重中心，

为B_k,l中候选地面点比重，n_k,l为B_k,l中激光点个数，上标T表示转置；

(2-6)更新迭代次数并判断是否满足终止条件：

不断更新迭代次数K，如果K≤K_s，则跳转至步骤(2-2)，直到满足终止条件，如果K＞K_s，将直接停止迭代；K_s的计算式如下：

其中，μ为采样K_s次都至少包含一个非地面点的概率；p_k,l为k时刻从B_k,l中采样构成数据集的概率，k＝0时，

k≠0时，p_k,l为k-1时刻得到的先验采样概率；

为k时刻B_k,l中的最优地面点的比率，其计算式如下：

(2-7)利用最优地面点集

根据整体最小二乘法更新拟合平面；

(2-8)计算k时刻的最优地面点比重，得到k+1时刻解算模型参数的先验数据集：

将k时刻B_k,l的的最优地面点比重

映射到[δ,1]：

其中，0＜δ＜0.5；

根据最优地面点分布获得k+1时刻采样数据集：

记p_k+1,l为k时刻从B_k+1,l中采样的概率，记D_k+1为根据p_k+1,l从B_k+1,l中取整抽样数据集：

(2-9)定义k时刻的地面点云

为最优地面点集

根据下式计算分离地面后点云信息

进一步地，在步骤(3)中，所述基于距离图像的点云分割方法如下：

(3-1)初始化

中所有激光点标签为0，表示未被分类；

(3-2)定义激光点p_a上下左右四点邻域内均存在激光点，则激光点p_a为一个遍历中心；随机选择

中遍历中心点p_i,j，如果该点还不是任何类别的成员，创建一个新类别N，将p_i,j加入N，如果该点标签为0将标签置为1表示已被分类，其中N＝1,2,3…依次递增；

(3-3)定义激光点p_b在激光点p_a上下左右的邻域内，且激光点p_a为遍历中心，则称激光点p_b为激光点p_a的遍历直达。根据下计算激光点p_i,j以及其遍历直达点p_i-1,j，p_i+1,j，p_i,j-1，p_i,j+1五个点的深度

和

其中，(x_i,j,y_i,j,z_i,j)为p_i,j的三维坐标；

分别比较

与

与

与

以及

与

取每次比较的较大值为d₁，较小值为d₂，根据下式计算两点之间的夹角β：

其中，α为激光雷达水平角分辨率；

(3-4)当p_i,j与其遍历直达点的夹角β＞60°，如果该遍历直达点还不是任何类别的成员，将该遍历直达点加入类别N，将标签0置为1；当p_i,j与遍历直达点夹角β≤60°，如果该遍历直达点还不是任何类别的成员，将该遍历直达点加入类别N+1，将标签0置为1；

(3-5)定义激光点p_b与激光点p_a，若存在激光点p₁,p₂,…,p_m,…p_n，其中p₁＝p_a，p_n＝p_b，且p_m由p_m-1遍历可达，则称激光点p_b与激光点p_a遍历可达；重复步骤(3-3)、(3-4)，遍历激光点p_i,j的遍历可达点并进行分类，直到激光点p_i,j的遍历可达点均被分类；

(3-6)重复步骤(3-2)、(3-3)、(3-4)和(3-5)，直到所有激光点均被分类；

(3-7)将分割后的点云按照下式根据深度等比例变化映射为灰度图像I_k：

其中，

为投影获得的像素点s_i,j的像素值，r_max为

所有激光点中深度最大值，r_min为

所有激光点中深度最小值。

进一步地，在步骤(4)中，所述自适应形态学滤波的过程如下：

(4-1)随机选择I_k中像素点m_i,j，并遍历其上下左右4个像素点m_i-1,j，m_i+1,j，m_i,j-1和m_i,j+1；

(4-2)填充空洞：如果该像素点m_i,j的像素为0且上下左右4个像素点像素值≥0的点数≥3，则根据下式对其进行膨胀操作，否则不对其进行任何操作：

其中，src(i+i',j+j')表示像素点m_{i+i′,j+j′}的原始像素值，

表示膨胀运算，B₁为膨胀结构元素，D_B1为结构元素B₁的定义像素域，大小为3×3，o₁为结构元素B₁的中心点(0,0)；

(4-3)滤除空洞：如果该像素点m_i,j的像素为≥0且上下左右4个像素点像素值为0的点数≥3，则根据下式对其进行腐蚀操作，否则不对其进行任何操作：

其中，⊙表示腐蚀运算，B₂为腐蚀结构元素，D_B2为结构元素B₂的定义像素域，大小为3×3，o₂为结构元素B₂的中心点(0,0)。

进一步地，步骤(5)的具体过程如下：

(5-1)对

利用canny算法进行边缘检测，获取障碍物外轮廓，并框选获得最小外接矩形，求得最小外接矩形的中心C_k:(x_ck,y_ck,z_ck)，将其视为障碍物的中心；

(5-2)根据下式计算障碍物相对于传感器的相对距离r_obs：

(5-3)根据下式计算障碍物相对传感器的方位角θ：

其中，(x_0k,y_0k)为激光雷达k时刻在全局坐标系下的坐标，全局坐标系的原点为初始时刻激光雷达所在位置。

采用上述技术方案带来的有益效果：

本发明提供的一种基于三维激光雷达的空间移动目标检测方法，能够在三维激光雷达点云稀疏的条件下，获取获取障碍物的轮廓尺寸和深度航向信息，并满足实时性的要求。

附图说明

图1是本发明的方法流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明设计了一种基于三维激光雷达的空间移动目标检测方法，如图1所示，步骤如下：

步骤1：周期读取k时刻激光雷达点云S_k，进行点云划分；

步骤2：根据划分后的点云分布情况进行优化的Ransac地面分离，获取地面上的障碍物；记分离后点云信息为

步骤3：将基于距离图像的点云分割方法应用于

以进行障碍物分割，并映射为灰度图像I_k；

步骤4：利用自适应形态学滤波以进行灰度图像I_k的空洞填充和噪声滤除，获得处理后的图像

步骤5：在图像

上框选障碍物，获取其中心，并计算障碍物相对于激光雷达的相对距离和相对偏航角。

在本实施例中，优选地，在步骤1中，所述点云划分的过程如下：

1-1、定义传感器坐标系的X，Y，Z轴分别为激光雷达的前向，右向，下向；

1-2、周期读取k时刻三维激光雷达点云S_k＝{s_i}，i＝1，2，…,N_a，i按照激光雷达线与传感器Z轴方向夹角从小到大依次递增，N_a为激光雷达线数；s_i＝{p_ij}，j＝1，2，…,N_b，N_b为单线激光点云的激光点个数，p_ij表示第i线激光点云的第j个激光点；

1-3、将s_i平均分为N_c段，S_k将被划分为N_a×N_c段，记B_k,l为k时刻激光雷达点云S_k的第l段激光点云，l＝1,2,…,N_a×N_c。

在本实施例中，优选地，在步骤2中，所述优化的Ransac地面分离的过程如下：

2-1、设置参数并进行初始化：

记K_s为最大迭代次数，K为迭代次数；记

为候选地面点集，

为

的候选地面点个数，

为B_k,l中的候选地面点个数；记T_better为候选地面点集满足最优地面点集的激光点数量比重阈值，det(C_best)为候选地面点集满足最优地面点集的激光点分布权重协方差矩阵C_best的行列式；记

为最优地面点集，

为

的最优地面点个数，

为B_k,l中的最优地面点个数；定义候选地面点集为与拟合的地面平面之间满足距离阈值的激光雷达点集，最优地面点集为数量比重满足激光点数量比重阈值且激光点分布权重协方差矩阵行列式最大的激光雷达点集；

初始化K_s＝∞，K＝0，

T_better＝0，det(C_best)，

2-2、筛选k时刻雷达点云采样先验数据集：

当k＝0时，由于地面点仅存在于激光雷达下半视场仅选取激光雷达点云

根据如下公式求k＝0时刻

的每一个B_0,l的质心，记为x_k,l，质心的集合记为先验数据集D₀：

其中，m_l为B_0,l中激光点个数；

为x_k,l的三维坐标，(x_i,y_i,z_i)为B_0,l中第i个激光点的三维坐标；

当k≠0时，根据k-1时刻的数据计算得到相应的先验数据集D_k，见步骤2-8；

2-3、根据采样点拟合k时刻的地面模型：

在先验数据集D_k中迭代随机抽样3个样本，利用克莱姆法则计算k时刻模型参数，设拟合平面P_k:ax+by+cz+d＝0，3个样本分别为(x₁,y₁,z₁)，(x₂,y₂,z₂)，(x₃,y₃,z₃)，则：

2-4、根据激光点与模型的欧式距离筛选候选地面点集

设置距离阈值为L₁＝2δ，δ为点云到k时刻模型距离的标准差；计算激光点p_ij到平面P_k的欧式距离

其中，(x_ij,y_ij,z_ij)为p_ij的三维坐标；

若

将p_ij加入

并更新

2-5、根据候选地面点的比重与分布筛选最优地面点集：

记k时刻的候选地面点所占比重为T_count，当T_count＞T_better时，比较候选地面点的分布权重协方差矩阵C，当det(C)＞C_best更新最优地面点集

T_count和C计算式如下：

其中，N_k为k时刻激光雷达点总个数，定义

为激光雷达点云的权重中心，

为B_k,l中候选地面点比重，n_k,l为B_k,l中激光点个数；

2-6、更新迭代次数并判断是否满足终止条件：

不断更新迭代次数K，如果K≤K_s，则跳转至步骤(2-2)，直到满足终止条件，如果K＞K_s，将直接停止迭代；K_s的计算式如下：

其中，μ为采样K_s次都至少包含一个非地面点的概率；p_k,l为k时刻从B_k,l中采样构成数据集的概率，k＝0时，

k≠0时，p_k,l为k-1时刻得到的先验采样概率，见步骤2-8；

为k时刻B_k,l中的最优地面点的比率，其计算式如下：

2-7、利用最优地面点集

根据整体最小二乘法更新拟合平面；

2-8、计算k时刻的最优地面点比重，得到k+1时刻解算模型参数的先验数据集：

将k时刻B_k,l的的最优地面点比重

映射到[δ,1]，以确保每一个B_k,l均有采样几率：

其中，0＜δ＜0.5；

根据最优地面点分布获得k+1时刻采样数据集：

记p_k+1,l为k时刻从B_k+1,l中采样的概率，记D_k+1为根据p_k+1,l从B_k+1,l中取整抽样数据集：

2-9、定义k时刻的地面点云

为最优地面点集

根据下式计算分离地面后点云信息

在本实施例中，优选地，在步骤3中，所述基于距离图像的点云分割方法如下：

3-1、初始化

中所有激光点标签为0，表示未被分类；

3-2、定义激光点p_a上下左右四点邻域内均存在激光点，则激光点p_a为一个遍历中心；随机选择

中遍历中心点p_i,j，如果该点还不是任何类别的成员，创建一个新类别N，将p_i,j加入N，如果该点标签为0将标签置为1表示已被分类，其中N＝1,2,3…依次递增；

3-3、定义激光点p_b在激光点p_a上下左右的邻域内，且激光点p_a为遍历中心，则称激光点p_b为激光点p_a的遍历直达。根据下计算激光点p_i,j以及其遍历直达点p_i-1,j，p_i+1,j，p_i,j-1，p_i,j+1五个点的深度

和

其中，(x_i,j,y_i,j,z_i,j)为p_i,j的三维坐标；

分别比较

与

与

与

以及

与

取每次比较的较大值为d₁，较小值为d₂，根据下式计算两点之间的夹角β：

其中，α为激光雷达水平角分辨率；

3-4、当p_i,j与其遍历直达点的夹角β＞60°，如果该遍历直达点还不是任何类别的成员，将该遍历直达点加入类别N，将标签0置为1；当p_i,j与遍历直达点夹角β≤60°，如果该遍历直达点还不是任何类别的成员，将该遍历直达点加入类别N+1，将标签0置为1；

3-5、定义激光点p_b与激光点p_a，若存在激光点p₁,p₂,…,p_m,…p_n，其中p₁＝p_a，p_n＝p_b，且p_m由p_m-1遍历可达，则称激光点p_b与激光点p_a遍历可达；重复步骤3-3、3-4，遍历激光点p_i,j的遍历可达点并进行分类，直到激光点p_i,j的遍历可达点均被分类；

3-6、重复步骤3-2、3-3、3-4和3-5，直到所有激光点均被分类；

3-7、将分割后的点云按照下式根据深度等比例变化映射为灰度图像I_k：

其中，

为投影获得的像素点s_i,j的像素值，r_max为

所有激光点中深度最大值，r_min为

所有激光点中深度最小值。

在本实施例中，优选地，在步骤4中，所述自适应形态学滤波的过程如下：

4-1、随机选择I_k中像素点m_i,j，并遍历其上下左右4个像素点m_i-1,j，m_i+1,j，m_i,j-1和m_i,j+1；

4-2、填充空洞：如果该像素点m_i,j的像素为0且上下左右4个像素点像素值≥0的点数≥3，则根据下式对其进行膨胀操作，否则不对其进行任何操作：

其中，src(i+i',j+j')表示像素点m_{i+i′,j+j′}的原始像素值，

表示膨胀运算，B₁为膨胀结构元素，D_B1为结构元素B₁的定义像素域，大小为3×3，o₁为结构元素B₁的中心点(0,0)；

4-3、滤除空洞：如果该像素点m_i,j的像素为≥0且上下左右4个像素点像素值为0的点数≥3，则根据下式对其进行腐蚀操作，否则不对其进行任何操作：

其中，⊙表示腐蚀运算，B₂为腐蚀结构元素，D_B2为结构元素B₂的定义像素域，大小为3×3，o₂为结构元素B₂的中心点(0,0)。

在本实施例中，优选地，步骤5的具体过程如下：

5-1、对

利用canny算法进行边缘检测，获取障碍物外轮廓，并框选获得最小外接矩形，求得最小外接矩形的中心C_k:(x_ck,y_ck,z_ck)，将其视为障碍物的中心；

5-2、根据下式计算障碍物相对于传感器的相对距离r_obs：

5-3、根据下式计算障碍物相对传感器的方位角θ：

其中，(x_0k,y_0k)为激光雷达k时刻在全局坐标系下的坐标，全局坐标系的原点为初始时刻激光雷达所在位置。其中，传感器系的k时刻的X、Y、Z轴分别为传感器的前向、右向、下向，全局系的X、Y、Z轴分别为传感器初始坐标系下的前向、右向、下向。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种基于三维激光雷达的空间移动目标检测方法，其特征在于，包括以下步骤：

(1)周期读取k时刻激光雷达点云S_k，进行点云划分；

(2)根据划分后的点云分布情况进行优化的Ransac地面分离，获取地面上的障碍物；记分离后点云信息为

(3)将基于距离图像的点云分割方法应用于

以进行障碍物分割，并映射为灰度图像I_k；

(4)利用自适应形态学滤波以进行灰度图像I_k的空洞填充和噪声滤除，获得处理后的图像

(5)在图像

上框选障碍物，获取其中心，并计算障碍物相对于激光雷达的相对距离和相对偏航角。

2.根据权利要求1所述基于三维激光雷达的空间移动目标检测方法，其特征在于，在步骤(1)中，所述点云划分的过程如下：

(1-1)定义传感器坐标系的X，Y，Z轴分别为激光雷达的前向，右向，下向；

(1-2)周期读取k时刻三维激光雷达点云S_k＝{s_i}，i＝1，2，…,N_a，i按照激光雷达线与传感器Z轴方向夹角从小到大依次递增，N_a为激光雷达线数；s_i＝{p_ij}，j＝1，2，…,N_b，N_b为单线激光点云的激光点个数，p_ij表示第i线激光点云的第j个激光点；

(1-3)将s_i平均分为N_c段，S_k将被划分为N_a×N_c段，记B_k,l为k时刻激光雷达点云S_k的第l段激光点云，l＝1,2,…,N_a×N_c。

3.根据权利要求2所述基于三维激光雷达的空间移动目标检测方法，其特征在于，在步骤(2)中，所述优化的Ransac地面分离的过程如下：

(2-1)设置参数并进行初始化：

记K_s为最大迭代次数，K为迭代次数；记

为候选地面点集，

为

的候选地面点个数，

为B_k,l中的候选地面点个数；记T_better为候选地面点集满足最优地面点集的激光点数量比重阈值，det(C_best)为候选地面点集满足最优地面点集的激光点分布权重协方差矩阵C_best的行列式；记

为最优地面点集，

为

的最优地面点个数，

为B_k,l中的最优地面点个数；定义候选地面点集为与拟合的地面平面之间满足距离阈值的激光雷达点集，最优地面点集为数量比重满足激光点数量比重阈值且激光点分布权重协方差矩阵行列式最大的激光雷达点集；

初始化K_s＝∞，K＝0，

T_better＝0，det(C_best)，

(2-2)筛选k时刻雷达点云采样先验数据集：

当k＝0时，由于地面点仅存在于激光雷达下半视场仅选取激光雷达点云

根据如下公式求k＝0时刻

的每一个B_0,l的质心，记为x_k,l，质心的集合记为先验数据集D₀：

其中，m_l为B_0,l中激光点个数；

为x_k,l的三维坐标，(x_i,y_i,z_i)为B_0,l中第i个激光点的三维坐标；

当k≠0时，根据k-1时刻的数据计算得到相应的先验数据集D_k；

(2-3)根据采样点拟合k时刻的地面模型：

在先验数据集D_k中迭代随机抽样3个样本，利用克莱姆法则计算k时刻模型参数，设拟合平面P_k:ax+by+cz+d＝0，3个样本分别为(x₁,y₁,z₁)，(x₂,y₂,z₂)，(x₃,y₃,z₃)，则：

(2-4)根据激光点与模型的欧式距离筛选候选地面点集

设置距离阈值为L₁＝2δ，δ为点云到k时刻模型距离的标准差；计算激光点p_ij到平面P_k的欧式距离

其中，(x_ij,y_ij,z_ij)为p_ij的三维坐标；

若

将p_ij加入

并更新

(2-5)根据候选地面点的比重与分布筛选最优地面点集：

记k时刻的候选地面点所占比重为T_count，当T_count＞T_better时，比较候选地面点的分布权重协方差矩阵C，当det(C)＞C_best更新最优地面点集

T_count和C计算式如下：

其中，N_k为k时刻激光雷达点总个数，定义

为激光雷达点云的权重中心，

为B_k,l中候选地面点比重，n_k,l为B_k,l中激光点个数，上标T表示转置；

(2-6)更新迭代次数并判断是否满足终止条件：

不断更新迭代次数K，如果K≤K_s，则跳转至步骤(2-2)，直到满足终止条件，如果K＞K_s，将直接停止迭代；K_s的计算式如下：

其中，μ为采样K_s次都至少包含一个非地面点的概率；p_k,l为k时刻从B_k,l中采样构成数据集的概率，k＝0时，

k≠0时，p_k,l为k-1时刻得到的先验采样概率；

为k时刻B_k,l中的最优地面点的比率，其计算式如下：

(2-7)利用最优地面点集

根据整体最小二乘法更新拟合平面；

(2-8)计算k时刻的最优地面点比重，得到k+1时刻解算模型参数的先验数据集：

将k时刻B_k,l的的最优地面点比重

映射到[δ,1]：

其中，0＜δ＜0.5；

根据最优地面点分布获得k+1时刻采样数据集：

记p_k+1,l为k时刻从B_k+1,l中采样的概率，记D_k+1为根据p_k+1,l从B_k+1,l中取整抽样数据集：

(2-9)定义k时刻的地面点云

为最优地面点集

根据下式计算分离地面后点云信息

4.根据权利要求1所述基于三维激光雷达的空间移动目标检测方法，其特征在于，在步骤(3)中，所述基于距离图像的点云分割方法如下：

(3-1)初始化

中所有激光点标签为0，表示未被分类；

(3-2)定义激光点p_a上下左右四点邻域内均存在激光点，则激光点p_a为一个遍历中心；随机选择

中遍历中心点p_i,j，如果该点还不是任何类别的成员，创建一个新类别N，将p_i,j加入N，如果该点标签为0将标签置为1表示已被分类，其中N＝1,2,3…依次递增；

(3-3)定义激光点p_b在激光点p_a上下左右的邻域内，且激光点p_a为遍历中心，则称激光点p_b为激光点p_a的遍历直达。根据下计算激光点p_i,j以及其遍历直达点p_i-1,j，p_i+1,j，p_i,j-1，p_i,j+1五个点的深度

和

其中，(x_i,j,y_i,j,z_i,j)为p_i,j的三维坐标；

分别比较

与

与

与

以及

与

取每次比较的较大值为d₁，较小值为d₂，根据下式计算两点之间的夹角β：

其中，α为激光雷达水平角分辨率；

(3-4)当p_i,j与其遍历直达点的夹角β＞60°，如果该遍历直达点还不是任何类别的成员，将该遍历直达点加入类别N，将标签0置为1；当p_i,j与遍历直达点夹角β≤60°，如果该遍历直达点还不是任何类别的成员，将该遍历直达点加入类别N+1，将标签0置为1；

(3-5)定义激光点p_b与激光点p_a，若存在激光点p₁,p₂,...,p_m,...p_n，其中p₁＝p_a，p_n＝p_b，且p_m由p_m-1遍历可达，则称激光点p_b与激光点p_a遍历可达；重复步骤(3-3)、(3-4)，遍历激光点p_i,j的遍历可达点并进行分类，直到激光点p_i,j的遍历可达点均被分类；

(3-6)重复步骤(3-2)、(3-3)、(3-4)和(3-5)，直到所有激光点均被分类；

(3-7)将分割后的点云按照下式根据深度等比例变化映射为灰度图像I_k：

其中，

为投影获得的像素点s_i,j的像素值，r_max为

所有激光点中深度最大值，r_min为

所有激光点中深度最小值。

5.根据权利要求1所述基于三维激光雷达的空间移动目标检测方法，其特征在于，在步骤(4)中，所述自适应形态学滤波的过程如下：

(4-1)随机选择I_k中像素点m_i,j，并遍历其上下左右4个像素点m_i-1,j，m_i+1,j，m_i,j-1和m_i,j+1；

(4-2)填充空洞：如果该像素点m_i,j的像素为0且上下左右4个像素点像素值≥0的点数≥3，则根据下式对其进行膨胀操作，否则不对其进行任何操作：

其中，src(i+i',j+j')表示像素点m_{i+i′,j+j′}的原始像素值，

表示膨胀运算，B₁为膨胀结构元素，D_B1为结构元素B₁的定义像素域，大小为3×3，o₁为结构元素B₁的中心点(0,0)；

(4-3)滤除空洞：如果该像素点m_i,j的像素为≥0且上下左右4个像素点像素值为0的点数≥3，则根据下式对其进行腐蚀操作，否则不对其进行任何操作：

其中，⊙表示腐蚀运算，B₂为腐蚀结构元素，D_B2为结构元素B₂的定义像素域，大小为3×3，o₂为结构元素B₂的中心点(0,0)。

6.根据权利要求1所述基于三维激光雷达的空间移动目标检测方法，其特征在于，步骤(5)的具体过程如下：

(5-1)对

利用canny算法进行边缘检测，获取障碍物外轮廓，并框选获得最小外接矩形，求得最小外接矩形的中心C_k:(x_ck,y_ck,z_ck)，将其视为障碍物的中心；

(5-2)根据下式计算障碍物相对于传感器的相对距离r_obs：

(5-3)根据下式计算障碍物相对传感器的方位角θ：

其中，(x_0k,y_0k)为激光雷达k时刻在全局坐标系下的坐标，全局坐标系的原点为初始时刻激光雷达所在位置。

Images