CN113031005B - 基于激光雷达的吊车动态障碍物识别方法 - Google Patents

Abstract

本发明公开一种基于激光雷达的吊车动态障碍物识别方法，通过激光雷达扫描预设工作区域，获取所有障碍物对应的点云数据信息，根据扫描所得的点云数据信息建立三维坐标系，聚类障碍物点云，得到每个障碍物对应的点云，通过每个障碍物对应的点云数据信息构建栅格地图，得到障碍物的特征信息，关联相邻两帧的障碍物的特征信息，找到同一障碍物，计算得到同一障碍物当前时间的特征点经过相邻时间间隔后，若其为静态障碍物时其位置信息，通过判断实际的特征点位置信息与模拟得到的位置信息的相似程度，确定障碍物状态类型，若障碍物为动态障碍物，得到其速度矢量；本发明能在激光雷达随吊臂转动的情况下，判断障碍物状态类型，并得到其运动情况。

Description

基于激光雷达的吊车动态障碍物识别方法

技术领域

本发明涉及吊车智能化控制技术，尤其是一种基于激光雷达的吊车动态障碍物识别方法。

背景技术

机械的无人化、智能化日益成为当今科技发展的主流，对于吊车而言，容易产生重大的事故，当处于工作状态时，吊车车体保持不动，吊臂做转动，障碍物如人或者其他物体等在其工作范围内会触碰到吊绳或者吊物，干扰吊车正常工作，严重时可能会导致吊物坠落甚至吊车侧翻。为了实现吊车工作的无人化和智能化，需要检测出吊车在工作区域内可能会导致事故发生的障碍物，因此，通过激光雷达扫描测距获取吊车周围环境的障碍物点云信息，这种方式具有精度高、距离远、速度快、不受光照影响等优点。根据障碍物的状态类型，可以分为动态障碍物和静态障碍物。例如中国专利公开号为CN109633676中提供了一种基于激光雷达侦测障碍物运动方向的方法及系统，通过激光雷达来得到障碍物的点云数据信息，并通过处理点云数据信息来得到障碍物的运动方向，该系统与方法虽然能够判断运动方向，但是并没有涉及具体的实施过程，且没有判断障碍物的类型以及没有得到障碍物在空间中的速度矢量。

发明内容

本发明的目的是为了解决上述问题而提出一种基于激光雷达的吊车动态障碍物识别方法，用于识别吊车工作时预设区域内的障碍物以及判断障碍物状态类型，在吊臂转动的情况下，能判断出障碍物的类型，并能得到障碍物的速度矢量，提高吊车工作的安全性。

本发明所述的基于激光雷达的吊车动态障碍物识别方法采用的方法是：在吊车吊臂的顶端装有激光雷达，激光雷达获取扫描范围内所有障碍物的点云数据，还包括以下步骤：

步骤1)：建立以激光雷达的发射点为坐标原点O₁，以竖直方向向下为z轴正方向，以垂直于z轴向着吊臂方向为x轴正方向的三维坐标系B₁；

步骤2)：把所有障碍物的点云分为若干个簇，每个簇代表不同障碍物对应的点云，将每个簇的点云投影到栅格地图上，关联相邻两帧的障碍物的特征信息，识别出相邻两帧的同一障碍物；

步骤3)针对相邻两帧中的同一障碍物，取同一障碍物的上一帧为对象，在该障碍物对应的簇中选取不共线的q个特征点为D₁，D₂，D₃，…，D_q，在当前帧找到这q个特征点为D_1e，D_2e，D_3e，…，D_qe；通过激光雷达扫描获取当前帧q个特征点的横向扫描角度β，纵向扫描角度α和到激光雷达发射点的直线距离L；

步骤4)建立以吊臂转动中心O₂为原点的三维坐标系B₂，坐标系B₂中u轴与坐标系B₁中的x轴方向并行且相反，坐标系B₂中的w轴方向与坐标系B₁中z轴方向并行且相反，坐标系B₂中v轴方向与坐标系B₁中y轴方向并行且相同；

步骤5)把上一帧特征点D₁，D₂，D₃，…，D_q投影到平面uO₂v上，投影点为d₁，d₂，d₃，…，d_q，原点O₁投影到平面uO₂v，投影点为O_1pr，模拟计算出当前帧q个特征点D_1e，D_2e，D_3e，…，D_qe在平面uO₂v上的模拟投影点为d_1pr，d_2pr，d_3pr，…，d_qpr，计算出上一帧特征点D₁，D₂，D₃，…，D_q经过相邻两帧的时间间隔后的横向扫描角度β’_me，纵向扫描角度α’_me和到激光雷达发射点之间的直线距离L_me’，再计算出L’_me，α’_me，β’_me与L，α，β两者的相似程度

步骤6)将相似程度

与设定阈值

作比较，若

则障碍物为静态障碍物，反之，则障碍物为动态障碍物；若障碍物为动态障碍物，计算出其绝对速度和方向。

本发明的有益成果是：

1、本发明通过激光雷达对吊车吊臂工作时其吊物附近扫描范围内进行扫描，获得不同时间点扫描范围内障碍物的点云数据信息，由于不用同时扫描其工作范围内的所有区域，且吊车工作范围内不会有过多的障碍物，无需进行大量的数据处理和计算。

2、本发明能在激光雷达随吊臂转动的情况下，判断障碍物状态类型，并得到其运动情况。

附图说明

图1是以吊车工作状态建立的三维坐标系示意图；

图2是本发明基于激光雷达的吊车动态障碍物识别方法流程图；

图3是图1中的特征点投影后的坐标系示意图；

图4是图1中的动态障碍物速度计算球坐标示意图；

图中：1.激光雷达；2.吊臂；3.吊钩。

具体实施方式

为更加准确地了解本发明的相关技术方案，以下介绍具体实施方式，并结合附图来进一步说明本发明的相关技术手段。

当吊车工作时，通过激光雷达扫描预设工作区域，获取所有障碍物对应的点云数据信息；根据扫描所得的点云数据信息建立三维坐标系；聚类障碍物点云，得到每个障碍物对应的点云；通过每个障碍物对应的点云数据信息，构建栅格地图，对障碍物点云进行凸包提取，得到最小矩形边框，把边框大小、长宽比、点云密度以及中心点高度作为障碍物的特征信息；关联相邻两帧的障碍物的特征信息，找到同一障碍物；根据吊臂转动状态，计算得到同一障碍物当前时间的特征点经过相邻时间间隔后，若其为静态障碍物时其位置信息；通过判断实际的特征点位置信息与模拟得到的位置信息的相似程度，确定障碍物状态类型，若障碍物为动态障碍物，得到其速度矢量。具体步骤如下：

步骤1：参见图1和图2，如图1所示，当吊车工作时，在吊车的吊臂2的顶端安装激光雷达1，当吊臂2转动时，激光雷达1随着吊臂2一同转动，吊臂2的顶端还通过吊绳垂挂吊钩3，吊物在吊钩3上，因此，通过激光雷达1能够扫描吊绳、吊钩3以及吊物附近的工作区域。激光雷达1的扫描时间间隔设置为0.1s，扫描范围包括竖直方向从激光雷达1至吊钩3下方2m处，水平方向扫描范围为半径为3m处，如此形成一个圆柱扫描范围Sr，激光雷达1能获取圆柱扫描范围Sr内所有障碍物的点云的数据信息，包括点云到激光雷达1发射点O₁的直线距离L，纵向扫描角度α，横向扫描角度β等。

步骤2：通过扫描所得障碍物的点云数据信息建立三维坐标系B₁，参见图1，以激光雷达1的发射点为坐标原点O₁，以竖直方向向下为z轴正方向，以垂直于z轴向着吊臂2方向为x轴正方向，y轴垂直于x、z轴且在吊臂2的水平转动平面上，在三维坐标系B₁上，得到点云的三维坐标K_n(x_n,y_n,z_n)，表示如下：

其中，x_n、y_n、z_n分别为点云的中第n个点云在三维坐标B₁的坐标值；L_n为点云中第n个点相对于激光雷达1发射点的距离；α_n为第n个点由垂直反光镜测量的垂直角，即纵向扫描角度的观测值，是第n个点K_n与O₁连线和第n个点在xO₁y平面上投影点与O₁连线的夹角；β_n为第n个点由水平反光镜测量的水平角，是横向扫描角度的观测值，即第n个点在xO₁y平面上投影点与O₁连线和坐标系B₁中y轴的夹角，

步骤3：由于在扫描范围内获得的点云为所有障碍物的，所以需要对获取的点云数据进行分类和识别，把所有障碍物的点云分为若干个簇，每类为一个障碍物。本发明采用DBSCAN聚类算法，DBSCAN算法首先要确定两个参数：E和M，分别代表在一个点周围邻近区域的半径和邻近区域内至少包含点的个数。

根据上面两个参数，可以把点云中的点分为三类：核点、边缘点和离群点。令访问的对象点为点云中点K₁，其坐标为(x₁，y₁，z₁)，计算该点与空间中点K₂的欧式距离即

其中x₂，y₂，z₂分别为点K₂的三维坐标值。同样地，依次计算K₁与K₃,K₄,……,K_n的欧式距离。若K₁满足有至少有M个两点之间的欧式距离小于邻近区域的半径E，则K₁点标记为核点，并记录其邻近范围内的点；若存在K₁与另一点之间的欧式距离小于邻近区域的半径E但未满足有M个，则K₁点标记为边缘点；若既不是核点又不是边缘点，则标记为离群点，不属于该类障碍物，将离群点剔除。聚类的过程如下：依次对K₁,K₂,K₃,……,K_n检验其是否为核点，为第一个核点建立一个新的簇C₁，将所有该核点邻近范围内的点囊括到该簇中，将邻近范围内的核点邻近范围内的点也加入到该簇C₁中，如此添加点到簇C₁中去，直到C₁不能再拓展为止，此时簇C₁完成，输出。排除了簇C₁以外的点中选取核点，形成新的簇，聚类过程继续，生成若干个新的簇，直到所有点都已经囊括进去了。

通过DNSCAN聚类算法能将点云分为C₁,C₂,C₃,……,C_s一共s个不同的簇，这些每个簇即代表了不同障碍物对应的点云。

步骤4：由扫描的相邻两帧的时间间隔很短，所以障碍物的点云轮廓大小和点云数量变化很小，因此，通过每个障碍物对应的点云数据信息构建栅格地图，将每个簇的点云投影到栅格地图上，进而可以得到障碍物的特征数据信息。

在s个簇中选取第i个簇，1≤i≤s，即对应第i个簇的障碍物的点云提取凸包，得到多边形，然后用最小的矩形边框包裹该多边形。获取该最小的矩形边框大小I_i、长宽比J_i、点云密度G_i以及中心点高度H_i这些特征数据。

计算表示如下：

其中，a和b分别代表矩形边框的长和宽，N表示矩形边框内该障碍物的点云数目。中心点高度H_i为第i个簇中所有点的z轴坐标的平均值。

因此，把边框大小、长宽比、点云密度以及中心点高度作为障碍物的特征数据信息。

步骤5：由于在扫描区域内会存在障碍物出现、障碍物消失和有同一障碍物的情况，所以对相邻两帧的障碍物的特征数据进行关联计算，表示如下：

F(g,j)＝γ₁P_I(g,j)+γ₂P_J(g,j)+γ₃P_K(g,j)+γ₄P_H(g,j)，

其中F(g,j)代表了代表着上一帧第g个簇与当前帧第j个簇相互关联的概率，1≤g≤s，1≤j≤s，γ₁+γ₂+γ₃+γ₄＝1，0≤γ₁、γ₂、γ₃、γ₄≤1。γ₁、γ₂、γ₃、γ₄分别表示上述四个关联特征的权重因子。

P_I(g，j)、P_J(g，j)、P_G(g，j)、P_H(g，j)分别表示边框大小I_i、长宽比J_i、点云密度G_i以及中心点高度H_i在关联计算中的影响度，表示如下：

其中，I_g、I_j分别表示上一帧第g个簇与当前帧第j个簇矩形边框的大小，J_g、J_j分别表示上一帧第g个簇与当前帧第j个簇矩形边框的长宽比，G_g、G_j分别表示上一帧第g个簇与当前帧第j个簇矩形边框的点云密度，H_g、H_j分别表示上一帧第g个簇与当前帧第j个簇的中心点高度。

获取相邻两帧所有障碍物相互关联的概率，得到上一帧某一障碍物与当前帧所有障碍物的关联概率F(g，j)，取最大值。若该最大值大于等于预定的阈值，则最大值对应的两帧的障碍物为同一障碍物，识别出相邻两帧的同一障碍物；若该值小于预定的阈值，则上一帧障碍物没有与其对应的当前帧的障碍物，则将该障碍物定义为障碍物消失。经过匹配后当前帧出现没有上一帧障碍物能与之对应，则将其定义为新出现障碍物。

步骤6：针对已获取的相邻两帧中对应的同一障碍物，取同一障碍物的上一帧为对象，在该障碍物对应的簇中选取q个特征点，要求这些点不共线，特征点分别为D₁，D₂，D₃，…，D_q。在当前帧找到这q个点，分别为D_1e，D_2e，D_3e，…，D_qe，其中上一帧特征点D₁对应当前帧特征点D_1e，上一帧特征点D₂对应当前帧特征点D_2e，其他特征点有同样的对应关系，，上一帧特征点D_q对应当前帧特征D_qe。特征点中有任意一点D_m，坐标为(x_m,y_m,z_m)，1≤m≤q。

通过激光雷达1扫描，能得到上述当前帧q个点D_1e，D_2e，D_3e，…，D_qe到激光雷达1发射点的直线距离L，纵向扫描角度α，横向扫描角度β。

步骤7：以吊臂2的转动中心为原点O₂，建立三维坐标系B₂，坐标系B₂中u轴与坐标系B₁中的x轴方向并行且相反，坐标系B₂中的w轴方向与坐标系B₁中z轴方向并行且相反，坐标系B₂中v轴方向与坐标系B₁中y轴方向并行且相同，因此，坐标系B₁的坐标和坐标系B₂的坐标有着对应转换关系，表示如下：

其中，(u_m，v_m，w_m)为D_m在三维坐标系B₂对应的特征点三维坐标，l为吊车吊臂长度，θ为吊臂与水平面夹角，即O₁O₂与坐标系B₁中u轴正方向的夹角，1≤m≤q。

假设该障碍物为静态障碍物，当吊臂2转动时，激光雷达1同样转动，对应坐标系B₁做相应的转动，障碍物的坐标信息会发生改变，本发明模拟计算得到吊臂2转动时静态障碍物的位置信息。

参见图3，把上一帧特征点D₁，D₂，D₃，…，D_q投影到平面uO₂v上，投影点为d₁，d₂，d₃，…，d_q，三维坐标系B₁的原点O₁投影到平面uO₂v，投影点为O_1pr，通过安装在吊车吊臂上的传感器得到上一帧时的运动状况，可以模拟计算得到相邻时间间隔内转过的夹角△σ，表示如下：

其中，ω为吊车吊臂上一帧的角速度，δ为吊车吊臂上一帧的角加速度，t为相邻时间间隔。

通过上一帧的原点O₂和d_m连线，得到O₂d_m与u轴的夹角为σ，可以得到其与模拟计算得到相邻时间间隔内转过的夹角△σ的差值σ-△σ，表示如下：

其中，u_m与v_m分别为投影点d_m对应的u，v轴的坐标值。

由余弦定理可得：

从而得到O_1pr与d_mpr两点之间的距离O_1prd_mpr，确定出点模拟投影点d_mpr，因此得到了当前帧q个特征点D_1e，D_2e，D_3e，…，D_qe在平面uO₂v上模拟投影点为d_1pr，d_2pr，d_3pr，…，d_qpr。

再模拟计算出当前帧的激光雷达横向扫描角度β’_me和纵向扫描角度α’_me分别为：

其中，O₂d_mpr是O₂与d_mpr两点之间距离，z_m为特征点m在坐标系B₁中z轴的坐标值。

由z_m和α’_me可以求得当前帧激光雷达发射点与特征点之间的距离

其中，L_me’为第m点当前帧模拟计算得到的激光雷达发射点到特征点之间的距离。

步骤8：因为步骤6中D_m为q个特征点D₁，D₂，D₃，…，D_q中的任意一点，通过步骤6中算法计算当m＝1时，可以求得特征点D₁经过时间间隔后的L’_1e，α’_1e和β’_1e，当m＝2时，可以求得特征点D₂经过时间间隔后的L’_2e，α’_2e和β’_2e，同样地，依次计算D₃，…，D_q经过时间间隔的值，到此可以得到上一帧所有特征点D₁，D₂，D₃，…，D_q模拟计算得到的当前帧的L’_me，α’_me和β’_me的值，因此，可以通过公式计算出当前帧的L’_me，α’_me，β’_me与当前帧q个点D_1e，D_2e，D_3e，…，D_qe直线距离L，纵向扫描角度α，横向扫描角度β两者的相似程度，表示如下：

其中，为

为相似系数，即相似程度，L和L’_me分别为第m个点实际的和模拟计算得到的当前帧到激光雷达的距离，α和α’_me分别为第m个点实际的和模拟计算得到的当前帧激光雷达纵向扫描值，β和β’_me分别为第m个实际的和模拟计算得到的当前帧激光雷达横向扫描值，q为特征点总的个数，1≤m≤q。

将相似程度

与设定的阈值作比较，判断出障碍物的类型。若

为设定的阈值，则说明障碍物为静态障碍物，反之，则说明障碍物为动态障碍物。

若障碍物的类型为动态障碍物，计算其绝对速度和方向。参见图4，图4是在坐标系B₁的基础上，其x，y，z轴与步骤2中坐标系B₁的设立方向一致，原点同样为O₁点，Q点为动态障碍物的中心点坐标，中心点坐标值是该障碍物各点x，y，z坐标值的平均值，以O₁点为圆心，O₁与Q之间距离为半径作球，得到图4的球坐标图。

动态障碍物相对于坐标系B₁的速度矢量为动态障碍物的相对速度，故可以将动态障碍物的相对速度矢量分解为三个矢量，分解的三个速度矢量大小表示如下：

其中，V_L方向为O₁Q方向，V_α方向为与V_L方向垂直且与球相切，并且沿着α增大的方向，V_β的方向与V_L方向垂直且与球相切，并且沿着β增大的方向，V_L的值为点Q在瞬时O₁Q距离L的瞬时速度

因为扫描时间短，设其瞬时速度

由时间间隔内距离变化量△L比上时间间隔△t得到，同理，

为时间间隔内角度值的变化速度，其值为时间间隔内角度变化量比上时间间隔。

相对速度矢量

表示如下：

其中，

为三个速度矢量的单位向量。

牵连速度矢量表示如下：

其中，ω为吊臂转动时的角速度，l为吊臂长度，

为坐标系B₁中y轴的单位向量。

基于相对速度矢量和牵连速度矢量

通过速度合成定理，得到动态障碍物的绝对速度矢量，表示如下：

Claims (7)

1.一种基于激光雷达的吊车动态障碍物识别方法，在吊车吊臂的顶端装有激光雷达，激光雷达获取扫描范围内所有障碍物的点云数据，其特征是包括以下步骤：

步骤1)：建立以激光雷达的发射点为坐标原点O₁，以竖直方向向下为z轴正方向，以垂直于z轴向着吊臂方向为x轴正方向的三维坐标系B₁，三维坐标系B₁的y轴垂直于x、z轴且在吊臂的水平转动平面上；

步骤2)：把所有障碍物的点云分为若干个簇，每个簇代表不同障碍物对应的点云，将每个簇的点云投影到栅格地图上，关联相邻两帧的障碍物的特征信息，识别出相邻两帧的同一障碍物；

步骤3)针对相邻两帧中的同一障碍物，取同一障碍物的上一帧为对象，在该障碍物对应的簇中选取不共线的q个特征点为D₁，D₂，D₃，…，D_q，在当前帧找到这q个特征点为D_1e，D_2e，D_3e，…，D_qe；通过激光雷达扫描获取当前帧q个特征点的横向扫描角度β，纵向扫描角度α和到激光雷达发射点的直线距离L；

步骤4)建立以吊臂转动中心O₂为原点的三维坐标系B₂，坐标系B₂中u轴与坐标系B₁中的x轴方向并行且相反，坐标系B₂中的w轴方向与坐标系B₁中z轴方向并行且相反，坐标系B₂中v轴方向与坐标系B₁中y轴方向并行且相同；

步骤5)把上一帧特征点D₁，D₂，D₃，…，D_q投影到平面uO₂v上，投影点为d₁，d₂，d₃，…，d_q，原点O₁投影到平面uO₂v，投影点为O_1pr，模拟计算出当前帧q个特征点D_1e，D_2e，D_3e，…，D_qe在平面uO₂v上的模拟投影点为d_1pr，d_2pr，d_3pr，…，d_qpr，计算出上一帧特征点D₁，D₂，D₃，…，D_q经过相邻两帧的时间间隔后的横向扫描角度β'_me，纵向扫描角度α'_me和激光雷达发射点到特征点之间的距离L_me'分别为：

O₂d_mpr是O₂与d_mpr两点之间距离，O_1prd_mpr是O_1pr与d_mpr两点之间的距离，

u_m与v_m分别为投影点d_m对应的u，v轴的坐标值，

σ是O₂d_m与u轴的夹角，ω为吊车吊臂上一帧的角速度，δ为吊车吊臂上一帧的角加速度，t为相邻时间间隔，1≤m≤q，z_m为特征点m在坐标系B₁中z轴的坐标值；

再计算出L_me'，α'_me，β'_me与L，α，β两者的相似程度

1≤m≤q；

步骤6)将相似程度

与设定阈值

作比较，若

则障碍物为静态障碍物，反之，则障碍物为动态障碍物；若障碍物为动态障碍物，计算出其绝对速度和方向。

2.根据权利要求1所述的基于激光雷达的吊车动态障碍物识别方法，其特征是：步骤2)中，对障碍物点云进行凸包提取，得到最小矩形边框，将边框大小I_i、长宽比J_i、点云密度G_i及中心点高度H_i作为障碍物的特征信息，对相邻两帧的障碍物的特征数据进行关联计算，获取相邻两帧所有障碍物相互关联的概率，若概率最大值大于等于预定的阈值，则最大值对应的两帧的障碍物为同一障碍物。

3.根据权利要求2所述的基于激光雷达的吊车动态障碍物识别方法，其特征是：所述的边框大小I_i＝a+b、长宽比J_i＝a/b、点云密度G_i＝N/(ab)，中心点高度H_i为第i个簇中所有点的z轴坐标的平均值，a和b分别是矩形边框的长和宽，N是矩形边框内该障碍物的点云数目。

4.根据权利要求2所述的基于激光雷达的吊车动态障碍物识别方法，其特征是：所述的相互关联的概率F(g,j)＝γ₁P_I(g,j)+γ₂P_J(g,j)+γ₃P_K(g,j)+γ₄P_H(g,j)，F(g,j)是上一帧第g个簇与当前帧第j个簇相互关联的概率，1≤g≤s，1≤j≤s，s是簇的总个数，γ₁+γ₂+γ₃+γ₄＝1，0≤γ₁、γ₂、γ₃、γ₄≤1，γ₁、γ₂、γ₃、γ₄分别表示四个关联特征的权重因子，

I_g、I_j分别是上一帧第g个簇与当前帧第j个簇矩形边框的大小，J_g、J_j分别是上一帧第g个簇与当前帧第j个簇矩形边框的长宽比，G_g、G_j分别是上一帧第g个簇与当前帧第j个簇矩形边框的点云密度，H_g、H_j分别是上一帧第g个簇与当前帧第j个簇的中心点高度。

5.根据权利要求1所述的基于激光雷达的吊车动态障碍物识别方法，其特征是：步骤6)中，以O₁点为圆心，以O₁与动态障碍物的中心点坐标Q之间的距离为半径作球得球坐标，动态障碍物相对于坐标系B₁的速度矢量为其相对速度，将相对速度矢量分解为三个矢量

得到相对速度矢量

动态障碍物的绝对速度矢量为

牵连速度矢量

ω为吊臂转动时的角速度，l为吊臂长度，

为坐标系B₁中y轴的单位向量，V_L方向为O₁Q方向，V_α方向为与V_L方向垂直且与球相切且沿着α增大的方向，V_β的方向与V_L方向垂直且与球相切，且沿着β增大的方向，V_L的值为点Q在瞬时O₁Q距离L的瞬时速度

为时间间隔内角度值的变化速度，

为三个速度矢量的单位向量。

6.根据权利要求1所述的基于激光雷达的吊车动态障碍物识别方法，其特征是：步骤2)中，把点云中的点分为核点、边缘点和离群点三类，计算点云中点K₁(x₁，y₁，z₁)与空间中点K₂的欧式距离

x₂，y₂，z₂分别为点K₂的三维坐标值，依次计算K₁与K₃,K₄,……,K_n的欧式距离，若K₁满足有至少有M个两点之间的欧式距离小于邻近区域的半径E，则K₁点标记为核点，若存在K₁与另一点之间的欧式距离小于邻近区域的半径E但未满足有M个，则K₁点为边缘点，若既不是核点又不是边缘点，则为离群点，不属于同一障碍物，将离群点剔除，E和M分别代表在一个点周围邻近区域的半径和邻近区域内至少包含点的个数。

7.根据权利要求6所述的基于激光雷达的吊车动态障碍物识别方法，其特征是：依次对K₁,K₂,K₃,……,K_n检验其是否为核点，为第一个核点建立一个新的簇C₁，将所有该核点邻近范围内的点囊括到该簇中，将邻近范围内的核点邻近范围内的点也加入到该簇C₁中，如此添加点到簇C₁中去，直到C₁不能再拓展为止，簇C₁完成，排除了簇C₁以外的点中选取核点，形成新的簇，生成若干个新的簇。

Images