CN113269889B - 一种基于椭圆域的自适应点云目标聚类方法 - Google Patents

Abstract

本发明涉及一种基于椭圆域的自适应点云目标聚类方法，属于自动驾驶技术领域。考虑自动驾驶系统中，激光雷达探测的目标点云在距离和方向上的分布特性，设计椭圆邻域以处理点云密度在方向上的不均匀性，且该椭圆半径随采样点的距离能够自适应调节。基于DBSCAN聚类流程，采用所提的椭圆邻域设计了一种自适应点云目标聚类方法。该方法充分考虑了激光雷达目标点云在方向上的分布不均匀性，并且根据核心点位置动态调整邻域尺寸，从而使得远近目标均能获得较好的聚类性能。与其他动态聚类方法相比，本方法的计算复杂度在目前车载处理器运算能力之内。

Description

一种基于椭圆域的自适应点云目标聚类方法

技术领域

本发明属于自动驾驶技术领域，涉及一种基于椭圆域的自适应点云目标聚类方法。

背景技术

目标检测是自动驾驶系统中一个关键部分，能够为驾驶员或自动驾驶系统提供及时、准确的目标形状、位置和运动信息，是驾驶安全性与提高出行率的重要保证。相比于其他传感器，激光雷达的探测精度更高、探测范围更广，实时获取的信息更加丰富(如目标距离、角度、反射强度等)，并且不受天气和光照等条件制约，在车载传感器中发挥越来越重要的作用。实现激光雷达目标检测的基础和关键，是将属于一个目标的所有点正确聚集到一类中，而这正是目标聚类的内容。

DBSCAN能够依据点的密度检测出任意形状的目标，并且对噪声不敏感，已被广泛应用于自动驾驶系统的激光雷达目标聚类中。但传统DBSCAN方法在待测区域内使用一组固定的参数，这对于分布不均的点云而言极易在某些区域内出现错误聚类，导致激光雷达的目标检测性能降低。聚类算法的参数应随点云密度动态变化，以保证不同空间分布特性的目标点云聚类性能。

根据参数阈值的取值方式不同可将上述方法分为两种。一种是用其他聚类方法先得到邻域和域内最小点数，再通过核心点在DBSCAN中位置调整邻域大小，这种方法使用了多种聚类方法，对数据量较大的点云而言，会明显增加计算的复杂度。另一种方法是将检测区域划分为多个子区域，然后在每个子区域内按照DBSCAN原则选择阈值进行聚类，该方法不会增加过多的计算量，但每个子区域的参数选择都会影响聚类结果；并且子区域边界的处理，也会影响聚类结果。而聚类的准确度和运算的复杂度，是评价目标检测性能的关键指标。

发明内容

有鉴于此，本发明的目的在于提供一种基于椭圆域的自适应点云目标聚类方法。

为达到上述目的，本发明提供如下技术方案：

一种基于椭圆域的自适应点云目标聚类方法，该方法包括以下步骤：

S1：点云预处理；

S2基于椭圆域构建目标类；

S3基于椭圆域扩充目标点云；

S4判断聚类过程是否结束；判定准则为：当无未标记点时，聚类过程结束；否则，返回到S2。

可选的，所述S2和S3中，椭圆域根据激光雷达目标点云的空间分布特性进行设计，具体计算过程如下：

(a)首先根据采样点位置与雷达参数，计算纵横方向上相邻两个点的点间距：

其中，v和h分别是纵轴和横轴方向上相邻点的间距，ρ是激光雷达的水平角分辨率，

和d分别是采样点(x_p，y_p)与激光雷达的相对角度和相对距离，计算公式为：

θ＝tan^-1(x_p/|y_p|)，

(b)基于上述点间距计算椭圆域的方程：

其中，(x，y)是椭圆域内任一目标点的坐标，(x_p，y_p)是采样点的坐标，E_x和E_y分别是椭圆的半长轴和半短轴，由(a)中的纵向点间距v和横向点间距h计算得到：

其中，β和α分别是半长轴和半短轴的待设计参数，w是栅格地图中网格的宽度，L是与待测目标物尺寸相关的常数。

本发明的有益效果在于：本发明充分考虑了激光雷达目标点云的分布不均匀特性，根据点云密度特性设计椭圆方程，且椭圆尺寸随着核心点位置动态调整，从而使得远近目标均能获得较好的聚类性能。与其他动态聚类方法相比，本方法的计算复杂度在目前车载处理器运算能力之内。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为自适应点云密度的目标聚类方法整体流程图；

图2为基于椭圆域构建目标类的流程图；

图3为基于椭圆域扩充目标点云的流程图；

图4为所提方法与传统方法的性能对比结果图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明针对自动驾驶系统中激光雷达目标聚类问题，考虑目标点云的分布不均匀性，设计了一种基于椭圆域的自适应点云目标聚类方法，其整体流程如图1所示，具体包含以下步骤：

1)点云预处理；

所述预处理是指Lidar获取的原始点云经过一系列处理，输出聚类阶段所需的目标点云；

2)基于椭圆域构建目标类；

所述椭圆域是随着采样点与Lidar位置自适应调节的，根据椭圆域内目标点的数量判断域内点能否构成新的目标类；

3)基于椭圆域扩充目标点云；

所述椭圆域是根据2)中所述椭圆域内未标记点重新获取的，依据新椭圆域内目标点数来决定该目标类所占据的空间尺寸。

4)判断聚类过程是否结束。

所述聚类过程是否结束的判断准则为：若当前待测区域内无未标记点，则聚类过程结束；否则，返回到步骤2)继续聚类。

实施例：

基于椭圆域的自适应点云目标聚类方法，包括以下步骤：

1)点云预处理；

将Lidar采集到车辆周围的原始点云，先投影到网络宽度为w的栅格地图中，然后利用最大高程差法移除地面点，再通过霍夫变换检测道路边沿以获取自车的动态感兴趣区域，最后输出聚类阶段所需的目标点云。

2)基于椭圆域构建目标类；

判断椭圆域内点数是否满足构建新目标类的条件，其操作流程如图2所示，具体步骤为：

21)将待测区域内任意一个未处理点作为采样点；

22)获取该采样点的椭圆邻域，具体计算过程如下：

221)首先根据采样点位置与雷达参数，计算纵横方向上相邻两个点的点间距：

其中，v和h分别是纵轴和横轴方向上相邻点的间距，ρ是激光雷达的水平角分辨率(其值由Lidar属性确定)，

和d分别是采样点(x_p，y_p)与激光雷达的相对角度和相对距离，计算公式为：

222)基于上述点间距计算椭圆域的方程：

其中，(x，y)是椭圆域内任一目标点的坐标，(x_p，y_p)是采样点的坐标，E_x和E_y分别是椭圆的半长轴和半短轴，它们由(a)中所述纵向点间距v和横向的点间距h计算：

其中，β和α分别是半长轴和半短轴的待设计参数，w为栅格地图中网格的宽度，L是与待测目标物尺寸相关的常数。此实例中，w＝0.2m，α＝2，β＝3，L＝5m。

23)计算椭圆域内目标点数与所设最小密度阈值MinPts的相对大小；

若椭圆域内目标点数大于MinPts，该采样点被标记为核心点，并且将该椭圆域内所有点作为一个新目标的基础点，进行后续处理；否则被标记为噪声点，重复步骤2)以构建新的目标类。此实例中，MinPts＝5。

3)基于椭圆域扩充目标点云；

根据步骤2)所述椭圆域内的未标记点，来构建新的椭圆邻域以实现该目标类的点云扩充，其操作流程如图3所示，具体步骤为：

31)将当前目标邻域内任意一个未处理点作为采样点；

32)根据公式(1)-(4)计算新的椭圆邻域；

33)判断新椭圆域内目标点数是否大于阈值MinPts：

若满足条件，该采样点被标记为核心点，新椭圆域内所有点归属于该目标类，并且该目标的邻域扩充至当前新椭圆边界；否则该采样点被标记为边界点。

34)判断目标点云继续扩充的可能性：

若当前目标的邻域范围内所有点均已被标记完成，则继续下一步；否则跳转至步骤31)继续扩充。

4)判断聚类是否结束：

若当前待测区域内所有点均已被标记完成，则结束聚类；否则跳转至步骤2)继续聚类。

本发明以KITTI数据集中的部分点云作为输入，与参数为表1的传统DBSCAN方法进行性能对比，统计结果如图4所示。

表1传统DBSCAN的参数

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于椭圆域的自适应点云目标聚类方法，其特征在于：该方法包括以下步骤：

S1：点云预处理；

S2：基于椭圆域构建目标类；

S3：基于椭圆域扩充目标点云；

S4：判断聚类过程是否结束；判定准则为：当无未标记点时，聚类过程结束；否则，返回到S2；

所述S2包括以下步骤：

21)将待测区域内任意一个未处理点作为采样点；

22)获取该采样点的椭圆邻域，具体计算过程如下：

221)首先根据采样点位置与雷达参数，计算纵横方向上相邻两个点的点间距：

其中，v和h分别是纵轴和横轴方向上相邻点的间距，ρ是激光雷达的水平角分辨率，θ和d分别是采样点(x_p，y_p)与激光雷达的相对角度和相对距离，计算公式为：

222)基于上述点间距计算椭圆域的方程：

其中，(x，y)是椭圆域内任一目标点的坐标，(x_p，y_p)是采样点的坐标，E_x和E_y分别是椭圆的半长轴和半短轴，它们由221)中所述纵向点间距v和横向的点间距h计算：

其中，β和α分别是半长轴和半短轴的待设计参数，w为栅格地图中网格的宽度，L是与待测目标物尺寸相关的常数；

23)计算椭圆域内目标点数与所设最小密度阈值MinPts的相对大小；

若椭圆域内目标点数大于MinPts，该采样点被标记为核心点，并且将该椭圆域内所有点作为一个新目标的基础点，进行后续处理；否则被标记为噪声点，重复步骤2)以构建新的目标类；

所述S3包括以下步骤：

31)将当前目标邻域内任意一个未处理点作为采样点；

32)根据公式(1)～(4)计算新的椭圆邻域；

33)判断新椭圆域内目标点数是否大于阈值MinPts：

若满足条件，该采样点被标记为核心点，新椭圆域内所有点归属于该目标类，并且该目标的邻域扩充至当前新椭圆边界；否则该采样点被标记为边界点；

34)判断目标点云继续扩充的可能性：

若当前目标的邻域范围内所有点均已被标记完成，则继续下一步；否则跳转至步骤31)继续扩充。

Images