CN113866743A - 一种用于车路协同感知的路侧激光点云精简方法和系统 - Google Patents

Abstract

一种用于车路协同感知的路侧激光点云精简方法和系统，其中方法包括：获取路侧激光雷达采集的路侧点云；将路侧点云中的每个点与预设搜索邻域内的模板点云进行统计，通过计算其与模板点云的相似度来搜索前景点，当相似度小于设定阈值时判定为前景点，反之为背景点，保留路侧点云中所有相似度小于阈值的点，得到初步精简的结果，其中，模板点云为仅包含背景目标的路侧点云；对初步精简结果进行离群点滤波，进一步滤除背景点云，得到最终的路侧前景点云；本发明通过点云的统计特性计算相似度来鉴别前背景点，可实现前景点云的实时搜索，获得数据量小但信息量丰富的前景点云，确保实时传输的同时不损失有用信息，达到较为理想的精简效果。

Description

一种用于车路协同感知的路侧激光点云精简方法和系统

技术领域

本发明涉及智能交通技术领域，具体涉及一种用于车路协同感知的路侧激光点云精简方法和系统。

背景技术

车路协同感知系统是打造新一代安全、高效、绿色的智能交通系统的关键技术，在车路协同感知系统中，通过全方位实施车与车、车与路、车与云端之间动态信息的实时交互，可有效提高自动驾驶车辆的感知能力并扩大感知范围，提高通行效率，保证交通安全。较之单车感知的方式，车路协同感知的方式更能适应复杂的城市交通场景的需求，是未来更高级别自动驾驶发展的必然之路。

激光雷达以其高精度高稳定性的优势，已成为车路协同感知系统中不可或缺的传感器，如何将路侧设备搭载的激光雷达点云数据实时准确地融合到车侧以提高自动驾驶车辆的感知能力，是车路协同感知系统需要攻克的关键技术之一。

一般而言，融合感知分为原始数据级、特征级、目标级三个层级，原始数据级融合的数据交互量最大，但由于不损失任何信息因此精度最高，目标级融合则反之。受限于现有车联网通信技术的通信速率和传输时延，现有的车路协同感知系统无法在车路之间实时传输原始的激光雷达点云数据，因此车路之间激光雷达点云的融合基本都在目标级进行。通常情况下，为了增强车侧感知能力，车侧只需要融合路侧检测到的感兴趣目标的点云也即前景点云即可。为了保证车路之间数据传输实时进行，在现有车联网通信技术的制约下，必须对路侧传输到车侧的激光雷达点云进行精简处理，常规的精简方案如以降采样为代表的随机采样、均匀采样等方法普遍具有盲目性，势必会造成原始点云中的信息缺失，因此，需要有一种高效的点云精简方法，针对性地将前景点云实时地分割出来，单独用于车路之间的传输，在满足实时传输的条件下，提高车侧的感知能力。

发明内容

为了解决现有车联网通信技术无法实时地在车路之间传输激光雷达原始点云，需要对原始点云进行精简，而常规的精简方法会造成前景点云信息缺失的问题，本发明提供一种用于车路协同感知的路侧激光点云精简方法和系统。

根据第一方面，一种实施例中提供一种用于车路协同感知的路侧激光点云精简方法，包括：

获取路侧点云，所述路侧点云由路侧激光雷达采集得到；

对于所述路侧点云中的每个点，将其与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度，当相似度小于设定的相似度阈值时则判定其为前景点，保留所述路侧点云中所有相似度小于相似度阈值的点，得到初步精简结果，其中所述模板点云为所述路侧激光雷达采集的仅包含背景信息的点云数据；

对所述初步精简结果进行离群点滤波，得到最终的精简路侧点云。

一种实施例中，所述对于所述路侧点云中的每个点，将其与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度，包括：

对于所述路侧点云中的每个点，计算其预设的搜索邻域内包含的模板点云的点的个数，根据计算得到的点的个数，以及该路侧点云中的点到所述路侧激光雷达的中心的距离，计算该路侧点云中的点与模板点云的相似度。

一种实施例中，所述计算预设的搜索邻域内包含的模板点云的点的个数包括：

预先对模板点云构建KD树，对于所述路侧点云中的每个点，依据预设的搜索邻域在所述KD树中进行近邻查找，得到其预设的搜索邻域内包含的模板点云的点的个数。

一种实施例中，根据以下公式计算相似度：

，

其中，

表示第i个点与模板点云的相似度，

表示第i个点的搜索邻域，k为预设的系数，

为第i个点到所述路侧激光雷达的中心的距离，

为搜索邻域

内包含的模板点云中的点的个数。

一种实施例中，采用BIRCH聚类算法或DBSCAN聚类算法对所述初步精简结果进行离群点滤波。

一种实施例中，所述用于车路协同感知的路侧激光点云精简方法还包括：在将所述路侧点云中的点与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度之前，依据预设的高度阈值和感兴趣范围对所述路侧点云进行滤波，仅保留高度低于高度阈值且在感兴趣范围内的点云数据，或者

依据预设的高度阈值或感兴趣范围对所述路侧点云进行滤波，仅保留高度低于高度阈值或在感兴趣范围内的点云数据。

一种实施例中，所述模板点云为所述路侧激光雷达在多个视角下采集的多帧点云进行拼接得到。

根据第二方面，一种实施例中提供一种用于车路协同感知的路侧激光点云精简系统，包括：

路侧激光雷达，用于采集路侧点云；

初步精简装置，用于将所述路侧点云中的每个点与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度，当相似度小于设定的相似度阈值时则判定其为前景点，并保留所述路侧点云中所有相似度小于相似度阈值的点，得到初步精简结果，其中所述模板点云为所述路侧激光雷达采集的仅包含背景信息的点云数据；

离群点滤波装置，用于对所述初步精简结果进行离群点滤波，得到最终的精简路侧点云。

一种实施例中，所述初步精简装置通过以下方式将所述路侧点云中的每个点与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度：

对于所述路侧点云中的每个点，计算其预设的搜索邻域内包含的模板点云的点的个数，根据以下公式计算该路侧点云中的点与模板点云的相似度：

，

其中，

表示第i个点与模板点云的相似度，

表示第i个点的搜索邻域，k为预设的系数，

为第i个点到所述路侧激光雷达的中心的距离，

为搜索邻域

内包含的模板点云中的点的个数。

根据第三方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上述第一方面所述的路侧激光点云精简方法。

依据上述实施例的用于车路协同感知的路侧激光点云精简方法和系统，从点云的统计特性出发，与预先设置的仅包含背景信息的模板点云比较，计算路侧点云中的点与模板点云的相似度，根据相似度的数值来实现前景点云与背景点云的分割，可以有效减少运算量，提高点云搜索的速度和效率，让前景点云搜索能实时进行；同时不破坏前景点云，几乎不会造成前景点云的损失，尽可能地保留有用的信息；不会改变点云原有的空间相对位置及拓扑结构，同时也易于实现。

在有的实施例中，相似度可以根据点云到路侧激光雷达的中心的距离来计算，从而能够根据激光雷达点云近密远疏的分布特性自适应地进行计算相似度，能更好的适应在不同区域内，点云密度不同的情况，鲁棒性更强。

附图说明

图1为一种实施例的用于车路协同感知的路侧激光点云精简方法的流程图；

图2为一种实施例中对路侧点云进行初步精简，搜索出前景点云的流程图；

图3为一种实施例的用于车路协同感知的路侧激光点云精简系统的结构示意图；

图4为原始的路侧点云的示意图；

图5为预处理精简后的路侧点云的示意图；

图6为模板点云的示意图；

图7为初步精简结果示意图；

图8为离群点滤波后最终的精简结果的示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。

本申请提供一种用于车路协同感知的路侧激光雷达点云精简方法，该方法通过事先构建路侧激光雷达周围环境的背景模板点云，然后将路侧激光雷达实时采集的点云与模板点云进行相似度比较，搜索出感兴趣目标的前景点云，并将其用于车路之间的传输，从而极大程度地减少无效背景点云的传输，在保障车路之间点云实时传输的条件下，尽可能多的给车侧提供有用的信息，从而提高自动驾驶车辆的感知能力。

请参考图1，本申请一种实施例中的用于车路协同感知的路侧激光雷达点云精简方法包括步骤110~130，下面具体说明。

步骤110：获取路侧点云。路侧点云是指由车路协同感知系统中路侧设备搭载的激光雷达采集的当前帧点云，当前帧点云是指当前时刻t路侧激光雷达采集的点云帧，当前帧是一个相对的概念，随着时间的进行，当前帧的点云数据会不断更新。

步骤120：对路侧点云进行初步精简，搜索出前景点云。

在一种实施例中，在对路侧点云进行初步精简前，还可以先对路侧点云进行预处理精简。预处理精简中，通过设置合理的过滤条件对路侧点云进行初步的过滤处理，降低路侧点云的数据量。合理的过滤条件可以包括点云的高度和感兴趣范围等。例如可以预先设置高度阈值和感兴趣范围，依据该预设的高度阈值和感兴趣范围对路侧点云进行直通滤波，仅保留高度低于高度阈值且在感兴趣范围内的点云数据，或者仅保留高度低于高度阈值或在感兴趣范围内的点云数据。高度阈值和感兴趣范围的具体取值可根据具体的场景人为设定。这样做的依据是：首先，前景点云（即感兴趣目标如行人、车辆等的点云）只会出现在地面以上的某个范围内，其次，对点云进行具体处理的感知算法通常只对感兴趣范围内的点云做处理，因此可以通过这些先验信息设置合理的过滤条件对路侧点云做预处理，初步降低点云的数据量和需要关注的范围，因此，采用上述预处理方式处理路侧点云并不会造成前景点云的丢失。经过预处理精简后的路侧点云的数据量得到削减，有利于加快后续前景点云的搜索和向车侧传输的效率。

本申请提出一种近邻统计前景点云搜索算法对路侧点云进行初步精简，搜索出前景点云，该算法专门用于车路协同感知场景下，路侧前景点云的分割。该算法的核心思想是，预先构建仅包含背景信息的点云数据作为模板点云，在进行前景点云搜索时，对于路侧点云中的每个点，将其与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度，当相似度小于设定的相似度阈值时则判定其为路侧点云独有的前景点，否则为路侧点云与模板点云共有的背景点，从而实现前景点与背景点的鉴别，最后保留路侧点云中所有相似度小于相似度阈值的点，得到初步精简结果。

模板点云是指事先用路侧激光雷达对路侧端周围环境采集的点云数据并将所有感兴趣目标剔除后的结果，因此模板点云仅包含周围环境的背景信息，如建筑物、树木、路沿等的信息，不包含任何感兴趣目标。由于路侧激光雷达固定不动，所以理想情况下，路侧激光雷达采集的每一帧点云数据的背景点云也即模板点云是基本一致的，只需采集任意一帧的点云数据，剔除所有感兴趣目标后均可作为模板点云，但在实际中，单帧的点云可能比较稀疏，并且可能存在遮挡造成的视觉盲区，导致无法对周围的背景环境做一个全面的描述，可以采用多个视角下采集的多帧点云进行拼接来构建一个对周围环境描述比较全面的模板点云。模板点云的采集通常在感兴趣目标稀少的时段进行，必要时，也可以通过人为的方式手动圈选感兴趣目标的前景点云予以抠除来获得模板点云。

一种实施例中，可以根据预设的搜索邻域内包含的模板点云的点的个数来衡量路侧点云中的点与模板点云的相似度。首先，统计路侧点云中的点的近邻，也即搜索邻域内包含的模板点云的点的个数；然后，根据统计出来的点的数量和设置的相似度度量函数计算该点在其对应的搜索邻域内与模板点云的相似度，考虑到激光雷达点云随扫描中心点呈现近密远疏的分布特性，可以根据点云距路侧激光雷达的中心的距离来设置相似度度量函数，从而适应点云的分布特性，调节远近点云之间密度差异的矛盾，一种实施例中，相似度度量函数为

，

其中，

表示第i个点与模板点云的相似度，

表示第i个点的搜索邻域，k为预设的系数，

为第i个点到所述路侧激光雷达的中心的距离，

为搜索邻域

内包含的模板点云中的点的个数。

为了加快近邻点查找效率，在构建模板点云时可以对模板点云构造KD树，后续对路侧点云中的点统计预设的搜索邻域内包含的模板点云中的点的个数时，可以依据预设的搜索邻域在KD树中进行近邻查找，得到其预设的搜索邻域内包含的模板点云的点的个数。KD树（K-dimension tree）是以二叉搜索树为原型的用于加速空间搜素的数据结构，其本质就是将原空间坐标系下的点在K个维度上进行均匀的切割，是不断地在K个维度上构建平衡二叉树的过程，在点云数据处理领域中有着广泛的运用，相比于直接在无序点云中进行查找时O(n)的时间复杂度，KD树进行最近邻搜索的平均时间复杂度近似为O(logn)，能够大幅提高查找效率。

图2示出了一种实施例中对路侧点云进行初步精简，搜索出前景点云的流程图，具体包括如下步骤：

步骤121：获取路侧点云X，模板点云T，搜索邻域半径R，相似度阈值P，搜索邻域半径R、相似度阈值P均为可调节的超参数，默认值分别为：1 m、0.7。为各个点设置的搜索邻域

是指以该点为中心，R为搜索半径的球形空间。

步骤122：对模板点云构造KD树，同时对路侧点云进行预处理精简。

步骤123：遍历路侧点云X中的每个点

，计算对应的

、

。

步骤124：统计点

对应的

内包含的模板点云中的点的个数

，并计算相似度

。

步骤125：判断相似度

是否超过设定阈值P，若是则执行步骤126，否则执行步骤127。

步骤126：判定为背景点，执行步骤128。

步骤127：判定为前景点，加入到前景点云X _sn 中，执行步骤128。

步骤128：判断是否遍历完路侧点云X中的所有点，若是则执行步骤129，否则执行步骤124。

步骤129：输出最终的前景点云搜索结果X _sn 。

经过初步精简后的路侧点云与未经处理的原始路侧点云相比，经近邻统计前景点云搜索算法进行搜索后的结果只包含前景点云和极少量的背景点云，在数据量上大幅度降低，不需要降采样或只需轻微的降采样即可满足实时传输的要求。

步骤130：对初步精简结果进行离群点滤波，得到最终的精简路侧点云。

离群点滤波用于对初步搜索出的前景点云做进一步的滤波处理，得到更加纯净的前景点云。理想情况下，经过初步精简后的结果即为不包含任何背景干扰的前景点云，但在实际情况中，模板点云与路侧点云的背景不可能实现完全的契合，一方面，背景中的树木之类的对象经常会受风而发生轻微的抖动，使得路侧点云和模板点云中的背景不一定重合，另一方面，激光雷达点云本身存在一定的测量误差，因此，路侧点云的初步精简结果仍然存在一定的离群点或“噪点”，离群点又叫孤立点，是明显偏离于前景点云聚类簇的点，这些噪点通常来源于不需要的背景点云，需要在此基础上做进一步的滤波处理。离群点滤波是一种广泛用于滤除偏离点云聚类中心的噪点的方法，本申请利用经过初步精简获得的前景点云中感兴趣的前景点云呈现较好的聚类特性而不感兴趣的背景点云呈离散状态的特性，使用离群点滤波将不需要的背景点云滤除，作为最终的精简结果。

目前，常用的离群点滤波算法分为三大类，基于统计学的方法如RobustScaler算法，基于聚类的方法如BIRCH(Balanced Iterative Reducing and Clustering UsingHierarchies, 利用层次方法的平衡迭代规约和聚类)聚类算法、DBSCAN（Density-BasedSpatial Clustering of Applications with Noise, 具有噪声的基于密度的聚类方法）聚类算法，以及基于专门异常点检测的方法如One Class SVM（一类支持向量机）、isolation Forecast（孤立森林）等。本申请对离群点滤波算法不做限制，但基于初步精简的前景点云中，前景点具有良好的聚类特性而离群点较为分散的事实，可优选采用基于聚类的离群点滤波算法进行滤波处理，得到最终的精简路侧点云。至此，完成了整个路侧点云精简的过程。

在上述路侧点云的精简方法的基础上，本申请还提供一种用于车路协同感知的路侧激光雷达点云精简系统，请参考图3，该系统包括路侧激光雷达31、初步精简装置32和离群点滤波装置33，下面分别说明。

路侧激光雷达31搭载在车路协同感知系统的路侧设备上，用于采集路侧点云，路侧点云是指路侧激光雷达31采集的当前帧点云，当前帧点云是指当前时刻t采集的点云帧，当前帧是一个相对的概念，随着时间的进行，当前帧的点云数据会不断更新。

初步精简装置32用于对路侧点云进行初步精简，搜索出前景点云。请参考图3，在一种实施例中，初步精简装置32还可以包括预处理精简模块321，预处理精简模块321用于根据预先设置的合理的过滤条件对路侧点云进行初步的过滤处理，降低路侧点云的数据量。合理的过滤条件可以包括点云的高度和感兴趣范围等。例如可以预先设置一高度阈值和感兴趣范围，预处理精简模块321依据该预设的高度阈值和感兴趣范围对路侧点云进行直通滤波，仅保留高度低于高度阈值且在感兴趣范围内的点云数据，或者仅保留高度低于高度阈值或在感兴趣范围内的点云数据。高度阈值和感兴趣范围的具体取值可根据具体的场景人为设定。经过预处理精简后的路侧点云的数据量得到削减，有利于加快后续前景点云的搜索和向车侧传输的效率。

初步精简装置32使用本申请提出的一种近邻统计前景点云搜索算法对路侧点云进行初步精简，搜索出前景点云，该算法专门用于车路协同感知场景下，路侧前景点云的分割。该算法的核心思想是，预先构建仅包含背景信息的点云数据作为模板点云，在进行前景点云搜索时，对于路侧点云中的每个点，将其与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度，当相似度小于设定的相似度阈值时则判定其为路侧点云独有的前景点，否则为路侧点云与模板点云共有的背景点，从而实现前景点与背景点的鉴别，最后保留路侧点云中所有相似度小于相似度阈值的点，得到初步精简结果。

模板点云是指事先用路侧激光雷达对路侧端周围环境采集的点云数据并将所有感兴趣目标剔除后的结果，因此模板点云仅包含周围环境的背景信息，如建筑物、树木、路沿等的信息，不包含任何感兴趣目标。由于路侧激光雷达固定不动，所以理想情况下，路侧激光雷达采集的每一帧点云数据的背景点云也即模板点云是基本一致的，只需采集任意一帧的点云数据，剔除所有感兴趣目标后均可作为模板点云，但在实际中，单帧的点云可能比较稀疏，并且可能存在遮挡造成的视觉盲区，导致无法对周围的背景环境做一个全面的描述，可以采用多个视角下采集的多帧点云进行拼接来构建一个对周围环境描述比较全面的模板点云。模板点云的采集通常在感兴趣目标稀少的时段进行，必要时，也可以通过人为的方式手动圈选感兴趣目标的前景点云予以抠除来获得模板点云。

一种实施例中，可以根据预设的搜索邻域内包含的模板点云的点的个数来衡量路侧点云中的点与模板点云的相似度。首先，统计路侧点云中的点的近邻，也即搜索邻域内包含的模板点云的点的个数；然后，根据统计出来的点的数量和设置的相似度度量函数计算该点在其对应的搜索邻域内与模板点云的相似度，考虑到激光雷达点云随扫描中心点呈现近密远疏的分布特性，可以根据点云距路侧激光雷达的中心的距离来设置相似度度量函数，从而适应点云的分布特性，调节远近点云之间密度差异的矛盾，一种实施例中，相似度度量函数为

，

其中，

表示第i个点与模板点云的相似度，

表示第i个点的搜索邻域，k为预设的系数，

为第i个点到所述路侧激光雷达的中心的距离，

为搜索邻域

内包含的模板点云中的点的个数。

为了加快近邻点查找效率，在构建模板点云时可以对模板点云构造KD树，后续对路侧点云中的点统计预设的搜索邻域内包含的模板点云中的点的个数时，可以依据预设的搜索邻域在KD树中进行近邻查找，得到其预设的搜索邻域内包含的模板点云的点的个数。KD树（K-dimension tree）是以二叉搜索树为原型的用于加速空间搜素的数据结构，其本质就是将原空间坐标系下的点在K个维度上进行均匀的切割，是不断地在K个维度上构建平衡二叉树的过程，在点云数据处理领域中有着广泛的运用，相比于直接在无序点云中进行查找时O(n)的时间复杂度，KD树进行最近邻搜索的平均时间复杂度近似为O(logn)，能够大幅提高查找效率。初步精简装置32对路侧点云进行初步精简的具体流程可以参见上文步骤120，在此不再赘述。

离群点滤波装置33用于对初步精简结果进行离群点滤波，得到最终的精简路侧点云。离群点滤波用于对初步搜索出的前景点云做进一步的滤波处理，得到更加纯净的前景点云。理想情况下，经过初步精简后的结果即为不包含任何背景干扰的前景点云，但在实际情况中，模板点云与路侧点云的背景不可能实现完全的契合，一方面，背景中的树木之类的对象经常会受风而发生轻微的抖动，使得路侧点云和模板点云中的背景不一定重合，另一方面，激光雷达点云本身存在一定的测量误差，因此，路侧点云的初步精简结果仍然存在一定的离群点或“噪点”，离群点又叫孤立点，是明显偏离于前景点云聚类簇的点，这些噪点通常来源于不需要的背景点云，需要在此基础上做进一步的滤波处理。离群点滤波是一种广泛用于滤除偏离点云聚类中心的噪点的方法，本申请利用经过初步精简获得的前景点云中感兴趣的前景点云呈现较好的聚类特性而不感兴趣的背景点云呈离散状态的特性，使用离群点滤波将不需要的背景点云滤除，作为最终的精简结果。

目前，常用的离群点滤波算法分为三大类，基于统计学的方法如RobustScaler算法，基于聚类的方法如BIRCH(Balanced Iterative Reducing and Clustering UsingHierarchies, 利用层次方法的平衡迭代规约和聚类)聚类算法、DBSCAN（Density-BasedSpatial Clustering of Applications with Noise, 具有噪声的基于密度的聚类方法）聚类算法，以及基于专门异常点检测的方法如One Class SVM（一类支持向量机）、isolation Forecast（孤立森林）等。本申请对离群点滤波算法不做限制，但基于初步精简的前景点云中，前景点具有良好的聚类特性而离群点较为分散的事实，可优选采用基于聚类的离群点滤波算法进行滤波处理，得到最终的精简路侧点云。至此，完成了整个路侧点云精简的过程。

本申请提供的用于车路协同感知的路侧激光雷达点云精简方法和系统，不同于现有的基于手工设计的特征提取算子或深度神经网络的分割算法，从点云的统计特性出发，与仅包含背景信息的模板点云进行比较，通过所提出的相似度度量函数，根据预设的搜索邻域内的模板点云数量统计结果来计算相似度，根据相似度来实现前景点云与背景点云的分割，该方法可以有效减少运算量，提高点云搜索的速度和效率，让前景点云搜索能实时进行。

在相似度度量函数的设计上，考虑点云距路侧激光雷达的中心的距离来设置相似度度量函数，可以根据激光雷达点云近密远疏的特性，自适应地进行计算，相比于使用固定参数的方法，能更好地适应不同区域下，点云密度不同的情况，鲁棒性更强。

本申请整体的点云精简方案和现有的方案相比，能够在满足实时精简的同时，不破坏前景点云，尽可能地保留有用的信息。与降采样精简的方法如随机采样、几何采样、均匀采样等算法相比，几乎不会造成前景点云的损失，信息量得到最大化的保留；与滤波类的精简方法相比，本申请的方法更具针对性，具有更精确的滤波能力，可以准确地将背景点云滤除，得到感兴趣的前景点云，且容易实现和设计；和体素化、三角面片等点云精简的方法相比，本申请的方法没有改变点云原有的空间相对位置及拓扑结构，不会改变前景目标的轮廓，从而不影响后续目标检测算法的性能。

为了更直观地说明本申请的路侧激光雷达点云精简方法的有效性，在图4~图8中给出了本申请的路侧激光雷达点云精简方法的实测结果实例。其中，图4表示原始的路侧点云，约6.5万个点，数据量约1M Byte，图5表示根据预设的高度阈值和感兴趣范围进行预处理精简的结果，约有3.5万个点，数据量约0.53M Byte，图6表示模板点云，只包含背景目标，图7表示经过预处理精简，并用近邻统计前景点云搜索算法初步搜索出的前景点云，只包含前景点云和少量的背景点云（噪点），共有7346个点，数据量约0.11M Byte，图8表示在图7的基础上进行离群点滤波后得到的最终的精简结果，基本上只包含前景点云，仅有6205个点，数据量为0.09M Byte，与图4中的原始点云相比，最终的精简结果的数据量降低了11倍，即便不采样也可使用现有V2X(vehicle to everything, 车与外界的信息交换)通信设备进行实时传输。

由图4~图8的结果可看出，本申请的路侧激光雷达点云精简方法，可以较好地将路侧激光雷达点云中的前景点云单独搜索出来用于后续传输，与未经过任何处理的原始点云相比，在数据量上大大降低，不需要降采样（在前景目标较多的条件下也只需要轻微的降采样）就能使用现有车联网通信方案进行车路之间的实时传输，在数据量大大降低的同时，并没有损失感兴趣的前景点云，让原始级融合感知的方案在现有的通信机制下成为可能，为路侧激光雷达感知到的前景点云实时融合到车侧，从而增强车侧的感知能力，确保行车安全提供了一种可行的实现方案。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种用于车路协同感知的路侧激光点云精简方法，其特征在于，包括：

获取路侧点云，所述路侧点云由路侧激光雷达采集得到；

对于所述路侧点云中的每个点，将其与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度，当相似度小于设定的相似度阈值时则判定其为前景点，保留所述路侧点云中所有相似度小于相似度阈值的点，得到初步精简结果，其中所述模板点云为所述路侧激光雷达采集的仅包含背景信息的点云数据；

对所述初步精简结果进行离群点滤波，得到最终的精简路侧点云。

2.如权利要求1所述的路侧激光点云精简方法，其特征在于，所述对于所述路侧点云中的每个点，将其与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度，包括：

对于所述路侧点云中的每个点，计算其预设的搜索邻域内包含的模板点云的点的个数，根据计算得到的点的个数，以及该路侧点云中的点到所述路侧激光雷达的中心的距离，计算该路侧点云中的点与模板点云的相似度。

3.如权利要求2所述的路侧激光点云精简方法，其特征在于，所述计算预设的搜索邻域内包含的模板点云的点的个数包括：

预先对模板点云构建KD树，对于所述路侧点云中的每个点，依据预设的搜索邻域在所述KD树中进行近邻查找，得到其预设的搜索邻域内包含的模板点云的点的个数。

4.如权利要求2所述的路侧激光点云精简方法，其特征在于，根据以下公式计算相似度：

，

其中，

表示第i个点与模板点云的相似度，

表示第i个点的搜索邻域，k为预设的系数，

为第i个点到所述路侧激光雷达的中心的距离，

为搜索邻域内

包含的模板点云中的点的个数。

5.如权利要求1所述的路侧激光点云精简方法，其特征在于，采用BIRCH聚类算法或DBSCAN聚类算法对所述初步精简结果进行离群点滤波。

6.如权利要求1所述的路侧激光点云精简方法，其特征在于，还包括：在将所述路侧点云中的点与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度之前，依据预设的高度阈值和感兴趣范围对所述路侧点云进行滤波，仅保留高度低于高度阈值且在感兴趣范围内的点云数据，或者

依据预设的高度阈值或感兴趣范围对所述路侧点云进行滤波，仅保留高度低于高度阈值或在感兴趣范围内的点云数据。

7.如权利要求1所述的路侧激光点云精简方法，其特征在于，所述模板点云为所述路侧激光雷达在多个视角下采集的多帧点云进行拼接得到。

8.一种用于车路协同感知的路侧激光点云精简系统，其特征在于，包括：

路侧激光雷达，用于采集路侧点云；

初步精简装置，用于将所述路侧点云中的每个点与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度，当相似度小于设定的相似度阈值时则判定其为前景点，并保留所述路侧点云中所有相似度小于相似度阈值的点，得到初步精简结果，其中所述模板点云为所述路侧激光雷达采集的仅包含背景信息的点云数据；

离群点滤波装置，用于对所述初步精简结果进行离群点滤波，得到最终的精简路侧点云。

9.如权利要求8所述的路侧激光点云精简系统，其特征在于，所述初步精简装置通过以下方式将所述路侧点云中的每个点与预设的搜索邻域内的模板点云进行比较，计算其与模板点云的相似度：

对于所述路侧点云中的每个点，计算其预设的搜索邻域内包含的模板点云的点的个数，根据以下公式计算该路侧点云中的点与模板点云的相似度：

，

其中，

表示第i个点与模板点云的相似度，

表示第i个点的搜索邻域，k为预设的系数，

为第i个点到所述路侧激光雷达的中心的距离，

为搜索邻域内

包含的模板点云中的点的个数。

10.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1-7中任一项所述的路侧激光点云精简方法。

Images