CN114241211B - 基于激光雷达点云特征的岸线提取方法 - Google Patents
基于激光雷达点云特征的岸线提取方法 Download PDFInfo
- Publication number
- CN114241211B CN114241211B CN202111421094.6A CN202111421094A CN114241211B CN 114241211 B CN114241211 B CN 114241211B CN 202111421094 A CN202111421094 A CN 202111421094A CN 114241211 B CN114241211 B CN 114241211B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- grid
- laser radar
- point
- ship
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Electromagnetism (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种基于激光雷达点云特征的岸线提取方法,对激光雷达海面点云进行数据预处理,包括坐标变换、NaN值滤除、点云去噪、点云下采样等步骤,接着基于激光雷达点云特征建立海面栅格地图并提出一种海面目标属性的判定准则,最后采用改进的区域生长算法进行岸线提取,获取船舶的实时离岸距离。本发明方法将具备高精度近距离目标探测与三维构建能力的激光雷达应用于船舶自动靠离泊场景下,利用点云目标识别算法,可充分发挥激光雷达的硬件优势,实现船舶自主靠离泊过程中离岸距离的实时精确反馈,大幅提高船舶自主靠离泊的能力与效率。对未来无人船自主靠离泊技术的研究及应用具有重要意义。
Description
技术领域
本发明涉及一种自主航行技术技术,特别涉及一种基于激光雷达点云特征的岸线提取方法。
背景技术
近年来,船舶自动化水平不断提高,通信技术、云计算、大数据、人工智能以及高精度传感器高速发展,使得海上水面自主船舶(Maritime Autonomous Surface Ships,MASS)的实现也成为了可能。MASS被定义为能在不同程度上可以独立于与人类交互作用独立运行的船舶,具有自主航行功能的无人船以作业无人化和高度智能化为目标,不仅可以大量部署,将人从繁重的、高强度的水上任务中解放出来,其全天候作业及不受气候影响的特点,也大大降低了维护人员的成本。
无人船的自主航行首先需要对周围环境内感兴趣目标的外形尺寸和运动状态进行精确探测,主要依靠多种传感器的组合感知。对于水面自主船舶来说,感兴趣的水面目标可以是水面、码头、岸堤、船只、船员等,若能实现对上述目标的高精度实时探测与识别,将极大地提高无人船的智能化水平和安全系数。
激光雷达是基于飞行时间原理的主动光学传感器。与摄像头相比,激光雷达能够非常精确地获取反射点的距离信息。在无人船近距离目标感知应用过程中,激光雷达可实时获取150m范围内水面目标的点云数据,构建出无人船在水面航行过程中周围的实时三维环境。点云处理程序会对采集到的原始点云进行滤波预处理、目标模型构建、目标类型识别、目标运动状态估计等,将激光点云中包含的环境信息充分提取,为无人船态势智能感知系统提供有效的支持。
发明内容
推进自主航行技术,提出了一种基于激光雷达点云特征的岸线提取方法。
本发明的技术方案为:一种基于激光雷达点云特征的岸线提取方法,具体包括如下步骤:
1)激光雷对可测范围进行探测,激光雷达探测到目标后以点云的形式返回目标数据,首先对获取的激光雷达探测三维点云数据进行预处理,获取随船坐标系下有效三维点云数据;
2)建立栅格地图:将步骤1)三维点云数据映射到平面栅格内,每个栅格内包括此栅格平面位置内的所有点云,同时每个栅格单元包含了映射于该栅格的点云数量、梯度值、最大高度、最小高度以及平均高度,从而形成所谓的2.5维栅格图;
3)对栅格属性进行判定,确定高度差特征量:根据雷达距水面高度以及点云稀疏程度判断此栅格是否为悬空点属性,从陆地表面平整度考虑根据高度差范围以及点云梯度获得高度差下限和上限,以高度差下限和上限判断栅格为同水平面属性或同侧平面属性;
4)岸线提取:根据步骤3)的属性判断,对步骤2)的2.5维栅格图进行全图搜索,可在栅格地图中提取出多条栅格轨迹,对于提取的多条轨迹间仅有1~2个栅格的距离时,采用栅格填补的方式使它们保持连续,通过最小二乘法将连续栅格坐标拟合成直线,直线即为最终提取的岸线,从而计算出船舶的实时离岸距离。
进一步,所述步骤1)预处理包括坐标变换、NaN值滤除与位置约束、点云去噪和点云下采样;所述坐标变换为将激光雷达探测获得的极坐标转换映射到随船坐标系中;所述NaN值滤除为对超出激光雷达最大的探测距离的数据作为NaN值滤除;所述位置约束根据激光雷达有效探测范围设定位置约束,删除无效干扰点云数据;所述点云去噪对设备产生的噪声信息进行删除;所述点云下采样为点云密度大的区域进行滤波稀疏。
进一步,所述点云去噪采用局部区域内的点云间距作为滤除指标排除离群点。
进一步,所述点云去噪具体实现方法:对临近点个数k的设定设定,在输入数据中对点到临近点的距离分布的计算,对每一个点,计算它到它的k个临近点的平均距离,假设所有点的平均距离分布是一个高斯分布,其形状是由均值和标准差决定,根据标准差设定距离阈值,点的平均距离在标准范围之外的点,被定义为离群点并从数据中去除。
进一步,所述点云下采样采用构建体素网格的方法对点云进行下采样滤波,将点云存储于小立方体栅格内,每个立方体栅格内所有点的重心来代表此中立方体栅格内的所有点云,在减小点云密度与数量的同时保留了目标的基本特征。
进一步,所述立方体栅格内点云重心的计算方式为:首先以立方体栅格内的各点云为顶点,将其划分为若干个小四面体,小四面体内不包含其他点云,则该小四面体的重心坐标为四个顶点坐标的算术平均,然后将各个小四面体的重心按体积进行加权平均,得到整个立方体栅格的重心。
进一步,所述步骤4)搜索方法为步骤3)栅格属性判定的高度差特征量,对栅格地图全图使用区域生长算法以提取岸堤并分割点云。
进一步,所述结合区域生长算法,以高度特征为比较目标的岸堤提取具体包含以下步骤:
1)初始种子点选取:仅对栅格地图内具有高度差的栅格单元进行扫描,从栅格地图的一个顶角开始,以第一个具有高度差的未归属栅格作为初始种子点,假设该栅格坐标为(m,n);
2)生长准则:考虑(m,n)的八邻域栅格单元,若邻域栅格单元存在最大高度值hmax_1与(m,n)的最大高度值hmax_0之差小于高度差上限,则将其作为新的种子起点继续生长;
(3)终止条件:若种子栅格的八邻域内无满足高度差条件的邻域栅格时,或区域生长形成的连续栅格数小于5时,该区域生长结束,并从新的种子起点开始重复步骤(1)~(3),直至整个栅格地图内的栅格均获得属性归属,区域生长结束。
本发明的有益效果在于:本发明基于激光雷达点云特征的岸线提取方法,将具备高精度近距离目标探测与三维构建能力的激光雷达应用于船舶自动靠离泊场景下,利用点云目标识别算法,可充分发挥激光雷达的硬件优势,实现船舶自主靠离泊过程中离岸距离的实时精确反馈,大幅提高船舶自主靠离泊的能力与效率。对未来无人船自主靠离泊技术的研究及应用具有重要意义。
附图说明
图1为本发明16线混合固态激光雷达发射方式示意图;
图2a为本发明激光雷达点云坐标系三维示意图;
图2b为本发明激光雷达点云坐标系二维示意图;
图3为本发明激光雷达原始点云数据预处理流程图;
图4为本发明激光雷达笛卡尔坐标系及随船坐标系示意图;
图5a为本发明点云去噪前仿真图;
图5b为本发明点云去噪后仿真图;
图6为本发明2.5D栅格地图基本表示方法示意图;
图7为本发明实际场景下三维点云栅格化仿真效果图;
图8为本发明岸线栅格特征仿真图;
图9为本发明基于高度特征的多种子区域生长岸线提取算法流程图;
图10为本发明栅格轨迹提取仿真图;
图11为本发明岸线拟合仿真图;
图12a为本发明海岸环境下激光雷达扫描线特征侧视图;
图12b为本发明海岸环境下激光雷达扫描线特征俯视图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明首先对激光雷达海面点云进行数据预处理,包括坐标变换、NaN值滤除、点云去噪、点云下采样等步骤,接着基于激光雷达点云特征建立海面栅格地图并提出一种海面目标属性的判定准则,最后采用改进的区域生长算法进行岸线提取,获取船舶的实时离岸距离。
本发明所述基于激光雷达点云特征的岸线提取方法主要针对无人船主动式离岸距离实时测量场景,其覆盖的范围与探测盲区和激光雷达自身的探测范围(水平范围及俯仰范围)密切相关,同时也与激光雷达在船上的安装位置、安装高度、安装倾角相关,本发明实施例中激光雷达为16线混合固态雷达,探测距离20cm至150m,测量精度2cm,水平测角360°,垂直测角30°,水平安装于试验船中心离甲板4米高处,经计算可有效弥补现有导航雷达视觉盲区(盲区半径50m左右),为船舶离岸距离测量提供可靠的硬件基础。
如图1所示本发明16线混合固态激光雷达发射方式示意图,16线束以2°为间隔依次排列,覆盖-15°至+15°的俯仰角范围。每个激光线束都有各自的编号(Laser id),线束编号与真实的垂直角度工作状态时激光线束通过不断地旋转以采集360°水平范围内的目标数据。雷达的旋转速度和角分辨率可以调节,常用速度为10Hz(1s旋转10圈),受到硬件能力的限制,一般激光雷达转速越快则发射和接收激光的次数越少,即角分辨率越小。对应关系如附图1所示,16个光束通道完成一轮发射所需时间为50μs。需要说明的是,激光雷达线数越高(32线、64线或128线等),线束间夹角越小,返回的点云密度越大,点云数据量也越大。
激光雷达探测到目标后以点云的形式返回目标数据,包括点云的Point ID、时间戳(timestamp)、距离值(distance)、水平角(azimuth)、线束(laser id)、反射强度(intensity)等,由于laser id可直接反映点云的俯仰角,因此激光雷达极坐标系下的点云坐标可表示为(r,ω,α),其中r为实测距离,ω为垂直角度,α为水平角,如附图2a、2b所示激光雷达点云坐标系三维、二维示意图。
上位机通过网络交换机获取到激光雷达点云数据后,对其进行岸线提取的过程依次如下:1)坐标变换;2)NaN值滤除与位置约束;3)点云去噪;4)点云下采样;5)建立栅格地图;6)栅格属性判定;7)岸线提取。
其中1)、2)、3)、4)为激光雷达原始点云数据预处理过程,流程图如附图3所示。
1)坐标变换
为方便点云数据的后续算法处理,需将激光雷达极坐标系下的点云坐标(r,ω,α)转换为激光雷达笛卡尔坐标系下的点(x0,y0,z0),其中r、ω、α分别为点云在极坐标系下的实测距离、垂直角度和水平角,x0、y0、z0分别为该点在笛卡尔坐标系下的投影坐标,则两者存在如下关系:
随船坐标系Oo-Xo-Yo-Zo是指以船体本身某一点为原点并随船同步运动的坐标系,本实例以船体激光雷达安装位置正下方2.75m为随船坐标系原点Oo,由Oo指向船艏定义为Oo-Xo轴,与Oo-Xo轴同平面垂直向右为Oo-Yo轴,垂直于Oo-Xo-Yo平面垂直向上为Oo-Zo轴,因此激光雷达笛卡尔坐标系与随船坐标系仅在竖直方向相差2.75m。由于激光点云在激光雷达笛卡尔坐标系下对应的坐标可表示为(x0,y0,z0),因此该点在随船坐标系中的坐标应为(x0,y0,z0+2.75)。
使用变换矩阵S1将随船坐标系下的点云坐标(x0,y0,z0)转换为(x0,y0,z0+2.75),将(x0,y0,z0+2.75)用随船坐标系下的(x1,y1,z1)表示,由于(3×3)的变换矩阵无法实现平移变换,故增加一维使矩阵得以相乘,计算矩阵如下:
至此,激光雷达极坐标系下的点(r,ω,α)可通过上述公式统一到随船坐标系Oo-Xo-Yo-Zo中的坐标(x1,y1,z1)。随船坐标系Oo-Xo-Yo-Zo与激光雷达笛卡尔坐标系示意图如附图4所示。
又因激光雷达出厂默认坐标系中的X轴,Y轴与随船坐标系相反(X轴坐标与Y轴坐标互相交换),故需通过变换矩阵S2将随船坐标系下的(x1,y1,z1)变换为随船坐标(x,y,z):
通过上述步骤,可将激光雷达极坐标系下的点云坐标(r,ω,α)变换为随船坐标(x,y,z)。
2)NaN值滤除与位置约束
在接收到的激光雷达数据中,部分点云距离船舶原点的距离在540m左右,远远超出了激光雷达理论上最大的探测距离(150m),这些无效的数据称为NaN值。这些NaN值产生的原因主要是在空旷海域下,大量发射出去的激光点被海水吸收无法反射回雷达,雷达底层驱动便将其设置为无效值,从而使得大量的无效点在激光雷达有效探测范围外形成了一个实际上并不存在的点云圈。显然,这些NaN值的存在会对后续点云处理算法造成极大的影响,因此必须首先滤除这些无效数据。同时,利用下式中的位置约束将点云数据限制在有效探测范围内,达到减少数据量的效果。
经计算,NaN值滤除以及位置约束后激光雷达旋转一周生成的点云量由32256变为10345,直接缩减至原来的1/3,且完整地保留了目标的基本形态,极大地降低了后续点云处理的复杂度。
3)点云去噪
激光雷达在工作时每秒会产生320000个点(不同线束型号的激光雷达出点数不同),其中一部分是由雷达本身的测量噪声引入的离群点。离群点是指与周围其他点距离较远的孤立点,一般以距离均值的标准差来衡量。此类型的离群点不会影响目标的整体特征,反而会为系统增加不必要的计算量,破坏点云的表达准确性,使得表面法线或曲率变化等局部点云特征的估计变得非常复杂,因此利用相关滤波算法合理地减少数据量是提高系统运行效率的基础。
激光雷达点云信息包含着目标的位形状与位置,然而并不是全部的点云信息都有用。由于传感器固有的测量误差以及多路径传播干扰,点云信息中会存在一定量的噪声信息,此外还存在明显偏离目标的离群点与悬浮点。考虑到离群点的特征,既可以将局部区域内的点云密度作为判定指标,对其进行滤除,也可以将局部区域内的点云间距作为滤除指标排除离群点。对每个点的邻域进行一个统计分析,并修剪掉一些不符合一定标准的点,稀疏离群点移除方法基于在输入数据中对点到临近点的距离分布的计算,对每一个点,计算它到它的k个临近点的平均距离,假设所有点的平均距离分布是一个高斯分布,其形状是由均值和标准差决定,点的平均距离在标准范围之外的点,可以被定义为离群点并可从数据中去除。
实现了点云去噪过程中最重要的两个参数的设置:(1)k=50表示查询该点邻近的50个点的平均距离;(2)设置离群点距离阈值为2个标准差,距离均值大于2个标准差的点被当作离群点剔除。
在Pycharm仿真平台下进行点云去噪,如图5a、5b显示了点云经过去噪算法前、后对比,点云数量由NaN值滤除后的10345减少为9862,显然很大一部分的离群点被滤除,但仍在最大程度上保留了周围目标的数量与形状。
4)点云下采样
激光雷达采集输出的点云密度较大,巨大的点云数量不利于后续算法的高效进行。体素网格滤波器(VoxelGrid)用于对点云向下采样,且对点云之间原本的几何关系不造成影响。点云几何结构并不单纯表示物体的形状轮廓,也代表着点云的微观结构。随机下采样虽然效率比体素网格滤波器高,但会破坏点云微观结构,因此,采用构建体素网格的方法对点云进行下采样滤波。该方法的核心思想主要是将点云存储于小立方体栅格内,将该立方体栅格称为“体素”,以立方体栅格内所有点的重心来代表其中的所有点云,在减小点云密度与数量的同时保留了目标的基本特征。立方体栅格内点云重心的计算方式为:首先以立方体栅格内的各点云为顶点,将其划分为若干个小四面体,小四面体内不包含其他点云,则该小四面体的重心坐标为四个顶点坐标的算术平均,然后将各个小四面体的重心按体积进行加权平均,得到整个立方体栅格的重心。
此处将滤波器参数LEAF_SIZE设置为0.1,即创建的三维体素长宽高均为10cm。经VoxelGrid下采样滤波后的点云数量由9862减少为6408,可见LEAF_SIZE的值越大,体素越大,点云数量减少越明显,但如果一昧增大体素大小,会造成滤波过度,使得点云过分稀疏,有效信息减少,不利于后续算法处理。
5)建立栅格地图
在使用激光点云信息进行目标检测与跟踪的过程中,激光雷达返回的点云数据分布较为稀疏,不会布满整个空间,因此通常不直接处理三维坐标系下的点云信息,而是将其栅格化处理以降低算法处理的复杂度。点云栅格化即将三维点云映射到平面栅格内,以一定大小的栅格代表该范围内所有点云的最高点、最低点、平均高度等信息,从而形成所谓的2.5D(维)栅格图。
综合考虑激光雷达有效探测范围、海面目标的实际尺寸大小、岸堤的实际形态与高度,构建120m×120m的2.5D栅格地图,每个栅格边长为20cm,共计600×600个栅格单元,以栅格地图左下角为地图原点。每个栅格单元包含了映射于该栅格的点云数量、梯度值、最大高度、最小高度以及平均高度,对于航行在海平面的无人船来说,2.5D栅格可为目标检测与跟踪提供足够的环境信息。对于随船坐标系下点云坐标(xi,yi),可通过下式转化为栅格坐标(xmap,ymap):
xmap=ceil{(xi+Xoffset)/R}
ymap=ceil{(yi+Yoffset)/R}
其中R代表栅格单元的边长,Xoffset与Yoffset分别为坐标(xi,yi)距离栅格地图原点的偏移量,此处R为0.2m,Xoffset与Yoffset均为60m,符号ceil代表向上取整。船舶中心在栅格图下的坐标应为(300,300)。附图6为2.5D栅格地图的基本表示方法。
根据上述建图方法,使用matlab工具进行算法仿真,可将实际场景下的三维点云转化为附图7所示的2.5D栅格,以便进行后续的算法处理。
6)栅格属性判定
激光雷达光束由激光雷达中心发射,共计16根光束以2°的夹角均匀分布在30°的俯仰角范围,根据发射距离L及激光雷达光束间夹角θ计算(L×tanθ)可知,在距离船舶中心60m处的相邻两根激光束之间高度差为2.1~2.3m,距离越近,高度差值越小。据此,若某个栅格单元内点云最小高度大于阈值Th,点云数量低于阈值Tn,且至多存在一根扫描光束,则判定此栅格单元内的点云为悬空点;若栅格单元内点云的最小高度与最大高度相等或接近,即高度差小于阈值Thd_low,且点云梯度小于阈值Tg,则表示栅格范围内点云处于同一个水平面,该平面既可能是船舶自身或周围障碍物的平面部分,当船舶离岸较近时,也可能是岸上的水平地面部分,此类特征的点云有利于算法快速找到陆地与水面的分界线以进行岸堤识别;若栅格单元内点云高度差大于阈值Thd_high,且梯度值大于阈值Tg,则代表该范围内为障碍物侧表面,当船舶离岸较近时,也可能是岸堤侧平面,故可据此实现水面与陆地的点云分割。栅格单元的实时状态分为“占据”和“空白”两种,表1列出了栅格特征量或特征量的组合在对应阈值下的占用状态判定。
表1
7)岸线提取
无人船四周均为水面,激光雷达发射出去的所有光束全部会被海水吸收,从而无法在船舶周围形成同心圆状的特征点云,在这种情况下,点云的最小高度便失去了其原有的参考价值。然而点云的高度差特征可以在一定程度上反映出激光光束是在同一水平面还是侧平面。当光束扫描到水平地面时,点云高度差接近于0;当光束扫描到岸沿时,由于16线激光雷达产生的点云较稀疏,此时存在多根或单根扫描线两种情况:当只有1根光束扫到岸沿时,高度差接近于0;当有多根光束存在时,高度差不为0。此外,光束扫描到水面或陆地上的障碍物时,点云的高度差特征与岸沿类似。需要注意的是,当光束被障碍物遮挡时,点云轨迹将发生部分偏移,不再是一条完整连续的弧线。根据上述栅格地图内点云的高度差特征,对栅格单元(20cm×20cm)进行分类,提取出高度差在阈值范围内的栅格单元。
经matlab仿真对栅格进行高度差分类,黑色栅格表示点云高度差在0.05m的阈值范围内,灰色栅格则表示该范围内的点云高度差大于该阈值。基于上文对岸堤沿线处点云高度特征的分析,假设岸堤沿线无其他遮挡物,且保证至少有一条光束能扫描到岸沿,那么在岸堤沿线必定存在点云高度差的突变,该特征在下图表现为“左灰右黑”栅格颜色特征,如附图7所示。图中两根两个平行标识细线范围内的灰色栅格即为岸沿,其左边的黑色栅格是由实际停靠于岸边的船舶及阶梯产生的,而理论上灰色栅格的右边应为弧线状的黑色栅格,岸上的障碍物使其以段状分布。
基于栅格单元的高度差对栅格地图使用区域生长算法以提取岸堤并分割点云。区域生长是一种图像分割算法,该算法首先从某个像素出发,依照特定的准则往相邻的像素单位扩散,直到条件不满足时终止生长,最终实现对目标的提取。区域生长本质上是一种基于元素的聚类分割,只不过根据元素间所具有的相似特征将其合并为同一集合。当对大量元素进行区域生长时,需首先确定一个初始种子点,接着根据某种生长准则或元素特征不断将符合条件的其他元素纳入元素集合,直至没有元素被包括进来时,该区域便生长完成。
与常用的区域生长算法不同,该算法并不采用曲率或法线作为比较目标,原因是16线激光雷达获取的点云较稀疏,难以获得曲率和法线的准确值,导致其失去了相应的参考价值,而点云高度值具有一定的连续性,且可以直接获取而无需进行复杂的计算,有效地提高了算法效率。此外,该算法采用多个种子节点实现多区域搜索,适用于无人船多目标探测与跟踪的场景。
与常用的区域生长算法不同,该算法并不采用曲率或法线作为比较目标,原因是16线激光雷达获取的点云较稀疏,难以获得曲率和法线的准确值,导致其失去了相应的参考价值,而点云高度值具有一定的连续性,且可以直接获取而无需进行复杂的计算,有效地提高了算法效率。此外,该算法采用多个种子节点实现多区域搜索,适用于无人船多目标探测与跟踪的场景。
区域生长效果由以下三个因素决定:初始种子点的选取、生长准则以及终止条件。结合常用的区域生长算法,以高度特征为比较目标的岸堤提取算法流程主要包含以下步骤。
(1)初始种子点选取。仅对栅格地图内具有高度差的栅格单元进行扫描,以第一个未归属栅格作为初始种子点,假设该栅格坐标为(m,n);
(2)生长准则。考虑(m,n)的八邻域栅格单元,若八邻域栅格中存在最大高度值hmax_1(下图中栅格内的数字,单位为m)与(m,n)的最大高度值hmax_0之差小于0.2m,则将其作为新的种子起点继续生长;
(3)终止条件。若种子栅格的八邻域内无满足高度差条件的邻域栅格时,或区域生长形成的连续栅格数小于5时,该区域生长结束,并从新的种子起点开始重复步骤(1)~(3),直至整个栅格地图内的栅格均获得属性归属,区域生长结束。基于高度特征的多种子区域生长岸堤提取算法的具体算法流程如附图9所示。
根据上述步骤,可在栅格地图中提取出多条栅格轨迹,如附图10所示。由于栅格为20cm×20cm的正方形,栅格越小,对岸沿的扫描环境要求就越高,容易出现栅格不连续的情况。对于提取的多条轨迹间仅有1~2个栅格的距离时,采用栅格填补的方式使它们保持连续。通过最小二乘法将连续栅格坐标拟合成直线,如附图11所示。最终实现岸线的拟合与提取,从而计算出船舶的实时离岸距离。
实施例:
1)点云数据采集
本发明中对激光雷达进行24v直流供电,激光雷达数据通过接线盒转化为网络数据,以网线为载体传输至网络交换机,网络交换机将点云数据以UDP数据格式实时传输至上位机,由上位机进行数据的处理与分析。
2)点云数据解析
上位机通过网络交换机获取到激光雷达点云UDP数据包,首先根据激光雷达数据封装格式进行解析,RS-Lidar-16与上位机之间的通信协议主要分为三类:主数据流输出协议(MSOP)、设备信息输出协议(DIFOP)、用户权限写入协议(UCWP)。MSOP主要负责将激光雷达扫描出来的距离,角度,反射率等信息封装成包输出至上位机,DIFOP主要向上位机输出当前激光雷达的配置信息,UCWP用于用户重新修改激光雷达相关参数。
MSOP包存储了所有的雷达扫描数据,包括激光测距值、回波反射率、水平旋转角和时间戳,因此下文以MSOP包为主分析激光雷达的数据结构。MSOP包有效长度为1248byte,其中帧头Header占据42byte空间,数据块区间占据1200byte空间(共12个100byte的datablock),以及帧尾Tail占据6byte的空间。
数据块区间是MSOP中激光雷达测量值部分,共1200byte。它由12个data block组成,每个block长度为100byte,代表一组完整的测距数据。Data block中100byte的空间包括:2byte的标志位(0xffee);2byte的Azimuth,表示水平旋转角度信息,每个角度信息对应着32个channel data,包含两组完整的16通道信息。
在每个Block中,RS-LiDAR-16输出的水平角度值是该Block中第一个通道激光测距时的角度值。角度值来源于角度编码器,角度编码器的零位即角度的零点,水平旋转角度值的分辨率为0.01度。事实上每个data block区域有32组的channel data,对应两次16线测距信息,而每个data block只有一个水平旋转角度值,因此每个data block水平旋转角度值对应于该data block中的第一次16线测距中的第一通道的测量时的水平角度,第二次16线测距中的第一通道的水平角度对应需通过在点云解析过程中进行插值计算得到新的角度。对于一个Packet中的数据,Block 1和Block 2的第一个数据采集的时间间隔是100us,可以认为在这个期间雷达是匀速旋转的。因此可以计算第N+1组16线激光测距的第一个数据的水平角度是第N组16线激光测距的第一个数据的水平角度和第N+2组16线激光测距的第一个数据的水平角度的均值。
一个channel data占据3字节的存储空间,其中高位两字节代表点云距离值,单位为cm,距离分辨率为1cm,低位1字节代表点云相对反射率,反映了实测环境下系统的反射率性能,通过反射率信息可以区分不同材质的被测物体。
3)点云数据预处理
上位机根据封装协议对数据包进行解析后,获取每个点云的空间坐标、反射强度等信息,由于点云中含有各类杂波与噪点,需接着对点云进行预处理,其流程主要包括:坐标变换、NaN值滤除与位置约束、点云去噪以及点云下采样。坐标变换是为了将激光雷达极坐标系下的点云坐标统一于随船坐标系;NaN值滤除与位置约束的目的主要是滤除无效点云,框定识别算法层面实际可用的点云半径范围,减少数据量,提高后续算法处理效率;点云去噪可滤除离群点、悬浮点与噪声点,提高点云质量;点云下采样采用构建体素网格的方法对点云进行下采样滤波,以立方体栅格内所有点的重心来代表其中的所有点云,在减小点云密度与数量的同时保留了目标的基本特征。
4)基于高度特征的多种子区域生长岸线提取算法
无人船四周均为水面,点云的高度差特征可以在一定程度上反映出激光光束是在同一水平面还是侧平面。首先建立2.5D栅格,每个栅格单元包含了映射于该栅格的点云数量、梯度值、最大高度、最小高度以及平均高度,栅格边长设定为20cm;接着根据激光束在海面、岸堤、陆地上的分布形态及高度差特征,可有效提取岸线处的点云栅格。激光雷达光束扫描到岸堤及陆地障碍物时的侧视图及俯视图如附图12a、附图12b所示。结合上述岸线点云高度差特征,采用区域生长算法进行点云的搜索与遍历。区域生长算法主要由初始种子点的选取、生长准则以及终止条件三部分构成,在生长准则中考虑种子点的八邻域栅格单元,若存在栅格的最大高度值与种子点的最大高度值之差小于0.2m,则将其作为新的种子起点继续生长。
本发明提出了一种基于激光雷达点云特征的岸线提取方法以实现无人船离岸距离的主动式精确测量,该方法的创新点在于充分利用了岸堤与海平面的点云特征,提出了一种以高度值为特征的区域生长算法,以栅格地图为基础,借助岸堤附近显著的高度差特征,结合区域生长算法,实现岸线的高效识别与提取。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于激光雷达点云特征的岸线提取方法,其特征在于,具体包括如下步骤:
1)激光雷对可测范围进行探测,激光雷达探测到目标后以点云的形式返回目标数据,首先对获取的激光雷达探测三维点云数据进行预处理,获取随船坐标系下有效三维点云数据;
2)建立栅格地图:将步骤1)三维点云数据映射到平面栅格内,每个栅格内包括此栅格平面位置内的所有点云,同时每个栅格单元包含了映射于该栅格的点云数量、梯度值、最大高度、最小高度以及平均高度,从而形成所谓的2.5维栅格图;
3)对栅格属性进行判定,确定高度差特征量:根据雷达距水面高度以及点云稀疏程度判断此栅格是否为悬空点属性,从陆地表面平整度考虑根据高度差范围以及点云梯度获得高度差下限和上限,以高度差下限和上限判断栅格为同水平面属性或同侧平面属性;
4)岸线提取:根据步骤3)的属性判断,对步骤2)的2.5维栅格图进行全图搜索,可在栅格地图中提取出多条栅格轨迹,对于提取的多条轨迹间仅有1~2个栅格的距离时,采用栅格填补的方式使它们保持连续,通过最小二乘法将连续栅格坐标拟合成直线,直线即为最终提取的岸线,从而计算出船舶的实时离岸距离。
2.根据权利要求1所述基于激光雷达点云特征的岸线提取方法,其特征在于,所述步骤1)预处理包括坐标变换、NaN值滤除与位置约束、点云去噪和点云下采样;所述坐标变换为将激光雷达探测获得的极坐标转换映射到随船坐标系中;所述NaN值滤除为对超出激光雷达最大的探测距离的数据作为NaN值滤除;所述位置约束根据激光雷达有效探测范围设定位置约束,删除无效干扰点云数据;所述点云去噪对设备产生的噪声信息进行删除;所述点云下采样为点云密度大的区域进行滤波稀疏。
3.根据权利要求2所述基于激光雷达点云特征的岸线提取方法,其特征在于,所述点云去噪采用局部区域内的点云间距作为滤除指标排除离群点。
4.根据权利要求3所述基于激光雷达点云特征的岸线提取方法,其特征在于,所述点云去噪具体实现方法:对临近点个数k的设定设定,在输入数据中对点到临近点的距离分布的计算,对每一个点,计算它到它的k个临近点的平均距离,假设所有点的平均距离分布是一个高斯分布,其形状是由均值和标准差决定,根据标准差设定距离阈值,点的平均距离在标准范围之外的点,被定义为离群点并从数据中去除。
5.根据权利要求2所述基于激光雷达点云特征的岸线提取方法,其特征在于,所述点云下采样采用构建体素网格的方法对点云进行下采样滤波,将点云存储于小立方体栅格内,每个立方体栅格内所有点的重心来代表此中立方体栅格内的所有点云,在减小点云密度与数量的同时保留了目标的基本特征。
6.根据权利要求5所述基于激光雷达点云特征的岸线提取方法,其特征在于,所述立方体栅格内点云重心的计算方式为:首先以立方体栅格内的各点云为顶点,将其划分为若干个小四面体,小四面体内不包含其他点云,则该小四面体的重心坐标为四个顶点坐标的算术平均,然后将各个小四面体的重心按体积进行加权平均,得到整个立方体栅格的重心。
7.根据权利要求1所述基于激光雷达点云特征的岸线提取方法,其特征在于,所述步骤4)搜索方法为步骤3)栅格属性判定的高度差特征量,对栅格地图全图使用区域生长算法以提取岸堤并分割点云。
8.根据权利要求7所述基于激光雷达点云特征的岸线提取方法,其特征在于,所述结合区域生长算法,以高度特征为比较目标的岸堤提取具体包含以下步骤:
1)初始种子点选取:仅对栅格地图内具有高度差的栅格单元进行扫描,从栅格地图的一个顶角开始,以第一个具有高度差的未归属栅格作为初始种子点,假设该栅格坐标为(m,n);
2)生长准则:考虑(m,n)的八邻域栅格单元,若邻域栅格单元存在最大高度值hmax_1与(m,n)的最大高度值hmax_0之差小于高度差上限,则将其作为新的种子起点继续生长;
(3)终止条件:若种子栅格的八邻域内无满足高度差条件的邻域栅格时,或区域生长形成的连续栅格数小于5时,该区域生长结束,并从新的种子起点开始重复步骤(1)~(3),直至整个栅格地图内的栅格均获得属性归属,区域生长结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421094.6A CN114241211B (zh) | 2021-11-26 | 2021-11-26 | 基于激光雷达点云特征的岸线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421094.6A CN114241211B (zh) | 2021-11-26 | 2021-11-26 | 基于激光雷达点云特征的岸线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241211A CN114241211A (zh) | 2022-03-25 |
CN114241211B true CN114241211B (zh) | 2023-02-03 |
Family
ID=80751413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111421094.6A Active CN114241211B (zh) | 2021-11-26 | 2021-11-26 | 基于激光雷达点云特征的岸线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241211B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879685B (zh) * | 2022-05-25 | 2023-04-28 | 合肥工业大学 | 一种用于无人船的河岸线检测及自主巡航方法 |
CN115097442B (zh) * | 2022-08-24 | 2022-11-22 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面环境地图构建方法 |
CN116051980B (zh) * | 2022-12-13 | 2024-02-09 | 北京乾图科技有限公司 | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108562913B (zh) * | 2018-04-19 | 2021-12-17 | 武汉大学 | 一种基于三维激光雷达的无人艇假目标检测方法 |
CN110827329B (zh) * | 2019-10-15 | 2022-07-12 | 四方智能(武汉)控制技术有限公司 | 一种无人船自主泊岸方法、计算机设备及存储介质 |
CN112882059B (zh) * | 2021-01-08 | 2023-01-17 | 中国船舶重工集团公司第七0七研究所 | 一种基于激光雷达的无人船内河障碍物感知方法 |
-
2021
- 2021-11-26 CN CN202111421094.6A patent/CN114241211B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114241211A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114241211B (zh) | 基于激光雷达点云特征的岸线提取方法 | |
CN110969624B (zh) | 一种激光雷达三维点云分割方法 | |
CN112882059B (zh) | 一种基于激光雷达的无人船内河障碍物感知方法 | |
CN113031004B (zh) | 基于三维激光雷达的无人船水面目标检测及路径规划方法 | |
CN110794396B (zh) | 基于激光雷达和导航雷达的多目标识别方法及系统 | |
CN112418245A (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
CN115097442B (zh) | 基于毫米波雷达的水面环境地图构建方法 | |
CN113177593B (zh) | 一种水上交通环境中雷达点云与影像数据的融合方法 | |
CN116027349A (zh) | 基于激光雷达和侧扫声呐数据融合的珊瑚礁底质分类方法 | |
CN116310607A (zh) | 一种基于聚类分割原理的无人船三维点云处理方法 | |
CN109191484B (zh) | 一种从机载激光雷达点云中快速提取平面片的方法 | |
CN114925769B (zh) | 一种多传感器数据融合处理系统 | |
Wlodarczyk-Sielicka et al. | General concept of reduction process for big data obtained by interferometric methods | |
CN115267827A (zh) | 一种基于高度密度筛选的激光雷达港区障碍物感知方法 | |
CN114445572B (zh) | 一种基于DeeplabV3+的陌生海域中障碍物即时定位与地图构建方法 | |
CN114089376A (zh) | 一种基于单激光雷达的负障碍物检测方法 | |
CN114782357A (zh) | 一种用于变电站场景的自适应分割系统及方法 | |
CN113888589A (zh) | 一种基于激光雷达的水面障碍物检测与多目标跟踪方法 | |
Sun | Point cloud clustering algorithm for autonomous vehicle based on 2.5 D Gaussian Map | |
CN114814847A (zh) | 一种毫米波雷达电力线探测与三维重建方法 | |
CN114636981A (zh) | 基于雷达回波的在线深度学习台风中心定位系统 | |
Mücke | Analysis of full-waveform airborne laser scanning data for the improvement of DTM generation | |
Wan et al. | Online Obstacle Detection for USV based on Improved RANSAC Algorithm | |
Deng et al. | Obstacle Detection of Unmanned Surface Vehicle Based on Lidar Point Cloud Data | |
EP4036595A1 (en) | Object detection with multiple ranges and resolutions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |