CN114779794B - 基于无人巡逻车系统的台风场景下的街道障碍识别方法 - Google Patents

Abstract

本发明提供了一种基于无人巡逻车系统的台风场景下的街道障碍识别方法，结合地面分割算法、DBSCAN算法，同时将障碍物的边缘特征与障碍物运动区域进行数据融合，通过判断目标特征在运动区域的滞留时间，大大提高和障碍物判断精度，具有很好的稳健性,并且在保证精度的同时可大幅提高效率，减少了判断时间。采用本发明方法，无人巡逻车在台风环境下，可以对障碍物进行智能识别，这样大大提高了台风后抢险救灾人员的道路通行能力，降低人员损伤风险。并且进一步提高了无人巡逻车巡逻效率，节省了时间成本，减少人工费用，降低抢险工作的难度。

Description

基于无人巡逻车系统的台风场景下的街道障碍识别方法

技术领域

本发明属于无人巡逻车控制技术领域，具体涉及一种基于无人巡逻车系统的台风场景下的街道障碍识别方法。

背景技术

台风给广大的地区带来了充足的雨水，成为与人类生活和生产关系密切的降雨系统，但是，台风也总是带来各种破坏，它的破坏力主要由强风、暴雨和风暴潮三个因素引起，具有突发性强、破坏力大的特点，是世界上最严重的自然灾害之一，目前沿海大城市的台风灾害评估和处理，主要是在台风来临后，通过人工巡查所在辖区的街道，发现倒塌树木、广告牌障碍并进行登记，再进行清理。一般来说，人工巡查效率很低，并且由于人工巡查时，台风多数还没有结束，这也给巡查人员生命安全也带来不利影响。发明内容有鉴于此，有必要提供一种基于无人巡逻车系统的台风场景下的街道障碍识别方法，用以解决现有技术台风场景下的街道障碍识别中存在的人工巡查效率低的技术问题。

发明内容

鉴于以上现有技术的不足，本发明的目的在于提供了一种基于无人巡逻车系统的台风场景下的街道障碍识别方法，通过判断目标特征在运动区域的滞留时间，大大提高和障碍物判断精度，具有很好的稳健性，并且在保证精度的同时可大幅提高效率，减少了判断时间。采用本发明方法，无人巡逻车在台风环境下，可以对障碍物进行智能识别，这样大大提高了台风后抢险救灾人员的道路通行能力，降低人员损伤风险。并且进一步提高了无人巡逻车巡逻效率，节省了时间成本，减少人工费用，降低抢险工作的难度。

为了实现上述目的及其他相关目的，本发明提供了一种基于无人巡逻车系统的台风场景下的街道障碍识别方法，无人巡逻车系统包括车载计算机、云端服务器、摄像头、激光雷达传感器和高精度定位传感器，所述激光雷达传感器和高精度定位传感器与所述车载计算机连接，云端服务器与摄像头通信连接，其特征在于，所述基于无人巡逻车系统的台风场景下的街道障碍识别方法包括以下步骤：

采集激光雷达点云数据，在所述激光雷达点云数据形成的点云区域内预设一感兴趣区域，并在所述感兴趣区域内设置一个阈值范围区域，过滤所述阈值范围区域外的点云数据，确定所述阈值范围区域内所有点云数据中对应的道路段在同一扫描线上的点集线段曲率变化，当所述点集线段曲率变化符合预设条件时所述道路段中连接相邻线段形成路沿点；

在所述阈值范围区域内所有点云数据中检测和匹配地面平面，确定地面点云数据；

基于聚类算法初步聚合障碍物点云数据，且对位于时间段首尾的两帧图像进行差分，获取障碍物的运动区域；

对障碍物的特征信息采用Sobel算法进行边缘特征提取，将提取的障碍物的边缘特征与障碍物运动区域进行融合，得到障碍物的边缘特征在运动区域的滞留时间函数值，通过判断滞留时间函数值来控制巡逻车行驶状态，滞留时间函数值小于或等于第二设定阈值，则认为没有障碍物，巡逻车继续巡逻；若滞留时间函数值大于第二设定阈值，则认为存在障碍物，巡逻车停止。

在一些实施例中，当所述点集线段曲率变化符合预设条件时所述道路段中连接相邻线段形成路沿点，包括：

当所述相邻两个线段之间的夹角ɑ₁满足如下条件ɑ₁≦ɑ_T，则线段可连接形成路沿点，其中，ɑ_T为道路段进行连接的最大夹角阈值。

在一些实施例中，在所述阈值范围区域内所有点云数据中检测和匹配地面平面，确定地面点云数据，包括：

设置网格尺寸生成栅格图；

将所述点云数据的坐标投影到对应的栅格中；

统计每个栅格中的点集高度特征；

基于统计后的所有点集高度特征与设定阈值比较，当所述点集高度特征大于所述设定阈值时，确定为地面障碍物。

在一些实施例中，所述聚类算法采用DBSCAN算法。

在一些实施例中，所述对位于时间段首尾的两帧图像进行差分，获取障碍物的运动区域的函数如下：

A∋D_k(x,y)=f_k(x,y)-f_k-1(x,y)、

式中，A为运动区域，D_k(x,y)为两帧之差，x表示图像边缘横向坐标点，y表示图像边缘纵向坐标点，f_k(x,y)为第k帧图像，f_k-1(x,y)为第k-1帧图像。

在一些实施例中，所述Sobel算法的函数如下：

；

式中，f_k(x,y)为第k帧图像，f_k-1(x,y)为第k-1帧图像，x表示图像边缘横向坐标点，y表示图像边缘纵向坐标点，H_X、H_Y为边缘幅度图像矩阵，ED_k(x,y)为障碍物的边缘特征。

在一些实施例中，所述将提取的障碍物的边缘特征与障碍物运动区域进行融合的函数如下：

；

式中，M为滞留时间函数值。

在一些实施例中，所述通过判断滞留时间函数值来控制巡逻车行驶状态，包括：滞留时间函数值小于或等于第二设定阈值，则认为没有障碍物，巡逻车继续巡逻；若滞留时间函数值大于第二设定阈值，则认为存在障碍物，巡逻车停止。

在一些实施例中，所述存在障碍物，巡逻车停止时，立即触发云端服务器报警，云端服务器通知后台人员调用摄像头进行人工识别。

本发明带来的有益效果：

本发明结合地面分割算法、DBSCAN算法，同时将障碍物的边缘特征与障碍物运动区域进行数据融合，通过判断目标特征在运动区域的滞留时间，大大提高和障碍物判断精度，具有很好的稳健性,并且在保证精度的同时可大幅提高效率，减少了判断时间。采用本发明方法，无人巡逻车在台风环境下，可以对障碍物进行智能识别，这样大大提高了台风后抢险救灾人员的道路通行能力，降低人员损伤风险。并且进一步提高了无人巡逻车巡逻效率，节省了时间成本，减少人工费用，降低抢险工作的难度。

附图说明

图1为本发明一个实施例提供的方法的流程图；

图2为图1所示车载计算机的实体结构示意图；

图3为本发明另一个实施例提供的激光雷达点云路沿点线段连接图；

图4为本发明另一个实施例提供的激光雷达点云标注图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、模块和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、模块、组件和/或它们的组。应该理解，当我们称模块被“连接”或“耦接”到另一模块时，它可以直接连接或耦接到其他模块，或者也可以存在中间模块。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一模块和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实现方式作进一步地详细描述。下面以具体地实施例对本申请的技术方案以及本申请的技术方案如和解决上述技术问题进行详细说明。

下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

实施例：下面将结合附图，对本申请的实施例进行描述。

图1所示为本发明一个实施例提供的方法的流程图。本实施例中，一个典型的无人巡逻车系统，包括：车载计算机、一云端服务器、若干摄像头和至少一个激光雷达传感器、高精度定位传感器，所述激光雷达传感器和高精度定位传感器与车载计算机连接，云端服务器与摄像头通信连接。

图2为本发明车载计算机的实体结构示意图。车载计算机包括：处理器(processor)101、通信接口(Communications Interface)104、存储器(memory)102和通信总线103，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信。

处理器可以调用存储器中的逻辑指令，以执行基于无人巡逻车系统的台风场景下的街道障碍识别方法，进一步的，本发明方法包括以下步骤：

S1、采集激光雷达点云数据，在所述激光雷达点云数据形成的点云区域内预设一感兴趣区域，并在所述感兴趣区域内设置一个阈值范围区域，过滤所述阈值范围区域外的点云数据，确定所述阈值范围区域内所有点云数据中对应的道路段在同一扫描线上的点集线段曲率变化，当所述点集线段曲率变化符合预设条件时所述道路段中连接相邻线段形成路沿点；

具体的，预设的感兴趣区域，可设置成横跨20米左右的障碍物，20米的前面和后面的障碍物，并设置一个阈值范围，将感兴趣区域维度上的数据分为在阈值范围内与不在阈值范围内，选择过滤阈值范围外的点云，对阈值范围内道路段同一扫描线上的点集计算线段曲率变化，连接相邻线段形成路沿点。

S2、在所述阈值范围区域内所有点云数据中检测和匹配地面平面，确定地面点云数据；

具体的，可采用地面分割算法检测和匹配地面平面，如可以采用平面拟合RANSAC算法检测和匹配地面平面，判断地面点集，保留地面上的障碍物点云集；

其包括以下步骤：

S201、设置迭代次数N，在设置的迭代次数内，每次随机选取3个点确定一个平面方程（Bx+Cy+Dz+E=0）；

S202、将所有点依次带入该平面方程中，根据设定的距离阈值做判定，若在阈值范围内，则认为属于该平面的局内点，否则为局外点，遍历所有点后统计局内点个数；

S203、在迭代次数N内内点数量最多的平面方程即为地面方程，该地面方程下的内点就是地面点云集，外点就是障碍物点云集；

S204剔除掉地面点，平面的法线方向应大致沿Z轴向上指向，所有局内点必须在地面平面的20厘米以内。

S3、采用聚类算法初步聚合的障碍物点云，可以通过典型的DBSCAN算法对标签中的动态类别单元格进行聚类，其包括以下步骤：

S301、初始化包含所有对象的集合H，标记H中对象为“未访问”；

S302.从K中任取一点pip_{i}pi，设计参数ε和β，若点pip_{i}pi的ε领域包含的点的数目超过β，则判定 pip_{i}pi为核心对象，若不是核心对象则是聚类边缘点或者噪声点；

S303.若pip_{i}pi，pip_{j}pj均为核心点，且其均在对方的ε领域内，则称点pip_{i}pi、pip_{j}pj密度可达，找到一个核心对象能够密度可达的所有样本集合，组成一个聚类簇；

S304.再访问其他未被读取过的核心对象去寻找密度可达的样本集合，此时得到另一个簇，一直运行直到所有核心对象都被访问过为止，检索半径在20米以内的点云集，并将它们标记为障碍物。

S4、对位于时间段（1秒内）首尾的k帧、k-1帧两帧图像进行差分，获取障碍物的运动区域A；A∋D_k(x,y)=f_k(x,y)-f_k-1(x,y)、其中，D_k(x,y)为两帧之差，f_k(x,y)为第k帧图像，f_k-1(x,y)为第k-1帧图像x表示图像边缘横向坐标点，y表示图像边缘纵向坐标点。

S5、对障碍物的特征信息采用Sobel算法进行边缘特征提取，Sobel算法函数如下：

；

式中，f(x,y)为当前图像坐标点（x,y）的边缘特征函数；得到边缘幅度图像矩阵H_X、H_Y，

、

；

代入以下函数：

；

得到可表示障碍物的边缘特征ED_k(x,y)。

S6、按照以下函数将提取的障碍物的边缘特征ED_k(x,y)与障碍物运动区域A进行融合，得到障碍物的边缘特征ED_k(x,y)在运动区域A的滞留时间函数值M：

。

S7、通过判断滞留时间函数值M来控制巡逻车行驶状态：若M小于或等于设定的阈值T，如T可以设置成小于或等于3秒。则认为没有障碍物，巡逻车继续巡逻；若滞留时间M大于设定的阈值T，则认为存在障碍物，巡逻车停止。所述存在障碍物，巡逻车停止时，立即触发云端服务器报警，云端服务器通知后台人员调用摄像头进行人工识别。

图3为本发明另一个实施例提供的激光雷达点云路沿点线段连接图。如图3所示，判断路沿点时，为了保证线段连接的平滑性，需要两个线段之间的夹角ɑ₁满足如下条件，ɑ₁≦ɑ_T，则线段可直接连接，其中ɑ_T为道路段进行连接的最大夹角阈值，如一般设置成30°；同时需要从车载计算机中高精度地图检索到道路段可驾驶区域，并去除道路段路边的高大建筑物，来辅助建立可驾驶区域路沿点。

图4所示为本发明另一个实施例提供的激光雷达点云标注图。可采用平面栅格法检测和匹配地面平面，判断地面点集，具体步骤如下：

S211、设置网格尺寸生成栅格图；

S212、将所述点云数据的坐标投影到对应的栅格中；

S213、统计每个栅格中的点集高度特征；

S214、基于统计后的所有点集高度特征与设定阈值比较，当所述点集高度特征大于所述设定阈值时，确定为地面障碍物。

本实施例提供的激光雷达点云标注图中，箭头指向的白色框内为标注好的障碍物。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。以上所述仅是本发明的部分实现方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于无人巡逻车系统的台风场景下的街道障碍识别方法，所述巡逻车系统包括车载计算机、云端服务器、摄像头、激光雷达传感器和高精度定位传感器，所述激光雷达传感器和高精度定位传感器与所述车载计算机连接，云端服务器与摄像头通信连接，其特征在于，所述基于无人巡逻车系统的台风场景下的街道障碍识别方法包括以下步骤：

采集激光雷达点云数据，在所述激光雷达点云数据形成的点云区域内预设一感兴趣区域，并在所述感兴趣区域内设置一个阈值范围区域，过滤所述阈值范围区域外的点云数据，确定所述阈值范围区域内所有点云数据中对应的道路段在同一扫描线上的点集线段曲率变化，当所述点集线段曲率变化符合预设条件时所述道路段中连接相邻线段形成路沿点；

在所述阈值范围区域内所有点云数据中检测和匹配地面平面，确定地面点云数据；

基于聚类算法初步聚合障碍物点云数据，且对位于时间段首尾的两帧图像进行差分，获取障碍物的运动区域；

对障碍物的特征信息采用Sobel算法进行边缘特征提取，将提取的障碍物的边缘特征与障碍物运动区域进行融合，得到障碍物的边缘特征在运动区域的滞留时间函数值，通过判断滞留时间函数值来控制巡逻车行驶状态，滞留时间函数值小于或等于第二设定阈值，则认为没有障碍物，巡逻车继续巡逻；若滞留时间函数值大于第二设定阈值，则认为存在障碍物，巡逻车停止。

2.根据权利要求1所述的基于无人巡逻车系统的台风场景下的街道障碍识别方法，其特征在于，当所述点集线段曲率变化符合预设条件时，在所述道路段中连接相邻线段形成路沿点，包括：

当所述相邻两个线段之间的夹角ɑ₁满足ɑ₁≦ɑ_T，则线段可连接形成路沿点，其中，ɑ_T为道路段进行连接的最大夹角阈值。

3.根据权利要求1所述的基于无人巡逻车系统的台风场景下的街道障碍识别方法，其特征在于，在所述阈值范围区域内所有点云数据中检测和匹配地面平面，确定地面点云数据，包括：

设置网格尺寸生成栅格图；

将所述点云数据的坐标投影到对应的栅格中；

统计每个栅格中的点集高度特征；

基于统计后的所有点集高度特征与设定阈值比较，当所述点集高度特征大于所述设定阈值时，确定为地面障碍物。

4.根据权利要求1所述的基于无人巡逻车系统的台风场景下的街道障碍识别方法，其特征在于，所述聚类算法采用DBSCAN算法。

5.根据权利要求1所述的基于无人巡逻车系统的台风场景下的街道障碍识别方法，其特征在于，所述对位于时间段首尾的两帧图像进行差分，获取障碍物的运动区域的函数如下：

A∋D_k(x,y)=f_k(x,y)-f_k-1(x,y)；

式中，A为运动区域，D_k(x,y)为两帧之差，x表示图像边缘横向坐标点，y表示图像边缘纵向坐标点，f_k(x,y)为第k帧图像，f_k-1(x,y)为第k-1帧图像。

6.根据权利要求5所述的基于无人巡逻车系统的台风场景下的街道障碍识别方法，其特征在于，所述Sobel算法的函数如下：

；

式中，f_k(x,y)为第k帧图像，f_k-1(x,y)为第k-1帧图像，x表示图像边缘横向坐标点，y表示图像边缘纵向坐标点，H_X、H_Y为边缘幅度图像矩阵，ED_k(x,y)为障碍物的边缘特征。

7.根据权利要求6所述的基于无人巡逻车系统的台风场景下的街道障碍识别方法，其特征在于，所述将提取的障碍物的边缘特征与障碍物运动区域进行融合的函数如下：

；

式中，M为滞留时间函数值。

8.根据权利要求7所述的基于无人巡逻车系统的台风场景下的街道障碍识别方法，其特征在于，所述存在障碍物，巡逻车停止时，立即触发云端服务器报警，云端服务器通知后台人员调用摄像头进行人工识别。

Images