CN115240149A

CN115240149A - 三维点云检测识别方法、装置、电子设备及存储介质

Info

Publication number: CN115240149A
Application number: CN202110447895.3A
Authority: CN
Inventors: 刘邦繁; 肖志鸿; 张慧源; 李晨; 熊敏君; 苏震; 颜家云; 褚金鹏; 孙木兰; 刘雨聪; 曾祥; 鲍纪宇
Original assignee: Zhuzhou CRRC Times Electric Co Ltd
Current assignee: Zhuzhou CRRC Times Electric Co Ltd
Priority date: 2021-04-25
Filing date: 2021-04-25
Publication date: 2022-10-25

Abstract

本公开提供一种三维点云检测识别方法、装置、电子设备及存储介质。所述方法包括：获取激光雷达的第一点云数据；对所述第一点云数据进行预处理，得到第二点云数据；其中，所述预处理包括：建立所述第一点云数据的动态感兴趣区域，同时对所述动态感兴趣区域内的所述第一点云数据进行降采样和滤波；对所述第二点云数据依次进行分割和拟合，得到待检测点云；对所述待检测点云进行聚类，得到点云簇；对所述点云簇进行特征提取，得到所述点云簇中点云的特征向量；通过预先训练的单类分类模型对所述特征向量进行分类识别，若所述特征向量属于目标类别，则所述特征向量对应的所述点云簇即为列车行进指示点，确保了列车行进过程中对待检测目标的有效识别。

Description

三维点云检测识别方法、装置、电子设备及存储介质

技术领域

本公开涉及目标检测技术领域，尤其涉及一种三维点云检测识别方法、装置、电子设备及存储介质。

背景技术

列车的智能驾驶系统分为环境感知、行为决策、路径规划和导航控制几个环节，其中环境感知模块是自动驾驶系统的眼睛，通过采集环境信息对障碍物进行检测识别，判断前方区域是否能够正常通行。激光雷达通过主动发送激光打到物体表面并反射回来，获取行车环境的三维点云数据，由于其探测距离远、测距精度高、抗干扰能力强成为智能驾驶环境感知模块最重要的传感器之一。现有检测技术中，在铁路场景中，轨道和枕木不在同一水平面，造成栅格化方法分割轨道平面鲁棒性较差，并且，在弯道情况下，较小的感兴趣区域覆盖不到远距离的点云，而较大的感兴趣区域在又会引入不必要的点云数据，使得数据量增大，影响检测结果。

发明内容

有鉴于此，本公开的目的在于提出一种三维点云检测识别方法、装置、电子设备及存储介质。

基于上述目的，本公开提供了一种三维点云检测识别方法，包括：

获取激光雷达的第一点云数据；

对所述第一点云数据进行预处理，得到第二点云数据；其中，所述预处理包括：建立所述第一点云数据的动态感兴趣区域，同时对所述动态感兴趣区域内的所述第一点云数据进行降采样和滤波；

对所述第二点云数据依次进行分割和拟合，得到待检测点云；

对所述待检测点云进行聚类，得到点云簇；

对所述点云簇进行特征提取，得到所述点云簇中点云的特征向量；

通过预先训练的单类分类模型对所述特征向量进行分类识别，得到检测结果。

可选的，预处理具体包括：

根据预设的筛选范围对所述动态感兴趣区域内的所述第一点云数据进行筛选，得到第一中间点云；

通过三维体素网格对所述第一中间点云进行降采样，得到第二中间点云；

对所述第二中间点云进行统计滤波，去除所述第二中间点云中的离群点，得到所述第二点云数据。

可选的，所述筛选范围的长度为10～240。

可选的，通过栅格高度差法对所述第二点云数据进行分割，得到地面点云和非地面点云；

通过随机采样一致性算法去除所述地面点云并提取所述非地面点云，其中，所述非地面点云即为所述待检测点云。

可选的，使用基于密度的聚类算法，根据所述待检测点云的相似性将所述待检测点云划分为多个所述点云簇，其中，所述相似性为所述待检测点云之间的距离，当多个所述待检测点云之间的距离小于预设阈值时，将所述待检测点云划分为一簇。

可选的，所述特征向量包括：

点云的尺寸信息、点云的中心坐标、点云的密度信息、点云的强度信息以及点云法向信息；其中，所述尺寸信息包括：点云的长、宽和高。

可选的，通过所述分类模型对所述特征向量进行判断；其中，所述分类模型为支持向量数据描述；

若所述特征向量满足(z-a)^T(z-a)≤Rⁿ，则所述特征向量属于目标类别，所述特征向量对应的所述点云簇即为列车行进指示点，否则，所述特征向量不属于目标类别；其中，Z为特征向量，a为球体的中心，T为转置符号，Rⁿ为训练样本的特征向量。

可选的，单类分类模型的训练过程包括：

建立训练样本集；其中，所述训练样本集中的训练样本的信息包括：尺寸信息、中心坐标、密度信息、强度信息和法向信息；

通过非线性映射将所述训练样本集映射到特征空间，得到球体F(R,a,ξ_i)＝Rⁿ+C∑_iξ_i，其中，R为所述球体的半径，a为所述球体的中心，ξ_i为松弛变量，R_n为所述训练样本的特征向量，C为常数，∑_iξ_i为对ξ_i求和。

基于同一发明构思，本公开还提供了一种三维点云检测识别装置，包括：

获取模块，被配置为获取激光雷达的第一点云数据；

预处理模块，被配置为对所述第一点云数据进行预处理，得到第二点云数据；其中，所述预处理包括：建立所述第一点云数据的动态感兴趣区域，同时对所述动态感兴趣区域内的所述第一点云数据进行降采样和滤波；

分割模块，被配置为对所述第二点云数据依次进行分割和拟合，得到待检测点云；

聚类模块，被配置为对所述待检测点云进行聚类，得到点云簇；

提取模块，被配置为对所述点云簇进行特征提取，得到所述点云簇中点云的特征向量；

检测模块，被配置为通过预先训练的单类分类模型对所述特征向量进行分类识别，得到检测结果。

基于同一发明构思，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述的方法。

基于同一发明构思，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上任一所述方法。

从上面所述可以看出，本公开提供的三维点云检测识别方法、电子设备及存储介质，通过动态感兴趣区域、降采样和滤波进行预处理，可以在确保点云覆盖范围的前提下减少点云数量，降低数据预处理的复杂度，提高程序的运行效率，然后通过栅格高度差法和随机采样一致性算法对点云进行分割，去除地面点云，得到非地面点云，并将非地面点云作为待检测点云，最后根据提取到的点云簇的特征向量进行精确的计算，完成点云的检测和判断。可见本公开的点云检测识别方案，具有准确度高、数据处理效率高的优点，较好的实现对轨道车辆的安全行驶辅助。

附图说明

为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例的三维点云检测识别方法流程图；

图2为本公开实施例的三维点云识别方法流程框图；

图3为本公开实施例的三维点云检测识别装置示意图；

图4为本公开实施例的电子设备结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

如背景技术所述，现有技术在进行地面点云和非地面点云的分割过程中鲁棒性较差，而且，当感兴趣区域设置不恰当时，会使得数据量增大或减少，从而影响对数据的计算，最终影响计算结果。

针对于上述现有技术中存在的问题，本公开提供了一种三维点云检测方法。

以下，通过具体实施例来进一步说明本公开的方案。

首先，本公开实施例提供一种三维点云检测识别方法。参考图1，该三维点云检测识别方法，包括以下步骤：

步骤S101、获取激光雷达的第一点云数据。

当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息，若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成激光点云。该激光点云即本实施例中的所述的点云数据。本实施例中，第一点云数据即为通过列车车载的激光雷达扫描得到的轨道车辆运行前方区域对应饿激光点云。

其中，第一点云数据是基于三维直角坐标系得到的。

步骤S102、对所述第一点云数据进行预处理，得到第二点云数据；其中，所述预处理包括：建立所述第一点云数据的动态感兴趣区域，同时对所述动态感兴趣区域内的所述第一点云数据进行降采样和滤波。

本步骤中，根据预设的筛选范围对所述动态感兴趣区域内的所述第一点云数据进行筛选，得到第一中间点云；通过三维体素网格对所述第一中间点云进行降采样，得到第二中间点云；对所述第二中间点云进行统计滤波，去除所述第二中间点云中的离群点，得到所述第二点云数据。其中，在图像处理领域，感兴趣区域(region of interest简称ROI)是从图像中选择的一个图像区域，这个区域是进行图像分析所要关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定要处理的目标，可以减少处理时间，增加精度。

本实施例中，将感兴趣区域设置为动态的是因为较小的感兴趣区域不能覆盖到远距离的点云，而较大的动态感兴趣区域则会引入不必要的点云使得数据量增大，影响计算结果。而使用体素网格进行降采样，可以在确保点云覆盖范围的前提下减少点云数量，降低数据预处理的复杂度，提高程序的运行效率。

在本实施例中，通过动态感兴趣区域对点云强度进行筛选时，只将强度在10-240区间内的点云进行保留；筛选完成后再使用体素网格进行降采样，而降采样则可以降低数据传输率和数据的大小，然后，使用统计滤波去除离群点云，完成预处理。

本实施例中，预处理过程中，根据距离远近提出动态感兴趣区域的三维点云筛选方法，并通过体素网格对点云进行降采样，在确保点云覆盖范围的前提下减少点云数量，降低数据预处理的复杂度，提高程序的运行效率。

步骤S103、对所述第二点云数据依次进行分割和拟合，得到待检测点云。

对点云进行准确分割是目标检测的基础，预处理后的点云包含大量的地面点云需要对地面点云和非地面点云。本步骤中，通过栅格高度差法对所述第二点云数据进行分割，得到地面点云和非地面点云；通过随机采样一致性算法(Random Sample Consensus简称RANSAC)去除所述地面点云，同时提取所述非地面点云，并将所述非地面点云作为所述待检测点云。

在一些实施例中，在进行点云分割过程时，除了采用栅格高度差方法确定地面点云，也可以通过计算点云梯度、变化率进行替代，完成地面网格的划分。

步骤S104、对所述待检测点云进行聚类，得到点云簇。

本步骤中，使用基于密度的聚类算法(Density-Based Spatial Clustering ofApplications with Noise简称DBSCAN)，根据所述待检测点云的相似性将所述待检测点云划分为多个所述点云簇，使每一个点云簇具有独特的特征；其中，所述相似性为所述待检测点云之间的距离，当多个所述待检测点云之间的距离小于预设阈值时，将所述待检测点云划分为一簇。其中，所述阈值根据具体情况具体设置，可以为0.3m，也可以为0.2m或0.4m、0.5m，只要符合实际情况皆可，并且，距离阈值的设置根据点云的质量和要划分的场景进行设置。

在一些实施例中，有也可以使用最近邻算法(K-NearestNeighbor简称KNN)进行聚类，完成对目标点云的聚类。

步骤S105、对所述点云簇进行特征提取，得到所述点云簇中点云的特征向量。

本步骤中，对每一个点云簇都进行特征提取，得到特征向量，其中，特征向量用于描述目标点云，包括有：点云的尺寸信息、点云的中心坐标、点云的密度信息、点云的强度信息以及点云法向信息；其中，所述尺寸信息又包括：点云的长、宽和高。

在一些实施例中，参考图2，点云的特征提取又包括有：点云边界框计算、点云中心、密度计算、点云强度计算、点云法向特征计算。

步骤S106、通过预先训练的单类分类模型对所述特征向量进行分类识别，得到检测结果，完成障碍物检测。

本步骤中，通过所述分类模型对所述特征向量进行判断；其中，所述分类模型为超球体支持向量数据描述；若所述特征向量满足(z-a)^T(z-a)≤Rⁿ，则所述特征向量属于目标类别，所述特征向量对应的所述点云簇即为列车行进指示点；否则，所述特征向量不属于目标类别。其中，Z为特征向量，a为球体的中心，T为转置符号，Rⁿ为训练样本的特征向量。矩阵或向量的行和列相互转换，也就是行变成列，列变成行，称为转置。

本步骤中，分类模型使用支持向量数据描述(Support Vector Data Description简称SVDD)训练得到，支持向量数据描述也称为超球体支持向量描述，所述单类分类模型的训练过程包括：建立训练样本集；其中，所述训练样本集中的训练样本的信息包括：尺寸信息、中心坐标、密度信息、强度信息和法向信息；通过非线性映射将所述训练样本集映射到特征空间，得到球体F(R,a,ξ_i)＝Rⁿ+C∑_iξ_i，其中，R为所述球体的半径，a为所述球体的中心，ξ_i为松弛变量，Rⁿ为所述训练样本的特征向量，C为常数，∑_iξ_i为对ξ_i求和，其中，松弛变量ξ_i使得模型不会被个别计算数据干扰，保证了模型的鲁棒性。

在一些实施例中，目标检测过程除了采用单类分类算法进行类型识别，也可以通过判别分析等算法替代，完成目标类别划分。

由上述实施例可见，本公开的三维点云检测识别方法，设置动态感兴趣区域，并在区域内进行降采样和滤波，完成对点云数据的预处理。点云分割过程采用栅格化方法和和随机采样一致性算法相结合对轨道场景进行有效的点云分割获取待检测的目标点云。障碍物检测过程通过基于密度的聚类算法进行聚类得到点云簇，然后根据点云簇提取点云形状、点云密度、点云强度、点云法向等特征，然后建立单类分类模型支持向量数据描述，对待检测目标进行有效识别。可见，本公开的三维点云检测识别方法，具有准确度高数据处理效率快、数据运算量小的优点，能够较好的辅助列车的行驶，保证列车行驶过程中的安全性。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种三维点云检测识别装置。

参考图3，所述三维点云检测识别装置，包括：

获取模块S301，被配置为获取激光雷达的第一点云数据；

预处理模块S302，被配置为对所述第一点云数据进行预处理，得到第二点云数据；其中，所述预处理包括：建立所述第一点云数据的动态感兴趣区域，同时对所述动态感兴趣区域内的所述第一点云数据进行降采样和滤波；

分割模块S303，被配置为对所述第二点云数据依次进行分割和拟合，得到待检测点云；

聚类模块S304，被配置为对所述待检测点云进行聚类，得到点云簇；

提取模块S305，被配置为对所述点云簇进行特征提取，得到所述点云簇中点云的特征向量；

检测模块S306，被配置为通过预先训练的单类分类模型对所述特征向量进行分类识别，得到检测结果。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的三维点云检测识别方法。

图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的三维点云检测识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的三维点云检测识别方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的三维点云检测识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims

1.一种三维点云检测识别方法，包括：

获取激光雷达的第一点云数据；

对所述待检测点云进行聚类，得到点云簇；

2.根据权利要求1所述的方法，其中，所述预处理具体包括：

3.根据权利要求2所述的方法，其中，所述筛选范围的长度为10～240。

4.根据权利要求1所述的方法，其中，所述对所述第二点云数据依次进行分割和拟合，得到待检测点云，具体包括：

通过栅格高度差法对所述第二点云数据进行分割，得到地面点云和非地面点云；

5.根据权利要求1所述的方法，其中，所述对所述待检测点云进行聚类，得到点云簇，具体包括：

使用基于密度的聚类算法，根据所述待检测点云的相似性将所述待检测点云划分为多个所述点云簇，其中，所述相似性为所述待检测点云之间的距离，当多个所述待检测点云之间的距离小于预设阈值时，将所述待检测点云划分为一簇。

6.根据权利要求1所述的方法，其中，所述特征向量包括：

7.根据权利要求1所述的方法，其中，通过预先训练的单类分类模型对所述特征向量进行分类识别，得到检测结果，具体包括：

通过所述分类模型对所述特征向量进行判断；其中，所述分类模型为支持向量数据描述；

若所述特征向量满足(z-a)^T(z-a)≤Rⁿ，其中，Z为特征向量，a为球体的中心，T为转置符号，Rⁿ为训练样本的特征向量，则所述特征向量属于目标类别，所述特征向量对应的所述点云簇即为列车行进指示点；

否则，所述特征向量不属于目标类别。

8.根据权利要求7所述的方法，其中，所述单类分类模型的训练过程包括：

通过非线性映射将所述训练样本集映射到特征空间，得到球体F(R,a,ξ_i)＝Rⁿ+C∑_iξ_i，其中，R为所述球体的半径，a为所述球体的中心，ξ_i为松弛变量，Rⁿ为所述训练样本的特征向量，C为常数，∑_iξ_i为对ξ_i求和。

9.一种三维点云检测识别装置，包括：

获取模块，被配置为获取激光雷达的第一点云数据；

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。

11.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至8任一所述方法。