CN116052099A - 一种面向非结构化道路的小目标检测方法 - Google Patents

Abstract

本发明公开了一种面向非结构化道路的小目标检测方法，包括：输入原始点云数据，利用传感器安装参数信息，进行点云地面滤除，获取地面点云与非地面点云；利用地面点云与非地面点云分别构建地面点Map表和非地面点Map表，对非地面点云进行补全操作，网格聚类。在有点云占用的地面点Map表网格的垂直方向构建体素，PCA分析；根据PCA分析结果，对包含障碍物的网格添加邻域信息；遍历障碍物，利用其邻域包含的信息进行邻域的平滑程度分析，若为地面特性邻域，则认定该障碍物为真实障碍物；对认定的真实障碍物进行跟踪，实现障碍物的稳定检测，得到最终的小目标检测结果。该方法能够显著提高非结构化道路上小型目标的检测精度，提升非结构化道路的作业效率。

Description

一种面向非结构化道路的小目标检测方法

技术领域

本发明涉及自动驾驶，PCA主成分数据分析，Lidar目标检测，车辆环境感知等领域，具体是一种为应对非结构道路扬尘场景下的利用PCA主成分数据分析，邻域分析的点云小目标检测算法。

背景技术

根据无人驾驶车辆的工作环境，将无人驾驶作业道路分为结构化道路和非结构化道路，相比结构化道路，非结构化道路情况复杂多变，具有不规则性特点，如采石场、矿区等场景。非结构化道路环境恶劣，相比于相机、毫米波雷达而言，激光雷达有着探测距离远，丰富的三维信息，且不受光照影响等特点，其能够为环境恶劣的非结构化道路感知提供强有力的支撑。

传统算法点云目标检测领域，检测流程概括为原始点云输入，地面滤除，非地面点聚类，针对非地面点云构建boundingbox，进而输出障碍物过程。在人工智能领域，三维物体检测受到学者的关注，由于点云的稀疏性与距离有关，深度学习小目标检测通常借助图像深度学习进行检测，2016年，MVCNN利用物体的三维数据从不同的“视角”所得到的二维渲染图作为原始的训练数据。用经典的图像卷积网络进行训练，训练出的模型，对三维物体的识别、分类效果甚至比使用三维数据直接训练出的模型更精确。这是点云间接处理的另一种途径。然而，点云的投影会造成精度的损失，误差进入网络可能造成无法预测的结果。F-PointNets论文中利用成熟的2D图像检测结果，进行锥形投影，提高小目标的检测性能，相比于单独依赖于3D候选区域，其利用预训练的2D目标检测器以及3D深度学习检测网络来进行目标局部化，达到小目标高效检测和高召回率目的。

非结构化道路有着环境恶劣，易受环境影响的特性，使得非结构化道路的小目标检测不准确。传统算法使用地面滤除，聚类，构建boundingbox流程，这使得地面上扬起的高度较低的扬尘将会被当做小目标进行检测，造成感知误检，引发安全问题。人工智能领域，由于小目标对损失函数的贡献较小，导致深度学习检测对小目标的精准度底。为推进非结构化道路无人驾驶技术落地，急需一种高效的小目标检测算法出现。

发明内容

本发明提出了一种基于点云体素化表征，使用PCA进行邻域分析以应对非结构化道路场景下，小目标检测易受扬尘影响的问题，提高非结构化道路作业的效率。

为克服深度学习点云目标检测的弊端，例如，检测结果过度依赖于数据集，耗时长问题，同时利用传统算法的检测优势。本发明提供了一种基于单激光雷达通过PCA主成分分析，邻域分析，点云体素化数据表征实现小目标稳定检测的算法，能够显著提高非结构化道路如采石场、矿区等非结构化道路作业的工作效率。其中，PCA主成分分析能够刻画点云的平滑特性；邻域分析将小目标的环境信息进行关联；体素化数据表征提高了检测速度，同时为PCA数据分析提供容器基础。具体地：

(1)体素化数据表征

目标检测以点云数据表征作为基础。常见的点云表示方法通常分为三类，基于原始点的点云表示方法；将点云进行体素表征，进而进行特征提取方法；将原始点云进行图像投影，然后基于图像进行目标检测方法，该方法在深度学习检测上较多应用。有效的数据表征方法能够提高点云目标检测的精度和效率。基于点的表示方法能够描述丰富的三维空间位置关系，但算法耗时较长。依据投影的点云表示方法在深度学习目标检测上应用较广，但其对点云空间信息有较大的损失。本发明采用的体素的点云表示方法集合了点表示法与点云投影表示法，兼顾了速度与精度。

(2)目标跟踪技术

跟踪算法是提高无人驾驶安全性，可靠性的重要方法之一。可以分为基于特征匹配的目标跟踪；基于区域的目标跟踪；基于模板的跟踪；基于动态边界的跟踪。基于特征匹配的目标跟踪提取目标特征，如轮廓、角点等，并在连续帧中匹配实现跟踪。基于区域的目标跟踪将目标进行区域划分，并对划分区域进行帧间匹配。基于模板的跟踪，使用预先建立的模型库，将当前帧与数据库做匹配，实现跟踪。基于动态边界的跟踪利用封闭的活动曲线自适应表示运动目标，计算量小，灵活性强。为提高无人驾驶的感知可靠性，提高无人驾驶安全性，需要对无人驾驶感知结果进行跟踪，使用历史信息关联，能够解决感知的漏检与误检问题。具体到本发明中，在通过邻域分析进行真实障碍物判断的基础上，进一步采用基于特征匹配的目标跟踪算法，将当前帧与上一帧的障碍物检测列表匹配，筛选得到最终的检测结果，有效减少了小目标的误检测，提高了检测精度。

(3)PCA穿透特性

主成分分析意义主要包括：数据降维、超平面拟合，在统计学中，PCA主成分分析是一种数据简化技术，其通过线性变换，将数据在不同的基底下进行表示，根据数据在新坐标轴投影的大小，划分主成分。PCA主成分分析能够实现降维，同时最大程度保留有效信息。在数学上，PCA常用作超平面拟合，特征向量能够刻画超平面法向量方向。同时特征值大小能够衡量数据的空间特性。

本发明采用如下技术方案：

一种面向非结构化道路的小目标检测方法，包括以下步骤：

S1：输入原始点云数据，利用传感器安装参数信息，进行点云地面滤除，获取地面点云与非地面点云；

S2：利用地面点云与非地面点云分别构建地面点Map表和非地面点Map表，根据地面点Map表和非地面点Map表的占用网格信息对非地面点云进行补全操作，在有点云占用的地面点Map表的网格的垂直方向构建体素；

对补全后的非地面点Map表进行网格聚类，将包含障碍物的网格聚集为一类；

对地面点Map表中的每一个体素内部的点云进行PCA分析，得到体素的类别；

S3：根据PCA分析结果，对包含障碍物的网格添加邻域信息；

遍历障碍物，利用其邻域信息进行邻域的平滑程度分析，若为地面特性邻域，则认定为真实障碍物；若为扬尘特性邻域，则认定为扬尘；

对认定的真实障碍物进行跟踪，实现障碍物的稳定检测，得到最终的小目标检测结果。

进一步，所述步骤S1具体为：输入原始点云，获取激光雷达的实际安装参数，包括激光雷达的安装角度与安装高度，通过安装参数实现对点云的校准，同时根据地面的高度信息，将原始点云区分为地面点与非地面点。

进一步，所述步骤S2包括以下子步骤：

S2-1，根据S1步骤所得到的地面点云与非地面点云进行Map表构建，包括：非地面点Map表，用于表示障碍物的分布情况；地面点Map表，由地面点构建生成；

所述Map表为xoy面上均匀分隔的网格，对网格进行标注，用于表示此处是否有点云占用；

S2-2，根据地面点Map表占用网格信息与非地面点Map表占用网格信息，求取交集，对既有地面点与非地面点的交集网格进行补全非地面点操作；

S2-3，根据S2-1步骤形成的地面点Map表中，在有点云占用的网格的垂直方向上构建体素；

S2-4，根据步骤2-2得到的补全后的非地面点Map表占用网格信息，在非地面点Map表中进行网格聚类：使用非地面点Map表的网格占用临近信息进行聚类，使得包含障碍物的网格能够聚集为一类，得到用网格坐标表示的聚类结果；

S2-5，对步骤2-3构建的地面点Map表中的每一个体素内部的点云进行PCA分析，得到体素的类别：扬尘特性或地面特性。

进一步，所述步骤S2-5具体为：

(1)对任一体素，获取得到n个点云点，对n个离散点进行去中心化，并求解其协方差矩阵：

设n个数据为

其中，(x_n y_n z_n)为第n个点云点的坐标；

求各个方向上的均值

去中心化后的结果为

构建协方差矩阵

(2)对协方差矩阵C进行奇异值分解，其特征值为λ₁、λ₂、λ₃，λ₁为最小特征值，δ＝λ₁/(λ₁+λ₂+λ₃)为整个体素的离散特性刻画值，如果体素呈现地面特性，δ趋于0，相反如果体素点云点呈现离散、穿透的扬尘特性，δ趋于1/3。

进一步，所述步骤S3包括以下子步骤：

S3-1，根据地面点云Map表垂直方向体素的地面特性与扬尘特性占比，对其对应的网格进行类别分析，作为网格的背景信息：若地面特性占比高于扬尘特性，则网格表现为地面，否则表现为扬尘；

S3-2，根据非地面点Map表的聚类结果，进行障碍物的邻域扩展，针对每一个障碍物，根据其对应的地面点云Map表背景信息，为障碍物添加邻域信息；

S3-3，遍历障碍物，利用障碍物的邻域信息对其进行邻域分析，如果障碍物邻域存在大量蓬松、空间分布离散的网格，即表明此障碍物大概率为扬尘引发的误检测，如果障碍物邻域均呈现平滑特性，即表明此障碍物为真实障碍物；

S3-4，根据检测出的障碍物在Map表中的坐标，构建障碍物列表，障碍物列表为包含以障碍物坐标为元素的集合：一个为当前帧障碍物列表，一个为上一帧障碍物列表；对于当前帧的障碍物列表，将其与上一帧的障碍物检测列表匹配，如果当前帧的障碍物在历史中出现，则进行小目标输出；如果未出现，则统计其出现次数，以此减少障碍物的误检测；

S3-5，根据最终的非地面点Map信息，将对应网格的点云点进行整体点类别赋值，得到非结构化道路的已克服扬尘问题的小目标检测结果。

本发明与现有技术相比所具有的有益效果：

1.本发明中，根据原始点云数据构建全局的Map表，在Map表的垂直方向构建体素，使用体素作为点云的表征形式，使得感知算法能够平衡精度与速度。立方体形态的体素为PCA特征值归一化提供了支撑，使算法能够更好的刻画邻域的平滑特性，同时将体素的结果进行投影，在2维的Map表中实现障碍物跟踪，保证小目标检测的稳定性，以应对非结构化道路下多变的物理环境。

2.使用PCA数据分析刻画扬尘点云的穿透特性以及地面点云的平滑特性。利用体素的表示方法，PCA数据分析方法能够有效的刻画点云的空间分布特性，是非结构化道路小目标检测的有效保障。使用PCA方法，对点云数据进行奇异值分解，根据特征值的大小，达到描述点云杂乱程度的目的，这是离散程度表示的一种新的表示方法。

3.本发明针对非结构化道路小目标检测难题：基于传统算法，通过去地面，点云聚类算法获取小目标易受扬尘影响的问题。本发明提出基于Map表实现障碍物邻域分析算法，Map表邻域分析法对小目标的邻域使用PCA主成分分析刻画障碍物邻域的平滑程度，由于扬尘小障碍物和真实小障碍物邻域有着较大的区别，使用邻域分析方法能够有效提高小目标的检测精度。

附图说明

图1算法流程图；

图2Map表示意图；

图3Map表与体素示意图；

图4PCA分析示意图；

图5邻域分析示意图。

具体实施方式

下面结合附图，对本发明做进一步说明。

一种面向非结构化道路的小目标检测方法，如图1所示，包括以下步骤：

S1:输入原始点云数据，利用传感器安装参数信息，进行点云地面滤除，获取地面点云与非地面点云。

S2:利用前处理结果输出的地面点云与非地面点云进行Map表构建，根据地面点Map表和非地面点Map表的占用网格信息对非地面点云进行补全操作，在有点云占用的地面点Map表的网格的垂直方向构建体素，接着进行网格聚类，PCA分析。

S3:根据PCA邻域离散程度分析结果，进行障碍物邻域的遍历。针对每一个障碍物进行邻域的平滑程度分析，区分地面特性邻域与扬尘特性邻域，采用跟踪算法提高小障碍物的检测稳定性。

进一步的，所属步骤S1具体为：

输入原始点云，获取激光雷达的实际安装参数，包括激光雷达的安装角度与安装高度，通过安装参数实现对点云的校准，同时根据地面的高度信息，将原始点云区分为地面点与非地面点，非地面点云中包含常规障碍物，如车辆、行人、小障碍物、扬尘等。本算法核心为提高小障碍物的检测精确性，减少扬尘导致的小目标误检测。其中，所述小障碍物在本实例中为小于等于30cm*30cm*30cm的障碍物。

进一步的，所属步骤S2包括以下子步骤：

S2-1:根据S1步骤所得到的地面点云与非地面点云进行Map表构建，Map表为xoy面上均匀分隔的大小为0.3m*0.3m的网格，如图2所示。其中网格中的数字，表示此处是否有点云，0表示此处网格点云为空，1表示该网格垂直方向上有点云占用。Map表分为两个类别，一类为非地面点Map表，表示障碍物的分布情况，另一类为地面点Map表，其由地面点构建生成。

S2-2:地面滤除算法按照地面高度进行直通滤波，这会造成障碍物点云的缺失，在小目标检测上降低目标检测的性能，所以在此处进行非地面点补全操作，具体操作为，根据地面点Map表占用网格信息与非地面点Map表占用网格信息，求取交集，对既有地面点与非地面点的交集网格进行补全非地面点操作，增加目标空间信息，提高小目标的检测精度。

S2-3:根据S2-1步骤形成的地面点Map表中，在有点云占用的网格的垂直方向上构建体素，体素的大小为0.3m*0.3m*0.3m的立方体，如图3所示，体素的使用为PCA点云离散程度分析创造了条件。

S2-4:根据步骤2-2得到的补全后的非地面点Map表占用网格信息，在非地面点Map表中，进行网格聚类，聚类的具体过程为，使用非地面点Map表的网格占用临近信息进行聚类，使得包含障碍物的网格能够聚集为一类，得到用网格坐标表示的聚类物体结果。

S2-5:对步骤2-3构建的地面点Map表中的每一个体素内部的点云进行PCA分析，区分体素的类别。分析的步骤如下。由于点云由孤立点构成，使用PCA估计点云体素的分布特性，对体素的n个点进行PCA分析，得到每个体素的类别，即扬尘特性或地面特性，如图4所示。

(1)对任一体素，获取得到n个点云点。对n个离散点进行去中心化，并求解其协方差矩阵：

设n个数据为

其中，(x_n y_n z_n)为第n个点云点的坐标；

求各个方向上的均值

去中心化后的结果为

构建协方差矩阵

(2)对协方差矩阵C进行奇异值分解，其特征值为λ₁、λ₂、λ₃。λ₁为最小特征值，δ＝λ₁/(λ₁+λ₂+λ₃)为整个体素的离散特性刻画值，如果体素呈现地面特性，δ趋于0，相反如果体素点云点呈现离散、穿透的扬尘特性，δ趋于1/3。

进一步的，所属步骤S3包括以下子步骤：

S3-1:由于体素是在地面点云Map表上的垂直方向做的切割，如图3所示。利用步骤S2-5的各体素的PCA分析结果，根据Map表垂直方向体素的地面特性与扬尘特性占比对其对应的网格进行类别分析，此处对地面点体素信息进行垂直Map表投影，以便于障碍物的邻域分析。

具体地，每一个竖直的网格方向上，会构建多个体素，通过多个体素，来确定该网格是扬尘网格，还是地面网格：体素通过PCA进行分析，分析结果包括两类，一类是地面特性，一类是扬尘特性；竖直方向上如果扬尘体素多，则投影后，网格表现为扬尘，相反，表现为地面。此时，S3-1形成的网格带有了语义信息，作为背景信息，给予S3-2使用。

S3-2:根据非地面点Map表的聚类结果，进行障碍物的邻域扩展，针对每一个障碍物，根据其对应的地面点云Map表背景信息，为障碍物添加邻域信息。如图5所示。其中1，表示此处为障碍物占用，周围灰色为其邻域，邻域信息通过地面点Map表获得。

S3-3:遍历障碍物，利用障碍物的邻域信息对其进行邻域分析，如果障碍物的邻域网格存在大量蓬松，空间分布离散的网格(例如超过80％的邻域网格)，即表明此障碍物大概率为扬尘引发的误检测，如果障碍物邻域均呈现平滑特性，即表明此障碍物为真实障碍物，对其进行跟踪实现障碍物的稳定检测。

S3-4:根据检测出的障碍物在Map表中的坐标，构建障碍物列表，障碍物列表为包含以障碍物坐标为元素的集合。跟踪算法使用两个障碍物列表，一个为当前帧障碍物列表，一个为上一帧障碍物列表。根据障碍物列表的对应关系，提高障碍物的检测精度与可靠性，对于当前帧的障碍物列表，将其与上一帧的障碍物检测列表匹配，如果当前帧的障碍物在历史中出现，则进行小目标输出。如果未出现，则统计其出现次数，以此减少障碍物的误检测。

S3-5:根据最终的非地面点Map信息，将对应网格的点云点进行整体点类别赋值，得到非结构化道路的已克服扬尘问题的小目标检测结果。

以上所述仅为本发明的具体实施方式，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种面向非结构化道路的小目标检测方法，其特征在于，包括以下步骤：

S1：输入原始点云数据，利用传感器安装参数信息，进行点云地面滤除，获取地面点云与非地面点云；

S2：利用地面点云与非地面点云分别构建地面点Map表和非地面点Map表，根据地面点Map表和非地面点Map表的占用网格信息对非地面点云进行补全操作，在有点云占用的地面点Map表的网格的垂直方向构建体素；

对补全后的非地面点Map表进行网格聚类，将包含障碍物的网格聚集为一类；

对地面点Map表中的每一个体素内部的点云进行PCA分析，得到体素的类别；

S3：根据PCA分析结果，对包含障碍物的网格添加邻域信息；

遍历障碍物，利用其邻域信息进行邻域的平滑程度分析，若为地面特性邻域，则认定为真实障碍物；若为扬尘特性邻域，则认定为扬尘；

对认定的真实障碍物进行跟踪，实现障碍物的稳定检测，得到最终的小目标检测结果。

2.根据权利要求1所述的面向非结构化道路的小目标检测方法，其特征在于，所述步骤S1具体为：输入原始点云，获取激光雷达的实际安装参数，包括激光雷达的安装角度与安装高度，通过安装参数实现对点云的校准，同时根据地面的高度信息，将原始点云区分为地面点与非地面点。

3.根据权利要求2所述的面向非结构化道路的小目标检测方法，其特征在于，所述步骤S2包括以下子步骤：

S2-1，根据S1步骤所得到的地面点云与非地面点云进行Map表构建，包括：非地面点Map表，用于表示障碍物的分布情况；地面点Map表，由地面点构建生成；

所述Map表为xoy面上均匀分隔的网格，对网格进行标注，用于表示此处是否有点云占用；

S2-2，根据地面点Map表占用网格信息与非地面点Map表占用网格信息，求取交集，对既有地面点与非地面点的交集网格进行补全非地面点操作；

S2-3，根据S2-1步骤形成的地面点Map表中，在有点云占用的网格的垂直方向上构建体素；

S2-4，根据步骤2-2得到的补全后的非地面点Map表占用网格信息，在非地面点Map表中进行网格聚类：使用非地面点Map表的网格占用临近信息进行聚类，使得包含障碍物的网格能够聚集为一类，得到用网格坐标表示的聚类结果；

S2-5，对步骤2-3构建的地面点Map表中的每一个体素内部的点云进行PCA分析，得到体素的类别：扬尘特性或地面特性。

4.根据权利要求3所述的面向非结构化道路的小目标检测方法，其特征在于，所述步骤S2-5具体为：

(1)对任一体素，获取得到n个点云点，对n个离散点进行去中心化，并求解其协方差矩阵：

设n个数据为

其中，(x_n y_n z_n)为第n个点云点的坐标；

求各个方向上的均值

去中心化后的结果为

构建协方差矩阵

(2)对协方差矩阵C进行奇异值分解，其特征值为λ₁、λ₂、λ₃，λ₁为最小特征值，δ＝λ₁/(λ₁+λ₂+λ₃)为整个体素的离散特性刻画值，如果体素呈现地面特性，δ趋于0，相反如果体素点云点呈现离散、穿透的扬尘特性，δ趋于1/3。

5.根据权利要求4所述的面向非结构化道路的小目标检测方法，其特征在于，所述步骤S3包括以下子步骤：

S3-1，根据地面点云Map表垂直方向体素的地面特性与扬尘特性占比，对其对应的网格进行类别分析，作为网格的背景信息：若地面特性占比高于扬尘特性，则网格表现为地面，否则表现为扬尘；

S3-2，根据非地面点Map表的聚类结果，进行障碍物的邻域扩展，针对每一个障碍物，根据其对应的地面点云Map表背景信息，为障碍物添加邻域信息；

S3-3，遍历障碍物，利用障碍物的邻域信息对其进行邻域分析，如果障碍物邻域存在大量蓬松、空间分布离散的网格，即表明此障碍物大概率为扬尘引发的误检测，如果障碍物邻域均呈现平滑特性，即表明此障碍物为真实障碍物；

S3-4，根据检测出的障碍物在Map表中的坐标，构建障碍物列表，障碍物列表为包含以障碍物坐标为元素的集合：一个为当前帧障碍物列表，一个为上一帧障碍物列表；对于当前帧的障碍物列表，将其与上一帧的障碍物检测列表匹配，如果当前帧的障碍物在历史中出现，则进行小目标输出；如果未出现，则统计其出现次数，以此减少障碍物的误检测；

S3-5，根据最终的非地面点Map信息，将对应网格的点云点进行整体点类别赋值，得到非结构化道路的已克服扬尘问题的小目标检测结果。

Images