CN116228603B - 一种挂车周围障碍物的报警系统及装置 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及一种挂车周围障碍物的报警系统及装置，包括：获取所有点云数据对应的数据点，对所有数据点进行分类，获得所有类别以及所有类别的回波距离和投影平面，计算每个数据点的离群程度；通过LOF算法对所有数据点进行多次迭代，获得每次迭代的局部密度可达范围中每个数据点的异常值；获得第一噪声数据点和疑似数据点的异常值；进行曲面拟合，计算疑似数据点的噪声可能程度，获得第二噪声数据点；将所有噪声数据点对应的点云数据去除，实现对点云数据的去噪处理。本发明避免将正常数据点当作噪声数据点去除，使得噪声去除的结果更加的准确，使得对挂车周围障碍物的预警更加准确。

Description

一种挂车周围障碍物的报警系统及装置

技术领域

本发明涉及数据处理领域，具体涉及一种挂车周围障碍物的报警系统及装置。

背景技术

随着技术的发展，激光雷达在汽车工业的应用越来越广泛，从最初的雷达测距到L2级别辅助驾驶，直至目前发展到L4级别无人驾驶，都离不开激光雷达进行三维模型构建以及测距。因为挂车属于大型车辆，其驾驶视野盲区较多，除了需要司机具备熟练的驾驶技术外，辅助驾驶系统也是必不可少的。在车身周围布置激光雷达传感器，通过激光雷达测量与车身周围对象的距离、方向、特征等精确绘制出周围环境，帮助挂车司机进行周围环境的判断，提高行驶安全。但是激光雷达传感器应用于外部环境时，会受到具有诸如阳光、暗噪声等的多种类型的背景噪声影响，降低系统识别的准确性，因此对激光雷达采集的点云数据进行去噪处理是十分有必要的。

在现有技术中，认为点云噪声密度比较小，通过采用外点移除的方法去除点云噪声。但是传感器周围的降雨、扬尘、水雾等使激光雷达产生的点云噪声密度很大，在去除噪点的同时会将有效的点云信息也去除，使得在进行三维模型构建时导致模型不准确，从而导致障碍物识别精度降低。

发明内容

本发明提供一种挂车周围障碍物的报警系统及装置，以解决现有的问题。

本发明的一种挂车周围障碍物的报警系统采用如下技术方案：

本发明提供了一种挂车周围障碍物的报警系统，所述系统包括：

点云数据获取模块，获取点云数据，点云数据包含空间坐标和回波距离共三个维度；

噪声数据识别模块，将所有点云数据在三维直角坐标中形成的空间点记为数据点，对所有数据点进行分类，获得所有类别以及所有类别的回波距离和投影平面；根据数据点所属类别中的数据点的分布情况以及数据点周围的参考数据点的分布密集情况，计算每个数据点的离群程度；

通过LOF算法对所有数据点进行多次迭代，每次迭代获得一个局部密度可达范围，根据每个局部密度可达范围内的所有数据点的分布情况，对数据点的离群程度进行修正，获得每次迭代的局部密度可达范围中每个数据点的异常值；根据异常值将所有数据点划分为第一噪声数据点和疑似数据点，获得疑似数据点的异常值；

通过RANSAC算法对所有疑似数据点进行曲面拟合，得到多个不同的曲面，根据疑似数据点所在曲面的光滑程度、疑似数据点的局部光滑程度以及疑似数据点的异常值，计算疑似数据点的噪声可能程度；将噪声可能程度大于预设的阈值的疑似数据点作为第二噪声数据点；将所有第一噪声数据点和所有第二噪声数据点作为噪声数据点；

点云数据去噪模块，将所有噪声数据点对应的点云数据去除，实现对点云数据的去噪处理。

进一步地，所述对所有数据点进行分类，获得所有类别以及所有类别的回波距离和投影平面，包括的具体步骤如下：

将回波距离相等的若干个数据点划分为一个类别，将回波距离记为该类别的回波距离，将与激光发射器平行且到激光发射器的距离等于该类别的回波距离的平面记为该类别的投影平面。

进一步地，所述根据两个类簇计算目标像素点的候选类别的差异程度，包括的具体步骤如下：

将任意一个数据点记为目标数据点，获取到目标数据点的距离最小的预设数量个数据点，记为目标数据点的参考数据点；

目标数据点的离群程度的计算公式为：

式中，表示目标数据点的离群程度，表示目标数据点所属类别中的所有数据 点到该类别的投影平面的距离的最大值，表示目标数据点所属类别中的所有数据点到 该类别的投影平面的距离的最小值，表示目标数据点的第p个参考数据点与目标数据 点的距离，表示目标数据点到所属类别的投影平面的距离，F表示预设数量。

进一步地，所述获得每次迭代的局部密度可达范围中每个数据点的异常值，包括的具体步骤如下：

第个次迭代的局部密度可达范围中第i个数据点的异常值的计算公式为：

式中，表示第个次迭代的局部密度可达范围中第i个数据点的异常值，表示到第个次迭代的局部密度可达范围中第个数据点的距离的最大值，表示 第个次迭代的局部密度可达范围的密度，表示第个次迭代的局部密度可达范围中数据 点的个数，表示以自然常数为底的对数函数，表示第个次迭代的局部密度可 达范围中第个数据点的离群程度。

进一步地，所述根据异常值将所有数据点划分为第一噪声数据点和疑似数据点，获得疑似数据点的异常值，包括的具体步骤如下：

在多次迭代获得最终的密度可达范围的过程中，对于任意一个数据点，如果该数据点没有被划分到任意一次迭代的局部密度可达范围中，则将该数据点作为第一噪声数据点；否则，将该数据点作为疑似数据点，将疑似数据点第一次被划分到局部密度可达范围内时的异常值记为疑似数据点的异常值。

进一步地，所述计算疑似数据点的噪声可能程度，包括的具体步骤如下：

第j个疑似数据点的噪声可能程度的计算公式为：

式中，表示第j个疑似数据点的噪声可能程度，表示第j个疑似数据点的异 常值，表示第j个疑似数据点，表示第j个疑似数据点在第j个疑似数据点所在曲面 上的二阶微分，表示第j个疑似数据点所在曲面上的第t个数据点，表示第j个 疑似数据点所在曲面上的第t个数据点在第j个疑似数据点所在曲面上的二阶微分，表 示第j个疑似数据点所在曲面上的数据点的数量

本发明另外还提出一种挂车周围障碍物的报警装置，包括：数据处理器、测距感应器、控制器和报警器，数据处理器用于实现上述步骤；测距感应器用于根据去噪后的点云数据对障碍物进行三维物体建模，计算车身到障碍物的距离，当距离小于等于1米时，发送预警信号；控制器接收测距感应器的预警信号，并控制报警器进行报警；报警器发出报警声音。

本发明上述方法至少具有如下有益效果：本发明结合障碍物对应的点云数据的回波距离相近特征和空间坐标的连续性特征，对数据点进行分类，根据数据点所属类别中的数据点的分布情况以及数据点周围的参考数据点的分布密集情况获得每个数据点的离群程度；结合数据点在多个投影平面上的异常程度，对数据点在单个投影平面上的离群程度进行修正，获得数据点的异常值，根据异常值将所有数据点划分为第一噪声数据点和疑似数据点，针对空间中数据点的分布具有连续性，根据疑似数据点所在曲面的光滑程度、疑似数据点的局部光滑程度以及疑似数据点的异常值，计算疑似数据点的噪声可能程度，获得第二噪声数据点；将所有噪声数据点对应的点云数据去除，实现对点云数据的去噪处理。本发明的去噪方法能够避免将正常数据点当作噪声数据点去除，使得噪声去除的结果更加的准确，避免了通过激光雷达进行障碍物三维重建时，由于丢失有用的点云信息而影响对障碍物距离的判断的情况发生，使得对挂车周围障碍物的预警更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例提供的一种挂车周围障碍物的报警系统的系统框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种挂车周围障碍物的报警系统及装置，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种挂车周围障碍物的报警系统及装置的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种挂车周围障碍物的报警系统，该系统包括以下模块：

点云数据获取模块S101，用于获取车载激光雷达产生的点云数据。

需要说明的是，本发明的主要目的是为了对车载激光雷达产生的点云数据进行去噪处理，因此需要先获取点云数据。

在本实施例中，车载激光雷达通过雷达发射器发射光信号，光信号碰到障碍物后反射回接收器，以此测量雷达发射器到障碍物之间的距离；当接收器接收到反射回来的光信号后，接收器将光信号传输到中央处理器中进行信号数据处理，生成点云数据。

车载激光雷达获取的点云数据是一个三维数据，包含空间坐标以及回波距离，其中回波距离为雷达发射器到障碍物的直线距离，也即是欧式距离。

噪声数据识别模块S102，用于获得所有类别以及所有类别的回波距离和投影平面，获得所有数据点的离群程度，对数据点的离群程度进行修正，获得第一噪声数据点和疑似数据点的异常值，对数据点进行曲面拟合，根据曲面的光滑程度和疑似数据点的异常值，计算疑似数据点的噪声可能程度，获得所有噪声数据点。

需要说明的是，车载激光雷达在对周围障碍物进行扫描时，会受到周围的降雨、扬尘、水雾等各种因素影响，致使点云数据出现大量的噪声数据点。点云数据中的离群点是最典型的噪声数据点，离群点主要是指远离点云主体的稀疏点或小块点云，这类点云与主体点云基本没有关联，蕴含的信息也较少，但是对算法的干扰很大。其次，点云数据中的冗余点也是噪声数据点，冗余点主要指重复扫描同一区域产生的冗余数据，或者点云拼接后在重叠区域产生的密度较高的数据点，又或者对扫描区域边缘的对象的扫描不充分也会导致冗余点的出现，最后会因为点云数据分布密集导致部分点云数据点不能表现出原始的信息，形成噪声数据点。噪声数据点会降低障碍物报警系统的识别准确性，为了提高障碍物报警系统的识别准确性，需要对车载激光雷达产生的点云数据进行去噪处理。

1.获得所有类别以及所有类别的回波距离和投影平面。

需要说明的是，点云数据包括空间坐标和回波距离，任意一个障碍物到激光雷达发射器的距离固定，因此，障碍物的每个区域对应的多个点云数据的回波距离相等，多个区域对应的点云数据的回波距离相近但不相等，且由于障碍物表面的连续性，障碍物上的不同区域的点云数据的空间坐标具有较强的连续性，因此，如果回波距离相同的所有点云数据中，空间坐标存在差异的点云数据是噪声数据点的可能性较大；综上，本实施例先根据回波距离对点云数据进行分类。

在本实施例中，以激光发射器为原点，构建三维直角坐标系，其中，x轴和y轴表示空间坐标，z轴表示回波距离，将所有点云数据设置在三维直角坐标中，将所有点云数据在三维直角坐标中形成的空间点记为数据点。

将回波距离相等的若干个数据点划分为一个类别，将回波距离记为该类别的回波距离，将与激光发射器平行且到激光发射器的距离等于该类别的回波距离的平面记为该类别的投影平面；获得所有类别以及所有类别的回波距离和投影平面。

2.获得所有数据点的离群程度。

需要说明的是，同一个类别的数据点的回波距离相同，在对所有数据点进行分类时，相当于将所有数据点进行了离散化处理，使得每个数据点之间的空间距离增大，而空间距离增大的目的是为了突出噪声数据点。同一障碍物上的数据点在三维直角坐标系的空间中是连续的，而噪声数据点会改变同一障碍物上的数据点在空间上的连续性，因此对不同类别的数据点进行分析，判断可能出现的噪声点以及噪声点的影响程度。

进一步需要说明的是，在对每个类别的数据点进行分析时，判断每个数据点到该数据点所属类别的投影平面的距离，距离越大，说明该数据点与该数据点所属类别中的其他数据点的相关性越小，该数据点越可能是该类别的离群点，数据点周围的参考数据点的分布越离散，则该数据点越可能是离群点；因此根据数据点所属类别中的数据点的分布情况以及数据点周围的参考数据点的分布密集情况，计算每个数据点的离群程度。

在本实施例中，将任意一个数据点记为目标数据点，获取到目标数据点的距离最小的预设数量个数据点，记为目标数据点的参考数据点。

在本实施例中，预设数量F=10，在其他实施例中，实施人员可根据实际实施情况和经验设置预设数量F。

需要说明的是，在本实施例中，距离均为在三维直角坐标系中的欧式距离。

计算目标数据点的离群程度，目标数据点的离群程度的计算公式为：

式中，表示目标数据点的离群程度，表示目标数据点所属类别中的所有数据 点到该类别的投影平面的距离的最大值，表示目标数据点所属类别中的所有数据点到 该类别的投影平面的距离的最小值，表示目标数据点的第p个参考数据点与目标数据 点的距离，表示目标数据点到所属类别的投影平面的距离，F表示预设数量，即目标数据点 的参考数据点的数量。

获得所有数据点的离群程度，将所有数据点的离群程度进行线性归一化，后续数据点的离群程度均为归一化后的离群程度。

表示目标数据点的所有参考数据点与目标数据点的距离之和，该值越 小，目标数据点的聚集程度越大，则目标数据点的离群程度越小；表示目标 数据点所属类别中的所有数据点到该类别的投影平面的距离的最大值与最小值的差值，该 值越大，则目标数据点的离群程度越大；表示目标数据点到所属类别的投影平面的距离， 该值越大，目标数据点到投影平面的距离越远，说明目标数据点在空间中为噪点的可能程 度越大，和其他数据点分布在同一区域的可能程度越小，目标数据点的离群程度越大。

3.对数据点的离群程度进行修正，获得部分噪声数据点和疑似数据点的异常值。

需要说明的是，在获得数据点的异常程度时，是根据数据点所属类别中的所有数据点到该类别的投影平面的距离以及数据点的所有参考数据点与该数据点的距离之和进行数据点的异常程度的计算，因此，获得的异常程度只能反映数据点在单个投影平面上的离群程度，并不能反映数据点在空间上的离群程度；导致将某些离群数据点当成正常数据点，导致对点云数据进行去噪处理的结果不准确。

进一步需要说明的是，在对数据点进行分类时，是根据数据点的回波距离进行分类的，碍物的每个区域对应的多个点云数据的回波距离相等，多个区域对应的点云数据的回波距离相近但不相等，因此，同一个障碍物的所有点云数据对应的数据点会被划分到多个类别中，而且划分的多个类别的回波距离相近。导致同一个障碍物的所有数据点在回波距离相近的多个类别中，分布具有连续性。因此，根据数据点在多个投影平面上的异常程度，对数据点在单个投影平面上的离群程度进行修正，获得数据点的异常值。

在本实施例子中，因为在对离群点判断时，是根据相邻数据点之间的距离进行判断的，因此通过LOF算法来判断离群点的异常程度，设置LOF算法中的参数，即密度可达距离为2L，其中，L表示相邻两个投影平面对应的类别的回波距离的差值的最大值，LOF算法需要通过多次迭代获得最终的密度可达范围，每次迭代时都会获得一个局部的密度可达范围，每个密度可达范围一个以密度可达距离为半径的球性区域，包含相邻投影平面的上密度可达范围内的所有数据点，然后通过判断每个密度可达范围内的数据点之间关系来获得数据点的异常程度。其计算公式如下：

第个次迭代的局部密度可达范围中第i个数据点的异常值的计算公式为：

式中，表示第个次迭代的局部密度可达范围中第i个数据点的异常值，表示到第个次迭代的局部密度可达范围中第个数据点的距离的最大值，表示 第个次迭代的局部密度可达范围的密度，表示第个次迭代的局部密度可达范围中数据 点的个数，表示以自然常数为底的对数函数，表示第个次迭代的局部密度可 达范围中第个数据点的离群程度。

每一个密度可达范围内包含三个相邻的投影平面，在对密度可达范围内的数据点 进行分析时，当存在噪声点时表现为不同投影距离上的离群异常点，那么数据点在密度可 达范围内时，其距离密度可达范围内数据点的最远距离，就表示当前数据点的所处的位置， 因此，越大，说明该数据点在该密度可达范围内的异常程度越大，第个次迭代的 局部密度可达范围中第i个数据点的异常值越大；越大，密度可达范围的数据点 越多，说明在三维空间中此处的点云数据点越聚集，是目标物体上的真实数据点的可能程 度越大，是噪声数据点的可能程度越小，说明该数据点在该密度可达范围内的异常程度越 小，第个次迭代的局部密度可达范围中第i个数据点的异常值越小；越大，说明该 密度可达范围内的数据点越多，是目标物体上的真实数据点的可能程度越大，是噪声数据 点的可能程度越小，说明该数据点在该密度可达范围内的异常程度越小，第个次迭代的局 部密度可达范围中第i个数据点的异常值越小；越大，数据点的离群程度的离 群程度越大，是噪声数据点的可能程度越大，说明该数据点在该密度可达范围内的异常程 度越大，第个次迭代的局部密度可达范围中第i个数据点的异常值越大。

表示数据点在局部密度可达范围中的异常程度，每一个密度可 达范围内包含三个相邻的投影平面，因此，该值表示数据点在多个投影平面上的异常程度， 通过该值对数据点在单个投影平面上的离群程度进行修正。

在多次迭代获得最终的密度可达范围的过程中，对于任意一个数据点，如果该数据点没有被划分到任意一次迭代的局部密度可达范围中，则将该数据点作为第一噪声数据点；否则，将该数据点作为疑似数据点，将疑似数据点第一次被划分到局部密度可达范围内时的异常值记为疑似数据点的异常值。

根据不同投影平面上数据点的分布范围来对单个投影平面上的数据点的离群程度进行修正，多个投影平面间能够考虑到原始点云数据点的空间位置关系，避免了将离群异常数据点错误的判断为正常数据点，在根据不同数据点的异常值对点云数据进行去噪时，能够避免将正常数据点当作噪声点去除，使得噪声的去除更加的准确，避免了通过激光雷达进行障碍物三维重建时，丢失了有用的点云信息。

4.对数据点进行曲面拟合，根据曲面的光滑程度和疑似数据点的异常值，计算疑似数据点的噪声可能程度，获得所有噪声数据点。

需要说明的是，根据空间中点云数据的连续性特征获得部分噪声数据点和疑似数据点的异常值，如果空间中数据点的分布具有连续性，则表示这些数据点分布在同一个障碍物上，同时这些数据点会构成一个光滑的曲面，曲面上的数据点的特征相同，而不属于曲面的噪声数据点会改变原有的数据点的连续特征，因此，通过对数据点进行曲面拟合，根据曲面的光滑程度，计算疑似数据点的噪声可能程度。

通过RANSAC算法对所有疑似数据点进行曲面拟合，得到多个不同的曲面，RANSAC算法为现有公知技术，在此不再赘述。

根据通过每个曲面上疑似数据点的变化获得疑似数据点是噪声数据点的可能程度，第j个疑似数据点的噪声可能程度的计算公式为：

式中，表示第j个疑似数据点的噪声可能程度，表示第j个疑似数据点的 异常值，表示第j个疑似数据点，表示第j个疑似数据点在第j个疑似数据点所在 曲面上的二阶微分，表示第j个疑似数据点所在曲面上的第t个数据点，表示 第j个疑似数据点所在曲面上的第t个数据点在第j个疑似数据点所在曲面上的二阶微分，表示第j个疑似数据点所在曲面上的数据点的数量。二阶微分求解为现有公知技术，在 此不再赘述。

计算所有疑似数据点的噪声可能程度，将所有疑似数据点的噪声可能程度进行线性归一化，后续疑似数据点的噪声可能程度均为归一化后的噪声可能程度。

对于曲面上的疑似数据点，该疑似数据点在曲面上的二阶微分就表示曲面上该疑 似数据点处的光滑程度，因此，越小，则曲面上该疑似数据点处的光滑程度越大，说 明疑似数据点是噪声点的可能程度越小，疑似数据点的噪声可能程度越小；越 大，疑似数据点的异常值越大，该疑似数据点是噪声数据点的可能程度越大。

将噪声可能程度大于阈值的疑似数据点作为第二噪声数据点；将所有第一噪声数据点和所有第二噪声数据点作为噪声数据点。

在本实施例中，阈值为0.33，在其他实施例中，实施人员可根据实际实施情况和经验设置阈值。

点云数据去噪模块S103，根据可能程度对点云数据进行去噪。

将所有噪声数据点对应的点云数据去除，实现对点云数据的去噪处理，去噪后的点云数据能够清晰地表示障碍物的空间信息。

本发明实施例另外还提出一种挂车周围障碍物的报警装置，包括：数据处理器、测距感应器、控制器和报警器，数据处理器用于实现上述步骤；测距感应器用于根据去噪后的点云数据对障碍物进行三维物体建模，计算车身到障碍物的距离，当距离小于等于1米时，发送预警信号；控制器接收测距感应器的预警信号，并控制报警器进行报警；报警器发出报警声音。

本发明的系统包括点云数据获取模块、噪声数据识别模块、点云数据去噪模块。本发明结合障碍物对应的点云数据的回波距离相近特征和空间坐标的连续性特征，对数据点进行分类，根据数据点所属类别中的数据点的分布情况以及数据点周围的参考数据点的分布密集情况获得每个数据点的离群程度；结合数据点在多个投影平面上的异常程度，对数据点在单个投影平面上的离群程度进行修正，获得数据点的异常值，根据异常值将所有数据点划分为第一噪声数据点和疑似数据点，针对空间中数据点的分布具有连续性，根据疑似数据点所在曲面的光滑程度、疑似数据点的局部光滑程度以及疑似数据点的异常值，计算疑似数据点的噪声可能程度，获得第二噪声数据点；将所有噪声数据点对应的点云数据去除，实现对点云数据的去噪处理。本发明的去噪方法能够避免将正常数据点当作噪声数据点去除，使得噪声去除的结果更加的准确，避免了通过激光雷达进行障碍物三维重建时，由于丢失有用的点云信息而影响对障碍物距离的判断的情况发生，使得对挂车周围障碍物的预警更加准确。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。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。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (5)

1.一种挂车周围障碍物的报警系统，其特征在于，所述系统包括：

点云数据获取模块，获取点云数据，点云数据包含空间坐标和回波距离共三个维度；

噪声数据识别模块，将所有点云数据在三维直角坐标中形成的空间点记为数据点，对所有数据点进行分类，获得所有类别以及所有类别的回波距离和投影平面；根据数据点所属类别中的数据点的分布情况以及数据点周围的参考数据点的分布密集情况，计算每个数据点的离群程度；

通过LOF算法对所有数据点进行多次迭代，每次迭代获得一个局部密度可达范围，根据每个局部密度可达范围内的所有数据点的分布情况，对数据点的离群程度进行修正，获得每次迭代的局部密度可达范围中每个数据点的异常值；根据异常值将所有数据点划分为第一噪声数据点和疑似数据点，获得疑似数据点的异常值；

通过RANSAC算法对所有疑似数据点进行曲面拟合，得到多个不同的曲面，根据疑似数据点所在曲面的光滑程度、疑似数据点的局部光滑程度以及疑似数据点的异常值，计算疑似数据点的噪声可能程度；将噪声可能程度大于预设的阈值的疑似数据点作为第二噪声数据点；将所有第一噪声数据点和所有第二噪声数据点作为噪声数据点；

点云数据去噪模块，将所有噪声数据点对应的点云数据去除，实现对点云数据的去噪处理；所述对所有数据点进行分类，获得所有类别以及所有类别的回波距离和投影平面，包括的具体步骤如下：

将回波距离相等的若干个数据点划分为一个类别，将回波距离记为该类别的回波距离，将与激光发射器平行且到激光发射器的距离等于该类别的回波距离的平面记为该类别的投影平面；

所述根据两个类簇计算目标像素点的候选类别的差异程度，包括的具体步骤如下：

将任意一个数据点记为目标数据点，获取到目标数据点的距离最小的预设数量个数据点，记为目标数据点的参考数据点；

目标数据点的离群程度的计算公式为：

式中，表示目标数据点的离群程度，/>表示目标数据点所属类别中的所有数据点到该类别的投影平面的距离的最大值，/>表示目标数据点所属类别中的所有数据点到该类别的投影平面的距离的最小值，/>表示目标数据点的第p个参考数据点与目标数据点的距离，/>表示目标数据点到所属类别的投影平面的距离，F表示预设数量。

2.根据权利要求1所述的一种挂车周围障碍物的报警系统，其特征在于，所述获得每次迭代的局部密度可达范围中每个数据点的异常值，包括的具体步骤如下：

第个次迭代的局部密度可达范围中第i个数据点的异常值的计算公式为：

式中，表示第/>个次迭代的局部密度可达范围中第i个数据点的异常值，/>表示到第/>个次迭代的局部密度可达范围中第/>个数据点的距离的最大值，/>表示第/>个次迭代的局部密度可达范围的密度，/>表示第/>个次迭代的局部密度可达范围中数据点的个数，/>表示以自然常数为底的对数函数，/>表示第/>个次迭代的局部密度可达范围中第/>个数据点的离群程度。

3.根据权利要求1所述的一种挂车周围障碍物的报警系统，其特征在于，所述根据异常值将所有数据点划分为第一噪声数据点和疑似数据点，获得疑似数据点的异常值，包括的具体步骤如下：

在多次迭代获得最终的密度可达范围的过程中，对于任意一个数据点，如果该数据点没有被划分到任意一次迭代的局部密度可达范围中，则将该数据点作为第一噪声数据点；否则，将该数据点作为疑似数据点，将疑似数据点第一次被划分到局部密度可达范围内时的异常值记为疑似数据点的异常值。

4.根据权利要求1所述的一种挂车周围障碍物的报警系统，其特征在于，所述计算疑似数据点的噪声可能程度，包括的具体步骤如下：

第j个疑似数据点的噪声可能程度的计算公式为：

式中，表示第j个疑似数据点的噪声可能程度，/>表示第j个疑似数据点的异常值，/>表示第j个疑似数据点，/>表示第j个疑似数据点在第j个疑似数据点所在曲面上的二阶微分，/>表示第j个疑似数据点所在曲面上的第t个数据点，/>表示第j个疑似数据点所在曲面上的第t个数据点在第j个疑似数据点所在曲面上的二阶微分，/>表示第j个疑似数据点所在曲面上的数据点的数量。

5.一种挂车周围障碍物的报警装置，包括：数据处理器、测距感应器、控制器和报警器，其特征在于，所述数据处理器用于实现如权利要求1-4中任意一项所述的一种挂车周围障碍物的报警系统；所述测距感应器用于根据去噪后的点云数据对障碍物进行三维物体建模，计算车身到障碍物的距离，当距离小于等于1米时，发送预警信号；所述控制器接收测距感应器的预警信号，并控制报警器进行报警；所述报警器发出报警声音。