CN116310607A - 一种基于聚类分割原理的无人船三维点云处理方法 - Google Patents
一种基于聚类分割原理的无人船三维点云处理方法 Download PDFInfo
- Publication number
- CN116310607A CN116310607A CN202310090144.XA CN202310090144A CN116310607A CN 116310607 A CN116310607 A CN 116310607A CN 202310090144 A CN202310090144 A CN 202310090144A CN 116310607 A CN116310607 A CN 116310607A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- filtering
- target
- coordinate system
- coordinates
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 41
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 133
- 238000000034 method Methods 0.000 claims description 62
- 238000002310 reflectometry Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 230000000877 morphologic effect Effects 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 6
- 206010034719 Personality change Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Abstract
本发明公开了一种基于聚类分割原理的无人船三维点云处理方法，首先进行原始数据采集与解析，获取激光雷达原始点云数据，并解析得到每个激光反射点的距离和反射率。其次进行点云姿态修正、点云数据预处理以及特征聚类分割，形成多个点云簇。然后进行目标提取，得到目标列表及目标相关信息。最后进行目标坐标转换，将获取的目标相对位置转化为世界坐标系下的绝对经纬度坐标。本发明消除船体姿态变化对点云反馈结果的影响，提高目标探测稳定性，并且在显著减少点云团容量降低计算量的同时，尽可能的保留障碍物轮廓信息和特征点云，极大的提高了目标提取的运算效率。
Description
技术领域
本发明属于激光雷达感知识别处理领域，特别涉及一种基于聚类分割原理的无人船三维点云处理方法。
背景技术
激光雷达，是以发射激光束探测目标的位置、速度等特征量的雷达系统。其工作原理是向目标发射探测信号(激光束)，然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较，作适当处理后，就可获得目标的有关信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数，从而对目标进行探测、跟踪和识别。它由激光发射机、光学接收机、转台和信息处理系统等组成，激光器将电脉冲变成光脉冲发射出去，光接收机再把从目标反射回来的光脉冲还原成电脉冲，计算目标的反射率以及距离，从而绘制三维点云数据。激光雷达在无人驾驶技术中有着不可替代的作用，激光雷达凭借实时性和高精度的特点一度成为了无人驾驶环境感知算法中最重要的传感器之一，并且在车辆无人驾驶技术中得到了广泛应用和认可。
无人船是近些年兴起的新型方向，海上特殊的工作环境致使无人船对环境感知、自主航行和决策规划都有较高的要求，无人船在海上航行时主要依靠的环境感知传感器为激光雷达、毫米波雷达和导航雷达，其中局部静态/动态避障主要依靠激光雷达和毫米波雷达完成近距离感知和识别，由于船体航行的剧烈姿态变化，会对激光束的角度计算产生极大影响，导致坐标系偏差和目标位置感知错误，因此需要惯性组件辅助修正船体的姿态，将点云数据从船体坐标系映射到地理绝对坐标系中，稳定还原无人船周围实时环境。
综上所述，需要一种适用于无人船工作环境的激光点云处理方法，能够从剧烈变化的姿态坐标系和复杂环境中还原实物的分布特征，通过姿态修正、点云滤波、特征聚类分割、目标提取、坐标修正等过程，精准辨识无人船航行环境中的动静障碍物分布及其特征，为进一步的航迹规划和避障过程提供感知数据输入。
发明内容
本发明主要目的在于提供一种基于聚类分割原理的无人船三维点云处理方法，以克服现有技术中的上述缺陷。
一种无人船三维点云处理方法，具体包含以下步骤：
步骤100：原始数据采集与解析：获取激光雷达原始点云数据，并解析得到每个激光反射点的距离和反射率。
步骤200：点云姿态修正：依靠惯性组件获取无人船载体平台的姿态数据，对点云数据进行实时姿态修正。
步骤300：点云数据预处理：预处理过程包括水面波浪处理、阈值滤波、空间滤波、点云分布统计、自适应体素滤波和半径滤波等。
步骤400：特征聚类分割：对预处理后的点云数据进行特征聚类分割，采用欧氏聚类算法，将有相关性的点云数据聚类分离，形成多个点云簇。
步骤500：目标提取：识别分析聚类后的点云簇形态特征，得到目标列表及目标相关信息，包括笛卡尔坐标系下的相对坐标、尺寸、外形轮廓和高度等信息。
步骤600：目标坐标转换：依靠定位和定向组件获取船体当前位置和航行方向，将步骤500中获取的目标相对坐标转化为世界坐标系下的绝对经纬度坐标。
进一步地，步骤200点云姿态修正具体过程如下：
首先定义世界坐标系下的点云位置P0＝[x0y0z0]T，载体坐标系下的点云位置P＝[xyz]T；按照从世界坐标系变换到船体坐标系的过程，可按以下顺序做旋转：绕X0轴旋转roll→绕Y0轴旋转pitch→绕Z0轴旋转yaw，那么从载体坐标系到世界坐标系的X、Y、Z三个坐标轴旋转矩阵按如下方式定义：
由上得到的载体坐标系到世界坐标系间的旋转矩阵为：
由于点云姿态修正时只需要计算反馈点云相对无人船的相对位置，绝对坐标系位置可在最终形成目标后再转换，因此点云姿态修正时不考虑航向变化的影响，得到：
带入P0＝[x0y0z0]T和P＝[xyz]T可得：
即：
由上述公式可将点云回波坐标从载体坐标系转换映射到世界坐标系上，消除船体波动对目标检测和跟踪的影响。
进一步地，步骤300预处理滤波具体过程如下：
定义滤除函数f(x,y,z,e)，其中(x,y,z)代表点云空间坐标，e代表点云反射率，滤除函数f(x,y,z,e)输出结果值1代表滤除该点云，0代表保留该点云。
(1)水面波浪处理：包括水面反射滤除和波浪反射滤除，水面反射滤除是指滤除海面镜面对激光雷达的反射信号，本发明采取直接法给予滤除，以点云姿态修正后的点云数据为输入，结合船体吃水深度和航行速度，确定水平面的具体高度zw，然后在空间上扩展一定尺寸给予滤除，滤除函数fw(x,y,z,e)满足下式：
其中，∨为或运算。
波浪反射滤除是指滤除船体高速航行时在船体两侧和尾部形成的波浪，一般采用直接滤除法进行处理，对于常见高速无人船线型来说，定义船体长度为L，航速为V，单个点云平面极坐标角度为θ，船头方向为平面坐标系Y轴，船右舷方向为平面坐标系X轴，所滤除的平面范围滤除函数fb(x,y,z,e)满足下式：
fb(x,y,z,e)＝f1(x,y,z,e)∨f2(x,y,z,e)
(2)阈值滤波：设置反射率阈值滤除白噪声信号和阳光噪点干扰信号，以0-255反射率范围为例，反射率阈值设置为10即可有效滤除空间中的白噪声信号和阳光噪点干扰信号，并且不会对障碍物反射信息造成影响，滤除函数fl(x,y,z,e)满足下式：
(3)空间滤波：以上述处理过程后的点云数据为输入，结合船体尺寸和吃水深度，设置空间滤波的上限ZH和下限ZL，超出该范围的点云数据均被滤除，滤除函数fs(x,y,z,e)满足下式：
(4)自适应体素滤波：常规体素滤波无法区分高反射率点云和低反射率点云，导致整体密度同步降低，无法达到突出高反射率障碍物特征的效果，而且由于网格尺寸参数固定，针对不同的点云分布环境，滤除效果无法保证一致，可能会出现滤除过度或者滤除效果不好的情况。针对上述问题，本发明提出了自适应体素滤波算法，首先将原始点云根据反射率不同分为低反射率点云集S1、中反射率点云集S2和高反射率点云集S3，然后根据点云总数△确定体素滤波的网格尺寸r，针对低反射率点云集S1、中反射率点云集S2和高反射率点云集S3分别采用r、r/2、r/3作为体素滤波的网格尺寸，随着反射率增加对应的体素滤波网格会变小，可以尽可能的保留高分辨率点云，滤除低分辨率点云。除此之外，自适应体素滤波算法会计算滤波处理后的点云总量，如果点云总量过高不符合要求，自适应体素滤波算法会根据点云总量和目标阈值的差值逐步调节体素滤波网格尺寸r，直至滤除后的点云总量符合后续处理要求。
(5)半径滤波：半径滤波的处理思想是根据指定的最大阈值距离判定每个点周围是否有近邻点，并计算一个点云团中近邻点的总数，对于离散点或者不满足阈值要求的点云，则判定为离群点，给予滤除。半径滤波处理过程可以消除离群点，将空间点云团逐步分离成多个点云簇，减少点云簇间的联系，为后续特征聚类分割做准备。
进一步地，步骤400特征聚类分割具体过程如下：
欧式聚类算法输入为整个点云数据，输出为符合要求(反射率、距离准则、点云簇容量)的N个点云簇数据，每个点云簇在欧式距离上具有相似性和近邻性，点云簇之间具有明显空间间隔，每个点云簇均代表一个瞬时障碍物目标。
进一步地，步骤500目标提取具体过程如下：
点云数据经过聚类分割处理后可得到一系列互为空间不相关性的点云簇，可初步认为每个点云簇均代表一个瞬时障碍物目标，因此提出了针对点云簇的目标提取算法，可识别分析聚类后的点云簇形态特征，得到目标列表及目标相关信息，包括笛卡尔坐标系下的相对坐标、尺寸、外形轮廓和高度等信息。
目标提取处理过程以聚类分割点云簇为输入，针对单个聚类获得的点云簇的处理过程如下：
步骤501：笛卡尔坐标系空间投影：为了简化计算，首先将空间点云投影到平面笛卡尔坐标系上，投影遍历所有点云时计算该点云簇的形态学特征，包括点云质心、三轴坐标系的边缘值、点云总数、点云密度等，然后存储所有点云序列索引，最终得到平面二值化的点云图。
步骤502：形态学处理：为了方便步骤503包络边缘检测，需要消除二值图内部的空隙和边缘不连续处，对应操作为膨胀处理和二维填充运算，膨胀处理可以将有效点云扩张一定半径，实现内部缝隙填充的效果，二维填充运算能够从X和Y两个轴方向检测点云内部不连续区域并给与填充。经过上述处理后的二值化点云图内部连续且无间隙，但是边缘可能存在不连续或者毛刺等情况，一般为X型连接点，可采用X型连接点扩展方法检测并处理。
步骤503：包络边缘检测：利用边缘检测算子筛选出二值图上的边缘点并顺时针/逆时针有序存储在动态数组中，然后将共线边缘点滤除，只保留直线段的两个端点，由于所有的点云数据都已经被映射网格化，因此此时的点坐标需要相对原始点坐标会有偏移，因此逆向匹配步骤501中存储的点云序列索引，将检测到的边缘点坐标转换为原始点云坐标，达到最大程度的还原目标轮廓的作用，其中边缘检测算子Sr(x,y)形式和滤除函数f(x,y)如下：
其中
一个既定矩阵，S0内为1的像素点给予保留，为0的像素点滤除，/>
代表划窗时S0算子覆盖的像素点矩形块，*是卷积符号。
步骤504：输出目标信息，包括笛卡尔坐标系下的相对坐标、尺寸、外形轮廓和高度等信息。
进一步地，步骤600目标坐标转换具体过程如下：
目标提取过程所计算的结果是障碍物目标相对于无人船主体的相对位置(X,Y)，为了方便后续目标信息处理运算和显示，需要利用GPS组件的无人船经纬度定位信息(L0,B0)和航向信息yaw将目标相对位置(X,Y)转换为WGS-84地理坐标系下的绝对经纬度坐标(L,B)，定义地球半径为R，无人船墨卡托投影坐标为(X0,Y0)，障碍物目标墨卡托投影坐标为(Xt,Yt)，转换函数如下所示：
综合上述等式可得地理坐标系下的障碍物目标经纬度坐标(L,B)如下：
本发明提供了一种可行的基于聚类分割原理的无人船三维点云处理方法，具有以下优点：
1.采用惯性组件对采集的激光雷达原始点云进行姿态修正，将点云从船体坐标系转移到世界坐标系，消除船体姿态变化对点云反馈结果的影响，提高目标探测稳定性。
2.在开始特征聚类分割前采用多层次的预处理滤波算法，可有效滤除白噪声、离散点、阳光噪点、水面波浪反射点云和其他无关点云，增强目标点云的特征，滤除效果优秀，能够在显著减少点云团容量降低计算量的同时，尽可能的保留障碍物轮廓信息和特征点云，突出目标特征。
3.提出了基于欧氏距离聚类分割的点云簇目标提取算法，首先采用半径滤波提高空间点云簇间的分离度，分析聚类后的点云簇形态特征，然后将三维点云压缩至二维平面，利用平面二值化处理方法分析得到障碍物目标相关信息，包括笛卡尔坐标系下的相对坐标、尺寸、外形轮廓和高度等信息。平面二值化的处理思路在损失较少目标特征信息的情况下，极大的提高了目标提取的运算效率。
附图说明
图1是基于聚类分割原理的无人船三维点云处理方法流程图；
图2是载体坐标系和世界坐标系对比示意图；
图3是三维坐标系姿态旋转示意图；
图4是自适应体素滤波算法流程图；
图5是基于欧式距离聚类分割的目标提取算法流程图；
图6是X型连接点处理示意图；
图7是包络边缘检测示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，将结合附图对本发明作进一步地详细描述。这种描述是通过示例而非限制的方式介绍了与本发明的原理相一致的具体实施方式，这些实施方式的描述是足够详细的，以使得本领域技术人员能够实践本发明，在不脱离本发明的范围和精神的情况下可以使用其他实施方式并且可以改变和/或替换各要素的结构。因此，不应当从限制性意义上来理解以下的详细描述。
图1是基于聚类分割原理的无人船三维点云处理方法流程图。包含以下处理步骤：
步骤100：原始数据采集与解析：获取激光雷达原始点云数据并解析得到每个激光反射点的距离和反射率。
步骤200：点云姿态修正：依靠惯性组件获取无人船载体平台的姿态数据，对点云数据进行实时姿态修正。
步骤300：点云数据预处理滤波：处理过程包括水面波浪处理、阈值滤波、空间滤波、点云分布统计、自适应体素滤波和半径滤波等。
步骤400：特征聚类分割：对预处理后的点云数据进行特征聚类分割，采用欧氏聚类算法，将有相关性的点云数据聚类分离，形成多个点云簇。
步骤500：目标提取：识别分析聚类后的点云簇形态特征，得到目标列表及目标相关信息，包括笛卡尔坐标系下的相对坐标、尺寸、外形轮廓和高度等信息。
步骤600：目标坐标转换：依靠定位和定向组件获取船体当前位置和航行方向，将步骤500中获取的目标相对坐标转化为世界坐标系下的绝对经纬度坐标。
为了提高处理效率，线程1负责数据采集、点云姿态修正和预处理滤波过程，线程2负责特征聚类分割和目标提取过程，线程间通过缓存变量交换数据，在线程2运行时，线程1可以继续下一帧激光点云的处理任务。
点云姿态修正具体过程如下：无人船在海上航行时，激光雷达的点云坐标系与无人船载体坐标系固连，会随着海浪波动产生剧烈的姿态变化，船体姿态变化会导致船体产生翻滚、俯仰和航向变化，致使同一障碍物在不同姿态下形成的点云回波坐标不同，干扰目标识别和连续性跟踪，点云姿态修正可以消除翻滚、俯仰和航向变化带来的影响，将点云回波从载体坐标系映射到世界坐标系上，具体方法如下：
首先定义世界坐标系下的点云位置P0＝[x0y0z0]T，载体坐标系下的点云位置P＝[xyz]T；按照从世界坐标系变换到船体坐标系的过程，可按以下顺序做旋转：绕X0轴旋转roll→绕Y0轴旋转pitch→绕Z0轴旋转yaw，那么从载体坐标系到世界坐标系的X、Y、Z三个坐标轴旋转矩阵按如下方式定义：
由上得到的载体坐标系到世界坐标系间的旋转矩阵为：
由于点云姿态修正时只需要计算反馈点云相对无人船的相对位置，绝对坐标系位置可在最终形成目标后再转换，因此点云姿态修正时不考虑航向变化的影响，得到：
带入P0＝[x0y0z0]T和P＝[xyz]T可得：
即：
由上述公式可将点云回波坐标从载体坐标系转换映射到世界坐标系上，消除船体波动对目标检测和跟踪的影响。
图2和图3分别是载体坐标系和世界坐标系对比示意图和三维坐标系姿态旋转示意图，世界坐标系固定不变，载体坐标系随着船体姿态和航向变化而变化，其中船体艏部为X轴，沿X轴旋转为翻滚角度roll，船体右侧为Y轴，沿Y轴旋转为俯仰角度pitch，Z轴为从上而下贯穿船体，沿Z轴旋转为航向角度yaw，假设载体坐标系某刻状态为(rolln,pitchn,yawn)，可参照图3依次按照X轴、Y轴、Z轴的顺序将载体坐标系变换为世界坐标系。
点云数据在开始特征聚类分割前需要经过预处理滤波过程，预处理滤波的目的是滤除无关点云，增强目标点云的特征，旨在降低反射点云簇容量和提高处理效率，同时尽可能的保留重要的目标信息。预处理滤波包括水面波浪处理、阈值滤波、空间滤波、点云分布统计、自适应体素滤波和半径滤波等处理过程。为详述下列预处理过程，定义滤除函数f(x,y,z,e)，其中(x,y,z)代表点云空间坐标，e代表点云反射率，滤除函数f(x,y,z,e)输出结果值1代表滤除该点云，0代表保留该点云。
(1)水面波浪处理：包括水面反射滤除和波浪反射滤除，水面反射滤除是指滤除海面镜面对激光雷达的反射信号，此类反射信号的特征是反射率较低且总体呈现平面分布，可依靠平面搜索函数寻找到平面位置方程，然后在空间上扩展一定尺寸给予滤除，此类方法对海面完整度要求较高，在海浪较为恶劣时搜索结果不理想，因此本发明采取直接法给予滤除，以点云姿态修正后的点云数据为输入，结合船体吃水深度和航行速度，确定水平面的具体高度zw，然后在空间上扩展一定尺寸给予滤除，滤除函数fw(x,y,z,e)满足下式：
其中，∨为或运算。
波浪反射滤除是指滤除船体高速航行时在船体两侧和尾部形成的波浪，此类波浪有一定高度，且波浪长度和范围随速度增加而呈现一定规律变化，一般采用直接滤除法进行处理，对于常见高速无人船线型来说，定义船体长度为L，航速为V，单个点云平面极坐标角度为θ，船头方向为平面坐标系Y轴，船右舷方向为平面坐标系X轴，所滤除的平面范围滤除函数fb(x,y,z,e)满足下式：
fb(x,y,z,e)＝f1(x,y,z,e)∨f2(x,y,z,e)
(2)阈值滤波：设置反射率阈值滤除白噪声信号和阳光噪点干扰信号，以0-255反射率范围为例，反射率阈值设置为10即可有效滤除空间中的白噪声信号和阳光噪点干扰信号，并且不会对障碍物反射信息造成影响，滤除函数fl(x,y,z,e)满足下式：
(3)空间滤波：由于激光雷达属于三维感知型传感器，激光束呈发散性布置，随着距离增加会探测到较高高度的目标，此类目标对不会影响无人船的海面安全航行，因此设置空间滤波进行滤除，滤除方法为以上述处理过程后的点云数据为输入，结合船体尺寸和吃水深度，设置空间滤波的上限ZH和下限ZL，超出该范围的点云数据均被滤除，滤除函数fs(x,y,z,e)满足下式：
(4)自适应体素滤波：激光雷达反馈点云属于三维点云，运算量与点云数量的立方成正比，因此为了提高特征聚类分割和目标提取的运算效率，采用自适应体素滤波算法降低原始点云的点云数，常规体素滤波可针对三维点云设置网格密度进行过滤，在保留点云整体轮廓的同时能够做到大幅度降低高密度点云区域的数量，减少后续处理运算量，定义滤除前的点云坐标为p(x,y,z,e)，滤除后的点云坐标为p′(x′,y′,z′,e′)，体素滤波网格尺寸为r，体素滤波算法的处理函数如下：
注：max(∏e)表示反射点p(x,y,z,e)坐标栅格化后落在当前栅格内的点云反射率集合的最大值。
但是常规体素滤波无法区分高反射率点云和低反射率点云，导致整体密度同步降低，无法达到突出高反射率障碍物特征的效果，而且由于网格尺寸参数固定，针对不同的点云分布环境，滤除效果无法保证一致，可能会出现滤除过度或者滤除效果不好的情况。针对上述问题，本发明提出了自适应体素滤波算法，图4是自适应体素滤波算法流程图，首先将原始点云根据反射率不同分为低反射率点云集S1、中反射率点云集S2和高反射率点云集S3，再统计其点云个数的过程即计算点云分布特征和总数，然后根据点云总数△确定体素滤波的网格尺寸r，针对低反射率点云集S1、中反射率点云集S2和高反射率点云集S3分别采用r、r/2、r/3作为体素滤波的网格尺寸，随着反射率增加对应的体素滤波网格会变小，可以尽可能的保留高分辨率点云，滤除低分辨率点云。除此之外，自适应体素滤波算法会计算滤波处理后的点云总量，如果点云总量过高不符合要求，自适应体素滤波算法会根据点云总量和目标阈值的差值逐步调节体素滤波网格尺寸r，直至滤除后的点云总量符合后续处理要求。
(5)半径滤波：受设备精度、操作者经验、环境、配准操作过程、探测视角、障碍物遮挡等因素的影响，激光雷达所捕获的点云团或多或少会包含噪声点和离群点，有效的障碍物目标一般都会反射多个有效点云，针对离散点，需要采用相关算法给予滤除，避免对后续特征聚类分割和目标识别产生干扰。半径滤波的处理思想是根据指定的最大阈值距离判定每个点周围是否有近邻点，并计算一个点云团中近邻点的总数，对于离散点或者不满足阈值要求的点云，则判定为离群点，给予滤除。半径滤波处理过程可以消除离群点，将空间点云团逐步分离成多个点云簇，减少点云簇间的联系，为后续特征聚类分割做准备。
激光雷达输出的原始点云经过姿态修正和预处理滤波过程后，可有效消除绝大部分的白噪声点、离散点、阳光噪点、水面波浪反射点云和其他无关点云，对于影响无人船航行的障碍物目标反射的点云数据可得到有效保留，并且经由自适应体素滤波算法和半径滤波作自适应稀疏化处理和点云团离散化处理，最终输出的点云数据为初步分离的多个点云簇数据的集合，特征聚类分割算法可以将具有较大依赖关系的特征点云聚集到一起，其基本思想是根据特征与特征之间相关性及特征与特征簇之间的相关性将特征集划分成多个簇群。常用的聚类算法有欧式聚类、DBSCAN聚类、K均值聚类等，本发明采用欧式聚类作为聚类分割的主要处理算法，欧式聚类算法是一种基于邻近信息的点云分割算法，以欧氏距离作为距离判断准则，对于空间某点Q，通过KD-Tree近邻搜索算法找到多个离Q点最近的点，这些点中距离小于设定阈值的便聚类到集合O中，如果O中元素的数目不再增加，该次聚类过程便结束，然后需在O中选取Q点以外的点，迭代上述过程，直到遍历所有点云元素且O中元素不再增加为止。
欧式聚类算法输入为整个点云数据，输出为符合要求(反射率、距离准则、点云簇容量)的N个点云簇数据，每个点云簇在欧式距离上具有相似性和近邻性，点云簇之间具有明显空间间隔，每个点云簇均代表一个瞬时障碍物目标。
图5是基于欧式距离聚类分割的目标提取算法流程图，目标提取处理算法以聚类分割点云簇为输入，针对单个聚类获得的点云簇，首先是笛卡尔坐标系空间投影，采用遍历的方式计算该点云簇的形态学特征，包括点云质心，三轴坐标系的边缘值，点云总数，点云密度等，然后存储所有点云序列索引，最终得到平面二值化的点云图；其次是平面二值图形态学处理，对应操作为膨胀处理和二维填充运算，可消除二值化点云图内部间隙和不连续处，针对二值图边缘可能存在不连续或者毛刺等情况，采用X型连接点扩展方法检测并处理；最后划窗边缘检测算子筛选出边缘轮廓并排列端点顺序，将共线端点简化并逆向匹配原始点云索引后输出最终的目标特征信息，包括笛卡尔坐标系下的相对坐标、尺寸、外形轮廓和高度等。
图6是X型连接点处理示意图，从左往右依次是半X型连接、X型连接和处理后的情况。半X型连接和X型连接会导致边缘检测时使二值图产生截断现象，因此采用划窗方式检测半X型连接和X型连接，然后填充窗体内的空白处，消除半X型连接或X型连接，避免后续边缘检测时出现问题。
图7是包络边缘检测示意图，针对平面二值化点云图，利用边缘检测算子筛选出二值图上的边缘点并顺时针/逆时针有序存储在动态数组中，然后将共线边缘点滤除，只保留直线段的两个端点，由此可以得到目标点云的平面轮廓信息。
目标提取过程所计算的结果是障碍物目标相对于无人船主体的相对位置(X,Y)，为了方便后续目标信息处理运算和显示，需要利用GPS组件的无人船经纬度定位信息(L0,B0)和航向信息yaw将目标相对位置(X,Y)转换为WGS-84地理坐标系下的绝对经纬度坐标(L,B)，定义地球半径为R，无人船墨卡托投影坐标为(X0,Y0)，障碍物目标墨卡托投影坐标为(Xt,Yt)，转换函数如下所示：
综合上述等式得：
则(L,B)为地理坐标系下的障碍物目标经纬度坐标。
Claims (8)
1.一种基于聚类分割原理的无人船三维点云处理方法，其特征在于，具体包含以下步骤：
步骤100：原始数据采集与解析：获取激光雷达原始点云数据，并解析得到每个激光反射点的距离和反射率；
步骤200：点云姿态修正：依靠惯性组件获取无人船载体平台的姿态数据，对点云数据进行实时姿态修正；
步骤300：点云数据预处理：预处理过程包括水面波浪处理、阈值滤波、空间滤波、点云分布统计、自适应体素滤波和半径滤波；
步骤400：特征聚类分割：对预处理后的点云数据进行特征聚类分割，采用欧氏聚类算法，将有相关性的点云数据聚类分离，形成多个点云簇；
步骤500：目标提取：识别分析聚类后的点云簇形态特征，得到目标列表及目标相关信息，包括笛卡尔坐标系下的相对坐标、尺寸、外形轮廓和高度；
步骤600：目标坐标转换：依靠定位和定向组件获取船体当前位置和航行方向，将步骤500中获取的目标相对坐标转化为世界坐标系下的绝对经纬度坐标。
2.根据权利要求1所述的一种基于聚类分割原理的无人船三维点云处理方法，其特征在于，步骤200点云姿态修正具体过程如下：
首先定义世界坐标系下的点云位置P0＝[x0 y0 z0]T，载体坐标系下的点云位置P＝[x yz]T；从世界坐标系变换到船体坐标系的过程，按以下顺序做旋转：绕X0轴旋转rpll→绕Y0轴旋转pitch，那么从载体坐标系到世界坐标系的X、Y坐标轴旋转矩阵按如下方式定义：
由上得到的载体坐标系到世界坐标系间的旋转矩阵为：
带入P0＝[x0 y0 z0]T和P＝[x y z]T得：
即：
由上述公式将点云坐标从载体坐标系转换映射到世界坐标系上。
3.根据权利要求1所述的一种基于聚类分割原理的无人船三维点云处理方法，其特征在于，步骤300预处理具体过程如下：
定义滤除函数f(x,y,z,e)，其中(x,y,z)代表点云空间坐标，e代表点云反射率，滤除函数输出结果值1代表滤除该点云，0代表保留该点云；
(1)水面波浪处理：包括水面反射滤除和波浪反射滤除，水面反射滤除是指滤除海面镜面对激光雷达的反射信号，以点云姿态修正后的点云数据为输入，结合船体吃水深度和航行速度，确定水平面的具体高度zw，然后在空间上扩展一定尺寸给予滤除，滤除函数fw(x,y,z,e)满足下式：
其中，∨为或运算；
波浪反射滤除是指滤除船体高速航行时在船体两侧和尾部形成的波浪，对于常见高速无人船线型来说，定义船体长度为L，航速为V，单个点云平面极坐标角度为θ，船头方向为平面坐标系Y轴，船右舷方向为平面坐标系X轴，所滤除的平面范围滤除函数fb(x,y,z,e)满足下式：
fb(x,y,z,e)＝f1(x,y,z,e)∨f2(x,y,z,e)
(2)阈值滤波：设置反射率阈值滤除白噪声信号和阳光噪点干扰信号，以0-255反射率范围为例，反射率阈值设置为10，滤除函数fl(x,y,z,e)满足下式：
(3)空间滤波：以水面波浪处理和阈值滤波后的点云数据为输入，结合船体尺寸和吃水深度，设置空间滤波的上限ZH和下限ZL，超出该范围的点云数据均被滤除，滤除函数fs(x,y,z,e)满足下式：
(4)自适应体素滤波：采用自适应体素滤波算法降低原始点云的点云数，首先将原始点云根据反射率不同分为低反射率点云集S1、中反射率点云集S2和高反射率点云集S3；其次根据点云总数△确定体素滤波的网格尺寸r，针对低反射率点云集S1、中反射率点云集S2和高反射率点云集S3分别采用r、r/2、r/3作为体素滤波的网格尺寸，进行体素滤波；
(5)半径滤波：根据最大阈值距离判定每个点周围是否有近邻点，并计算一个点云团中近邻点的总数，对于离散点或者不满足阈值要求的点云，则判定为离群点，给予滤除。
4.根据权利要求3所述的一种基于聚类分割原理的无人船三维点云处理方法，其特征在于，所述自适应体素滤波算法计算滤波处理后的点云总量，如果点云总量过高不符合要求，自适应体素滤波算法根据点云总量和目标阈值的差值逐步调节体素滤波网格尺寸r，直至滤除后的点云总量符合后续处理要求。
5.根据权利要求1所述的一种基于聚类分割原理的无人船三维点云处理方法，其特征在于，步骤400特征聚类分割具体过程如下：
采用欧式聚类作为聚类分割的处理算法，以欧氏距离作为距离判断准则，欧式聚类算法输入为整个点云数据，输出为符合要求的N个点云簇数据，每个点云簇在欧式距离上具有相似性和近邻性，点云簇之间具有明显空间间隔，每个点云簇均代表一个瞬时障碍物目标。
6.根据权利要求1所述的一种基于聚类分割原理的无人船三维点云处理方法，其特征在于，步骤500目标提取具体过程如下：
目标提取处理过程以聚类分割点云簇为输入，针对单个聚类获得的点云簇的处理过程如下：
步骤501：笛卡尔坐标系空间投影：首先将空间点云投影到平面笛卡尔坐标系上，投影遍历所有点云时计算该点云簇的形态学特征，包括点云质心、三轴坐标系的边缘值、点云总数、点云密度；其次存储所有点云序列索引，最后得到平面二值化的点云图；
步骤502：形态学处理：对应操作为膨胀处理和二维填充运算，膨胀处理将有效点云扩张预设半径，实现内部缝隙填充的效果，二维填充运算从X和Y两个轴方向检测点云内部不连续区域并给与填充；
步骤503：包络边缘检测：利用边缘检测算子筛选出二值图上的边缘点并顺时针/逆时针有序存储在动态数组中，然后将共线边缘点滤除，只保留直线段的两个端点；逆向匹配步骤501中存储的点云序列索引，将检测到的边缘点坐标转换为原始点云坐标，其中边缘检测算子Sr(x,y)形式和滤除函数f(x,y)如下：
其中，
一个既定矩阵，S0内为1的像素点给予保留，为0的像素点滤除，
代表划窗时S0算子覆盖的像素点矩形块，*是卷积符号；
步骤504：输出目标信息，包括笛卡尔坐标系下的相对坐标、尺寸、外形轮廓和高度。
7.根据权利要求6所述的一种基于聚类分割原理的无人船三维点云处理方法，其特征在于，经过形态学处理后的二值化点云图内部连续且无间隙，但是边缘存在不连续或者毛刺情况，采用X型连接点扩展方法检测并处理。
8.根据权利要求1所述的一种基于聚类分割原理的无人船三维点云处理方法，其特征在于，步骤600目标坐标转换具体过程如下：
目标提取过程所计算的结果是障碍物目标相对于无人船主体的相对位置(X,Y)，利用GPS组件的无人船经纬度定位信息(L0,B0)和航向信息yaw，将目标相对位置(X,Y)转换为WGS-84地理坐标系下的绝对经纬度坐标(L,B)，定义地球半径为R，无人船墨卡托投影坐标为(X0,Y0)，障碍物目标墨卡托投影坐标为(Xt,Yt)，转换函数如下所示：
综合上述等式得：
则(L,B)为地理坐标系下的障碍物目标经纬度坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310090144.XA CN116310607A (zh) | 2023-02-09 | 2023-02-09 | 一种基于聚类分割原理的无人船三维点云处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310090144.XA CN116310607A (zh) | 2023-02-09 | 2023-02-09 | 一种基于聚类分割原理的无人船三维点云处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116310607A true CN116310607A (zh) | 2023-06-23 |
Family
ID=86798719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310090144.XA Pending CN116310607A (zh) | 2023-02-09 | 2023-02-09 | 一种基于聚类分割原理的无人船三维点云处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310607A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520289A (zh) * | 2023-07-04 | 2023-08-01 | 东莞市新通电子设备有限公司 | 五金件加工过程智能控制方法及相关装置 |
| CN117647404A (zh) * | 2024-01-30 | 2024-03-05 | 交通运输部公路科学研究所 | 基于转鼓台架的预见性巡航控制系统测试平台及测试方法 |
-
2023
- 2023-02-09 CN CN202310090144.XA patent/CN116310607A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520289A (zh) * | 2023-07-04 | 2023-08-01 | 东莞市新通电子设备有限公司 | 五金件加工过程智能控制方法及相关装置 |
| CN116520289B (zh) * | 2023-07-04 | 2023-09-01 | 东莞市新通电子设备有限公司 | 五金件加工过程智能控制方法及相关装置 |
| CN117647404A (zh) * | 2024-01-30 | 2024-03-05 | 交通运输部公路科学研究所 | 基于转鼓台架的预见性巡航控制系统测试平台及测试方法 |
| CN117647404B (zh) * | 2024-01-30 | 2024-04-19 | 交通运输部公路科学研究所 | 基于转鼓台架的预见性巡航控制系统测试平台及测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108152831B (zh) | 一种激光雷达障碍物识别方法及系统 | |
| CN110989687B (zh) | 一种基于嵌套正方形视觉信息的无人机降落方法 | |
| CN109684921B (zh) | 一种基于三维激光雷达的道路边界检测与跟踪方法 | |
| CN110275153B (zh) | 一种基于激光雷达的水面目标检测与跟踪方法 | |
| CN116310607A (zh) | 一种基于聚类分割原理的无人船三维点云处理方法 | |
| CN111583369B (zh) | 一种基于面线角点特征提取的激光slam方法 | |
| Musman et al. | Automatic recognition of ISAR ship images | |
| EP2713310A2 (en) | System and method for detection and tracking of moving objects | |
| CN111325138B (zh) | 一种基于点云局部凹凸特征的道路边界实时检测方法 | |
| CN107844750A (zh) | 一种水面全景图像目标检测识别方法 | |
| CN109001757B (zh) | 一种基于2d激光雷达的车位智能检测方法 | |
| CN111598952B (zh) | 一种多尺度合作靶标设计与在线检测识别方法及系统 | |
| CN114241211B (zh) | 基于激光雷达点云特征的岸线提取方法 | |
| CN114118252A (zh) | 一种基于传感器多元信息融合的车辆检测方法及检测装置 | |
| CN106815553A (zh) | 一种基于边缘匹配的红外前视图像舰船检测方法 | |
| CN114740493A (zh) | 一种基于多线激光雷达的路沿检测方法 | |
| CN115908539A (zh) | 一种目标体积自动测量方法和装置、存储介质 | |
| 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 | |
| Zhang et al. | Vessel detection and classification fusing radar and vision data | |
| CN113792593A (zh) | 一种基于深度融合的水下近距离目标识别跟踪方法及系统 | |
| CN113837924A (zh) | 一种基于无人艇感知系统的水岸线检测方法 | |
| CN113030997A (zh) | 一种基于激光雷达的露天矿区可行驶区域检测方法 | |
| 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 | |
| CN117029870A (zh) | 一种基于路面点云的激光里程计 | |
| CN116185049A (zh) | 基于视觉引导的无人直升机自主着舰方法 |
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 |