CN116486371A - 基于激光点云的障碍物检测方法和障碍物检测装置 - Google Patents

基于激光点云的障碍物检测方法和障碍物检测装置 Download PDF

Info

Publication number
CN116486371A
CN116486371A CN202310416708.4A CN202310416708A CN116486371A CN 116486371 A CN116486371 A CN 116486371A CN 202310416708 A CN202310416708 A CN 202310416708A CN 116486371 A CN116486371 A CN 116486371A
Authority
CN
China
Prior art keywords
point cloud
target
cloud data
determining
point
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
Application number
CN202310416708.4A
Other languages
English (en)
Inventor
周建豪
徐嘉良
任宪丰
王化英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weichai Power Co Ltd
Weifang Weichai Power Technology Co Ltd
Original Assignee
Weichai Power Co Ltd
Weifang Weichai Power Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weichai Power Co Ltd, Weifang Weichai Power Technology Co Ltd filed Critical Weichai Power Co Ltd
Priority to CN202310416708.4A priority Critical patent/CN116486371A/zh
Publication of CN116486371A publication Critical patent/CN116486371A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请提供了一种基于激光点云的障碍物检测方法和障碍物检测装置。包括：获取目标点云数据，并对目标点云数据进行聚类，得到多个点云簇；确定点云簇的多个边界框，并计算多个边界框的面积，并将边界框的面积确定为第一评价值；根据点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个第一评价值和所有的第二评价值确定一个目标评价值，得到多个目标评价值，其中，目标评价值用于评价边界框确定点云簇的位置的准确性，预定坐标系为点云簇所在的坐标系；确定多个目标评价值中的最小值对应的边界框为目标边界框，并根据目标边界框确定点云簇对应的障碍物的位置。该方法解决了车辆的障碍物位置信息确定不准确的问题。

Description

基于激光点云的障碍物检测方法和障碍物检测装置
技术领域
本申请涉及激光雷达领域，具体而言，涉及一种基于激光点云的障碍物检测方法、基于激光点云的障碍物检测装置、计算机可读存储介质和电子装置。
背景技术
激光点云是扫描点的集合，是指激光雷达系统对地面扫描获得地面反射点的三维坐标，每个地面反射点按三维坐标以点的形式分布在三维空间中，即扫描点。
在车载激光雷达中，激光点云用于表征车辆的障碍物信息，因此，激光点云的目标检测的精确性至关重要。然而，现有计算标准在一些情况下并不合理，会产生较大的计算误差，进而导致方向寻找错误。
因此，亟需一种方法可以解决车辆的障碍物位置信息确定不准确的问题。
发明内容
本申请的主要目的在于提供一种基于激光点云的障碍物检测方法、基于激光点云的障碍物检测装置、计算机可读存储介质和电子装置，以至少解决现有技术中车辆的障碍物位置信息确定不准确的问题。
根据本申请的一方面，提供了一种基于激光点云的障碍物检测方法，包括：获取目标点云数据，并对所述目标点云数据进行聚类，得到多个点云簇，所述目标点云数据为表征车辆的障碍物的点云数据；确定所述点云簇的多个边界框，并计算多个所述边界框的面积，并将所述边界框的面积确定为第一评价值；根据所述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个所述第一评价值和所有的所述第二评价值确定一个目标评价值，得到多个所述目标评价值，其中，所述目标评价值用于评价所述边界框确定所述点云簇的位置的准确性，所述预定坐标系为所述点云簇所在的坐标系；确定多个所述目标评价值中的最小值对应的所述边界框为目标边界框，并根据所述目标边界框确定所述点云簇对应的障碍物的位置。
可选地，获取目标点云数据，包括：获取多个第一点云数据，并对多个所述第一点云数据进行空间同步处理以使多个所述第一点云数据位于同一坐标系，得到第二点云数据，其中，多个所述第一点云数据为多个激光雷达扫描得到的点云数据；去除所述第二点云数据中的异常点，得到第三点云数据，其中，以所述异常点为圆心，预定半径为半径的圆内没有其他点；对所述第三点云数据进行处理，得到所述第三点云数据中的非地面点云数据，确定所述非地面点云数据为所述目标点云数据。
可选地，对所述第三点云数据进行处理，得到所述第三点云数据中的非地面点云数据，包括：对所述第三点云数据进行栅格化处理，得到多个栅格数据；获取所述栅格数据对应的第一平面、第二平面以及第三平面，其中，所述第一平面包含预定数量的点云数据，所述第二平面与所述第一平面垂直，所述第二平面与所述第三平面垂直，所述第一平面与所述第三平面垂直；确定所述第三点云数据中的各点至所述第一平面的距离、所述第三点云数据中的各点至所述第二平面的距离以及所述第三点云数据中的各点至所述第三平面的距离的和为目标距离；确定所述目标距离大于第一阈值的点云数据为所述非地面点云数据。
可选地，对所述目标点云数据进行聚类，得到多个点云簇，包括：获取步骤，获取所述目标点云数据中的目标点，确定所述目标点云数据中与所述目标点的最短距离小于第二阈值的点为集合点，所述集合点形成集合，其中，所述目标点为所述目标点云数据中的任意点云数据对应的点；第一重复步骤，重复所述获取步骤，在重复过程中任意两次的点不同且都为所述集合中的点；第二重复步骤，重复所述获取步骤和所述第一重复步骤预定次数，直到所述集合内所述集合点的数量不变，确定所述集合为所述点云簇。
可选地，确定所述点云簇的多个边界框，包括：获取所述点云簇中的第一端点和第二端点，并确定所述第一端点和所述第二端点所在的直线为目标直线，其中，所述第一端点为所述点云簇中与所述预定坐标系的y轴的距离最大的点，所述第二端点为所述点云簇中与所述预定坐标系的x轴的距离最大的点；确定所述点云簇中与所述目标直线距离最大的点为旋转点，并确定所述旋转点与所述第一端点组成的线段为第一边长，确定所述旋转点与所述第二端点组成的线段为第二边长，并以所述第一边长和所述第二边长作为相邻边组成一个所述边界框；围绕所述旋转点，同步旋转所述第一边长和所述第二边长多次，并在旋转过程中调整所述第一边长和所述第二边长，以使得每次旋转调整后的所述第一边长和所述第二边长形成的所述边界框包括所述点云簇中的点，多次旋转得到多个所述边界框。
可选地，根据所述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，包括：根据公式确定所述第二评价值，其中，A1、B1以及C1为所述点云簇对应的坐标系的x轴的直线方程的系数，A2、B2以及C2为所述点云簇对应的坐标系的y轴的直线方程的系数，xi、yi为所述点云簇中的点在所述预定坐标系中的坐标值。
可选地，根据一个所述第一评价值和所有的所述第二评价值确定一个目标评价值，得到多个所述目标评价值，包括：根据公式E＝aE1+bE2，确定所述目标评价值，其中，E为所述目标评价值，a为所述第一评价值的权重系数，E1为所述第一评价值，b为所述第二评价值的权重系数，E2为所述第二评价值。
根据本申请的再一方面，提供了一种基于激光点云的障碍物检测装置，包括：获取单元，用于获取目标点云数据，并对所述目标点云数据进行聚类，得到多个点云簇，所述目标点云数据为表征车辆的障碍物的点云数据；第一确定单元，用于确定所述点云簇的多个边界框，并计算多个所述边界框的面积，并将所述边界框的面积确定为第一评价值；第二确定单元，用于根据所述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个所述第一评价值和所有的所述第二评价值确定一个目标评价值，得到多个所述目标评价值，其中，所述目标评价值用于评价所述边界框确定所述点云簇的位置的准确性，所述预定坐标系为所述点云簇所在的坐标系；第三确定单元，用于确定多个所述目标评价值中的最小值对应的所述边界框为目标边界框，并根据所述目标边界框确定所述点云簇对应的障碍物的位置。
根据本申请的又一方面，提供了一种计算机可读存储介质所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
根据本申请的再一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行任一种所述的方法。
应用本申请的技术方案，首先，获取目标点云数据，并对目标点云数据进行聚类，得到多个点云簇；再确定点云簇的多个边界框，并计算多个边界框的面积，并将边界框的面积确定为第一评价值，根据点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个第一评价值和所有的第二评价值确定一个目标评价值，得到多个目标评价值；最后，确定多个目标评价值中的最小值对应的边界框为目标边界框，并根据目标边界框确定点云簇对应的障碍物的位置。该方法通过第一评价值和第二评价值两种不同的评价值进行结合，避免了单一评价值导致目标方向信息误检的情况，因此，可以提升激光点云的目标检测的准确性，进而确定准确的车辆的障碍物位置信息。解决了车辆的障碍物位置信息确定不准确的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例中提供的一种执行基于激光点云的障碍物检测方法的移动终端的硬件结构框图；
图2示出了根据本申请的实施例提供的一种基于激光点云的障碍物检测方法的流程示意图；
图3示出了根据本申请的实施例中提供的一种点云聚类方法的流程示意图；
图4示出了根据本申请的实施例中提供的一种确定点云簇边界框的示意图；
图5示出了根据本申请的实施例提供的一种基于激光点云的障碍物检测方法的具体流程示意图；
图6示出了根据本申请的实施例提供的一种基于激光点云的障碍物检测装置的结构框图。
其中，上述附图包括以下附图标记：
102、处理器；104、存储器；106、传输设备；108、输入输出设备。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如背景技术中所介绍的，现有技术中车辆的障碍物位置信息确定不准确，为解决上述技术问题，本申请的实施例提供了一种基于激光点云的障碍物检测方法、基于激光点云的障碍物检测装置、计算机可读存储介质和电子装置。
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。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种基于激光点云的障碍物检测方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的基于激光点云的障碍物检测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network InterfaceController，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的基于激光点云的障碍物检测方法方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的基于激光点云的障碍物检测方法的流程图。如图2所示，该方法包括以下步骤：
步骤S201，获取目标点云数据，并对上述目标点云数据进行聚类，得到多个点云簇，上述目标点云数据为表征车辆的障碍物的点云数据；
具体地，点云数据是指通过激光雷达扫描得到的数据，该数据是位于三维坐标系中的向量的集合。本申请的目标点云数据为车载激光雷达扫描得到的障碍物信息形成的点云数据。聚类方法可以为谱聚类算法、层次聚类算法、均值迁移算法、综合层次聚类算法、近邻传播聚类算法、密度聚类算法以及k均值聚类算法等算法，本领域技术人员可以根据实际情况进行选择。通过对上述目标点云数据进行聚类，可以使类间对象的同质性达到最大，把不同的数据点按照相似与相异度分割成不同的簇，并确保每个簇中的数据都是尽可能相似，而不同簇的数据尽可能相异。
步骤S202，确定上述点云簇的多个边界框，并计算多个上述边界框的面积，并将上述边界框的面积确定为第一评价值；
具体地，确定每个点云簇对应的多个边界框，该边界框的形状可以为任意形状，例如矩形、椭圆形、不规则多边形等。实际上，上述边界框是一种感兴趣区域(Region ofInterest，简称ROI)，根据不同的边界框的形状，并确定对应的面积。该第一评价值用于评估边界框面积的最小化。
步骤S203，根据上述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个上述第一评价值和所有的上述第二评价值确定一个目标评价值，得到多个上述目标评价值，其中，上述目标评价值用于评价上述边界框确定上述点云簇的位置的准确性，上述预定坐标系为上述点云簇所在的坐标系；
具体地，上述第二评价值用于评估点云簇中的点到边缘误差的最小化。可以通过求上述第一评价值和第二评价值的和的方式，确定目标评价值。通过上述方法，可以同时通过两种不同的评价值来评价边界框确定点云簇的准确率。
步骤S204，确定多个上述目标评价值中的最小值对应的上述边界框为目标边界框，并根据上述目标边界框确定上述点云簇对应的障碍物的位置。
具体地，在上述目标评价值最小的情况下，可以确定点云簇最准确的边界框即目标边界框。并根据上述目标边界框确定对应的点云簇，并根据点云簇可以确定车辆的障碍物的位置。再将障碍物的位置信息传输至车辆的决策规划模块，车辆根据该障碍物的位置信息进行躲避，有利于车辆的安全。上述方法可以提升确定车辆的障碍物的位置的准确性。
通过本实施例，首先，获取目标点云数据，并对目标点云数据进行聚类，得到多个点云簇；再确定点云簇的多个边界框，并计算多个边界框的面积，并将边界框的面积确定为第一评价值，根据点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个第一评价值和所有的第二评价值确定一个目标评价值，得到多个目标评价值；最后，确定多个目标评价值中的最小值对应的边界框为目标边界框，并根据目标边界框确定点云簇对应的障碍物的位置。该方法通过第一评价值和第二评价值两种不同的评价值进行结合，避免了单一评价值导致目标方向信息误检的情况，因此，可以提升激光点云的目标检测的准确性，进而确定准确的车辆的障碍物位置信息。解决了车辆的障碍物位置信息确定不准确的问题。
具体实现过程中，上述步骤S201可以通过以下步骤实现：步骤S2011，获取多个第一点云数据，并对多个上述第一点云数据进行空间同步处理以使多个上述第一点云数据位于同一坐标系，得到第二点云数据，其中，多个上述第一点云数据为多个激光雷达扫描得到的点云数据；步骤S2012，去除上述第二点云数据中的异常点，得到第三点云数据，其中，以上述异常点为圆心，预定半径为半径的圆内没有其他点；步骤S2013，对上述第三点云数据进行处理，得到上述第三点云数据中的非地面点云数据，确定上述非地面点云数据为上述目标点云数据。该方法中，由于车辆可能会具有多个车在激光雷达，而每个激光雷达获取到的点云数据的位于的坐标系都是不同，因此需要将位于不同坐标系的点云数据整合至同一坐标系内。可以通过转换矩阵的方式进行空间同步，合并得到总点云，进而对该总点云进行处理。在得到总点云后，由于点云数据分布的不规律性，会出现一些与中心位置点云距离较远的异常值数据，这些异常值数据对于数据处理会产生消极的影响。例如，通过确定总点云数据中，分别以每个点为圆心，预定半径内为半径的圆内其他点的数量，在某一个点的预定半径的圆内没有其他点的情况下，说明该点距离总点云的中心点距离较远，因此，可以确定该点为异常点，并将该异常点删除。可以通过一些例如步骤S2012的方法去除这些异常值。或者，可以确定第二点云数据中的中心点，并确定离该中心点距离大于预定距离的点为异常值点，并将这些异常值点去除。上述的点云预处理方法可以有利于进一步提升边界框确定的准确性。
具体实现过程中，上述步骤S2013可以通过以下步骤实现：步骤S20131，对上述第三点云数据进行栅格化处理，得到多个栅格数据；步骤S20132，获取上述栅格数据对应的第一平面、第二平面以及第三平面，其中，上述第一平面包含预定数量的点云数据，上述第二平面与上述第一平面垂直，上述第二平面与上述第三平面垂直，上述第一平面与上述第三平面垂直；步骤S20133，确定上述第三点云数据中的各点至上述第一平面的距离、上述第三点云数据中的各点至上述第二平面的距离以及上述第三点云数据中的各点至上述第三平面的距离的和为目标距离；步骤S20134，确定上述目标距离大于第一阈值的点云数据为上述非地面点云数据。在实际激光雷达扫描过程中，可能会扫描到一些非障碍物信息即非地面点数据，因此，需要对这些非障碍物信息和障碍物信息即地面点数据进行区分。上述方法通过点云分割算法来区分地面点和非地面点。上述方法中，可以通过RANSAC算法估计栅格内部点云的平面方程，RANSAC算法通过假设数据中包含正确数据和异常数据，正确数据记为内点，异常数据记为外点。RANSAC算法主要思想包括随机性和假设性，其中，随机性是根据正确数据出现概率去随机选取抽样数据，根据大数定律，随机性模拟可以近似得到正确结果。假设性是假设选取出的抽样数据都是正确数据，然后用这些正确数据通过问题满足的模型，去计算其他点，然后对这次结果进行一个评分。此外，通过上述方法还能够确定后续过程需要处理的点云，可以减少后续算法的设计难度和数据处理量。除了上述方法外，还可以通过其他滤波的方式来对地面点和非地面点数据进行区分。
上述步骤S20133的方法还可以通过其他方式实现，例如：设置各点至上述第一平面的距离、上述第三点云数据中的各点至上述第二平面的距离以及上述第三点云数据中的各点至上述第三平面的距离的权重系数，可以根据公式D＝∑0.1×|dx|+0.1×|dy|+0.8×|dz|，确定目标距离，其中，|dx|为各点至上述第一平面的距离，|dy|为各点至上述第二平面的距离，|dz|为各点至上述第三平面的距离。上述方法通过增加各点至上述第三平面的距离的权重系数，减少第一平面和第二平面的权重系数，可以进一步使分割算法在处理带坡度的平面时能有较好的处理效果。在实际应用过程中，上述目标距离值会在车辆行驶过程中进行自适应处理，默认车辆行驶路面附近主要为地面点，以特定ROI为范围。
上述步骤S201还可以通过其他方式实现，例如：步骤S2014，获取步骤，获取上述目标点云数据中的目标点，确定上述目标点云数据中与上述目标点的最短距离小于第二阈值的点为集合点，上述集合点形成集合，其中，上述目标点为上述目标点云数据中的任意点云数据对应的点；步骤S2015，第一重复步骤，重复上述获取步骤，在重复过程中任意两次的点不同且都为上述集合中的点；步骤S2016，第二重复步骤，重复上述获取步骤和上述第一重复步骤预定次数，直到上述集合内上述集合点的数量不变，确定上述集合为上述点云簇。上述方法通过欧式聚类算法，以距离为特征，按照聚类判断点云是否属于同一簇。欧式聚类是一种基于欧氏距离度量的聚类算法。基于KD-Tree的近邻查询算法是加速欧式聚类算法的一种预处理方法。KD-Tree是一种平衡二叉树。若它的左子树不为空，则左子树上所有结点的值均小于它的根结点的值；若它的右子树不为空，则右子树上所有结点的值均大于它的根结点的值；它的左、右子树也分别为二叉搜索树；为了能有效的找到最近邻，KD-Tree采用将整个空间划分为几个小部分，KD-Tree是每个节点均为k维数值点的二叉树，其上的每个节点代表一个超平面，该超平面垂直于当前划分维度的坐标轴，并在该维度上将空间划分为两部分，一部分在其左子树，另一部分在其右子树。即若当前节点的划分维度为d，其左子树上所有点在d维的坐标值均小于当前值，右子树上所有点在d维的坐标值均大于等于当前值。如图3所示，图3示出了一种欧式聚类方法，首先确定目标点云数据中的某一点P，并对该点进行KD-Tree近邻搜索，得到k个离P较近的点，距离小于设定阈值的聚类于集合Q，当集合Q中的元素不再增加时，再选取目标点云数据中的其他点作为点P，重复上述步骤，可以得到多个点云簇。
具体实现过程中，上述步骤S202可以通过以下步骤实现：步骤S2021，获取上述点云簇中的第一端点和第二端点，并确定上述第一端点和上述第二端点所在的直线为目标直线，其中，上述第一端点为上述点云簇中与上述预定坐标系的y轴的距离最大的点，上述第二端点为上述点云簇中与上述预定坐标系的x轴的距离最大的点；步骤S2022，确定上述点云簇中与上述目标直线距离最大的点为旋转点，并确定上述旋转点与上述第一端点组成的线段为第一边长，确定上述旋转点与上述第二端点组成的线段为第二边长，并以上述第一边长和上述第二边长作为相邻边组成一个上述边界框；步骤S2023，围绕上述旋转点，同步旋转上述第一边长和上述第二边长多次，并在旋转过程中调整上述第一边长和上述第二边长，以使得每次旋转调整后的上述第一边长和上述第二边长形成的上述边界框包括上述点云簇中的点，多次旋转得到多个上述边界框。该方法是基于搜索的边框构建算法，在搜索的过程中，寻找最合适的边框来代表上述点云簇。如图4所示，图4示出了基于搜索的边界框构建示意图，首先，选取点云簇中的两个末点，确定一条目标直线，并确定点云簇中与该直线距离最大的点为旋转点，分别连接旋转点和两个末点，得到两个边长l1和l2，以旋转点为边框一个角的旋转原点，以l1和l2为边框的两个边长，它们成直角关系，以x轴为起始位置，顺时针或逆时针旋转，每次旋转0.5°，旋转至90°停止，确定每次旋转对应的目标评价值。
具体实现过程中，上述步骤S203可以通过以下步骤实现：步骤S2031，根据公式确定上述第二评价值，其中，A1、B1以及C1为上述点云簇对应的坐标系的x轴的直线方程的系数，A2、B2以及C2为上述点云簇对应的坐标系的y轴的直线方程的系数，xi、yi为上述点云簇中的点在上述预定坐标系中的坐标值。实际上，上述方法确定的是各点离坐标轴的做近距离的和，即点到边缘平均误差最小值。上述方法可以快速确定第二评价值。
在一些实施例上，上述步骤S203还可以通过其他方式实现，例如：步骤S2032，根据公式E＝aE1+bE2，确定上述目标评价值，其中，E为上述目标评价值，a为上述第一评价值的权重系数，E1为上述第一评价值，b为上述第二评价值的权重系数，E2为上述第二评价值。该方法通过引入权重系数可以平衡误差，进而考虑到两个评价值之间的量化关系。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的实施例对本申请的基于激光点云的障碍物检测方法的实现过程进行详细说明。
本实施例涉及一种具体的基于激光点云的障碍物检测方法，如图5所示，包括如下步骤：
步骤S1：点云预处理，该步骤主要是进行点云坐标转换和异常点处理。将多个车载激光雷达输出的点云数据依据转换矩阵进行空间同步，从而合并得到总点云，便于后续算法进行处理。在得到总点云后，进行异常点处理，对每个点云选取合适的半径，如果该半径没有其他点云出现，那么判定该点为异常点，将该点去除。
步骤S2：地面分割，该步骤是通过点云分割算法将预处理后的点云分割为地面点和非地面点。通过该步骤能够确定后续过程需要处理的点云，减少了后续算法的设计难度和数据处理量。通过自适应阈值的偏度平衡滤波算法，对空间内的点云划分栅格，并计算栅格内部点云的偏度特征，计算方法为：通过RANSAC算法估计栅格内部点云的平面方程，按照距离公式计算栅格内部的所有点云与平面的距离。进一步，根据上述第三点云数据中的各点至上述第一平面的距离、上述第三点云数据中的各点至上述第二平面的距离以及上述第三点云数据中的各点至上述第三平面的距离的和计算目标距离。此外，还可以根据公式D＝∑0.1×|dx|+0.1×|dy|+0.8×|dz|，计算目标距离。上述方法通过增加各点至上述第三平面的距离的权重系数，减少第一平面和第二平面的权重系数，可以进一步使分割算法在处理带坡度的平面时能有较好的处理效果。在实际应用过程中，上述目标距离值会在车辆行驶过程中进行自适应处理，默认车辆行驶路面附近主要为地面点，以特定ROI为范围。
步骤S3：点云聚类，该步骤是将地面分割得到的非地面点进一步分类为不同簇的点云。可以采用欧式聚类作为聚类算法，其以距离为特征，按照聚类判断点云是否属于同一簇。
步骤S4：边框构建，该步骤对每簇点云进行构建，寻找最合适的边界框去代表点云簇。采用了基于搜索的边框构建算法，首先，选取点云簇中的两个末点，确定一条目标直线，并确定点云簇中与该直线距离最大的点为旋转点，分别连接旋转点和两个末点，得到两个边长l1l2，以旋转点为边框一个角的旋转原点，以l1l2为边框的两个边长，它们成直角关系，以x轴为起始位置，顺时针或逆时针旋转，每次旋转0.5°，旋转至90°停止，确定每次旋转对应的目标评价值。
本申请实施例还提供了一种基于激光点云的障碍物检测装置，需要说明的是，本申请实施例的基于激光点云的障碍物检测装置可以用于执行本申请实施例所提供的用于基于激光点云的障碍物检测方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
以下对本申请实施例提供的基于激光点云的障碍物检测装置进行介绍。
图6是根据本申请实施例的基于激光点云的障碍物检测装置的示意图。如图6所示，该装置包括：
获取单元10，用于获取目标点云数据，并对上述目标点云数据进行聚类，得到多个点云簇，上述目标点云数据为表征车辆的障碍物的点云数据；
具体地，点云数据是指通过激光雷达扫描得到的数据，该数据是位于三维坐标系中的向量的集合。本申请的目标点云数据为车载激光雷达扫描得到的障碍物信息形成的点云数据。聚类方法可以为谱聚类算法、层次聚类算法、均值迁移算法、综合层次聚类算法、近邻传播聚类算法、密度聚类算法以及k均值聚类算法等算法，本领域技术人员可以根据实际情况进行选择。通过对上述目标点云数据进行聚类，可以使类间对象的同质性达到最大，把不同的数据点按照相似与相异度分割成不同的簇，并确保每个簇中的数据都是尽可能相似，而不同簇的数据尽可能相异。
第一确定单元20，用于确定上述点云簇的多个边界框，并计算多个上述边界框的面积，并将上述边界框的面积确定为第一评价值；
具体地，确定每个点云簇对应的多个边界框，该边界框的形状可以为任意形状，例如矩形、椭圆形、不规则多边形等。实际上，上述边界框是一种感兴趣区域(Region ofInterest，简称ROI)，根据不同的边界框的形状，并确定对应的面积。该第一评价值用于评估边界框面积的最小化。
第二确定单元30，用于根据上述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个上述第一评价值和所有的上述第二评价值确定一个目标评价值，得到多个上述目标评价值，其中，上述目标评价值用于评价上述边界框确定上述点云簇的位置的准确性，上述预定坐标系为上述点云簇所在的坐标系；
具体地，上述第二评价值用于评估点云簇中的点到边缘误差的最小化。可以通过求上述第一评价值和第二评价值的和的方式，确定目标评价值。通过上述方法，可以同时通过两种不同的评价值来评价边界框确定点云簇的准确率。
第三确定单元40，用于确定多个上述目标评价值中的最小值对应的上述边界框为目标边界框，并根据上述目标边界框确定上述点云簇对应的障碍物的位置。
具体地，在上述目标评价值最小的情况下，可以确定点云簇最准确的边界框即目标边界框。并根据上述目标边界框确定对应的点云簇，并根据点云簇可以确定车辆的障碍物的位置。再将障碍物的位置信息传输至车辆的决策规划模块，车辆根据该障碍物的位置信息进行躲避，有利于车辆的安全。上述方法可以提升确定车辆的障碍物的位置的准确性。
通过本实施例，获取单元获取目标点云数据，并对目标点云数据进行聚类，得到多个点云簇；第一确定单元确定点云簇的多个边界框，并计算多个边界框的面积，并将边界框的面积确定为第一评价值，第二确定单元根据点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个第一评价值和所有的第二评价值确定一个目标评价值，得到多个目标评价值；第三确定单元确定多个目标评价值中的最小值对应的边界框为目标边界框，并根据目标边界框确定点云簇对应的障碍物的位置。该装置通过第一评价值和第二评价值两种不同的评价值进行结合，避免了单一评价值导致目标方向信息误检的情况，因此，可以提升激光点云的目标检测的准确性，进而确定准确的车辆的障碍物位置信息。解决了车辆的障碍物位置信息确定不准确的问题。
具体实现过程中，上述获取单元包括第一获取模块、第一处理模块以及第二处理模块，其中，第一获取模块用于获取多个第一点云数据，并对多个上述第一点云数据进行空间同步处理以使多个上述第一点云数据位于同一坐标系，得到第二点云数据，其中，多个上述第一点云数据为多个激光雷达扫描得到的点云数据；第一处理模块用于去除上述第二点云数据中的异常点，得到第三点云数据，其中，以上述异常点为圆心，预定半径为半径的圆内没有其他点；第二处理模块用于对上述第三点云数据进行处理，得到上述第三点云数据中的非地面点云数据，确定上述非地面点云数据为上述目标点云数据。该装置中，由于车辆可能会具有多个车在激光雷达，而每个激光雷达获取到的点云数据的位于的坐标系都是不同，因此需要将位于不同坐标系的点云数据整合至同一坐标系内。可以通过转换矩阵的方式进行空间同步，合并得到总点云，进而对该总点云进行处理。在得到总点云后，由于点云数据分布的不规律性，会出现一些与中心位置点云距离较远的异常值数据，这些异常值数据对于数据处理会产生消极的影响。因此，可以通过一些例如第一处理模块去除这些异常值。或者，可以确定第二点云数据中的中心点，并确定离该中心点距离大于预定距离的点为异常值点，并将这些异常值点去除。上述的点云预处理装置可以有利于进一步提升边界框确定的准确性。
具体实现过程中，上述第二处理模块包括处理子模块、获取子模块、第一确定子模块以及第二确定子模块，其中，处理子模块用于对上述第三点云数据进行栅格化处理，得到多个栅格数据；获取子模块用于获取上述栅格数据对应的第一平面、第二平面以及第三平面，其中，上述第一平面包含预定数量的点云数据，上述第二平面与上述第一平面垂直，上述第二平面与上述第三平面垂直，上述第一平面与上述第三平面垂直；第一确定子模块用于确定上述第三点云数据中的各点至上述第一平面的距离、上述第三点云数据中的各点至上述第二平面的距离以及上述第三点云数据中的各点至上述第三平面的距离的和为目标距离；第二确定子模块用于确定上述目标距离大于第一阈值的点云数据为上述非地面点云数据。在实际激光雷达扫描过程中，可能会扫描到一些非障碍物信息即非地面点数据，因此，需要对这些非障碍物信息和障碍物信息即地面点数据进行区分。上述装置通过点云分割算法来区分地面点和非地面点。上述装置中，可以通过RANSAC算法估计栅格内部点云的平面方程，RANSAC算法通过假设数据中包含正确数据和异常数据，正确数据记为内点，异常数据记为外点。RANSAC算法主要思想包括随机性和假设性，其中，随机性是根据正确数据出现概率去随机选取抽样数据，根据大数定律，随机性模拟可以近似得到正确结果。假设性是假设选取出的抽样数据都是正确数据，然后用这些正确数据通过问题满足的模型，去计算其他点，然后对这次结果进行一个评分。此外，通过上述装置还能够确定后续过程需要处理的点云，可以减少后续算法的设计难度和数据处理量。除了上述装置外，还可以通过其他滤波的方式来对地面点和非地面点数据进行区分。
上述第一确定子模块还用于设置各点至上述第一平面的距离、上述第三点云数据中的各点至上述第二平面的距离以及上述第三点云数据中的各点至上述第三平面的距离的权重系数，可以根据公式D＝∑0.1×|dx|+0.1×|dy|+0.8×|dz|，确定目标距离，其中，|dx|为各点至上述第一平面的距离，|dy|为各点至上述第二平面的距离，|dz|为各点至上述第三平面的距离。上述装置通过增加各点至上述第三平面的距离的权重系数，减少第一平面和第二平面的权重系数，可以进一步使分割算法在处理带坡度的平面时能有较好的处理效果。在实际应用过程中，上述目标距离值会在车辆行驶过程中进行自适应处理，默认车辆行驶路面附近主要为地面点，以特定ROI为范围。
在一些实施例上，上述获取单元包括第二获取模块、第一重复模块以及第二重复模块，第二获取模块用于获取上述目标点云数据中的目标点，确定上述目标点云数据中与上述目标点的最短距离小于第二阈值的点为集合点，上述集合点形成集合，其中，上述目标点为上述目标点云数据中的任意点云数据对应的点；第一重复模块用于第一重复步骤，重复上述获取步骤，在重复过程中任意两次的点不同且都为上述集合中的点；第二重复模块用于第二重复步骤，重复上述获取步骤和上述第一重复步骤预定次数，直到上述集合内上述集合点的数量不变，确定上述集合为上述点云簇。上述装置通过欧式聚类算法，以距离为特征，按照聚类判断点云是否属于同一簇。欧式聚类是一种基于欧氏距离度量的聚类算法。基于KD-Tree的近邻查询算法是加速欧式聚类算法的一种预处理。KD-Tree是一种平衡二叉树。若它的左子树不为空，则左子树上所有结点的值均小于它的根结点的值；若它的右子树不为空，则右子树上所有结点的值均大于它的根结点的值；它的左、右子树也分别为二叉搜索树；为了能有效的找到最近邻，KD-Tree采用将整个空间划分为几个小部分，KD-Tree是每个节点均为k维数值点的二叉树，其上的每个节点代表一个超平面，该超平面垂直于当前划分维度的坐标轴，并在该维度上将空间划分为两部分，一部分在其左子树，另一部分在其右子树。即若当前节点的划分维度为d，其左子树上所有点在d维的坐标值均小于当前值，右子树上所有点在d维的坐标值均大于等于当前值。如图3所示，图3示出了一种欧式聚类算法，首先确定目标点云数据中的某一点P，并对该点进行KD-Tree近邻搜索，得到k个离P较近的点，距离小于设定阈值的聚类于集合Q，当集合Q中的元素不再增加时，再选取目标点云数据中的其他点作为点P，重复上述步骤，可以得到多个点云簇。
具体实现过程中，上述第一确定单元包括第三获取模块、第一确定模块以及调整模块，其中，第三获取模块用于获取上述点云簇中的第一端点和第二端点，并确定上述第一端点和上述第二端点所在的直线为目标直线，其中，上述第一端点为上述点云簇中与上述预定坐标系的y轴的距离最大的点，上述第二端点为上述点云簇中与上述预定坐标系的x轴的距离最大的点；第一确定模块用于确定上述点云簇中与上述目标直线距离最大的点为旋转点，并确定上述旋转点与上述第一端点组成的线段为第一边长，确定上述旋转点与上述第二端点组成的线段为第二边长，并以上述第一边长和上述第二边长作为相邻边组成一个上述边界框；调整模块用于围绕上述旋转点，同步旋转上述第一边长和上述第二边长多次，并在旋转过程中调整上述第一边长和上述第二边长，以使得每次旋转调整后的上述第一边长和上述第二边长形成的上述边界框包括上述点云簇中的点，多次旋转得到多个上述边界框。该装置是基于搜索的边框构建算法，在搜索的过程中，寻找最合适的边框来代表上述点云簇。如图4所示，图4示出了基于搜索的边界框构建示意图，首先，选取点云簇中的两个末点，确定一条目标直线，并确定点云簇中与该直线距离最大的点为旋转点，分别连接旋转点和两个末点，得到两个边长l1和l2，以旋转点为边框一个角的旋转原点，以l1和l2为边框的两个边长，它们成直角关系，以x轴为起始位置，顺时针或逆时针旋转，每次旋转0.5°，旋转至90°停止，确定每次旋转对应的目标评价值。
具体实现过程中，上述第二确定单元包括第二确定模块，用于根据公式：确定上述第二评价值，其中，A1、B1以及C1为上述点云簇对应的坐标系的x轴的直线方程的系数，A2、B2以及C2为上述点云簇对应的坐标系的y轴的直线方程的系数，xi、yi为上述点云簇中的点在上述预定坐标系中的坐标值。实际上，上述装置确定的是各点离坐标轴的做近距离的和，即点到边缘平均误差最小值。上述装置可以快速确定第二评价值。
在一些实施例上，上述第二确定单元还包括第三确定模块，用于根据公式E＝aE1+bE2，确定上述目标评价值，其中，E为上述目标评价值，a为上述第一评价值的权重系数，E1为上述第一评价值，b为上述第二评价值的权重系数，E2为上述第二评价值。该装置通过引入权重系数可以平衡误差，进而考虑到两个评价值之间的量化关系。
上述基于激光点云的障碍物检测装置包括处理器和存储器，上述获取单元、第一确定单元、第二确定单元以及第三确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来确定点云。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述基于激光点云的障碍物检测方法。
具体地，基于激光点云的障碍物检测方法包括：
步骤S201，获取目标点云数据，并对上述目标点云数据进行聚类，得到多个点云簇，上述目标点云数据为表征车辆的障碍物的点云数据；
具体地，点云数据是指通过激光雷达扫描得到的数据，该数据是位于三维坐标系中的向量的集合。本申请的目标点云数据为车载激光雷达扫描得到的障碍物信息形成的点云数据。聚类方法可以为谱聚类算法、层次聚类算法、均值迁移算法、综合层次聚类算法、近邻传播聚类算法、密度聚类算法以及k均值聚类算法等算法，本领域技术人员可以根据实际情况进行选择。通过对上述目标点云数据进行聚类，可以使类间对象的同质性达到最大，把不同的数据点按照相似与相异度分割成不同的簇，并确保每个簇中的数据都是尽可能相似，而不同簇的数据尽可能相异。
步骤S202，确定上述点云簇的多个边界框，并计算多个上述边界框的面积，并将上述边界框的面积确定为第一评价值；
具体地，确定每个点云簇对应的多个边界框，该边界框的形状可以为任意形状，例如矩形、椭圆形、不规则多边形等。实际上，上述边界框是一种感兴趣区域(Region ofInterest，简称ROI)，根据不同的边界框的形状，并确定对应的面积。该第一评价值用于评估边界框面积的最小化。
步骤S203，根据上述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个上述第一评价值和所有的上述第二评价值确定一个目标评价值，得到多个上述目标评价值，其中，上述目标评价值用于评价上述边界框确定上述点云簇的位置的准确性，上述预定坐标系为上述点云簇所在的坐标系；
具体地，上述第二评价值用于评估点云簇中的点到边缘误差的最小化。可以通过求上述第一评价值和第二评价值的和的方式，确定目标评价值。通过上述方法，可以同时通过两种不同的评价值来评价边界框确定点云簇的准确率。
步骤S204，确定多个上述目标评价值中的最小值对应的上述边界框为目标边界框，并根据上述目标边界框确定上述点云簇对应的障碍物的位置。
具体地，在上述目标评价值最小的情况下，可以确定点云簇最准确的边界框即目标边界框。并根据上述目标边界框确定对应的点云簇，并根据点云簇可以确定车辆的障碍物的位置。再将障碍物的位置信息传输至车辆的决策规划模块，车辆根据该障碍物的位置信息进行躲避，有利于车辆的安全。上述方法可以提升确定车辆的障碍物的位置的准确性。
可选地，获取目标点云数据，包括：获取多个第一点云数据，并对多个上述第一点云数据进行空间同步处理以使多个上述第一点云数据位于同一坐标系，得到第二点云数据，其中，多个上述第一点云数据为多个激光雷达扫描得到的点云数据；去除上述第二点云数据中的异常点，得到第三点云数据，其中，以上述异常点为圆心，预定半径为半径的圆内没有其他点；对上述第三点云数据进行处理，得到上述第三点云数据中的非地面点云数据，确定上述非地面点云数据为上述目标点云数据。
可选地，对上述第三点云数据进行处理，得到上述第三点云数据中的非地面点云数据，包括：对上述第三点云数据进行栅格化处理，得到多个栅格数据；获取上述栅格数据对应的第一平面、第二平面以及第三平面，其中，上述第一平面包含预定数量的点云数据，上述第二平面与上述第一平面垂直，上述第二平面与上述第三平面垂直，上述第一平面与上述第三平面垂直；确定上述第三点云数据中的各点至上述第一平面的距离、上述第三点云数据中的各点至上述第二平面的距离以及上述第三点云数据中的各点至上述第三平面的距离的和为目标距离；确定上述目标距离大于第一阈值的点云数据为上述非地面点云数据。
可选地，对上述目标点云数据进行聚类，得到多个点云簇，包括：获取步骤，获取上述目标点云数据中的目标点，确定上述目标点云数据中与上述目标点的最短距离小于第二阈值的点为集合点，上述集合点形成集合，其中，上述目标点为上述目标点云数据中的任意点云数据对应的点；第一重复步骤，重复上述获取步骤，在重复过程中任意两次的点不同且都为上述集合中的点；第二重复步骤，重复上述获取步骤和上述第一重复步骤预定次数，直到上述集合内上述集合点的数量不变，确定上述集合为上述点云簇。
可选地，确定上述点云簇的多个边界框，包括：获取上述点云簇中的第一端点和第二端点，并确定上述第一端点和上述第二端点所在的直线为目标直线，其中，上述第一端点为上述点云簇中与上述预定坐标系的y轴的距离最大的点，上述第二端点为上述点云簇中与上述预定坐标系的x轴的距离最大的点；确定上述点云簇中与上述目标直线距离最大的点为旋转点，并确定上述旋转点与上述第一端点组成的线段为第一边长，确定上述旋转点与上述第二端点组成的线段为第二边长，并以上述第一边长和上述第二边长作为相邻边组成一个上述边界框；围绕上述旋转点，同步旋转上述第一边长和上述第二边长多次，并在旋转过程中调整上述第一边长和上述第二边长，以使得每次旋转调整后的上述第一边长和上述第二边长形成的上述边界框包括上述点云簇中的点，多次旋转得到多个上述边界框。
可选地，根据上述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，包括：根据公式确定上述第二评价值，其中，A1、B1以及C1为上述点云簇对应的坐标系的x轴的直线方程的系数，A2、B2以及C2为上述点云簇对应的坐标系的y轴的直线方程的系数，xi、yi为上述点云簇中的点在上述预定坐标系中的坐标值。
可选地，根据一个上述第一评价值和所有的上述第二评价值确定一个目标评价值，得到多个上述目标评价值，包括：根据公式E＝aE1+bE2，确定上述目标评价值，其中，E为上述目标评价值，a为上述第一评价值的权重系数，E1为上述第一评价值，b为上述第二评价值的权重系数，E2为上述第二评价值。
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述基于激光点云的障碍物检测方法。
具体地，基于激光点云的障碍物检测方法包括：
步骤S201，获取目标点云数据，并对上述目标点云数据进行聚类，得到多个点云簇，上述目标点云数据为表征车辆的障碍物的点云数据；
具体地，点云数据是指通过激光雷达扫描得到的数据，该数据是位于三维坐标系中的向量的集合。本申请的目标点云数据为车载激光雷达扫描得到的障碍物信息形成的点云数据。聚类方法可以为谱聚类算法、层次聚类算法、均值迁移算法、综合层次聚类算法、近邻传播聚类算法、密度聚类算法以及k均值聚类算法等算法，本领域技术人员可以根据实际情况进行选择。通过对上述目标点云数据进行聚类，可以使类间对象的同质性达到最大，把不同的数据点按照相似与相异度分割成不同的簇，并确保每个簇中的数据都是尽可能相似，而不同簇的数据尽可能相异。
步骤S202，确定上述点云簇的多个边界框，并计算多个上述边界框的面积，并将上述边界框的面积确定为第一评价值；
具体地，确定每个点云簇对应的多个边界框，该边界框的形状可以为任意形状，例如矩形、椭圆形、不规则多边形等。实际上，上述边界框是一种感兴趣区域(Region ofInterest，简称ROI)，根据不同的边界框的形状，并确定对应的面积。该第一评价值用于评估边界框面积的最小化。
步骤S203，根据上述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个上述第一评价值和所有的上述第二评价值确定一个目标评价值，得到多个上述目标评价值，其中，上述目标评价值用于评价上述边界框确定上述点云簇的位置的准确性，上述预定坐标系为上述点云簇所在的坐标系；
具体地，上述第二评价值用于评估点云簇中的点到边缘误差的最小化。可以通过求上述第一评价值和第二评价值的和的方式，确定目标评价值。通过上述方法，可以同时通过两种不同的评价值来评价边界框确定点云簇的准确率。
步骤S204，确定多个上述目标评价值中的最小值对应的上述边界框为目标边界框，并根据上述目标边界框确定上述点云簇对应的障碍物的位置。
具体地，在上述目标评价值最小的情况下，可以确定点云簇最准确的边界框即目标边界框。并根据上述目标边界框确定对应的点云簇，并根据点云簇可以确定车辆的障碍物的位置。再将障碍物的位置信息传输至车辆的决策规划模块，车辆根据该障碍物的位置信息进行躲避，有利于车辆的安全。上述方法可以提升确定车辆的障碍物的位置的准确性。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤S201，获取目标点云数据，并对上述目标点云数据进行聚类，得到多个点云簇，上述目标点云数据为表征车辆的障碍物的点云数据；
步骤S202，确定上述点云簇的多个边界框，并计算多个上述边界框的面积，并将上述边界框的面积确定为第一评价值；
步骤S203，根据上述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个上述第一评价值和所有的上述第二评价值确定一个目标评价值，得到多个上述目标评价值，其中，上述目标评价值用于评价上述边界框确定上述点云簇的位置的准确性，上述预定坐标系为上述点云簇所在的坐标系；
步骤S204，确定多个上述目标评价值中的最小值对应的上述边界框为目标边界框，并根据上述目标边界框确定上述点云簇对应的障碍物的位置。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤S201，获取目标点云数据，并对上述目标点云数据进行聚类，得到多个点云簇，上述目标点云数据为表征车辆的障碍物的点云数据；
步骤S202，确定上述点云簇的多个边界框，并计算多个上述边界框的面积，并将上述边界框的面积确定为第一评价值；
步骤S203，根据上述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个上述第一评价值和所有的上述第二评价值确定一个目标评价值，得到多个上述目标评价值，其中，上述目标评价值用于评价上述边界框确定上述点云簇的位置的准确性，上述预定坐标系为上述点云簇所在的坐标系；
步骤S204，确定多个上述目标评价值中的最小值对应的上述边界框为目标边界框，并根据上述目标边界框确定上述点云簇对应的障碍物的位置。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1)、本申请的基于激光点云的障碍物检测方法，首先，获取目标点云数据，并对目标点云数据进行聚类，得到多个点云簇；再确定点云簇的多个边界框，并计算多个边界框的面积，并将边界框的面积确定为第一评价值，根据点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个第一评价值和所有的第二评价值确定一个目标评价值，得到多个目标评价值；最后，确定多个目标评价值中的最小值对应的边界框为目标边界框，并根据目标边界框确定点云簇对应的障碍物的位置。该方法通过第一评价值和第二评价值两种不同的评价值进行结合，避免了单一评价值导致目标方向信息误检的情况，因此，可以提升激光点云的目标检测的准确性，进而确定准确的车辆的障碍物位置信息。解决了车辆的障碍物位置信息确定不准确的问题。
2)、本申请的基于激光点云的障碍物检测装置，获取单元获取目标点云数据，并对目标点云数据进行聚类，得到多个点云簇；第一确定单元确定点云簇的多个边界框，并计算多个边界框的面积，并将边界框的面积确定为第一评价值，第二确定单元根据点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个第一评价值和所有的第二评价值确定一个目标评价值，得到多个目标评价值；第三确定单元确定多个目标评价值中的最小值对应的边界框为目标边界框，并根据目标边界框确定点云簇对应的障碍物的位置。该装置通过第一评价值和第二评价值两种不同的评价值进行结合，避免了单一评价值导致目标方向信息误检的情况，因此，可以提升激光点云的目标检测的准确性，进而确定准确的车辆的障碍物位置信息。解决了车辆的障碍物位置信息确定不准确的问题。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于激光点云的障碍物检测方法，其特征在于，包括：
获取目标点云数据，并对所述目标点云数据进行聚类，得到多个点云簇，所述目标点云数据为表征车辆的障碍物的点云数据；
确定所述点云簇的多个边界框，并计算多个所述边界框的面积，并将所述边界框的面积确定为第一评价值；
根据所述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个所述第一评价值和所有的所述第二评价值确定一个目标评价值，得到多个所述目标评价值，其中，所述目标评价值用于评价所述边界框确定所述点云簇的位置的准确性，所述预定坐标系为所述点云簇所在的坐标系；
确定多个所述目标评价值中的最小值对应的所述边界框为目标边界框，并根据所述目标边界框确定所述点云簇对应的障碍物的位置。
2.根据权利要求1所述的方法，其特征在于，获取目标点云数据，包括：
获取多个第一点云数据，并对多个所述第一点云数据进行空间同步处理以使多个所述第一点云数据位于同一坐标系，得到第二点云数据，其中，多个所述第一点云数据为多个激光雷达扫描得到的点云数据；
去除所述第二点云数据中的异常点，得到第三点云数据，其中，以所述异常点为圆心，预定半径为半径的圆内没有其他点；
对所述第三点云数据进行处理，得到所述第三点云数据中的非地面点云数据，确定所述非地面点云数据为所述目标点云数据。
3.根据权利要求2所述的方法，其特征在于，对所述第三点云数据进行处理，得到所述第三点云数据中的非地面点云数据，包括：
对所述第三点云数据进行栅格化处理，得到多个栅格数据；
获取所述栅格数据对应的第一平面、第二平面以及第三平面，其中，所述第一平面包含预定数量的点云数据，所述第二平面与所述第一平面垂直，所述第二平面与所述第三平面垂直，所述第一平面与所述第三平面垂直；
确定所述第三点云数据中的各点至所述第一平面的距离、所述第三点云数据中的各点至所述第二平面的距离以及所述第三点云数据中的各点至所述第三平面的距离的和为目标距离；
确定所述目标距离大于第一阈值的点云数据为所述非地面点云数据。
4.根据权利要求1所述的方法，其特征在于，对所述目标点云数据进行聚类，得到多个点云簇，包括：
获取步骤，获取所述目标点云数据中的目标点，确定所述目标点云数据中与所述目标点的最短距离小于第二阈值的点为集合点，所述集合点形成集合，其中，所述目标点为所述目标点云数据中的任意点云数据对应的点；
第一重复步骤，重复所述获取步骤，在重复过程中任意两次的点不同且都为所述集合中的点；
第二重复步骤，重复所述获取步骤和所述第一重复步骤预定次数，直到所述集合内所述集合点的数量不变，确定所述集合为所述点云簇。
5.根据权利要求1所述的方法，其特征在于，确定所述点云簇的多个边界框，包括：
获取所述点云簇中的第一端点和第二端点，并确定所述第一端点和所述第二端点所在的直线为目标直线，其中，所述第一端点为所述点云簇中与所述预定坐标系的y轴的距离最大的点，所述第二端点为所述点云簇中与所述预定坐标系的x轴的距离最大的点；
确定所述点云簇中与所述目标直线距离最大的点为旋转点，并确定所述旋转点与所述第一端点组成的线段为第一边长，确定所述旋转点与所述第二端点组成的线段为第二边长，并以所述第一边长和所述第二边长作为相邻边组成一个所述边界框；
围绕所述旋转点，同步旋转所述第一边长和所述第二边长多次，并在旋转过程中调整所述第一边长和所述第二边长，以使得每次旋转调整后的所述第一边长和所述第二边长形成的所述边界框包括所述点云簇中的点，多次旋转得到多个所述边界框。
6.根据权利要求1所述的方法，其特征在于，根据所述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，包括：
根据公式确定所述第二评价值，其中，A1、B1以及C1为所述点云簇对应的坐标系的x轴的直线方程的系数，A2、B2以及C2为所述点云簇对应的坐标系的y轴的直线方程的系数，xi、yi为所述点云簇中的点在所述预定坐标系中的坐标值。
7.根据权利要求1所述的方法，其特征在于，根据一个所述第一评价值和所有的所述第二评价值确定一个目标评价值，得到多个所述目标评价值，包括：
根据公式E＝aE1+bE2，确定所述目标评价值，其中，E为所述目标评价值，a为所述第一评价值的权重系数，E1为所述第一评价值，b为所述第二评价值的权重系数，E2为所述第二评价值。
8.一种基于激光点云的障碍物检测装置，其特征在于，包括：
获取单元，用于获取目标点云数据，并对所述目标点云数据进行聚类，得到多个点云簇，所述目标点云数据为表征车辆的障碍物的点云数据；
第一确定单元，用于确定所述点云簇的多个边界框，并计算多个所述边界框的面积，并将所述边界框的面积确定为第一评价值；
第二确定单元，用于根据所述点云簇中的各点到预定坐标系的各坐标轴的距离，确定第二评价值，并根据一个所述第一评价值和所有的所述第二评价值确定一个目标评价值，得到多个所述目标评价值，其中，所述目标评价值用于评价所述边界框确定所述点云簇的位置的准确性，所述预定坐标系为所述点云簇所在的坐标系；
第三确定单元，用于确定多个所述目标评价值中的最小值对应的所述边界框为目标边界框，并根据所述目标边界框确定所述点云簇对应的障碍物的位置。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任一项所述的方法。
CN202310416708.4A 2023-04-13 2023-04-13 基于激光点云的障碍物检测方法和障碍物检测装置 Pending CN116486371A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310416708.4A CN116486371A (zh) 2023-04-13 2023-04-13 基于激光点云的障碍物检测方法和障碍物检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310416708.4A CN116486371A (zh) 2023-04-13 2023-04-13 基于激光点云的障碍物检测方法和障碍物检测装置

Publications (1)

Publication Number Publication Date
CN116486371A true CN116486371A (zh) 2023-07-25

Family

ID=87217167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310416708.4A Pending CN116486371A (zh) 2023-04-13 2023-04-13 基于激光点云的障碍物检测方法和障碍物检测装置

Country Status (1)

Country Link
CN (1) CN116486371A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934324A (zh) * 2024-03-25 2024-04-26 广东电网有限责任公司中山供电局 激光点云数据的去噪方法、装置和雷达扫描装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934324A (zh) * 2024-03-25 2024-04-26 广东电网有限责任公司中山供电局 激光点云数据的去噪方法、装置和雷达扫描装置
CN117934324B (zh) * 2024-03-25 2024-06-11 广东电网有限责任公司中山供电局 激光点云数据的去噪方法、装置和雷达扫描装置

Similar Documents

Publication Publication Date Title
CN111210429B (zh) 点云数据划分方法及装置、障碍物检测方法及装置
CN111582054B (zh) 点云数据处理方法及装置、障碍物检测方法及装置
CN111553946B (zh) 用于去除地面点云的方法及装置、障碍物检测方法及装置
El‐Sayed et al. Plane detection in 3D point cloud using octree‐balanced density down‐sampling and iterative adaptive plane extraction
CN113436223B (zh) 点云数据的分割方法、装置、计算机设备和存储介质
CN116486371A (zh) 基于激光点云的障碍物检测方法和障碍物检测装置
CN109658477A (zh) 一种基于lidar数据的dem生成算法
CN114648640A (zh) 一种目标物单体化方法、装置、设备及存储介质
CN114332291A (zh) 一种倾斜摄影模型建筑物外轮廓规则提取方法
CN110910435A (zh) 建筑物点云提取方法、装置、计算机设备及可读存储介质
CN106683105A (zh) 图像分割方法及图像分割装置
CN114693855A (zh) 一种点云数据的处理方法和装置
CN112446952B (zh) 三维点云法向量的生成方法、装置、电子设备及存储介质
CN117812542A (zh) 用户活跃位置的确定方法、装置和用户活跃位置监测系统
CN117576325A (zh) 点云数据处理方法和装置以及点云数据管理系统和方法
CN116402963A (zh) 车道线矢量模型构建方法、装置、电子设备和存储介质
CN114463512B (zh) 点云数据的处理方法、矢量化方法及装置
CN114070438B (zh) 一种5g基站电磁信号的检测方法及系统
CN114241315A (zh) 装载率的确定方法及装置、存储介质、电子装置
CN113313822A (zh) 3d人耳模型构建方法、系统、设备及介质
CN117934324B (zh) 激光点云数据的去噪方法、装置和雷达扫描装置
CN116486283B (zh) 一种基于体素划分的实时点云目标检测方法及装置
Yu et al. 3D Point Cloud Segmentation Algorithm Based on Improved Region Growing
CN117671168B (zh) 一种地形聚合方法、装置、设备及存储介质
CN117876638A (zh) 模型分割方法、装置及电子设备

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