一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法论文和设计

全文摘要

本发明涉及汽车辅助驾驶或自动驾驶技术领域，具体涉及一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法，本发明采用独特的双线滤波过滤方法，滤除尖锐噪声和离群点的同时保留了点云所反映的局部细节信息（而这些细节对于高精度地识别路沿及路面有非常重要的作用），为后续高精度路面路沿的提取提供了坚实的基础。本发明不仅能在良好的城市道路环境中实现稳定而优良的路面路沿检测结果，而且在大量噪声，障碍物以及复杂道路条件下同样能检测到比较完好的路面和路沿。同时，本方法不仅对高线束的Ｌｉｄａｒ点云有很强的检测能力，而且对低线数Ｌｉｄａｒ点云信息，同样具有良好的检测能力。

主设计要求

1.一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法,包括点云分线处理方法、滤波过滤处理方法、进行点云的特征微分和积分运算方法、进行路面、路沿和障碍物融合方法及计算路面主方向的方法，其特征在于所述滤波过滤处理采用双线滤波过滤方法，方法具体如下：第一步.对于每条点云线进行线内排序处理,该排序为根据其点在原始点云中的索引大小进行从大到小的排序；第二步.对每条点云线，从最小的索引点开始，对每一个点前向检测其与本线中剩余未处理的点构成的集合中欧氏距离最近的一个点，将点保留并作为下次检测的起始点，同时将当前点标识为已处理，直到处理完毕,此处理保留的点为第一条线的滤波结果；第三步.对每条点云线，从最大索引的点开始，对每一个点后向检测其与本线中剩余未处理的点构成的集合中欧氏距离最近的一个点，将点保留并作为下次检测的起始点，同时将当前点标识为已处理，直到处理完毕,这是第二条线的滤波结果；第四步.对第二步和第三步获得到的点云进行融合，遍历第二步和第三步中得到的点，在这两步中都保留的点则被认为是特征稳定点，需要保留下来，最终获得的这些点是双线滤波器的滤波结果；进行点云的特征微分和积分运算方法具体如下：对第三步处理后的点云中每个点进行局部高程差分运算，之后，对所得的高程差分信息进行积分运算，并在获得的结果上，根据路沿、路面和障碍物的高程、尺度大小和点云密度特征对点云进行过滤，实现路沿、路面以及障碍物的初步类内聚类和类间分割。

设计方案

1.一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法,包括点云分线处理方法、滤波过滤处理方法、进行点云的特征微分和积分运算方法、进行路面、路沿和障碍物融合方法及计算路面主方向的方法，其特征在于所述滤波过滤处理采用双线滤波过滤方法，方法具体如下：

第一步.对于每条点云线进行线内排序处理,该排序为根据其点在原始点云中的索引大小进行从大到小的排序；

第二步.对每条点云线，从最小的索引点开始，对每一个点前向检测其与本线中剩余未处理的点构成的集合中欧氏距离最近的一个点，将点保留并作为下次检测的起始点，同时将当前点标识为已处理，直到处理完毕,此处理保留的点为第一条线的滤波结果；

第三步.对每条点云线，从最大索引的点开始，对每一个点后向检测其与本线中剩余未处理的点构成的集合中欧氏距离最近的一个点，将点保留并作为下次检测的起始点，同时将当前点标识为已处理，直到处理完毕,这是第二条线的滤波结果；

第四步.对第二步和第三步获得到的点云进行融合，遍历第二步和第三步中得到的点，在这两步中都保留的点则被认为是特征稳定点，需要保留下来，最终获得的这些点是双线滤波器的滤波结果；

进行点云的特征微分和积分运算方法具体如下：对第三步处理后的点云中每个点进行局部高程差分运算，之后，对所得的高程差分信息进行积分运算，并在获得的结果上，根据路沿、路面和障碍物的高程、尺度大小和点云密度特征对点云进行过滤，实现路沿、路面以及障碍物的初步类内聚类和类间分割。

2.如权利要求1所述的一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法,其特征在于所述点云分线处理方法具体如下：根据ｌｉｄａｒ传感器坐标系位置以及与地面的扫描线所形成的几何关系，对获取到的点云进行分线，该几何关系包括：传感器的每条扫描线与地面的夹角，以及所扫描的点云中每个点的索引先后位置关系。

3.如权利要求1所述的一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法,其特征在于进行路面、路沿和障碍物融合方法具体如下：通过最小二乘法对局部点云拟合出线段，并根据线段夹角及夹角变化率分别估计出局部点云的夹角和曲率，同时结合点云的特征微分和积分运算方法中获取的积分高程信息以及点云密度，对获取的路面、路沿以及障碍物进行合并。

4.如权利要求1所述的一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法,其特征在于计算路面主方向的方法具体如下：利用机器学习中ＰＣＡ方法对路面、路沿及障碍物进行过滤，过滤过程为：与主方向一致的路面被认为是有效路面，有效路面的路沿被认为是有效路沿，经过过滤，最终提取出高精度和语义上规范的路面和路沿；

具体如下：将经过第四步获得的全部的局部路面候选点云映射到XY平面上，利用PCA方法计算获得其主方向，主方向即为整体路面的方向Vp，构建过原点o（0,0）且以Vp为方向的直线lp，在XY平面上对每个局部路面候选点云进行如下判断：若每个局部路面候选点云与lp相交或与lp之间的夹角小于阈值，则该局部路面候选点云成为局部路面点云；其中，局部路面候选点云与lp相交是指局部路面候选点云的两个端点el和er与原点o形成的三角形与直线lp的交点落在el和er构成的线段上；而局部路面候选点云与lp之间的夹角是指直线oel和oer分别与lp形成的两个夹角中的最小值。

设计说明书

技术领域

本发明涉及汽车辅助驾驶或自动驾驶技术领域，具体涉及一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法。

背景技术

在自动驾驶领域，路沿和路面检测是形成可行驶区域的基础工作之一，对实现Ｌ４级别的自动驾驶有着至关重要的作用。在传统的基于２Ｄ视觉的解决方案中，由于缺失了深度信息，在某些视觉信息受到影响（如强光、夜晚）的场景下，路面和路沿检测无法很好地得到解决。在以Ｌｉｄａｒ为主要传感器的３Ｄ传感器中，这个问题可以得到良好的解决。然而，由于受到现阶段传感器的发展以及科研水平的限制，从３Ｄ点云中提取健壮而稳定的路面和路沿信息还是一个难点。

一般而言，在自动驾驶场景中使用的Ｌｉｄａｒ点云密度比较低，而路沿的特征存在于局部细节中，同时，这些局部细节又容易受到大量尖锐噪声和离群点的影响。因此，如何从低密度点云信息中获取路沿的细节特征是当前路面路沿检测的一个难点。而使用现有的滤波器（常见的滤波器如算术平均滤波器、中值滤波器、高斯滤波器）过滤尖锐噪声和离群点时，往往会造成局部细节的损失，而这些细节正是提取路沿信息的关键。

发明内容

本发明的目地在于解决现有技术的问题，提供一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法，获取到健壮、稳定的路面和路沿特征信息，从而实现了对路面和路沿信息的高效提取。

为实现上述目的，设计一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法，包括点云分线处理方法、滤波过滤处理方法、进行点云的特征微分和积分运算方法、进行路面、路沿和障碍物融合方法及计算路面主方向的方法，其特征在于所述滤波过滤处理采用双线滤波过滤方法，具体方法如下：

第一步.对于每条点云线进行线内排序处理,该排序为根据其点在原始点云中的索引大小进行从大到小的排序;

第二步.对每条点云线，从最小的索引点开始，对每一个点前向检测其与本线中剩余未处理的点构成的集合中欧氏距离最近的一个点，将点保留并作为下次检测的起始点，同时将当前点标识为已处理，直到处理完毕,此处理保留的点为第一条线的滤波结果;

第三步.对每条点云线，从最大索引的点开始，对每一个点后向检测其与本线中剩余未处理的点构成的集合中欧氏距离最近的一个点，将点保留并作为下次检测的起始点，同时将当前点标识为已处理，直到处理完毕,这是第二条线的滤波结果;

第四步.对第二步和第三步获得到的点云进行融合，遍历第二步和第三步中得到的点，在这两步中都保留的点则被认为是特征稳定点，需要保留下来，最终获得的这些点是双线滤波器的滤波结果。

所述的一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法,其特征在于所述点云分线处理方法具体如下：根据ｌｉｄａｒ传感器坐标系位置以及与地面的扫描线所形成的几何关系，对获取到的点云进行分线，该几何关系包括：传感器的每条扫描线与地面的夹角，以及所扫描的点云中每个点的索引先后位置关系。

所述的一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法,其特征在于进行点云的特征微分和积分运算方法具体如下：对第三步处理后的点云中每个点进行局部高程差分运算，之后，对所得的高程差分信息进行积分运算，并在获得的结果上，根据路沿、路面和障碍物的高程、尺度大小和点云密度特征对点云进行过滤，实现路沿、路面以及障碍物的初步类内聚类和类间分割。

所述的一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法,其特征在于进行路面、路沿和障碍物融合方法具体如下：通过最小二乘法对局部点云拟合出线段，并根据线段夹角及夹角变化率分别估计出局部点云的夹角和曲率，同时结合第三步中获取的的积分高程信息以及点云密度，对第三步获取的路面、路沿以及障碍物进行合并。

所述的一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法,其特征在于计算路面主方向的方法具体如下：利用机器学习中ＰＣＡ方法对路面、路沿及障碍物进行过滤，过滤过程为：与主方向一致的路面被认为是有效路面，有效路面的路沿被认为是有效路沿，经过过滤，最终提取出高精度和语义上规范的路面和路沿。

本发明采用独特的双线滤波过滤方法，滤除尖锐噪声和离群点的同时保留了点云所反映的局部细节信息（而这些细节对于高精度地识别路沿及路面有非常重要的作用），为后续高精度路面路沿的提取提供了坚实的基础。不仅能在良好的城市道路环境中实现稳定而优良的路面路沿检测结果，而且在大量噪声、障碍物以及复杂道路条件下同样能检测到比较完好的路面和路沿。同时，本方法不仅对高线束的Ｌｉｄａｒ点云有很强的检测能力，而且对低线数Ｌｉｄａｒ点云信息，同样具有良好的检测能力。本方法在ＮＵＬＬＭＡＸ所拥有的数据集上取得了９５％召回率和９２％准确率。

附图说明]

图1为未过滤的原图；

图2为图1的局部示意图；

图3为第一次处理结果图；

图4为第二次处理结果图；

图5为图3和图4合并结果图；

图6为最终结果图；

图7为点云分线处理几何关系图。

图中：1、起始点。

具体实施方式

下面结合附图及实施例对本发明的技术方案作进一步描述，以下实例用于说明本发明，但不能用来限制本发明的范围。

实施例：

一.点云分线处理:参见图7

点云分线处理具体如下：

1、同一扫描环线内的点与Lidar传感器之间的水平夹角设计图

一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法论文和设计

一种基于信息融合的Ｌｉｄａｒ传感器的高效路面和路沿检测方法论文和设计

全文摘要

主设计要求

设计方案

设计说明书

相关信息详情

猜你喜欢