本發(fā)明屬于智能駕駛技術(shù)領(lǐng)域，尤其涉及一種基于三維激光雷達目標(biāo)識別的點云密度增強的方法。

背景技術(shù)：

智能駕駛技術(shù)在交通安全、環(huán)境保護及緩解交通壓力等方面都有巨大的應(yīng)用潛力，目前已受到許多國家的科研機構(gòu)及公司的高度重視。智能駕駛技術(shù)研究具有跨學(xué)科、多交叉等特點，其涉及機械電子、模式識別、人工智能、控制科學(xué)及軟件工程等諸多學(xué)科知識，其中基于三維激光雷達的目標(biāo)識別是其重要研究內(nèi)容之一。

三維激光雷達是智能車輛獲取外部信息的重要傳感器之一，具有可靠性和實時性強、精確性高等優(yōu)點，因此被廣泛地應(yīng)用在智能車環(huán)境感知研究中。三維激光雷達具有多個激光傳感器，點數(shù)據(jù)則是大規(guī)模的離散測量點數(shù)據(jù)的集合，它們?yōu)檫€原測量對象的基本形狀特征和結(jié)構(gòu)細節(jié)提供了充足的信息。

但是，由三維激光雷達原理可知，目標(biāo)離雷達距離越近，其點云越稠密，反之將稀疏。圖1為一行人目標(biāo)點云同距離變化關(guān)系示意圖，如圖1所示，在10米處目標(biāo)點云中的點的數(shù)量約350個；隨著距離增加，該目標(biāo)點云中點的數(shù)量迅速下降，當(dāng)距離達至50米時，只剩約20個點。從圖1還可以發(fā)現(xiàn)，隨距離增加目標(biāo)點云的層數(shù)及每層上點數(shù)均同時減少。三維激光雷達這種點云密度同距離緊密相關(guān)的特性使得特征一致性較差，難以建立起目標(biāo)有效直方圖或幾何形狀特征，將極大地影響后期識別算法精度。為此，需要提供降低目標(biāo)點云密度同距離的緊密關(guān)系的方法，以便提高目標(biāo)識別的精度。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于三維激光雷達目標(biāo)識別的點云密度增強的方法來克服或至少減輕現(xiàn)有技術(shù)中的至少一個上述缺陷。

為實現(xiàn)上述目的，本發(fā)明提供一種基于三維激光雷達目標(biāo)識別的點云密度增強的方法，包括：通過三維激光雷達測量目標(biāo)的初始點云數(shù)據(jù)，確定所述初始點云數(shù)據(jù)中的目標(biāo)包圍體；以所述目標(biāo)包圍體的中心為原點構(gòu)建局部坐標(biāo)系，將所述初始點云數(shù)據(jù)從初始的雷達坐標(biāo)系下轉(zhuǎn)換到所述局部坐標(biāo)系下得到轉(zhuǎn)換后點云數(shù)據(jù)；基于徑向插值函數(shù)RBF和所述轉(zhuǎn)換后點云數(shù)據(jù)構(gòu)建三維曲面；基于所述三維曲面進行點云重采樣以生成新的點云。

進一步地，其中以所述目標(biāo)包圍體的中心為原點構(gòu)建局部坐標(biāo)系包括：以所述目標(biāo)包圍體的中心為所述局部坐標(biāo)系的原點；確定所述局部坐標(biāo)系的第一主平面，第二主平面與所述第一主平面正交。

進一步地，其中確定所述局部坐標(biāo)系的第一主平面包括：確定目標(biāo)包圍體內(nèi)點云的三個方向的特征向量e₁,e_2,e₃及對應(yīng)的特征值λ₁,λ_2,λ₃，其中特征值大小關(guān)系為λ₁＞λ₂＞λ₃；利用特征向量e₁,e₂來計算第一主平面

進一步地，其中特征向量e₁平行于所述雷達坐標(biāo)系的豎直軸，基于隨機抽樣一致性算法RANSAC及σ_hd計算特征向量e₂，特征向量e₃與特征向量e₁和e₂分別垂直，其中：

其中，N_t為點云中的點數(shù)，d_i為點i同其同層最近點的距離，HADP見下式：

其中，M_l為總層數(shù)，d_ij為點i同其最近點j的投影距離，N_l為第j層上點云總數(shù)量。

進一步地，其中將所述初始點云數(shù)據(jù)從初始的雷達坐標(biāo)系下轉(zhuǎn)換到所述局部坐標(biāo)系下得到轉(zhuǎn)換后點云數(shù)據(jù)包括：

設(shè)雷達坐標(biāo)系Oxyz下的點p_i(x,y,z)，其在局部坐標(biāo)系O′x′y′z′下的坐標(biāo)為p_i′(x′,y′,z′)，設(shè)坐標(biāo)系Ox′y′z′為平行于O′x′y′z′，且原點與Oxyz相同，則p_i在坐標(biāo)系Ox′y′z′下的坐標(biāo)值p_i″(x″,y″,z″)計算式為：

其中為對應(yīng)坐標(biāo)軸間夾角，則點p_i′(x′,y′,z′)由下式計算：

其中max(x″)，min(x″)分別為點的x″坐標(biāo)值的最大及最小值，max(y″)，min(y″)及max(z″)，min(z″)分別為y″和z″的最大、最小值。

進一步地，其中基于徑向插值函數(shù)RBF和所述轉(zhuǎn)換后點云數(shù)據(jù)構(gòu)建三維曲面包括：

基于RBF的函數(shù)S的表達式如下：

其中w_i為常量系數(shù)，Φ(r),r≥0為固定實值函數(shù)，||·||表示歐式距離，p為k維空間中點云，點p_i,i＝1,…,N為RBF函數(shù)逼近的中心；

其中，Φ(r)包括如下至少一個：和exp(r/ε)*(3r/ε+(r/ε)²)。

進一步地，其中，當(dāng)Φ(r)包括兩個以上表達式時，基于交叉檢驗及均方根誤差RMSE法選擇最優(yōu)Φ(r)：

其中p_i為測試點，N_p為測試點的數(shù)量，S為所述基于RBF的函數(shù)，F(xiàn)為已知測試函數(shù)，F(xiàn)的值為測試點的y′軸坐標(biāo)值，RMSE的值越小則Φ(r)更優(yōu)。

進一步地，基于所述三維曲面進行點云重采樣以生成新的點云包括：

將所述目標(biāo)投影至所述第一主平面上，按照橫、縱向網(wǎng)格寬度r_m,r_n生成二值網(wǎng)格坐標(biāo)系Omn，坐標(biāo)原點位于左上角，Om軸正向指向右方，On軸正向指向下方，各網(wǎng)格單元中存儲0/1值，其中值1表示網(wǎng)格對應(yīng)的主平面上存在點云投影，值0表示網(wǎng)格對應(yīng)的主平面上不存在點云投影；

利用下式對所述三維曲面上的點云中的所有點進行遍歷，確定其屬于的網(wǎng)格單元，如果網(wǎng)格單元中存在一個或多個點，則該網(wǎng)格單元值為1，否則為0，最終生成二值網(wǎng)絡(luò)：

其中m,n表示網(wǎng)格坐標(biāo)值，x_i′,z_i′為點i的坐標(biāo)值，min(x′),min(z′)為所有點云的最小x′及y′值；

在所述二值網(wǎng)格坐標(biāo)系中掃描線對應(yīng)每一層橫向網(wǎng)格，采用跳躍聚類JDC算法將各層上的掃描線進行分割，以表示其中一個分割，其中N_s為第L_j層上網(wǎng)格的分割數(shù)量，N_l為網(wǎng)格縱向?qū)訑?shù)，即掃描線個數(shù)；

在掃描線分割完成后對橫向單元值為0的網(wǎng)格進行重新調(diào)整，包括：

如果一個包括不止一個單元值為1的網(wǎng)格，則設(shè)置所處的所有網(wǎng)格為單元值為1的網(wǎng)格；

如果一個僅有一個單元值為1的網(wǎng)格，則設(shè)置該單元值為1的網(wǎng)格的左右兩側(cè)n_a個網(wǎng)格為單元值為1的網(wǎng)格，參數(shù)n_a取決于網(wǎng)格橫向?qū)挾萺_m；

對于縱向單元值為1的網(wǎng)格，計算網(wǎng)格相鄰層的近鄰分割，將處于這兩個分割的連接處的所有網(wǎng)格置為單元值為1的網(wǎng)格；

對網(wǎng)格坐標(biāo)系中的每一個單元值為1的網(wǎng)格，在目標(biāo)局部坐標(biāo)系O′x′y′z′都對應(yīng)一個點，該點的坐標(biāo)值為：

其中S為所述基于RBF的函數(shù)S，所有點(x′,y′,z′)的和構(gòu)成新的點云。

本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點：1、可使得目標(biāo)點云密度同其距離無關(guān)，有利于點云特征提??；2、可直接利用現(xiàn)有點云特征研究成果，如直方圖等；3、密度增加算法是在點云分割基礎(chǔ)上進行，因此適用于任意分割目標(biāo)。

附圖說明

圖1是現(xiàn)有技術(shù)中行人目標(biāo)在距離雷達10m-50m時的點云圖；

圖2是本發(fā)明提供的基于三維激光雷達目標(biāo)識別的點云密度增強的方法的流程圖；

圖3是目標(biāo)局部坐標(biāo)系的示意圖；

圖4(a)～(d)是在本發(fā)明提供的點云密度增強的方法中執(zhí)行點云重采樣的示意圖；

圖5是在圖2所示的流程中對縱向“hit cell”的線性計算示意圖。

具體實施方式

在附圖中，使用相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面結(jié)合附圖對本發(fā)明的實施例進行詳細說明。

在本發(fā)明的描述中，術(shù)語“中心”、“縱向”、“橫向”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明保護范圍的限制。

本發(fā)明提供一種基于三維激光雷達目標(biāo)識別的點云密度增強的方法，該方法可以應(yīng)用于智能車輛等應(yīng)用了三維激光雷達進行目標(biāo)識別的系統(tǒng)。

本發(fā)明提供一種基于三維激光雷達目標(biāo)識別的點云密度增強的方法，如圖2所示，將按照下述順序?qū)Ρ景l(fā)明進行說明。

步驟201，通過三維激光雷達測量目標(biāo)的初始點云數(shù)據(jù)，并確定初始點云數(shù)據(jù)中的目標(biāo)包圍體。

三維激光雷達通常具有多個激光傳感器，通過這些激光傳感器進行測量得到目標(biāo)的大量數(shù)據(jù)，即初始點云數(shù)據(jù)。在采集目標(biāo)的數(shù)據(jù)時可能會將周圍環(huán)境數(shù)據(jù)一并采集，目標(biāo)包圍體指的是反應(yīng)目標(biāo)的位置的點云。

步驟202，以目標(biāo)包圍體的中心為原點構(gòu)建局部坐標(biāo)系，將初始點云數(shù)據(jù)從初始的雷達坐標(biāo)系下轉(zhuǎn)換到局部坐標(biāo)系下得到轉(zhuǎn)換后點云數(shù)據(jù)。

在三維激光雷達系統(tǒng)中具有雷達坐標(biāo)系，初始點云數(shù)據(jù)反應(yīng)在該雷達坐標(biāo)系下。

本發(fā)明中需要建立局部坐標(biāo)系，坐標(biāo)系的兩個坐標(biāo)軸變量可視為下文構(gòu)建的三維曲面函數(shù)的兩個自變量，第三軸變量則為曲面函數(shù)的因變量。

如圖3所示，O’x’y’z’為目標(biāo)局部坐標(biāo)系，其原點位于目標(biāo)包圍體中心。設(shè)O’x’z’為目標(biāo)第一主平面O’y’z’為第二主平面由于坐標(biāo)系原點已知，且O’x’z’與O’y’z’正交，因此局部坐標(biāo)系的構(gòu)建相當(dāng)于計算主平面的過程。

本發(fā)明提供一種橫向距離標(biāo)準(zhǔn)差σ_hd作為主平面質(zhì)量的評價指標(biāo)：

在上式中，將包圍體內(nèi)點云投影至主平面上，而后視其為由多條獨立激光束生成的分層排列的二維點云。其中，N_t為點云數(shù)，d_i為點i同其同層最近點的距離，HADP的計算式為：

其中，M_l為總層數(shù)，d_ij為點i同其最近點j的投影距離，N_l為第j層上點云總數(shù)量。由σ_hd計算式可知，當(dāng)σ_hd越小時，則意味著質(zhì)量越高。

本發(fā)明中，采用主成分分析方法(Principal Component Analysis,PCA)計算主平面，其步驟為：首先，計算目標(biāo)包圍體內(nèi)點云的三個方向特征向量e₁,e₂,e₃及對應(yīng)的特征值λ₁,λ₂,λ₃，其中特征值大小關(guān)系為λ₁＞λ₂＞λ₃；其次，利用特征向量e₁,e₂來計算主平面PCA對于目標(biāo)形狀(點云分布)十分敏感。本發(fā)明中假設(shè)研究目標(biāo)均處于豎直狀態(tài)，則可以設(shè)目標(biāo)的主特征向量e₁平行于雷達坐標(biāo)系的Oz軸，因此主平面的計算可簡化為第二特征向量e₂的求解。本發(fā)明中基于RANSAC算法結(jié)合σ_hd計算e₂。

例如，下述算法1即為基于RANSAC及σ_hd的e₂計算方法的例子。

算法1基于RANSAC及σ_hd的e₂計算方法

局部坐標(biāo)建立以后，還需將初始點云數(shù)據(jù)從初始的雷達坐標(biāo)系下轉(zhuǎn)換到局部坐標(biāo)系下得到轉(zhuǎn)換后點云數(shù)據(jù)。以雷達坐標(biāo)系Oxyz下任意點p_i(x,y,z)為例，其在局部坐標(biāo)系O′x′y′z′下轉(zhuǎn)換為pi′(x′,y′,z′)。設(shè)坐標(biāo)系Ox′y′z′為平行于O′x′y′z′，且原點與Oxyz相同，則可知p_i在坐標(biāo)系Ox′y′z′下的坐標(biāo)值p_i″(x″,y″,z″)計算式為：

其中為對應(yīng)坐標(biāo)軸間夾角，則點p_i′(x′,y′,z′)可由下式計算：

其中max(x″)，min(x″)分別為點的x″坐標(biāo)值的最大及最小值，同樣max(y″)，min(y″)及max(z″)，min(z″)也分別為y″和z″坐標(biāo)值的最大、最小值。

步驟203，基于RBF和轉(zhuǎn)換后點云數(shù)據(jù)構(gòu)建三維曲面。

點云密度增強實際上可視為多維散點插值問題，但由于點云分布的非均勻性及不確定性，因此無法直接使用經(jīng)典的樣條曲線或多項式插值方法，本發(fā)明采用RBF(徑向插值函數(shù))插值法進行點云密度增強。

RBF插值法基本原理為假定F＝F(p)，p為k維空間中點云，F(xiàn)為代表真實三維曲面的實值函數(shù)。則當(dāng)前任務(wù)為尋找一個函數(shù)S來逼近F，則基于RBF的函數(shù)S可寫為以下形式：

其中w_i為常量系數(shù)，Φ(r),r≥0為固定實值函數(shù)且||·||表示歐式距離，則點p_i,i＝1,…,N被稱為RBF函數(shù)逼近的中心。

RBF插值法的關(guān)鍵是核函數(shù)同形狀參數(shù)ε的選擇，對于形狀參數(shù)ε通常采用ε＝0.815d，其中d_i為點i在同層點云中與其最近點的距離，N_t為點云數(shù)量。

核函數(shù)Φ(r)可以根據(jù)實際需要靈活設(shè)置。下表1為Φ(r)的常用函數(shù)，對于形狀參數(shù)ε通常采用ε＝0.815d，其中d_i為點i在同層點云中與其最近點的距離，N_t為點云數(shù)量。

表1 RBF核函數(shù)

本發(fā)明中，為了選擇最優(yōu)的核函數(shù)和形狀參數(shù)，還提供一種基于交叉檢驗及均方根誤差(RMS error，RMSE)的方法來確定最優(yōu)核函數(shù)和形狀參數(shù)。

RMSE用于量化插值精度，其計算式如下：

其中p_i為測試點，N_p為其數(shù)量，S為利用訓(xùn)練集構(gòu)建的插值函數(shù)，F(xiàn)為已知測試函數(shù)，其值即為測試點的y′軸坐標(biāo)值。顯然RMSE的值越小則意味著函數(shù)S越逼近真實函數(shù)F，即插值效果越好，換句話說，最小RMSE即對應(yīng)最優(yōu)的核函數(shù)及形狀函數(shù)ε。

另外，由于近處與遠處目標(biāo)點云密度的不同，因此稠密點云與稀疏點云應(yīng)采用不同的交叉檢驗方法。對于稠密點云目標(biāo)，leave-one-out(棄一)法將耗費大量計算資源，因此更適合于K-fold(K折)法；而對于稀疏點云目標(biāo)，leave-one-out法則更為適合。目標(biāo)點云稠密或稀疏可采用HADP來進行判斷，根據(jù)經(jīng)驗，如其HADP大于0.07則該目標(biāo)點云視為稀疏，否則視為稠密。下面舉例說明。

(1)基于leave-one-out法的稀疏點云的參數(shù)確定

leave-one-out交叉驗證法的思路是：設(shè)N_t為點云總數(shù)，則單次隨機選取N_t-1個點作為訓(xùn)練集，剩下一個點作為測試集來計算RMSE，而后不斷重復(fù)上述過程，直至每一個點都被作為多次訓(xùn)練和一次測試數(shù)據(jù)。

下面舉例說明基于leave-one-out交叉檢驗法計算RMSE的過程。如下所示，可以采用算法2，其中采用了不同的形狀參數(shù)及核函數(shù)。

(2)基于K-fold法的稠密點云的參數(shù)確定

針對于稠密目標(biāo)點云，采用5-fold交叉檢驗方法來估計RMSE。在檢驗中，首先將訓(xùn)練及隨即、平均分為5份，而后利用其中4份作為訓(xùn)練集，另外1份作為測試集，隨后重復(fù)上述步驟直至每一份均做過多次訓(xùn)練和一次測試集。

步驟204，基于三維曲面進行點云重采樣以生成新的點云。

在上一步驟中已經(jīng)建立三維曲面。本步驟中，基于該三維曲面進行點云采樣以生成新的均勻點云，即執(zhí)行點云重采樣過程。

如圖4所示，以虛擬行人目標(biāo)為例進行說明。圖4(a)為一虛擬行人目標(biāo)的主平面，將該目標(biāo)生成的點云視為不同激光束生成的多層點云，其中的曲線表示各層上的虛擬掃描線為掃描線層數(shù)，N_l為各掃描線上點云數(shù)量。圖4(b)(c)(d)表示采樣的三個步驟，分別為建立二值網(wǎng)格坐標(biāo)系Omn、基于網(wǎng)格坐標(biāo)系的重采樣及三維點云生成。

(1)建立二值網(wǎng)格坐標(biāo)系Omn

如圖4(b)所示，二值網(wǎng)格坐標(biāo)系是首先將目標(biāo)投影至主平面上，而后在此基礎(chǔ)上按照橫、縱向網(wǎng)格寬度r_m,r_n生成的網(wǎng)格，網(wǎng)格原點位于左上角，Om軸正向指向右方，On軸正向指向下方，各網(wǎng)格單元中存儲0或1值，其中值1表示該網(wǎng)格對應(yīng)的主平面上存在點云投影，值0則表示不存在點云投影。

目標(biāo)點云同網(wǎng)格單元值的映射公式如下式：

其中m,n表示網(wǎng)格坐標(biāo)值，x_i′,z_i′為點i的坐標(biāo)值，min(x′),min(z′)為所有點云的最小x′及y′值。

利用上式對所有點云進行遍歷分析，計算出其屬于的網(wǎng)格單元。如果網(wǎng)格中存在一個或多個點，則設(shè)該網(wǎng)格單元值為1，否則為0，最終可生成如圖4(b)的二值網(wǎng)格，為了描述簡便，下文中將單元值為1的網(wǎng)格稱為“hit cell”，將單元值為0的網(wǎng)格稱為“missing cell”。利用二值網(wǎng)格進行重采樣有兩點好處：一是將無結(jié)構(gòu)點云轉(zhuǎn)化為有結(jié)構(gòu)網(wǎng)格單元，便于理性點間關(guān)系，有利于后續(xù)采樣算法；二是網(wǎng)格分辨率可以通過調(diào)節(jié)r_m,r_n來實現(xiàn)，從而能夠方便地生成不同密度的新點云。

(2)基于網(wǎng)格坐標(biāo)系進行重采樣

如圖4(b)至(c)所示，網(wǎng)格坐標(biāo)系下的重采樣是在保持目標(biāo)形狀不變的基礎(chǔ)上對網(wǎng)格中的“hit cell”進行橫、縱向調(diào)整的過程。在網(wǎng)格坐標(biāo)系中掃描線即對應(yīng)每一層橫向網(wǎng)格，因此可采用JDC(Jump Distance Clustering，跳躍聚類)算法將各層上掃描線進行分割，即當(dāng)相鄰網(wǎng)格間的歐式距離小于某預(yù)設(shè)閾值時，則可視為這兩者源于同一分割。根據(jù)JDC算法，可將點云結(jié)構(gòu)進一步簡化為掃描線分割結(jié)構(gòu)，以表示其中一個分割，其中N_s為第L_j層上網(wǎng)格的分割數(shù)量，N_l為網(wǎng)格縱向?qū)訑?shù)，即掃描線個數(shù)。

在掃描線分割完成的基礎(chǔ)上對橫向“hit cell”進行重新調(diào)整，包括：

●如果一個包括不止一個“hit cell”，則設(shè)置該分割所處的所有網(wǎng)格為“hit cell”；

●如果一個僅有一個“hit cell”，則設(shè)置該“hit cell”的左右兩側(cè)n_a個網(wǎng)格為“hit cell”，參數(shù)n_a取決于網(wǎng)格橫向?qū)挾萺_m。

對于縱向“hit cell”，可采用如圖5所示的簡單的線性算法來計算。首先計算網(wǎng)格相鄰層的近鄰分割，而后將處于這兩個分割的連接處的所有網(wǎng)格置為“hit cell”。

圖4(c)為按照以上方法生成的新的采樣點云?？梢钥闯觯景l(fā)明不僅能夠生成稠密、均勻的點云，同時能夠保持目標(biāo)原有的形狀特征。例如行人目標(biāo)的手臂及腿部特征都能夠很好的保留下來，證明了所提方法的有效性。

(3)生成新的點云

對網(wǎng)格坐標(biāo)系中的每一個“hit cell”，在目標(biāo)局部坐標(biāo)系O′x′y′z′都對應(yīng)一個點，該點的坐標(biāo)值為：

其中S為插值曲面函數(shù)，圖4(d)即為從網(wǎng)格中還原的新的點云。對比圖4(a)可以看出，新生成的目標(biāo)點云無論是橫向還是縱向均比原始點云稠密，且能夠較好地保持目標(biāo)原有形狀。

最后需要指出的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制。本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換；這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。