基于三維激光雷達(dá)的車(chē)輛目標(biāo)檢測(cè)方法

蘇致遠(yuǎn)，徐友春，李永樂(lè)

(1.軍事交通學(xué)院 研究生管理大隊(duì)，天津 300161； 2.軍事交通學(xué)院 軍用車(chē)輛系，天津 300161)

● 車(chē)輛工程 Vehicle Engineering

基于三維激光雷達(dá)的車(chē)輛目標(biāo)檢測(cè)方法

蘇致遠(yuǎn)1，徐友春2，李永樂(lè)2

(1.軍事交通學(xué)院 研究生管理大隊(duì)，天津 300161； 2.軍事交通學(xué)院 軍用車(chē)輛系，天津 300161)

為有效檢測(cè)道路中的障礙物，識(shí)別其中的車(chē)輛目標(biāo)，提出一種基于三維激光雷達(dá)的障礙物檢測(cè)和車(chē)輛識(shí)別方法。采用雷達(dá)相鄰掃描點(diǎn)的距離特征分割地面，利用DBSCAN聚類(lèi)方法對(duì)障礙物聚類(lèi)，利用IEPF算法分割和擬合障礙物輪廓曲線(xiàn)，最后結(jié)合多個(gè)判據(jù)實(shí)現(xiàn)車(chē)輛目標(biāo)檢測(cè)。在城市快速路進(jìn)行實(shí)驗(yàn)，結(jié)果表明該方法可以有效識(shí)別其中的車(chē)輛目標(biāo)。

智能車(chē)；三維激光雷達(dá)；障礙物聚類(lèi)；IEPF算法；車(chē)輛檢測(cè)

障礙物檢測(cè)是智能車(chē)環(huán)境感知技術(shù)的重要組成部分。按照檢測(cè)方法，可以分為基于立體視覺(jué)的障礙物檢測(cè)、基于激光雷達(dá)的障礙物檢測(cè)、基于彩色機(jī)器視覺(jué)的障礙物檢測(cè)以及基于毫米波或超聲波雷達(dá)的障礙物檢測(cè)等[1]。由于激光雷達(dá)具有較好的環(huán)境適應(yīng)性和較高的檢測(cè)精度，本文主要基于三維激光雷達(dá)檢測(cè)障礙物、識(shí)別車(chē)輛目標(biāo)。

國(guó)內(nèi)外相關(guān)學(xué)者對(duì)此做出了較多研究。Moosmann等[2]采用局部凹凸性準(zhǔn)則對(duì)三維激光雷達(dá)數(shù)據(jù)進(jìn)行地面和障礙物分割，實(shí)驗(yàn)證明在復(fù)雜的環(huán)境中也能獲得較好的效果，但實(shí)時(shí)性較差。B. Douillard等[3]通過(guò)均值高度圖進(jìn)行地面分割，然后采用最大最小值柵格圖對(duì)障礙物進(jìn)行再分割，利用這種混合高度圖能夠較好地提取地面、障礙物信息，但這種方法對(duì)雷達(dá)的外部標(biāo)定要求很高，在車(chē)輛姿態(tài)發(fā)生劇烈變化時(shí)易受干擾。Azim等[4]對(duì)三維激光雷達(dá)數(shù)據(jù)進(jìn)行分割，用矩形塊表示障礙物，利用長(zhǎng)高比、寬高比特征來(lái)分類(lèi)車(chē)輛和行人，可以達(dá)到實(shí)時(shí)檢測(cè)，但是不能解決遮擋的問(wèn)題。文獻(xiàn)[5]通過(guò)提取目標(biāo)的直線(xiàn)和直角特征來(lái)識(shí)別車(chē)輛目標(biāo)，從而克服了目標(biāo)形狀變化對(duì)識(shí)別結(jié)果的干擾。也有的研究利用激光的反射強(qiáng)度檢測(cè)障礙，可以排除外觀相近障礙物的干擾。

本文首先根據(jù)三維激光雷達(dá)的數(shù)據(jù)結(jié)構(gòu)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行校正，然后基于點(diǎn)云距離特征進(jìn)行前景和背景分離，利用DBSCAN算法對(duì)道路區(qū)域內(nèi)的障礙物聚類(lèi)，最后通過(guò)IEPF算法對(duì)障礙物輪廓進(jìn)行分割和擬合，從障礙物中判別出車(chē)輛目標(biāo)。

1 數(shù)據(jù)預(yù)處理

本文數(shù)據(jù)源于HDL-64ES2三維激光雷達(dá)，該雷達(dá)垂直掃描角度為-24.8°～+2°，在垂直掃描范圍內(nèi)分布有64個(gè)不同角度的激光發(fā)射器，在水平方向上雷達(dá)通過(guò)旋轉(zhuǎn)得到360°環(huán)境信息。以10 Hz的采樣頻率，每幀約采集13萬(wàn)個(gè)點(diǎn)。

HDL-64ES2三維激光雷達(dá)通過(guò)旋轉(zhuǎn)獲取環(huán)境數(shù)據(jù)，數(shù)據(jù)本身具有先后順序和組織結(jié)構(gòu)。但是由于激光雷達(dá)的安裝、標(biāo)定等原因，同一掃描角度上的點(diǎn)在地面的投影并不嚴(yán)格地落在一條通過(guò)旋轉(zhuǎn)中心的直線(xiàn)上，本文對(duì)此進(jìn)行校正，使得地面投影角度和原始數(shù)據(jù)掃描角度達(dá)到統(tǒng)一。每幀的掃描數(shù)據(jù)構(gòu)成三維矩陣Iv，可表示為

(1)

式中：

P(b,j)=[xyzip]

(2)

Iv的每一列表示某個(gè)旋轉(zhuǎn)角度的64組數(shù)據(jù)，每一行表示雷達(dá)旋轉(zhuǎn)一周單個(gè)激光采集到的若干組數(shù)據(jù)。n為每幀的采樣次數(shù)；b為光線(xiàn)編號(hào)，根據(jù)掃描角度由負(fù)到正從0至63取值；j為從起始位置開(kāi)始的采集次數(shù)；P(b,j)為點(diǎn)的屬性，包含點(diǎn)的三維坐標(biāo)(x,y,z)、強(qiáng)度信息i和聚類(lèi)屬性p。

2 車(chē)輛目標(biāo)檢測(cè)

2.1 路面分割

由HDL-64ES2三維激光雷達(dá)的檢測(cè)特性，在地面投影中點(diǎn)云密度由中心向四周逐漸降低，在障礙物處點(diǎn)云密度增加，因此可以根據(jù)密度變化特征將障礙物從環(huán)境中分離出來(lái)。在理想水平面上，雷達(dá)每個(gè)掃描點(diǎn)至雷達(dá)旋轉(zhuǎn)軸的距離是確定的，若遇到凸障礙，激光無(wú)法穿過(guò)障礙物，導(dǎo)致掃描點(diǎn)到雷達(dá)旋轉(zhuǎn)軸的距離小于其理論距離；若遇到凹障礙，實(shí)際掃描距離將大于理論距離。根據(jù)雷達(dá)安裝位置可以得到各掃描線(xiàn)的理論掃描距離及相鄰掃描角度的距離差，由實(shí)時(shí)雷達(dá)數(shù)據(jù)可以計(jì)算實(shí)際掃描距離和實(shí)際相鄰掃描線(xiàn)距離差，通過(guò)理論值與實(shí)際值的對(duì)比可以對(duì)點(diǎn)云的屬性進(jìn)行判定，實(shí)現(xiàn)路面與障礙物的分離。根據(jù)以上判據(jù)對(duì)點(diǎn)云進(jìn)行分割，效果如圖1所示。

(a)原始點(diǎn)云

(b)分割后點(diǎn)云圖1 原始點(diǎn)云和分割后點(diǎn)云對(duì)比

比較圖1中的原始點(diǎn)云與分割后的點(diǎn)云，圖1(a)中原始點(diǎn)云呈現(xiàn)出由內(nèi)到外逐漸稀疏的特點(diǎn)，并包含車(chē)輛、道路、道路邊界、樹(shù)木、圍墻等元素；經(jīng)過(guò)以上基于點(diǎn)云密度的分割處理后，道路及地面被分割出去，車(chē)輛、樹(shù)木、圍墻和部分道路邊界被保留下來(lái)。由此可見(jiàn)，通過(guò)以上路面分割過(guò)程，成功達(dá)到了減少點(diǎn)云規(guī)模并保留有效特征的效果。

2.2 障礙物聚類(lèi)

對(duì)任意的點(diǎn)集，聚類(lèi)算法主要有基于網(wǎng)格的方法、劃分方法、層次聚類(lèi)、密度聚類(lèi)和模型聚類(lèi)等，此外還可以將點(diǎn)云投影后的圖像二值化，利用圖像的方法聚類(lèi)[6]。本文的感興趣區(qū)域是路面，所以只對(duì)路面內(nèi)的障礙物進(jìn)行聚類(lèi)，道路邊界通過(guò)其他的方法求得。由于已經(jīng)將障礙物與路面分割開(kāi)，點(diǎn)云密度特征明顯，所以本文采用基于密度的聚類(lèi)方法進(jìn)行聚類(lèi)。

具有噪聲的基于密度的聚類(lèi)(density-based spatial clustering of applications with noise，DBSCAN)方法是一種基于密度的空間聚類(lèi)算法。該算法將具有足夠密度的區(qū)域劃分為簇，并在具有噪聲的空間數(shù)據(jù)中發(fā)現(xiàn)任意形狀的簇，它將簇定義為密度相連的點(diǎn)的最大集合[7]。

算法的基本思想是掃描整個(gè)數(shù)據(jù)集，找到任意一個(gè)核心點(diǎn)(即在一定范圍內(nèi)周?chē)c(diǎn)的數(shù)量大于閾值的點(diǎn))，而后向周?chē)鷶U(kuò)展所有密度可達(dá)的點(diǎn)。重復(fù)以上過(guò)程，直至所有的點(diǎn)都被聚類(lèi)或被判定為異常點(diǎn)。該算法的優(yōu)點(diǎn)是可以聚類(lèi)所有形狀的點(diǎn)集，可以在必要時(shí)輸入過(guò)濾噪聲的參數(shù)，與K-mean算法相比，不需要輸入要?jiǎng)澐值木垲?lèi)個(gè)數(shù)。

圖2所示為算法對(duì)兩個(gè)點(diǎn)集的聚類(lèi)結(jié)果，矩形框表示聚類(lèi)對(duì)象的最小包圍矩形。由于點(diǎn)云處于三維空間，所以在圖中視角有部分點(diǎn)云在矩形框外。除了最小包圍矩形，也可以采用“盒子”模型對(duì)點(diǎn)云進(jìn)行三維包絡(luò)。

2.3 車(chē)輛目標(biāo)檢測(cè)

2.3.1 特征提取

當(dāng)檢測(cè)的障礙物為車(chē)輛時(shí)，其輪廓特征一般為直線(xiàn)或近似呈“L”的雙折線(xiàn)，或者為“U”型的三段折線(xiàn)。因此，本文取聚類(lèi)點(diǎn)集的輪廓特征作為障礙物類(lèi)別的主要判定條件。

由于本文基于雷達(dá)返回的距離信息分割路面和障礙物，并對(duì)障礙物點(diǎn)云進(jìn)行聚類(lèi)，所以提取障礙物邊界時(shí)可以直接將各角度最近的障礙物點(diǎn)提取出來(lái)表示障礙物邊界。圖3所示為障礙物輪廓提取結(jié)果，當(dāng)外界車(chē)輛相對(duì)于本車(chē)有一定夾角時(shí)，車(chē)輛輪廓特征為“L”或“U”形，只有在本車(chē)正前、后方或側(cè)面齊頭并進(jìn)時(shí)才有可能為直線(xiàn)段。

圖3 障礙物邊界特征提取

2.3.2 特征判定與車(chē)輛識(shí)別

在圖像處理領(lǐng)域，對(duì)車(chē)輛目標(biāo)進(jìn)行識(shí)別通常使用模板匹配的方法，通過(guò)計(jì)算目標(biāo)與模板的相似度判斷目標(biāo)是否為模板對(duì)象。本文處理的對(duì)象為三維點(diǎn)云不適合直接使用該方法，所以本文采用迭代終點(diǎn)擬合(interative end point fitting，IEPF)算法[8-9]對(duì)聚類(lèi)結(jié)果的邊界特征進(jìn)行擬合，并結(jié)合障礙物尺寸信息進(jìn)行車(chē)輛目標(biāo)判定。

IEPF算法分為兩步，首先將聚類(lèi)對(duì)象分割成幾個(gè)部分，而后對(duì)每個(gè)部分分別進(jìn)行擬合[9]。

(1)線(xiàn)型判定。假設(shè)一個(gè)聚類(lèi)對(duì)象內(nèi)部點(diǎn)集為P=(p1，p2，…，pn)，將該點(diǎn)集的首尾用直線(xiàn)連接起來(lái)，計(jì)算點(diǎn)集內(nèi)每個(gè)點(diǎn)到直線(xiàn)的距離di，并找到最大距離，判斷該距離是否大于設(shè)定閾值Dthr。若大于閾值Dthr，則在該點(diǎn)處將此聚類(lèi)點(diǎn)集分為兩個(gè)子集P′={p1，p2，…，pn}、P″={p1，p2，…，pn}，然后繼續(xù)對(duì)子集重復(fù)以上判定過(guò)程，直至集合內(nèi)的點(diǎn)都小于閾值，完成分割。

(2)直線(xiàn)擬合。利用IEPF算法分割聚類(lèi)點(diǎn)集后，利用最小二乘法(GLS)或隨機(jī)采樣一致性(RANSAC)方法擬合直線(xiàn)，得出車(chē)輛形狀。

特征向量用于表征聚類(lèi)對(duì)象的屬性，應(yīng)包含聚類(lèi)對(duì)象的位置、形狀、大小等信息，所以定義特征向量為Vi=[x,y,h,n,p,s]。其中：x,y為目標(biāo)位置；h為同一聚類(lèi)對(duì)象內(nèi)點(diǎn)集的最大高度；n為目標(biāo)輪廓的線(xiàn)段數(shù)量，取值一般為1、2或3；p為目標(biāo)形狀，直線(xiàn)型目標(biāo)兩條線(xiàn)段間的夾角為0°，“L”型目標(biāo)的線(xiàn)段夾角約為90°，也會(huì)有呈“U”型的目標(biāo)，三段線(xiàn)之間的夾角各約為90°；s為目標(biāo)的大小，指外接矩形的長(zhǎng)和寬。目標(biāo)形狀如圖4所示。

圖4 車(chē)輛的3種特征形態(tài)

在擬合車(chē)輛輪廓時(shí)，分別利用隨機(jī)采樣一致性算法和最小二乘法分段擬合障礙物輪廓，圖5所示為某次擬合的效果圖，為更好地表示分段直線(xiàn)間的夾角，將擬合線(xiàn)段平移至矩形中心。圖5(a)(b)為車(chē)輛前方的障礙物，分別使用隨機(jī)采樣一致性算法和最小二乘法擬合該點(diǎn)集，圖5(a)中擬合的線(xiàn)段更符合車(chē)輛外形特點(diǎn)。圖5(c)(d)分別為兩種算法擬合的折線(xiàn)，圖5(c)中隨機(jī)采樣一致性算法的擬合結(jié)果更符合車(chē)輛輪廓。通過(guò)以上比較，說(shuō)明在有噪聲干擾時(shí)，隨機(jī)采樣一致性算法相比最小二乘法能夠更好地?cái)M合目標(biāo)點(diǎn)集。

(a)RANSAC擬合直線(xiàn) (b)GLS擬合直線(xiàn)

(c)RANSAC擬合折線(xiàn) (d)GLS擬合折線(xiàn)圖5 隨機(jī)采樣一致性算法和最小二乘法比較

經(jīng)過(guò)路面分割、障礙物聚類(lèi)、障礙物輪廓特征提取與判定，得到表示障礙物的特征向量，根據(jù)特征向量，按照一定次序融合多個(gè)特征對(duì)車(chē)輛目標(biāo)進(jìn)行判斷，算法流程如圖6所示。

圖6 車(chē)輛目標(biāo)判斷流程

3 實(shí)驗(yàn)結(jié)果

為測(cè)試本文算法，在城市快速路進(jìn)行實(shí)驗(yàn)。圖7所示為城市快速路一處典型的測(cè)試場(chǎng)景，經(jīng)統(tǒng)計(jì)共聚類(lèi)各種目標(biāo)8個(gè)，經(jīng)過(guò)車(chē)輛尺寸判斷，符合車(chē)輛尺寸的目標(biāo)7個(gè)，IEPF算法判斷車(chē)輛數(shù)為7輛。實(shí)際場(chǎng)景中含車(chē)輛7輛，算法判斷結(jié)果與實(shí)際結(jié)果相同。

圖7 實(shí)驗(yàn)場(chǎng)景一

圖8所示為另一處測(cè)試場(chǎng)景，場(chǎng)景比較復(fù)雜，圖8(a)顯示原始場(chǎng)景，圖8(b)表示檢測(cè)結(jié)果。共聚類(lèi)各類(lèi)目標(biāo)24個(gè)，符合車(chē)輛尺寸的目標(biāo)11個(gè)，IEPF算法判斷符合車(chē)輛外形判據(jù)的目標(biāo)為9個(gè)，實(shí)際場(chǎng)景中車(chē)輛目標(biāo)有10個(gè)。漏檢的原因是目標(biāo)車(chē)輛太遠(yuǎn)，導(dǎo)致該聚類(lèi)目標(biāo)點(diǎn)云稀疏，聚類(lèi)后的尺寸不符合車(chē)輛尺寸判據(jù)而被剔除。這表明本文算法可以有效地判斷道路內(nèi)的車(chē)輛目標(biāo)。

(a)原始場(chǎng)景

(b)車(chē)輛目標(biāo)檢測(cè)結(jié)果圖8 實(shí)驗(yàn)場(chǎng)景二

4 結(jié) 語(yǔ)

本文提出一種利用輪廓特征判定三維點(diǎn)云中車(chē)輛目標(biāo)的方法，主要特點(diǎn)是利用點(diǎn)云密度特征進(jìn)行路面分割，利用DBSCAN算法聚類(lèi)，通過(guò)IEPF算法擬合障礙物輪廓并判定車(chē)輛目標(biāo)。利用該方法可以有效檢測(cè)道路邊界內(nèi)的車(chē)輛目標(biāo)，但也存在類(lèi)似車(chē)輛目標(biāo)的誤檢測(cè)問(wèn)題，下一步將利用傳感器融合的方法解決。

[1] 王榮本,趙一兵,李琳輝,等.智能車(chē)輛的障礙物檢測(cè)研究方法綜述[J].公路交通科技,2007,23(11):109-124.

[2] MOOSMANN F, PINK O, STILLER C. Segmentation of 3D lidar data in non-flat urban environment using a local convexity criterion[C]//Intelligent Vehicles Symposium (IV), Xi’an: IEEE, 2009: 21-220.

[3] DOUILLARD B, UNDERWOOD J, MELKUMYAN N, et al. Hybrid elevation map: 3D surface models for segmentation[C]// Intellignet Robots and Systems (IROS),Taipei:IEEE,2010:1532-1538.

[4] AZIM A, AYCARD O. Detection, classification and tracking of moving objects in a 3D environment[C]//Intelligent Vehicles Symposium (IV), Madrid:IEEE, 2012: 802-807.

[5] 甘志梅,王春香,楊明.基于激光雷達(dá)的車(chē)輛跟蹤與識(shí)別算法[J].上海交通大學(xué)學(xué)報(bào)，2009, 43(6): 923-926.

[6] 王肖,王建強(qiáng),李克強(qiáng),等．智能車(chē)輛3D點(diǎn)云快速分割方法[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 54(11):1440-1446.

[7] 毛國(guó)君,段立娟,王實(shí),等.數(shù)據(jù)挖掘原理與算法[M].北京:清華大學(xué)出版社,2005：184-187.

[8] RAMER U. An iterative procedure for the polygonal approximation of plane curves[J]. Computer Graphics and Image Processing，1972,1(3):244-256.

[9] 周俊靜.基于激光雷達(dá)的智能車(chē)輛目標(biāo)識(shí)別與跟蹤關(guān)鍵技術(shù)研究[D].北京:北京工業(yè)大學(xué),2014:23-26.

(編輯：張峰)

Vehicle Targets Detection Method Based on 3D Lidar

SU Zhiyuan1, XU Youchun2, LI Yongle2

(1.Postgraduate Training Brigade, Military Transportation University, Tianjin 300161, China;2.Military Vehicle Department, Military Transportation University, Tianjin 300161, China)

To effectively detect obstacles in road and identify vehicle targets from those obstacles, the paper puts forward a method detecting obstacles and vehicle based on 3D lidar. Firstly, it divides ground with neighbor scanning point of lidar and gathers obstacles with DBSCAN clustering method. Then, it divides and fits profile curve of obstacles with IEPF algorithm. Finally, it realizes vehicle targets detection with multiple criterions. The experiment on urban expressway shows that this method can effectively identify the vehicle targets.

intelligent vehicle; 3D lidar; obstacles clustering; IEPF algorithm; vehicle detection

2016-07-13；

2016-09-26．

國(guó)家自然科學(xué)基金項(xiàng)目(91220301)；廣州市科技計(jì)劃項(xiàng)目(2014Y2-00013).

蘇致遠(yuǎn)(1992—)，男，碩士研究生； 徐友春(1972—)，男，博士，教授，博士研究生導(dǎo)師.

10．16807/j.cnki.12-1372/e.2017.01.011

TP273

A

1674-2192(2017)01- 0045- 05