車載激光雷達(dá)點(diǎn)云數(shù)據(jù)地面濾波算法綜述

黃思源，劉利民*，董 健，傅雄軍

車載激光雷達(dá)點(diǎn)云數(shù)據(jù)地面濾波算法綜述

黃思源1，劉利民1*，董 健1，傅雄軍2

1陸軍工程大學(xué)石家莊校區(qū)電子與光學(xué)工程系，河北 石家莊 050003；2北京理工大學(xué)信息與電子學(xué)院，北京 100081

激光雷達(dá)在無(wú)人駕駛領(lǐng)域占據(jù)了重要地位，地面濾波是從激光雷達(dá)獲取的點(diǎn)云數(shù)據(jù)中分離和提取地面信息的關(guān)鍵技術(shù)。文章首先簡(jiǎn)述了車載激光雷達(dá)(VLS)的發(fā)展及分類，并討論了各類車載激光雷達(dá)的優(yōu)缺點(diǎn)；然后研究了VLS地面濾波算法的發(fā)展并進(jìn)行梳理分類，闡述了地面濾波精度的評(píng)估方法和評(píng)估標(biāo)準(zhǔn)，并以三種典型的算法為例進(jìn)行比較分析；最后總結(jié)了當(dāng)前VLS硬件和地面濾波算法的不足，并展望未來(lái)發(fā)展趨勢(shì)。

激光雷達(dá)；地面濾波；智能駕駛；精度評(píng)估；展望

1 引 言

激光雷達(dá)(Light detection and ranging，LiDAR)通過(guò)檢測(cè)光脈沖或調(diào)制信號(hào)測(cè)量雷達(dá)和目標(biāo)之間的距離信息，同時(shí)通過(guò)掃描或者多點(diǎn)對(duì)應(yīng)測(cè)量獲得方位信息，是一種可以獲取目標(biāo)三維空間信息的主動(dòng)探測(cè)器[1]。作為新型傳感器之一，激光雷達(dá)為大面積測(cè)繪提供了一種快速準(zhǔn)確的方案，其獲取的點(diǎn)云數(shù)據(jù)已用于水文建模、海岸監(jiān)測(cè)、森林調(diào)查、城市三維可視化、土地覆蓋分類以及目標(biāo)檢測(cè)等諸多領(lǐng)域。激光雷達(dá)按照載荷平臺(tái)可以分為星載、機(jī)載、地基和車載激光雷達(dá)(vehicle LiDAR scans, VLS)。在VLS點(diǎn)云數(shù)據(jù)的處理過(guò)程中，地面信息非常重要，但是由于地面點(diǎn)的數(shù)量巨大，會(huì)降低數(shù)據(jù)處理速度，也影響對(duì)重要目標(biāo)的分類和識(shí)別。提取和濾除地面點(diǎn)可以提高計(jì)算速度和降低運(yùn)算量[2]。因此，地面濾波是從點(diǎn)云數(shù)據(jù)中準(zhǔn)確分離和識(shí)別地面點(diǎn)的關(guān)鍵技術(shù)[3]，該技術(shù)可為提取地面信息、規(guī)劃路徑、提高目標(biāo)識(shí)別精度起到重要作用。

2 車載激光雷達(dá)發(fā)展概況

在2005年美國(guó)國(guó)防高級(jí)研究計(jì)劃局(Defense Advanced Research Projects Agency，DARPA)舉辦的無(wú)人車挑戰(zhàn)大賽中，斯坦福大學(xué)車隊(duì)在車頂安裝了多臺(tái)單線激光雷達(dá)完成比賽奪得冠軍。該事件打破了前一年無(wú)人駕駛車挑戰(zhàn)賽中沒(méi)有參賽隊(duì)伍完成任務(wù)的局面，引起了高度關(guān)注，客觀上促進(jìn)了VLS技術(shù)的發(fā)展。在2007年DARPA無(wú)人車城市挑戰(zhàn)大賽中，HDL-64E激光雷達(dá)助力卡耐基梅隆大學(xué)BOSS無(wú)人車和斯坦福大學(xué)Junior無(wú)人車分別獲得了比賽冠軍和亞軍[4]。此后，谷歌推出的無(wú)人駕駛汽車采用了激光雷達(dá)的技術(shù)路線，激光雷達(dá)在自動(dòng)駕駛環(huán)境感知系統(tǒng)中的地位開始確立。

VLS的發(fā)展時(shí)間并不長(zhǎng)，可劃分為機(jī)械式、混合固態(tài)和全固態(tài)三類。機(jī)械式旋轉(zhuǎn)激光雷達(dá)是在自動(dòng)駕駛汽車上最先應(yīng)用的激光雷達(dá)產(chǎn)品，通過(guò)持續(xù)旋轉(zhuǎn)發(fā)射部件，進(jìn)而達(dá)到了全方位的3D掃描。該類型激光雷達(dá)具有大掃描視場(chǎng)和高掃描效率，是近些年最常見(jiàn)、應(yīng)用最廣泛也是最成熟的VLS。但是，機(jī)械式旋轉(zhuǎn)激光雷達(dá)平均失效時(shí)間遠(yuǎn)遠(yuǎn)不能滿足汽車廠商的要求。

為提升使用壽命和實(shí)現(xiàn)小型化，VLS開始向固態(tài)化過(guò)渡。采用微機(jī)電系統(tǒng)(micro-electro-mechanical system，MEMS)的激光雷達(dá)稱為混合固態(tài)激光雷達(dá)[5]。MEMS激光雷達(dá)在產(chǎn)品外形上沒(méi)有可見(jiàn)的機(jī)械旋轉(zhuǎn)部件，但是在內(nèi)部通過(guò)集成在芯片上的微振動(dòng)鏡反射激光，仍可實(shí)現(xiàn)360°全方位掃描。該類VLS較好地克服了機(jī)械式激光雷達(dá)體積較大、只適合于頂裝的不足，但是仍然存在接收光路復(fù)雜、振動(dòng)結(jié)構(gòu)影響使用壽命的缺陷。

全固態(tài)VLS主要分為光學(xué)相控陣(optical phased array, OPA)型和Flash型[6]。在OPA激光雷達(dá)中，若干個(gè)發(fā)射單元組成發(fā)射陣列，通過(guò)調(diào)節(jié)陣列中各發(fā)射單元的相位差改變激光光束的出射角度，在設(shè)定方向上產(chǎn)生互相加強(qiáng)的干涉從而實(shí)現(xiàn)高強(qiáng)度的指向光束。OPA激光雷達(dá)具有無(wú)需機(jī)械轉(zhuǎn)動(dòng)即可改變掃描方向的優(yōu)勢(shì)，而這種優(yōu)勢(shì)應(yīng)用于激光雷達(dá)測(cè)量中，則徹底消除了機(jī)械式激光雷達(dá)和混合式激光雷達(dá)的宏觀/微觀機(jī)械轉(zhuǎn)動(dòng)，具有無(wú)慣性器件、精確穩(wěn)定、方向可任意控制等優(yōu)點(diǎn)。Flash型激光雷達(dá)屬于非掃描式工作方式，其采用單脈沖直接向各個(gè)方向漫射，僅需一次快閃便能照亮整個(gè)場(chǎng)景，利用飛行時(shí)間成像儀接收發(fā)射信號(hào)并形成2D或3D圖像，避免了掃描過(guò)程中目標(biāo)與激光雷達(dá)相對(duì)位移帶來(lái)的運(yùn)動(dòng)畸變。但是Flash型激光雷達(dá)視場(chǎng)角受限，探測(cè)距離超過(guò)一定范圍(幾十米)后，返回的光子數(shù)量有限，探測(cè)精度明顯降低。各類車載激光雷達(dá)對(duì)比如表1所示。

3 車載激光雷達(dá)地面濾波算法發(fā)展

近年來(lái)，相關(guān)研究人員針對(duì)VLS提出了多種地面濾波算法，這些算法可以按照不同的標(biāo)準(zhǔn)分類，例如，按照地面類型可以分成對(duì)城市路面的濾波和對(duì)野外植被的濾波算法，按照算法運(yùn)行次數(shù)可以分為單步濾波算法與迭代濾波算法[7]等。經(jīng)過(guò)對(duì)VLS地面濾波算法的梳理，按照點(diǎn)云劃分及處理方法將目前主流算法分為四類，分別是：基于空間劃分的地面濾波算法、基于掃描線的地面濾波算法、基于局部特征的地面濾波算法和基于附加信息的地面濾波算法。

3.1 基于空間劃分的地面濾波算法

基于空間劃分的算法是通過(guò)將點(diǎn)云數(shù)據(jù)按照一定規(guī)則劃分到緊密相連的網(wǎng)格陣列，并對(duì)這些網(wǎng)格進(jìn)行數(shù)據(jù)處理的濾波。基于空間劃分算法分為兩類：一是基于二維網(wǎng)格的濾波，二是基于三維體素的濾波，如圖1所示。

表1 車載激光雷達(dá)對(duì)比表

3.1.1 基于二維網(wǎng)格的地面濾波算法

基于網(wǎng)格的濾波是對(duì)點(diǎn)云空間的水平面進(jìn)行網(wǎng)格劃分，每個(gè)網(wǎng)格內(nèi)所有高程的點(diǎn)組成一個(gè)集合(圖1(b)所示)，將數(shù)據(jù)網(wǎng)格化后按網(wǎng)格屬性對(duì)其進(jìn)行分類[8]。這種算法通常假定在某一區(qū)域內(nèi)物體高于地面，通過(guò)計(jì)算高度差來(lái)確定某一點(diǎn)是否為地面。Thrun等[9]提出了一種基于最小-最大高度差的濾波算法，計(jì)算同一網(wǎng)格中高度最大和高度最小點(diǎn)之間的高度差。高度差小于預(yù)定閾值的網(wǎng)格被歸類為地面，該算法廣泛應(yīng)用于2007年DARPA城市挑戰(zhàn)賽，但是這種算法無(wú)法解決分割不足問(wèn)題。Douillard等人[10]提取了網(wǎng)格的平均高度，并計(jì)算網(wǎng)格之間的最大坡度值作為識(shí)別地面的依據(jù)，該算法可以避免高度過(guò)高的噪聲點(diǎn)對(duì)濾波結(jié)果的影響，但是運(yùn)算量巨大。Kammel和Pitzer等[11]評(píng)估每個(gè)網(wǎng)格中的垂直位移，如果位移超過(guò)給定閾值，則將網(wǎng)格標(biāo)記為非地面；但是由于網(wǎng)格占有一定的面積，所以算法標(biāo)記的地面區(qū)域和實(shí)際地面區(qū)域之間有明顯的偏差。Guo等人[12]利用網(wǎng)格圖構(gòu)建馬爾可夫隨機(jī)場(chǎng)，將每個(gè)網(wǎng)格分別標(biāo)記為可達(dá)區(qū)域、可驅(qū)動(dòng)區(qū)域、障礙區(qū)域或未知區(qū)域，但是網(wǎng)格大小對(duì)該算法結(jié)果影響較大。

圖1 點(diǎn)云空間劃分算法。(a) 局部點(diǎn)云；(b) 網(wǎng)格劃分；(c) 體素劃分

基于二維網(wǎng)格的地面濾波算法相對(duì)簡(jiǎn)單，但是只使用地面局部信息而不是全局連續(xù)性信息來(lái)濾波，所以性能非常敏感，很容易受到觀測(cè)噪聲和傳感器外部校準(zhǔn)的影響。

3.1.2 基于三維體素的地面濾波算法

三維體素是在平面網(wǎng)格的基礎(chǔ)上，根據(jù)點(diǎn)云的高程將三維空間分割成若干集合(圖1(c)所示)。該類算法一般通過(guò)判斷體素內(nèi)點(diǎn)的高度平均值或方差值將地面體素和非地面體素進(jìn)行區(qū)分[13]。首先，對(duì)體素分組，如果平均值之間的差異小于給定閾值，并且方差之間的差異小于單獨(dú)閾值，則分為一組；然后，判斷體素組的垂直高度，如果體素組垂直高度超過(guò)給定閾值，則為非地面點(diǎn)，反之，則認(rèn)為體素包含地面點(diǎn)[14]。Chen等人[15]在劃分扇區(qū)狀的體素后，使用高斯過(guò)程增量樣本一致性濾除地面，能夠在斜坡地面取得理想的濾波效果，但是該算法是一種迭代算法，算法實(shí)時(shí)性不夠理想且濾波結(jié)果受閾值影響大。Guan等人[16-17]開發(fā)了基于體素的向上生長(zhǎng)濾波，判斷每個(gè)體素上方相鄰的九個(gè)體素，當(dāng)相鄰體素內(nèi)含探測(cè)點(diǎn)的情況下繼續(xù)向上生長(zhǎng)判斷，否則終止生長(zhǎng)并判斷最高的體素是否高于閾值，該算法可以快速有效地處理地面起伏較大的場(chǎng)景，但是體素網(wǎng)格的劃分會(huì)影響點(diǎn)的判斷。Husain等人[18]利用閾值圓增長(zhǎng)的概念，用高度值標(biāo)準(zhǔn)差在內(nèi)的相關(guān)閾值參數(shù)來(lái)檢查體素是否屬于地面，該算法的優(yōu)點(diǎn)是計(jì)算時(shí)間效率高，不依賴于激光強(qiáng)度、激光掃描返回?cái)?shù)等附加信息。

基于三維體素的地面濾波算法充分利用相鄰體素的信息，相對(duì)于基于網(wǎng)格的地面濾波算法，濾波過(guò)程更加復(fù)雜，但是分類精度更優(yōu)。

3.2 基于掃描線的地面濾波算法

VLS點(diǎn)云數(shù)據(jù)是由若干掃描線所獲取的點(diǎn)組成的，當(dāng)激光雷達(dá)中心軸垂直于理想平面掃描時(shí)，形成的掃描線接近于圓形，在前方有障礙物或其它情況下掃描線會(huì)發(fā)生變化，掃描線變化情況如圖2所示。基于掃描線的地面濾波利用上述特點(diǎn)，通過(guò)檢測(cè)掃描線及掃描線之間的變化，實(shí)現(xiàn)檢測(cè)障礙物與地面。

在城市環(huán)境中，可以根據(jù)線間距壓縮度對(duì)激光點(diǎn)進(jìn)行初步分組，例如，與道路相比，墻壁具有更高的線間距壓縮度。Montemerlo等人[19]分析了由激光雷達(dá)掃描的連續(xù)線之間的距離，將間距低于閾值的相鄰掃描線分類為障礙物，但是這種算法僅適用于具有明顯障礙物的公路環(huán)境。Himmelsbach等人[20]將三維點(diǎn)云按掃描線劃分到圓形網(wǎng)格中，每個(gè)圓網(wǎng)格的最低點(diǎn)被用來(lái)尋找直線段，其中坡度小于閾值的線段被標(biāo)記為屬于地面，該方法運(yùn)行時(shí)間短且適用于復(fù)雜地面。文獻(xiàn)[21]采用一種窗口濾波算法，將掃描線上的點(diǎn)分割成若干組連續(xù)的道路橫斷面，通過(guò)檢測(cè)到的路緣點(diǎn)對(duì)每組道路橫斷面上的非接地點(diǎn)進(jìn)行濾波，但是該算法參數(shù)值選取尤其是窗口長(zhǎng)度的選取對(duì)濾波效果影響巨大。Hu[22]提出了一種基于掃描線的算法，首先檢測(cè)局部最低點(diǎn)，然后將其作為種子，利用坡度和高程生長(zhǎng)成地面段。為了在遮擋場(chǎng)景中檢測(cè)路面，文獻(xiàn)[23]提出了一種基于環(huán)壓縮分析和最小二乘法的路緣石檢測(cè)算法，但是該算法不適用復(fù)雜道路情況。

由于地面總是低于其他物體，且其測(cè)量點(diǎn)是連續(xù)的，所以現(xiàn)有的提取地面點(diǎn)的算法幾乎都是基于點(diǎn)的高程和坡度的。但是，由于存在斜坡，或道路可能不平坦，所以高程不是很全面的判斷標(biāo)準(zhǔn)。為解決這個(gè)問(wèn)題，Zhou等人[24]設(shè)計(jì)了一種基于笛卡爾坐標(biāo)的地面分割算法，該算法不僅適用于平坦的公路路面，也適用于有坡度的地面。Yin等人[25]用球面坐標(biāo)代替笛卡爾坐標(biāo)，算法不假設(shè)道路位于最低位置，利用方位角和徑向距離球面坐標(biāo)作為判斷標(biāo)準(zhǔn)，通過(guò)球坐標(biāo)系中徑向距離曲線的斷點(diǎn)和轉(zhuǎn)折點(diǎn)分割地面點(diǎn)和非地面點(diǎn)，該算法可以避免過(guò)度分割和欠分割。文獻(xiàn)[26]采用準(zhǔn)平面區(qū)域算法和區(qū)域鄰接圖表示算法，根據(jù)邊界的局部高度差提取路面與非路面之間的輪廓線，該算法對(duì)小噪聲點(diǎn)具有較強(qiáng)的魯棒性，但是對(duì)參數(shù)的依賴較強(qiáng)。Wojke等人[27]提出了一種相鄰點(diǎn)連線濾波算法，通過(guò)連接同一個(gè)水平角度上的連續(xù)相鄰三個(gè)激光掃描線上的點(diǎn)，判斷向量夾角以及點(diǎn)之間的距離，若在閾值范圍內(nèi)則可被分類為地面點(diǎn)，該算法在文獻(xiàn)[28]中得到成功的應(yīng)用。文獻(xiàn)[8]將每個(gè)LiDAR掃描線通過(guò)最小二乘線性回歸劃分為線段，然后在線段節(jié)點(diǎn)上建立馬爾可夫隨機(jī)場(chǎng)(Markov random field, MRF)能量函數(shù)，通過(guò)圖形切割來(lái)解決在非平坦地面的濾波問(wèn)題，該算法適用于掃描線存在較長(zhǎng)的平滑線段的情況，在野外等復(fù)雜地形難以取得良好濾波效果。

圖2 掃描線變化示意圖。(a) VLS掃描場(chǎng)景仿真；(b) 掃描線水平投影

基于掃描線的濾波算法在地面平坦且具有明顯障礙物的情況下能取得比較理想的濾波效果，但是在路面崎嶇不平或具有一定坡度的情況下，掃描線分布不均，濾波所需的參數(shù)也隨之增大。因此，該類算法僅適用于城市道路環(huán)境。

3.3 基于局部特征的地面濾波算法

基于局部特征的算法采用對(duì)局部點(diǎn)集進(jìn)行模型擬合或特征檢測(cè)的算法，實(shí)現(xiàn)對(duì)地面點(diǎn)的濾波，通常分為基于模型的算法和基于聚類的算法兩種。

3.3.1 基于模型的地面濾波算法

基于模型的濾波算法通常將局部點(diǎn)集進(jìn)行直線或平面擬合，并與通用模型進(jìn)行匹配從而識(shí)別地面點(diǎn)[29]。Moosman等人[30]提出一種局部凸面標(biāo)準(zhǔn)，計(jì)算種子點(diǎn)與相鄰點(diǎn)間的向量夾角以分割地面和物體，其特點(diǎn)是能充分利用所有點(diǎn)的三維信息，但是平均每幀的處理時(shí)間約為每幀數(shù)據(jù)獲取時(shí)間的3.5倍，實(shí)時(shí)性難以達(dá)到要求?張名芳等人[31]提出了一種基于三維不規(guī)則點(diǎn)云的地面分割算法，在構(gòu)建連接圖的基礎(chǔ)上建立了相應(yīng)的測(cè)量代價(jià)和平滑性代價(jià)函數(shù)模型，得到地面高度最優(yōu)估計(jì)值，實(shí)現(xiàn)地面點(diǎn)與非地面點(diǎn)的分割，但處理大規(guī)模場(chǎng)景時(shí)該算法計(jì)算量較大?McElhinney等人[32]通過(guò)將二維三次樣條擬合引入道路橫斷面來(lái)提取路面。然而，由于很難確定道路邊緣的準(zhǔn)確性，這些算法只能實(shí)現(xiàn)粗糙的道路檢測(cè)。Asvadi等人[33]提出了一種基于分段平面擬合的算法，此算法解決了在具有一定弧度的曲面地面的濾波問(wèn)題，但在其他情況下效果很差?Chen等[34]提出了一種基于稀疏高斯過(guò)程回歸(Gaussian process regression, GPR)的新型算法，首先將掃描的三維點(diǎn)映射到三維網(wǎng)格圖，然后利用具有稀疏協(xié)方差函數(shù)的迭代二維GPR直接對(duì)地面進(jìn)行建模，該算法可用于分割各種掃描情況的地面點(diǎn)。文獻(xiàn)[35]將采集到的點(diǎn)云數(shù)據(jù)連成Mesh圖，根據(jù)地面點(diǎn)與其他點(diǎn)在Mesh圖上的屬性不同，找到地面基準(zhǔn)點(diǎn)并將地面屬性蔓延至其它各點(diǎn)，直到將所有的地面點(diǎn)分離，避免了通過(guò)計(jì)算各節(jié)點(diǎn)的局部法向量等一系列的復(fù)雜運(yùn)算來(lái)判斷節(jié)點(diǎn)屬性，提高了算法效率，但還不能做到對(duì)不同情況的地面進(jìn)行分類?

基于模型的濾波算法根據(jù)其采用的模型可應(yīng)用于不同的場(chǎng)景，選用特定場(chǎng)景的濾波模型可以取得良好的濾波效果，但是擬合區(qū)域(或窗口)大小的選取對(duì)濾波結(jié)果的影響較大。

3.3.2 基于聚類的地面濾波算法

在一些研究中，通過(guò)考慮點(diǎn)之間的聯(lián)系來(lái)獲得點(diǎn)云分割，并從分割的聚類中識(shí)別出屬于地面的部分。歐幾里得聚類方法是將點(diǎn)云數(shù)據(jù)分割為單獨(dú)的聚類的常用方法。在該方法中，使用固定的閾值半徑。但是，固定閾值會(huì)帶來(lái)分割不足和過(guò)度分割的問(wèn)題，為了避免這些問(wèn)題，文獻(xiàn)[36]提出了一種基于自適應(yīng)閾值的歐幾里德聚類算法。蘇本躍等人[37]用K-means聚類算法對(duì)點(diǎn)云進(jìn)行聚類，對(duì)每個(gè)類中的點(diǎn)，根據(jù)點(diǎn)到聚類中心的歐氏距離和鄰近點(diǎn)曲率變化判斷是否為噪聲點(diǎn)，進(jìn)而去除大量外部噪點(diǎn)?然而上述算法均不適用于大規(guī)模散亂點(diǎn)云的去噪處理，而且時(shí)間開銷大?Biosca等[38]從鄰近點(diǎn)提取局部點(diǎn)特征，利用歐氏聚類和區(qū)域增長(zhǎng)算法快速分割地面和非地面，但是選取不同種子點(diǎn)將得到不同的分割區(qū)域，導(dǎo)致魯棒性較差?

基于聚類濾波算法以歐氏距離作為主要的判斷參數(shù)，能夠打破按照空間劃分或掃描線處理點(diǎn)云的限制，但是，參數(shù)選取和計(jì)算量較大是該類算法的明顯缺陷。

3.4 基于附加信息的地面濾波算法

激光雷達(dá)數(shù)據(jù)獲取的信息有限，使用這些數(shù)據(jù)難以取得較高的地面濾波精度。當(dāng)前，多傳感器集成已成趨勢(shì)，學(xué)者們不斷嘗試通過(guò)融合其它設(shè)備獲取附加信息來(lái)過(guò)濾地面點(diǎn)。

一些算法使用激光雷達(dá)本身獲取的各種附加信息(反射強(qiáng)度和反射次數(shù)等)來(lái)分離地面和非地面點(diǎn)。關(guān)于利用激光反射強(qiáng)度的研究在機(jī)載激光雷達(dá)遙感領(lǐng)域已經(jīng)非常普遍[39]，但在無(wú)人駕駛領(lǐng)域使用激光強(qiáng)度法仍處于早期階段[40]。Franceschi[41]提出了一種基于激光反射強(qiáng)度的濾波方法，以區(qū)分地面和巖石。隨著硬件技術(shù)的發(fā)展，掃描儀在獲取目標(biāo)點(diǎn)云時(shí)會(huì)返回多個(gè)目標(biāo)回波。Pirotti[42]從點(diǎn)云選擇地面候選點(diǎn)時(shí)，在使用漸進(jìn)形態(tài)濾波器前考慮了激光的順序返回?cái)?shù)和振幅。

還有一些算法使用除VLS以外的傳感器。Boyko和Funkhouser[43]將機(jī)載激光雷達(dá)和VLS的點(diǎn)云進(jìn)行合并，提出了一種從大規(guī)模道路環(huán)境中的密集點(diǎn)云中提取平坦道路的方法，該算法不僅提高了地面濾波的精度，還克服了機(jī)載激光雷達(dá)只能檢測(cè)建筑物頂端的缺點(diǎn)。文獻(xiàn)[44]采用RGB深度相機(jī)和LiDAR進(jìn)行融合，從而完成濾波和相對(duì)定位，其優(yōu)點(diǎn)是RGB深度相機(jī)獲得的區(qū)域深度信息可以彌補(bǔ)激光雷達(dá)未探測(cè)區(qū)域的信息空白。Lichti[45]利用四個(gè)通道(RGB+紅外)提出了一種使用有監(jiān)督的參數(shù)分類將主題類標(biāo)簽分配給點(diǎn)的算法。但是，這種算法只能在良好的條件下才能正常工作。這些算法依賴于設(shè)備，它們的應(yīng)用受到依賴性的限制。

3.5 其它地面濾波算法

除上述濾波算法外，還有一些地面濾波算法由于與VLS點(diǎn)云數(shù)據(jù)適應(yīng)性較差，算法應(yīng)用范圍有限，仍待進(jìn)一步改進(jìn)。

3.5.1 基于投影的地面濾波算法

基于投影的地面濾波算法是將笛卡爾坐標(biāo)系點(diǎn)云投影到假定的平面上，根據(jù)區(qū)域內(nèi)點(diǎn)云密度或距離信息的變化分離地面點(diǎn)。采用的平面可以是平面，該算法通常結(jié)合占用網(wǎng)格法[46]分析網(wǎng)格間點(diǎn)密度的變化從而判斷是否為地面點(diǎn)[47]；也可以將3D數(shù)據(jù)投影到以激光雷達(dá)旋轉(zhuǎn)軸為軸的圓柱體上，每個(gè)點(diǎn)的數(shù)據(jù)用距離信息表示，通過(guò)判斷距離突然變化的區(qū)域分離地面點(diǎn)[48]。基于投影密度的地面濾波算法優(yōu)點(diǎn)是可以輕松融合多個(gè)傳感器，映射是直截了當(dāng)?shù)摹Ｈ欢?，區(qū)分障礙物和地面的困難仍然存在，雖然這些算法適用于具有水平地平面和垂直墻結(jié)構(gòu)的環(huán)境，但會(huì)造成大部分可用信息的丟失，這些算法不適合可靠地檢測(cè)傾斜物體，如植被或山丘。基于投影的地面濾波算法是早期經(jīng)典算法之一，由于濾波精度不高導(dǎo)致其目前更多地應(yīng)用于2D數(shù)據(jù)而非3D數(shù)據(jù)。

3.5.2 基于形態(tài)學(xué)的地面濾波算法

形態(tài)濾波器[49]是對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行網(wǎng)格化，并通過(guò)對(duì)網(wǎng)格高程值的放大和侵蝕來(lái)提取地面點(diǎn)。在此基礎(chǔ)上，漸進(jìn)形態(tài)濾波器[50]通過(guò)逐漸增大窗口大小并根據(jù)窗口大小使用高程差閾值來(lái)保留地面點(diǎn)并移除非地面物體。

表2 交叉表

Pirotti[42]使用多維網(wǎng)格對(duì)地面候選點(diǎn)應(yīng)用自定義漸進(jìn)式形態(tài)濾波器，該算法不需要計(jì)算昂貴的迭代，并且可以對(duì)速度進(jìn)行優(yōu)化，但是對(duì)反射率信息的依賴很強(qiáng)。形態(tài)濾波算法是最早應(yīng)用于機(jī)載激光雷達(dá)數(shù)據(jù)的經(jīng)典濾波算法之一，但在數(shù)據(jù)處理之前一般需要進(jìn)行插值和網(wǎng)格化，會(huì)造成原始地形特征的破壞，且僅以窗口最低點(diǎn)作為地面點(diǎn)適用性不強(qiáng)。以上特點(diǎn)導(dǎo)致基于形態(tài)學(xué)的地面濾波算法在VLS數(shù)據(jù)上應(yīng)用受到限制。另外，結(jié)構(gòu)窗口的尺寸、高程閾值的設(shè)定是影響濾波的主要因素，窗口過(guò)小不能有效濾除，窗口過(guò)大時(shí)容易丟失細(xì)節(jié)信息。

4 地面點(diǎn)云濾波算法評(píng)估

VLS的應(yīng)用場(chǎng)景多樣，算法對(duì)不同場(chǎng)景的適應(yīng)性也不同，因此濾波精度是衡量算法濾波效果的重要標(biāo)準(zhǔn)。評(píng)估濾波精度需要確定點(diǎn)云中每一個(gè)點(diǎn)是否屬于地面點(diǎn)，但是點(diǎn)云數(shù)據(jù)量龐大，因此評(píng)估濾波結(jié)果具有一定的難度。

4.1 濾波結(jié)果的評(píng)估方法

濾波結(jié)果的評(píng)估方法主要有以下三種：

4.1.1 人工標(biāo)定法

人工標(biāo)定法是指在已經(jīng)全部將點(diǎn)云進(jìn)行地面/非地面分類的情況下，將濾波結(jié)果與標(biāo)定結(jié)果進(jìn)行對(duì)比。標(biāo)定過(guò)程工作量巨大，但結(jié)果對(duì)比過(guò)程簡(jiǎn)單，該方法主要適用于小數(shù)據(jù)量環(huán)境或已經(jīng)標(biāo)定的公開數(shù)據(jù)集。

4.1.2 目視檢查法

點(diǎn)云地面濾波的結(jié)果通常使用不同顏色的激光點(diǎn)云圖表示，目視檢查法是通過(guò)人工去判讀算法對(duì)具有明顯特征的較小區(qū)域的濾波結(jié)果是否正確。

4.1.3 隨機(jī)抽樣法

在缺乏人工標(biāo)定且需要對(duì)細(xì)節(jié)部分濾波效果進(jìn)行評(píng)估的情況下，可以多次隨機(jī)選擇區(qū)域，在區(qū)域內(nèi)標(biāo)注地面點(diǎn)和非地面點(diǎn)，與濾波結(jié)果相比較。該方法借鑒了概率論中隨機(jī)抽樣的思想，評(píng)估速度較快但是結(jié)果受人為因素影響較大。

4.2 濾波精度的評(píng)估標(biāo)準(zhǔn)

在評(píng)估濾波結(jié)果后產(chǎn)生的主要參數(shù)有四個(gè)，分別為：1) 算法正確分類的地面點(diǎn)數(shù)；2) 表示地面點(diǎn)被誤分為非地面點(diǎn)的個(gè)數(shù)；3) 表示非地面點(diǎn)被誤分為地面點(diǎn)的個(gè)數(shù)；4) 表示算法正確分類的非地面點(diǎn)個(gè)數(shù)。濾波精度的評(píng)估標(biāo)準(zhǔn)通常有以下兩種：

4.2.1 交叉表法

交叉表如表2所示，其中，和分別表示參考數(shù)據(jù)中真實(shí)的地面點(diǎn)個(gè)數(shù)和非地面點(diǎn)個(gè)數(shù)；和分別表示濾波結(jié)果中地面點(diǎn)個(gè)數(shù)和非地面點(diǎn)個(gè)數(shù)。

根據(jù)交叉表的結(jié)構(gòu)，將誤差分為三類[51]：

1) Ⅰ類誤差(漏分誤差/拒真誤差)，是指地面點(diǎn)被錯(cuò)分為非地面點(diǎn)的概率：

2) Ⅱ類誤差(錯(cuò)分誤差/納偽誤差)，是指非地面點(diǎn)錯(cuò)分為地面點(diǎn)的概率：

3) 總誤差，反映了分類結(jié)果與參考數(shù)據(jù)不一致的概率：

Ⅰ類誤差、Ⅱ類誤差反應(yīng)了算法的適應(yīng)性，總誤差反應(yīng)了算法的可行性，總誤差越小，表明濾波效果就越好。

4.2.2 Kappa系數(shù)法

Kappa系數(shù)法[52]是基于混淆矩陣的用于一致性檢驗(yàn)方法，該方法能夠衡量分類精度[53]。點(diǎn)云濾波的Kappa系數(shù)定義如下

Kappa系數(shù)計(jì)算結(jié)果為-1~1，但通常Kappa系數(shù)是在0~1間，可分為五組來(lái)表示不同級(jí)別的一致性：0.0~0.20極低的一致性(slight)、0.21~0.40一般的一致性(fair)、0.41~0.60中等的一致性(moderate)、0.61~0.80高度的一致性(substantial)和0.81~1.0幾乎完全一致(almost perfect)。

4.3 典型算法的實(shí)現(xiàn)與對(duì)比

為檢驗(yàn)算法濾波效果，采用人工標(biāo)定的方法標(biāo)定了一幀VLS點(diǎn)云數(shù)據(jù)?？紤]到目前旋轉(zhuǎn)式激光雷達(dá)仍是應(yīng)用最廣泛的VLS，所以選取的點(diǎn)云數(shù)據(jù)來(lái)自于KITTI公開數(shù)據(jù)集[54]2011_09_26_drive_ 0001_extract，激光雷達(dá)型號(hào)為Velodyne HDL-64E。場(chǎng)景為城市街道(包括公路、輕軌、建筑、汽車、圍墻、樹木等)，如圖3所示。取||<20 m且||<20 m范圍內(nèi)的點(diǎn)，其中，地面點(diǎn)64797個(gè)，非地面點(diǎn)33850個(gè)，如圖4所示，綠色的點(diǎn)表示地面點(diǎn)，藍(lán)色的點(diǎn)表示非地面點(diǎn)。從基于空間劃分的地面濾波算法、基于掃描線的地面濾波算法、基于局部特征的地面濾波算法中各選擇一種比較典型的算法進(jìn)行比較，分別為向上生長(zhǎng)濾波算法[16]、相鄰點(diǎn)連線濾波算法[28]、坡度值區(qū)域增長(zhǎng)濾波算法[38]。分別利用算法時(shí)間/空間復(fù)雜度、交叉表法和Kappa系數(shù)法對(duì)上述算法進(jìn)行評(píng)估。

為觀察比較參數(shù)選取對(duì)濾波結(jié)果的影響，在合理的參數(shù)范圍內(nèi)分別對(duì)三種算法的不同參數(shù)組合進(jìn)行結(jié)果分析，其中，向上生長(zhǎng)濾波算法共275組，相鄰點(diǎn)連線濾波算法共253組，坡度值區(qū)域增長(zhǎng)濾波算法共451組。參數(shù)選取方式和濾波結(jié)果對(duì)比如表3所示。

表中，為點(diǎn)云中點(diǎn)的數(shù)量，為體素垂直分層的層數(shù)。分析最優(yōu)濾波結(jié)果可知，向上生長(zhǎng)濾波算法最優(yōu)結(jié)果的I類誤差明顯小于其他兩種算法，但是Ⅱ類誤差卻是最高的，說(shuō)明其將過(guò)多的非地面點(diǎn)錯(cuò)分為地面點(diǎn)；相鄰點(diǎn)連線濾波算法最優(yōu)結(jié)果的Kappa系數(shù)高于向上生長(zhǎng)濾波算法，但是I類誤差在三種算法中最高，說(shuō)明算法的主要問(wèn)題是將過(guò)多的地面點(diǎn)錯(cuò)分為非地面點(diǎn)；坡度值區(qū)域增長(zhǎng)濾波算法最優(yōu)結(jié)果高于其他兩種算法，說(shuō)明在選取的參數(shù)比較理想的情況下，該算法濾波精度最高。但是最優(yōu)結(jié)果并不能說(shuō)明算法受參數(shù)變化的影響程度，將同一算法所有濾波結(jié)果按照Kappa系數(shù)升序排列，結(jié)果分別如圖5(a)~5(c)所示，其所對(duì)應(yīng)的最優(yōu)濾波結(jié)果分別如圖5(d)~5(f)所示。

圖3 點(diǎn)云數(shù)據(jù)獲取場(chǎng)景

圖4 標(biāo)定結(jié)果

由圖5(a)可知，在向上生長(zhǎng)濾波算法濾波結(jié)果中，雖然不同參數(shù)值對(duì)I類誤差和II類誤差會(huì)產(chǎn)生較大影響，但是總誤差和Kappa系數(shù)受參數(shù)影響較小。由圖5(d)可知，該算法對(duì)于局部凸起物(例如鐵軌)濾波能力不強(qiáng)，對(duì)于高度閾值以下的點(diǎn)不能做到較好的分類(例如汽車)，但是對(duì)于高度較高的桿狀物體(例如路燈)能夠做到很好的識(shí)別，所以該算法更適用于森林樹木檢測(cè)或道路路燈識(shí)別領(lǐng)域。由圖5(b)可知，相鄰點(diǎn)連線濾波算法受參數(shù)值改變的影響程度小于其他兩種濾波算法，其Kappa系數(shù)整體上優(yōu)于向上生長(zhǎng)濾波算法，由圖5(e)可知，該算法能夠有效克服向上生長(zhǎng)濾波算法對(duì)于局部凸起物濾波能力不足的缺點(diǎn)，但是由于該算法只對(duì)相鄰掃描線上處于同方位角的三個(gè)點(diǎn)進(jìn)行檢測(cè)，在對(duì)非地面的平面(例如窗臺(tái)、車頂)或兩條距離較大的掃描線檢測(cè)時(shí)易出現(xiàn)錯(cuò)誤判斷，將其誤認(rèn)為地面；由圖5(c)可知，坡度值區(qū)域增長(zhǎng)濾波算法最優(yōu)結(jié)果優(yōu)于其它兩種算法，對(duì)局部凸起物能夠有效識(shí)別，也能夠有效減少將地面點(diǎn)誤判為非地面點(diǎn)的情況，由圖5(f)可知，該算法濾波效果受參數(shù)值變化的影響很大，尤其對(duì)坡度閾值敏感，當(dāng)掃描點(diǎn)之間高程差較小但坡度值較大時(shí)會(huì)出現(xiàn)判斷失誤，例如：最接近激光雷達(dá)的掃描線，由于點(diǎn)與點(diǎn)之間水平距離較小，計(jì)算其點(diǎn)間坡度值通常高于其他地面區(qū)域。解決該問(wèn)題的方法是調(diào)整坡度閾值，但是選取最優(yōu)坡度閾值需多次試驗(yàn)，所以當(dāng)激光雷達(dá)工作場(chǎng)景之間差異過(guò)大時(shí)，該算法并不適用。

表3 濾波算法對(duì)比

圖5 三種典型地面濾波算法結(jié)果。(a) 向上生長(zhǎng)濾波算法結(jié)果；(b) 相鄰點(diǎn)連線濾波算法結(jié)果；(c) 坡度值區(qū)域增長(zhǎng)濾波算法結(jié)果；(d) 向上生長(zhǎng)濾波算法結(jié)果點(diǎn)云圖；(e) 相鄰點(diǎn)連線濾波算法結(jié)果點(diǎn)云圖；(f) 坡度值區(qū)域增長(zhǎng)濾波算法結(jié)果點(diǎn)云圖

5 總結(jié)與展望

VLS地面濾波算法與VLS硬件的發(fā)展息息相關(guān)。目前VLS還面臨幾個(gè)關(guān)鍵問(wèn)題：1) “鏡面黑洞”效應(yīng)，即激光雷達(dá)照射反射率較高且非正對(duì)激光雷達(dá)的物體時(shí)，難以檢測(cè)到返回信號(hào)；2) 多輛使用VLS的路上車輛之間可能產(chǎn)生串?dāng)_，導(dǎo)致距離欺騙，需要統(tǒng)一標(biāo)準(zhǔn)進(jìn)行規(guī)范；3) 成本偏高，雖然固態(tài)激光雷達(dá)價(jià)格低于機(jī)械式激光雷達(dá)，但是單個(gè)固態(tài)激光雷達(dá)不能實(shí)現(xiàn)水平360°掃描探測(cè)，需要多個(gè)激光雷達(dá)整體配置以完成全方位探測(cè)，整體配置后是否還具有價(jià)格優(yōu)勢(shì)有待考慮。VLS發(fā)展趨勢(shì)主要包含以下幾個(gè)方面：1) 從滿足自動(dòng)駕駛的迫切需求看，低成本化、小型化、固態(tài)化是未來(lái)的總體發(fā)展趨勢(shì)；2) 從數(shù)據(jù)預(yù)處理的角度看，激光雷達(dá)與人工智能技術(shù)的融合是未來(lái)的發(fā)展趨勢(shì)，通過(guò)人工智能技術(shù)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，有選擇性地對(duì)感興趣區(qū)域進(jìn)行探測(cè)，能夠有效降低數(shù)據(jù)處理壓力；3) 從信息融合的角度看，激光雷達(dá)與其他傳感器的結(jié)合正在逐漸深入，激光雷達(dá)和視覺(jué)相機(jī)的結(jié)合將同時(shí)獲得探測(cè)目標(biāo)的三維空間信息和色彩紋理信息，激光雷達(dá)和毫米波雷達(dá)結(jié)合將克服惡劣天氣的影響，激光雷達(dá)與5G發(fā)射接收技術(shù)結(jié)合將解決激光雷達(dá)組網(wǎng)和數(shù)據(jù)云處理的問(wèn)題。

現(xiàn)有的VLS地面濾波算法雖然能解決某些特定情況下地面點(diǎn)的濾波問(wèn)題，但還存在以下幾點(diǎn)不足：1) 場(chǎng)景的復(fù)雜和多樣造成了地面濾波算法的多元性和特異性，算法單一適用于某一場(chǎng)景，而且往往精度越高，適應(yīng)性越差，使用范圍相當(dāng)有限[55]；2) 現(xiàn)有濾波算法在識(shí)別被嚴(yán)重遮擋的場(chǎng)景時(shí)會(huì)出現(xiàn)問(wèn)題，且對(duì)近地植被進(jìn)行濾波比較困難；3) 地面點(diǎn)分割精度不足，過(guò)分割和欠分割的現(xiàn)象仍然比較明顯?

目前，VLS地面點(diǎn)濾波算法呈現(xiàn)以下趨勢(shì)：1) 提升算法的自適應(yīng)性，對(duì)典型算法進(jìn)行優(yōu)化和封裝，將其作為成熟的模塊，使算法具有擴(kuò)展性和可移植性，以面對(duì)各類復(fù)雜多變的場(chǎng)景；2) 根據(jù)VLS的工作原理，越來(lái)越多的研究者嘗試采用球座標(biāo)系或圖像處理的方法對(duì)點(diǎn)云進(jìn)行分析和濾波；3) 隨著機(jī)器學(xué)習(xí)的發(fā)展，基于機(jī)器學(xué)習(xí)的地面點(diǎn)云濾波算法應(yīng)運(yùn)而生，此類算法的主要思路是選擇合適的機(jī)器學(xué)習(xí)方法，利用標(biāo)注好的點(diǎn)云樣本來(lái)訓(xùn)練模型，最后通過(guò)訓(xùn)練好的模型進(jìn)行在線點(diǎn)云分離[56]；4) 隨著計(jì)算機(jī)性能的提高，學(xué)者嘗試犧牲算法空間復(fù)雜度以獲得更短的運(yùn)算時(shí)間，濾波算法逐漸由點(diǎn)群分析向單點(diǎn)分析過(guò)渡，有效減少過(guò)分割和欠分割的現(xiàn)象。

地面濾波是一項(xiàng)具有廣闊發(fā)展前景的技術(shù)，隨著車載激光雷達(dá)的普及和濾波精度的提升，該技術(shù)將在無(wú)人駕駛、軍事偵察、數(shù)字地圖等領(lǐng)域發(fā)揮越來(lái)越重要的作用。

[1] Liu B, Yu Y, Jiang S. Review of advances in LiDAR detection and 3D imaging[J]., 2019, 46(7): 190167. 劉博, 于洋, 姜朔. 激光雷達(dá)探測(cè)及三維成像研究進(jìn)展[J]. 光電工程, 2019, 46(7): 190167.

[2] Habermann D, Hata A, Wolf D,. 3D point clouds segmentation for autonomous ground vehicle[C]//, Niteroi, Brazil, 2013: 143–148.

[3] Liu Z Q, Huang S H, Ma Q,. LiDAR filtering algorithm based on mixed least squares and total least squares[J]., 2019, 42(2): 30–33. 劉志青, 黃沈華, 馬琪, 等. 基于混合最小二乘與總體最小二乘的激光雷達(dá)濾波算法[J]. 測(cè)繪與空間地理信息, 2019, 42(2): 30–33.

[4] Qiu C X. Lidar and the industrialization of automatic driving[J]., 2018(6): 37–47. 邱純鑫. 激光雷達(dá)與自動(dòng)駕駛的產(chǎn)業(yè)化之路[J]. 人工智能, 2018(6): 37–47.

[5] Chen X D, Zhang J C, Pang W S,. Key technology and application algorithm of intelligent driving vehicle LiDAR[J]., 2019, 46(7): 190182. 陳曉冬, 張佳琛, 龐偉凇, 等. 智能駕駛車載激光雷達(dá)關(guān)鍵技術(shù)與應(yīng)用算法[J]. 光電工程, 2019, 46(7): 190182.

[6] Chen J Y, Shi Y C. Research progress in solid-state LiDAR[J]., 2019, 46(7): 190218. 陳敬業(yè), 時(shí)堯成. 固態(tài)激光雷達(dá)研究進(jìn)展[J]. 光電工程, 2019, 46(7): 190218.

[7] Douillard B, Underwood J, Vlaskine V,. A pipeline for the segmentation and classification of 3D point clouds[C]//, Berlin, Heidelberg, 2014: 585–600.

[8] Zhu Z, Liu J L. Graph-based ground segmentation of 3D LIDAR in rough area[C]//, Woburn, MA, USA, 2014.

[9] Thrun S, Montemerlo M, Dahlkamp H,. Stanley: the robot that won the DARPA grand challenge[J]., 2006, 23(9): 661–692.

[10] Douillard B, Underwood J, Melkumyan N,. Hybrid elevation maps: 3D surface models for segmentation[C]//, Taipei, Taiwan, China, 2010: 1532–1538.

[11] Kammel S, Pitzer B. Lidar-based lane marker detection and mapping[C]//, Eindhoven, Netherlands, 2008: 1137–1142.

[12] Guo C Z, Sato W, Han L,. Graph-based 2D road representation of 3D point clouds for intelligent vehicles[C]//, Baden-Baden, Germany, 2011: 715–721.

[13] Douillard B, Underwood J, Kuntz N,. On the segmentation of 3D LIDAR point clouds[C]//, Shanghai, China, 2011: 2798–2805.

[14] Zhao G Q, Yuan J S. Curb detection and tracking using 3D-LIDAR scanner[C]//, Orlando, FL, USA, 2012: 437–440.

[15] Chen T T, Dai B, Liu D X,. 3D LIDAR-based ground segmentation[C]//, Beijing, China, 2011: 446–450.

[16] Guan H Y, Yu Y T, Ji Z,. Deep learning-based tree classification using mobile LiDAR data[J]., 2015, 6(11): 864–873.

[17] Guan H Y, Yu Y T, Li J,. Pole-like road object detection in mobile LiDAR data via supervoxel and bag-of-contextual-visual-words representation[J]., 2016, 13(4): 520–524.

[18] Husain A, Vaishya R C. A time efficient algorithm for ground point filtering from mobile LiDAR data[C]//, Allahbad, India, 2016.

[19] Montemerlo M, Becker J, Bhat S,. Junior: the stanford entry in the urban challenge[J]., 2008, 25(9): 569–597.

[20] Himmelsbach M, Hundelshausen F V, Wuensche H J. Fast segmentation of 3D point clouds for ground vehicles[C]//, San Diego, CA, USA, 2010: 560–565.

[21] Yang B S, Fang L N, Li J. Semi-automated extraction and delineation of 3D roads of street scene from mobile laser scanning point clouds[J]., 2013, 79: 80–93.

[22] Hu X Y, Li X K, Zhang Y J. Fast filtering of LiDAR point cloud in urban areas based on scan line segmentation and GPU acceleration[J]., 2013, 10(2): 308–312.

[23] Hata A Y, Wolf D F. Feature detection for vehicle localization in urban environments using a multilayer LIDAR[J]., 2016, 17(2): 420–429.

[24] Zhou Y, Wang D, Xie X,. A fast and accurate segmentation method for ordered LiDAR point cloud of large-scale scenes[J]., 2014, 11(11): 1981–1985.

[25] Yin H L, Yang X H, He C. Spherical coordinates based methods of ground extraction and objects segmentation using 3-D LiDAR sensor[J]., 2016, 8(1): 61–68.

[26] Hernandez J, Marcotegui B. Filtering of artifacts and pavement segmentation from mobile LiDAR data[C]//, Paris, France, 2009.

[27] Wojke N, H?selich M. Moving vehicle detection and tracking in unstructured environments[C]//, Saint Paul, MN, USA, 2012: 3082–3087.

[28] Fan J Y. Object recognition based on sparse 3D point cloud in urban environment[D]. Harbin：Harbin Institute of Technology, 2018: 12–13. 樊建崟. 在城市道路場(chǎng)景下基于稀疏三維點(diǎn)云的目標(biāo)識(shí)別[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2018: 12–13.

[29] Yuan X, Zhao C X, Cai Y F,. Road-surface abstraction using ladar sensing[C]//, Hanoi, Vietnam, 2008: 1097–1102.

[30] Moosmann F, Pink O, Stiller C. Segmentation of 3D lidar data in non-flat urban environments using a local convexity criterion[C]//, Xi'an, China, 2009: 215–220.

[31] Zhang M F, Fu R, Guo Y S,. Road segmentation method based on irregular three dimensional point cloud[J]., 2017, 47(5): 1387–1394. 張名芳, 付銳, 郭應(yīng)時(shí), 等. 基于三維不規(guī)則點(diǎn)云的地面分割算法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2017, 47(5): 1387–1394.

[32] McElhinney C, Kumar P, Cahalane C,. Initial results from European road safety inspection (EURSI) mobile mapping project[C]//, Newcastle upon Tyne, UK, 2010: 440–445.

[33] Asvadi A, Premebida C, Peixoto P,. 3D lidar-based static and moving obstacle detection in driving environments: an approach based on voxels and multi-region ground planes[J].2016, 83: 299–311.

[34] Chen T T, Dai B, Liu D X,. Sparse Gaussian process regression based ground segmentation for autonomous land vehicles[C]//, Qingdao, China, 2015: 3993–3998.

[35] Dong M, Chen T Z, Yang H. Research on separation method of ground laser point cloud based on mesh[J]., 2019, 45(6): 32–36, 44. 董敏, 陳鐵樁, 楊浩. 基于Mesh的地面激光點(diǎn)云分離方法研究[J]. 計(jì)算機(jī)工程, 2019, 45(6): 32–36, 44.

[36] Rusu R B. Semantic 3D object maps for everyday manipulation in human living environments[J]., 2010, 24(4): 345–348.

[37] Su B Y, Ma J Y, Peng Y S,. Algorithm for RGBD point cloud denoising and simplification based on K-means clustering[J]., 2016, 28(10): 2329–2334, 2341. 蘇本躍, 馬金宇, 彭玉升, 等. 基于K-means聚類的RGBD點(diǎn)云去噪和精簡(jiǎn)算法[J]. 系統(tǒng)仿真學(xué)報(bào), 2016, 28(10): 2329–2334, 2341.

[38] Biosca J M, Lerma J L. Unsupervised robust planar segmentation of terrestrial laser scanner point clouds based on fuzzy clustering methods[J]., 2008, 63(1): 84–98.

[39] Zhou W Q. An object-based approach for urban land cover classification: integrating LiDAR height and intensity data[J]., 2013, 10(4): 928–931.

[40] Tatoglu A, Pochiraju K. Point cloud segmentation with LiDAR reflection intensity behavior[C]//, Saint Paul, MN, USA, 2012: 786–790.

[41] Franceschi M, Teza G, Preto N,. Discrimination between marls and limestones using intensity data from terrestrial laser scanner[J]., 2009, 64(6): 522–528.

[42] Pirotti F, Guarnieri A, Vettore A. Ground filtering and vegetation mapping using multi-return terrestrial laser scanning[J]., 2013, 76: 56–63.

[43] Boyko A, Funkhouser T. Extracting roads from dense point clouds in large scale urban environment[J]., 2011, 66(6): S2–S12.

[44] Song H, Choi W, Kim H. Robust vision-based relative-localization approach using an RGB-depth camera and LiDAR sensor fusion[J]., 2016, 63(6): 3725–3736.

[45] Lichti D D. Spectral filtering and classification of terrestrial laser scanner point clouds[J]., 2005, 20(111): 218–240.

[46] Thrun S. Learning occupancy grid maps with forward sensor models[J]., 2003, 15(2): 111–127.

[47] Kammel S, Ziegler J, Pitzer B,. Team AnnieWAY's autonomous system for the 2007 DARPA urban challenge[J]., 2008, 25(9): 615–639.

[48] Hoover A, Jean-Baptiste G, Jiang X,. An experimental comparison of range image segmentation algorithms[J]., 1996, 18(7): 673–689.

[49] Kilian J, Haala N, Englich M. Capture and evaluation of airborne laser scanner data[C]//, Vienna, 1996, 31: 383–388.

[50] Zhang K Q, Chen S C, Whitman D,. A progressive morphological filter for removing nonground measurements from airborne LIDAR data[J]., 2003, 41(4): 872–882.

[51] Huang Z W, Liu F, Hu G W. Improved method for LiDAR point cloud data filtering based on hierarchical pseudo-grid[J]., 2017, 37(8): 0828004. 黃作維, 劉峰, 胡光偉. 基于多尺度虛擬格網(wǎng)的LiDAR點(diǎn)云數(shù)據(jù)濾波改進(jìn)方法[J]. 光學(xué)學(xué)報(bào), 2017, 37(8): 0828004.

[52] Cohen J. A coefficient of agreement for nominal scales[J]., 1960, 20(1): 37–46.

[53] Zhou J X, Mao S S.[M]. 2nd ed. Beijing: China Statistics Press, 2008: 433–440. 周紀(jì)薌, 茆詩(shī)松. 質(zhì)量管理統(tǒng)計(jì)方法[M]. 2版. 北京: 中國(guó)統(tǒng)計(jì)出版社, 2008: 433–440.

[54] Geiger A, Lenz P, Stiller C,. Vision meets robotics: the KITTI dataset[J]., 2013, 32(11): 1231–1237.

[55] Liu S D, Hu L, Shi T X,. Comparison of filtering algorithms for rock point cloud data[C]//, 2016: 101–107.

[56] Li J, Mei X, Prokhorov D,. Deep neural network for structural prediction and lane detection in traffic scene[J]., 2017, 28(3): 690–703.

Review of ground filtering algorithms for vehicle LiDAR scans point cloud data

Huang Siyuan1, Liu Limin1*, Dong Jian1, Fu Xiongjun2

1Department of Electronic and Optical Engineering, Shijiazhuang Campus of Army Engineering University, Shijiazhuang, Hebei 050003, China;2School of Information and Electronics, Beijing Institute of Technology, Beijing 100081, China

Results of slope-regional growth filtering algorithm

Overview:LiDAR plays an important role in the field of unmanned driving. Ground filtering is the key technology to separate and extract the ground information according to the point cloud data acquired by LiDAR. First of all, this paper briefly describes the landmark events that vehicle LiDAR scans (VLS) established its position in the field of unmanned driving. According to the classification of mechanical, mixed solid and solid LiDAR, the working principle of each type of VLS is described, and the advantages and disadvantages of each type of VLS are discussed and compared. Secondly, the development of VLS ground filtering algorithms is studied. And the existing algorithms are sorted according to the processing methods of point cloud data. The ground filtering algorithm is divided into four categories: the ground filtering algorithm based on space division, the ground filtering algorithm based on scan lines, the ground filtering algorithm based on local characteristics, and the ground filtering algorithm based on additional information. According to the principles and filtering results of different algorithms, their characteristics, advantages and disadvantages are described. In addition to the above filtering algorithms, some ground filtering algorithms are also introduced. However, the adaptability of these algorithms to VLS point cloud data needs to be further improved. The common evaluation methods and standards of ground filtering accuracy are described to effectively evaluate the filtering results of various algorithms in different situations. There are three evaluation methods of filtering results: the manual calibration method, the visual inspection method, and the random sampling method. Furthermore, there are three evaluation standards for filtering accuracy: the cross table method, the Kappa coefficient method, and the algorithm time/space complexity. In order to show the characteristics of various algorithms, typical algorithms are selected for comparison from the ground filtering algorithm based on spatial division, the ground filtering algorithm based on scan lines and the ground filtering algorithm based on local characteristics. By changing the selected value of parameters, several groups of tests are carried out for each algorithm. The filtering results are arranged in ascending order according to Kappa coefficient, and the influence of parameter changes on the results is analyzed. The accuracy evaluation criteria are used to compare and analyze the optimal filtering results. Finally, the shortcomings of existing VLS ground filtering algorithms are summarized, and the development trend of VLS and VLS ground filtering algorithms is prospected. With the development of the computer technology and machine learning technology, filtering algorithms will be more intelligent and efficient.

Citation: Huang S Y, Liu L M, Dong J,. Review of ground filtering algorithms for vehicle LiDAR scans point cloud data[J]., 2020,47(12): 190688

* E-mail: lidarsci@sina.com

Review of ground filtering algorithms for vehicle LiDAR scans point cloud data

Huang Siyuan1, Liu Limin1*, Dong Jian1, Fu Xiongjun2

1Department of Electronic and Optical Engineering, Shijiazhuang Campus of Army Engineering University, Shijiazhuang, Hebei 050003, China;2School of Information and Electronics, Beijing Institute of Technology, Beijing 100081, China

LiDAR plays an important role in the field of unmanned driving. Ground filtering is the key technology to separate and extract the ground information from the point cloud data acquired by LiDAR. Firstly, the development and classification of vehicle LiDAR scans (VLS) are introduced, and the advantages and disadvantages of all kinds of VLS are discussed. Then, the development of VLS ground filtering algorithm is studied and classified. The evaluation methods and standards of ground filtering accuracy are described, and three typical algorithms are compared and analyzed. Finally, the shortcomings of current VLS and its ground filtering algorithms are summarized, and the future development trend is prospected.

LiDAR; ground filtering; intelligent driving; accuracy evaluation; prospect

The 13th Five Year Plan Pre-Research Fund of Equipment Development Department (41415010503)

10.12086/oee.2020.190688

TN249

A

黃思源，劉利民，董健，等. 車載激光雷達(dá)點(diǎn)云數(shù)據(jù)地面濾波算法綜述[J]. 光電工程，2020，47(12): 190688

: Huang S Y, Liu L M, Dong J,Review of ground filtering algorithms for vehicle LiDAR scans point cloud data[J]., 2020, 47(12): 190688

2019-11-13；

2020-01-14

裝備發(fā)展部十三五預(yù)研基金(41415010503)

黃思源(1993-)，男，博士研究生，主要從事激光雷達(dá)目標(biāo)識(shí)別方面的研究。E-mail：635938927@qq.com

劉利民(1971-)，男，教授，博士生導(dǎo)師，主要從事目標(biāo)探測(cè)與電子對(duì)抗的研究。E-mail：lidarsci@sina.com