基于車載激光雷達(dá)的隧道內(nèi)障礙物檢測

曾 祥，蔣國濤，鮑紀(jì)宇，劉邦繁，肖志鴻

（中車株洲電力機(jī)車研究所有限公司，湖南 株洲 412001）

0 引言

激光雷達(dá)因具有高測距精度、高分辨率、受光照影響小的優(yōu)點(diǎn)而被廣泛應(yīng)用于車輛環(huán)境感知領(lǐng)域。Premebida Cristiano，Ludwig Oswaldo等[1]對激光點(diǎn)云進(jìn)行特征提取和分類，實(shí)現(xiàn)了對城市場景中行人的識別。Zhang Wende[2]使用激光雷達(dá)對道路和道路邊緣進(jìn)行了檢測。Muresan Mircea Paul，Nedevschi Sergiu等[3]針對高線數(shù)激光雷達(dá)存在的價格昂貴的不足，提出了一種基于4線激光雷達(dá)的實(shí)時目標(biāo)檢測算法。Granstr?m Karl，Renter Stephan 等[4]提出了一種隨機(jī)優(yōu)化方法，以直接處理多目標(biāo)跟蹤中的數(shù)據(jù)關(guān)聯(lián)問題。Sahba Ramin，Sahba Amin等[5]使用PointPillars網(wǎng)絡(luò)對汽車、行人進(jìn)行了識別。Szarvas M.，Sakai U.等[6]采用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了激光點(diǎn)云中對行人的高效檢測。黃如林、梁華為等[7]提出了基于多特征融合的動態(tài)障礙物檢測跟蹤方法和基于時空特征向量的動態(tài)障礙物識別方法，提高了激光雷達(dá)對動態(tài)障礙物的識別和跟蹤準(zhǔn)確率。宗長富、文龍等[8]提出了一種新穎的點(diǎn)云去畸變方法和一種基于距離分區(qū)的歐氏聚類算法，在一定程度上解決了歐氏聚類算法在點(diǎn)云分布不均及存在畸變時的障礙物檢測成功率低的問題。胡云卿、馮江華等[9]利用激光雷達(dá)、毫米波雷達(dá)和360度環(huán)視系統(tǒng)構(gòu)建了智軌電車的環(huán)境感知系統(tǒng)。然而，目前基于激光雷達(dá)的障礙物檢測多在開放環(huán)境中進(jìn)行，針對隧道內(nèi)障礙物檢測的研究尚不多見。近年來，隨著山區(qū)公路交通建設(shè)和城市軌道交通建設(shè)的快速發(fā)展，隧道里程增長迅速，應(yīng)用激光雷達(dá)對隧道內(nèi)的障礙物進(jìn)行檢測，有助于提高車輛在隧道內(nèi)運(yùn)行的安全性。

本文對基于車載激光雷達(dá)的隧道內(nèi)的障礙物檢測問題進(jìn)行了研究。在濾除隧道壁點(diǎn)云和地面點(diǎn)云的基礎(chǔ)上，對點(diǎn)云進(jìn)行聚類以識別障礙物；采用改進(jìn)的距離準(zhǔn)則進(jìn)行數(shù)據(jù)關(guān)聯(lián)，結(jié)合卡爾曼濾波實(shí)現(xiàn)障礙物的運(yùn)動狀態(tài)更新，并設(shè)計(jì)了生命狀態(tài)轉(zhuǎn)移機(jī)制以實(shí)現(xiàn)障礙物的航跡管理。

1 基礎(chǔ)算法原理

本文對點(diǎn)云的處理主要涉及隨機(jī)采樣一致性（random sample consensus，RANSAC）方法[10]和歐幾里得聚類方法。

1.1 RANSAC模型擬合

基于待擬合的模型（如直線），可由N個空間點(diǎn)Pi(xi,yi,zi)(其中i=1, 2, …,N)構(gòu)成的點(diǎn)集P建立超定方程組Pv=q，其中矩陣P和向量q由點(diǎn)集P確定，v為待估計(jì)的參數(shù)向量。通常，v的估計(jì)通過最小二乘法進(jìn)行。當(dāng)P中存在異常數(shù)據(jù)時，若直接采用最小二乘法求解v，可能會產(chǎn)生較大偏差。

RANSAC算法在求解v時充分考慮了異常數(shù)據(jù)的影響。設(shè)P中局內(nèi)點(diǎn)的占比為ε，重復(fù)地從P中隨機(jī)抽取m個點(diǎn)構(gòu)成子集。若某子集中不含有異常點(diǎn)，則該子集為良性子集。記至少取得一個良性子集的概率為p*，其與相應(yīng)的最小迭代次數(shù)Nmin滿足如下關(guān)系：

設(shè)定任意點(diǎn)是否歸屬于擬合模型的閾值Tε，并記集合為每次迭代結(jié)束后點(diǎn)集P中歸屬于擬合模型的點(diǎn)構(gòu)成的子集。記M為集合的元素個數(shù)，K為待估計(jì)參數(shù)的個數(shù)，即向量v的維數(shù)?；赗ANSAC的模型擬合步驟如下：

（2）從P中隨機(jī)選擇K個不共線的點(diǎn)Pi(xi,yi,zi)，其中i=1, 2, …,K。

（3）產(chǎn)生估計(jì)假設(shè)。由選擇的K個點(diǎn)坐標(biāo)計(jì)算參數(shù)向量v。為避免混淆，記此時的參數(shù)向量為v0。

（4）假設(shè)驗(yàn)證和優(yōu)選。計(jì)算由v0引起的偏差向量e=Pv0-q。引入計(jì)數(shù)m并初始化，使m=0。依次遍歷e中的所有元素，若第j個元素e(j)滿足|e(j)|≤Tε，則計(jì)數(shù)m增1。比較m和M的大小。若m>M，則代表當(dāng)前估計(jì)的參數(shù)向量v0較上次的結(jié)果更優(yōu)，此時，先清空，再將所有滿足|e(j)|≤Tε的點(diǎn)Pj加入集合中；反之，若m≤M，則放棄當(dāng)前估計(jì)。

（5）重復(fù)步驟（2）～（4），直到迭代次數(shù)達(dá)到Nmin。

1.2 歐幾里得聚類

對于具有明顯鄰域關(guān)系的元素的聚類問題，采用基于距離準(zhǔn)則的近鄰聚類方法通常能取得不錯的效果。本文采用的是成熟的歐幾里得聚類算法，同時采用維樹（k-dimensional tree，kd樹）以加快對鄰域元素的搜索。算法流程如下：

（1）對輸入數(shù)據(jù)P建立kd樹，創(chuàng)建一個空的聚類列表C和待處理元素隊(duì)列Q，設(shè)定元素的鄰域半徑δ。

（2）對P中每一個未處理的元素Pi，將Pi加入Q中。

（3）對Q中每一個點(diǎn)，在P中搜索其δ鄰域內(nèi)的一組近鄰點(diǎn)；對任一近鄰點(diǎn)，若其未被處理過，則將該點(diǎn)加入Q。重復(fù)該步驟，直到Q中所有點(diǎn)都被處理完畢，則將Q中的點(diǎn)加入C中，并清空Q。

（4）檢查P中的所有點(diǎn)是否均已被處理且加入C中。若是，則算法結(jié)束；反之，則返回到步驟（2）。

2 障礙物檢測算法

激光雷達(dá)在隧道內(nèi)掃描時，點(diǎn)云的主要來源包括隧道壁、地面和可能存在的障礙物。圖1示出隧道內(nèi)的激光點(diǎn)云數(shù)據(jù)，可以看出，在接收點(diǎn)云中，隧道壁點(diǎn)云和地面點(diǎn)云的占比非常高。對于障礙物檢測而言，海量的隧道壁點(diǎn)云和地面點(diǎn)云屬于背景點(diǎn)云，容易造成虛警，且會顯著降低障礙物檢測的效率?；诖耍槍λ淼纼?nèi)障礙物的檢測，對隧道壁點(diǎn)云和地面點(diǎn)云的濾除提出了很高要求。

圖1 隧道內(nèi)的激光點(diǎn)云數(shù)據(jù)Fig.1 Point cloud from LiDAR in the tunnel

此外，實(shí)踐中，受激光雷達(dá)分辨率、點(diǎn)云穩(wěn)定性和點(diǎn)云處理算法自身精度等的影響，障礙物位置和尺寸信息常會有所偏差，且障礙物的漏檢或誤檢問題幾乎不可避免。為實(shí)現(xiàn)障礙物信息的穩(wěn)定輸出，對障礙物的穩(wěn)定跟蹤是不可或缺的。綜上要求，本文設(shè)計(jì)的基于車載激光的障礙物檢測算法流程如下：（1）隧道壁點(diǎn)云分割；（2）地面點(diǎn)云分割；（3）目標(biāo)聚類；（4）目標(biāo)跟蹤。

為簡化計(jì)算，在隧道壁點(diǎn)云分割之前，本文首先采用VoxelGrid體素濾波器[11]對點(diǎn)云進(jìn)行下采樣處理，然后再將點(diǎn)云從激光雷達(dá)坐標(biāo)系轉(zhuǎn)換到車輛坐標(biāo)系。車輛坐標(biāo)系以向前方向?yàn)閤軸的正方向，向上方向?yàn)閦軸的正方向，且x軸、y軸、z軸構(gòu)成右手坐標(biāo)系。

目標(biāo)聚類的基本任務(wù)是將障礙物點(diǎn)云劃分為互斥的若干個子集，每個子集中的激光點(diǎn)云構(gòu)成一個障礙物。本文采用歐幾里得聚類法對障礙物進(jìn)行聚類。其與隧道待擬合邊界點(diǎn)云聚類的區(qū)別在于，障礙物聚類時，權(quán)重wx=1。聚類完成后，障礙物的中心坐標(biāo)與尺寸信息可通過計(jì)算聚類后點(diǎn)云的軸向平行包圍盒得到。相關(guān)算法均屬于成熟方法，本文不贅述。

3 隧道壁點(diǎn)云分割

隧道壁包括隧道頂和隧道側(cè)壁。顯然，隧道頂點(diǎn)云的高程值z較大。由此，設(shè)定高程閾值為Tz，且感興趣區(qū)域?yàn)闈M足z≤Tz的區(qū)域，即可濾除隧道頂點(diǎn)云的區(qū)域。

記濾除隧道頂后留下的點(diǎn)云為P0。為研究P0的分布，將P0向水平面上投影，得到如圖2所示的投影點(diǎn)云P?？梢钥闯?，P表現(xiàn)出明顯的帶狀分布，左右兩側(cè)的隧道側(cè)壁點(diǎn)云各形成一條明顯的邊界點(diǎn)云帶。采用曲線對邊界點(diǎn)云帶進(jìn)行近似，則可將隧道側(cè)壁的檢測問題轉(zhuǎn)換為邊界曲線擬合問題。完成邊界曲線擬合后，由邊界曲線確定隧道側(cè)壁點(diǎn)云，需要將邊界曲線朝隧道內(nèi)部進(jìn)行等距離偏移，即需要求解邊界曲線的等距曲線。

圖2 點(diǎn)云的水平投影視圖Fig.2 Horizontal projection view of the point cloud

基于以上思想，本文設(shè)計(jì)的隧道側(cè)壁點(diǎn)云分割方案由5個過程組成：（1）點(diǎn)云柵格圖產(chǎn)生；（2）邊界點(diǎn)云初選；（3）邊界點(diǎn)云復(fù)選；（4）邊界曲線擬合；（5）邊界點(diǎn)云濾除。

3.1 點(diǎn)云柵格圖的產(chǎn)生

設(shè)置柵格的長度L和寬度W，將預(yù)處理后的點(diǎn)云分配到相應(yīng)的柵格中。設(shè)點(diǎn)云的最小x,y坐標(biāo)分別為xmin,ymin，那么對于坐標(biāo)為(x,y,z)的點(diǎn)，其柵格坐標(biāo)(i,j)滿足i=[(x-xmin)/L]，j=[(y-ymin)/W]，其中“[]”表示向下取整算子。

依次處理點(diǎn)云中的所有點(diǎn)，生成點(diǎn)云柵格圖Q。

3.2 邊界點(diǎn)云的初選

激光雷達(dá)在隧道內(nèi)掃描時，隧道側(cè)壁能返回較多點(diǎn)云，相應(yīng)的柵格中具有較多的激光點(diǎn)；隧道外部則理論上無點(diǎn)云返回，相應(yīng)的柵格為空。由此，如圖3所示，對于Q中的每一行柵格，從最左端的柵格開始遍歷，首個非空柵格即為隧道側(cè)壁柵格；從最右端的柵格開始遍歷，情況亦然。為降低噪點(diǎn)的影響，設(shè)置閾值。當(dāng)柵格內(nèi)的激光點(diǎn)數(shù)不低于該閾值時，將柵格標(biāo)記為隧道側(cè)壁柵格。

圖3 柵格的遍歷方式Fig.3 The way of traversing all grids

收集所有隧道側(cè)壁柵格中的點(diǎn)云，用于下一步處理。

3.3 邊界點(diǎn)云的復(fù)選

初選的邊界點(diǎn)云中從屬于左側(cè)隧道壁和右側(cè)隧道壁的點(diǎn)云未被分離，且可能存在不屬于任何一側(cè)隧道側(cè)壁的虛假邊界點(diǎn)云。這些不足可能會對后續(xù)邊界曲線擬合造成干擾。

理論上，從屬于同一側(cè)隧道壁的邊界點(diǎn)云，其中的激光點(diǎn)應(yīng)具有較小的距離，即在空間上是相鄰的，整個邊界點(diǎn)云帶是連續(xù)的、不具有明顯間隔的窄長區(qū)域；而不同側(cè)隧道壁的邊界點(diǎn)云則具有較大的距離，即在空間上不相鄰?；诖思僭O(shè)，對于源自左、右側(cè)隧道壁初選的邊界點(diǎn)云，可以采用歐幾里得聚類方法予以分離。

然而，在實(shí)際中，受到障礙物遮擋、隧道側(cè)壁柵格標(biāo)記錯誤等因素的影響，從屬于同一側(cè)隧道壁的邊界點(diǎn)云帶可能出現(xiàn)局部斷裂現(xiàn)象。此時，邊界點(diǎn)云帶是在x方向分段的、有少數(shù)明顯間隔的窄長區(qū)域。為將分段的窄長區(qū)域聚類成一體，需要考慮到x方向間隔的影響?；诖耍瑢Τ踹x的邊界點(diǎn)云在x方向作壓縮處理，即對其中的激光點(diǎn)Pi(xi,yi)執(zhí)行縮放變換：

式中：wx——權(quán)重。

wx越小，聚類對x方向局部斷裂的魯棒性越強(qiáng)，但也增大了將多個獨(dú)立的僅在x方向上不相鄰的目標(biāo)聚類為一體的風(fēng)險。

初選的邊界點(diǎn)云經(jīng)聚類產(chǎn)生多個獨(dú)立的子點(diǎn)云。其中，隧道側(cè)壁點(diǎn)云在x方向較長，而虛假邊界點(diǎn)云則較隧道側(cè)壁點(diǎn)云明顯偏短?；诖?，分別計(jì)算聚類后產(chǎn)生的子點(diǎn)云在x方向的長度Δx=xmax-xmin，其中xmax和xmin分別為子點(diǎn)云的x坐標(biāo)的最大值和最小值。Δx最大的兩個子點(diǎn)云即為兩組隧道側(cè)壁邊界點(diǎn)云。

3.4 邊界曲線擬合

采用RANSAC算法擬合隧道邊界曲線，擬合模型為拋物線。設(shè)拋物線的二次項(xiàng)、一次項(xiàng)和常數(shù)項(xiàng)系數(shù)分別為A1，B1和C1，即拋物線方程為y=y(x)=A1x2+B1x+C1。超定方程組Pv=q滿足

顯然，C1>0時擬合所得的為左側(cè)隧道壁邊界曲線，反之為右側(cè)隧道壁曲線。為予以區(qū)分，分別記左側(cè)、右側(cè)隧道邊界曲線為G1:y=y1(x)，G2:y=y2(x)，G1和G2的由二次項(xiàng)、一次項(xiàng)及常數(shù)項(xiàng)系數(shù)構(gòu)成的參數(shù)向量分別為v1=[A11,B11,C11]T，v2=[A12,B12,C12]T。

3.5 邊界點(diǎn)云濾除

隧道邊界曲線G1，G2的鄰域可由它們的等距曲線確定。記G1，G2處于隧道內(nèi)部一側(cè)的等距曲線分別為G*1，G*2，對于給定的激光點(diǎn)Pi(xi,yi,zi)，若滿足Pi在G*1，G*2之間，則可認(rèn)為Pi為非隧道邊界點(diǎn)；反之則為隧道邊界點(diǎn)。記G*1和G*2的曲線方程分別為y=y1*(x)，y=y2*(x)，則Pi的濾除條件可以表示為(yi-y1*)×(yi-y2*)≥0。由此，邊界點(diǎn)云濾除問題轉(zhuǎn)換為等距曲線G*1和G*2的估計(jì)問題。

顯然，當(dāng)隧道邊界曲線G1和G2為拋物線時，等距曲線G*1和G*2的形式比較復(fù)雜；但實(shí)際應(yīng)用中，仍然可以采用拋物線對G*1和G*2進(jìn)行近似，實(shí)現(xiàn)對邊界點(diǎn)云的濾除。以根據(jù)G1計(jì)算G*1為例，其計(jì)算過程如下：

（1）隧道邊界采樣

對y1(x)進(jìn)行等間隔采樣，得到由采樣點(diǎn)P1i(iΔx,y1(iΔx))（i=0, 1, …,Nc-1，Nc為總采樣數(shù)）構(gòu)成的采樣點(diǎn)集。同時，計(jì)算G1在P1i處的單位法向量ni(nix,niy)。

如果niy>0，將ni取反。

（2） 等距曲線采樣

圖4示出等距曲線采樣點(diǎn)的生成示意，其中給定鄰域半徑為r0。對于給定的隧道邊界點(diǎn)P1i(iΔx,y1(iΔx))，可計(jì)算等距曲線的采樣點(diǎn)：

（3）等距曲線估計(jì)

經(jīng)采樣所得的P*1i(x*i,y*i)均不是局外點(diǎn)，因此可直接應(yīng)用最小二乘法求解G*1。

類似地，可求解得出G*2，繼而按照條件(yiy*1)×(yi-y*2)≥0濾除所有符合要求的點(diǎn)Pi(xi,yi,zi)，保留下來的點(diǎn)云則將用于地面分割。至此，隧道壁點(diǎn)云分割完成。

4 地面點(diǎn)云分割

與隧道壁點(diǎn)云類似，大量的地面點(diǎn)云存在于激光雷達(dá)接收到的點(diǎn)云中，需要被濾除。本文采用基礎(chǔ)的基于柵格平面擬合的方法進(jìn)行隧道內(nèi)的地面點(diǎn)云分割[12-14]。

沿用隧道側(cè)壁點(diǎn)云分割時的點(diǎn)云柵格圖。對每一個柵格，計(jì)算其中激光點(diǎn)的個數(shù)n、點(diǎn)云高程的中值zmed和最小值zmin，并定義該柵格的高程差Δz：

障礙物具有一定的高度，因此其相應(yīng)柵格應(yīng)具有較大的高程差，而地面相應(yīng)柵格高程差較小，據(jù)此實(shí)現(xiàn)對地面點(diǎn)云的初步篩選。對于起伏較少、僅需考慮坡度因素的地面，如隧道地面，可采用空間平面進(jìn)行近似。

采用RANSAC算法擬合地面，擬合模型為平面z=A2x+B2y+D2，其中A2,B2,D2為系數(shù)，則：

地面點(diǎn)云分割的基本流程如圖5所示，具體如下：

圖5 地面點(diǎn)云分割的流程Fig.5 Flow chart of ground segmentation

（1）點(diǎn)云柵格化，計(jì)算柵格高程差Δz。

（2）地面柵格點(diǎn)云收集。初始化候選地面點(diǎn)云集合P，使。設(shè)置閾值Ts，滿足Δz≤Ts的柵格被視作地面柵格，將該柵格內(nèi)的點(diǎn)云加入集合P中。

（3）地面擬合。采用RANSAC方法擬合P中的數(shù)據(jù)，擬合模型為平面∑。

（4）地面點(diǎn)云移除。設(shè)定閾值Td，對P中的點(diǎn)Pi，計(jì)算Pi到平面∑的距離di。若Pi≤Td，則Pi屬于地面點(diǎn)，予以移除。

5 目標(biāo)跟蹤

考慮到噪聲及其他干擾以及障礙物檢測算法自身的局限性，檢測得到的多個障礙物位置信息不可避免地存在偏差。為此，有必要引入目標(biāo)跟蹤算法以降低檢測偏差。針對單目標(biāo)跟蹤，本文采用成熟的卡爾曼濾波算法；針對多目標(biāo)的跟蹤，先采用成熟的全局最近鄰（global nearest neighbour, GNN）[15]數(shù)據(jù)關(guān)聯(lián)算法將其分解為多個單目標(biāo)跟蹤問題，然后再應(yīng)用卡爾曼濾波進(jìn)行處理。常規(guī)的GNN算法只采用了障礙物的位置信息作為距離準(zhǔn)則，在特定場景下的關(guān)聯(lián)效果不佳。為此，本文對距離準(zhǔn)則進(jìn)行改進(jìn)，以提高GNN數(shù)據(jù)關(guān)聯(lián)的魯棒性。

此外，相比真實(shí)情形，聚類結(jié)果仍可能存在障礙物的漏檢或誤檢。基于此，本文提出一種基于生命狀態(tài)轉(zhuǎn)移的航跡管理策略，對聚類給出的結(jié)果進(jìn)行辨識，以快速地實(shí)現(xiàn)錯誤檢測的去除和遺漏檢測的補(bǔ)充。

5.1 改進(jìn)距離準(zhǔn)則的GNN數(shù)據(jù)關(guān)聯(lián)

設(shè)卡爾曼濾波預(yù)測得到的目標(biāo)A位置為(xi,yi)，測量目標(biāo)B位置為(xj,yj)。將二者間常規(guī)的距離定義為，其中，vij=(xj-xi,yj-yi)，為A和B的位置殘差，S為卡爾曼濾波中的殘差協(xié)方差。d1的定義只考慮了目標(biāo)的位置信息而忽略了目標(biāo)的尺寸信息，可能產(chǎn)生不準(zhǔn)確的關(guān)聯(lián)結(jié)果。為此，本文引入視覺領(lǐng)域的交并比（intersection over union，IOU）概念，并記d2=2-IOU且d2∈[1, 2]。在d1和d2的基礎(chǔ)上，本文將A和B間的距離d3定義為

式(9)中，指數(shù)λ反映了d2的重要性。λ越大，d2的重要性越高。

圖6示出采用仿真數(shù)據(jù)對di(i=1, 2, 3)的關(guān)聯(lián)效果進(jìn)行比較的結(jié)果。圖6（a）中，目標(biāo)R保持靜止，位置坐標(biāo)相同的目標(biāo)P和Q以相同速度沿直線l向x軸正方向運(yùn)動。顯然，因P和R的尺寸差異較Q和R的小，在同一時刻，P和R的關(guān)聯(lián)程度應(yīng)不低于Q和R的，即距離應(yīng)滿足關(guān)系d(P,R)≤d(Q,R)；同時，對于P或Q，在其逐漸接近R到逐漸遠(yuǎn)離R的過程中，距離應(yīng)具有先遞減后遞增的變化規(guī)律。

圖6（b）～圖6（d）給出了P和Q從接近R到遠(yuǎn)離R的d1,d2和d3的變化規(guī)律，計(jì)算時取S為單位矩陣I，λ=1。由圖6（b）可以看出，由于僅利用了位置信息而忽略了尺寸信息，因此d1(P,R)、d1(Q,R)始終相等，即僅依靠d1無法對P，Q和R的關(guān)聯(lián)程度進(jìn)行區(qū)分；同時，由圖6（c）可以看出，由于Q在區(qū)間K1～K2內(nèi)沿x方向始終被R完全包含，二者的交集為Q，并集為R，因此d2(Q,R)在該區(qū)間內(nèi)始終保持不變，即此時僅依靠d2無法區(qū)分Q與R在“接近—遠(yuǎn)離”過程中的關(guān)聯(lián)程度；類似地可對P進(jìn)行分析。相比之下，圖6（d）中的d3很好地揭示了“P與R的關(guān)聯(lián)程度更高”和“P或Q與R的關(guān)聯(lián)程度先遞增后遞減”的事實(shí)。

距離準(zhǔn)則確定后，其他步驟與常規(guī)的GNN算法相同，本文不再贅述。

圖6 3種距離準(zhǔn)則的性能比較Fig.6 Performance comparison among the three different distance metrics

5.2 基于生命狀態(tài)轉(zhuǎn)移的航跡管理

圖7示出目標(biāo)的生命狀態(tài)轉(zhuǎn)移關(guān)系。定義每個目標(biāo)在生命周期內(nèi)可能的生命狀態(tài)為頭、可見、隱藏、撤銷。對于新發(fā)現(xiàn)的待確認(rèn)（為障礙物或者誤檢）的目標(biāo)，標(biāo)記其生命狀態(tài)為頭；對于已確認(rèn)為障礙物的目標(biāo)，若在當(dāng)前幀能檢測到，則標(biāo)記其生命狀態(tài)為可見，反之則標(biāo)記其生命狀態(tài)為隱藏；對于已確認(rèn)為誤檢的目標(biāo)或隱藏過久的目標(biāo)，標(biāo)記其生命狀態(tài)為撤銷，并停止該目標(biāo)的跟蹤。上述4種生命狀態(tài)可觸發(fā)如（i）～（ix）所示的生命狀態(tài)轉(zhuǎn)移。

圖7 可能的生命狀態(tài)轉(zhuǎn)移Fig.7 All possible life state transitions

設(shè)現(xiàn)有障礙物集合為S，待研究目標(biāo)為O，對生命狀態(tài)轉(zhuǎn)移關(guān)系可進(jìn)行如下描述。

5.2.1OS

采用滑窗法的m/n檢測準(zhǔn)則進(jìn)行判斷，即確認(rèn)O∈S的條件如下：在寬為n的滑動窗口內(nèi)，O至少出現(xiàn)m次。為此，從首次發(fā)現(xiàn)O開始建立滑動窗，初始時窗寬為1，隨后每幀增1，直到達(dá)到n。與此相關(guān)的生命狀態(tài)轉(zhuǎn)移為（i），（ii）和（iii）：

（i） 當(dāng)前窗寬未達(dá)到n，O保持頭狀態(tài)。

（ii）O經(jīng)m/n檢測通過，則O∈S，生命狀態(tài)轉(zhuǎn)換為可見。

（iii）O經(jīng)m/n檢測不通過，則生命狀態(tài)轉(zhuǎn)換為撤銷，即刪除O。

5.2.2O∈S

目標(biāo)O一旦被確認(rèn)為障礙物，對其進(jìn)行撤銷操作必須謹(jǐn)慎。為此，設(shè)定將O移除出S的條件為：O連續(xù)消失n*次。與此相關(guān)的生命狀態(tài)轉(zhuǎn)移為（iv）～（ix）：

（iv）O上次處于可見狀態(tài)且當(dāng)前仍可見，則維持可見狀態(tài)。

（v）O上次處于可見狀態(tài)但當(dāng)前不可見，則連續(xù)消失次數(shù)為1。若n*=1，則生命狀態(tài)轉(zhuǎn)換為撤銷，即直接從S中刪除O。

（vi）O上次處于可見狀態(tài)但當(dāng)前不可見，即連續(xù)消失次數(shù)為1。若n*>1，則生命狀態(tài)轉(zhuǎn)換為隱藏。

（vii）O上次處于不可見狀態(tài)但當(dāng)前可見，轉(zhuǎn)換為可見狀態(tài)。

（viii）O上次處于不可見狀態(tài)而當(dāng)前仍不可見，且連續(xù)消失次數(shù)未達(dá)到n*，維持隱藏狀態(tài)。

（ix）O連續(xù)消失次數(shù)達(dá)到n*，轉(zhuǎn)換為撤銷狀態(tài)，從S中刪除O。

6 實(shí)驗(yàn)驗(yàn)證

在某地鐵隧道內(nèi)采集激光點(diǎn)云數(shù)據(jù)，安排4名行人在激光雷達(dá)的視場范圍內(nèi)從遠(yuǎn)到近接近激光雷達(dá)，模擬現(xiàn)實(shí)中運(yùn)動的障礙物。處理在此過程中的連續(xù)多幀數(shù)據(jù)，檢查是否發(fā)生行人的漏檢、誤檢以及行人處于靜止?fàn)顟B(tài)中連續(xù)幀內(nèi)的檢測位置是否劇烈跳動，以驗(yàn)證本文障礙物檢測算法的效果，實(shí)驗(yàn)結(jié)果如圖8所示。

圖8（a）示出采集的原始點(diǎn)云數(shù)據(jù)，可以看出，除障礙物點(diǎn)云外，還含有大量的隧道壁點(diǎn)云和地面點(diǎn)云。圖8（b）示出隧道側(cè)壁檢測中，擬合所得的邊界曲線和等距曲線。相應(yīng)地，邊界點(diǎn)云濾除的結(jié)果如圖8（c）所示，可以看出，隧道壁點(diǎn)云在此圖中已經(jīng)被成功濾除。繼續(xù)對點(diǎn)云進(jìn)行地面點(diǎn)云分割，產(chǎn)生的地面點(diǎn)云和障礙物點(diǎn)云分別如圖8（d）、圖8（e）所示，可以看出，二者已經(jīng)被成功分離。最后，對障礙物點(diǎn)云進(jìn)行目標(biāo)聚類和目標(biāo)跟蹤，輸出的4個障礙物的包圍盒如圖8（f）所示；同時，圖8（f）以文本形式給出了障礙物的ID和位置信息。這4個障礙物的包圍盒即代表了運(yùn)動的4名行人。由圖8可以看出，采用本文方法成功地實(shí)現(xiàn)了對該幀點(diǎn)云中隧道內(nèi)障礙物的檢測。

圖8 實(shí)驗(yàn)結(jié)果Fig.8 Experimental results

同時，對行人從遠(yuǎn)到近接近激光雷達(dá)這一過程中的多幀數(shù)據(jù)分析結(jié)果表明，本文方法均能成功輸出相應(yīng)的包圍盒；在行人停留在同一位置的連續(xù)幀內(nèi)，行人的位置跳動不超過0.15 m。實(shí)驗(yàn)結(jié)果表明，本文所提方法能夠準(zhǔn)確檢測隧道內(nèi)的障礙物。

7 結(jié)語

本文提出了一種基于激光雷達(dá)的隧道內(nèi)障礙物檢測算法，該算法首先對點(diǎn)云中的隧道邊界和地面成分進(jìn)行濾除，然后對障礙物進(jìn)行聚類檢測和跟蹤。實(shí)測數(shù)據(jù)的處理結(jié)果驗(yàn)證了本文所提方法在隧道內(nèi)障礙物檢測方面的有效性。需要指出的是，本文方法是基于隧道不發(fā)生分岔的前提；對于隧道分岔的場景，本文方法并不適用，后續(xù)將對此進(jìn)行研究。