基于激光點(diǎn)云的道路可通行區(qū)域檢測(cè)方法

寧小娟，鞏 亮，張金磊

（西安理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，西安 710048）

0 概述

隨著人工智能技術(shù)的快速發(fā)展，無(wú)人駕駛應(yīng)用越來(lái)越廣泛。環(huán)境感知技術(shù)作為無(wú)人駕駛中至關(guān)重要的一環(huán)，是無(wú)人車(chē)安全性和智能性的保障，通過(guò)激光雷達(dá)采集技術(shù)可以捕獲更多的道路環(huán)境信息，更加有利于車(chē)輛感知周邊的道路情況，并做出合理的路徑規(guī)劃和行為操作。但由于激光雷達(dá)設(shè)備價(jià)格昂貴和場(chǎng)景數(shù)據(jù)復(fù)雜，因此激光雷達(dá)環(huán)境感知技術(shù)研究是一項(xiàng)極具挑戰(zhàn)性的課題。

在地面分割方面，主要包括基于柵格［1-2］、基于線特征［3-4］、基于平面擬合［5］等3 類(lèi)方法。文獻(xiàn)［1］通過(guò)繪制網(wǎng)格化的三維點(diǎn)云數(shù)據(jù)的均值高程圖并設(shè)置高度閾值來(lái)分割地面數(shù)據(jù)和非地面數(shù)據(jù)。文獻(xiàn)［3］提出一種基于掃描線相鄰點(diǎn)的特征信息的地面分割算法，該算法主要對(duì)相鄰掃描線幾何特征信息進(jìn)行分析，將掃描線進(jìn)行分類(lèi)標(biāo)記，得到地面掃描線并完成地面分割。文獻(xiàn)［5］在擬合過(guò)程中通過(guò)先驗(yàn)信息的指導(dǎo)，加快了平面擬合的速度。前2 種方法實(shí)現(xiàn)簡(jiǎn)單，但在復(fù)雜場(chǎng)景中精度較低，基于平面擬合的地面分割方法效果較好，但處理時(shí)間較長(zhǎng)。

在障礙物檢測(cè)方面，主要包括如基于柵格［6-7］、基于線段特征［8-9］、基于網(wǎng)格聚類(lèi)［10-11］、基于深度學(xué)習(xí)［12-15］等4 類(lèi)方法。文獻(xiàn)［6］將三維點(diǎn)云數(shù)據(jù)進(jìn)行柵格化處理后，計(jì)算每個(gè)柵格的高程值，然后使用鄰域連通域擴(kuò)展柵格單元來(lái)實(shí)現(xiàn)場(chǎng)景中障礙物的分類(lèi)。文獻(xiàn)［8］通過(guò)提取激光雷達(dá)原始數(shù)據(jù)中包含的線段特征，檢測(cè)其線段的高度和向量，利用與實(shí)時(shí)檢測(cè)到的地面向量和高度產(chǎn)生的偏差來(lái)檢測(cè)障礙物。文獻(xiàn)［10］通過(guò)基于動(dòng)態(tài)距離閾值的網(wǎng)格聚類(lèi)算法對(duì)障礙物進(jìn)行聚類(lèi)，利用障礙物結(jié)構(gòu)信息實(shí)現(xiàn)修正，最后使用支持向量機(jī)（Support Vector Machine，SVM）分類(lèi)器對(duì)障礙物進(jìn)行檢測(cè)分類(lèi)。文獻(xiàn)［12］利用PointNet++作為主要網(wǎng)絡(luò)提取特征，它是一種端到端網(wǎng)絡(luò)，可以直接處理稀疏的三維點(diǎn)云。文獻(xiàn)［13］提出一種SASSD 網(wǎng)絡(luò)，通過(guò)設(shè)計(jì)的輔助網(wǎng)絡(luò)將體素特征轉(zhuǎn)換為點(diǎn)級(jí)特征來(lái)完成三維目標(biāo)檢測(cè)任務(wù)。對(duì)比以上方法，基于聚類(lèi)的障礙物檢測(cè)方法在傳統(tǒng)方法中較為常見(jiàn)，檢測(cè)精度較高，基于深度學(xué)習(xí)的障礙物檢測(cè)方法普遍優(yōu)于傳統(tǒng)方法，但網(wǎng)絡(luò)模型復(fù)雜且運(yùn)行時(shí)間受計(jì)算機(jī)硬件設(shè)備的影響較大。

在可通行區(qū)域檢測(cè)方面，多數(shù)方法基于高度差提取道路邊界［16-17］。文獻(xiàn)［16］提出一種基于道路形態(tài)分析的邊界提取方法，通過(guò)曲線擬合邊界信息的方式檢測(cè)出道路邊界線，從而劃分出可通行區(qū)域。這類(lèi)方法通常依賴于點(diǎn)云的高度特征，難以處理斜坡等高度不穩(wěn)定區(qū)域。文獻(xiàn)［17］提出一種基于直線特征的可通行區(qū)域?qū)崟r(shí)檢測(cè)算法，通過(guò)重點(diǎn)研究直線特征，避免了因高度帶來(lái)的檢測(cè)誤差［18］。

本文提出一種基于激光點(diǎn)云的道路可通行區(qū)域檢測(cè)方法。利用基于分段校準(zhǔn)的RANSAC［19］算法對(duì)地面進(jìn)行分割，采用基于體素化的DBSCAN［20］聚類(lèi)算法完成障礙物聚類(lèi)，融合多特征并利用JointBoost 實(shí)現(xiàn)對(duì)障礙物的分類(lèi)標(biāo)識(shí)，同時(shí)基于高程突變提取道路邊界候選點(diǎn)檢測(cè)道路邊界。

1 方法描述

本文方法的整體流程如圖1 所示，主要包括數(shù)據(jù)精簡(jiǎn)、地面分割、障礙物分割與識(shí)別、邊界提取與優(yōu)化、可通行區(qū)域檢測(cè)等5 個(gè)部分，具體描述如下：

圖1 可通行區(qū)域檢測(cè)過(guò)程Fig.1 Detection process of passable areas

步驟1數(shù)據(jù)精簡(jiǎn)。以體素柵格為單元，以單元中所有點(diǎn)的質(zhì)心為代表完成下采樣處理，并通過(guò)分段統(tǒng)計(jì)點(diǎn)云數(shù)據(jù)的疏密程度消除噪聲點(diǎn)。

步驟2地面分割。基于分段校準(zhǔn)的RANSAC地面分割方法，將點(diǎn)云數(shù)據(jù)進(jìn)行等距分段，針對(duì)每個(gè)分段的點(diǎn)云數(shù)據(jù)進(jìn)行水平校準(zhǔn)，進(jìn)而利用RANSAC算法實(shí)現(xiàn)地面分割。

步驟3障礙物分割與識(shí)別?；隗w素化的DBSCAN 聚類(lèi)算法，實(shí)現(xiàn)對(duì)非地面點(diǎn)的障礙物的準(zhǔn)確聚類(lèi)。同時(shí)，融合多特征并利用局部特征分類(lèi)器（JointBoost）實(shí)現(xiàn)對(duì)障礙物的分類(lèi)識(shí)別。

步驟4邊界提取與優(yōu)化?；诟叱掏蛔兲崛〉缆愤吔绾蜻x點(diǎn)，并結(jié)合先驗(yàn)知識(shí)優(yōu)化邊界點(diǎn)，獲得準(zhǔn)確的道路邊界線。

步驟5可通行區(qū)域檢測(cè)。基于道路區(qū)域柵格化的標(biāo)記處理，利用道路邊界懸空障礙物判斷并更新可通行區(qū)域。

2 場(chǎng)景數(shù)據(jù)預(yù)處理

2.1 基于體素化柵格的下采樣

本文使用基于體素化的數(shù)據(jù)下采樣方法，首先為體素單元確定合適的長(zhǎng)寬高，并以此將整個(gè)場(chǎng)景數(shù)據(jù)體素柵格化，然后根據(jù)每個(gè)柵格單元中所有點(diǎn)的位置信息計(jì)算出該單元的質(zhì)心，用質(zhì)心代替整個(gè)單元中的所有點(diǎn)，遍歷所有單元從而完成下采樣工作?；隗w素化柵格的下采樣步驟具體如下：

1）讀取場(chǎng)景點(diǎn)云數(shù)據(jù)。

2）確定整個(gè)場(chǎng)景包圍盒的3 個(gè)邊長(zhǎng)LX、LY、LZ以及包圍盒的最小點(diǎn)，即左下角的點(diǎn)minP。

3）假設(shè)體素單元格的邊長(zhǎng)分別為VX、VY、VZ，對(duì)點(diǎn)云數(shù)據(jù)劃分后得到m×n×s個(gè)單元，其中，m=

4）從場(chǎng)景中任選一點(diǎn)p（pX，pY，pZ），這點(diǎn)所屬柵格單元的坐標(biāo)可通過(guò)式（1）計(jì)算得到：

通過(guò)每個(gè)柵格單元的坐標(biāo)，可以計(jì)算其編號(hào)：

5）計(jì)算場(chǎng)景數(shù)據(jù)所有點(diǎn)所屬的柵格單元編號(hào)，具有同一編號(hào)的點(diǎn)可以確定為同一柵格中的點(diǎn)。

6）計(jì)算每個(gè)單元格中所有點(diǎn)的質(zhì)心并將其作為代表點(diǎn)，從而完成下采樣。

2.2 基于點(diǎn)密度統(tǒng)計(jì)的邊緣噪聲消除

在下采樣后的原始場(chǎng)景中的點(diǎn)云數(shù)據(jù)量明顯減少，但是還存在一些離散點(diǎn)和距離掃描設(shè)備較遠(yuǎn)的無(wú)用點(diǎn)。為了消除這些噪聲點(diǎn)，本文提出一種基于點(diǎn)密度統(tǒng)計(jì)的噪聲消除算法，具體步驟如下：

1）在本文場(chǎng)景數(shù)據(jù)中，X軸方向?yàn)檐?chē)輛行駛方向，Y軸方向?yàn)檐?chē)輛右側(cè)的方向，Z軸方向?yàn)榇怪庇诘孛嫦蛏系姆较?。?.1 節(jié)得到的結(jié)果投影到Y(jié)OZ平面。

2）將投影后的數(shù)據(jù)沿Y軸劃分為N段區(qū)域（N=20）。

3）計(jì)算劃分后每段區(qū)域點(diǎn)的密度Di，并據(jù)此繪制整個(gè)場(chǎng)景的密度曲線圖。

4）根據(jù)式（3）計(jì)算每段區(qū)域點(diǎn)的密度占場(chǎng)景總密度的比值δi，并將其與閾值δth作對(duì)比，本文設(shè)定閾值δth為2 000。

5）在對(duì)比過(guò)程中，首先從場(chǎng)景起始位置開(kāi)始遍歷，如果δi≤δth，則認(rèn)為這一段區(qū)域點(diǎn)的密度小，所包含信息較少，刪除此段。判斷下一段區(qū)域，直到出現(xiàn)δi＞δth，則終止判斷。然后從場(chǎng)景的末端開(kāi)始往前判斷，如果δi≤δth則刪除此段，直到δi＞δth結(jié)束判斷，至此成功刪除道路兩端包含離散點(diǎn)的區(qū)域。

6）對(duì)于道路遠(yuǎn)處稀疏的無(wú)用點(diǎn)的消除，可以規(guī)定距離車(chē)輛和掃描設(shè)備30 m 內(nèi)的區(qū)域?yàn)楦信d趣區(qū)域，并使用直通濾波算法對(duì)場(chǎng)景區(qū)域進(jìn)行劃分，從而獲得精簡(jiǎn)后的場(chǎng)景數(shù)據(jù)。精簡(jiǎn)前后的場(chǎng)景數(shù)據(jù)分別如圖2（a）和圖2（b）所示。

圖2 精簡(jiǎn)結(jié)果Fig.2 Reduction results

2.3 基于分段校準(zhǔn)的地面分割

在地面分割過(guò)程中，傳統(tǒng)RANSAC 算法在提取平整的結(jié)構(gòu)化道路數(shù)據(jù)時(shí)表現(xiàn)出良好的性能，但是對(duì)于存在緩坡、路面坑洼或者在數(shù)據(jù)采集過(guò)程中，由于車(chē)輛顛簸導(dǎo)致采集到的數(shù)據(jù)出現(xiàn)偏差等情況，單純使用傳統(tǒng)RANSAC 算法實(shí)現(xiàn)地面分割會(huì)出現(xiàn)欠分割現(xiàn)象。因此，本文對(duì)傳統(tǒng)RANSAC 算法進(jìn)行改進(jìn)，提出基于分段校準(zhǔn)的地面分割方法來(lái)提高傳統(tǒng)RANSAC 算法處理復(fù)雜地面數(shù)據(jù)時(shí)的魯棒性。

首先沿道路方向確定場(chǎng)景數(shù)據(jù)，即沿X軸坐標(biāo)的最大值和最小值Xmax和Xmin，然后對(duì)場(chǎng)景數(shù)據(jù)進(jìn)行等距劃分，沿X軸坐標(biāo)方向劃分為N段區(qū)域，每段區(qū)域長(zhǎng)1 m，其中N=。

在各段區(qū)域劃分完成后，對(duì)每段均使用一次RANSAC 算法來(lái)檢測(cè)平面，從而獲得每一段區(qū)域的地面點(diǎn)云數(shù)據(jù)及其擬合的平面，通過(guò)該平面得到法向量V。由于使用激光雷達(dá)掃描得到場(chǎng)景數(shù)據(jù)，因此Z坐標(biāo)軸是垂直于水平面的，通過(guò)定義垂直向量Q=（0，0，1）（如圖3 所示），計(jì)算Q與V的校準(zhǔn)矩陣T，對(duì)此段地面數(shù)據(jù)進(jìn)行校準(zhǔn)。

圖3 地面數(shù)據(jù)校準(zhǔn)示意圖Fig.3 Schematic diagram of ground data calibration

已知法向量V（a1，a2，a3）和垂直向量Q（b1，b2，b3）的關(guān)系如式（4）所示。由此可知兩向量的夾角θ計(jì)算公式如式（5）所示。將法向量V和垂直向量Q進(jìn)行叉乘運(yùn)算得到旋轉(zhuǎn)軸R（r1，r2，r3），如式（6）所示。

對(duì)向量R歸一化處理得到單位向量e（eX，eY，eZ），并將所有已知條件代入羅德里格旋轉(zhuǎn)公式，得到對(duì)應(yīng)的旋轉(zhuǎn)矩陣T。

利用得到的旋轉(zhuǎn)矩陣T對(duì)這一段區(qū)域的點(diǎn)云數(shù)據(jù)進(jìn)行校準(zhǔn)處理，再使用RANSAC 算法檢測(cè)地面數(shù)據(jù)，將所有區(qū)域中檢測(cè)的地面數(shù)據(jù)拼接得到完整的地面數(shù)據(jù)，從而完成該場(chǎng)景數(shù)據(jù)的地面分割操作。分段校準(zhǔn)的地面分割示意圖如圖4 所示。

圖4 分段校準(zhǔn)的地面分割示意圖Fig.4 Schematic diagram of ground segmentation with sectional calibration

3 可通行區(qū)域檢測(cè)

3.1 基于體素化的DBSCAN 聚類(lèi)

針對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行聚類(lèi)分割操作。本文對(duì)傳統(tǒng)DBSCAN 聚類(lèi)算法進(jìn)行改進(jìn)，提出一種基于體素化的DBSCAN 聚類(lèi)算法，并在搜索最近鄰數(shù)據(jù)時(shí)構(gòu)建KD-Tree 加快搜索。首先對(duì)輸入數(shù)據(jù)體素柵格化，選擇體素單元格邊長(zhǎng)為d=15 cm，然后計(jì)算3 個(gè)坐標(biāo)軸的最大值和最小值，結(jié)合單元格邊長(zhǎng)d，計(jì)算出3 個(gè)坐標(biāo)軸已經(jīng)劃分好的柵格單元的對(duì)應(yīng)層數(shù)m、n、s。以X軸為例，X軸柵格層數(shù)m的計(jì)算公式如下：

將數(shù)據(jù)進(jìn)行柵格單元?jiǎng)澐趾?，?jì)算每個(gè)單元格所包含的點(diǎn)數(shù)Pts，并對(duì)全部非空單元格進(jìn)行標(biāo)記，確保這些單元格整體結(jié)構(gòu)與原數(shù)據(jù)位置信息相同。然后設(shè)定點(diǎn)數(shù)閾值PtsMin，并按照一定規(guī)則對(duì)所有非空單元格進(jìn)行判別：若Pts≥PtsMin，則將該單元格標(biāo)記為核心單元格，其內(nèi)所有點(diǎn)標(biāo)記為核心點(diǎn)；若Pts＜PtsMin，則需要二次判別。對(duì)該單元格內(nèi)包含的所有點(diǎn)使用ε-鄰域搜索進(jìn)行二次判別：如果其所有點(diǎn)的鄰域中存在核心點(diǎn)，則將該單元格標(biāo)記為核心單元格；如果其所有點(diǎn)的鄰域中不存在核心點(diǎn)，那么將該單元格標(biāo)記為噪聲單元格。

計(jì)算所有核心單元格的質(zhì)心M，用質(zhì)心點(diǎn)M來(lái)表示整個(gè)單元格中所有的點(diǎn)，利用質(zhì)心點(diǎn)來(lái)參與DBSCAN 聚類(lèi)算法鄰近元的搜索和聚合，具體步驟如下：

將所有質(zhì)心點(diǎn)存入集合S中，從中選取任意一點(diǎn)p，將點(diǎn)p與其?-鄰域中存在的其他質(zhì)心點(diǎn)一同存入候選集合Scd中，并對(duì)這些點(diǎn)定義一個(gè)標(biāo)簽，表示它們所屬同一聚類(lèi)簇，這些質(zhì)心點(diǎn)所表示的單元格和其所包含的點(diǎn)也屬于同一聚類(lèi)簇，然后從Scd中選取另一點(diǎn)，同樣計(jì)算其?-鄰域中存在的質(zhì)心點(diǎn)并更新所屬聚類(lèi)簇，直到集合Scd中沒(méi)有元素，表示完成該點(diǎn)云簇的聚類(lèi)。隨后將集合S中已有所屬聚類(lèi)簇標(biāo)記的質(zhì)心點(diǎn)刪除，并從中再隨機(jī)選取一點(diǎn)重復(fù)上述操作，直到集合S沒(méi)有元素為止。為了提高?-鄰域搜索操作的速度，構(gòu)建KD-Tree 搜索最近鄰點(diǎn)。

3.2 基于多特征的障礙物分類(lèi)識(shí)別

通過(guò)不同特征之間的組合來(lái)實(shí)現(xiàn)障礙物識(shí)別任務(wù)，以較少特征下得到較好結(jié)果為目標(biāo)，經(jīng)過(guò)大量的實(shí)驗(yàn)得到6 類(lèi)特征，具體描述如表1 所示。

表1 特征描述Table 1 Feature description

對(duì)于障礙物的識(shí)別，采用基于JointBoost 的分類(lèi)識(shí)別方法，由于該方法的分類(lèi)結(jié)果會(huì)存在一定的誤差，因此本文在JointBoost 獲得分類(lèi)概率結(jié)果的基礎(chǔ)上，結(jié)合場(chǎng)景實(shí)際空間特征信息對(duì)結(jié)果進(jìn)行優(yōu)化處理，具體步驟為：將JointBoost 分類(lèi)器得到的結(jié)果輸入集合U中，并將其中的元素按照大小排序，然后使用f4特征，即使用該聚類(lèi)簇與車(chē)輛掃描設(shè)備的距離信息對(duì)集合U進(jìn)行判別。

該聚類(lèi)簇與車(chē)輛掃描設(shè)備的距離信息主要包括3 個(gè)坐標(biāo)的距離信息，其中，X軸方向是車(chē)輛行駛方向，Y軸方向是車(chē)輛左右兩側(cè)方向，Z軸方向是高度，本文假設(shè)道路寬度為W。首先計(jì)算該聚類(lèi)簇的所有點(diǎn)到掃描設(shè)備的距離中Y軸坐標(biāo)的平均距離，然后對(duì)進(jìn)行判斷：如果≥W，則可以判斷該聚類(lèi)簇屬于非道路區(qū)域，障礙物類(lèi)別為車(chē)輛的可能性較低；如果＜W，則可以判斷該聚類(lèi)簇屬于道路區(qū)域，障礙物類(lèi)別為建筑等其他類(lèi)別的可能性較低。二次判斷后確定最終的分類(lèi)識(shí)別結(jié)果。

3.3 基于高程突變的道路邊界檢測(cè)

利用場(chǎng)景數(shù)據(jù)中的高程突變特征獲得突變點(diǎn)作為道路邊界候選點(diǎn)并擬合得到邊界線。

1）統(tǒng)計(jì)數(shù)據(jù)中所有點(diǎn)的Z坐標(biāo)作為數(shù)據(jù)點(diǎn)的高程分布并進(jìn)行劃分：

其中：ΔZ為此段數(shù)據(jù)中的高度差，即ΔZ=Zmax-Zmin；Gth為確定突變的高度閾值；H1表示此段數(shù)據(jù)為近地面數(shù)據(jù)，無(wú)需考慮數(shù)據(jù)突變情況；H2表示此段數(shù)據(jù)存在突變情況，需進(jìn)一步確定突變點(diǎn)。

結(jié)合道路數(shù)據(jù)的高程分布，直道道路場(chǎng)景數(shù)據(jù)的道路邊界外是建筑物，所使用的閾值Gth約為1 m。彎路道路場(chǎng)景突變區(qū)域分布在柵欄處和路外綠化處，使用的閾值Gth約為0.5 m。

2）將場(chǎng)景點(diǎn)云數(shù)據(jù)沿車(chē)輛行駛方向，即X軸方向進(jìn)行劃分，劃分寬度為0.5 m，然后提取出一個(gè)子區(qū)域進(jìn)行如下操作：

（1）將點(diǎn)云數(shù)據(jù)沿車(chē)輛兩側(cè)方向，即Y軸方向繼續(xù)劃分，劃分寬度為0.5 m，這時(shí)將得到長(zhǎng)寬均為0.5 m 的單元塊，并將其存入序列F中。

（2）從序列F中按順序取出一個(gè)單元塊Fi，計(jì)算該單元塊的最大高度Hmax，并與確定的閾值Gth進(jìn)行比較：當(dāng)Hmax≤Gth時(shí)，可以判定該單元所包含的數(shù)據(jù)為近地面數(shù)據(jù)，不需要進(jìn)行更多的處理；當(dāng)Hmax＞Gth時(shí)，可以判定該單元所包含的數(shù)據(jù)為突變數(shù)據(jù)，可能存在邊界候選點(diǎn)，記錄該單元的序號(hào)，并存入需要進(jìn)一步提取候選點(diǎn)的序列FG。

（3）對(duì)于FG中的所有單元塊，采用從左右兩個(gè)方向同時(shí)進(jìn)行處理的模式，其中：向左方向處理單元塊時(shí)，在Z值最小的前提下滿足Y值最小的點(diǎn)作為候選點(diǎn)；向右方向處理單元塊時(shí)，在Z值最小的前提下滿足Y值最大的點(diǎn)作為候選點(diǎn)。

在完成上述操作后，對(duì)另一個(gè)子區(qū)域重復(fù)以上操作，直到遍歷完整個(gè)場(chǎng)景數(shù)據(jù)，最終獲得全部道路邊界候選點(diǎn)。道路邊界候選點(diǎn)提取示意圖如圖5 所示。

圖5 道路邊界候選點(diǎn)提取示意圖Fig.5 Schematic diagram of road boundary candidate point extraction

3）為了避免候選點(diǎn)擬合的道路邊界線出現(xiàn)誤差，需要利用先驗(yàn)知識(shí)篩選這些候選點(diǎn)。先將2.3 節(jié)得到的地面數(shù)據(jù)視為道路面，計(jì)算該道路面沿X軸方向兩側(cè)邊緣點(diǎn)的平均Y坐標(biāo)值作為約束，大致確定路寬，如圖6 中繪制的兩條約束線所示，并將約束線左右0.5 m 區(qū)域內(nèi)的候選點(diǎn)作為最終邊界點(diǎn)。對(duì)于彎路場(chǎng)景，需要采用本文分割地面時(shí)使用到的分段處理思想，先對(duì)地面數(shù)據(jù)進(jìn)行分段，使用直道道路邊界的處理方法，處理每一段彎道地面，再將每一段區(qū)域的最終邊界點(diǎn)進(jìn)行拼接，從而完成篩選。在得到邊界點(diǎn)后，使用最小二乘法對(duì)邊界點(diǎn)進(jìn)行擬合得到道路邊界線。

圖6 依據(jù)地面分割得到的兩條約束線Fig.6 Two constraint lines obtained according to ground segmentation

3.4 道路可通行區(qū)域檢測(cè)

基于道路邊界信息和道路障礙物信息，首先采用八鄰域標(biāo)記算法對(duì)柵格進(jìn)行標(biāo)記處理，然后進(jìn)行道路邊界懸空障礙物判斷更新可通行區(qū)域，最終完成可通行區(qū)域檢測(cè)。道路可通行區(qū)域檢測(cè)具體步驟如下：

1）假定經(jīng)過(guò)3.3 節(jié)得到的道路邊界線分別為l1與l2，根據(jù)這兩條線的位置可以確定場(chǎng)景中的道路區(qū)域以及非道路區(qū)域。對(duì)道路區(qū)域進(jìn)行保留，然后將其投影到XOY平面上并進(jìn)行柵格化，其中選擇長(zhǎng)寬均為0.5 m 的柵格單元塊。

2）采用圖像處理中常用的八鄰域標(biāo)記方法對(duì)所有單元格進(jìn)行分析，判斷其是否為包含障礙物的單元格：若單元格內(nèi)不包含點(diǎn)云數(shù)據(jù)，則標(biāo)記其為可通行單元；若單元格內(nèi)包含點(diǎn)云數(shù)據(jù)，則標(biāo)記其為不可通行單元。

3）對(duì)判定為不可通行的單元格進(jìn)行二次判斷，排除那些為懸空障礙物的柵格塊。首先基于3.1節(jié)和3.2節(jié)得到的障礙物分割識(shí)別結(jié)果，找到位于l1與l2附近的障礙物，對(duì)其沿車(chē)輛行駛方向作投影，然后對(duì)投影后的結(jié)果，即障礙物正面的輪廓進(jìn)行判別：在日常生活中，如廣告牌、路標(biāo)、延伸出來(lái)的樹(shù)木等懸空障礙物，正面輪廓多數(shù)為“┌”和“┐”兩種。對(duì)于這種懸空障礙物的情況，車(chē)輛是可以通行的，因此需要對(duì)障礙物的正面輪廓進(jìn)行懸空判別，并對(duì)所對(duì)應(yīng)的標(biāo)記單元格進(jìn)行更新。標(biāo)記后的柵格示意圖如圖7 所示。

圖7 標(biāo)記后的柵格示意圖Fig.7 Schematic diagram of the grids after labeling

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于KITTI 數(shù)據(jù)集與百度Apollo Scape 數(shù)據(jù)集。實(shí)驗(yàn)運(yùn)行于Windows10 操作系統(tǒng)，程序使用C++與PCL 1.8.0 編寫(xiě)，處理器為Intel?CoreTMi7-7700 CPU @ 3.60 GHz，8 GB RAM。

4.1 地面分割結(jié)果分析

圖8 為在2 種復(fù)雜場(chǎng)景下RANSAC 與本文方法的地面分割結(jié)果，其中場(chǎng)景1 為KITTI 數(shù)據(jù)集中常見(jiàn)的直道道路場(chǎng)景，場(chǎng)景2 為KITTI 數(shù)據(jù)集中道路包含綠化帶的復(fù)雜道路場(chǎng)景。在場(chǎng)景1 中，RANSAC 方法的地面分割結(jié)果如圖8（a）所示，其中矩形框中部分為實(shí)際的道路數(shù)據(jù)但是未被檢測(cè)出來(lái)的結(jié)果，這樣使得地面分割不完整，造成欠分割。在場(chǎng)景1 中，本文方法能完整地將點(diǎn)云數(shù)據(jù)中地面部分分割出來(lái)，如圖8（b）所示。在場(chǎng)景2 中，RANSAC 和本文方法的地面分割結(jié)果如圖8（c）和圖8（d）所示。RANSAC 方法將數(shù)據(jù)中間和路旁的綠化帶分割為地面，并且還有一部分的地面沒(méi)有分割出來(lái)，如圖8（c）中橢圓部分所示。由此可以看出，本文方法在復(fù)雜場(chǎng)景中具有較好的地面分割效果。

圖8 地面分割結(jié)果Fig.8 Ground segmentation results

4.2 障礙物分割與識(shí)別結(jié)果分析

圖9 為3 種歐式聚類(lèi)分割［21］、DBSCAN 聚類(lèi)分割和本文方法的障礙物分割與識(shí)別結(jié)果。圖9（a）為非地面點(diǎn)云數(shù)據(jù)。如圖9（b）所示，歐式聚類(lèi)分割方法無(wú)法將特殊形狀進(jìn)行分割，且受算法參數(shù)設(shè)置影響較大，聚類(lèi)個(gè)數(shù)比實(shí)際個(gè)數(shù)多，較小數(shù)據(jù)也存在無(wú)法聚類(lèi)的情況，經(jīng)過(guò)多組數(shù)據(jù)測(cè)試，消耗時(shí)間會(huì)隨著點(diǎn)數(shù)的增多呈指數(shù)級(jí)增長(zhǎng)。如圖9（c）所示，DBSCAN 聚類(lèi)分割方法可以解決歐式距離要求點(diǎn)云形狀的問(wèn)題，但在處理數(shù)據(jù)量大且復(fù)雜的點(diǎn)云數(shù)據(jù)分割時(shí)也會(huì)消耗較長(zhǎng)時(shí)間。如圖9（d）所示，本文方法能夠有效地將道路場(chǎng)景中障礙物進(jìn)行分割，可以處理由大量數(shù)據(jù)點(diǎn)組成的任意形狀的點(diǎn)云數(shù)據(jù)，魯棒性強(qiáng)，同時(shí)在分割過(guò)程中消耗時(shí)間也在可接受范圍內(nèi)，滿足自動(dòng)駕駛要求的實(shí)時(shí)性。圖9（e）和圖9（f）為在場(chǎng)景3 和場(chǎng)景4 中的本文方法的障礙物分割結(jié)果，其中，場(chǎng)景3 為Apollo Scape數(shù)據(jù)集中簡(jiǎn)單的直道場(chǎng)景，場(chǎng)景4 為Apollo Scape數(shù)據(jù)集中障礙物較多的復(fù)雜場(chǎng)景，可以看出本文方法在不同數(shù)據(jù)集中同樣具有較好的障礙物分割效果。表2 為非地面點(diǎn)云數(shù)據(jù)場(chǎng)景下3 種方法的障礙物分割結(jié)果對(duì)比。

表2 3 種障礙物分割方法對(duì)比Table 2 Comparison of three obstacle segmentation methods

圖9 障礙物分割結(jié)果Fig.9 Obstacle segmentation results

圖10為場(chǎng)景數(shù)據(jù)完成障礙物分類(lèi)識(shí)別后的結(jié)果。為便于結(jié)果展示，本文將建筑物等其他類(lèi)障礙物和地面分割數(shù)據(jù)用灰色表示，道路上行駛的車(chē)輛障礙物用灰色包圍盒包圍，識(shí)別到的標(biāo)志桿、樹(shù)木、行人類(lèi)障礙物用黑色包圍盒包圍。結(jié)果表明，本文方法在彎道等復(fù)雜場(chǎng)景下也具有良好的障礙物分類(lèi)結(jié)果。

圖10 障礙物分類(lèi)識(shí)別結(jié)果Fig.10 Obstacle classification and recognition results

4.3 道路邊界與可通行區(qū)域檢測(cè)結(jié)果分析

為了便于結(jié)果展示，將激光雷達(dá)點(diǎn)云數(shù)據(jù)設(shè)置為灰色。圖11（a）為直道場(chǎng)景數(shù)據(jù)原圖，圖11（b）為基于正確候選點(diǎn)擬合出的直道道路邊界線。圖11（c）為彎道場(chǎng)景數(shù)據(jù)原圖，圖11（d）為基于正確候選點(diǎn)擬合出的彎道道路邊界線，使用方法和直道數(shù)據(jù)相同。結(jié)果表明，本文方法在彎道等復(fù)雜場(chǎng)景下也具有良好的道路邊界檢測(cè)效果。

圖11 道路邊界檢測(cè)結(jié)果Fig.11 Road boundary detection results

基于本文設(shè)計(jì)的可通行區(qū)域檢測(cè)方法對(duì)激光雷達(dá)點(diǎn)云直道場(chǎng)景數(shù)據(jù)進(jìn)行處理，得到可通行區(qū)域檢測(cè)結(jié)果如圖12、圖13 所示。

圖12 直道場(chǎng)景可通行區(qū)域檢測(cè)結(jié)果Fig.12 Detection results of passable area in straight road scene

圖13 彎道場(chǎng)景可通行區(qū)域檢測(cè)結(jié)果Fig.13 Detection results of passable area in curve road scene

激光雷達(dá)點(diǎn)云原圖為圖11（a）和圖11（c），可通行區(qū)域檢測(cè)的結(jié)果中灰色為檢測(cè)到的可通行區(qū)域。采用文獻(xiàn)［22］中的評(píng)估方法來(lái)驗(yàn)證本文提出的道路邊界檢測(cè)方法的準(zhǔn)確性：通過(guò)手工提取激光雷達(dá)道路場(chǎng)景的真實(shí)邊界作為基準(zhǔn)計(jì)算道路寬度，并與本文道路邊界檢測(cè)方法得到的道路邊界確定的道路寬度進(jìn)行對(duì)比，準(zhǔn)確性評(píng)估結(jié)果均超過(guò)了95%，證明了本文檢測(cè)方法的可行性。道路邊界檢測(cè)準(zhǔn)確性對(duì)比結(jié)果如表3 所示。

表3 道路邊界檢測(cè)準(zhǔn)確率對(duì)比Table 3 Comparison of detection accuracy of road boundary

通過(guò)本文方法能夠?yàn)V除道路邊界外的建筑物區(qū)域和道路區(qū)域內(nèi)的障礙物區(qū)域，從而獲得無(wú)人車(chē)能夠行駛的可通行區(qū)域。但是，由于激光雷達(dá)在采集過(guò)程中存在遮擋現(xiàn)象，如掃描儀附近的區(qū)域以及被其他路上車(chē)輛遮擋的區(qū)域等，這些區(qū)域會(huì)出現(xiàn)不連續(xù)的空白，因此單純地依據(jù)激光雷達(dá)數(shù)據(jù)，這部分區(qū)域依舊是無(wú)法進(jìn)行判斷的。

5 結(jié)束語(yǔ)

本文提出一種基于激光點(diǎn)云數(shù)據(jù)的道路可通行區(qū)域檢測(cè)方法。針對(duì)地面分割算法存在的欠分割問(wèn)題，利用基于分段校準(zhǔn)的RANSAC 算法，提升了原始RANSAC 算法在復(fù)雜場(chǎng)景中的地面分割魯棒性。通過(guò)基于體素化的DBSCAN 聚類(lèi)算法，在保證檢測(cè)精度的同時(shí)提高了檢測(cè)實(shí)時(shí)性。為提高可通行區(qū)域檢測(cè)的準(zhǔn)確率，根據(jù)數(shù)據(jù)高程突變點(diǎn)，提取道路邊界候選點(diǎn)，并將其篩選擬合后得到完整的道路邊界線，再對(duì)劃分出的道路區(qū)域進(jìn)行柵格處理，在遍歷標(biāo)記后得到較精準(zhǔn)的可通行區(qū)域檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法具有較高的檢測(cè)準(zhǔn)確率以及較好的檢測(cè)實(shí)時(shí)性，適用于復(fù)雜場(chǎng)景中的道路可通行區(qū)域檢測(cè)。下一步將研究可滿足無(wú)人駕駛道路行駛要求的動(dòng)態(tài)數(shù)據(jù)環(huán)境感知技術(shù)，同時(shí)考慮道路動(dòng)態(tài)障礙物的突發(fā)意圖（如后方超車(chē)等特殊情況），進(jìn)一步提升道路可通行區(qū)域檢測(cè)效果。