[发明专利]一种基于激光雷达的单线数据分析对物体空间封闭的聚类方法

说明书

本发明公开一种基于激光雷达的单线数据分析对物体空间封闭的聚类方法，包括步骤S1：从激光雷达Velodyne中提取单线数据，并将每组单线数据映射到二维平面上；步骤S2：利用步骤S1中的二维平面数据，对每组数据使用切线的方法提取物体边缘线，依次分割提取出单个物体的边缘；步骤S3：对分割出的物体边缘点集处理获得物体的中心点，以及水平方向所占面积；步骤S4：组合所有二维平面单线数据，在三维空间中确定所有物体最终的精确位置及水平方向所占面积。本发明对距离过近的空间物体的分割聚类具有较好的鲁棒性。

技术领域

本发明涉及车辆辅助驾驶技术领域，特别是一种基于激光雷达的单线数据分析对物体空间封闭的聚类方法。

背景技术

环境感知是无人驾驶的核心部分之一，其中对空间物体的定位和追踪又是最重要的一部分。现如今广泛使用的激光雷达对于目标位置、速度等特征量的探测具有相当高精度，相比于其他环境感知方式，激光雷达都有相当大的优势。

激光雷达，是以发射激光束探测目标的位置、速度等特征量的雷达系统。其工作原理是向目标发射探测信号(激光束)，然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较，作适当处理后，就可获得目标的有关信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数；激光雷达有分辨率高、隐蔽性好、抗有源干扰能力强、低空探测性能好、体积小、质量轻等优点。

将物理空间中的激光雷达点云集合分成由类似的对象组成的多个类的过程被称为点云聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异，这个集合即被认为是一个单独的个体。

一般的聚类算法，如K-Means、均值漂移、DBSCAN聚类算法，都是在一个维度上对三维空间的点进行聚类，并计算空间物体的中心点；且大部分算法都是着眼于点云密度的变化来追踪空间物体的位置，当两个物体相聚太近时，这些算法容易将两个不同的物体误分类为同一个物体；而且由于激光雷达的穿透效果很差，不能捕捉背向激光雷达一面的点，往往聚类效果只能是实际物体的一半，甚至会出现聚类轮廓出现偏差。以上因素容易影响聚类效果，效果非常不稳定。

发明内容

本发明的目的是要解决目前基于激光雷达点云聚类时，容易发生当两个物体靠的太近时，点云过于密集，聚类算法会将两个物体误认为同一个物体，因此，本发明提出一种鲁棒性较好的聚类方法。

为解决现有算法聚类的不足，本发明提出了一种基于激光雷达的单线数据分析对物体空间封闭的聚类方法，包括步骤如下：

步骤S1：从激光雷达Velodyne中提取单线点云集生成多组数据，然后将每组的单线数据映射到二维平面上，其关键在于解析多线激光雷达消息协议，将收集的多线激光雷达点云数据处理为单线点云集，然后将每组单线点云数据映射到二维平面；

步骤S2：利用步骤S1中的二维平面数据，对每组数据使用切线的方法提取所有物体的边缘点集，每个物体的边缘点集在二维平面上呈现圆弧状，其中使用切线方法提取所有物体的边缘点集，包括以下步骤：

步骤S2A:在激光雷达单线点集数据中首先选取两个相近随机散点对；

步骤S2B:连接点对产生一条直线，在这条直线两个相对的方向上取两个相对的，角度和宽度一定的扇形区域；

步骤S2C：在步骤S2B中的两个扇形区域中寻找点，标记得到的新的激光雷达点，可以认为得到的新的激光雷达点和步骤S2A中的两个点属于同一个物体的边缘点集；

步骤S2D：重复步骤S2B、S2C，直到无法在步骤S2B中描述的扇形区域中找到未被标记的点；

步骤S2E：最后判断平面二维点集中是否还有未被标记的点，若有，重复步骤S2A、S2B、S2C、S2D；