[发明专利]低能见度下稀疏点云航空器快速捕获方法

说明书

本发明公开了一种低能见度下稀疏点云航空器快速捕获方法，步骤如下：获取机场泊位位置的激光雷达的连续点云数据，对每帧点云进行预处理；密度聚类，获取机头簇集；根据机头簇集中心点坐标与滑行线和停止线的交点相对位置变换，来判断进入激光雷达覆盖范围的航空器目标位置；针对泊位到指定位置的航空器，进行密度聚类，获取完整的航空器点云集，并进行入侵检测。本发明基于实际应用场景自适应确定点云分辨率，选择距离最小邻居数位置的点计算两点间距，统计平均值作为簇集点云分辨率。

技术领域

本发明属于激光雷达扫描技术领域，具体涉及一种低能见度下稀疏点云航空器快速捕获方法。

背景技术

激光雷达受环境因素影响小，但扫描到的点云相较于图像稀疏，雨雾等能见度低的天气下，遮挡严重，航空器自身也会相互遮挡，点云中同一目标的点云簇集离散。因此激光雷达输出的是稀疏的三维点云数据，扫描物体残缺不全，这对目标检测识别和目标尺寸测量造成很大障碍。

机场每个机位上可以停靠多种机型，飞机准确停靠位置是前轮压在对应机型的停机线与滑行线路的交点上。飞机进入泊位时需要经过3个阶段：转弯摆正(机身与滑行线平行)/减速/停止。如果飞机在停机线之前停下/滑过或者未滑到停止线，超出一定范围，廊桥无法停靠，必须用牵引车拖至正确位置，泊位引导初始时辅助人工提高泊位准确率，降低人力消耗，成熟的泊位引导取代人工引导，减少人力消耗，降低机场运营成本。

实现泊位引导的前期工作是快速获取即将泊位的航空器的完整簇集，判断场面动目标是否为即将泊位到指定位置的航空器，防止误启动泊位引导系统，将航空器与场面其他动目标区分出来，实现入侵检测。

现有技术利用激光雷达扫描到的点云，进行平面分割，背景剔除，利用点云深度学习网络，训练模型，进行目标检测和识别，雷达获取的点云稀疏，点云目标检测识别的深度学习网络，网络模型复杂，此方法适用于点云各种目标检测，但是没有针对机场这种相对特殊且具体的情况，此方法对机器要求高，训练模型耗时，检测识别耗时，准确率不高，尤其出现雨雾天气等时，准确率降低。

现有技术的缺点是激光雷达扫描获取物体外形残缺不全且点云稀疏，深度学习模型体量大，训练标定数据集耗时，对机器要求高且耗时，且准确率不高。此方法虽然具有广泛使用性，但是与实际场景结合较少，实用性不强。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种低能见度下稀疏点云航空器快速捕获方法，以解决现有技术中机场场景下激光雷达扫描获取的物体外形残缺不全且点云稀疏，深度学习模型体量大，训练标定数据集复杂且耗时，检测准确率不高的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种低能见度下稀疏点云航空器快速捕获方法，步骤如下：

1)获取机场泊位位置的激光雷达的连续点云数据，对每帧点云进行预处理；

2)密度聚类，获取机头簇集；

3)根据机头簇集中心点坐标与滑行线和停止线的交点相对位置变换，来判断进入激光雷达覆盖范围的航空器目标位置；

4)针对泊位到指定位置的航空器，进行密度聚类，获取完整的航空器点云集，并进行入侵检测。

进一步地，所述步骤1)具体包括：

11)基于航空器运动的区域，剔除不属于该区域的点；

12)对获取的原始点云逐帧进行平面分割，以剔除点云中地面点集；

13)基于连续帧进行动目标检测，获取仅包含运动目标的点云。