[发明专利]一种基于区域划分与自适应阈值的点云地面分割方法

说明书

本发明提供了一种基于平面模型拟合改进的点云地面分割方法，属于三维点云分割领域。本发明考虑到平面模型拟合算法在处理实际应用场景时分割不均的问题，提出了一种基于区域划分与自适应阈值的点云地面分割方法，通过栅格投影结合高程信息进行粗筛选；粗筛选之后将每个子区域内高度值小于平均值的点作为初始种子点集；在每一个子区域内使用奇异值分解进行平面模型拟合；在得到初始平面模型之后，计算波动幅度与自适应阈值，将子区域内所有正交投影值小于自适应阈值的点认为是地面点进行动态分割；使用此部分地面点替换初始种子点集进行迭代优化，达到迭代次数之后将所有区域内的地面点和非地面点进行整合完成地面点与非地面点的分割。

技术领域

本发明属于三维点云分割领域，尤其涉及一种基于区域划分与自适应阈值的点云地面分割方法。

背景技术

在诸如高精度地图的建立、三维点云配准以及三维点云障碍物提取等任务中，地面点云信息往往占据整个三维点云数据非常大的比例，而这一部分信息往往用处不大甚至会对各任务产生负面的影响，因此，点云地面分割就成为三维点云任务中非常重要的一步。

针对点云地面分割问题，曾经提出许多算法，如基于坡度的地面分割算法、基于模型拟合的地面分割算法、基于机器学习的地面分割算法等。传统的点云地面分割算法，如基于坡度的地面分割算法，通过计算每个点与其相邻点之间的坡度值大小，将坡度值较小的点判定为地面点，这样的算法极度依赖坡度阈值并且运算量极大，无法满足现如今实时性的要求。由于地面点云数据存在特定的形状特征，基于模型拟合的地面分割算法根据某种特定的数学特征将地面点与非地面点进行分割，由于其使用单一的平面模型进行拟合，往往不能处理复杂的实际情况。基于机器学习的地面分割算法在机器学习中是一个二分类问题，通过相应算法对训练集进行训练获得模型，根据生成的模型对三维点云数据进行二分类，从而完成地面点与非地面点的分割，由于其需要对各类地形条件进行人为标注地面点与非地面点，并且只有对各类场景进行训练学习之后的模型才具有一定的泛化能力。

发明内容

本发明针对传统点云地面分割算法存在的问题，提出了一种基于区域划分的三维点云地面分割方法，通过栅格投影进行粗筛选，在每一个子区域内进行平面模型拟合，并使用自适应阈值进行动态分割。实现一个可用于三维点云的地面分割算法，其具体步骤如下

步骤1，获取点云地面分割所需的参数信息，包括点云感兴趣区域大小R_max，栅格边长d_xy，平均高度阈值高度差阈值d_{diff_th}，高度方差阈值σ²_th，区域划分参数xy_div，波动幅度系数k，迭代次数num。

步骤2，将三维点云进行二维栅格投影，投影之后在每一个栅格内根据设定的阈值进行粗分割，本步骤主要包括：

步骤2.1，截取点云P的XY值在内(-R_max，+R_max)的点云，将截取之后的点云 P_ROI进行二维栅格投影，将每一个点p(x_p，y_p，z_p)映射到二维栅格(row，col)中，映射方法由以下公式确定：

步骤2.2，对于每一个(row，col)计算平均高度高度差Z_diff(row,col)，高度方差σ²(row,col)。

步骤2.3，对于每一个(row，col)，若平均高度小于平均高度阈值高度差Z_diff(row,col)小于高度差阈值d_{diff_th}、高度方差σ²(row,col)小于高度方差阈值σ²_th，则认为是地面点进行保留，否则认为是非地面点进行移除。

这一步的阈值不用设置过于严格，因为此步骤仅完成粗分割的目的。