[发明专利]一种基于多谱三维特征融合的植被环境中障碍物检测方法

说明书

技术领域

本发明涉及了人工智能领域的一种障碍物检测方法，尤其是涉及了一种基于多谱三维特征融合的植被环境中障碍物检测方法，可用于复杂环境下无人驾驶车的障碍检测。

背景技术

对于自主车而言，障碍检测系统一直是其关键的组成部分之一。自主车能够安全可靠的导航并行走离不开一个良好的障碍检测系统。随着各类传感器性能的提升和技术的发展，如今的智能导航技术已经可以很好的应对结构化和半结构化道路的场景，这些场景中的物体大多是刚性的，一般根据它们的体积和高度以及车体自身的性能即可判断哪些是需要避开的障碍物、哪些是可以安全通过的。在复杂的越野环境下，障碍物的种类则变得非常繁多，比如：岩石、树干、陡坡、坑洞等，这些障碍物对于自主车而言都是无法安全通行的，依然可以将它们作为刚性物体来处理；然而越野环境下的地表通常又被许多植被所覆盖，如果认为较高的植被也是障碍物，在杂草丛生的环境中自主车将寸步难行。实际上，像较高的杂草这一类植被在具备一定越野能力的自主车面前是可以安全通行的，不应被视为障碍物。因此，这类被植被覆盖的区域需要在障碍检测系统中进行单独处理，这也对一般的障碍检测方法提出了更高的要求。

对于区分植被和一般障碍已经有不少研究并且取得了一定的成果。Vandapel和Hebert提出基于高分辨激光雷达的三维点云分布特征和机器学习相结合的方法。但在实用中高分辨雷达扫描速度很慢，处理数据量很大，很难为行驶中的自主车提供有效的实时障碍检测。一些人从遥感领域的研究获得启发，利用了植被对于自然光中的红光和近红外波段具有不同的反射特性这一特点，，对植被进行检测。在植被检测效果上有了一定的改善。随后Bradley等人基于归一化植物差分指数(NDVI)和三维点云分布特征提出了一种植被检测方法来完善复杂野外环境下的自主车导航系统。然而该方法在检测的准确率和鲁棒性等方面尚存在不足，NDVI特征受环境的光照强度变化影响较大，而三维点云的分布特征在点云稀疏时效果不佳。

发明内容

针对背景技术中所提方法的不足，本发明的目的在于提出一种基于多谱三维特征融合的植被环境中障碍物检测方法。该方法考虑了实际情况中点云的稀疏性和光照条件变化的影响，能够适应常见的近红外曝光不足的现象。

如图1所示，本发明采用的技术方案的步骤如下：

1)利用三维激光雷达采集三维点云数据，并利用彩色摄像机和近红外摄像机分别同步采集彩色和近红外图像；

2)将三维点云与彩色和近红外的多光谱数据配准，得到含有多谱信息的点云(简称多谱点云)；

3)建立栅格地图，通过栅格内点云高度阈值得到候选障碍栅格；

4)根据部分高置信植被点云的近红外光强，对整幅近红外图像的强度值进行强度调整，实现红外光强归一化；

5)选取归一化后的近红外强度值ρ_NIR，以及可见光谱中的RGB彩色通道中(G-R)+(G-B)强度值联合作为二维光谱特征，利用高斯混合模型对每个候选障碍栅格内进行是否为植被的分类判断，将判别为植被栅格从候选障碍栅格中滤除，输出障碍栅格，作为最终障碍物检测结果。

所述步骤1)具体是利用三维激光雷达采集三维点云数据，同时并利用彩色摄像机和近红外摄像机分别采集彩色图像和近红外图像。

由于图像的像素信息比较丰富，而雷达点云相对稀疏，因此所述步骤2)通过已标定的摄像机内参以及摄像机与激光雷达之间的外参，文献1(Unnikrishnan R,Hebert M.Fast Extrinsic Calibration of a LaserRangefinder to a Camera.USA,Carnegie Mellon University:RoboticsInstitute,July2005.)介绍了摄像机与激光雷达之间的外参标定方法，将彩色图像和近红外图像的像素信息分别映射到三维点云上，得到多谱点云如图2所示，多谱点云中的每个融合数据点均包含有三维坐标x、y、z、可见光三个通道的分量R、G、B和近红外强度值ρ_NIR，i表示数据点的序数，上标T表示矩阵转置。

由于多谱点云的数据量较大，直接进行处理的运算量很大，速度难以满足实时系统的要求，为了减小运算量，本发明将多谱点云投影到平面栅格中，并根据栅格内的高度差信息选取出候选障碍栅格，仅对这些栅格进行多光谱分析。

所述步骤3)具体为：根据摄像机的视场大小在地面上建立栅格平面，根据三维点云的x、y坐标确定三维点归属的栅格，以统计栅格内部最大高度差的方法来得到候选障碍栅格。