[发明专利]一种基于三维激光雷达目标识别的点云密度增强的方法

说明书

本发明公开了一种基于三维激光雷达目标识别的点云密度增强的方法，包括：通过三维激光雷达测量目标的初始点云数据，确定所述初始点云数据中的目标包围体；以所述目标包围体的中心为原点构建局部坐标系，将所述初始点云数据从初始的雷达坐标系下转换到所述局部坐标系下得到转换后点云数据；基于径向插值函数RBF和所述转换后点云数据构建三维曲面；基于所述三维曲面进行点云重采样以生成新的点云。本发明可使得目标点云密度同其距离无关，有利于点云特征提取，还可直接利用现有点云特征研究成果，如直方图等，并且适用于任意分割目标。

技术领域

本发明属于智能驾驶技术领域，尤其涉及一种基于三维激光雷达目标识别的点云密度增强的方法。

背景技术

智能驾驶技术在交通安全、环境保护及缓解交通压力等方面都有巨大的应用潜力，目前已受到许多国家的科研机构及公司的高度重视。智能驾驶技术研究具有跨学科、多交叉等特点，其涉及机械电子、模式识别、人工智能、控制科学及软件工程等诸多学科知识，其中基于三维激光雷达的目标识别是其重要研究内容之一。

三维激光雷达是智能车辆获取外部信息的重要传感器之一，具有可靠性和实时性强、精确性高等优点，因此被广泛地应用在智能车环境感知研究中。三维激光雷达具有多个激光传感器，点数据则是大规模的离散测量点数据的集合，它们为还原测量对象的基本形状特征和结构细节提供了充足的信息。

但是，由三维激光雷达原理可知，目标离雷达距离越近，其点云越稠密，反之将稀疏。图1为一行人目标点云同距离变化关系示意图，如图1所示，在10米处目标点云中的点的数量约350个；随着距离增加，该目标点云中点的数量迅速下降，当距离达至50米时，只剩约20个点。从图1还可以发现，随距离增加目标点云的层数及每层上点数均同时减少。三维激光雷达这种点云密度同距离紧密相关的特性使得特征一致性较差，难以建立起目标有效直方图或几何形状特征，将极大地影响后期识别算法精度。为此，需要提供降低目标点云密度同距离的紧密关系的方法，以便提高目标识别的精度。

发明内容

本发明的目的在于提供一种基于三维激光雷达目标识别的点云密度增强的方法来克服或至少减轻现有技术中的至少一个上述缺陷。

为实现上述目的，本发明提供一种基于三维激光雷达目标识别的点云密度增强的方法，包括：通过三维激光雷达测量目标的初始点云数据，确定所述初始点云数据中的目标包围体；以所述目标包围体的中心为原点构建局部坐标系，将所述初始点云数据从初始的雷达坐标系下转换到所述局部坐标系下得到转换后点云数据；基于径向插值函数RBF和所述转换后点云数据构建三维曲面；基于所述三维曲面进行点云重采样以生成新的点云。

进一步地，其中以所述目标包围体的中心为原点构建局部坐标系包括：以所述目标包围体的中心为所述局部坐标系的原点；确定所述局部坐标系的第一主平面，第二主平面与所述第一主平面正交。

进一步地，其中确定所述局部坐标系的第一主平面包括：确定目标包围体内点云的三个方向的特征向量e₁，e₂，e₃及对应的特征值λ₁，λ₂，λ₃，其中特征值大小关系为λ₁＞λ₂＞λ₃；利用特征向量e₁，e₂来计算第一主平面

进一步地，其中特征向量e₁平行于所述雷达坐标系的竖直轴，基于随机抽样一致性算法RANSAC及σ_hd计算特征向量e₂，特征向量e₃与特征向量e₁和e₂分别垂直，其中：

其中，N_t为点云中的点数，d_i为点i同其同层最近点的距离，HADP见下式：