[发明专利]基于三维激光雷达的越野路面提取方法

说明书

本发明提供了一种基于三维激光雷达的越野路面提取方法，属于图像识别技术领域。包括将激光雷达获取的连续多帧的三维激光点云数据叠加后，投影到俯视图中得到路面高程图；利用深度卷积神经网络对路面高程图进行特征提取，得到路面高程图的通行代价图；对通行代价图进行离散化，获取可通行区域标签、障碍物区域标签和模糊区域标签；根据可通行区域标签、障碍物区域标签和模糊区域标签对离散化的通行代价图进行图像可视化，获取可通行越野路面区域图。本发明不受光照和天候的影响，即可提取可通行的越野路面；基于深度学习的特征提取方法，可自适应学习到环境特征，在不同场景下适应性更强；提出的自动数据标注方案，有效减少对人工标注样本的需求。

技术领域

本发明涉及图像识别技术领域，具体涉及一种能够准确识别越野路面可通行区域的基于三维激光雷达的越野路面提取方法。

背景技术

近年来，无人驾驶技术迅猛发展，路面区域提取是其中的关键技术之一，是实现无人驾驶车辆安全可靠的自主行驶的前提。目前较为成熟的算法和应用技术主要针对城市结构化道路环境，面向结构和环境复杂的越野道路研究很少。在越野场景下，道路边界处常常存在大量模糊区域：例如，泥泞的土壤或者植被覆盖的区域，这些区域一般是物理上可通行的，但是通行代价却非常高，与严格意义上人类驾驶员倾向的越野路面区域有明显的区别。同时，越野环境道路缺乏车道线、护栏、路牙、铺装路面等人工建筑特征，道路边界模糊，路面质地差异大，特征复杂多样，这些都为路面区域的提取带来巨大挑战。因此针对城市结构化道路环境特点所设计的算法很难直接适用于越野环境。

激光雷达和摄像头是两种主流的为路面提取模块提供原始数据的传感器。基于摄像头的技术方法，通过摄像头采集的图像数据，提取道路边界线、消失点或路面纹理等特征，进而得到路面区域。基于图像的方法有很多相关研究，并已经有部分应用于越野环境中。这些方法所利用的图像颜色、纹理等特征，受到光照、天候条件变化的影响很大，因此路面提取的稳定性较差；且由于缺乏三维信息，这类技术方案提取结果的精度较低，对不同路面环境的适应性差。

基于激光雷达的路面提取技术方案非常少。它们一般利用数据分割和基于规则/阈值的分类方法，例如：在一定高度阈值内，根据点云是否连续、平滑来提取路面区域。然而，这类方法严重依赖于人工定义的特征和预先设定的阈值，且随着场景变化，算法性能会有很大的降低。

同时，不论是基于图像还是激光雷达的路面提取方案中，有一部分利用深度学习的技术方案。它们所共有的缺点是，训练深度神经网络需要大量的人工标注样本。在越野路面提取缺少公开数据集的情况下，标注大量的训练样本的人力成本非常高。

发明内容

本发明的目的在于提供一种能够准确识别越野路面可通行区域，成本低，算法简单的基于三维激光雷达的越野路面提取方法，以解决上述背景技术中存在的技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一种基于三维激光雷达的可通行越野路面提取方法，该方法包括如下流程步骤：

步骤S110：将激光雷达获取的连续多帧的三维激光点云数据叠加后，投影到俯视图中得到路面高程图；

步骤S120：利用深度卷积神经网络对所述路面高程图进行特征提取，得到所述路面高程图的通行代价图；

步骤S130：对所述通行代价图进行离散化，获取可通行区域标签、障碍物区域标签和模糊区域标签；

步骤S140：根据可通行区域标签、障碍物区域标签和模糊区域标签对离散化的通行代价图进行图像可视化，获取可通行越野路面区域图。

进一步的，所述步骤S120具体包括：

利用区域生长方法对激光雷达采集的路面高程图提取立面障碍物区域，并结合车辆采集到的轨迹信息，合成自动标注样本；