[发明专利]基于高斯过程回归算法的地面滤波方法

说明书

本发明以高斯分布为基础结合高斯过程回归算法提取地面点，进而分离非地面点与地面点。同时改进地面校正算法，解决了地面校正时存在的过度校正问题。本发明主要分为三步：1、采用高斯分布的方法提取初始地面点。使用高斯分布方法，以本车为中心向外扩张，适当增加方差范围，尽可能多的提取初始地面点为训练集做准备。2、采用最小二乘法及旋转矩阵对点云进行校正。3、利用高斯过程回归提取地面点。首先将初始地面点作为训练集进行模型训练。

技术领域

本发明涉及智能驾驶中的地面滤波领域，实现了地面点与非地面点的分离

背景技术

智能驾驶是当前社会研究的热门话题，很多人围绕智能驾驶展开了深入的研究。在当前的智能驾驶研究中，主要采用激光雷达获取道路点云信息，进而进行处理。然而所有的点云处理算法都依赖于点云的地面点与非地面点的分离效果。一个好的地面点分离算法可以有效提高点云的处理效率，大大提高目标识别的准确率。

发明内容

本发明的目的是为智能驾驶中的目标识别提供更优质的数据，准确分离地面点与非地面点，便于车道线的提取与车辆目标识别。

本发明以高斯分布为基础结合高斯过程回归算法提取地面点，进而分离非地面点与地面点。同时改进地面校正算法，解决了地面校正时存在的过度校正问题。

本发明主要分为三步。

1、采用高斯分布的方法提取初始地面点。使用高斯分布方法，以本车为中心向外扩张，适当增加方差范围，尽可能多的提取初始地面点为训练集做准备。

2、采用最小二乘法及旋转矩阵对点云进行校正。

由于雷达安装时并不完全水平，因此探测结果自带偏角，需要进行校正，让地面尽量达到一个水平的状态。步骤如下：

步骤1：

设所求拟合平面方程为Ax+By+Cz＝D(C≠0)，令

其误差模型为：

令S取最小值，其中a₀,a₁,a₂为未知数，应满足求解方程组就可以知道a₀,a₁,a₂的值，从而求得平面得法向量l(a,b,c)。

步骤2：

地面校正时采用旋转矩阵，对所有点云进行坐标变换，校正标准轴为z轴，其方向向量为z(0,0,1)，可知旋转轴为：

r(x,y,z)＝l(a,b,c)×z(0,0,1)

根据根据向量夹角的余弦值求得旋转角θ。

步骤3：

计算旋转矩阵R，其中m＝1-cosθ：

3、利用高斯过程回归提取地面点。首先将初始地面点作为训练集进行模型训练。考虑到目标值含有噪声，因此定义：

y＝f(x)+ε

其中的高斯白噪声。

我们选择平方指数协方差函数

作为高斯过程回归的核函数。

根据高斯过程回归特点可知，训练集若给定测试集(X^*,Y^*)，则有：

由此可知测试集Y^*服从分布如下：

其中为信号方差，l为特征长度尺度。