[发明专利]一种基于混合高斯排序的激光雷达点云目标分级识别方法

说明书

本发明涉及一种基于混合高斯排序的激光雷达点云目标分级识别方法，包括采集激光雷达点云数据并进行预处理、进行地面点云去除筛选出非地面点云、进行非地面点云密度聚类、按重要程度进行排序、按重要程度依次进行识别和输出识别出的目标等步骤。本发明可以大幅减少迭代次数，提高地面拟合算法的实时性，使地面拟合模块稳定性得以提升；可以按待识别目标的重要程度进行分层排序，保证每个目标的重要程度唯一，可以在计算资源有限时优先把计算资源分给识别更重要的目标；具有较高实时性、较强稳定性，对于部署在自动驾驶车辆等计算资源有限的设备上，应对复杂多变的真实环境具有较好的适用性。

技术领域

本发明涉及一种目标识别方法，特别涉及一种基于混合高斯排序的激光雷达点云目标分级识别方法。

背景技术

目标检测作为自动驾驶和智能交通领域环境感知的主要任务之一，检测算法的实时性和有效性仍是亟需进一步优化的方向。目标检测依赖的传感器包括激光雷达、工业相机等，其中激光雷达可以为目标检测系统提供海量的点云数据。

激光雷达点云是三维图像的一种特殊数据形式，包含了所观测场景的空间几何信息。相较于二维图像提供的平面信息，深度信息的获取使得三维图像可以轻易地实现不同距离场景的分离，基于激光雷达点云的目标识别正逐渐成为三维图像信息处理的研究热点。相较于其他的3D数据格式，点云数据无需存储各离散点之间的拓扑结构，有着更为简单、灵活和强大的表示能力，在处理时可以表现出更好的性能。因此，点云成为了自动驾驶环境感知的重要数据。但是由激光雷达获得的原始点云数据往往较为复杂，包含着大量冗余信息，难以直接获取所需信息，同时，由于近年来激光雷达硬件技术不断发展，可以提供的点云数量迅速增加，同时处理所有点云难以满足实时性的要求。实时、密集的目标点云数据，对于实现高等级自动驾驶的动态避障和路径规划，具有重要的意义。

点云处理的结果将作为后续步骤的输入数据，对算法的运行结果有直接的影响，因此，点云数据处理方法一直受到三维信息处理领域的广泛关注。

发明内容

为了解决现有激光雷达点云数据量大、数据复杂、信息冗余导致的计算耗时较长等问题，本发明提供一种基于混合高斯排序的激光雷达点云目标分级识别方法，包括以下步骤：

步骤1、采集激光雷达点云数据并进行预处理；

步骤2、将预处理之后的激光雷达点云数据进行地面点云去除筛选出非地面点云；

步骤3、将非地面点进行非地面点云密度聚类；

步骤4、将聚类后的非地面点云数据按重要程度进行排序；

步骤5、将排序后的点云簇按重要程度依次进行识别；

步骤6、输出识别出的目标，包括目标类别、目标中心点位置、目标中心点速度、目标边界框中的一种或数种。

进一步的，步骤1中预处理包括数据解析、无效点去除、感兴趣区域设定、空间体素滤波，预处理后的数据仅包括有效的、包含可用特征的点云数据。

进一步的，步骤2中地面点云去除筛选出非地面点云处理步骤如下：

步骤2.1、输入激光雷达点云数据；

步骤2.2、在所有点中抽取3组点，每组包含3个点，抽取的点用下式表示：

其中，P_gji(x,y,z)为第j组中第i个点，j,i＝1,2,3；

步骤2.3、对每组内点云按高度进行排序，并保留每组中的最低点，保留的点可用下式表示：

{P_g1min(x,y,z),P_g2min(x,y,z),P_g3min(x,y,z)}