[发明专利]一种激光雷达多径补偿方法

说明书

本发明公开了一种激光雷达多径补偿方法。为了克服现有技术多径补偿计算量大、受场地限制大的问题；包括以下步骤：S1：根据预设的参数进行曝光并获取图像帧；S2：对图像帧进行预处理；S3：分离不同角度图像平面，依据基准值计算各平面的角度，提取距离信息和灰度信息；S4：根据距离信息与灰度信息计算反射率，依据各平面角度计算平面间的相干角，不同平面的几何中心确定和面灰度值计算；S5：计算平面或者单点受多径影响产生的测距偏差；补偿矫正值，输出多径矫正后的图像帧。不需要庞大数据学习和计算，也不限定场景，就可以获得较为理想的多径补偿信息。

技术领域

本发明涉及一种雷达路径补偿领域，尤其涉及一种激光雷达多径补偿方法。

背景技术

3D视觉技术已经应用到生活的方方面面，如人脸识别、3D建模、距离测量等。随着应用深入，对3D深度信息的精度要求越来越高。在利用TOF相位选通技术测距中，由于光在被测物之间的反射，导致光的回波信号延时到达，导致测距偏大。光在不同路径反射造成的多径偏差作为TOF相位选通测距固有属性，测距原理本身无法解决。

为了修正这种光在被测物间反射带了测距偏差，而采用的方式称为多径补偿。目前大多基于深度学习来解决多径偏差。此方案优点是可以直接选用成熟的深度算法来训练模型，完成图像匹配，多径误差修正，在特定场景可以获得比较好的效果。但是其缺点是不适用未学习的场景，即使在已学习的场景下，未经学习的不同位置和角度，多径补偿效果也并不理想。

例如，一种在中国专利文献上公开的“一种基于机器学习参数补偿的激光雷达反演算法”，其公告号CN112835011A，包括：将激光雷达信号进行均匀分段后分成多个子信号，选取其中最优的第i个子信号反演获得边界值；基于边界值以及随机生成的补偿参数对激光雷达信号进行和反演，使用反演后的结果计算该补偿参数的性能评估参数；将每组补偿参数集及其对应的性能评估参数输入高斯过程模型进行机器学习，取值最小的性能评估参数对应的补偿参数集为最优预测补偿参数集。

上述方案基于机器学习来解决多径偏差，需要庞大的学习和计算，不适用未学习的场景，即使在已学习的场景下，未经学习的不同位置和角度，多径补偿效果也并不理想。

发明内容

本发明主要解决现有技术多径补偿计算量大、受场地限制大的问题；提供一种激光雷达多径补偿方法，根据灰度图，距离信息以及深度图中目标物相对角度来计算多径偏差方案，不需要庞大数据学习和计算，就可以获得较为理想的多径补偿信息。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

S1：根据预设的参数进行曝光并获取图像帧；

S2：通过时域和空间域滤波、畸变矫正以及视角转换的手段对图像帧进行预处理；

S3：提取图像帧的特征点；标记图像轮廓，分离不同角度图像平面，提取各平面的几何中心点的坐标、深度值、灰度值及几何中心点垂直投影在轮廓线上坐标；

S4：特征点处理；根据几何中心点深度值和灰度值计算各图像平面反射率x，依据相邻两平面几何中心点和其在轮廓线上的垂直投影点，计算两相邻平面的夹角；

S5：多径补偿；计算单个像素点到相邻平面几何中心的距离，并结合两相邻平面的夹角计算多次反射系数β；根据多径计算式计算单个相邻平面的多径偏差；依次计算各相邻平面的偏差与总矫正值；深度值减去总的矫正值获得矫正后的深度值。

通过提取图像帧特征信息，可以准确计算多径影响量，进行距离信息矫正，获得准确的测距信息。不需要庞大数据学习和计算，也不限定场景，就可以获得较为理想的多径补偿信息。

作为优选，将相机置于导轨，测量不同物距与相机灰度关系；计算曝光参数测距范围，计算公式如下：

其中，M为最大测量物距；