基于激光雷达点云数据的障碍物边缘轮廓识别方法及系统与流程

本技术涉及边缘轮廓识别，尤其涉及基于激光雷达点云数据的障碍物边缘轮廓识别方法及系统。

背景技术：

1、随着自动驾驶、机器人导航及智能交通系统的快速发展，激光雷达（lidar）作为核心感知传感器，其获取的高密度三维点云数据在障碍物检测与边缘轮廓识别领域得到了广泛应用。准确提取障碍物边缘轮廓不仅是构建高精度环境地图的基础，也是实现路径规划与安全避障的关键前提。然而，在实际应用场景中，激光雷达点云数据往往受到多种复杂因素的干扰，导致边缘轮廓识别面临严峻挑战。

2、首先，原始点云数据存在显著的非均匀性与噪声问题。受限于激光雷达的扫描机制及环境反射特性，点云在物体表面分布极不均匀，且常伴随离群噪点、散乱点以及由多径效应引起的虚假点云。传统的去噪算法往往难以在保留物体几何细节的同时有效剔除这些噪声，导致后续的边缘提取出现断裂或伪影。其次，现有技术在处理复杂几何结构时存在局限性。许多方法依赖简单的体素化或聚类算法，难以区分物体边缘的过渡区域与内部填充区域，特别是在物体表面曲率变化剧烈或存在遮挡的情况下，容易丢失关键的边缘特征。此外，基于局部几何特征的描述子构建往往维度单一，难以全面表征点云的线性、平面性及散度等多维几何属性，导致在低信噪比环境下特征匹配准确率下降。

3、更为关键的是，现有的边缘轮廓生成算法在处理动态场景下的时序一致性方面表现不足。当物体发生运动或传感器抖动时，单帧点云提取的轮廓容易出现断点、重叠或锯齿状畸变。传统方法通常采用简单的线性插值来填补断点，或在检测到异常时直接丢弃部分数据，这种处理方式缺乏对历史数据的利用，无法还原物体的真实连续形态，导致生成的轮廓轨迹不光滑、不连续，甚至产生逻辑上的自相交。同时，对于重叠区域的冗余点云，现有方案缺乏有效的剔除机制，使得最终生成的边缘轮廓线宽不一、位置漂移，严重影响了后续控制系统的精度。

技术实现思路

1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为达上述目的，本技术实施例提出了基于激光雷达点云数据的障碍物边缘轮廓识别方法，包括以下步骤：

3、步骤1，获取激光雷达在预设采集周期内扫描得到的原始点云数据，对所述原始点云数据进行坐标转换与去噪预处理，生成初始点云集合；

4、步骤2，基于所述初始点云集合，利用体素网格划分算法将三维空间划分为若干三维体素单元，计算每个所述三维体素单元的内部离散度指标，并根据预设的双重判定条件以及所述内部离散度指标筛选出有效体素单元与无效体素单元；

5、步骤3，基于所述无效体素单元遍历八邻域空间，若八邻域空间内存在任意所述有效体素单元，则将所述无效体素单元标记为过渡体素单元；根据所述有效体素单元和过渡体素单元构建候选区域并基于内部的点云数据构建数据集；

6、步骤4，基于所述数据集构建局部点云切片并执行主成分分析得到多个系数指标，基于多个系数指标构建复合特征向量，映射至六维特征空间得到局部几何特征描述子并生成特征点集；

7、步骤5，结合初始假设模型和所述特征点集识别内点，构建基于线段起点和线段终点的初始边缘轮廓线段并执行相邻线段判定与合并，得到连续初始边缘轮廓线段集合；

8、步骤6，根据连续初始边缘轮廓线段集合构建全局拓扑排序链，识别三个分量值并加权求和得到置信度评分；基于置信度评分执行误差累积分析得到优化边缘轮廓。

9、进一步地，基于所述初始点云集合，利用体素网格划分算法将三维空间划分为若干三维体素单元，计算每个所述三维体素单元的内部离散度指标，并根据预设的双重判定条件以及所述内部离散度指标筛选出有效体素单元与无效体素单元，包括以下步骤：

10、步骤21，构建全局体素边长参数以及扫描空间的三维边界范围并共同生成三维体素网格，所述三维体素网格的每个网格定义为体素单元；基于所述初始点云集合的每个点云数据映射至所述体素单元；每个所述体素单元包括0个点云数据或1个点云数据或多个点云数据，对于存在一个或多个点云数据的体素单位标记为非空体素单元；

11、步骤22，获取每个所述非空体素单元内的点云数据的数量并标记为第一数量，确定所述非空体素单元内每个点云数据，与所述非空体素单元的质心之间的第一欧氏距离，根据所述第一欧氏距离和第一数量得到内部离散度指标；

12、步骤23，若所述第一数量大于预设的第一密度阈值且所述内部离散度指标小于第一离散度阈值，则将当前的所述体素单元标记为有效体素单元，否则，则将当前的所述体素单元标记为无效体素单元；将存在0个点云数据的体素单元标记为无效体素单元。

13、进一步地，基于所述无效体素单元遍历八邻域空间，若八邻域空间内存在任意所述有效体素单元，则将所述无效体素单元标记为过渡体素单元；根据所述有效体素单元和过渡体素单元构建候选区域并基于内部的点云数据构建数据集，包括以下步骤：

14、步骤31，基于所述有效体素单元和无效体素单元构建二维数组，将所述二维数组的所有元素初始化为0；将所述二维数组中所述有效体素单元对应位置的元素更新为1；

15、步骤32，根据所述无效体素单元确定八邻域空间的八个相邻体素单元，若八个相邻体素单元存在至少一个有效体素单元，将当前的所述无效体素单元标记为过渡体素单元并将所述二维数值中当前所述无效体素单元对应位置的元素标记为1；

16、步骤33，基于所述二维数组中所有元素为1的体素单元标记为候选区域；

17、步骤34，将落入所述候选区域内所有体素单元的点云数据拼接形成数据集。

18、进一步地，基于所述数据集构建局部点云切片并执行主成分分析得到多个系数指标，基于多个系数指标构建复合特征向量，映射至六维特征空间得到局部几何特征描述子并生成特征点集，包括以下步骤：

19、步骤41，基于所述数据集的每一个点云数据作为球心，在三维空间内构建预设搜索半径的球形邻域，将所述球形邻域内除球心以外属于所述数据集的点云数据作为邻近点，基于所有所述邻近点构建局部点云切片；

20、步骤42，根据所述局部点云切片计算协方差矩阵并求解得到特征值，基于所述特征值计算三个系数指标，将三个系数指标进行归一化后拼接形成基础集合特征向量；

21、步骤43，获取所述球心的反射强度和深度信息，将所述反射强度和深度信息拼接至所述基础集合特征向量的尾部得到复合特征向量；

22、步骤44，构建六维特征空间，在每一维度上均匀划分为若干特征空间，获取每个所述复合特征向量落入每个特征区间的频次，将每个特征区间的频次拼接为向量作为数据集中每个点云数据的局部几何特征描述子；

23、步骤45，将每个点云数据在每个特征区间的局部几何特征描述子计算平均值，得到均值向量作为全局几何特征描述子；计算所述全局几何特征描述子与局部几何特征描述子的第二欧氏距离，将所述第二欧氏距离小于预设距离阈值的点云数据剔除，将保留下来的点云数据作为特征点集。

24、进一步地，结合初始假设模型和所述特征点集识别内点，构建基于线段起点和线段终点的初始边缘轮廓线段并执行相邻线段判定与合并，得到连续初始边缘轮廓线段集合，包括以下步骤：

25、步骤51，基于所述特征点集中随机无放回地抽取三个特征点：第一特征点、第二特征点和第三特征点；基于所述第一特征点、第二特征点和第三特征点计算第一向量和第二向量，根据所述第一向量和第二向量计算叉积；若所述叉积大于预设共线阈值，则代表所述第一特征点、第二特征点和第三特征点不共线并构建初始假设模型：基于所述第一特征点、第二特征点和第三特征点通过最小二乘法拟合理想直线方程；

26、步骤52，计算所述特征点集中剩余的点云数据与理想直线方程的垂直距离，若垂直距离小于预设距离阈值，则将当前的点云数据标记为内点，否则，则标记为外点；

27、步骤53，统计内点数量，若所述内点数量大于预设采样比例，则保留当前初始假设模型，若当前模型的拟合优度优于历史最优模型，则利用当前所有内点，通过最小二乘法重新拟合理想直线方程，得到最优直线模型，否则，则保留当前理想直线方程；若所述内点数量小于等于预设采样比例，则丢弃当前初始假设模型，返回步骤51重新抽样，直到达到最大迭代次数；

28、步骤54，根据所述初始假设模型或最优直线模型获取内点集合，基于所述内点集合的每个点云数据，确定在直线方向向量上的投影标量，将所述内点集合中所有内点按照所述投影标量进行升序排列，得到有序点序列；以有序点序列中的第一个点作为线段起点，最后一个点作为线段终点，并将有序点序列中所有点按顺序连接形成初步边缘轮廓线段；

29、步骤55，确定所述初步边缘轮廓线段的端点位置，基于任意两个所述初步边缘轮廓线段的端点位置计算端点连接距离，若所述端点连接距离小于预设连通阈值，则判定当前两个初步边缘轮廓线段为相邻线段，否则，则判定为不相邻线段；

30、步骤56，剔除所述相邻线段中两个初步边缘轮廓线段之间的中间断点，将两个初步边缘轮廓线段的终止点和起始点作为第一端点；当所述相邻线段中两个初步边缘轮廓线段之间存在重叠，提取重叠区域并将重叠区域的起始点和终止点作为第一端点；

31、步骤57，基于所有所述相邻线段中两个初步边缘轮廓线段，通过第一端点进行合并，得到新线段，基于所述新线段的每个内点按照投影标量的升序排列并连接形成连续初步边缘轮廓线段，所有所述连续初步边缘轮廓线段构成连续初始边缘轮廓线段集合。

32、进一步地，根据连续初始边缘轮廓线段集合构建全局拓扑排序链，识别三个分量值并加权求和得到置信度评分；基于置信度评分执行误差累积分析得到优化边缘轮廓，包括以下步骤：

33、步骤61，基于所述连续初始边缘轮廓线段集合的每个连续初始边缘轮廓线段定义为节点，相邻节点通过连接边连接形成拓扑链；基于所述拓扑链的每一个连续初始边轮廓线段，识别当前连续初始边轮廓线段的第一中心点、上一连续初始边轮廓线段的第二中心点以及下一连续初始边轮廓线段的第三中心点，根据第一中心点、第二中心点和第三中心点分布计算第三向量和第四向量，计算第三向量和第四向量之间的第一夹角，根据所述第一夹角得到曲率分量值；

34、步骤62，计算当前连续初始边轮廓线段的方向向量与上一连续初始边轮廓线段的方向向量的第二夹角，计算当前连续初始边轮廓线段的方向向量与后一连续初始边轮廓线段的方向向量的第三夹角，确定所述第二夹角与第三夹角的最大值作为最大夹角，将最大夹角的绝对值作为角度分量值；

35、步骤63，获取每一条所述连续初步边缘轮廓线段所覆盖的体素单元的平均点云密度并定义为密度分量值，确定曲率分量值、角度分量值和密度分量值的权重系数，基于曲率分量值、角度分量值、密度分量值以及对应的权重系数进行加权求和得到每个连续初始边缘轮廓线段的置信度评分；

36、步骤64，基于所述连续初始边缘轮廓线段的置信度评分构建误差累积因子，若所述误差累积因子小于0.8，则基于所述第一中心点、第二中心点和第三中心点构建二次贝塞尔曲线，识别所述连续初始边缘轮廓线段每个内点对应的最近投影点，基于最近投影点对连续初始边缘轮廓线段每个内点进行修正，得到中间轮廓轨迹线段；

37、步骤65，根据所述中间轮廓轨迹线段识别异常位置，结合上一帧的点云数据构建变换误差执行替换和补全操作得到新的中间轮廓轨迹线段，基于新的中间轮廓轨迹线段重复执行异常位置识别以及替换和补全的执行操作，直到未识别到异常位置或达到最大迭代次数，将最新的中间轮廓轨迹线段作为优化边缘轮廓。

38、进一步地，基于所述连续初始边缘轮廓线段的置信度评分构建误差累积因子，若所述误差累积因子小于0.8，则基于所述第一中心点、第二中心点和第三中心点构建二次贝塞尔曲线，识别所述连续初始边缘轮廓线段每个内点对应的最近投影点，基于最近投影点对连续初始边缘轮廓线段每个内点进行修正，得到中间轮廓轨迹线段，包括以下步骤：

39、步骤641，基于当前的连续初步边缘轮廓线段以及前一连续初步边缘轮廓线段的置信度评分构建比例，得到误差累积因子；若所述误差累积因子小于0.8，则执行步骤642进行内点修正，否则，则保持原状；

40、步骤642，根据所述第一中心点、第二中心点和第三中心点构建二次贝塞尔曲线，所述二次贝塞尔曲线代表在参数t的位置上二次贝塞尔曲线对应的空间坐标点；

41、步骤643，根据当前的连续初步边缘轮廓线段的每个内点、空间坐标点以及参数构建欧氏距离函数，并基于参数构建参数区间，将参数区间划分为若干均匀步长得到多个离散参数，依次将所述离散参数代入二次贝塞尔曲线得到对应的空间坐标点，计算所述空间坐标点与当前的连续初步边缘轮廓线段的内点之间的距离，将最小距离对应的离散参数作为最优参数，将所述最优参数代入二次贝塞尔曲线得到的空间坐标点，作为当前的连续初步边缘轮廓线段的内点的最近投影点；

42、步骤644，将所述最近投影点与当前的连续初步边缘轮廓线段的内点作差得到位移修正量；基于当前的连续初步边缘轮廓线段的每个内点与位移修正量叠加得到修正内点；

43、步骤645，基于所有所述连续初步边缘轮廓线段的所有修正内点，按照投影标量的升序排列并连接形成中间轮廓轨迹线段。

44、进一步地，根据所述中间轮廓轨迹线段识别异常位置，结合上一帧的点云数据构建变换误差执行替换和补全操作得到新的中间轮廓轨迹线段，基于新的中间轮廓轨迹线段重复执行异常位置识别以及替换和补全的执行操作，直到未识别到异常位置或达到最大迭代次数，将最新的中间轮廓轨迹线段作为优化边缘轮廓，包括以下步骤：

45、步骤651，基于所述中间轮廓轨迹线段识别相邻中间轮廓轨迹线段对，计算所述相邻中间轮廓轨迹线段对的前一中间轮廓轨迹线段的终点与后一中间轮廓轨迹线段的起点之间的第三欧氏距离，若所述第三欧氏距离大于预设上限值，则判定相邻中间轮廓轨迹线段对之间存在断点并将断点所处位置定义为第一异常位置；若所述第三欧氏距离小于预设上限值，则判定相邻中间轮廓轨迹线段对之间存在重叠并将重叠区域定义为第二异常位置；

46、步骤652，基于所述第一异常位置和第二异常位置，获取对应的第一点云子集以及历史点云子集，根据第一点云子集和历史点云子集生成变换误差；

47、步骤653，若所述变换误差小于预设对齐阈值，则将所述第一异常位置和/或第二异常位置的第一点云子集替换为历史点云子集；否则，获取第一异常位置的断点起始点和断点终止点，根据所述断点起始点和断点终止点之间执行插值操作得到若干中间点，将所述中间点插入断点位置；

48、步骤654，基于步骤653经过替换和补全后并进行连接生成新的中间轮廓轨迹线段；

49、步骤655，基于所述新的中间轮廓轨迹线段重复执行步骤651-654进行异常位置识别以及替换和补全的执行操作，直到未识别到异常位置或达到最大迭代次数，将最新的中间轮廓轨迹线段作为优化边缘轮廓。

50、进一步地，多个系数指标包括：线性度系数、平面度系数和散度系数；所述第一特征值包括第一特征值、第二特征值和第三特征值，基于第一特征值进行正则化处理得到正则化系数，根据所述第一特征值、第二特征值和正则化系数得到线性度系数；根据所述第二特征值、第三特征值和正则化系数得到平面度系数；据所述第三特征值和正则化系数得到散度系数。

51、本发明还提供了基于激光雷达点云数据的障碍物边缘轮廓识别系统，包括以下模块：

52、数据采集模块，用于获取激光雷达在预设采集周期内扫描得到的原始点云数据，对所述原始点云数据进行坐标转换与去噪预处理，生成初始点云集合；

53、筛选模块，用于基于所述初始点云集合，利用体素网格划分算法将三维空间划分为若干三维体素单元，计算每个所述三维体素单元的内部离散度指标，并根据预设的双重判定条件以及所述内部离散度指标筛选出有效体素单元与无效体素单元；

54、数据构建模块，用于基于所述无效体素单元遍历八邻域空间，若八邻域空间内存在任意所述有效体素单元，则将所述无效体素单元标记为过渡体素单元；根据所述有效体素单元和过渡体素单元构建候选区域并基于内部的点云数据构建数据集；

55、数据分析模块，用于基于所述数据集构建局部点云切片并执行主成分分析得到多个系数指标，基于多个系数指标构建复合特征向量，映射至六维特征空间得到局部几何特征描述子并生成特征点集；

56、轮廓分析模块，用于结合初始假设模型和所述特征点集识别内点，构建基于线段起点和线段终点的初始边缘轮廓线段并执行相邻线段判定与合并，得到连续初始边缘轮廓线段集合；

57、轮廓优化模块，用于根据连续初始边缘轮廓线段集合构建全局拓扑排序链，识别三个分量值并加权求和得到置信度评分；基于置信度评分执行误差累积分析得到优化边缘轮廓。

58、与现有技术相比，本技术提供的基于激光雷达点云数据的障碍物边缘轮廓识别方法及系统，通过体素网格划分与内部离散度指标的双重判定机制，精准筛选有效体素并智能标记过渡区域以构建高纯净度的候选数据集；随后，利用局部点云切片的主成分分析结合反射强度与深度信息，构建六维复合特征向量并在特征空间中进行频次映射与异常剔除，从而生成高精度的特征点集；在此基础上通过迭代拟合最优直线模型，依据投影标量对点进行有序排列并合并相邻线段，形成连续初始边缘轮廓集合；进而引入曲率、角度及密度分量的加权置信度评分，通过二次贝塞尔曲线与最近投影点修正算法对轮廓进行平滑优化，最终构建出包含断点识别、历史数据替换及插值补全的时序迭代优化闭环，输出拓扑结构严密且几何连续的优化边缘轮廓。基于上述技术方案，本发明解决了现有技术中存在的噪声干扰大、几何特征描述单一、动态场景下轮廓断裂重叠严重以及轨迹不连续等关键问题。首先，针对点云噪声与非均匀分布难题，方案通过计算体素内点云与质心的欧氏距离并结合密度阈值，能够有效区分物体边缘与背景杂波，同时利用八邻域过渡体素策略填补边缘缝隙，从源头大幅提升了数据质量，避免了传统去噪方法丢失细节或保留噪点的弊端。其次，为克服几何特征提取维度不足的缺陷，方案构建了融合线性度、平面度、散度及物理属性（强度、深度）的六维特征描述子，并通过特征空间频次统计与距离阈值过滤，实现了对复杂曲面和遮挡环境下边缘特征的鲁棒性捕捉，显著提高了特征点识别的准确率。更为关键的是，针对动态场景中常见的轮廓断裂、重叠及锯齿状畸变问题，方案创新性地设计了置信度驱动的误差累积分析与时序迭代优化机制：一方面，利用曲率、角度和密度的加权评分动态控制二次贝塞尔曲线的拟合程度，并通过最近投影点算法消除离散点带来的锯齿效应，实现了轮廓的亚像素级平滑；另一方面，通过跨帧变换误差分析，自适应地选择历史参考数据替换或线性插值补全策略来修复断点与重叠区域，并严格遵循投影标量升序重排原则，确保了新生成线段在空间顺序上的单调性与拓扑逻辑的正确性。这种多阶段、迭代的优化流程，不仅彻底消除了单帧处理导致的逻辑跳变和自相交现象，还通过引入上一帧数据实现了时空一致性约束，最终输出一条无断裂、无冗余、平滑连续且高度贴合物体真实形态的边缘轮廓轨迹，极大地提升了自动驾驶及机器人导航系统在复杂动态环境下的感知精度与安全性。