一种激光雷达点云分层聚类及三维目标框融合方法及装置与流程

本发明涉及智能交通感知、激光雷达点云处理和道路目标检测，尤其涉及一种激光雷达点云分层聚类及三维目标框融合方法。

背景技术：

1、道路侧向、门架式或路侧固定安装激光雷达在高速公路、收费站、桥梁和城市道路中广泛用于车辆检测。该类场景下，车辆沿车道方向运动，点云密度随距离和车身高度变化显著，同一帧点云采用不同检测方案会出现完全不同的检测结果。

2、现有道路点云目标检测方案主要存在以下不足：

3、（一）单次聚类方法容易造成目标拆分或误合并。直接对去除地面后的点云进行单次聚类时，由于大货车车身高度较大、底部点云稀疏、远距离点云密度低，同一车辆往往被拆分成多个聚类簇；若单纯按固定聚类半径组合分裂的聚类簇，又容易把相邻车道或同车道前后车辆错误合并为一个目标。

4、（二）雨天路面车辆经过时产生的水花、低位拖尾或地面附近噪声，容易与车辆点云形成连续结构，使基于完整高度范围的聚类框在道路纵向或横向异常伸长。现有分层点云方案通常将不同高度层作为独立检测结果，或者对各层结果进行一般性合并，未充分利用高位点云受低位干扰较小的特点，以高位聚类框的平面尺寸对完整聚类框进行有条件的边界修正。

5、（三）预处理方式缺乏对点云密度差异的自适应能力。现有技术中，路侧点云降采样通常按固定距离段采取不同降采样率的方案执行，远距离低密度点云采用高采样率，近距离高密度点云采用低采样率，从而保证在不遗漏远距离车辆的同时，降低聚类运算的算力要求。但这种方法对于多台雷达融合后的点云降采样不适用也不理想。比如道路远距离和近距离各安装一台激光雷达的情况下，两台雷达融合后的点云在道路两端是密度最高的，道路中间却是密度最低处，如果按照距离分段且固定降采样率的方式降采样就不太合适了，容易过采样或者欠采样，导致后续的聚类运算算力不够或者点数太少无法聚合出目标。

6、综上，现有点云聚类技术尚未有效解决路侧激光雷达车辆误检测，漏检测，雨天车辆轮廓不准确及全路段点云分布不均场景下采样不均匀的问题。

技术实现思路

1、本发明的目的在于提供一种激光雷达点云分层聚类及三维目标框融合方法，利用同一帧道路前景点云分别构建完整点云路径和高位点云路径，通过双路预处理与聚类获得两类目标框，并以二者在x-y平面的投影重叠建立对应关系；对对应的完整聚类框，根据两类目标框的长宽尺寸条件选择性采用高位聚类框的x向和/或y向边界，从而抑制雨天水花、低位拖尾等因素引起的车辆框异常伸长或展宽。

2、为实现上述目的，本发明提供一种激光雷达点云分层聚类及三维目标框融合方法，包括以下步骤：

3、获取道路场景激光雷达原始点云；

4、对所述原始点云进行姿态校正；

5、基于地面高度栅格图和车道像素图从校正后的点云中筛选得到道路前景点云；

6、由同一帧所述道路前景点云分别形成完整点云路径和高位点云路径，所述完整点云路径用于保留车辆底部至顶部的整体轮廓，所述高位点云路径用于突出车辆上部连续结构；

7、对所述完整点云路径和所述高位点云路径分别进行预处理和聚类，得到完整聚类集合和高位聚类集合；

8、分别对所述完整聚类集合和所述高位聚类集合进行路径内聚类框修整；

9、遍历高位聚类框与完整聚类框，以二者在x-y平面的投影重叠作为对应条件；对于尚未被对应处理的完整聚类框，以该完整聚类框为基础，根据高位聚类框与完整聚类框的长宽尺寸条件选择性修正完整聚类框的x向边界和/或y向边界，并输出修正后的三维检测框。

10、进一步地，所述姿态校正包括根据雷达安装姿态对应的四元数或旋转矩阵将原始点坐标旋转到道路坐标系，并保留点的3d坐标信息、反射强度和时间戳信息。

11、进一步地，所述基于地面高度栅格图和车道像素图筛选得到道路前景点云包括：将点云坐标映射至地面高度图网格，读取对应网格的地面高度，保留高于地面高度阈值的点；将点云坐标根据车道图像映射关系映射为车道图像像素坐标，保留位于有效车道区域内的点；所述点同时满足高于地面且位于有效车道区域时加入道路前景点云集合。

12、进一步地，所述地面高度图的网格尺寸随加载的地面数据文件初始化；将点云映射至对应地面网格，当点的z坐标高于该网格记录的地面高度与地面容差之和时判定为高于地面。当前调用流程传入的地面容差为0.0m。

13、进一步地，所述基于车道栅格图筛选道路前景点云包括：根据车道图像宽高比例、真实道路宽高比例和车道偏移量，将点云x、y坐标映射为车道图像像素坐标；当映射像素属于有效车道区域、扩展车道边界或副车道区域时，保留该点并记录车道号和副车道号。车辆主副车道的区分由车辆车身所在车道空间占比决定，车身在该车道占比高的为主车道，在另一侧占比低的则为副车道。

14、进一步地，所述高位点云路径为从所述道路前景点云中截取高度大于预设高位阈值的点云，所述高位阈值用于突出车辆上部结构以辅助区分相邻车辆和长车辆。所述高位阈值为2.0m。

15、进一步地，所述预处理包括高度裁剪、密度自适应体素滤波和尺度压缩。完整点云路径采用配置的离地高度下限和天空高度上限，当前方案默认分别为0.30m和4.5m；高位点云路径将离地高度下限固定为2.0m，并采用相同的天空高度上限。高度裁剪按照每个点所在网格的地面高度进行，即保留z坐标不低于地面高度加离地高度下限、且不高于地面高度加天空高度上限的点。点云随后按照配置的x、y、z方向比例进行尺度变换，当前默认比例依次为0.5、1.0和0.1。

16、进一步地，所述预处理还包括密度自适应体素滤波：以平面网格统计点云局部密度，根据局部密度等级采用不同的体素滤波参数对点云进行降采样，其中低密度区域采用较小体素尺寸或保留原始点，高密度区域采用较大体素尺寸。

17、进一步地，所述密度自适应体素滤波包括：在高度裁剪后的点云上，以1.0m的平面网格统计每个网格内的点数密度；当点所在网格的点数密度小于第一密度阈值时保留该点；当点所在网格的点数密度大于等于第一密度阈值且小于第二密度阈值时，将该点归入第一体素滤波集合并采用第一体素叶尺寸滤波；当点所在网格的点数密度大于等于第二密度阈值且小于第三密度阈值时，将该点归入第二体素滤波集合并采用第二体素叶尺寸滤波；当点所在网格的点数密度大于等于第三密度阈值时，将该点归入第三体素滤波集合并采用第三体素叶尺寸滤波；最后合并保留点和三个体素滤波集合。

18、进一步地，所述第一密度阈值为40，第二密度阈值为120，第三密度阈值为300；所述第一体素叶尺寸为0.15m，第二体素叶尺寸为0.20m，第三体素叶尺寸为0.25m。

19、进一步地，所述聚类为dbscan密度聚类，所述完整点云路径与所述高位点云路径采用相同的聚类参数。所述dbscan聚类的聚类半径eps为1.0m，核心点最小邻域点数为5，形成有效聚类的最小点数为5。

20、进一步地，所述路径内聚类框修整不要求两个聚类框的车道号或副车道号相同；车道号和副车道号在修整前后根据聚类框中心点及角点在车道栅格图中的落点重新统计，用作结果属性及后续跨车道宽框分割条件。

21、进一步地，所述路径内聚类框修整包括：计算两个聚类框的x-y平面交并比以及x向、y向边界距离；当平面交并比大于0.01，或者x向边界距离小于2.0m且y向边界距离小于0.3m时，将二者确定为候选对象；当至少一个候选聚类框满足长度小于2.0m、宽度小于1.0m、高度小于0.5m、长度与宽度之差大于4.0m、长度与高度之差大于4.0m或者点数小于200中的任一条件时，以两框各坐标轴的最小值和最大值更新当前聚类框，并将另一聚类框标记为已处理。

22、进一步地，在dbscan聚类后，按照聚类框在x-y平面重叠或者聚类框二维最小边界距离小于聚类半径的一半进行分组；同组内聚类点云合并后重新计算包围框。随后执行所述路径内聚类框修整，每个当前聚类框在一次遍历中至多吸收一个后续候选聚类框。

23、进一步地，所述高位聚类框与完整聚类框的对应条件为：二者的x向区间存在交叠且y向区间存在交叠，即二者轴对齐包围框在x-y平面的投影重叠。对应判断不采用投影面积交叠比例、中心距离、边界邻接距离、高度区间或车道一致性评分。

24、进一步地，遍历高位聚类框时，已经与其他高位聚类框完成对应处理的完整聚类框不再重复处理；同一高位聚类框可分别修正多个相互独立的完整聚类框，但各完整聚类框分别生成结果框，不将多个完整聚类框合成为同一连通分量。仅存在于高位聚类集合而未对应完整聚类框的高位聚类框不单独输出。

25、进一步地，所述边界修正以完整聚类框及其点云、标识和车道属性为基础，不将高位聚类框的点云直接拼接至完整聚类框。当完整聚类框宽度不小于2.7m且高位聚类框宽度不小于2.5m时，以高位聚类框的y向最小坐标和最大坐标替换完整聚类框的y向边界；长度修正规则为：当完整聚类框长度不小于12.0m且高位聚类框长度不大于6.0m时，不采用高位聚类框的x向边界（即保持完整聚类框原有的x向边界）；否则，当完整聚类框长度不小于6.0m且高位聚类框长度不小于5.0m时，以高位聚类框的x向最小坐标和最大坐标替换完整聚类框的x向边界。

26、进一步地，完成x向和/或y向边界替换后，保持完整聚类框的z向边界不变，重新计算目标框的中心、长宽高和角点，并从该完整聚类框原有点云中提取位于修正后包围框内的点，作为修正目标的点云。高位聚类框仅用于确定是否替换平面边界及提供相应边界坐标。

27、进一步地，对于未与高位聚类框对应且长度大于6.5m的完整聚类框，分别统计其x向两端在2.0m搜索半径内的点云密度，根据两端密度选择保留靠近最小x端或最大x端的5.0m点云并重新计算包围框；对于主车道号与副车道号不同、宽度大于5.0m且长度大于7.0m的结果框，基于y向点云占用直方图的低密度谷值进行分割，并重新计算分割结果的车道属性。

28、本发明还提供一种激光雷达点云检测装置，包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时实现上述任一项所述的方法。

29、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。

30、有益效果

31、与现有技术相比，本发明具有以下有益效果：

32、1.抑制完整聚类框的异常伸长和展宽。完整点云路径保留车辆整体轮廓，高位点云路径弱化路面水花和低位拖尾的影响；当两路聚类框在x-y平面对应且满足尺寸条件时，采用高位框边界修正完整框的x向和/或y向范围，从而改善雨天车辆框轮廓。

33、2.不依赖多传感器融合，降低系统复杂度。本发明仅利用同一激光雷达的单帧点云数据即可完成目标检测，无需相机、毫米波雷达等额外传感器，避免了多传感器时间同步、空间标定和额外数据处理的复杂问题。

34、3.密度自适应体素滤波兼顾远距离点云保留和计算效率。不同于按固定距离段降采样的传统方案，本发明按局部点云密度分级采用不同体素滤波参数，稀疏区域保留原始点以维持远距离车辆的检测能力，高密度区域采用较大体素尺寸以提高计算效率。

35、4.保留完整聚类结果的属性与高度范围。跨层处理以完整聚类框为基础，不拼接高位点云，保持完整框的z向边界、目标标识和车道属性，仅按条件修正平面边界并重新提取框内点云，便于与后续目标过滤和跟踪流程衔接。

36、5.针对未匹配长框和跨车道宽框设置后处理。未匹配且过长的完整聚类框可按两端点云密度选择5.0m区段；跨车道且长宽均超过阈值的结果框可依据y向低密度谷值分割，以减少拖尾或相邻车辆粘连造成的异常框。