基于激光雷達的道路和障礙物檢測方法?

（南京理工大學計算機科學與工程學院 南京 210094）

1 引言

對道路環境的感知是智能車輛的核心技術之一，道路檢測是無人駕駛技術的一個重要研究內容，為智能車提供可靠的可通行區域［1］?？煽眶敯舻牡缆愤吔鐧z測為智能車的路徑規劃提供關鍵的信息。

隨著近年來計算機視覺［2～6］技術的發展，相機被廣泛應用于道路邊緣檢測。相機的分辨率很高，圖像可以獲取十分豐富的環境信息，并利用顏色、紋理等特征進行區域的生長和分割。不過相機容易受到自然環境的干擾，如光照、天氣等。激光雷達是一種主動式傳感器，測量距離遠、精度高、不受光照和陰影遮擋的影響［7～12］，能夠在雨雪、霧霾等惡劣環境條件下穩定工作。高分辨率激光雷達對于復雜環境下的環境感知能力十分強大，三維激光雷是智能駕駛中不可或缺的傳感器。

柵格映射法［13～14］是常用的道路檢測以及障礙物檢測方法，將三維點云利用高程差映射到二維的柵格地圖中，這大大減小了計算量，然后提取邊界種子點并進行曲線擬合的方式擬合出道邊，然而對于道路邊緣與道路無明顯高度差的環境效果不好。文獻［15］的地面分割基于每個扇形中提取的直線，此方法可用于平坦場景，在顛簸路面或起伏較大場景效果不佳，且易于受路內障礙物干擾?；跓o向圖的方法［16］充分利用了存儲和計算資源，可對包含噪聲的復雜場景下的點云進行分割并可以獲得較高的檢測精度，然而時間復雜度大，處理數據量較大的點云耗費時長。由于道路邊界具有多樣性、道路顛簸起伏、道路中存在障礙物以及車輛運動復雜性等情況，因此很難建立固定的模型對道路進行準確、可靠的識別。本文基于64線激光雷達點云的空間鄰域多特征進行點云分割，建立相應的柵格地圖，并基于柵格地圖檢測道路邊界以及道路區域的障礙物。

2 基于激光線多特征的道路檢測

2.1 點云數據預處理

64線激光雷達一幀數據大約有11萬個點，數據量巨大，首先通過濾波處理數、去噪以及位姿修正。

1）使用直通濾波器確定點云在x、y、z方向上的范圍，較快得到感興趣區域。橫向上保留距離車身左右各20m范圍內的點，縱向上保留車后20m、車前60m范圍內的點云；

2）由于激光雷達安裝的周圍車體有可能被掃描到，可將雷達周圍2m左右范圍的點濾波處理掉以消除干擾；

3）使用統計濾波器去除離群點；

4）利用慣導的位姿信息對點云進行位姿修正。

2.2 點云分割

柵格法將三維點云映射到二維的柵格地圖中，大大減小了計算量，不過對于道路邊緣及無明顯高程差的場景不適用。首先使用最大最小柵格法粗分割：利用柵格內最大最小高度差特征對預處理后的點云進行提取，能夠較快得到障礙物柵格以及地面柵格，分離出地面柵格內的點云與障礙物柵格內的點云。

激光雷達安裝高度是固定的，且雷達的垂直角分辨率、水平角分辨率也是固定值，因此理想情況下，激光掃描線在路面上的投影是一個個同心圓，不同激光束掃描在地面上的距離是固定的，于是不同掃描線間的距離固定，而且一條激光束上的相鄰點云間的距離也是固定的。假設激光雷達安裝高度為H，某束激光線的垂直角度為ω，角度分辨率為β，則該束激光線掃描在地面上的距離Le為

該束激光線上相鄰點云的間距ΔSe為

根據單束激光掃描線上相鄰點的距離、高度差特征對上面地面柵格內的點云進行分割。理想情況下一束激光線上相鄰點云的距離是固定的且無高度差，當道路中有高障礙遮擋時，激光點間的距離會離得較遠，且高度差也較大；當掃在路牙等障礙物上時，相鄰點云的距離及高度差也會發生明顯變化。計算相鄰點間的高度差Ti，當Ti大于閾值Th時，則取為障礙物候選點；當Ti小于閾值Th時，計算相鄰點的距離Si，如果Si大于ΔSe，則取為障礙物點。但是道路邊緣高度差不是很明顯時檢測效果不好，因此引入二維平面單束激光掃描線的曲率特征，一束激光線上相鄰三點構成的三角形在俯仰和側傾的情形下，三角形的變化很小。但是在碰到路牙障礙等，三角形會發生明顯變化。假定在XOY 平面坐標分別為A（x1，y1，z1），B（x2，y2，z2），C（x3，y3，z3），根據余弦定理，三個點中間點B的角度θ可以由式（6）計算得出：

當激光束掃描到路面上時，cosθ保持在一個比較穩定的值，當激光束掃描到道路障礙物或者道路邊界時，cosθ會發生明顯變化，通過計算cosθ的變化便可以獲得一系列平滑度發生變化的數據點，當道路邊界不是很明顯時也能提取出有效的候選點。

因此點云分割的流程為

1）利用柵格內最大最小高度差特征對預處理后的點云S進行粗提取，可分離出較明顯的障礙物點Sng及地面點Sg；

2）利用單束激光線上相鄰點的距離及高度差特征、曲率特征對地面點Sg進行細分割，分離出其中低矮的障礙物，得到最終的分割結果。

2.3 道路邊界檢測

根據點云分割結果構建柵格地圖，然后利用逐行掃描法對邊界進行提取，假設當前車輛行駛方向與道路方向保持一致，沿車頭朝前方向逐掃描線進行掃描，車左右分別搜索邊界候選點。當道路中出現車輛、行人等障礙物遮擋，逐行掃描會將道路中的障礙物識判別為邊界，當道路邊界本身存在缺口時會將道路缺口外部識別為邊界，造成道路邊界識別錯誤。為解決道路邊界遮擋、斷開等問題，需使用道路的固有屬性：連續性以及寬度不會突變的特性來排除干擾?；玖鞒倘缦隆?/p>

1）基于逐行掃描算法提取道路邊界候選點，計算道路的寬度信息，獲取道路寬度分布直方圖，如圖1。道路邊界的最大特性是連續性，可以統計道路寬度分布直方圖的分布范圍獲取道路的最大似然寬度，依此作為道路寬度的估計值Wp。

圖1 道路寬度分布圖

2）道路邊界存在障礙物遮擋時，計算出的道路寬度比估計值要小于Wp，道路邊界存在缺口時，計算的道路寬度比估計值大，利用兩端正常的邊界候選點進行過插值補充，得到最終的邊界候選點。排除干擾前后如圖2。

圖2 排除干擾前以及排除干擾后的路沿候選點

3）基于RANSAC算法擬合出左右道路邊界線。

3 道路區域障礙物檢測

3.1 區域生長法聚類

根據上一章節中得到的障礙物柵格地圖以及根據柵格地圖得到的道路邊界信息，然后對屬于道路區域的障礙物進行聚類檢測。柵格地圖中的每個柵格間相互獨立、互不影響，不過根據激光雷達的點云分布情況以及柵格地圖的構建，一個障礙物會由多個障礙物柵格組成，且其距離比較近，因此如果某個障礙物柵格的鄰域也是障礙物柵格，那么它們很有可能是同一類且共同組成同一個障礙物?；谶@樣的認識，本文采用圖像處理中十分常用的二維連通域標記法，利用區域生長法對障礙物柵格的鄰域進行聚類處理，這充分利用了柵格地圖，避免了對點云數據的直接處理，大大減少了數據處理量，處理效率高。該方法能夠將相同特征的連通區域分割出來，同時保證良好的邊緣信息，且步驟簡潔。

區域生長法聚類的基本流程如下：

Step1：輸入要進行障礙物聚類的道路柵格區域Grids，并初始化要輸出的障礙物列表Objects；

Step2：遍歷Grids中柵格，跳過空閑狀態的柵格，對于占據狀態的柵格，將其從Grids列表中刪除，將此柵格標記為objecti（i=1，2，3…）并加入到障礙物列表Objects中；

Step3：對Step2中的占據柵格進行8鄰域方向的生長操作，如果鄰域中柵格為占據狀態，則將柵格標記為objecti并從Grids列表刪除，然后對此占據狀態的柵格繼續進行8鄰域生長，直到無法繼續生長下去；

Step4：重復執行 Step2～Step3，直到 Grids中的所有占據狀態的點都被處理；

Step5：若某objecti目標中柵格數量小于閾值，則將其去除，得到最終的障礙物目標列表Objects。

3.2 基于主成分分析法的目標特征提取

障礙物柵格被聚成不同類后，得到組成不同目標對象的柵格集合，由于點云打在障礙物上只能表示障礙物的部分輪廓信息，為了描述障礙物的大小、整體輪廓信息以及中心點特征，一般使用矩形框描述目標的狀態特征，用矩形框把每一個聚類好的物體框出來。AABB包圍盒是和坐標軸對齊的邊界框，比較簡單但是緊密性較差，且無法描述目標的朝向；而有向包圍盒OBB能夠描述目標的位置與大致朝向?？紤]到道路環境中障礙物大多為車輛、行人等，因此使用主成分分析法（PCA）獲取目標對象的最小外接矩形框，使用OBB包圍盒描述對象。

PCA是一種十分常用的數據降維方法，其主要思想是通過線性變換的方法，將一組高維數據投影成互不相關的低維數據，保留原始數據中最關鍵、最具代表性的數據，以壓縮數據量從而加速運算過程。PCA將N維特征投影映射到k維上（其中k

對于經過聚類得到的某個目標柵格集合ob?ject，假設有m條數據，柵格的位置使用（x，y）來表示，因而是二維的數據。PCA獲得OBB包圍盒的過程為

Step1：將原始數據按照列組成兩行m列的矩陣X；

Step2：計算柵格中心點的x、y坐標值，中心點坐標通過x、y方向的均值得到；

Step3：將X矩陣中的每一個屬性（x，y）進行零均值化，即減去對應的均值；

Step5：計算協方差矩陣的特征值以及對應的特征向量；

Step6：兩個特征向量所指向的方向代表該目標的方向，也就是目標最小矩形框的長、寬的方向；

Step7：根據中心點位置確定兩個特征向量的位置，分別計算聚類中的點到兩個特征向量的最大距離，將距離乘以2就是障礙物目標對象的最小外接矩形框的尺寸。

PCA過程可以得到最小外接矩形的中心點、長度、寬度、最大特征值所對應的特征向量與x軸正半軸間的夾角也就是目標的朝向特征。根據目標對象的高度值，還能得到每個目標聚類的外接長方體。

4 實驗結果與分析

為了驗證本文方法，通過安裝在地面試驗平臺的Velodyne64線激光雷達采集數據，雷達安裝高度為1.8m；雷達在水平方向測量范圍為0～360°，水平分辨率為0.09°；垂直方向測量范圍為向上+2°到向下-24.8°，垂直角分辨率為0.42°。

如圖3所示為點云分割結果，圖中藍色點云為利用最大最小高度差特征得到的障礙物柵格內的點云，即表示高障礙；紅色點云為為對屬于地面柵格內的點云進行二次分割得到的非地面點云，即表示低矮障礙；綠色區域為得到的地面點云。

圖3 不同場景點云分割效果

場景1中道路邊界比較明顯，道路比較平坦，因此道路區域點云比較光滑，基于最大最小柵格法能夠基本分離出車輛，行人等，在障礙物完整保留的基礎上，路面被完整分割，沒有產生漏分割和過分割現象。場景2中道路左側的車輛都得到有效分離，車輛右側為多條鐵路軌道，因此初次分割時只檢測到近處的部分非地面點云，較低的障礙并沒有檢測出來，不過經過二次分離后，鐵軌處的點云基本都能檢測出。

圖4為道路邊界檢測的結果。場景3中在道路左側有車輛遮擋，但是擬合過程中利用道路的固有屬性排除了車輛遮擋的干擾，準確擬合出道路邊界；場景4中車輛前方障礙物過多，導致道邊擬合受到了干擾，將打在車輛上的點誤認為是道路的邊界點，在車輛附近擬合出道路邊界。

圖4 不同場景道邊檢測結果

圖5為在障礙物柵格地圖中聚類檢測效果，道路前方有車輛、行人以及騎自行車的人，其中行人以及車輛沿著道路向前進，騎自行車的人向左側拐彎。障礙物柵格地圖5（a）中可見分離出合適的道路區域且擬合出準確的道路邊界，前方障礙物都得到有效檢測。圖5（b）中對道路區域的障礙物使用區域生長算法進行聚類，并繪制了黃顏色的有向包圍盒，其描述了目標的輪廓特征，通過包圍盒可見行人以及車輛的運動方向與本車大致平行，而騎自行車的人向左前方運動的特征也能通過包圍盒看出。

圖5 柵格圖中障礙物聚類檢測效果

實驗中采集了2000幀的數據，算法運行時間如圖6所示，平均運行時間為40.3ms，點云分割準確率達到96.13%，運行時間滿足智能駕駛的實時性的需求。

圖6 算法運行時間圖

5 結語

針對智能駕駛中道邊檢測以及障礙物檢測的問題，本文首先利用柵格法粗分割點云，減少了計算量，然后利用相鄰點云的距離、高度、角度差等空間鄰域特征對點云進行二次分割，然后建立相應的障礙物柵格地圖，并利用道路的連續性特征進行道路邊界的擬合，能適用于有少量障礙物遮擋的情景；基于柵格地圖利用區域生長法進行障礙物聚類檢測，并基于PCA得到目標特征。算法的準確性以及運行效率滿足智能駕駛的需求，但是對于遮擋過多的情形，道邊檢測的準確性還有待提高。