應用于無人駕駛車的激光雷達雪天去噪方法研究

鐘科娣,劉元盛,張 軍,路 銘

(1.北京聯合大學 北京市信息服務工程重點實驗室,北京 100101；2.北京聯合大學機器人學院,北京 100101；3.北京聯合大學應用科技學院,北京 100101)

1 引 言

近年來,無人駕駛技術的快速發展促進了傳感器技術的發展。激光雷達傳感器以其高精度和高可靠性的特點而廣泛應用于無人駕駛車輛中,其工作原理是通過旋轉發射激光束,掃描周邊三維空間范圍內的物體實際位置,并將反射點以點云的信息存儲起來。通過分析激光雷達的點云數據,可實現障礙物檢測、位姿估計、點云地圖建立等功能,為無人駕駛車輛提供必要的感知信息。由于激光雷達自身的缺陷或外部環境因素的影響,激光雷達的點云數據會包含一些不可忽視的噪聲,從而影響到激光雷達的檢測性能[1-3]。為了消除噪聲造成的不利影響,研究人員通常采用濾波算法對激光雷達數據進行預處理,達到濾除噪聲的目的。針對點云噪聲的分布特點,前人已經研究出許多有效的去噪算法。這些去噪算法按空間分布可分為二維空間去噪算法和三維空間去噪算法。

二維空間去噪算法的應用范圍為相機圖像的噪聲去噪,處理目標為二維空間數據,如用于處理邊緣細節和噪聲的濾波方法[4-5],以及通過自適應形態學濾波抑制噪聲和雜波信號的檢測方法[6],而激光雷達點云是三維點云,在使用二維去噪算法進行去噪前需將三維點云轉換到二維空間后再進行去噪處理。常規的轉換方法是將一幀激光雷達點云投影到圖像上,其中激光掃描點代表圖像像素,點到傳感器的歐氏距離代表像素值,將激光雷達點云數據圖像化后再通過二維空間去噪方法進行降噪處理[7-8]。

三維空間去噪算法可直接處理激光雷達點云,進行點云去噪處理。Jenke等人提出了基于貝葉斯曲面重建的方法[9],通過貝葉斯規則創建一個分布模型去估計點云的分布和重建,在降噪的同時保持了點云的分布和結構。敖建鋒等人有針對性的應用多種濾波方法和格網插值方法提取信息,獲取高質量的基礎數據[10]。張芳菲等人針對孤立噪聲點,使用k-d樹處理點云數據得到有序點云,統計噪聲點與近鄰點的正態分布特性,自適應計算去噪的閾值,對點云中孤立的噪聲點具有較好的去噪效果[11]。

常規的點云噪聲都有相對應的降噪算法處理并且都具有較好的去噪效果,但對于一些特殊場景中的噪聲,常規的去噪算法的去噪效果較差。如在降雪場景中,雪花飄落時充斥在整個三維空間內,其反射的點云數據極易造成誤檢,故激光雷達點云必須要經過去噪處理才能可靠的使用。雪花噪聲在激光雷達的近距離處密度大,而隨著距離的增加,雪花點的密度也逐漸降低,這些特性使得雪花具有不同于傳統點云噪聲的獨特噪聲分布,需要專門的去噪方法進行濾除。

為了更好地解決雪花噪聲影響的問題,本文采用了點云反射強度和鄰域搜索組合的去噪方法。反射強度是激光雷達掃描到物體時返回的脈沖回波強度的測量指標,并且在常規場景中不同的物體具有不同的反射強度,可根據反射強度實現物體的識別分類。但僅通過反射強度對物體進行識別分類則會出現漏檢誤檢的情況,比如在目標物體與其他物體具有相同的反射強度時不能精確識別分類。基于鄰域搜索的方法可通過定義鄰域,驗證鄰域內點云的分布屬性,達到識別分類的目的。但鄰域搜索的方法在雪天去噪的時不能保證環境特征的質量。為此提出了基于反射強度和鄰域搜索的組合方法,在提高去噪效果的同時,減少環境特征的損傷,為無人駕駛車輛的安全行駛提供優質的環境特征。

2 點云數據識別分類方法描述

2.1 基于激光雷達反射強度的識別分類

激光雷達數據包含了物體在三維空間的位置信息,也包含了目標物體的反射強度等信息[12]。反射強度是反映目標物體的重要的物理量,根據不同材質物體有不同的反射強度,激光雷達的反射強度可用于區域劃分和物體識別分類[13]。激光雷達掃描到物體時返回的反射強度范圍為1～100。在實驗中為了獲得雪花反射強度和環境特征反射強度的分布模型,對單幀點云數據進行統計分析。點云反射強度的分布模型可分為兩個步驟:第一步是對純雪花點云反射強度分析,通過提取雪花點云數據統計分析,得到雪花點云的反射強度分布模型。第二步是對環境特征的反射強度分析,通過晴天的激光雷達數據統計分析,得到環境特征的反射強度分布模型。在降雪場景中,積雪覆蓋會對環境特征的反射強度分布模型造成影響,所得到的強度分布模型不能準確反映環境特征物的強度分布。故在統計環境特征物體的強度時采用晴天采集的激光雷達數據。針對晴天和降雪天氣場景,從采集的數據中各隨機抽取20幀數據統計分析,得到的激光雷達數據的強度分布,如圖1所示。通過驗證可知雪花的反射強度值在1～8的范圍內,環境特征物體的反射強度為2～50,環境特征的反射強度在低強度處分布較少,當強度大于45時,統計到的激光點數較少,可根據得到的反射強度分布對物體進行粗識別分類。若在降雪場景中僅通過反射強度對物體識別分類,會受到積雪覆蓋或部分與雪花具有相同反射強度環境特征的影響,在識別分類上具有單一屬性不可靠的局限性。

圖1 點云反射強度分布Fig.1 Reflection intensity distribution of point cloud

2.2 基于鄰域搜索算法的識別分類

鄰域搜索算法的本質是通過迭代搜索目標點的鄰域,獲得局部最優解。鄰域搜索的關鍵是鄰域的確定,即如何定義鄰域。鄰域搜索中的動態半徑離群點濾波器(DROR,Dynamic Radius Outlier Removal Filter)主要基于空間分布的規律進行識別分類,通過確定搜索半徑來定義鄰域[14]。搜索半徑通過聯合目標點到傳感器的歐式距離與激光雷達的水平分辨率的關系獲取。以目標點為圓心,結合搜索半徑共同定義搜索鄰域,并根據搜索鄰域內點云數對目標點識別分類。當激光點到傳感器的距離小于設定的最小的搜索半徑(SRmin),則以SRmin為搜索半徑進行鄰域搜索。DROR的優點是通過動態變化的搜索半徑定義搜索鄰域,適應了激光雷達掃描點隨著距離增加而減少的特性。DROR示意圖如圖2所示,聯合計算點到激光雷達的歐式距離和激光雷達水平分辨率獲得搜索半徑,從而確定以點為圓心,半徑為SR的圓形區域,散亂分布的點為激光雷達的掃描點,l為激光束在k時間內的變化位置,l1、l2為相鄰時刻的激光束,α為激光雷達的水平分辨率,η平面為t時刻內激光束的掃描平面。DROR的局限性在于不能保持較好的去噪效果的同時保留較好的環境特征質量。

圖2 DROR示意圖Fig.2 DROR diagrammatic sketch

3 基于反射強度與鄰域搜索組合的濾波算法

通過第二章對反射強度和鄰域搜索的介紹,可知單獨使用這兩種方法在對雪花噪聲去噪時都存在自身的局限性,對雪花噪聲的去噪效果較差。為降低雪花噪聲對激光雷達檢測產生的影響,可將兩種方法組合互補,從而獲得更加精準的分類識別點云,提高算法的去噪性能和環境特征質量保留。

本文提出基于激光雷達反射強度與鄰域搜索組合的濾波算法,主要分為兩個步驟,第一步是對激光雷達點云反射強度統計分析,將帶噪聲的點云進行粗識別分類。其中,對經過統計得到的激光雷達點云反射強度,通過最小類內方差法粗識別分類,得到非雪花點云和雪花點云,并將非雪花點云排除,不參與后續的點云處理,為下一步鄰域搜索的識別分類提供一個較好的初始點云。第二步是通過鄰域搜索的方法進行精準識別分類。通過搜索鄰域內點云的數目,完成點云識別分類,將雪花精確識別分類并濾除。基于反射強度和鄰域搜索算法的組合算法,針對降雪場景中雪花噪聲分布的去噪問題,具有比較好的效果。基于激光雷達反射強度和鄰域搜索的組合濾波算法去噪示意圖如圖3所示。

圖3 雪花噪聲去噪示意圖Fig.3 Snow noise denoising diagram

基于激光雷達反射強度的粗識別分類的動態邊界閾值通過最小類內方差法獲取。最小類內方差法是圖像中一種常用的閾值分割方法,也適用于激光雷達數據反射強度邊界閾值分割。將激光雷達點云數據有序化,獲得數據點個數N,統計數據點云反射強度的分布概率,如表1所示。

表1 激光點反射強度的概率分布Tab.1 Probability distribution of laser pointreflection intensity

式(1)表示所有強度等級的概率和為1:

(1)

激光雷達數據的總個數為N,反射強度為i的點個數為ni,則反射強度為i的點概率pi為:

(2)

通過最小類內方差法統計反射強度時,若在等級強度為Tk時取得動態邊界閾值,可根據動態邊界閾值Tk劃分點云為兩個點云A、B,若A∈{1,2,…,Tk},B∈{Tk+1,Tk+2,…,Tm},點云A標記為雪花點云,B標記為非雪花點云,則目標點屬于雪花點云A或屬于非雪花點云B的概率分別為η1、η2:

(3)

(4)

式(5)、(6)表示雪花點云A的反射強度等級的均值μ1和方差σ1分別為:

(5)

(6)

式(7)為計算雪花點云A的反射強度等級為i時點的概率P(i|A):

(7)

式(8)、(9)表示雪花點云B的反射強度等級的均值μ2和方差σ2分別為:

(8)

(9)

式(10)計算雪花點云B的反射強度等級為i時點的概率P(i|B):

(10)

式(11)表示點云A、B類內方差公式:

(11)

通過迭代的方式使得方差函數F(Tk)取得最小,即滿足min|F(Tk)|,1≤Tk≤Tm時,可獲得基于反射強度的動態邊界閾值Tk。動態邊界閾值Tk對激光雷達原始點云進行粗識別分類,當動態邊界閾值大于激光雷達點云數據強度pj時,即Tk>pj,則將該點標記為雪花點,否則標記為非雪花點。根據反射強度分割的點云是一個粗分類的過程,為了提高精確的點云分類,將經過反射強度處理后的非雪花云作為鄰域搜索的輸入數據,對該點進行鄰域搜索。當鄰域搜索的點云數的值大于設定的最小點云數,即k>kmin時,標記該點為非雪花點,否則標記為雪花點。最后將標記為雪花的點云濾除,獲得環境特征點云,實現雪花噪聲的去噪。基于反射強度和鄰域搜索組合算法的流程如圖4所示。

圖4 基于反射強度和鄰域搜索組合算法流程Fig.4 Algorithm flow based on reflection intensityand neighborhood search

4 實驗結果與分析

本文算法通過RS-Bpearl 32線激光雷達采集的數據進行驗證,硬件設備為Inteli 7處理器,16 GB內存電腦,系統環境為Linux的機器人操作系統(ROS,Robot Operating System)。在實驗驗證中所用到的激光雷達數據源自北京聯合大學校區采集的實際激光雷達點云數據,分為降雪和晴天兩種場景,總幀數均為3000幀,采集數據的路線均為同一環境,如圖5(e)所示。對以上場景的數據通過驗證統計離群點濾波器、半徑離群點濾波器和動態半徑離群點濾波器等不同的點云濾波器在降雪場景的雪花去噪效果,并與本文的方法相對比。

圖5 原始點云Fig.5 Original point cloud

如圖5中,(a)為實際道路場景和數據采集路線圖,且道路兩邊有建筑物、植物和車輛等環境特征。(b)為雪天場景原始點云俯視圖,(c)為前視圖；(d)為晴天場景原始點云俯視圖,(e)為前示圖；對比圖4的(b)與(d)、(c)與(e)可知標記的區域H是激光雷達檢測到的雪花噪聲。在該段時間內,激光雷達檢測到單幀數據中降雪量的變化,如圖6所示。該變化趨勢可作為降雪量變化的參考量,并且可根據降雪量的變化驗證算法在降雪場景的去噪效果和穩定性。

圖6 降雪量變化趨勢Fig.6 Variation trend of snowfall

通過實驗結果驗證,本文提出的反射強度和鄰域搜索算法的組合算法是可行有效的。實驗結果驗證分為兩步分進行,第一步是對環境特征質量保留的驗證,驗證算法對環境特征質量的保留效果。第二步對雪花噪聲分析,驗證本文算法對雪花噪聲的去噪效果。通過實驗和數據分析,定性與定量的分析本文算法與常規濾波器的去噪性能。

4.1 實驗結果

統計離群點濾波器:統計離群點濾波器首先通過(SOR,Statistical Outlier Removal Filter)迭代點云中的每個點,并計算到其k個最近鄰點的距離的平均值和標準差。該濾波器遍歷所有點,并刪除到其k個鄰居的平均距離大于閾值的點。統計離群點濾波器應用于降雪場景時,可以達到將離散的雪花噪聲濾除,但是對于密度大的雪花噪聲的濾除效果較差,該濾波器的濾除效果如圖7所示。

圖7 SOR濾波器Fig.7 SOR filter

半徑離群點濾波器:半徑離群點濾波器(ROR,Radius Outlier Removal Filter)遍歷點云中的每個點,并計算在設定搜索半徑R內找到的點云數[16]。若搜索到的點云數小于設定的最小點云數,則該點被移除。該濾波器的搜索半徑是固定不變的,當搜索半徑足夠小時可以達到較好的濾除效果,但是,在去噪的同時會嚴重損傷環境特征的質量。當搜索半徑R=0.05時,可以濾除較多的雪花噪聲,但密度大的一簇雪花噪聲沒有濾除,去噪的效果如圖8所示。

圖8 ROR濾波器Fig.8 ROR filter

動態半徑離群點濾波器:該濾波器考慮了激光雷達掃描點距離越遠越稀疏的特性,為每個掃描點定義了一個動態變化的搜索半徑,進一步解決了遠距離損害環境特征質量的難點[15]。去噪性能與半徑濾波器相比,該濾波器在總體效果上有了一定的提升,但是密度大的一簇雪花噪聲仍然存在,沒有濾除,其去噪效果如圖9所示。

圖9 DROR濾波器Fig.9 DROR filter

本文方法:本文方法是基于反射強度與鄰域搜索組合的算法,首先通過反射強度的粗濾波后為鄰域搜索提供一個較好的初始點云,再通過鄰域搜索方法將雪花噪聲識別濾除,去噪的效果如圖10所示。

圖10 本文方法濾除效果Fig.10 the filtering effect of this method

濾波器參數如表2所示。

表2 濾波器參數Tab.2 Filter parameters

4.2 實驗分析

實驗驗證的數據采集于校園道路,故只對距離激光雷達20 m范圍內的數據展開分析,檢測范圍可滿足無人車的安全行駛。針對單幀激光雷達點云數據的去噪性能和保留環境特征性能進行分析,圖11展示了本文算法與常規濾波器對環境特征質量保留的結果。從整體來看,本文方法在20 m范圍內的環境特征保留效果僅次于SOR濾波器。雖然SOR濾波器保留環境特征的效果最好,但是雪花噪聲去噪性能最差,只將局部離群的雪花噪聲濾除,不能濾除密度大的雪花噪聲,如圖12所示。

圖11 環境特征保留Fig.11 Preservation of environmental features

本文算法對雪花噪聲去噪的效果如圖12所示。從3000幀數據中均衡抽樣100幀數據進行統計分析,本文算法在該時間段內降噪效果處于96 %左右,DROR算法的去噪效果為88.5 %,提高了約8 %。本文方法濾除率的波動幅度不超過1 %,而DROR在降雪量發生變化時濾除效果波動比較大,波動范圍為3 %。ROR濾波器的去噪效果比DROR的效果差,而SOR濾波器降噪效果在20 %左右,去噪效果最差。常規的濾波器對雪花噪聲去噪時具有局限性,不能達到去噪的同時保留環境特征質量的目的。

圖12 平均濾除率Fig.12 Average filtration rate

本文方法結合了激光雷達掃描點的強度信息,在雪花噪聲去噪和環境特征保留上都具有很大的改善。與DROR濾波器相比,本文方法在進行粗識別分類時分割出局部的環境特征,所以在環境特征保留上具有更好的效果,同時通過改變給定點云數提高對雪花噪聲的濾除。

5 結 語

針對降雪場景中雪花噪聲造成激光雷達的誤檢的問題,提出了一種基于激光雷達反射強度與鄰域搜索組合濾波算法。該方法充分利用了點云反射強度和噪聲點云空間分布的特點,實現了降雪場景中雪花噪聲的濾除,有效的解決了雪花噪聲引起的影響的問題。在降雪場景采集的真實數據驗證下實驗結果表明:與常規的去噪算法相比,其雪花噪聲去噪率和環境特征質量皆得到了提升,雪花噪聲去噪率由88.5 %提升至96 %,且具有較好的穩定性；在達到去噪目的的前提下,環境特征質量的保留效果皆優于其余方法。本文方法能夠降低降雪場景中激光雷達的誤檢率,滿足無人車所需的高精度、高可靠性的環境感知信息。下一步的工作重點則是繼續對算法進行優化,提高實時性以及去噪效果,同時對降雨等天氣進行去噪效果評估。