(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210203259.0 (22)申请日 2022.03.02 (71)申请人 南京理工大 学 地址 210094 江苏省南京市玄武区孝陵卫 200号 (72)发明人 李振华　鲍方明　来建成　王春勇　 严伟　纪运景　吴志祥　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 岑丹 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/762(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01)G06K 9/62(2022.01) (54)发明名称 基于激光雷达点云的路面场景目标识别方 法 (57)摘要 本发明公开了一种基于激光雷达点云的路 面场景目标识别方法。 该方法包括通过激光雷达 传感器获取路面场景点云数据； 对路面场景点云 数据使用二阶多项式曲面模型进行拟合并通过 随机采样一致性方法对地面点云进行去除， 对点 云数据进行多尺度的联合去噪处理从而修正目 标表面点云位置、 剔除孤立异常点； 对点云数据 通过均值漂移聚类方法进行分割 聚类获得单独 的目标点云集； 对目标点云集进行结构特征提 取， 构建结构特征向量； 使用基于全局搜索和局 部搜索方式的参数自适应选取方法的支持向量 机分类器进行训练和预测， 从而实现路面场景下 的目标分类。 本发明比传统的基于激光雷达目标 分类方法具有更高的识别准确率， 对研究自动驾 驶的感知能力具有重要的意 义。 权利要求书5页 说明书8页 附图3页 CN 114612795 A 2022.06.10 CN 114612795 A 1.一种基于 激光雷达点云的路面场景目标识别方法， 其特 征在于， 包括如下步骤： 步骤1： 利用激光雷达采集路面场景点云数据； 步骤2： 根据二次多项式模型和随机采样一致性确定地面点云， 并从点云数据中删除地 面点云数据； 步骤3： 对步骤2中剩余的点云进行滤波处理， 包括对点云进行使用统计滤波进行孤立 异常点的去除， 基于点云法向量和欧氏距离的双边滤波 进行目标表面 点云位置的修 正； 步骤4： 使用Meanshift聚类对步骤3得到的三维点云进行分割， 获得目标点云集； 步骤5： 对步骤4得到的目标点云集进行 特征描述， 提取 结构特征信息； 步骤6： 将提取的结构特征信息输入训练获得的支持向量机模型， 进行目标点云的分 类。 2.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法， 其特征在于， 所 述路面场景点云数据包括目标的空间坐标信息以及反射 率信息。 3.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法， 其特征在于， 根 据二次多 项式模型和随机采样一 致性确定地 面点云的具体方法为： 步骤2.1： 设定初始地面高度 阈值d， 以z＝0表示地平面的基准， 从z∈[ ‑d,d]中随机抽 取6个数据点 根据二次多 项式拟合路面表达式拟合初始地 面模型作为当前最优 模型； 步骤2.2： 从z∈[ ‑d,d]中随机抽取不同的6个数据点 根据步骤2.1拟合 新的地面模型； 步骤2.3： 比较当前最优模型与新的地面模型的内点数量， 将内点数量较多的模型更新 为当前最优 模型； 步骤2.4： 重复步骤2.2 ‑步骤2.3直至达到最大迭代次数 时， 流程结束， 将当前最优模型 的内点记为 地面点云。 4.根据权利要求3所述的基于激光雷达点云的路面场景目标识别方法， 其特征在于， 模 型的内点的确定方法为： 遍历点云中的数据点并判定其是否为内点， 具体判定方法为： 根据二次多项式拟合路 面表达式确定点(x,y)在现阶段拟合曲面上的对应z值表示为zg， 点(x,y)真实的坐标对应 的z轴坐标值 为zt， 当|zt‑zg|≤e时， 将这个点判定为内点， 其中， e为距离误差阈值。 5.根据权利要求3所述的基于激光雷达点云的路面场景目标识别方法， 其特征在于， 最 大迭代次数为： 式中， u为地面点的点云占整幅点云的比例， N表示模型的点数， P为模型的置信度。 6.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法， 其特征在于， 对 步骤2中剩余的点云进行 滤波处理的具体方法为： 步骤3.1： 统计滤波： 将点云中各点周围的k个点作为其邻域点， 计算该点分别与 其领域 点的距离值并求取平均距离da， 作一高斯函数以da为峰值对应横坐标， 与该点距离为da的点 的个数作为峰值对应纵坐标， 由高斯函数公式可知， 通过这两个数据可求得对应的高斯函 数参数均值μ和标准差σ， 取高斯分布函数百分之90的置信区间， 区间内对应的距离最大值 设置为dmax， 如果某一点的平均距离da＞dmax， 将该点云归类于噪声点并对其进行剔除， 反 之， 则保留该点， 得到统计滤波后的三维点云；权　利　要　求　书 1/5 页 2 CN 114612795 A 2步骤3.2： 对统计滤波后的点进行法向量修正： 设定角度阈值T， 使用半径搜索得到待修 正点pi的k个邻域 点， 计算各个点的约束因子： 确定点pi修正后的法向量表示为： 其中ni为待修正点pi的法向量， nij 表示pi的j个邻域 点的法向量。 遍历点云中的点， 对每 个点的法向量进行修 正； 步骤3.3： 对修 正后的点分别进行双边滤波： 对于目标点pi及其邻域点pij， 计算滤波参数u1,u2， 其中， u1＝||pi‑pij||表示目标点pi到 邻域点的距离； u2＝<ni,pi‑pij〉 表示目标点pi到邻域点的有向距离和这一点的法向量的内 积； 根据 和 计算函数 和 的值并带入 求取权重因子α； 更新目标点信息： pi:＝pi+α ni， 完成当前点的滤波。 7.根据权利要求1所述的基于激光雷达点云的路面场景目标识别方法， 其特征在于， 使 用Meanshift聚类对步骤3得到的三维点云进行分割， 获得目标点云集的具体方法为： 步骤4.1： 定义点云中的点pi及其邻域点pij， 在未被标记过的点云数据中随机选取一个 点pi作为起始点； 步骤4.2： 通过半径搜索找出以起始点为中心的邻域点集， 将它们视为同一个类别， 并 在记录中将这些点进行 标记， 在该类别中出现的次数加1； 步骤4.3： 以起始点为中心计算均值漂移向量， 并通过piter+1＝piter+Mh(piter)进行迭代 更新起始点， 其中piter为第iter次迭代时获得的新的起始位置， Mh为均值漂移向量； 步骤4.4： 重复步骤4.2、 步骤4.3， 直到均值漂移 向量的模小于设定阈值， 停止迭代， 记 此时获得的起始点 为中心点； 步骤4.5： 计算此次迭代获得的中心点与已存在的中心点的距离， 若小于距离阈值， 则 将两类合并， 否则记作新的一类； 步骤4.6： 重复步骤4.2～步骤4.5， 遍历点云集中的点直到所有点均被访问， 统计每个 点被各类别访问的次数， 取访问次数最大的类作为该点所属类， 完成Meanshift聚类操作。 8.根据权利要求7所述的基于激光雷达点云的路面场景目标识别方法， 其特征在于， 均 值漂移向量的计算公式为：权　利　要　求　书 2/5 页 3 CN 114612795 A 3