激光雷达（三）关键技术：点云分割

激光雷达为了能适应各领域的需求，在设计之初就考虑了系统结构的设计、集成设计、能够从容应对复杂地形、震动、冲击负荷等环境，为如今在自动驾驶领域的应用提供了条件。

实现车辆的自主行驶，其重要前提是获得实时的、准确的外部环境模型，这里的模型包括且不限于行车过程中，周围的车辆、行人、路面环境、交通设施等。不同于视觉传感器，激光雷达能有效提升车辆对外部环境感知建模的精准度。

综合多方研究和实践操作可知，激光雷达在自动驾驶汽车领域的关键技术主要分为点云分割、道路提取、环境建模、障碍物探测与追踪和多传感器融合。

（图片源于网络）

//

关键技术1：点云分割

//

点云，在逆向工程中通过测量仪器得到的物品外观的点数据集合。使用三维坐标测量机所获得的点数量较少，点与点之前的间距也较大，此类点云称之为稀疏点云。使用激光扫描或照相式扫描仪得到的点云，点数量较大也比较密集，称之为密集点云。激光雷达生成的同一个空间坐标下表示目标物体特性的海量点的集合，就是密集点云。

由激光雷达生产的点云数据量每秒可达上百万个，普通的聚类算法无法满足数据实时性计算的要求。点云分割，是指为了快速提取有用的物体信息，根据点云分布的整体特征和局部特征，将点云进行分割，从而形成多个独立的子集。每个子集的期望是每个子集均对应将拥有物理意义的感知目标，并反映出目标物体的几何及位姿特征。点云分割，是保证激光雷达后续目标分类和跟踪性能的重要基础。

（图片源于网络）

非模型投影方法

点云分割目前多采用非模型投影方法，根据投影方向又可分为基于虚拟像平面投影和基于地面投影两类。

基于虚拟像平面投影 ——将3D点云数据投影至一系列以激光雷达旋转轴为轴的虚拟圆柱体上，每个投影点的像素值为相应点的雷达测距值。这类算法适用于噪声少、几何形状简单的理想点云数据，对于复杂环境下的点云分割适应性较差。当前，常用于生成距离图像。

基于地面投影 ——将点运输局根据激光雷达的安装位置、投影角度至俯视平面，利用栅格地图法进行处理。通过分析落入每个栅格中的点的数量及最大最小高度差，今儿将栅格分为地面或障碍。因其容易实现，且利于多信息融合，所以基于地面投影在美国DAPAR城市挑战赛中这种方法被广泛应用。但这种方法的缺点也很明显，如栅格参数难以调节，容易欠分割或过分分割。

非水平路面分割

基于虚拟像平面投影和基于地面投影均是在二维投影平面上进行的图像分割，在投影过程中均无法避免丢失部分空间信息，且投影参数难以调节。为解决这一情况，学者Moosmann 等人受图论方法在二维图像分割中应用的启发，提出了基于局部凸性准则的三维激光雷达数据分割方法，通过建立相邻数据点的关系进行聚类和分割，能够在城市道路环境下将非水平地面分割提取出来。

（图片源于网络）

（非水平路面分割实验结果）

然而此方法在进行分割过程中，局部凸性过于依赖点云法向量的精度，计算量大，运算速度在每帧600 ms 左右，实时性差，限制了该方法在自动驾驶车辆复杂场景中的实际应用。

（图片源于网络）

其他点云分割方法

除基于虚拟像平面投影、基于地面投影和非水平路面分割的方法外，还有不少专家学者针对点云分割提出了相应的解决方案。

olovinskiy 等将计算机视觉技术和计算机图形学中基于图的分割方法引入三维激光雷达数据点云分割中，该方法首先基于点云数据进行建立最近邻图，然后定义一个惩罚函数用以平滑分割前景和地面的数据点，在分割过程中可自动进行或者人工干预来调整分割效果。其在邻近点搜索过程中采用了 Kd-tree 算法来加速搜索，惩罚函数自变量采用各点至中心点的距离来提高精度。该分割方法理论性较强，分割精度高，但计算量大，限制了应用。

为解决激光雷达数据处理量庞大的情况，清华大学的王肖等人提出了基于 3D 激光雷达点云的快速分割方法，根据地面直线可以表征地面状态变化的特点，进而通过分块直线拟合算法来去除背景地面数据，对分割出的前景点云数据进行聚类分割，并计算出目标物体的属性参数，在 3 组基于城市道路环境的测试集下，车辆分割准确率约为 95% ，行人分割准确率约为 85% ，且耗时不受场景复杂度影响，能够较稳定控制在 55 ms/帧左右，提高了环境感知系统的实时性。由于算法在聚类过程中仅采用空间距离尺度作为标准，在多个目标之间距离过近的情况下容易分割错误。若能加入目标形状，同时结合单个扫描线分割方法，将能够减少分割错误率。

部分图文来源网络，本文仅供学习分享非商业用途，如有侵权请联系我们删除。

文章来源: https://www.toutiao.com/group/6721981760445350414/