基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于3D激光雷达点云的道路边界识别算法

针对结构化道路环境中道路边界存在不连续、被遮挡及易受路内障碍物干扰情况下的识别问题,利用车载激光雷达获取的结构化道路环境三维点云数据的高程信息,结合局部均值变点统计方法,提出了一种用于激光雷达帧数据的道路边界识别算法。该算法首先利用局部均值变点统计对结构化道路环境三维点数据中突变的z坐标值进行标记并提取其对应的(x,y)数据点,即道路边界点数据粗提取;然后基于分段双阈值对粗提取的道路边界点数据滤波处理;最后利用最小二乘法拟合道路边界点数据。基于实车实验分别采集的不同道路环境条件下结构化直道1 450帧、弯道935帧数据,算法识别准确率均高于80%,且识别道路宽度误差小于0.14 m。实验结果表明,该算法不仅能够自动识别结构化道路边界,而且有效抑制了路面障碍物的干扰,验证了算法的有效性。     

车载雷达点云的结构化道路边界提取方法

为了提高结构化道路边界检测的准确性与鲁棒性,结合非参数变点统计方法,提出了一种基于32线激光雷达三维点云的道路边界提取算法。基于结构化道路区域和非道路区域存在一定高程跳变特征,该算法利用非参数变点统计,对激光雷达扫描的道路环境三维点云数据中突变的z坐标值进行标记,并提取对应的候选道路边界点(x,y)。利用道路边界方向的最大期望(EM)聚类算法,对候选道路边界点进行聚类去噪。利用最小二乘法拟合道路边界,在不同光照条件下的校园结构化直、弯道路环境进行实车实验,统计直道1 030帧数据和弯道650帧数据。仿真结果表明:算法识别准确性较高且检测距离达18 m,耗时约28 ms,可满足智能车实时性要求。     

一种用于激光雷达识别车道标线算法

利用点云数据空间分布特征和回波强度信息,结合局部均值变点统计方法,提出了一种用于激光雷达数据帧的车道标线识别算法。该算法首先基于车载激光雷达采集的道路周围环境点云数据中高程信息进行滤波,确定可行驶区域。然后利用局部均值变点统计对可行驶区域点云数据中的回波强度值进行标记提取,即车道标线点云数据粗提取。最后基于EM(最大期望)方法聚类,从而完整、准确地识别车道标线。实验结果表明,该算法不仅能够准确定位可行驶区域,进而可以实现车道标线的自动提取;而且有效抑制了道路周围环境对车道标线识别的干扰,验证了算法的有效性。     

非结构化道路识别研究综述

道路按照是否有规则的道路边界可以分为结构化道路和非结构化道路。结构化道路有明显的道路特征,系统可以根据道路模型或者人为设定的特征准确识别。但是实际环境中,存在没有明显的道路边界以及受到雾雪等天气干扰的路段,称为部分非结构化道路和完全非结构化道路。在非结构化道路识别上运用结构化道路的识别方法可能会导致错误的决策。因此,快速准确识别出非结构化环境中的道路对智能驾驶自主决策至关重要。该文基于近5年国内外相关研究,对目前非结构化道路的传统识别方法、机器学习、深度学习与数据融合等方法进行了整理与分析。     

基于目标检测的激光雷达道路边缘检测算法

道路边缘检测是自动驾驶车辆环境感知的重要组成部分,有效地从点云数据中提取道路边缘信息,有利于进行目标检测以及可行驶区域检测。针对点云道路边缘检测问题,提出了一种考虑车辆等道路参与者对道路边缘检测带来干扰的解决方案。首先,采用地面点云分割算法,将原始点云分割成地面点云和非地面点云;其次,根据车辆等道路参与者的固有特性,采用点云聚类算法对点云进行聚类,并将符合车辆等道路参与者特性的非地面点云进行滤除;再次,根据道路边缘点云在二维平面内,能够有效地遮挡激光发射中心点与非道路边缘点之间的连线,从而提取道路边缘点云;最后,采用随机抽样一致性(random sample consensus, RANSAC)算法对道路边缘点云进行多项式拟合,并使用扩展卡尔曼滤波器对道路边缘进行跟踪。实验结果表明,所提点云道路边缘检测算法能够消除车辆等道路参与则对点云道路边缘检测的影响,且算法满足实车实时性和鲁棒性要求。     

基于四叉树扇形层值聚类的无人船障碍物检测

为了实现无人船自主导航过程中对障碍物的精确检测,提出了一种基于四叉树扇形层值聚类的无人船障碍物检测方法。首先基于四叉树扇形划分进行障碍物点云数据地检索,并剔除扇形象限内不可信数据;然后利用所获得的四叉树层值来求取全局密度距离,进而获得层值阈值,以此来对不规则多线形障碍物特征进行检测;最后通过建立数据点之间的空间拓扑关系来求取参考距离,并以参考距离为基准对障碍物点云数据进行聚类判定,提高聚类分割准确性。多线形障碍物特征识别性能测试及水面无人船障碍物检测实验结果表明,相较于其他密度聚类算法,在正检率、误检率和漏检率性能指标方面,前者测试中文中算法分别平均下降了9.86%、5.04%、3.10%,后者测试中文中算法分别平均下降了10.50% 、6.97%、2.95%。     

基于直线特征提取的自主车辆可通行区域检测

为了使环境感知器在室外非结构化环境中为自主车辆的导航检测道路边界信息及可通行区域,利用车载激光雷达所采集的数据,在最小二乘法(LSM)和连续边缘跟踪法(SEF)的基础上,提出了一种改进的直线特征提取算法SEF-LSM-BM.该算法引入回退机制、逻辑推理和特征合并的方法,区分路边界和障碍物,并对自主车辆可通行区域进行检测...     

基于二维激光测距仪的道路可行区域提取

为了使自主移动机器人在结构化和半结构化环境中能快速有效地提取道路的可行区域,采用全局搜索及双阈值的算法.该算法首先采用基于八邻域的全局搜索法搜索激光数据点,再结合角度和高度差双阈值对数据点进行归类并检测道路边界,最后利用障碍物检测原理获取障碍物.实验结果表明:该算法能够检测出路边及障碍物边界,此过程只对机器人感兴趣区域...     

一种改进的毫米波雷达聚类算法

针对毫米波雷达数据均匀性差,数据量小,噪点多等问题,提出一种基于DBSCAN (density-based spatial clustering of applications with noise)的雷达自适应聚类算法.改进算法能够根据K近邻距离和目标反射截面自适应调整聚类半径.首先给出一种聚类半径根据K近邻距离动态调整的机制:目标第K个近邻的距离与阈值相比较,以确定阈值半径取值.再提取雷达提供的目标反射截面,基于该值计算目标假象半径作为聚类半径的补充量.实现根据目标反射截面与数据稀疏程度自适应聚类的效果.将改进算法与不同参数的DBSCAN聚类算法在真实雷达点云数据进行实验对比.相较于选取合适参数的DBSCAN算法,改进算法能够更好适应毫米波雷达点云特征,对行人目标识别准确率提高4.18％,对车辆目标识别准确率提高5.63％.     

基于HDL-64E激光雷达道路边界实时检测算法

为了使智能车辆在多种道路环境中能够快速有效地提取前方道路,文章提出一种基于HDL-64E激光雷达的道路边界检测算法。该算法首先对激光雷达数据进行空间邻域分析,获取平滑度特征图像;然后利用自适应方向边界搜索算法获取候选道路边界激光雷达数据;为了解决激光雷达数据中存在的干扰及不连续问题,对候选道路边界激光雷达数据进行聚类分析及曲线拟合。实验结果表明,在高速、城区以及乡村道路环境下,该算法能够实时、准确地提取道路边界信息,满足智能车辆道路环境建模及路径规划的需要。     

基于激光雷达点云密度特征的智能车障碍物检测与跟踪

现有的基于点云数据的车载三维激光雷达障碍物检测和跟踪存在实时性差、准确率不高以及场景内障碍物数目增多时难以有效关联等问题。针对这些不足,文章提出了结合区域生长与密度聚类的算法以及同时考虑了障碍物几何特征与点云密度特征的关联方法。基于栅格地图,运用最大、最小高度图法去除背景点云数据;在得到可靠障碍栅格地图后,搜索匹配8邻域栅格属性,结合自适应阈值的密度特征进行聚类,提高了障碍物检测准确率;考虑了障碍物的点云密度特征和高度特征,提高了障碍物关联的可靠性并运用卡尔曼滤波器对动态障碍物进行了跟踪。在自行搭建的智能车平台上进行的实车实验验证了该文算法的有效性。     

基于三维激光雷达的路沿检测算法

为了在多种道路环境下准确提取智能汽车前方道路路沿,提出一种基于三维激光雷达的路沿检测算法。该算法采用随机采样一致性算法(random sample consensus, RANSAC)快速分割出道路区域,滤除了大部分非地面数据,提高后续步骤的处理速度;提出一种基于无向图邻域关系的多特征、宽阈值、多层次路沿特征提取算法,通过构造多种路沿几何特征设置较宽阈值以提高路沿检测精度;采用双向扫描线搜索算法获取路沿候选点,根据路沿特征点密度和全局连续性的特点进行聚类分析并去除噪声,用二次曲线拟合道路路沿。结果表明,该算法能够在车辆、行人和障碍物遮挡的情况下有效识别结构化直、弯道路路沿,算法准确率均高于86%,且检测道路宽度误差小于0.19m,验证了算法的鲁棒性和准确性。     

基于改进欧几里得聚类的激光雷达障碍物检测

针对传统的欧氏聚类算法无法同时对近处和远处的障碍物点云进行精准检测和分割,容易造成错检和漏检的情况,提出一种欧氏聚类算法的改进方法,可以根据点云与激光雷达之间的距离动态地选择阈值,从而快速且准确地完成聚类.实验表明:该方法能同时对近处和远处的障碍物点云进行快速且准确的聚类.     

散乱数据点云边界特征自动提取算法

提出一种散乱数据点云边界特征自动提取算法,该算法采用R* -tree动态空间索引结构组织散乱数据点云的拓扑关系,基于该结构获取采样点的k近邻点作为局部型面参考数据,以最小二乘法拟合该数据的微切平面,并将其向微切平面投影,根据采样点与其k近邻所对应投影点连线的最大夹角识别散乱点云边界特征.实例验证该算法可快速、准确地提取散乱数据点云的边界特征.     

基于改进SegNet算法的车道线检测方法

无人驾驶车辆在结构化道路中需要通过车道线判断自身位置,为提高其检测的实时性与准确性,本文提出一种利用改进SegNet网络算法与连通域约束相结合的方法实现车道线检测识别。将对称的SegNet网络算法改为非对称结构对车道线作逐像素提取：利用卷积与池化提取车道线特征,摒弃传统的车道线聚类过程,利用二值化图像结合连通域约束与关联对车道特征点进行分类,最后对相同类别的车道特征点进行车道线拟合。该算法在香港中文大学的 CULane 数据集和图森未来的TuSimple数据集上进行了训练与测试,该算法对车道分割准确、实时处理能力优秀,检测识别效果优于传统SegNet网络算法,其平均检测精度为 94.60%,每帧检测耗时提升53毫秒。     

基于立体视觉的一般物体识别方法

为了使计算机具有与人类相似的在复杂背景下识别一般物体的视觉处理能力,提出了一种基于立体视觉的一般物体识别方法.该方法的核心在于融合二维图像信息和双目相机获取的深度信息,对视野中的环境进行物体定位、图像分割、特征描述以及物体识别.通过双目相机获取环境的三维点云信息,并利用mean-shift算法进行聚类,剔除干扰点,从而实现物体在二维图像上的定位与分割.利用含有空间关系的BoW模型对分割后独立区域内的物体进行识别,得出判别结果.此外,在利用sift算法进行特征点提取以及利用mean-shift算法进行聚类的环节中,采用CUDA环境下的GPU进行加速处理,提高了处理速度.实验结果表明,所提方法具有较好的识别效果和鲁棒性.     

基于改进区域生长和小波变换的非结构化道路检测

针对在复杂场景的非结构化道路中,由于众多的环境干扰因素从而不能准确检测车道线的问题,提出了一种基于改进区域生长法和小波变换相结合的非结构化道路检测算法。根据大多数情况下道路区域在车载摄像头的正下前方及道路区域与道路两旁背景灰度值的一定差异,来有效地选取区域生长的种子点及生长原则进行区域生长道路初分割。同时结合基于小波变换的边缘检测来修正由于初分割道路受复杂环境导致道路检测不准确的情况。实验结果表明,该算法能够较准确地检测出受光照等因素影响的道路区域,且具有较高的准确性。     

基于网格单元的点云降维处理算法

针对激光雷达采集数据时,由于会受到外界的干扰因素、扫描精度等负面影响,会使采集到的点云数据空间密度相差较大、存在着很大的噪声和孔洞,使得分析结果不能直接描绘实际物体的模型的问题,本文研究设计了一种基于二进制占网格的点云数据处理算法。首先将分割完成后的点云采用二进制网格的方式聚类进行降维处理,再将点云映射到网格单元中实现不同物体点云的快速聚集。最后,基于寻找出的点云主方向旋转点云从而.建立紧致随动的障碍物包围盒。通过实验验证,该方法能够在保证聚类精度的同时提高运算速度,其建立包围盒能够准确地反映障碍物的尺寸,具有良好的实时性与随动性,对移动机械臂自主避障提供了可靠的信息。     

古建筑物三维点云数据去噪方法

目的研究k-means聚类算法和双边滤波去噪算法,解决古建筑物在建模中如何减少噪声点的问题.方法使用k-means聚类算法对点云数据进行k个集群划分,选择合适集群,获得最佳K值进行点云去噪,使用双边滤波算法对点云数据进行滤波去噪,选用Fandisk点云数据、bunny点云数据、沈阳建筑大学古建筑物老校门和八王书院点云数据进行去噪实验.结果选用的仿真模型和古建筑模型经过处理,点云数据模型表面光滑,边界特征保持良好.结论所提方法有效地去除了噪声点,增强了点云数据模型的光滑的和光顺度.