亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于自適應(yīng)閾值DBSCAN的路側(cè)點(diǎn)云分割算法*

        2022-08-04 07:19:38金立生王歡歡謝憲毅郭柏蒼
        汽車(chē)工程 2022年7期
        關(guān)鍵詞:激光雷達(dá)濾波聚類(lèi)

        金立生,賀 陽(yáng),王歡歡,霍 震,謝憲毅,郭柏蒼

        (1. 燕山大學(xué)車(chē)輛與能源學(xué)院,秦皇島 066004;2. 燕山大學(xué),河北省特種運(yùn)載裝備重點(diǎn)實(shí)驗(yàn)室,秦皇島 066004)

        前言

        智能交通可以推進(jìn)網(wǎng)聯(lián)自動(dòng)駕駛車(chē)輛的發(fā)展,提升行車(chē)安全性、減少擁堵。目前,新一代通信技術(shù)5G 取得了革命性的進(jìn)展,大大提升了車(chē)路通信網(wǎng)絡(luò)的承載能力,使自主式感知在感知視野上的技術(shù)瓶頸能通過(guò)協(xié)同感知有效解決。激光雷達(dá)作為環(huán)境感知常用的傳感器之一,路側(cè)安裝激光雷達(dá)可以為網(wǎng)聯(lián)自動(dòng)駕駛車(chē)輛提供環(huán)境中周?chē)?chē)輛的位置、速度等多維信息。對(duì)激光雷達(dá)點(diǎn)云數(shù)據(jù)處理的步驟中聚類(lèi)分析作為其關(guān)鍵步驟之一,準(zhǔn)確提供隸屬于同一目標(biāo)的點(diǎn)云對(duì)于后續(xù)目標(biāo)檢測(cè)和速度測(cè)量等任務(wù)具有重要意義。

        近年來(lái),國(guó)內(nèi)外學(xué)者對(duì)激光雷達(dá)點(diǎn)云分割方法的研究主要分為兩類(lèi):基于深度學(xué)習(xí)和基于點(diǎn)云聚類(lèi)?;谏疃葘W(xué)習(xí)的點(diǎn)云分割方法利用數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練,得到包含點(diǎn)云空間局部-全局特征的參數(shù)模型,最后使用訓(xùn)練好的模型進(jìn)行點(diǎn)云級(jí)分割。文獻(xiàn)[7]中針對(duì)點(diǎn)云全局特征無(wú)法準(zhǔn)確表征局部信息,基于抽象模塊(set abstraction,SA)和Point-Net 構(gòu)建了多尺度特征網(wǎng)絡(luò)提取局部特征;文獻(xiàn)[8]中針對(duì)點(diǎn)云局部特征之間相互耦合,基于區(qū)域內(nèi)結(jié)構(gòu)學(xué)習(xí)模塊(intra-region structure learning,ISL)和區(qū)域間關(guān)系學(xué)習(xí)模塊(inter-region relation learning,IRL)構(gòu)建了區(qū)域間關(guān)聯(lián)性自適應(yīng)提取網(wǎng)絡(luò);文獻(xiàn)[9]中針對(duì)大規(guī)模點(diǎn)云無(wú)法直接使用深度學(xué)習(xí)進(jìn)行處理的問(wèn)題,基于隨機(jī)采樣(random sampling)和局部特征整合模塊(local feature aggregation module)建立了高效特征提取網(wǎng)絡(luò)?;谏疃葘W(xué)習(xí)的激光雷達(dá)點(diǎn)云分割方法優(yōu)點(diǎn)在于分割精度高,特征提取主觀性低。但須提前使用標(biāo)注好的數(shù)據(jù)進(jìn)行訓(xùn)練,標(biāo)注的工作量較龐大;另外訓(xùn)練所用數(shù)據(jù)的質(zhì)量和訓(xùn)練數(shù)據(jù)采集場(chǎng)景與部署場(chǎng)景的相似性直接影響訓(xùn)練所得模型在部署場(chǎng)景中的表現(xiàn);此外,深度學(xué)習(xí)計(jì)算平臺(tái)的硬件成本仍相對(duì)較高。

        基于點(diǎn)云聚類(lèi)的分割方法主要通過(guò)人工設(shè)定點(diǎn)云生長(zhǎng)規(guī)則提取隸屬于同一目標(biāo)的點(diǎn)云簇。文獻(xiàn)[10]中針對(duì)越野環(huán)境下的行人識(shí)別問(wèn)題,基于歐式聚類(lèi)和行人幾何特征構(gòu)建了行人識(shí)別框架,但未考慮行人由近及遠(yuǎn)連續(xù)變化和噪聲點(diǎn)的影響;文獻(xiàn)[11]中引入點(diǎn)云密度對(duì)真實(shí)數(shù)據(jù)中密度小于閾值的噪聲點(diǎn)進(jìn)行濾除,但該方法僅設(shè)置全局參數(shù),參數(shù)的設(shè)置對(duì)分割結(jié)果影響較大;而文獻(xiàn)[12]中通過(guò)引入排序的思想來(lái)弱化帶噪聲基于密度的空間聚類(lèi)(density-based spatial clustering of applications with noise,DBSCAN)算法對(duì)參數(shù)敏感的影響,但返回的結(jié)果是基于可達(dá)距離的有序點(diǎn)云集合,簇的提取須進(jìn)一步計(jì)算,因此實(shí)時(shí)性較差;文獻(xiàn)[13]和文獻(xiàn)[14]中在DBSCAN 引入了block 概念,作為數(shù)據(jù)處理的最小單元,block 中至少包含一個(gè)點(diǎn)云,在簇的生長(zhǎng)過(guò)程中同時(shí)處理多個(gè)點(diǎn)云,提高了實(shí)時(shí)性,但未考慮局部密度變化對(duì)聚類(lèi)效果的影響;文獻(xiàn)[15]中提出了一種適用于路側(cè)雷達(dá)的背景濾除和目標(biāo)檢測(cè)框架,使用DBSCAN 對(duì)點(diǎn)云前景目標(biāo)進(jìn)行提取,但未考慮目標(biāo)距離對(duì)DBSCAN 聚類(lèi)效果的影響,距離較遠(yuǎn)時(shí)易產(chǎn)生過(guò)分割現(xiàn)象;文獻(xiàn)[16]中針對(duì)距離對(duì)聚類(lèi)效果的影響,在單一掃描線(xiàn)束上使用DBSCAN 算法,并根據(jù)線(xiàn)束間距離對(duì)不同線(xiàn)束點(diǎn)云簇進(jìn)行合并,缺點(diǎn)是未考慮目標(biāo)距離增加導(dǎo)致相鄰線(xiàn)束間距增大的影響,對(duì)遠(yuǎn)距離目標(biāo)易產(chǎn)生過(guò)分割現(xiàn)象。

        上述文獻(xiàn)中在進(jìn)行點(diǎn)云分割時(shí)以算法耗時(shí)和分割精度為優(yōu)化目標(biāo),算法耗時(shí)和分割精度互相耦合,算法實(shí)時(shí)性和準(zhǔn)確性難以同時(shí)兼顧。

        針對(duì)上述問(wèn)題,考慮到算法的泛化性和路側(cè)激光雷達(dá)點(diǎn)云的數(shù)據(jù)特點(diǎn),本文中提出一種基于自適應(yīng)閾值DBSCAN 的路側(cè)點(diǎn)云分割算法。首先將采集到的原始數(shù)據(jù)進(jìn)行預(yù)處理,降低數(shù)據(jù)維度并對(duì)地面和非地面點(diǎn)云進(jìn)行分割;然后分析交通場(chǎng)景點(diǎn)云數(shù)據(jù)特點(diǎn),構(gòu)建基于sigmoid 函數(shù)的自適應(yīng)閾值策略;最后利用DBSCAN 對(duì)非地面點(diǎn)云進(jìn)行聚類(lèi),并利用自適應(yīng)閾值策略對(duì)DBSCAN 中集群生長(zhǎng)過(guò)程進(jìn)行優(yōu)化,提升分割的準(zhǔn)確性;最后搭建路側(cè)激光雷達(dá)數(shù)據(jù)采集平臺(tái),采集實(shí)際路段的數(shù)據(jù),對(duì)本文算法進(jìn)行驗(yàn)證。

        1 激光雷達(dá)點(diǎn)云數(shù)據(jù)預(yù)處理

        1.1 道路區(qū)域點(diǎn)云提取

        本文中所采用的RS-Ruby Lite 80 線(xiàn)激光雷達(dá)由深圳市速騰聚創(chuàng)科技有限公司生產(chǎn),是一種機(jī)械式激光雷達(dá)。路側(cè)安裝的激光雷達(dá)采集的數(shù)據(jù)包含了主干道路、輔路、路側(cè)、較高交通設(shè)施、遠(yuǎn)距離建筑和噪聲等部分,其中,主干道路點(diǎn)云是本文算法的研究對(duì)象,因此在預(yù)處理過(guò)程首先須通過(guò)直通濾波提取出主干道路區(qū)域內(nèi)的點(diǎn)云。提取步驟如圖1所示。

        圖1 直通濾波流程示意圖

        保留的點(diǎn)集須滿(mǎn)足式(1)的要求:

        式中:(xy,z)為點(diǎn)集中第個(gè)點(diǎn)云的三維坐標(biāo);為半徑閾值,考慮到激光雷達(dá)能提供有效特征的距離,取= 100 m;為高度閾值,考慮到場(chǎng)景內(nèi)道路限高,取= 5 m;、、、為道路區(qū)域的方向和方向坐標(biāo)范圍,軸方向與道路方向相同,取= -100 m、= 100 m、= -10 m、= 26 m。

        1.2 點(diǎn)云數(shù)據(jù)柵格降維

        提取后的主干道路區(qū)域點(diǎn)云數(shù)據(jù)量依舊龐大,為加速計(jì)算,對(duì)提取的主干道路區(qū)域點(diǎn)云進(jìn)行體素濾波下采樣,柵格尺寸采用40 cm × 40 cm。以frame0 為例,體素濾波前包含68 561 個(gè)點(diǎn),體素濾波后包含11 286個(gè)點(diǎn)。體素濾波處理前后效果對(duì)比如圖2所示。

        圖2 體素濾波下采樣

        1.3 非地面點(diǎn)云提取

        下采樣處理后的點(diǎn)云包含了主干道路路面、路側(cè)樹(shù)木和交通參與者等部分,其中非地面點(diǎn)云為本文算法的研究對(duì)象,須對(duì)點(diǎn)云進(jìn)行地面分割和非地面點(diǎn)云提取。路側(cè)安裝的激光雷達(dá)具有高度固定、背景固定和前景變化的特點(diǎn),地面點(diǎn)云高度變化較小,同時(shí),地面通常為較低點(diǎn)云組成的平面。因此,本文中采用平面模型擬合方法實(shí)現(xiàn)對(duì)地面和非地面點(diǎn)云的分割??紤]到路側(cè)激光雷達(dá)采集的點(diǎn)云中地面通常高度較低、交通場(chǎng)景中路面通常為平面的特點(diǎn),假設(shè)當(dāng)前場(chǎng)景內(nèi)地面為地勢(shì)較低的平面。基于對(duì)地面做出的假設(shè),采用文獻(xiàn)[18]中提出的地平面濾波(ground plane filtering,GPF)算法實(shí)現(xiàn)地面點(diǎn)云分割與非地面點(diǎn)云提取。

        GPF 算法基于高度特征和最低代表點(diǎn)進(jìn)行地面模型擬合,當(dāng)?shù)孛娓叨茸兓^小、激光雷達(dá)安裝位置固定時(shí),GPF 算法設(shè)置的高度參數(shù)與數(shù)據(jù)的匹配性較好,同時(shí)由于對(duì)初始種子點(diǎn)的選取采用了最低點(diǎn)采樣規(guī)則,保證了算法在場(chǎng)景固定時(shí)性能穩(wěn)定可靠,避免了基于隨機(jī)采樣(RANSAC)的地面分割算法關(guān)鍵特征點(diǎn)丟失的情況發(fā)生。文獻(xiàn)[18]中將GPF算法應(yīng)用到車(chē)載設(shè)備中,因此須從車(chē)載雷達(dá)算法中遷移到路側(cè)場(chǎng)景中并針對(duì)路側(cè)場(chǎng)景相對(duì)固定進(jìn)行優(yōu)化。

        GPF 算法核心思想是基于點(diǎn)云生長(zhǎng),經(jīng)過(guò)一定次數(shù)迭代后得到的平面為地平面。車(chē)載雷達(dá)工作場(chǎng)景復(fù)雜多變,地面高度也不斷變化,行駛過(guò)程中存在地面突變?nèi)缟舷缕?、道路施工、?chǎng)景變化導(dǎo)致存在較大坑洼等情況,導(dǎo)致迭代過(guò)程中相鄰兩次擬合的平面模型相似性難以保障。但安裝在路側(cè)設(shè)備時(shí),場(chǎng)景相對(duì)穩(wěn)定,迭代過(guò)程中相鄰兩次擬合的平面模型相似性較大時(shí),可認(rèn)為算法準(zhǔn)確找到了場(chǎng)景中的地面,即迭代過(guò)程中相鄰兩次擬合的平面模型分割出的地面點(diǎn)云數(shù)量差別小于1%時(shí)認(rèn)為找到了地面,可提前結(jié)束迭代過(guò)程。因此,使用最大迭代次數(shù)和迭代過(guò)程地面模型相似性作為點(diǎn)云生長(zhǎng)迭代過(guò)程的終止條件,可以在保證分割精度的前提下提升實(shí)時(shí)性。迭代終止條件為

        式中:N為當(dāng)前迭代次數(shù);為最大迭代次數(shù),為進(jìn)一步提升實(shí)時(shí)性,取= 20;numP、numP分別為當(dāng)前迭代和上一次迭代提取到的地面點(diǎn)個(gè)數(shù);isStop為是否終止迭代判斷參數(shù)。

        地面濾波的效果如圖3 所示。經(jīng)過(guò)地面濾波后,點(diǎn)云被分割成地面點(diǎn)云和非地面點(diǎn)云,其中非地面點(diǎn)云作為聚類(lèi)算法的輸入進(jìn)行同一目標(biāo)點(diǎn)云的提取。

        圖3 地面濾波

        2 非地面點(diǎn)云聚類(lèi)

        2.1 自適應(yīng)函數(shù)構(gòu)建

        自適應(yīng)閾值策略須構(gòu)建基于特定參數(shù)的映射關(guān)系。sigmoid 函數(shù)是一種常用的S 型非線(xiàn)性激活函數(shù),可把一個(gè)實(shí)數(shù)映射到0~1 之間,其中中部區(qū)域信號(hào)的增益較大,兩側(cè)區(qū)域信號(hào)增益較小,同時(shí)輸出有界,對(duì)超過(guò)一定范圍的輸入?yún)?shù)不敏感。sigmoid函數(shù)曾一度作為深度學(xué)習(xí)的激活函數(shù)而廣泛使用,其數(shù)學(xué)形式為

        式中:、、為模型參數(shù);為變量。

        路側(cè)部署的激光雷達(dá)采集的點(diǎn)云數(shù)據(jù)具有隨距離增加點(diǎn)云稀疏性增強(qiáng)的特點(diǎn),自適應(yīng)閾值策略主要是對(duì)稀疏性增強(qiáng)導(dǎo)致的過(guò)分割問(wèn)題進(jìn)行抑制,因此選擇點(diǎn)云到激光雷達(dá)的水平距離作為構(gòu)建的映射關(guān)系的輸入??紤]到路側(cè)采集的點(diǎn)云數(shù)據(jù)還具有一定的視野盲區(qū),同時(shí)遠(yuǎn)距離點(diǎn)云難以提供足夠的用于目標(biāo)檢測(cè)的特征,因此近距離一定范圍內(nèi)和較遠(yuǎn)距離以外的點(diǎn)云對(duì)聚類(lèi)和目標(biāo)檢測(cè)的意義較小,而由近及遠(yuǎn)的中部區(qū)域的點(diǎn)云是聚類(lèi)和目標(biāo)檢測(cè)的核心區(qū)域,須對(duì)聚類(lèi)算法的參數(shù)進(jìn)行自適應(yīng)修正。綜合考慮路側(cè)采集點(diǎn)云的數(shù)據(jù)特點(diǎn),sigmoid 函數(shù)的特點(diǎn)對(duì)于路側(cè)激光雷達(dá)數(shù)據(jù)處理具有較好的匹配性,因此選擇sigmoid 函數(shù)作為構(gòu)建的映射關(guān)系的基礎(chǔ)模型。構(gòu)建的映射關(guān)系為

        2.2 自適應(yīng)閾值DBSCAN

        基于密度的空間聚類(lèi)算法DBSCAN簡(jiǎn)便易實(shí)現(xiàn),主要包括核心點(diǎn)搜索和集群生長(zhǎng)兩部分,在車(chē)載激光雷達(dá)點(diǎn)云聚類(lèi)中廣泛應(yīng)用,但該方法僅通過(guò)點(diǎn)云空間密度來(lái)判斷是否隸屬于同一目標(biāo),沒(méi)有考慮傳感器采集的數(shù)據(jù)具有隨距離增加稀疏性增加的特點(diǎn),固定閾值難以在整個(gè)數(shù)據(jù)空間對(duì)所有局部區(qū)域?qū)崿F(xiàn)精確分割,常見(jiàn)的解決思路包括自適應(yīng)閾值和層次聚類(lèi)。層次聚類(lèi)算法由于場(chǎng)景內(nèi)目標(biāo)數(shù)量復(fù)雜多變,難以確定滿(mǎn)足所有場(chǎng)景的終止條件,同時(shí)當(dāng)場(chǎng)景內(nèi)目標(biāo)眾多時(shí)層次聚類(lèi)的計(jì)算復(fù)雜度較大,這在車(chē)輛擁堵時(shí)對(duì)算法實(shí)時(shí)性提出了較大挑戰(zhàn)。自適應(yīng)閾值策略的難點(diǎn)在于構(gòu)建全局范圍內(nèi)所有局部場(chǎng)景都能準(zhǔn)確分割的閾值策略,另外過(guò)于復(fù)雜的策略對(duì)算法實(shí)時(shí)性影響較大。

        為構(gòu)建簡(jiǎn)單易行的適用于全域場(chǎng)景的自適應(yīng)閾值策略,處理路側(cè)安裝激光雷達(dá)采集的具有近距離盲區(qū)、遠(yuǎn)距離無(wú)有效特征、隨距離增加稀疏性增加等特點(diǎn)的點(diǎn)云數(shù)據(jù),使集群生長(zhǎng)過(guò)程考慮與雷達(dá)的相對(duì)距離帶來(lái)的密度下降的影響,引入在較小、較大范圍變化不明顯,中間范圍增加較快的sigmoid 函數(shù)作為DBSCAN 集群生長(zhǎng)過(guò)程中密度可達(dá)搜索半徑的修正系數(shù),對(duì)于劃分隸屬于同一目標(biāo)的點(diǎn)云集群十分有利。構(gòu)建出的模型如式(4)所示,而集群生長(zhǎng)半徑的修正公式為

        式中:′為修正后的半徑參數(shù);為初始半徑參數(shù);r為搜索同一集群點(diǎn)的種子點(diǎn)。由式(4)確定的自適應(yīng)閾值系數(shù)和固定閾值系數(shù)在主干道路區(qū)域內(nèi)的分布如圖4所示。圖中,方向?yàn)榈缆贩较?,方向?yàn)榕c道路垂直方向。

        圖4 閾值分布

        自適應(yīng)閾值DBSCAN 的偽代碼如下面算法1 所示。為加速計(jì)算,本文使用KDTree 對(duì)近鄰搜索過(guò)程進(jìn)行加速。

        ?

        3 實(shí)驗(yàn)與結(jié)果分析

        3.1 實(shí)驗(yàn)條件和數(shù)據(jù)來(lái)源

        為驗(yàn)證本文所提算法的有效性,首先搭建了路側(cè)激光雷達(dá)數(shù)據(jù)采集平臺(tái),如圖5 所示。激光雷達(dá)可提供每秒144 萬(wàn)個(gè)點(diǎn),旋轉(zhuǎn)頻率為10 Hz,工作模式為單回波模式,極限測(cè)距能力為230 m。數(shù)據(jù)采集設(shè)備為帶操作系統(tǒng)ubuntu 18.04 的工控機(jī)nuvo8108,數(shù)據(jù)采集環(huán)境為ROS-melodic。升降平臺(tái)初始高度為2.5 m,最高可升至7 m。該平臺(tái)完全滿(mǎn)足本文對(duì)于路側(cè)激光雷達(dá)點(diǎn)云數(shù)據(jù)采集的要求。在路側(cè)部署該實(shí)驗(yàn)平臺(tái),為模擬真實(shí)龍門(mén)架安裝視角,將激光雷達(dá)上升至4.5 m,采集連續(xù)幀數(shù)據(jù)至bag包中。使用解析后的1 055幀連續(xù)點(diǎn)云數(shù)據(jù)對(duì)本文算法進(jìn)行測(cè)試。采集數(shù)據(jù)的場(chǎng)景為真實(shí)路段,具體采集地點(diǎn)如圖6 所示,其中標(biāo)紅區(qū)域?yàn)閿?shù)據(jù)采集路段,紅色五角星為實(shí)驗(yàn)平臺(tái)部署位置。

        圖5 路側(cè)激光雷達(dá)數(shù)據(jù)采集平臺(tái)

        圖6 數(shù)據(jù)采集地點(diǎn)

        采集的連續(xù)幀數(shù)據(jù)如圖7所示。

        圖7 路側(cè)激光雷達(dá)數(shù)據(jù)

        3.2 實(shí)驗(yàn)驗(yàn)證

        本文算法在計(jì)算機(jī)中完成,計(jì)算機(jī)配置為:處理器Inter core I7,內(nèi)存16 GB,操作系統(tǒng)windows10(64位)。開(kāi)發(fā)環(huán)境為jupyter notebook+spyder+Geany,編程語(yǔ)言為python3,所用數(shù)據(jù)為解析后的1 055 幀連續(xù)點(diǎn)云,算法輸入為原始點(diǎn)云。本文所構(gòu)建的KDTree中LeafSize為

        式中(P)為當(dāng)前幀非地面點(diǎn)云個(gè)數(shù)。

        本文算法的具體參數(shù)設(shè)置如表1~表3所示。

        表1 直通濾波參數(shù)設(shè)置

        表2 地面濾波參數(shù)設(shè)置

        表3 非地面點(diǎn)聚類(lèi)參數(shù)設(shè)置

        表中:、、、分別為直通濾波的半徑閾值與高度閾值和ROI 區(qū)域閾值;、、、為地面濾波GPF算法參數(shù),分別為最大迭代次數(shù)、屬于平面點(diǎn)的距離閾值、最低代表點(diǎn)個(gè)數(shù)和初始地面點(diǎn)距離閾值;為平面模型中點(diǎn)到平面的距離閾值;、分別為自適應(yīng)閾值DBSCAN 的輸入?yún)?shù)搜索半徑和判斷為核心點(diǎn)的最少點(diǎn)個(gè)數(shù);為實(shí)驗(yàn)采集的數(shù)據(jù)幀總數(shù)。

        部分幀聚類(lèi)結(jié)果如圖8 所示,其中圖8(a)、圖8(c)、圖8(e)和圖8(g)為聚類(lèi)前的非地面點(diǎn)云數(shù)據(jù),使用回波強(qiáng)度進(jìn)行可視化顯示,圖8(b)、圖8(d)、圖8(f)和圖8(h)為聚類(lèi)后的分割結(jié)果,使用matplotlib的brg色帶按聚類(lèi)標(biāo)簽進(jìn)行上色。從結(jié)果來(lái)看,本文所提方法可以實(shí)現(xiàn)對(duì)交通場(chǎng)景內(nèi)非地面點(diǎn)云的有效分割,能夠提取出隸屬于同一目標(biāo)的點(diǎn)云,有效減輕路側(cè)激光雷達(dá)點(diǎn)云過(guò)分割現(xiàn)象,達(dá)到了預(yù)期目標(biāo)。

        圖8 部分幀分割結(jié)果

        固定閾值和自適應(yīng)閾值DBSCAN 的分割效果的對(duì)比如圖9 和圖10 所示。其中圖9 為分割效果對(duì)比,圖10 為分割結(jié)果細(xì)節(jié)對(duì)比。圖中地面點(diǎn)云被標(biāo)為黃色,非地面點(diǎn)云使用brg 色帶按標(biāo)簽上色。圖10 中紅框內(nèi)為局部放大區(qū)域,用于對(duì)分割細(xì)節(jié)進(jìn)行對(duì)比分析。從圖10 可見(jiàn),本文所提的采用自適應(yīng)閾值方法能夠更好地提取出隸屬于同一目標(biāo)的點(diǎn)云,在中遠(yuǎn)范圍內(nèi)的過(guò)分割現(xiàn)象被有效抑制。

        圖9 聚類(lèi)效果對(duì)比

        圖10 聚類(lèi)效果細(xì)節(jié)對(duì)比

        3.3 定量分析

        在采集的1 055 幀連續(xù)數(shù)據(jù)中分別使用固定閾值DBSCAN 和自適應(yīng)閾值DBSCAN 進(jìn)行聚類(lèi),并用算法耗時(shí)、類(lèi)別數(shù)量、C-H 系數(shù)(Calinski Harabasz score)、輪 廓 系 數(shù)(silhouette score)和D-B 系 數(shù)(Davies-Bouldin score)5 個(gè)指標(biāo)進(jìn)行對(duì)比。其中,C-H 系數(shù)為所有簇間和簇內(nèi)離散度之和之比(其中離散度定義為距離的平方和),C-H 系數(shù)值越大表明聚類(lèi)結(jié)果越好。C-H系數(shù)的算式為

        式中:為C-H 系數(shù)值;為輸入數(shù)據(jù);n為數(shù)據(jù)維度;為聚類(lèi)結(jié)果中簇的數(shù)量;(·)為矩陣的跡。而WB則分別為

        式中:C為簇中包含的點(diǎn);c為簇的中心點(diǎn);c為輸入數(shù)據(jù)的中心點(diǎn);n為簇中包含的點(diǎn)的數(shù)量。

        輪廓系數(shù)由簇內(nèi)任一點(diǎn)到簇內(nèi)其他點(diǎn)距離的均值和簇內(nèi)任一點(diǎn)到相鄰簇內(nèi)所有點(diǎn)距離的均值定義。輪廓系數(shù)的算式為

        式中為輪廓系數(shù),取值范圍為[-1,1],值越大說(shuō)明聚類(lèi)效果越好。

        D-B 系數(shù)表示集群之間的平均“相似性”,定義為簇間距離與簇所占空間的比值。D-B系數(shù)值越小表明聚類(lèi)效果越好。D-B系數(shù)的算式為

        式中:為D-B 系數(shù);= 1,2,...,為聚類(lèi)結(jié)果中簇的數(shù)量;簇為與簇最相似的簇。R的算式為

        式中:s、s分別為簇和簇內(nèi)所有點(diǎn)到簇的中心點(diǎn)距離的均值;d為簇和簇的歐式距離。

        算法在每一幀數(shù)據(jù)中的具體表現(xiàn)如圖11 和圖12 所示。由圖11(a)可見(jiàn),自適應(yīng)閾值DBSCAN 算法耗時(shí)在0.94~1.4 s 之間,固定閾值DBSCAN 算法耗時(shí)在0.78~1.3 s 之間,采用自適應(yīng)閾值策略算法耗時(shí)略有增加。而從圖11(b)可知,采用自適應(yīng)閾值策略簇的數(shù)量明顯減少。從圖12 中可知,采用自適應(yīng)閾值策略,輪廓系數(shù)略微增加,C-H系數(shù)顯著增加,D-B 系數(shù)略微降低,這3 個(gè)系數(shù)的變化均表明本文方法分割出的點(diǎn)云簇具有更好的類(lèi)內(nèi)一致性和類(lèi)間差異性,分割效果得到提升。

        圖11 算法耗時(shí)和類(lèi)別數(shù)量

        圖12 聚類(lèi)結(jié)果評(píng)價(jià)指標(biāo)

        算法在實(shí)際采集的數(shù)據(jù)中的整體表現(xiàn)如表4 所示。其中優(yōu)化前為使用固定閾值DBSCAN,優(yōu)化后為使用本文所提自適應(yīng)閾值DBSCAN。由表4 可知,與固定閾值相比,采用自適應(yīng)閾值策略算法耗時(shí)平均增加8.51%,類(lèi)別均值平均減少15.23%,輪廓系數(shù)平均增加77.78%,C-H 系數(shù)平均增加約3 倍,D-B 系數(shù)平均降低4.52%。綜合來(lái)看,本文所提方法可以有效減少路側(cè)激光雷達(dá)點(diǎn)云的過(guò)分割現(xiàn)象。

        表4 算法對(duì)比

        3.4 對(duì)比分析

        將 本 文 所 提 算 法 與 改 進(jìn)DBSCAN、LADBSCAN進(jìn)行了對(duì)比,在實(shí)際采集的數(shù)據(jù)中整體表現(xiàn)如表5所示。由表5可知,本文算法在輪廓系數(shù)均值、C-H 系數(shù)均值、簇的數(shù)量均值3 個(gè)指標(biāo)上優(yōu)于其他兩種方法,而平均耗時(shí)和D-B 系數(shù)均值介于改進(jìn)DBSCAN 與LA-DBSCAN 之間。本文所提方法計(jì)算量與其他兩種方法計(jì)算量相當(dāng),同時(shí)考慮了交通參與者點(diǎn)云在道路行駛方向上具有更大的密度變化范圍,因此本文所提方法在耗時(shí)上優(yōu)于改進(jìn)DBSCAN,在簇?cái)?shù)量合理性上優(yōu)于改進(jìn)DBSCAN 和LA-DBSCAN,而LA-DBSCAN 由于采用了全局參數(shù)搜索核心點(diǎn),局部變量進(jìn)行候選集合生長(zhǎng),一定程度上增加了少量點(diǎn)云被標(biāo)記為單獨(dú)目標(biāo)的可能,對(duì)于遠(yuǎn)距離小目標(biāo)以避免被標(biāo)記為噪聲,但存在較為嚴(yán)重的過(guò)分割現(xiàn)象,因此簇的數(shù)量遠(yuǎn)高于其他方法,這也導(dǎo)致了輪廓系數(shù)和C-H 系數(shù)表現(xiàn)很差,而連續(xù)樹(shù)木、樹(shù)冠等被單獨(dú)分割,使D-B系數(shù)表現(xiàn)優(yōu)于其他方法。另外,由于道路中欄桿、部分車(chē)輛、遠(yuǎn)距離路側(cè)樹(shù)木具有較好的密度可達(dá)性,導(dǎo)致了LADBSCAN 將這些目標(biāo)分割成同一目標(biāo),從而使大量點(diǎn)被標(biāo)記為已遍歷狀態(tài),盡管這減少了算法耗時(shí),但并不會(huì)得到更好的分割效果。綜合來(lái)看,本文所提方法在路側(cè)激光雷達(dá)點(diǎn)云分割任務(wù)中具有較高的工程應(yīng)用價(jià)值。

        表5 不同算法對(duì)比

        4 結(jié)論

        本文中考慮了路側(cè)激光雷達(dá)的工作場(chǎng)景特點(diǎn),設(shè)計(jì)了基于GPF 的非地面點(diǎn)云提取框架,分析了點(diǎn)云距離對(duì)聚類(lèi)效果的影響,基于sigmoid 函數(shù)和DBSCAN 構(gòu)建了自適應(yīng)閾值聚類(lèi)方法。搭建了路側(cè)數(shù)據(jù)采集平臺(tái),采集實(shí)際路段的數(shù)據(jù),對(duì)本文算法進(jìn)行驗(yàn)證,結(jié)果表明:

        (1)對(duì)于輸入的原始點(diǎn)云,通過(guò)直通濾波篩選出ROI 區(qū)域,利用體素濾波降低點(diǎn)云維度。針對(duì)地面點(diǎn)云濾波,提出了基于迭代相似性?xún)?yōu)化的GPF 算法,提升了算法實(shí)時(shí)性,在場(chǎng)景固定時(shí)能有效提取出非地面點(diǎn)云。

        (2)路側(cè)采集的激光雷達(dá)點(diǎn)云數(shù)據(jù)在近距離和遠(yuǎn)距離無(wú)效,中等距離范圍內(nèi)隨距離增加點(diǎn)云稀疏性增加,sigmoid 函數(shù)映射關(guān)系與路側(cè)雷達(dá)數(shù)據(jù)分布相關(guān)性強(qiáng),基于sigmoid 函數(shù)構(gòu)建的自適應(yīng)閾值DBSCAN 聚類(lèi)方法可以有效提高聚類(lèi)結(jié)果的類(lèi)內(nèi)一致性和類(lèi)間差異性。

        不同場(chǎng)景對(duì)應(yīng)的激光雷達(dá)安裝位置及高度,監(jiān)控區(qū)域道路類(lèi)型各不相同,環(huán)境變化帶來(lái)的算法泛化性問(wèn)題仍有待進(jìn)一步深入研究。

        猜你喜歡
        激光雷達(dá)濾波聚類(lèi)
        手持激光雷達(dá)應(yīng)用解決方案
        法雷奧第二代SCALA?激光雷達(dá)
        基于激光雷達(dá)通信的地面特征識(shí)別技術(shù)
        基于激光雷達(dá)的多旋翼無(wú)人機(jī)室內(nèi)定位與避障研究
        電子制作(2018年16期)2018-09-26 03:27:00
        基于DBSACN聚類(lèi)算法的XML文檔聚類(lèi)
        基于改進(jìn)的遺傳算法的模糊聚類(lèi)算法
        RTS平滑濾波在事后姿態(tài)確定中的應(yīng)用
        基于線(xiàn)性正則變換的 LMS 自適應(yīng)濾波
        一種層次初始的聚類(lèi)個(gè)數(shù)自適應(yīng)的聚類(lèi)方法研究
        自適應(yīng)確定K-means算法的聚類(lèi)數(shù):以遙感圖像聚類(lèi)為例
        亚洲最大中文字幕熟女| 女同同志熟女人妻二区| 国产女主播一区二区久久| 国产美女高潮流白浆免费视频| 三年片在线观看免费观看大全中国 | 亚洲AV秘 片一区二区三区| 亚洲网站地址一地址二| 欧美国产小视频| 久久久精品免费国产四虎| 一级午夜理论片日本中文在线| 久久精品国产亚洲av久五月天| 色婷婷av一区二区三区久久| 国产人妻人伦精品1国产| 无码av免费精品一区二区三区| 国模精品无码一区二区二区| 加勒比精品一区二区三区| 国产在线a免费观看不卡| 91精品国产一区国产二区久久| 亚洲熟女综合色一区二区三区| 久久久久国产一区二区| 欧美色aⅴ欧美综合色| 日本少妇按摩高潮玩弄| 亚洲一区久久久狠婷婷| 久久精品一区午夜视频| 夫妇交换性三中文字幕| 成人无码一区二区三区网站| 国产午夜无码视频免费网站| 亚洲中文字幕精品一区二区| 国产精品成人自拍在线观看| 午夜天堂精品久久久久| 国模无码人体一区二区| 国产精品每日更新在线观看 | 中国精品久久久久国产| 亚洲一区二区三区福利久久蜜桃| 最新中文字幕人妻少妇| 国产日产精品一区二区三区四区的特点 | 东北熟妇露脸25分钟| 风韵多水的老熟妇| 中文字幕av在线一二三区| 狼色在线精品影视免费播放 | 少妇爽到高潮免费视频|