霍健, 陳慧敏, 馬云飛, 郭鵬宇, 楊旭, 孟祥盛

(1.北京理工大學(xué) 機電動態(tài)控制重點實驗室, 北京 100081; 2.中國空空導(dǎo)彈研究院, 河南 洛陽 471009)

0 引言

激光雷達可以獲取目標(biāo)的三維距離信息,受環(huán)境光影響小,可以全天時工作,是復(fù)雜戰(zhàn)場環(huán)境下實現(xiàn)精準(zhǔn)探測的有效手段[1]。雖然激光雷達獲取的點云包含豐富的信息,但點云同時具有稀疏性、無序性和分布不均性等特點[2-4],因此增加點云的稠密度,設(shè)計合適的算法實現(xiàn)目標(biāo)的精準(zhǔn)識別,具有重要的意義[5-7]。

傳統(tǒng)彈載線陣激光雷達獲取的點云較為稀疏,為得到相對稠密的點云,物理層面最有效的方式是增加激光發(fā)射器的數(shù)量,但單純的增加發(fā)射器數(shù)量使得激光雷達調(diào)配難度增大,設(shè)備成本高。算法層面,蔣罕寒等[8]提出一種稀疏點云分類插值重構(gòu)算法,能夠有效保留距離像的邊緣信息,為后續(xù)的目標(biāo)分割提供技術(shù)支持。雖然該算法在還原特征較少的大目標(biāo)時效果明顯,但在探測特征較多的目標(biāo)時,卻很難還原目標(biāo)的細節(jié)。

激光雷達獲取的點云中往往包含多個目標(biāo),選用合適的聚類算法區(qū)分不同目標(biāo),是后續(xù)識別工作的基礎(chǔ)。劉亞文等[9]使用基于密度的聚類算法(DBSCAN),結(jié)合地物的典型特征實現(xiàn)了點云數(shù)據(jù)的分類和提取。張雨禾等[10]提出了一種基于密度空間的聚類算法,將反K近鄰(KNN)的尺度作為點密度,引入特征的全局約束性信息,對基于密度空間聚類方法中的相關(guān)概念進行重定義,并建立新的特征識別準(zhǔn)則。以上算法雖然簡單有效,但在處理間隔較小的目標(biāo)時,聚類效果不佳。

點云目標(biāo)識別研究方面,Lee等[11]和Miller等[12]提出將三維數(shù)據(jù)壓縮成二維圖像,然后按照傳統(tǒng)視覺算法進行檢測,此類方法在維度壓縮的過程中會有信息丟失,降低檢測的準(zhǔn)確率。陸軍等[13]設(shè)計了一種基于局部曲面特征直方圖的點云識別算法,該算法選取點云中局部特征較明顯的點作為關(guān)鍵點,根據(jù)臨近關(guān)鍵點間的空間關(guān)系和特征描述符進行特征匹配,最終實現(xiàn)目標(biāo)識別。該算法需要提前建立模型庫,而且隨著模型庫規(guī)模增大,識別速度會下降。鄒子強等[14]設(shè)計了一種針對彈載線陣掃描激光雷達稀疏點云的識別算法,該算法基于目標(biāo)的頂部特征,建立目標(biāo)三維特征圖模型,采用Prime算法得到目標(biāo)的頂部輪廓空間分布特征。受限于線陣激光雷達點云的稀疏性,該算法的目標(biāo)識別準(zhǔn)確率偏低。

針對以上問題,本文基于MEMS激光雷達,開展彈載MEMS激光雷達推掃成像方法研究,設(shè)計相關(guān)實驗和算法,以提高典型車輛目標(biāo)的識別準(zhǔn)確率。特征提取方面,不再使用傳統(tǒng)無序點云處理方式,而是將推掃獲取的點云進行有序化操作,并在點云有序化基礎(chǔ)上采用基于數(shù)學(xué)形態(tài)學(xué)的聚類算法,把目標(biāo)分割成獨立的點云簇。為進一步提高運算速度,提出一種自適應(yīng)閾值的直方圖去噪算法,解決了去除離群噪點的問題。最后基于點云的空間分布信息,設(shè)計25維特征向量,對聚類后的點云進行分類判斷,實現(xiàn)對目標(biāo)的準(zhǔn)確識別。

1 點云獲取與預(yù)處理

1.1 彈載MEMS激光雷達推掃成像模式

一維MEMS激光雷達靜止不動時,只能獲取雷達前方一個固定視場的線狀點云信息。若將激光雷達安裝在飛行的導(dǎo)彈載體上,通過導(dǎo)彈的運動,實現(xiàn)對導(dǎo)彈下方區(qū)域的推掃成像,圖1為彈載MEMS激光雷達的工作原理示意圖。

圖1 彈載MEMS激光雷達工作原理示意圖Fig.1 Schematic diagram of missile borne MEMS LiDAR

圖1中,v表示導(dǎo)彈的飛行速度。探測區(qū)域的三維點云圖,可以通過拼接線狀點云獲取。推掃成像獲取的點云易實現(xiàn)有序化處理,而有序點云的數(shù)據(jù)結(jié)構(gòu)與圖像類似,在數(shù)據(jù)處理方面可以參考成熟度較高的圖像處理算法。彈載平臺實驗條件較為苛刻,人們往往會選擇等效實驗或者軟件仿真來代替。

1.2 彈載MEMS激光雷達等效實驗數(shù)據(jù)獲取方法

針對彈載激光雷達實驗難度高的問題,設(shè)計了工作原理相似的等效實驗,實驗場景如圖2所示。

圖2 等效實驗場景圖Fig.2 Equivalent experimental scene

實驗選用的一維MEMS激光雷達波長為905 nm,在60°的視場內(nèi)具有300線的探測能力,幀頻 360 Hz,該激光雷達每秒鐘可以采集點數(shù)108 000個。MEMS激光雷達的性能參數(shù)如表1所示。

表1 一維MEMS激光雷達性能參數(shù)

實驗中MEMS激光雷達固定在三腳架上,通過調(diào)節(jié)三腳架的架設(shè)高度來模擬改變激光雷達的探測距離,三腳架攜帶的可調(diào)云臺可以模擬改變彈載平臺的偏轉(zhuǎn)角和俯仰角。

1.3 多幀點云拼接

實驗中使用的一維MEMS激光雷達每次采集的數(shù)據(jù)是一條線狀點云,依據(jù)激光雷達和目標(biāo)之間的相對運動速度,得到相鄰兩幀點云之間的距離值Δd(見式(1)),從而將若干幀點云拼接成三維點云圖。

Δd=v/f

(1)

式中:f為激光雷達的幀頻。根據(jù)導(dǎo)彈的飛行速度和姿態(tài),可以得到相鄰兩幀點云之間的坐標(biāo)變化(見式(2)),從而實現(xiàn)多幀點云的拼接。

(2)

式中:Δy為導(dǎo)彈運動方向的坐標(biāo)增量;Δz為高程方向的坐標(biāo)增量;θ為導(dǎo)彈的落角。MEMS激光雷達和 16線激光雷達獲取的點云如圖3所示。圖3(a)為MEMS激光雷達獲取的點云圖,車輛的細節(jié)信息一目了然;圖3(b)為16線激光雷達對同一目標(biāo)的掃描點云,只能得到目標(biāo)的大致輪廓。通過對比,可知MEMS激光雷達在目標(biāo)探測方面具有明顯的優(yōu)勢。

圖3 MEMS激光雷達和線陣激光雷達點云對比圖Fig.3 Comparison between MEMS LiDAR point cloud and linear array LiDAR point cloud

1.4 直通濾波去除條狀噪點

MEMS激光雷達獲取的點云數(shù)據(jù)會不可避免地混入噪點,這些噪點種類多樣,在點云主體中的分布位置也不相同。實驗中使用的MEMS激光雷達受強反射目標(biāo)的回波影響,在距離激光雷達較近的位置出現(xiàn)條狀的噪點。為避免以上噪點影響后續(xù)的目標(biāo)識別,應(yīng)使用合適的算法去除噪點。

因該條狀點云距離目標(biāo)較遠,可以使用直通濾波的方式去噪。首先設(shè)定直通濾波的閾值R,令R=[-∞,∞,-∞,∞,λ,∞],其中λ代表高程方向的有效點云閾值,應(yīng)保留此閾值范圍內(nèi)的點云。直通濾波前后的點云數(shù)據(jù)如圖4所示。

圖4 直通濾波前后的點云對比圖Fig.4 Comparison of point cloud images before and after directly filtering

2 點云分割和聚類

2.1 柵格濾波算法分割地面點

為滿足算法的實時性要求,選擇點云的高程信息作為分割地面的判據(jù)。在拼接好的三維點云圖基礎(chǔ)上,劃分1 m×1 m的網(wǎng)絡(luò)柵格,依據(jù)每個柵格中的點云高程值變化量和高程值分布直方圖,判斷是否是地面點。將拼接好的點云圖做直方圖分布運算,取置信區(qū)間0.05處的高程值作為地面參考值,并以此為依據(jù)處理每個柵格中的點云高程值,分割地面點云和地上目標(biāo)點云,分割前后的效果如圖5所示。

圖5 點云分割前后對比Fig.5 Comparison before and after ground points segmentation

2.2 點云分割后聚類處理

為實現(xiàn)目標(biāo)的精確識別,需將去除地面的點云做聚類處理[15-17]。傳統(tǒng)的聚類算法包括基于劃分的方法和基于密度的方法,其代表分別為K-means算法和DBSCAN算法[18]。這兩種算法自適應(yīng)性差,需要提前設(shè)定閾值,不適用于彈載MEMS激光雷達的需求。本文采用推掃成像模式,提出基于數(shù)學(xué)形態(tài)學(xué)的聚類算法,該算法在檢測實時性方面顯著優(yōu)于前述兩種算法。但數(shù)學(xué)形態(tài)學(xué)的應(yīng)用涉及到點云的有序化,推掃獲取的點云在有序化方面有著先天的優(yōu)勢,只需要少量的算力即可實現(xiàn)有序化處理[19]。

2.2.1 點云有序化

點云的本質(zhì)是一長串點,改變點的順序不影響點云的表達形式,因此相同的點云可以由兩個完全不同的矩陣表示。

有序化后的點云可以對比圖像來理解(其結(jié)構(gòu)是w×h×p的矩陣,其中w是一維MEMS激光雷達單幀獲取的點數(shù),h是點云拼接圖的拼接幀數(shù),p是點云的維度),點云的每個點對應(yīng)圖像的像素,點云的維度對應(yīng)圖像的通道。無序點云和有序點云的表達形式如圖6所示。

圖6 無序點云和有序點云的矩陣形式對比Fig.6 Comparison of matrix formats of unorganized point cloud and organized point cloud

本文使用的一維MEMS激光雷達推掃成像模式在點云有序化方面有著獨特的優(yōu)勢,該激光雷達在±30°的視場內(nèi)有300線的探測能力,令點云拼接的幀數(shù)為n,拼接后點云的大小為300×n×3。因為有暗點(未采到數(shù)據(jù))等因素導(dǎo)致激光雷達單幀數(shù)據(jù)不足300,而有序化的點云空間結(jié)構(gòu)固定,不應(yīng)有缺失值。此處借鑒PointNet[20]中取特定數(shù)量點的方法,補全單幀點云中點的數(shù)量,點云有序化流程如圖7所示。

2.2.2 基于數(shù)學(xué)形態(tài)學(xué)的聚類算法

將有序化的點云做分割處理,維持點云的原始矩陣格式,去除的地面點以無效數(shù)據(jù)(NAN)代替,投影點云獲取黑白圖。點云圖和黑白圖如圖8所示。從圖8(a)中可知,點云圖存在很多離群噪點(紅色框中),如果不做去噪處理,則聚類運算將這些離群點作為單獨的一類,顯然會影響聚類的準(zhǔn)確性。

圖7 點云有序化處理

圖8 原始點云圖和黑白圖對比Fig.8 Comparison between original point cloud and black-white image

本文使用開閉運算來去除噪點、消除粘連,開運算是先腐蝕后膨脹,可以有效去除離群噪點;閉運算是先膨脹后腐蝕,可以有效填補點云空洞。為得到良好的形態(tài)學(xué)運算結(jié)果,需要選擇合適的連通性窗口,常用的連通性有4連通、D連通和8連通,根據(jù)多次實驗數(shù)據(jù)處理結(jié)果比對,選擇8連通的濾波窗口。形態(tài)學(xué)運算后的結(jié)果如圖9所示。

圖9 開閉運算后的點云簇位置圖Fig.9 Position diagram of point cloud cluster after morphological operations

依據(jù)形態(tài)學(xué)運算后得到的聚類結(jié)果,可以得到每簇點云的位置標(biāo)記,因為拼接后的點云已做有序化處理,根據(jù)點云的位置標(biāo)記提取坐標(biāo)值,從而得到每個目標(biāo)的空間位置信息,提取出的典型車輛目標(biāo)三維點云,如圖10所示。

圖10 聚類運算后提取的獨立點云Fig.10 Independent point cloud extracted after clustering operations

2.3 依據(jù)分布直方圖算法去除離群噪點

MEMS激光雷達獲取的點云數(shù)據(jù)存在著大量的離群噪點,雖然形態(tài)學(xué)運算過程中會去除一部分噪點,但是還有一部分噪點游離在主體點云簇周圍,對探測目標(biāo)的識別形成一定程度上的干擾。KNN算法是去除離群噪點最有效的算法之一,該算法遍歷點云的每一個點,以選取的點為中心,計算離它最近k個點的歐式距離,然后求取平均值。將此均值與提前設(shè)定的閾值比較,超出閾值的即為離群點[21]。KNN算法簡單有效,但耗時較高,不適合處理MEMS激光雷達獲取的稠密點云。

為滿足實時性的要求,此處采用分布直方圖的濾波算法。將點云的3個坐標(biāo)值排序,依據(jù)距離區(qū)間從直方圖的最小值向最大值方向統(tǒng)計點數(shù),直到出現(xiàn)第1個區(qū)間點數(shù)超出閾值,將坐標(biāo)值小于該區(qū)間起始值的點去除。坐標(biāo)最大值方向的濾波恰與之相反,從直方圖最大值向最小值方向統(tǒng)計點數(shù),直到第1個區(qū)間點數(shù)超出閾值出現(xiàn),將坐標(biāo)值大于該區(qū)間結(jié)束值的點去除。某個目標(biāo)點云的分布直方圖如圖11所示。

圖11 點云目標(biāo)的分布直方圖Fig.11 Distribution histogram of point cloud targets

圖11中,橫坐標(biāo)表示點云高程值,縱坐標(biāo)表示每個高程區(qū)間內(nèi)的點云個數(shù)。本文選擇自適應(yīng)閾值的直方圖濾波算法,按照點云的高程極值將高程值劃分50等份,計算每個區(qū)間點云個數(shù),最后與閾值σ做對比,劃定新坐標(biāo)區(qū)間。閾值σ由式(3)計算得出:

σ=N/100

(3)

式中:σ為自適應(yīng)閾值;N是待識別目標(biāo)點云中點的總數(shù)量。依據(jù)點云噪點的分布特點,系數(shù)設(shè)為 1/100。由圖11可知,在高程值約10.5 m處有離群噪點。

3 基于多維特征判據(jù)的目標(biāo)識別

3.1 識別方法

激光點云具有豐富的特征信息[22-25],本文使用的MEMS激光雷達只能獲取目標(biāo)的空間位置信息,并不能測量目標(biāo)的回波強度。因此設(shè)計點云特征時,針對點云統(tǒng)計量和空間位置信息,設(shè)定了點云數(shù)量和外框尺寸等特征,依據(jù)提前設(shè)定的權(quán)值,綜合所有的特征信息,實現(xiàn)對探測目標(biāo)的精確識別。選取的點云特征如表2所示。

表2 點云特征參數(shù)

點云數(shù)量N代表目標(biāo)點云簇中點云的數(shù)目,一定程度上表征目標(biāo)在Oxy平面的投影面積;點云外框尺寸表征目標(biāo)的體積大小,可以由式(4)求取:

(4)

式中:l、q、g分別為目標(biāo)外形的長、寬、高;xmax、xmin、ymax、ymin、zmax、zmin分別表示點云在x軸、y軸、z軸方向的極值。

點云的歸一化坐標(biāo)中心如式(5)所示,代表點云的分布情況,根據(jù)該參數(shù)可以推斷目標(biāo)的大致外形。

(5)

點云空間離散值如式(6)所示,該特征代表點云的離散程度,表征目標(biāo)外形到點云中心的遠近。

(6)

點云的三維協(xié)方差矩陣如式(7)所示,該特征表征點云在3個坐標(biāo)軸方向的相關(guān)性,協(xié)方差矩陣的特征值表征相應(yīng)方向的權(quán)重。

(7)

式中:Q表示點云的三維協(xié)方差矩陣。

形態(tài)學(xué)聚類的目的是將地面上的物體劃分為獨立點云簇,基于上文設(shè)計的點云特征,對獨立的目標(biāo)點云進行識別和分類,并針對典型類別的車輛繪制不同顏色的外框,識別效果如圖12所示。從圖12中可知,不同的車輛目標(biāo)使用了不同顏色的bounding box(車輛外形立體框),即使用紅色框標(biāo)注私家車,品紅色框標(biāo)注公交車,黃色框標(biāo)注廂式車,綠色框標(biāo)注摩托車。本文識別算法對完整點云圖和局部點云都能實現(xiàn)準(zhǔn)確識別。

圖12 目標(biāo)識別效果圖Fig.12 Effect drawing of target recognition

3.2 評價方法

為驗證算法的泛化能力和穩(wěn)定性,分3個不同時間段進行數(shù)據(jù)采集,如此可以規(guī)避不同時間段內(nèi)不同光照方向和不同光強對實驗數(shù)據(jù)的影響;此外為模擬彈載平臺的數(shù)據(jù)采集方式,等效實驗過程中會不斷調(diào)整激光雷達的高度和位姿,從而獲取不同高度、俯仰角和偏轉(zhuǎn)角的激光雷達點云。實驗共采集45組數(shù)據(jù),激光雷達掃描的目標(biāo)共有626個,不同類別的車輛數(shù)量如表3所示。

表3 實驗采集的車輛數(shù)量

根據(jù)準(zhǔn)確率Accuracy和精確率Precision來衡量算法的識別效果,兩種識別率的計算方法如式(8)所示:

(8)

式中:TP、TN、FP和FN分別表示正類目標(biāo)被預(yù)測為正、正類目標(biāo)被預(yù)測為負、負類目標(biāo)被預(yù)測為正和負類目標(biāo)被預(yù)測為負。實驗探測目標(biāo)種類4種,可以分別求取每個種類的識別結(jié)果,把4個種類的平均值作為最終的實驗結(jié)果。依據(jù)式(8)計算得出識別準(zhǔn)確率為94.9%,精確率為91.3%。

4 結(jié)論

本文針對傳統(tǒng)線陣激光雷達對地面目標(biāo)識別準(zhǔn)確率低的問題,提出了一種基于MEMS激光雷達推掃成像點云識別算法。通過設(shè)計等效實驗,獲取多種姿態(tài)下的典型車輛目標(biāo)的原始點云數(shù)據(jù),采取直通濾波、點云分割、聚類處理等方法,得到目標(biāo)的有效點云數(shù)據(jù),并基于多維特征判據(jù)進行目標(biāo)識別及評價。得出主要結(jié)論如下:

1)針對傳統(tǒng)線陣激光雷達獲取點云較為稀疏的問題,提出采用基于MEMS激光雷達推掃成像方式獲取稠密點云數(shù)據(jù)。

2)引入直通濾波和柵格分割算法縮減原始點云數(shù)據(jù),使用數(shù)學(xué)形態(tài)學(xué)算法處理有序點云投影到Oxy平面生成的黑白圖,可以實現(xiàn)簡單高效的點云聚類運算。

3)設(shè)計了25維特征判據(jù)實現(xiàn)對車輛目標(biāo)的分類和識別。通過3次不同參數(shù)的實驗數(shù)據(jù)對設(shè)計算法進行驗證,識別準(zhǔn)確率為94.9%,精確率為91.3%,表明該方法具有良好的泛化能力和準(zhǔn)確性。