晉瑞河 任明武

（南京理工大學(xué)計算機科學(xué)與工程學(xué)院 南京 210094）

1 引言

車路協(xié)同是智能交通領(lǐng)域的前沿技術(shù)，是保證交通安全、提高運行效率的有效手段［1］。通過可見光、激光雷達等傳感器獲取實時交通數(shù)據(jù)的方法在該領(lǐng)域已經(jīng)有所應(yīng)用［2］?？梢姽鈧鞲衅鲗饷舾?，而旋轉(zhuǎn)式激光雷達可在不同光照環(huán)境下獲得交通測距數(shù)據(jù)［3］，并且激光雷達點云數(shù)據(jù)空間分辨率可達厘米級，時間分辨率可達毫秒級。因此基于激光雷達的視覺方法是智能交通領(lǐng)域的主要研究方向之一，在無人駕駛、車路協(xié)同以及激光測繪等領(lǐng)域有著廣泛的應(yīng)用。路側(cè)雷達在車路協(xié)同技術(shù)中扮演重要角色，可以完成盲區(qū)預(yù)警，控制規(guī)劃等功能。路側(cè)點云的優(yōu)勢是可以利用歷史幀來減少處理實時數(shù)據(jù)的計算量，提高運行效率。

為實現(xiàn)實際場景下路側(cè)激光雷達感知應(yīng)用并解決路側(cè)背景構(gòu)建耗時長的問題，本文提出一種基于路側(cè)激光雷達的背景提取和地面分割方法。本文方法首先統(tǒng)計多幀連續(xù)點云數(shù)據(jù)，其次采用基于密度的空間聚類方法進行背景提??；使用基于射線特征的兩階段地面點云分割方法處理背景數(shù)據(jù)，劃分出背景中的地面點和非關(guān)鍵障礙物點。可以快速確認實時數(shù)據(jù)的關(guān)鍵障礙物點、地面點和非關(guān)鍵障礙物點。

2 相關(guān)工作

隨著激光雷達傳感器價格的走低，使得路側(cè)激光雷達的普遍應(yīng)用成為一種可能。以往的研究激光雷達多作為車載傳感器應(yīng)用于無人駕駛領(lǐng)域，為路側(cè)雷達的研究和應(yīng)用提供了重要的參考和指導(dǎo)價值。

在路側(cè)雷達研究和應(yīng)用方向，鄒等人提出了基于柵格聚類的路側(cè)感知算法并構(gòu)建了路側(cè)激光雷達點云數(shù)據(jù)集［4］。宋等人提出了基于相鄰幀的目標聚類方法，該方法首先使用相鄰點、相鄰幀信息提取關(guān)鍵點，其次使用關(guān)鍵點作為層次聚類的種子聚類得到目標［5］，但是該方法需要提前選取感興趣區(qū)域。趙等人在交通路口安裝激光雷達收集行人移動信息，設(shè)計神經(jīng)網(wǎng)絡(luò)預(yù)測行人軌跡，實現(xiàn)危險規(guī)避提醒功能［6］。吳等人提出了基于路側(cè)雷達的目標跟蹤方法，該方法包含背景濾波、車道識別和車輛跟蹤三部分［7］。吳等人提出基于密度的濾波方法（3D-DSF）［8］，該方法的主要缺點有在高動態(tài)場景下會將移動目標點誤判為背景點；遠距離的稀疏背景點會誤判為前景點；空間矩陣構(gòu)建時間較長。張等人提出一種基于CNN 網(wǎng)絡(luò)的路側(cè)激光雷達實時檢測方法，該方法流程為背景濾除、數(shù)據(jù)轉(zhuǎn)換、聚類，分類，在實時交通檢測和監(jiān)控系統(tǒng)都達到較高性能［9］。陳等人為解決野生動物橫穿馬路的問題，提出改進空間密度的聚類算法，用于區(qū)分鹿、行人和車輛，達到提醒駕駛員規(guī)避風(fēng)險的目的［10］。

地面點云分割在大多數(shù)工作起到去除非關(guān)鍵信息的作用［11］，使得處理實時數(shù)據(jù)的計算量變小。點云地面分割大致可以分為基于柵格地圖的方法［12］、基于平面擬合的方法［13］、基于深度網(wǎng)絡(luò)的分割方法［14～15］。

3 路側(cè)雷達數(shù)據(jù)

目前存在的激光點云開源數(shù)據(jù)有KITTI、SemanticKITTI、SemanticPOSS 等，但大多是為解決無人駕駛場景下的點云目標檢測、語義分割等任務(wù)。因此本文選擇禾賽Pandar40、速騰RS-Ruby作為路側(cè)激光雷達采集設(shè)備。

3.1 工作原理

激光雷達是主動式測距設(shè)備，以距離、水平角作為測距信息，結(jié)合線束分布角度值和矯正參數(shù)，可以將測距信息轉(zhuǎn)換到XYZ坐標系。

式中，d為距離信息，α為水平角信息，ω為垂直角信息，δ為矯正信息。x、y、z為X、Y、Z軸上的坐標。本文采用單回波、10Hz 模式采集場景數(shù)據(jù)，雷達詳細參數(shù)見表1。

表1 傳感器參數(shù)

3.2 雷達架設(shè)

Pandar40 的線束分布如圖1 所示，依據(jù)圖1 和雷達假設(shè)高度，可以估算出點的分辨率和本征半徑，本征半徑為一束激光射在地面上的點到激光雷達的水平距離，可以反映出線束的探測距離。

圖1 雷達線束分布

圖2 采集方案示意圖

表2 列出雷達架設(shè)高度為2.2m 時部分線束的理論分辨率和理論本征半徑值。大致特點是射線垂直角度越接近水平線，本征半徑越長且分辨率值越大。數(shù)據(jù)采集時應(yīng)當使得更多的線束掃描到感興趣的區(qū)域，因此依據(jù)我國車道標準寬度、數(shù)據(jù)分析可以大致確定雷達架設(shè)高度。分析多種架設(shè)高度的本征半徑和分辨率后，本文選取2.2m 作為激光雷達的架設(shè)高度。

表2 點云線束數(shù)據(jù)

4 背景提取及地面分割方法

本節(jié)將介紹一種基于路側(cè)雷達的背景提取方法，以及基于射線特征的兩階段地面分割方法。具體過程為利用多幀數(shù)據(jù)疊加和使用密度聚類方法得到背景數(shù)據(jù)，并基于坡度閾值對背景點進行一階段分割，使用線段特征進行二階段分割從而完成地面分割。

4.1 背景提取

車路協(xié)同的路側(cè)激光雷達場景下，背景提取是重要的步驟，擁有背景數(shù)據(jù)可以快速的區(qū)分出實時數(shù)據(jù)前景和背景點。與圖像不同的是即使雷達數(shù)據(jù)是靜止采集的，點云也會存在一定幅度的波動。一種有效的背景提取方式應(yīng)當盡可能不受數(shù)據(jù)波動的影響，較好地提取關(guān)注區(qū)域的背景。

機械激光雷達，每個射線都有固定俯仰角度。按照固定的時間間隔獲取一幀點云，本文對數(shù)據(jù)做如下描述：

式（2）中：t為第t幀，n為當前幀點的數(shù)量，pi為第i個數(shù)據(jù)點的信息，li為pi的激光線號，αi為pi的水平角度值，di為pi的距離值。

激光雷達是主動式測距設(shè)備，而得到的數(shù)據(jù)會存在波動。本文所用設(shè)備水平角精度值可達0.01°，及水平角度并非按照嚴格的0.2°變化。故理論上一束激光最多存在36000 個角度值。統(tǒng)計禾賽雷達的1500幀連續(xù)路側(cè)數(shù)據(jù)，精度取0.01°時，激光束對應(yīng)的角度值約為2800 個，與36000 相差甚遠，若要構(gòu)建一個精度為0.01°的細致背景數(shù)據(jù)，對幀數(shù)量要求太高。因此本文首先采用基于射線角度的區(qū)域分割方式劃分數(shù)據(jù)，劃分方式如下：

式（3）中：除以20 是按照0.2°的大小劃分區(qū)域；Ri為pi對應(yīng)角度索引。Ci為pi對應(yīng)的線號索引。路側(cè)激光雷達采集的一段數(shù)據(jù)，同一區(qū)域內(nèi)近的點是動態(tài)障礙物，遠的點是背景點。采用DBSCAN聚類得到每個射線區(qū)域內(nèi)背景距離值，DBSCAN 需要兩個參數(shù)，查找半徑（Eps）以及區(qū)域密度（MinPts），通過DBSCAN 聚類可以得符合條件的聚類中心。若不存在任何聚類中心則表示該區(qū)域方向的激光束幾乎沒有返回，設(shè)置其距離為0。本文方法中Eps 參考雷達分辨率進行設(shè)置，MinPts 為統(tǒng)計幀數(shù)的二十分之一。

4.2 地面分割

車路協(xié)同場景下判斷出每一幀的地面結(jié)果是非常重要的，據(jù)此可以得到可通行區(qū)域。本文提出一種基于射線特征的兩階段地面分割方法。在文獻［16］的基礎(chǔ)上進行修改從而進行第一階段預(yù)分割，首先按照射線進行角度區(qū)域劃分。及將一個角度區(qū)域內(nèi)所有射線對應(yīng)的點劃分到一個集合。域內(nèi)的點pi轉(zhuǎn)換為(ri，zi)，并按照r值升序。

式（4）中i為區(qū)域中按r值排序后點的索引，θω表示激光束對應(yīng)的垂直角度。ri為第i個點到激光雷達水平距離，zi為第i個點的垂直高度。

判斷當前這個點是否滿足如下公式：

式（6）中θloc為局部坡度閾值，我國城市公路最大坡度限制都小于10°，故本文的局部坡度閾值設(shè)置為10°。由于處理的數(shù)據(jù)是背景數(shù)據(jù)，只存在地面點和非關(guān)鍵障礙物點，非關(guān)鍵障礙物點可能是存在于路面上方的電線、樹枝等，在本步驟中需要將其濾除。區(qū)域內(nèi)的第零個點(r0，z0)=(0，-h)，h為雷達架設(shè)高度，該點默認為地面點。若當前點滿足式（6），則判斷第i-1 個點的狀態(tài)，若第i-1 個點為地面點則當前點為地面點；反之則判斷當前點是否同時滿足如下公式：

式（7）中θglo是全局坡度閾值，本文將全局坡度閾值也設(shè)置為10°。式（8）中γ為當前點和雷達安裝位置地面點的相對高度差閾值，本文將其設(shè)置為0.5m。

若當前點滿足式（7）、式（8）則將其標注為地面點，反之則標注為非地面。至此完成一階段地面點云分割。由本節(jié)可知，一階段分割與坡度閾值和相對高度差閾值相關(guān)性較大，設(shè)置覆蓋大多數(shù)場景的閾值參數(shù)可以有效避免欠分割的情況。

由于一階段分割是給背景數(shù)據(jù)中的所有點一個二值標簽，會出現(xiàn)標簽不連續(xù)情況。因此采用基于線段的二階段分割方法。通過分析數(shù)據(jù)，將點按掃描線的水平方向進行劃分。通常水平方向上兩個連續(xù)點掃描到同一個對象時，點距離差值比掃到兩個對象時差值小。因此將每個掃面線的點劃分到線段，劃分依據(jù)為判斷相鄰點的距離值。若相鄰點距離小于dmin則將兩點放在同一線段，反之劃分為兩個線段。統(tǒng)計每個線段中非地面點所占比例，若非地面點在當前線段中所占比例大于百分之五十，則將當前線段所包含的點都標注為非地面點；反之則都標注為地面點。至此兩階段地面點云分割完成，背景數(shù)據(jù)中的所有點都有其對應(yīng)的標簽，可以在后續(xù)實時數(shù)據(jù)處理時快速分割出關(guān)鍵障礙物點、地面點以及非關(guān)鍵障礙物點。

5 實驗結(jié)果與分析

5.1 背景提取

為了量化提出的背景提取方法性能，可以通過前景點提取效果作為背景提取性能的評判指標。人工標注部分數(shù)據(jù)作為真值，采用靈敏度TPR和特異度FPR作為衡量指標。

式中TP為真正例，F(xiàn)P為假正例，F(xiàn)N為假負例。TPR（True Positive Rate）為預(yù)測的正例占所有正例的比例；FPR（False Positive Rate）為將負例預(yù)測為正例占所有負例的比例。實驗結(jié)果如圖3 所示，紅色為前景點，黑色為背景點。

圖3 各場景背景提取結(jié)果圖

如結(jié)果圖所示，本文背景提取方法可以有效地劃分出背景和前景，保留了移動的車輛、行人以及騎車人等目標；但是會將近距離內(nèi)的樹枝、圍欄等小目標誤判為關(guān)鍵障礙物點。

本文方法與文獻［8］提出的3D-DSF 按照式（9）、（10）進行定量對比，結(jié)果如表3 所示，3D-DSF采用0.05m 的柵格閾值。在三種場景下采集數(shù)據(jù)，具備一定典型性。靈敏度標準中，Rs-Rudy 場景下的本文方法優(yōu)于3D-DSF；在特異度標準中，本文方法優(yōu)于3D-DSF方法。Pandar40直行道路場景TPR標準本文方法弱于3D-DSF，分析原因為Pandar40遠距離點密度較低，3D-DSF 處理全場景時會將更多的點都判斷為前景點，因此導(dǎo)致TPR、FPR值偏大。

表3 不同場景下背景提取效果比較

在算法復(fù)雜度方面，本文方法的時間消耗主要在重疊數(shù)據(jù)幀和空間聚類兩個方面。在使用600幀數(shù)據(jù)作為輸入的總時間消耗為6min（40 線）、16min（128 線）。3D-DSF 的時間消耗主要在空間矩陣的構(gòu)造和數(shù)據(jù)幀的重疊，空間矩陣的構(gòu)造與柵格矩陣閾值、關(guān)注區(qū)域大小有關(guān)，對比實驗中總時間消耗為49min。實驗結(jié)果表明在不同場景下，本文方法靈敏度可達96.11%，同時特異度僅為4.94%。

5.2 地面分割

三個場景的地面點云分割結(jié)果如圖4所示。

圖4 各場景地面分割結(jié)果圖

地面分割結(jié)果顯示在直行道路、交叉路口以及坡度路面都可以較好地分割出路面。單幀靈敏度達到0.9，具有較高實用性。由于路側(cè)場景和本文方法的特殊性，可以在預(yù)處理階段進行地面點云分割的工作。在處理實時場景數(shù)據(jù)時可以依據(jù)線號、水平角度值快速判斷出關(guān)鍵障礙物點、地面點以及非關(guān)鍵障礙物點，實際驗證該流程的單幀映射時間為1ms～3ms，滿足實際場景的實時性需求。

6 結(jié)語

本文提出一種基于路側(cè)激光雷達的背景提取和地面分割方法。使用多幀疊加統(tǒng)計分析點云信息，基于空間密度聚類方法提取背景信息；設(shè)置坡度閾值和相對高度差進行一階段地面點云分割，分析線段內(nèi)點的標簽進行二階段地面點云分割。實驗表明本文方法在實際場景具有較高的實用性。