臺少瑜 李云伍 趙穎 林先卬 黎遠江 王義成

摘要：為解決丘陵山地果園條件下激光雷達檢測過程中面對多尺寸、多距離條件下出現(xiàn)的目標物體漏檢、誤檢等欠分割和過分割問題，提出一種基于激光雷達的自適應目標聚類半徑目標物體檢測方法。首先，在使用激光雷達感知到周圍環(huán)境的三維點云后，去除地面點云并且使用體素濾波進行降采樣的預處理，在減少數(shù)據(jù)量的同時去除點云中的噪聲點。其次，建立Kd tree模型進行最近鄰搜索，以加速歐式聚類的進程，通過自適應確定每顆樹冠的聚類半徑，使歐式聚類能夠得到更好的聚類效果。最后為驗證算法準確性和實用性，基于果園履帶車平臺，采用32線激光雷達對所提算法進行實車測試。結果表明：在丘陵山地果園中該算法可準確聚類果樹樹冠點云，且實地目標正檢率為94.41%。

關鍵詞：激光雷達；樹冠檢測；Kd tree模型；自適應聚類

中圖分類號：TN959.6

文獻標識碼：A

文章編號：20955553 （2024） 02022107

收稿日期：2022年11月30日 ?修回日期：2022年12月23日

基金項目：貴州省科技計劃項目（黔科合支撐［2021］一般171）

第一作者：臺少瑜，男，1999年生，山東諸城人，碩士研究生；研究方向為田間作業(yè)環(huán)境感知技術。Email： taishaoyu@163.com

通訊作者：李云伍，男，1974年生，重慶人，博士，教授；研究方向為智能農(nóng)機裝備及田間作業(yè)環(huán)境感知技術。Email： liywu@swu.edu.cn

Research on crown detection based on adaptive clustering radius of Lidar

Tai Shaoyu1， Li Yunwu1， 2， Zhao Ying1， Lin Xianang1， Li Yuanjiang1， Wang Yicheng1

（1. College of Engineering and Technology， Southwest University， Chongqing， 400716， China；

2. Chongqing Key Laboratory of Agricultural Equipment in Hilly Area， Chongqing， 400716， China）

Abstract：

In order to solve the problem of undersegmentation and oversegmentation such as missed detection and false detection of target objects under multisize and multidistance conditions in the process of Lidar detection under hilly and mountainous orchard conditions， a target object detection method based on adaptive target clustering radius of Lidar is proposed. Firstly， by using Lidar to sense the threedimensional point cloud of the surrounding environment， the ground point cloud is removed and the preprocessing of down sample is performed by voxel filter. The amount of data is reduced and the noise points in the point cloud is removed. Secondly， the Kd tree model is established and the nearest neighbor search is carried out to accelerate the process of Euclidean clustering. By adaptively determining the clustering radius of each crown， the Euclidean clustering can get better clustering results. Finally， in order to verify the accuracy and practicability of the algorithm， based on the orchard tracked vehicle platform， a 32-line Lidar is used to test the algorithm. The results show that the algorithm can accurately cluster the canopy point cloud of fruit trees in hilly and mountainous orchards， and the field target detection rate is 94.41%.

Keywords：

Lidar; crown detection; Kdimensional tree model; adaptive clustering

0 引言

果樹單木樹冠信息（如冠幅、樹冠面積和樹冠體積等）是果樹生長狀態(tài)的重要體現(xiàn)，也是產(chǎn)量預測估計的重要方法，更是實現(xiàn)果園精準管理的重要前提［1］。樹冠信息作為果樹變量施藥和精確對靶施藥等果園精準管理操作的基礎，對果樹樹冠進行精確檢測則具有重要的學術研究與應用意義［23］。

現(xiàn)有針對樹冠檢測常用的方法包括基于機器視覺的目標感知方案、基于機器視覺和激光雷達融合的目標感知方案與基于激光雷達等目標物體感知方案［4］。其中基于機器視覺的目標感知方案魯棒性較差，受環(huán)境光影響較大，陰雨天氣環(huán)境下作業(yè)效果不理想，不能滿足作業(yè)要求。而林樂彬［5］提出將激光雷達與機器視覺相融合的方法，雖然可以快速準確地識別障礙物，但是該算法應用在雜草較多的果園時視覺容易受到雜草干擾，并且該算法在夜間工作時檢測效果大幅下降，算法魯棒性較差，無法在農(nóng)時高質(zhì)量地完成作業(yè)。

三維激光雷達由于其優(yōu)異的性能、穩(wěn)定的信號輸入、較好的測距能力和受環(huán)境光影響較小的優(yōu)勢在目標檢測方面應用較廣。目前常用的激光雷達聚類算法有kmeans聚類算法、DBSCAN聚類算法和歐幾里得聚類算法［6］。kmeans聚類算法由于需要提前設置聚類數(shù)目，因此不適合用于樹冠檢測。蔡懷宇［7］針對傳統(tǒng)DBSCAN算法漏檢和誤檢的問題，對選取鄰域半徑參數(shù)的方法進行了改進，改進后的算法雖漏檢率和誤檢率略有降低，但其正檢率仍為86.27%，屬于偏低水平。張文宇［8］針對DBSCAN聚類算法中選取參數(shù)時需要不斷進行試驗驗證來改進參數(shù)的問題，提出了一種根據(jù)不同搜索范圍來自適應慣性權重更新的策略，改進后的聚類效果雖有明顯的提高，但該算法運行效率較低，不適合用于果園樹冠實時性檢測。牛國臣［9］將自適應聚類與DBSCAN聚類算法相融合，通過改進kmeans算法將障礙物分組從而完成聚類，該算法雖然運行效率較高但聚類效果受參數(shù)Minpts和Eps影響較大，算法魯棒性不高。

歐式聚類算法因能較高質(zhì)量地完成樹冠聚類過程而在樹冠檢測中廣泛使用。范晶晶［10］針對越野環(huán)境下的目標識別問題，將被檢測目標的幾何物理特征與聚類思想相結合，提出并設計了基于Kd Tree和歐式聚類算法的目標檢測算法，但是該算法在識別相近物體時算法魯棒性較差?？椎旅鳎?1］針對激光雷達檢測目標障礙物時出現(xiàn)的目標物體欠分割與過分割等檢測不準確的情況對歐式算法進行了優(yōu)化，算法優(yōu)化后能夠在多目標檢測實驗中有較高精度的聚類效果。伍錫如［12］將三維激光雷達獲取的點云數(shù)據(jù)中距離中心點偏遠的點云數(shù)據(jù)進行剔除與分離，改進后的歐式聚類算法障礙物識別準確率的提升較為顯著。尚業(yè)華［13］使用三維激光雷達檢測障礙物，并在聚類時將無效障礙物進行識別與去除，在其后來實驗中驗證檢出率高達96%。

基于先前研究，本文使用歐式聚類算法對丘陵山區(qū)果園樹冠檢測開展研究，由于上述聚類算法改進效果雖較好，但改進策略大都比較復雜，算法實現(xiàn)成本較高。因此，本文提出一種聚類半徑自適應的改進歐式聚類算法。該算法借鑒Yan［14］提出的地面分割方式和根據(jù)距離自動調(diào)整聚類范圍的方法，調(diào)整劉亮［15］提出的消除車輛點云模塊，通過降采樣、分割地面后得到非地面點云，對處理后的三維點云進行基于Kd Tree的最近鄰搜索后根據(jù)激光雷達與目標物體之間的歐氏距離計算出該目標物體的聚類半徑，完成目標物的聚類檢測。

1 樹冠檢測算法概述

樹冠檢測算法主要是由3部分組成［16］。第1部分為信號輸入部分。該部分接入激光雷達信號后由車載工控機轉(zhuǎn)換為環(huán)境三維點云，該部分主要作用是將環(huán)境轉(zhuǎn)換為機器語言［17］。第2部分為點云預處理部分。該部分通過濾波降采樣、去噪和分割地面對環(huán)境三維點云進行預處理，預處理之后的點云即為改進算法的ROI區(qū)域（感興趣區(qū)域）。第3部分為點云聚類部分。該部分主要對ROI區(qū)域進行樹冠聚類：首先，基于分塊的思想將點云簇分塊；其次，通過改進的聚類半徑確定方法對樹冠進行聚類；最后，聚類結果通過ROS系統(tǒng)自帶顯示程序rviz顯示。

2 三維點云數(shù)據(jù)預處理

三維激光雷達通過旋轉(zhuǎn)激光發(fā)射單位與接收單位獲取周圍信息達到感知周圍環(huán)境的目的，激光雷達每秒所獲取的原始點云數(shù)據(jù)量非常龐大，原始點云數(shù)據(jù)中不僅包含所需的果樹樹冠點云數(shù)據(jù)，還包含其他點云數(shù)據(jù)，如地面、雜草、行人等［18］。過多的點云數(shù)據(jù)會增加計算量和系統(tǒng)反應時間，影響實際聚類效果，因而，在對果樹樹冠進行識別聚類之前需要先對激光雷達采集的原始點云數(shù)據(jù)進行預處理［19］。

2.1 點云濾波

體素濾波可以達到向下采樣的同時不破壞點云的形狀和本身結構，可以達到降采樣的同時保存比較完整的數(shù)據(jù)特點［20］。將輸入的原始點云數(shù)據(jù)用一個立方柵格完全包括，在這個立方柵格中再創(chuàng)建10 cm×10 cm×10 cm的立方體素柵格，計算每個體素柵格的質(zhì)心，用質(zhì)心來近似代替該體素柵格內(nèi)的所有點，達到降采樣和過濾噪聲點的作用。

使用質(zhì)心來代替體素柵格內(nèi)的點云數(shù)據(jù)更有利于聚類算法進行聚類［21］，因此，采用能夠達到本研究原始數(shù)據(jù)預處理要求的體素濾波對原始點云數(shù)據(jù)進行預處理。

經(jīng)測量，果園試驗區(qū)域果樹樹冠最高點均低于3.5 m，考慮到激光雷達實際安裝高度與果園平面起伏，因此試驗中使用直通濾波去除以激光雷達安裝位置為基準面以上3 m的過高點云部分。

2.2 地平面分割

大量的地面和雜草點云對樹冠檢測和分類會產(chǎn)生影響，因此分割地面和雜草點云對樹冠檢測具有非常重要的意義［22］。激光雷達輸入的是一個三維點云數(shù)據(jù)集C={qi|qi=（xi，yi，zi）∈R3，i=1，…，n}，其中n是雷達單次掃描的總點數(shù)。為了將地面和雜草點云去除，算法會將每一個點去除，去除地面的點云將構成一個新的集合C*∈C，得到非地面點云。

由于無人車工作地面相對平坦并且Z軸大致垂直于地面的果園，試驗對象是果樹樹冠，因而將原始點云的下部切割指定高度對試驗結果影響較小，可忽略不計。

3 改進的歐式聚類算法

經(jīng)過體素過濾和地面分割預處理之后的點云即為所要檢測的目標物體點云。本文在Kd Tree與最近鄰搜索的基礎上通過改進的歐幾里得聚類算法的自適應聚類半徑來對目標點云進行聚類并進行目標檢測。在車輛行進過程中，三維激光雷達實時產(chǎn)生三維點云的數(shù)據(jù)量極其龐大，而Kd Tree模型可以對龐大的三維點云數(shù)據(jù)提前進行分塊處理，而這種分塊可以大大縮短計算時間，提高基于歐氏距離最近鄰搜索的聚類效率。

3.1 Kd tree模型的三維應用

Kd tree是一種能夠?qū)維空間中的點進行劃分的一種數(shù)據(jù)結構。由于其形如二叉樹的結構特性能夠顯著降低運算次數(shù)、提高運算效率，因而常被用來對多維空間中的關鍵技術進行搜索。

Kd tree本質(zhì)上是一個基于二分法的搜索樹。在進行搜索時每一個節(jié)點都將未劃分的多維空間劃分為兩部分。在每次劃分時要保證劃分后的點云數(shù)據(jù)的左右子空間的點云數(shù)據(jù)量盡量相等。構建流程如下。

1） 根據(jù)式（1）計算三維數(shù)據(jù)集合中每一維的方差，并從中選取具有最大方差的維度

k=max∑（X－μx）2Nx，∑（Y－μy）2Ny，∑（Z－μz）2Nz

（1）

式中：

X、Y、Z——該維空間的變量；

N*——該維空間中總變量個數(shù)；

μ*——該維空間的總體均值。

2） 根據(jù)式（2）計算三維數(shù)據(jù)中的中值m，并且將三維點云上的N個數(shù)據(jù)按遞增順序進行排列，得到集合Q={K1，K2，K3，…，KN}。其中K1

m=

KN+12N為奇數(shù)

KN2+KN2+12N為偶數(shù)

（2）

3） 將步驟2中計算出的中值m賦值給閾值，根據(jù)m將集合Q分割為兩個子集合Qleft和Qright，子集合符合式（3）。

x

x≥m x∈Qright

（3）

4） 將步驟3得到的兩個子集合再次重復上次操作，以此類推，直至所有的子集合都不可以再次被劃分為止。將不能被劃分的子集合存儲在葉子節(jié)點中。

構建完成的Kd tree的數(shù)據(jù)結構如圖2所示。

3.2 自適應聚類半徑的歐式聚類

歐式距離是歐幾里得聚類算法的基礎?？臻g中任意兩點A：（x1，y1，z1）和B：（x2，y2，z2）的歐氏距離可以通過公式進行計算，即

d=（x1－x2）2+（y1－y2）2+（z1－z2）2

基于歐氏距離的最近鄰搜索算法是加速聚類過程的核心。目標點p輸入該算法后通過與當前節(jié)點劃分中值m比較判斷后從根節(jié)點一直到達相應葉子節(jié)點，則該葉子節(jié)點Q更新為P的最近鄰點，dmin更新為節(jié)點P和Q之間的距離dPQ。隨后沿搜索路徑回溯其父節(jié)點，判斷其父節(jié)點與Q之間的距離是否小于dmin。若是，則將該父節(jié)點更新為最近鄰點并將該父節(jié)點下的其余子節(jié)點納入該搜索范疇。若否，則沿搜索路徑繼續(xù)向上回溯至父節(jié)點的父節(jié)點直至根節(jié)點?？臻g中某點的最近鄰搜索到此完成。

最近鄰搜索完成后的下一步就是進行歐式聚類。在聚類過程中，聚類效果根據(jù)距離的遠近所呈現(xiàn)的效果也不一樣，這時就要考慮上述提到的聚類過程中最重要的參數(shù)就是聚類半徑。為了能夠使聚類結果更加準確，本文提出了一種聚類半徑自適應的確定方法。（1）在采集完果樹的三維點云之后對其進行標準化預處理，并建立由點云簇Ci組成的三維點云數(shù)據(jù)集C*={C1，C2，C3，…，Ci，…，Cn}。（2）根據(jù)每一簇三維點云距離激光雷達距離的遠近進行升序排列，取其排列第一的三維點云簇C1的質(zhì)心作為本次聚類半徑確定的初始聚類中心。（3）從數(shù)據(jù)集C*中選取距離該點云簇歐氏距離最小的兩束點云簇，計算這三束點云簇中每個點與初始聚類中心距離的平均值R1，并將該平均值R1作為該點云簇C1的聚類半徑。（4）以此類推，其余的三維點云簇Ci也根據(jù)上述步驟得到該點云簇的聚類半徑Ri。

在確定了點云簇C1的聚類半徑R1后便開始進行歐式聚類，歐式聚類的流程如圖3所示。

該算法在聚類時是從點云簇C1中的初始聚類中心作為第一次Kd tree最近鄰搜索的核心點，完成第一次最近鄰搜索后，將搜索到的K個最近鄰點與初始聚類中心之間的距離與聚類半徑R進行比較，形成集合M。再從點云簇Ci中選取除上次最近鄰搜索的核心點以外的點重復以上過程，不斷迭代直至M中無新元素增加則完成該次聚類。

完成第一簇三維數(shù)據(jù)點的聚類后，通過尋找下一簇的點云數(shù)據(jù)，進行下次三維點云數(shù)據(jù)的聚類，逐步完成上述步驟后便可以繼續(xù)完成剩余點云簇的聚類。

4 試驗結果與分析

4.1 試驗平臺與場地介紹

為了驗證所提改進算法的實際環(huán)境樹冠檢測效果與該算法的準確性以及實用性，開展實車果園試驗。試驗平臺采用履帶式無人轉(zhuǎn)運運輸車作為載體，激光雷達采用速騰聚創(chuàng)32線激光雷達RSHelios 1615，具體參數(shù)見表1，激光雷達與運輸車載體的安裝如圖4所示。試驗環(huán)境位于重慶市渝北區(qū)郭家灣的果園內(nèi)，果園環(huán)境如圖5所示。試驗運行環(huán)境為車載工控機采用Intel Core i5-7200U處理器，系統(tǒng)環(huán)境為Ubuntu18.04，算法使用C++語言進行編寫，開發(fā)環(huán)境為VS code，調(diào)用PCL庫中的相關點云結構，最后利用rviz顯示到屏幕。

4.2 果樹樹冠檢測結果分析

在進行果園試驗時，通過控制變量設計了改進歐式聚類算法與傳統(tǒng)歐式聚類算法的檢測效果對比試驗。改進算法針對該果園實際情況對算法參數(shù)進行了調(diào)整，對果園環(huán)境下采集的三維激光雷達數(shù)據(jù)進行了多距離、多尺寸、多目標物混合目標檢測試驗。

在多距離、多目標混合目標物檢測試驗中，所提改進的歐式聚類算法與傳統(tǒng)聚類算法檢測效果分別如圖6所示，其中圖6（a）表示激光雷達在該試驗場景下采集到的原始點云數(shù)據(jù)，圖6（b）表示在經(jīng)過預處理操作后的ROI區(qū)域。設置傳統(tǒng)聚類算法參數(shù)cluster_min（最少點數(shù)）為800，cluster_max（最多點數(shù)）為1 500。該試驗中存在多個距離不同，但形狀尺寸大小近似的目標樹冠。試驗表明，當履帶車旁邊存在多個距離不同但尺寸大小相似的目標物體時，優(yōu)化歐式聚類算法能根據(jù)目標物體不同的距離，精準定位并準確確定目標物體聚類半徑，能夠準確地檢測出障礙物。而傳統(tǒng)歐式聚類算法在面對多距離目標物體時存在局限性，漏檢了②號、③號和⑥號，并且誤檢了⑦號，將⑦號目標物體點云過分割，不能準確檢出所有目標物體。

（a） 原始點云

（b） 過濾地面及噪聲后點云

（c） 改進聚類結果

（d） 傳統(tǒng)聚類效果

在多尺寸、多目標混合目標檢測實驗中，所提改進歐式聚類算法與傳統(tǒng)歐式聚類算法檢測效果對比如圖7所示，其中圖7（a）表示激光雷達在該試驗場景下采集到的原始點云數(shù)據(jù)，圖7（b）表示在經(jīng)過預處理操作后的ROI區(qū)域。

（a） 原始點云

（b） 過濾地面及噪聲后點云

（c） 改進聚類結果展示

（d） 傳統(tǒng)聚類效果展示

傳統(tǒng)聚類算法的參數(shù)設置同上實驗，兩種聚類方法在面對尺寸多樣化的目標物體時，改進的歐式聚類算法的聚類半徑根據(jù)每棵樹樹冠的點云數(shù)據(jù)進行計算，完成聚類半徑的自適應確定過程，能夠精確且快速地完成樹冠的識別聚類過程，滿足試驗初始要求。而傳統(tǒng)歐式聚類在面對該種情況時漏檢了目標尺寸較小的②號、③號目標樹冠，聚類效果有限，無法根據(jù)樹冠點云數(shù)據(jù)進行聚類半徑自適應的聚類，其余樹冠均正常檢出。

在上述試驗完成后，針對該算法的準確性開展定量試驗。在試驗過程中，用正檢率（True Positive Rate）、誤檢率（False Positive Rate）和漏檢率（Missing Detection Rate）來評估該算法及對比算法的目標物檢測結果［23］。其計算如式（4）～式（6）所示。

PT=NTNsum

（4）

PF=NFNsum

（5）

PM=NMNsum

（6）

式中：

PT、PF、PM——

正檢率、誤檢率、漏檢率;

NT、NF、NM——

正檢、誤檢、漏檢樹冠顆數(shù);

Nsum——參與檢測的樹冠總顆數(shù)。

將試驗過程中錄制的激光雷達三維點云數(shù)據(jù)包轉(zhuǎn)換為由每幀組成的幀數(shù)據(jù)包，然后從該數(shù)據(jù)包中選取同一果園中3個不同地段的點云幀，3個地段的果樹數(shù)量分別為90棵、150棵和100棵，使用傳統(tǒng)歐式聚類算法和本文改進歐式聚類算法分別對3個地段點云幀中的果樹樹冠進行目標物檢測，試驗結果見表2。

分析試驗結果可得知在相同實驗條件下，改進后的歐式聚類算法目標物檢測平均正檢率為94.41%，相較于傳統(tǒng)歐式聚類算法正檢率提高12.36%。但是在試驗過程中偶爾會出現(xiàn)連續(xù)幾棵果樹誤檢或漏檢的情況，經(jīng)過多次試驗分析發(fā)現(xiàn)，影響原因主要有：一是果園兩邊的地面高度不一致，有少數(shù)果樹下部土壤隆起較高，按照本文去除地面方法，該果樹下部存在部分土壤和雜草點云數(shù)據(jù)無法準確去除，導致由該棵果樹樹冠點云信息確定的聚類半徑偏小，過分割情況變多；二是果園存在兩棵樹樹冠相互距離過近的情形，使得改進算法在進行該類果樹樹冠聚類檢測時出現(xiàn)欠分割和過分割的現(xiàn)象。此外，該算法計算量與傳統(tǒng)算法相比較大，處理時間較長，受計算機硬件影響，在果園試驗時履帶車輛前進速度較慢。

5 結論

針對傳統(tǒng)歐式聚類在丘陵山地果園條件下激光雷達檢測過程中面對多尺寸、多距離條件下出現(xiàn)的目標物體漏檢、誤檢等欠分割和過分割的問題，提出基于激光雷達的自適應目標聚類半徑目標物體檢測方法。通過點云預處理和聚類半徑自適應的實現(xiàn)對傳統(tǒng)歐式聚類算法進行了優(yōu)化，并進行果園實際驗證。

1） 自適應聚類半徑的歐式聚類能根據(jù)每一個目標物體的三維點云特征信息確定該目標物體的聚類半徑。

2） 經(jīng)基于分塊思想預處理之后的點云簇，結合目標物聚類半徑自適應能在多距離多尺寸多目標物的試驗情況下精確地將目標物體識別分割。

3） 試驗表明，本文改進的歐式聚類算法與傳統(tǒng)歐式聚類算法相比正檢率提高了12.36%，誤檢率和漏檢率分別降低7.94%和4.41%。

參 考 文 獻

［1］陳日強， 李長春， 楊貴軍， 等. 無人機機載激光雷達提取果樹單木樹冠信息［J］. 農(nóng)業(yè)工程學報， 2020， 36（22）： 50-59.

Chen Riqiang， Li Changchun， Yang Guijun， et al. Extraction of crown information from individual fruit tree by UAV LiDAR ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（22）： 50-59.

［2］邵靖滔， 杜常清， 鄒斌. 基于點云簇組合特征的激光雷達地面分割方法［J］. 激光與光電子學進展， 2021， 58（4）： 422-430.

Shao Jingtao， Du Changqing， Zou Bin. Lidar ground segmentation method based on point cloud cluster combination feature ［J］. Laser & Optoelectronics Progress， 2021， 58（4）： 422-430.

［3］王瀟， 張美娜， Zhou Jianfeng， 等. LiDAR傳感器及技術在農(nóng)業(yè)場景的應用進展綜述［J］. 中國農(nóng)機化學報， 2022， 43（11）： 155-164.

Wang Xiao， Zhang Meina， Zhou Jianfeng， et al. A review on the application of LiDAR sensors and technologies in agricultural scenarios ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 155-164.

［4］劉暢， 趙津， 劉子豪， 等. 基于歐氏聚類的改進激光雷達障礙物檢測方法［J］. 激光與光電子學進展， 2020， 57（20）： 254-260.

Liu Chang， Zhao Jin， Liu Zihao， et al. Improved lidar obstacle detection method based on euclidean clustering ［J］. Laser & Optoelectronics Progress， 2020， 57（20）： 254-260.

［5］林樂彬， 周軍， 皇攀凌， 等. 基于圖像檢測的三維激光點云聚類方法研究與應用［J］. 控制工程， 1-8［2024-02-01］.

Lin Lebin， Zhou Jun， Huang Panling， et al. Research and application on 3D laser point cloud clustering method based on image detection ［J］. Control Engineering of China， 1-8［2024-02-01］.

［6］馮吉， 胡佳寧， 于家旋， 等. 基于激光雷達信息的履帶式自動割草機障礙物檢測［J］. 中國農(nóng)機化學報， 2019， 40（5）： 145-149.

Feng Ji， Hu Jianing， Yu Jiaxuan， et al. Crawler automatic mower obstacle detection based on lidar information ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（5）： 145-149.

［7］蔡懷宇， 陳延真， 卓勵然， 等. 基于優(yōu)化DBSCAN算法的激光雷達障礙物檢測［J］. 光電工程， ?2019， 46（7）： ?83-90.

Cai Huaiyu， Chen Yanzhen， Zhuo Liran， et al. LiDAR object detection based on optimized DBSCAN algorithm ［J］. OptoElectronic Engineering， 2019， 46（7）： ?83-90.

［8］張文宇， 治瑜， 秦樂. 基于改進天牛群優(yōu)化的DBSCAN聚類算法［J］. 統(tǒng)計與決策， 2022， 38（10）： 20-25.

Zhang Wenyu， Zhi Yu， Qin Yue. DBSCAN clustering algorithm based on improved beetle swarm optimization ［J］. Statistics & Decision， 2022， 38（10）： 20-25.

［9］牛國臣， 王月陽， 田一博. 一種改進密度聚類的激光雷達障礙物檢測方法［J］.北京航空航天大學學報， 2023， 49（10）： 2608-2616.

Niu Guochen， Wang Yueyang， Tian Yibo. Lidar obstacle detection based on improved density clustering ［J］. Journal of Beijing University of Aeronautics and Astronautics， 2023， 49（10）： 2608-2616.

［10］范晶晶， 王力， 褚文博， 等. 基于KDTree樹和歐式聚類的越野環(huán)境下行人識別的研究［J］. 汽車工程， 2019， 41（12）： 1410-1415.

Fan Jingjing， Wang Li， Chu Wenbo， et al. Research on pedestrian recognition in crosscountry environment based on KDTree and euclidean clustering ［J］. Automotive Engineering， 2019， 41（12）： 1410-1415.

［11］孔德明， 段呈新， 巴特·古森斯， 等. 基于車載16線激光雷達的障礙物檢測方法［J］. 計量學報， 2021， 42（7）： 846-852.

Kong Deming， Duan Chengxin， Bart Gusson， et al. Obstacle detection method based on vehicle 16line Lidar ［J］. Acta Metrologica Sinica， 2021， 42（7）： 846-852.

［12］伍錫如， 薛其威. 基于激光雷達的無人駕駛系統(tǒng)三維車輛檢測［J］. 光學精密工程， 2022， 30（4）： 489-497.

Wu Xiru， Xue Qiwei. 3D vehicle detection for unmanned driving system based on lidar ［J］. Optics and Precision Engineering， 2022， 30（4）： 489-497.

［13］尚業(yè)華， 張光強， 孟志軍， 等. 基于歐氏聚類的三維激光點云田間障礙物檢測方法［J］. 農(nóng)業(yè)機械學報， 2022， 53（1）： 23-32.

Shang Yehua， Zhang Guangqiang， Meng Zhijun， et al. Field obstacle detection method of 3D Lidar point cloud based on euclidean clustering ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（1）： 23-32.

［14］Yan Z， Duckett T， Bellotto N. Online learning for 3D LiDARbased human detection： Experimental analysis of point cloud clustering and classification methods ［J］. Autonomous Robots， 2020， 44： 147-164.

［15］劉亮. 基于激光雷達的結構化道路環(huán)境感知及避障路徑規(guī)劃方法研究［D］. 西安： 長安大學， 2021.

Liu Liang. Research on environmental awareness and path planning of structured road based on Lidar ［D］. Xian： Changan University， 2021.

［16］劉浩然， 范偉偉， 徐永勝， 等. 基于無人機激光雷達點云數(shù)據(jù)的單木分割研究［J］. 中南林業(yè)科技大學學報， 2022， 42（1）： 45-53.

Liu Haoran， Fan Weiwei， Xu Yongsheng， et al. Research on single tree segmentation based on UAV LiDAR point cloud data ［J］. Journal of Central South University of Forestry & Technology， 2022， 42（1）： 45-53.

［17］趙星陽. 基于車載激光雷達的路面分割與障礙物檢測關鍵技術研究［D］. 合肥： 合肥工業(yè)大學， 2021.

Zhao Xingyang. Research on road segmentation and obstacle detection of autonomous vehicle based on Lidar ［D］.Hefei： Hefei University of Technology， 2021.

［18］Tian Y， Song W， Chen L， et al. A fast spatial clustering method for sparse LiDAR point clouds using GPU programming ［J］. Sensors， 2020， 20（8）： 2309.

［19］Mohd Romlay M R， Mohd Ibrahim A， Toha S F， et al. Novel CECBCE feature extraction method for object classification using a lowdensity LiDAR point cloud ［J］. PloS one， 2021， 16（8）： e0256665.

［20］Nguyen H T， Lee E H， Bae C H， et al. Multiple object detection based on clustering and deep learning methods ［J］. Sensors， 2020， 20（16）： 4424.

［21］Gamal A， Wibisono A， Wicaksono S B， et al. Automatic LiDAR building segmentation based on DGCNN and euclidean clustering ［J］. Journal of Big Data， 2020， 7（1）： 1-18.

［22］Gao F， Li C， Zhang B. A dynamic clustering algorithm for LiDAR obstacle detection of autonomous driving system ［J］. IEEE Sensors Journal， 2021， 21（22）： 25922-25930.

［23］張博聞. 面向開放場景的自動駕駛激光雷達目標檢測技術研究［D］. 重慶： 重慶大學， 2020.

Zhang Bowen. Research on automatic lidar target detection technology for open scene ［D］. Chongqing： Chongqing University， 2020.