本發(fā)明涉及數(shù)據(jù)處理和圖像處理等，具體涉及一種基于自動駕駛場景中4d毫米波雷達點云分割方法。

背景技術(shù)：

1、近幾年自動駕駛技術(shù)風靡，各類交通工具都有智能化的趨勢，由于駕駛員精力有限，現(xiàn)代車輛集成了各種各樣的傳感器，用來輔助駕駛員對路況進行感知。但公路場景路況復雜，汽車、自行車等交通工具的數(shù)量急劇增長，目前主流智能汽車集成的高清攝像頭、激光雷達等傳感器很難對路況有準確、快速的反應，尤其是在夜間、雨霧天氣等低能見度的情況，很容易引起交通事故。毫米波雷達相較于攝像頭和激光雷達等傳感器，有探測距離遠和可靠性高的優(yōu)點，能在低亮度和低能見度場景工作；此外，毫米波雷達相較于激光雷達有更強的穿霧能力，能不受霧、雨、雪等惡劣天氣的影響正常工作。在此前提下，4d毫米波雷達可以直接接收目標的距離、速度和角度等信息，方便對目標進行篩選、分類。

2、由于4d毫米波雷達點云的稀疏特性以及復雜路況噪點的干擾，目前基于4d毫米波雷達的目標檢測算法主要是深度學習算法。而深度學習算法及其依賴龐大、優(yōu)質(zhì)的數(shù)據(jù)集。但是4d毫米波雷達點云稀疏，無法通過輪廓或某項參數(shù)直觀地分割和分類點云，因此4d毫米波雷達的點云分割也是研究深度學習以及自動駕駛過程中需要攻克的難點。

3、深度學習算法對4d毫米波雷達點云的數(shù)據(jù)集質(zhì)量有極高要求，因此雷達點云的分割異常重要。density?based?spatial?clustering?ofapplications?withnoise(dbscan)是一種常用的聚類方法，它的主要思想是根據(jù)數(shù)據(jù)的密度對數(shù)據(jù)進行劃分。guan提出了一種基于激光雷達點云使用dbscan對車輛進行聚類的方法。為使dbscan應用于4d毫米波點云分割，he提出了dbscan算法的該進，即將dbscan聚類算法中的圓形鄰域變成橢圓鄰域，能夠解決多目標過近無法區(qū)分的問題，提高點云分割的準確率。但由于公路場景下目標運動的方向不同，點云分布方向具有不確定性，橢圓鄰域的方向往往不能很好地契合汽車等被測目標，使得實際場景下點云的分割效果并不理想。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于自動駕駛場景中4d毫米波雷達點云分割方法，以適應不同運動方向的毫米波雷達目標，解決多個目標距離過近無法有效分割的問題，提高4d毫米波雷達分割點云的準確度。

2、實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種基于自動駕駛場景中4d毫米波雷達點云分割方法，包括4d毫米波雷達安裝與數(shù)據(jù)采集、4d毫米波雷達數(shù)據(jù)轉(zhuǎn)換、點云圖像檢測、計算特征向量和4d毫米波雷達點云分割五個步驟，具體如下：

3、步驟一，將4d毫米波雷達安裝在自動駕駛小車上，采集4d毫米波雷達數(shù)據(jù)，得到連續(xù)幀的點云數(shù)據(jù)；

4、步驟二，從步驟一中的連續(xù)幀的點云數(shù)據(jù)選取三幀點云數(shù)據(jù)，對選取的點云數(shù)據(jù)進行速度篩選，剔除靜態(tài)點云得到過濾點云數(shù)據(jù)，對過濾點云數(shù)據(jù)進行坐標轉(zhuǎn)換將4d毫米波雷達坐標系下的點云轉(zhuǎn)換為像素坐標系下的點云；

5、步驟三，將步驟二中的像素坐標系下的點云映射到圖像中，進行邊緣檢測，合并相近的邊緣區(qū)域，對合并后的邊緣區(qū)域計算外接矩陣；

6、步驟四，對步驟三得到的外接矩形與步驟二中過濾點云和像素坐標系下的點云，計算生成待聚類點云，采用主成分分析法計算得到外接矩形的特征向量；

7、步驟五，將步驟四得到的待聚類點云與外接矩形的特征向量，采用基于自適應方向橢圓鄰域的dbscan聚類算法，進行4d毫米波雷達的點云分割。

8、進一步的，步驟一，將4d毫米波雷達安裝在自動駕駛小車上，采集4d毫米波雷達數(shù)據(jù)，得到連續(xù)幀的點云數(shù)據(jù)，具體方法如下：

9、步驟1.1，將4d毫米波雷達固定于自動駕駛小車車頭處，距離地面60cm，4d毫米波雷達正對車頭前進方向；

10、步驟1.2，開啟4d毫米波雷達驅(qū)動；

11、步驟1.3，使用緩沖隊列保存連續(xù)幀的點云數(shù)據(jù)。

12、進一步的，步驟二，從步驟一中的連續(xù)幀的點云數(shù)據(jù)選取三幀點云數(shù)據(jù)，對選取的點云數(shù)據(jù)進行速度篩選，剔除靜態(tài)點云得到過濾點云數(shù)據(jù)，對過濾點云數(shù)據(jù)進行坐標轉(zhuǎn)換將4d毫米波雷達坐標系下的點云轉(zhuǎn)換為像素坐標系下的點云，具體方法如下：

13、步驟2.1，取步驟1.3中緩沖隊列中前三幀點云數(shù)據(jù)；

14、步驟2.2，對步驟2.1中的三幀點云數(shù)據(jù)進行速度篩選，對點云中絕對值速度小于0.2m/s的點進行過濾，剔除掉靜態(tài)點云得到過濾點云數(shù)據(jù)；

15、步驟2.3，將步驟2.2得到的過濾點云數(shù)據(jù)進行坐標系轉(zhuǎn)換，4d毫米波雷達坐標系與世界坐標系轉(zhuǎn)換關(guān)系如下公式所示：

16、

17、其中，(xw,yw,zw)表示4d毫米波雷達點云在世界坐標系中的坐標位置，(xr,yr,zr)表示4d毫米波雷達點云在4d毫米波雷達坐標系中的坐標位置，r為4d毫米波雷達坐標系到世界坐標系的旋轉(zhuǎn)矩陣，t為4d毫米波雷達坐標系到世界坐標系的平移矩陣；

18、旋轉(zhuǎn)矩陣r與平移矩陣t如下所示：

19、

20、其中，r11到r33為世界坐標系與4d毫米波雷達坐標系之間的旋轉(zhuǎn)關(guān)系系數(shù)，t1到t3為世界坐標系與4d毫米波雷達坐標系之間的平移關(guān)系系數(shù)；

21、將過濾點云數(shù)據(jù)以oxy為平面進行投影，世界坐標系與像素坐標系的轉(zhuǎn)換如下公式所示：

22、

23、其中，(xuv,yuv)表示4d毫米波雷達點云在像素坐標系中的坐標位置，(xw,yw)表示投影后的4d毫米波雷達點云在世界坐標系中的坐標位置，r1為世界坐標系到像素坐標系的旋轉(zhuǎn)矩陣，t1為世界坐標系到像素坐標系的平移矩陣。

24、進一步的，步驟三，將步驟二中的像素坐標系下的點云映射到圖像中，進行邊緣檢測，合并相近的邊緣區(qū)域，對合并后的邊緣區(qū)域計算外接矩陣，具體方法如下：

25、步驟3.1，確定參數(shù)，包括圖像的寬度w、高度h和點云顯示半徑r，將像素坐標系下的點云以白色實心圓在以黑色為背景的圖像中進行顯示，得到點云圖像；

26、步驟3.2，對點云圖像采用canny算子進行邊緣檢測，得到邊緣輪廓；

27、步驟3.3，給定合并閾值tedge，對各邊緣輪廓之間的最小距離小于合并閾值的邊緣輪廓進行合并得到圖像檢測輪廓；

28、步驟3.4，對圖像檢測輪廓取最小外接矩形，對最小外接矩形的面積設(shè)置閾值tarea排除噪聲影響，完成對點云的初步分割，得到多個外接矩陣。

29、進一步的，步驟四，對步驟三得到的外接矩形與步驟二中過濾點云和像素坐標系下的點云，計算生成待聚類點云，采用主成分分析法計算得到外接矩形的特征向量，具體方法如下：

30、步驟4.1，選取一個外接矩形，將外接矩陣坐標轉(zhuǎn)化為4d毫米波雷達坐標系下的坐標，取步驟二中的過濾點云在外接矩陣內(nèi)的點云，生成多組待聚類點云，同時將外接矩形中白色像素點進行采樣生成采樣點；

31、步驟4.2，將像素坐標系下的采樣點，通過步驟二中的轉(zhuǎn)換矩陣轉(zhuǎn)換為4d毫米波雷達坐標系下的點云，對轉(zhuǎn)換后的點云進行主成分分析，得到該采樣點的特征向量如下所示：

32、

33、其中，e1為在x軸方向上的投影系數(shù)，e2為在y軸方向上的投影系數(shù)；

34、重復步驟4.1直到所有外接矩形都處理完成，得到每個外接矩形的特征向量。

35、進一步的，步驟五，將步驟四得到的待聚類點云與外接矩形的特征向量，采用基于自適應方向橢圓鄰域的dbscan聚類算法，進行4d毫米波雷達的點云分割，具體方法如下：

36、步驟5.1，確定聚類參數(shù)，包含橢圓鄰域的長軸εa和短軸εb，核心點數(shù)量閾值minpts；

37、步驟5.2，對步驟四中的待聚類點云與對應外接矩形的特征向量選取待聚類點云中任一未訪問點p，計算自適應方向的橢圓鄰域的焦點坐標如下所示：

38、

39、其中，(xc,yc,zc)為p點坐標為，c為橢圓鄰域中的焦距，flx為自適應方向橢圓中左焦點的x軸坐標，fly為自適應方向橢圓中左焦點的y軸坐標，frx為自適應方向橢圓中右焦點的x軸坐標，fry為自適應方向橢圓中右焦點的y軸坐標；

40、步驟5.3，計算p點自適應方向的橢圓鄰域內(nèi)的點云數(shù)量，如下所示：

41、

42、其中，(xi,yi,zi)為待聚類點云中未訪問的點云信息，tz為z軸約束的閾值，mf1為鄰域中任一點到左焦點的距離，mf2為鄰域中任一點到右焦點的距離，mf為mf1與mf2之和，mf小于等于兩倍長軸εa即判斷(xi,yi,zi)在該自適應方向的橢圓鄰域內(nèi)；

43、步驟5.4，對步驟5.3計算的鄰域內(nèi)的點云數(shù)量，若p點鄰域內(nèi)點云數(shù)量大于等于設(shè)定的核心點數(shù)量閾值minpts，將這些點云分為一類，若p點鄰域內(nèi)點云數(shù)量小于設(shè)定的核心點數(shù)量閾值minpts，則將p點標記為噪聲點；

44、步驟5.5，循環(huán)重復步驟5.2～步驟5.4，直至所有的待聚類點云都被訪問，完成4d毫米波雷達點云分割。

45、一種基于自動駕駛場景中4d毫米波雷達點云分割系統(tǒng)，實施所述的基于自動駕駛場景中4d毫米波雷達點云分割方法，實現(xiàn)基于自動駕駛場景中4d毫米波雷達點云分割。

46、一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時，實施所述的基于自動駕駛場景中4d毫米波雷達點云分割方法，實現(xiàn)基于自動駕駛場景中4d毫米波雷達點云分割。

47、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，實施所述的基于自動駕駛場景中4d毫米波雷達點云分割方法，實現(xiàn)基于自動駕駛場景中4d毫米波雷達點云分割。

48、本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點在于：1)通過將4d毫米波雷達點云轉(zhuǎn)換為像素坐標系下的點云，進而轉(zhuǎn)化為圖像處理，利用邊緣檢測算法來篩選有效區(qū)域，有效抑制環(huán)境噪聲，提取目標所在區(qū)域的點云。2)對提取目標所在區(qū)域的點云，映射復原到4d毫米波雷達坐標系中，利用點云分布情況得到最大分布的特征向量，此特征向量可以近似表示為目標運動方向。3)使用基于自適應方向的橢圓鄰域的dbscan算法來對不同運動方向的4d毫米波雷達點云進行分割，能夠解決多目標過近無法區(qū)分的問題，提高點云分割的準確率，同時可以對不同的提取目標所在區(qū)域點云進行并行處理，提高算法處理效率。