[发明专利]点云聚类的方法及装置、无人车、可读存储介质

说明书

本申请提供一种点云聚类的方法及装置、无人车、可读存储介质。点云聚类的方法，包括：获取激光雷达的点云数据；所述点云数据中包括按照激光雷达的旋转顺序依次排列的多个点；计算所述多个点之间的间距，并根据所述多个点之间的间距从所述多个点中筛选出核心点；基于所述旋转顺序，根据相邻两个核心点之间的间距依次对所述多个核心点进行聚类。当该方法应用到无人驾驶(即自动驾驶)的无人车的障碍物检测时，能够减少点云聚类的计算量，进而提高点云聚类的效率。

技术领域

本申请涉及激光雷达定位技术领域，具体而言，涉及一种点云聚类的方法及装置、无人车、可读存储介质。

背景技术

激光雷达感知技术主要包括分割/检测、跟踪、识别、重建等主要环节。其中分割、检测过程常用的是聚类算法，包括DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，基于密度的空间的聚类算法)密度聚类算法等。

但是，DBSCAN算法适用于无序的点，其算法要多次遍历所有点，计算量较大，导致点云聚类的效率较低。

发明内容

本申请实施例的目的在于提供一种点云聚类的方法及装置、无人车、可读存储介质，用以减少点云聚类的计算量，进而提高点云聚类的效率。

第一方面，本申请实施例提供一种点云聚类的方法，包括：获取激光雷达的点云数据，所述点云数据包括按照激光雷达的旋转顺序依次排列的多个点；计算所述多个点之间的间距，并根据所述多个点之间的间距从所述多个点中筛选出核心点；基于所述旋转顺序，根据相邻两个核心点之间的间距依次对多个所述核心点进行聚类。

在本申请实施例中，获取到的点云数据为按照激光雷达的旋转顺序依次排列的多个点，也即，点是有序的点；在进行聚类时，先筛选出核心点，然后只需针对核心点进行依次地聚类即可。与现有技术相比，由于点是有序的，在筛选出核心点后，核心点也是有序的，不需要计算所有的核心点之间的间距来进行聚类，只需要依次根据相邻两个核心点之间的间距进行聚类，解决了常规的DBSCAN算法需要多次遍历所有点，计算量较大的缺点，提高了点云聚类的效率。

作为一种可能的实现方式，所述点坐标为极坐标，所述计算所述多个点之间的间距，包括：在计算两个点之间的间距时，根据所述两个点的极径和所述两个点之间的极角差计算所述两个点之间的间距，间距计算满足如下公式：其中，s_1-2为所述两个点之间的间距，r₁、r₂为所述两个点的极径，Δθ为所述两个点之间的极角差。

在本申请实施例中，激光雷达的点云数据为极坐标点，与现有技术采用DBSCAN算法(需要先将极坐标转换为XY坐标，再进行计算)相比，直接根据两个点的极径和两个点之间的极角差计算两个点之间的间距，避免点坐标的转换，节省了大量的计算，提高点云聚类的效率。

作为一种可能的实现方式，所述根据所述多个点之间的间距从所述多个点中筛选出核心点，包括：针对每个点，根据所述多个点之间的间距确定与所述点的间距小于第一预设间距值的邻近点个数；从所述多个点中筛选出所述邻近点个数大于预设值的点，确定为所述核心点。

在本申请实施例中，在筛选核心点时，先针对每个点，根据多个点之间的间距来确定点具有的与该点之间的间距小于第一预设间距值的邻近点个数，然后再从多个点中筛选出邻近点个数大于预设值的点，实现核心点的快速筛选，提高点云聚类的效率。

作为一种可能的实现方式，所述根据相邻两个核心点之间的间距依次对所述多个核心点进行聚类，包括：若相邻两个核心点之间的间距小于第二预设间距值，将所述相邻两个核心点聚为一类；若相邻两个核心点之间的间距不小于第二预设间距值，将排列顺序在后的核心点作为下一个类的起始核心点。