[发明专利]基于空间邻域信息的雷达异常点云检测方法及检测装置

说明书

本发明公开了一种基于空间邻域信息的雷达异常点云检测方法，该方法的步骤包括：步骤S1：获取道路的三维点云，得到障碍点云，通过点云训练集得到邻域的第一阈值和第二阈值；步骤S2：利用第一阈值和第二阈值对三维点云进行筛选；步骤S3：对筛选出来的三维点云进行空间结构分析；步骤S4：将通过空间结构分析筛选出来的异常点云数据输出。该检测装置用来实施上述方法。本发明具有原理简单、适用范围广、能够提高检测精确度等优点。

技术领域

本发明主要涉及到无人车技术领域，特指一种基于空间邻域信息的雷达异常点云检测方法及检测装置。

背景技术

在现有技术中，无人驾驶车辆在行驶过程中一般是通过“雷达点云”来识别目标和障碍，即：当检测到前方有障碍时，车辆会停止前行以遵守安全优先原则。

但是，在恶劣天气或其他特殊场景(环境)之下，例如在下雨、下雪或扬尘等场景下行驶时，由于目前雷达一般都是采用回波模式进行距离检测的方式，即采用某一种回波模式以确定发射光的结束时间以进行测距计算，那么空中的小颗粒物质(例如雨滴、雪花、扬尘等)就会折射一部分回波到雷达接收单元上，进而给雷达测量带来干扰，影响到测距的精度。而且，进一步此时的点云图中会存在小部分空中异常点，将直接影响到障碍检测单元，触发虚警停车，令车辆在此类场景下出现运行不够通畅的问题，甚至影响到行车安全。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、适用范围广、能够提高检测精确度的基于空间邻域信息的雷达异常点云检测方法及检测装置。

为解决上述技术问题，本发明采用以下技术方案：

一种基于空间邻域信息的雷达异常点云检测方法，其步骤包括：

步骤S1：获取道路的三维点云，得到障碍点云，通过点云训练集得到邻域的第一阈值和第二阈值；

步骤S2：利用第一阈值和第二阈值对三维点云进行筛选；

步骤S3：对筛选出来的三维点云进行空间结构分析；

步骤S4：将通过空间结构分析筛选出来的异常点云数据输出。

作为本发明检测方法的进一步改进：所述步骤S1包括：

步骤S101：基于雷达扫描构建道路三维点云描述；

步骤S102：基于扫描三维点云描述，利用地面模型获取障碍点云；

步骤S103：通过点云训练集得到邻域的第一阈值和第二阈值；

即，使用雷达扫描周围环境，构建基于周围场景的三维点云描述。

作为本发明检测方法的进一步改进：所述步骤S101中，在车辆行驶过程中实时获取当前点云，利用地面模型获取道路障碍点云。

作为本发明检测方法的进一步改进：所述点云为激光点云或图像点云。

作为本发明检测方法的进一步改进：对所述阈值的训练方法为统计法或者机器学习法。

作为本发明检测方法的进一步改进：所述步骤S2包括：

遍历道路障碍点云；

选择第一阈值，对道路的障碍点云建立第一近邻空间邻域关系，取得第一近邻关系的空间数目或区域大小；并分析点云空间结构特征；

选择第二阈值，对道路的障碍点云建立第二近邻空间邻域关系，取得第二近邻关系的空间数目或区域大小；并分析点云空间结构特征。

作为本发明检测方法的进一步改进：所述步骤S3包括：依据所筛选的第一近邻关系评估结果和第二近邻关系评估结果，统计两者的数目比值及分析点云空间结构特征作为正常点的最终评估结果根据。