[发明专利]一种多线激光雷达稀疏点云的表面法向量估计方法

说明书

本发明提供了一种针对多线激光雷达稀疏点云的表面法向量估计方法，包括：S1，获取多线激光雷达的一帧点云数据，将数据按要求排序；S2，对于点云数据中每一个有效测量点p_l,i，计算其所属扫描线在该点处的切线向量；S3，在相邻扫描线上查找2个满足条件的p_l,i近邻点，通过近邻点估计p_l,i的2条副切线向量；S4，将上一步得到的2条副切线向量与扫描线切线向量进行叉乘计算，得到当前点表面法向量的2个初始估计值；S5，对法向量初始估计值方向进行检测，若其与雷达的激光发射方向夹角小于90度，则取反方向；S6，通过法向量的2个估计值综合估计该点的表面法向量。

技术领域

本发明属于雷达数据处理技术领域，具体涉及一种多线激光雷达稀疏点云的表面法向量估计方法。

背景技术

激光雷达通过向目标发射激光束并接收目标反射回的光线，经信号处理后，得到目标的方位、距离和反射率等信息。激光雷达具有测距精度高、受光照影响小、可昼夜工作等优点，目前已广泛应用于自动驾驶领域的研究。自动驾驶汽车一般搭载多线激光雷达对周围环境进行扫描，以获取汽车周围三维空间的点云信息。通过对点云进行分析处理，自动驾驶系统可获得周围环境的可通行区域、障碍物等信息。

点云的表面法向量是一种十分重要的点云特征信息，其可用于三维点云的分析处理，如点云分割、表面重建、障碍物识别等。传统的点云表面法向量估计方法一般通过构建KdTree(k-d树)将无序点云有序化，基于k近邻搜索算法，找到待估计点的某一距离阈值内最近邻点，再基于搜索到的最近邻点，构建点云表面的mesh网络进而计算曲面的法向量，或计算由最近邻点生成的协方差矩阵的特征向量和特征值，从而得到待估计点的表面法向量。然而，上述方法仅适用于点云分布较为均匀且稠密的点云数据。自动驾驶汽车所搭载的多线激光雷达的水平和垂直方向角分辨率差别很大，其获取到的点云数据分布不均匀且较为稀疏，将上述点云表面法向量估计方法用于多线激光雷达稀疏点云的表面法向量估计，效果往往较差。

发明内容

针对上述问题，本发明提供了一种多线激光雷达稀疏点云的表面法向量估计方法，具体包含以下步骤：

S1.获取多线激光雷达对周围环境扫描所产生的一帧点云数据，将数据按按扫描线进行分组，对于同一条扫描线的数据，根据其扫描时间的先后顺序进行排序；对于不同组的数据，按所在扫描线的高低角度，由低到高进行排序。排序完成的数据如下：

p_1，1，p_1，2，...，p_1，n，p_2，1，p_2，2，...，p_2，n，...，p_m，1，p_m，2，...，p_m，n

其中，m为多线激光雷达的线数，n为一帧中每条扫描线的点数，p_l，i为第l扫描线上的第i个点，对没有反射的点，存储为无效值NaN。

S2.对于一帧点云数据中每一个有效测量点p_l，i，计算扫描线l在点p_l，i处的切线向量，具体步骤为：

S2.1以待计算点p_l,i为中心，分别沿扫描线向后向前查找点其中，应满足如下条件：(1)与p_l，i的空间距离大于阈值d_threshold；(2)与p_l，i的下标距离|i-i_prev/next|小于等于i_threshold，或与p_l，i的空间距离小于等于5d_threshold。若无法所搜到满足条件1和条件2的点，则或记为NaN；阈值i_threshold建议取值2～3。阈值d_threshold根据激光雷达测测距误差取值，建议设置为测距误差的1.5～2倍；