[发明专利]基于欧式聚类和深度学习的激光雷达障碍物检测方法

说明书

本发明公开了一种基于欧式聚类和深度学习的激光雷达障碍物检测方法，采用深度学习方法对激光雷达点云数据进行处理，得到深度学习的检测结果；然后加入欧式聚类，进行深度学习误检处理，排除深度学习的错误检测情况，得到排除误检的深度学习检测结果列表；遍历排除误检的深度学习检测结果列表，进行合并聚类过度分割，得到三组检测结果：含有聚类点云的深度学习检测列表；不含聚类点云的深度学习检测列表；无深度学习语义属性的聚类簇；将上述不含聚类点云的深度学习检测列表和无深度学习语义属性的聚类簇作为输入，进行拆分聚类不完全分割，得到最终检测结果。本发明将欧式聚类和深度学习的检测结果进行融合处理，提高了激光雷达的感知精度。

技术领域

本发明涉及车辆障碍物检测技术，尤其涉及一种基于欧式聚类和深度学习的激光雷达障碍物检测方法。

背景技术

常见的激光雷达障碍物检测主要分为传统的欧式聚类和先进的深度学习检测，其二者均存在优缺点。基于欧式聚类的检测方法，将环境中的非地面点云形成聚类簇，认为聚类簇为被测目标，但其对聚类参数依赖较高，容易将多个相邻的小目标聚类成一个大目标(欠分割)，或者将一个大目标识别成多个小目标(过分割)；此外其缺乏障碍物的语义信息。基于深度学习的检测方法对环境样本数据要求较高，容易出现漏检情况，如无法检测环境中存在的儿童、雪糕筒、以及部分非机动车；此外其存在误检情况，如将花坛、绿植识别成移动车辆，容易导致车辆误刹车。

因此，本发明提出一种基于欧式聚类和深度学习的激光雷达障碍物检测方法，将欧式聚类和深度学习的检测结果进行融合处理，提高激光雷达的感知精度。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于欧式聚类和深度学习的激光雷达障碍物检测方法。

为实现本发明的目的，本发明所采用的技术方案是：

一种基于欧式聚类和深度学习的激光雷达障碍物检测方法，包括步骤：

(1)采用深度学习方法对激光雷达障碍物检测获得的点云数据进行处理，得到深度学习的检测结果；然后加入欧式聚类，进行深度学习误检处理，排除深度学习的错误检测情况，得到排除误检的深度学习检测结果列表；

(2)遍历排除误检的深度学习检测结果列表，进行合并聚类过度分割，得到三组检测结果：含有聚类点云的深度学习检测列表；不含聚类点云的深度学习检测列表；无深度学习语义属性的聚类簇；

(3)将上述不含聚类点云的深度学习检测列表和无深度学习语义属性的聚类簇作为输入，进行拆分聚类不完全分割，得到最终检测结果。

进一步地，步骤(1)具体包括：

(1.1)采用深度学习方法对激光雷达点云数据进行检测，得到深度学习的检测结果，形成障碍物列表；每个障碍物均用最小矩形框包围；

(1.2)采用欧式聚类方法对激光雷达点云数据进行检测，得到聚类簇；将深度学习的检测结果分别与对应的聚类簇构建关联性质，若相关联的欧式聚类与深度学习检测面积的交集比小于阈值，则认为当前情况为深度学习错误检测，将其从检测列表中去除。

进一步地，步骤(1.2)中，根据深度学习最小矩形框的中心位置和聚类簇的中心位置，计算二者的距离，若距离小于设定阈值则认为具有关联性质。

进一步地，步骤(2)具体包括：

(2.1)对排除误检的深度学习检测障碍物的面积进行膨胀；

(2.2)以排除误检的深度学习检测到的结果为基准，分别遍历聚类模块检测出的障碍物，进行目标关联；分别判断聚类结果到深度学习检测结果的距离，若距离小于一定阈值，则认为二者存在相关性；