张心睿 潘新福

摘  要：本文针对城市场景下的三维激光雷达点云分割问题，提出了一种基于局部凸性的点云分割方法。针对每个三维雷达点，利用其局部邻域点来计算其凸性值，如果超出给定阈值，则将该点标记为障碍物点，否则标记为地面点。利用城市环境下采集三维激光雷达点云数据进行实验分析，结果表明，该方法在城市场景中点云分割表现良好，具有较高的实时性。

关键词：三维激光雷达;点云分割;局部凸性;城市场景

中图分类号：TP399      文獻标识码：A 文章编号：2096-4706（2019）21-0165-03

Abstract：In this paper，in view of the problem of 3D lidar point cloud segmentation in unstructured off-road environment，a method based on local convex point cloud segmentation is proposed. For each 3D lidar point，its convex value is calculated using its local neighborhood point，and if a given threshold is exceeded，the point is marked as an obstacle point or otherwise marked as a ground point. The experimental analysis is made by collecting 3D lidar point cloud data in urban environment，and the results show that the proposed method performs well in point cloud segmentation in urban scenes and has high real-time performance

Keywords：3D lidar;point cloud segmentation;local convex;urban environment

0  引  言

智能汽车必须执行的关键任务之一是它们对环境的可靠感知，即检测障碍和可通行区域。尤其对于后者，三维激光雷达非常有效，因为它们的分辨率和检测视场远超过毫米波雷达和超声波雷达，并且它们可以提供直接测量的距离。目前很多学者对激光雷达进行目标检测进行了研究，其中使用最多的是2D激光雷达传感器，即在有限的范围内沿着固定平面进行扫描。当雷达平行于地面安装时，每次扫描获得一维的测距与角度序列，这使得采用一维的信号处理方法检测障碍物变得非常容易。然而，2D雷达却无法检测到扫描平面上或下的物体。有限的测量数据对于障碍物的分类和跟踪也变得非常困难。此外，在丘陵地面，2D雷达可能无法检测到障碍物或将上行的道路误检为道路障碍物。在最近几年，三维激光雷达被大量引入，不同于扫描一个平面，三维激光雷达通过选择扫描可以产生大量的三维的点云数据，从而可以检测各种类型的障碍物和可通行区域。而大量的数据对算法构成了巨大的挑战。

基于三维激光雷达的目标检测方法通常分为基于模型的和非模型的方法。基于模型的方法主要是通过数据拟合的方式解决检测和分类问题，然而该类方法计算复杂度高，很难满足算法实时性的要求。另一种更灵活的方法是首先通过平面模型分离出地面点云，从而减少处理时间，达到降维的目的，然后对非地面点进行聚类分割。最常见的情况是数据被投射到一个假设的或估计的地面平面，常与占用网格地图相结合[1]。其优点之一是几个传感器可以很容易融合（甚至以概率方式[2]），映射是直接的。许多团队成功应用这种方法（如文献[3]、文献[4]）。然而，困难的是障碍和地面的区别仍然存在。一个简单的解决方法是定义点的密度单元格作为占用值，这很容易标记所有的单元格包含被占据的垂直结构。另一种方法是将三维激光雷达点云数据投射到一个圆柱体上，其轴为扫描仪的旋转轴。此投影生成深度图像，其中深度图像中的像素值对应于距离测量[5]。本文使用两维的图结构来组织三维激光雷达点云，图中的每个节点表示一个激光雷达点，图结构中节点之间的连接权重表示近邻点之间的相似性。

1  基于局部凸性的三维激光雷达点云分割算法

在本文中，我们使用基于图割的方法来组织三维点云，这样就可以将无序的点云有序化，保留了点云中所有的信息。我们的方法是对环境进行扫描分割，具体步骤包括：（1）三维激光雷达点云采集;（2）利用激光雷达点的局部邻域构建点的图结构;（3）根据图结构计算每个点的凸属性，最后基于凸性进行点云分割。下面详细介绍这些步骤。

1.1  数据采集

对于扫描采集，我们使用Velodyne HDL-64高精度的激光雷达扫描仪，安装在实验车的顶部，它由64个激光发射和接收器构成扫描阵列，覆盖大约26度的垂直视场。它以10Hz的速度旋转，每扫描一圈产生18万个点。激光器的俯仰角是固定的，每一个较低的激光器在水平面上产生一个点测量环，采集的三维激光雷达点云图如图1所示。

1.2  邻域点图构建

这一步的目标是将扫描的三维激光雷达点转换到无向图G={N，E}中。图中的每个节点N={（xi，yi，zi）}表示一个三维激光雷达测量点，图中点和点之间的连接边界E={（Ni，Nj）}表示相邻两点之间的径向距离，在这里选择点的四邻域构成图结构。由于三维激光雷达在旋转时是逆时针的，所以一个点的左边雷达点对应于同一扫描线获得的下一个雷达点，右边点对应于前一个测量点。每个点的上邻域和下邻域点对应于相邻扫描线相同方位角的点。

1.3  属性计算

对于每个节点，计算所使用的属性在下一步用于图分割。由于距离传感器只能点对点采样，曲面几何必须利用深度数据进行差值。在这项工作中，为完成上述任务，利用一个平面或者曲面法向量近似点周围的局部曲面代表整个曲面。一个健壮的方法会利用几个相邻点使用最小方差估计，然而这种方法的实时性比较差。在本文中，我们计算左下、右上位移向量之间的叉乘，然后平均计算的向量，得到估计的局部曲面法线。为了降低噪声，采用了移动平均滤波器对计算的曲面法线场进行滤波。

1.4  三维激光雷达点云分割

通过对许多物体的外观进行观察，可以发现一般凸轮廓和垂直结构通常代表了一个单一的对象，基于此，我们提出了一个点云分割准则，如果图中两个节点属于同一个目标，当且仅当在图两个点之间存在一条路径，这个准则独立与两个相邻的表面特征。该判据依赖于两个相邻的面si和sj，分别用它们各自的点位置pi/j相对于任意但固定的坐标系表示。如果si的中心点pi位于sj表面之下，两个相邻的表面si和sj成为局部凸的，反之亦然。根据点的凸性可以将地面点和非地面点分割。为了提高鲁棒性，我们还考虑了如果它们的法向量近似且具有相同的方向，那么这两个表面si和sj具有局部凸性。

如果两个表面局部是凸的，或者两个法向量近似垂直，它们就被合并成一个线段。这个定义有一个重要的性质：如果grow（si，sj）成立，则grow（sj，si）也成立。这使得分割可以通过区域增长算法有效地解决。

2  实验结果与分析

本文对提出的算法，利用安装在车顶上的VelodyneHDL- 64E传感器采集城市场景下的三维激光雷达点云数据进行实验评估。由于没有可以利用的真值基准集信息，本文采用定性的方法对算法进行分析。

城市场景下三维雷达点云分割结果示例如图2所示，该场景地面略有起伏，道路上布满了车辆，车辆和车辆之间保持较近的距离，给三维点云分割算法带来了巨大的挑战。图2（a）是地面点分割结果，白色点表示地面点，背景色外的灰色点和黑色点点表示非地面点，从图2（a）中可以看出提出的方法很好地将地面部分与非地面部分分开，即使对起伏的路面也获得了很好的地面分割结果;图2（b）是对非地面点进一步分割，不同颜色表示不同的分割目标，从图2（b）中可以看出，即使车辆挨得很近，提出的分割方法也可以将每一个独立目标分割出来。

3  结  论

本文提出了一种新的三维激光雷达点云分割算法，即使在非平面的环境也能够从地面点云中分割出物体。而三维激光雷达点云沿着维度映射，本身包含了松散的维度信息，本文提出的方法在将三维点云转换到2D图结构中充分考虑了三维激光雷达的物理属性，在提高数据效率的同时也没有丢失重要信息。局部凸性准则是本文算法的核心，它的引入作为一个新的特征可以用于分割非平坦地面和常见的障碍物。通过实验证明，本文提出的方法在城市环境中获得较好的分割结果。未来工作考虑在提出的点云分割方法的基础上宽展到目标的分类和跟踪中。

参考文献：

[1] 万燕，谭亮，龙文铮，等.基于网格的三维彩色点云分割算法 [J].东华大学学报（自然科学版），2014，40（4）：481-485+496.

[2] TAY MK，MEKHNACHA K，CHEN C，et al. An efficient formulation of the Bayesian occupation filter for target tracking in dynamic environments [J].International Journal of Vehicle Autonomous Systems，2008，6（1/2）：155.

[3] 傅思勇，吴禄慎，陈华伟.空间栅格动态划分的点云精简方法 [J].光学学报，2017，37（11）：253-261.

[4] 王肖，王建强，李克强，等.智能车辆3-D点云快速分割方法 [J].清华大学学报（自然科学版），2014，54（11）：1440-1446.

[5] 范小輝，许国良，李万林，等.基于深度图的三维激光雷达点云目标分割方法 [J].中国激光，2019，46（7）：292-299.

作者简介：张心睿（1996.09-），男，汉族，陕西西安人，硕士研究生，研究方向：智能网联汽车及其测试评价技术;潘新福（1984.12-），男，汉族，江苏盐城人，工程师，工学硕士，研究方向：智能网联汽车测试技术。