羅俊奇，葉勤，張紹明，史鵬程，2

(1.同濟(jì)大學(xué) 測(cè)繪與地理信息學(xué)院，上海 200092；2.武漢大學(xué) 計(jì)算機(jī)學(xué)院，武漢 430072)

0 引言

隨著攝影測(cè)量與計(jì)算機(jī)視覺等技術(shù)的飛速發(fā)展，采用多源傳感器獲取圖像、點(diǎn)云等數(shù)據(jù)進(jìn)行環(huán)境感知，成為當(dāng)前自動(dòng)駕駛等領(lǐng)域研究的熱點(diǎn)問題[1]。基于車載傳感器數(shù)據(jù)獲取高精度且高魯棒性的道路分割與路障檢測(cè)結(jié)果，是自動(dòng)駕駛技術(shù)的實(shí)現(xiàn)基礎(chǔ)與安全保障[2]。然而，當(dāng)前路障檢測(cè)研究側(cè)重的大多為車輛與行人，此類路障尺寸較大且?guī)缀翁卣髅黠@，故檢測(cè)相對(duì)容易。但實(shí)際道路場(chǎng)景還存在如石塊、寵物等常見低矮路障，這些路障由于高度較低，在點(diǎn)云數(shù)據(jù)中占比較小，檢測(cè)難度大[3]，尤其是對(duì)于自動(dòng)駕駛常用的低線束激光雷達(dá)(light detection and range，LiDAR)采集的稀疏點(diǎn)云數(shù)據(jù)而言，低矮路障更難以準(zhǔn)確檢測(cè)。

當(dāng)前多線LiDAR點(diǎn)云的目標(biāo)檢測(cè)方法可分為基于深度學(xué)習(xí)與基于聚類分割[4]?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)[5-7]通常檢測(cè)精度相對(duì)較高，但低矮路障本身在點(diǎn)云數(shù)據(jù)上占比小，與行人、車輛相比，不僅訓(xùn)練樣本獲取更為困難而且較小的占比也易造成其訓(xùn)練效果不佳?；诰垲惙指畹臋z測(cè)主要有基于距離(K-means聚類、歐式聚類等)、基于密度(DBSCAN聚類等)以及基于體素生長(zhǎng)的聚類方法。Liu等[8]采用點(diǎn)云庫(point cloud library，PCL)的歐式聚類模塊分割地面與建筑物；Wang等[9]采用改進(jìn)的搜索半徑自適應(yīng)的DBSCAN聚類進(jìn)行障礙物檢測(cè)；這些方法都是針對(duì)相對(duì)稠密的點(diǎn)云。而針對(duì)低線束LiDAR獲得的稀疏點(diǎn)云，Douillard等[10]對(duì)點(diǎn)云體素化，基于體素生長(zhǎng)分割地面與路障；鄒斌等[11]針對(duì)16線LiDAR獲取的稀疏點(diǎn)云采用改進(jìn)的K-means聚類算法檢測(cè)障礙物；Zhang等[12]基于點(diǎn)云掃描線的間距、高差等幾何特征分割道路要素。在上述聚類分割方法中，K-means聚類依賴初始聚類中心，然而現(xiàn)實(shí)道路場(chǎng)景中類別數(shù)難以確定；基于掃描線特征的方法，受限于低矮路障在稀疏點(diǎn)云上包含掃描線束不多(通常僅有2～4條)，其具備的信息量不足，檢測(cè)效果不佳；基于體素生長(zhǎng)的聚類方法在稀疏點(diǎn)云上易生成大量空格網(wǎng)或僅包含少量點(diǎn)的無效格網(wǎng)，影響檢測(cè)的效率與精度。歐式聚類算法與基于密度的DBSCAN聚類算法可以很好地對(duì)不同尺寸的障礙物進(jìn)行檢測(cè)，但采用的距離、類別數(shù)、密度等閾值需根據(jù)經(jīng)驗(yàn)給定，限制了檢測(cè)方法在不同場(chǎng)景，特別是自動(dòng)駕駛道路場(chǎng)景的適用性，且固定閾值不符合LiDAR點(diǎn)云近密遠(yuǎn)疏的特性。綜上，現(xiàn)階段稀疏點(diǎn)云道路分割與路障檢測(cè)，尤其是低矮路障檢測(cè)問題仍未解決。

為此，本文提出了一種基于低線束LiDAR稀疏點(diǎn)云的道路分割與低矮路障檢測(cè)的自適應(yīng)方法，在準(zhǔn)確分割路面與道路邊線的基礎(chǔ)上，結(jié)合點(diǎn)云局部空間密度實(shí)現(xiàn)自適應(yīng)的歐式聚類低矮路障檢測(cè)。

本文的創(chuàng)新在于：改進(jìn)地面點(diǎn)云分割算法LineFit[13]實(shí)現(xiàn)斜率閾值自適應(yīng)，局部小范圍結(jié)合RANSAC平面擬合解決LineFit在障礙物遮擋方向地面欠分割問題；提出一種基于掃描線曲率與路面約束的道路邊界分割方法；結(jié)合點(diǎn)云局部空間密度實(shí)現(xiàn)聚類半徑閾值自適應(yīng)的低矮路障歐式聚類檢測(cè)方法。本文的自適應(yīng)方法可以避免固定經(jīng)驗(yàn)閾值對(duì)道路分割與低矮路障檢測(cè)的場(chǎng)景限定，為稀疏點(diǎn)云真實(shí)道路場(chǎng)景的結(jié)構(gòu)化目標(biāo)分割及小目標(biāo)檢測(cè)提供幫助。

1 原理與方法

本文提出的稀疏點(diǎn)云道路分割與低矮路障檢測(cè)的自適應(yīng)方法流程如圖1所示。

圖1 本文方法總流程圖

針對(duì)車載低線束LiDAR的道路場(chǎng)景稀疏點(diǎn)云采集，設(shè)定以LiDAR為中心，左右各Rw，前方Rf，后方Rb，上方Rh為目標(biāo)探測(cè)范圍R′a，目標(biāo)探測(cè)范圍參照智能車移動(dòng)速度v與傳感器探測(cè)范圍Ra設(shè)定，如圖2所示。先對(duì)目標(biāo)探測(cè)范圍內(nèi)的原始點(diǎn)云采用統(tǒng)計(jì)濾波器進(jìn)行去噪，得到去噪后的待處理點(diǎn)云P1，然后在去噪后的點(diǎn)云上進(jìn)行道路分割與低矮路障檢測(cè)。具體過程包括：地面及道路邊界分割、低矮路障檢測(cè)。

圖2 點(diǎn)云獲取范圍示意圖

1.1 地面及道路邊界分割

由于在道路點(diǎn)云數(shù)據(jù)中地面點(diǎn)云占比最大，對(duì)其提取與濾除有利于提高后續(xù)點(diǎn)云處理效率，且低矮路障距離地面較近，濾除地面點(diǎn)有利于提高低矮路障檢測(cè)精度。因此，準(zhǔn)確的道路分割是后續(xù)低矮路障檢測(cè)的基礎(chǔ)。

依據(jù)式(1)對(duì)原始點(diǎn)云P0進(jìn)行預(yù)處理，得到待分割點(diǎn)云P1。預(yù)處理主要包含兩個(gè)過程：采用直通濾波器獲取探測(cè)范圍內(nèi)點(diǎn)云P′a、去除簡(jiǎn)單統(tǒng)計(jì)濾波器獲得的噪聲點(diǎn)云Pn。

(1)

1)改進(jìn)LineFit的道路地面提取。常見道路地面提取算法可分為基于深度學(xué)習(xí)與基于幾何特征兩大類?；谏疃葘W(xué)習(xí)的地面分割公開模型在實(shí)際道路場(chǎng)景的泛化能力欠佳[14]?；趲缀翁卣鞯牡缆返孛嫣崛】蛇M(jìn)一步細(xì)分為基于格網(wǎng)、基于掃描線與基于模型擬合3類[15]?；诟窬W(wǎng)[16]與掃描線的方法應(yīng)用于無序點(diǎn)云需要建立相應(yīng)索引，且對(duì)于稀疏點(diǎn)云存在格網(wǎng)化生成大量空格網(wǎng)，掃描線數(shù)量少等問題；基于模型擬合常見的有基于平面擬合與基于直線擬合，平面擬合算法更適用室內(nèi)接近平坦的地面場(chǎng)景，對(duì)存在坡度起伏的地面分割效果不理想。因此，本文選取基于直線擬合的快速地面分割方法LineFit作為基礎(chǔ)方法并進(jìn)行改進(jìn)。

LineFit是一個(gè)地面分割經(jīng)典方法，目前仍被廣泛應(yīng)用，該方法大致流程及本文改進(jìn)部分見圖3。根據(jù)點(diǎn)云所處方位角建立扇形格網(wǎng)，以格網(wǎng)內(nèi)點(diǎn)云與LiDAR的距離d以及點(diǎn)云垂直坐標(biāo)z擬合直線。依據(jù)擬合直線是否滿足地面直線的閾值來提取地面，閾值包括：斜率閾值Tk(決定多大坡度的地面可以分割)、截距閾值Tb(決定可提取地面的顆粒度或粗糙程度)、擬合均方差閾值Ts(決定直線模型擬合抗離散點(diǎn)干擾能力)。由于預(yù)處理濾除了大量離散點(diǎn)，降低了地面直線擬合對(duì)擬合均方差閾值選擇的敏感性。且常見道路的顆粒度差別較小，在不同材質(zhì)(柏油、水泥等)以及含細(xì)小裂隙的路面通過大量實(shí)驗(yàn)可得，經(jīng)驗(yàn)截距閾值與均方差閾值對(duì)常見道路場(chǎng)景路面提取均適用。因此，截距閾值Tb與擬合均方差閾值Ts可以采用固定經(jīng)驗(yàn)閾值給定，且無須隨道路場(chǎng)景更改。

圖3 LineFit算法流程及本文改進(jìn)部分

上述閾值中斜率閾值Tk是坡度地面提取的關(guān)鍵，用于約束地面提取的容許坡度。該閾值設(shè)定過小易漏檢緩坡、塊料顛簸等地面；而設(shè)定過大則會(huì)將道路邊線、路障等非地面點(diǎn)云混入地面部分。在經(jīng)典方法中Tk憑經(jīng)驗(yàn)人為給定，且需根據(jù)具體場(chǎng)景調(diào)整，本文對(duì)此進(jìn)行改進(jìn)。研究中提出依據(jù)地面坡度來確定閾值Tk(算法1)，實(shí)現(xiàn)了LineFit算法Tk的自適應(yīng)確定；再在局部區(qū)域采用RANSAC平面擬合，以解決近處有障礙物遮擋時(shí)，LineFit算法提取遠(yuǎn)端地面點(diǎn)云不完整問題，得到地面點(diǎn)云Pg。由于RANSAC平面擬合僅用于地面欠分割的局部區(qū)域，該情況近似勻質(zhì)平面故可以采用單一擬合閾值TRP，能有效規(guī)避RANSAC平面擬合對(duì)不同場(chǎng)景需不同最優(yōu)閾值的問題，提升本文方法提取地面的完整性。

算法1 坡度自適應(yīng)的LineFit斜率閾值確定算法

2)道路邊界提取。道路邊界與路面通常存在高差，表現(xiàn)在LiDAR點(diǎn)云上為掃描線出現(xiàn)曲率突變點(diǎn)，如圖4中紅框標(biāo)注。本文道路邊界提取算法步驟如下。

圖4 道路邊界點(diǎn)曲率突變示意圖

步驟1：將點(diǎn)云按掃描線進(jìn)行歸類。

步驟2：采用算法2中連續(xù)三點(diǎn)夾角來描述曲率，沿各條掃描線檢測(cè)邊界點(diǎn)，由Sun等[17]對(duì)道路邊界曲率在多線LiDAR點(diǎn)云數(shù)據(jù)上的實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果設(shè)定角度閾值Ta，小于該閾值的點(diǎn)云即為邊界點(diǎn)，對(duì)提取所得的道路邊界點(diǎn)擬合道路邊界的多項(xiàng)式模型，依據(jù)傳感器分辨率與后續(xù)低矮路障的目標(biāo)最小尺寸來設(shè)定距離閾值Td，篩選與邊界距離小于該閾值的點(diǎn)即為道路邊界Pe。

算法2 基于點(diǎn)云曲率突變特性的道路邊界提取算法

對(duì)待檢測(cè)點(diǎn)云P1，通過上述道路分割，可得地面點(diǎn)云Pg與道路邊界點(diǎn)云Pe，從而獲得道路范圍內(nèi)濾除路面的點(diǎn)云P2，用于后續(xù)的低矮路障檢測(cè)。

1.2 道路區(qū)域低矮路障檢測(cè)

街道路面場(chǎng)景的低矮路障通常有小型寵物、錐形路障、應(yīng)急三角警示牌等，該類目標(biāo)的高度一般在20～50 cm。在自動(dòng)駕駛領(lǐng)域，低矮路障是否干擾駕駛行為而需檢測(cè)與移動(dòng)平臺(tái)參數(shù)主要是底盤高D有密切關(guān)系，D反映了車輛不發(fā)生碰撞通過障礙物的能力，道路區(qū)域高度超過D的目標(biāo)需要檢測(cè)避障。當(dāng)前常見的移動(dòng)實(shí)驗(yàn)平臺(tái)家用轎車與機(jī)器人小車的主要參數(shù)如表1所示，本文將低矮路障定義為道路行駛區(qū)域中20～50 cm高度范圍的目標(biāo)。高度大于50 cm路障歸為一般路障，其檢測(cè)難度低且已有較多研究。

表1 移動(dòng)平臺(tái)主要參數(shù) cm

1)低矮路障可檢測(cè)性研究。稀疏點(diǎn)云上低矮路障的可檢測(cè)性，除與障礙物本身尺寸有關(guān)，還受LiDAR性能及安裝的影響。對(duì)于低線束LiDAR獲取的稀疏點(diǎn)云，設(shè)其線束為M，垂直視場(chǎng)角為θ，垂直角分辨率為ε，安裝高度為H，待檢測(cè)低矮路障高度為h，路障縱深尺寸為w，路障與LiDAR距離為S，且低矮路障至少要在n條點(diǎn)云掃描線上才能保證有足夠的信息可被檢測(cè)出，結(jié)合LiDAR探測(cè)的可靠距離Sr，可推導(dǎo)出高度為h低矮路障的可檢測(cè)距離S的范圍，如式(2)所示。

(2)

對(duì)本文實(shí)驗(yàn)采用的低線束激光雷達(dá)RS-LiDAR-16，M=16，θ=15°，該傳感器Sr=100 m，路障至少包含兩條點(diǎn)云掃描線才能準(zhǔn)確檢測(cè)，即n=2，由式(2)可計(jì)算出此時(shí)低矮路障的可靠檢測(cè)范圍(式(3))。

(3)

2)低矮路障檢測(cè)自適應(yīng)算法。在P2點(diǎn)云上對(duì)低矮路障進(jìn)行聚類分割，傳統(tǒng)歐式聚類中距離閾值通常是人為給定的經(jīng)驗(yàn)值。由于低矮路障在稀疏點(diǎn)云上點(diǎn)數(shù)較少，且LiDAR點(diǎn)云近密遠(yuǎn)疏的特性造成其在不同距離處點(diǎn)云密度不同，很難給定一固定距離閾值實(shí)現(xiàn)好的聚類分割。為此本文提出一種考慮點(diǎn)云局部空間密度的自適應(yīng)歐式聚類半徑閾值Tr確定方法，結(jié)合了距離與密度兩個(gè)點(diǎn)云屬性，完成稀疏點(diǎn)云的低矮路障檢測(cè)。

局部空間密度ρn反映了點(diǎn)云在局部空間的相對(duì)密集程度，相較固定的全局指標(biāo)能夠更好地適應(yīng)密度分布不均的LiDAR點(diǎn)云數(shù)據(jù)，計(jì)算如式(4)所示。

(4)

式中：disti表示任意一點(diǎn)n與鄰域點(diǎn)的距離；distn表示點(diǎn)n與k鄰域內(nèi)各點(diǎn)距離的均值；km與kn表示點(diǎn)m與點(diǎn)n鄰近點(diǎn)的集合；SNNm，n為點(diǎn)m與點(diǎn)n的公共鄰近點(diǎn)數(shù)量；ρn越大表示點(diǎn)n是障礙物點(diǎn)的可能性越大，反之ρn越小表示點(diǎn)n是噪聲點(diǎn)的可能性越大。ρn計(jì)算中考慮了不同位置的距離因素，即點(diǎn)云密度差異對(duì)距離的影響，依據(jù)不同位置處的ρn來確定歐式聚類距離閾值，則對(duì)不同密度或者說不同遠(yuǎn)近的點(diǎn)云實(shí)現(xiàn)自適應(yīng)。

基于局部空間密度自適應(yīng)的改進(jìn)歐式聚類算法檢測(cè)低矮路障流程如下。

步驟1：遍歷P2點(diǎn)云，計(jì)算某點(diǎn)云i到LiDAR的距離di0，依據(jù)該距離值確定不同位置點(diǎn)云的鄰域大小ki，給定最近距離d0處點(diǎn)云基礎(chǔ)鄰域大小為k0，則不同距離點(diǎn)云鄰域大小的計(jì)算如式(5)所示。

(5)

步驟2：計(jì)算各點(diǎn)云ki鄰域內(nèi)的局部空間密度ρn，設(shè)定密度閾值為Tρ，由于障礙物點(diǎn)相對(duì)噪聲點(diǎn)分布更為密集，因此該密度閾值可以給定得相對(duì)寬泛。可以依據(jù)傳感器獲得的單幀點(diǎn)云數(shù)量Pointn與檢測(cè)范圍D在Tρ∈[Pointn/D，3·Pointn/D]范圍給定。如本實(shí)驗(yàn)中傳感器在100 m范圍內(nèi)大致獲取約25 000點(diǎn)云，則該密度閾值可以在[250點(diǎn)/m，750點(diǎn)/m]內(nèi)給定，而局部空間密度大于密度閾值的即為候選障礙物點(diǎn)云Poo。

步驟3：將候選障礙物點(diǎn)云Poo，依據(jù)與LiDAR距離di0分級(jí)，劃分間隔為deltad，各分級(jí)區(qū)域范圍Rn的劃分參照式(6)。

Rn={(n-1)×deltad≤di0≤n×deltad}

(6)

步驟4：在不同分級(jí)范圍內(nèi)，分別求取各候選障礙物點(diǎn)云Poo內(nèi)點(diǎn)云的最大平均距離max(disti)，將其作為歐式聚類的距離閾值Tri=max(disti)。

步驟5：采用距離閾值Tri進(jìn)行歐式聚類，聚類結(jié)果即為檢測(cè)所得的障礙物點(diǎn)云Po。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)平臺(tái)、數(shù)據(jù)及參數(shù)設(shè)置

為驗(yàn)證本文算法效果，采用松靈機(jī)器人有限公司的SCOUT MINI型號(hào)移動(dòng)平臺(tái)，搭載Robosense的16線激光雷達(dá)RS-LiDAR-16，如圖5所示。

圖5 實(shí)驗(yàn)平臺(tái)

LiDAR安裝高度為0.7 m，平臺(tái)運(yùn)行速度為10 km/h，每0.1 s采集一幀點(diǎn)云，單幀采集點(diǎn)數(shù)為30 000左右。在配置為8 GB內(nèi)存、Ubuntu 20.04系統(tǒng)的計(jì)算機(jī)上，并在ROS軟件基于PCL庫與C++語言進(jìn)行算法測(cè)試。

利用上述平臺(tái)在園區(qū)道路開展實(shí)驗(yàn)數(shù)據(jù)采集，共采集了12 000多幀，約2.5 km道路長(zhǎng)度的點(diǎn)云數(shù)據(jù)。采集點(diǎn)云數(shù)據(jù)涵蓋上下坡、彎曲道路、交通路口等豐富場(chǎng)景，場(chǎng)景中布設(shè)有石塊、錐形路障、背包等常見低矮路障，圖6為所采集的道路場(chǎng)景環(huán)境與點(diǎn)云的示例。

圖6 道路場(chǎng)景與點(diǎn)云

為驗(yàn)證本文算法的檢測(cè)效果，采用人工目視方式對(duì)采集的點(diǎn)云數(shù)據(jù)中路面、道路邊界及低矮路障等各類目標(biāo)進(jìn)行類型標(biāo)注，如圖7所示。共標(biāo)注低矮路障數(shù)量為388，其中石塊障礙物74個(gè)，錐形路障障礙物95個(gè)，玩偶障礙物(模擬小型寵物)102個(gè)，其他障礙物(水桶、背包等)117個(gè)，作為驗(yàn)證檢測(cè)效果的參考值。

圖7 點(diǎn)云標(biāo)注

實(shí)驗(yàn)中涉及的參數(shù)值與閾值設(shè)置如表2所示。

表2 實(shí)驗(yàn)參數(shù)設(shè)置

2.2 檢測(cè)結(jié)果與精度評(píng)定

1)路面及路沿分割。本文實(shí)驗(yàn)采集的約2.5 km長(zhǎng)的道路數(shù)據(jù)中，包含不同坡度路面、不同形狀路沿，圖8為采用本文前文改進(jìn)的LineFit地面分割及路沿提取結(jié)果。由圖8(a)、圖8(b)可以看出，本文的道路分割算法對(duì)不同道路場(chǎng)景，均能較完整地提取道路地面及道路邊界點(diǎn)云。在此基礎(chǔ)上，圖9為通過坡度地面與障礙物遮擋路面場(chǎng)景，展示本文方法較原LineFit地面提取方法的改進(jìn)效果，如圖9(a)的子圖(a1)所示，對(duì)于含斜坡地面場(chǎng)景，固定閾值的地面分割算法僅能提取整個(gè)道路場(chǎng)景中的部分路面，而圖9(a) 的子圖(a2)本文方法對(duì)藍(lán)圈中平坦與斜坡兩類路面均能準(zhǔn)確分割。而結(jié)合局部RANSAC平面擬合的處理，使障礙物遮擋情形下的路面點(diǎn)云分割的更加完整。圖9(b) 的子圖(b2)補(bǔ)全了圖9(b) 的子圖(b1)藍(lán)圈標(biāo)出的小段欠分割路面。

注：圖中路面紅色，路沿青色。

圖9 本文方法與原有方法的比較

根據(jù)標(biāo)注信息對(duì)實(shí)驗(yàn)的12 000多幀的路面結(jié)果進(jìn)行精度評(píng)定與統(tǒng)計(jì)，采用了召回率與精確率，得到的道路分割精度如表3(路面分割精度)、表4(路沿分割精度)所示。由表3中改進(jìn)前后道路路面分割的召回率、精確率對(duì)比結(jié)果可見，經(jīng)過本文改進(jìn)后的自適應(yīng)地面提取方法在召回率與精確率上較改進(jìn)前均提升了5%左右。尤其本文重點(diǎn)關(guān)注的斜坡路面場(chǎng)景，經(jīng)改進(jìn)后地面提取召回率與精確率提升更為明顯。綜合表4道路分割精度統(tǒng)計(jì)結(jié)果，本文方法對(duì)不同坡度、不同道路場(chǎng)景下的路面及路沿分割精度與準(zhǔn)確度均達(dá)到90%左右，符合當(dāng)前車載LiDAR稀疏點(diǎn)云道路分割的應(yīng)用需求，也有利于后續(xù)低矮路障的精確檢測(cè)。

表3 不同場(chǎng)景道路路面改進(jìn)前后分割精度對(duì)比

表4 不同場(chǎng)景本文方法道路邊界分割精度

2)低矮路障檢測(cè)。依據(jù)以上道路分割結(jié)果，在濾除路面點(diǎn)的基礎(chǔ)上，分別采用本文方法和傳統(tǒng)固定閾值的歐式聚類算法進(jìn)行低矮路障檢測(cè)。對(duì)采集的12 000多幀點(diǎn)云數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，圖10為圖6中示例數(shù)據(jù)的檢測(cè)結(jié)果，圖中對(duì)檢測(cè)所得障礙物采用紅色六面體框出，紫色圈中為場(chǎng)景中存在的低矮障礙物。

圖10 檢測(cè)結(jié)果

由圖10可見，對(duì)于圖中的行人、自行車等一般路障，本文改進(jìn)算法與傳統(tǒng)歐式聚類算法都能準(zhǔn)確檢測(cè)；但對(duì)于低矮路障尤其是當(dāng)目標(biāo)距離LiDAR較遠(yuǎn)時(shí)，目標(biāo)包含點(diǎn)云數(shù)量較少，傳統(tǒng)歐式聚類方法出現(xiàn)漏檢，而本文方法可以準(zhǔn)確分割，如圖10紫色圈出部分。采用召回率與精確率對(duì)檢測(cè)精度評(píng)定，將評(píng)定對(duì)象從點(diǎn)云數(shù)量改為目標(biāo)數(shù)量。本文采集的各類低矮路障檢測(cè)精度如表5(總體精度)及表6～表9(不同類別低矮路障)所示。

表5 低矮路障檢測(cè)結(jié)果—整體(數(shù)量：388)

表6 低矮路障檢測(cè)結(jié)果—石塊(數(shù)量：74)

表7 低矮路障檢測(cè)結(jié)果—錐形路障(數(shù)量：95)

表8 低矮路障檢測(cè)結(jié)果—玩偶(模擬寵物)(數(shù)量：102)

表9 低矮路障檢測(cè)結(jié)果—水桶、背包等(數(shù)量：117)

本文算法檢測(cè)低矮路障的召回率與精確率均達(dá)到90%，較傳統(tǒng)固定閾值的聚類檢測(cè)方法分別提升了5.8%、11.4%。低矮路障的誤檢率與漏檢率均明顯下降，且對(duì)上述傳統(tǒng)歐式聚類檢測(cè)存在問題經(jīng)常漏檢的低矮路障目標(biāo)也可以成功檢測(cè)。傳統(tǒng)歐式聚類需要預(yù)先憑經(jīng)驗(yàn)給定較精確的距離閾值，否則障礙物檢測(cè)效果不佳，其結(jié)果嚴(yán)重依賴于閾值的好壞。本文方法通過計(jì)算點(diǎn)云局部空間密度實(shí)現(xiàn)了歐式聚類距離閾值的自適應(yīng)，無需人工預(yù)先給定閾值，這在工程應(yīng)用非常重要。文中針對(duì)大量真實(shí)道路稀疏點(diǎn)云數(shù)據(jù)的實(shí)驗(yàn)表明，經(jīng)過本文改進(jìn)方法檢測(cè)效果較好，優(yōu)于前者。

3 結(jié)束語

本文針對(duì)現(xiàn)有道路場(chǎng)景點(diǎn)云分割與目標(biāo)檢測(cè)算法中存在的場(chǎng)景閾值依賴問題，提出了一種稀疏點(diǎn)云道路分割與低矮路障檢測(cè)的自適應(yīng)方法。首先，改進(jìn)LineFit地面分割算法，解決了斜率閾值需人為設(shè)定及障礙物遮擋方向地面欠分割問題，實(shí)現(xiàn)城市緩坡道路的自適應(yīng)分割；其次，提出一種基于掃描線曲率與路面約束的道路邊界分割方法；最后，結(jié)合點(diǎn)云局部空間密度實(shí)現(xiàn)歐式聚類低矮路障檢測(cè)方法的自適應(yīng)。本文提出的自適應(yīng)方法，提高了道路點(diǎn)云分割與路障檢測(cè)的自動(dòng)化程度，對(duì)不同道路場(chǎng)景稀疏點(diǎn)云的低矮路障均可成功檢測(cè)。實(shí)驗(yàn)表明，本文方法對(duì)道路路面及邊線可準(zhǔn)確分割，且對(duì)低矮路障的檢測(cè)效果優(yōu)于傳統(tǒng)固定閾值歐式聚類方法，檢測(cè)精度可達(dá)90%，可以更好地應(yīng)用于低線束LiDAR自動(dòng)駕駛移動(dòng)平臺(tái)的道路環(huán)境感知。然而，本方法的低矮路障檢測(cè)面向結(jié)構(gòu)化程度高的城市道路，對(duì)于邊界與路面無高差等結(jié)構(gòu)化程度較低的道路場(chǎng)景，低矮路障檢測(cè)效果仍有待改進(jìn)，后續(xù)將進(jìn)一步研究無人駕駛平臺(tái)在特殊路面場(chǎng)景的障礙物檢測(cè)與識(shí)別。