萬凌峰 孫朋朋 趙祥模 文舜智

（1.長安大學(xué)，西安 710061；2.浙江數(shù)智交院科技股份有限公司，杭州 310013）

主題詞：背景建模 點云處理 三維激光雷達(dá) 智能交通系統(tǒng)

1 前言

激光雷達(dá)（Light Detection And Ranging，LiDAR）廣泛應(yīng)用于自動駕駛車輛、高精度地圖等領(lǐng)域。車載激光雷達(dá)產(chǎn)生的點云可通過VoxelNet、PointPillars、PointNet、PointNet++等深度學(xué)習(xí)方法實現(xiàn)感知任務(wù)。與車載激光雷達(dá)相比，路側(cè)激光雷達(dá)部署位置更高，可提供超視距感知能力。但路側(cè)激光雷達(dá)發(fā)射到目標(biāo)上的點云較稀疏，僅占全部點云的小部分，絕大多數(shù)點為背景點。并且路側(cè)激光雷達(dá)部署在固定位置，背景高度同質(zhì)化，卷積神經(jīng)網(wǎng)絡(luò)難以提取到有效特征，先濾除背景點云可有效提升感知效果。

目標(biāo)和背景區(qū)域的點云密度不同，基于點云密度實現(xiàn)背景濾波是一類常見的方法。J.Wu等提出了三維密度統(tǒng)計濾波（3D Density Statistic Filtering，3D-DSF）及其系列衍生方法，其主要思想是利用密度將掃描空間分割為背景方塊與前景方塊，并濾除位于背景方塊的點。G.Wang 等對點云進(jìn)行柵格化，基于統(tǒng)計特征建立混合高斯模型，利用模型置信區(qū)間過濾背景點云。而點云的離散性會導(dǎo)致點云柵格化產(chǎn)生大量空柵格，消耗大量的存儲和計算資源，且此類方法的性能與空間劃分粒度密切相關(guān)，難以實現(xiàn)計算速度與準(zhǔn)確率的折衷。同時，路側(cè)激光雷達(dá)在風(fēng)、車輛通過等因素作用下會產(chǎn)生擺動，影響此類方法的準(zhǔn)確性。

同一線束發(fā)射到背景和目標(biāo)上獲得的點的坐標(biāo)差異明顯，可根據(jù)線束角度構(gòu)建背景模型，此類方法將大幅減少計算消耗。J.Zhao 等根據(jù)一幀純背景點云的縱坐標(biāo)構(gòu)建背景模型，利用目標(biāo)點云與背景模型的縱坐標(biāo)差值區(qū)分前景點和背景點。楊思遠(yuǎn)和J.Zheng等將多幀點云中各點高度均值作為背景模型。張楨瑤將統(tǒng)計點到激光雷達(dá)的距離作為背景特征。閾值的選取是此類方法準(zhǔn)確區(qū)分前景點和背景點的關(guān)鍵。同時，由于背景可能發(fā)生改變，恰當(dāng)?shù)谋尘案虏呗允潜匾摹?/p>

基于此，本文提出一種基于高度信息的背景濾波方法和幀差背景更新法。首先，利用點的縱坐標(biāo)構(gòu)建點云高度矩陣。然后對多幀點云高度矩陣進(jìn)行中值濾波建立背景幀，降低激光雷達(dá)抖動造成的干擾。選取恰當(dāng)?shù)拈撝祵δ繕?biāo)點云進(jìn)行背景濾波，并使用幀差背景更新法對背景模型進(jìn)行更新。

2 數(shù)據(jù)分析

在三維空間內(nèi)對點云進(jìn)行柵格化時，假設(shè)激光雷達(dá)的有效范圍為，探測區(qū)域的高度為，柵格邊長為，則柵格數(shù)量為：

現(xiàn)有方法中常用的柵格邊長為0.1 m，以有效范圍100 m的激光雷達(dá)為例，若探測區(qū)域的高度為5 m，將生成2×10個柵格。每幀點云數(shù)據(jù)中包含的點云數(shù)量為：

式中，、分別為激光雷達(dá)的線數(shù)和水平分辨率。

則水平分辨率為0.1°的32 線激光雷達(dá)每幀所含有115 200 個點，即2×10個柵格中最多有115 200 個柵格包含點云，存在大量的空柵格，造成資源浪費。

將運動目標(biāo)抽象為長方體，假設(shè)某條激光束在兩幀中均探測到同一個運動目標(biāo)，運動目標(biāo)在兩幀之間移動的距離為，則兩幀間點的縱坐標(biāo)變化量為：

圖1 LiDAR擺動導(dǎo)致激光點偏移

以=17°、=5 m為例，當(dāng)=0.5°時，產(chǎn)生的偏移量為0.45 m。

根據(jù)上述計算，對三維空間柵格化有較高的時間復(fù)雜度和空間復(fù)雜度，基于密度的濾波方法難以實現(xiàn)實時處理，故本文的方法根據(jù)線束進(jìn)行背景建模。此外，路側(cè)激光雷達(dá)出現(xiàn)擺動時，激光束所發(fā)射到的位置將出現(xiàn)較大的偏移量，不同時刻的兩幀點云可能存在較大差異，由單幀或少數(shù)幾幀不含有前景目標(biāo)的點云構(gòu)建的背景模型并不可靠，需要根據(jù)多幀純背景點云實現(xiàn)背景建模。但由于交通場景的復(fù)雜性，在一段時間內(nèi)場景中沒有任何前景目標(biāo)是幾乎不可能的，所以需要一種能夠從包含交通目標(biāo)的點云中提取出背景特征的方法。

3 背景建模與動態(tài)更新方法

3.1 背景建模

根據(jù)激光束的水平角度和垂直角度，構(gòu)建一個二維矩陣，其中每個元素對應(yīng)一條特定角度的激光束，二維矩陣的行數(shù)為激光雷達(dá)的線數(shù)，列數(shù)根據(jù)激光雷達(dá)的水平分辨率計算：

以水平分辨率為0.1°的32線激光雷達(dá)為例，二維矩陣含有32行、3 600列。

習(xí)近平從人類文明發(fā)展的角度和社會形態(tài)演變的角度看到了綠色發(fā)展是人類文明發(fā)展進(jìn)步和社會形態(tài)演變的必然結(jié)果，是一個自然歷史過程，并且從現(xiàn)實的角度對綠色發(fā)展作了符合當(dāng)今中國實際的頂層設(shè)計。這是一種前所未有的創(chuàng)新，具有顯著的前瞻性和現(xiàn)實指導(dǎo)性。

如圖2所示，對于發(fā)射角度同為的激光束，背景點的縱坐標(biāo)與前景點的縱坐標(biāo)之間存在明顯差值Δ。圖3顯示了2條激光束產(chǎn)生的點云的縱坐標(biāo)，可以看出，背景點的縱坐標(biāo)明顯小于前景點的縱坐標(biāo)。激光雷達(dá)擺動使背景點云的縱坐標(biāo)在不同時刻呈現(xiàn)一定差異，但背景點與前景點之間的差異更顯著。選取合適的閾值可以對二者進(jìn)行準(zhǔn)確區(qū)分，故將各點的縱坐標(biāo)作為背景濾除的依據(jù)。將點的縱坐標(biāo)作為構(gòu)建的二維矩陣中對應(yīng)元素的值，將該二維矩陣稱為點云高度矩陣。

圖2 前景點與背景點的縱坐標(biāo)之差

圖3 前100幀兩條線束的點縱坐標(biāo)

如圖3所示，激光束發(fā)射到前景目標(biāo)的次數(shù)遠(yuǎn)小于發(fā)射到背景目標(biāo)的次數(shù)。所以一段時間內(nèi)，同一線束的點縱坐標(biāo)的中值與背景點縱坐標(biāo)間的最大差值明顯小于與前景點的差值。將一段時間內(nèi)點的縱坐標(biāo)中值作為背景點的縱坐標(biāo)，能夠減小交通目標(biāo)物的存在與路側(cè)激光雷達(dá)的擺動對背景構(gòu)建的影響。

采集幀數(shù)量為的點云進(jìn)行背景建模，將其映射為點云高度矩陣，則背景模型的元素值為：

式中，()為高度圖中的坐標(biāo)；H(0≤≤,∈N)為第幀點云的高度圖；為中值函數(shù)。

3.2 背景更新

在交通場景中，背景是動態(tài)變化的，構(gòu)建的背景可能在一段時間后與真實背景存在較大差異，所以需要對構(gòu)建的背景進(jìn)行實時更新。

目標(biāo)移動會導(dǎo)致區(qū)域內(nèi)點的縱坐標(biāo)發(fā)生明顯改變：當(dāng)目標(biāo)進(jìn)入激光束的探測區(qū)域后，點的縱坐標(biāo)將增大；當(dāng)目標(biāo)離開激光束的探測區(qū)域后，點的縱坐標(biāo)將減?。划?dāng)區(qū)域內(nèi)無目標(biāo)進(jìn)入和離開時，點的縱坐標(biāo)無明顯變化?？赏ㄟ^計算相鄰兩幀點云高度矩陣之差來檢測運動目標(biāo)所在區(qū)域，使運動目標(biāo)區(qū)域內(nèi)的背景模型保持不變，而對非運動區(qū)域的背景模型進(jìn)行更新。

在、確定的情況下，僅與相關(guān)。設(shè)定=300幀、=0.05 m、=0.03，對的不同取值進(jìn)行試驗，統(tǒng)計第6 201～6 250 幀目標(biāo)點云的和，結(jié)果如表1 所示。從表1 中可以看出，從0.1°增加到0.6°的過程中，從509 643個減少到87 060個，減少約83%，而僅減少2 500 個左右，減少約4%；從0.6°增加為1.0°的過程中，提升很小，而迅速下降。

使用B來更新背景B，得到更新后的背景B：

（1）地勢變化與相對誤差。茂名港外航道PN段地勢平緩，內(nèi)航道NM段存在邊坡，MK段地勢變化最大。由圖3知沿著PNMK進(jìn)港方向，航道及邊坡地勢變化加劇，方格網(wǎng)法、斷面法、DTM法土方量相對誤差均呈現(xiàn)遞增狀態(tài)，不同土方量計算結(jié)果差異變大。外航道曲線斜率相對較小，該區(qū)域三種方法計算結(jié)果差值較小，可靠性高。

式中，為背景更新率；為判斷()是否處于運動目標(biāo)區(qū)域的閾值。

路側(cè)激光雷達(dá)的擺動在一定時間范圍內(nèi)存在周期規(guī)律，當(dāng)背景建模的時間明顯小于路側(cè)激光雷達(dá)的擺動周期時，生成的背景模型與真實背景有較大差距。同時，在背景建模時間過短的情況下，激光束發(fā)射到目標(biāo)上的時間可能比該激光束發(fā)射到背景上的時間長，導(dǎo)致將目標(biāo)點縱坐標(biāo)誤認(rèn)為背景點縱坐標(biāo)進(jìn)行處理。過長的背景建模時間也對濾波效果存在影響，在長時間的背景建模過程中背景可能已經(jīng)發(fā)生改變，生成的背景模型與真實背景差距較大。

這一敘述承接的不僅有大洪水的故事、制造方舟的方法，還有祭祀時焚燒犧牲、以煙侍奉神仙、神也要靠人的供奉生存的理念。

如圖1 所示，在實際部署中，激光雷達(dá)的支撐桿會出現(xiàn)微小擺動。假設(shè)激光雷達(dá)部署位置為點，部署高度為，支撐桿偏轉(zhuǎn)角度為，、′′均為發(fā)射角度為的激光束，支撐桿偏轉(zhuǎn)將導(dǎo)致激光束點云產(chǎn)生偏移量|′|：

式中，為目標(biāo)運動方向與激光束發(fā)射方向在水平方向上的夾角。

兩幀之間背景的縱坐標(biāo)變化量較小，|/(coscos)|≥/cos，故設(shè)=/cos。對于Δ=0 的情況，由于目標(biāo)處于移動中，一條激光束探測到運動目標(biāo)的時間很短，并且更新率設(shè)定得較小，所以此時不會對背景更新造成較大影響。

3.3 背景濾波

將目標(biāo)點云映射為點云高度矩陣，計算其中每個元素與背景模型中對應(yīng)元素之差，并設(shè)定閾值，差值大于或等于的元素所對應(yīng)的點為目標(biāo)點，差值小于的元素所對應(yīng)的點為背景點，將背景點過濾，完成背景濾波。

直接影響背景濾波的效果，取值不當(dāng)將導(dǎo)致與背景距離較小的目標(biāo)點難以與背景點區(qū)分開。激光雷達(dá)擺動導(dǎo)致背景點的縱坐標(biāo)存在波動，的設(shè)定應(yīng)考慮其變化情況。交通場景中大部分背景點位于水平面（如地面）或豎直面（如建筑物）上。如圖4 所示，激光雷達(dá)初始位置為(′)，擺動角度后位置為()或()，()、()、()是發(fā)射角度為的激光束，激光雷達(dá)部署高度為，支撐桿最大偏轉(zhuǎn)角度為。圖4a 展示了激光束發(fā)射到地面上的情況，由激光雷達(dá)擺動導(dǎo)致的不同時刻地面點云縱坐標(biāo)之差最大為||||：

圖4 LiDAR擺動造成背景點偏移

(1) 如無禁忌證，無論采用何種治療策略，所有患者均應(yīng)口服阿司匹林首劑負(fù)荷量150mg～300mg(未服用過阿司匹林的患者)并以75mg/d～100mg/d的劑量長期服用(Ⅰ,A)。

4 試驗結(jié)果及分析

為驗證方法的有效性，對背景建模和動態(tài)更新方法在真實交通場景中進(jìn)行試驗。

4.1 試驗環(huán)境

如圖5 所示，試驗使用的激光雷達(dá)是萬集32LLiDAR-R，試驗地點位于陜西省西安市問遠(yuǎn)路，道路周圍有較多樹木，對背景濾波任務(wù)有較大的影響。將激光雷達(dá)部署于道路一側(cè)的移動基站頂部，距地面高度為5 m，激光雷達(dá)的工作頻率為10 Hz，水平分辨率為0.1°，采集的原始點云如圖6 所示。數(shù)據(jù)采集時間為18:00～18:30，共采集18 000 幀點云。使用的計算機(jī)配置為IntelCore?i7-9700 CPU@3.00 GHz，16 GB RAM。

按照“山東客?！苯ㄔO(shè)的相關(guān)標(biāo)準(zhǔn)和要求，從建筑樣式、空間布局、裝飾風(fēng)格、庭院綠化、休閑功能等方面進(jìn)行全方位的農(nóng)村庭院建設(shè)，建成一批主題鮮明、生態(tài)良好、布局合理、功能完備的葫蘆文化主題客棧，為游客提供新穎別致、溫馨舒適的旅游住宿體驗。

圖5 LiDAR部署

圖6 LiDAR原始數(shù)據(jù)

4.2 參數(shù)分析

分別對背景建模所用的點云幀數(shù)、背景更新模塊的閾值、更新率、背景濾除模塊的閾值的取值進(jìn)行討論。使用語義分割編輯器（Semantic Segmentation Editor）標(biāo)注點云，統(tǒng)計原始點云的背景點（Background Point，BP）、目標(biāo)點（Target Point，TP）、過濾后剩余的背景點（Remaining Background Point，RBP）、保留的目標(biāo)點（Extracted Target Points，ETP）數(shù)量，計算背景點濾除率和目標(biāo)點提取率作為算法性能評價指標(biāo)：

式中，、、、分別為BP、TP、RBP、ETP的數(shù)量。

華中科技大學(xué)檔案館2017年完善“檔案業(yè)務(wù)網(wǎng)上服務(wù)系統(tǒng)”。根據(jù)師生反饋意見，對系統(tǒng)進(jìn)行了修改和完善：重新修改了使用界面，使系統(tǒng)功能更直觀明了；增加了在線互動功能，方便申請人和審核人進(jìn)行交流；對部分系統(tǒng)缺陷進(jìn)行了修改，使其更加安全穩(wěn)定。項目在2017年獲得學(xué)?！暗诙霉ぷ髁鞒淘O(shè)計與再造競賽” 優(yōu)勝項目獎項。

運用最鄰近指數(shù)分析廈門民宿的空間格局，結(jié)果表明，R值為0.137，小于1，說明整體上，廈門民宿呈集聚分布態(tài)勢.海滄區(qū)、同安區(qū)、翔安區(qū)民宿的R值均大于1，表明這3個區(qū)的民宿分布較為均勻；而湖里區(qū)、集美區(qū)、思明區(qū)R值均小于1，表明這3個區(qū)的民宿呈集聚分布，尤其是思明區(qū)，R值極其逼近0，表明其民宿呈高度集聚分布的態(tài)勢.

4.2.1 點云幀數(shù)

老板道：開幕儀式鎮(zhèn)長也來，還有表演，黃瑩也來唱歌。印刷廠就開在我隔壁不遠(yuǎn)地方，你沒事就到我的二樓包廂里來看，說不定還能看見剪彩。

對的不同取值進(jìn)行試驗，設(shè)=0.5°、=0.05 m、=0.03，計算不同時刻的濾波效果，如圖7所示。從圖7中可以看出，和兩項指標(biāo)在從50幀增加到200幀的過程中明顯提升，而在從200 幀增加到300 幀的過程中提升幅度較小，在從300 幀增加到500 幀的過程中無明顯提升。另外，隨著的增加，算法能夠在較長時間內(nèi)保持穩(wěn)定的性能。由試驗結(jié)果可以看出，背景點云構(gòu)建至少需要200幀點云，適當(dāng)?shù)慕瑪?shù)為300～400幀。

圖7 不同n取值下的背景濾波指標(biāo)

圖8 展示了不同取值對應(yīng)的濾波結(jié)果。從圖8 中可以看出：取=0.1°時，大量背景點未被濾除，影響后續(xù)目標(biāo)檢測等任務(wù)的效果；取=0.9°時，大多數(shù)背景點被過濾掉，但同時也過濾掉了很多高度較低的目標(biāo)點，導(dǎo)致很多目標(biāo)不完整；取=0.5°時，方法能夠濾除近98%的背景點，同時盡可能保留目標(biāo)點。

將構(gòu)建的背景高度圖作為原始背景，對于目標(biāo)點云，將其映射為高度圖H，并求其與前一幀點云高度矩陣差分的二值矩陣：

表1 不同β取值下的背景濾波指標(biāo)

4.2.2 閾值

圖8 不同β取值時的背景濾波效果

4.2.3 閾值

僅由決定，激光雷達(dá)工作頻率為10 Hz，故為目標(biāo)在0.1 s內(nèi)移動的距離。以移動速度較低的行人作為參考，分別取0.100 m、0.050 m、0.025 m，在=300幀、=0.5°、=0.03 的條件下進(jìn)行試驗，結(jié)果如圖9 所示。由圖9可以看出：取為0.050 m時算法的性能優(yōu)于其他取值時的性能，說明大多數(shù)的運動目標(biāo)速度高于0.5 m/s；當(dāng)取值較小時，會將部分背景點作為目標(biāo)點，從而不對背景模型中對應(yīng)的元素進(jìn)行更新；當(dāng)取值較大時，會將部分移動較慢的目標(biāo)點作為背景點，從而對背景模型中元素進(jìn)行錯誤更新。

“非人磨墨墨磨人”，知人才能識其文?！跺X鍾書創(chuàng)作淺嘗》可謂是高山流水識知音，揭示錢氏創(chuàng)作之最經(jīng)磨處——“還是人的血肉之軀”（楊絳語）。而《遙寄張愛玲》則情系故人，洗去歷史塵封，還一代名媛以本來面目。一卷《墨磨人》堪稱篇篇振聾發(fā)聵，回味無窮。

圖9 不同u取值下的背景濾波指標(biāo)

4.2.4 更新率

選用合理的施工機(jī)械設(shè)備，在整個施工過程中至關(guān)重要，適合南水北調(diào)較大工程量的地基處理，且能滿足施工質(zhì)量和進(jìn)度的需要。設(shè)計圖紙對樁徑、處理深度的要求直接影響選擇大型、中型還是小型的樁機(jī)，盡可能優(yōu)先選用履帶式柴油打樁機(jī)（型號W1001）、3t柴油錘，這種中小型設(shè)備最能節(jié)省投資。

視頻的幀差背景更新法中一般設(shè)定為0.005 或0.010。圖像與點云高度矩陣都是二維的，有一定相似性，所以將設(shè)為0.005和0.010，設(shè)置=300幀、=0.05 m、=0.5°進(jìn)行試驗。另外，將設(shè)置為0觀察不進(jìn)行更新時方法的濾波效果。背景建模完成后，將一靜止假人放入激光雷達(dá)探測范圍內(nèi)，測試更新方法的有效性，試驗結(jié)果如圖10所示。

圖10 不同α取值時的背景濾波效果

結(jié)果表明，當(dāng)設(shè)定為0、0.005 和0.010 時，均未能對假人進(jìn)行過濾，對于緩慢變化的背景點過濾效果也較差，噪聲點較多，原因可能是視頻幀率與點云幀率不一致。由于設(shè)為0.005 和0.010 時未能有效更新背景模型，故增大更新率進(jìn)行試驗，得到如圖11 所示的結(jié)果，取=0.02～0.04時，算法性能較好。其中=0.030的試驗結(jié)果如圖12 所示。在背景更新過程中，存在將運動目標(biāo)點判斷為背景點的情況，設(shè)置過大將增加誤判的影響，而設(shè)置過小則影響背景更新的速度，造成背景模型與真實模型間存在較大的誤差。

將4項水資源評價指標(biāo)權(quán)重均設(shè)定為0.25，加權(quán)平均后可得水資源承載指數(shù)為0.22；將3項生態(tài)條件與環(huán)境質(zhì)量評價指標(biāo)權(quán)重均設(shè)定為0.33，加權(quán)平均后得生態(tài)條件與環(huán)境質(zhì)量承載指數(shù)為0.65。參照省內(nèi)指標(biāo)的平均水平，按照弱、較弱、一般、較強(qiáng)、強(qiáng)五級分類方法進(jìn)行分類評價(表4)。將承載能力為強(qiáng)、較強(qiáng)和一般的判定為可載，承載能力較弱的判定為臨界，承載能力為弱的判定為超載。

圖11 不同α取值下的背景濾波指標(biāo)

圖12 α=0.030的背景濾波效果

4.3 方法對比

為驗證本文提出的方法的性能，將本文方法與文獻(xiàn)[17]提出的方法進(jìn)行對比。本文方法的參數(shù)設(shè)置為=300幀、=0.05 m、=0.5°、=0.03；文獻(xiàn)[17]的參數(shù)與其一致，=tan，并選取交通目標(biāo)較少的一幀點云為背景幀。統(tǒng)計不同時刻2 種方法的BP、TP、RBP、ETP 數(shù)量，計算和，結(jié)果如表2所示。

以上問題串分別對應(yīng)自變量處理、無關(guān)變量控制、因變量觀測的注意事項，學(xué)生對問題進(jìn)行討論分析，逐步得出各變量的處理方法，為接下來設(shè)計實驗奠定基礎(chǔ)，促進(jìn)學(xué)生深入思考探究。

表2 2種方法的定量評價指標(biāo)

試驗結(jié)果表明，相較于文獻(xiàn)[17]的方法，本文的方法大幅提升了和。在測試數(shù)據(jù)集中，最高提升了4.40百分點，的提升最高達(dá)到31.35百分點。同時，本文方法能夠在較長時間內(nèi)保持穩(wěn)定性能，在測試過程中，僅下降0.52 百分點，下降2.87 百分點。文獻(xiàn)[17]的方法僅使用1 幀點云進(jìn)行背景構(gòu)建，在濾波時，若目標(biāo)點云的背景與構(gòu)建時的背景較為接近，則算法性能較好，若背景差別較大，則性能較差，故該方法的性能在不同時刻出現(xiàn)較大的波動。

由于整個高縣都是田多地少，社員的大部分時間都用于種植水稻。據(jù)記分員許某講述，以前插田是發(fā)牌的，插田的主要工種包括：鏟秧、擔(dān)秧和插秧。鏟、擔(dān)秧的計分方式一樣，均按你的底分來折算。插秧則是插多少桶就得多少牌，收工后，再把這些牌上交給記分員，由他進(jìn)行統(tǒng)計。(XJD170323)插秧的計分公式是：插田面積×28÷總工牌×個人工牌+擔(dān)腳=當(dāng)天個人工分[注]本文的三條公式均為筆者根據(jù)記分員的講解和《工分簿》的記錄整理而成。

圖13 展示了2 種方法對第6 000 幀目標(biāo)點云進(jìn)行背景濾波的結(jié)果。文獻(xiàn)[17]的方法由于只利用1 幀點云進(jìn)行背景建模，在激光雷達(dá)擺動時，大量背景點云未被過濾，也不能有效濾除樹葉等動態(tài)變化的背景，產(chǎn)生了大量的噪點。此外，由于背景模型與實際背景相差較大，文獻(xiàn)[17]的方法將部分目標(biāo)點判斷為背景點并過濾，圖13 中行人和車輛點云中高度較低的部分均被濾除。相比于文獻(xiàn)[17]的方法，本文的方法能夠在激光雷達(dá)擺動的條件下有效濾除背景，也能濾除樹葉等動態(tài)背景，濾波后剩余的噪聲點明顯減少，同時，被濾除的目標(biāo)點明顯減少，能夠在背景濾波的同時保證目標(biāo)點的完整。

圖13 2種方法的背景濾波效果

計算2 種方法的時間復(fù)雜度：文獻(xiàn)[17]的方法僅使用單幀點云進(jìn)行背景建模，故建模時間僅需0.1 s，但需手動選擇交通目標(biāo)較少的點云幀；本文的方法在試驗時使用300幀進(jìn)行建模，建模時間為30 s。在濾波過程中，統(tǒng)計處理100幀點云所需要的時間，并計算單幀平均處理時間：文獻(xiàn)[17]的方法僅需進(jìn)行背景過濾，單幀平均處理時間為27 ms左右；本文的方法需進(jìn)行背景模型的更新，故耗時稍長，單幀平均處理時間為32 ms 左右。點云的采樣頻率為10 Hz，故本文的方法能夠?qū)崿F(xiàn)點云的實時處理。

5 結(jié)束語

本文提出一種適用于路側(cè)激光雷達(dá)點云的背景濾波及背景更新方法。背景濾波方法提取多幀點云的特征構(gòu)造背景模型，有效克服路側(cè)激光雷達(dá)擺動引起的背景點坐標(biāo)變化對背景濾波的影響。利用點云幀差對背景進(jìn)行實時更新，能夠解決交通場景中背景動態(tài)變化的問題。真實交通場景測試結(jié)果表明，相比于現(xiàn)有的路側(cè)激光雷達(dá)點云背景建模方法，本文的方法不僅具有更高的準(zhǔn)確率，還能在較長時間內(nèi)保持更穩(wěn)定的濾波效果，在測試過程中，背景點濾除率保持在98%以上，目標(biāo)點提取率保持在93%以上。同時，方法具有較低的時間復(fù)雜度，背景構(gòu)建時間為30 s，平均單幀濾波時間約為32 ms，能夠快速完成點云的背景構(gòu)建和濾波，滿足智能交通系統(tǒng)的實時性需求。方法結(jié)合DBSCAN 等聚類算法可實現(xiàn)三維點云的多目標(biāo)檢測，并可進(jìn)一步實現(xiàn)目標(biāo)識別、目標(biāo)跟蹤等任務(wù)。