基于自适应阈值的三维激光点云地面分割算法研究

doi:10.19562/j.chinasae.qcgc.2021.07.007

汽车工程 ›› 2021, Vol. 43 ›› Issue (7): 1005-1012.doi: 10.19562/j.chinasae.qcgc.2021.07.007

基于自适应阈值的三维激光点云地面分割算法研究

张凯^1,²,于春磊³,赵亚丽⁴,陈义飞²,杨蒙蒙³,江昆³()

^1.辽宁工业大学汽车与交通工程学院，锦州 121000
^2.北京超星未来科技有限公司，北京 100080
^3.清华大学车辆与运载学院，北京 100084
^4.清华大学电子工程系，北京 100084

收稿日期:2020-11-16 修回日期:2021-01-27 出版日期:2021-07-25 发布日期:2021-07-20
通讯作者: 江昆 E-mail:jiangkun@mail.tsinghua.edu.cn
基金资助:
国家重点研发计划(2018YFB0105000);国家自然科学基金联合基金(U1864203);青年基金(61903220);北京市科技计划课题(Z181100005918001);第66批中国博士后科学基金面上资助项目(2019M660622)

Research on Ground Segmentation Algorithm Based on Adaptive Thresholds for 3D Laser Point Clouds

Kai Zhang^1,²,Chunlei Yu³,Yali Zhao⁴,Yifei Chen²,Mengmeng Yang³,Kun Jiang³()

^1.School of Automotive and Transportation Engineering，Liaoning University of Technology，Jinzhou 121000
^2.Novauto（Beijing）Co. ，Ltd. ，Beijing 100080
^3.School of Vehicle and Mobility，Tsinghua University，Beijing 100084
^4.Department of Electronic Engineering，Tsinghua University，Beijing 100084

Received:2020-11-16 Revised:2021-01-27 Online:2021-07-25 Published:2021-07-20
Contact: Kun Jiang E-mail:jiangkun@mail.tsinghua.edu.cn

摘要/Abstract

摘要：

针对自动驾驶汽车感知模块中三维激光点云前后背景分割过程存在的误分割问题，提出了一种基于路面波动幅度的自适应阈值地面分割方法。该方法将原始点云进行栅格划分，依据点云数量信息设计了相应的高度阈值分割算法和地面平面模型分割算法。具体地，地面平面模型分割算法首先选取局部区域点集拟合地面平面模型，然后针对地面点云分割中存在的误分割问题，构建路面波动幅度方程，并采用基于点集分布特征的自适应阈值方法实现初步分割，最后借助分割后的地面点云重新优化平面模型与分割阈值。本文中基于开源语义分割数据集Semantic?KITTI提出了统一的算法评价基准数据集Semantic?Nova与性能评价指标，同时基于自研的自动驾驶汽车平台采集的实际场景进行了性能测试。试验结果表明，本文中提出的自适应阈值地面分割算法不仅在基准数据集上能够达到较高的精度，而且在实际场景中满足鲁棒性和实时性要求，具有较高的工程应用价值。

关键词: 三维激光点云, 自适应分割阈值, 地面分割, 平面模型

Abstract:

To address the problem of false background segmentation on 3D Lidar point clouds in the perception module of autonomous vehicles， an adaptive threshold segmentation method based on fluctuation range of road surface is proposed. At first， the original point cloud is divided into grids and the corresponding height threshold segmentation algorithm and the ground plane model segmentation algorithm are designed according to the number of points in a certain grid cell. Specifically， the ground plane model is fitted to a local point cloud subset inside the grid cell. Afterwards， an equation of road surface fluctuation is constructed for the problem of false segmentation in ground point cloud segmentation. Based on these point set distribution characteristics， an adaptive threshold method is used to realize an initial segmentation. Finally， the segmented point cloud subset is used to optimize the ground plane model and the segmentation threshold in an iterative manner. The paper proposes a unified benchmark dataset Semantic?Nova based on the open dataset Semantic?KITTI and performance evaluation indicators. Meanwhile， the performance test is conducted based on the actual scenes collected by the self?developed autopilot vehicle platform. The test results show that the adaptive threshold ground segmentation algorithm proposed in this paper can achieve high accuracy in benchmark dataset. Furthermore， it can meet the requirements of robustness and real?time applications in actual scenes， which has high engineering application value.

Key words: 3D laser point cloud, adaptive segmentation threshold, ground segmentation, plane model

张凯,于春磊,赵亚丽,陈义飞,杨蒙蒙,江昆. 基于自适应阈值的三维激光点云地面分割算法研究[J]. 汽车工程, 2021, 43(7): 1005-1012.

Kai Zhang,Chunlei Yu,Yali Zhao,Yifei Chen,Mengmeng Yang,Kun Jiang. Research on Ground Segmentation Algorithm Based on Adaptive Thresholds for 3D Laser Point Clouds[J]. Automotive Engineering, 2021, 43(7): 1005-1012.

图/表 1

参考文献 15

1	徐国艳，牛欢，郭宸阳，等. 基于三维激光点云的目标识别与跟踪研究［J］. 汽车工程， 2020， 42（1）：38-46.
	XU G Y， NIU H， GUO C Y， et al. Research on target recognition and tracking based on 3D laser point cloud［J］. Automotive Engineering， 2020， 42（1）：38-46.
2	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.
	WANG X， WANG J Q， LI K Q， et al. Fast segmentation of 3⁃D point clouds for intelligent vehicles［J］. J Tsinghua Univ（Sci & Technol）， 2014， 54（11）：1440-1446.
3	HIMMELSBACH M， HUNDELSHAUSEN F， WUENSCHE H. Fast segmentation of 3D point clouds for ground vehicles［C］. Detroit：IEEE， 2011：715-721.
4	MOOSMANN F， PINK O， STILLER C. Segmentation of 3D lidar data in non⁃flat urban environments using a local convexity criterion［C］. Intelligent Vehicles Symposium.IEEE， 2009：215-220.
5	张名芳，付锐，郭应时，等. 基于三维不规则点云的地面分割算法［J］. 吉林大学学报（工学版）， 2017， 47（5）： 1387-1394.
	ZHANG M F， FU R， GUO Y S， et al. Road segmentation method based on irregular three dimensional point cloud［J］. Journal of Jilin University（Engineering and Technology Edition）， 2017， 47（5）： 1387-1394.
6	李孟迪，蒋胜平，王红平. 基于随机抽样一致性算法的稳健点云平面拟合方法［J］. 测绘科学， 2015， 40（1）：102-106.
	LI M D， JIANG S P， WANG H P. A RANSAC⁃based stable plane fitting method of point clouds［J］. Science of Surveying and Mapping， 2015， 40（1）：102-106.
7	李希，韩燮，熊风光. 基于RANSAC和TLS的点云平面拟合［J］. 计算机工程与设计， 2017， 38（1）：123-126.
	LI X， HAN X， XIONG F G. Plane fitting of point clouds based on RANSAC and TLS［J］. Computer Engineering and Design， 2017， 38（1）：123-126.
8	李炯，赵凯，白睿，等.基于射线坡度阈值的城市地面分割算法［J］. 光学学报， 2019， 39 （9）： 0928004.
	LI J， ZHAO K， BAI R，et al. Urban ground segmentation algorithm based on ray slope threshold［J］. Acta Optica Sinica， 2019，39（9）： 0928004.
9	LGOR B， CYRILL S. Efficient online segmentation for sparse 3D laser scan［J］. Photogrammetrie Femerkundung Geoinformation， 2017， 85（1）：41-52.
10	DOUILLARD B， UNDERWOOD J， KUNTZ N， et al. On the segmentation of 3D LIDAR point clouds［C］. IEEE International Conference on Robotics and Automation. IEEE， 2011：2798-2805.
11	朱株，刘济林. 基于马尔科夫随机场的三维激光雷达路面实时分割［J］. 浙江大学学报（工学版）， 2015， 49（3）： 464-469.
	ZHU Z， LIU J L. Real⁃time Markov random field based groud segmentation of 3D lidar data［J］. Journal of Zhejiang University （Engineering Science）， 2015， 49（3）： 464-469.
12	HERNANDEZ J， MARCOTEGUI B. Point cloud segmentation towards urban ground modeling［C］. Proceedings of 2009 Joint Urban Remote Sensing Event， 2009： 1-5.
13	程子阳，任国全，张银. 扫描线段特征用于三维点云地面分割［J］. 光电工程， 2019， 46（7）：105-114.
	CHENG Z Y， REN G Q， ZHANG Y. Ground segmentation from 3D point cloud using features of scanning line segments［J］. Opto-Electronic Engineering， 2019， 46（7）：105-114.
14	RUMMELHARD L， PAIGWAR A， LAUGIER C. Ground estimation and point cloud segmentation using spatio temporal conditional random field［C］. Proceedings of 2017 IEEE Intelligent Vehicles Symposium， 2017：1105-1110.
15	BEHLEY J， GARBADE M， MILIOTO A， et al. SemanticKITTI： a dataset for semantic scene understanding of Lidar sequences［J］. arXiv：1904. 01416v1， 2019.

基于自适应阈值的三维激光点云地面分割算法研究

Research on Ground Segmentation Algorithm Based on Adaptive Thresholds for 3D Laser Point Clouds

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 1

参考文献 15

相关文章 1

Metrics

本文评价

推荐阅读 10