低能见度下稀疏点云航空器快速捕获方法与流程

1.本发明属于激光雷达扫描技术领域，具体涉及一种低能见度下稀疏点云航空器快速捕获方法。


背景技术：

2.激光雷达受环境因素影响小，但扫描到的点云相较于图像稀疏，雨雾等能见度低的天气下，遮挡严重，航空器自身也会相互遮挡，点云中同一目标的点云簇集离散。因此激光雷达输出的是稀疏的三维点云数据，扫描物体残缺不全，这对目标检测识别和目标尺寸测量造成很大障碍。
3.机场每个机位上可以停靠多种机型，飞机准确停靠位置是前轮压在对应机型的停机线与滑行线路的交点上。飞机进入泊位时需要经过3个阶段：转弯摆正(机身与滑行线平行)/减速/停止。如果飞机在停机线之前停下/滑过或者未滑到停止线，超出一定范围，廊桥无法停靠，必须用牵引车拖至正确位置，泊位引导初始时辅助人工提高泊位准确率，降低人力消耗，成熟的泊位引导取代人工引导，减少人力消耗，降低机场运营成本。
4.实现泊位引导的前期工作是快速获取即将泊位的航空器的完整簇集，判断场面动目标是否为即将泊位到指定位置的航空器，防止误启动泊位引导系统，将航空器与场面其他动目标区分出来，实现入侵检测。
5.现有技术利用激光雷达扫描到的点云，进行平面分割，背景剔除，利用点云深度学习网络，训练模型，进行目标检测和识别，雷达获取的点云稀疏，点云目标检测识别的深度学习网络，网络模型复杂，此方法适用于点云各种目标检测，但是没有针对机场这种相对特殊且具体的情况，此方法对机器要求高，训练模型耗时，检测识别耗时，准确率不高，尤其出现雨雾天气等时，准确率降低。
6.现有技术的缺点是激光雷达扫描获取物体外形残缺不全且点云稀疏，深度学习模型体量大，训练标定数据集耗时，对机器要求高且耗时，且准确率不高。此方法虽然具有广泛使用性，但是与实际场景结合较少，实用性不强。


技术实现要素：

7.针对于上述现有技术的不足，本发明的目的在于提供一种低能见度下稀疏点云航空器快速捕获方法，以解决现有技术中机场场景下激光雷达扫描获取的物体外形残缺不全且点云稀疏，深度学习模型体量大，训练标定数据集复杂且耗时，检测准确率不高的问题。
8.为达到上述目的，本发明采用的技术方案如下：
9.本发明的一种低能见度下稀疏点云航空器快速捕获方法，步骤如下：
10.1)获取机场泊位位置的激光雷达的连续点云数据，对每帧点云进行预处理；
11.2)密度聚类，获取机头簇集；
12.3)根据机头簇集中心点坐标与滑行线和停止线的交点相对位置变换，来判断进入激光雷达覆盖范围的航空器目标位置；
13.4)针对泊位到指定位置的航空器，进行密度聚类，获取完整的航空器点云集，并进行入侵检测。
14.进一步地，所述步骤1)具体包括：
15.11)基于航空器运动的区域，剔除不属于该区域的点；
16.12)对获取的原始点云逐帧进行平面分割，以剔除点云中地面点集；
17.13)基于连续帧进行动目标检测，获取仅包含运动目标的点云。
18.进一步地，所述步骤13)具体为：基于八叉树算法(octree)进行前后帧空间变换检测，航空器进入雷达扫射范围，空间变换检测获取动目标点云，当连续多帧的动目标点云中点数量为增长趋势，簇最高点坐标满足航空器运动轨迹，基于时间保存空间变换点云，得到基于时间序列的动目标点云集。
19.进一步地，所述步骤2)具体包括：
20.基于所述得到动目标点云集，初始化邻域半径为引导车簇集最远两点间的距离，最小邻居数为点云中人物簇集点的点数目，对空间变换点云进行密度聚类，获取连续两帧中簇集最高点及最高点附近最小邻居数的点高度平均值，其运动方向和所在位置满足航空器运动轨迹，则判断属于航空器，簇集中包含航空器机头，计算簇集点云的分辨率，作为下一帧的邻域半径，保存簇集点，计算簇集中心点坐标并保存；根据航空器运动轨迹和卡尔曼滤波预测下一次聚类簇集中心点坐标，划出包括所述簇集(上一帧聚类得到的簇集，包含航空器机头等的簇集)所在区域，在该区域进行下一帧聚类，保存航空器簇集，计算簇集中心点坐标并保存，计算簇集点云分辨率，基于航空器运动轨迹更新区域，依照上述的方法迭代聚类(在新区域聚类，根据聚类结果簇集计算簇集分辨率，作为下一帧的聚类参数，更新聚类区域)；当前后两帧得到簇集分辨率差小于阈值，或基于簇集中心点坐标变化判断出航空器运动方向时，则不再迭代计算簇集分辨率，以固定的邻域半径继续聚类，此时确定聚类到的簇集为航空器机头簇集。
21.进一步地，所述卡尔曼滤波的系统状态方程为：xk＝ax
k-1
+bu
k-1
+w
k-1
；
22.卡尔曼滤波的观测方程：zk＝hxk+vk；
23.其中，xk表示系统状态矩阵，a是状态转移矩阵，b是控制输入矩阵，w
k-1
是过程噪声；zk表示状态矩阵的观测值，即实测值，h是状态观测矩阵，vk是测量噪声；
24.卡尔曼滤波器时间更新方程：
[0025][0026]
其中，和分别表示k时刻和k-1时刻的后验状态估计值，也即最有估计；表示k时刻的先验状态估计值，根据上一时刻的最有估计预测k时刻的结果；uk是k时刻外界对系统的作用；q是预测噪声噪声协方差矩阵；p
k-1
和pk分别表示k-1时刻和k时刻的后验估计协方差，即和的协方差，为k时刻的先验估计协方差，即的协方差；
[0027]
卡尔曼滤波器状态更新方程：
[0028]
[0029][0030][0031]
其中，kk是滤波增益矩阵，r是测量噪声协方差矩阵，表示实际观测和预测的残差，其和卡尔曼增益修正先验，得到后验，i为1的矩阵，对于单模型单测量，i＝1。
[0032]
进一步地，所述步骤3)具体包括：
[0033]
设滑行线方向为y轴方向，停止线方向为x轴方向，滑行线与停止线的交点设为d(x0，y0)，机头簇集中心点坐标为(x，y)，若机头集簇中心点坐标与滑行线和停止线的交点坐标d，在滑行线方向上的距离(abs(y，y0))不断减小，则表示航空器向所监控的泊位驶入；若在滑行线方向上的距离(abs(y，y0))增大或丢失满足航空器高度特征的簇集，则表示航空器停止在所监控的泊位的对面泊位；若机头簇集中心点与交点坐标d在滑行线方向上的距离基本不变，机头簇集中心点与交点坐标d在停止线方向上距离先减小后增大，则表示路过。
[0034]
进一步地，所述步骤4)具体包括：
[0035]
航空器转弯时开始聚类其完整机身，初始化邻域半径为单个机翼长度，保存每一帧的邻域半径，初始最小邻居数为雷达扫描到人物簇集的平均点数目；航空器转弯时的位置聚类点云能获取到完整机身以及机身外可能存在的其他动目标；根据上一帧机头位置，得到一个确定包含机身在内的簇集，基于该簇集计算簇集点云分辨率，根据航空器泊位轨迹，划出包含簇集在内的运动区域，继续下一帧聚类，每次都在上一帧簇集的基础上根据航空器泊位轨迹划定下一帧的聚类区域，将上一帧簇集分辨率作为下一帧的邻域半径，当下一帧聚类得到n个簇集，n＞1，存在三种可能：第一是泊位的航空器簇集被分割；第二是航空器簇集完整，没有被分割，剩余n-1个簇集是其他动目标；第三是航空器簇集被分割同时检测出其他动目标簇集；以同样的参数对下一帧进行聚类，获取连续三帧的簇集以及簇集中心点，采用基于轨迹预测的多目标跟踪方法进行动目标跟踪，如果跟踪丢失，则将聚类出来的多个簇集与机头簇集的相对位置方式辅助判断簇集对应关系，如果仍无法判断，则采用点云配准的方式计算匹配点云簇集(点云配准同时计算配准点云的旋转平移矩阵)，获取连续两帧多个簇集对应关系，基于对应簇集的运动方向和运动角度判断以上三种可能；如果每对簇集运动方向和运动角度接近，表明是航空器簇集被分割，无其他动目标，采用二分法向上迭代计算邻域半径(聚类结果只有一个簇的邻域半径r1，聚类处多个簇的邻域半径r2，二分法向上迭代邻域半径r＝(r1+r2)/2)，直到聚类到一个簇集，得到此帧最合适邻域半径；如果有簇集对运动方向或角度不同于机头簇集的运动方向和角度，则存在非航空器的动目标，报警并根据簇集数确定航空器是否被分割，如果仅一个簇集满足航空器泊位轨迹，航空器簇集未被分割，继续迭代邻域半径；如果多个簇集满足航空器运动轨迹，则簇集被分割，二分法向上迭代邻域半径，直到此帧仅一个簇集满足航空器运动轨迹的簇集，停止迭代；通过以上方法，获取实际场景下的航空器，并将航空器与场面上其他动目标区分出来，当场面上其他动目标在航空器泊位时被分割出来，实现入侵检测。
[0036]
进一步地，所述步骤4)具体还包括：簇集运动方向为两个对应簇集的中心点，分别记为：c1和c2，两点构成的向量的斜率，簇集运动角度为c1和c2两点构成的向量α与滑行线单位向量β的夹角，夹角记为θ；采用空间三维坐标的余弦角来比较，锐角时cosθ＞0，钝角时
cosθ＜0，向量α和向量β之间的夹角，向量α＝(x1，y1，z1)，向量β＝(x2，y2，z2)，α*β＝x1x2+y1y2+z1z2，，航空器转弯进入泊位时，簇集运动角度开始减小，直至平行于滑行线，同一个物体的簇集对的方向和角度相近。
[0037]
本发明的有益效果：
[0038]
(1)本发明针对机场现场场景单一，背景点或静止目标点数量远大于动目标点数量时的情况，充分结合实际场景情况，进行运动区域划分，平面分割，获取区域内动目标簇集，按照时间序列保存空间变化点云集，解决由于无效点太多导致处理耗时，动目标分割不准确的问题；
[0039]
(2)本发明解决了传统聚类方式聚类异形结构的稀疏点云，同一个目标被分割成多个或者将其他目标与异形结构目标聚类到一个簇的问题，采用密度聚类并与其他目标区分开，基于实际场景初始化邻域半径核最小邻居数，基于簇集分辨率，迭代邻域半径；根据分裂簇集对的运动方向和运动角度实现入侵检测。
[0040]
(3)本发明基于实际应用场景自适应确定点云分辨率，选择距离最小邻居数位置的点计算两点间距，统计平均值作为簇集点云分辨率。
附图说明
[0041]
图1为本发明方法的原理图。
具体实施方式
[0042]
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0043]
参照图1所示，本发明的一种低能见度下稀疏点云航空器快速捕获方法，步骤如下：
[0044]
1)获取机场泊位位置的激光雷达的连续点云数据，对每帧点云进行预处理；
[0045]
具体地，所述步骤1)具体包括：
[0046]
11)基于航空器运动的区域，剔除不属于该区域的点；
[0047]
12)对获取的原始点云逐帧进行平面分割，以剔除点云中地面点集；
[0048]
13)基于连续帧进行动目标检测，获取仅包含运动目标的点云。
[0049]
其中，所述步骤13)具体为：基于八叉树算法(octree)进行前后帧空间变换检测，航空器进入雷达扫射范围，空间变换检测获取动目标点云，当连续多帧的动目标点云中点数量为增长趋势，簇最高点坐标满足航空器运动轨迹，基于时间保存空间变换点云，得到基于时间序列的动目标点云集。
[0050]
2)密度聚类，获取机头簇集；
[0051]
具体地，所述步骤2)具体包括：
[0052]
基于所述得到动目标点云集，初始化邻域半径为引导车簇集最远两点间的距离，最小邻居数为点云中人物簇集点的点数目，对空间变换点云进行密度聚类，获取连续两帧中簇集最高点及最高点附近最小邻居数的点高度平均值，其运动方向和所在位置满足航空器运动轨迹，则判断属于航空器，簇集中包含航空器机头，计算簇集点云的分辨率，作为下一帧的邻域半径，保存簇集点，计算簇集中心点坐标并保存；根据航空器运动轨迹和卡尔曼滤波预测下一次聚类簇集中心点坐标，划出包括所述簇集(上一帧聚类得到的簇集，包含航空器机头等的簇集)所在区域，在该区域进行下一帧聚类，保存航空器簇集，计算簇集中心点坐标并保存，计算簇集点云分辨率，基于航空器运动轨迹更新区域，依照上述的方法迭代聚类(在新区域聚类，根据聚类结果簇集计算簇集分辨率，作为下一帧的聚类参数，更新聚类区域)；当前后两帧得到簇集分辨率差小于阈值，或基于簇集中心点坐标变化判断出航空器运动方向时，则不再迭代计算簇集分辨率，以固定的邻域半径继续聚类，此时确定聚类到的簇集为航空器机头簇集。
[0053]
示例中，所述卡尔曼滤波的系统状态方程为：xk＝ax
k-1
+bu
k-1
+w
k-1
；
[0054]
卡尔曼滤波的观测方程：zk＝hxk+vk；
[0055]
其中，xk表示系统状态矩阵，a是状态转移矩阵，b是控制输入矩阵，w
k-1
是过程噪声；zk表示状态矩阵的观测值，即实测值，h是状态观测矩阵，vk是测量噪声；
[0056]
卡尔曼滤波器时间更新方程：
[0057][0058]
其中，和分别表示k时刻和k-1时刻的后验状态估计值，也即最有估计；表示k时刻的先验状态估计值，根据上一时刻的最有估计预测k时刻的结果；uk是k时刻外界对系统的作用；q是预测噪声噪声协方差矩阵；p
k-1
和pk分别表示k-1时刻和k时刻的后验估计协方差，即和的协方差，为k时刻的先验估计协方差，即的协方差；
[0059]
卡尔曼滤波器状态更新方程：
[0060][0061][0062][0063]
其中，kk是滤波增益矩阵，r是测量噪声协方差矩阵，表示实际观测和预测的残差，其和卡尔曼增益修正先验(预测)，得到后验，i为1的矩阵，对于单模型单测量，i＝1。
[0064]
3)根据机头簇集中心点坐标与滑行线和停止线的交点相对位置变换，来判断进入激光雷达覆盖范围的航空器目标位置；
[0065]
具体地，所述步骤3)具体包括：
[0066]
设滑行线方向为y轴方向，停止线方向为x轴方向，滑行线与停止线的交点设为d(x0，y0)，机头簇集中心点坐标为(x，y)，若机头集簇中心点坐标与滑行线和停止线的交点坐标d，在滑行线方向上的距离(abs(y，y0))不断减小，则表示航空器向所监控的泊位驶入；
若在滑行线方向上的距离(abs(y，y0))增大或丢失满足航空器高度特征的簇集，则表示航空器停止在所监控的泊位的对面泊位；若机头簇集中心点与交点坐标d在滑行线方向上的距离基本不变，机头簇集中心点与交点坐标d在停止线方向上距离先减小后增大，则表示路过。
[0067]
4)针对泊位到指定位置的航空器，进行密度聚类，获取完整的航空器点云集，并进行入侵检测；其中，
[0068]
航空器转弯时开始聚类其完整机身，初始化邻域半径为单个机翼长度，保存每一帧的邻域半径，初始最小邻居数为雷达扫描到人物簇集的平均点数目；航空器转弯时的位置聚类点云能获取到完整机身以及机身外可能存在的其他动目标；根据上一帧机头位置，得到一个确定包含机身在内的簇集，基于该簇集计算簇集点云分辨率，根据航空器泊位轨迹，划出包含簇集在内的运动区域，继续下一帧聚类，每次都在上一帧簇集的基础上根据航空器泊位轨迹划定下一帧的聚类区域，将上一帧簇集分辨率作为下一帧的邻域半径，当下一帧聚类得到n个簇集，n＞1，存在三种可能：第一是泊位的航空器簇集被分割；第二是航空器簇集完整，没有被分割，剩余n-1个簇集是其他动目标；第三是航空器簇集被分割同时检测出其他动目标簇集；以同样的参数对下一帧进行聚类，获取连续三帧的簇集以及簇集中心点，采用基于轨迹预测的多目标跟踪方法进行动目标跟踪，如果跟踪丢失，则将聚类出来的多个簇集与机头簇集的相对位置方式辅助判断簇集对应关系，如果仍无法判断，则采用点云配准的方式计算匹配点云簇集(点云配准同时计算配准点云的旋转平移矩阵)，获取连续两帧多个簇集对应关系，基于对应簇集的运动方向和运动角度判断以上三种可能；如果每对簇集运动方向和运动角度接近，表明是航空器簇集被分割，无其他动目标，采用二分法向上迭代计算邻域半径(聚类结果只有一个簇的邻域半径r1，聚类处多个簇的邻域半径r2，二分法向上迭代邻域半径r＝(r1+r2)/2)，直到聚类到一个簇集，得到此帧最合适邻域半径；如果有簇集对运动方向或角度不同于机头簇集的运动方向和角度，则存在非航空器的动目标，报警并根据簇集数确定航空器是否被分割，如果仅一个簇集满足航空器泊位轨迹，航空器簇集未被分割，继续迭代邻域半径；如果多个簇集满足航空器运动轨迹，则簇集被分割，二分法向上迭代邻域半径，直到此帧仅一个簇集满足航空器运动轨迹的簇集，停止迭代；通过以上方法，获取实际场景下的航空器，并将航空器与场面上其他动目标区分出来，当场面上其他动目标在航空器泊位时被分割出来，实现入侵检测。
[0069]
具体地，所述步骤4)具体还包括：簇集运动方向为两个对应簇集的中心点，分别记为：c1和c2，两点构成的向量的斜率，簇集运动角度为c1和c2两点构成的向量α与滑行线单位向量β的夹角，夹角记为θ；采用空间三维坐标的余弦角来比较，锐角时cosθ＞0，钝角时cosθ＜0，向量α和向量β之间的夹角，向量α＝(x1，y1，z1)，向量β＝(x2，y2，z2)，α*β＝x1x2+y1y2+z1z2，，航空器转弯进入泊位时，簇集运动角度开始减小，直至平行于滑行线，同一个物体的簇集对的方向和角度相近。
[0070]
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。