一种车载二维激光运动中三维环境扫描成像方法
【专利摘要】一种车载二维激光运动中三维环境扫描成像方法，属于测距激光扫描成像及无人驾驶车辆自主环境感知【技术领域】。本发明提出了一种纹理增强图的计算模型，该模型可实现基于车载二维激光测距数据的三维环境扫描成像，且有效克服了车体不规则运动造成的图像模糊现象，能够获得三维点云数据清晰的二维图像描述，是对三维空间测距信息的补充。本发明提出的纹理增强图，通过计算出一个最优参考向量，使得生成图像的像素灰度值区分度最大，突出了场景中物体的纹理细节，从而为基于激光扫描数据的场景分割、物体识别及场景理解提供有效的支持。本发明可用在无人驾驶车室外场景理解及环境认知等人工智能领域。
【专利说明】一种车载二维激光运动中三维环境扫描成像方法
【技术领域】
[0001] 本发明属于测距激光扫描成像及无人驾驶车辆自主环境感知【技术领域】，涉及到一 种车载二维激光运动中对三维环境扫描成像的方法。本发明以无人驾驶车为运动载体，以 二维激光测距传感器及惯性导航系统为测量装置，以车载计算机为数据收集及处理平台， 对三维环境进行扫描成像。
【背景技术】
[0002] 视觉传感器能够提供丰富的环境感知信息，因此计算机视觉成为很多相关领域的 研究重点与热点，在人工智能与模式识别领域也得到了长足发展。通常情况下，视觉图像是 通过CCD或CMOS相机进行采集的，但在成像过程中容易受到环境的影响，比如光照强度变 化、视觉可见度等因素。另一方面，通过相机采集的图片不能获得物体精确的深度信息。相 比之下，利用激光测距传感器扫描所获取的点云数据来生成图像，不但能够克服光照变化 及可见度对成像的影响，更能发挥出激光精确测距的优势。
[0003] 传统上利用激光点云数据生成的图像有深度图、反射值图及方位角图。其中深度 图仅仅是根据激光传感器测出的距离信息，将其转化为相应的像素灰度值来生成图像。激 光点云数据的深度图表述方法具有成像方法简单、计算效率高等特点，但该成像模型对距 离变化不够敏感，无法有效反应场景中物体轮廓、边角等细节信息。以SICK LMS291激光测 距传感器为例，其平面扫描角度为0-180度，纵向扫描深度范围动态可调，分为8米、16米、 32米（距离分辨率为1毫米）、80米（距离分辨率为1厘米）四个扫描范围。采用常用的 32米扫描深度时，将其对应到0-255范围的像素灰度值，每个像素灰度值大概对应12. 5厘 米的范围，因此生成的图像无法有效地区分相邻物体间的边缘变化，不利于后续物体识别 及场景理解的应用。
[0004] 反射值图是根据不同物体对激光束反射率的不同，然后将反射值转化为相应的像 素值来生成图像的。自然界中任何物体经受光照射后，对入射光都有吸收与反射现象。不 同类型的物质所具有的电磁波性质不同，因此它们反射入射光的性质也不同。对于一定的 入射光，不同物质的反射光强度是不一样的，通常用反射率来表示反射光的强度，即物体的 反射光能量与入射光能量的百分比。物体反射率的大小，往往与物体本身的性质，以及入射 光的波长、入射角的大小有关。一般来说，反射率大的物体，反射入射光的能力越强，对应的 灰度图像上的像素灰度值越大，反之，反射率小的物体，反射入射光的能力弱，对应的灰度 图像上的像素灰度值就越小。激光点云数据的反射值图描述方法的优点是对场景中大部分 物体具有一定的区分度，但由于受到入射角大小、不同物质反射入射光性质不同等因素的 影响，有时会出现相邻的不同物体的反射值相近，造成相邻物体的边缘不明显，无法进行有 效的识别。
[0005] 方位角图模型由Davide Scaramuzza等学者首次提出并被应用于摄像机与三 维激光扫描仪之间的外部参数标定，方位角图是将每个激光点的方位角转化为对应的像 素灰度值来生成图像的。激光点的方位角定义为两个向量的夹角，其中一个向量为视 点（激光扫描仪位置）到当前激光点的向量，另一个向量是当前激光点到其邻近的一个 激光点的向量，具体可参考文献（Scaramuzza D，Harati A，Siegwart R. Extrinsic self calibration of a camera and a3d laser range finder from natural scenes[C]// Intelligent Robots and Systems, 2007. IR0S2007. IEEE/RSJ International Conference on. IEEE, 2007:4164-4169)。文献（Zhuang Y, Li Y, and Wang W. Robust indoor scene recognition based on3D laser scanning and bearing angle image[C]. In Proceeding of the IEEE International Conference on Robotics and Automation(ICRA)，2011.)以 方位角图模型为基础，将定点扫描的三维点云数据转换为二维方位角图，进而进行室内场 景的识别。从文中可以看出虽然方位角图在描述场景中物体的边缘、边角等等方面具有一 定的优点，但也有不足之处。比如由于每个激光点相对于视点的位置不同，即使处于同一物 体、同一平面中的激光点，其方位角也不同，导致激光点在方位角图中的灰度值也不同，因 此同一地面或同一墙面的像素灰度值出现明显的由左及右渐变趋势，这是不合理的。另一 方面由于每个激光点的参考向量均不一样，每个参考向量的方向具有很强的随意性，最终 得到的方位角图中，属于不同物体的纹理不够清晰（如图3 (b)所示），不利于后续环境认知 与场景理解等应用。
[0006] 对于工作在室内的移动机器人，其工作范围比较小，室内场景大都是结构化的，t匕 较简单规整，且一般都是采用定点扫描的方式，因此传统的方位角图模型可用于激光定点 扫描点云的图像化表述。但对于非结构化的大范围室外场景，场景中的物体比较多样化，结 构也较为复杂，且对于以无人驾驶车为代表的室外移动机器人，通常要求其在运行过程中 实现对环境的认知与场景理解，也就是要满足车载二维激光运动中进行动态扫描成像的要 求。考虑上述因素，传统的深度图、反射值图及方位角图模型均不能满足实际应用的需求。
[0007] 本发明提出了一种适用于无人驾驶车车载二维激光在车辆行驶过程中完成动态 扫描成像的方法，能够满足室外大范围场景下，无人车或移动机器人在运动中实时将激光 扫描的点云数据生成纹理清晰的灰度图像，因此命名该图像为纹理增强图。
【发明内容】
[0008] 本发明要解决的问题是提供了一种车载二维激光在运动中扫描三维环境并由点 云数据生成纹理增强图像的方法。车载二维激光在运动过程中对周围环境进行扫描，得到 一系列点云数据后，接着对点云数据进行噪声过滤、位姿矫正等预处理，最后再选取一定范 围的激光序列点云数据将其转化为纹理增强图。
[0009] 本发明的技术方案如下：
[0010] 为了获得室外大范围场景的扫描数据，我们采用的是二维激光测距传感器纵向扫 描加车体移动的方法，车载二维激光测距传感器的具体分布情况见图1，其中方框内的两个 二维激光测距传感器是本发明中用到的。
[0011] 利用上述车载二维激光激光测距传感器进行激光数据的采集，操作方法如下：选 取好要采集的场景，初始化系统后即可自动进行数据的采集。由于激光数据是在车辆运动 过程中采集的，不可避免的会出现抖动、偏移等现象，因此先采用滤波的方法对噪声点进行 过滤，然后再结合惯导的信息对点云数据进行位姿矫正，将点云数据转化到统一的一个全 局坐标系下，之后就可以利用这些预处理后的点云数据进行图像模型构建。
[0012] 1.纹理增强图的生成
[0013] (1)纹理增强图模型的基本原理
[0014] 纹理增强图的计算方法如图2所示，设当前第i行j列的激光点为Pu，取其相邻 的一个激光点Ρ-- +1。设当前激光点到相邻激光点的向量为vp，为了描述向量vp在三维空 间中的方位，还需另一个参考向量，计算向量\^"与\的夹角θ?即参考向量夹角， 再将Θ u映射至灰度0-255范围，即可得到激光点Pi:j在纹理增强图中的像素值：
[0015] PVi；J= Θ i；J/180*255 (2. 1)
[0016] 其中为纹理增强图中第i行j列像素的灰度值，然后对其它激光点重复此计 算即可获得整幅点云场景的完整纹理增强图（如图2中虚线所示）。
[0017] (2)最优参考向量Vrefer的计算
[0018] 由前面介绍的纹理增强图的计算方式可知，在遵从一定规则选定相邻激光点后， 各个激光点的向量v p就唯一确定下来了，此时参考向量VMfCT对最终生成的图像有着至关 重要的作用，参考向量的选择应满足以下两个要求：一是参考向量的选择不应与激光 扫描点有关，最好是所有激光点以同一向量为参考向量，以满足动态扫描的需求；二是这个 唯一的参考向量应尽量使得场景中所有激光点的像素值区分度最大，使模型的表述达到最 优状态，从而生成纹理清晰的图像。
[0019] 在满足以上要求的情况下，我们采用如下方法计算最优参考向量，这是一个 典型的优化问题，为此设定了表示不同下场景中所有激光点方位区分度的目标函数：
[0020]
【权利要求】
1. 一种车载二维激光运动中三维环境扫描成像方法，其特征在于：利用二维激光在运 动中扫描三维环境所生成的序列点云数据，计算出一个最优参考向量，再以此为基础计算 得到每个激光点的参考向量夹角e，并将其映射到灰度值0-255范围，得到每个激光点对 应的像素灰度值，即得到整幅场景的纹理增强图，具体计算方法如下： (a) 设点云数据中第i行j列的激光点为Pi;j，取其相邻的一个激光，设激光点Pu到Puj+1的向量为Vp，为了描述向量Vp在三维空间中的方位，还需另一个向量作 为参考基准，计算参考向量与Vp的夹角0u，即激光点Pu的参考向量夹角； (b) 设在不同参考向量Vrete下，使场景中所有激光点方位区分度最大化的目标函数为
?该目标函数的物理意义为场景中每两个激光 点的参考向量夹角之差的总和，其中N为场景中激光点个数，0P、0q为对应某一参考向量Vrefer下第P个和第q个激光点的参考向量夹角； (c) 对于（b)中的目标函数F(VMfJ，为了优化求解过程，使用场景中所有激光点的参 考向量夹角的方差来近似描述该目标函数，即
，其 中歹为场景中所有激光点在当前参考向量下的参考向量夹角的均值，9k为第k个激光点 的参考向量夹角，当F的值最大时，意味着所有激光点的参考向量夹角之间的区分度最大， 此时的参考向量为=argma'-Z7%##)，其中argmax表示求取使得函数值最 大时的自变量值，即为最优参考向量； (d) 获得最优参考向量后，遍历场景中的每个激光点，计算各个激光点Pu到相邻 点Puj+1的向量Vp与的夹角，将其映射至灰度值0-255范围，即可得到与每个激光点 一一对应的像素灰度值，最终生成整幅点云场景的纹理增强图。
【文档编号】G06T17/00GK104268933SQ201410464402
【公开日】2015年1月7日 申请日期:2014年9月11日 优先权日:2014年9月11日
【发明者】庄严, 段华旭, 何国建, 王伟 申请人:大连理工大学