基于路侧激光雷达的背景提取和地面分割方法*

晋瑞河 任明武

（南京理工大学计算机科学与工程学院 南京 210094）

1 引言

车路协同是智能交通领域的前沿技术，是保证交通安全、提高运行效率的有效手段［1］。通过可见光、激光雷达等传感器获取实时交通数据的方法在该领域已经有所应用［2］。可见光传感器对光敏感，而旋转式激光雷达可在不同光照环境下获得交通测距数据［3］，并且激光雷达点云数据空间分辨率可达厘米级，时间分辨率可达毫秒级。因此基于激光雷达的视觉方法是智能交通领域的主要研究方向之一，在无人驾驶、车路协同以及激光测绘等领域有着广泛的应用。路侧雷达在车路协同技术中扮演重要角色，可以完成盲区预警，控制规划等功能。路侧点云的优势是可以利用历史帧来减少处理实时数据的计算量，提高运行效率。

为实现实际场景下路侧激光雷达感知应用并解决路侧背景构建耗时长的问题，本文提出一种基于路侧激光雷达的背景提取和地面分割方法。本文方法首先统计多帧连续点云数据，其次采用基于密度的空间聚类方法进行背景提取；使用基于射线特征的两阶段地面点云分割方法处理背景数据，划分出背景中的地面点和非关键障碍物点。可以快速确认实时数据的关键障碍物点、地面点和非关键障碍物点。

2 相关工作

随着激光雷达传感器价格的走低，使得路侧激光雷达的普遍应用成为一种可能。以往的研究激光雷达多作为车载传感器应用于无人驾驶领域，为路侧雷达的研究和应用提供了重要的参考和指导价值。

在路侧雷达研究和应用方向，邹等人提出了基于栅格聚类的路侧感知算法并构建了路侧激光雷达点云数据集［4］。宋等人提出了基于相邻帧的目标聚类方法，该方法首先使用相邻点、相邻帧信息提取关键点，其次使用关键点作为层次聚类的种子聚类得到目标［5］，但是该方法需要提前选取感兴趣区域。赵等人在交通路口安装激光雷达收集行人移动信息，设计神经网络预测行人轨迹，实现危险规避提醒功能［6］。吴等人提出了基于路侧雷达的目标跟踪方法，该方法包含背景滤波、车道识别和车辆跟踪三部分［7］。吴等人提出基于密度的滤波方法（3D-DSF）［8］，该方法的主要缺点有在高动态场景下会将移动目标点误判为背景点；远距离的稀疏背景点会误判为前景点；空间矩阵构建时间较长。张等人提出一种基于CNN 网络的路侧激光雷达实时检测方法，该方法流程为背景滤除、数据转换、聚类，分类，在实时交通检测和监控系统都达到较高性能［9］。陈等人为解决野生动物横穿马路的问题，提出改进空间密度的聚类算法，用于区分鹿、行人和车辆，达到提醒驾驶员规避风险的目的［10］。

地面点云分割在大多数工作起到去除非关键信息的作用［11］，使得处理实时数据的计算量变小。点云地面分割大致可以分为基于栅格地图的方法［12］、基于平面拟合的方法［13］、基于深度网络的分割方法［14～15］。

3 路侧雷达数据

目前存在的激光点云开源数据有KITTI、SemanticKITTI、SemanticPOSS 等，但大多是为解决无人驾驶场景下的点云目标检测、语义分割等任务。因此本文选择禾赛Pandar40、速腾RS-Ruby作为路侧激光雷达采集设备。

3.1 工作原理

激光雷达是主动式测距设备，以距离、水平角作为测距信息，结合线束分布角度值和矫正参数，可以将测距信息转换到XYZ坐标系。

式中，d为距离信息，α为水平角信息，ω为垂直角信息，δ为矫正信息。x、y、z为X、Y、Z轴上的坐标。本文采用单回波、10Hz 模式采集场景数据，雷达详细参数见表1。

表1 传感器参数

3.2 雷达架设

Pandar40 的线束分布如图1 所示，依据图1 和雷达假设高度，可以估算出点的分辨率和本征半径，本征半径为一束激光射在地面上的点到激光雷达的水平距离，可以反映出线束的探测距离。

图1 雷达线束分布

图2 采集方案示意图

表2 列出雷达架设高度为2.2m 时部分线束的理论分辨率和理论本征半径值。大致特点是射线垂直角度越接近水平线，本征半径越长且分辨率值越大。数据采集时应当使得更多的线束扫描到感兴趣的区域，因此依据我国车道标准宽度、数据分析可以大致确定雷达架设高度。分析多种架设高度的本征半径和分辨率后，本文选取2.2m 作为激光雷达的架设高度。

表2 点云线束数据

4 背景提取及地面分割方法

本节将介绍一种基于路侧雷达的背景提取方法，以及基于射线特征的两阶段地面分割方法。具体过程为利用多帧数据叠加和使用密度聚类方法得到背景数据，并基于坡度阈值对背景点进行一阶段分割，使用线段特征进行二阶段分割从而完成地面分割。

4.1 背景提取

车路协同的路侧激光雷达场景下，背景提取是重要的步骤，拥有背景数据可以快速的区分出实时数据前景和背景点。与图像不同的是即使雷达数据是静止采集的，点云也会存在一定幅度的波动。一种有效的背景提取方式应当尽可能不受数据波动的影响，较好地提取关注区域的背景。

机械激光雷达，每个射线都有固定俯仰角度。按照固定的时间间隔获取一帧点云，本文对数据做如下描述：

式（2）中：t为第t帧，n为当前帧点的数量，pi为第i个数据点的信息，li为pi的激光线号，αi为pi的水平角度值，di为pi的距离值。

激光雷达是主动式测距设备，而得到的数据会存在波动。本文所用设备水平角精度值可达0.01°，及水平角度并非按照严格的0.2°变化。故理论上一束激光最多存在36000 个角度值。统计禾赛雷达的1500帧连续路侧数据，精度取0.01°时，激光束对应的角度值约为2800 个，与36000 相差甚远，若要构建一个精度为0.01°的细致背景数据，对帧数量要求太高。因此本文首先采用基于射线角度的区域分割方式划分数据，划分方式如下：

式（3）中：除以20 是按照0.2°的大小划分区域；Ri为pi对应角度索引。Ci为pi对应的线号索引。路侧激光雷达采集的一段数据，同一区域内近的点是动态障碍物，远的点是背景点。采用DBSCAN聚类得到每个射线区域内背景距离值，DBSCAN 需要两个参数，查找半径（Eps）以及区域密度（MinPts），通过DBSCAN 聚类可以得符合条件的聚类中心。若不存在任何聚类中心则表示该区域方向的激光束几乎没有返回，设置其距离为0。本文方法中Eps 参考雷达分辨率进行设置，MinPts 为统计帧数的二十分之一。

4.2 地面分割

车路协同场景下判断出每一帧的地面结果是非常重要的，据此可以得到可通行区域。本文提出一种基于射线特征的两阶段地面分割方法。在文献［16］的基础上进行修改从而进行第一阶段预分割，首先按照射线进行角度区域划分。及将一个角度区域内所有射线对应的点划分到一个集合。域内的点pi转换为(ri，zi)，并按照r值升序。

式（4）中i为区域中按r值排序后点的索引，θω表示激光束对应的垂直角度。ri为第i个点到激光雷达水平距离，zi为第i个点的垂直高度。

判断当前这个点是否满足如下公式：

式（6）中θloc为局部坡度阈值，我国城市公路最大坡度限制都小于10°，故本文的局部坡度阈值设置为10°。由于处理的数据是背景数据，只存在地面点和非关键障碍物点，非关键障碍物点可能是存在于路面上方的电线、树枝等，在本步骤中需要将其滤除。区域内的第零个点(r0，z0)=(0，-h)，h为雷达架设高度，该点默认为地面点。若当前点满足式（6），则判断第i-1 个点的状态，若第i-1 个点为地面点则当前点为地面点；反之则判断当前点是否同时满足如下公式：

式（7）中θglo是全局坡度阈值，本文将全局坡度阈值也设置为10°。式（8）中γ为当前点和雷达安装位置地面点的相对高度差阈值，本文将其设置为0.5m。

若当前点满足式（7）、式（8）则将其标注为地面点，反之则标注为非地面。至此完成一阶段地面点云分割。由本节可知，一阶段分割与坡度阈值和相对高度差阈值相关性较大，设置覆盖大多数场景的阈值参数可以有效避免欠分割的情况。

由于一阶段分割是给背景数据中的所有点一个二值标签，会出现标签不连续情况。因此采用基于线段的二阶段分割方法。通过分析数据，将点按扫描线的水平方向进行划分。通常水平方向上两个连续点扫描到同一个对象时，点距离差值比扫到两个对象时差值小。因此将每个扫面线的点划分到线段，划分依据为判断相邻点的距离值。若相邻点距离小于dmin则将两点放在同一线段，反之划分为两个线段。统计每个线段中非地面点所占比例，若非地面点在当前线段中所占比例大于百分之五十，则将当前线段所包含的点都标注为非地面点；反之则都标注为地面点。至此两阶段地面点云分割完成，背景数据中的所有点都有其对应的标签，可以在后续实时数据处理时快速分割出关键障碍物点、地面点以及非关键障碍物点。

5 实验结果与分析

5.1 背景提取

为了量化提出的背景提取方法性能，可以通过前景点提取效果作为背景提取性能的评判指标。人工标注部分数据作为真值，采用灵敏度TPR和特异度FPR作为衡量指标。

式中TP为真正例，FP为假正例，FN为假负例。TPR（True Positive Rate）为预测的正例占所有正例的比例；FPR（False Positive Rate）为将负例预测为正例占所有负例的比例。实验结果如图3 所示，红色为前景点，黑色为背景点。

图3 各场景背景提取结果图

如结果图所示，本文背景提取方法可以有效地划分出背景和前景，保留了移动的车辆、行人以及骑车人等目标；但是会将近距离内的树枝、围栏等小目标误判为关键障碍物点。

本文方法与文献［8］提出的3D-DSF 按照式（9）、（10）进行定量对比，结果如表3 所示，3D-DSF采用0.05m 的栅格阈值。在三种场景下采集数据，具备一定典型性。灵敏度标准中，Rs-Rudy 场景下的本文方法优于3D-DSF；在特异度标准中，本文方法优于3D-DSF方法。Pandar40直行道路场景TPR标准本文方法弱于3D-DSF，分析原因为Pandar40远距离点密度较低，3D-DSF 处理全场景时会将更多的点都判断为前景点，因此导致TPR、FPR值偏大。

表3 不同场景下背景提取效果比较

在算法复杂度方面，本文方法的时间消耗主要在重叠数据帧和空间聚类两个方面。在使用600帧数据作为输入的总时间消耗为6min（40 线）、16min（128 线）。3D-DSF 的时间消耗主要在空间矩阵的构造和数据帧的重叠，空间矩阵的构造与栅格矩阵阈值、关注区域大小有关，对比实验中总时间消耗为49min。实验结果表明在不同场景下，本文方法灵敏度可达96.11%，同时特异度仅为4.94%。

5.2 地面分割

三个场景的地面点云分割结果如图4所示。

图4 各场景地面分割结果图

地面分割结果显示在直行道路、交叉路口以及坡度路面都可以较好地分割出路面。单帧灵敏度达到0.9，具有较高实用性。由于路侧场景和本文方法的特殊性，可以在预处理阶段进行地面点云分割的工作。在处理实时场景数据时可以依据线号、水平角度值快速判断出关键障碍物点、地面点以及非关键障碍物点，实际验证该流程的单帧映射时间为1ms～3ms，满足实际场景的实时性需求。

6 结语

本文提出一种基于路侧激光雷达的背景提取和地面分割方法。使用多帧叠加统计分析点云信息，基于空间密度聚类方法提取背景信息；设置坡度阈值和相对高度差进行一阶段地面点云分割，分析线段内点的标签进行二阶段地面点云分割。实验表明本文方法在实际场景具有较高的实用性。