1.本发明涉及车辆环境感知技术领域，尤其是涉及障碍物识别方法、装置及电子设备。
背景技术：2.自动驾驶是一种通过计算机设备控制车辆在道路上自动行驶的技术，由于实际道路情况复杂，存在大量行人和车辆等障碍物，因此，如何实现障碍物识别，以规划出规避障碍物的行驶路线成为自动驾驶的关键。
3.目前，主要通过激光雷达感知技术实现对障碍物的识别，其中，障碍物聚类是感知技术的关键步骤。专利申请号为202010570828.6的点云聚类的方法，主要是对于激光雷达的有序点云数据，首先根据两个点之间的极径和极角差计算两个点之间的间距，然后根据间距和第一预设间距值判断是否属于同一目标，如果是，则归为同一聚类集合；以及，计算每个聚类集合的核心点，并根据核心点之间的间距和第二预设间距值，以对不同聚类集合进行融合。但是，由于激光雷达探测到障碍物边沿交接之间常会因测距不准，存在拉丝点即边沿噪点，因此，虽然上述方法可以实现障碍物的聚类识别，但是，并未考虑边沿噪点对障碍物聚类的影响，且，上述间距值为固定值，易受距离变化影响，从而降低了障碍物的聚类效果，进而影响了障碍物的识别效果。
技术实现要素：4.有鉴于此，本发明的目的在于提供障碍物识别方法、装置及电子设备，以缓解上述问题，提高了障碍物的识别精度，从而提高了车辆自动驾驶的安全性，具有较好的实用价值。
5.第一方面，本发明实施例提供了一种障碍物识别方法，该方法包括：获取车辆周围环境的初始点云数据；其中，初始点云数据为点云坐标系中的数据集；基于栅格法确定初始点云数据中的地面噪点，并对地面噪点进行滤除处理，得到第一点云数据；将第一点云数据进行转换，得到图像坐标系中的第二点云数据；根据筛选规则确定第二点云数据中的边沿噪点，并对边沿噪点进行滤除处理，得到目标点云数据；其中，筛选规则包括动态搜索半径和相邻点夹角阈值；基于run的聚类算法对目标点云数据进行聚类，得到障碍物初始信息；根据预设滤除规则对障碍物初始信息进行滤除处理，得到障碍物信息。
6.可选地，上述根据筛选规则确定第二点云数据中的边沿噪点的步骤，包括：对于第二点云数据中的当前点，根据动态搜索半径确定当前点的相邻点；其中，相邻点与当前点之间的距离不大于动态搜索半径；计算每个相邻点与当前点之间的相邻点夹角；根据相邻点夹角和相邻点夹角阈值，确定边沿噪点。
7.可选地，上述根据相邻点夹角和相邻点夹角阈值，确定边沿噪点的步骤，包括：判断相邻点夹角是否小于相邻点夹角阈值；如果是，则将相邻点夹角对应的相邻点确定为边沿噪点。
8.可选地，上述基于栅格法确定初始点云数据中的地面噪点的步骤，还包括：基于栅格法，确定初始点云数据对应的栅格地图；其中，栅格地图包括多个栅格；确定每个栅格的目标高度值；其中，目标高度值为栅格内多个点的高度的最小值；判断目标高度值是否不大于预设高度阈值；如果是，则该目标高度值对应的栅格确定为目标栅格，并将目标栅格内的多个点作为地面噪点。
9.可选地，上述将第一点云数据进行转换，得到图像坐标系中的第二点云数据的步骤，包括：按照第一转换规则对第一点云数据进行转换，得到球面坐标系的点云数据；其中，第一转换规则用于表征将数据从点云坐标系转换至球面坐标系；按照第二转换规则对球面坐标系的点云数据进行转换，得到图像坐标系中的第二点云数据；其中，第二转换规则用于表征将数据从球面坐标系转换至图像坐标系。
10.可选地，上述车辆上设置有激光雷达，获取车辆周围环境的初始点云数据的步骤，包括：获取激光雷达采集的初始点云数据；判断激光雷达相对于车体坐标系，是否存在俯仰和/或旋转和/或偏航角；如果是，按照预设姿态校正矩阵对初始点云数据进行姿态校准，得到校正后的初始点云数据。
11.可选地，上述车辆上设置有深度相机，获取车辆周围环境的初始点云数据的步骤，还包括：获取深度相机采集的车辆周围环境的深度图像；对深度图像进行转换，得到对应的初始点云数据。
12.第二方面，本发明实施例还提供一种障碍物识别装置，该装置包括：获取模块，用于获取车辆周围环境的初始点云数据；其中，初始点云数据为点云坐标系中的数据集；第一确定模块，用于基于栅格法确定初始点云数据中的地面噪点，并对地面噪点进行滤除处理，得到第一点云数据；转换模块，用于将第一点云数据进行转换，得到图像坐标系中的第二点云数据；第二确定模块，用于根据筛选规则确定第二点云数据中的边沿噪点，并对边沿噪点进行滤除处理，得到目标点云数据；其中，筛选规则包括动态搜索半径和相邻点夹角阈值；聚类模块，用于基于run的聚类算法对目标点云数据进行聚类，得到障碍物初始信息；滤除模块，用于根据预设滤除规则对障碍物初始信息进行滤除处理，得到障碍物信息。
13.第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面的方法的步骤。
14.第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面的方法的步骤。
15.本发明实施例带来了以下有益效果：
16.本发明实施例提供了障碍物识别方法、装置及电子设备，通过动态搜索半径和相邻点夹角阈值确定边沿噪点，并对边沿噪点和地面噪点进行滤除，以便对目标点云数据进行聚类，得到障碍物初始信息；以及，根据预设滤除规则对障碍物初始信息再次进行滤除处理，从而可以有效缓解边沿噪点和地面噪点对障碍物聚类结果欠分割影响准确度的问题，提高了障碍物的识别准确度，进而提高了车辆自动驾驶的安全性，具有较好的实用价值。
17.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
18.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
19.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为本发明实施例提供的一种障碍物识别方法的流程图；
21.图2为本发明实施例提供的一种计算相邻点夹角的示意图；
22.图3为本发明实施例提供的一种图像结构的点云的示意图；
23.图4为本发明实施例提供的一种障碍物识别装置的示意图；
24.图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
25.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.为便于对本实施例进行理解，下面首先对本发明实施例提供的一种障碍物识别方法进行详细介绍。
27.本发明实施例提供了一种障碍物识别方法，如图1所示，该方法包括以下步骤：
28.步骤s102，获取车辆周围环境的初始点云数据；
29.其中，初始点云数据为点云坐标系中的数据集，包括多个点，每个点通常通过点云坐标系即x轴、y轴和z轴表示；这里点云坐标系为以采集点云数据的传感器为中心的笛卡尔坐标系，在实际应用中，常见的传感器包括但不仅限于激光雷达和深度相机等，具体可以根据实际情况进行设置。
30.在其中一种获取方式中，上述车辆上设置有激光雷达，如将激光雷达设置在车辆顶部，在实际应用中，激光雷达是一种可以通过感知周边环境来检测障碍物的传感器，包括但不仅限于旋转式激光雷达。具体过程如下：获取激光雷达采集的初始点云数据；判断激光雷达相对于车体坐标系，是否存在俯仰和/或旋转和/或偏航角；如果是，按照预设姿态校正矩阵对初始点云数据进行姿态校准，得到校正后的初始点云数据。具体地，电子设备直接获取激光雷达发送的初始点云数据，此时点云坐标系为以激光雷达为中心的笛卡尔坐标系，由于激光雷达可能相对于车体坐标系存在俯仰和/或旋转和/或偏航角，因此，此时还需对初始点云数据进行姿态校正，例如可以按照如下公式进行校准：
31.p
′
＝r
校正
·
p
ꢀꢀꢀ
(1)
32.其中，p
′
表示校正后的初始点云数据，r
校正
表示姿态校正矩阵，p表示校正前的初始点云数据。需要说明的是，上述姿态校正矩阵r
校正
可以根据实际情况进行设置。
33.在另一种获取方式中，上述车辆上还设置有深度相机，现有的深度相机可以直接
输出点云数据，也可以直接输出深度图像，对于深度图像的情况，具体的获取过程如下：获取深度相机采集的车辆周围环境的深度图像；对深度图像进行转换，得到对应的初始点云数据。具体地，电子设备获取深度图像之后，结合深度相机的内置参数(如焦距和光心等)对深度图像进行转换，得到对应的初始点云数据，此时，点云坐标系为以深度相机为中心的笛卡尔坐标系，如需对初始点云数据进行姿态校正，具体可以参考上述公式，本发明实施例在此不再详细赘述。
34.需要说明的是，上述传感器无论是激光雷达还是深度相机，在获取初始点云数据之前，还需在电子设备中标定传感器相对于地面的安装高度h，以及部分传感器可能还需标定其它参数，如深度相机的内置参数等，以便后期对初始点云数据进行姿态校正或者转换处理等，从而提高了数据处理的速度，进而提高了障碍物的识别效率。
35.步骤s104，基于栅格法确定初始点云数据中的地面噪点，并对地面噪点进行滤除处理，得到第一点云数据；
36.其中，上述地面噪点指初始点云数据中属于地面区域的多个点；具体地，地面噪点的确定过程如下：基于栅格法，确定初始点云数据对应的栅格地图；其中，栅格地图包括多个栅格；确定每个栅格的目标高度值；其中，目标高度值为栅格内多个点的高度的最小值；判断目标高度值是否不大于预设高度阈值；如果是，则该目标高度值对应的栅格确定为目标栅格，并将目标栅格内的多个点作为地面噪点。
37.具体地，首先根据栅格法，将初始点云数据分为多个栅格，每个栅格包括至少一个点；然后，对于每个栅格，根据其每个点的高度即z值，确定该栅格内的高度最小值，作为该栅格的目标高度值，然后将目标高度值不大于预设高度阈值的栅格作为目标栅格，这里预设高度阈值优选为传感器相对于地面的安装高度h，此外，考虑到由于地面噪点无法保证100％检测，可能由于坡度或者路面不规整，导致一些地面噪点被漏检，预设高度阈值还可以由安装高度h和阈值t组成，即当目标高度值不大于预设高度阈值(即-h+t)时，则该目标高度值对应的栅格为目标栅格，且，该目标栅格内的多个点均为地面噪点。其中，阈值t优选为10cm～30cm，具体数值可以根据实际情况进行设置，上述传感器相对于地面的安装高度h，一方面可以为地面噪点滤除提供先验高度，如直接通过h作为预设高度阈值，另一方面还可以为预设高度阈值提供先验范围，如将h和t作为预设高度阈值。
38.综上，对于初始点云数据中的多个点，其高度即z值越小，属于地面噪点的概率越高，因此，根据每个栅格的目标高度值和预设高度阈值，可以确定地面噪点，并对地面噪点进行滤除处理，以得到不含地面噪点的第一点云数据，缓解了地面噪点将障碍物连接在一起，导致了障碍物聚类结果欠分割的问题，进一步提高了障碍物聚类结果的准确度，即提高了障碍物的识别精度，保证了车辆自动驾驶的安全性。
39.此外，对于每个栅格，还可以通过最小二乘法、主成分分析法、svd (singular value decomposition，奇异值分解)、随机采样一致性等方法实现地面噪点的检测，具体可以根据实际情况进行设置。
40.步骤s106，将第一点云数据进行转换，得到图像坐标系中的第二点云数据；
41.具体地，首先按照第一转换规则对第一点云数据进行转换，得到球面坐标系的点云数据；其中，第一转换规则用于表征将数据从点云坐标系转换至球面坐标系；然后按照第二转换规则对球面坐标系的点云数据进行转换，得到图像坐标系中的第二点云数据；其中，
第二转换规则用于表征将数据从球面坐标系转换至图像坐标系。在实际应用中，对于上述第一点云数据，由于点云数据结构稀疏，不像图像存在明显的邻域关系，以及，考虑到传感器的横向和纵向激光发射线通常以固定角度进行环境探测，因此，首先按照第一转换规则对第一点云数据进行转换，得到球面坐标系的点云数据，以便确定点云数据中点与点之间的邻域关系。
42.其中，球面坐标系为三维坐标系中的一种，用以确定三维空间中点、线、面以及体的位置，通常以原点为参考点，由方位角、俯仰角和距离构成。由于第一点云数据中的每个点在点云坐标系中通过(x,y,z)表示，球面坐标系中每个点通过(α,β,γ)表示，上述第一转换规则可以通过如下公式表示：
[0043][0044]
其中，α表示激光发射线的俯仰角，β表示方位角，d表示半径即距离。需要说明的是，如果β为负值时，则通过β+2π代替。
[0045]
由于激光雷达发出的激光发射线存在固定的水平和垂直角分辨率，因此，可以按照第二转换规则对球面坐标系的点云数据进行转换，以得到第二点云数据，图像坐标系中每个图像像素由点云坐标组成包含有回波强度的四通道，其中，第二转换规则的转换公式如下：
[0046][0047]
其中，row表示图像坐标系的行索引，col表示图像坐标系的列索引，α表示激光发射线的俯仰角，β表示方位角，ver_resolution表示垂直角分辨率， hor_resolution表示水平角分辨率，int表示取整操作。
[0048]
综上，通过两次转换规则，可以将点云坐标系中的第一点云数据转换得到图像坐标系中的第二点云数据，即图像结构化的第二点云数据，这里每个图像像素可以通过(x,y,z,amp)表征，其中，x,y,z分别表征点云的三维坐标，amp则表示点云的回波强度，以便根据结构化的第二点云数据确定边沿噪点。此外，在实际应用中，也可以直接对滤除地面噪点的第一点云数据进行八叉树结果搜索，以得到图像坐标系中的第二点云数据。
[0049]
步骤s108，根据筛选规则确定第二点云数据中的边沿噪点，并对边沿噪点进行滤除处理，得到目标点云数据；
[0050]
在实际应用中，对于激光雷达探测到的障碍物，由于障碍物之间边沿交接导致测距不准，即存在拉丝点，若不将其滤除，可能会导致前后两个障碍物聚类时被误认为同一目标，从而影响了车辆自动驾驶的安全性，因此，上述障碍物之间的拉丝点也称为边沿噪点。
[0051]
对于边沿噪点，筛选规则包括动态搜索半径和相邻点夹角阈值；其中，动态搜索半径根据激光雷达的水平角分辨率、垂直角分辨率和邻域缩放系数决定，具体公式如下：
[0052][0053]
其中，r表示动态搜索半径，a表示邻域缩放系数，且，a≥1，类似于图像中的邻域像素数量，筛选边沿滤波时可将其设为1，δθ表示激光雷达的垂直角分辨率或水平角分辨率，d表示半径即距离，即该点与激光雷达(即点云坐标系的原点)之间的距离。因此，对于第二点云数据中的多个点，由于每个点的距离d不同，每个点的动态搜索半径也不同，与常规的根据固定距离进行筛选相比，提高了边沿点云(即边沿噪点)筛选的精度，从而提高了不含边沿噪点的目标点云数据的聚类结果的准确度。
[0054]
上述根据筛选规则确定第二点云数据中的边沿噪点的过程如下：对于第二点云数据中的当前点，首先根据动态搜索半径确定当前点的相邻点；其中，相邻点与当前点之间的距离不大于动态搜索半径；计算每个相邻点与当前点之间的相邻点夹角；然后，根据相邻点夹角和相邻点夹角阈值，确定边沿噪点。即判断每个相邻点夹角是否小于相邻点夹角阈值，如果是，则将该相邻点夹角对应的相邻点确定为边沿噪点。具体地，对于第二点云数据中的每个点，均作为当前点，并根据当前点的动态搜索半径确定当前点的相邻点，如计算当前点八个方向(例如上、下、左、右、左上、右上、左下和右下)的点与当前点的距离，并将距离不大于动态搜索半径的点作为相邻点(即符合邻域关系的点)；然后计算每个相邻点与当前点之间的相邻点夹角；如果相邻点夹角小于预设的相邻点夹角阈值，则该相邻点夹角对应的相邻点即为边沿噪点。
[0055]
为了便于理解，这里举例说明。如图2所示，a点为当前点，首先计算a点和其周围方向多个点之间的距离，并根据距离和a点的动态搜索半径的关系，确定相邻点为b点和d点；然后，计算d点和a点之间的相邻点夹角以及b点和a点之间的相邻点夹角例如，将b点和a点投影到x-y平面上，并取x-y平面上半径最短的一条边向另一条作垂线，这里为ob边向oa边作垂线即bc边，以及根据如下公式计算b点和a点之间的相邻点夹角：
[0056][0057]
其中，oa表示当前点a的投影半径，ob表示相邻点b的投影半径， ab表示a点和b点之间的投影距离，表示b点和a点之间相邻点夹角，δθ表示激光雷达的垂直角分辨率或水平角分辨率。因此，通过设置垂直、水平相邻点夹角的相同或不同阈值，如果根据垂直角分辨率或水平角分辨率计算到的相邻点夹角小于对应的相邻点夹角阈值，则判定该相邻点和当前点不属于同一目标，即将该相邻点确定为当前点的边沿噪点，并将与当前点同属同一目标的相邻点确定为非边沿噪点，如上述相邻点夹角大于相邻点夹角阈值，且，相邻点夹角小于邻点夹角阈值，则将点d确定为a点的边沿噪点。以及，如果某个点与其相邻的所有点的相邻点夹角均小于对应的相邻点夹角阈值，则该点属于边沿噪点。
[0058]
需要说明的是，在实际应用中，也可以采用相邻点投影半径的比值来替代相邻点夹角，例如，设置投影半径比值阈值，并计算每个相邻点的投影半径和当前点的投影半径的比值，如果比值大于投影半径阈值，则该比值对应的相邻点为当前点的边沿噪点；反之，如
果比值不大于投影半径阈值，则该比值对应的相邻点和当前点属于同一目标，属于当前点的非边沿噪点；以及，对于第二点云数据中的其余点，均可以作为当前点，按照上述筛选过程确定每个当前点的边沿噪点，并对第二点云数据对应的边沿噪点集合进行滤除，得到不含地面噪点和边沿噪点的目标点云数据。
[0059]
步骤s110，基于run的聚类算法对目标点云数据进行聚类，得到障碍物初始信息；
[0060]
具体地，单一激光线扫描一个周期的点集被称为run，在图像坐标系中，一行像素就是一个run，如图3所示，对于图像结构的点云(即图像坐标系中的目标点云数据)，每个点云通过一个维数来简化表示，其中，第一行的元素1、元素2、元素2和元素3组成一个run，同理，第二行的元素1、元素1、元素3和元素4也组成一个run。因此，基于run的聚类算法主要包括三个关键参数：查找表、当前行局部聚类簇集和上一行局部聚类簇集。
[0061]
其中，对于每个局部聚类簇集，包括该集合的起、止列索引和簇索引号组成；首先，针对各行的点云数据，按照水平方向聚类run内的点云，根据激光雷达的水平角分辨率，计算该点的水平方向的动态搜索半径，并通过设定水平相邻点夹角阈值，搜索相邻点是否为邻域点，计算邻域内有效点云之间夹角，如果夹角大于水平相邻点夹角阈值，则该相邻点与该点属于同一目标集合。搜索完所有行向的局部聚类簇集后，初始化查找表空间大小和聚类簇集数量相同，并初始化表内信息为-1。查找表的元素索引号表示对应的局部聚类簇集，元素内容表示该局部聚类簇集的父节点，若值为-1，则表示其父节点为自己，即水平方向聚类后，不存在与该局部聚类簇集合并的其它簇集；具体的初始化后的查找表如下表所示：
[0062]
表1
[0063][0064]
其中，局部聚类簇集的结构如下表2所示：
[0065]
表2
[0066][0067]
例如，对于当前行的某个局部聚类簇集，行索引号row：1，表示该局部聚类簇集为第1行遍历结果；起点索引c1：2，表示起点为(1,2)位置的元素；终点索引c2：3，表示终点为(1,3)位置的元素；编号i：0，表示对于所有的局部聚类簇集，该局部聚类簇集的聚类编号为第一个。因此，上述编号为该局部聚类簇集的id编号，即簇索引号，起点索引和终点索引为该局部聚类簇集的起、止列索引。对于其余行的局部聚类簇集，可以参考上述局部聚类簇
集，本发明实施例在此不再详细赘述。
[0068]
其次，将局部聚类簇集进行垂直遍历，通过设定垂直相邻点夹角阈值，沿着左上、上、右上三个方向判断上方局部聚类簇集内点云是否与当前局部聚类簇中的元素属于邻域范围内，若邻域范围内的相邻点垂直方向的夹角符合阈值条件，即夹角大于垂直相邻点夹角阈值，则将两个局部聚类簇集合并，并从待融合的局部聚类簇集中选出最小索引值作为共同的父节点，赋值到对应的查找表中。
[0069]
为了便于理解，这里举例说明。对于图3查找表中的多个局部聚类簇集，若以数值相同划分为一个类的话，第一行的元素1，在水平遍历过程中是一个局部聚类簇集，之后的两个元素2则合并为一个局部聚类簇集；元素3则为一个局部聚类簇集；此时，通过初始化三个局部聚类簇集分别存放对应的集合，如以第一个局部聚类簇集为例，其行号为1(假定行数以1 为起始)，起点为3，终点为3，编号id：0。
[0070]
在局部聚类簇集进行垂直遍历过程中，第一行的局部聚类簇集由于没有上一行的局部聚类簇集，所以跳过，对于第二行，可以遍历第一行的局部聚类簇集，如对于第二行的元素1，其八个邻域中左上有与其元素相同的集合，即存在同类的局部聚类簇集，可以将第一行的元素1与第二行的元素1进行合并，并将合并后，多个局部聚类簇集中的编号最小值作为对应的父节点的编号，并赋值到查找表中；同理，对于其余的局部聚类簇集，均可以参照上述第二行的元素1进行垂直遍历，本发明实施例在此不再详细赘述。
[0071]
综上，通过上述基于run的聚类算法对目标点云数据进行聚类，可以得到障碍物初始信息；这里障碍物初始信息可能包括多个障碍物的子信息，具体根据实际的障碍物情况确定。以及，在聚类过程中，还需设置激光雷达的水平角分辨率和垂直角分辨率，以及水平相邻点夹角阈值、垂直相邻点夹角阈值和邻域空间大小等，优选地，聚类过程中邻域缩放系数a可以设置为3。需要说明的是，上述水平相邻点夹角阈值、垂直相邻点夹角阈值和邻域空间大小等参数在聚类过程中和筛选边沿噪点的过程中可以相同，也可以不同，具体可以根据实际情况进行设置。
[0072]
步骤s112，根据预设滤除规则对障碍物初始信息进行滤除处理，得到障碍物信息。
[0073]
具体地，对于上述聚类得到的障碍物初始信息，可能存在聚类噪点等，因此，为了进一步提高障碍物的识别精度，还需判断障碍物初始信息中是否存在聚类噪点，并对确定的聚类噪点进行滤除处理。
[0074]
具体地，根据预设滤除规则对障碍物初始信息进行滤除处理，以得到障碍物信息；其中，预设滤除规则包括以下至少之一：点云数量、反射强度、高度阈值和形状特征。在实际应用中，通常根据聚类点云数量进行滤除，但是，由于现实中远距离的障碍物一般存在5～6个点，为了避免将真实存在的障碍物错误滤除，因此，对于聚类后的障碍物初始信息，还通过预设滤除规则对障碍物初始信息中可能存在的聚类噪点进行滤除处理，以得到更加精准的障碍物识别结果，从而保证了车辆自动驾驶的可靠性和安全性。
[0075]
对于上述预设滤除规则，优选为包含点云数量、反射强度、高度阈值和形状特征的综合滤除规则。具体过程如下：首先，设置点云数量阈值，初筛选出疑似噪点的集合，如点云数量小于点云数量阈值的集合；考虑到有效障碍物通常位于地面之上，还可以通过设置障碍物离地的高度阈值th，例如设置th为3米～4米，则障碍物初始信息中高于th的点可能为聚类噪点；此外，噪点通常反射强度较弱，故可以根据先验知识设置反射强度阈值，障碍物
初始信息中低于该反射强度阈值的点可能为聚类噪点；以及，在实际应用中，由于黑色车辆较为普遍，且距离较远时点云稀疏，反射强度较弱，为了避免远距离黑色目标被滤除，还可以计算点云的几何特性，并通过计算疑似噪点集合的协方差矩阵，进行pca(principalcomponentsanalysis，主成分分析)分析，比较三个特征值之间关系，判断集合的几何特征，即根据形状特征确定聚类噪点，形状特征的判断规则如下：
[0076][0077]
其中，λ1、λ2和λ3分别表示疑似噪点集合从大到小排序的特征值，t为预设特征阈值，当结果为不小于预设特征阈值时，表征该疑似噪点集合符合线性或平面特征，即疑似集合中的各个点属于同一障碍物，反之，则属于聚类噪点。
[0078]
此外，对于障碍物初始信息中如果某个疑似噪点集合不符合所有判定规则，则将其判定为噪点集合并进行滤除。以及，对于障碍物初始信息中的某个疑似噪点集合，可以依次按照点云数量、反射强度、高度阈值和形状特征进行滤除，也可以对点云数量、反射强度、高度阈值和形状特征分别配置相同或不同的权重系统，并将各个结果进行加权求和，得到最后的综合值，并根据综合值和预设综合值判断是否为聚类噪点，如果是，则进行滤除。因此，通过包含点云数量、反射强度、高度阈值和形状特征的综合滤除规则对障碍物初始信息中存在的聚类噪点进行确定和滤除，避免了对真实障碍物的聚类点进行误删，从而提高了滤除后的障碍物信息的准确度。
[0079]
综上，本发明实施例提供的障碍物识别方法，首先基于栅格法滤除初始点云数据中的地面噪点，缓解了地面噪点将地上障碍物连接在一起，导致地上障碍物聚类结果欠分割的问题；然后，通过动态搜索半径和相邻点夹角阈值确定边沿噪点，解决了障碍物边沿处由于拉丝点导致不同障碍物存在黏着关系，聚类结果欠分割的问题；此外，对不含边沿噪点和地面噪点的目标点云数据进行聚类，进一步提高了障碍物初始信息的准确度，且，在聚类过程中，通过动态搜索半径以及不同的相邻点夹角(包括水平相邻点夹角阈值和垂直相邻点夹角阈值)进行聚类，不受距离的变化而失效，解决了邻域搜索半径阈值设置固定，导致障碍物聚类结果过分割或者欠分割的问题，且，与依赖距离进行聚类相比，鲁棒性更强；以及，通过预设滤除规则对障碍物初始信息再次进行滤除处理，从而通过对目标点云数据中噪点(包括地面噪点和边沿噪点)的滤除和障碍物初始信息中聚类噪点的滤除，提高了障碍物的识别准确度，进而提高了车辆自动驾驶的安全性和可靠性，具有较好的实用价值。
[0080]
实施例二：
[0081]
对应于上述方法实施例，本发明实施例还提供了一种障碍物识别装置，如图4所示，该装置依次包括：获取模块41、第一确定模块42、转换模块43、第二确定模块44、聚类模块45和滤除模块46；其中，各个模块的功能如下：
[0082]
获取模块41，用于获取车辆周围环境的初始点云数据；其中，初始点云数据为点云坐标系中的数据集；
[0083]
第一确定模块42，用于基于栅格法确定初始点云数据中的地面噪点，并对地面噪点进行滤除处理，得到第一点云数据；
[0084]
转换模块43，用于将第一点云数据进行转换，得到图像坐标系中的第二点云数据；
[0085]
第二确定模块44，用于根据筛选规则确定第二点云数据中的边沿噪点，并对边沿噪点进行滤除处理，得到目标点云数据；其中，筛选规则包括动态搜索半径和相邻点夹角阈值；
[0086]
聚类模块45，用于基于run的聚类算法对目标点云数据进行聚类，得到障碍物初始信息；
[0087]
滤除模块46，用于根据预设滤除规则对障碍物初始信息进行滤除处理，得到障碍物信息。
[0088]
本发明实施例提供了障碍物识别装置，首先滤除初始点云数据中的地面噪点和边沿噪点，并聚类得到障碍物初始信息；然后根据预设滤除规则对障碍物初始信息再次进行滤除处理，从而可以有效缓解边沿噪点和地面噪点对障碍物聚类结果欠分割影响准确度的问题，提高了障碍物的识别准确度，进而提高了车辆自动驾驶的安全性，具有较好的实用价值。
[0089]
在其中一种可能的实施方式中，上述第二确定模块44还用于：对于第二点云数据中的当前点，根据动态搜索半径确定当前点的相邻点；其中，相邻点与当前点之间的距离不大于动态搜索半径；计算每个相邻点与当前点之间的相邻点夹角；根据相邻点夹角和相邻点夹角阈值，确定边沿噪点。
[0090]
在另一种可能的实施方式中，上述根据相邻点夹角和相邻点夹角阈值，确定边沿噪点，包括：判断相邻点夹角是否小于相邻点夹角阈值；如果是，则将相邻点夹角对应的相邻点确定为边沿噪点。
[0091]
在另一种可能的实施方式中，上述第一确定模块42还用于：基于栅格法，确定初始点云数据对应的栅格地图；其中，栅格地图包括多个栅格；确定每个栅格的目标高度值；其中，目标高度值为栅格内多个点的高度的最小值；判断目标高度值是否不大于预设高度阈值；如果是，则该目标高度值对应的栅格确定为目标栅格，并将目标栅格内的多个点作为地面噪点。
[0092]
在另一种可能的实施方式中，上述转换模块43还用于：按照第一转换规则对第一点云数据进行转换，得到球面坐标系的点云数据；其中，第一转换规则用于表征将数据从点云坐标系转换至球面坐标系；按照第二转换规则对球面坐标系的点云数据进行转换，得到图像坐标系中的第二点云数据；其中，第二转换规则用于表征将数据从球面坐标系转换至图像坐标系。
[0093]
在另一种可能的实施方式中，上述车辆上设置有激光雷达，上述获取模块41还用于：获取激光雷达采集的初始点云数据；判断激光雷达相对于车体坐标系，是否存在俯仰和/或旋转和/或偏航角；如果是，按照预设姿态校正矩阵对初始点云数据进行姿态校准，得到校正后的初始点云数据。
[0094]
在另一种可能的实施方式中，上述车辆上设置有深度相机，上述获取模块41还用于：获取深度相机采集的车辆周围环境的深度图像；对深度图像进行转换，得到对应的初始点云数据。
[0095]
本发明实施例提供的障碍物识别装置，与上述实施例提供的障碍物识别方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
[0096]
本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被
处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述障碍物识别方法。
[0097]
参见图5所示，该电子设备包括处理器100和存储器101，该存储器 101存储有能够被处理器100执行的机器可执行指令，该处理器100执行机器可执行指令以实现上述障碍物识别方法。
[0098]
进一步地，图5所示的电子设备还包括总线102和通信接口103，处理器100、通信接口103和存储器101通过总线102连接。
[0099]
其中，存储器101可能包含高速随机存取存储器(ram，random accessmemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是isa(industrial standardarchitecture，工业标准结构总线)总线、pci(peripheral componentinterconnect，外设部件互连标准)总线或eisa(enhanced industry standardarchitecture，扩展工业标准结构)总线等。上述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0100]
处理器100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称 asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器 101，处理器100读取存储器101中的信息，结合其硬件完成前述实施例的方法的步骤。
[0101]
本实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述障碍物识别方法。
[0102]
本发明实施例所提供的障碍物识别方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0103]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0104]
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是
两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0105]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random accessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0106]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0107]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
技术特征：1.一种障碍物识别方法，其特征在于，所述方法包括：获取车辆周围环境的初始点云数据；其中，所述初始点云数据为点云坐标系中的数据集；基于栅格法确定所述初始点云数据中的地面噪点，并对所述地面噪点进行滤除处理，得到第一点云数据；将所述第一点云数据进行转换，得到图像坐标系中的第二点云数据；根据筛选规则确定所述第二点云数据中的边沿噪点，并对所述边沿噪点进行滤除处理，得到目标点云数据；其中，所述筛选规则包括动态搜索半径和相邻点夹角阈值；基于run的聚类算法对所述目标点云数据进行聚类，得到障碍物初始信息；根据预设滤除规则对所述障碍物初始信息进行滤除处理，得到障碍物信息。2.根据权利要求1所述的方法，其特征在于，所述根据筛选规则确定所述第二点云数据中的边沿噪点的步骤，包括：对于所述第二点云数据中的当前点，根据所述动态搜索半径确定所述当前点的相邻点；其中，所述相邻点与所述当前点之间的距离不大于所述动态搜索半径；计算每个所述相邻点与所述当前点之间的相邻点夹角；根据所述相邻点夹角和所述相邻点夹角阈值，确定所述边沿噪点。3.根据权利要求2所述的方法，其特征在于，所述根据所述相邻点夹角和所述相邻点夹角阈值，确定所述边沿噪点的步骤，包括：判断所述相邻点夹角是否小于所述相邻点夹角阈值；如果是，则将所述相邻点夹角对应的相邻点确定为所述边沿噪点。4.根据权利要求1所述的方法，其特征在于，所述基于栅格法确定所述初始点云数据中的地面噪点的步骤，还包括：基于所述栅格法，确定所述初始点云数据对应的栅格地图；其中，所述栅格地图包括多个栅格；确定每个所述栅格的目标高度值；其中，所述目标高度值为所述栅格内多个点的高度的最小值；判断所述目标高度值是否不大于预设高度阈值；如果是，则该目标高度值对应的栅格确定为目标栅格，并将所述目标栅格内的多个点作为所述地面噪点。5.根据权利要求1所述的方法，其特征在于，所述将所述第一点云数据进行转换，得到图像坐标系中的第二点云数据的步骤，包括：按照第一转换规则对所述第一点云数据进行转换，得到球面坐标系的点云数据；其中，所述第一转换规则用于表征将数据从所述点云坐标系转换至所述球面坐标系；按照第二转换规则对所述球面坐标系的点云数据进行转换，得到所述图像坐标系中的第二点云数据；其中，所述第二转换规则用于表征将数据从所述球面坐标系转换至所述图像坐标系。6.根据权利要求1所述的方法，其特征在于，所述车辆上设置有激光雷达，所述获取车辆周围环境的初始点云数据的步骤，包括：获取所述激光雷达采集的初始点云数据；
判断所述激光雷达相对于车体坐标系，是否存在俯仰和/或旋转和/或偏航角；如果是，按照预设姿态校正矩阵对所述初始点云数据进行姿态校准，得到校正后的所述初始点云数据。7.根据权利要求1所述的方法，其特征在于，所述车辆上设置有深度相机，所述获取车辆周围环境的初始点云数据的步骤，还包括：获取所述深度相机采集的车辆周围环境的深度图像；对所述深度图像进行转换，得到对应的初始点云数据。8.一种障碍物识别装置，其特征在于，所述装置包括：获取模块，用于获取车辆周围环境的初始点云数据；其中，所述初始点云数据为点云坐标系中的数据集；第一确定模块，用于基于栅格法确定所述初始点云数据中的地面噪点，并对所述地面噪点进行滤除处理，得到第一点云数据；转换模块，用于将所述第一点云数据进行转换，得到图像坐标系中的第二点云数据；第二确定模块，用于根据筛选规则确定所述第二点云数据中的边沿噪点，并对所述边沿噪点进行滤除处理，得到目标点云数据；其中，所述筛选规则包括动态搜索半径和相邻点夹角阈值；聚类模块，用于基于run的聚类算法对所述目标点云数据进行聚类，得到障碍物初始信息；滤除模块，用于根据预设滤除规则对所述障碍物初始信息进行滤除处理，得到障碍物信息。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述权利要求1-7任一项所述的方法的步骤。
技术总结本发明提供了障碍物识别方法、装置及电子设备；其中，该方法包括：获取车辆周围环境的初始点云数据，并滤除地面噪点和边沿噪点，得到目标点云数据；以及，基于run的聚类算法对目标点云数据进行聚类，得到障碍物初始信息；并根据预设滤除规则对障碍物初始信息进行滤除处理，得到障碍物信息；该方法首先滤除初始点云数据中的地面噪点和边沿噪点，并聚类得到障碍物初始信息；然后根据预设滤除规则对障碍物初始信息再次进行滤除处理，从而可以有效缓解边沿噪点和地面噪点对障碍物聚类结果欠分割影响准确度的问题，提高了障碍物的识别准确度，进而提高了车辆自动驾驶的安全性，具有较好的实用价值。实用价值。实用价值。
技术研发人员：罗凤鸣 杜晨光
受保护的技术使用者：洛伦兹(北京)科技有限公司
技术研发日：2022.05.18
技术公布日：2022/11/1
