技术摘要：
一种三维激光雷达智能车在高速公路上识别车辆的方法，由点云数据预处理、点云数据密度聚类、点云簇悬空判断、降维提取几何特征、车辆目标三维框识别步骤组成。采用三维激光雷达智能车采集高速公路上点云数据，滤除路面点云数据，对非路面点云数据进行三维空间聚类得到  全部
背景技术：
目前，对高速公路上行驶车辆的识别方法主要有以下几种： 基于视觉的车辆识别，采用视觉传感器，车载摄像头可以描绘物体的外观和形状、 读取标志等，受环境因素以及外部因素影响较大，在夜晚、雨天或有雾等恶劣天气情况下， 隧道中光线不足，目标受到其他物体的遮挡，这些因素都会影响目标识别的准确性。 机器学习中的有监督方法在对目标分类的时候，输入的每个数据资料都是带有类 别标签信息，根据数据和对应的标签进行学习，产生模型，之后就可以用训练出的模型对新 的数据进行标签分类，达到目标分类的要求。需要采集大量的样本数据，训练模型。在现实 问题中存在大量的无标记数据，这些无标记数据存在潜在的模式与规律，解决不了这些问 题。 二维单线激光雷达识别目标，其结构简单，只有一路发射和一路接收，功耗低，但 是由于只能够发出一束激光，返回的信息量少，而且扫描的只是一个平面的点，无法获取障 碍物的大小，形状等信息，会降低目标障碍物识别的准确性。 现有的车辆识别方法，有的方法采集的车辆周围信息缺少，有的方法受环境影响 和识别方法复杂，这些不足都难以保证智能车在高速公路上识别车辆目标。
技术实现要素：
本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种采集数据 少、识别速度快、识别准确的三维激光雷达智能车在高速公路上识别车辆的方法。 解决上述技术问题所采用的技术方案由下述步骤组成： (1)点云数据预处理 在高速公路上，三维激光雷达智能车获取车辆周围的三维点云数据，采用随机抽 样一致性方法对点云数据进行分割，滤除高速公路路面的点云数据。 (2)点云数据密度聚类 将预处理后的非路面点云数据在三维空间中进行具有噪声的基于密度的聚类，得 到不同的点云簇。 (3)点云簇悬空判断 判断各个点云簇Z坐标的最小值Zmin是否大于预设的悬空高度阈值5m，大于或等于 悬空高度阈值，舍弃该点云簇；小于悬空高度阈值，进行步骤(4)。 (4)降维提取几何特征 将各个三维点云簇的数据点投影到二维空间，按簇分别提取二维边界轮廓几何形 状和尺寸大小特征，同时满足几何形状符合直线形或L形、尺寸大小符合车辆目标，进行步 5 CN 111580131 A 说　明　书 2/6 页 骤(5)；否则，舍弃该点云簇。 (5)车辆目标三维框识别 将符合车辆目标的点云簇用三维立体框进行识别，完成车辆目标的识别。 在本发明的点云数据预处理步骤(1)中，所述的随机抽样一致性方法分割路面点 的方法如下： 从采集的点云数据点中随机选取三个点，构成一个平面，确定每个采集到的原始 点云数据点到该平面的距离，如果点云数据点到平面距离小于阈值0.2m，为属于该平面的 点云数据点，其中点云数据点数最多的平面为路面，去除路面点云数据点。 在本发明的点云数据密度聚类步骤(2)中，所述的在三维空间具有噪声的基于密 度的聚类方法如下： 根据预处理之后的每个点云数据点，将核心点en提取出加入到集合Ω如下： Ω＝{e1,e2,...,en} 式中n为有限的正整数，从集合Ω中随机选择一个核心点en，寻找这个核心点en能 够密度相连的数据点集合C： C＝{(x1,y1,z1) ,(x2,y2,z2) ,...,(xj,yj,zj)} 式中x、y、z为数据点的坐标，j为有限的正整数,数据点集合C为一个点云簇，重复 以上过程，直至集合Ω中所有的核心点en都被选取，完成了点云数据密度聚类。 密度可达：从预处理之后的点云数据中选取点云数据点a,点云数据点b，如果存在 序列{P1,P2,...,Pv} ,其中，v为有限的正整数，P1为a，P2为b,且序列中每一个点都在它的前 一个点的r邻域内，r为0.5m，点云数据点a与点云数据点b密度可达。 核心点：如果点云数据点a的r邻域内所含的点云数据点数大于m、且m为1，点云数 据点a为核心点en。 密度相连：对于点云数据点a和点云数据点b，若存在点云数据点t使得点云数据点 a与点云数据点t密度可达，且点云数据点t与点云数据点b密度可达，点云数据点a与点云数 据点b密度相连。 异常点：既不是核心点en也不是核心点en的r邻域内的点云数据点为异常点。 判断点云簇的点云数据点数是否大于30，大于30，进行步骤(3)；小于30，舍弃该点 云簇的数据点。 在本发明的降维提取几何特征步骤(4)中，所述的按簇分别提取二维边界轮廓几 何形状和尺寸大小特征的方法为： (4-1)提取二维边界轮廓几何形状 提取点云簇数据的二维直角坐标{(x1,y1) ,(x2,y2) ,...,(xf,yf)}，f为有限的正整 数，按下式： 将二维直角坐标其转化为极坐标{(ρ1,θ1) ,(ρ2,θ2) ,...,(ρf,θf)}，角度θ从小到大 排序，取出每个角度距离ρ最小的点，将极坐标转化为直角坐标系，将表示为点云簇的边界 点集A： 6 CN 111580131 A 说　明　书 3/6 页 A＝{q1,q2,…,qf} 把边界点集A的首尾点q1、qf用直线连起来，按下式确定边界点集A内每个点(xi , yi)(1≤i≤f)到直线的距离dist： 式中M、N、Q为系数，Q为常数,且M、N不同时为0，找到其中最大距离的边界点qk，将 边界点qk当做拐点或转折点，在边界点qk处将边界点集A分为两部分，边界点集A中第一个点 到第k个点为第一部分A'： A'＝{q1,q2,…,qk}， 边界点集A中第k个点到最后一个点为第二部分A”： A”＝{qk,qk 1,…,qf}。 分别对两部分点集A'、A”进行随机抽样一致性算法拟合直线，按下式确定两条直 线之间的夹角θ： 式中k1、k2分别为两条直线的斜率，0°≤θ≤10°，点云簇的二维边界轮廓几何形状 为直线形，70°≤θ≤90°，点云簇的二维边界轮廓几何形状为L形。 随机抽样一致性算法拟合直线：从点集中随机取两点,确定直线，得一个候选的直 线方程，统计点集中其它点到直线距离小于0.1m点的个数，保留点数最多的直线参数。 (4-2)提取二维边界轮廓尺寸 点云簇的二维边界轮廓的长l为： l＝|Xmax-Xmin| 式中X为坐标系的x轴，点云簇的二维边界轮廓的宽w为： w＝|Ymax-Ymin| Y为坐标系的y轴；符合车辆目标点云簇的二维边界轮廓的几何形状为直线形，轮 廓尺寸为： 1.5m≤w≤3m 或者二维边界轮廓的几何形状为L形，轮廓尺寸为： 在本发明的车辆目标三维框识别步骤(5)中，所述的符合车辆目标的点云簇用三 维立体框进行识别的方法为： 提取符合车辆目标点云簇的八个角点分别为：(Xmin、Ymin、Zmin)、(Xmin、Ymin、Zmax)、 (Xmin、Ymax、Zmin)、(Xmin、Ymax、Zmax)、(Xmax、Ymin、Zmin)、(Xmax、Ymin、Zmax)、(Xmax、Ymax、Zmin)、(Xmax、 Ymax、Zmax)，将这八个角点接连起来表示车辆目标的三维立体框，识别出高速公路上的行驶 车辆。 本发明使用三维激光雷达智能车采集高速公路上可探测范围内的点云数据，滤除 路面点云数据，对非路面点云数据进行三维空间的密度聚类，得到点云簇，逐一对点云簇进 7 CN 111580131 A 说　明　书 4/6 页 行降维几何特征提取，提高识别车辆目标的速度，用三维立体框标示出识别车辆目标的位 置。本发明采用三维空间聚类的方法，解决了现有视觉图像、单线激光雷达二维平面聚类不 包含物体高度信息的缺点，聚类的精度高，能够提高识别车辆的准确率，与机器学习的目标 识别方法相比，本发明不需要采集大量数据、构建训练识别车辆目标的模型，能快速识别车 辆目标，确保实时识别高速公路上的行车车辆。将本发明应用于高速公路上，在大雾、雨雪 等恶劣环境情况下，可以获得无法感知到的周围环境信息，增强了交通安全，优化了道路上 的车辆流量。 附图说明 图1是本发明实施例1的流程图。 图2是本发明实施例1的激光雷达点云原图。 图3是本发明实施例1的结果图。