【CN109800773A】基于三维激光雷达的越野路面提取方法【专利】

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910121876.4
(22)申请日 2019.02.19
(71)申请人 北京大学
地址 100871 北京市海淀区中关村颐和园
路5号
(72)发明人 高飙　潘彦成　徐安然　赵卉菁　
(74)专利代理机构 北京市商泰律师事务所
11255
代理人 邹芳德
(51)Int.Cl.
G06K 9/46(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
基于三维激光雷达的越野路面提取方法
(57)摘要
本发明提供了一种基于三维激光雷达的越
野路面提取方法，属于图像识别技术领域。

包括
将激光雷达获取的连续多帧的三维激光点云数
据叠加后，投影到俯视图中得到路面高程图；利
用深度卷积神经网络对路面高程图进行特征提
取，得到路面高程图的通行代价图；对通行代价
图进行离散化，获取可通行区域标签、障碍物区
域标签和模糊区域标签；根据可通行区域标签、
障碍物区域标签和模糊区域标签对离散化的通
行代价图进行图像可视化，获取可通行越野路面
区域图。

本发明不受光照和天候的影响，即可提
取可通行的越野路面；基于深度学习的特征提取
方法，可自适应学习到环境特征，在不同场景下
适应性更强；提出的自动数据标注方案，有效减
少对人工标注样本的需求。

权利要求书2页 说明书5页 附图3页CN 109800773 A 2019.05.24
C N 109800773
A
1.一种基于三维激光雷达的可通行越野路面提取方法，其特征在于，包括如下流程步骤：
步骤S110：将激光雷达获取的连续多帧的三维激光点云数据叠加后，投影到俯视图中得到路面高程图；
步骤S120：利用深度卷积神经网络对所述路面高程图进行特征提取，得到所述路面高程图的通行代价图；
步骤S130：对所述通行代价图进行离散化，获取可通行区域标签、障碍物区域标签和模糊区域标签；
步骤S140：根据可通行区域标签、障碍物区域标签和模糊区域标签对离散化的通行代价图进行图像可视化，获取可通行越野路面区域图。

2.根据权利要求1所述的方法，其特征在于，所述步骤S120具体包括：
利用区域生长方法对激光雷达采集的路面高程图提取立面障碍物区域，并结合车辆采集到的轨迹信息，合成自动标注样本；
利用所述自动标注样本结合人工标注样本对所述深度卷积神经网络进行训练；
利用训练好的深度卷积神经网络对所述路面高程图的像素点进行归类划分，分别获得像素点的可通行区域指标值和障碍物区域指标值；
对所述可通行区域指标值和所述障碍物区域指标值进行归一化，得到所述通行代价图。

3.根据权利要求2所述的方法，其特征在于，所述利用区域生长方法对激光雷达采集的路面高程图提取立面障碍物区域包括：
遍历所述路面高程图中的像素点，将高度满足预设的路面高度阈值的像素点作为种子点加入种子点队列；遍历所述种子点队列和所述种子点的相邻像素点，判断所述种子点和所述相邻像素点的高度差和角度差是否小于给定的阈值，若是，则将所述相邻像素点加入所述种子点队列，若否，则将所述相邻像素点标记为障碍物区域。

4.根据权利要求3所述的方法，其特征在于，遍历所述路面高程图中的像素点，若没有高度满足预设的路面高度阈值的像素点，则将所述路面高程图中的所有像素点均标记为障碍物区域。

5.根据权利要求2所述的方法，其特征在于，利用所述自动标注样本结合人工标注样本
对所述深度卷积神经网络进行训练的优化目标函数为：
其中，P表示概率，表示自动标注样本，λ表示自动标注样本的权重调整参数，X表示
网络输入的路面高程图，θbr 表示深度卷积神经网络的参数集合，
表示人工标注样本。

6.根据权利要求5所述的方法，其特征在于，对所述可通行区域指标值和所述障碍物区域指标值进行归一化，得到所述通行代价图，包括：归一化的公式如下所示：
权　利　要　求　书1/2页2CN 109800773 A。