基于车载激光雷达的障碍物识别方法

1.本发明属于点云数据处理技术领域，具体涉及一种基于车载激光雷达的障碍物识别方法。


背景技术：

2.在自动驾驶中，环境感知系统是车辆行驶安全性的最大保障，为后续车辆的路径规划、行为决策等高层任务提供基础支撑。其中，基于激光雷达的点云数据可以提供目标的深度信息，对天气、光照的敏感度低，其缺点是点云数据具有无序性、稀疏性以及非结构化特点，增大了激光雷达应用的难度。
3.现有技术中，激光雷达目标检测方法可分为传统方法和深度学习方法；其中，传统的基于激光雷达障碍物检测算法是通过预处理、地面分割、障碍物聚类等，其中障碍物聚类是传统激光雷达目标检测算法中重要的一环，可以使车辆控制系统充分识别障碍物的形状、大小、角度、位置等信息，并采取有效的障碍物规避策略；estermhpx.a density-based algorithm for discoveringclusters a density-based algorithm for discovering clusters in large spatialdatabases with noise[j].international conference on knowledge discovery anddata mining，portland，oregon：aaai，1996：226-231中通过引入密度概念，提出了基于密度聚类算法，该方法能够连接密度阈值内的相邻区域，能够有效处理离群点；考虑到激光雷达距离会造成点云近密远疏的特点，zheng l，zhang p，tan j，et al.the obstacle detection method of uav based on 2dlidar[j].ieee access，2019，7：163437-163448中采用基于相对距离和密度的聚类算法相融合，不仅校正了点云的偏移量，还有效地对密度不均匀的点云进行聚类；xue p，wu y，yin g，et al.real-time target recognition for urbanautonomous vehicles based on information fusion[j].jixie gongchengxuebao/journal of mechanical engineering，2020，56(12)：165-173中提出利用阈值半径和点云距离相结合生成该位置的自适应半径，相比于传统固定半径提高了算法的鲁棒性；基于密度聚类算法有较好的聚类效果，但耗时性十分严重，栅格聚类算法可以解决这一问题；基于栅格的聚类算法主要思想是先将空间量化为有限数目的单元，根据单元内的统计信息对数据压缩表达，传统的栅格聚类方法由于点云的散射状分布，远处的点云间距离较远，导致这类方法对远处的障碍物容易过分割；针对传统栅格聚类的缺点，himmelsbach m，mueller a，l
ü
ttel t，et al.lidar-based 3d object perception[c]//proceedings of 1stinternational workshop on cognition for technical systems.2008，1中提出创建极坐标栅格坐标系进行聚类，一定程度上提升了聚类精度，虽然栅格聚类算法实时性较好，但是无法处理不规则分布的数据问题仍然存在。
[0004]
因此，亟需改善现有技术中存在的上述问题。


技术实现要素：

[0005]
为了解决现有技术中存在的上述问题，本发明提供了一种基于车载激光雷达的障
碍物识别方法。本发明要解决的技术问题通过以下技术方案实现：
[0006]
第一方面，本发明提供一种基于车载激光雷达的障碍物识别方法，包括：
[0007]
获取原始点云数据；
[0008]
对原始点云数据进行预处理操作，得到预处理后的点云数据；对预处理后的点云数据再进行分割地面操作，得到保留障碍物点云数据；
[0009]
根据保留障碍物点云数据，构建极坐标栅格图；其中，障碍物极坐标栅格图包括多个栅格；
[0010]
根据相对距离阈值，获取栅格聚类的自适应径向搜索步长；
[0011]
使用区域生长法标记符合自适应径向搜索步长要求的栅格，得到不同类别的栅格集合；
[0012]
将不同类别的栅格集合转换为不同类别的点云数据集合，得到障碍物信息。
[0013]
本发明的有益效果：
[0014]
本发明提供的一种基于车载激光雷达的障碍物识别方法，对原始点云数据进行预处理和地面分割操作，得到保留障碍物点云数据；根据保留障碍物点云数据的，构建极坐标栅格图；通过遍历极坐标栅格图中的栅格，保证相对距离阈值不变的情况下，计算当前栅格自适应径向搜索步长；并以该栅格为中心栅格，搜索满足自适应径向搜索步长要求的栅格，得到不同类别的栅格集合；再将不同类的栅格集合转换为不同类别的点云数据集合，得到障碍物信息；如此，针对现有技术中栅格聚类中无法处理不规则分布的数据，本发明提出两栅格的相对距离计算方法，降低了点云间计算相对距离的时间复杂度，保证相对距离阈值不变的情况下，获取二维坐标点与栅格之间的转换关系，获取得到自适应径向搜索步长，即近处步长小，远处步长大，在保证实时性的情况下，解决点云数据近密远疏带来的问题，能够在保证对障碍物目标快速识别的基础上，提高识别精度。
[0015]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0016]
图1是本发明实施例提供的基于车载激光雷达的障碍物识别方法的一种流程图；
[0017]
图2是本发明实施例提供的地面点云数据可视化后为圆形的一种示意图；
[0018]
图3是本发明实施例提供的分割地面操作后的点云数据的一种示意图；
[0019]
图4是本发明实施例提供的栅格极坐标图的一种示意图；
[0020]
图5是本发明实施例提供的获取障碍物的一种示意图；
[0021]
图6是本发明实施例提供的障碍物转换的一种示意图；
[0022]
图7是本发明实施例提供的获取不同类别栅格集合的一种流程图；
[0023]
图8是本发明实施例提供的获取障碍物的一种示意图；
[0024]
图9是本发明实施例提供的聚类效果的一种示意图。
具体实施方式
[0025]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0026]
现有技术中，栅格聚类是一种常见的聚类方法，以每个栅格为搜索单位，时间复杂
度较低，该方法最重要的优势就是实时性好，但是现有的栅格聚类仅仅调节栅格尺寸对聚类的改善效果是有限的，无法应对复杂场景；基于密度聚类算法可以得到较为准确的聚类结果，该方法的时间复杂度高，不符合实时性的需求。
[0027]
有鉴于此，本发明提供一种基于车载激光雷达的障碍物识别方法，能够解决复杂场景、以及环境多变场景下，由于点云数据近密远疏的特性，导致车载激光雷达障碍物识别出现误检、漏检的问题，能够在保证对障碍物目标快速识别的基础上，提高识别精度。
[0028]
请参见图1所示，图1是本发明实施例提供的基于车载激光雷达的障碍物识别方法的一种流程图，本发明所提供的一种基于车载激光雷达的障碍物识别方法，包括：
[0029]
s101、获取原始点云数据；
[0030]
s102、对原始点云数据进行预处理操作，得到预处理后的点云数据；对预处理后的点云数据再进行分割地面操作，得到保留障碍物点云数据；
[0031]
s103、根据保留障碍物点云数据，构建极坐标栅格图；其中，障碍物极坐标栅格图包括多个栅格；
[0032]
s104、根据相对距离阈值，获取栅格聚类的自适应径向搜索步长；
[0033]
s105、使用区域生长法标记符合自适应径向搜索步长要求的栅格，得到不同类别的栅格集合；
[0034]
s106、将不同类别的栅格集合转换为不同类别的点云数据集合，得到障碍物信息。
[0035]
具体而言，请继续参见图1所示，本实施例提供的一种基于车载激光雷达的障碍物识别方法，对原始点云数据进行预处理和地面分割操作，得到保留障碍物点云数据；根据保留障碍物点云数据的，构建极坐标栅格图；通过遍历极坐标栅格图中的栅格，保证相对距离阈值不变的情况下，计算当前栅格自适应径向搜索步长；并以该栅格为中心栅格，搜索满足自适应径向搜索步长要求的栅格，得到不同类别的栅格集合；再将不同类的栅格集合转换为不同类别的点云数据集合，得到障碍物信息；如此，针对现有技术中栅格聚类中无法处理不规则分布的数据，本发明提出两栅格的相对距离计算方法，降低了点云间计算相对距离的时间复杂度，保证相对距离阈值不变的情况下，获取二维坐标点与栅格之间的转换关系，获取得到自适应径向搜索步长，即近处步长小，远处步长大，在保证实时性的情况下，解决点云数据近密远疏带来的问题，能够在保证对障碍物目标快速识别的基础上，提高识别精度。
[0036]
在本发明的一种可选地实施例中，对原始点云数据进行预处理操作，得到预处理后的点云数据的过程包括：
[0037]
使用道路边沿检测算法对原始点云数据进行直通滤波，得到有效的点云区域；
[0038]
对直通滤波处理后的原始点云数据再进行去噪处理，得到处理后的点云数据。
[0039]
具体而言，本实施例中，对原始点云数据进行预处理操作，即为滤波处理，滤波处理适用车辆行驶道路场景下，利用道路边沿检测算法对道路两侧的点云数据进行直通滤波处理，可以减少无关点云数量；经过直通滤波处理后得到有效的点云区域，此外，由于采集点云数据过程中设备精度、实际环境的影响，原始点云数据中经常回包含噪点，需要对点云数据进行去噪处理。
[0040]
在本发明的一种可选地实施例中，使用基于平面拟合的地面分割算法对预处理后的点云数据进行分割地面操作。
[0041]
具体而言，请参见图2和图3所示，图2是本发明实施例提供的地面点云数据可视化后为圆形的一种示意图，图3是本发明实施例提供的分割地面操作后的点云数据的一种示意图，本实施例中，在点云数据中，地面点是激光雷达扫射到地面上反射的点，请继续参见图2所示，由于地面的点云数据可视化后是圆形的，可能导致将地面和地面以上的目标连接起来，不利于后续的聚类操操作，因此需要对地面点云进行分割处理，只保留障碍物点云数据；可选地，本实施例采用基于平面拟合的地面分割算法滤除地面，得到的保留障碍物点云数据的结果如图3所示。
[0042]
在本发明的一种可选地实施例中，请参见图4所示，图4是本发明实施例提供的栅格极坐标图的一种示意图，根据保留障碍物点云数据，构建极坐标栅格图的过程包括：
[0043]
将保留障碍物点云数据转换为二维坐标数据；
[0044]
将所述二维坐标数据从笛卡尔直角坐标数据转换为栅格极坐标数据，得到栅格极坐标图。
[0045]
具体而言，请继续参见图4所示，考虑到三维信息计算复杂度高，耗时长，不利于算法的实时性运用，本实施例中将保留障碍物点云数据投影至xoy平面，即将点云数据的三维信息转换为二维坐标数据，有利于后续处理；将投影至xoy平面的二维坐标数据，即点i，坐标pi(xi,yi)，将该点的坐标从笛卡尔直角坐标数据转换为栅格极坐标数据，得到m
bins
×nchannels
栅格极坐标图；其中，转换的表达式为：
[0046][0047][0048]
其中，channel(pi)和bin(pi)为点pi(xi,yi)转换后的栅格极坐标坐标，为向下取整，α为栅格坐标系角度间隔，r栅格坐标系半径间隔。
[0049]
在本发明的一种可选地实施例中，将二维坐标数据转换为栅格极坐标数据之前还包括：
[0050]
以激光雷达中心为极点，以激光雷达正前方为极轴，以角度取逆时针方向为正，构建极坐标系；
[0051]
根据极坐标径向相邻栅格间距半径，极坐标相邻栅格间距角度，以激光雷达为中心，360
°
的水平视角范围，构建栅格极坐标系；其中，所述栅格极坐标系包括m行、n列栅格，其中，m和n的表达式分别为：
[0052][0053][0054]
其中，vd为激光雷达型号可视距离。
[0055]
在本发明的一种可选地实施例中，根据相对距离阈值，获取栅格聚类的自适应径向搜索步长的过程包括：
[0056]
获取相对距离阈值；
[0057]
获取与当前栅格的中心点i相距所述相对距离阈值的栅格的中心点j的半径坐标，其表达式为：
[0058]rj
＝d
×
ρ'i+ρ'i；
[0059]
其中，rj为栅格的中心点j的半径坐标，d为相对距离阈值，ρ'i为当前栅格的中心点i的半径坐标；需要说明的是，由于激光雷达近密远疏的特性，栅格的中心点j在当前栅格中心点i的外部，ρ'
b-ρ'a》0；
[0060]
根据栅格的中心点j的半径坐标，获取栅格的中心点j的坐标，根据栅格的中心点j的坐标，获取自适应径向搜索步长，其表达式为：
[0061][0062]
具体而言，本实施例中，通过给定的相对距离阈值，以及其中一个栅格的极坐标位置，计算另一个栅格的中心坐标，进一步获取自适应径向搜索步长；需要说明的是，相对距离阈值的概念参考以下相对距离的计算方式，具体为：
[0063]
请参见图5和图6所示，图5是本发明实施例提供的获取障碍物的一种示意图，图6是本发明实施例提供的障碍物转换的一种示意图，点o为激光雷达中心点，a点和b点为激光雷达遇到障碍物表面的反射点，相对距离的计算类似于三角形的缩放变换，如图6所示，连接ab两点，构造三角形abo，然后将边缘oa缩短到单位长度，同时以相同的比例缩短侧边ab和ob，以a点为中心，ab间的相对距离的表达式为：
[0064][0065]
其中，l
ab
为点a和点b之间距离，la为激光雷达中心到点a的距离。
[0066]
在笛卡尔直角坐标系下，点a的坐标为(xa,ya)，点b的坐标为(xb,yb)，以点a为中点，点a与点b之间的相对距离的表达式为：
[0067][0068]
在极坐标系下，点a和点b的角度相同的情况下，点a的极坐标为(θa,ra)，点b的极坐标为(θb,rb)，以点a为中心，点a和点b之间的相对距离的表达式为：
[0069][0070]
在栅格极坐标系下，栅格的中心代表栅格的位置信息，获取所述栅格的中心点，分别获取栅格a的中心点(θ'a,ρ'a)和栅格b的中心点(θ'b,ρ'b)；其中，栅格a和栅格b在同一角度；
[0071][0072][0073]
其中，r为极坐标径向相邻栅格间距半径，α为极坐标相邻栅格间距角度，(θa,ra)为a点的极坐标，(θb,rb)为b点的极坐标；
[0074]
以栅格a为中心，获取栅格a与栅格b之间的相对距离d
ab
，其表达式为：
[0075][0076]
以上，通过获取相对距离的方式，获取本实施例所需的相对距离阈值。
[0077]
在本发明的一种可选地实施例中，请参见图7所示，图7是本发明实施例提供的获取不同类别栅格集合的一种流程图，使用区域生长法标记符合自适应径向搜索步长要求的栅格，得到不同类别的栅格集合的过程包括：
[0078]
以当前栅格为中心栅格，搜索中心栅格的联通区域ε内的所有栅格，并依次判断搜索到的栅格是否为中心栅格；如果为中心栅格，则搜索该中心栅格的联通区域ε内的所有栅格；如果不是中心栅格，则停止搜索，得到一类栅格集合，且对一类栅格集合中的栅格赋予同一编号；重复循环搜索，按照区域生长规则，搜索完所有的栅格，得到不同类栅格集合，且对不同类栅格集合中的栅格赋予不同编号，记录编号的最大值，即为当前帧数据中障碍物总数；遍历过程中，如果栅格内无点云存在，则直接跳过此栅格；其中，中心栅格为联通区域ε内点云数大于等于最小密度minpts的栅格。
[0079]
具体而言，本实施例中，需要不断的判断当前搜索到的栅格是否为中心栅格，根据中心栅格定义，首先要确定连通区域的范围，然后计算连通区域点云数，与minpts阈值相比较判断栅格属性。随着密度聚类算法的发展，自适应邻域范围提升了聚类精度，在栅格聚类中也可以得到类似结论，所以在栅格聚类确定邻域范围时，自适应阈值的计算可以有效的改善聚类精度。
[0080]
通常情况下，判断两个点是否属于同一簇需要计算两点之间的距离，与阈值相比较，大于或等于阈值，两点属于同一簇，小于阈值，两点不属于同一簇。由于点云数据近密远疏的特性，距离阈值需要实时变化才能用于更大范围内的检测。本发明利用不改变相对距离阈值的方法，设计点与栅格之间的转换关系，计算当前遍历栅格的径向区域搜索范围，使每个栅格都可以应用同一个阈值，减少了变化参数。
[0081]
需要说明的是，请参见图8所示，图8是本发明实施例提供的获取障碍物的一种示意图，联通区域ε为以当前栅格为中心，连通角度angstep个栅格，径向rstep个栅格内的所有栅格，对栅格进行搜索，灰色部分为栅格连通区域，即angstep为1，rstep为1的区域；中心网格为连通区域ε内点云数大于等于最小密度minpts的栅格。
[0082]
在本发明的一种可选地实施例中，将不同类别的栅格集合转换为不同类别的点云数据集合，得到障碍物信息的过程包括：
[0083]
将栅格集合中的极坐标数据转换为笛卡尔直角坐标数据，再将笛卡尔直角坐标数据转换为二维坐标数据，进一步转换为点云数据，得到一个障碍物信息；
[0084]
将不同类栅格集中的极坐标数据进行转换，得到多个障碍物信息。
[0085]
具体而言，本实施例中，根据车载激光雷达障碍物识别的要求，仅完成栅格类标记是不够的，还需要对上述过程获取的栅格集合进行转换，每一类栅格集合抽象为一个障碍物集合，该障碍物集合中包括的信息如表1所示。
[0086]
表1障碍物集合包括的信息
[0087]
信息名称数据形式编号id点云数据p(x,y,z,i)中心位置o(x,y,z)边界轮廓bbox{b1,
…
,bn}长宽高length,width,height
[0088]
创建一个障碍物集合，集合中的对象数是上述过程中的聚类的个数，即识别到的障碍物的个数，并赋予每个对象在当前帧唯一的编号，此编号与栅格类别一一对应；遍历点云数据，根据式笛卡尔直角坐标系与极坐标栅格映射关系，赋予每个点云对应栅格的相同标记，并根据聚类栅格标记与集合对象编号的关系，将点云储存到对应编号的对象中。
[0089]
在本发明的一种可选地实施例中，障碍物信息包括障碍物的边界轮廓、障碍物的长宽高和障碍物的中心；其中，障碍物的边界轮廓为点云x轴、y轴和z轴的最大值与最小值组成的顶点信息，障碍物的长宽高为点云x轴、y轴和z轴的最大值与最小值之差的长度信息，障碍物的中心为障碍物边界的几何中心。
[0090]
在本发明的一种可选地实施例中，请参见图9所示，图9是本发明实施例提供的聚类效果的一种示意图，本实施例提供地方法相比于传统的栅格聚类算法和密度聚类算法，聚类精度更高，图9展示了自适应搜索步长在20米内，30米内，50米内精度均高于传统的栅格聚类算法及传统的密度聚类算法，总错误率显著下降，请参考表2所示。
[0091]
表2聚类精度
[0092][0093]
[0094]
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”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。
[0095]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0096]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种基于车载激光雷达的障碍物识别方法，其特征在于，包括：获取原始点云数据；对所述原始点云数据进行预处理操作，得到预处理后的点云数据；对所述预处理后的点云数据再进行分割地面操作，得到保留障碍物点云数据；根据所述保留障碍物点云数据，构建极坐标栅格图；其中，所述障碍物极坐标栅格图包括多个栅格；根据相对距离阈值，获取栅格聚类的自适应径向搜索步长；使用区域生长法标记符合自适应径向搜索步长要求的栅格，得到不同类别的栅格集合；将不同类别的所述栅格集合转换为不同类别的点云数据集合，得到障碍物信息。2.根据权利要求1所述的基于车载激光雷达的障碍物识别方法，其特征在于，所述对所述原始点云数据进行预处理操作，得到预处理后的点云数据的过程包括：使用道路边沿检测算法对所述原始点云数据进行直通滤波，得到有效的点云区域；对直通滤波处理后的原始点云数据再进行去噪处理，得到处理后的点云数据。3.根据权利要求1所述的基于车载激光雷达的障碍物识别方法，其特征在于，使用基于平面拟合的地面分割算法对所述预处理后的点云数据进行分割地面操作。4.根据权利要求1所述的基于车载激光雷达的障碍物识别方法，其特征在于，所述根据所述保留障碍物点云数据，构建极坐标栅格图的过程包括：将所述保留障碍物点云数据转换为二维坐标数据；将所述二维坐标数据从笛卡尔直角坐标数据转换为栅格极坐标数据，得到栅格极坐标图。5.根据权利要求1所述的基于车载激光雷达的障碍物识别方法，其特征在于，将所述二维坐标数据转换为栅格极坐标数据之前还包括：以激光雷达中心为极点，以激光雷达正前方为极轴，以角度取逆时针方向为正，构建极坐标系；根据极坐标径向相邻栅格间距半径，极坐标相邻栅格间距角度，以激光雷达为中心，360
°
的水平视角范围，构建栅格极坐标系；其中，所述栅格极坐标系包括m行、n列栅格。6.根据权利要求1所述的基于车载激光雷达的障碍物识别方法，其特征在于，所述根据相对距离阈值，获取栅格聚类的自适应径向搜索步长的过程包括：获取相对距离阈值；获取与当前栅格的中心点i相距所述相对距离阈值的栅格的中心点j的半径坐标，其表达式为：r
j
＝d
×
ρ
i
'+ρ
i
'；其中，r
j
为栅格的中心点j的半径坐标，d为相对距离阈值，ρ
i
'当前栅格的中心点i的半径坐标；根据所述栅格的中心点j的半径坐标，获取栅格的中心点j的坐标，根据栅格的中心点j的坐标，获取自适应径向搜索步长，其表达式为：
其中，r栅格坐标系半径间隔。7.根据权利要求1所述的基于车载激光雷达的障碍物识别方法，其特征在于，所述使用区域生长法标记符合自适应径向搜索步长要求的栅格，得到不同类别的栅格集合的过程包括：以当前栅格为中心栅格，搜索中心栅格的联通区域ε内的所有栅格，并依次判断搜索到的栅格是否为中心栅格；如果为中心栅格，则搜索该中心栅格的联通区域ε内的所有栅格；如果不是中心栅格，则停止搜索，得到一类栅格集合，且对一类栅格集合中的栅格赋予同一编号；重复循环搜索，按照区域生长规则，搜索完所有的栅格，得到不同类栅格集合，且对不同类栅格集合中的栅格赋予不同编号；其中，所述中心栅格为联通区域ε内点云数大于等于最小密度minpts的栅格。8.根据权利要求1所述的基于车载激光雷达的障碍物识别方法，其特征在于，所述将不同类别的所述栅格集合转换为不同类别的点云数据集合，得到障碍物信息的过程包括：将所述栅格集合中的极坐标数据转换为笛卡尔直角坐标数据，再将笛卡尔直角坐标数据转换为二维坐标数据，进一步转换为点云数据，得到一个障碍物信息；将不同类所述栅格集中的极坐标数据进行转换，得到多个障碍物信息。9.根据权利要求8所述的基于车载激光雷达的障碍物识别方法，其特征在于，所述障碍物信息包括障碍物的边界轮廓、障碍物的长宽高和障碍物的中心；其中，所述障碍物的边界轮廓为点云x轴、y轴和z轴的最大值与最小值组成的顶点信息，所述障碍物的长宽高为点云x轴、y轴和z轴的最大值与最小值之差的长度信息，所述障碍物的中心为障碍物边界的几何中心。

技术总结
本发明公开了一种基于车载激光雷达的障碍物识别方法，涉及点云数据处理技术领域，包括：获取原始点云数据；对原始点云数据进行预处理操作，得到预处理后的点云数据；对预处理后的点云数据再进行分割地面操作，得到保留障碍物点云数据；根据保留障碍物点云数据，构建极坐标栅格图；其中，障碍物极坐标栅格图包括多个栅格；根据相对距离阈值，获取栅格聚类的自适应径向搜索步长；使用区域生长法标记符合自适应径向搜索步长要求的栅格，得到不同类别的栅格集合；将不同类别的栅格集合转换为不同类别的点云数据集合，得到障碍物信息。本发明能够在保证对障碍物目标快速识别的基础上，提高识别精度。高识别精度。高识别精度。


技术研发人员：公茂果 武越 杨柳 张明阳 王善峰 李豪 范晓龙
受保护的技术使用者：西安电子科技大学
技术研发日：2023.03.06
技术公布日：2023/7/19