室内停车场平面结构提取方法、系统、定位方法及介质与流程

1.本技术涉及高精度地图技术领域，特别涉及一种室内停车场平面结构提取方法、系统、定位方法及介质。


背景技术：

2.目前的雷达点云提取及相应的平面结果确定方法主要应用于室外环境下采集到的雷达点云，相较于室外环境，室内停车场，例如地下停车场等室内场景下的平面不仅数量更多，面积更小，而且还存在较多相交平面以及距离较近的平行平面。当直接使用现有方法处理地下停车场等室内场景采集到的点云时，面积较小平面可能会被错误地滤除，在聚类过程中相交平面以及距离较近的平行平面中的点云点可能会被误合并到一个平面子集中，产生欠分割，从而影响提取准确度。另外，地下停车场停放车辆多，分布密集，现有方法在提取过程中没有去除车体平面，最终导致提取的平面结果无法用于地图建立或车辆的辅助定位。


技术实现要素：

3.针对在室内停车场平面结构提取过程中，存在的平面提取准确度较低的问题，本技术提出一种室内停车场平面结构提取方法、系统、介质及设备。
4.第一方面，本技术提出一种室内停车场平面结构提取方法，包括：通过雷达获取室内停车场的原始点云数据；将原始点云数据进行投影得到球面图，并对球面图中不存在原始点云的投影点的像素位置进行点云数据填充，对球面图进行优化；确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行第一平面特征点的提取；对第一平面特征点进行聚类，得到多组平面点云。
5.可选的，确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行平面特征点的提取，包括：确定球面图中各个像素位置对应的投影点的特征信息，特征信息包括投影点对应的法向量、平滑度以及与相邻投影点之间的第一夹角；根据平滑度与预设平滑度阈值的关系对投影点进行筛选，得到预选平面特征点；计算预选平面特征点对应的法向量与雷达z轴之间的第二夹角，并根据第二夹角对预选平面特征点进行筛选；根据第一夹角与预设角度阈值的关系对预选平面特征点进行再次筛选，得到第一平面特征点。
6.可选的，根据平滑度与预设平滑度阈值的关系对投影点进行筛选之前，还包括：确定在同一方向上与像素位置相邻的第一像素位置和第二像素位置，并分别计算第一像素位置对应投影点与像素位置对应投影点之间的第一欧氏距离和第二像素位置对应投影点与像素位置对应投影点之间的第二欧氏距离；根据第一欧式距离和第二欧式距离的关系，对投影点进行筛选。
7.可选的，对第一平面特征点进行聚类，得到多组平面点云，包括：在第一平面特征点中任选一点作为种子点；确定种子点与其他全部第一平面特征点之间的法向量夹角、欧式距离以及种子点与其他全部平面特征点在种子点对应法向量方向上的投影距离；若法向
量夹角、欧式距离以及投影距离均符合判断条件，则将符合判断条件的种子点和其他第一平面特征点合并为同一平面点云；在不满足判断条件的其他第一平面特征点中再次确定种子点，进行与其他待合并平面特征点的合并判断，直到所有的第一平面特征点均进行合并判断后，得到多组平面点云。
8.可选的，对第一平面特征点进行聚类，得到多组平面点云，还包括：根据多组平面点云中，各组平面点云的航向角大小对多组平面点云进行排序；若相邻组平面点云间的平面法向量夹角、点云质心在法向量方向上的距离以及航向角差值均满足预判断条件，则将相邻组平面点云进行合并，得到新的平面点云。
9.可选的，对第一平面特征点进行聚类，得到多组平面点云，还包括：确定平面点云中的点云点数量、点云最高点的第一高度以及点云最低点的第二高度；若点云点数量低于预设数量阈值、第一高度与第二高度之间的高度差小于预设高度差阈值或第一高度低于预设高度阈值，则将对应的平面点云滤除。
10.可选的，还包括：对多组平面点云分别进行平面拟合，得到各组平面点云对应的平面方程；对平面点云中不在平面方程对应平面上的点云点进行滤除，得到优化的多组平面点云。
11.第二方面，本技术提出一种室内停车场平面结构提取系统，包括：雷达，其获取室内停车场的原始点云数据；投影模块，其将原始点云数据进行投影得到球面图，并对球面图中不存在原始点云的投影点的像素位置进行点云数据填充，对球面图进行优化；平面特征点提取模块，其确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行第一平面特征点的提取；聚类模块，其对第一平面特征点进行聚类，得到多组平面点云，进而得到对应的平面。
12.第三方面，本技术提出一种室内停车场车辆定位方法，包括：通过雷达获取室内停车场的原始点云数据；将原始点云数据进行投影得到球面图，并对球面图中不存在原始点云的投影点的像素位置进行点云数据填充，对球面图进行优化；确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行第一平面特征点的提取；对第一平面特征点进行聚类，得到多组平面点云，进而得到对应的平面；将多组平面点云对应的平面与高精度矢量地图中的平面相匹配，得到多组匹配平面对；根据多组匹配平面对的对应关系和雷达相对高精度矢量地图的位姿，确定雷达所搭载车辆的位姿，进行车辆的定位。
13.第四方面，本技术提供一种计算机可读存储介质，其存储有计算机程序，其中计算机程序被操作以执行方案一中的地图生产异常定位及处理方法或方案三中的室内停车场车辆定位方法。
14.第五方面，本技术提供一种计算机设备，其包括处理器和存储器，存储器存储有计算机程序，其中处理器操作计算机程序以执行方案一中的地图生产异常定位及处理方法或方案三中的室内停车场车辆定位方法。
15.本技术的室内停车场平面结构提取方法、系统、定位方法及介质，通过对室内停车场雷达点云的获取、投影、并进行平面特征点的提取和聚类过程，得到室内停车场的平面结构。并在投影过程中对投影得到的球面图进行点云数据填充，提高提取室内停车场平面结构的准确度。
附图说明
16.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图示例性的示出了本技术的一些实施例。
17.图1是本技术室内停车场平面结构提取方法的一个实施方式的示意图；
18.图2是本技术投影图中像素位置的一个实例；
19.图3是本技术室内停车场平面结构提取系统的一个实施方式的示意图；
20.图4是本技术室内停车场车辆定位方法的一个实施方式的示意图。
21.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
22.下面结合附图对本技术的较佳实施例进行详细阐述，以使本技术的优点和特征能更易于被本领域技术人员理解，从而对本技术的保护范围做出更为清楚明确的界定。
23.需要说明的是，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”或者其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过程、方法、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，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
24.目前的雷达点云提取及相应的平面结果确定方法主要应用于室外环境下采集到的雷达点云，相较于室外环境，室内停车场，例如地下停车场等室内场景下的平面不仅数量更多，面积更小，而且还存在较多相交平面以及距离较近的平行平面。当直接使用现有方法处理地下停车场等室内场景采集到的点云时，面积较小平面可能会被错误地滤除，在聚类过程中相交平面以及距离较近的平行平面中的点云点可能会被误合并到一个平面子集中，产生欠分割，从而影响提取准确度。另外，地下停车场车辆多，分布密集，现有方法在提取过程中没有去除车体平面，最终导致提取的平面结果无法用于地图建立或车辆的辅助定位。
25.针对上述问题，本技术提出一种室内停车场平面结构提取方法、系统、定位方法及介质，该室内停车场平面结构提取方法包括：通过雷达获取室内停车场的原始点云数据；将原始点云数据进行投影得到球面图，并对球面图中不存在原始点云的投影点的像素位置进行点云数据填充，对球面图进行优化；确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行第一平面特征点的提取；对第一平面特征点进行聚类，得到多组平面点云，进而得到对应的平面。
26.本技术的室内停车场平面结构提取方法通过对室内停车场雷达点云的获取、投影、并进行平面特征点的提取和聚类过程，得到室内停车场的平面结构。并在投影过程中对投影得到的球面图进行点云数据填充，提高提取室内停车场平面结构的准确性。另外，在第一平面特征点提取过程中，利用投影后的球面图上各个投影位置对应法向量、平滑度等信
息进行第一平面特征点的筛选；并且利用相邻像素位置的欧式距离等信息，进行投影点的筛选，滤除墙面边缘点；在平面聚类过程中，通过法向量夹角、欧式距离以及投影距离等要素进行连通域分析，进行第一平面特征点的合并，避免欠分割的问题；以及进行多个平面点云之间的合并、小面积平面点云以及车体平面的滤除，提高室内停车场平面结果提取的精度和准确度，保证后续车辆在室内停车场定位的准确度。
27.下面，以具体的实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面述及的具体的实施例可以相互结合形成新的实施例。对于在一个实施例中描述过的相同或相似的思想或过程，可能在其他某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
28.图1是本技术室内停车场平面结构提取方法的一个实施方式的示意图。
29.在图1所示的实施方式中，本技术的室内停车场平面结构提取方法包括过程s101，通过雷达获取室内停车场的原始点云数据。
30.在该实施方式中，在室内停车场，例如地下停车场环境下，为解决智能驾驶车辆定位的问题，需要准确地从激光雷达采集到的3d点云中提取出可与矢量地图匹配的平面结构，结合地图得到定位结果。目前业界提出了多种不同的平面结构提取方法，但这些方法普遍针对机械式激光雷达。固态激光雷达由于结构设计简单、尺寸小、工作寿命长，生产成本低等优点，在智能驾驶领域有着非常宽广的应用前景。但是相较于传统机械式激光雷达固定的环状扫描方式，固态激光雷达的扫描方式较为多样，不同厂商不同型号的固态激光雷达扫描方式各有不同，这就对提取方法提出了挑战。本技术的室内停车场平面结构提取方法可应用于固态激光雷达，同样也可适用于机械式激光雷达。在进行原始点云数据的获取时，可根据后续不同的功能扩展，进行相应的点云获取方式。例如，当获取的室内停车场平面结构用于地图建立时，可通过数据采集车进行点云数据的获取，然后在数据处理平台进行后续的处理；当获取的室内停车场平面结构用于车辆定位时，可通过行驶车辆自身搭载的雷达采集点云数据，随后进行点云数据处理，得到车辆在室内停车场内的定位信息，进行后续车辆的自动驾驶过程。
31.在图1所示的实施方式中，本技术的室内停车场平面结构提取方法包括过程s102，将原始点云数据进行投影得到球面图，并对球面图中不存在原始点云的投影点的像素位置进行点云数据填充，对球面图进行优化。
32.在该实施方式中，在得到原始点云数据后，将原始点云进行球面图投影，得到球面图，因为固态激光雷达的水平以及垂直分辨率在整个视角区域内并非均匀分布，会导致球面图中存在像素位置处没有投影点，为了保证后续进行平面特征点提取的准确性，需要进行球面图的优化，将空缺的位置进行填充。
33.具体的，在球面图投影过程中，将采集到的激光雷达原始点云，按照以下公式投影为一个球面图，投影图中的每一个像素分别对应投影到该像素位置的激光雷达原始点云。
34.35.公式中(x,y,z)表示点云中某一点的空间坐标，(u,v)表示该点在投影图中的像素位置。f
horizontal
与f
vertical
分别表示激光雷达水平与垂直视场角。res
horizontal
与res
vertical
分别表示激光雷达水平与垂直方向分辨率，本方法中水平方向分辨率为0.2
°‑
0.3
°
之间，垂直方向分辨率为0.3
°‑
0.4
°
之间。通过上述公式的转换，将空间中的点云数据转化到球面图中。
36.具体的，由于固态激光雷达的水平以及垂直分辨率在整个视角区域内并非均匀分布，扫描得到的点云中的点分布不均匀，直接投影为球面图后，会出现一些像素对应空间中多个扫描点，个别像素并无数据填充的问题。在后续的平面特征点提取，确定特征信息的计算中，每个像素点对应的空间点的特征信息需要结合其相邻像素来计算，无数据填充的孔洞像素中的无效值，会对计算产生影响。在具体优化过程中，遍历投影图上每个像素位置，通过最近邻插值法完成对有多个原始点填充的像素的图像插值，以及无原始点填充的像素的孔洞填充，只包含一个原始点的图像像素不作处理。通过对球面图进行优化处理，进行对投影图的图像插值，在保留了绝大部分原始数据的前提下，填补了图像中的孔洞。不仅避免了后续进行特征计算的影响，而且便于提取较远处的小平面，避免距离激光雷达较远，面积较小的平面被当做离散平面错误的滤除。
37.在图1所示的实施方式中，本技术的室内停车场平面结构提取方法包括过程s103，确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行第一平面特征点的提取。
38.在该实施方式中，在对点云数据进行投影，得到球面图后，计算球面图中各个像素位置对应的投影点的特征信息，然后根据特征信息进行第一平面特征点的提取，将符合条件的投影点确定为第一平面特征点。
39.可选的，确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行第一平面特征点的提取，包括：确定球面图中各个像素位置对应的投影点的特征信息，特征信息包括投影点对应的法向量、平滑度以及与相邻投影点之间的第一夹角；根据平滑度与预设平滑度阈值的关系对投影点进行筛选，得到预选平面特征点；计算预选平面特征点对应的法向量与雷达z轴之间的第二夹角，并根据第二夹角对预选平面特征点进行筛选；根据第一夹角与预设角度阈值的关系对预选平面特征点进行再次筛选，得到第一平面特征点。
40.在该可选实施例中，在进行第一平面特征点的提取时，首选要获取投影的球面图中各个像素位置对应的投影点的特征信息，其中特征信息包括投影点对应的法向量、平滑度以及与相邻投影点之间的第一夹角。
41.具体的，图2是本技术投影图中像素位置的一个实例。
42.如图2所示，假定投影图在像素位置(i，j)中对应的一个投影点p
i，j
，p
i，j
的左上、右上、左下和右下四个优化点p
i-1，j-1
、p
i-1，j+1
、p
i+1，j-1
与p
i+1，j+1
组成的平面α的法向量作为点p
i，j
的法向量信息，p
i，j
到平面α的距离作为p
i，j
的平滑度信息。p
i，j-1
与p
i，j
的方向向量为pi，j与pi，j+1的方向向量为计算这两个相邻方向向量的夹角θ，并作为投影点p
i，j
的第一夹角。
43.在该可选实施例中，在确定了各个投影点对应的特征信息后，根据特征信息进行平面特征点的筛选，其中，将各个投影点对应的平滑度与预设平滑度阈值进行比较，将平滑
度小于预设平滑度阈值的投影点确定为预选平面特征点。
44.具体的，预设平滑度阈值可设置为0.15m，在实际情况中，可根据判断要求和室内环境的不同，进行预设平滑度阈值的适当调整。
45.在该可选实施例中，在室内停车场中平面结构包括地面以及室内墙体或立柱对应的墙面或柱面，因此在平面结构确定过程中，需要将该部分特征点筛选出来。其中，在上述确定的预选平面特征点中，确定各个预选平面特征点对应的法向量与雷达z轴之间的第二夹角，根据第二夹角与对应角度阈值的关系，进行筛选。
46.具体的，在预选平面特征点中，法向量与雷达z轴夹角小于预设角度阈值，则将该预选平面特征点初步认定为预选地面特征点，其中预设角度阈值可设置为5
°
；法向量与雷达z轴夹角在预设角度范围中的预选平面特征点初步认定为预选墙面或柱面点，其中预设角度范围可设置为[70
°
，110
°
]。其中，预设角度阈值以及预设角度范围的取值可根据实际的筛选要求和实际场景的不同进行适当的调整。
[0047]
在该实施例中，在得到预选地面特征点和预选墙面或柱面特征点后，根据确定的第一角度与对应的预设角度范围的关系进行进一步筛选，其中当第一角度在对应的预设角度范围内时，将对应的预选特征点进行滤除，其中该预设角度范围可设置为[85
°
，95
°
]，在删选后得到平面特征点，其中平面特征点包括地面特征点和墙面或柱面特征点。
[0048]
相较于在局部平面内部扫描得到的原始点云，在相交平面接缝处的点云点的法向量计算误差较大，该区域的点云点与其相邻点之间计算得到的法向量夹角，也就是计算得到的第一角度也将存在较大误差。若不提前将这些点滤除，在后续阶段的聚类过程中，有几率出现欠分割问题，会将原本不属于一个平面的两个相交平面有几率被错误聚类为一个平面，进而降低后续拟合平面的精度。在平面聚类之前滤除相交平面接缝点有助于提高平面聚类的鲁棒性，降低欠分割情况的出现，也可以提高平面拟合的精度，进一步提高定位精度。
[0049]
可选的，根据平滑度与预设平滑度阈值的关系对投影点进行筛选之前，还包括：确定在同一方向上与像素位置相邻的第一像素位置和第二像素位置，并分别计算第一像素位置对应投影点与像素位置对应投影点之间的第一欧氏距离和第二像素位置对应投影点与像素位置对应投影点之间的第二欧氏距离；根据第一欧式距离和第二欧式距离的关系，对投影点进行筛选。
[0050]
在该可选实施例中，相较于在局部平面内部扫描得到的原始点，激光雷达在墙面边缘处扫描得到的原始点测量噪声较大，这些噪声点在扫描点云中远离了其所在平面。若不提前将这些点滤除，在后续聚类过程中，有几率出现过分割问题，也就是将原本属于一个平面的墙面内部的点与边缘处噪声较大的点有几率被错误聚类为两个平面；即使这两部分点正确地划分到同一个平面子集中，也会导致后续进行平面方程拟合过程中由于平面点云存在噪声点而出现误差，降低拟合平面的精度。因此需要进行墙面边缘点的滤除。
[0051]
具体的，如图2所示，像素位置对应的投影点例如为p
i，j
，第一像素位置对应的投影点为p
i，j-1
，第二像素位置对应的投影点为p
i，j+1
，则第一欧式距离表示为p
i，j
与p
i，j+1
的欧式距离第二欧式距离表示为p
i，j-1
与p
i，j
的欧式距离其中若第一欧式距离大于两倍的第二欧式距离，则认为投影点p
i，j
为墙面边缘点，将该点进行滤除。通过滤除墙面边缘点有助于提高平面聚类的鲁棒性，降低过分割情况的出现，也可以提高平面拟合
的精度，进一步提高定位精度。其中第一欧式距离和第二欧式距离的判断关系可根据不同的要求进行适当的调整。
[0052]
在图1所示的实施方式中，本技术的室内停车场平面结构提取方法包括过程s104，对平面特征点进行聚类，得到多组平面点云，进而得到对应的平面。
[0053]
可选的，对平面特征点进行聚类，得到多组平面点云，包括：在第一平面特征点中任选一点作为种子点；确定种子点与其他全部第一平面特征点之间的法向量夹角、欧式距离以及种子点与其他全部第一平面特征点在种子点对应法向量方向上的投影距离；若法向量夹角、欧式距离以及投影距离均符合判断条件，则将符合判断条件的种子点和其他第一平面特征点合并为同一平面点云；在不满足判断条件的第一平面特征点中再次确定种子点，进行与其他待合并平面特征点的合并判断，直到所有的第一平面特征点均进行合并判断后，得到多组平面点云。
[0054]
在该可选实施例中，在进行第一平面特征点的聚类，得到平面点云的过程中，以往的方法在利用连通域分析进行聚类时，当满足法向量夹角与连通点之间欧氏距离均小于设定阈值的条件时，认为连通点属于同一个平面子集。但是该种判断方法中，两个相邻平行平面中的点，也满足这一条件，因此在聚类过程中会将连通点赋予同一个平面点云的标签，即将两个平面合并到同一个子集中，从而导致欠分割。为了避免解决该问题，本技术进行点云合并时，引入连通点之间在种子点法向量方向上投影距离是否小于相应阈值这一判定条件，由于属于同一平面的连通点的投影距离近似于0，而分属于两个相邻平行平面的连通点，相应的投影距离为两平面距离，通常大于设定阈值，故可以将其分开，避免欠分割。
[0055]
具体的，在进行第一平面特征点合并时，首先任选一点作为种子点，使用改进的种子填充法完成对连接点的合并。然后判断该种子点与连通点之间的位置关系，也就是判断该种子点与其他全部第一平面特征点之间的关系。通过法向量夹角、欧式距离以及种子点与其他全部第一平面特征点在种子点对应法向量方向上的投影距离这三个要素的判断，当满足上述三个判断条件时，则将该种子点和对应的其他第一平面特征点合并到一个平面点云中。
[0056]
具体的，在判断法向量夹角的关系时，相应的夹角阈值可设置为15
°
，当种子点与其他平面特征点之间的法向量夹角小于15
°
时，符合条件；两个点之间欧式距离的距离阈值可设置为0.5m，当种子点与其他平面特征点之间的欧式距离小于0.5m时，符合条件；两个点在种子点法向量方向上的投影距离的判断阈值可设置为0.1m，当种子点与其他第一平面特征点在种子点法向量方向上的投影距离小于0.1m时，符合条件。其中包括种子点在内的两个连通点在种子点法向量方向上的投影距离为两个连通点分别向种子点对应法向量进行投影，法向量上的两个投影点之间的距离为该投影距离。
[0057]
当种子点与其他第一平面特征点之间的关系均符合上述判断条件，则将这两个连通点聚类为同一平面点云。通过分析地下停车场的建筑结构特性，设计上述三个判断是否为连通点的判定条件，可以严格的确保聚类结果为平面，而非曲面。从而进一步提高了提取精度。需要说明的是，上述判断阈值可根据实际的判断要求进行相应的调整，本技术不对具体数值进行限制。
[0058]
在该实施例中，在判断完一个种子点和其他第一平面特征点之间的关系后，在仍然没有合并的其他全部第一平面特征点中继续确定种子点，进行下一轮的判断，直到所有
的第一平面特征点都归属于一个平面点云或者作为种子点完成上述聚类判断。
[0059]
可选的，对第一平面特征点进行聚类，得到多组平面点云，还包括：根据多组平面点云中，各组平面点云的航向角大小对多组平面点云进行排序；若相邻组平面点云间的平面法向量夹角、点云质心在法向量方向上的距离以及航向角差值均满足预判断条件，则将相邻组平面点云进行合并，得到新的平面点云。
[0060]
在该可选实施例中，通过上述点云合并，会出现多组平面点云，其中可能存在两组平面点云共面的情况，需要进行两个平面点云的合并。其中在判断时，首先根据各组平面点云的航向角大小对多组平面点云进行排序，然后对相邻组平面点云间的平面法向量夹角、点云质心在法向量方向上的距离以及航向角差值进行判断，若满足条件，则将相邻的两组平面点云合并为一个新的平面点云。
[0061]
具体的，按照航向角由小到大更新平面点云集合中的平面点云顺序，遍历更新后的平面点云集合，若相邻的平面点云cn、c
n+1
，其中n表示点云在集合中的顺序，满足点云cn与c
n+1
平面法向量夹角小于相应的角度阈值，其中角度阈值可设置为5
°
；点云质心间在法向量方向上距离小于相应的距离阈值，其中距离阈值可设置为0.05m；以及c
n+1
平面点云中航向角最小点的航向角与cn中航向角最大点的航向角之间差值小于相应的角度阈值，其中角度阈值可设置为5
°
。通过上述条件的判断，将相邻两个平面点云属于同一平面的合并为一个平面点云。
[0062]
可选的，对第一平面特征点进行聚类，得到多组平面点云，还包括：确定平面点云中的点云点数量、点云最高点的第一高度以及点云最低点的第二高度；若点云点数量低于预设数量阈值、第一高度与第二高度之间的高度差小于预设高度差阈值或第一高度低于预设高度阈值，则将对应的平面点云滤除。
[0063]
在该可选实施例中，在进行第一平面特征点聚类，得到平面点云后，存在一些点云点数量较少的小平面，需要进行滤除；另外，在室内停车场中存在着停车车辆，因此会得到一些车体平面，也需要进行滤除。
[0064]
具体的，统计平面点云中的点云点数量，将点云点数量低于相应预设数量阈值的平面点云进行滤除，其中预设数量阈值可设置为30；在滤除车体平面时，统计平面点云中的最高点云点的第一高度和最低点云点的第二高度，并计算第一高度和第二高度的高度差，其中当高度差低于预设高度差阈值时，或者第一高度低于预设高度阈值时，对应的平面点云为属于车体平面，需要进行滤除。其中预设高度差阈值可设置为1.5m，预设高度阈值可设置为1.4m，其中相关的阈值可根据不同的要求进行相应的调整。
[0065]
在高精度地图中只保存有建筑物的墙体以及标识等信息，如果不滤除车体平面，在寻找当前点云中平面与地图平面之间的匹配平面对时，车体平面有几率与地图中某个平面错误地匹配到一起，产生误匹配。影响位姿解算准确度，降低定位精度。由于车辆高度普遍低于墙体高度，借助于平面点云最高点的的高度，可以快捷地筛选出不需要的车体平面。同时，加入高度差的阈值判定，可以排除噪声点的影响。相较于使用深度学习的方法，避免了对gpu资源的消耗。同时，去除车体平面的影响后，得到的墙体与柱体平面可用于建立矢量地图，也可结合地图实现智能驾驶车辆在地下停车场的重定位。
[0066]
可选的，本技术的室内停车场平面结构提取方法，还包括：对多组平面点云分别进行平面拟合，得到各组平面点云对应的平面方程；对平面点云中不在平面方程对应平面上
的点云点进行滤除，得到优化的多组平面点云。
[0067]
在该可选实施例中，使用随机采样一致性算法处理得到的平面点云，计算得到平面方程，舍弃不在平面内的离群点，即可得到最终需要的室内停车场平面点云集合。
[0068]
具体的，在进行平面拟合，舍弃不在平面内的离群点时，使用ransac算法可直接去掉的离群点。另外，还可以首先得到拟合平面，通过点到平面之间的距离阈值判定，当点到拟合平面的距离大于设定阈值，则认为该点为离群点，进行滤除。
[0069]
本技术的室内停车场平面结构提取方法通过对室内停车场雷达点云的获取、投影、并进行平面特征点的提取和聚类过程，得到室内停车场的平面结构。并在投影过程中对投影得到的球面图进行点云数据填充，提高提取室内停车场平面结构的准确性。另外，在平面特征点提取过程中，利用投影后的球面图上各个投影位置对应法向量、平滑度等信息进行平面特征点的筛选；并且利用相邻像素位置的欧式距离等信息，进行投影点的筛选，滤除墙面边缘点；在平面聚类过程中，通过法向量夹角、欧式距离以及投影距离等要素进行连通域分析，进行平面特征点的合并，避免欠分割的问题；以及进行多个平面点云之间的合并、小面积平面点云以及车体平面的滤除，提高室内停车场平面结果提取的精度和准确度，保证后续对车辆在室内停车场定位的准确度。
[0070]
图3是本技术室内停车场平面结构提取系统的一个实施方式的示意图。
[0071]
在图3所示的实施方式中，本技术的室内停车场平面结构提取系统包括：雷达301，其获取室内停车场的原始点云数据；投影模块302，其将原始点云数据进行投影得到球面图，并对球面图中不存在原始点云的投影点的像素位置进行点云数据填充，对球面图进行优化；平面特征点提取模块303，其确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行第一平面特征点的提取；聚类模块304，其对第一平面特征点进行聚类，得到多组平面点云，进而得到对应的平面。
[0072]
可选的，在平面特征点提取模块303中，确定球面图中各个像素位置对应的投影点的特征信息，特征信息包括投影点对应的法向量、平滑度以及与相邻投影点之间的第一夹角；根据平滑度与预设平滑度阈值的关系对投影点进行筛选，得到预选平面特征点；计算预选平面特征点对应的法向量与雷达z轴之间的第二夹角，并根据第二夹角对预选平面特征点进行筛选；根据第一夹角与预设角度阈值的关系对预选平面特征点进行再次筛选，得到第一平面特征点。
[0073]
可选的，在平面特征点提取模块303中，确定在同一方向上与像素位置相邻的第一像素位置和第二像素位置，并分别计算第一像素位置对应投影点与像素位置对应投影点之间的第一欧氏距离和第二像素位置对应投影点与像素位置对应投影点之间的第二欧氏距离；根据第一欧式距离和第二欧式距离的关系，对投影点进行筛选。
[0074]
可选的，在聚类模块304中，在第一平面特征点中任选一点作为种子点；确定种子点与其他全部第一平面特征点之间的法向量夹角、欧式距离以及种子点与其他全部第一平面特征点在种子点对应法向量方向上的投影距离；若法向量夹角、欧式距离以及投影距离均符合判断条件，则将种子点和其他第一平面特征点合并为同一平面点云；在不满足判断条件的第一平面特征点中再次确定种子点，进行与其他待合并平面特征点的合并判断，直到所有的第一平面特征点均进行合并判断后，得到多组平面点云。
[0075]
可选的，在聚类模块304中，根据多组平面点云中，各组平面点云的航向角大小对
多组平面点云进行排序；若相邻组平面点云间的平面法向量夹角、点云质心在法向量方向上的距离以及航向角差值均满足预判断条件，则将相邻组平面点云进行合并，得到新的平面点云。
[0076]
可选的，在聚类模块304中，确定平面点云中的点云点数量、点云最高点的第一高度以及点云最低点的第二高度；若点云点数量低于预设数量阈值、第一高度与第二高度之间的高度差小于预设高度差阈值或第一高度低于预设高度阈值，则将对应的平面点云滤除。
[0077]
可选的，在室内停车场平面结构提取系统中，对多组平面点云分别进行平面拟合，得到各组平面点云对应的平面方程；对平面点云中不在平面方程对应平面上的点云点进行滤除，得到优化的多组平面点云。
[0078]
本技术的室内停车场平面结构提取系统通过对室内停车场雷达点云的获取、投影、并进行平面特征点的提取和聚类过程，得到室内停车场的平面结构。并在投影过程中对投影得到的球面图进行点云数据填充，提高提取室内停车场平面结构的准确性。另外，在平面特征点提取过程中，利用投影后的球面图上各个投影位置对应法向量、平滑度等信息平面特征点的筛选；并且利用相邻像素位置的欧式距离等信息，进行投影点的筛选，滤除墙面边缘点；在平面聚类过程中，通过法向量夹角、欧式距离以及投影距离等要素进行连通域分析，进行平面特征点的合并，避免欠分割的问题；以及进行多个平面点云之间的合并、小面积平面点云以及车体平面的滤除，提高室内停车场平面结果提取的精度和准确度，保证后续对车辆在室内停车场定位的准确度。
[0079]
图4是本技术室内停车场车辆定位方法的一个实施方式的示意图。
[0080]
在图4所示的实施方式中，本技术的室内停车场车辆定位方法包括过程s401，通过雷达获取室内停车场的原始点云数据；过程s402，将原始点云数据进行投影得到球面图，并对球面图中不存在原始点云的投影点的像素位置进行点云数据填充，对球面图进行优化；过程s403，确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行第一平面特征点的提取；过程s404，对第一平面特征点进行聚类，得到多组平面点云，进而得到对应的平面；过程s405，将多组平面点云对应的平面与高精度矢量地图中的平面相匹配，得到多组匹配平面对；过程s406，根据多组匹配平面对的对应关系和雷达相对高精度矢量地图的位姿，确定雷达所搭载车辆的位姿，进行车辆的定位。
[0081]
可选的，确定球面图中各个像素位置对应投影点的特征信息，并根据特征信息进行第一平面特征点的提取，包括：确定球面图中各个像素位置对应的投影点的特征信息，特征信息包括投影点对应的法向量、平滑度以及与相邻投影点之间的第一夹角；根据平滑度与预设平滑度阈值的关系对投影点进行筛选，得到预选平面特征点；计算预选平面特征点对应的法向量与雷达z轴之间的第二夹角，并根据第二夹角对预选平面特征点进行筛选；根据第一夹角与预设角度阈值的关系对预选平面特征点进行再次筛选，得到平面特征点，平面特征点包括地面特征点和墙面或柱面特征点。
[0082]
可选的，根据平滑度与预设平滑度阈值的关系对投影点进行筛选之前，还包括：确定在同一方向上与像素位置相邻的第一像素位置和第二像素位置，并分别计算第一像素位置对应投影点与像素位置对应投影点之间的第一欧氏距离和第二像素位置对应投影点与像素位置对应投影点之间的第二欧氏距离；根据第一欧式距离和第二欧式距离的关系，对
投影点进行筛选。
[0083]
可选的，对第一平面特征点进行聚类，得到多组平面点云，包括：在平面特征点中任选一点作为种子点；确定种子点与其他平面特征点之间的法向量夹角、欧式距离以及种子点与其他平面特征点在种子点对应法向量方向上的投影距离；若法向量夹角、欧式距离以及投影距离均符合判断条件，则将种子点和其他平面特征点合并为同一平面点云；在不满足同一平面点云的待合并平面特征点中再次确定种子点，进行与其他待合并平面特征点的合并判断，直到所有的平面特征点均进行合并判断后，得到多组平面点云。
[0084]
可选的，对第一平面特征点进行聚类，得到多组平面点云，还包括：根据多组平面点云中，各组平面点云的航向角大小对多组平面点云进行排序；若相邻组平面点云间的平面法向量夹角、点云质心在法向量方向上的距离以及航向角差值均满足预判断条件，则将相邻组平面点云进行合并，得到新的平面点云。
[0085]
可选的，对第一平面特征点进行聚类，得到多组平面点云，还包括：确定平面点云中的点云点数量、点云最高点的第一高度以及点云最低点的第二高度；若点云点数量低于预设数量阈值、第一高度与第二高度之间的高度差小于预设高度差阈值或第一高度低于预设高度阈值，则将对应的平面点云滤除。
[0086]
可选的，还包括：对多组平面点云分别进行平面拟合，得到各组平面点云对应的平面方程；对平面点云中不在平面方程对应平面上的点云点进行滤除，得到优化的多组平面点云。
[0087]
在本技术的室内停车场车辆定位方法中，在确定了室内停车场的平面结构后，通过与提前建立的高精度矢量地图中的平面相匹配，可得到多组匹配平面对。基于获得的匹配平面对应关系，我们能够通过配准算法计算当前时刻激光雷达相对于地图原点的位姿，再乘上经过标定的激光雷达到车体的变换矩阵，即可完成车辆位姿的估计，实现车辆重新定位。
[0088]
在本技术的一个实施方式中，一种计算机可读存储介质，其存储有计算机指令，其中计算机指令被操作以执行任一实施例描述的室内停车场平面结构提取方法或室内停车场车辆定位方法。其中，该存储介质可直接在硬件中、在由处理器执行的软件模块中或在两者的组合中。
[0089]
软件模块可驻留在ram存储器、快闪存储器、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可装卸盘、cd-rom或此项技术中已知的任何其它形式的存储介质中。示范性存储介质耦合到处理器，使得处理器可从存储介质读取信息和向存储介质写入信息。
[0090]
处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)、现场可编程门阵列(英文：field programmable gate array，简称：fpga)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合等。通用处理器可以是微处理器，但在替代方案中，处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合，例如dsp与微处理器的组合、多个微处理器、结合dsp核心的一个或一个以上微处理器或任何其它此类配置。在替代方案中，存储介质可与处理器成一体式。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替代方案中，处理器和存储介质可作为
离散组件驻留在用户终端中。
[0091]
在本技术的一个具体实施方式中，一种计算机设备，其包括处理器和存储器，存储器存储有计算机指令，其中：处理器操作计算机指令以执行任一实施例描述的室内停车场平面结构提取方法或室内停车场车辆定位方法。
[0092]
在本技术所提供的实施方式中，应该理解到，所揭露的装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0093]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0094]
以上仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。

技术特征：
1.一种室内停车场平面结构提取方法，其特征在于，包括：通过雷达获取室内停车场的原始点云数据；将所述原始点云数据进行投影得到球面图，并对所述球面图中不存在所述原始点云的投影点的像素位置进行点云数据填充，对所述球面图进行优化；确定所述球面图中各个像素位置对应投影点的特征信息，并根据所述特征信息进行第一平面特征点的提取；对所述第一平面特征点进行聚类，得到多组平面点云，进而得到对应的平面。2.根据权利要求1所述的室内停车场平面结构提取方法，其特征在于，所述确定所述球面图中各个像素位置对应投影点的特征信息，并根据所述特征信息进行平面特征点的提取，包括：确定所述球面图中各个像素位置对应的投影点的特征信息，所述特征信息包括所述投影点对应的法向量、平滑度以及与相邻投影点之间的第一夹角；根据所述平滑度与预设平滑度阈值的关系对所述投影点进行筛选，得到预选平面特征点；计算所述预选平面特征点对应的所述法向量与雷达z轴之间的第二夹角，并根据所述第二夹角对所述预选平面特征点进行筛选；根据所述第一夹角与预设角度阈值的关系对所述预选平面特征点进行再次筛选，得到所述第一平面特征点。3.根据权利要求2所述的室内停车场平面结构提取方法，其特征在于，所述根据所述平滑度与预设平滑度阈值的关系对所述投影点进行筛选之前，还包括：确定在同一方向上与所述像素位置相邻的第一像素位置和第二像素位置，并分别计算所述第一像素位置对应投影点与所述像素位置对应投影点之间的第一欧氏距离和所述第二像素位置对应投影点与所述像素位置对应投影点之间的第二欧氏距离；根据所述第一欧式距离和所述第二欧式距离的关系，对所述投影点进行筛选。4.根据权利要求1所述的室内停车场平面结构提取方法，其特征在于，所述对所述第一平面特征点进行聚类，得到多组平面点云，包括：在所述第一平面特征点中任选一点作为种子点；确定所述种子点与其他全部第一平面特征点之间的法向量夹角、欧式距离以及所述种子点与所述其他全部第一平面特征点在所述种子点对应法向量方向上的投影距离；若所述法向量夹角、所述欧式距离以及所述投影距离均符合判断条件，则将符合判断条件的所述种子点和其他第一平面特征点合并为同一平面点云；在不满足判断条件的其他第一平面特征点中再次确定种子点，进行与其他待合并平面特征点的合并判断，直到所有的所述第一平面特征点均进行合并判断后，得到所述多组平面点云。5.根据权利要求4所述的室内停车场平面结构提取方法，其特征在于，所述对所述第一平面特征点进行聚类，得到多组平面点云，还包括：根据所述多组平面点云中，各组平面点云的航向角大小对所述多组平面点云进行排序；若相邻组平面点云间的平面法向量夹角、点云质心在法向量方向上的距离以及航向角
差值均满足预判断条件，则将所述相邻组平面点云进行合并，得到新的平面点云。6.根据权利要求5所述的室内停车场平面结构提取方法，其特征在于，所述对所述第一平面特征点进行聚类，得到多组平面点云，还包括：确定平面点云中的点云点数量、点云最高点的第一高度以及点云最低点的第二高度；若点云点数量低于预设数量阈值、所述第一高度与第二高度之间的高度差小于预设高度差阈值或所述第一高度低于预设高度阈值，则将对应的平面点云滤除。7.根据权利要求1所述的室内停车场平面结构提取方法，其特征在于，还包括：对所述多组平面点云分别进行平面拟合，得到各组平面点云对应的平面方程；对所述平面点云中不在所述平面方程对应平面上的点云点进行滤除，得到优化的所述多组平面点云。8.一种室内停车场平面结构提取系统，其特征在于，包括：雷达，其获取室内停车场的原始点云数据；投影模块，其将所述原始点云数据进行投影得到球面图，并对所述球面图中不存在所述原始点云的投影点的像素位置进行点云数据填充，对所述球面图进行优化；平面特征点提取模块，其确定所述球面图中各个像素位置对应投影点的特征信息，并根据所述特征信息进行第一平面特征点的提取；聚类模块，其对所述第一平面特征点进行聚类，得到多组平面点云，进而得到对应的平面。9.一种室内停车场车辆定位方法，其特征在于，包括：通过雷达获取室内停车场的原始点云数据；将所述原始点云数据进行投影得到球面图，并对所述球面图中不存在所述原始点云的投影点的像素位置进行点云数据填充，对所述球面图进行优化；确定所述球面图中各个像素位置对应投影点的特征信息，并根据所述特征信息进行第一平面特征点的提取；对所述第一平面特征点进行聚类，得到多组平面点云，进而得到对应的平面；将所述多组平面点云对应的平面与高精度矢量地图中的平面相匹配，得到多组匹配平面对；根据多组所述匹配平面对的对应关系和所述雷达相对所述高精度矢量地图的位姿，确定所述雷达所搭载车辆的位姿，进行车辆的定位。10.一种计算机可读存储介质，其存储有计算机程序，其中所述计算机程序被操作以执行权利要求1-7中任一项所述的室内停车场平面结构提取方法或权利要求9中的室内停车场车辆定位方法。

技术总结
本申请公开了一种室内停车场平面结构提取方法、系统、定位方法及介质，属于高精度地图技术领域，该方法包括：通过雷达获取室内停车场的原始点云数据；将所述原始点云数据进行投影得到球面图，并对所述球面图中不存在所述原始点云的像素位置进行点云数据填充；确定所述球面图中各个像素位置对应的投影点的特征信息，并根据特征信息进行平面特征点的提取；对第一平面特征点进行聚类，得到多组平面点云。本申请通过对室内停车场雷达点云的获取、投影、并进行平面特征点的提取和聚类过程，得到室内停车场的平面结构。并在投影过程中对投影得到的球面图进行点云数据填充，提高提取室内停车场平面结构的准确率。停车场平面结构的准确率。停车场平面结构的准确率。


技术研发人员：王泽弘
受保护的技术使用者：北京四维图新科技股份有限公司
技术研发日：2023.03.07
技术公布日：2023/7/25