一种基于深度相机的地面残缺点云凹障碍物检测方法

技术领域

本发明涉及机器人环境感知技术领域，特别涉及一种基于深度相机的地面残缺点云凹障碍物检测方法。

背景技术

目前，机器人技术已经成为了众多领域的关键应用。其中，机器人的路径规划和运动控制功能是决定其性能好坏的关键因素。而要实现高效的路径规划和运动控制，机器人必须具备对复杂环境的感知能力。特别是在非结构化环境中，对感知能力的要求更为严格。

非结构化环境通常指的是那些环境变化大、不确定因素多、障碍物复杂的情况。在这样的环境中，机器人需要具备更高的感知能力，特别是对地面以下的凹障碍物的检测。凹障碍物由于其特殊的形状和位置，往往难以被常规的感知系统所识别，因此对其的检测成为了机器人感知技术的一个挑战。

目前，对于凹障碍物的检测，许多研究者采用深度相机从斜向下角度进行探测。然而，这种方法在实际应用中存在一些困难。由于凹障碍物前端边缘的遮挡，所获取的点云数据可能会出现数据缺失的现象。这会导致所获取的凹障碍物点云信息不完整，从而无法准确地反映凹障碍物的实际形状。因此，基于这种不完整的点云数据，机器人在进行路径规划和运动控制时可能会出现误差，甚至无法检测到凹障碍物的存在。

综上所述，要提高机器人在非结构化环境中的感知能力，尤其是对地面以下凹障碍物的检测准确性，还需要进一步研究和探索新的感知技术及方法。这不仅对机器人技术的发展有着重要的推动作用，也将为实际应用中机器人的性能提升提供强有力的支持。

发明内容

本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于深度相机的地面残缺点云凹障碍物检测方法，以解决上述背景技术中提出的问题。

一种基于深度相机的地面残缺点云凹障碍物检测方法，包括以下步骤：

步骤S1、获取地面深度的原始点云数据；

步骤S2、将获取的原始点云数据基于RANSAC算法分割出地平面，并根据高程阈值聚类出兴趣区域中的目标点云簇和数量；

步骤S3、利用点云的拓扑空间关系提取凹障碍物的第一边界轮廓和第二边界轮廓；

步骤S4、将提取的第一边界轮廓和第二边界轮廓进行融合生成第三边界轮廓，并输出凹障碍物的几何特征；

步骤S5、重复执行步骤S4，直至遍历所有步骤S2中的目标点云簇的数量，并输出最终的凹障碍物的几何特征。

作为本发明的进一步的方案：所述步骤S1中具体步骤包括：

基于深度相机获取当前地面深度的原始点云数据；

对得到的原始点云进行将采样处理。

作为本发明的进一步的方案：所述步骤S2中具体步骤包括：

对获取的原始点云数据，基于RANSAC算法进行地面分割，得到作为地平面的辅助面；

将分割后的地面点云数据进行裁剪得到兴趣区域，将兴趣区域设置为m×n的矩形区域，其中m是矩形的长度，n是矩形的宽度；

将地平面的平均高度值设置为高程阈值，并将地平面以下的点云数据通过DBSCAN算法进行聚类，标记为凹障碍物并设置聚类标签后储存。

作为本发明的进一步的方案：所述步骤S3中具体步骤包括：

步骤S31、将获取的所述凹障碍物残缺点云进行降维处理，投影到xoy的水平面上，通过Alpha-shape算法进行点云提取，得到第一边界轮廓点云；

步骤S32、根据提取得到的第一边界轮廓点云，将其中的每个点的高程值重新映射，得到一个新的三维点云数据集，即边界点云；

步骤S33、将边界点云与原点建立拓扑几何关系，并将每一个边界点都与原点进行连线，得到若干根直线；

步骤S34、遍历每一条直线，以获得与平面相交的所有交点，得到第二边界轮廓点云。

作为本发明的进一步的方案：所述步骤S4中具体步骤包括：

将降维后的第一边界轮廓点云与第二边界轮廓点云进行融合，通过Alpha-shape算法提取出完整的第三边界轮廓点云；

根据第三边界轮廓点云计算凹障碍物的几何特征信息，其中几何特征信息包括表面积、周长，以及最大深度值。

作为本发明的进一步的方案：所述步骤S5中具体步骤包括：

重复执行步骤S4中的融合第三边界轮廓点云，并输出凹障碍物的表面积、周长和最大深度值信息，直到遍历所有带有聚类标签的凹障碍物点云数据。

与现有技术相比，本发明存在以下技术效果：

采用上述的技术方案，通过获取地面深度点云数据，再基于算法对原始点云数据进行处理，然后利用点云的拓扑空间关系进行边界点提取，得到第一边界轮廓点云与第二边界轮廓点云，并进行融合，从而得到第三边界轮廓点云并输出凹障碍物几何信息。解决了点云数据中可能出现由于凹障碍物前端边缘遮挡而导致的数据缺失的现象，使得获取的凹障碍物点云信息不完整地，从而无法反映凹障碍物的形状的问题。避免造成无法检测出凹障碍物或误差较大的结果。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1为本申请公开实施例的检测方法的步骤示意图；

图2为本申请公开实施例的地面移动机器人的示意图；

图3为本申请公开实施例的凹障碍物前边缘遮挡而产生的点云残缺的示意图；

图4为本申请公开实施例的残缺点云凹障碍物检测方法的流程图；

图5为本申请公开实施例的第一边界轮廓点云提取的示意图；

图6为本申请公开实施例的第二边界轮廓点云提取的示意图；

图7为本申请公开实施例的第一边界轮廓点云和第二边界轮廓点云融合的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

请参考图1，本发明实施例中，一种基于深度相机的地面残缺点云凹障碍物检测方法，包括以下步骤：

步骤S1、获取地面深度的原始点云数据，具体步骤包括：

基于深度相机获取当前地面深度的原始点云数据；

对得到的原始点云进行将采样处理。

本实施例中，如图2所示，图示为地面移动机器人的示意图；通过将深度相机设置于机器人本体上，用来收集所述机器人本体前方的路面点云信息，深度相机可以获得深度点云数据。其中机器人包括一中央处理器，所述中央处理器用于对机器人进行运动控制和数据处理。

本实施例的深度相机在机器人上的安装外部参数，包括安装高度，倾斜角度等可以通过直接高度测量和深度相机自带的IMU模块读取实时倾斜角度获得。

本实施例的检测目标包括获得了完整点云数据的凹障碍物，也包括不完整点云数据的凹障碍物。具体的，凹障碍物是指位于地面以下的凹陷类障碍物。常见的凹障碍物有土坑、凹陷、裂缝等。更具体的，不完整点云数据的凹障碍物检测是指当获取的凹障碍物点云不完整时也可以对其进行的几何信息检测，如图3所示，图示为凹障碍物前边缘遮挡而产生的点云残缺的示意图；

如图4所示，图示为残缺点云凹障碍物检测方法的流程图；

本实施例中，对获取的原始点云数据进行降采样，得到降采样后的点云数据。

一般的，深度相机输出的原始点云数据为稠密点云数据，数据量庞大，为了减数据量，先对原始点云进行降采样，减少采样点的数量，降低的计算量。其中，降采样的方法可以采用通用的点云降采样的方法，只需要可以实现对原始深度点云数据进行降采样即可。

步骤S2、将获取的原始点云数据基于RANSAC算法分割出地平面，并根据高程阈值聚类出兴趣区域中的目标点云簇和数量，具体步骤包括：

对获取的原始点云数据，基于RANSAC算法进行地面分割，得到作为地平面的辅助面；

将分割后的地面点云数据进行裁剪得到兴趣区域，将兴趣区域设置为m×n的矩形区域，其中m是矩形的长度，n是矩形的宽度；

将地平面的平均高度值设置为高程阈值，并将地平面以下的点云数据通过DBSCAN算法进行聚类，标记为凹障碍物并设置聚类标签后储存。

本实施例中，首先设地平面的N个点可以表示为{(x

Ax+By+Cz+D＝0；

其中(A,B,C)构成平面的法向量，D表示平面到原点的距离。随机选取三个点计算模型参数，用剩余的点计算到该平面方程的距离是否达到阈值来判定是否为内点，并记录内点个数。不断迭代更新获得不同的平面模型，直到达到迭代阈值，选择内点数最多的平面模型为最佳模型。其中，RANSAC算法需要保证K次迭代计算模型每次至少采样到一个外点去计算模型的概率P为：

P＝1-(1-w

其中，w为内点在点云数据中的占比，K为迭代阈值次数。之后计算所有数据点到目标平面的距离，公式如下：

再计算d

当d

步骤S3、利用点云的拓扑空间关系提取凹障碍物的第一边界轮廓和第二边界轮廓，具体步骤包括：

步骤S31、将获取的所述凹障碍物残缺点云进行降维处理，投影到xoy的水平面上，通过Alpha-shape算法进行点云提取，得到第一边界轮廓点云；

具体实施步骤为，设凹障碍残缺点云集为P

其中，

获得圆心后，通过评估其他点与圆心的距离与半径α的关系，可判断圆内是否存在其他点。若圆内不含其他点，则判定p

步骤S32、根据提取得到的第一边界轮廓点云，将其中的每个点的高程值重新映射，得到一个新的三维点云数据集，即边界点云；

具体实施步骤为，提取出第一边界轮廓点云P

步骤S33、将边界点云与原点建立拓扑几何关系，并将每一个边界点都与原点进行连线，得到若干根直线；

具体实施步骤为，将边界点云P

L(t)＝(x

其中，t为参数，(x

最后通过参数t可以家算出交点坐标为：

步骤S34、遍历每一条直线，以获得与平面相交的所有交点，得到第二边界轮廓点云。

具体实施步骤为，这个计算过程需要遍历每一条直线，以获得与平面相交的所有交点P

步骤S4、将提取的第一边界轮廓和第二边界轮廓进行融合生成第三边界轮廓，并输出凹障碍物的几何特征，具体步骤包括：

如图7所示，图示为；将降维后的第一边界轮廓点云与第二边界轮廓点云进行融合，通过Alpha-shape算法提取出完整的第三边界轮廓点云；

根据第三边界轮廓点云计算凹障碍物的几何特征信息，其中几何特征信息包括表面积、周长，以及最大深度值。

具体实施步骤为，将所述的降维后的第一边界轮廓点云P

其中，表面积的计算采用了Shoelace-Theorem算法，对于任意一个多边形，当已知其各个顶点的坐标A

其中，x

深度的计算则需要对坑槽点集所有数据进行遍历,所得的高程绝对值最大者即为坑槽的最大深度H

其中，P

计算凹坑的周长可以通过连接相邻点之间的距离来计算边界的总长度。表达式如下：

这个公式表示相邻点之间的欧几里得距离的总和，即凹槽边界在三维空间中的周长长度。

步骤S5、重复执行步骤S4，直至遍历所有步骤S2中的目标点云簇的数量，并输出最终的凹障碍物的几何特征，具体步骤包括：

重复执行步骤S4中的融合第三边界轮廓点云，并输出凹障碍物的表面积、周长和最大深度值信息，直到遍历所有带有聚类标签的凹障碍物点云数据。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。