一种基于栅格投影的快速地面点云分割算法

邹兵，陈鹏，刘登洪

(重庆市勘测院，重庆 401520)

1 引 言

近年来，自动驾驶汽车环境感知技术备受关注，车端安装激光雷达、相机、毫米波等传感器可精准感知障碍物，保障自动驾驶汽车安全行驶[1]。激光雷达因其高精度、高采样、测量距离远和范围广的特性被广泛应用于无人驾驶汽车的感知系统[2]中，同时激光雷达的工作环境不受光照影响，每帧数据可扫描到几万至几十万个点，可细致描述环境信息，相对相机传感器优势显著。当激光雷达感知环境中障碍物时，也会观测到冗余地面点，导致算法增加额外内存消耗，影响自动驾驶感知系统实时性能，因此实现分割地面算法具有现实意义。

现有地面分割算法中，基于物理排序算法[3～6]将激光点云按照一定规则进行线序化，通过遍历相邻点的局部几何特征分割地面点，但此算法需设置相关参数区分几何特征，因此在复杂场景进行地面分割时会出现过分割和欠分割，同时激光雷达的相关设计参数灵活多变，无法提供统一的规则有序化点云，因此基于物理排序算法应用受限。基于栅格投影算法无须有序组织点云，将三维点云投影至二维空间，将栅格平均高度[7]、高度差[8，9]等作为地面分割评价指标，该算法计算简单，能够满足自动驾驶汽车实时性能需求，但是仅仅只将栅格平均高度或者高度差作为分割指标，栅格内地面点也会被误提取为障碍物点，导致过分割问题。基于模型拟合[10，11]算法认为地面点可拟合成平面，结合RANSAC算法求解平面拟合参数，最后采用点到拟合平面距离为分割指标提取地面点，该算法对距离阈值十分敏感，距离阈值设置不合理会导致过分割和欠分割，同时在复杂城市环境中，扫描视野中往往存在地面起伏，只拟合一组平面参数不能完整提取地面点。基于深度学习算法[12，13]通过点云深度学习网络学习地面点属性特征，测试数据与训练数据相似时，可以达到良好的地面分割效果，需要大量训练数据提高其泛化能力，同时对于不同型号激光雷达，算法可移植性差且在嵌入式平台很难达到实时效果。

鉴于上述算法应用的局限性，同时顾及自动驾驶汽车实时性能需求，本文基于栅格投影算法的思想，引入栅格单元高度方差信息，提出一种基于栅格投影的快速地面点云分割算法。首先将原始点云进行栅格化处理，然后计算栅格单元的高度差和平均高度，同时在栅格单元引入点云高度方差信息实现地面点云快速分割。该算法可降低对参数的敏感性，能够实现地面点云快速分割，因其结构简单，可极大提升算法实时性能。

2 基于栅格投影的快速地面点云分割算法

2.1 点云数据栅格化

如图1所示为激光雷达坐标系下栅格化处理的平面几何模型，其中Rmax为激光雷达最大探测距离，dx，dy分别为栅格单元的长和宽，激光雷达扫描点P可根据其坐标(xp，yp，zp)分配至栅格(row，col)中，(row，col)的计算公式如下：

(1)

式中，floor(·)为向下取整函数。原始点云数据经过栅格化处理，每个点都会唯一对应一个栅格序号，最终将激光点云全部存储在栅格矩阵中。

图1 激光雷达坐标系下栅格化处理的平面几何模型

2.2 地面点云分割算法

经过点云数据栅格化操作，可通过计算栅格单元的几何特征信息提取包含地面点云的栅格。传统基于栅格投影的地面分割算法，通过计算栅格单元的平均高度或栅格高度差实现地面点云分割，然而平均高度的评价指标严重依赖激光传感器安装高度等参数，且在起伏路面场景会有欠分割现象，同时高度差的评价指标抵抗粗差能力较弱，且对被遮挡的物体存在过分割现象。为了解决基于栅格投影算法中计算平均高度或高度差存在的问题，本文引入栅格单元点云高度的方差信息，实现地面点云的快速分割，减轻算法对经验参数的依赖。算法主要计算栅格单元平均高度、高度差和高度方差，具体流程如下。

(1)计算栅格单元ceil(i，j)平均高度：

(2)

式中(i，j)表示栅格单元ceil(i，j)的行号和列号，size(·)表示求栅格单元存储点云的数量，k为栅格单元ceil(i，j)中的点，zk表示k点的z值。对于一般平坦地面场景，非地面点云栅格单元平均高度一般较大。

(2)计算栅格单元ceil(i，j)的高度差：

Zdiff(i，j)=zmax-zmin

(3)

式中，zmax和zmin分别为栅格单元ceil(i，j)的高度的最大值和最小值，为了抵抗点云噪声影响，本文选取次最大值和次最小值运算。对于一般平坦地面场景，非地面点云栅格单元高度差一般较大。

(3)计算栅格单元ceil(i，j)高度方差：

(4)

栅格单元的高度方差信息可以较好地反映栅格点云的高度分布。一般情况下，对于地面点云栅格，其栅格单元的高度方差应较小，对于非地面点云栅格，其方差信息较大。

综合以上三个栅格单元属性，分别设置平均高度、高度差和高度方差阈值来分割地面点云，因分割指标全面，对于三个分割指标不用严格设置阈值，即可实现良好的分割效果，因此降低了算法对参数的依赖。

3 实验结果与分析

本文算法采用C++实现，所用电脑配置为4核CPU处理器。本文将采用KITTI开源数据集[14]和实测数据实验，验证本文算法的有效性和可行性，其中KITTI数据验证数据为平坦路面场景，实测数据为起伏地面场景。为避免栅格单元过大导致欠分割，本文算法实现过程中，设置栅格单元的长和宽均为 0.1 m，高度差阈值为 0.10 m，高度方差阈值 0.40 m2。

3.1 KITTI开源数据集实验

KITTI数据集中采用64线激光雷达采集激光点云数据，采集场景为平坦地面场景，激光雷达安装高度 1.73 m，每帧数据约有12万个点，极大考验算法效率，本文算法的地面分割效果如图2所示。

图2 本文算法分割效果(红色为地面点云，绿色为非地面点云)

从图2可看出，本文算法在地面点和非地面点交接处分割效果很好，对于车辆、墙面和杆状物等分割完整。为进一步验证本文算法的有效性，结合基于物理排序[3]和基于平面模型拟合[10]的方法进行对比，其分割效果分别如图3和图4所示。

图3 文献[3]分割效果(红色为地面点云，绿色为非地面点云)

图4 文献[10]分割效果(红色为地面点云，绿色为非地面点云)

从图3(a)和图4(a)全局分割效果可以看出，两种算法都可以实现地面点云分割，但是从图3(b)和图4(b)局部放大效果可以看出，蓝色圆圈表明两种算法都出现了不同程度的过分割或者欠分割，文献[3]基于物理排序的算法对相邻线束点的几何阈值过于严苛，导致地面分割不彻底，然而文献[10]基于平面模型拟合的算法，因需要设置点到平面的距离阈值参数，导致在地面点和非地面点交接处分割效果不理想，将非地面点云判定为地面点，导致过分割。

综合上述，可定性分析出本文分割算法分割效果理想，对于地面点和非地面点交接处实现了准确的分割效果，同时通过与文献[3]和文献[10]的分割效果对比，验证了本文算法的有效性。

3.2 自采数据实验

为了凸显栅格投影的优势，实测数据为某公司生产的固态激光雷达采集的无序点云，无法将其序列化，因此文献[3]的方法不再适用。采集场景为起伏地面场景，激光雷达安装高度 0.85 m，本文算法的地面分割效果如图5所示。

图5 本文算法分割效果(红色为地面点云，绿色为非地面点云)

从图5可以看出，本文算法分割效果很好，在地面点和非地面点交接处，行人和草木分割完整，同时与文献[10]基于平面模型的方法进行对比分析，其分割效果如图6所示。

图6 文献[10]分割效果(红色为地面点云，绿色为非地面点云)

从图6可以看出，文献[10]基于平面模型拟合的方法，在起伏地面场景中分割效果不理想，因其只拟合一套平面参数，导致起伏路面点云欠分割。同时对于场景中的草木和行人，因其设置点到平面距离阈值不合理，导致地面和非地面交接处，草木和行人出现欠分割现象。

综合上述，可定性分析出本文算法的分割效果良好，对于无序点云，本文算法仍可以保持良好的分割效果，然而文献[3]基于物理排序的方法不再适用，同时文献[10]基于平面拟合的算法分割效果不理想，进一步表明本文算法的有效性。

3.3 精度评估

为定量评估各算法性能，验证本文算法的可行性，本文采用文献[15]中的灵敏度(RTP)和特异度(RFP)指标进行定量评估，具体计算公式如下：

(5)

式中，TP为地面点正确分割的数量，FP为地面点误分割的数量，FN为非地面点正确分割的数量，TN为非地面点误分割的数量。从式(5)可知，RTP越大，地面点被正确分割为地面点的比例越高，分割效果越好；RFP越大，非地面点被错误分割为地面点的比例越高，分割效果越差。分别采用KITTI数据集和实测数据进行地面分割，将获得的定量评估指标列于表1。

不同算法在不同场景下的定量评估结果 表1

由表1的灵敏度和特异度比较可知，对于KITTI数据集中平坦路面场景，本文算法和文献[3]算法分割效果较好，本文灵敏度达到98.89%，但是对于文献[10]基于平面模型拟合的算法中，由于设置平面距离参数不当，导致在地面点和非地面点交接处过分割，效果最差。对于实测数据中的起伏路面场景，激光点云为无序点云，本文算法和文献[10]方法依然适用，但是此时文献[10]只拟合一套平面参数无法完整分割地面点，因此其分割效果不理想，存在大量地面点云欠分割，而且由于设定的平面距离阈值参数的不合理，存在草木、行人与地面交接处的点云被错误分割，表明其算法十分依赖经验参数，场景应用受限，然而本文算法依然能够保持良好的分割效果，灵敏度指标达到99.31%，原因在于本文算法分割点云指标全面，综合栅格单元的平均高度、高度差和高度方差信息作为分割指标，实现了地面点云准确分割，应用场景更广。同时本文算法结构简单，因此算法运行最快，对于KITTI每帧12万个点依然能够保持约 49 Hz结果输出；对于实测数据，处理一帧约9万个点仅耗时 5.784 5 ms，满足自动驾驶汽车实时性需求。

综上分析，本文算法在精度和效率上较文献[3]和文献[10]都具备优势，在地面点和非地面点交接处实现了良好的分割效果，再次验证了本文算法的有效性和可行性。

4 结 论

本文提出了一种基于栅格投影的快速地面分割算法。综合栅格单元平均高度、高度差和高度方差信息作为分割指标，实现了地面点云的准确分割，同时本文算法结构简单，算法实时性能高。采用KITTI数据集中的平坦路面和实测数据中的起伏路面场景进行实验，与文献[3]和文献[10]的方法对比测试，验证了本文算法在精度和效率上的优势，能够有效快速地分割地面点云，同时本文算法对于无序点云依然适用，应用范围更广。