基于马尔可夫随机场的植被环境中的障碍物识别 下载: 1013次
1 引言
激光雷达是用于地面无人平台进行环境感知的高效能主动型传感器。经过长期研究,研究人员已经建立了多种基于雷达点云信息的三维环境重建、地面分割、目标检测、分类和跟踪的方法,使得地面无人平台具备在城市和越野环境下自主行动的能力。当前的大多数研究集中于无人车辆在城市结构化道路下的自主驾驶,其环境要素主要分为平坦路面、规则的大面积建筑以及包括车辆和行人在内的零散目标。由于目标位于地面之上,且通常是间隔开的,因此可以将激光雷达点云分割成不同的目标,然后进行分类[1]。与城市环境相比,野外植被环境更为复杂,叶片实际上不会阻碍无人平台通行,但在激光雷达深度图像中表现为不可逾越的障碍,因此必须将其与其他阻碍通行的物体区别开来。叶片的体积通常很小,且叶子具有延伸性,可能直接与其他不可通过的物体相邻,如树叶邻接着树干。在这种情况下,通过聚类可能无法使点云形成任何有意义的形状,点云分割变得困难。
为了使地面无人平台安全有效地通过叶片密集的植被环境,最初Bellutta等[2]利用立体摄像机提供的距离信息直接检测高于一定阈值的障碍物,但这并不适合障碍物被草丛部分遮掩的情况。Rosenblum等[3]通过重建地面无人平台周围的局部地图,进行以高度为基础的可追溯性测量。该方法虽可以有效规划地面无人平台行驶路径,但未能区分障碍物的种类,同时避开了高耸树枝和树干,降低了地面无人平台的通行效率。
比较成熟、应用较广的检测方法是协方差算法,Manduchi等[4]观察到雷达激光束会穿进植被一段距离,使用统计衰减函数来模拟激光雷达射入高草,通过协方差的变化来检测高草的障碍。在Vandapel等[5]的工作中,通过积累雷达点,由点协方差矩阵的特征值表征它们的局部分布:线形结构有一个大的和两个小的特征值,平面结构有两个大的和一个小的特征值,散点有三个大的特征值,可以通过最小、最大特征值的比值进行判别。障碍物表面如树干或树枝被建模为局部平面或线形表面,而叶片被建模为散射。在此基础上,项志宇等[6]和Nguyen等[7]通过进一步融合摄像机彩色信息滤除误判。虽然通过统计协方差矩阵的特征值可以进行详细的场景分析,但是需要从目标上采集大量雷达点。 而在植被环境中,激光雷达采样通常比物体的结构稀疏,因此需要进行多次扫描才能获得足够的采样密度,严重限制了无人平台的移动速度和探测距离。
此外,较新的研究成果还包括:McDaniel等[8]将树干建模为圆柱体或圆锥体,基于高度过滤器和支持向量机分类器来区分森林中的地面和树干,得到了良好的分类结果;Ohkawa等[9]通过分析激光雷达反射强度的区别,来检测温和的草地环境中的石块。但在复杂野外条件下,由于受较多因素干扰,雷达反射强度的差异并不明显。王盛等[10]提出新的红外-彩色通道联合光谱特征,结合三维点云分布特征和多光谱特征对植被和非植被进行分类。深度学习已经被广泛地应用于目标检测[11-15]。Tran 等[16]提出了一种在三维点云中进行综合变化检测和分类的新方法,算法融合了包括描述点分布、相对地形高程等在内的特征,然后根据样本创建监督分类训练模型,检测精度达到90%以上。文献[ 17]提出了一种基于稀疏三维点的超体分割对目标进行分类的方法。首先,点云被分割成体素,然后通过多个属性将它们转换为超体素来表征。基于link-chain方法创建对象,然后使用几何模型和局部描述符进行分类。此外,文献[ 18]还对用于情境分类的置信度传播和图割方法进行了比较。
为使激光雷达在低分辨率下也能够有效鉴别叶片和邻近的障碍物,本文挖掘新的雷达点云邻域特征参数作为判别依据,统计叶片、石块、树干等物体的雷达点的邻域特征参数作为先验信息,建立起似然模型以描述不同种类的物体;然后基于原始雷达点云构建无向图,利用马尔可夫随机场建立先验模型,进而在贝叶斯框架下进行目标种类识别。通过马尔可夫随机场先验模型,建立起邻近点之间的相互关系作为空间约束,这种邻域内的相互关系增强了点云分类的准确性和空间连续性。
2 点云领域特征参数
利用初始雷达点云的相邻点从深度信息中获得物体表面估计,必须能够在传感器受噪声干扰和目标表面粗糙的情况下保持识别的稳健性,并对目标深度的不连续性进行平滑化。下面介绍如何利用表面特征对叶片和障碍物进行建模。
2.1 特征定义
邻域特征由当前雷达点与其4个相邻点之间的连接定义,利用点与点之间的连线近似地表征物体表面。 如
图 1. 邻近点之间的连接。(a)最简单的连接构造;(b)扩展连接点间的距离
Fig. 1. Connections between adjacent points. (a) Simplest connection layout; (b) extension of distance between connected points
2.2 相邻点间的连接
在扩展连接之前,首先在点云中的所有相邻点对之间确定初始连接,目的是连接相同物体上的雷达点,从而避免连接空间分离的物体。首先连接当前点和其4个方向上的最近相邻点;对于靠近其他障碍物或叶片的物体上的边缘点,若当前点与其左右相邻点连线的中点之间的深度距离差,以及当前点与其上下相邻点连线的中点之间的深度距离差小于阈值
接着将点间的连接扩展到更远的距离,以使连线更好地拟合物体的表面形状。扩展时,在当前点的左侧、右侧、上方和下方搜索合适的连接点。将间隔点到连线的垂直距离定义为阈值
图 3. 扩展连接。(a)点云;(b)非代表性连接;(c)扩展后的连接
Fig. 3. Expansion of connections. (a) Point cloud; (b) untypical connections; (c) connections after expansion
2.3 参数提取
从邻域连接中提取新的特征参数,作为分类雷达点的判据。首先采用地面分割算法[19]标记出地面雷达点。此外,为区分来自叶片和障碍物表面的雷达点,提取以下4种邻域特征参数作比较:1)上下连线的法线与传感器的水平射线形成一个角度,其锐角记为
如
图 4. 邻域特征参数。(a) θV;(b) θL;(c) θP
Fig. 4. Parameters of neighborhood characteristic. (a) θV; (b) θL; (c) θP
从簇状叶片(如树冠、灌木)表面返回的雷达点呈散乱状分布,不具空间一致性,满足以下条件的雷达点,判定为高概率叶片点:1)
从曲面障碍物(如树干、锥状物等)表面返回的雷达点,其上下分布特性与平面障碍物相似,若雷达点满足以下条件,则判定为高概率曲面障碍物点:1)
从平面障碍物(如石头、纸箱)表面返回的雷达点,其邻域特征的4个面基本在一个平面上,若雷达点满足以下条件,则判定为高概率平面障碍物点:1)
图 5. 参数分布特性。(a) θV;(b) θL;(c) θP;(d) θF
Fig. 5. Parameter distribution characteristics. (a) θV; (b) θL; (c) θP; (d) θF
3 算法概述
首先输入原始点云数据,滤除距离异常的雷达点并利用惯导信息修正点云位姿。
3.1 建立无向图马尔可夫随机场
根据初始点云数据定义无向图
设关于物体种类
(2)式为马尔可夫随机场的条件概率形式。Hammersley-Clifford定理揭示了马尔可夫随机场与吉布斯分布之间的等价性,把马尔可夫随机场与吉布斯分布对应起来,通过单个雷达点及其邻域的简单特性可以得到点云模型的全局特性。根据Hammersley-Clifford定理,设
式中:
3.2 在MRF-MAP框架下进行识别
本文的目标识别方法是在贝叶斯框架下,利用马尔可夫随机场对物体的先验信息进行描述,已知参数为采样统计得到的特征参数。这里MAP是指最大后验概率,它是贝叶斯框架下的优化准则。本文以预先统计得到的邻域特征参数(
式中
式中
式中:
式中:
式中
实际实验中,依据叶片的疏密程度和障碍物形状的不同,采集了多组样本,然后分别计算各参数的期望和方差,综合多个高斯函数来近似表达
设
将(4)式归约简化,得
取对数推导出
通过先验函数能够保证空间上的连续性,同时,调整似然函数,尽可能使每一点的属性在各种特征参数的共同作用下被准确地分类。最后,在MRF-MAP框架下,结合最大后验准则推导出初始雷达点云的马尔可夫随机场模型的最优标号状态
通过(13)式,将求解最大后验概率的问题转变为求解马尔可夫随机场中最小能量的问题,随机场的全局能量值越小,点标号越优,当能量达到全局最小时,得到的标号集最优。
最后采用图割法对点云分类目标函数进行求解,得出分类结果。算法流程如
4 实验结果与分析
为了验证上述算法,通过安装在如
4.1 参数计算
为确定参数
图 9. 不同参数δ下的效果。(a) δ=0.4;(b) δ=0.6;(c) δ=0.8;(d) δ=1.0
Fig. 9. Results of different values of δ. (a) δ=0.4; (b) δ=0.6; (c) δ=0.8; (d) δ=1.0
表 1. 参数选择
Table 1. Parameter selection
|
4.2 实验
如
通过
图 11. 人工场景中的检测结果。(a)人工标记;(b)本文算法;(c)模型匹配算法;(d)协方差算法
Fig. 11. Detection results in artificial scene. (a) Manual marking; (b) proposed algorithm; (c) model matching algorithm; (d) covariance algorithm
在野外场景中,植被含量大幅提高,这使得从树干返回的雷达点较之于叶片减少很多,增加了点云分类的难度。如
4.3 定量评估
为进一步验证算法的可靠性,通过与人工标记的真实值进行比较,采用灵敏度(TPR)
图 12. 野外场景中的检测结果。(a)人工标记;(b)本文算法;(c)模型匹配算法;(d)协方差算法
Fig. 12. Detection results in field scene. (a) Manual marking; (b) proposed algorithm; (c) model matching algorithm; (d) covariance algorithm
式中:
表 2. 不同场景中检测算法的效果对比
Table 2. Result comparison of detection algorithms in different scenes
|
由
本文算法在配置Intel Core i7 4 GHz CPU的工控机上运行,基于C++实现。
图 13. 不同算法的运行时间对比。(a)人工场景;(b)野外场景
Fig. 13. Comparison of running time of different algorithms. (a) Artificial scene; (b) field scene
5 结论
提出了新的雷达点邻域特征参数,结合马尔可夫随机场提高激光雷达对障碍物和叶片的分辨能力。该方法不需要积累大量雷达点,就能有效识别邻近叶片的障碍物。算法采用邻域特征,通过平滑物体表面粗糙度和传感器噪声来拟合局部表面形状,同时尊重对象边界。然后通过马尔可夫随机场建立先验模型,综合各种不同的先验信息,并通过调整相邻雷达点间的相互作用,将各点的相互关系在全局范围下加以传播,增强了识别结果的连续性,在很大程度上避免了识别错误。该算法在障碍物邻近叶片或被遮挡时也可以进行有效的识别,使无人平台在植被环境中能识别分布有叶片的可通行区域,并及时规避邻近叶片的障碍物。但是,无人车要在野外未知环境中可靠地自主行驶,仍面临很多严峻的挑战,比如被植被完全遮挡的障碍物应当如何处理。下一步,计划在不同植被场景中进行大量实车实验,通过进一步融合视觉信息来完善算法,并制定合理的路径规划策略,以逐步提高无人车可完成自主行驶的环境的复杂度。
[5] VandapelN, Huber DF, KapuriaA, et al. Natural terrain classification using 3D ladar data[C]∥Proceedings of IEEE International Conference on Robotics and Automation, 2004: 5117- 5122.
[6] 项志宇, 王伟. 融合距离与彩色信息的草丛中障碍物检测[J]. 光电工程, 2009, 36(3): 79-83.
[7] Nguyen DV, KuhnertL, JiangT, et al. Vegetation detection for outdoor automobile guidance[C]∥IEEE International Conference on Industrial Technology, 2011: 358- 364.
[9] Ohkawa S, Takita Y, Date H. Detection of stone obstacles in grass by LIDAR intensity clustering(in Japanese)[J]. Transactions of the Japan Society of Mechanical Engineers, 2015, 81(828): 14-00563.
[10] 王盛, 项志宇. 基于多谱融合的植被环境中障碍物检测[J]. 浙江大学学报(工学版), 2015, 49(11): 2223-2229.
[12] Charles RQ, SuH, Mo KC, et al. Pointnet: deep learning on point sets for 3D classification and segmentation[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2017: 77- 85.
[14] HamrazH, Jacobs NB, Contreras MA, et al. Deep learning for conifer/deciduous classification of airborne LIDAR 3D point clouds representing individual trees[EB/OL]. ( 2018-02-24)[2018-07-12]. https:∥arxiv.org/abs/1802. 08872.
[15] 姚广顺, 孙韶媛, 方建安, 等. 基于红外与雷达的夜间无人车场景深度估计[J]. 激光与光电子学进展, 2017, 54(12): 121003.
[17] Aijazi A K, Checchin P, Trassoudaine L. Segmentation based classification of 3D urban point clouds: a super-voxel based approach with evaluation[J]. Remote Sensing, 2013, 5(4): 1624-1650.
[18] LandrieuL, MalletC, WeinmannM. Comparison of belief propagation and graph-cut approaches for contextual classification of 3D LiDAR point cloud data[C]∥IEEE International Geoscience and Remote Sensing Symposium, 2017: 2768- 2771.
[19] 张名芳, 付锐, 郭应时, 等. 基于三维不规则点云的地面分割算法[J]. 吉林大学学报(工学版), 2017, 47(5): 1387-1394.
[20] 蔡荣太, 朱鹏. 基于马尔科夫随机场的多特征人脸跟踪算法[J]. 激光与光电子学进展, 2017, 54(2): 021002.
[21] 郝刚涛, 杜小平, 宋建军, 等. 基于权值优化分块自适应灰度-距离Markov随机场的无扫描3D激光雷达距离图像重构[J]. 光学学报, 2015, 35(8): 0811001.
[22] 余淼, 胡占义. 高阶马尔科夫随机场及其在场景理解中的应用[J]. 自动化学报, 2015, 41(7): 1213-1234.
Article Outline
程子阳, 任国全, 张银. 基于马尔可夫随机场的植被环境中的障碍物识别[J]. 激光与光电子学进展, 2019, 56(3): 031010. Ziyang Cheng, Guoquan Ren, Yin Zhang. Obstacle Recognition in Vegetation Environment Based on Markov Random Field[J]. Laser & Optoelectronics Progress, 2019, 56(3): 031010.