一种车载二维激光运动中三维环境扫描成像方法

摘要

一种车载二维激光运动中三维环境扫描成像方法，属于测距激光扫描成像及无人驾驶车辆自主环境感知技术领域。本发明提出了一种纹理增强图的计算模型，该模型可实现基于车载二维激光测距数据的三维环境扫描成像，且有效克服了车体不规则运动造成的图像模糊现象，能够获得三维点云数据清晰的二维图像描述，是对三维空间测距信息的补充。本发明提出的纹理增强图，通过计算出一个最优参考向量，使得生成图像的像素灰度值区分度最大，突出了场景中物体的纹理细节，从而为基于激光扫描数据的场景分割、物体识别及场景理解提供有效的支持。本发明可用在无人驾驶车室外场景理解及环境认知等人工智能领域。

主权项

一种车载二维激光运动中三维环境扫描成像方法，其特征在于：利用二维激光在运动中扫描三维环境所生成的序列点云数据，计算出一个最优参考向量，再以此为基础计算得到每个激光点的参考向量夹角θ，并将其映射到灰度值0‑255范围，得到每个激光点对应的像素灰度值，即得到整幅场景的纹理增强图，具体计算方法如下：(a)设点云数据中第i行j列的激光点为P_i,j，取其相邻的一个激光点P_i‑1,j+1，设激光点P_i,j到P_i‑1,j+1的向量为V_p，为了描述向量V_p在三维空间中的方位，还需另一个向量V_refer作为参考基准，计算参考向量V_refer与V_p的夹角θ_i,j，即激光点P_i,j的参考向量夹角；(b)设在不同参考向量V_refer下，使场景中所有激光点方位区分度最大化的目标函数为$F\left(V_{\mathrm{refer}}\right)=\underset{p=1}{\overset{N}{\Sigma }}\underset{q=1}{\overset{N}{\Sigma }}|{\theta }_p\left(V_{\mathrm{refer}}\right)-{\theta }_q\left(V_{\mathrm{refer}}\right)|,$该目标函数的物理意义为场景中每两个激光点的参考向量夹角之差的总和，其中N为场景中激光点个数，θ_p、θ_q为对应某一参考向量V_refer下第p个和第q个激光点的参考向量夹角；(c)对于(b)中的目标函数F(V_refer)，为了优化求解过程，使用场景中所有激光点的参考向量夹角的方差来近似描述该目标函数，即其中为场景中所有激光点在当前参考向量下的参考向量夹角的均值，θ_k为第k个激光点的参考向量夹角，当F的值最大时，意味着所有激光点的参考向量夹角之间的区分度最大，此时的参考向量为其中argmax表示求取使得函数值最大时的自变量值，即为最优参考向量；(d)获得最优参考向量后，遍历场景中的每个激光点，计算各个激光点P_i,j到相邻点P_i‑1,j+1的向量V_p与的夹角，将其映射至灰度值0‑255范围，即可得到与每个激光点一一对应的像素灰度值，最终生成整幅点云场景的纹理增强图。