(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210289114.7 (22)申请日 2022.03.22 (71)申请人 北京航空航天大 学合肥创新研究院 （北京航空航天大 学合肥研究生院） 地址 230012 安徽省合肥市新站高新区文 忠路999号 申请人 北京踏歌智行 科技有限公司 (72)发明人 余贵珍　李华志　周彬　王章宇　 刘润森　 (74)专利代理 机构 北京天汇航智知识产权代理 事务所(普通 合伙) 11987 专利代理师 黄川 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/26(2022.01)G06K 9/62(2022.01) (54)发明名称 一种融合 点云语义类别和距离的聚类方法 (57)摘要 本发明涉及自动驾驶车辆感知技术领域， 提 供了一种融合点云语义类别和距离的聚类方法。 该方法包括： 基于语义分割算法对激光雷达点云 数据进行分割， 输出带有语义类别标签的每个 点； 将语义 分割后的点云分割为地面点云和非地 面点云； 基于非地面点云， 计算与种子点对应栅 格数n， 根据8邻域搜索实现非地面点分段参数聚 类， 依次将栅格内未被聚类的点执行8邻域分段 参数聚类； 将候选类别点数量和该类别对应的点 数量阈值比较， 判断出8邻域中n个栅格范围内是 否有聚类做相应处理， 对类别相同或不同的聚类 类别相应处理。 本发明提高了分割速度同时减少 欠分割和过分割， 滤除错误语义分割点， 使得聚 类类别清晰化， 解决大小尺寸不同的障碍物聚类 合并参数选取。 权利要求书1页 说明书5页 附图3页 CN 114648654 A 2022.06.21 CN 114648654 A 1.一种融合 点云语义类别和距离的聚类方法， 其特 征在于， 包括： S1基于语义分割算法对激光雷达点云数据进行分割， 输出带有语义类别标签的每个 点； S2将语义分割后的点云 分割为地面点云和非地 面点云； S3基于所述非地面点云， 投影到栅格地图中， 根据种子点距离坐标原点距离r和栅格分 辨率GMres,计算与种子点对应栅格数n， 根据8邻域搜索实现非地面点分段参数聚类， 依次 将栅格内未被聚类的所述非地 面点执行8邻域分段参数聚类； S4统计每个聚类的中各语义类别点数量， 所述语义类别点数量最多的类别为候选类 别， 将所述候选类别点数量和该类别对应的点数量阈值相比较， 若所述候选类别点数量超 过该类别对应的点数量阈值， 则所述候选类别为当前所在的聚类类别， 否则， 所述候选类别 为不确定类别； S5基于所述S4所获得的每个聚类类别， 根据各聚类类别设定对应的聚类距离合并参 数， 并计算所述距离合并参数对应的栅格数m， 遍历每个聚类中， 判断8邻域中m个栅格范围 内， 是否有类别相同的聚类类别或所述不确定类别的聚类， 若有， 则将两个类别合并， 合并 后的类别为对应确定的类别， 否则， 不 合并。 2.根据权利要求1所述的聚类方法， 其特征在于， 所述S1中相应语义分割算法包括： RangeNet+ +， 语义类别标签包括： 卡车、 轿车、 行 人、 地面。 3.根据权利要求1所述的聚类方法， 其特 征在于， 所述S3， 包括： S31将所述非地面点云投影至栅格地 图GM中， 每个所述栅格内存储在所述栅格范围内 的点云序号id和栅格所属聚类序号N， 令所有栅格初始聚类序号N都为0， 将无序点云有序 化； S32从左至右， 从上至下遍历所述栅格地图GM， 以存在所述非地面点云的所述栅格初始 聚类序号为初始值0的所述栅格为种子点Pseed， 将所述种子点Pseed所在栅格标记为第N 类； 其中， 将所述种子点Pseed距离原点距离r设置聚类距离参数Dthr， 根据所述聚类距离 参数Dthr和栅格地图GM分辨率GMres， 计算出所述种子点对应的栅格个数n， 以所述种子点 Pseed为中心点， 8邻域方向分别搜索相 邻n个所述栅格， 如果相 邻所述栅格内有 所述非地面 点云， 并且所述栅格初始聚类序号为初始值0， 则将所述栅格标记为与种子点Pseed为相同 聚类序号， 否则所述 栅格初始聚类序号保持不变； S33将所述8邻域内聚类序号由0变为N的非地面点依次为新的种子点Pseed， 依次执行 S32， 直到所有该类种子点Pse ed所述8邻域内无 所述栅格初始聚类序号 为初始值0为止； S34令N＝N+1， 并依次执行S32、 S33， 直到所有含有非地面点的栅格聚类序号均不为0， 完成所述 栅格地图GM分段聚类。 4.根据权利要求1所述的聚类方法， 其特征在于， 所述S31中将所述非地面点云投影至 栅格地图GM中， 栅格范围和栅格分辨率根据需求设定， 其中， 需求包括栅格横纵向距离， 依 照距离而设定的分辨 率。 5.根据权利要求1所述的聚类方法， 其特征在于， 所述S4还包括： 对不一致的同一所述 语义类别， 进行 滤波处理。权　利　要　求　书 1/1 页 2 CN 114648654 A 2一种融合点 云语义类别和距离的聚类方 法 技术领域 [0001]本发明涉及自动驾驶车辆感知技术领域， 尤其涉及一种融合点云语义类别和距离 的聚类方法。 背景技术 [0002]随着自动驾驶技术的发展及应用， 感知等相关技术也有了很大的发展。 点云可以 提供环境精确的3D数据， 相比于相机和毫米波 雷达， 具有 更优的检测精度， 并且作为主动式 传感器， 不受光线变化干扰， 具有更强的适应性， 在自动驾驶领域一般作为主传感器使用。 但是点云数据具有稀疏性和无序性特征， 尤其对于低线束激光雷达或远距离， 点云的数据 间距较大。 点云障碍物感知算法， 经过预处理和地面检测后， 通过聚类算法， 如欧式聚类或 DBSCAN等聚类算法， 将障碍物 点云分割为不同障碍物点云， 由于点云的稀疏性和无序性， 采 用固定聚类参数的聚类算法， 聚类的障碍物点云存在过分割或欠分割问题。 [0003]专利 《一种激光雷达的点云数据聚类方法及装置与流程》 文献公开号为 CN110738223A， 将点云栅格化处理， 以设定栅格数的窗口对 所有的栅格依次扫描， 将窗口内 有点的栅格分割为同一类别， 实现点云快速聚类。 该方法流程简单， 便于实现， 实时性高。 但 是由于点云由近到远点云分布逐渐稀疏， 以固定栅格个数窗口扫描， 导致聚类效果不能兼 顾近距离和远距离， 导 致欠分割或过分割问题比较明显 。 [0004]专利 《一种基于椭圆域的自适应点云目标聚类方法》 文献公开号为CN113269889A， 考虑点云分布不均匀性， 基于DBSCAN聚类和椭圆邻域实现自适应点云目标聚类的方法， 有 效解决欠分割和过分割问题。 但是该方法没有考虑目标类别信息， 对于体积 较大的目标， 如 果有部分遮挡， 可能会导 致该目标 过分割为两个 类别。 [0005]专利 《一种基于聚类的点云分割方法及系统》 文献公开号为CN105957076B， 对每个 点计算法向量、 平 面曲率和相容集， 再通过面片处理实现点云聚类。 该方法考虑目标的法向 量特征， 可以有效解决相 邻较近目标的分割问题， 但由于需要计算每个点的法向量， 当点云 数量较多时， 耗时较长， 难以达 到实时性要求。 发明内容 [0006]有鉴于此， 本发明提供了一种融合点云语义类别和距离 的聚类方法， 以解决现有 技术中点云数量较多， 耗时较长， 难以达 到实时性要求以及欠分割和过分割的问题。 [0007]本发明提供了一种融合 点云语义类别和距离的聚类方法， 包括： [0008]1.一种融合 点云语义类别和距离的聚类方法， 其特 征在于， 包括： [0009]S1基于语义分割算法对激光雷达点云数据进行分割， 输出带有语义类别标签的每 个点； [0010]S2将语义分割后的点云 分割为地面点云和非地 面点云； [0011]S3基于所述非地面点云， 投影到栅格地图中， 根据种子点距离坐标原点距离r和栅 格分辨率GMres,计算与种子点对应栅格数n， 根据8邻域搜索实现非地面点分段参数聚类，说　明　书 1/5 页 3 CN 114648654 A 3