光电工程  2019, Vol. 46 Issue (7): 180514      DOI: 10.12086/oee.2019.180514     
基于优化DBSCAN算法的激光雷达障碍物检测
蔡怀宇1,2 , 陈延真1,2 , 卓励然1,2 , 陈晓冬1,2     
1. 天津大学精密仪器与光电子工程学院,天津 300072;
2. 天津大学光电信息技术教育部重点实验室,天津 300072
摘要:在激光雷达障碍物检测中,由于数据密度分布不均匀,传统DBSCAN聚类算法无法同时对近距离和远距离目标实现良好聚类,容易导致漏检和误检。为了解决这个问题,改进了传统DBSCAN算法聚类邻域半径ε参数的选值方法,不同于传统DBSCAN算法在聚类过程中使用统一的聚类邻域半径,而是调整为根据目标距离变化而变化的自适应聚类邻域半径。首先根据激光雷达扫描线分布求出相邻两条扫描线的间距建立ε*列表,然后依据每个扫描点的坐标值在列表中查找出对应的列表值,最后通过线性插值法确定对应的邻域半径。福特数据集的实验结果表明,优化之后的DBSCAN算法无论是对近距离目标还是远距离目标,其聚类效果均得到明显改善。与传统算法相比,障碍物检测正检率提高了17.52%。
关键词障碍物检测    聚类    DBSCAN算法    邻域半径    
LiDAR object detection based on optimized DBSCAN algorithm
Cai Huaiyu1,2, Chen Yanzhen1,2, Zhuo Liran1,2, Chen Xiaodong1,2     
1. School of Precision Instrument and Opto-Electronics Engineering, Tianjin University, Tianjin 300072, China;
2. Key Laboratory of Opto-Electronics Information Technology of Ministry of Education, Tianjin University, Tianjin 300072, China
Abstract: In the process of obstacle detection based on LiDAR, the traditional DBSCAN clustering algorithm can't achieve good clustering for both short-range and long-distance targets because of the uneven distribution of data density, resulting in missed detection or false detection. To solve the problem, this paper proposed an optimized DBSCAN algorithm which improves the adaptability under different distance by optimize the selection method of neighborhood radius. According to the distribution of the lines scanned by LiDAR, the distance between two adjacent scan lines is determined and an improved neighborhood radius list is established. Then the neighborhood radius will be searched in the list based on the coordinated values of each scan point. Finally, linear interpolation method is used to obtain the corresponding neighborhood radius. The experimental results based on Ford dataset prove that compared with the traditional DBSCAN algorithm, the proposed algorithm can effectively improve the accuracy of obstacle detection and adapt to the target clustering operation under different distances. The positive detection rate of obstacle detection is increased by 17.52%.
Keywords: obstacle detection    clustering    DBSCAN algorithm    neighborhood radius    

1 引言

近年来,障碍物检测已经成为无人驾驶环境感知技术的重要研究领域[1],快速、准确检测车辆前方的障碍物,对智能车的安全行驶具有十分重要的意义[2]。典型的障碍物检测方法主要有基于视觉传感器和雷达传感器的两大主流方法[3],前者通常会受到外界光照、阴影以及复杂背景光的影响,且障碍物深度信息获取较为复杂,实时性难以满足[4]。而后者不易受外界环境条件影响、抗干扰性较强,可直接获得障碍物深度信息,具有处理速度快的特点,满足实时性,因而被广泛研究。其中,三维激光雷达凭借其高精度、高分辨率及高可靠性的特性成为重要的传感器之一[5]

在激光雷达障碍物检测方法中,主要有栅格地图和聚类分析两种方式[6],国内外学者在这两方面都进行了大量研究。Himmelsbach等人[6]建立了极坐标栅格,然后沿栅格纵向使用算法进行建模计算;Moras等人[7]使用DS证据理论建立栅格地图,然后分析证据理论中的冲突信息检测动态目标。然而基于栅格地图的障碍物检测不能获得障碍物的尺寸和速度等信息。在众多聚类算法中,DBSCAN(density-based spatial clustering of applications with noise)算法由于能发现任意形状的簇并且能有效过滤噪声而被广泛研究[8]。Azim[9]基于八叉树网格法检测运动物体,然后用DBSCAN算法聚类。然而其网格绘制过程复杂、难度大,而且不能检测出并排的障碍物;国内学者周水庚等[10]提出了一种基于数据分区的DBSCAN算法,能有效地解决数据密度不均匀引起的聚类缺陷,但是该方法只考虑了数据的间断区域,忽略了数据连续分布的情况,因此该方法会导致实际数据分区数偏少。

综上分析,研究出一种针对激光雷达数据的聚类算法十分必要。本文使用优化DBSCAN算法实现基于三维激光雷达的障碍物检测,与传统DBSCAN聚类算法相比:该方法不再采用传统聚类过程中使用的不变聚类半径参数ε,而是根据激光雷达扫描线的分布特点,将距离因素引入聚类参数ε中,通过建立ε*列表使得ε随距离增加而合理的增大,以此保证不同距离上数据点的密度发生改变时,都可以自适应地调整ε参数与之对应,从而提高了聚类的准确性。福特数据集的实验结果表明:优化DBSCAN算法成功地检测出无人车前方绝大部分的障碍物,相较于传统DBSCAN聚类算法,检测准确率有较大提高。

2 障碍物检测方法

基于优化DBSCAN算法的三维激光雷达障碍物检测主要包括四部分:道路边界检测、ROI区域数据提取、去除地面数据、基于优化DBSCAN算法的点云聚类。障碍物的定义是:在道路区域内会对车辆前向行驶造成障碍的物体,如车辆、行人等。道路区域外不会直接影响车辆行驶的物体不被认定为“障碍物”。然而在激光雷达原始数据中包含了大量的非障碍物的点云数据,如地面、道路边界以及道路区域外的建筑物和树木等,它们与障碍物无差别地被激光雷达传感器采集。而这些数据会对DBSCAN聚类检测算法速度会产生极大影响。因此在使用DBSCAN聚类算法进行障碍物检测之前,有必要滤除道路区域之外的点云数据以及地面点云数据。障碍物检测流程如图 1所示。

图 1 障碍物检测流程 Fig. 1 Flow chart of obstacle detection
2.1 道路边界检测

道路边界检测是将道路区域与周围环境进行区分的重要一环[11],准确地检测出道路边界是无人驾驶自主导航的关键技术,也是车辆辅助驾驶系统实现的基础。概括来说,道路边界检测算法同样有基于视觉被动传感器和基于雷达主动传感器的两大主流方法[11]。其中激光雷达具有不易受外界环境影响、分辨率高、精度较高、可获取环境深度信息等优点,被广泛研究和使用。

针对结构化道路特点,采用局部z值突变点检测和最小二乘法检测道路边界。主要依据是:在激光雷达数据点云中,结构化道路边界数据点的z坐标值相比路面点有明显的高程突变,可利用局部排序变点统计法对突变的z坐标值进行标记,并提取其对应的突变点坐标(x, y, z),即完成结构化道路边界数据点的粗提取;由于路面内可能存在减速带、石块、车辆等对道路边界数据点识别的干扰,故需对粗提取的道路边界点云进行滤波,本文采用双阈值滤波的方法滤除干扰点;设置上下两个阈值,将z值突变范围不在阈值之间的道路边界点滤除,其中上阈值是根据道路边沿的高度大小设置,其目的是排除道路区域外侧z值高程突变明显物体的影响;下阈值是根据道路区域内的减速带、石块影响设置,其目的是排除道路区域内路面凹凸、有z值高程突变但不明显的影响。阈值大小可根据道路实际情况进行设置。

然后将提取出来的边界点根据x坐标划分为左右两个边界,利用最小二乘法以残差平方和最小原则分段拟合,最终可获得左、右道路边界left_border、right_border。

2.2 感兴趣(ROI)区域数据提取

感兴趣(Region of interest,ROI,用RROI表示)区域是指在道路边界内侧区域,即车辆可行驶区域。根据检测到的道路边界left_border、right_border,将激光雷达原始数据分割成两部分:

$ A = \{ P|P \in {\rm{ left\_border右侧数据 \} ,}} $ (1)
$ B = \left\{ {P|P \in {\rm{ right \_ border }}} \right.左侧数据\} , $ (2)

其中:A表示在左边界右侧的数据,B表示在右边界左侧的数据,则ROI区域点云集可表示为

${R_{{\rm{ROI}}}} = A \cap B。$ (3)
2.3 地面拟合

地面拟合的目的是找出激光雷达原始数据中属于地面的点,主要方法是最小二乘法。在车辆初始状态下,选取ROI区域的地面数据进行三维曲面拟合,空间三维平面的拟合方程可以表示为

${{\mathit{\boldsymbol{a}}}}x + {{\mathit{\boldsymbol{b}}}}y + {{\mathit{\boldsymbol{c}}}}z = d,$ (4)

其中$({{\mathit{\boldsymbol{a}}}},{{\mathit{\boldsymbol{b}}}},{{\mathit{\boldsymbol{c}}}})$为平面的单位法向量,即满足关系式:

${{\mathit{\boldsymbol{a}}}}{}^2 + {{{\mathit{\boldsymbol{b}}}}^2} + {{{\mathit{\boldsymbol{c}}}}^2} = 1,$ (5)

d为坐标原点到该平面的距离。利用最小二乘法可以计算出参数abcd的值。

对于任意点云数据$({x_i},{y_i},{z_i})$,根据拟合参数abc计算该点的平面值${d_i}$

${{\mathit{\boldsymbol{a}}}}{x_i} + {{\mathit{\boldsymbol{b}}}}{y_i} + {{\mathit{\boldsymbol{c}}}}{z_i} = {d_i}。$ (6)

设定平面阈值$\Delta d$,若$|{d_i} - d| < \Delta d$,则判定该点属于地面点。

2.4 传统DBSCAN聚类算法

作为一种经典密度聚类算法,DBSCAN算法拥有许多其他聚类算法不具有的优点[12]。其中最大优点是不需要预先知道类的个数就能发现任意形状的簇并且能有效地识别噪声点。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够自动确定簇的数量,对任意形状的簇都能有效处理,并且可在噪声的空间数据中发现任意形状的聚类。DBSCAN聚类算法的思想就是找到密度相连点的最大集合[13]。DBSCAN算法有两个关键参数:邻域半径ε和最小密度MinPts,涉及到的基本概念如下:

定义1 ε邻域:以空间中任意一点P为圆心,以ε为半径的球形区域;

定义2密度:点Pε邻域内所包含点的个数;

定义3 类簇:最大密度相连对象的集合;

定义4 核心点:一个点,对于给定的ε,该点密度不低于MinPts;

定义5 密度可达:对于给定的ε和MinPts,若存在一系列的n个点Pi(1≤in),且Pi+1Pi直接密度可达,则有PnP1密度可达;

定义6边界点:一个点,如果不是核心点,但是该点由核心点密度可达,则该点为边界点;

定义7噪声点:不属于任何一个簇的点;

定义8 密度相连:对于给定的ε和MinPts,若存在点M,使得点Q和点P从点M密度可达,则点Q和点P密度相连[14]

基于上述概念,DBSCAN算法的中心思想是:在数据集中任选一个点P作为起始点,根据ε和MinPts,查找所有从P点密度可达的点[15-17]。如果是核心点,那么在ε邻域内的所有候选点归为一个簇,然后通过考察候选点的密度来进一步扩大这个簇,直至最终完整的簇被找到。如果P不是核心点,则继续搜寻下一个点,直至所有点都搜寻完毕。数据集中不属于任何簇的点即为噪声点[18-22]

传统DBSCAN算法虽然可以发现任意形状的簇并且能有效地识别噪声点,但仍存在一些局限性:

1) 算法对输入参数ε和MinPts极其敏感,如果参数选取不当,对聚类效果会产生不良影响;

2) 算法在整个聚类过程中使用了统一的ε和MinPts,该方式在数据分布比较均匀时,对聚类结果不会产生很大影响;但如果数据分布明显不均匀时,会使聚类效果出现较大偏差[23-24]

激光雷达输出正是一种典型分布不均匀的数据形式,距离激光雷达原点较近的数据密度较高,而距离激光雷达原点较远的数据密度较低。这种密度差异与障碍物尺寸大小无关,而是由于激光雷达测量机制所造成的。在用传统DBSCAN算法对激光雷达数据聚类时,总会有一种距离的聚类效果较差,即无论选择怎样的ε和MinPts值,都会出现某些距离区域漏检或误检的情况发生。

2.5 优化DBSCAN聚类算法

基于上述分析,本文提出了一种新的基于ε*列表的优化DBSCAN算法。其核心思想是:针对密度分布不均匀的激光雷达数据集,通过建立ε*列表,使得参数ε随着距离的增加而合理地增大,在聚类过程中不同距离的数据点都会有一个对应的ε*,列表是依据激光雷达扫描线的分布特点建立的。激光雷达扫描线分布如图 2所示。

图 2 激光雷达扫描线 Fig. 2 LiDAR scan line

图 2中,h(AO)是激光雷达距地面高度,ri是激光扫描线投射点OiO点的径向距离,εi是相邻两条激光扫描线投射点的距离,αi是第i条扫描线的俯仰角,也是激光雷达对应该扫描线的俯仰角。

ε*列表的建立方法是:假设激光雷达共有n条扫描线,如图 2所示。当激光雷达原点距地平面高度为h时,扫描线的俯仰角构成集合$\alpha = \{ {\alpha _i}\} (i = 1,2,...,n)$,激光扫描线投射点到O点的径向距离构成集合$r = \{ {r_i}\} (i = 1,2,...,n)$,相邻两条激光扫描线投射点的距离构成集合$\varepsilon = \{ {\varepsilon _i}\} (i = 1,2,...,n - 1)$r$\varepsilon $对应元素满足${r_i} = h/\tan ({\alpha _i})(i = 1,2,...,n)$${\varepsilon _i} = {r_{i + 1}} - {r_i}\;\;(i = 1,2,...,n - 1)$

h=1,则集合r修改为$\{ 1/\tan ({\alpha _i})\} (i = 1,2,...,n)$,记作r*;对应的集合ε修改为$\{ r_{i + 1}^* - r_i^*\} \begin{array}{*{20}{c}} {(i = 1,2,...,n - 1)} \end{array}$,记作ε*;至此,ε*列表建立完成。

ε*列表使用方法:假设存在一个三维空间点$P(x,y,z)$,到z轴的距离${r_P} = \sqrt {{x^2} + {y^2}} $,对应的$r_P^* = \sqrt {{{(x/z)}^2} + {{(y/z)}^2}} $;在r*列表中寻找$r_k^*$$r_{k + 1}^*$,使得$r_k^* \leqslant r_P^* \leqslant r_{k + 1}^*$,在ε*列表中存在对应的$\varepsilon _k^*$$\varepsilon _{k + 1}^*$。根据一阶线性插值法,则任意点$P(x,y,z)$处的ε值为

$\varepsilon = \frac{{\varepsilon _{k + 1}^* - \varepsilon _k^*}}{{r_{k + 1}^* - r_k^*}}{r_P}。$ (7)
3 实验结果分析

为了验证上述算法的有效性,采用福特校园数据集的Velodyne64线激光雷达数据对算法性能进行测试。福特校园数据集是由密歇根大学和福特汽车公司合作采集的,该数据集包含各种各样的城市道路场景,能够充分验证算法的有效性。

以4 GB内存、3 GHz主频的计算机作为实验平台,并在Matlab2015b上进行编程实现。实验中分别使用传统DBSCAN算法和优化DBSCAN算法对福特校园激光雷达数据集的1600帧数据进行处理,并将它们的障碍物检测结果进行对比。其中特别针对距离不同的双障碍物、多障碍物场景数据进行了重点研究。

道路边界检测结果如图 3所示。实验中选取8 cm、18 cm作为双阈值滤波的上阈值和下阈值。用红色线标识出道路边界。

图 3 道路边界检测结果 Fig. 3 Road-boundary detection result

ROI区域提取和地面拟合结果分别如图 4图 5所示。其中地面拟合阈值$\Delta d$设置为0.05 m。经过上述处理,ROI区域和地面数据点云已经被提取出来,以便减小后续处理的数据量,并剔除地面数据对障碍物检测造成的影响。

图 4 ROI区域数据提取结果 Fig. 4 Data extraction of ROI

图 5 地面拟合结果 Fig. 5 Ground fitting

双距离障碍物场景下传统DBSCAN算法和优化DBSCAN算法的障碍物检测实验结果如图 6所示。其中,聚类参数MinPts选取经验值40,传统DBSCAN聚类算法邻域半径参数ε选取固定值1.5 m。在该场景下含有两类障碍物,分别是近距离障碍物(图 6(a)中2号障碍物)和远距障碍物(图 6(a)中1、3号障碍物)。由图可见,在相同的场景下,优化DBSCAN算法能够检测出所有障碍物。而传统DBSCAN算法漏检了3号障碍物。

图 6 双距离障碍物检测实验。(a)双距离障碍物数据采集场景;(b)激光点云图;(c)传统DBSCAN算法聚类效果;(d)优化DBSCAN算法聚类效果 Fig. 6 The experiment of double-distance obstacle detection. (a) Dataset scene of two distance obstacle; (b) LiDAR points cloud; (c) Traditional DBSCAN algorithm; (d) Optimized DBSCAN algorithm

图 7图 8为多距离障碍物场景下的障碍物检测实验结果,参数设置与双距离障碍物场景一致。其中图 7中场景含有3个距离不同的障碍物,图 8场景含有5个距离不同的障碍物。实验表明,当车辆正前方存在3个以上距离不同的障碍物时,优化DBSCAN算法仍能够根据障碍物距离自适应找到合适的邻域半径ε,并正确地检测出所有的障碍物。而传统DBSCAN算法邻域半径ε无法随着距离而改变,故造成图 7场景3号障碍物和图 8场景3、4、5号障碍物漏检。

图 7 三距离障碍物检测实验。(a)数据采集场景;(b)传统DBSCAN聚类算法效果;(c)优化DBSCAN聚类效果 Fig. 7 The experiment of three-distance obstacle detection. (a) Dataset scene; (b) Traditional DBSCAN algorithm; (c) Optimized DBSCAN algorithm

图 8 多种距离障碍物检测实验。(a)数据采集场景;(b)传统DBSCAN聚类算法效果;(c)优化DBSCAN聚类效果 Fig. 8 The experiment of multi-distance obstacle detection. (a) Dataset scene; (b) Traditional DBSCAN algorithm; (c) Optimized DBSCAN algorithm

实验过程中还进行了连续帧数据包的算法测试,分别使用传统DBSCAN算法和优化DBSCAN算法对同一时间段的连续帧数据包进行障碍物检测,实验结果见表 1。根据表 1实验结果,计算出在相同的场景下经过优化之后的DBSCAN算法障碍物检测平均正检率约为86.27%,相较于传统算法提高了17.52%,同时可见,漏检率明显下降。但误检率有所提高。经分析,造成误检的障碍物都出现在距离车辆较远位置,该现象并非是优化DBSCAN算法自身的问题,而是地面数据未剔除干净导致的。由于道路边界检测结果存在偏差,导致地面拟合过程中未能剔除所有的地面点云数据,造成优化DBSCAN算法将这些地面数据点误认为是障碍物,致使误检率有所提高。此外,本实验处理单个激光雷达数据包的实时性较差,平均时间约为1.52 s。

表 1 传统DBSCAN算法和优化DBSCAN算法性能对比 Table 1 Performance comparison of traditional and optimized DBSCAN algorithm
连续帧数 300 500 800
检测结果 正检 误检 漏检 正检 误检 漏检 正检 误检 漏检
传统DBSCAN算法 209 27 87 346 41 139 539 69 253
优化DBSCAN算法 253 42 13 438 59 21 695 97 41
4 结论

针对传统DBSCAN算法障碍物检测中由于激光雷达点云数据密度分布不均匀导致漏检的问题,改进了传统DBSCAN算法聚类邻域半径ε的选取方式。优化之后的DBSCAN算法能够明显改善传统算法的漏检问题,提高了障碍物检测的正检率。同时,通过道路边界检测、ROI区域数据提取、去除地面数据的方法大大减少了数据量,提高了优化DBSCAN算法的障碍物检测速度。然而本文算法仅适用于结构化道路边界环境,即道路边界相较于路面有一定的高程差。针对道路边界检测误差导致的误检率上升问题,可以通过多传感器融合提高边界检测的精确度。考虑到无人驾驶车行驶环境,在以后研究中可将多传感器(如红外摄像机等)融合应用到算法中,以进一步提高算法的鲁棒性和稳定性。

参考文献
[1]
Kostavelis I, Nalpantidis L, Gasteratos A. Supervised traversability learning for robot navigation[C]//Proceedings of the 12th Annual Conference on Towards Autonomous Robotic Systems, 2011: 289-298.
[2]
Lin C, Song W Q, Qin J F. Improved method of obstacle detection based on V-disparity[J]. Science Technology and Engineering, 2014, 14(1): 86-90.
林川, 宋伟奇, 覃金飞. 基于V-视差的障碍物检测改进方法[J]. 科学技术与工程, 2014, 14(1): 86-90 [Crossref]
[3]
Jazayeri A, Cai H Y, Tuceryan M, et al. Vehicle detection and tracking in car video based on motion model[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(2): 583-595. [Crossref]
[4]
Zeng L N. Research on obstacle detection and identification for on-board vision systems[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2016.
曾丽娜.车载视觉系统中障碍物检测与识别方法研究[D].南京: 南京航空航天大学, 2016. [Crossref]
[5]
Wan Z T. Research on LADAR based road and obstacles detection[D]. Changsha: National University of Defense Technology, 2010.
万忠涛.基于激光雷达的道路与障碍检测研究[D].长沙: 国防科学技术大学, 2010. [Crossref]
[6]
Himmelsbach M, Hundelshausen F V, Wuensche H J. Fast segmentation of 3D point clouds for ground vehicles[C]//Proceedings of 2010 IEEE Intelligent Vehicles Symposium, 2010: 560-565.
[7]
Moras J, Cherfaoui V, Bonnifait P. Credibilist occupancy grids for vehicle perception in dynamic environments[C]//Proceedings of 2011 IEEE International Conference on Robotics and Automation, 2011: 84-89.
[8]
Wu W M, Huang H K. A DP-DBScan clustering algorithm based on differential privacy preserving[J]. Computer Engineering and Science, 2015, 37(4): 830-834.
吴伟民, 黄焕坤. 基于差分隐私保护的DP-DBScan聚类算法研究[J]. 计算机工程与科学, 2015, 37(4): 830-834 [Crossref]
[9]
Azim A, Aycard O. Layer-based supervised classification of moving objects in outdoor dynamic environment using 3D laser scanner[C]//Proceedings of 2014 IEEE Intelligent Vehicles Symposium, 2014: 1408-1414.
[10]
Zhou S G, Zhou A Y, Cao J. A data-partitioning-based DBSCAN algorithm[J]. Journal of Computer Research and Development, 2000, 37(10): 1153-1159.
周水庚, 周傲英, 曹晶. 基于数据分区的DBSCAN算法[J]. 计算机研究与发展, 2000, 37(10): 1153-1159 [Crossref]
[11]
Kong D, Sun L, Wang J Q, et al. Road boundary identification algorithm based on 3D LIDAR point cloud[J]. Journal of Guangxi University (Natural Science Edition), 2017, 42(3): 855-863.
孔栋, 孙亮, 王建强, 等. 基于3D激光雷达点云的道路边界识别算法[J]. 广西大学学报(自然科学版), 2017, 42(3): 855-863 [Crossref]
[12]
Guan C H, Chen Y D, Chen H Y, et al. Improved DBSCAN clustering algorithm based vehicle detection using a vehicle-mounted laser scanner[J]. Journal of Beijing Institute of Technology, 2010, 30(6): 732-736.
关超华, 陈泳丹, 陈慧岩, 等. 基于改进DBSCAN算法的激光雷达车辆探测方法[J]. 北京理工大学学报, 2010, 30(6): 732-736 [Crossref]
[13]
Yu Y F, Zhou A W. An improved algorithm of DBSCAN[J]. Computer Technology and Development, 2011, 21(2): 30-33, 38.
于亚飞, 周爱武. 一种改进的DBSCAN密度算法[J]. 计算机技术与发展, 2011, 21(2): 30-33, 38 [Crossref]
[14]
Kaempchen N, Buehler M, Dietmayer K. Feature-level fusion for free-form object tracking using laserscanner and video[C]//Proceedings of the IEEE Proceedings. Intelligent Vehicles Symposium, 2005: 453-458.
[15]
Chavez-Garcia R O, Burlet J, Vu T D, et al. Frontal object perception using radar and mono-vision[C]//Proceedings of 2012 IEEE Intelligent Vehicles Symposium, 2012: 159-164.
[16]
Birant D, Kut A. ST-DBSCAN: an algorithm for clustering spatial-temporal data[J]. Data & Knowledge Engineering, 2007, 60(1): 208-221. [Crossref]
[17]
Guo C Z, Sato W, Han L, et al. Graph-based 2D road representation of 3D point clouds for intelligent vehicles[C]//Proceedings of 2011 IEEE Intelligent Vehicles Symposium, 2011: 715-721.
[18]
Barzohar M, Cooper D B. Automatic finding of main roads in aerial images by using geometric-stochastic models and estimation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1996, 18(7): 707-721. [Crossref]
[19]
Hu S X. Study on the vehicle front pedestrian detection based on 3D laser scanner[D]. Changchun: Jilin University, 2011.
胡顺玺.基于三维激光扫描仪的车辆前方行人检测研究[D].长春: 吉林大学, 2011. [Crossref]
[20]
Feng S R, Xiao W J. An Improved DBSCAN clustering algorithm[J]. Journal of China University of Mining & Technology, 2008, 37(1): 105-111.
冯少荣, 肖文俊. DBSCAN聚类算法的研究与改进[J]. 中国矿业大学学报, 2008, 37(1): 105-111 [Crossref]
[21]
Zhou J, Cheng L, Bischof W F. Online learning with novelty detection in human-guided road tracking[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(12): 3967-3977. [Crossref]
[22]
Yu Z W, Wang D X, You J, et al. Progressive subspace ensemble learning[J]. Pattern Recognition, 2016, 60: 692-705. [Crossref]
[23]
Li L J. Research on technology of road information extraction based on four-layer laser radar[D]. Beijing: Beijing University of Technology, 2016.
李龙杰.基于四线激光雷达的道路信息提取技术研究[D].北京: 北京工业大学, 2016. [Crossref]
[24]
Yu C H, Liu J L. Obstacle detection based on a four-layer laser radar in cross-country[J]. Journal of Nanjing University of Science and Technology, 2006, 30(5): 618-621, 625.
于春和, 刘济林. 越野环境下基于四线激光雷达的障碍检测[J]. 南京理工大学学报, 2006, 30(5): 618-621, 625 [Crossref]