臺(tái)少瑜 李云伍 趙穎 林先卬 黎遠(yuǎn)江 王義成

摘要：為解決丘陵山地果園條件下激光雷達(dá)檢測(cè)過(guò)程中面對(duì)多尺寸、多距離條件下出現(xiàn)的目標(biāo)物體漏檢、誤檢等欠分割和過(guò)分割問(wèn)題，提出一種基于激光雷達(dá)的自適應(yīng)目標(biāo)聚類(lèi)半徑目標(biāo)物體檢測(cè)方法。首先，在使用激光雷達(dá)感知到周?chē)h(huán)境的三維點(diǎn)云后，去除地面點(diǎn)云并且使用體素濾波進(jìn)行降采樣的預(yù)處理，在減少數(shù)據(jù)量的同時(shí)去除點(diǎn)云中的噪聲點(diǎn)。其次，建立Kd tree模型進(jìn)行最近鄰搜索，以加速歐式聚類(lèi)的進(jìn)程，通過(guò)自適應(yīng)確定每顆樹(shù)冠的聚類(lèi)半徑，使歐式聚類(lèi)能夠得到更好的聚類(lèi)效果。最后為驗(yàn)證算法準(zhǔn)確性和實(shí)用性，基于果園履帶車(chē)平臺(tái)，采用32線激光雷達(dá)對(duì)所提算法進(jìn)行實(shí)車(chē)測(cè)試。結(jié)果表明：在丘陵山地果園中該算法可準(zhǔn)確聚類(lèi)果樹(shù)樹(shù)冠點(diǎn)云，且實(shí)地目標(biāo)正檢率為94.41%。

關(guān)鍵詞：激光雷達(dá)；樹(shù)冠檢測(cè)；Kd tree模型；自適應(yīng)聚類(lèi)

中圖分類(lèi)號(hào)：TN959.6

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2024） 02022107

收稿日期：2022年11月30日 ?修回日期：2022年12月23日

基金項(xiàng)目：貴州省科技計(jì)劃項(xiàng)目（黔科合支撐［2021］一般171）

第一作者：臺(tái)少瑜，男，1999年生，山東諸城人，碩士研究生；研究方向?yàn)樘镩g作業(yè)環(huán)境感知技術(shù)。Email： taishaoyu@163.com

通訊作者：李云伍，男，1974年生，重慶人，博士，教授；研究方向?yàn)橹悄苻r(nóng)機(jī)裝備及田間作業(yè)環(huán)境感知技術(shù)。Email： liywu@swu.edu.cn

Research on crown detection based on adaptive clustering radius of Lidar

Tai Shaoyu1， Li Yunwu1， 2， Zhao Ying1， Lin Xianang1， Li Yuanjiang1， Wang Yicheng1

（1. College of Engineering and Technology， Southwest University， Chongqing， 400716， China；

2. Chongqing Key Laboratory of Agricultural Equipment in Hilly Area， Chongqing， 400716， China）

Abstract：

In order to solve the problem of undersegmentation and oversegmentation such as missed detection and false detection of target objects under multisize and multidistance conditions in the process of Lidar detection under hilly and mountainous orchard conditions， a target object detection method based on adaptive target clustering radius of Lidar is proposed. Firstly， by using Lidar to sense the threedimensional point cloud of the surrounding environment， the ground point cloud is removed and the preprocessing of down sample is performed by voxel filter. The amount of data is reduced and the noise points in the point cloud is removed. Secondly， the Kd tree model is established and the nearest neighbor search is carried out to accelerate the process of Euclidean clustering. By adaptively determining the clustering radius of each crown， the Euclidean clustering can get better clustering results. Finally， in order to verify the accuracy and practicability of the algorithm， based on the orchard tracked vehicle platform， a 32-line Lidar is used to test the algorithm. The results show that the algorithm can accurately cluster the canopy point cloud of fruit trees in hilly and mountainous orchards， and the field target detection rate is 94.41%.

Keywords：

Lidar; crown detection; Kdimensional tree model; adaptive clustering

0 引言

果樹(shù)單木樹(shù)冠信息（如冠幅、樹(shù)冠面積和樹(shù)冠體積等）是果樹(shù)生長(zhǎng)狀態(tài)的重要體現(xiàn)，也是產(chǎn)量預(yù)測(cè)估計(jì)的重要方法，更是實(shí)現(xiàn)果園精準(zhǔn)管理的重要前提［1］。樹(shù)冠信息作為果樹(shù)變量施藥和精確對(duì)靶施藥等果園精準(zhǔn)管理操作的基礎(chǔ)，對(duì)果樹(shù)樹(shù)冠進(jìn)行精確檢測(cè)則具有重要的學(xué)術(shù)研究與應(yīng)用意義［23］。

現(xiàn)有針對(duì)樹(shù)冠檢測(cè)常用的方法包括基于機(jī)器視覺(jué)的目標(biāo)感知方案、基于機(jī)器視覺(jué)和激光雷達(dá)融合的目標(biāo)感知方案與基于激光雷達(dá)等目標(biāo)物體感知方案［4］。其中基于機(jī)器視覺(jué)的目標(biāo)感知方案魯棒性較差，受環(huán)境光影響較大，陰雨天氣環(huán)境下作業(yè)效果不理想，不能滿足作業(yè)要求。而林樂(lè)彬［5］提出將激光雷達(dá)與機(jī)器視覺(jué)相融合的方法，雖然可以快速準(zhǔn)確地識(shí)別障礙物，但是該算法應(yīng)用在雜草較多的果園時(shí)視覺(jué)容易受到雜草干擾，并且該算法在夜間工作時(shí)檢測(cè)效果大幅下降，算法魯棒性較差，無(wú)法在農(nóng)時(shí)高質(zhì)量地完成作業(yè)。

三維激光雷達(dá)由于其優(yōu)異的性能、穩(wěn)定的信號(hào)輸入、較好的測(cè)距能力和受環(huán)境光影響較小的優(yōu)勢(shì)在目標(biāo)檢測(cè)方面應(yīng)用較廣。目前常用的激光雷達(dá)聚類(lèi)算法有kmeans聚類(lèi)算法、DBSCAN聚類(lèi)算法和歐幾里得聚類(lèi)算法［6］。kmeans聚類(lèi)算法由于需要提前設(shè)置聚類(lèi)數(shù)目，因此不適合用于樹(shù)冠檢測(cè)。蔡懷宇［7］針對(duì)傳統(tǒng)DBSCAN算法漏檢和誤檢的問(wèn)題，對(duì)選取鄰域半徑參數(shù)的方法進(jìn)行了改進(jìn)，改進(jìn)后的算法雖漏檢率和誤檢率略有降低，但其正檢率仍為86.27%，屬于偏低水平。張文宇［8］針對(duì)DBSCAN聚類(lèi)算法中選取參數(shù)時(shí)需要不斷進(jìn)行試驗(yàn)驗(yàn)證來(lái)改進(jìn)參數(shù)的問(wèn)題，提出了一種根據(jù)不同搜索范圍來(lái)自適應(yīng)慣性權(quán)重更新的策略，改進(jìn)后的聚類(lèi)效果雖有明顯的提高，但該算法運(yùn)行效率較低，不適合用于果園樹(shù)冠實(shí)時(shí)性檢測(cè)。牛國(guó)臣［9］將自適應(yīng)聚類(lèi)與DBSCAN聚類(lèi)算法相融合，通過(guò)改進(jìn)kmeans算法將障礙物分組從而完成聚類(lèi)，該算法雖然運(yùn)行效率較高但聚類(lèi)效果受參數(shù)Minpts和Eps影響較大，算法魯棒性不高。

歐式聚類(lèi)算法因能較高質(zhì)量地完成樹(shù)冠聚類(lèi)過(guò)程而在樹(shù)冠檢測(cè)中廣泛使用。范晶晶［10］針對(duì)越野環(huán)境下的目標(biāo)識(shí)別問(wèn)題，將被檢測(cè)目標(biāo)的幾何物理特征與聚類(lèi)思想相結(jié)合，提出并設(shè)計(jì)了基于Kd Tree和歐式聚類(lèi)算法的目標(biāo)檢測(cè)算法，但是該算法在識(shí)別相近物體時(shí)算法魯棒性較差?？椎旅鳎?1］針對(duì)激光雷達(dá)檢測(cè)目標(biāo)障礙物時(shí)出現(xiàn)的目標(biāo)物體欠分割與過(guò)分割等檢測(cè)不準(zhǔn)確的情況對(duì)歐式算法進(jìn)行了優(yōu)化，算法優(yōu)化后能夠在多目標(biāo)檢測(cè)實(shí)驗(yàn)中有較高精度的聚類(lèi)效果。伍錫如［12］將三維激光雷達(dá)獲取的點(diǎn)云數(shù)據(jù)中距離中心點(diǎn)偏遠(yuǎn)的點(diǎn)云數(shù)據(jù)進(jìn)行剔除與分離，改進(jìn)后的歐式聚類(lèi)算法障礙物識(shí)別準(zhǔn)確率的提升較為顯著。尚業(yè)華［13］使用三維激光雷達(dá)檢測(cè)障礙物，并在聚類(lèi)時(shí)將無(wú)效障礙物進(jìn)行識(shí)別與去除，在其后來(lái)實(shí)驗(yàn)中驗(yàn)證檢出率高達(dá)96%。

基于先前研究，本文使用歐式聚類(lèi)算法對(duì)丘陵山區(qū)果園樹(shù)冠檢測(cè)開(kāi)展研究，由于上述聚類(lèi)算法改進(jìn)效果雖較好，但改進(jìn)策略大都比較復(fù)雜，算法實(shí)現(xiàn)成本較高。因此，本文提出一種聚類(lèi)半徑自適應(yīng)的改進(jìn)歐式聚類(lèi)算法。該算法借鑒Yan［14］提出的地面分割方式和根據(jù)距離自動(dòng)調(diào)整聚類(lèi)范圍的方法，調(diào)整劉亮［15］提出的消除車(chē)輛點(diǎn)云模塊，通過(guò)降采樣、分割地面后得到非地面點(diǎn)云，對(duì)處理后的三維點(diǎn)云進(jìn)行基于Kd Tree的最近鄰搜索后根據(jù)激光雷達(dá)與目標(biāo)物體之間的歐氏距離計(jì)算出該目標(biāo)物體的聚類(lèi)半徑，完成目標(biāo)物的聚類(lèi)檢測(cè)。

1 樹(shù)冠檢測(cè)算法概述

樹(shù)冠檢測(cè)算法主要是由3部分組成［16］。第1部分為信號(hào)輸入部分。該部分接入激光雷達(dá)信號(hào)后由車(chē)載工控機(jī)轉(zhuǎn)換為環(huán)境三維點(diǎn)云，該部分主要作用是將環(huán)境轉(zhuǎn)換為機(jī)器語(yǔ)言［17］。第2部分為點(diǎn)云預(yù)處理部分。該部分通過(guò)濾波降采樣、去噪和分割地面對(duì)環(huán)境三維點(diǎn)云進(jìn)行預(yù)處理，預(yù)處理之后的點(diǎn)云即為改進(jìn)算法的ROI區(qū)域（感興趣區(qū)域）。第3部分為點(diǎn)云聚類(lèi)部分。該部分主要對(duì)ROI區(qū)域進(jìn)行樹(shù)冠聚類(lèi)：首先，基于分塊的思想將點(diǎn)云簇分塊；其次，通過(guò)改進(jìn)的聚類(lèi)半徑確定方法對(duì)樹(shù)冠進(jìn)行聚類(lèi)；最后，聚類(lèi)結(jié)果通過(guò)ROS系統(tǒng)自帶顯示程序rviz顯示。

2 三維點(diǎn)云數(shù)據(jù)預(yù)處理

三維激光雷達(dá)通過(guò)旋轉(zhuǎn)激光發(fā)射單位與接收單位獲取周?chē)畔⑦_(dá)到感知周?chē)h(huán)境的目的，激光雷達(dá)每秒所獲取的原始點(diǎn)云數(shù)據(jù)量非常龐大，原始點(diǎn)云數(shù)據(jù)中不僅包含所需的果樹(shù)樹(shù)冠點(diǎn)云數(shù)據(jù)，還包含其他點(diǎn)云數(shù)據(jù)，如地面、雜草、行人等［18］。過(guò)多的點(diǎn)云數(shù)據(jù)會(huì)增加計(jì)算量和系統(tǒng)反應(yīng)時(shí)間，影響實(shí)際聚類(lèi)效果，因而，在對(duì)果樹(shù)樹(shù)冠進(jìn)行識(shí)別聚類(lèi)之前需要先對(duì)激光雷達(dá)采集的原始點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理［19］。

2.1 點(diǎn)云濾波

體素濾波可以達(dá)到向下采樣的同時(shí)不破壞點(diǎn)云的形狀和本身結(jié)構(gòu)，可以達(dá)到降采樣的同時(shí)保存比較完整的數(shù)據(jù)特點(diǎn)［20］。將輸入的原始點(diǎn)云數(shù)據(jù)用一個(gè)立方柵格完全包括，在這個(gè)立方柵格中再創(chuàng)建10 cm×10 cm×10 cm的立方體素柵格，計(jì)算每個(gè)體素柵格的質(zhì)心，用質(zhì)心來(lái)近似代替該體素柵格內(nèi)的所有點(diǎn)，達(dá)到降采樣和過(guò)濾噪聲點(diǎn)的作用。

使用質(zhì)心來(lái)代替體素柵格內(nèi)的點(diǎn)云數(shù)據(jù)更有利于聚類(lèi)算法進(jìn)行聚類(lèi)［21］，因此，采用能夠達(dá)到本研究原始數(shù)據(jù)預(yù)處理要求的體素濾波對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理。

經(jīng)測(cè)量，果園試驗(yàn)區(qū)域果樹(shù)樹(shù)冠最高點(diǎn)均低于3.5 m，考慮到激光雷達(dá)實(shí)際安裝高度與果園平面起伏，因此試驗(yàn)中使用直通濾波去除以激光雷達(dá)安裝位置為基準(zhǔn)面以上3 m的過(guò)高點(diǎn)云部分。

2.2 地平面分割

大量的地面和雜草點(diǎn)云對(duì)樹(shù)冠檢測(cè)和分類(lèi)會(huì)產(chǎn)生影響，因此分割地面和雜草點(diǎn)云對(duì)樹(shù)冠檢測(cè)具有非常重要的意義［22］。激光雷達(dá)輸入的是一個(gè)三維點(diǎn)云數(shù)據(jù)集C={qi|qi=（xi，yi，zi）∈R3，i=1，…，n}，其中n是雷達(dá)單次掃描的總點(diǎn)數(shù)。為了將地面和雜草點(diǎn)云去除，算法會(huì)將每一個(gè)點(diǎn)去除，去除地面的點(diǎn)云將構(gòu)成一個(gè)新的集合C*∈C，得到非地面點(diǎn)云。

由于無(wú)人車(chē)工作地面相對(duì)平坦并且Z軸大致垂直于地面的果園，試驗(yàn)對(duì)象是果樹(shù)樹(shù)冠，因而將原始點(diǎn)云的下部切割指定高度對(duì)試驗(yàn)結(jié)果影響較小，可忽略不計(jì)。

3 改進(jìn)的歐式聚類(lèi)算法

經(jīng)過(guò)體素過(guò)濾和地面分割預(yù)處理之后的點(diǎn)云即為所要檢測(cè)的目標(biāo)物體點(diǎn)云。本文在Kd Tree與最近鄰搜索的基礎(chǔ)上通過(guò)改進(jìn)的歐幾里得聚類(lèi)算法的自適應(yīng)聚類(lèi)半徑來(lái)對(duì)目標(biāo)點(diǎn)云進(jìn)行聚類(lèi)并進(jìn)行目標(biāo)檢測(cè)。在車(chē)輛行進(jìn)過(guò)程中，三維激光雷達(dá)實(shí)時(shí)產(chǎn)生三維點(diǎn)云的數(shù)據(jù)量極其龐大，而Kd Tree模型可以對(duì)龐大的三維點(diǎn)云數(shù)據(jù)提前進(jìn)行分塊處理，而這種分塊可以大大縮短計(jì)算時(shí)間，提高基于歐氏距離最近鄰搜索的聚類(lèi)效率。

3.1 Kd tree模型的三維應(yīng)用

Kd tree是一種能夠?qū)維空間中的點(diǎn)進(jìn)行劃分的一種數(shù)據(jù)結(jié)構(gòu)。由于其形如二叉樹(shù)的結(jié)構(gòu)特性能夠顯著降低運(yùn)算次數(shù)、提高運(yùn)算效率，因而常被用來(lái)對(duì)多維空間中的關(guān)鍵技術(shù)進(jìn)行搜索。

Kd tree本質(zhì)上是一個(gè)基于二分法的搜索樹(shù)。在進(jìn)行搜索時(shí)每一個(gè)節(jié)點(diǎn)都將未劃分的多維空間劃分為兩部分。在每次劃分時(shí)要保證劃分后的點(diǎn)云數(shù)據(jù)的左右子空間的點(diǎn)云數(shù)據(jù)量盡量相等。構(gòu)建流程如下。

1） 根據(jù)式（1）計(jì)算三維數(shù)據(jù)集合中每一維的方差，并從中選取具有最大方差的維度

k=max∑（X－μx）2Nx，∑（Y－μy）2Ny，∑（Z－μz）2Nz

（1）

式中：

X、Y、Z——該維空間的變量；

N*——該維空間中總變量個(gè)數(shù)；

μ*——該維空間的總體均值。

2） 根據(jù)式（2）計(jì)算三維數(shù)據(jù)中的中值m，并且將三維點(diǎn)云上的N個(gè)數(shù)據(jù)按遞增順序進(jìn)行排列，得到集合Q={K1，K2，K3，…，KN}。其中K1

m=

KN+12N為奇數(shù)

KN2+KN2+12N為偶數(shù)

（2）

3） 將步驟2中計(jì)算出的中值m賦值給閾值，根據(jù)m將集合Q分割為兩個(gè)子集合Qleft和Qright，子集合符合式（3）。

x

x≥m x∈Qright

（3）

4） 將步驟3得到的兩個(gè)子集合再次重復(fù)上次操作，以此類(lèi)推，直至所有的子集合都不可以再次被劃分為止。將不能被劃分的子集合存儲(chǔ)在葉子節(jié)點(diǎn)中。

構(gòu)建完成的Kd tree的數(shù)據(jù)結(jié)構(gòu)如圖2所示。

3.2 自適應(yīng)聚類(lèi)半徑的歐式聚類(lèi)

歐式距離是歐幾里得聚類(lèi)算法的基礎(chǔ)。空間中任意兩點(diǎn)A：（x1，y1，z1）和B：（x2，y2，z2）的歐氏距離可以通過(guò)公式進(jìn)行計(jì)算，即

d=（x1－x2）2+（y1－y2）2+（z1－z2）2

基于歐氏距離的最近鄰搜索算法是加速聚類(lèi)過(guò)程的核心。目標(biāo)點(diǎn)p輸入該算法后通過(guò)與當(dāng)前節(jié)點(diǎn)劃分中值m比較判斷后從根節(jié)點(diǎn)一直到達(dá)相應(yīng)葉子節(jié)點(diǎn)，則該葉子節(jié)點(diǎn)Q更新為P的最近鄰點(diǎn)，dmin更新為節(jié)點(diǎn)P和Q之間的距離dPQ。隨后沿搜索路徑回溯其父節(jié)點(diǎn)，判斷其父節(jié)點(diǎn)與Q之間的距離是否小于dmin。若是，則將該父節(jié)點(diǎn)更新為最近鄰點(diǎn)并將該父節(jié)點(diǎn)下的其余子節(jié)點(diǎn)納入該搜索范疇。若否，則沿搜索路徑繼續(xù)向上回溯至父節(jié)點(diǎn)的父節(jié)點(diǎn)直至根節(jié)點(diǎn)?？臻g中某點(diǎn)的最近鄰搜索到此完成。

最近鄰搜索完成后的下一步就是進(jìn)行歐式聚類(lèi)。在聚類(lèi)過(guò)程中，聚類(lèi)效果根據(jù)距離的遠(yuǎn)近所呈現(xiàn)的效果也不一樣，這時(shí)就要考慮上述提到的聚類(lèi)過(guò)程中最重要的參數(shù)就是聚類(lèi)半徑。為了能夠使聚類(lèi)結(jié)果更加準(zhǔn)確，本文提出了一種聚類(lèi)半徑自適應(yīng)的確定方法。（1）在采集完果樹(shù)的三維點(diǎn)云之后對(duì)其進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，并建立由點(diǎn)云簇Ci組成的三維點(diǎn)云數(shù)據(jù)集C*={C1，C2，C3，…，Ci，…，Cn}。（2）根據(jù)每一簇三維點(diǎn)云距離激光雷達(dá)距離的遠(yuǎn)近進(jìn)行升序排列，取其排列第一的三維點(diǎn)云簇C1的質(zhì)心作為本次聚類(lèi)半徑確定的初始聚類(lèi)中心。（3）從數(shù)據(jù)集C*中選取距離該點(diǎn)云簇歐氏距離最小的兩束點(diǎn)云簇，計(jì)算這三束點(diǎn)云簇中每個(gè)點(diǎn)與初始聚類(lèi)中心距離的平均值R1，并將該平均值R1作為該點(diǎn)云簇C1的聚類(lèi)半徑。（4）以此類(lèi)推，其余的三維點(diǎn)云簇Ci也根據(jù)上述步驟得到該點(diǎn)云簇的聚類(lèi)半徑Ri。

在確定了點(diǎn)云簇C1的聚類(lèi)半徑R1后便開(kāi)始進(jìn)行歐式聚類(lèi)，歐式聚類(lèi)的流程如圖3所示。

該算法在聚類(lèi)時(shí)是從點(diǎn)云簇C1中的初始聚類(lèi)中心作為第一次Kd tree最近鄰搜索的核心點(diǎn)，完成第一次最近鄰搜索后，將搜索到的K個(gè)最近鄰點(diǎn)與初始聚類(lèi)中心之間的距離與聚類(lèi)半徑R進(jìn)行比較，形成集合M。再?gòu)狞c(diǎn)云簇Ci中選取除上次最近鄰搜索的核心點(diǎn)以外的點(diǎn)重復(fù)以上過(guò)程，不斷迭代直至M中無(wú)新元素增加則完成該次聚類(lèi)。

完成第一簇三維數(shù)據(jù)點(diǎn)的聚類(lèi)后，通過(guò)尋找下一簇的點(diǎn)云數(shù)據(jù)，進(jìn)行下次三維點(diǎn)云數(shù)據(jù)的聚類(lèi)，逐步完成上述步驟后便可以繼續(xù)完成剩余點(diǎn)云簇的聚類(lèi)。

4 試驗(yàn)結(jié)果與分析

4.1 試驗(yàn)平臺(tái)與場(chǎng)地介紹

為了驗(yàn)證所提改進(jìn)算法的實(shí)際環(huán)境樹(shù)冠檢測(cè)效果與該算法的準(zhǔn)確性以及實(shí)用性，開(kāi)展實(shí)車(chē)果園試驗(yàn)。試驗(yàn)平臺(tái)采用履帶式無(wú)人轉(zhuǎn)運(yùn)運(yùn)輸車(chē)作為載體，激光雷達(dá)采用速騰聚創(chuàng)32線激光雷達(dá)RSHelios 1615，具體參數(shù)見(jiàn)表1，激光雷達(dá)與運(yùn)輸車(chē)載體的安裝如圖4所示。試驗(yàn)環(huán)境位于重慶市渝北區(qū)郭家灣的果園內(nèi)，果園環(huán)境如圖5所示。試驗(yàn)運(yùn)行環(huán)境為車(chē)載工控機(jī)采用Intel Core i5-7200U處理器，系統(tǒng)環(huán)境為Ubuntu18.04，算法使用C++語(yǔ)言進(jìn)行編寫(xiě)，開(kāi)發(fā)環(huán)境為VS code，調(diào)用PCL庫(kù)中的相關(guān)點(diǎn)云結(jié)構(gòu)，最后利用rviz顯示到屏幕。

4.2 果樹(shù)樹(shù)冠檢測(cè)結(jié)果分析

在進(jìn)行果園試驗(yàn)時(shí)，通過(guò)控制變量設(shè)計(jì)了改進(jìn)歐式聚類(lèi)算法與傳統(tǒng)歐式聚類(lèi)算法的檢測(cè)效果對(duì)比試驗(yàn)。改進(jìn)算法針對(duì)該果園實(shí)際情況對(duì)算法參數(shù)進(jìn)行了調(diào)整，對(duì)果園環(huán)境下采集的三維激光雷達(dá)數(shù)據(jù)進(jìn)行了多距離、多尺寸、多目標(biāo)物混合目標(biāo)檢測(cè)試驗(yàn)。

在多距離、多目標(biāo)混合目標(biāo)物檢測(cè)試驗(yàn)中，所提改進(jìn)的歐式聚類(lèi)算法與傳統(tǒng)聚類(lèi)算法檢測(cè)效果分別如圖6所示，其中圖6（a）表示激光雷達(dá)在該試驗(yàn)場(chǎng)景下采集到的原始點(diǎn)云數(shù)據(jù)，圖6（b）表示在經(jīng)過(guò)預(yù)處理操作后的ROI區(qū)域。設(shè)置傳統(tǒng)聚類(lèi)算法參數(shù)cluster_min（最少點(diǎn)數(shù)）為800，cluster_max（最多點(diǎn)數(shù)）為1 500。該試驗(yàn)中存在多個(gè)距離不同，但形狀尺寸大小近似的目標(biāo)樹(shù)冠。試驗(yàn)表明，當(dāng)履帶車(chē)旁邊存在多個(gè)距離不同但尺寸大小相似的目標(biāo)物體時(shí)，優(yōu)化歐式聚類(lèi)算法能根據(jù)目標(biāo)物體不同的距離，精準(zhǔn)定位并準(zhǔn)確確定目標(biāo)物體聚類(lèi)半徑，能夠準(zhǔn)確地檢測(cè)出障礙物。而傳統(tǒng)歐式聚類(lèi)算法在面對(duì)多距離目標(biāo)物體時(shí)存在局限性，漏檢了②號(hào)、③號(hào)和⑥號(hào)，并且誤檢了⑦號(hào)，將⑦號(hào)目標(biāo)物體點(diǎn)云過(guò)分割，不能準(zhǔn)確檢出所有目標(biāo)物體。

（a） 原始點(diǎn)云

（b） 過(guò)濾地面及噪聲后點(diǎn)云

（c） 改進(jìn)聚類(lèi)結(jié)果

（d） 傳統(tǒng)聚類(lèi)效果

在多尺寸、多目標(biāo)混合目標(biāo)檢測(cè)實(shí)驗(yàn)中，所提改進(jìn)歐式聚類(lèi)算法與傳統(tǒng)歐式聚類(lèi)算法檢測(cè)效果對(duì)比如圖7所示，其中圖7（a）表示激光雷達(dá)在該試驗(yàn)場(chǎng)景下采集到的原始點(diǎn)云數(shù)據(jù)，圖7（b）表示在經(jīng)過(guò)預(yù)處理操作后的ROI區(qū)域。

（a） 原始點(diǎn)云

（b） 過(guò)濾地面及噪聲后點(diǎn)云

（c） 改進(jìn)聚類(lèi)結(jié)果展示

（d） 傳統(tǒng)聚類(lèi)效果展示

傳統(tǒng)聚類(lèi)算法的參數(shù)設(shè)置同上實(shí)驗(yàn)，兩種聚類(lèi)方法在面對(duì)尺寸多樣化的目標(biāo)物體時(shí)，改進(jìn)的歐式聚類(lèi)算法的聚類(lèi)半徑根據(jù)每棵樹(shù)樹(shù)冠的點(diǎn)云數(shù)據(jù)進(jìn)行計(jì)算，完成聚類(lèi)半徑的自適應(yīng)確定過(guò)程，能夠精確且快速地完成樹(shù)冠的識(shí)別聚類(lèi)過(guò)程，滿足試驗(yàn)初始要求。而傳統(tǒng)歐式聚類(lèi)在面對(duì)該種情況時(shí)漏檢了目標(biāo)尺寸較小的②號(hào)、③號(hào)目標(biāo)樹(shù)冠，聚類(lèi)效果有限，無(wú)法根據(jù)樹(shù)冠點(diǎn)云數(shù)據(jù)進(jìn)行聚類(lèi)半徑自適應(yīng)的聚類(lèi)，其余樹(shù)冠均正常檢出。

在上述試驗(yàn)完成后，針對(duì)該算法的準(zhǔn)確性開(kāi)展定量試驗(yàn)。在試驗(yàn)過(guò)程中，用正檢率（True Positive Rate）、誤檢率（False Positive Rate）和漏檢率（Missing Detection Rate）來(lái)評(píng)估該算法及對(duì)比算法的目標(biāo)物檢測(cè)結(jié)果［23］。其計(jì)算如式（4）～式（6）所示。

PT=NTNsum

（4）

PF=NFNsum

（5）

PM=NMNsum

（6）

式中：

PT、PF、PM——

正檢率、誤檢率、漏檢率;

NT、NF、NM——

正檢、誤檢、漏檢樹(shù)冠顆數(shù);

Nsum——參與檢測(cè)的樹(shù)冠總顆數(shù)。

將試驗(yàn)過(guò)程中錄制的激光雷達(dá)三維點(diǎn)云數(shù)據(jù)包轉(zhuǎn)換為由每幀組成的幀數(shù)據(jù)包，然后從該數(shù)據(jù)包中選取同一果園中3個(gè)不同地段的點(diǎn)云幀，3個(gè)地段的果樹(shù)數(shù)量分別為90棵、150棵和100棵，使用傳統(tǒng)歐式聚類(lèi)算法和本文改進(jìn)歐式聚類(lèi)算法分別對(duì)3個(gè)地段點(diǎn)云幀中的果樹(shù)樹(shù)冠進(jìn)行目標(biāo)物檢測(cè)，試驗(yàn)結(jié)果見(jiàn)表2。

分析試驗(yàn)結(jié)果可得知在相同實(shí)驗(yàn)條件下，改進(jìn)后的歐式聚類(lèi)算法目標(biāo)物檢測(cè)平均正檢率為94.41%，相較于傳統(tǒng)歐式聚類(lèi)算法正檢率提高12.36%。但是在試驗(yàn)過(guò)程中偶爾會(huì)出現(xiàn)連續(xù)幾棵果樹(shù)誤檢或漏檢的情況，經(jīng)過(guò)多次試驗(yàn)分析發(fā)現(xiàn)，影響原因主要有：一是果園兩邊的地面高度不一致，有少數(shù)果樹(shù)下部土壤隆起較高，按照本文去除地面方法，該果樹(shù)下部存在部分土壤和雜草點(diǎn)云數(shù)據(jù)無(wú)法準(zhǔn)確去除，導(dǎo)致由該棵果樹(shù)樹(shù)冠點(diǎn)云信息確定的聚類(lèi)半徑偏小，過(guò)分割情況變多；二是果園存在兩棵樹(shù)樹(shù)冠相互距離過(guò)近的情形，使得改進(jìn)算法在進(jìn)行該類(lèi)果樹(shù)樹(shù)冠聚類(lèi)檢測(cè)時(shí)出現(xiàn)欠分割和過(guò)分割的現(xiàn)象。此外，該算法計(jì)算量與傳統(tǒng)算法相比較大，處理時(shí)間較長(zhǎng)，受計(jì)算機(jī)硬件影響，在果園試驗(yàn)時(shí)履帶車(chē)輛前進(jìn)速度較慢。

5 結(jié)論

針對(duì)傳統(tǒng)歐式聚類(lèi)在丘陵山地果園條件下激光雷達(dá)檢測(cè)過(guò)程中面對(duì)多尺寸、多距離條件下出現(xiàn)的目標(biāo)物體漏檢、誤檢等欠分割和過(guò)分割的問(wèn)題，提出基于激光雷達(dá)的自適應(yīng)目標(biāo)聚類(lèi)半徑目標(biāo)物體檢測(cè)方法。通過(guò)點(diǎn)云預(yù)處理和聚類(lèi)半徑自適應(yīng)的實(shí)現(xiàn)對(duì)傳統(tǒng)歐式聚類(lèi)算法進(jìn)行了優(yōu)化，并進(jìn)行果園實(shí)際驗(yàn)證。

1） 自適應(yīng)聚類(lèi)半徑的歐式聚類(lèi)能根據(jù)每一個(gè)目標(biāo)物體的三維點(diǎn)云特征信息確定該目標(biāo)物體的聚類(lèi)半徑。

2） 經(jīng)基于分塊思想預(yù)處理之后的點(diǎn)云簇，結(jié)合目標(biāo)物聚類(lèi)半徑自適應(yīng)能在多距離多尺寸多目標(biāo)物的試驗(yàn)情況下精確地將目標(biāo)物體識(shí)別分割。

3） 試驗(yàn)表明，本文改進(jìn)的歐式聚類(lèi)算法與傳統(tǒng)歐式聚類(lèi)算法相比正檢率提高了12.36%，誤檢率和漏檢率分別降低7.94%和4.41%。

參 考 文 獻(xiàn)

［1］陳日強(qiáng)， 李長(zhǎng)春， 楊貴軍， 等. 無(wú)人機(jī)機(jī)載激光雷達(dá)提取果樹(shù)單木樹(shù)冠信息［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（22）： 50-59.

Chen Riqiang， Li Changchun， Yang Guijun， et al. Extraction of crown information from individual fruit tree by UAV LiDAR ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（22）： 50-59.

［2］邵靖滔， 杜常清， 鄒斌. 基于點(diǎn)云簇組合特征的激光雷達(dá)地面分割方法［J］. 激光與光電子學(xué)進(jìn)展， 2021， 58（4）： 422-430.

Shao Jingtao， Du Changqing， Zou Bin. Lidar ground segmentation method based on point cloud cluster combination feature ［J］. Laser & Optoelectronics Progress， 2021， 58（4）： 422-430.

［3］王瀟， 張美娜， Zhou Jianfeng， 等. LiDAR傳感器及技術(shù)在農(nóng)業(yè)場(chǎng)景的應(yīng)用進(jìn)展綜述［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（11）： 155-164.

Wang Xiao， Zhang Meina， Zhou Jianfeng， et al. A review on the application of LiDAR sensors and technologies in agricultural scenarios ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 155-164.

［4］劉暢， 趙津， 劉子豪， 等. 基于歐氏聚類(lèi)的改進(jìn)激光雷達(dá)障礙物檢測(cè)方法［J］. 激光與光電子學(xué)進(jìn)展， 2020， 57（20）： 254-260.

Liu Chang， Zhao Jin， Liu Zihao， et al. Improved lidar obstacle detection method based on euclidean clustering ［J］. Laser & Optoelectronics Progress， 2020， 57（20）： 254-260.

［5］林樂(lè)彬， 周軍， 皇攀凌， 等. 基于圖像檢測(cè)的三維激光點(diǎn)云聚類(lèi)方法研究與應(yīng)用［J］. 控制工程， 1-8［2024-02-01］.

Lin Lebin， Zhou Jun， Huang Panling， et al. Research and application on 3D laser point cloud clustering method based on image detection ［J］. Control Engineering of China， 1-8［2024-02-01］.

［6］馮吉， 胡佳寧， 于家旋， 等. 基于激光雷達(dá)信息的履帶式自動(dòng)割草機(jī)障礙物檢測(cè)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2019， 40（5）： 145-149.

Feng Ji， Hu Jianing， Yu Jiaxuan， et al. Crawler automatic mower obstacle detection based on lidar information ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（5）： 145-149.

［7］蔡懷宇， 陳延真， 卓勵(lì)然， 等. 基于優(yōu)化DBSCAN算法的激光雷達(dá)障礙物檢測(cè)［J］. 光電工程， ?2019， 46（7）： ?83-90.

Cai Huaiyu， Chen Yanzhen， Zhuo Liran， et al. LiDAR object detection based on optimized DBSCAN algorithm ［J］. OptoElectronic Engineering， 2019， 46（7）： ?83-90.

［8］張文宇， 治瑜， 秦樂(lè). 基于改進(jìn)天牛群優(yōu)化的DBSCAN聚類(lèi)算法［J］. 統(tǒng)計(jì)與決策， 2022， 38（10）： 20-25.

Zhang Wenyu， Zhi Yu， Qin Yue. DBSCAN clustering algorithm based on improved beetle swarm optimization ［J］. Statistics & Decision， 2022， 38（10）： 20-25.

［9］牛國(guó)臣， 王月陽(yáng)， 田一博. 一種改進(jìn)密度聚類(lèi)的激光雷達(dá)障礙物檢測(cè)方法［J］.北京航空航天大學(xué)學(xué)報(bào)， 2023， 49（10）： 2608-2616.

Niu Guochen， Wang Yueyang， Tian Yibo. Lidar obstacle detection based on improved density clustering ［J］. Journal of Beijing University of Aeronautics and Astronautics， 2023， 49（10）： 2608-2616.

［10］范晶晶， 王力， 褚文博， 等. 基于KDTree樹(shù)和歐式聚類(lèi)的越野環(huán)境下行人識(shí)別的研究［J］. 汽車(chē)工程， 2019， 41（12）： 1410-1415.

Fan Jingjing， Wang Li， Chu Wenbo， et al. Research on pedestrian recognition in crosscountry environment based on KDTree and euclidean clustering ［J］. Automotive Engineering， 2019， 41（12）： 1410-1415.

［11］孔德明， 段呈新， 巴特·古森斯， 等. 基于車(chē)載16線激光雷達(dá)的障礙物檢測(cè)方法［J］. 計(jì)量學(xué)報(bào)， 2021， 42（7）： 846-852.

Kong Deming， Duan Chengxin， Bart Gusson， et al. Obstacle detection method based on vehicle 16line Lidar ［J］. Acta Metrologica Sinica， 2021， 42（7）： 846-852.

［12］伍錫如， 薛其威. 基于激光雷達(dá)的無(wú)人駕駛系統(tǒng)三維車(chē)輛檢測(cè)［J］. 光學(xué)精密工程， 2022， 30（4）： 489-497.

Wu Xiru， Xue Qiwei. 3D vehicle detection for unmanned driving system based on lidar ［J］. Optics and Precision Engineering， 2022， 30（4）： 489-497.

［13］尚業(yè)華， 張光強(qiáng)， 孟志軍， 等. 基于歐氏聚類(lèi)的三維激光點(diǎn)云田間障礙物檢測(cè)方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（1）： 23-32.

Shang Yehua， Zhang Guangqiang， Meng Zhijun， et al. Field obstacle detection method of 3D Lidar point cloud based on euclidean clustering ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（1）： 23-32.

［14］Yan Z， Duckett T， Bellotto N. Online learning for 3D LiDARbased human detection： Experimental analysis of point cloud clustering and classification methods ［J］. Autonomous Robots， 2020， 44： 147-164.

［15］劉亮. 基于激光雷達(dá)的結(jié)構(gòu)化道路環(huán)境感知及避障路徑規(guī)劃方法研究［D］. 西安： 長(zhǎng)安大學(xué)， 2021.

Liu Liang. Research on environmental awareness and path planning of structured road based on Lidar ［D］. Xian： Changan University， 2021.

［16］劉浩然， 范偉偉， 徐永勝， 等. 基于無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)的單木分割研究［J］. 中南林業(yè)科技大學(xué)學(xué)報(bào)， 2022， 42（1）： 45-53.

Liu Haoran， Fan Weiwei， Xu Yongsheng， et al. Research on single tree segmentation based on UAV LiDAR point cloud data ［J］. Journal of Central South University of Forestry & Technology， 2022， 42（1）： 45-53.

［17］趙星陽(yáng). 基于車(chē)載激光雷達(dá)的路面分割與障礙物檢測(cè)關(guān)鍵技術(shù)研究［D］. 合肥： 合肥工業(yè)大學(xué)， 2021.

Zhao Xingyang. Research on road segmentation and obstacle detection of autonomous vehicle based on Lidar ［D］.Hefei： Hefei University of Technology， 2021.

［18］Tian Y， Song W， Chen L， et al. A fast spatial clustering method for sparse LiDAR point clouds using GPU programming ［J］. Sensors， 2020， 20（8）： 2309.

［19］Mohd Romlay M R， Mohd Ibrahim A， Toha S F， et al. Novel CECBCE feature extraction method for object classification using a lowdensity LiDAR point cloud ［J］. PloS one， 2021， 16（8）： e0256665.

［20］Nguyen H T， Lee E H， Bae C H， et al. Multiple object detection based on clustering and deep learning methods ［J］. Sensors， 2020， 20（16）： 4424.

［21］Gamal A， Wibisono A， Wicaksono S B， et al. Automatic LiDAR building segmentation based on DGCNN and euclidean clustering ［J］. Journal of Big Data， 2020， 7（1）： 1-18.

［22］Gao F， Li C， Zhang B. A dynamic clustering algorithm for LiDAR obstacle detection of autonomous driving system ［J］. IEEE Sensors Journal， 2021， 21（22）： 25922-25930.

［23］張博聞. 面向開(kāi)放場(chǎng)景的自動(dòng)駕駛激光雷達(dá)目標(biāo)檢測(cè)技術(shù)研究［D］. 重慶： 重慶大學(xué)， 2020.

Zhang Bowen. Research on automatic lidar target detection technology for open scene ［D］. Chongqing： Chongqing University， 2020.