一种运动目标高精度检测与追踪方法技术

本发明专利技术公开了一种运动目标高精度检测与追踪方法，包括A0：通过背景滤除算法，将车辆点和行人点从原始数据中提取出来，标记所在帧信息；A1：将相邻帧的车辆点和行人点数据进行融合，用聚类算法将融合之后的数据进行处理，标记类簇信息；A2：利用每个点所在帧的信息，将同一帧的数据分离开，根据所述类簇信息实现车辆和行人的识别和关联。本发明专利技术的优点在于：无需构建复杂的车辆模型和车辆轨迹模型，利用简单的聚类算法，在简单聚类算法的基础上提高车辆检测的准确率，直接能够提取车辆轨迹。

A High Precision Detection and Tracking Method for Moving Targets

The invention discloses a high-precision detection and tracking method for moving objects, including A0: extracting vehicle points and pedestrian points from the original data by background filtering algorithm, marking the frame information; A1: fusing the vehicle points and pedestrian points data of adjacent frames, processing the fused data with clustering algorithm, marking the cluster information by using each point; In the frame information, the data of the same frame are separated, and the recognition and association of vehicles and pedestrians are realized according to the cluster information. The advantages of the present invention are: without building complex vehicle model and vehicle trajectory model, using simple clustering algorithm, the accuracy of vehicle detection can be improved on the basis of simple clustering algorithm, and the vehicle trajectory can be extracted directly.

【技术实现步骤摘要】
一种运动目标高精度检测与追踪方法
本专利技术属于智能交通
，具体涉及一种运动目标高精度检测与追踪方法。
技术介绍
研究交通行为可以有效的减少交通事故，缩短旅行时间。目前人们主要是通过建模和通过采集地磁，图像等宏观的数据对交通行为进行研究。虽然这两种传统的方法在一定程度上能够较好的研究交通行为，推进交通的发展，但是随着激光雷达技术的出现，为了更好地理解交通行为，我们可以通过激光雷达传感器获得微观的高精度信息。例如，采用16线激光雷达VLP-16进行数据采集，将激光雷达水平放置于路边，对整个空间进行数据采集，从而得到庞大的点云数据。采集得到的数据包含了这个场景的信息，为了研究交通行为，需要从庞大的数据中提取出车辆及行人的数据。3D激光雷达VLP-16体积很小，成本更低，可以大规模生产。同时，它保留了Velodyne激光雷达的突破性的关键特点：实时，360°，3D数据采集和测量。VLP-16的测量距离半径可达100米。Velodyne的VLP-16支持16个通道，水平视场360°，垂直视场30°，上下±15°。VLP-16没有明显的外部旋转部件(旋转部分在内部)，使得在具有挑战性的环境中，具有高度适应性。在滤除背景点之后得到的车辆点和行人点，将属于同一个对象的点聚类，进而识别车辆等目标。将不同帧的同一目标进行关联，达到车辆追踪的目的。目前应用激光雷达进行车辆检测和追踪的主要方法是先识别车辆，再进行追踪。识别车辆主要是通过利用聚类算法和构建车辆模型两种方法。其中，构建车辆模型主要是通过提取车辆扫描点的方向向量、拐点、中心点和两个垂直边的尺寸，建立车辆模型。车辆追踪主要是基于相邻帧中同一目标所处的空间位置较近这一特征。单一的聚类算法虽然能够较好的识别出车辆和行人，但当多个目标靠的太近会导致多个目标识别为一个目标的错误聚类，或者组成目标本身的点间距较大时会导致一个目标被识别为多个目标的错误聚类。因此，单一的聚类算法无法适应复杂多变的交通环境。构建结合聚类算法的车辆模型可以一定程度上解决以上问题，但当激光雷达的部署方式或所采用的设备不同时，由于遮挡等原因，车辆的形态复杂多变，构建车辆模型的方法不具备通用性。车辆检测追踪算法的效果取决于算法中对车辆的识别的准确率，但由于存在遮挡等因素，激光雷达检测到的并不是整个车辆，通过特征提取的方法检测车辆必然会出现错误。车辆追踪算法主要是基于相邻帧中同一目标所处的空间位置较近这一特征。当车辆间距较小时，容易发生车辆关联错误。通过构建复杂的车辆轨迹模型可以一定程度上解决，但难以准确追踪复杂行为的车辆。
技术实现思路
为了解决上述问题，本专利技术提出以下技术方案。根据本专利技术的一个方面，提供了一种运动目标高精度检测与追踪方法，包括：A0：通过背景滤除算法，将车辆点和行人点从原始数据中提取出来，标记所在帧信息；A1：将相邻帧的车辆点和行人点数据进行融合，用聚类算法将融合之后的数据进行处理，标记类簇信息；A2：利用每个点所在帧的信息，将同一帧的数据分离开，根据所述类簇信息实现车辆和行人的识别和关联。优选的，所述聚类算法为DBSCAN算法。优选的，所述背景滤除算法包括如下步骤：S0：在雷达采集的数据帧中选取背景帧，所述背景帧中无车辆或在兴趣区域中无车辆；S1：将背景帧的数据与目标帧的数据融合，先按照激光束的序号laser_id排序，再对每一个激光束laser_id的点按照水平角度排序，此时背景帧点与目标帧点交错分布；S2：将背景帧点与目标帧点关联，Case(n)为两个背景帧点之间所含有的目标帧点的个数为n的情况；0f表示前一个背景帧点；0l表示后一个背景帧点；1f表示前一个目标帧点；1l表示后一个目标帧点；当这两个背景帧点满足条件：将前一个背景帧点与前一个目标帧点关联，相对应地，后一个背景帧点与后一个目标帧点关联；θ0表示单个激光束的水平角度分辨率；表示前一个背景帧点的水平角度值，表示后一个背景帧点的水平角度值；表示前一个背景帧点的与激光雷达之间的欧式距离值，表示后一个背景帧点的与激光雷达之间的欧式距离值；ρ(id)表示序号为id的激光束的两点之间距离分辨率；S3：车辆点判断；当S2中关联完成的2个背景帧点和目标帧点满足条件：判定这两个背景帧点之间的n个目标帧点为车辆点，并将所述n个目标帧点标记为车辆点p1；表示前一个目标帧点的与激光雷达之间的欧式距离值，表示后一个目标帧点的与激光雷达之间的欧式距离值；S4：遗漏点提取；对目标帧中所有未标记的目标帧点进行遍历，p0为未标记的目标帧点，即：非车辆点，当p0满足条件：则，标记p0为车辆点p1；S5：遍历未标记的所有目标点中，判断n是否满足n＞n0，当满足该条件时，直接判断两背景帧点之间的目标帧点为车辆点；所述n0为设定的阈值，完成背景数据滤除。优选的，所述雷达为16线激光雷达VLP-16。优选的，步骤S0中所述选取背景帧是通过veloview应用程序实现。优选的，步骤S0中所述的兴趣区域是指在激光雷达采集区域中指定的、需要进行数据分析的区域。优选的，S5中的阈值n0取值为：单个激光束打在车辆上的最少点数。优选的，激光雷达高度h为2.8米，激光雷达检测范围为100米，单个激光束相邻两点的距离为0.35米，n0取值4。优选的，所述方法还包括：S6：噪声点去除；去除激光雷达的数据集中返回模式值为非0的点。优选的，所述方法还包括：S7：准确率提高；选取多个背景帧与目标帧进行S2-S6的操作，并取交集作为滤除结果。本专利技术的优点在于：无需构建复杂的车辆模型和车辆轨迹模型，利用简单的聚类算法，在简单聚类算法的基础上提高车辆检测的准确率，直接能够提取车辆轨迹。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了本专利技术的3D点云中的车辆点示意图；图2示出了本专利技术的3D点云原始数据示意图；图3为本专利技术实地测试布局示意图；图4-1为对1562帧数据进行聚类的结果示意图；图4-2为对1562-1567帧的融合的数据进行聚类的结果示意图；图4-3为从多帧融合的数据中分离出来的2098帧的车辆聚类结果示意图；图5为本专利技术车辆追踪结果示意图；图6为本专利技术车辆轨迹示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本专利技术常用术语解释：目标帧：有移动车辆或行人的帧。相邻帧个数：用来提取车辆轨迹所用到的与目标帧相邻的帧个数。车辆点：组成车辆的点。Veloview：Kitware和Velodyne联合发布开源的海量点云数据可视化软件。为了获得高精度的微观交通数据，本专利技术对激光雷达所采集得到的原始数据进行背景滤除后得到车辆点和行人点。考虑到构成车辆的点的形状复杂多变且不能够事先知道一帧的数据中一共有几个车辆和行人(如图1所示)，本专利技术结合激光雷达3D点云本身的工作特性提本文档来自技高网...

【技术保护点】
1.一种运动目标高精度检测与追踪方法，其特征在于，包括：A0：通过背景滤除算法，将车辆点和行人点从原始数据中提取出来，标记所在帧信息；A1：将相邻帧的车辆点和行人点数据进行融合，用聚类算法将融合之后的数据进行处理，标记类簇信息；A2：利用每个点所在帧的信息，将同一帧的数据分离开，根据所述类簇信息实现车辆和行人的识别和关联。

【技术特征摘要】
1.一种运动目标高精度检测与追踪方法，其特征在于，包括：A0：通过背景滤除算法，将车辆点和行人点从原始数据中提取出来，标记所在帧信息；A1：将相邻帧的车辆点和行人点数据进行融合，用聚类算法将融合之后的数据进行处理，标记类簇信息；A2：利用每个点所在帧的信息，将同一帧的数据分离开，根据所述类簇信息实现车辆和行人的识别和关联。2.根据权利要求1所述的方法，其特征在于，所述聚类算法为DBSCAN算法。3.根据权利要求1所述的方法，其特征在于，所述背景滤除算法包括如下步骤：S0：在雷达采集的数据帧中选取背景帧，所述背景帧中无车辆或在兴趣区域中无车辆；S1：将背景帧的数据与目标帧的数据融合，先按照激光束的序号laser_id排序，再对每一个激光束laser_id的点按照水平角度排序，此时背景帧点与目标帧点交错分布；S2：将背景帧点与目标帧点关联，Case(n)为两个背景帧点之间所含有的目标帧点的个数为n的情况；0f表示前一个背景帧点；0l表示后一个背景帧点；1f表示前一个目标帧点；1l表示后一个目标帧点；当这两个背景帧点满足条件：将前一个背景帧点与前一个目标帧点关联，相对应地，后一个背景帧点与后一个目标帧点关联；θ0表示单个激光束的水平角度分辨率；表示前一个背景帧点的水平角度值，表示后一个背景帧点的水平角度值；表示前一个背景帧点的与激光雷达之间的欧式距离值，表示后一个背景帧点的与激光雷达之间的欧式距离值；ρ(id)表示序号为id的激光束的两点之间距离分辨率；S3：车辆点判断；当S2中关联完成的2个背景帧点和目...

【专利技术属性】
技术研发人员：郑建颖，张桢瑶，王翔，陶砚蕴，范学良，徐浩，俄文娟，陈蓉，
申请(专利权)人：苏州大学张家港工业技术研究院，苏州大学，
类型：发明
国别省市：江苏,32