一种基于深度学习采用单线激光雷达的车辆检测方法技术

本发明专利技术涉及一种基于深度学习采用单线激光雷达的车辆检测方法，包括以下步骤：1)通过单线激光雷达采集车辆的特征点云数据，并进行预处理得到二进制图像；2)对二进制图像中进行标注，获取其中车辆所在的位置，生成训练数据集，并采用聚类方法生成感兴趣区域；3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；4)对感兴趣区域进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行车辆位置检测，获取车辆位置。与现有技术相比，本发明专利技术具有稳健性高、检测成本低等优点。

A Vehicle Detection Method Using Single Line Lidar Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习采用单线激光雷达的车辆检测方法
本专利技术涉及智能驾驶
，尤其是涉及一种基于深度学习采用单线激光雷达的车辆检测方法。
技术介绍
在智能驾驶领域，对于车辆的检测是保障无人驾驶车辆安全行驶的关键性任务之一。对于车辆的检测，目前大多利用3D激光雷达或摄像头作为传感器，受限于单线激光雷达较少的数据信息鲜有利用单线激光雷达作为车辆检测传感器。但3D激光雷达的成本高昂，且采集数据得到的点云信息过多，需要耗费巨大的计算资源。利用摄像头作为检测传感器能够获得较高的检测精度，但是摄像头受光线影响较大，特别是在有夜晚、大雾、沙尘暴等情况下受限于采集图像很难完成周围车辆的检测。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习采用单线激光雷达的车辆检测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于深度学习采用单线激光雷达的车辆检测方法，包括以下步骤：1)通过单线激光雷达采集车辆的特征点云数据，并进行预处理得到二进制图像；2)对二进制图像中进行标注，获取其中车辆所在的位置，生成训练数据集，并采用聚类方法生成感兴趣区域；3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；4)对感兴趣区域进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行车辆位置检测，获取车辆位置。述的步骤1)具体包括以下步骤：11)将采集到的特征点云数据以单线激光雷达为坐标原点的极坐标系转换为全局统一的笛卡尔坐标系；12)对坐标转换后的点云数据栅格网格化，转换为二进制图像。所述的步骤11)中，转换表达式为：(xj0,yj0)＝(xj1,yj1)R+t其中，(rj,φj)为原始点云数据中点j的位置坐标，(xj1,yj1)为点j转换为以激光雷达为坐标原点的笛卡尔坐标系中的位置坐标，(xj0,yj0)为全局统一笛卡尔坐标系中的坐标，R为转换旋转矩阵，t为转换平移向量。所述的步骤2)中，标注内容包括图像的像素级标注和目标车辆的边界框标注。所述的深度卷积神经网络为FasterR-CNN卷积神经网络，其以设定尺寸的二进制图像作为输入，以与输入二进制图像上对应目标车辆的位置和置信度为输出。所述的步骤3)中，深度卷积神经网络的损失函数的表达式为：Loss＝Lcls(p,u)+λ[u＝1]Lloc(tu,v)Lcls(p,u)＝-log(p)x＝(tu-v)其中，Lcls(p,u)为目标分类检测损失子函数，Lloc(tu,v)为距离损失子函数，p为对于目标类别的预测因子，u为对应类别的实际因子，λ为损失函数的加权权重，当u＝1时表示在感兴趣区域是目标车辆，当u＝0时表示感兴趣区域是背景，tu为预测的位置因子，v为训练样本中真实的位置因子，x为预测值与真实值的偏差。所述的步骤2)中，所述的聚类方法包括密度聚类、均值聚类和Mean-Shift聚类。所述的步骤4)中，对感兴趣区域进行增广具体为：将感兴趣区域图像进行随机水平翻转、裁剪并统一缩放至固定的尺寸，并且标注数据也进行相应的翻转、裁剪和缩放。所述的步骤4)中，训练深度卷积神经网络具体为：依据损失函数，利用梯度下降反向传播方法，对深度卷积神经网络的参数进行迭代更新，将迭代至最大设定次数后得到的网络参数作为最优的网络参数，完成训练。与现有技术相比，本专利技术具有以下优点：一、稳健性高：由于单线激光雷达能够在各种复杂的工况下都能采集准确的车辆点云数据，辅以具有较高的鲁棒性深度学习神经网络的车辆检测算法，因此，本专利技术的车辆检测方法具有很高的稳健性，在复杂工况下也能够保证检测结果的相对准确性。二、检测成本低：本专利技术所提出的车辆检测算法，采用单线激光雷达作为传感器，相比于3D激光雷达，检测成本更低。附图说明图1为本专利技术的检测方法的流程图。图2为本专利技术的实施例中车辆深度卷积网络结构示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。实施例本专利技术提供了一种基于深度学习利用单线激光雷达的车辆检测的方法，其通过单线激光雷达作为检测的传感器得到车辆的点云数据，进行预处理后输入到深度卷积神经网络，最后得到车辆的位置与置信度。如图1所示，该方法包括如下步骤：(1)利用单线激光雷达采集车辆特征点云数据，并对所采集的点云数据进行预处理；(2)对采集数据通过人工标注其中车辆所在位置，构建训练所用数据集(3)构建适用于车辆检测的深度卷积神经网络与损失函数(4)对步骤(2)所得训练数据利用聚类方法生成感兴趣区域，同时将训练数据与感兴趣区域增广输入到步骤(3)所构建的深度卷积神经网络中。根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，最后得到较为理想的网络参数。在本实施例中，步骤(1)中对点云数据的预处理包括对点云数据的坐标转换与图像转换等两个如下步骤：(1-1)本实施例中的单线激光雷达位于实施例车辆的前方，单线激光雷达按一定地帧率采集周围的点云数据，采集结果以激光雷达为坐标原点，并以极坐标形式存储。将采集的点云数据转换到笛卡尔坐标系中。转换表达式如下：上式中，(rj,φj)表示采集的原始点云数据中的某一点，(xj1,yj1)为采集的点云数据中的某一点转换为以激光雷达为坐标原点的笛卡尔坐标系中的表示。(1-2)对点云数据图像化处理。在本实施例中，激光雷达采集的距离上限设置为25m，单线激光雷达的采集视角为180°，将坐标转换后的点云数据网格化，然后调整尺寸为250×250的二进制图像，如果对应网格中有数据点，则置为1否则置为0。在本实施例中，步骤(2)为构建深度学习训练所需的数据集。在对采集的激光雷达点云数据进行处理后，需要对训练数据进行人工标注，以形成训练所需数据集。标注的方式包括但不限于图像的像素级标注、目标车辆的边界框标注。标注时需至少包含目标车辆的位置，但可以拓展增加目标车辆的姿态信息等。在本实施例中，步骤(3)为构建适用于目标车辆检测的深度卷积神经网络与损失函数。深度卷积神经网络的构建与步骤(2)中所准备的训练数据集直接相关，本实施例中，步骤(2)采用目标车辆的边界框标注，因此在本实施例中深度卷积神经网络的结构与FastR-CNN相仿，主体结构的搭建参考FastR-CNN，卷积神经网络结构如图2所示。在本实施例中，步骤(3)中，深度卷积神经网络的损失函数以两部分加权构成：Loss＝Lcls(p,u)+λ[u＝1]Lloc(tu,v)(3-1)构建目标分类损失函数Lcls(p,u),其中p是对于目标类别的预测因子，而u表示对应类别的实际因子。通常采用log损失函数构建,其中p表示某一类别的预测概率，p越接近1，置信度越高，损失越小。Lcls(p,u)＝-log(p)(3-2)构建目标检测距离Lloc(tu,v)。其中，λ表示损失函数的加权权重，通常可以取λ＝1。[u＝1]表示在感兴趣区域是目标车辆取1，当感兴趣区域是背景时取0，即如果当前的感兴趣区域是环境无关事物时，不考虑其距离损失。式子中的tu表示代表所预测的位置因子，而v表示训练样本中真实的位置因子。通常所述的距离损失子函数以平滑曼哈顿距离公式smoothL1(x)构建，其表达式为：其中x＝(tu-v)，本文档来自技高网...

【技术保护点】
1.一种基于深度学习采用单线激光雷达的车辆检测方法，其特征在于，包括以下步骤：1)通过单线激光雷达采集车辆的特征点云数据，并进行预处理得到二进制图像；2)对二进制图像中进行标注，获取其中车辆所在的位置，生成训练数据集，并采用聚类方法生成感兴趣区域；3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；4)对感兴趣区域进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行车辆位置检测，获取车辆位置。

【技术特征摘要】
1.一种基于深度学习采用单线激光雷达的车辆检测方法，其特征在于，包括以下步骤：1)通过单线激光雷达采集车辆的特征点云数据，并进行预处理得到二进制图像；2)对二进制图像中进行标注，获取其中车辆所在的位置，生成训练数据集，并采用聚类方法生成感兴趣区域；3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；4)对感兴趣区域进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行车辆位置检测，获取车辆位置。2.根据权利要求1所述的一种基于深度学习采用单线激光雷达的车辆检测方法，其特征在于，述的步骤1)具体包括以下步骤：11)将采集到的特征点云数据以单线激光雷达为坐标原点的极坐标系转换为全局统一的笛卡尔坐标系；12)对坐标转换后的点云数据栅格网格化，转换为二进制图像。3.根据权利要求1所述的一种基于深度学习采用单线激光雷达的车辆检测方法，其特征在于，所述的步骤11)中，转换表达式为：(xj0,yj0)＝(xj1,yj1)R+t其中，(rj,φj)为原始点云数据中点j的位置坐标，(xj1,yj1)为点j转换为以激光雷达为坐标原点的笛卡尔坐标系中的位置坐标，(xj0,yj0)为全局统一笛卡尔坐标系中的坐标，R为转换旋转矩阵，t为转换平移向量。4.根据权利要求1所述的一种基于深度学习采用单线激光雷达的车辆检测方法，其特征在于，所述的步骤2)中，标注内容包括图像的像素级标注和目标车辆的边界框标注。5.根据权利要求1所述的一种基于深度学习采用单线激光雷达的车辆...

【专利技术属性】
技术研发人员：瞿三清，卢凡，董金虎，陈广，许仲聪，陈凯，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31