三维点云检测识别方法、装置、电子设备及存储介质制造方法及图纸

本公开提供一种三维点云检测识别方法、装置、电子设备及存储介质。所述方法包括：获取激光雷达的第一点云数据；对所述第一点云数据进行预处理，得到第二点云数据；其中，所述预处理包括：建立所述第一点云数据的动态感兴趣区域，同时对所述动态感兴趣区域内的所述第一点云数据进行降采样和滤波；对所述第二点云数据依次进行分割和拟合，得到待检测点云；对所述待检测点云进行聚类，得到点云簇；对所述点云簇进行特征提取，得到所述点云簇中点云的特征向量；通过预先训练的单类分类模型对所述特征向量进行分类识别，若所述特征向量属于目标类别，则所述特征向量对应的所述点云簇即为列车行进指示点，确保了列车行进过程中对待检测目标的有效识别。标的有效识别。标的有效识别。

【技术实现步骤摘要】
三维点云检测识别方法、装置、电子设备及存储介质


[0001]本公开涉及目标检测
，尤其涉及一种三维点云检测识别方法、装置、电子设备及存储介质。

技术介绍

[0002]列车的智能驾驶系统分为环境感知、行为决策、路径规划和导航控制几个环节，其中环境感知模块是自动驾驶系统的眼睛，通过采集环境信息对障碍物进行检测识别，判断前方区域是否能够正常通行。激光雷达通过主动发送激光打到物体表面并反射回来，获取行车环境的三维点云数据，由于其探测距离远、测距精度高、抗干扰能力强成为智能驾驶环境感知模块最重要的传感器之一。现有检测技术中，在铁路场景中，轨道和枕木不在同一水平面，造成栅格化方法分割轨道平面鲁棒性较差，并且，在弯道情况下，较小的感兴趣区域覆盖不到远距离的点云，而较大的感兴趣区域在又会引入不必要的点云数据，使得数据量增大，影响检测结果。

技术实现思路

[0003]有鉴于此，本公开的目的在于提出一种三维点云检测识别方法、装置、电子设备及存储介质。
[0004]基于上述目的，本公开提供了一种三维点云检测识别方法，包括：
[0005]获取激光雷达的第一点云数据；
[0006]对所述第一点云数据进行预处理，得到第二点云数据；其中，所述预处理包括：建立所述第一点云数据的动态感兴趣区域，同时对所述动态感兴趣区域内的所述第一点云数据进行降采样和滤波；
[0007]对所述第二点云数据依次进行分割和拟合，得到待检测点云；
[0008]对所述待检测点云进行聚类，得到点云簇；
[0009]对所述点云簇进行特征提取，得到所述点云簇中点云的特征向量；
[0010]通过预先训练的单类分类模型对所述特征向量进行分类识别，得到检测结果。
[0011]可选的，预处理具体包括：
[0012]根据预设的筛选范围对所述动态感兴趣区域内的所述第一点云数据进行筛选，得到第一中间点云；
[0013]通过三维体素网格对所述第一中间点云进行降采样，得到第二中间点云；
[0014]对所述第二中间点云进行统计滤波，去除所述第二中间点云中的离群点，得到所述第二点云数据。
[0015]可选的，所述筛选范围的长度为10～240。
[0016]可选的，通过栅格高度差法对所述第二点云数据进行分割，得到地面点云和非地面点云；
[0017]通过随机采样一致性算法去除所述地面点云并提取所述非地面点云，其中，所述
非地面点云即为所述待检测点云。
[0018]可选的，使用基于密度的聚类算法，根据所述待检测点云的相似性将所述待检测点云划分为多个所述点云簇，其中，所述相似性为所述待检测点云之间的距离，当多个所述待检测点云之间的距离小于预设阈值时，将所述待检测点云划分为一簇。
[0019]可选的，所述特征向量包括：
[0020]点云的尺寸信息、点云的中心坐标、点云的密度信息、点云的强度信息以及点云法向信息；其中，所述尺寸信息包括：点云的长、宽和高。
[0021]可选的，通过所述分类模型对所述特征向量进行判断；其中，所述分类模型为支持向量数据描述；
[0022]若所述特征向量满足(z
‑
a)
T
(z
‑
a)≤R
n
，则所述特征向量属于目标类别，所述特征向量对应的所述点云簇即为列车行进指示点，否则，所述特征向量不属于目标类别；其中，Z为特征向量，a为球体的中心，T为转置符号，R
n
为训练样本的特征向量。
[0023]可选的，单类分类模型的训练过程包括：
[0024]建立训练样本集；其中，所述训练样本集中的训练样本的信息包括：尺寸信息、中心坐标、密度信息、强度信息和法向信息；
[0025]通过非线性映射将所述训练样本集映射到特征空间，得到球体F(R,a,ξ
i
)＝R
n
+C∑
i
ξ
i
，其中，R为所述球体的半径，a为所述球体的中心，ξ
i
为松弛变量，R
n
为所述训练样本的特征向量，C为常数，∑
i
ξ
i
为对ξ
i
求和。
[0026]基于同一专利技术构思，本公开还提供了一种三维点云检测识别装置，包括：
[0027]获取模块，被配置为获取激光雷达的第一点云数据；
[0028]预处理模块，被配置为对所述第一点云数据进行预处理，得到第二点云数据；其中，所述预处理包括：建立所述第一点云数据的动态感兴趣区域，同时对所述动态感兴趣区域内的所述第一点云数据进行降采样和滤波；
[0029]分割模块，被配置为对所述第二点云数据依次进行分割和拟合，得到待检测点云；
[0030]聚类模块，被配置为对所述待检测点云进行聚类，得到点云簇；
[0031]提取模块，被配置为对所述点云簇进行特征提取，得到所述点云簇中点云的特征向量；
[0032]检测模块，被配置为通过预先训练的单类分类模型对所述特征向量进行分类识别，得到检测结果。
[0033]基于同一专利技术构思，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述的方法。
[0034]基于同一专利技术构思，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上任一所述方法。
[0035]从上面所述可以看出，本公开提供的三维点云检测识别方法、电子设备及存储介质，通过动态感兴趣区域、降采样和滤波进行预处理，可以在确保点云覆盖范围的前提下减少点云数量，降低数据预处理的复杂度，提高程序的运行效率，然后通过栅格高度差法和随机采样一致性算法对点云进行分割，去除地面点云，得到非地面点云，并将非地面点云作为
待检测点云，最后根据提取到的点云簇的特征向量进行精确的计算，完成点云的检测和判断。可见本公开的点云检测识别方案，具有准确度高、数据处理效率高的优点，较好的实现对轨道车辆的安全行驶辅助。
附图说明
[0036]为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本公开实施例的三维点云检测识别方法流程图；
[0038]图2为本公开实施例的三维点云识别方法流程框图；
[0039]图3为本公开实施例的三维点云检测识别装置示意图；
[0040]图4为本公开实施例的电子设备结构示意图。
具体实施方式
[0041]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维点云检测识别方法，包括：获取激光雷达的第一点云数据；对所述第一点云数据进行预处理，得到第二点云数据；其中，所述预处理包括：建立所述第一点云数据的动态感兴趣区域，同时对所述动态感兴趣区域内的所述第一点云数据进行降采样和滤波；对所述第二点云数据依次进行分割和拟合，得到待检测点云；对所述待检测点云进行聚类，得到点云簇；对所述点云簇进行特征提取，得到所述点云簇中点云的特征向量；通过预先训练的单类分类模型对所述特征向量进行分类识别，得到检测结果。2.根据权利要求1所述的方法，其中，所述预处理具体包括：根据预设的筛选范围对所述动态感兴趣区域内的所述第一点云数据进行筛选，得到第一中间点云；通过三维体素网格对所述第一中间点云进行降采样，得到第二中间点云；对所述第二中间点云进行统计滤波，去除所述第二中间点云中的离群点，得到所述第二点云数据。3.根据权利要求2所述的方法，其中，所述筛选范围的长度为10～240。4.根据权利要求1所述的方法，其中，所述对所述第二点云数据依次进行分割和拟合，得到待检测点云，具体包括：通过栅格高度差法对所述第二点云数据进行分割，得到地面点云和非地面点云；通过随机采样一致性算法去除所述地面点云并提取所述非地面点云，其中，所述非地面点云即为所述待检测点云。5.根据权利要求1所述的方法，其中，所述对所述待检测点云进行聚类，得到点云簇，具体包括：使用基于密度的聚类算法，根据所述待检测点云的相似性将所述待检测点云划分为多个所述点云簇，其中，所述相似性为所述待检测点云之间的距离，当多个所述待检测点云之间的距离小于预设阈值时，将所述待检测点云划分为一簇。6.根据权利要求1所述的方法，其中，所述特征向量包括：点云的尺寸信息、点云的中心坐标、点云的密度信息、点云的强度信息以及点云法向信息；其中，所述尺寸信息包括：点云的长、宽和高。7.根据权利要求1所述的方法，其中，通过预先训练的单类分类模型对所述特征向量进行分类识别，得到检测结果，具体包括：通过所述分类模型对所述特征向量进行判断；其中，所述分类模型为支持向量数据描述；若所述特征向量满足(z
‑
a)
T

【专利技术属性】
技术研发人员：刘邦繁，肖志鸿，张慧源，李晨，熊敏君，苏震，颜家云，褚金鹏，孙木兰，刘雨聪，曾祥，鲍纪宇，
申请(专利权)人：株洲中车时代电气股份有限公司，
类型：发明
国别省市：