一种基于阴影区域的目标检测方法技术

本发明专利技术公开了一种基于阴影区域的目标检测方法，包括以下步骤：S1：获取检测区域的历史点云数据，并对历史点云数据进行预处理，得到基准背景；S2：获取实时点云数据，并对实时点云数据进行预处理，得到实时前景；S3：对实时前景进行处理，得到障碍物点云，并根据障碍物点云确定疑似障碍物；S4：获取疑似障碍物的位置，并根据疑似障碍物的位置得到障碍物的阴影区域；S5：根据背景点云密度判断是否存在障碍物。该目标检测方法通过激光雷达在检测区域进行扫描，对点云数据进行处理，得到基准背景和实时前景，并基于基准背景和实时前景确定疑似障碍物，最终通过对疑似障碍物的判断确定目标是否存在。存在。存在。

【技术实现步骤摘要】
一种基于阴影区域的目标检测方法


[0001]本专利技术属于目标检测
，具体涉及一种基于阴影区域的目标检测方法。

技术介绍

[0002]在交通运输中，对铁路行车安全界限内的障碍物进行扫描，可避免给高速行驶的列车带来危险。障碍物作为扫描过程的目标，利用3D点云聚类算法来发现检测目标是常见的检测算法。点云数据受激光雷达角分辨率的限制，点的密度随距离激光雷达的增大而降低。这就导致在远离激光雷达的地方，只能依赖少量点云数据来完成聚类。另一方面，受环境影响，雷达可能随机检测出一些噪点。这些噪点可能对远离激光雷达的位置的聚类产生决定性影响，导致聚类算法错误输出，进而使检测算法产生误报(没有真实目标存在却报告发现目标)。

技术实现思路

[0003]本专利技术为了解决上述问题，提出了一种基于阴影区域的目标检测方法。
[0004]本专利技术的技术方案是：一种基于阴影区域的目标检测方法包括以下步骤：
[0005]S1：获取检测区域的历史点云数据，并对历史点云数据进行预处理，得到基准背景；
[0006]S2：利用激光雷达扫描检测区域，获取实时点云数据，并对实时点云数据进行预处理，得到实时前景；
[0007]S3：对实时前景进行处理，得到障碍物点云，并根据障碍物点云确定疑似障碍物；
[0008]S4：获取疑似障碍物的位置，并根据疑似障碍物的位置得到障碍物的阴影区域；
[0009]S5：根据基准背景和障碍物的阴影区域，得到背景点云密度，并根据背景点云密度判断是否存在障碍物。<br/>[0010]进一步地，步骤S1中，对历史点云数据进行预处理的具体方法为：对历史点云数据依次进行叠加处理、降维处理、稀疏化处理和平滑填充处理；
[0011]其中，进行叠加处理具体为：将多次扫描获取的历史点云数据在三维空间进行叠加；
[0012]进行降维处理具体为：构建叠加处理后的历史点云数据的邻接图，在邻接图内计算每个点到原点的最短路径，并根据最短路径，将各个点映射至原点的切空间中，完成降维处理。
[0013]进一步地，步骤S2中，对实时点云数据进行预处理的具体方法为：将多次扫描获取的实时点云数据在三维空间进行叠加。
[0014]进一步地，步骤S3包括以下子步骤：
[0015]S31：构建点云分割网络，将实时前景输入至点云分割网络，得到各个点云的分割类别；
[0016]S32：计算各个点云与最近相邻点云的欧式距离，并根据各个点云的分割类别，对
各个点云对应的欧式距离进行加权处理，得到各个点云的权重值；
[0017]S33：将权重值在0
‑
1之间的点云作为障碍物点云；
[0018]S34：将障碍物点云的存在时间超过预设时间的点云作为疑似障碍物。
[0019]进一步地，步骤S31中，点云分割网络包括第一卷积层、第二卷积层、转置层、聚合层和注意力层；
[0020]第一卷积层用于分批次提取实时前景的第一位置特征；第二卷积层用于分批次提取实时前景的第二位置特征；
[0021]转置层用于对第二位置特征进行转置；
[0022]聚合层用于对第一位置特征和转置后的第二位置特征进行聚合操作，得到聚合特征；
[0023]注意力层用于根据聚合特征确定各个点云的分割类型。
[0024]进一步地，第一位置特征和第二位置特征均为(L,H,W)，其中，L表示批次大小，H表示每批次的点云个数，W表示位置特征的维数。
[0025]进一步地，注意力层通过注意力损失函数确定各个点云的分割类型，注意力损失函数L
type
的表达式为：
[0026][0027]式中，N表示聚合特征个数，f
i
表示第i个聚合特征，f1表示第一位置特征，f2表示第二个聚合特征，d(f
i
,f1)表示第i个聚合特征和第一位置特征的距离，d(f
i
,f2)表示第i个聚合特征和第二位置特征的距离。
[0028]进一步地，步骤S4中，根据疑似障碍物的位置得到障碍物的阴影位置的具体方法为：根据疑似障碍物的位置，获取疑似障碍物的边缘轮廓，并对边缘轮廓进行采样，将采样点连接得到阴影区域。
[0029]进一步地，步骤S5包括以下子步骤：
[0030]S51：根据实时点云数据在障碍物的阴影区域的激光点数，计算前景点云密度；
[0031]S52：根据历史点云数据在基准背景的阴影区域的激光点数，计算背景点云密度；
[0032]S53：将前景点云密度和背景点云密度的比值作为点云密度比值，若点云密度比值小于设定阈值，则障碍物存在，否则不存在。
[0033]进一步地，步骤S51中，前景点云密度DFS1的计算公式为：
[0034][0035]式中，M
FS1
表示实时点云数据在阴影区域的激光点数，S
FS1
表示障碍物的阴影区域的面积；
[0036]步骤S52中，前景点云密度DBS1的计算公式为：
[0037][0038]式中，M
BS1
表示实时点云数据在阴影区域的激光点数，S
BS1
表示基准背景的阴影区域的面积。
[0039]本专利技术的有益效果是：该目标检测方法通过激光雷达在检测区域进行扫描，对点云数据进行处理，得到基准背景和实时前景，并基于基准背景和实时前景确定疑似障碍物，最终通过对疑似障碍物的判断确定目标是否存在；整个过程可以排除非障碍物的干扰，提高列车周围障碍物的检测精度。
附图说明
[0040]图1为基于阴影区域的目标检测方法的流程图。
具体实施方式
[0041]下面结合附图对本专利技术的实施例作进一步的说明。
[0042]如图1所示，本专利技术提供了一种基于阴影区域的目标检测方法，包括以下步骤：
[0043]S1：获取检测区域的历史点云数据，并对历史点云数据进行预处理，得到基准背景；
[0044]S2：利用激光雷达扫描检测区域，获取实时点云数据，并对实时点云数据进行预处理，得到实时前景；
[0045]S3：对实时前景进行处理，得到障碍物点云，并根据障碍物点云确定疑似障碍物；
[0046]S4：获取疑似障碍物的位置，并根据疑似障碍物的位置得到障碍物的阴影区域；
[0047]S5：根据基准背景和障碍物的阴影区域，得到背景点云密度，并根据背景点云密度判断是否存在障碍物。
[0048]在本专利技术实施例中，步骤S1中，对历史点云数据进行预处理的具体方法为：对历史点云数据依次进行叠加处理、降维处理、稀疏化处理和平滑填充处理；
[0049]其中，进行叠加处理具体为：将多次扫描获取的历史点云数据在三维空间进行叠加；
[0050]进行降维处理具体为：构建叠加处理后的历史点云数据的邻接图，在邻接图内计算每个点到原点的最短路径，并根据最短路径，将各个点映射至原点的切空间中，完成降维处理。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于阴影区域的目标检测方法，其特征在于，包括以下步骤：S1：获取检测区域的历史点云数据，并对历史点云数据进行预处理，得到基准背景；S2：利用激光雷达扫描检测区域，获取实时点云数据，并对实时点云数据进行预处理，得到实时前景；S3：对实时前景进行处理，得到障碍物点云，并根据障碍物点云确定疑似障碍物；S4：获取疑似障碍物的位置，并根据疑似障碍物的位置得到障碍物的阴影区域；S5：根据基准背景和障碍物的阴影区域，得到背景点云密度，并根据背景点云密度判断是否存在障碍物。2.根据权利要求1所述的基于阴影区域的目标检测方法，其特征在于，所述步骤S1中，对历史点云数据进行预处理的具体方法为：对历史点云数据依次进行叠加处理、降维处理、稀疏化处理和平滑填充处理；其中，进行叠加处理具体为：将多次扫描获取的历史点云数据在三维空间进行叠加；进行降维处理具体为：构建叠加处理后的历史点云数据的邻接图，在邻接图内计算每个点到原点的最短路径，并根据最短路径，将各个点映射至原点的切空间中，完成降维处理。3.根据权利要求1所述的基于阴影区域的目标检测方法，其特征在于，所述步骤S2中，对实时点云数据进行预处理的具体方法为：将多次扫描获取的实时点云数据在三维空间进行叠加。4.根据权利要求1所述的基于阴影区域的目标检测方法，其特征在于，所述步骤S3包括以下子步骤：S31：构建点云分割网络，将实时前景输入至点云分割网络，得到各个点云的分割类别；S32：计算各个点云与最近相邻点云的欧式距离，并根据各个点云的分割类别，对各个点云对应的欧式距离进行加权处理，得到各个点云的权重值；S33：将权重值在0
‑
1之间的点云作为障碍物点云；S34：将障碍物点云的存在时间超过预设时间的点云作为疑似障碍物。5.根据权利要求4所述的基于阴影区域的目标检测方法，其特征在于，所述步骤S31中，点云分割网络包括第一卷积层、第二卷积层、转置层、聚合层和注意力层；所述第一卷积层用于分批次提取实时前景的第一位置特征；所述第二卷积层用于分批次提取实时前景的第二位置特征；所述转置层用于对第二位置特征进行转置；所述聚合层用于对第一位置特征和转置...

【专利技术属性】
技术研发人员：周广勇，袁海东，余位驰，孙正宗，
申请(专利权)人：成都极客通科技有限公司，
类型：发明
国别省市：