一种面向非结构化道路的小目标检测方法技术

本发明专利技术公开了一种面向非结构化道路的小目标检测方法，包括：输入原始点云数据，利用传感器安装参数信息，进行点云地面滤除，获取地面点云与非地面点云；利用地面点云与非地面点云分别构建地面点Map表和非地面点Map表，对非地面点云进行补全操作，网格聚类。在有点云占用的地面点Map表网格的垂直方向构建体素，PCA分析；根据PCA分析结果，对包含障碍物的网格添加邻域信息；遍历障碍物，利用其邻域包含的信息进行邻域的平滑程度分析，若为地面特性邻域，则认定该障碍物为真实障碍物；对认定的真实障碍物进行跟踪，实现障碍物的稳定检测，得到最终的小目标检测结果。该方法能够显著提高非结构化道路上小型目标的检测精度，提升非结构化道路的作业效率。构化道路的作业效率。构化道路的作业效率。

【技术实现步骤摘要】
一种面向非结构化道路的小目标检测方法


[0001]本专利技术涉及自动驾驶，PCA主成分数据分析，Lidar目标检测，车辆环境感知等领域，具体是一种为应对非结构道路扬尘场景下的利用PCA主成分数据分析，邻域分析的点云小目标检测算法。

技术介绍

[0002]根据无人驾驶车辆的工作环境，将无人驾驶作业道路分为结构化道路和非结构化道路，相比结构化道路，非结构化道路情况复杂多变，具有不规则性特点，如采石场、矿区等场景。非结构化道路环境恶劣，相比于相机、毫米波雷达而言，激光雷达有着探测距离远，丰富的三维信息，且不受光照影响等特点，其能够为环境恶劣的非结构化道路感知提供强有力的支撑。
[0003]传统算法点云目标检测领域，检测流程概括为原始点云输入，地面滤除，非地面点聚类，针对非地面点云构建boundingbox，进而输出障碍物过程。在人工智能领域，三维物体检测受到学者的关注，由于点云的稀疏性与距离有关，深度学习小目标检测通常借助图像深度学习进行检测，2016年，MVCNN利用物体的三维数据从不同的“视角”所得到的二维渲染图作为原始的训练数据。用经典的图像卷积网络进行训练，训练出的模型，对三维物体的识别、分类效果甚至比使用三维数据直接训练出的模型更精确。这是点云间接处理的另一种途径。然而，点云的投影会造成精度的损失，误差进入网络可能造成无法预测的结果。F
‑
PointNets论文中利用成熟的2D图像检测结果，进行锥形投影，提高小目标的检测性能，相比于单独依赖于3D候选区域，其利用预训练的2D目标检测器以及3D深度学习检测网络来进行目标局部化，达到小目标高效检测和高召回率目的。
[0004]非结构化道路有着环境恶劣，易受环境影响的特性，使得非结构化道路的小目标检测不准确。传统算法使用地面滤除，聚类，构建boundingbox流程，这使得地面上扬起的高度较低的扬尘将会被当做小目标进行检测，造成感知误检，引发安全问题。人工智能领域，由于小目标对损失函数的贡献较小，导致深度学习检测对小目标的精准度底。为推进非结构化道路无人驾驶技术落地，急需一种高效的小目标检测算法出现。

技术实现思路

[0005]本专利技术提出了一种基于点云体素化表征，使用PCA进行邻域分析以应对非结构化道路场景下，小目标检测易受扬尘影响的问题，提高非结构化道路作业的效率。
[0006]为克服深度学习点云目标检测的弊端，例如，检测结果过度依赖于数据集，耗时长问题，同时利用传统算法的检测优势。本专利技术提供了一种基于单激光雷达通过PCA主成分分析，邻域分析，点云体素化数据表征实现小目标稳定检测的算法，能够显著提高非结构化道路如采石场、矿区等非结构化道路作业的工作效率。其中，PCA主成分分析能够刻画点云的平滑特性；邻域分析将小目标的环境信息进行关联；体素化数据表征提高了检测速度，同时为PCA数据分析提供容器基础。具体地：
[0007](1)体素化数据表征
[0008]目标检测以点云数据表征作为基础。常见的点云表示方法通常分为三类，基于原始点的点云表示方法；将点云进行体素表征，进而进行特征提取方法；将原始点云进行图像投影，然后基于图像进行目标检测方法，该方法在深度学习检测上较多应用。有效的数据表征方法能够提高点云目标检测的精度和效率。基于点的表示方法能够描述丰富的三维空间位置关系，但算法耗时较长。依据投影的点云表示方法在深度学习目标检测上应用较广，但其对点云空间信息有较大的损失。本专利技术采用的体素的点云表示方法集合了点表示法与点云投影表示法，兼顾了速度与精度。
[0009](2)目标跟踪技术
[0010]跟踪算法是提高无人驾驶安全性，可靠性的重要方法之一。可以分为基于特征匹配的目标跟踪；基于区域的目标跟踪；基于模板的跟踪；基于动态边界的跟踪。基于特征匹配的目标跟踪提取目标特征，如轮廓、角点等，并在连续帧中匹配实现跟踪。基于区域的目标跟踪将目标进行区域划分，并对划分区域进行帧间匹配。基于模板的跟踪，使用预先建立的模型库，将当前帧与数据库做匹配，实现跟踪。基于动态边界的跟踪利用封闭的活动曲线自适应表示运动目标，计算量小，灵活性强。为提高无人驾驶的感知可靠性，提高无人驾驶安全性，需要对无人驾驶感知结果进行跟踪，使用历史信息关联，能够解决感知的漏检与误检问题。具体到本专利技术中，在通过邻域分析进行真实障碍物判断的基础上，进一步采用基于特征匹配的目标跟踪算法，将当前帧与上一帧的障碍物检测列表匹配，筛选得到最终的检测结果，有效减少了小目标的误检测，提高了检测精度。
[0011](3)PCA穿透特性
[0012]主成分分析意义主要包括：数据降维、超平面拟合，在统计学中，PCA主成分分析是一种数据简化技术，其通过线性变换，将数据在不同的基底下进行表示，根据数据在新坐标轴投影的大小，划分主成分。PCA主成分分析能够实现降维，同时最大程度保留有效信息。在数学上，PCA常用作超平面拟合，特征向量能够刻画超平面法向量方向。同时特征值大小能够衡量数据的空间特性。
[0013]本专利技术采用如下技术方案：
[0014]一种面向非结构化道路的小目标检测方法，包括以下步骤：
[0015]S1：输入原始点云数据，利用传感器安装参数信息，进行点云地面滤除，获取地面点云与非地面点云；
[0016]S2：利用地面点云与非地面点云分别构建地面点Map表和非地面点Map表，根据地面点Map表和非地面点Map表的占用网格信息对非地面点云进行补全操作，在有点云占用的地面点Map表的网格的垂直方向构建体素；
[0017]对补全后的非地面点Map表进行网格聚类，将包含障碍物的网格聚集为一类；
[0018]对地面点Map表中的每一个体素内部的点云进行PCA分析，得到体素的类别；
[0019]S3：根据PCA分析结果，对包含障碍物的网格添加邻域信息；
[0020]遍历障碍物，利用其邻域信息进行邻域的平滑程度分析，若为地面特性邻域，则认定为真实障碍物；若为扬尘特性邻域，则认定为扬尘；
[0021]对认定的真实障碍物进行跟踪，实现障碍物的稳定检测，得到最终的小目标检测结果。
[0022]进一步，所述步骤S1具体为：输入原始点云，获取激光雷达的实际安装参数，包括激光雷达的安装角度与安装高度，通过安装参数实现对点云的校准，同时根据地面的高度信息，将原始点云区分为地面点与非地面点。
[0023]进一步，所述步骤S2包括以下子步骤：
[0024]S2
‑
1，根据S1步骤所得到的地面点云与非地面点云进行Map表构建，包括：非地面点Map表，用于表示障碍物的分布情况；地面点Map表，由地面点构建生成；
[0025]所述Map表为xoy面上均匀分隔的网格，对网格进行标注，用于表示此处是否有点云占用；
[0026]S2
‑
2，根据地面点Map表占用网格信息与非地面点Map表占用网格信息，求取交集，对既有地面点与非地面点的交集网格进行补全非地面点操作；...

【技术保护点】

【技术特征摘要】
1.一种面向非结构化道路的小目标检测方法，其特征在于，包括以下步骤：S1：输入原始点云数据，利用传感器安装参数信息，进行点云地面滤除，获取地面点云与非地面点云；S2：利用地面点云与非地面点云分别构建地面点Map表和非地面点Map表，根据地面点Map表和非地面点Map表的占用网格信息对非地面点云进行补全操作，在有点云占用的地面点Map表的网格的垂直方向构建体素；对补全后的非地面点Map表进行网格聚类，将包含障碍物的网格聚集为一类；对地面点Map表中的每一个体素内部的点云进行PCA分析，得到体素的类别；S3：根据PCA分析结果，对包含障碍物的网格添加邻域信息；遍历障碍物，利用其邻域信息进行邻域的平滑程度分析，若为地面特性邻域，则认定为真实障碍物；若为扬尘特性邻域，则认定为扬尘；对认定的真实障碍物进行跟踪，实现障碍物的稳定检测，得到最终的小目标检测结果。2.根据权利要求1所述的面向非结构化道路的小目标检测方法，其特征在于，所述步骤S1具体为：输入原始点云，获取激光雷达的实际安装参数，包括激光雷达的安装角度与安装高度，通过安装参数实现对点云的校准，同时根据地面的高度信息，将原始点云区分为地面点与非地面点。3.根据权利要求2所述的面向非结构化道路的小目标检测方法，其特征在于，所述步骤S2包括以下子步骤：S2
‑
1，根据S1步骤所得到的地面点云与非地面点云进行Map表构建，包括：非地面点Map表，用于表示障碍物的分布情况；地面点Map表，由地面点构建生成；所述Map表为xoy面上均匀分隔的网格，对网格进行标注，用于表示此处是否有点云占用；S2
‑
2，根据地面点Map表占用网格信息与非地面点Map表占用网格信息，求取交集，对既有地面点与非地面点的交集网格进行补全非地面点操作；S2
‑
3，根据S2
‑
1步骤形成的地面点Map表中，在有点云占用的网格的垂直方向上构建体素；S2
‑
4，根据步骤2
‑
2得到的补全后的非地面点Map表占用网格信息，在非地面点Map表中进行网格聚类：使用非地面点Map表的网格占用临近信息进行聚类，使得包含障碍物的网格能够聚集为一类，得到用网格坐标表示的聚类结果；S2
‑

【专利技术属性】
技术研发人员：王章宇，刘润森，王杰，周彬，余贵珍，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：