一种基于激光雷达设备的目标轨迹跟踪方法技术

本发明专利技术公开了一种基于激光雷达设备的目标轨迹跟踪方法。为了克服现有技术场景背景深度学习数据量巨大，预处理数据不够精确的问题；本发明专利技术包括：S1：获取激光雷达三维点云数据并根据执行状态的判定处理；S2：当执行状态处于3D场景背景深度学习时，对3D场景中各点位特征的三维点云数据进行深度学习；S3：当执行状态为非深度学习状态时，若执行状态处于目标轨迹跟踪状态，则进行检测。基于数据流模式，对每一帧数据进行无效数据剔除、背景剔除和目标检测，每帧都可以检测出目标轨迹，实时性很高，通用性强，部署方便。部署方便。部署方便。

【技术实现步骤摘要】
一种基于激光雷达设备的目标轨迹跟踪方法


[0001]本专利技术涉及一种目标轨迹跟踪领域，尤其涉及一种基于激光雷达设备的目标轨迹跟踪方法。

技术介绍

[0002]目标轨迹检测技术是现阶段安防、电力巡检、物流配送、自动驾驶、避障等领域创新发展的最新引擎，驱动着技术发展和产业增长，让创新创造大有可为。从技术角度，三维场景中目标轨迹跟踪技术，能够让机器从雷达的数据中心进行场景信息学习，结合三维场景深度学习，效果更好、效率更高，有更好的可解释性。创新产品功能，提升用户体验，助力降本增效，加快企业的转型升级。
[0003]三维场景中目标轨迹跟踪技术从数据的学习构建到推理检测，其中训练阶段需要长时间检测学习大量数据和算力的支持，特别是针对于做全连接时，一般现阶段都会在很强的服务器上完成。算法检测阶段一般在固定三维空间，针对该三维空间场景中的物体进行检测和跟踪，需要实时性较高，且算力巨大，一般都是在中心服务器上运算。
[0004]对于检测和跟踪阶段来讲，一般对算力和时延提出了很高的要求，如果直接讲算法部署在终端很可能会出现算力不足或者计算时间过长等问题。因此需要对三维数据进行有效的预处理和高效的目标检测轨迹算法就成了非常必要的。
[0005]目前已有的三维空间目标轨迹跟踪几种方案：1）基于点的目标检测直接从原始点云数据来预测3D目标。将点云通过基于点的主干网络，通过点云算子来提取点云特征，基于下采样的点和特征预测3D框，找出目标后再进行轨迹的跟踪。涉及到点云采样和特征向量多维度的学习、特征匹配等。在进行目标检测阶段时，现在多数算法在处理时没有很好的对数据进行预处理，直接导致从三维激光点云中检测出3d bounding box的数据不够精准误差很大，无法准确的定位和跟踪目标的移动轨迹。
[0006]2）基于3D目标检测算法（如PointRCNN、PointRGNN和CenterPoint）算法及处理流程很复杂，切框架比较庞大非常不易于掌握和学习，虽然得到了改进，跟踪结果也得到了极大改善。然而计算所消耗的计算力超级大，这些结果的准确性仍然受到传感器本身特性的限制。由于线束和距离的限制，激光雷达获得的点云在长距离（>80m）处通常非常稀疏，因此对象的尺寸或标签通常难以准确检测和定位。
[0007]对于传统的三维目标轨迹跟踪方式，由于数据量巨大，涉及到的不仅仅是x轴、y轴、z轴等多维度的数据信息，还需要很好的对空间背景进行有效的深度学习。针对这些情况现阶段还存在以下几个问题：i. 场景背景深度学习数据量巨大。在典型的实时应用场景中，如在地下车库场景中进行目标检测，需要梳理的海量数据多则上百万/秒，少则几十万。直接导致背景学习时算法效率不够高效必须大量的算力才能支撑起来，三维数据的学习。
[0008]ii. 场景背景特征点计算推理。现阶段这对这种情况，首先实现场景中的各信息
特征向量的提取和融合等操作，在有些情况还会涉及到部分连接或者全连接等。导致在学习阶段构建的模型数据庞大，直接导致后续的检测算法效率低下。
[0009]iii.预处理数据不够精准。在进行目标检测时，现在多数算法在数据的预处理阶段没有很好有效的对数据进行处理，直接导致从三维激光点云中检测出3d bounding box，即一个长方体目标框，不够精准误差很大，很难在市场上得到很好的推广应用。

技术实现思路

[0010]本专利技术主要解决现有技术场景背景深度学习数据量巨大，预处理数据不够精确的问题；提供一种基于激光雷达设备的目标轨迹跟踪方法，能够在普通的个人主机电脑中进行流畅的实时的精准检测和定位。
[0011]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，包括：S1：获取激光雷达三维点云数据并根据执行状态的判定处理；S2：当执行状态处于3D场景背景深度学习时，对3D场景中各点位特征的三维点云数据进行深度学习；S3：当执行状态为非深度学习状态时，若执行状态处于目标轨迹跟踪状态，则解析每一帧三维点云数据，依据深度学习的容器数据，进行三维点云数据的校验和剔除，获得目标数据进行跟踪。
[0012]背景数据的高效存储和深度学习算法。针对3D场景使用高效的语言（C++）进行场景数据的有效背景深度学习和快速检索，便于后续检测时针对每一帧数据流进行高效的背景剔除和目标检测。计算性能要求低、实时性高、延迟低。基于数据流模式，对每一帧数据进行无效数据剔除、背景剔除和目标检测。每帧都可以检测出目标轨迹，实时性很高，可以实现和输出帧率同等fps。通用性强，部署方便。可以应用于常规的任何3D场景，可以快速的部署在个人主机环境中，无需昂贵的中心服务器或者云服务器等。目标3d bounding box框选准确、轨迹跟踪精度高。由于数据流的前期预处理和后面的算法处理，通过不同场景设定不同的参数进行去离群点、聚类分割等算法处理，检测时能够有效的剔除干扰点，并准确的找到目标点，使得目标的3d bounding box求解非常精准。
[0013]作为优选，激光雷达相机以流模式获取三维点云数据。
[0014]计算性能要求低、实时性高、延迟低。基于数据流模式，对每一帧数据进行无效数据剔除、背景剔除和目标检测。每帧都可以检测出目标轨迹，实时性很高，可以实现和输出帧率同等fps。
[0015]作为优选，所述的深度学习过程包括：设定参数阈值，过滤3D场景中无效的三维点云数据；创建hashmap点位特征容器；使用hashkey算法生产hashmap点位特征容器的key；生产每一个点位的深度特征容器集合；对每帧的每个点位进行深度特征数据检索，将未被深度学习的深度特征数据进行深度学习并放入深度特征容器集合中。
[0016]这样持续一定数量的数据流帧学习后，便对该3D场景中的所有点云特征数据都进行了高效的存储和深度学习。
[0017]作为优选，设置的参数阈值包括过滤点云数据流中最小深度阈值、过滤点云数据流中最大深度阈值和计算两点世界坐标距离阈值。剔除大部分无效的三维点云数据。
[0018]作为优选，所述的hashkey算法包括：将每个点位信息的X轴的X坐标信息和Y轴的Y坐标信息进行字符串形式转换；X轴坐标值和Y轴坐标值拼接形成key，生产每个点位的深度特征数据集合。
[0019]以Z轴的深度值作为该键值对的值value=Z轴深度值。
[0020]作为优选，所述的步骤S3包括以下过程：设定参数阈值，过滤无效的三维点云数据，执行点位信息搜索和点位距离判定，获得目标点并把目标点放入容器A；设置离群点阈值，执行去离群点算法；设置距离阈值，对容器A中的所有点进行多次聚类分割，获得目标点位集合容器B；设置outlineBox集合点数阈值，找出容器B中心点位，把每个目标放入各自的outlineBOX集合。
[0021]由于数据流的前期预处理和后面的算法处理，通过不同场景设定不同的参数进行去离群点、聚类分割等算法处理，检测时能够有效的剔除干扰点，并准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，包括：S1：获取激光雷达三维点云数据并根据执行状态的判定处理；S2：当执行状态处于3D场景背景深度学习时，对3D场景中各点位特征的三维点云数据进行深度学习；S3：当执行状态为非深度学习状态时，若执行状态处于目标轨迹跟踪状态，则解析每一帧三维点云数据，依据深度学习的容器数据，进行三维点云数据的校验和剔除，获得目标数据进行跟踪。2.根据权利要求1所述的一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，激光雷达相机以流模式获取三维点云数据。3.根据权利要求1或2所述的一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，所述的深度学习过程包括：设定参数阈值，过滤3D场景中无效的三维点云数据；创建hashmap点位特征容器；使用hashkey算法生产hashmap点位特征容器的key；生产每一个点位的深度特征容器集合；对每帧的每个点位进行深度特征数据检索，将未被深度学习的深度特征数据进行深度学习并放入深度特征容器集合中。4.根据权利要求3所述的一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，设置的参数阈值包括过滤点云数据流中最小深度阈值、过滤点云数据流中最大深度阈值和计算两点世界坐标距离阈值。5.根据权利要求3所述的一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，所述的hashkey算法包括：将每个点位信息的X轴的X坐标信息和Y轴的Y坐标信息进行字符串形式转换；X轴坐标值和Y轴坐标值拼接形成key，生产每个点位的深度特征数据集合。6.根据权利要求1或2或4或5所述的一种基于激光雷达设备的目标轨迹跟踪方法，其特征在于，所述的步骤S3包括以下过程：设定参数阈值，过滤无效的三维点云数据，执行点位信息搜索和点位距离判定，获得目标点并把目标点放入容器A；设置离群点阈值，执行去离群点算法；设置距离阈值，对容器A中的所有点进行多次聚类分割，获得目标点位集合...

【专利技术属性】
技术研发人员：胡彦峰，张合勇，张洪国，邓媛，邹延培，
申请(专利权)人：浙江光珀智能科技有限公司，
类型：发明
国别省市：