System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于吊物检测,尤其涉及一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法及系统。
技术介绍
1、在塔吊的智能驾驶中,塔吊的吊物信息分析是最为关键的感知信息。激光雷达是吊物感知领域应用最为广泛的传感器。吊物的感知主要包括吊物的分割和吊物的语义识别。在语义识别环节,由于塔吊上的激光雷达的安装位置一般比较固定,因此无法全视角的对吊物进行扫描成像。这给吊物的语义判别带来很大问题,无法单独依靠单帧数据进行识别。通常要对吊物进行跟踪,形成轨迹,基于轨迹完成语义判别。
2、现有的目标跟踪方法大部分是基于kalman滤波框架,即首先根据物体运动的趋势对下一时刻位置进行预测,然后将预测结果与下一时刻的目标检测结果进行融合,形成下一时刻的目标。在吊物运行中,如果处于建筑物边缘或建筑在两侧或多侧的峡谷状地形中,很容易出现干扰地物被预测和跟踪为目标,从而形成带有错误帧的吊物轨迹,给语义识别带来困难。
技术实现思路
1、为了克服现有技术的不足,本专利技术的目的在于提供一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法及系统,主要用于解决现有技术中对吊物目标跟踪时容易形成错误帧的吊物轨迹、精度低等缺陷。
2、为解决上述问题,本专利技术所采用的技术方案如下:
3、第一方面,本专利技术提供一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,包括:
4、基于同一类型吊物人为增强出多个维度的目标增强数据,对目标增强数据进行双通道对比学习以形成对应的目标特征,用以训练
5、冻结目标特征表达编码器;
6、构建目标检测神经网络,采集单帧点云数据与序列位置预测数据,对单帧点云数据与序列位置预测数据进行重叠度判定,保留目标数据;
7、将目标数据关联至目标特征表达编码器中,得到轨迹跟踪结果。
8、在一些实施例中,在基于同一类型吊物人为增强出多个维度的目标增强数据时:
9、采集各类吊物的点云数据,构建吊物点云数据集,对每一类型吊物赋予语义标签;
10、针对同一类型吊物的点云数据,以摆动角度、远近距离、视觉角度为人为增强维度,形成具有不同增强标签的目标增强数据。
11、在一些实施例中,在形成目标增强数据时:
12、建立非可视区域模型,将点云数据代入至所述非可视区域模型中,模拟不同视角去除所述点云数据中与所述非可视区域模型重叠部分。
13、在一些实施例中,在形成目标增强数据时:
14、建立多比例采样模型,将点云数据代入至所述多比例采样模型中,模拟在不同距离比例下,稀疏化采样所述点云数据。
15、在一些实施例中,在训练吊物点云目标特征表达编码器时:
16、将同一类型吊物对应的具有不同增强标签的目标增强数据输入至目标特征表达编码器中,所述目标特征表达编码器中设有双网络分支通道,同一增强标签的目标增强数据利用同一网络分支通道获得目标特征;
17、将双网络分支通道分别输出的两个目标特征的cosine距离计算特征的相似度,以同一类型吊物的cosine距离作为损失函数;
18、训练吊物点云目标特征表达编码器。
19、在一些实施例中,设置一相似阈值;
20、若同一类型吊物的任意两个增强标签的目标增强数据,双通道对比学习所得出的cosine距离小于相似阈值,则判定为相同,以完成目标特征表达编码器的训练。
21、在一些实施例中,使用pointnet++搭建目标检测神经网络;
22、利用目标检测神经网络完成单帧点云数据的检测与采集;
23、利用kalman滤波对当前帧目标位置进行预测,得到序列位置预测数据;
24、计算单帧点云数据所对应的检测框,与序列位置预测数据所对应的预测框之间的重叠度。
25、在一些实施例中,在进行重叠度判定时:
26、利用3d目标框的交并比iou来度量;
27、将iou>0.5的目标数据进行保留。
28、在一些实施例中,在保留的目标数据中,选取目标特征的cosine距离最小的目标数据关联至目标特征表达编码器中,采用贪心算法利用cosine距离进行最终关联;
29、如果存在一个目标对应多个目标,则将相似度最高的目标与之进行关联;
30、如果无目标关联,将此目标定义为新目标,创建新轨迹;
31、如果连续三帧未找到可关联的目标,则删除对应轨迹。
32、第二方面,本专利技术提供一种基于度量学习和激光雷达的塔吊吊物估计跟踪系统,应用于如上述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,包括:
33、训练模块,被配置为基于同一类型吊物人为增强出多个维度的目标增强数据,对目标增强数据进行双通道对比学习以形成对应的目标特征,用以训练吊物点云目标特征表达编码器;
34、冻结模块,被配置为冻结目标特征表达编码器;
35、检测模块,被配置为构建目标检测神经网络,采集单帧点云数据与序列位置预测数据,对单帧点云数据与序列位置预测数据进行重叠度判定,保留目标数据;
36、处理模块,被配置为将目标数据关联至目标特征表达编码器中,得到轨迹跟踪结果。
37、相比现有技术,本专利技术至少包括以下有益效果:
38、对同一类型的吊物,人为增强出多个维度的目标增强数据,从摆动角度、远近距离、视觉角度等维度,分别两两进行双通道对比学习,提高在复杂应用场景下、多干扰因素场景下的相似度检测精度;
39、利用双网络分支通道分别输出的两个目标特征的cosine距离计算特征的相似度,采用度量学习的方法,大幅改善现有的基于激光雷达的吊物跟踪方法的有效性。
40、下面结合附图和具体实施方式对本专利技术作进一步详细说明。
本文档来自技高网...【技术保护点】
1.一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,包括:
2.如权利要求1所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,在基于同一类型吊物人为增强出多个维度的目标增强数据时:
3.如权利要求2所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,在形成目标增强数据时:
4.如权利要求2所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,在形成目标增强数据时:
5.如权利要求1至4任一项所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,在训练吊物点云目标特征表达编码器时:
6.如权利要求5所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,
7.如权利要求6所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,
8.如权利要求7所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,在进行重叠度判定时:
9.如权利要求8所述的一种基于度量学习和激光雷达的塔吊吊物
10.一种基于度量学习和激光雷达的塔吊吊物估计跟踪系统,应用于如权利要求1至9任一项所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,包括:
...【技术特征摘要】
1.一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,包括:
2.如权利要求1所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,在基于同一类型吊物人为增强出多个维度的目标增强数据时:
3.如权利要求2所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,在形成目标增强数据时:
4.如权利要求2所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,在形成目标增强数据时:
5.如权利要求1至4任一项所述的一种基于度量学习和激光雷达的塔吊吊物估计跟踪方法,其特征在于,在训练吊物点云目标特征表...
【专利技术属性】
技术研发人员:姜贺,安民洙,葛晓东,
申请(专利权)人:腾晖科技建筑智能深圳有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。