CN106371104A - 多线点云数据机器学习的车辆目标识别方法及防撞装置 - Google Patents

Abstract

本发明实施例提供了一种多线点云数据机器学***面以建立栅格地图，确定栅格地图中包括有点云的坐标数据的栅格为障碍栅格；对障碍栅格进行聚类处理，将其分为至少一个探测物体；基于预设条件对任一个探测物体的进行筛选；针对筛选后剩下的所有探测物体，将组成任一个探测物体的、每个扫描层的点云的坐标数据拟合为线段；以及，提取探测物体和拟合得到的线段的特征；基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，若是，发出警报信息。避免车内及车外人身财产的伤害和损失。

Description

多线点云数据机器学习的车辆目标识别方法及防撞装置

技术领域

本发明实施例涉及智能汽车技术领域，尤其涉及一种多线点云数据机器学习的车辆目标识别方法及防撞装置。

背景技术

车辆在行驶过程中，探测和识别车辆周围的物体，对车辆安全行驶有着重要意义。通过对车辆周围物体的探测，可以及时提醒驾驶人员改变驾驶策略，例如，选择减速、转向、急停车等，从而降低车辆驾驶的危险性，减少交通事故。

现有技术常常采用一种主动防装策略，具体而言，利用激光雷达、相机、红外光探测或者超声波探测等，对车辆周围的物体进行探测，例如，对车辆前方的障碍物进行探测，从而减少车辆撞击障碍物，以及减少意外交通事故的发生。

发明人的实现本发明的过程中，发现现有技术存在如下缺陷：

对于正在行驶的车辆来说，远距物体的类别可以决定驾驶员的驾驶策略，例如，如果前方物体是树木或人，则驾驶员应该以选择合适的速度和距离对车辆进行减速或避让，因为剧烈减速可能造成车内人员伤害；如果前方物体是另一车辆，需要根据对方车辆的行驶速度、与对方车辆的车距等选择一适当程度减速。总而言之，如果能够在车辆与周围物体发生碰撞或接触之前获知物体类型信息，则可以根据该类型信息等来确定驾驶策略和安全措施，例如确定是否需要弹出安全气囊以及束紧安全带，需要何种程度的刹车等等，从而有效减少或避免车内外人身财产伤害与损失。但是，现有技术虽然能够检测到车辆周围物体，但是对于一些运动物体，很难检测其运动速度，此外，无法检测车辆周围物体的形状、类别，从而不能提醒驾驶员快速地采取有效的驾驶策略和安全措施，以避免车内及车外人身财产的伤害和损失。

发明内容

本发明实施例提供一种基于多线点云数据机器学习的车辆目标识别方法及防撞装置，能够检测汽车附近的物体的形状，并根据物体的形状提醒汽车驾驶员采取有效的驾驶策略和安全措施。

根据本发明一实施例，提供一种基于多线点云数据机器学***面以建立栅格地图，确定所述栅格地图中包括有点云的坐标数据的栅格为障碍栅格，其中，所述栅格平面包括若干个空白栅格；对障碍栅格进行聚类处理，将其分为至少一个探测物体；基于预设条件对任一个探测物体的进行筛选，当组成该探测物体的障碍栅格不符合所述预设条件时，将组成该探测物体的障碍栅格作为噪声栅格删除；针对筛选后剩下的所有探测物体，将组成任一个探测物体的、每个扫描层的点云的坐标数据拟合为最多两条线段；以及，当拟合为一条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；当拟合为两条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、所述两条线段的中心高度的平均值、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，若是，发出警报信息。

另一方面，提供一种汽车的防撞装置，所述装置包括多线激光雷达、中央处理器及报警装置，其中，所述多线激光雷达安装在所述汽车的至少一个方向，用于检测其所在方向的物体，并输出探测数据，所述探测数据包括至少两个扫描层的若干点云的坐标数据；所述中央处理器，接收所述多线激光雷达的探测数据，所述探测数据包括至少两个扫描层的若干点云的坐标数据；将所述至少两个扫描层的若干点云的坐标数据投影至栅格平面以建立栅格地图，确定所述栅格地图中包括有点云的坐标数据的栅格为障碍栅格，其中，所述栅格平面包括若干个空白栅格；对障碍栅格进行聚类处理，将其分为至少一个探测物体；基于预设条件对任一个探测物体的进行筛选，当组成该探测物体的障碍栅格不符合所述预设条件时，将组成该探测物体的障碍栅格作为噪声栅格删除；针对筛选后剩下的所有探测物体，将组成任一个探测物体的、每个扫描层的点云的坐标数据拟合为最多两条线段；以及，当拟合为一条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；当拟合为两条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、所述两条线段的中心高度的平均值、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，若是，向所述警报装置发出控制指令；所述警报装置，用于在接收到所述中央处理器发出的所述控制指令时，向所述汽车的驾驶员发出警报信息。

本发明实施例的一种多线点云数据机器学习的车辆目标识别方法及防撞装置，通过多线激光雷达的探测数据，确定车辆附近物体的形状、类别，并根据车辆附近物体的形状等，示例性地当确定探测到的物体是车辆时，采取有效的驾驶策略和安全措施，以避免车内及车外人身财产的伤害和损失。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

图1示出了本发明实施例提供的一种汽车的结构示意图之一；

图2示出了本发明实施例提供的一种汽车的结构示意图之二；

图3示出了本发明实施例提供的一种多线点云数据机器学习的车辆目标识别方法的流程结构示意图之一；

图4示出了本发明实施例提供的一种多线点云数据机器学习的车辆目标识别方法的流程结构示意图之二；

图5示出了本发明实施例提供的一种多线点云数据机器学习的车辆目标识别方法的聚类示意图之一；

图6示出了本发明实施例提供的一种多线点云数据机器学习的车辆目标识别方法的聚类示意图之二。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

激光雷达也叫激光扫描仪(Laser Scanner)、激光测距仪(Laser Range Finder)，它是基于计算飞行时间(Time of Flight)的原理设计的，其可以包括激光发射端和激光接收端。激光发射端能够发出一束激光脉冲或激光束，当激光脉冲或者激光束照射至某一物体时会反射回波信号，激光接收端接收反射回波信息，从而精确测量出激光脉冲或激光束发出及返回的时间差，并以此计算出该物体与激光雷达(或者激光雷达所在设备或***)之间的距离。激光雷达的测量数据是每一个被测量点相距激光发射端的距离和角度信息的极坐标数据。

如果一个激光雷达具有多条激光扫描线同时进行扫描测量，此种激光雷达被称为多线激光雷达或者多层激光雷达。多线激光雷达具有水平及垂直方向上的扫描视场，在部分激光束扫描面被遮挡时仍能检测出多线激光雷达所在***的周边的物体。此外，由于具备垂直方向视场，多线激光雷达能够获得被测目标的高度方向上的信息。

实施例一

本发明实施例提供一种汽车的防撞装置，其包括多线激光雷达。可以将多线激光雷达安装汽车上，且使多线激光雷达的扫描方向朝期望探测区域方向，例如，期望探测区域方向为汽车的正前方，则可以将多线激光雷达安装在汽车的车头部位。如图1和图2所示，可将多线激光雷达安装在汽车的车顶前方，并调节使之探测汽车的前方，或者将多线激光雷达安装在汽车的前方保险杠附近，并调节使之探测汽车的前方，示例性地，多线激光雷达的扫描方向与地面间的夹角θ为0。

本领域技术人员可以理解的是，多线激光雷达可以安装在汽车的至少一个方向上，例如，汽车的前方、后方、左侧和右侧的至少一个，安装在多个方向，可以提高汽车驾驶的智能性。由于考虑到驾驶员的驾车过程中，主要关注汽车前方的物体，此外，考虑成本等问题，优选将多线激光雷达安装在汽车的前方。在汽车上安装多线激光雷达，用于检测其所在方向的物体，并输出探测数据，其中，探测数据包括至少两个扫描层的若干点云的坐标数据。

本发明实施例的汽车的防撞装置还可以包括中央处理器和报警器，中央处理器接收至少两个扫描层的若干点云的坐标数据，并基于若干点云的坐标数据，通过建立栅格地图对若干点云进行聚类，以将若干点云分为至少一个探测物体，其中，将组成任一个探测物体的、每个扫描层的点云的坐标数据拟合为线段，提取每个物体的每个扫描层的特征、以及提取所拟合得到的线段的特征，基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，若是，向所述警报装置发出控制指令。警报装置在接收到中央处理器发出的控制指令时，向汽车的驾驶员发出警报信息。驾驶员可以根据警报信息采取有效的驾驶策略和安全措施，从而提高汽车驾驶的安全性。

实施例二

图3示出了本发明实施例提供的一种多线点云数据机器学习的车辆目标识别方法的流程结构示意图之一。

如图3所示，一种多线点云数据机器学习的车辆目标识别方法包括如下步骤：

步骤200，获取多线激光雷达的探测数据，其中，探测数据包括至少两个扫描层的若干点云的坐标数据。

在本步骤中，多线激光雷达的激光束扫描到任一物体上，即可以探测到一系列点云的极坐标数据(m，r，φ)，其中m表示激光雷达扫描层的层数，例如m＝1，2，3或4，可以理解的是m的取值不限于此，可以根据实际情况进行选择和设置。示例性地，可以通过坐标转换公式将任意点云的极坐标数据转换为该点云的三维直角坐标(x，y，z)。本领域技术人员可以理解的是，极坐标转换成三维直角坐标可以基于已知参数结合现有的坐标转换公式，在此不再赘述。

步骤201，基于若干点云的坐标数据，通过建立栅格地图对若干点云进行聚类，以将若干点云分为至少一个探测物体。

本发明中提及的探测物体为多线激光雷达扫描到的任一个物体。多线激光雷达扫描到任意物体，其探测到的数据包括若干点云的坐标数据，例如，若干点云的三维直角坐标(x，y，z)。若不进行聚类处理，则很难区分探测到的物体个数和/或物体的类别、形状等。

根据本发明一实施例，直接利用探测到的若干点云的三维直角坐标进行聚类。

可替代地，由于多线激光雷达可能扫描到至少一个物体，而组成任一个物体的三维直角坐标的点云的数据已较大，若点云的三维直角坐标直接进行聚类，会因数据量巨大而计算速率和效率低，很难保证检测的实时性。因此，根据本发明另一实施例，通过建立栅格地图对探测到的若干点云进行分类。示例性地，建立M×N栅格地图，将若干点云的三维直角坐标(x，y，z)投影到栅格地图平面(x，y)上。用一个平面的格子表示落入格子内的点云，示例性地，记录下落入到栅格中各点云的高度信息。示例性地，将包括有点云的坐标数据的栅格称为障碍栅格。

步骤202，将组成任一个探测物体的、每个扫描层的点云的坐标数据拟合为线段。

若多线激光雷达包括m条激光束，则扫描到的任意物体都有m层扫描层，每个扫描层都包括有若干点云。对于每个扫描层若干点云进行数据拟合，可以得到至少一条线段的聚类。

步骤203，提取每个探测物体的每个扫描层的特征、以及提取所拟合得到的线段的特征。

在一个示例中，当在步骤202中每个扫描层的点云拟合为一条线段时，在本步骤中提取的特征包括：组成该物体的所有点云的个数、组成该物体的所有点云所在的总的扫描层层数、组成该物体的所有点云到多线激光雷达的距离平均值、每个扫描层的点云的坐标数据拟合的线段的长度、每个扫描层的点云的坐标数据拟合的线段的中心高度、每个扫描层的点云的坐标数据拟合的线段的斜率。

示例性地，设拟合得到的线段的起始点和终点的坐标分别为：(x_p1,y_p1,z_p1)和(x_q1,y_q1,z_q1)，则，在步骤203中可以提取线段的特征包括：

(1)该线段的长度值，例如可以通过如下公式计算得到：

$\sqrt{{(x_{p1}-x_{q1})}^2+{(y_{p1}-y_{q1})}^2+{(z_{p1}-z_{q1})}^2}$

可以理解的是，如果有m个扫描层，且每个扫描层的点云拟合为一条线段时，则需要提取m条线段的长度值；

(2)线段的中心高度值，例如可以通过如下公式计算得到：如果有m个扫描层，且每个扫描层的点云拟合为一条线段时，则需要提取m条线段的中心高度值；

(3)线段的斜率，其中，

若y_p1＝y_q1，则斜率k1不存在，该线段的斜率k1标记为k1＝0，若y_p1≠y_q1，则斜率k1为k1＝(x_p1-x_q1)/(y_p1-y_q1)。可以理解，如果有m个扫描层，且每个扫描层的点云拟合为一条线段时，则需要提取m条线段的斜率。

通过获取所有扫描层的线段的长度值、中心高度值以及斜率，可以预测被扫描物体的长度、高度及形状等，提高识别的准确度。

除线段的特征外，如前述实施例所述，还要提取：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、组成该探测物体的所有点云到多线激光雷达的距离平均值。其中，假设组成该探测物体的所有点云的个数为n，且已知每个点云的坐标，则将可以得到组成该探测物体的所有点云到多线激光雷达的距离平均值，例如，可以通过如下公式计算得到：

在另一个示例中，当在步骤202中每个扫描层的点云拟合为两条线段时，在本步骤中提取的特征包括：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、每条线段的长度、两条线段的中心高度的平均值、组成该探测物体的所有点云到多线激光雷达的距离平均值、两条线段的长度比值、两条线段的长度乘积、两条线段在地面投影的夹角。

示例性地，设两条线段分别为线段1和线段2，且设线段1的起始点和终点的坐标分别为(x_p1,y_p1,z_p1)和(x_q1,y_q1,z_q1)，则线段1的中心坐标为以及设线段2的起始点和终点的坐标分别为(x_p2,y_p2,z_p2)和(x_q2,y_q2,z_q2)，则线段2的中心坐标为可以理解的是，多线激光雷达有m个扫描层，从而线段1的起始点、终点及中心坐标均有m个，以及线段2的起始点、终点及中心坐标均有m个。基于此，提取的线段的特征包括如下几个：

(1)线段1的长度值，例如可以通过如下公式计算：以及

线段2的长度值，例如可以通过如下公式计算：其中，线段1和线段2的长度值分别有m个；

(2)线段1和线段2的中心高度均值，例如可以通过如下公式计算：其中，该中心高度均值有m个；

(3)线段1和线段2的长度的比值，例如可以通过如下公式计算得到：其中，该比值有m个；

(4)线段1和线段2的长度值的乘积，例如可以通过如下公式计算得到：其中，该乘积有m个；

(5)线段1和线段2在地面投影的夹角，例如可以包括如下几种情况：若y_p1＝y_q1，则斜率k1不存在，该线段的斜率k1标记为k1＝0；若y_p1≠y_q1，则斜率k1为k1＝(x_p1-x_q1)/(y_p1-y_q1)；若y_p2＝y_q2，则斜率k2不存在，该线段的斜率k2标记为k2＝0；若y_p1≠y_q1，则斜率k1为k2＝(x_p2-x_q2)/(y_p2-y_q2)。综上，两条线段在地面投影的夹角可以为：其中，夹角的个数为m个。

除线段的特征外，如前述实施例所述，还要提取：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、组成该探测物体的所有点云到多线激光雷达的距离平均值。设组成该探测物体的所有点云的个数为n，且已知每个点云的坐标，则可以通过如下公式计算得到所有点云到多线激光雷达的距离平均值：

对于一些不规则的物体，每个扫描层的点云可能拟合为两条线段，通过获取两条线段的如前述实施例的特征，并结合点云数据、扫描层数据等，可以更加准确地识别物体的形状、类型，此外，还能够检测到探测到的物体距离当前汽车的距离，提高汽车安全驾驶性能。

示例性地，在步骤203中，提取得到的特征可以表示为向量。

步骤204，基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，若是，发出警报信息。

在本步骤中，可以搜集大量车辆图像，并对这些图像进行标注，基于这些大量的经标注的图像通过机器学习方法训练得到用于识别车辆的神经网络(分类器)。示例性地，神经网络可以包括但不限于径向基函数(RBF-Radial Basis Function)神经网络、BP(BackPropagation)神经网络等至少一种。

根据本发明一实施例，可以将在步骤203中提取的特征用特征矩阵的形式表示。示例性地，将拟合为一条线段时所提取的特征作为矩阵元素形成第一特征矩阵Y1，

$Y1=\left[\begin{array}{c}{f}_1\\ .\\ .\\ .\\ f_{3+6m}\end{array}\right],$

其中，来自线段的特征一共3m个，来自于物体特征3个(例如，组成物体的所有点云的个数、扫描层的层数以及所有点云到多线激光雷达的距离值)，因此，该特征矩阵一共是3+3m行。

以及将拟合为两条线段时所提取的特征作为矩阵元素形成第二特征矩阵Y2，

$Y2=\left[\begin{array}{c}{f}_1\\ .\\ .\\ .\\ f_{3+6m}\end{array}\right],$

基于前述实施例，来自线段特征一共6m个，来自整个物体特征3个，所以该特征矩阵一共是3+6m行。

合并第一特征矩阵Y1和第二特征矩阵Y2，对合并后的第一特征矩阵Y1和第二特征矩阵Y2进行归一化处理，得到合并得到的特征矩阵Y，例如：

$Y=\left[\begin{array}{c}Y1\\ Y2\end{array}\right].$

进一步地，对合并得到的特征矩阵Y归一化处理。例如，将Y中数值最大的元素设定为1，数值最小的元素设定为0，介于数值最大和数值最小之间的元素成比例设定为0和1之间的数值，从而得到第三特征矩阵Y4。

得到第三特征矩阵Y4后，在步骤204，可以将第三特征矩阵Y4输入通过机器学习方法训练得到的分类器中，以识别该探测物体是否是车辆。可以理解的是，对特征矩阵进行归一化处理后，能够得到统一的数据表达，降低运算压力，提高运算速度。

根据本发明一实施例，在步骤204中若确定检测到探测物体为车辆时，可以通过语音、视频显示等至少一种方式提醒当前汽车驾驶员，还可以通过语言、视频显示等方式为当前汽车驾驶员提供安全驾驶策略指导，或者，可以与汽车内的安全措施，例如安全气囊、制动器等连接，通过中央控制器等控制安全气囊、制动器等采取相应的安全措施，从而保护当前汽车内人员等的安全。

应用前述实施例，通过多线激光雷达的探测数据，确定车辆附近物体的形状、类别，并根据车辆附近物体的形状等提醒司机采取有效的驾驶策略和安全措施，以避免车内及车外人身财产的伤害和损失。

实施例三

图4示出了本发明实施例提供的一种多线点云数据机器学习的车辆目标识别方法的流程结构示意图之二。

如图4所示，一种多线点云数据机器学习的车辆目标识别方法包括如下步骤：

步骤300，获取多线激光雷达的探测数据，其中，探测数据包括至少两个扫描层的若干点云的坐标数据。

步骤300与实施例二中步骤200实现过程及原理相同，为了简洁，在此不再赘述。

步骤301，将至少两个扫描层的若干点云的坐标数据投影至栅格平面以建立栅格地图，确定所述栅格地图中包括有点云的坐标数据的栅格为障碍栅格，其中，栅格平面包括若干个空白栅格。

示例性地，建立M×N栅格地图，将若干点云的三维直角坐标(x，y，z)投影到栅格地图平面(x，y)上。用一个平面的格子表示落入格子内的点云。示例性地，记录下落入到栅格中各点云的高度信息，通常多线激光雷达检测到物体相对于地面有一定的高度，通过建立栅格地图，并记录形成任一个物体的每个点云的高度信息，可以统计每个障碍栅格中各个点云的高度，找到该障碍栅格最高点H_max和最低点H_min，并计算每个障碍栅格的最大相对高度ΔH＝H_max-H_min。

步骤302，对障碍栅格进行聚类处理，将其分为至少一个探测物体。根据本发明一实施例，步骤302可以通过如下步骤实现：

步骤A，遍历所述栅格地图中所有栅格，当遇到任一个所述障碍栅格时，确定该障碍栅格为基准栅格。

步骤B，判断基准栅格的左侧、左上侧、正上侧及右上侧四个栅格是否为障碍栅格。若是，执行步骤C，反之，执行步骤D。

步骤C，将基准栅格的左侧、左上侧、正上侧及右上侧四个栅格与基准栅格归为同一探测物体，以及将归为同一探测物体的栅格标记相同的识别符。

步骤D，将基准栅格标记为新的探测物体。

由于多线激光雷达获得的点云的数据以及栅格地图数据都是离散的，为了检测出一个物体(如车辆等)，通常要将每帧数据中互相关联的离散点聚集在一起进行聚类分析。聚类分析可以将若干个物体进行切割分开，即分辨出扫描范围内相互独立、互不关联的物体。前述步骤A至步骤D即为本发明实施例提高的聚类分析方法，示例性地，采用八邻域区域标记法对栅格地图中的点云进行聚类分析。

下面将结合附图详细地描述本发明实施例提供的聚类分析方法及过程。图5示出了本发明实施例提供的一种多线点云数据机器学习的车辆目标识别方法的聚类示意图之一，图6示出了本发明实施例提供的一种多线点云数据机器学习的车辆目标识别方法的聚类示意图之二。

示例性地，可以从行、列两个方向遍历栅格地图，若遇到障碍栅格B，则判断障碍栅格B的左边(L)、左上(UL)、上边(U)和右上(UR)四个栅格是否为障碍栅格，若是，则将它们合并到一起并赋予相同的标记号作为同一聚类(探测物体)；若不是则标记为一个新的障碍栅格作为一个新的聚类(探测物体)。示例性地，如图5中所示，实现步骤为：

(1)从左至右、从上到下遍历所有栅格地图，若取出的栅格不是障碍栅格则不做处理，直接取下一个栅格进行判断。若遇到障碍栅格B，对其四个邻域栅格L、UL、U、UR进行判断，确定L、UL、U、UR四个栅格是否为障碍栅格。

(2)若L是障碍栅格，则将L的标记号赋给B，然后检测UR。若UR不是障碍栅格，则结束对B的处理；若UR是障碍栅格，合并B、L、UR三者的标记号，当前处理结束。

(3)若L不是障碍栅格，则检测UL。若UL是障碍栅格，则将UL标记号赋给B，然后检测UR。若UR不是障碍栅格，则结束对B的处理；若UR是障碍栅格，合并B、UL、UR三者的标记号，当前处理结束。

(4)若L和UL都不是障碍栅格，则检测U。若U是障碍栅格，则将U的标记号赋给B，当前处理结束。

(5)若L、UL和U都不是障碍栅格，则检测UR。若UR是障碍栅格则将UR的标记号赋给B，当前处理结束。

(6)若L、UL、U和RU都不是障碍栅格，则为B创建一个新的标记号，当前处理结束。

如图6所示，在对栅格地图进行八邻域区域标记之后，在栅格地图上同一物体的障碍栅格都有唯一的相同的标记号，即标记号相同的栅格表示同一个聚类，例如，图中标记号为1的障碍栅格来自于一物体，图中标记号为2的障碍栅格来自于另一物体，图中标记号为3的障碍栅格来自于其他物体。这样，在聚类操作完成之后，各个物体已经被分开。

多线激光雷达扫描物体得到的点云的数据分布复杂，如果不对这些点云数据进行聚类，而直接基于点云进行识别，会增加计算的复杂度和计算错误率，降低识别效率和识别准确率。而利用前述实施例，通过聚类处理，将各个物体的点云数据分类标注，在识别过程中，更具有针对性，以及数据准确度高、复杂度低，降低计算的复杂度而提高准确率，进而提高识别效率和准确率。

步骤303，基于预设条件对任一个探测物体的进行筛选，当组成该探测物体的障碍栅格不符合所述预设条件时，将组成该探测物体的障碍栅格作为噪声栅格删除。

删除障碍栅格中的噪声栅格，其中，噪声栅格为其点云的坐标数据不符合预设条件的障碍栅格。

多线激光雷达在扫描过程中，可能会出现一些错误反射点(例如，孤点)以及树枝、飞虫造成的悬空点，为了避免这些反射点、悬空点等对最终分类、识别等造成影响，在本实施例中提出了滤除这些噪声点的方法，或者说删除噪声栅格的方法。

根据本发明一实施例，统计确定每个障碍栅格中的所有点云中的高度坐标最高的点云和高度坐标最低的点云，基于高度坐标最高的点云和高度坐标最低的点云确定对应障碍栅格的高度信息，进一步地，根据每个障碍栅格的高度信息对栅格地图中的栅格进行滤波处理，以删除噪声栅格。示例性地，判断每个障碍栅格的高度信息是否大于预设高度，以及该障碍栅格内是否包括至少两个非同一扫描层的点，若高度信息大于预设高度、且该障碍栅格内的非同一扫描层的点少于两个，则确定该障碍栅格为噪声栅格，删除该噪声栅格。例如，统计每个障碍栅格最大相对高度ΔH，若该栅格ΔH＞2m且栅格内少于两个非同层的雷达数据点，则将该障碍栅格视为悬空点(或者噪声栅格)予以滤除。

根据本发明另一实施例，判断栅格地图中任一障碍栅格在预设范围内是否有其他障碍栅格，并且根据该障碍栅格中点云的坐标数据计算该障碍栅格到多线激光雷达的距离信息，当在所述预设范围内没有其他障碍栅格、且距离信息大于预设距离时，确定该障碍栅格为噪声栅格，删除所述噪声栅格。例如，在距离多线激光雷达20m范围内，若存在单个障碍栅格，其周围5x5的栅格范围内没有其它障碍栅格，则可将该栅格视作孤点(或者噪声栅格)予以滤除。

根据本发明一实施例，由于车辆的尺寸都较大，因此可以排除聚类后尺寸较小的物体，示例性地，统计组成每个物体的障碍栅格的个数；若组成该物体的障碍栅格的个数小于预设个数，则将组成该物体的点云的坐标数据删除。例如，当聚类后的某一物体的障碍栅格个数小于等于3个障碍栅格，则将该物体的点云数据直接删除。可以理解的是，删除一些不符合待识别对象特征的物体，可以降低运算量，减少无效运算。

步骤304，针对筛选后剩下的所有探测物体，将组成任一个探测物体的、每个扫描层的点云的坐标数据拟合为线段。

该步骤与实施例二中的步骤202的实现过程及原理一致，为了简洁，在此不再赘述。

步骤305，提取每个探测物体的每个扫描层的特征、以及提取所拟合得到的线段的特征。

其中，当拟合为一条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；当拟合为两条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、所述两条线段的中心高度的平均值、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；

该步骤与实施例二中的步骤203的实现过程及原理一致，为了简洁，在此不再赘述。

步骤306，基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，若是，发出警报信息。

该步骤与实施例二中的步骤204的实现过程及原理一致，为了简洁，在此不再赘述。

应用前述实施例，通过多线激光雷达的探测数据，确定车辆附近物体的形状、类别，并根据车辆附近物体的形状等提醒司机采取有效的驾驶策略和安全措施，以避免车内及车外人身财产的伤害和损失。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种多线点云数据机器学习的车辆目标识别方法，其特征在于，所述方法包括：

获取多线激光雷达的探测数据，所述探测数据包括至少两个扫描层的若干点云的坐标数据；

将所述至少两个扫描层的若干点云的坐标数据投影至栅格平面以建立栅格地图，确定所述栅格地图中包括有点云的坐标数据的栅格为障碍栅格，其中，所述栅格平面包括若干个空白栅格；

对障碍栅格进行聚类处理，将其分为至少一个探测物体；

基于预设条件对任一个探测物体的进行筛选，当组成该探测物体的障碍栅格不符合所述预设条件时，将组成该探测物体的障碍栅格作为噪声栅格删除；

针对筛选后剩下的所有探测物体，将组成任一个探测物体的、每个扫描层的点云的坐标数据拟合为最多两条线段；

以及，

当拟合为一条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；当拟合为两条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、所述两条线段的中心高度的平均值、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；

基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，若是，发出警报信息。

2.根据权利要求1所述的方法，其特征在于，所述基于预设条件对任一个探测物体的进行筛选，当组成该探测物体的障碍栅格不符合所述预设条件时，将组成该探测物体的障碍栅格作为噪声栅格删除包括：

统计确定每个所述障碍栅格中的所有点云中的高度坐标最高的点云 和高度坐标最低的点云；

基于所述高度坐标最高的点云和高度坐标最低的点云确定对应障碍栅格的高度信息；

判断每个所述障碍栅格的高度信息是否大于预设高度，以及该障碍栅格内是否包括至少两个非同一扫描层的点；

若所述高度信息大于预设高度、且该障碍栅格内的非同一扫描层的点少于两个，则确定该障碍栅格为噪声栅格；

删除所述噪声栅格。

3.根据权利要求1所述的方法，其特征在于，所述基于预设条件对任一个探测物体的进行筛选，当组成该探测物体的障碍栅格不符合所述预设条件时，将组成该探测物体的障碍栅格作为噪声栅格删除包括：

判断所述栅格地图中任一所述障碍栅格在预设范围内是否有其他障碍栅格；

根据该障碍栅格中点云的坐标数据计算该障碍栅格到所述多线激光雷达的距离信息；

当在所述预设范围内没有其他障碍栅格、且所述距离信息大于预设距离时，确定该障碍栅格为噪声栅格；

删除所述噪声栅格。

4.根据权利要求1所述的方法，其特征在于，所述基于预设条件对任一个探测物体的进行筛选，当组成该探测物体的障碍栅格不符合所述预设条件时，将组成该探测物体的障碍栅格作为噪声栅格删除包括：

统计组成任一个探测物体的所述障碍栅格的个数；

若组成该探测物体的所述障碍栅格的个数小于预设个数，则确定组成该探测物体的障碍栅格为噪声栅格；

删除所述噪声栅格。

5.根据权利要求1所述的方法，其特征在于，所述对障碍栅格进行聚类处理，将其分为至少一个探测物体包括：

遍历所述栅格地图中所有栅格；

当遇到任一个所述障碍栅格时，确定该障碍栅格为基准栅格，并判 断该基准栅格的左侧、左上侧、正上侧及右上侧四个栅格是否为障碍栅格：

若是，则将所述基准栅格的左侧、左上侧、正上侧及右上侧四个栅格与所述基准栅格归为同一探测物体，以及将归为同一探测物体的栅格标记相同类的识别符；

反之，则将所述基准栅格标记为新的探测物体。

6.根据权利要求1所述的方法，其特征在于，

当拟合为一条线段时，所提取的特征还包括如下至少一个：每个扫描层的点云的坐标数据拟合的线段的长度、每个扫描层的点云的坐标数据拟合的线段的中心高度、每个扫描层的点云的坐标数据拟合的线段的斜率；

当拟合为两条线段时，所提取的特征还包括如下至少一个：每条线段的长度、所述两条线段的长度比值、所述两条线段的长度乘积、所述两条线段在地面投影的夹角。

7.根据权利要求1或6所述的方法，其特征在于，所述方法还包括：

将拟合为一条线段时所提取的特征作为矩阵元素形成第一特征矩阵，以及将拟合为两条线段时所提取的特征作为矩阵元素形成第二特征矩阵；

合并所述第一特征矩阵和第二特征矩阵；

所述基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，包括：

将合并所述第一特征矩阵和第二特征矩阵得到的特征矩阵输入通过机器学习方法训练得到的分类器中，以识别该探测物体是否是车辆。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

对合并后的所述第一特征矩阵和第二特征矩阵进行归一化处理；

所述基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，包括：

将归一化处理后的特征矩阵输入通过机器学习方法训练得到的分类器中，以识别该探测物体是否是车辆。

9.一种汽车的防撞装置，其特征在于，所述装置包括多线激光雷达、中央处理器及报警装置，其中，

所述多线激光雷达安装在所述汽车的至少一个方向，用于检测其所在方向的物体，并输出探测数据，所述探测数据包括至少两个扫描层的若干点云的坐标数据；

所述中央处理器，接收所述多线激光雷达的探测数据，所述探测数据包括至少两个扫描层的若干点云的坐标数据；将所述至少两个扫描层的若干点云的坐标数据投影至栅格平面以建立栅格地图，确定所述栅格地图中包括有点云的坐标数据的栅格为障碍栅格，其中，所述栅格平面包括若干个空白栅格；对障碍栅格进行聚类处理，将其分为至少一个探测物体；基于预设条件对任一个探测物体的进行筛选，当组成该探测物体的障碍栅格不符合所述预设条件时，将组成该探测物体的障碍栅格作为噪声栅格删除；针对筛选后剩下的所有探测物体，将组成任一个探测物体的、每个扫描层的点云的坐标数据拟合为最多两条线段；以及，当拟合为一条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；当拟合为两条线段时，提取如下至少一个特征：组成该探测物体的所有点云的个数、组成该探测物体的所有点云所在的总的扫描层层数、所述两条线段的中心高度的平均值、组成该探测物体的所有点云到所述多线激光雷达的距离平均值；基于提取到的特征通过机器学习方法识别该探测物体是否是车辆，若是，向所述警报装置发出控制指令；

所述警报装置，用于在接收到所述中央处理器发出的所述控制指令时，向所述汽车的驾驶员发出警报信息。