CN109389053A - 基于车辆直角型特征的高性能车辆检测*** - Google Patents
基于车辆直角型特征的高性能车辆检测*** Download PDFInfo
- Publication number
- CN109389053A CN109389053A CN201811102659.2A CN201811102659A CN109389053A CN 109389053 A CN109389053 A CN 109389053A CN 201811102659 A CN201811102659 A CN 201811102659A CN 109389053 A CN109389053 A CN 109389053A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- point cloud
- cluster
- cloud data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于车辆直角型特征的高性能车辆检测***。***包括单线激光雷达、单线激光雷达数据处理模块、数据转换模块、聚类分析模块、分析模块、直角型特征提取模块、拟合模块和距离分析模块。检测方法包括:利用单线激光雷达获取点云数据,转换为二维平面数据点,进行密度聚类分析,得到点云数据簇,对点云数据簇判定其孤立点数占比,根据判定结果采用不同直角特征拟合法,最后获取周围车辆的位置信息。本发明的单线激光雷达能够在各种复杂的工况下采集准确的环境数据信息,同时辅以具有较高鲁棒性的两种检测算法,故本发明的车辆检测具有很高的稳健性,在复杂工况下也能够保证检测结果的相对准确性。
Description
技术领域
本发明属于车辆检测技术领域,涉及一种基于车辆直角型特征的高性能车辆检测***,如对目标车辆周围车辆的位置信息进行检测的***和方法。
背景技术
在无人驾驶技术领域,对无人驾驶车辆周围车辆的检测一直是保障车辆安全的关键任务之一。激光雷达传感器能够利用激光扫描无人驾驶车辆的周围环境,因此,激光雷达传感器已经成为最重要的车载传感器。
目前,现有的车辆检测技术直接利用对特定目标检测的方式,因此,检测方式算法过于复杂,且应用在车辆检测中效率低下难以保障实时性,同时准确率也较低。
发明内容
针对现有技术的不足,本发明提供了一种对目标车辆周围车辆的位置信息进行检测的***和方法,其能够利用激光雷达全面实现准确可靠地检测行驶路径上的其他车辆,也具有较高的稳健性,能够适应复杂工况。
为实现上述目的,本发明采用的技术方案的原理为:首先利用单线激光雷达采集无人驾驶车辆周围车辆的点云点,接着对点云点进行格式处理与密度聚类分析,然后对聚类分析后的点云点判定其孤立点数占比,依据孤立点数占比采取合适的直角型特征提取方案进行直角特征拟合,最后基于直角型拟合特征获取无人驾驶车辆周围车辆的位置信息,具体如下所示:
一种检测目标车辆周围的待测车辆位置信息的方法,其包括如下步骤:
(1)、利用单线激光雷达获取目标车辆周围的点云数据;
(2)、将点云数据转换为以单线激光雷达为原点的二维平面数据点;
(3)、对二维平面数据点进行密度聚类分析,得到不同的点云数据簇;
(4)、逐一对各个点云数据簇中的数据点进行孤立点数占比分析;当一个点云数据簇的孤立点数占比大于或等于设定阈值时,进行第(5)步;当该点云数据簇的孤立点数占比小于数据点个数阈值时,进行第(6)步;
(5)、采用随机抽样一致算法对各个点云数据簇逐个进行直角型特征的提取,获取最合适表征直角型特征的三个角点,将三个角点拟合成代表待测车辆的矩形框作为该待测车辆的位置信息。
(6)、按照不同角度分别生成包围该点云数据簇的多个矩形框,根据该点云数据簇中的数据点相对于每个矩形框的分布选出该矩形框中具有直角型特征的两条边线,计算该点云数据簇中的数据点相对于该矩形框中的两条边线的距离,根据该距离将该点云数据簇中的数据点分为两类,计算出该矩形框中的两类数据点相对于对应边线的距离靠近程度,选取距离靠近程度最大的矩形框作为待测车辆的矩形框,从而确定该待测车辆的位置信息。
其中,在步骤(1)中,单线激光雷达设于目标车辆的顶部,采集视角为270-360°。
步骤(1)具体包括如下子步骤:
(1-1)、利用单线激光雷达采集目标车辆周围的雷达数据;
(1-2)、对雷达数据进行预处理,排除空数据,得到点云数据。
在步骤(3)中,密度聚类分析采用密度聚类算法进行分析,密度聚类算法包括如下步骤:对二维平面数据点进行遍历性搜索,根据预设的距离阈值对二维平面数据点进行簇划分,得到不同的点云数据簇。
在步骤(4)中,密度聚类分析(DBSCAN算法)中自有有核心点与非核心点的概念。每个点云数据簇的相对孤立点数比值为:该点云数据簇中非核心点的数目与该点云数据簇的所有点云点数目的比值。本发明的第(4)步为判断步骤,能够对输入的点云数据簇进行其孤立点数占比的判断,然后根据不同的判断结果选择合适的拟合方案进行直角型特征拟合,从而给出最佳直角型特征拟合的直角型特征位置信息。因为有了判断步骤,所以能够选择最佳的直角型特征拟合方式,进而获得准确的位置信息。
在步骤(5)中,随机抽样一致算法能够对输入的点云数据簇进行迭代分析,实现从输入的点云数据簇中找寻出最合适表征直角型特征的三个角点,其包括如下步骤:
(5-1)、在单个点云数据簇中随机选取三个点作为数学模型中的直角型特征的三个端点;
(5-2)、对该点云数据簇中余下的点逐一通过距离计算判定其是否为该直角型特征的内群数据点,若判定出为内群数据点,则内群数据点的个数加1,直至对所有余下的点均判断完毕;
(5-3)、获取内群数据点的总数,根据该内群数据点的总数判定该数学模型是否合理;若不合理,则重新选择数学模型;若合理,则进行第(5-4)步;
(5-4)、对合理的数学模型中的内群数据点计算其相对于该数学模型的边界距离的方差;比较并更新当前的最小方差及其对应的模型;
(5-5)、重复执行步骤(5-1)至步骤(5-4),当最小方差小于设定的检测阈值,或者达到指定的检测次数,退出检测,将此时方差最小的模型作为最合适表征直角特征的模型。
在步骤(6)中,该步骤的原理为:对输入的点云数据簇按一定角度生成包围其的矩形框,然后按距离(即为靠近直角型的两条边的距离)将矩形框内的点云点分为两类,对这两类点云点分别计算其相对于对应边界距离的靠近程度,并将其作为评判标准。具体实现时,对角度在0-π/2范围100等分后进行循环迭代,直至找出最为合适的矩形框,最后根据该最为合适的矩形框的位置信息获得待检测车辆的位置信息。
在步骤(6)中,不同角度的确定方法如下所示:每个点云数据簇所形成的矩形框的角度在0-π/2的范围内,将0-π/2进行100等分,因此,每个点云数据簇能够形成100个不同角度的矩形框。对于每个点云数据簇,其所形成的100个矩形框均执行一次步骤(6),称之为循环迭代。结果是每个点云数据簇会产生与这100个矩形框一一对应的100个距离靠近程度。在这100个距离靠近程度中选取最大的距离靠近程度,并选取与最大的距离靠近程度的相对应的矩形框作为待测车辆的矩形框,从而确定该待测车辆的位置信息。
在步骤(6)中,每个矩形框的距离靠近程度的计算方法如下:
其中,D1(i)为一个矩形框中的第一类数据点与对应的第一边线的距离,D2(j)为该矩形框中的第二类数据点与对应的第二边线的距离,第一边线和第二边线是该矩形框中具有直角型特征的两条边线,d0为距离阈值。
一种目标车辆周围的待测车辆位置信息的检测***,其包括:单线激光雷达、单线激光雷达数据处理模块、数据转换模块、聚类分析模块、分析模块、直角型特征提取模块、拟合模块和距离分析模块。
其中,单线激光雷达设于目标车辆的顶部,以一定的采集视角采集目标车辆周围的雷达数据。
单线激光雷达数据处理模块对雷达数据进行预处理,排除空数据,得到点云数据;数据转换模块,将点云数据转换为以单线激光雷达为原点的二维平面数据点。
聚类分析模块对二维平面数据点进行密度聚类分析,得到不同的点云数据簇。聚类分析模块采用密度聚类算法进行分析,密度聚类算法包括如下步骤:对二维平面数据点进行遍历性搜索,根据预设的距离阈值对二维平面数据点进行簇划分,得到不同的点云数据簇。
分析模块逐一对各个点云数据簇中的数据点进行相对孤立点数占比分析。
当分析出一个点云数据簇的相对孤立点数占比大于或等于设定阈值时,直角型特征提取模块采用随机抽样一致算法对数据点个数大于或等于数据点个数阈值的各个点云数据簇逐个进行直角型特征的提取,获取最合适表征直角型特征的三个角点。随机抽样一致算法包括如下步骤:
(1)、在单个点云数据簇中随机选取三个点作为数学模型中的直角型特征的三个端点;
(2)、对该点云数据簇中余下的点逐一通过距离计算判定其是否为该直角型特征的内群数据点,若判定出为内群数据点,则内群数据点的个数加1,直至对所有余下的点均判断完毕;
(3)、获取内群数据点的总数,根据该内群数据点的总数判定该数学模型是否合理;若不合理,则重新选择数学模型;若合理,则进行第(5-4)步;
(4)、对合理的数学模型中的内群数据点计算其相对于该数学模型的边界距离的方差;比较并更新当前的最小方差及其对应的模型;
(5)、重复执行步骤(5-1)至步骤(5-4),当最小方差小于设定的检测阈值,或者达到指定的检测次数,退出检测,将此时方差最小的模型作为最合适表征直角特征的模型。
拟合模块将最合适表征直角型特征的三个角点拟合成代表待测车辆的矩形框作为该待测车辆的位置信息。
当分析出一个点云数据簇的相对孤立点数占比小于设定阈值时,距离分析模块按照不同角度分别生成包围该点云数据簇的多个矩形框,根据该点云数据簇中的数据点相对于每个矩形框的分布选出该矩形框中具有直角型特征的两条边线,计算该点云数据簇中的数据点相对于该矩形框中的两条边线的距离,根据该距离将该点云数据簇中的数据点分为两类,计算出该矩形框中的两类数据点相对于对应边线的距离靠近程度,选取距离靠近程度最大的矩形框作为待测车辆的矩形框,从而确定该待测车辆的位置信息。
整个矩形框的拟合过程的角度介于每次按均等步长进行拟合并进行距离靠近程度检验,Closeness取得最大时的角度拟合的矩形框的位置即对应着目标检车车辆的位置。步长是指每次以特定的角度增幅进行矩形框的拟合。例如,若步长为0.5°,则每次拟合的间隔角度为0.5°。同理,若步长为1°,则每次拟合的间隔角度为1°。
由于采用上述方案,本发明的有益效果是:
第一、在本发明中,单线激光雷达以一定的时间频率持续地采集环境的数据,因此,采集数据具有很好的实时性。
第二、本发明的单线激光雷达能够在各种复杂的工况下采集准确的环境数据信息,同时辅以具有较高的鲁棒性的检测算法,因此,本发明的车辆检测具有很高的稳健性,在复杂工况下也能够保证检测结果的相对准确性。本发明的复杂工况指的是当前检测***的周围环境不好的情况,诸如夜晚等环境光线较弱的情况、或者下雨等容易干扰采集的天气状况。
第三、本发明的单线激光雷达采集数据能够显著降低车辆检测的成本。
第四、本发明采用基于密度的聚类算法对采集的点云点进行预处理,然后对采集的点云数据聚类后再进行车辆直角型特征的提取,可以显著提高车辆检测***的效率,改善检测***的实时性。
第五、相比于现有技术的车辆检测***,本发明中涉及的调和的参数相对更少。
第六、本发明逐一对各个点云数据簇中的数据点进行孤立点数占比分析,然后根据分析结果选择合适的直角特征拟合方式,能够确保车辆信息检测准确度,也可以实现自主切换车辆检测的方案。
附图说明
图1为本发明的密度聚类算法的伪代码示意图。
图2为本发明的一个优选实施例的数学模型示意图。
图3为本发明的一个优选实施例所获取的二维平面数据点示意图。
图4为本发明的一个优选实施例的点云点密度聚类后的结果及其对应的孤立点数占比示意图。
图5为本发明的一个优选实施例按照方案1进行直角型特征的提取结果示意图。
图6为本发明的一个优选实施例按照方案2进行直角型特征的提取结果示意图。
图7为本发明的一个优选实施例按照方案1和2进行直角型特征的提取结果对比示意图。
图8为本发明的检测方法的流程图。
具体实施方式
本发明提供了一种对目标车辆周围车辆的位置信息进行检测的***和方法。
[目标车辆周围车辆的位置信息的检测***]
本发明提供了一种目标车辆周围的待测车辆位置信息的检测***,其包括如下模块:单线激光雷达、单线激光雷达数据处理模块、数据转换模块、聚类分析模块、分析模块、直角型特征提取模块、拟合模块和距离分析模块。通过上述模块的共同作用,最终得到目标车辆周围的不同待测车辆各自的位置信息。
其中,单线激光雷达设于目标车辆的顶部,以该单线激光雷达自身位置为原点以一定的采集视角采集目标车辆周围的雷达数据。在优选的实施例中,单线激光雷达的采集视角为270-360°,即该单线激光雷达能够采集目标车辆正前方左右各135-180°范围内的雷达数据。
单线激光雷达数据处理模块对雷达数据进行预处理,以排除雷达数据中的所有空数据,得到点云数据。
数据转换模块将点云数据转换为以单线激光雷达为原点的二维平面数据点。
聚类分析模块对二维平面数据点进行密度聚类分析,得到不同的点云数据簇。整个二维平面数据点是离散的,进行密度聚类分析后,二维平面数据点中有关联关系的点会被聚类在一起,形成一个点云数据簇。具有不同关联关系的点会被分别聚类,形成不同的点云数据簇。聚类分析模块是采用密度聚类算法(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)进行聚类分析的。密度聚类算法包括如下步骤:对二维平面数据点进行遍历性搜索,根据预设的距离阈值对二维平面数据点进行簇划分,得到不同的点云数据簇。密度聚类算法的伪代码如图1所示。
分析模块逐一对各个点云数据簇中的数据点进行孤立点数占比分析。聚类分析模块经过密度聚类分析得到了多个不同的点云数据簇,那么分析模块就会逐一对每个点云数据簇中的数据点个数进行孤立点数占比分析。当分析出一个点云数据簇的相对孤立点数占比大于或等于设定阈值时,由直角型特征提取模块和拟合模块获取待测车辆的位置信息。当分析出一个点云数据簇的相对孤立点数占比小于设定阈值时,由距离分析模块获取待测车辆的位置信息。
直角型特征提取模块采用随机抽样一致算法(Random Sample Consensus,RANSAC)对具有阳性结果的各个点云数据簇(即数据点个数大于或等于数据点个数阈值的各个点云数据簇)逐个进行直角型特征的提取,针对每一个点云数据簇都可获取最合适表征直角型特征的三个角点。随机抽样一致算法的基本原理为采用迭代的方式从输入的可能包含噪音点的聚类点云数据中估算出合理的数学模型的参数,其具体包括如下步骤:
(1)、在单个点云数据簇中随机选取三个点作为预设的数学模型中的直角型特征的三个端点;
(2)、对该点云数据簇中余下的点逐一通过距离计算判定其是否为该直角型特征的内群数据点,若判定出为内群数据点,则内群数据点的个数加1,直至对所有余下的点均判断完毕;
(3)、获取内群数据点的总数,根据该内群数据点的总数判定该数学模型是否合理;若不合理,则重新选择数学模型;若合理,则进行第(4)步;
(4)、对合理的数学模型中的内群数据点计算其相对于该数学模型的边界距离的方差;比较并更新当前的最小方差及其对应的模型;
(5)、重复执行步骤(5-1)至步骤(5-4),当最小方差小于设定的检测阈值,或者达到指定的检测次数,退出检测,将此时方差最小的模型作为最合适表征直角特征的模型。
其中,在步骤(1)中,数学模型如图2所示。模型中的P1、P2和P3表征的是直角型特征的三个端点,其中P2是直角型特征的中间角点。
在步骤(2)中,此处的距离是点云点相对于有直角型三点模型确定的两条直角边的距离值中最小值。此处的距离判定范围需要标定,不过一般不超过0.1m。
在步骤(3)中,如果内群数据点数目越多,则说明该数据模型也可靠。内群数据点的总数判定指标与当前点云数据簇内的点云点数目相关,一般认为内群数据点的数目大于等于当前点云数据簇内点云点数目的2/3时,该模型相对可靠。不过内群数据点的数目判定标准与判定内群数据点的距离标准有关,需要实际标定。
本发明在点云数据簇的相对孤立点数占比大于或等于设定阈值时利用随机抽样一致(RANSAC)算法找寻的最为合适的直角型特征可以容易的获得目标车辆的位置信息,因为随机抽样一致可以很大程度上排除聚类后点云数据中噪音点的影响,因此保障了车辆检测***的稳健性。使其在比较复杂工况也能够正常的运转。
拟合模块,将直角型特征提取模块所得出的每一个最合适表征直角型特征的三个角点拟合成代表某个待测车辆的矩形框,一个矩形框即为一个待测车辆的位置信息。最终的结果出现多个矩形框,即显示多个待测车辆的位置信息。
本发明在一个点云数据簇的相对孤立点数占比小于设定阈值时采用距离分析模块确定待测车辆的位置信息,其分析原理如下:
当分析出一个点云数据簇的相对孤立点数占比小于设定阈值时,按照不同角度分别生成包围该点云数据簇的多个矩形框,根据该点云数据簇中的数据点相对于每个矩形框的分布选出该矩形框中具有直角型特征的两条边线,计算该点云数据簇中的数据点相对于该矩形框中的两条边线的距离,根据该距离将该点云数据簇中的数据点分为两类,计算出该矩形框中的两类数据点相对于对应边线的距离靠近程度,选取距离靠近程度最大的矩形框作为待测车辆的矩形框,从而确定该待测车辆的位置信息。
每个矩形框的距离靠近程度的计算方法如下:
其中,D1(i)为一个矩形框中的第一类数据点与对应的第一边线的距离,D2(j)为该矩形框中的第二类数据点与对应的第二边线的距离,第一边线和第二边线是该矩形框中具有直角型特征的两条边线,d0为距离阈值。n为第一类数据点的总数,m为第二类数据点的总数。
[目标车辆周围车辆的位置信息的检测方法]
本发明提供了一种检测目标车辆周围的待测车辆位置信息的方法,其检测原理为:利用单线激光雷达采集无人驾驶车辆周围车辆的点云数据;对点云数据进行格式处理与密度聚类分析;判断点云数据簇中的孤立点数占比,根据不同的孤立点数占比选取不同的直角型特征提取方法;基于直角型拟合特征获取无人驾驶车辆周围车辆的位置信息。该方法具体包括如下步骤:
(1)、利用单线激光雷达获取目标车辆周围的点云数据;
(2)、将点云数据转换为以单线激光雷达为原点的二维平面数据点;
(3)、对二维平面数据点进行密度聚类分析,得到不同的点云数据簇;
(4)、逐一对各个点云数据簇中的数据点个数进行孤立点数占比分析;当一个点云数据簇的孤立点数占比大于或等于设定阈值时,进行第(5)步(方案1);当该点云数据簇的孤立点数占比小于数据点个数阈值时,进行第(6)步(方案2);
(5)、(方案1)采用随机抽样一致算法对各个点云数据簇逐个进行直角型特征的提取,获取最合适表征直角型特征的三个角点,将三个角点拟合成代表待测车辆的矩形框作为该待测车辆的位置信息。
(6)、(方案2)按照不同角度分别生成包围该点云数据簇的多个矩形框,根据该点云数据簇中的数据点相对于每个矩形框的分布选出该矩形框中具有直角型特征的两条边线,计算该点云数据簇中的数据点相对于该矩形框中的两条边线的距离,根据该距离将该点云数据簇中的数据点分为两类,计算出该矩形框中的两类数据点相对于对应边线的距离靠近程度,选取距离靠近程度最大的矩形框作为待测车辆的矩形框,从而确定该待测车辆的位置信息。
其中,在步骤(1)中,单线激光雷达设于目标车辆的顶部,采集视角为270-360°。
步骤(1)的获取过程包括如下子步骤:
(1-1)、利用单线激光雷达采集目标车辆周围的雷达数据;
(1-2)、对雷达数据进行预处理,排除空数据,得到点云数据。
在步骤(2)中,本发明的一个优选实施例所获取的二维平面数据点如图3所示。图3显示了各个数据点在二维平面上的分布情况。由该图可知,这些数据点之间是呈离散型点状分布的,各个数据点之间尚未形成关联关系。
在步骤(3)中,密度聚类分析采用密度聚类算法(Density-Based SpatialClustering of Applications with Noise,DBSCAN)进行分析,密度聚类算法包括如下步骤:对二维平面数据点进行遍历性搜索,根据预设的距离阈值对二维平面数据点进行簇划分,得到不同的点云数据簇,也即,密度聚类算法对采集的点云点按给定距离进行遍历性搜索,依据各点之间的相对距离关系实现对点云点的类别划分。本发明的一个优选实施例所获取的点云数据簇如图4所示。由图4可知,该实施例形成的点云数据簇用×表示,而未形成点云数据簇的数据点用o表示。
在步骤(5)中,随机抽样一致算法(方案1)的基本原理为:对不同的点云数据簇逐一进行迭代分析,找寻出最合适表征每个点云数据簇的直角型特征的三个角点,利用这三个角点拟合每个点云数据簇所代表的待测车辆的矩形框,从而获得不同待测车辆的位置信息,其具体包括如下步骤:
(5-1)、在单个点云数据簇中随机选取三个点作为数学模型中的直角型特征的三个端点;
(5-2)、对该点云数据簇中余下的点逐一通过距离计算判定其是否为该直角型特征的内群数据点,若判定出为内群数据点,则内群数据点的个数加1,直至对所有余下的点均判断完毕;
(5-3)、获取内群数据点的总数,根据该内群数据点的总数判定该数学模型是否合理;若不合理,则重新选择数学模型;若合理,则进行第(5-4)步;
(5-4)、对合理的数学模型中的内群数据点计算其相对于该数学模型的边界距离的方差;比较并更新当前的最小方差及其对应的模型;
(5-5)、重复执行步骤(5-1)至步骤(5-4),当最小方差小于设定的检测阈值,或者达到指定的检测次数,退出检测,将此时方差最小的模型作为最合适表征直角特征的模型。
在步骤(5)中,本发明的一个优选实施例的按照方案1拟合所成的代表待测车辆的矩形框如图5所示。
在步骤(6)中,每个矩形框的距离靠近程度的计算方法如下:
其中,D1(i)为一个矩形框中的第一类数据点与对应的第一边线的距离,D2(j)为该矩形框中的第二类数据点与对应的第二边线的距离,第一边线和第二边线是该矩形框中具有直角型特征的两条边线,d0为距离阈值,n表示第一类数据点的个数,m表示第二类数据点的个数。因为实际的D1(i),D2(j)值可能小于设定值d0。当D1(i),D2(j)过小时会很容易干扰检测模型的结果,为减小这种影响,则当D1(i),D2(j)小于d0时,应选择d0作为距离值。
在步骤(6)中,本发明的一个优选实施例的按照方案2拟合所成的代表待测车辆的矩形框如图6所示。本发明的一个优选实施例按照方案1和2进行直角型特征的提取结果对比示意图如图7所示。
方案1相比于方案2具有更高的鲁棒性,能够在复杂工况下也具有较高的准确性。方案1的实现是对输入的点云点基于随机抽样一致(RANSAC)算法进行迭代分析,进行直角型特征的提取。随机抽样一致算法原理为采用迭代的方式从输入的可能包含噪音点的聚类点云点中估算出合理的数学模型(见图2)的参数。方案2只适用于相对孤立点数占比较小的情况。在相对孤立点数占比小于设定阈值的情况时,方案2能够在保证检测结果的准确性,较方案1有更高的检测效率。
本发明的流程图如图8所示。
总之,本发明提出了一种基于车辆直角型特征而利用单线激光雷达的高精度车辆检测***和方法,对驾驶车辆周边车辆的高精度感知检测是实现无人驾驶的关键任务之一,利用激光雷达扫描汽车后的出现直角型特征点云数据则可很好地实现车辆的检测与跟踪。
熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (9)
1.一种检测车辆周围的待测车辆位置信息的方法,其特征在于:包括如下步骤:
(1)、利用单线激光雷达获取车辆周围的点云数据;
(2)、将所述点云数据转换为以所述单线激光雷达为原点的二维平面数据点;
(3)、对所述二维平面数据点进行密度聚类分析,得到不同的点云数据簇;
(4)、逐一对各个点云数据簇中的数据点进行孤立点数占比分析;当一个点云数据簇的孤立点数占比大于或等于设定阈值时,进行第(5)步;当该点云数据簇的孤立点数占比小于所述数据点个数阈值时,进行第(6)步;
(5)、采用随机抽样一致算法对各个点云数据簇逐个进行直角型特征的提取,获取最合适表征直角型特征的三个角点,将所述三个角点拟合成代表待测车辆的矩形框作为该待测车辆的位置信息;
(6)、按照不同角度分别生成包围该点云数据簇的多个矩形框,根据该点云数据簇中的数据点相对于每个矩形框的分布选出该矩形框中具有直角型特征的两条边线,计算该点云数据簇中的数据点相对于该矩形框中的两条边线的距离,根据该距离将该点云数据簇中的数据点分为两类,计算出该矩形框中的两类数据点相对于对应边线的距离靠近程度,选取距离靠近程度最大的矩形框作为待测车辆的矩形框,从而确定该待测车辆的位置信息。
2.根据权利要求1所述的方法,其特征在于:在步骤(1)中,所述单线激光雷达设于所述车辆的顶部,采集视角为270-360°。
3.根据权利要求1所述的方法,其特征在于:步骤(1)包括如下子步骤:
(1-1)、利用单线激光雷达采集车辆周围的雷达数据;
(1-2)、对所述雷达数据进行预处理,排除空数据,得到所述点云数据。
4.根据权利要求1所述的方法,其特征在于:在步骤(3)中,密度聚类分析采用密度聚类算法进行分析,密度聚类算法包括如下步骤:对所述二维平面数据点进行遍历性搜索,根据预设的距离阈值对所述二维平面数据点进行簇划分,得到不同的点云数据簇。
5.根据权利要求1所述的方法,其特征在于:在步骤(5)中,所述随机抽样一致算法包括如下步骤:
(5-1)、在单个点云数据簇中随机选取三个点作为数学模型中的直角型特征的三个端点;
(5-2)、对该点云数据簇中余下的点逐一通过距离计算判定其是否为该直角型特征的内群数据点,若判定出为内群数据点,则内群数据点的个数加1,直至对所有余下的点均判断完毕;
(5-3)、获取内群数据点的总数,根据该内群数据点的总数判定该数学模型是否合理;若不合理,则重新选择数学模型;若合理,则进行第(5-4)步;
(5-4)、对合理的数学模型中的内群数据点计算其相对于该数学模型的边界距离的方差;比较并更新当前的最小方差及其对应的模型;
(5-5)、重复执行步骤(5-1)至步骤(5-4),当最小方差小于设定的检测阈值,或者达到指定的检测次数,退出检测,将此时方差最小的模型作为最合适表征直角特征的模型。
6.根据权利要求1所述的方法,其特征在于:在步骤(6)中,每个矩形框的距离靠近程度的计算方法如下:
其中,D1(i)为一个矩形框中的第一类数据点与对应的第一边线的距离,D2(j)为该矩形框中的第二类数据点与对应的第二边线的距离,第一边线和第二边线是该矩形框中具有直角型特征的两条边线,d0为距离阈值。
7.一种车辆周围的待测车辆位置信息的检测***,其特征在于:包括:
单线激光雷达,设于车辆的顶部,以一定的采集视角采集车辆周围的雷达数据;
单线激光雷达数据处理模块,对所述雷达数据进行预处理,排除空数据,得到所述点云数据;
数据转换模块,将所述点云数据转换为以所述单线激光雷达为原点的二维平面数据点;
聚类分析模块,对所述二维平面数据点进行密度聚类分析,得到不同的点云数据簇;
分析模块,逐一对各个点云数据簇中的数据点进行孤立点数占比分析;
直角型特征提取模块,当分析出一个点云数据簇的相对孤立点数占比大于或等于设定阈值时,采用随机抽样一致算法对数据点个数大于或等于数据点个数阈值的各个点云数据簇逐个进行直角型特征的提取,获取最合适表征直角型特征的三个角点;
拟合模块,将所述最合适表征直角型特征的三个角点拟合成代表待测车辆的矩形框作为该待测车辆的位置信息;
距离分析模块,当分析出一个点云数据簇的相对孤立点数占比小于设定阈值时,按照不同角度分别生成包围该点云数据簇的多个矩形框,根据该点云数据簇中的数据点相对于每个矩形框的分布选出该矩形框中具有直角型特征的两条边线,计算该点云数据簇中的数据点相对于该矩形框中的两条边线的距离,根据该距离将该点云数据簇中的数据点分为两类,计算出该矩形框中的两类数据点相对于对应边线的距离靠近程度,选取距离靠近程度最大的矩形框作为待测车辆的矩形框,从而确定该待测车辆的位置信息。
8.根据权利要求7所述的检测***,其特征在于:所述聚类分析模块采用密度聚类算法进行分析,密度聚类算法包括如下步骤:对所述二维平面数据点进行遍历性搜索,根据预设的距离阈值对所述二维平面数据点进行簇划分,得到不同的点云数据簇。
9.根据权利要求7所述的检测***,其特征在于:所述随机抽样一致算法包括如下步骤:
(1)、在单个点云数据簇中随机选取三个点作为数学模型中的直角型特征的三个端点;
(2)、对该点云数据簇中余下的点逐一通过距离计算判定其是否为该直角型特征的内群数据点,若判定出为内群数据点,则内群数据点的个数加1,直至对所有余下的点均判断完毕;
(3)、获取内群数据点的总数,根据该内群数据点的总数判定该数学模型是否合理;若不合理,则重新选择数学模型;若合理,则进行第(5-4)步;
(4)、对合理的数学模型中的内群数据点计算其相对于该数学模型的边界距离的方差;比较并更新当前的最小方差及其对应的模型;
(5)、重复执行步骤(5-1)至步骤(5-4),当最小方差小于设定的检测阈值,或者达到指定的检测次数,退出检测,将此时方差最小的模型作为最合适表征直角特征的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811102659.2A CN109389053B (zh) | 2018-09-20 | 2018-09-20 | 检测目标车辆周围的待测车辆位置信息的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811102659.2A CN109389053B (zh) | 2018-09-20 | 2018-09-20 | 检测目标车辆周围的待测车辆位置信息的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389053A true CN109389053A (zh) | 2019-02-26 |
CN109389053B CN109389053B (zh) | 2021-08-06 |
Family
ID=65418957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811102659.2A Active CN109389053B (zh) | 2018-09-20 | 2018-09-20 | 检测目标车辆周围的待测车辆位置信息的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389053B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097047A (zh) * | 2019-03-19 | 2019-08-06 | 同济大学 | 一种基于深度学习采用单线激光雷达的车辆检测方法 |
CN110412613A (zh) * | 2019-08-02 | 2019-11-05 | 上海木木机器人技术有限公司 | 基于激光的测量方法、移动装置、计算机设备和存储介质 |
CN118071994A (zh) * | 2024-02-27 | 2024-05-24 | 数据堂(北京)科技股份有限公司 | 自动驾驶场景下不完整点云数据标注方法、装置及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130328858A9 (en) * | 2004-08-31 | 2013-12-12 | William D. Meadow | Three dimensional image data models |
CN104268933A (zh) * | 2014-09-11 | 2015-01-07 | 大连理工大学 | 一种车载二维激光运动中三维环境扫描成像方法 |
CN107167141A (zh) * | 2017-06-15 | 2017-09-15 | 同济大学 | 基于双一线激光雷达的机器人自主导航*** |
CN108107444A (zh) * | 2017-12-28 | 2018-06-01 | 国网黑龙江省电力有限公司检修公司 | 基于激光数据的变电站异物识别方法 |
-
2018
- 2018-09-20 CN CN201811102659.2A patent/CN109389053B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130328858A9 (en) * | 2004-08-31 | 2013-12-12 | William D. Meadow | Three dimensional image data models |
CN104268933A (zh) * | 2014-09-11 | 2015-01-07 | 大连理工大学 | 一种车载二维激光运动中三维环境扫描成像方法 |
CN107167141A (zh) * | 2017-06-15 | 2017-09-15 | 同济大学 | 基于双一线激光雷达的机器人自主导航*** |
CN108107444A (zh) * | 2017-12-28 | 2018-06-01 | 国网黑龙江省电力有限公司检修公司 | 基于激光数据的变电站异物识别方法 |
Non-Patent Citations (2)
Title |
---|
NINGHUA CHEN ET AL.: "Structural Analysis of the Hero Range in the Qaidam Basin,Northwestern China, Using Integrated UAV,Terrestrial LiDAR, Landsat 8, and 3-D Seismic Data", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING ( VOLUME: 8, ISSUE: 9, SEPT. 2015)》 * |
苏致远 等.: "基于三维激光雷达的车辆目标检测方法", 《军事交通学院学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097047A (zh) * | 2019-03-19 | 2019-08-06 | 同济大学 | 一种基于深度学习采用单线激光雷达的车辆检测方法 |
CN110412613A (zh) * | 2019-08-02 | 2019-11-05 | 上海木木机器人技术有限公司 | 基于激光的测量方法、移动装置、计算机设备和存储介质 |
CN118071994A (zh) * | 2024-02-27 | 2024-05-24 | 数据堂(北京)科技股份有限公司 | 自动驾驶场景下不完整点云数据标注方法、装置及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN109389053B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109212541A (zh) | 基于车辆直角型特征和激光雷达的高精度车辆检测*** | |
CN109270543A (zh) | 一种对目标车辆周围车辆位置信息检测的***和方法 | |
CN107272680B (zh) | 一种基于ros机器人操作***的机器人自动跟随方法 | |
Zhang et al. | Pedestrian detection method based on Faster R-CNN | |
CN103632158B (zh) | 森林防火监控方法及森林防火监控*** | |
CN109389053A (zh) | 基于车辆直角型特征的高性能车辆检测*** | |
CN108830171B (zh) | 一种基于深度学习的智能物流仓库引导线视觉检测方法 | |
CN114299417A (zh) | 一种基于雷视融合的多目标跟踪方法 | |
CN102354457B (zh) | 基于广义霍夫变换的交通信号灯位置检测方法 | |
CN106225787A (zh) | 一种无人机视觉定位方法 | |
CN110006435A (zh) | 一种基于残差网络的变电站巡检机器人视觉辅助导航方法 | |
CN110232379A (zh) | 一种车辆姿态检测方法及*** | |
CN110119726A (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
CN103186904A (zh) | 图片轮廓提取方法及装置 | |
CN103093458B (zh) | 关键帧的检测方法及装置 | |
CN102663723B (zh) | 一种基于颜色样本与电场模型的图像分割方法 | |
CN103105924B (zh) | 人机交互方法和装置 | |
CN116359218B (zh) | 一种工业聚集区大气污染移动监测*** | |
Liu et al. | Dynamic RGB-D SLAM based on static probability and observation number | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测***及方法 | |
CN110298410A (zh) | 基于深度学习的低对比度图像中弱目标检测方法及装置 | |
CN109871829A (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
CN105787950A (zh) | 一种基于行梯度累加的红外图像海天线检测算法 | |
CN109117746A (zh) | 手部检测方法及机器可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |