CN103824082A - 一种行人检测方法及其检测系统 - Google Patents

Abstract

本发明提供了一种行人检测方法，包括以下步骤：步骤1、安装激光测距仪；步骤2、激光扫描器模块设置激光测距仪的激光云点数据；步骤3、建立激光数据预处理模块；步骤4、行人检测模块对车辆前方障碍物进行实时检测；步骤5、行人甄别模块对行人目标进行实时甄别。本发明还提供了一种实现行人检测方法的检测系统，包括：电源、DSP、数据线路、电源线路和激光测距仪，所述激光测距仪通过数据线路与DSP的网络接口相连接；电源通过电源线路为激光测距仪供电；所述DSP内设置有：激光扫描器模块、激光数据预处理模块、行人检测模块和行人甄别模块。具有检测速度快、可靠性和鲁棒性高等优点。

Description

一种行人检测方法及其检测系统

技术领域

本发明涉及一种汽车主动安全技术，特别涉及一种行人检测方法及其检测系统。

背景技术

目前行人检测技术有两种方式，一是基于视频的行人检测，二是基于激光的行人检测。基于视频的行人检测技术易受外界环境的影响，例如光照变化、雾天等，检测鲁棒性和实时性较差。对于基于激光的行人检测技术，激光云点处理实时性、准确性不高，导致行人检测系统可靠性不强。

发明内容

本发明的首要目的在于克服现有技术的缺点与不足，提供一种行人检测方法，该检测方法有效地提高了行人检测系统的实时性与精确性。

本发明的另一目的在于克服现有技术的缺点与不足，提供一种实现行人检测方法的检测系统，该检测系统是一种基于K-means聚类分析的行人检测系统，解决了激光数据处理的技术缺陷。

本发明的首要目的通过下述技术方案实现：一种行人检测方法，包括以下步骤：

步骤1、安装激光测距仪；激光测距仪系统安装于车辆正前方距路面50cm处，激光测距仪连接有数据线路和电源线路，数据线路为屏蔽双绞线（STP），用以将激光测距仪与车辆内微机的网络接口相连；电源线路由车载点烟器组成，用以为激光测距仪供电，供电电压12V；

步骤2、激光扫描器模块设置激光测距仪的激光云点数据；根据行人检测实时性、精确性的要求，设置激光测距仪扫描扇面角度为0～180度、扫描频率为25HZ、精确度为厘米级别，激光测距仪从左到右扫描，每隔0.25度发射一个激光脉冲，由此每一帧形成721个激光云点数据；根据上述要求，形成激光云点数据采集指令代码；

步骤3、建立激光数据预处理模块，所述激光数据预处理模块对激光云点数据进行报文解析预处理分析、坐标转换预处理分析和冗余数据剔除预处理分析；

步骤4、行人检测模块采用基于K-means分析,对车辆前方障碍物进行实时检测；

步骤5、行人甄别模块对行人目标进行实时甄别。

所述步骤3包括以下步骤：

步骤31、由激光测距仪发出的激光束经障碍物反射后返回激光测距仪，形成击激光云点数据报文，所述该报文均为二进制格式构成；

步骤32、通过对云点数据报文进行解析，获取激光测距仪的数据信息，获取的所述获取激光测距仪的数据信息包括设备版本号、设备标识号、设备序列号、设备工作状态、扫描起始角度、扫描起始时间、扫描中止角度、扫描中止时间、扫描频率、编码器状态、编码器位置、编码器速度、输出通道、回波层序号和激光云点数据；根据行人检测系统的实际需求，经处理分析，将激光云点数据由极坐标形式转化为笛卡尔形式；

步骤33、将扫描扇面0～45度和135～180度之间的数据去除，以剔除冗余数据。

所述步骤4包括以下步骤：

步骤41、从预处理后的激光云点样本中选择k个初始中心点进行迭代；

步骤42、将激光云点数据集中每一个x_i分配到与之相距最近的质心m_j代表的聚类中，所述x_i表示第j个激光云点，所述m_j表示一个激光聚类的质心所代表的激光云点；

步骤43、分配后,聚类中心发生变化,计算新的聚类中心以及准则函数E值；

步骤44、重复步骤42至43直到达到最大迭代次数或新计算的准则函数E值与上一次迭代得到的准则函数E值之间的差别小于预先设定的阈值为止；

步骤45、标记各聚类中心，各聚类中心为初略的行人目标检测结果，采用基于K-means进行分析到此结束。

在步骤5中，所述行人甄别模块寻找所述聚类中心的行人目标的左边界和右边界以及非行人目标的左边界和右边界，并统计出行人目标和非行人目标的宽度距离，与所设定的阈值相比较，从而获得精细的行人目标结果，具体可按照以下步骤计算得到：

步骤51、对于第j个聚类中心，求取待甄别的行人目标的宽度，计算公式如下：

W_j=abs(x_right-x_left)；

其中，W_j表示一个激光聚类的宽度，x_right表示激光聚类的右边界坐标值，x_left表示激光聚类的左边界值，此公式的目的在于计算聚光聚类的宽度；

步骤52、将所述的W_j分别与预定的阈值θ比较，若在阈值的范围内，即为行人目标，否则，为非行人目标，所述阈值θ指之前设定的一个激光聚类的界限值。

本发明的另一目的通过以下技术方案实现：一种实现行人检测方法的检测系统，包括：电源、DSP（（digital singnal processor，数字信号处理器，简称DSP）、数据线路、电源线路和激光测距仪，所述激光测距仪通过数据线路与DSP的网络接口相连接；电源通过电源线路为激光测距仪供电；

所述DSP内设置有：

激光扫描器模块，用于设置激光测距仪的扫描参数、启动激光测距仪并将激光测距仪扫描形成的数据帧写入DSP的输入缓冲区；

激光数据预处理模块，用于对激光云点数据进行报文解析、坐标转换和冗余数据剔除；

行人检测模块，用于利用基于K-means算法的聚类分析方法对车辆前方的障碍物进行聚类检测；

行人甄别模块，用于以聚类中心为核心，查找不同类型目标的边界特征，由此获取目标的宽度，并与实验所设定的阈值相比较，最终甄别行人目标，并用矩形框标记被检测出的行人。

所述激光测距仪的扫描参数包括扫描角度、扫描频率和扫描精确度；所述扫描角度为0～180度，扫描频率为25HZ，扫描精确度为厘米级别；所述数据帧包括包含721个激光云点数据和相应的辅助信息；

所述坐标转换为将极坐标转换为笛卡尔坐标；冗余数据剔除指将0～45度和135～180度之间的数据删除；

所述数据线路为屏蔽双绞线，所述电源为车载点烟器。

本发明的原理：本发明的系统由激光扫描器模块、激光数据预处理模块、基于K-means聚类分析的行人检测模块、行人甄别模块构成。利用激光测距仪通过激光扫描器模块获取车辆前方激光云点数据，通过激光数据预处理模块对激光数据进行预处理；应用基于K-means聚类分析的行人检测模块对车辆前方障碍物进行检测并标记，在此基础上应用行人甄别模块对标记的行人目标进行确认。本系统不受天气状况等外界条件的影响，实现了行人实时快速检测，为复杂交通环境下行人主动安全保护提供技术支持。

本发明相对于现有技术具有如下的优点及效果：

1、本发明提出的基于K-means算法的激光行人检测系统，通过系统各个模块之间的协调工作，能够根据激光云点数据的空间分布，对激光云点进行有效的聚类，提高了激光行人检测系统的可靠性与鲁棒性。

2、本发明利用基于K-means聚类分析，对激光云点图中的行人进行实时检测，为车辆的主动安全和智能交通背景下行人安全保护提供了技术支持。

附图说明

图1是激光测距仪安装示意图。

图2是激光扫描器模块流程图。

图3是激光云点数据预处理模块流程图。

图4是高分辨率扫描范围图。

图5是激光云点数据坐标转换图。

图6是基于K-means算法聚类分析的行人检测模块流程图。

图7是基于K-means算法的激光行人检测系统示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本发明主要通过在车辆上安装激光测距仪，获取车辆前方障碍物激光云点数据，利用基于K-means聚类分析对行人目标进行实时检测。

基于K-means聚类分析的激光行人检测系统主要由激光扫描器模块、激光数据预处理模块、基于K-means算法聚类分析的行人检测模块和行人甄别模块组成。具体而言，应用激光扫描器模块建立激光云点数据的采集系统，可实时控制激光云点数据的采集；在激光数据数据预处理模块中，考虑到激光云点数据的连续性和仅识别前方车辆的行人，剔除与检测无关的冗余激光云点数据，减少数据分析量，提高整个系统的运行效率；利用基于K-means算法聚类分析的行人检测模块对车辆前方障碍物目标进行聚类，再利用行人甄别模块对行人目标进行甄别框取。

如图1所示，为本发明实施例中的激光测距仪1安装示意图。激光测距仪1安装于车辆前方正中央，与地面垂直并距离地面50cm，数据线路和电源线路5均与激光测距仪1连接，数据线路为屏蔽双绞线（STP）4，用于将激光测距仪1与车辆内的DSP2的网络接口相连；车载点烟器3通过电源线路5为激光测距仪1提供12V直流电。

本发明实施例中的激光数据采集系统建立完成后需进行相关的设置，包含登录设备，设置扫描频率与分辨率，设置输出内容，存储参数，运行并接受数据等，如图2所示，其关键的步骤如下：

步骤1、激光测距仪参数设置。设置激光测距仪扫描角度为0～180度、扫描频率为25Hz、角度分辨率为0.25度，距离精确度为厘米级别，最大扫描距离80m。

步骤2、设置完成后启动激光测距仪，激光传感器从左到右扫描，形成数据帧，该报文均由二进制格式构成。通过对云点数据报文进行解析，获取激光测距仪相关数据信息该数据帧包含721个激光云点数据以及设备版本号，设备ID，设备序列号，设备状态，指令计数，扫描计数，扫描起始时间，扫描结束时间，设备开关量输入状态，设备开关量输出状态，扫描频率，编码器状态，编码器位置，编码器速度，输出通道，回波层序列号，扫描起始角度，角度分辨率测量个数等其他辅助信息。

将每帧激光云点数据写入缓冲区构成样本数据，样本数据用一维浮点型数组表示，数组中各个元素的值分别对应障碍物到激光传感器的距离，范围为0.0～到80.0米之间。

对写入输入缓冲区的激光云点数据进行预处理，主要包含激光云点数据报文解析，激光云点数据的坐标转换，剔除冗余数据，如图3所示。

激光云点数据报文解析。激光测距仪发送的报文包含激光云点数据和其他辅助信息，因此需从报文数据中解析出激光云点数据，便于后续开展数据的预处理工作。

激光云点数据的坐标转换。采集数据为极坐标形式，极坐标的原点为激光测距仪的激光发射头的中心，如图4所示，激光测距仪的最大测距为80米，扫描角度可根据实际场景调整。

根据行人检测系统的实际需求，同时为了提高检测的快速性，经实验研究分析将激光云点图中极坐标类型转为笛卡尔坐标系类型，见式（1）和式（2），其中xj和yj是第j点对应的笛卡尔坐标，如图5所示；考虑到车辆前方行人的安全和数据的连续性，将0～45度和135～180度之间的数据删除，减少冗余数据的处理量。

x_j=ρ_jcosθ_j，              （1）

其中，x_j表示激光云点在笛卡尔坐标系下的横坐标值，ρ_j表示激光云点在极坐标系下的极径，θ_j表示激光云点在极坐标系下的极角；

y_j=ρ_jsinθ_j，         （2）

其中，y_j表示激光云点在笛卡尔坐标系下的纵坐标值，ρ_j表示激光云点在极坐标系下的极径，θ_j表示激光云点在极坐标系下的极角；

利用K-means聚类分析，通过空间数据聚类方法把云点数据分割成有意义的子集，对车辆前方的障碍物信息进行有效聚类，其流程图如图6所示，具体步骤如下：

步骤1、从缓冲区中取出预处理后的激光云点数据构成数据集：

X={x_m|m=1,2,...,721}，随机选取k个聚类中心，聚类中心c₁,c₂,...,c_k∈R¹；

步骤2、将激光云点数据集当中每一个x_i分配到与之相距最近的聚类m_j代表的聚类中，判断x_i的准则如下：

$c_i=\underset{j\∈\{\mathrm{1,2},...k\}}{\min }{\left|\right|x_i-m_j\left|\right|}^2,---\left(3\right)$

其中，c_i指各激光聚类的聚类中心，此公式在于分别求出未聚类激光云点与各个激光聚类聚类中心的距离，再将未聚类激光云点分到与之距离最小的激光聚类中；

步骤3、分配后，聚类中心发生变化，重新计算聚类中心以及准则函数E值。

${\stackrel{\‾}{x}}_i=\frac{1}{\left|C_i\right|}{\mathrm{\Σ}}_{x\∈C_i}x,---\left(4\right)$

其中，

指加入新的激光云点后激光聚类新的聚类中心，即聚类的质心；

$E={\mathrm{\Σ}}_{i=1}^k{\mathrm{\Σ}}_{x\∈C_i}{|x-{\stackrel{\‾}{x}}_i|}^2,---\left(5\right)$

其中，E指激光聚类更新聚类中心后，准则函数的变化值，此公式在于求得K均值聚类的局部最优解，当E求得局部最优解时，聚类结束；

步骤4、重复步骤2与3直到达到最大迭代次数或新计算的准则函数E值与上一次迭代得到的准则函数E值之间的差别给定的阈值。

步骤5、输出各聚类中心，算法结束，由此通过基于k-means聚类方法实现了对目标（行人和非行人）进行初略的判断。

行人聚类中心的甄别。上述聚类中心包含行人目标和非行人目标，因此分别寻找各个聚类中心的左右边界，在此基础上统计出各类目标的宽度距离，与实验所设定的阈值相比较，从而实现对行人目标的精确判断。可按照以下步骤计算得到：

对于第j个聚类中心，求取待甄别目标的宽度，计算公式如下：

W_j=abs(x_right-x_left)，           (6)

其中，W_j表示一个激光聚类的宽度，x_right表示激光聚类的右边界坐标值，x_left表示激光聚类的左边界值，此公式的目的在于计算聚光聚类的宽度；

将所述的W_j分别于预定的阈值θ（设为0.3m～0.6m之间）比较，若在阈值的范围内即为行人目标，否则为非行人目标。

本发明实施例中激光行人检测系统的流程图如图7所示，整个激光行人检测系统主要由激光测距仪、激光扫描器模块、激光数据预处理模块、行人检测模块组成，其特征在于通过激光测距仪获取前方障碍物信息，激光扫描器模块中建立了激光数据采集系统，可以实时的控制激光数据的采集，激光数据预处理模块中，有效的剔除了部分激光数据，减少了部分激光数据分析量，提高了整个系统的运行效率，行人检测模块中，利用基于K-means算法聚类分析的行人检测模块对车辆前方障碍物目标进行聚类；行人甄别模块中，通过查找不同类型目标的边界特征，由此获取目标的宽度，并与实验所设定的阈值相比较，最终甄别行人目标，并用矩形框标示被检测出的行人。提高了检测系统的可靠性与鲁棒性，为智能交通背景下行人安全保护提供了支持。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种行人检测方法，其特征在于，包括以下步骤：

步骤1、安装激光测距仪；

步骤2、激光扫描器模块设置激光测距仪的激光云点数据；

步骤3、建立激光数据预处理模块，所述激光数据预处理模块对激光云点数据进行报文解析预处理分析、坐标转换预处理分析和冗余数据剔除预处理分析；

步骤4、行人检测模块采用K-means进行分析,对车辆前方障碍物进行实时检测；

步骤5、行人甄别模块对行人目标进行实时甄别。

2.根据权利要求1所述的检测方法，其特征在于，所述步骤3包括以下步骤：

步骤31、由激光测距仪发出的激光束经障碍物反射后返回激光测距仪，形成击激光云点数据报文，所述该报文均为二进制格式构成；

步骤32、通过对云点数据报文进行解析，获取激光测距仪的数据信息，获取的所述获取激光测距仪的数据信息包括设备版本号、设备标识号、设备序列号、设备工作状态、扫描起始角度、扫描起始时间、扫描中止角度、扫描中止时间、扫描频率、编码器状态、编码器位置、编码器速度、输出通道、回波层序号和激光云点数据；根据行人检测系统的实际需求，经处理分析，将激光云点数据由极坐标形式转化为笛卡尔形式；

步骤33、将扫描扇面0～45度和135～180度之间的数据去除，以剔除冗余数据。

3.根据权利要求1所述的检测方法，其特征在于，所述步骤4包括以下步骤：

步骤41、从预处理后的激光云点样本中选择k个初始中心点进行迭代；

步骤42、将激光云点数据集中每一个x_i分配到与之相距最近的质心m_j代表的聚类中；

步骤43、分配后，聚类中心发生变化,计算新的聚类中心以及准则函数E值；

步骤44、重复步骤42至43直到达到最大迭代次数或新计算的准则函数E值与上一次迭代得到的准则函数E值之间的差别小于预先设定的阈值为止；

步骤45、标记各聚类中心，各聚类中心为初略的行人目标检测结果，采用基于K-means进行分析到此结束。

4.根据权利要求1所述的检测方法，其特征在于，所述步骤5包括以下步骤：

步骤51、对于第j个聚类中心，求取待甄别的行人目标的宽度，计算公式如下：

W_j=abs(x_right-x_left)，

其中，W_j表示一个激光聚类的宽度，x_right表示激光聚类的右边界坐标值，x_left表示激光聚类的左边界值，此公式的目的在于计算聚光聚类的宽度；

步骤52、将所述的W_j分别与预定的阈值θ比较，若在阈值的范围内即为行人目标，否则为非行人目标。

5.一种实现行人检测方法的检测系统，包括：电源、DSP、数据线路、电源线路和激光测距仪，所述激光测距仪通过数据线路与DSP的网络接口相连接；电源通过电源线路为激光测距仪供电；

其特征在于，所述DSP内设置有：

激光扫描器模块，用于设置激光测距仪的扫描参数、启动激光测距仪并将激光测距仪扫描形成的数据帧写入DSP的输入缓冲区；

激光数据预处理模块，用于对激光云点数据进行报文解析、坐标转换和冗余数据剔除；

行人检测模块，用于利用基于K-means算法的聚类分析方法对车辆前方的障碍物进行聚类检测；

以及行人甄别模块，用于以聚类中心为核心，查找不同类型目标的边界特征，由此获取目标的宽度，并与实验所设定的阈值相比较，最终甄别行人目标，并用矩形框标记被检测出的行人。

6.根据权利要求5所述的行人检测系统，其特征在于，所述激光测距仪的扫描参数包括扫描角度、扫描频率和扫描精确度；所述扫描角度为0～180度，扫描频率为25HZ，扫描精确度为厘米级别；所述数据帧包括包含721个激光云点数据和相应的辅助信息；

所述坐标转换为将极坐标转换为笛卡尔坐标；冗余数据剔除指将0～45度和135～180度之间的数据删除；

所述数据线路为屏蔽双绞线，所述电源为车载点烟器。

Images