CN106295586A - 基于单线点云数据机器学习的人形目标识别方法及装置 - Google Patents

Abstract

本发明实施例提供了一种基于单线点云数据机器学习的人形目标识别方法、装置和汽车，激光雷达为单线激光雷达，该方法包括：获取单线激光雷达的探测数据，探测数据包括若干点云的坐标数据；基于点云的坐标数据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；判断聚类后确定的每个探测物体的点云个数是否大于预设个数；若否，则删除组成该探测物体的点云的坐标数据；以及若是，则将组成该探测物体的点云的坐标数据拟合为椭圆；提取该探测物体的特征，以及提取拟合得到的椭圆的特征；基于所提取的特征通过机器学习方法识别该物体是否是人，若是，发出警报信息。提高汽车驾驶安全性，避免车内及车外人身财产的伤害和损失。

Description

基于单线点云数据机器学习的人形目标识别方法及装置

技术领域

本发明实施例涉及智能汽车技术领域，尤其涉及一种基于单线点云数据机器学习的人形目标识别方法及装置。

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：

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采取快速、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单线点云数据机器学习的人形目标识别方法及装置，基于单线激光雷达的探测数据，识别探测到的物体是否是人(即探测物体的形状结构)，若是，采取快速、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。

本发明实施例的一方面，提供一种基于单线点云数据机器学习的人形目标识别方法，所述方法包括：获取单线激光雷达的探测数据，所述探测数据包括若干点云的坐标数据；基于点云的坐标数据对所述若干点云进行聚类，以将所述若干点云分为至少一个探测物体；判断聚类后确定的每个探测物体的点云个数是否大于预设个数；若否，则删除组成该探测物体的点云的坐标数据；以及若是，则将组成该探测物体的点云的坐标数据拟合为椭圆；提取该探测物体的特征，以及提取拟合得到的椭圆的特征；基于所提取的特征通过机器学习方法识别该物体是否是人，若是，发出警报信息。

本发明实施例的另一方面，还提供一种基于单线点云数据机器学习的人形目标识别装置，所述装置包括：获取模块，用于获取单线激光雷达的探测数据，所述探测数据包括若干点云的坐标数据；聚类模块，用于基于点云的坐标数据对所述若干点云进行聚类，以将所述若干点云分为至少一个探测物体；判断模块，用于判断聚类后确定的每个探测物体的点云个数是否大于预设个数；删除模块，用于当所述判断模块确定任一个探测物体的点云的个数不大于预设个数时，删除组成该探测物体的点云的坐标数据；拟合模块，用于当所述判断模块确定任一个探测物体的点云的个数大于预设个数时，将组成该探测物体的点云的坐标数据拟合为椭圆；特征提取模块，用于提取每个探测物体的特征，以及提取拟合得到的椭圆的特征；识别模块，用于基于所提取的特征通过机器学习方法识别该物体是否是人，若是，发出警报信息。

根据本发明实施例提供的基于单线点云数据机器学习的人形目标识别方法及装置，通过单线激光雷达的探测数据，识别探测到的物体的形状结构，从而确定是否是人，并根据识别结果确定是否给予汽车驾驶员提醒，以使汽车驾驶员采取快速、有效的驾驶策略，和/或控制相应机构采取安全措施，提高汽车驾驶安全性，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为本发明实施例提供的一种汽车的结构示意图之一；

图2为本发明实施例提供的一种汽车的结构示意图之二；

图3为本发明实施例提供的一种汽车在扫描前方人形物体的示意图；

图4为本发明实施例提供的一种基于单线点云数据机器学习的人形目标识别方法的流程结构示意图；

图5为本发明实施例的图4提供的一种基于单线点云数据机器学习的人形目标识别方法的椭圆拟合的示意图；

图6为本发明实施例提供的一种基于单线点云数据机器学习的人形目标识别装置的示意性结构框图。

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系统)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。有且只有一条扫描线的激光雷达被称之为单线激光雷达，或者是单层激光雷达。

对于正在以某一速度行驶的汽车来说，远距物体的类别能够影响汽车驾驶员的反应驾驶策略。例如，如果前方物体是另一车辆，则需要以某一适当程度减速，并测算是否触发安全措施。也就是说，如果能够在汽车与周围物体在碰撞或接触之前获得物体类型信息，根据具体情况来决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一系列对应安全措施，从而有效减少或避免车内及车外人身财产伤害与损失。本发明所提出的方法，就是一种使用单线激光雷达对汽车的至少一个方向上的物体进行探测，实现汽车防撞的方法。

示例性地，可以在汽车的期望探测区域方向安装单线激光雷达，例如，安装在汽车的正前方，以在汽车行驶过程中地汽车前方的物体进行探测，如图1和图2所示，可将单线激光雷达安装在汽车的车顶前方，并调节使之探测汽车前方，或者将单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，单线激光雷达的水平方向与地面间的夹角θ可以为0。如图3所示，是安装其汽车前方的单线激光雷达对汽车前方的车辆的探测过程示意图。

下面将结合附图对本发明实施例进行详细的描述。

实施例一

图4为本发明实施例提供的一种基于单线点云数据机器学习的人形目标识别方法的流程结构示意图之一。

如图4所示，一种基于单线点云数据机器学习的人形目标识别方法包括如下步骤：

步骤400，获取单线激光雷达的探测数据，其中，探测数据包括若干点云的坐标数据。

如图1和图2所示，在汽车的任一个方向，如汽车的前方安装固定好单线激光雷达，使单线激光雷达的水平扫描方向与地面保持平行，以不停的扫描汽车的正前方。由于单线激光雷达扫描水平方向，当汽车的前方没有任何物体时，单线激光雷达的探测数据为超出量程的数据，无需进行任何处理，当汽车的前方有物体时，单线激光雷达的探测数据为有效数据。示例性地，如图3所示，当单线激光雷达的激光束扫描到汽车前方的车辆时，能够获得一系列点(也称作点云)的极坐标数据或者直角坐标(x,y)，若获得的是点云的极坐标数据则可以通过现有的坐标转换公式计算点云的直角坐标(x,y)。本领域技术人员可以理解的是，本发明实施例不限于探测汽车前方的物体，可以是汽车任一个方向的物体。

步骤401，基于点云的坐标数据对所述若干点云进行聚类，以将所述若干点云分为至少一个探测物体。

对于探测到的物体，例如车辆，要对其点云的坐标数据进行聚类，本发明实施例示例性地提供了一种聚类操作的方法，基于若干点云的坐标数据，将多个物体进行切割分开，亦即分辨出单线激光雷达的扫面范围内有相互独立、互不关联的物体。如图6所示，通过步骤401的聚类处理后，将若干点云聚类为三个物体，例如图中人体1、人体2和人体3。

根据本发明实施例，设第n个点的极坐标为和直角坐标为(x_n,y_n)，则步骤401的聚类操作可以包括如下步骤：

步骤A、计算若干点云中任两个连续点云的第一距离和第二距离，第一距离为两个点的距离，例如，第一距离l可以通过如下公式计算得到：以及第二距离D_n可以通过如下公式计算得到：其中，r_n-1为第n-1个点云的极坐标的距离数据；σ为所述单线激光雷达标称的测量误差；φ为每两个点云之间的角度间隔；λ为阈值系数。

在步骤A中，阈值系数λ可以通过经验值办法获得，示例性地，首先假设r_n-1等于0.1米，D等于0.02米，此时再根据所用激光雷达的参数获知σ和φ的大小，则能够计算出此时的λ值，设为λ₁；再假设r_n-1等于100米，D等于2米，已知同样的激光雷达的σ和φ的大小，再计算出此时的λ值，设为λ₂。则，λ可以在λ₁和λ₂之间通过大量先验测试优选一个数值。

步骤B、通过比较第一距离和第二距离对若干点云进行分类处理。

示例性地，若第一距离小于或者等于第二距离，则确认该两个连续点云为同一探测物体的点云，反之，若第一距离大于所述第二距离，则确认该两个连续点云不是同一探测物体的点云。

举例来说，若在第n个点云和第n-1个点云之间的第一距离l(两点云间的距离)大于第二距离D，则认为这两个点云是不连续的，也就是说，第n-1个点和第n个点分别属于不同的探测物体，或者说单线激光雷达探测到了不同的物体。

通过前述步骤A和步骤B进行聚类操作之后，单线激光雷达扫描到的各个物体已经被分割开，每个物体都成为相互独立的物体，因此在后续处理中，无需顺序地对每个点云的坐标数据进行计算，而任一个物体的点云的坐标作为计算单位，能够减小运算量，提高后续处理的速度，提高处理效率。

本发明实施例的目标检测对象为人形物体，其尺寸较大，因此，尺寸小的(即点云较少)的物体是人的可能性较小。因此，可以排除对尺寸较小的物体，不对其进行识别。

步骤402，判断聚类后确定的每个探测物体的点云个数是否大于预设个数。若否，执行步骤403，若是，执行步骤404。

步骤403，删除组成该探测物体的点云的坐标数据。

为了排除尺寸较小的物体，当步骤402确定任一个聚类后得到的任一个物体的点云的个数不大于预设个数，则删除组成该物体的点云的坐标数据。示例性地，将点云的个数小于等于3的物体的点云坐标数据直接删除。

排除不是目标检测对象(人)的物体，将所有的计算资源分配至较大可能性的数据，从而能够减少无效运算，提高计算效率，以及，减少一些无效数据的干扰，能够提高识别的准确率。

步骤404，将组成任一个探测物体的点云的坐标数据拟合为椭圆。

在本发明实施例中，其主要目的是要探测汽车前方的人形物体(人)。若探测物体为人，则多线激光雷达扫描的是该人的躯干部，而人体躯干的横截面可被近似成为一个椭圆，因此，在本发明实施例中，基于探测物体的点云的坐标数据，将组成任一个探测物体的所有点云拟合为一个椭圆形状。示例性地，椭圆拟合的结果是一个一般的二次曲线方程：

F(a,x)＝a.x＝ax²+bxy+cy²+dx+cy+f＝0，其中，a＝[a b c d e f]^T，x＝[x² xy y²x y1]^T。

图5为本发明实施例的图4提供的一种基于单线点云数据机器学习的人形目标识别方法的椭圆拟合的示意图。如图5所示，通过步骤401的聚类处理，将单线激光雷达探测得到的点云聚类为3个探测物体，并经过步骤404的椭圆拟合处理后，将各个探测物体对应的点云拟合为椭圆形状，如图5中所示人体1、人体2和人体3。

步骤405，提取每个探测物体的特征，以及提取拟合得到的椭圆的特征。

示例性地，在本步骤中提取的特征包括如下至少一个：组成任一个探测物体的所有点云的个数；连接该探测物体的起始点和终点的线段的长度；组成该探测物体的所有相邻点云之间的长度总和；所述组成该聚探测物体的所有相邻点云之间的长度总和与所述连接该探测物体的起始点和终点的线段的长度的比值；拟合得到的椭圆长轴长度、短轴长度以及它们的比值；该探测物体的平均曲率；所述单线激光雷达到该探测物体的几何中心点的距离与组成该探测物体的所有点云的个数的比值。

根据本发明一实施例，针对上述提取的特征中，分别提供以下方式计算得到：

(1)所述连接该探测物体的起始点和终点的线段的长度通过如下公式计算：

$d=\sqrt{{(x_n-x_1)}^2+{(y_n-y_1)}^2}$

其中，d表示所述线段的长度，x₁和y₁表示组成该探测物体的起始点的坐标x_n和y_n表示组成该探测物体的终点的坐标。

(2)所述组成该探测物体的所有相邻点云之间的长度总和通过如下公式计算：

$S=\sqrt{{(x_2-x_1)}^2+{(y_2-y_1)}^2}+\sqrt{{(x_3-x_2)}^2+{(y_3-y_2)}^2}+...+\sqrt{{(x_n-x_{n-1})}^2+{(y_n-y_{n-1})}^2}$

其中，s表示所述长度总和，x₁、y₁至x_n、y_n为组成该探测物体的所有点云的坐标。

(3)所述组成该聚探测物体的所有相邻点云之间的长度总和与所述连接该探测物体的起始点和终点的线段的长度的比值通过如下公式计算：

σ＝S/d

其中，所述σ表示所述比值，所述s表示组成该探测物体的所有相邻点云之间的长度总和，所述d表示所述连接该探测物体的起始点和终点的线段的长度。

(4)所述拟合得到的椭圆长轴长度、短轴长度以及它们的比值通过如下公式计算：

μ＝λ_max/λ_min

其中，μ表示所述比值，λ_max表示所述拟合得到的椭圆长轴长度。

(5)所述探测物体的平均曲率通过如下公式计算：

$k=\frac{4A}{d_1{d}_c{d}_n}$

其中，k表示所述平均曲率，A表示组成该探测物体中起始点云、中间位置点云以及结束点云的坐标围成的三角形的面积，d₁、d_c、d_n分别表示所述三角形三边的长度。

(6)所述单线激光雷达到该探测物体的几何中心点的距离与组成该探测物体的所有点云的个数的比值通过如下公式计算：

$\mathrm{\ρ}=\frac{\sqrt{x_c^2+y_c^2}}{n}$

其中，ρ表示所述比值，x_c和y_c表示该探测物体的几何中心点的坐标，n表示组成该探测物体的所有点云的个数。

由于本发明实施例的目标检测对象如人形物体的形状结构较为复杂，需要采集尽量多的特征以确定探测到的物体的形状、结构，以确定其是否是人。基于此，本发明实施例根据实际点云数据的情况，基于提取的特征，对探测到的物体的大小、形状、轮廓、结构等进行评估，充分了解该物体的细节，以提高后续识别速度和准确度。

步骤406，基于提取的特征通过机器学习方法识别该物体是否是人，若是，发出警报信息。

可以搜集大量包括人形(或人)的图像(或者检测的人的点云数据信息)，并对这些图像(或者检测的人的点云数据信息)进行标注，基于这些大量的经标注的图像(或者检测的人的点云数据信息)通过机器学习方法训练得到用于识别人形的神经网络(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(Back Propagation)神经网络等至少一种。

在本步骤中，将提取的特征输入该神经网络(分类器)中，得到人形的识别结果。若确定检测到物体为人时，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。

根据本发明一实施例，将步骤405中提取的特征作为矩阵元素组成特征矩阵。示例性地，提取的特征个数为9，因此，该特征矩阵为9行的特征矩阵，例如，生成的矩阵为Y，如下：

$Y=\left[\begin{array}{c}{f}_1\\ .\\ .\\ .\\ f_9\end{array}\right]$

基于此，步骤406可以包括：将所述特征矩阵(例如，特征矩阵Y)输入通过机器学习方法训练得到的分类器中，以识别该物体是否是人。

根据本发明另一实施例，对上一个实施例中得到的特征矩阵(例如，特征矩阵Y)中的元素进行归一化处理，示例性地，将特征矩阵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，从而得到归一化的特征矩阵Y＇。基于此，步骤406可以包括：将所述归一化处理后的特征矩阵(例如，特征矩阵Y＇)输入通过机器学习方法训练得到的分类器中，以识别该物体是否是人。可以理解的是，未进行归一化处理的特征矩阵中的元素的表达形式、结构等相对复杂，不利于计算，影响计算效率，通过归一化处理，将特征矩阵中复杂的元素通过统一的方式和规则定义，便于后续计算，提供整体运算效率。

应用前述实施例，通过单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/或使中央控制器(或中央处理器)控制相应机构采取安全措施，以避免车内及车外人身财产的伤害和损失。

实施例二

图6为本发明实施例提供的一种基于单线点云数据机器学习的人形目标识别装置的示意性结构框图。

如图6所示，一种基于单线点云数据机器学习的人形目标识别装置600，其中，激光雷达为单线激光雷达，该装置600包括获取模块601、聚类模块602、判断模块603、删除模块604、拟合模块605、特征提取模块606和识别模块607。

获取模块601用于获取所述单线激光雷达的探测数据，所述探测数据包括若干点云的坐标数据。聚类模块602用于基于点云的坐标数据对所述若干点云进行聚类，以将所述若干点云分为至少一个探测物体。判断模块603用于判断聚类后确定的每个探测物体的点云个数是否大于预设个数。删除模块604用于当所述判断模块确定任一个探测物体的点云的个数不大于预设个数时，删除组成该探测物体的点云的坐标数据。拟合模块605用于将组成任一个探测物体的点云的坐标数据拟合为椭圆。特征提取模块606用于提取每个探测物体的特征，以及提取拟合得到的椭圆的特征。识别模块607用于基于所提取的特征通过机器学习方法识别该物体是否是人，若是，发出警报信息。

根据本发明一实施例，一种基于单线点云数据机器学习的人形目标识别装置600还可以包括矩阵形成模块(图中未示出)用于将特征提取模块606所提取的特征作为矩阵元素组成特征矩阵，进一步地，识别模块607用于将所述特征矩阵输入通过机器学习方法训练得到的分类器中，以识别该物体是否是人。根据本发明另一实施例，一种基于单线点云数据机器学习的人形目标识别装置600还可以包括归一化处理模块(图中未示出)，用于对所述特征矩阵中的元素进行归一化处理，进一步地，识别模块607用于将所述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，以识别该物体是否是人。

关于一种基于单线点云数据机器学习的人形目标识别装置600的详细实施例和原理，可以参照对应的方法实施例的详细描述以理解，为了简洁，在此不再赘述。

应用前述实施例，通过单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

本发明提供了一种汽车，该汽车包括单线激光雷达和如前述实施例二中的基于单线点云数据机器学习的人形目标识别装置。其中，单线激光雷达安装在所述汽车的至少一个方向上，用于探测汽车的至少一个方向上的物体，如车辆，并输出探测数据，探测数据包括若干点云的坐标数据。

本发明实施例提供的汽车，利用单线激光雷达，可以探测其任一个方向的人体形状，并在探测到人时，基于探测识别结果控制(例如，由汽车的中央处理器控制)报警系统向汽车驾驶员发警报信息，例如，告知探测到的车辆的型号、距离本汽车的距离、采取怎样的驾驶策略和安全措施等等，从而保障安全驾驶。此外，使汽车更加智能化、人性化。

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)

1.一种基于单线点云数据机器学习的人形目标识别方法，其特征在于，所述方法包括：

获取单线激光雷达的探测数据，所述探测数据包括若干点云的坐标数据；

基于点云的坐标数据对所述若干点云进行聚类，以将所述若干点云分为至少一个探测物体；

判断聚类后确定的每个探测物体的点云个数是否大于预设个数；

若否，则删除组成该探测物体的点云的坐标数据；

以及若是，则将组成该探测物体的点云的坐标数据拟合为椭圆；

提取该探测物体的特征，以及提取拟合得到的椭圆的特征；

基于所提取的特征通过机器学习方法识别该物体是否是人，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，所述对所述若干点云的坐标数据进行聚类，包括：

计算若干点云中任两个连续点云的第一距离和第二距离，其中，所述第一距离为两个点在三维空间的距离，以及

所述第二距离通过如下公式计算：

$D_n=\frac{r_{n-1}sin\left(\mathrm{\φ}\right)}{\sin (\mathrm{\λ}-\mathrm{\φ})}+3\mathrm{\σ}$

r_n-1为第n-1个点云的极坐标的距离数据；σ为所述单线激光雷达标称的测量误差；φ为每两个点云之间的角度间隔；λ为阈值系数；

通过比较所述第一距离和第二距离对若干点云进行分类处理：

若所述第一距离小于或者等于所述第二距离，则确认该两个连续点云为同一探测物体的点云，若所述第一距离大于所述第二距离，则确认该两个连续点云不是同一探测物体的点云。

3.根据权利要求1所述的方法，其特征在于，所述提取每个探测物体的特征，以及提取拟合得到的椭圆的特征包括如下至少一个：

组成任一个探测物体的所有点云的个数；

连接该探测物体的起始点和终点的线段的长度；

组成该探测物体的所有相邻点云之间的长度总和；

所述组成该聚探测物体的所有相邻点云之间的长度总和与所述连接该探测物体的起始点和终点的线段的长度的比值；

拟合得到的椭圆长轴长度、短轴长度以及它们的比值；

该探测物体的平均曲率；

所述单线激光雷达到该探测物体的几何中心点的距离与组成该探测物体的所有点云的个数的比值。

4.根据权利要求3所述的方法，其特征在于，

所述连接该探测物体的起始点和终点的线段的长度通过如下公式计算：

$d=\sqrt{{(x_n-x_1)}^2+{(y_n-y_1)}^2}$

其中，d表示所述线段的长度，x₁和y₁表示组成该探测物体的起始点的坐标x_n和y_n表示组成该探测物体的终点的坐标；

所述组成该探测物体的所有相邻点云之间的长度总和通过如下公式计算：

$S=\sqrt{{(x_2-x_1)}^2+{(y_2-y_1)}^2}+\sqrt{{(x_3-x_2)}^2+{(y_3-y_2)}^2}+...+\sqrt{{(x_n-x_{n-1})}^2+{(y_n-y_{n-1})}^2}$

其中，s表示所述长度总和，x₁、y₁至x_n、y_n为组成该探测物体的所有点云的坐标；

所述组成该聚探测物体的所有相邻点云之间的长度总和与所述连接该探测物体的起始点和终点的线段的长度的比值通过如下公式计算：

σ＝S/d

其中，所述σ表示所述比值，所述s表示组成该探测物体的所有相邻点云之间的长度总和，所述d表示所述连接该探测物体的起始点和终点的线段的长度；

所述拟合得到的椭圆长轴长度、短轴长度以及它们的比值通过如下公式计算：

μ＝λ_max/λ_min

其中，μ表示所述比值，λ_max表示所述拟合得到的椭圆长轴长度；

所述探测物体的平均曲率通过如下公式计算：

$k=\frac{4A}{d_1{d}_c{d}_n}$

其中，k表示所述平均曲率，A表示组成该探测物体中起始点云、中间位置点云以及结束点云的坐标围成的三角形的面积，d₁、d_c、d_n分别表示所述三角形三边的长度；

所述单线激光雷达到该探测物体的几何中心点的距离与组成该探测物体的所有点云的个数的比值通过如下公式计算：

$\mathrm{\ρ}=\frac{\sqrt{x_c^2+y_c^2}}{n}$

其中，ρ表示所述比值，x_c和y_c表示该探测物体的几何中心点的坐标，n表示组成该探测物体的所有点云的个数。

5.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：

将所提取的特征作为矩阵元素组成特征矩阵；

并且，

所述基于提取的特征通过机器学习方法识别该物体是否是人，包括：

将所述特征矩阵输入通过机器学习方法训练得到的分类器中，以识别该物体是否是人。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

对所述特征矩阵中的元素进行归一化处理；

并且，

所述基于提取的特征通过机器学习方法识别该物体是否是人，包括：

将所述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，以识别该物体是否是人。

7.一种基于单线点云数据机器学习的人形目标识别装置，其特征在于，所述装置包括：

获取模块，用于获取单线激光雷达的探测数据，所述探测数据包括若干点云的坐标数据；

聚类模块，用于基于点云的坐标数据对所述若干点云进行聚类，以将所述若干点云分为至少一个探测物体；

判断模块，用于判断聚类后确定的每个探测物体的点云个数是否大于预设个数；

删除模块，用于当所述判断模块确定任一个探测物体的点云的个数不大于预设个数时，删除组成该探测物体的点云的坐标数据；

拟合模块，用于当所述判断模块确定任一个探测物体的点云的个数大于预设个数时，将组成该探测物体的点云的坐标数据拟合为椭圆；

特征提取模块，用于提取每个探测物体的特征，以及提取拟合得到的椭圆的特征；

识别模块，用于基于所提取的特征通过机器学习方法识别该物体是否是人，若是，发出警报信息。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

矩阵形成模块，用于将所提取的特征作为矩阵元素组成特征矩阵；

并且，

所述识别模块进一步用于：将所述特征矩阵输入通过机器学习方法训练得到的分类器中，以识别该物体是否是人。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

归一化处理模块，用于对所述特征矩阵中的元素进行归一化处理；

并且，

所述识别模块进一步用于：将所述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，以识别该物体是否是人。