CN108734124A - 一种激光雷达动态行人检测方法 - Google Patents

Abstract

本发明公开了道路交通安全技术领域的一种激光雷达动态行人检测方法，该方法的具体步骤如下：S1：激光雷达安装；S2：设定雷达坐标系；S3：激光雷达数据聚类；S4：特征提取；S5：特征分类；S6：行人样本采集，本发明针对激光检测的障碍物进行聚类算法分析，并组成特征集，对行人检测有很好的精度以及鲁棒性，不仅能够检测出单人，还能针对并排运动的非机动车以及行人中准确检测出行人目标，具有检测效果好及检测精度高的特点。

Description

一种激光雷达动态行人检测方法

技术领域

本发明公开了一种激光雷达动态行人检测方法，具体为道路交通安全技术领域。

背景技术

道路交通安全作为智能交通系统中的重要一环，越来越受到国内外研究机构的重视，在混合交通环境下，行人检测对安全辅助驾驶具有重要的意义。在目前的行人检测方法中，普遍采用单传感器的方法，或运用纹理、熵、模板匹配等方法在一般城市环境下检测运动行人，或采用立体视觉系统，运用摄像头倾斜度补偿方法获得地面兴趣物体，并利用支持向量机检测行人，但是，基于单一的传感器检测方法受到的信息量少、算法较为复杂的制约，已很难满足当前快速、鲁棒性要求高的行人检测要求。为此，我们提出了一种激光雷达动态行人检测方法投入使用，以解决上述问题。

发明内容

本发明的目的在于提供一种激光雷达动态行人检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种激光雷达动态行人检测方法，该检测方法的具体步骤如下：

S1：激光雷达安装：将四线激光雷达安装在车辆的正前方中央位置，并距离地面高度为0.7m；

S2：设定雷达坐标系：设定车辆后轴中心为车辆坐标系的原点O_V，车辆的行驶方向为X_V轴，与行驶方向垂直的方向为Y_V轴，与路面垂直向上为Z_V轴，使用分层转换坐标式中：ρ为雷达中心与障碍物扫描电的距离，θ为传感器扫描的角度，i为雷达的层号，T_1×3为平移矩阵，表示从激光坐标系原点到车辆坐标系原点的差值，可通过实际测量得到，R_3×3为安装旋转矩阵；

S3：激光雷达数据聚类：将一帧雷达数据分割为几个点簇，这些点簇可能包含了行人和非行人，其聚类的判断规则如下：

式中：r_min＝{r_k,r_k+1}，r_k,k+1＝|r_k-r_k+1|为相邻两个激光雷达的距离，φ为激光雷达角分辨率，C₀调节激光雷达的纵向误差，由经验值给定，即C₀＝0.001，当相邻的两个激光雷达距离小于阈值时，可视为同一个物体；

S4：特征提取：聚类完成后，分别提取每个类簇的特征来构成区分不同障碍物的特征集；

S5：特征分类：针对类簇中的每个特征训练分类器，即

其中h_i为特征f_i的弱分类器，是区分两类目标的阈值，P_i+1或-1用于修正不平等方向；

S6：行人样本采集：采集1200个正样本以及500个负样本，使用900个正样本和400个负样本作为训练数据，生成强分类器，剩下的正样本和负样本则作为测试数据，测试该方法的检测精度。

优选的，所述步骤S1中，为保证车辆行驶在水平面时能够两条激光射线扫描到路面，确保对人腿的检测效果，在安装激光雷达时，雷达的发射端应向下倾斜2.4°。

优选的，所述步骤S4中，对分割出的每个类簇，构建行人目标检测的特征集F＝{f₁,f₂,f₃,f₄,f₅,f₆,f₇,f₈,f₉,f₁₀,f₁₁,f₁₂,f₁₃}，其中f₁为激光雷达传感器距离障碍物类簇几何中心的距离，f₂为每个类簇中包含激光点云数目，f₃为类簇中所有点的标准偏差，f₄和f₅能够包含类簇内所有点云的最佳边界盒子的长和宽，f₆为点云的拟合线的线性度，f₇和f₈为类簇点云最佳拟合圆的圆度以及半径，f₉为四层激光平面每层点数拟合线直线的斜率，f₁₀～f₁₃为激光平面每层的点数。

优选的，所述步骤S6中，正样本为行人特征数据，负样本为道路旁的树木、非机动车以及机动车。

与现有技术相比，本发明的有益效果是：本发明针对激光检测的障碍物进行聚类算法分析，并组成特征集，对行人检测有很好的精度以及鲁棒性，不仅能够检测出单人，还能针对并排运动的非机动车以及行人中准确检测出行人目标，具有检测效果好及检测精度高的特点。

附图说明

图1为本发明工作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：一种激光雷达动态行人检测方法，该检测方法的具体步骤如下：

S1：激光雷达安装：将四线激光雷达安装在车辆的正前方中央位置，并距离地面高度为0.7m，为保证车辆行驶在水平面时能够两条激光射线扫描到路面，确保对人腿的检测效果，在安装激光雷达时，雷达的发射端应向下倾斜2.4°；

S2：设定雷达坐标系：设定车辆后轴中心为车辆坐标系的原点O_V，车辆的行驶方向为X_V轴，与行驶方向垂直的方向为Y_V轴，与路面垂直向上为Z_V轴，使用分层转换坐标式中：ρ为雷达中心与障碍物扫描电的距离，θ为传感器扫描的角度，i为雷达的层号，T_1×3为平移矩阵，表示从激光坐标系原点到车辆坐标系原点的差值，可通过实际测量得到，R_3×3为安装旋转矩阵；

S3：激光雷达数据聚类：将一帧雷达数据分割为几个点簇，这些点簇可能包含了行人和非行人，其聚类的判断规则如下：

式中：r_min＝{r_k,r_k+1}，r_k,k+1＝|r_k-r_k+1|为相邻两个激光雷达的距离，φ为激光雷达角分辨率，C₀调节激光雷达的纵向误差，由经验值给定，即C₀＝0.001，当相邻的两个激光雷达距离小于阈值时，可视为同一个物体；

S4：特征提取：聚类完成后，分别提取每个类簇的特征来构成区分不同障碍物的特征集，对分割出的每个类簇，构建行人目标检测的特征集F＝{f₁,f₂,f₃,f₄,f₅,f₆,f₇,f₈,f₉,f₁₀,f₁₁,f₁₂,f₁₃}，其中f₁为激光雷达传感器距离障碍物类簇几何中心的距离，f₂为每个类簇中包含激光点云数目，f₃为类簇中所有点的标准偏差，f₄和f₅能够包含类簇内所有点云的最佳边界盒子的长和宽，f₆为点云的拟合线的线性度，f₇和f₈为类簇点云最佳拟合圆的圆度以及半径，f₉为四层激光平面每层点数拟合线直线的斜率，f₁₀～f₁₃为激光平面每层的点数；

S5：特征分类：针对类簇中的每个特征训练分类器，即

其中h_i为特征f_i的弱分类器，是区分两类目标的阈值，P_i+1或-1用于修正不平等方向；

S6：行人样本采集：采集1200个正样本以及500个负样本，使用900个正样本和400个负样本作为训练数据，生成强分类器，剩下的正样本和负样本则作为测试数据，测试该方法的检测精度，正样本为行人特征数据，负样本为道路旁的树木、非机动车以及机动车。

本发明针对激光检测的障碍物进行聚类算法分析，并组成特征集，对行人检测有很好的精度以及鲁棒性，不仅能够检测出单人，还能针对并排运动的非机动车以及行人中准确检测出行人目标，具有检测效果好及检测精度高的特点。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种激光雷达动态行人检测方法，其特征在于：该检测方法的具体步骤如下：

S1：激光雷达安装：将四线激光雷达安装在车辆的正前方中央位置，并距离地面高度为0.7m；

S2：设定雷达坐标系：设定车辆后轴中心为车辆坐标系的原点O_V，车辆的行驶方向为X_V轴，与行驶方向垂直的方向为Y_V轴，与路面垂直向上为Z_V轴，使用分层转换坐标

式中：ρ为雷达中心与障碍物扫描电的距离，θ为传感器扫描的角度，i为雷达的层号，T_1×3为平移矩阵，表示从激光坐标系原点到车辆坐标系原点的差值，可通过实际测量得到，R_3×3为安装旋转矩阵；

S3：激光雷达数据聚类：将一帧雷达数据分割为几个点簇，这些点簇可能包含了行人和非行人，其聚类的判断规则如下：

式中：r_min＝{r_k,r_k+1}，r_k,k+1＝|r_k-r_k+1|为相邻两个激光雷达的距离，φ为激光雷达角分辨率，C₀调节激光雷达的纵向误差，由经验值给定，即C₀＝0.001，当相邻的两个激光雷达距离小于阈值时，可视为同一个物体；

S4：特征提取：聚类完成后，分别提取每个类簇的特征来构成区分不同障碍物的特征集；

S5：特征分类：针对类簇中的每个特征训练分类器，即

其中h_i为特征f_i的弱分类器，是区分两类目标的阈值，P_i+1或-1用于修正不平等方向；

S6：行人样本采集：采集1200个正样本以及500个负样本，使用900个正样本和400个负样本作为训练数据，生成强分类器，剩下的正样本和负样本则作为测试数据，测试该方法的检测精度。

2.根据权利要求1所述的一种激光雷达动态行人检测方法，其特征在于：所述步骤S1中，为保证车辆行驶在水平面时能够两条激光射线扫描到路面，确保对人腿的检测效果，在安装激光雷达时，雷达的发射端应向下倾斜2.4°。

3.根据权利要求1所述的一种激光雷达动态行人检测方法，其特征在于：所述步骤S4中，对分割出的每个类簇，构建行人目标检测的特征集F＝{f₁,f₂,f₃,f₄,f₅,f₆,f₇,f₈,f₉,f₁₀,f₁₁,f₁₂,f₁₃}，其中f₁为激光雷达传感器距离障碍物类簇几何中心的距离，f₂为每个类簇中包含激光点云数目，f₃为类簇中所有点的标准偏差，f₄和f₅能够包含类簇内所有点云的最佳边界盒子的长和宽，f₆为点云的拟合线的线性度，f₇和f₈为类簇点云最佳拟合圆的圆度以及半径，f₉为四层激光平面每层点数拟合线直线的斜率，f₁₀～f₁₃为激光平面每层的点数。

4.根据权利要求1所述的一种激光雷达动态行人检测方法，其特征在于：所述步骤S6中，正样本为行人特征数据，负样本为道路旁的树木、非机动车以及机动车。