CN112698301A - 基于距离强度关联的激光雷达目标识别方法、装置及设备 - Google Patents

Abstract

本发明公开了一种基于距离强度关联的激光雷达目标识别方法、装置及设备，所述方法包括：获取激光雷达扫描区域的点云数据，根据所述点云数据中的三维坐标信息计算各点到坐标系原点的距离；根据所述点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型，根据所述数学模型提取疑似目标点；根据基于密度的区域生长算法对所述疑似目标点进行聚类，得到若干个疑似目标点簇；将所述疑似目标点簇输入训练好的分类算法模型，得到目标识别结果。本发明公开的目标识别方法，基于激光雷达获取目标的三维坐标信息，可精准定位目标方位，提高识别结果的精度，而且激光雷达抗干扰能力强，稳定性好，应用范围广。

Description

基于距离强度关联的激光雷达目标识别方法、装置及设备

技术领域

本发明涉及目标识别技术领域，特别涉及一种基于距离强度关联的激光雷达目标识别方法、装置及设备。

背景技术

针对具有高反射率的目标进行激光主动探测识别，高反射率目标包括交通标志牌、汽车车灯、反光柱、车道线、部分镜头等，快速发现和定位目标，为进一步处理提供精准位置信息，在无人驾驶领域和安防领域具有重要研究意义。

以道路交通标志牌为例，其组成包括铝板、反光膜、抱箍、钢骨架、主杆等。反光膜通常被剪裁为圆形或方形，多为工程级反光膜、高强级反光膜，具有较高反光系数。以道路车道线为例，采用热熔反光涂料，加入反光玻璃微珠，对光线进行有效折射、聚焦和定向反射，具有较强的反射能力。此外，部分具有“猫眼”效应的光学镜头也具有高反射能力。

现有技术中，研究人员采用普通相机采集交通标志牌和车道线数据，基于机器学习方法对其彩色图像中的目标进行识别。此方法的不足之处在于相机受光线、天气等环境因素影响较大，二维位置信息定位目标精确度低，获取遮蔽条件下目标难度较大，系统硬件平台复杂，效率较低。

发明内容

本公开实施例提供了一种基于距离强度关联的激光雷达目标识别方法、装置及设备。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本公开实施例提供了一种基于距离强度关联的激光雷达目标识别方法，包括：

获取激光雷达扫描区域的点云数据，根据点云数据中的三维坐标信息计算各点到坐标系原点的距离；

根据点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型，根据数学模型提取疑似目标点；

根据基于密度的区域生长算法对疑似目标点进行聚类，得到若干个疑似目标点簇；

将疑似目标点簇输入训练好的分类算法模型，得到目标识别结果。

在一个实施例中，获取激光雷达扫描区域的点云数据之前，还包括：

通过激光雷达以预设的频率采集目标场景内的点云数据。

在一个实施例中，根据点云数据中的三维坐标信息计算各点到坐标系原点的距离，包括：

根据点云数据中的三维坐标信息，采用欧几里得公式计算各点到坐标系原点的距离。

在一个实施例中，根据点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型，根据数学模型提取疑似目标点，包括：

根据点云数据中各点到坐标系原点的距离与回波强度阈值的关系建立数学模型；

根据数学模型计算各点的回波强度阈值；

当点云数据中某点的回波强度值大于该点对应的回波强度阈值时，则将该点记为疑似目标点。

在一个实施例中，根据基于密度的区域生长算法对疑似目标点进行聚类，得到若干个疑似目标点簇，包括：

任选一个疑似目标点作为待处理点；

将待处理点预设半径内的所有疑似目标点组成一个疑似目标点集合；

计算集合内的疑似目标点个数，若个数大于等于预设个数，则将集合作为一个疑似目标点簇；若个数小于预设个数，则将待处理点作为噪声点；

重复上述步骤，直到将没有被归入疑似目标点簇或归为噪声点的疑似目标点处理完，得到若干个疑似目标点簇。

在一个实施例中，将疑似目标点簇输入训练好的分类算法模型，得到目标识别结果，包括：

对各个疑似目标点簇进行平面截断切割，投影得到二维分布的点云，并建立二维坐标系；

获取纵坐标方向上的离散点序列，并根据离散点序列构建拟合曲线；

计算离散点序列在拟合曲线上的导数，并构建特征向量；

将特征向量输入训练好的分类算法模型，得到目标识别结果。

在一个实施例中，将疑似目标点簇输入训练好的分类算法模型之前，还包括：

获取高斯分布曲线，计算曲线上各点的导数；

根据各点的导数以及高斯分布参数构建特征向量；

改变参数构建多个特征向量，得到特征向量集合，根据特征向量集合训练分类算法模型。

第二方面，本公开实施例提供了一种基于距离强度关联的激光雷达目标识别装置，包括：

获取模块，用于获取激光雷达扫描区域的点云数据，根据点云数据中的三维坐标信息计算各点到坐标系原点的距离；

计算模块，用于根据点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型，根据数学模型提取疑似目标点；

聚类模块，用于根据基于密度的区域生长算法对疑似目标点进行聚类，得到若干个疑似目标点簇；

分类模块，用于将疑似目标点簇输入训练好的分类算法模型，得到目标识别结果。

在一个实施例中，还包括：

采集模块，用于通过激光雷达以预设的频率采集目标场景内的点云数据。

第三方面，本公开实施例还提供了一种基于距离强度关联的激光雷达目标识别设备，其特征在于，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的基于距离强度关联的激光雷达目标识别方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例提供的基于距离强度关联的激光雷达目标识别方法，采用点云回波强度与距离数学模型滤除低回波强度点云，仅保留少量高回波强度疑似目标点云进行下一步计算，可大大提高运算速率，提高实时性，在工程应用方面具有一定意义；而且将疑似目标点分簇并对各簇点云进行处理，可排除部分具有高回报强度噪声点，有效降低虚警率；通过利用激光雷达识别目标相比于图像传感器可获得目标的三维坐标，从而精准定位目标方位，提高识别结果的精确度，激光雷达还可探测隐蔽目标，获取精细特征；激光雷达还不受白天和黑夜的限制，抗干扰能力更强，稳定性和鲁棒性更好，具有适用范围广的优点。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种基于距离强度关联的激光雷达目标识别方法的流程示意图；

图2是根据一示例性实施例示出的一种提取疑似目标点的方法的流程示意图；

图3是根据一示例性实施例示出的一种对疑似目标点进行聚类的方法的流程示意图；

图4是根据一示例性实施例示出的一种目标识别方法的流程示意图；

图5是根据一示例性实施例示出的一种基于距离强度关联的激光雷达目标识别装置的结构示意图；

图6是根据一示例性实施例示出的一种基于距离强度关联的激光雷达目标识别设备的结构示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或一个以上实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

激光雷达的工作原理是向目标物体发射激光束，对接收信号与发射信号进行处理，获取目标三维坐标、高度、速度、形状、姿态等丰富信息。激光雷达的核心有两部分，分别是激光发射系统和激光接收系统。其中，激光发射系统具有较小的发散角，发射出具有大量能量的激光光束，激光接收系统负责探测和接收照射到目标上的反射、散射等回波信号。

与图像传感器相比，激光雷达探测距离较远，能够获取物体的三维坐标信息，具有测量精度高、稳定性强、鲁棒性好等特点；而且激光雷达能够全天时工作，不受白天和黑夜光照的限制，抗干扰能力强。因此，本公开实施例提供了一种基于距离强度关联的激光雷达目标识别方法。

下面将结合附图1-附图3，对本申请实施例提供的基于距离强度关联的激光雷达目标识别方法进行详细介绍。

参见图1，该方法具体包括以下步骤。

S101获取激光雷达扫描区域的点云数据，根据点云数据中的三维坐标信息计算各点到坐标系原点的距离。

在一个实施例中，在执行步骤S101之前，还包括通过激光雷达以预设的频率采集目标场景内的点云数据。例如，架设光束发散角为θ、激光波长为l的激光雷达系统，激光雷达系统可以安置在某一静止位置，也可以安置于移动的车辆、船只等载体上。在预设时长T内，以预设频率F采集目标场景内的点云数据，需确保可完全覆盖目标场景，尤其是确保覆盖待识别目标。另外，本领域技术人员可自行设置预设时长、预设频率以及光束发散角，本公开实施例不做具体限制。

然后获取激光雷达扫描区域的点云数据，点云是在同一空间参考系下表达目标空间分布和目标表面光谱特性的海量点集合。最常见的点云数据只包含三维XYZ坐标信息，根据激光测量原理采集到的点云数据，除了三维坐标外还包括回波强度(Intensity，I)，根据摄影测量原理采集到的点云数据，除了三维坐标外还包括颜色信息。本算法需利用点云的三维XYZ坐标和回波强度I来完成初步目标点检测，因此，本公开实施例采用激光雷达获取点云数据。

在确定激光雷达坐标系后获取点云的XYZI信息，可根据点云的XYZ信息计算各点与坐标系原点(0,0,0)之间的距离。在一种可能的实现方式中，采用欧几里得度量计算方法计算各点与坐标系原点之间的距离，公式如下：

其中，R表示某点到坐标系原点的距离，(X₁,Y₁,Z₁)为点云中某点的三维坐标；(X₂,Y₂,Z₂)为激光雷达坐标。

计算出各点到原点的距离信息后，可得到点云的五个信息，分别是三维坐标、回波强度以及到原点的距离(X,Y,Z,I,R)。

S102根据点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型，根据数学模型提取疑似目标点。

激光雷达的基本工作原理与普通雷达相似，由发射系统产生发射信号，探测到目标后产生返回信号，并被接收系统收集处理，得到所需信息。当发射的激光束辐射照射到目标时，激光雷达利用反射、折射、散射和透射等所产生的回波辐射进行探测。

目标反射率不同，其回波强度值不同。除此之外，回波强度值还受到激光波长、目标物体反射率、激光测量距离、激光入射角、大气衰减的影响。本公开实施例建立点云距离与回波强度阈值的数学关系模型，并使用该模型对扫描区域内的点云进行分类处理，提取疑似目标点。

在一个实施例中，根据点云数据中各点的回波强度以及各点到坐标系原点的距离提取疑似目标点，包括：S201根据点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型；S202根据数学模型计算各点的回波强度阈值；S203当点云数据中某点的回波强度值大于该点对应的回波强度阈值时，则将该点记为疑似目标点。

具体地，根据激光雷达方程，可以得到各点到坐标系原点的距离与回波强度阈值的数学关系。激光雷达作用距离的方程为：

其中，P_R是接收激光功率(W)，P_T是发射激光功率(W)，G_T是发射天线增益，σ是目标散射截面，D是接收孔径(m)，R是某点到坐标系原点的距离(m)，η_Atm是单程大气传输系数，η_Sys是激光雷达的光学系统的传输系数。

根据不同设备的量化方式和激光波长，得到点云回波强度阈值与点到设备原点距离的数学关系模型I_t(R)＝αP_R。其中，P_R为接收激光功率(W)，与目标至设备原点距离R^β相关，β根据目标截面大小设置。α为一次线性关系系数，该系数与待测目标的反射率相关。

在确定场景和待识别目标后，通过获取先验点云数据进行试验计算，可得到α的参数值。因此，根据点云数据中各点到坐标系原点的距离R，以及上述数学模型，可以计算出各点对应的回波强度阈值I_t(R)。

设第i个点的五个信息为(X_i,Y_i,Z_i,I_i,R_i)，根据上述方法计算第i个点的回波强度阈值I_it(R)，若I_i≤I_it(R)，则第i个点不是疑似目标点；若I_i>I_it，则第i个点是疑似目标点。计算得到的所有疑似目标点进入下一步处理，记作集合Q，完成高回波强度点云分割。

根据该步骤，采用点云回波强度与距离数学模型滤除低回波强度点，仅保留少量高回波强度疑似目标点进行下一步计算，可大大提高运算速率，提高实时性，在工程应用方面具有一定意义。

S103根据基于密度的区域生长算法对疑似目标点进行聚类，得到若干个疑似目标点簇。

常用的聚类算法通常需要指定待聚类簇的个数，但是在此应用场景中，由于环境复杂，目标个数未知，因此确定簇数的聚类算法并不适用。在一种可能的实现方式中，根据DBSCAN聚类算法、OPTICS聚类算法、DENCLUE聚类算法以及区域生长的概念，由一个种子点开始，对其一定空间半径内的点进行处理，将符合要求的点纳入同一簇，舍弃不符合要求的点。

如图3所示，一种对疑似目标点进行聚类的方法，包括：

S301任选一个疑似目标点作为待处理点。

首先，在上述步骤得到的疑似目标点中任选一个疑似目标点作为待处理点。

S302将待处理点预设半径内的所有疑似目标点组成一个疑似目标点集合。

以待处理点为球心，以E为半径搜索空间邻域内的所有疑似目标点，组成疑似目标点集合。其中，半径E与待识别目标的尺寸相关，可自行设置。

S303计算集合内的疑似目标点个数，若个数大于等于预设个数，则将集合作为一个疑似目标点簇；若个数小于预设个数，则将待处理点作为噪声点。

其中，预设个数表示与距离R相关的自适应动态参数，表示每个待处理点在E邻域内的最少点个数，该参数与目标尺寸和激光光束发散角θ相关，具体计算公式可根据该目标在若干个特定距离的点个数进行拟合得出。

S304重复上述步骤，直到将没有被归入疑似目标点簇或归为噪声点的疑似目标点处理完，得到若干个疑似目标点簇。

根据该步骤，将疑似目标点分簇并对各簇点云进行处理，可排除部分具有高回报强度噪声点云，有效降低虚警率。

S104将疑似目标点簇输入训练好的分类算法模型，得到目标识别结果。

在执行步骤S104之前，还包括训练分类算法模型，具体地，获取高斯分布曲线，计算曲线上各点的导数。

例如，获取高斯分布钟型曲线

在x轴以ΔL为间隔分为N个区域，获取点(x₀+n*ΔL,f(x₀+n*ΔL))，并计算该点导数Δδ(x₀+n*ΔL)。其中n＝0,1,2,……,N。

根据曲线各点导数和高斯分布参数构建特征向量V(n)＝[Δδ(x₀),Δδ(x₀+ΔL,…,Δδx0+N*ΔL,μ,σ]。

模拟多种参数的高斯分布曲线，构建多个特征向量，得到特征向量集合，根据特征向量集合训练分类算法模型。在一种可能的实现方式中，可以采用基于监督学习的朴素贝叶斯算法、决策树算法等分类算法模型。

通过构建高斯分布曲线特征向量，采用监督学习分类算法模型，可以大大提高分类效率和正确率。

得到训练好的分类算法模型后，将疑似目标点簇输入训练好的分类算法模型，得到目标识别结果。如图4所示，一种目标识别方法，包括：

S401对各个疑似目标点簇进行平面截断切割，投影得到二维分布的点云，并建立二维坐标系。

在一种可能的实现方式中，沿激光出射方向，对各个疑似目标点簇进行平面截断切割，以疑似目标点簇Ui为例，将Ui中点云投影到截面上形成二维分布，在该分布中建立二维坐标系xoy，以靠近设备且与激光出射窗口平行的射线为x轴，截面中垂直于x轴的直线设为y轴。

S402获取纵坐标方向上的离散点序列，并根据离散点序列构建拟合曲线。

在一种可能的实现方式中，在x轴方向上以x＝l₀为起点，x＝l_N为终点，以Δl为间隔划分为N个区域[l₀+(i-1)*Δl,l₀+i*Δl)，其中i>1，i的值与x方向范围有关。x轴的各个区间中，y轴方向取值为该区间内点云在y轴方向的最大值。构成离散点序列{(x1,y1),(x2,y2),…,(xn,yn)}，以x值从小到大的方向对序列中的点进行曲线拟合，得到拟合曲线。

S403计算离散点序列在拟合曲线上的导数，并构建特征向量。

S404将特征向量输入训练好的分类算法模型，得到目标识别结果。

在一种可能的实现方式中，将构建完成的特征向量输入训练好的分类算法模型，分类算法模型会进行检测判断，若输入的特征向量对应的拟合曲线与高斯分布曲线近似一致，则该簇对应的点云即为目标，从而完成目标识别。本公开实施例中的分类算法模型是利用多种参数的高斯分布曲线训练的，因此，只要输入的特征向量对应的拟合曲线与任意一种高斯曲线近似一致，则该簇对应的点云即为目标。

根据本公开实施例提供的基于距离强度关联的激光雷达目标识别方法，通过利用激光雷达识别目标相比于图像传感器可获得目标的三维坐标，从而精准定位目标方位，提高识别结果的精确度，激光雷达还可探测隐蔽目标，获取精细特征；激光雷达还不受白天和黑夜的限制，抗干扰能力更强，稳定性和鲁棒性更好，具有适用范围广的优点。

本公开实施例还提供一种基于距离强度关联的激光雷达目标识别装置，该装置用于执行上述实施例的基于距离强度关联的激光雷达目标识别方法，如图5所示，该装置包括：

获取模块501，用于获取激光雷达扫描区域的点云数据，根据点云数据中的三维坐标信息计算各点到坐标系原点的距离；

计算模块502，用于根据点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型，根据数学模型提取疑似目标点；

聚类模块503，用于根据基于密度的区域生长算法对疑似目标点进行聚类，得到若干个疑似目标点簇；

分类模块504，用于将疑似目标点簇输入训练好的分类算法模型，得到目标识别结果。

需要说明的是，上述实施例提供的基于距离强度关联的激光雷达目标识别装置在执行基于距离强度关联的激光雷达目标识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于距离强度关联的激光雷达目标识别装置与基于距离强度关联的激光雷达目标识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

本公开实施例还提供一种与前述实施例所提供的基于距离强度关联的激光雷达目标识别方法对应的电子设备，以执行上述基于距离强度关联的激光雷达目标识别方法。

请参考图6，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图6所示，电子设备包括：处理器600，存储器601，总线602和通信接口603，处理器600、通信接口603和存储器601通过总线602连接；存储器601中存储有可在处理器600上运行的计算机程序，处理器600运行计算机程序时执行本申请前述任一实施例所提供的基于距离强度关联的激光雷达目标识别方法。

其中，存储器601可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口603(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线602可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器601用于存储程序，处理器600在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的基于距离强度关联的激光雷达目标识别方法可以应用于处理器600中，或者由处理器600实现。

处理器600可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器600中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器600可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器601，处理器600读取存储器601中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的基于距离强度关联的激光雷达目标识别方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于距离强度关联的激光雷达目标识别方法，其特征在于，包括：

获取激光雷达扫描区域的点云数据，根据所述点云数据中的三维坐标信息计算各点到坐标系原点的距离；

根据所述点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型，根据所述数学模型提取疑似目标点；

根据基于密度的区域生长算法对所述疑似目标点进行聚类，得到若干个疑似目标点簇；

将所述疑似目标点簇输入训练好的分类算法模型，得到目标识别结果。

2.根据权利要求1所述的方法，其特征在于，所述获取激光雷达扫描区域的点云数据之前，还包括：

通过所述激光雷达以预设的频率采集目标场景内的点云数据。

3.根据权利要求1所述的方法，其特征在于，根据所述点云数据中的三维坐标信息计算各点到坐标系原点的距离，包括：

根据所述点云数据中的三维坐标信息，采用欧几里得公式计算各点到坐标系原点的距离。

4.根据权利要求1所述的方法，其特征在于，根据所述点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型，根据所述数学模型提取疑似目标点，包括：

根据所述点云数据中各点到坐标系原点的距离与回波强度阈值的关系建立数学模型；

根据所述数学模型计算各点的回波强度阈值；

当所述点云数据中某点的回波强度值大于该点对应的回波强度阈值时，则将该点记为疑似目标点。

5.根据权利要求1所述的方法，其特征在于，根据基于密度的区域生长算法对所述疑似目标点进行聚类，得到若干个疑似目标点簇，包括：

任选一个疑似目标点作为待处理点；

将所述待处理点预设半径内的所有疑似目标点组成一个疑似目标点集合；

计算所述集合内的疑似目标点个数，若所述个数大于等于预设个数，则将所述集合作为一个疑似目标点簇；若所述个数小于预设个数，则将所述待处理点作为噪声点；

重复上述步骤，直到将没有被归入疑似目标点簇或归为噪声点的疑似目标点处理完，得到若干个疑似目标点簇。

6.根据权利要求1所述的方法，其特征在于，将所述疑似目标点簇输入训练好的分类算法模型，得到目标识别结果，包括：

对各个疑似目标点簇进行平面截断切割，投影得到二维分布的点云，并建立二维坐标系；

获取纵坐标方向上的离散点序列，并根据所述离散点序列构建拟合曲线；

计算所述离散点序列在所述拟合曲线上的导数，并构建特征向量；

将所述特征向量输入所述训练好的分类算法模型，得到目标识别结果。

7.根据权利要求6所述的方法，其特征在于，将所述疑似目标点簇输入训练好的分类算法模型之前，还包括：

获取高斯分布曲线，计算曲线上各点的导数；

根据各点的导数以及高斯分布参数构建特征向量；

改变参数构建多个特征向量，得到特征向量集合，根据所述特征向量集合训练分类算法模型。

8.一种基于距离强度关联的激光雷达目标识别装置，其特征在于，包括：

获取模块，用于获取激光雷达扫描区域的点云数据，根据所述点云数据中的三维坐标信息计算各点到坐标系原点的距离；

计算模块，用于根据所述点云数据中各点到坐标系原点的距离与各点回波强度阈值的关系建立数学模型，根据所述数学模型提取疑似目标点；

聚类模块，用于根据基于密度的区域生长算法对所述疑似目标点进行聚类，得到若干个疑似目标点簇；

分类模块，用于将所述疑似目标点簇输入训练好的分类算法模型，得到目标识别结果。

9.根据权利要求8所述的装置，其特征在于，还包括：

采集模块，用于通过所述激光雷达以预设的频率采集目标场景内的点云数据。

10.一种基于距离强度关联的激光雷达目标识别设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的基于距离强度关联的激光雷达目标识别方法。

Images