CN112817005A - 一种基于点数据的模式识别方法 - Google Patents

Abstract

本发明涉及一种基于点数据的模式识别方法，包括以下步骤：周期获取激光雷达的检测数据，对激光雷达的检测数据进行脉冲转换处理，得到脉冲特征矩阵；对脉冲特征矩阵进行特征分解，将得到的特征值做动态可视化处理，提取动态变化值；判断提取的动态变化值中是否有生物特征值，若有，则剔除生物特征值后继续对动态变化值进行判断，直到所有的动态变化值中均未有生物特征值后，进行报警；若无，则进行报警。本方案能够准确的区分扫描的外来物是否目标物，比如落石、泥石流、滑坡、溜坍等，解决了传统使用雷达检测时无法区分外来物是生物还是目标物的问题，从而导致误报警。

Description

一种基于点数据的模式识别方法

技术领域

本发明涉及数据识别技术领域，特别涉及一种基于点数据的模式识别方法。

背景技术

在地面的列车轨道交通运行中，能够准确的在落石等目标物发生后的第一时间发现并拦停列车，防止发生事故是关键。从目前应用的铁路线路落石监测预警方式来看，集成了激光扫描、视频监控、智能分析、声光报警于一体的外来物侵限安全报警系统，对铁路运输安全起到了一定的安全保障作用。

但由于线路工况各不相同，环境复杂，现还存在一些缺陷和不足，安全报警系统在实际运行过程都存在一定的误报问题，比如行人、鸟兽等生物经过时，无法判断是否为落石等目标物，则一概进行报警，导致了很多误报问题。

发明内容

本发明的目的在于解决列车轨道中现有报警技术的误报问题，提供一种基于点数据的模式识别方法。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

一种基于点数据的模式识别方法，包括以下步骤：

周期获取激光雷达的检测数据，对激光雷达的检测数据进行脉冲转换处理，得到脉冲特征矩阵；

对脉冲特征矩阵进行特征分解，将得到的特征值做动态可视化处理，提取动态变化值；

判断提取的动态变化值中是否有生物特征值，若有，则剔除生物特征值后继续对动态变化值进行判断，直到所有的动态变化值中均未有生物特征值后，进行报警；若无，则进行报警。

在上述方案中，将激光雷达的检测数据做脉冲特征矩阵，若激光雷达的扫描区域出现外来物，则脉冲特征矩阵中存在特征，将脉冲特征矩阵中存在的特征提取出来做动态可视化处理，区分出现的外来物是生物还是目标物，若去除目标物后还存在特征，则说明扫描区域内出现目标物，需要报警处理。本方案能够准确的区分扫描的外来物是否目标物，比如落石、泥石流、滑坡、溜坍等，解决了传统使用雷达检测时无法区分外来物是生物还是目标物的问题，从而导致误报警。

更进一步地，所述周期获取激光雷达的检测数据的步骤，包括：

每隔周期T时，统一获取一次N个激光雷达的检测数据X`<sub>1</sub>、X`₂...X`_N；

将每个激光雷达的检测数据X`_N减去其盲区检测数据，得到实际检测数据X_N：

X_N＝X`_N(R-L)

其中R表示激光雷达扫描的扇形区域内的检测数据，L表示激光雷达扫描的扇形区域中存在盲区的检测数据；

获取的N个激光雷达的检测数据为：

更进一步地，所述对激光雷达的检测数据进行脉冲转换处理，得到脉冲特征矩阵的步骤，包括：

将激光雷达的检测数据X_n进行脉冲转换处理，得到脉冲数据矢量Y_n；

将脉冲数据矢量Y_n进行特征划分，得到脉冲特征矩阵R：

其中N表示激光雷达的数量，M表示每个激光雷达的检测数据中的特征数量，Y_ij表示第i个激光雷达的检测数据中的第j个特征，Y_j表示N个激光雷达的检测数据中的特征。

更进一步地，所述对脉冲特征矩阵进行特征分解，将得到的特征值做动态可视化处理，提取动态变化值的步骤，包括：

对脉冲特征矩阵R进行特征分解，得到特征值Y_j；

将特征值Y_j的动态能量以波形展示，得到本周期内N个激光雷达检测数据中特征能量的动态变化值C_j。

更进一步地，所述判断提取的动态变化值中是否有生物特征值，若有，则剔除生物特征值后继续对动态变化值进行判断，直到所有的动态变化值中均未有生物特征值后，进行报警；若无，则进行报警的步骤，包括：

特征能量的动态变化值C_j为正数的判断为生物特征值CI_j，并剔除生物特征值CI_j；剔除生物特征值CI_j后继续对动态变化值C_j进行判断是否还有生物特征值CI_j，直到剔除所有的生物特征值CI_j后，若C_j-CI_j≠0，则进行报警；

特征能量的动态变化值C_j中没有正数时，则进行报警。

更进一步地，所述直到剔除所有的生物特征值CI_j后，若C_j-CI_j≠0，则进行报警的步骤，包括：

若C_j-CI_j≠0，则判断剩余的动态变化值CU_j为目标特征值，其中C_j-CI_j＝CU_j；

将目标特征值CU_j还原至特征值Y_j，在脉冲特征矩阵R中找到该目标特征值CU_j所属的激光雷达的检测数据，对该激光雷达所扫描的区域进行报警。

在上述方案中，通过矩阵的方式找出特征后，再返回矩阵得到该特征的发生区域，减小了报警范围，使工作人员能更加快速的处理目标物。

更进一步地，所述将目标特征值CU_j还原至特征值Y_j，在脉冲特征矩阵R中找到该目标特征值CU_j所属的激光雷达的检测数据，对该激光雷达所扫描的区域进行报警的步骤，包括：

若该目标特征值CU_j大于第一阈值，则进行一级报警；

若该目标特征值CU_j大于第二阈值但小于第一阈值，则进行二级报警；

若该目标特征值CU_j小于第二阈值，则进行三级报警。

更进一步地，所述将目标特征值CU_j还原至特征值Y_j，在脉冲特征矩阵R中找到该目标特征值CU_j所属的激光雷达的检测数据的步骤之后，还包括：

调取该激光雷达所处区域的成像视频，若存在检测目标，则进行报警。

在上述方案中，通过激光雷达实现对轨道空间上的监控，结合摄像机实现对轨道时间上的监控，大大降低了轨道上出现目标物的误判概率。

与现有技术相比，本发明的有益效果：

(1)本方案对激光雷达的检测数据进行处理后，获取特征值，并判断特征值是否为生物特征值，排除生物特征值后即可更加准确的得知扫描区域内是否出现目标物，比如落石、泥石流、滑坡、溜坍等。

(2)本方案通过矩阵的方式找出特征后，再返回矩阵得到该特征的发生区域，减小了报警范围，使工作人员能更加快速的处理目标物。

(3)本方案通过激光雷达实现对轨道空间上的监控，结合摄像机实现对轨道时间上的监控，大大降低了轨道上出现目标物的误判概率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明识别方法流程图；

图2为本发明激光雷达设置示意图。

附图标记

激光雷达1。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性，或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

本发明通过下述技术方案实现，如图1所示，一种基于点数据的模式识别方法，包括以下步骤：

步骤S1：周期获取激光雷达的检测数据，对激光雷达的检测数据进行脉冲转换处理，得到脉冲特征矩阵。

每隔周期T时，统一获取一次N个激光雷达的检测数据X`<sub>1</sub>、X`₂...X`_N，请参见图2，N个激光雷达沿轨道一侧等间距设置，每个激光雷达扫描的扇形区域的半径为R，阴影部分的扇形为激光雷达扫描的区域。若将激光雷达设置在轨道的上方，则激光雷达所需的电能线和信号传输线与列车的接触网导线会有冲突，因此作为最优的方式，将激光雷达侧着设置在轨道旁。

由于激光雷达固有的扫描方式为扇形区域，将扇形的一条边设置为与轨道平行，但还是存在盲区。因此将各激光雷达的扫描区域相交设置，通过后一激光雷达的扫描区域弥补前一激光雷达扫描区域的盲区。那么在获取激光雷达的检测数据时，就要去除相邻两个激光雷达所扫描的重合区域。因此将每个激光雷达的检测数据X`_N减去其盲区检测数据，得到实际检测数据X_N：

X_N＝X`_N(R-L)

其中R表示激光雷达扫描的扇形区域内的检测数据，L表示激光雷达扫描的扇形区域中存在盲区的检测数据。

那么N个激光雷达的检测数据即为：

若在正常情况下，激光雷达的检测数据是平稳的，即没有特征出现，当有外来物进入激光雷达扫描区域后，检测数据出现特征。因此得到N个激光雷达的检测数据X_n后，需要对其进行脉冲转换处理，得到脉冲数据矢量Y_n，将脉冲数据矢量Y_n进行特征划分，得到脉冲特征矩阵R：

其中N表示激光雷达的数量，M表示每个激光雷达的检测数据中的特征数量，Y_ij表示第i个激光雷达的检测数据中的第j个特征，Y_j表示N个激光雷达的检测数据中的特征。也就是说，在脉冲特征矩阵中，可以得到某个激光雷达扫描的检测数据中的特征，也可以通过某一特征得知该特征是哪一个激光雷达所扫描的检测数据。

步骤S2：对脉冲特征矩阵进行特征分解，将得到的特征值做动态可视化处理，提取动态变化值。

对脉冲特征矩阵R进行特征分解，得到特征值Y_j，即将所有激光雷达的检测数据中的特征全部提取出来。将特征值Y_j的动态能量以波形展示，得到本周期内N个激光雷达检测数据中特征能量的动态变化值C_j。

对特征值进行动态可视化处理的目的是区分进入雷达扫描区域的外来物是生物还是目标物，由于生物的心脏跳动，以及器官的运作，因此生物的能量会比目标物的能量高很多。所以特征能量的动态变化值C_j为正数的判断为生物特征值CI_j，剔除生物特征值CI_j后若还有特征值，则说明扫描区域内具有目标物。但一次的剔除可能是不完整的，因此在一次剔除生物特征值CI_j后还需要再次检查是否存在动态变化值C_j。

本方案对激光雷达的检测数据进行处理后，获取特征值，并判断特征值是否为生物特征值，排除生物特征值后即可更加准确的得知扫描区域内是否出现目标物，比如落石、泥石流、滑坡、溜坍等。

直到多次检查没有生物特征值CI_j后，依然C_j-CI_j≠0，则说明排除生物后发现扫描区域内存在目标物，则进行报警。在报警前，找出目标特征值CU_j，即C_j-CI_j＝CU_j，将目标特征值CU_j还原至特征值Y_j，在脉冲特征矩阵R中找到该目标特征值CU_j所属的激光雷达的检测数据，对该激光雷达所扫描的区域进行报警。

本方案通过矩阵的方式找出特征后，再返回矩阵得到该特征的发生区域，减小了报警范围，使工作人员能更加快速的处理目标物。

在进行报警时，可以将报警等级分为多级，比如本方案将报警登记分为三级，若该目标特征值CU_j大于第一阈值，则进行一级报警；若该目标特征值CU_j大于第二阈值但小于第一阈值，则进行二级报警；若该目标特征值CU_j小于第二阈值，则进行三级报警。报警等级越高，说明目标物越大。

为更进一步的确定出现在扫描区域的外来物是目标物，在轨道附近设置若干摄像机，用于拍摄轨道现场的成像视频，得知目标物所在的区域后，调取本周期时间段内该激光雷达所处区域的成像视频，即可更准确的判断是否存在目标物。所述摄像机可为夜视智能摄像机，具有夜间补光的功能。

本方案通过激光雷达实现对轨道空间上的监控，结合摄像机实现对轨道时间上的监控，大大降低了轨道上出现目标物的误判概率。

以上所述，仅为本发明的具体实施方式，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所述以权利要求的保护范围为准。

Claims (8)

1.一种基于点数据的模式识别方法，其特征在于：包括以下步骤：

周期获取激光雷达的检测数据，对激光雷达的检测数据进行脉冲转换处理，得到脉冲特征矩阵；

对脉冲特征矩阵进行特征分解，将得到的特征值做动态可视化处理，提取动态变化值；

判断提取的动态变化值中是否有生物特征值，若有，则剔除生物特征值后继续对动态变化值进行判断，直到所有的动态变化值中均未有生物特征值后，进行报警；若无，则进行报警。

2.根据权利要求1所述的一种基于点数据的模式识别方法，其特征在于：所述周期获取激光雷达的检测数据的步骤，包括：

每隔周期T时，统一获取一次N个激光雷达的检测数据X`<sub>1</sub>、X`₂...X`_N；

将每个激光雷达的检测数据X`_N减去其盲区检测数据，得到实际检测数据X_N：

X_N＝X`_N(R-L)

其中R表示激光雷达扫描的扇形区域内的检测数据，L表示激光雷达扫描的扇形区域中存在盲区的检测数据；

获取的N个激光雷达的检测数据为：

3.根据权利要求2所述的一种基于点数据的模式识别方法，其特征在于：所述对激光雷达的检测数据进行脉冲转换处理，得到脉冲特征矩阵的步骤，包括：

将激光雷达的检测数据X_n进行脉冲转换处理，得到脉冲数据矢量Y_n；

将脉冲数据矢量Y_n进行特征划分，得到脉冲特征矩阵R：

其中N表示激光雷达的数量，M表示每个激光雷达的检测数据中的特征数量，Y_ij表示第i个激光雷达的检测数据中的第j个特征，Y_j表示N个激光雷达的检测数据中的特征。

4.根据权利要求3所述的一种基于点数据的模式识别方法，其特征在于：所述对脉冲特征矩阵进行特征分解，将得到的特征值做动态可视化处理，提取动态变化值的步骤，包括：

对脉冲特征矩阵R进行特征分解，得到特征值Y_j；

将特征值Y_j的动态能量以波形展示，得到本周期内N个激光雷达检测数据中特征能量的动态变化值C_j。

5.根据权利要求4所述的一种基于点数据的模式识别方法，其特征在于：所述判断提取的动态变化值中是否有生物特征值，若有，则剔除生物特征值后继续对动态变化值进行判断，直到所有的动态变化值中均未有生物特征值后，进行报警；若无，则进行报警的步骤，包括：

特征能量的动态变化值C_j为正数的判断为生物特征值CI_j，并剔除生物特征值CI_j；剔除生物特征值CI_j后继续对动态变化值C_j进行判断是否还有生物特征值CI_j，直到剔除所有的生物特征值CI_j后，若C_j-CI_j≠0，则进行报警；

特征能量的动态变化值C_j中没有正数时，则进行报警。

6.根据权利要求5所述的一种基于点数据的模式识别方法，其特征在于：所述直到剔除所有的生物特征值CI_j后，若C_j-CI_j≠0，则进行报警的步骤，包括：

若C_j-CI_j≠0，则判断剩余的动态变化值CU_j为目标特征值，其中C_j-CI_j＝CU_j；

将目标特征值CU_j还原至特征值Y_j，在脉冲特征矩阵R中找到该目标特征值CU_j所属的激光雷达的检测数据，对该激光雷达所扫描的区域进行报警。

7.根据权利要求6所述的一种基于点数据的模式识别方法，其特征在于：所述将目标特征值CU_j还原至特征值Y_j，在脉冲特征矩阵R中找到该目标特征值CU_j所属的激光雷达的检测数据，对该激光雷达所扫描的区域进行报警的步骤，包括：

若该目标特征值CU_j大于第一阈值，则进行一级报警；

若该目标特征值CU_j大于第二阈值但小于第一阈值，则进行二级报警；

若该目标特征值CU_j小于第二阈值，则进行三级报警。

8.根据权利要求6或7所述的一种基于点数据的模式识别方法，其特征在于：所述将目标特征值CU_j还原至特征值Y_j，在脉冲特征矩阵R中找到该目标特征值CU_j所属的激光雷达的检测数据的步骤之后，还包括：

调取该激光雷达所处区域的成像视频，若存在检测目标，则进行报警。

Images