CN114359876A - 一种车辆目标识别方法及存储介质 - Google Patents

Abstract

本发明属于数据处理技术领域，具体涉及一种车辆目标识别方法及存储介质，该方法包括：步骤一，构建特征数据库，利用特征数据库对支持向量机模型进行训练，得到分类模型；步骤二，对激光雷达数据进行预处理得到采集数据，通过地面滤波剔除采集数据中的地面点得到非地面点，再利用非地面点的高程信息剔除非地面点中的远地点，得到候选点集合；步骤三，根据候选点的类型，用对应的方式确定聚类区间后，通过密度聚类法获取目标对象；其中，候选点的类型包括实时帧点云和离线点云；步骤四，提取目标对象的特征向量后，利用分类模型对目标对象进行预测，完成车辆目标识别。使用本方法，可以提升车辆目标提取的精准度、效率和适用性。

Description

一种车辆目标识别方法及存储介质

技术领域

本发明属于数据处理技术领域，具体涉及一种车辆目标识别方法及存储介质。

背景技术

2020年最新的公安部统计数据显示，中国现有机动车保有量3.72亿辆，汽车数量占比约75%共计2.81亿辆。日益增长的汽车数量对道路交通造成了巨大压力，交通事故发生率逐年增加，交通拥堵等问题加剧，对人们的生命安全和生产生活造成直接影响。为了使人们的驾驶更加安全省心，出现了智能驾驶技术。智能驾驶技术通过直接控制车辆或辅助驾驶员进行车辆控制，避免驾驶员疲劳驾驶、分心、超速、等不良行为引起的危险事故，能够提高道路交通安全性；也能够根据道路拥堵情况合理规划路线，避免大量人为因素导致的不合理拥堵，提升出行效率，缓解城市交通拥堵。

智能驾驶技术的核心模块包括环境感知模块、行为决策模块和运动控制模块。车辆目标识别作为环境感知模块的重要组成部分，为智能驾驶提供道路上最基本的障碍物信息从而确保车辆的行驶安全。通过对道路上车辆目标的识别，从而确定危险碰撞距离规避交通事故，也可以进一步对识别的车辆目标进行运动状态的跟踪，为决策和运动控制模块提供信息支持。

传统的车辆识别方法主要依赖于视觉传感器获取的图像，采用机器学习或深度学习的方法进行识别(韩骁枫等,2019)；然而，图像易受到不同光照、阴影的影响，且无法提供可靠的3D几何信息，导致识别精度的降低。LiDAR（Light Detection And Ranging）是一种主动遥感技术，具有不易受光照、天气条件的影响，测距精度较高且感知范围广的特点，可以准确获取目标的三维空间信息(Pu S and Vosselman, 2009)。众多科研机构、互联网大厂和传统汽车厂商纷纷探索车载LiDAR系统在目标识别中的应用，以将其作为主要的技术手段服务于智能驾驶。因此，进行相关的研究对智能驾驶的避障决策与路径规划有着重要的现实意义。

从现有的研究成果来看，目前国内外学者对基于激光雷达进行车辆目标识别的方法可以分为两类：（1）基于模型的车辆识别；（2）基于特征的车辆识别。文献(孔栋等,2018;苏致远等,2017)提出了一类首先根据邻域范围内激光点的空间高程差异提取地面点，再通过聚类算法对目标点云进行聚类，最后根据对象轮廓曲线模型匹配，以及提取对象目标内的特征点，进行向量角度或模长限制识别车辆目标。徐国艳等(2020)首先对点云数据进行地面滤波和预处理操作，然后采用阈值可变的聚类算法完成点云聚类，并提取出10个相异的特征，构成53维的特征向量。最后使用支持向量机优化的AdaBoost分类器对点云数据进行处理，完成车辆目标识别。

虽然现在有诸多车辆目标提取方法，但是目前仍然存在以下难以克服的问题：

（1）目标识别时处理的点云数据量大，密度不均匀且存在噪声，需要进行必要的预处理以减少需要处理的点云数量，从而提高车辆识别的效率；

（2）车辆目标提取在算法进行了大量的冗余计算，效率很大程度依赖于高性能硬件作为支撑。

发明内容

本发明的目的在于，提供一种车辆目标识别方法，可以提升车辆目标提取的精准度、效率和适用性。

本发明提供的基础方案为：

一种车辆目标识别方法，包括：

步骤一，构建特征数据库，利用特征数据库对支持向量机模型进行训练，得到分类模型；

步骤二，对激光雷达数据进行预处理得到采集数据，通过地面滤波剔除采集数据中的地面点得到非地面点，再利用非地面点的高程信息剔除非地面点中的远地点，得到候选点集合；

步骤三，根据候选点的类型，用对应的方式确定聚类区间后，通过密度聚类法获取目标对象；其中，候选点的类型包括实时帧点云和离线点云；

步骤四，提取目标对象的特征向量后，利用分类模型对目标对象进行预测，完成车辆目标识别。

基础方案工作原理及有益效果：

使用本方法，在进行聚类前，本方法会通过预处理后，筛除非地面点及远地点的方式获取候选点，可以精简用于聚类的点云数量，取出噪声数据，加快运算效率，提高车辆识别效率。

除此，本方法会根据候选点的类型，用对应的方式确定聚类区间。需要说明的是，本申请中的离线帧点云，并非传统意义上断网后的本地数据，而是指即采集反馈时间稍长的一段时间内持续采集反馈的点云数据；相应的，实时帧点云，即采集反馈时间极短（如零点几秒反馈）的点云数据。

现有的类似技术都是集中在实时帧点云处理上，这样的好处是在车辆行驶速度不慢的时候，能够实时的反应当前的路况路障，但是，在车辆的行驶速度较慢时，这样的处理方式，处理结果的重复率非常高，对系统的运算资源浪费严重。

而本方案则可以规避上述情况。本方案无论是实时帧点云还是离线点云，都可以进行针对性的处理，通用性强，应用场景丰富。如果是行驶速度不慢的情况，本申请可以通过实时帧点云进行目标识别辅助驾驶，并且处理效率比现有技术更快。另一方面，本申请可自动区分实时帧与离线帧。如果是遇到了行驶速度较慢的情况，如堵车等情况，点云数据重复扫描，前后帧之间重叠度高于所设阈值，本方案则自动选择离线帧点云处理方式进行计算，即，将反馈时间稍长的一段时间内持续采集反馈的点云数据进行识别处理，由于持续一段时间采集的点云数据量更多更全，除了识别的内容更清楚外，还可以起到场景识别的作用，而场景识别后又可以反过来对当前的行驶建议进行辅助优化。这样，不仅不会浪费系统的运算资源，反而可以进一步强化辅助驾驶的能力。当前后帧重叠度低于所设阈值时，本方案自动判定为实时帧数据。且，在实施帧与离线帧进行切换时，本方案自动计算重叠区域，避免重叠区域的重复识别，进一步节省运算资源。除此，针对离线帧的高冗余度问题，传统技术方案的思路是采取使用更高性能硬件，使用更高计算力去处理；本方案中，则是采取识别切换离线帧与实时帧处理方式，针对低速行驶的离线帧，将多帧集成统一处理，从而节省计算性能，对硬件的需求更低，更够适配更多的车辆硬件。

综上，使用本方法，可以提升车辆目标提取的精准度、效率和适用性。

进一步，步骤二中，所述预处理包括：根据激光扫描仪的有效测量距离划定感兴趣区，滤除感兴趣区以外的数据后，再对感兴趣区内的点云数据构建k-d树索引每个点云的邻域，并计算各点到它所有临近点的平均距离d’；根据高斯分布原理的均值μ和标准差σ，若某点的d’＞μ+σ，则将该点作为离群点剔除。

有益效果：通过这样的方式，可以在预处理时，将感兴趣点及离群点有效剔除，使后续用于聚类的点云更加精简，保证后续处理的效率。

进一步，步骤二中，所述通过地面滤波剔除采集数据中的地面点包括：

使用随机抽样一致算法对地面参考平面进行迭代拟合，根据点到平面距离公式计算激光点到地面参考平面的距离后统计满足距离误差阈值的局内点数，迭代上述过程到达预设的最大迭代次数后，找出包含最多局内点数的地面参考平面作为实际地面，并将实际地面中的局内点作为地面点剔除。

有益效果：使用现有的程序，即可得到初始的地面参考平面，通过这样的方式，可以保证对地面点识别的准确性，将凹陷处或者凸起处识别出来，保证最大程度的将地面点剔除干净。

进一步，步骤二中，所述利用非地面点的高程信息剔除非地面点中的远地点包括：

以扫描仪中心点为原点，扫描仪前进方向为X轴、高程方向为Z轴建立坐标系，划分固定大小的XY面格网，计算格网内地面点的平均高程后设定距地高阈值；再遍历格网中所有非地面点数据，计算各点的高程与地面点平均高程的差值，若某点的差值大于地高阈值，则将该点作为远地点剔除。

有益效果：XY面格网，即水平面网格。通过这样的方式，可以准确的将远地点筛选出来，较少后续流程的处理数据量，提升识别效率。

进一步，步骤二还包括：对非地面点进行均匀采样，通过对点云数据创建三维体素栅格后，在每个体素保留一个最接近体素中心的点，代替体素中所有点。

有益效果：通过对非地面点进行均匀采样，可以有效减少参与计算的点云的数量，减少数据处理量，提高效率。

进一步，步骤三包括：

步骤3.1，若候选点为实时帧点云，以扫描仪中心为坐标原点，根据候选点到坐标原点的距离设置距离阈值，确定对应的聚类区间；

步骤3.2，对各聚类区间设置不同的聚类半径后，通过目标连通性分析得到各聚类区间的聚类簇；合并各聚类区间的聚类簇后，通过预设的最大点云数目和最小点云数目对聚类簇进行过滤，得到目标对象。

有益效果：将阈值参数与激光点到扫描仪距离进行关联，划分不同的参数阈值分布区间后，通过目标连通性分析，可以获取完整且独立的车辆目标对象，达到更加准确提取车辆目标对象特征的目的。

进一步，步骤3.1中还包括，若候选点为离线点云，则先将轨迹数据按时间进行分段，根据轨迹数据的时间信息对离线点云进行时间信息匹配后，将轨迹数据分为若干个近似直线的数据段，分段的方程如下：

P_i∈N_j，N_jt_min≤P_it≤N_jt_max；

其中，P_i为第i个激光点，N_j为第j段数据，P_it为第i个激光点的时间值，N_jt_min、N_jt_max分别为数据段对应轨迹的最小时间值、最大时间值；

之后，对各近似直线的数据段进行直线拟合，得到对应的空间直线方程并记为轨迹直线，计算激光点到轨迹直线的空间距离，再根据空间距离确定对应的聚类区间。

有益效果：轨迹数据，即，激光雷达随车辆行驶而移动时，扫描器中心产生的位移。这样的方式，当点云为离线点云时，可以精准的对其进行聚类空间的划分，使本方法的适用性更强，各种场景均可以发挥作用。

进一步，步骤一中，所述构建特征数据库包括：通过KITTI数据集和人工标注结合的方式构建样本数据库后，从样本数据库中的提取特征向量并进行特征归一化得到特征数据集，形成特征数据库。

有益效果：可以保证特征数据库中的数据的充足性，从而保证训练后得到性能优良的分类模型。

进一步，步骤一中，全局特征包括长度、宽度和高度特征和长度与宽度及高度之间的比值、体积、相对密度、最低高度和高差；特征值特征包括平面度、异向性、线性度、表面变化率和曲率；

提取全局特征时，通过PCA主成分分析算法计算单个聚类点云簇的有向最小包围盒，得到点云簇的长度、宽度和高度特征，并通过计算长度、宽度及高度之间的比值，得到相应的尺寸比例特征。

有益效果：通过这些维度的特征，可以模型在识别时的识别全面完整时，保证识别的准确性。

本发明的目的之二是提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆目标识别方法所述的步骤。

附图说明

图1为本发明实施例一的流程图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例一

需要说明的是，本实施例的坐标系中，以扫描仪前进方向为X轴、高程方向为Z轴。

如图1所示，一种车辆目标识别方法，包括：

步骤一，构建特征数据库，利用特征数据库对支持向量机模型进行训练，得到分类模型；其中，特征数据库中的特征向量包括全局特征、位置特征、特征值特征和多视角投影特征。

全局特征用于描述整个独立地物的形状、几何尺寸等属性。对于车辆而言其几何形状特征与其他地物有明显的区别，其全局特征设计包括长度L、宽度W和高度H特征和长度与宽度及高度之间的比值、体积、相对密度、最低高度和高差。特征值特征是通过协方差矩阵的特征值计算得出，其平面度（Planarity）、异向性（Sphericity）、线性度（Linearity）、表面变化率（Roughness）和曲率（Curvature）特征通过计算该点邻域内点的协方差矩阵的特征值和特征向量表示的。多视角投影特征是对地物从不同视角观察的投影特征的描述，对于车辆来说其在垂直方向上的投影形状多为规则的矩形，其在面积和形状上也具有相似性；对于车辆来说其纵向投影高度的统计，能够在一定程度上描述车辆的轮廓外形。对于车辆点云簇纵向高度投影特征的计算，将点云簇Q沿X轴方向投影到YOZ平面，则得到平面直坐标系下的二维点集，记为Q_YZ。然后将点集Q_YZ的投影区域沿着Y轴均匀地分为n个区间，从原点O开始依次统计每个区间内点的最大Z值。然后以最大Z值构成的直方图描述点云簇的真实轮廓。同理可得，点云簇沿Y轴的纵向高度投影特征。特征值特征的计算过程中，需要对每个点的邻域点集进行查询，并进行协方差矩阵特征值的计算，需要耗费大量的计算机内存和时间，效率要远远低于全局特征计算效率。过多的特征值特征会导致算法运行耗时增加，且不同特征值特征对不同地物的区分能力也有较大的差异。利用kd-tree算法在离散点云之间建立空间索引可以高效的实现基于邻域的快速查找，并对计算出特征值特征进行归一化处理，根据归一化结果将其分为高、中、低三个特征值等级，在同一场景下对各特征值特征的地物区分性能进行测试和筛选。

步骤一的具体实施如下：

步骤1.1,通过KITTI数据集和人工标注结合的方式构建样本数据库。

步骤1.2，计算全局特征。利用PCA主成分分析算法计算单个聚类簇的有向最小包围盒，从而得到点云簇的长度L、宽度W和高度H特征。并通过计算长度与宽度及高度之间的比值，得到相应的尺寸比例特征和体积特征；得到地物的近似体积后，根据包围盒内点云数量情况，构建相对密度特征；计算的高度特征分为最低高度和高差。PCA主成分分析算法，是一个非监督的机器学习算法，是一种用于探索高维数据结构的技术，主要用于对数据的降维，通过降维可以发现更便于人理解的特征，加快对样本有价值信息的处理速度，此外还可以应用于可视化（降到二维）和去噪。

步骤1.3，计算多视角投影特征。对地物从不同视角观察投影特征的描述，将目标对象按最小包围盒不同坐标轴进行二维投影，获取目标对象的垂直方向上的投影形状，对目标对象纵向投影高度的统计，描述地物的轮廓外形。

步骤1.4，计算特征值特征。对于任意一点p其邻域内点集，计算其邻域协方差矩阵，协方差矩阵的特征值降序排列为λ₁＞λ₂＞λ₃。通过协方差矩阵的特征值计算得出平面度（Planarity）、异向性（Sphericity）、线性度（Linearity）、表面变化率（Roughness）和曲率（Curvature）特征值特征。

步骤1.5，利用kd-tree算法在离散点云之间建立空间索引实现基于邻域的快速查找，并对计算出特征值特征进行归一化处理，根据归一化结果将其分为高、中、低三个特征值等级，在同一场景下对各特征值特征的地物区分性能进行测试和筛选后，选择平面度和表面变化率参与特征向量构建。

步骤1.6，对提取的特征向量进行特征归一化得到对应的特征数据集。通过特征数据集划分、核函数选择和参数寻优对支持向量机分类模型进行训练，得到分类模型。由于这些特征向量的数学物理含义都不尽相同，不同单位和特征数值可能会影响特征计算权重的分配，从而导致奇异样本数据的问题。该问题会造成分类器耗时的增加和无法收敛，故训练前对数据集特征采用极差法归一化。

步骤二，对激光雷达数据进行预处理得到采集数据，通过地面滤波剔除采集数据中的地面点得到非地面点，再利用非地面点的高程信息剔除非地面点中的远地点，得到候选点集合。

步骤二的具体实施如下：

步骤2.1，采用以扫描仪中心点为原点，扫描仪前进方向为X轴，通过投影的方式建立平面直角坐标系，保留扫描仪中心点前进方向距离30m，后方20m以及左右两侧20m范围内的区域作为感兴趣区，滤除感兴趣区以外的数据。这样的感兴趣区域范围，可以充分利用扫描仪的扫描能力，保证目标识别的全面性。

步骤2.2，构建k-d树索引每个点云的邻域，并计算各点到它所有临近点的平均距离d’；根据高斯分布原理的均值μ和标准差σ，若某点的d’＞μ+σ，则将该点作为离群点剔除。

步骤2.3，采取随机抽样一致算法对地面参考平面进行迭代拟合，根据点到平面距离公式计算激光点到地面参考平面的距离后统计满足距离误差阈值的局内点数，迭代上述过程到达预设的最大迭代次数后，找出包含最多局内点数的地面参考平面作为实际地面，并将实际地面中的局内点作为地面点剔除。本实施例中，最大迭代次数的数值为300，这样的最大迭代次数，在保证识别准确性的同时，还可以保证识别的效率。使用现有的程序，即可得到初始的地面参考平面，通过这样的方式，可以保证对地面点识别的准确性，将凹陷处或者凸起处识别出来，保证最大程度的将地面点剔除干净。

步骤2.4，对非地面点云进行均匀采样。对点云数据创建三维体素栅格后，保留最接近体素中心的点代替体素中所有点。这样，可以有效减少非车辆目标点云的数量，减少数据处理量，提高效率。

步骤2.5，以扫描仪中心点为原点，扫描仪前进方向为X轴、高程方向为Z轴建立坐标系，再划分固定大小的XY面格网，计算格网内地面点的平均高程Z_G，设定距地高阈值Z’；再遍历格网中所有非地面点数据，计算各点高程与地面点平均高程的差值|Z-Z_G|，若Z’＞|Z-Z_G|则该点作为近地点,否则该点作为远地点被剔除。XY面格网，即水平面网格。通过这样的方式，可以准确的将远地点筛选出来，较少后续流程的处理数据量，提升识别效率。

步骤三，根据候选点的类型，用对应的方式确定聚类区间后，通过密度聚类法获取目标对象；

步骤三的具体实施如下：

步骤3.1，若候选点为实时帧点云，以扫描仪中心为坐标原点，根据候选点到坐标原点的距离设置距离阈值，确定对应的聚类区间；

若候选点为离线点云，则先将轨迹数据按时间进行分段，根据轨迹数据的时间信息对离线点云进行时间信息匹配后，将轨迹数据分为若干个近似直线的数据段，分段的方程如下：

P_i∈N_j，N_jt_min≤P_it≤N_jt_max；

其中，P_i为第i个激光点，N_j为第j段数据，P_it为第i个激光点的时间值，N_jt_min、N_jt_max分别为数据段对应轨迹的最小时间值、最大时间值；

之后，对各近似直线的数据段进行直线拟合，得到对应的空间直线方程并记为轨迹直线，计算激光点到轨迹直线的空间距离，再根据空间距离确定对应的聚类区间。轨迹数据，即，激光雷达随车辆行驶而移动时，扫描器中心产生的位移。

步骤3.2，对各聚类区间设置不同的聚类半径后，通过目标连通性分析得到各聚类区间的聚类簇；合并各聚类区间的聚类簇后，通过预设的最大点云数目和最小点云数目对聚类簇进行过滤，得到目标对象。

将阈值参数与激光点到扫描仪距离进行关联，划分不同的参数阈值分布区间后，通过目标连通性分析，可以获取完整且独立的车辆目标对象，达到更加准确提取车辆目标对象特征的目的。当点云为离线点云时，也可以精准的对其进行聚类空间的划分，使本方法的适用性更强，各种场景均可以发挥作用。

步骤四，提取目标对象的特征向量后，利用分类模型对目标对象进行预测，完成车辆目标识别。

本方案对于车载LiDAR系统采集到的初始道路环境数据都能进行车辆目标识别。适用于单帧点云数据和离线点云数据。通过对点云数据进行感兴趣区的划定；进行离群点剔除和地面滤波；以及根据网格高差特征进行候选点的选择，从而达到精简点云数量和加快计算效率的目的。基于密度聚类的距离阈值自适应目标连通性分析方法，将阈值参数与激光点到扫描仪距离进行关联，划分不同的参数阈值分布区间，以获取完整且独立的车辆目标对象，达到更加准确提取车辆目标对象特征的目的。

并且，本方法会根据候选点的类型，用对应的方式确定聚类区间。需要说明的是，本申请中的离线帧点云，并非传统意义上断网后的本地数据，而是指即采集反馈时间稍长的一段时间内持续采集反馈的点云数据；相应的，实时帧点云，即采集反馈时间极短（如零点几秒反馈）的点云数据。

现有的类似技术都是集中在实时帧点云处理上，这样的好处是在车辆行驶速度不慢的时候，能够实时的反应当前的路况路障，但是，在车辆的行驶速度较慢时，这样的处理方式，处理结果的重复率非常高，对系统的运算资源浪费严重。

而本方案则可以规避上述情况。本方案无论是实时帧点云还是离线点云，都可以进行针对性的处理，通用性强，应用场景丰富。如果是行驶速度不慢的情况，本申请可以通过实时帧点云进行目标识别辅助驾驶，并且处理效率比现有技术更快。另一方面，如果是遇到了行驶速度较慢的情况，如堵车等情况，使用本方案则可以进行离线帧点云处理，即，将反馈时间稍长的一段时间内持续采集反馈的点云数据进行识别处理，由于持续一段时间采集的点云数据量更多更全，除了识别的内容更清楚外，还可以起到场景识别的作用，而场景识别后又可以反过来对当前的行驶建议进行辅助优化。

1.本方案通过结合实时帧点云和离线帧点云数据的处理，在车辆行驶速度较快的过程中，可以通过进行目标识别辅助驾驶，达到实时辅助处理的目的。在车辆行驶速度较慢的情况下，通过对离线点云的处理以获取大量的车辆点云样本，通过对获取车辆样本的补充训练完善分类器模型，提高目标识别的准确率。（相当于监督分类机器学习，通过行驶中获取样本数据放入原先的模型中继续学习训练以获取更优的模型，甚至可以通过深度学习的算法进一步提高学习能力和效率。）

2.本方案对离线帧点云处理，不仅可以从车载LiDAR点云多样类别中识别目标车辆，而且可以通过设计其他常见道路地物（例如地面、行人、建筑物、行道树、电线杆和路灯等）的多维特征，计算其相应的全局特征、特征值特征（例如点云密度特征、高程特征、投影面积特征、强度特征等），构建高维点云特征向量，采用监督分类机器学习的方法完成多种地物的分类识别。就可以在如堵车、限速、路段维修等情况下，车辆停止或行驶速度缓慢，对实时计算能力的需求较低，有充足的时间处理大数据量的离线点云数据，以构建粗略的离线导航地图对辅助驾驶进行优化，对车辆车道变换和路径规划的决策提供地图数据基础。

3.本方法还可以结合光学相机等传感器，对处理后的道路点云数据移除道路面上的地物，进行影像数据的融合，完成道路数据的三维可视化。并采用数据众包的策略，将数据上传至服务器云端，由专业技术人员对道路三维可视化品质进行精化，以提升可视化效果。构建完成的道路场景三维模型不仅可以作为辅助驾驶的实景三维导航地图，而且可以为智慧城市的综合治理提供数据，例如交通管理部门需要车辆及车流量数据；住建部门需要高层建筑数据；为市政规划部门提供路灯数据、绿化数据等。

综上，本方法可以提升车辆目标提取的精准度、效率和适用性。

上述车辆目标识别方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。

实施例二

与实施例一不同的是，本实施例中，车辆目标识别方法的步骤三中，当点云数据重复扫描，前后帧之间重叠度高于预设阈值时，自动选择可以进行离线帧点云处理方式进行计算；当前后帧重叠度低于所设阈值时，本方案自动判定为实时帧数据；在实施帧与离线帧进行切换时，自动计算重叠区域，避免重叠区域的重复识别。

通过这样的设置，本申请可自动区分实时帧与离线帧。如果是遇到了行驶速度较慢的情况，如堵车等情况，点云数据重复扫描，前后帧之间重叠度高于所设阈值，使用本方案则自动选择可以进行离线帧点云处理方式进行计算，即，将反馈时间稍长的一段时间内持续采集反馈的点云数据进行识别处理，由于持续一段时间采集的点云数据量更多更全，除了识别的内容更清楚外，还可以起到场景识别的作用，而场景识别后又可以反过来对当前的行驶建议进行辅助优化。这样，不仅不会浪费系统的运算资源，反而可以进一步强化辅助驾驶的能力。当前后帧重叠度低于所设阈值时，本方案自动判定为实时帧数据。且，在实施帧与离线帧进行切换时，本方案自动计算重叠区域，避免重叠区域的重复识别，降低进一步节省运算资源。

除此，针对离线帧的高冗余度问题，传统技术方案的思路是采取使用更高性能硬件，使用更高计算力去处理；本方案中，则是采取识别切换离线帧与实时帧处理方式，针对低速行驶的离线帧，将多帧集成统一处理，从而节省计算性能，对硬件的需求更低，更够适配更多的车辆硬件。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.一种车辆目标识别方法，其特征在于，包括：

步骤一，构建特征数据库，利用特征数据库对支持向量机模型进行训练，得到分类模型；

步骤二，对激光雷达数据进行预处理得到采集数据，通过地面滤波剔除采集数据中的地面点得到非地面点，再利用非地面点的高程信息剔除非地面点中的远地点，得到候选点集合；

步骤三，根据候选点的类型，用对应的方式确定聚类区间后，通过密度聚类法获取目标对象；其中，候选点的类型包括实时帧点云和离线点云；

步骤四，提取目标对象的特征向量后，利用分类模型对目标对象进行预测，完成车辆目标识别。

2.根据权利要求1所述的车辆目标识别方法，其特征在于：步骤二中，所述预处理包括：根据激光扫描仪的有效测量距离划定感兴趣区，滤除感兴趣区以外的数据后，再对感兴趣区内的点云数据构建k-d树索引每个点云的邻域，并计算各点到它所有临近点的平均距离d’；根据高斯分布原理的均值μ和标准差σ，若某点的d’＞μ+σ，则将该点作为离群点剔除。

3.根据权利要求2所述的车辆目标识别方法，其特征在于：步骤二中，所述通过地面滤波剔除采集数据中的地面点包括：

使用随机抽样一致算法对地面参考平面进行迭代拟合，根据点到平面距离公式计算激光点到地面参考平面的距离后统计满足距离误差阈值的局内点数，迭代上述过程到达预设的最大迭代次数后，找出包含最多局内点数的地面参考平面作为实际地面，并将实际地面中的局内点作为地面点剔除。

4.根据权利要求3所述的车辆目标识别方法，其特征在于：步骤二中，所述利用非地面点的高程信息剔除非地面点中的远地点包括：

以扫描仪中心点为原点，扫描仪前进方向为X轴、高程方向为Z轴建立坐标系，划分固定大小的XY面格网，计算格网内地面点的平均高程后设定距地高阈值；再遍历格网中所有非地面点数据，计算各点的高程与地面点平均高程的差值，若某点的差值大于地高阈值，则将该点作为远地点剔除。

5.根据权利要求4所述的车辆目标识别方法，其特征在于：步骤二还包括：对非地面点进行均匀采样，对点云数据创建三维体素栅格后，保留最接近体素中心的点代替体素中所有点。

6.根据权利要求5所述的车辆目标识别方法，其特征在于：步骤三包括：

步骤3.1，若候选点为实时帧点云，以扫描仪中心为坐标原点，根据候选点到坐标原点的距离设置距离阈值，确定对应的聚类区间；

步骤3.2，对各聚类区间设置不同的聚类半径后，通过目标连通性分析得到各聚类区间的聚类簇；合并各聚类区间的聚类簇后，通过预设的最大点云数目和最小点云数目对聚类簇进行过滤，得到目标对象。

7.根据权利要求6所述的车辆目标识别方法，其特征在于：步骤3.1中还包括，若候选点为离线点云，则先将轨迹数据按时间进行分段，根据轨迹数据的时间信息对离线点云进行时间信息匹配后，将轨迹数据分为若干个近似直线的数据段，分段的方程如下：

P_i∈N_j，N_jt_min≤P_it≤N_jt_max；

其中，P_i为第i个激光点，N_j为第j段数据，P_it为第i个激光点的时间值，N_jt_min、N_jt_max分别为数据段对应轨迹的最小时间值、最大时间值；

之后，对各近似直线的数据段进行直线拟合，得到对应的空间直线方程并记为轨迹直线，计算激光点到轨迹直线的空间距离，再根据空间距离确定对应的聚类区间。

8.根据权利要求1所述的车辆目标识别方法，其特征在于：步骤一中，所述构建特征数据库包括：通过KITTI数据集和人工标注结合的方式构建样本数据库后，从样本数据库中的提取特征向量并进行特征归一化得到特征数据集，形成特征数据库。

9.根据权利要求8所述的车辆目标识别方法，其特征在于：

步骤一中，特征数据库中的特征向量包括全局特征、位置特征、特征值特征和多视角投影特征；其中，全局特征包括长度、宽度和高度特征和长度与宽度及高度之间的比值、体积、相对密度、最低高度和高差；特征值特征包括平面度、异向性、线性度、表面变化率和曲率；

提取全局特征时，通过PCA主成分分析算法计算单个聚类点云簇的有向最小包围盒，得到点云簇的长度、宽度和高度特征，并通过计算长度、宽度及高度之间的比值，得到相应的尺寸比例特征。

10.一种存储介质，所述存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-9任一项所述的步骤。

Images