[发明专利]一种运动目标高精度检测与追踪方法

说明书

本发明公开了一种运动目标高精度检测与追踪方法，包括A0：通过背景滤除算法，将车辆点和行人点从原始数据中提取出来，标记所在帧信息；A1：将相邻帧的车辆点和行人点数据进行融合，用聚类算法将融合之后的数据进行处理，标记类簇信息；A2：利用每个点所在帧的信息，将同一帧的数据分离开，根据所述类簇信息实现车辆和行人的识别和关联。本发明的优点在于：无需构建复杂的车辆模型和车辆轨迹模型，利用简单的聚类算法，在简单聚类算法的基础上提高车辆检测的准确率，直接能够提取车辆轨迹。

技术领域

本发明属于智能交通技术领域，具体涉及一种运动目标高精度检测与追踪方法。

背景技术

研究交通行为可以有效的减少交通事故，缩短旅行时间。目前人们主要是通过建模和通过采集地磁，图像等宏观的数据对交通行为进行研究。虽然这两种传统的方法在一定程度上能够较好的研究交通行为，推进交通的发展，但是随着激光雷达技术的出现，为了更好地理解交通行为，我们可以通过激光雷达传感器获得微观的高精度信息。例如，采用16线激光雷达VLP-16进行数据采集，将激光雷达水平放置于路边，对整个空间进行数据采集，从而得到庞大的点云数据。采集得到的数据包含了这个场景的信息，为了研究交通行为，需要从庞大的数据中提取出车辆及行人的数据。

3D激光雷达VLP-16体积很小，成本更低，可以大规模生产。同时，它保留了Velodyne激光雷达的突破性的关键特点：实时，360°，3D数据采集和测量。VLP-16的测量距离半径可达100米。Velodyne的VLP-16支持16个通道，水平视场360°，垂直视场30°，上下±15°。VLP-16没有明显的外部旋转部件(旋转部分在内部)，使得在具有挑战性的环境中，具有高度适应性。在滤除背景点之后得到的车辆点和行人点，将属于同一个对象的点聚类，进而识别车辆等目标。将不同帧的同一目标进行关联，达到车辆追踪的目的。

目前应用激光雷达进行车辆检测和追踪的主要方法是先识别车辆，再进行追踪。识别车辆主要是通过利用聚类算法和构建车辆模型两种方法。其中，构建车辆模型主要是通过提取车辆扫描点的方向向量、拐点、中心点和两个垂直边的尺寸，建立车辆模型。车辆追踪主要是基于相邻帧中同一目标所处的空间位置较近这一特征。

单一的聚类算法虽然能够较好的识别出车辆和行人，但当多个目标靠的太近会导致多个目标识别为一个目标的错误聚类，或者组成目标本身的点间距较大时会导致一个目标被识别为多个目标的错误聚类。因此，单一的聚类算法无法适应复杂多变的交通环境。构建结合聚类算法的车辆模型可以一定程度上解决以上问题，但当激光雷达的部署方式或所采用的设备不同时，由于遮挡等原因，车辆的形态复杂多变，构建车辆模型的方法不具备通用性。车辆检测追踪算法的效果取决于算法中对车辆的识别的准确率，但由于存在遮挡等因素，激光雷达检测到的并不是整个车辆，通过特征提取的方法检测车辆必然会出现错误。

车辆追踪算法主要是基于相邻帧中同一目标所处的空间位置较近这一特征。当车辆间距较小时，容易发生车辆关联错误。通过构建复杂的车辆轨迹模型可以一定程度上解决，但难以准确追踪复杂行为的车辆。

发明内容

为了解决上述问题，本发明提出以下技术方案。

根据本发明的一个方面，提供了一种运动目标高精度检测与追踪方法，包括：

A0：通过背景滤除算法，将车辆点和行人点从原始数据中提取出来，标记所在帧信息；

A1：将相邻帧的车辆点和行人点数据进行融合，用聚类算法将融合之后的数据进行处理，标记类簇信息；

A2：利用每个点所在帧的信息，将同一帧的数据分离开，根据所述类簇信息实现车辆和行人的识别和关联。

优选的，所述聚类算法为DBSCAN算法。

优选的，所述背景滤除算法包括如下步骤：

S0：在雷达采集的数据帧中选取背景帧，所述背景帧中无车辆或在兴趣区域中无车辆；