[发明专利]一种基于路侧激光雷达的在途目标分类方法

权利要求书

1.一种基于路侧激光雷达的在途目标分类方法，其特征在于，包括步骤如下：

(1)点云数据收集；

点云数据是指在计算机中存储为点的空间坐标信息以及点云密度信息；

(2)地面拟合；

从步骤(1)收集的点云数据中拟合出地面线；

(3)背景滤除；

步骤(2)拟合出的地面线上的为在途目标，地面线下的为地面点，采用RANSAC方法将步骤(2)拟合出的地面线上的在途目标提取出来，得到在途目标；

(4)目标聚集；

对背景滤除后得到的在途目标进行聚类操作，将属于同一个物体的所有点划分的一类；

(5)轨迹追踪；

基于全局距离搜索的方法对车辆进行追踪，将当前帧的某一车辆与前一帧的同一车辆进行关联；

(6)提取目标侧面轮廓的参数，建立数据库；

所述目标侧面轮廓的参数包括车身长度、最大高度、高度序列、点云个数、距激光雷达距离；其中高度序列为：将车辆的点云目标均分为若干段，从车头至车尾，依次取每一段点云的最大高度，组成的高度集合即为高度序列；

所述数据库包括采集目标的视频录像截图、目标点云簇信息数据、特征表格；其中特征表格包括目标点云簇信息数据包括的点云个数、目标点云簇最大长度、点云簇中的点云距激光雷达的最小距离、点云簇的高度值序列、点云簇的最大高度；

(7)通过复合分类器实现目标类别的分类；

步骤(2)中，地面拟合的具体实现步骤包括：

S1：从初始点云图中提取点云数据的范围，x、y方向不设限制，以z＝0是地面为前提，令z＝[-maxDis,maxDis]，maxDis为z方向的限定取值；

S2：从单独某一帧点云图中S1限定的范围中随机抽取数据点；

S3：处理点云图，如果该点云图是首帧，则运行S6，否则，运行S4；

S4：判断S2抽取的数据点与目前已估计出的三阶曲面多项式估计模型的距离误差，距离误差通过抽取的数据点与目前已估计出的三阶曲面多项式估计模型的z方向差值的绝对值计算，如式(II)所示：

z_err＝|z₀-z_old| (II)

式(II)中，z_err代表z方向距离误差，z₀为抽取的数据点z坐标值，z_old为目前已估计出的三阶曲面多项式估计模型上对应的z坐标值；

令e₁为误差阈值即误差参数，保留z_err小于e₁的数据点，即为地面点；

S5：在S4中去除了非地面点，设保留下的地面点z坐标值为z_new，将z_new与z_old进行加权平均，加权公式如式(Ⅲ)所示：

z_new2＝w₁z_new+w₂z_old (Ⅲ)

式(Ⅲ)中，w₁及w₂为加权系数；

S6：直接进行三阶曲面拟合，估计出的三阶曲面拟合方程的z_old距离，通过三阶曲面拟合方程即式(Ⅰ)求取；

S7：从S1中限定的范围中抽取数据点，判断数据点的z₀与S6中估计出的三阶曲面拟合方程的z_old距离误差，若小于误差阈值e2，则认为是地面点，否则，则认为该点为非地面点；

S8：重复S2-S6直至推出最佳三阶曲面多项式估计模型；

通过3D-DBSCAN密度聚类算法聚类，步骤(5)中，将通过3D-DBSCAN密度聚类算法聚类后的在途目标轮廓的点云簇分别赋以不同类簇号，用t表示，在轨迹追踪之前，先标记每一帧中的点云，设P_i是第i帧中的点云集合，点云集合P_i中的点用ID号j标记，则类簇号为t的目标点云的第i帧数据，表示为Q_t,i＝{P_t,i,1,P_t,i,2,...P_t,i,j}；其中，P_t,i,j中的t表示车辆类簇号，i表示帧号，j表示点云集合中点的ID号，Q_t,i代表第i帧中类簇号为t的目标点云信息的存储矩阵；设当前追踪的目标类簇号为t，基于全局距离搜索的轨迹追踪的实现步骤包括：

S9：查询并从矩阵Q_t,i中计算前一帧中类簇号为t的车辆距离激光雷达最近的点，记这点为A_t；

S10：计算当前帧矩阵Q_t,i中所有类簇号的目标距离激光雷达最近的点到A_t的距离d_n，判断并筛选出满足d_n小于min Dis的点，其中，minDis为阈值参数；

S11：计算并选出S10中具有最小值mind_n的点，mind_n指的是相邻帧的目标点云簇两角点的最小距离，检索到该点所在的类簇，并记录类簇号；

S12：用相同的方式判断点云数据中截取下来的每一帧，将满足S10、S11中条件的点所属的类簇号在不同帧中关联起来并赋以新类簇号k；属于新类簇号k目标在不同帧中的点云信息存储矩阵表示为：CarD_k＝{Q_k,1,Q_k,2,...Q_k,i}；Q_k,i表示新的类簇号k在第i帧中的点云信息；CarD_k表示类簇号k的点云信息存储矩阵。