[发明专利]一种基于路侧激光雷达的在途目标分类方法

说明书

本发明涉及一种基于路侧激光雷达的在途目标分类方法，包括：(1)点云数据收集；(2)地面拟合；(3)背景滤除；(4)目标聚集；对背景滤除后的三维点云数据进行聚类操作，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；(7)通过复合分类器实现目标类别的分类。本发明基于对激光雷达所收集到的点云数据进行处理分析，对道路上的目标进行识别，从而掌握区域路段交通参与者的类型及流量，对于道路设计、行车安全与控制、交通拥堵疏导等应用具有重要意义。

技术领域

本发明属于目标检测与分类领域，具体是基于路侧激光雷达采集的点云数据，经过对数据进行背景滤除、目标聚类、轨迹追踪、标定等预处理，实现对在途目标的分类。

背景技术

近年来，我国经济社会发展迅猛，人口和车辆日益增多，交通需求不断增加，给交通系统运营带来愈发沉重的负担。为了减轻交通系统的负担，需要对交通量进行详细地调查，为后续交通规划做铺垫。道路通行目标的准确分类及统计是交通量调查的必要环节，更是分析交通问题、缓解交通拥堵的有效手段。掌握区域路段交通参与者(包括行人、非机动车和机动车)的类型及流量，对于道路设计、行车安全与控制、交通拥堵疏导等应用具有重要意义。

当前日趋严重的交通难题对道路目标分类技术提出了更高的要求，高速公路行车过程中，若能掌握路段不同车型的交通行为，则可对该路段的通行用户做出行驶调控提示以及事故预警，起到丰富导航信息的作用，为未来车联网时代的普及部署作铺垫。当前已经有了相关的道路目标检测算法，主要分为：侵入式目标分类技术、车载和机载目标分类技术等。

侵入式目标分类技术是将车辆检测设备安装在道路路面结构上部或下部来进行目标信息感知与分类。通过侵入式技术检测设备能够获取车身长度、车轴数量、信号/波形特征，并利用不同道路目标上述参数信息的差异性进行目标分类。该技术因为其传感器安装位置离通行目标很近，可有效捕捉车身及运动信息，故通常能够实现较高的分类准确率。但它的缺点也十分明显，该技术在安装和维修过程中，需要刨开路面结构，施工路段交通必须封闭以保证工人和通行者安全，这导致技术成本颇高且耗时耗力。

车载和机载目标分类技术是将摄像头、激光雷达等设备安装在移动车辆、无人机、卫星等载体上，对交通情况进行监测从而实现目标分类。车载目标分类技术虽具有灵活、可控性强、分类成功率较高等优势，但在车联网还未普及的今天，车载激光雷达采集的数据信息尚无法很好的用于实时交通监测系统。随着激光雷达的成本大幅降低，使得激光雷达的大量布施成为可能，它也因此逐渐成为交通监测设备的新兴热门代表。激光雷达分为机械激光雷达与固态激光雷达两种，机械激光雷达带有控制激光发射角度的旋转部件，而固态激光雷达则无需机械旋转部件，故机械激光雷达有一个明显的优势就是其360°视场，本发明中均采用机械激光雷达，后简称为激光雷达。激光雷达具有以下的优势：(1)相比于用摄像头、侵入式、车载机载等设备而言，激光雷达不受光照条件制约；(2)点云数据计算机处理效率更高；(3)对目标三维外形信息感知清晰；(4)可以实现360°无缝监测；(5)可长期持续监测，不破坏路面和阻碍交通；(6)获取数据稳定，容错率高。

在使用激光雷达时，需要用到点云聚类处理，传统的DBSCAN密度聚类算法主要原理为：当某一区域聚集在一起的点密度足够高时，则认为该区域内为同一簇的点，从而实现分簇。该算法包括两个参数：领域半径(ε)和最小领域点数(M)。领域半径描述了当点与点之间距离多近时，它们会被看作是同一簇；而最小领域点数描述了一个簇的形成需包含多少个邻域点。虽然该算法的计算效率高，但其没有考虑目标在不同高度上的点云分布，对于那些可能在长度或宽度区别不明显，但在高度上有明显差别的在途目标，用这种方式聚类识别出的目标点云无法满足后面进一步的目标信息提取，需要对该算法进行一定的改进后使用。

发明内容