基于三维激光点云的目标识别与跟踪研究

基于三维激光点云的目标识别与跟踪研究

人工智能技术与咨询 

来源：《汽车工程》 ，作者徐国艳等

［摘要］ 针对无人车环境感知中的障碍物检测问题，设计了一套基于车载激光雷达的目标识别与跟踪方法。为降低计算量，提高处理速度，引入了点云过滤与分割算法对原始激光点云数据进行缩减，有效提高了检测的实时性。使用多特征复合判据，基于SVM分类器改进了Adaboost算法，对三维激光点云进行直接处理，最大限度保留了感知信息，提高了识别准确度。提出基于最大熵模糊聚类的数据关联方法和相应的粒子滤波器，有效提高了复杂交通流中目标跟踪的稳定性和准确性。经百度Apollo平台数据集仿真、自主研发的无人驾驶平台实验验证和针对小目标交叠和遮挡情况的实车验证表明，该套方法具有良好的实时性和鲁棒性。

关键词：无人车；环境感知；激光雷达；识别；跟踪

前言

在无人驾驶汽车中，环境感知系统是其行驶决策的信息来源，对交通流中的车辆、非机动车、行人等目标进行识别并保持跟踪，及时向决策系统输入环境障碍物信息，是环境感知系统的重要任务，也是无人车安全行驶的关键所在。

国内外在这一问题的研究上，先后提出了将三维数据压缩到二维平面并进行聚类的栅格地图法［1］、将点云按帧截图并用视觉方法进行检测的特征图像法［2］等，这些方法仅能获得某一二维平面上的目标信息。随着机器学习的兴起，使用神经网络、随机森林、Adaboost等机器学习算法［3］对三维点云特征直接进行提取和分类逐渐发展起来。在目标跟踪上，使用MHT和JPDA等数据关联算法［4］，结合卡尔曼滤波器进行跟踪是较为常见的方法［5］。但这种方法在实际的复杂交通流中面临维度灾难和对交叉、遮挡目标无效的问题，因此，一系列基于非线性假设的跟踪方法被提出［6-8］。

本文中使用经过滤和分割的三维激光点云数据，通过可变阈值筛选进行聚类。复合10个不同特征得出53维特征向量作为判据，用SVM分类器改进的Adaboost机器学习算法对三维激光点云数据进行直接处理，得到目标识别结果。提出基于最大熵模糊聚类的数据关联方法并设计相应的粒子滤波器，解决了由复杂交通流造成的目标遮挡与错跟问题。仿真与实验结果表明，该方法具有可靠性和鲁棒性。

1 激光点云数据获取与预处理

使用速腾聚创出品的RS-16线激光雷达作为点云数据的获取来源，安装方式为车顶对心安装。安装示意图如图1所示。

图1 雷达安装示意图

1.1 激光点云数据过滤与分割

为减少计算量，选取激光点云的z坐标值作为过滤与分割的依据，对地面、建筑物等的点云进行滤除。将激光扫描的区域在x-y平面上划分为0.1 m×0.1 m的网格，由于网格小于可能的目标所占有的面积，因此每个网格都可以视为仅隶属于一类分类。可能的分类包括地面、建筑物、树木和目标。地面的特点是z坐标值小，且为一近似平面，网格内z坐标值相差不大。建筑物和树木的特点是z坐标值相差巨大，且最大值远远超出目标。网格内点云数目过少则可判定为噪声。按表1进行激光点云数据的过滤与分割。该方法效果如图2和图3所示。

1.2 激光点云数据聚类

表1 点云过滤与分割算法

图2 点云数据过滤前图

图3 点云数据过滤后图

聚类是依据某种事先确定的标准（例如密度、距离、层次）等所产生的差异来将散乱的数据点聚合为相互独立的分类。聚类算法的关键在于标准及其阈值的选取。为充分利用激光雷达含有深度信息的三维点云数据，以及减少由于目标远近不同造成的离散程度不同等的影响。本文中使用深度信息，即距离值来对聚类阈值进行调整。提出一种基于距离值的可变阈值确定方法［9-10］，如图4所示。设rn-1为相邻前点离激光雷达的直线距离，Δφ为激光雷达的角分辨率，σ为激光雷达零偏误差，λ为可变阈值参数，则聚类的可变阈值为