基于置信濾波的激光雷達(dá)多目標(biāo)檢測(cè)方法

孫學(xué)凱， 王 麗， 楊得釗， 馬 杰

(1. 華中科技大學(xué)， 湖北 武漢 430074； 2.上海無線電設(shè)備研究所， 上海 200090)

基于置信濾波的激光雷達(dá)多目標(biāo)檢測(cè)方法

孫學(xué)凱1， 王 麗2， 楊得釗2， 馬 杰1

(1. 華中科技大學(xué)， 湖北 武漢 430074； 2.上海無線電設(shè)備研究所， 上海 200090)

針對(duì)激光雷達(dá)在復(fù)雜場(chǎng)景中檢測(cè)多目標(biāo)時(shí)所遇到的傳感器本身數(shù)據(jù)抖動(dòng)、目標(biāo)相互遮擋導(dǎo)致目標(biāo)檢測(cè)準(zhǔn)確率不高的問題，提出了一種基于置信濾波的多目標(biāo)檢測(cè)方法。本方法將Velodyne點(diǎn)云數(shù)據(jù)投影到地面，使用置信濾波方法將聚集區(qū)域邊緣的不穩(wěn)定柵格濾除，并將柵格分為動(dòng)態(tài)與靜態(tài)兩類。最后使用改進(jìn)的DBSCAN聚類算法，對(duì)動(dòng)、靜態(tài)柵格進(jìn)行聚類處理，得出運(yùn)動(dòng)目標(biāo)與靜態(tài)目標(biāo)。實(shí)驗(yàn)結(jié)果表明：該方法能夠較大地提高對(duì)復(fù)雜場(chǎng)景下多目標(biāo)的檢測(cè)準(zhǔn)確度，是一種高效的激光雷達(dá)多目標(biāo)檢測(cè)方法。

置信濾波； DBSCAN算法； 目標(biāo)檢測(cè)

0 引言

激光成像雷達(dá)的波束較窄、方向性好，在一定程度上可以穿透遮蔽物獲取目標(biāo)信息，較之傳統(tǒng)的二維成像傳感器能更好地反映場(chǎng)景中目標(biāo)的位置信息。在智能交通、精確打擊等自動(dòng)目標(biāo)檢測(cè)領(lǐng)域中有很好的應(yīng)用。但在復(fù)雜場(chǎng)景下，抖動(dòng)噪聲、數(shù)據(jù)缺失等因素的干擾給目標(biāo)檢測(cè)提出了挑戰(zhàn)，特別在學(xué)校、車站、主要交通路口等行人車輛流量較大的場(chǎng)景中，目標(biāo)眾多且遮擋頻繁。

本文針對(duì)地面交通場(chǎng)景，使用Velodyne-64線激光雷達(dá)基于置信濾波的多目標(biāo)檢測(cè)方法，對(duì)十字路口周圍的多個(gè)目標(biāo)進(jìn)行檢測(cè)，并提取出多個(gè)目標(biāo)的準(zhǔn)確位置信息，是一種完整高效的基于激光雷達(dá)的多目標(biāo)檢測(cè)方法。

1 點(diǎn)云數(shù)據(jù)處理

1.1點(diǎn)云數(shù)據(jù)柵格化

將激光雷達(dá)點(diǎn)云數(shù)據(jù)柵格化的方法有很多[1-3]，比較成熟的三維激光傳感器數(shù)據(jù)柵格化表示方法有均值高度柵格表示法和最大最小高度差值柵格表示法兩種[4]，本文方法采用最大最小值高度差值柵格表示法對(duì)Velodyne雷達(dá)的點(diǎn)云數(shù)據(jù)進(jìn)行柵格化處理。

在原始的點(diǎn)云圖像中，點(diǎn)云數(shù)據(jù)降維表示為XY平面的柵格地圖，地圖中的每個(gè)柵格的屬性信息為柵格內(nèi)點(diǎn)云數(shù)據(jù)的最大高度與最小高度的差值Δd,若Δd大于等于預(yù)先設(shè)定的閾值D，則柵格被標(biāo)記為目標(biāo)柵格；Δd小于D，柵格被標(biāo)記為非目標(biāo)柵格。柵格的屬性信息T(x)表示為

(1)

圖1為校園十字路口處的原始點(diǎn)云圖像，圖2是經(jīng)過最大最小高度差值柵格化后的目標(biāo)占用柵格圖，其中白色部分為提取出的目標(biāo)柵格，黑色部分為非目標(biāo)柵格。

圖1 原始點(diǎn)云圖像

圖2 柵格化后的點(diǎn)云圖像

1.2基于置信濾波的目標(biāo)柵格區(qū)分

根據(jù)1.1中方法，可以得到目標(biāo)柵格。對(duì)于得到的目標(biāo)柵格，一方面由于Velodyne雷達(dá)在旋轉(zhuǎn)過程中存在的微小抖動(dòng)問題，會(huì)使處于目標(biāo)聚集區(qū)域邊緣的柵格處于抖動(dòng)狀態(tài)，即在目標(biāo)柵格和非目標(biāo)柵格之間不斷的變化，這對(duì)后續(xù)的聚類操作以及運(yùn)動(dòng)目標(biāo)與靜態(tài)目標(biāo)的區(qū)分影響很大；另一方面為了檢測(cè)運(yùn)動(dòng)目標(biāo)與靜態(tài)目標(biāo)，如果直接對(duì)得到的目標(biāo)柵格進(jìn)行聚類操作，很可能會(huì)在運(yùn)動(dòng)目標(biāo)經(jīng)過靜態(tài)目標(biāo)時(shí)，將運(yùn)動(dòng)目標(biāo)與靜態(tài)目標(biāo)聚集為一個(gè)目標(biāo)，對(duì)動(dòng)靜態(tài)目標(biāo)劃分造成影響。

為解決上述問題，本方法引入置信濾波理論，對(duì)得到的原始目標(biāo)柵格進(jìn)行濾波，同時(shí)將目標(biāo)柵格劃分為靜態(tài)柵格與動(dòng)態(tài)柵格兩類。方法描述如下：

a) 每個(gè)柵格引入連續(xù)存在置信參數(shù)E，初始化E=0；

b) 對(duì)后續(xù)每一幀的該位置柵格，如果其為目標(biāo)柵格，則E+1，否則E=0;

c) 當(dāng)E大于給定的閾值Et時(shí)，該柵格為靜態(tài)柵格，否則為動(dòng)態(tài)柵格。

考慮遮擋情況，當(dāng)某一運(yùn)動(dòng)目標(biāo)經(jīng)過靜態(tài)目標(biāo)時(shí)，會(huì)對(duì)其產(chǎn)生遮擋，導(dǎo)致原來的靜態(tài)柵格被檢測(cè)為非目標(biāo)柵格，對(duì)靜態(tài)柵格的檢測(cè)穩(wěn)定性造成影響。對(duì)此，解決方法如下：

a) 對(duì)已經(jīng)檢測(cè)出的靜態(tài)柵格引入連續(xù)消失置信參數(shù)D，初始化D=0；

b) 對(duì)后續(xù)每一幀的該位置柵格，如果被檢測(cè)為非目標(biāo)柵格，則D+1，否則D=0；

c) 當(dāng)D達(dá)到給定閾值Dt時(shí)，令該柵格的連續(xù)存在置信參數(shù)E=0，并令D=0，柵格更新為非目標(biāo)柵格，否則該柵格依舊為靜態(tài)柵格。

d) 如果在D未達(dá)到給定閾值的連續(xù)幀中，該柵格再次被檢測(cè)為目標(biāo)柵格，則D=0，T不變。

方法流程，如圖3所示。

圖3 柵格置信濾波方法流程圖

使用以上置信濾波方法，得到的柵格區(qū)分效果如圖4所示。

圖4 置信濾波的柵格區(qū)分效果圖

1.3目標(biāo)聚類

經(jīng)過上述步驟，可以得出穩(wěn)定的靜態(tài)與動(dòng)態(tài)目標(biāo)柵格，分別對(duì)靜態(tài)與動(dòng)態(tài)柵格進(jìn)行聚類操作，可以提取出靜態(tài)目標(biāo)和運(yùn)動(dòng)目標(biāo)。本方法根據(jù)激光雷達(dá)的成像特點(diǎn)，使用了一種基于空間密度的改進(jìn)DBSCAN聚類方法[5-8]。

對(duì)原算法的改進(jìn)主要有兩點(diǎn)：

a) 使用核心柵格Eps搜索范圍內(nèi)X、Y正負(fù)半軸上最遠(yuǎn)的4個(gè)特征柵格來代替對(duì)Eps內(nèi)所有柵格的搜索，提高算法的時(shí)間效率；

b) 由于激光的數(shù)據(jù)密度會(huì)隨著掃描距離的變化而變化，原始DBSCAN算法的Eps值不能動(dòng)態(tài)改變。

改進(jìn)方法為根據(jù)目標(biāo)柵格距雷達(dá)的實(shí)際距離動(dòng)態(tài)地改變DBSCAN算法的搜索半徑Eps。

(2)

式中：α為聚類半徑系數(shù)；Xi，Yi為目標(biāo)柵格的中心位置在雷達(dá)坐標(biāo)系中的坐標(biāo)；θ為激光雷達(dá)的水平角度分辨率；L為聚類區(qū)域步長(zhǎng)。

該算法的關(guān)鍵步驟為如何判斷某一柵格是否為核心柵格，其判斷方法為

(3)

式中：NEps(Ci)表示以柵格Ci為中心；Eps半徑范圍內(nèi)目標(biāo)柵格的個(gè)數(shù)；minPts表示當(dāng)前柵格為核心柵格時(shí)，其NEps(Ci)的最小值。改進(jìn)算法的流程如圖5所示。

圖5 改進(jìn)DBSCAN算法流程圖

經(jīng)過聚類操作之后可得到，聚類效果如圖6所示。

圖6 目標(biāo)檢測(cè)效果圖

2 實(shí)驗(yàn)結(jié)果

2.1實(shí)驗(yàn)場(chǎng)景

在校園十字路口內(nèi)對(duì)過往的汽車、電動(dòng)車以及行人進(jìn)行檢測(cè)，實(shí)驗(yàn)場(chǎng)景如圖7所示。

圖7 實(shí)驗(yàn)場(chǎng)景圖

2.2結(jié)果

Velodyne雷達(dá)的最遠(yuǎn)探測(cè)距離為100 m左右，距離越遠(yuǎn)點(diǎn)云數(shù)目越少，受環(huán)境的影響越大。為評(píng)價(jià)本文提出方法的檢測(cè)效果以及其是否滿足實(shí)時(shí)性的要求。對(duì)校園十字路口處以激光雷達(dá)為中心，半徑40 m、60 m、80 m范圍內(nèi)的多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，對(duì)若干個(gè)目標(biāo)位置的真實(shí)度進(jìn)行了測(cè)量，并統(tǒng)計(jì)算法的平均運(yùn)行時(shí)間。結(jié)果如表1、表2所示。

結(jié)果顯示，使用本方法可以很好地對(duì)復(fù)雜路面環(huán)境下的多個(gè)目標(biāo)進(jìn)行檢測(cè)，整體方法運(yùn)行時(shí)間在200 ms以內(nèi)，而雷達(dá)的掃描頻率為5 Hz，能夠滿足實(shí)時(shí)性的要求。在激光雷達(dá)的常用探測(cè)距離內(nèi)檢測(cè)準(zhǔn)確度很高，但在激光雷達(dá)的遠(yuǎn)距離探測(cè)范圍內(nèi)，檢測(cè)率還是有所下降，這是由于遠(yuǎn)處物體的成像點(diǎn)數(shù)較少，且遠(yuǎn)處物體受遮擋的情況更為復(fù)雜等綜合因素所導(dǎo)致的，這也是本方法后續(xù)改進(jìn)過程中所需要完善的，但對(duì)目標(biāo)具體位置的提取非常準(zhǔn)確，位置提取誤差占實(shí)際距離的百分比大約在2%左右，這也體現(xiàn)了激光雷達(dá)較之二維圖像傳感器的特有優(yōu)勢(shì)。

表1 多運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果

表2 單目標(biāo)位置提取結(jié)果

3 結(jié)束語

本文提出了一種基于置信濾波的激光雷達(dá)多目標(biāo)檢測(cè)方法，通過在校園內(nèi)十字路口處的多次實(shí)驗(yàn)，驗(yàn)證了本方法可以很好地解決在復(fù)雜環(huán)境中檢測(cè)多目標(biāo)時(shí)所遇到傳感器本身數(shù)據(jù)抖動(dòng)、目標(biāo)相互遮擋所導(dǎo)致的目標(biāo)檢測(cè)準(zhǔn)確率不高問題，證實(shí)了本方法的可靠性。下一步工作，將準(zhǔn)備在動(dòng)基座上測(cè)試本算法。

[1] Dorai C, Wang G, Jain AK, et al. Registration and Integration of Multiple Object Views for 3D Model Construction [J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(1): 83-89.

[2] Himmelsbach M, Muller A, Luttel T, et al. LIDAR-based 3D Object Perception [C]//Proceedings of 1st International Workshop on Cognition for Technical Systems. 2008： 152-158.

[3] 楊飛．基于三維激光雷達(dá)的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)與跟蹤 [D]．杭州：浙江大學(xué)， 2012： 15-18.

[4] 諶彤童. 三維激光雷達(dá)在自主車環(huán)境感知中的應(yīng)用研究 [D]．長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)， 2011： 20-23.

[5] 馮少榮，肖文?。瓺BSCAN聚類算法的研究與改進(jìn)[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào)， 2008， 27(1): 105-111.

[6] 王桂芝，王廣亮. 改進(jìn)的快速DBSCAN算法 [J]. 計(jì)算機(jī)應(yīng)用，2009， 29(9): 2505-2508.

[7] 劉軍，艾力，馬曉松．一種改進(jìn)的DBSCAN聚類算法的研究與應(yīng)用[J]． 交通與計(jì)算機(jī)， 2008， 26(3): 60-64.

[8] BIRANT D, KUT A. ST-DBSCAN: An Algorithm for Clustering Spatial-temporal Data [J]. Data & Knowledge Engineering, 2007, 60: 208-221.

Multi-targetDetectionMethodofLaserRadarBasedonConfidenceFiltering

SUNXue-kai1,WANGLi2,YANGDe-zhao2,MAJie1

(1. Huazhong University of Science and Technology，Wuhan Hubei 430074, China; 2.Shanghai Radio Equipment Research Institute, Shanghai 200090, China)

Aiming at the questions happened when laser radar detecting multi-target in the complex environment that the date of laser sensor itself jittered and the accuracy of the target detection result caused by the mutual occlusion of the target is not high, a multi-target detection method based on the confidence filter is presented. The method projects the Velodyne point data to the ground, using the theory of the confidence filtering to filter the unstable grids in the edge of the point clusters, then dividing the grids into two types: dynamic and static. Finally, an improved DBSCAN clustering algorithm is used to cluster the dynamic and static grids separately to obtain the dynamic target and the static target. The experiment results show that the proposed method can improve the detection accuracy of multi-targets under complex terrain scenes. It is an efficient laser radar-based multi-target detection method.

confidence filtering; DBSCAN algorithm; target detection

1671-0576(2017)02-0025-05

2017-01-06

2016上海航天科技創(chuàng)新基金資助項(xiàng)目；2015航天支撐技術(shù)基金資助項(xiàng)目。

孫學(xué)凱(1992-)，男，碩士，主要從事三維目標(biāo)檢測(cè)及仿真技術(shù)研究；王 麗(1981-)，女，高級(jí)工程師，主要從事激光雷達(dá)信息處理技術(shù)研究。

TN957.51

A