[发明专利]一种基于深度学习采用单线激光雷达的车辆检测方法

说明书

本发明涉及一种基于深度学习采用单线激光雷达的车辆检测方法，包括以下步骤：1)通过单线激光雷达采集车辆的特征点云数据，并进行预处理得到二进制图像；2)对二进制图像中进行标注，获取其中车辆所在的位置，生成训练数据集，并采用聚类方法生成感兴趣区域；3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；4)对感兴趣区域进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行车辆位置检测，获取车辆位置。与现有技术相比，本发明具有稳健性高、检测成本低等优点。

技术领域

本发明涉及智能驾驶技术领域，尤其是涉及一种基于深度学习采用单线激光雷达的车辆检测方法。

背景技术

在智能驾驶领域，对于车辆的检测是保障无人驾驶车辆安全行驶的关键性任务之一。对于车辆的检测，目前大多利用3D激光雷达或摄像头作为传感器，受限于单线激光雷达较少的数据信息鲜有利用单线激光雷达作为车辆检测传感器。但3D激光雷达的成本高昂，且采集数据得到的点云信息过多，需要耗费巨大的计算资源。利用摄像头作为检测传感器能够获得较高的检测精度，但是摄像头受光线影响较大，特别是在有夜晚、大雾、沙尘暴等情况下受限于采集图像很难完成周围车辆的检测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习采用单线激光雷达的车辆检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习采用单线激光雷达的车辆检测方法，包括以下步骤：

1)通过单线激光雷达采集车辆的特征点云数据，并进行预处理得到二进制图像；

2)对二进制图像中进行标注，获取其中车辆所在的位置，生成训练数据集，并采用聚类方法生成感兴趣区域；

3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；

4)对感兴趣区域进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行车辆位置检测，获取车辆位置。

述的步骤1)具体包括以下步骤：

11)将采集到的特征点云数据以单线激光雷达为坐标原点的极坐标系转换为全局统一的笛卡尔坐标系；

12)对坐标转换后的点云数据栅格网格化，转换为二进制图像。

所述的步骤11)中，转换表达式为：

(x_j0,y_j0)＝(x_j1,y_j1)R+t

其中，(r_j,φ_j)为原始点云数据中点j的位置坐标，(x_j1,y_j1)为点j转换为以激光雷达为坐标原点的笛卡尔坐标系中的位置坐标，(x_j0,y_j0)为全局统一笛卡尔坐标系中的坐标，R为转换旋转矩阵，t为转换平移向量。

所述的步骤2)中，标注内容包括图像的像素级标注和目标车辆的边界框标注。

所述的深度卷积神经网络为Faster R-CNN卷积神经网络，其以设定尺寸的二进制图像作为输入，以与输入二进制图像上对应目标车辆的位置和置信度为输出。

所述的步骤3)中，深度卷积神经网络的损失函数的表达式为：

Loss＝L_cls(p,u)+λ[u＝1]L_loc(t^u,v)