[发明专利]基于激光雷达的果蝇视觉启发的三维运动目标检测方法

说明书

本发明属于运动目标检测领域，公开了基于激光雷达的果蝇视觉启发的三维运动目标检测方法。该方法包括：(1)获取激光雷达和IMU的数据；(2)雷达数据预处理，去除地面点；(3)雷达点云栅格化，形成柱状栅格地图；(4)构造水平和竖直两个方向的视觉神经通路，快速计算运动区域及运动物体的大致运动信息；(5)根据(4)的结果，利用更丰富的信息以及近似全连接的神经通路连接方式，精细计算运动信息，并形成运动候选区；(6)将候选区点云送入目标检测神经网络中，实现运动点云的目标分类，以及尺寸、位置的回归。该方法计算量小，通用性强，具有良好的鲁棒性，可根据特定任务更改神经通路连接方式，实现特定运动方向和速度的物体检测。

技术领域

本发明属于运动目标检测领域，具体涉及一种动态环境下基于激光雷达的果蝇视觉启发的三维运动目标检测方法，旨在利用仿生类脑算法实现场景中的三维运动目标检测。

背景技术

动态场景理解是自动驾驶汽车的一项非常重要且极具挑战性的任务，其中运动目标检测是一项基本的子任务。当前深度神经网络的发展极大地促进了目标检测技术的进步，然而目标检测还不能够适应其动态场景的运行环境。因为静态的物体可以简单的建模为场景中的障碍物；而诸如运动的车辆、行人等运动的物体却不能简单的当作障碍物，它们会给无人车带来严重的威胁，直接影响路径规划和决策的结果。此外，运动目标检测对无人车的同时定位与建图技术(SLAM)也非常重要，现有的SLAM方法普遍将运动物体当作异常值，需要设计鲁棒的算法来削弱它们的影响。从另一个层面讲，运动物体蕴含丰富的隐藏信息，有助于交通态势的预测，尤其在拥挤交通环境，可以通过其他物体的运动信息预测未来的道路布局。

相比于二维检测，三维运动目标检测可以直接为无人车所用。立体相机和激光雷达是自动驾驶汽车的常见三维传感器。立体相机可以提供丰富的颜色、纹理和三维信息，但它们易受光照变化的干扰，不能提供高精度的三维信息。而激光雷达可以准确地获取场景的三维信息。因而本发明旨在提出一种简单有效的基于激光雷达的三维运动目标检测新型方法。

目前，运动目标检测方法大致可以分为两类：基于“检测-跟踪”的方法和基于“光流/场景流”的方法。

基于“检测-跟踪”的方法，首先检测出场景中的所有潜在运动目标，然后对它们进行跟踪，以判断是否运动，流程如图1所示。该方法将运动目标检测分解为“检测”和“跟踪”两个子任务，策略简单，容易部署使用。然而，这种多任务级联的结构也有弊端。目标检测过程中，如果存在场景中目标漏检情况，则直接会导致运动目标检测的失败；多目标跟踪又是计算机视觉中极具挑战性的工作，跟踪结果的稳定性差。只有当两个子任务都正确输出，才能确保运动目标检测的准确性。此外，多任务级联的策略无疑也增加了计算代价。

基于“光流/场景流”的方法，跳过了宏观层面的目标检测环节，直接计算每个像素或激光雷达点的运动，然后估计自身运动，最后计算出场景中的真实运动，流程如图2所示。该方法不需要对场景进行目标层面的语义理解，便可以自下而上地计算出场景中的运动信息，在一定程度上避免了“检测-跟踪”方法的缺点。但是光流/场景流计算量大，也容易受到光照、雨雾等天气条件的干扰，鲁棒性差，复杂的背景也会影响真实运动的检测。此外，该方法灵活性差，不能针对性的检测已知特定运动。

在自然界中，果蝇对运动非常敏感，神经生物学家研究的初级运动检测器(Elementary Motion Detector)理论模型初步解释了果蝇基本的运动检测机制。该模型由一对间距△d的相邻感受器A和B组成，如图3虚线框所示。假设一个光点从A运动到B，A接收到信号后，延迟一段时间，使其与B接收到的信号在时间轴上相遇，两信号相乘，信号达到峰值。如果不能相遇，则信号为0。通常情况下，模型还存在另一个对称镜像臂，这样从B到A的运动则输出大小相等符号相反的信号。该理论模型原理简单，这也导致其鲁棒性较差，实用性不高。目前有少数工作将其运用在简单的静态图像中。