[发明专利]路侧激光雷达目标检测方法及装置

说明书

本发明提供一种路侧激光雷达目标检测方法，其包含：从路侧激光雷达采集的数据中选取不同时段的多帧背景点云数据作为背景数据，对背景数据进行栅格化处理并统计栅格特征，计算得到栅格平均统计特征作为背景栅格统计表；针对实测的原始点云数据，进行与背景数据具备相同栅格尺寸的栅格化处理，统计得到原始点云数据对应的栅格统计特征，结合背景栅格统计表进行背景滤波后，得到非背景点云数据；将非背景点云数据输入构建的多尺度体素三维检测检测网络，输出目标的检测结果张量，结果张量包含目标的类别信息和边界框信息。本发明通过背景滤波，滤除大量的无效点，显著缩短网络的训练和推理时间，同时没有了大量背景点的干扰提高了检测结果的精度。

技术领域

本发明涉及机器视觉与智能驾驶汽车技术领域，具体地说，涉及一种路侧激光雷达目标检测方法及装置。

背景技术

现有的针对激光雷达点云目标检测技术主要分为传统的机器学习的目标检测方法和基于深度学习的目标检测方法。

基于传统的机器学习的目标检测方法主要分为四个步骤：1)对原始点云进行地面分割或者背景滤波，滤除大量的背景点或者地面点。2)对滤波后的点云采用多种聚类的方法进行聚类，得到属于同一个目标的点云形成的聚类簇。3)对得到的聚类簇进行手工提取特征。常见的特征包括密度，高度差，法向量和统计直方图等特征。4)对手工提取到的特征进行类，常见的分类器有SVM(支持向量机)和决策树等。

基于深度学习的目标检测方法主要分为两类：基于候选区域的(regionproposal)提取的两阶段(two-stage)目标检测方法和单阶段的(one stage)的目标检测方法。两者各有优势，前者由于通过候选区域提取滤除大量的无效的目标，具有较高的检测精度，但是速度较慢。后者由于省去了候选区域提取步骤，具有较高的检测速度，但是检测精度往往低于两阶段的目标检测方法。

传统机器学习方法数据处理流程繁琐，需要经过多个步骤处理来得到有效的目标聚类簇，同时在分类阶段需要手动定义特征用于分类器分类，手工定义特征需要领域知识和专家经验，同时可能不具有统计性。基于深度学习的方法无需人工经验，省去了繁琐的特征工程，在原始数据输入下模型会自动学习提取数据中的特征，同时在大数据的驱动下可以得到很好的泛化能力，检测精度往往高于传统机器学习方法。但是深度学习的方法需要大量的标注数据作为输入，同时依赖于数据的多样性来避免过拟合，计算量较大，实时性难以保证。在路侧环境下，激光雷达安装在固定的路侧基站，无法获取大量的多样的点云数据，获取的点云数据中地形背景部分往往高度一致，导致训练得到的模型是过拟合的。

因此，为了解决上述深度学习在路侧激光雷达的应用，本发明提供了一种深度网络与背景滤波相结合的路侧激光雷达目标检测方法及装置。

发明内容

为解决上述问题，本发明提供了一种路侧激光雷达目标检测方法，所述方法包含以下步骤：

步骤一：从路侧激光雷达采集的数据中选取不同时段的多帧背景点云数据作为背景数据，对所述背景数据进行栅格化处理并统计栅格特征，计算得到栅格平均统计特征作为背景栅格统计表；

步骤二：针对实测的原始点云数据，进行与所述背景数据具备相同栅格尺寸的所述栅格化处理，统计得到所述原始点云数据对应的栅格统计特征，结合所述背景栅格统计表进行背景滤波后，得到非背景点云数据；

步骤三：将所述非背景点云数据输入构建的多尺度体素三维检测检测网络，输出目标的检测结果张量，所述结果张量包含目标的类别信息和边界框信息。

根据本发明的一个实施例，所述步骤一中具体包含以下步骤：

对所述多帧背景点云中的对每帧背景点云数据进行栅格化处理，统计每帧背景点云数据中每一栅格的栅格统计特征；

统计所述多帧背景点云数据中所有栅格对应的栅格统计特征，并进行平均计算，得到所述多帧背景点云数据对应的所述栅格平均统计特征，将所述栅格平均统计特征进行保存得到所述背景栅格统计表。