[发明专利]复杂环境下激光雷达与视觉融合的多周期目标识别方法

权利要求书

1.一种复杂环境下激光雷达与视觉融合的多周期目标识别方法，其特征在于，包括以下步骤：

步骤1、激光雷达点云数据预处理，平面分割去除背景，之后进行点云聚类，从而提取特征；

步骤2、将单目摄像机采集到的图像与点云进行标定，为激光雷达点云数据加入RGB信息；

步骤3、根据传感器探测到的数据特征信息计算目标隶属度，从而构建初步概率分配函数模型；

步骤4、根据证据间的皮尔逊相关系数计算证据体之间的相关性矩阵，进行归一化，计算出各证据体的可信度；

步骤5、利用可信度对n个证据体的初步概率分配函数模型进行加权平均，获得最终加权平均证据体，并根据DS证据组合规则进行融合；

步骤6、将上一周期识别结果作为一个新的证据体，重新构建概率分配函数，然后返回步骤4，重新进行多次迭代，获得最终的融合结果。

2.根据权利要求1所述的复杂环境下激光雷达与视觉融合的多周期目标识别方法，其特征在于，步骤3中，根据传感器的探测到的数据特征信息计算目标隶属度，从而构建初步概率分配函数模型，具体为：

根据误差的实际分布情况，采用正态分布的概率分配函数计算目标隶属度；

设T＝{T₁…T_i…T_m}为m个传感器测得的一组测试数据集，X＝{X₁…X_k…X_n}为目标可能属于的类别集合，则测试目标T的第i个特性值T_i属于第k个目标类别X_k的隶属度为：

其中是第i个传感器测得的第k个目标类别X_k的数据均值，是X_k数据的标准差；

计算出隶属度矩阵后，对隶属度进行归一化：

从而得到初步的证据体矩阵：

满足则构建出初步概率分配函数模型。

3.根据权利要求2所述的复杂环境下激光雷达与视觉融合的多周期目标识别方法，其特征在于，步骤4中，利用公式计算任意两个证据m_i,m_j间的皮尔逊相关系数ρ_ij：

其中，cov表示变量间的协方差，表示m_i,m_j的标准差，E为对变量的期望，ρ_ij∈[-1,1]，将两个证据体之间相关性小于等于0的值设置为0.01，两个证据体的相关性s_ij表示为：

然后构建证据体的相关性矩阵，进行归一化计算出证据m_i的可信度cred(m_i)：

归一化：

其中

4.根据权利要求3所述的复杂环境下激光雷达与视觉融合的多周期目标识别方法，其特征在于，步骤5中，利用可信度对n个证据体的初步概率分配函数模型进行加权平均，获得最终加权平均证据体公式如下：

5.根据权利要求1所述的复杂环境下激光雷达与视觉融合的多周期目标识别方法，其特征在于，步骤5中，根据DS证据组合规则进行融合，具体为：

对得到的加权平均证据体，采用经典DS证据理论算法进行数据融合：

其中，K为归一化常数，反映证据间的相似程度：