[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

说明书

本发明公开了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，该方法为：激光雷达点云数据预处理提取特征；将单目摄像机采集到的图像与点云进行标定，为雷达点云数据加入RGB信息；计算目标隶属度，构建初步概率分配函数模型；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；利用可信度对各证据体的初步概率分配函数模型进行加权平均得到最终加权平均证据体，根据DS证据组合规则进行融合；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，重新计算证据体之间的相关性矩阵，多次迭代获得最终的融合结果。本发明概率分配合理、运算简单、计算量小，目标识别的准确度更高。

技术领域

本发明涉及数据融合技术领域，特别是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。

背景技术

复杂环境背景下，单传感器无法准确获得目标的准确信息，多传感器数据融合可以利用异构传感器之间性能的互补，对目标的多个特征进行探测，提高目标识别的准确度。本发明采用激光雷达和单目摄像机进行数据融合，分别获得目标的形状、反射强度、点云数量等特征。DS证据理论算法由于其对于不确定信息的处理能力，常常用于多传感器目标识别领域，但当证据相冲突时，会产生错误的融合结果，因此本发明采用皮尔逊相关系数计算证据体之间的相关程度，从而计算证据的可信度，对原有证据体加权平均构建新的证据体，之后再进行DS证据理论规则组合。

概率分配函数的设置是DS证据理论算法中非常重要的一部分，直接影响目标的融合效果。然而，如何有效地解决复杂环境中不确定信息的建模和融合仍然是一个有待解决的问题。目前主要采用专家经验和先验知识来进行概率赋值，但在复杂环境背景下，随着环境的变化及噪声的影响，这种方法会引起较大的误差，还有一些文献提出通过数据的最大值、最小值和均值来构建三角模糊数模型从而计算概率分配函数，但最大值和最小值无法准确的反映目标数据的离散程度，本发明考虑到传感器识别误差大多服从正态分布，因此本发明在模糊集理论的基础上，提出根据正态分布的概率分配函数计算目标隶属度，从而构建目标的基本概率分配模型。

在复杂环境下，由于传感器故障或噪声干扰等原因，传感器构建的证据体之间会产生较为严重的冲突问题，这时单个周期的数据无法给出准确的识别结果，因此本发明引入多周期数据融合，将多个周期采集到的数据进行融合，提高识别的准确度，而且多周期数据融合可以解决由于目标密集引起数据关联错误从而导致目标识别错误的问题。

发明内容

本发明提供了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，该方法采用激光雷达和单目摄像机分别获得目标的多种特征值数据，同时引入历史周期信息，对数据进行融合计算，实现对目标的识别分类。

实现本发明目的的技术解决方案为：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，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。