[发明专利]基于欧式聚类和深度学习的激光雷达障碍物检测方法

权利要求书

1.一种基于欧式聚类和深度学习的激光雷达障碍物检测方法，其特征在于，包括步骤：

(1)采用深度学习方法对激光雷达障碍物检测获得的点云数据进行处理，得到深度学习的检测结果；然后加入欧式聚类，进行深度学习误检处理，排除深度学习的错误检测情况，得到排除误检的深度学习检测结果列表；

(2)遍历排除误检的深度学习检测结果列表，进行合并聚类过度分割，得到三组检测结果：含有聚类点云的深度学习检测列表；不含聚类点云的深度学习检测列表；无深度学习语义属性的聚类簇；

(3)将上述不含聚类点云的深度学习检测列表和无深度学习语义属性的聚类簇作为输入，进行拆分聚类不完全分割，得到最终检测结果。

2.根据权利要求1所述的基于欧式聚类和深度学习的激光雷达障碍物检测方法，其特征在于，步骤(1)具体包括：

(1.1)采用深度学习方法对激光雷达点云数据进行检测，得到深度学习的检测结果，形成障碍物列表；每个障碍物均用最小矩形框包围；

(1.2)采用欧式聚类方法对激光雷达点云数据进行检测，得到聚类簇；将深度学习的检测结果分别与对应的聚类簇构建关联性质，若相关联的欧式聚类与深度学习检测面积的交集比小于阈值，则认为当前情况为深度学习错误检测，将其从检测列表中去除。

3.根据权利要求2所述的基于欧式聚类和深度学习的激光雷达障碍物检测方法，其特征在于，步骤(1.2)中，根据深度学习最小矩形框的中心位置和聚类簇的中心位置，计算二者的距离，若距离小于设定阈值则认为具有关联性质。

4.根据权利要求1所述的基于欧式聚类和深度学习的激光雷达障碍物检测方法，其特征在于，步骤(2)具体包括：

(2.1)对排除误检的深度学习检测障碍物的面积进行膨胀；

(2.2)以排除误检的深度学习检测到的结果为基准，分别遍历聚类模块检测出的障碍物，进行目标关联；分别判断聚类结果到深度学习检测结果的距离，若距离小于一定阈值，则认为二者存在相关性；

(2.3)逐个判断多个聚类簇是否属于同一深度学习检测目标，若欧式聚类与深度学习检测面积交集和聚类簇的比值大于阈值，则认为该聚类簇属于深度学习检测结果，将聚类簇的点云进行拼接到深度学习检测结果中；若小于阈值，则检测为无深度学习语义属性的聚类簇；

(2.4)重复上述步骤，遍历完所有深度学习和聚类的检测结果，得到三组检测结果：含有聚类点云的深度学习检测列表；不含聚类点云的深度学习检测列表；无深度学习语义属性的聚类簇。

5.根据权利要求4所述的基于欧式聚类和深度学习的激光雷达障碍物检测方法，其特征在于，步骤(2.1)中，将其外形变为原来的1.1-1.2倍，膨胀是将深度学习的最小矩形框进行放大。

6.根据权利要求4所述的基于欧式聚类和深度学习的激光雷达障碍物检测方法，其特征在于，步骤(2.3)中，拼接方式是将聚类簇中点云数据赋值到深度学习检测到的最小矩形框中，最小矩形框包含外形框以及框中障碍物的点云数据。

7.根据权利要求1所述的基于欧式聚类和深度学习的激光雷达障碍物检测方法，其特征在于，步骤(3)具体包括：

(3.1)将上述不含聚类点云的深度学习检测列表和无深度学习语义属性的聚类簇作为输入，分别遍历聚类模块检测出的障碍物，判断聚类结果到深度学习检测结果的距离，若距离小于一定阈值，则认为二者存在相关性；

(3.2)进行欠分割聚类判断，若满足判断条件，则认为聚类属于欠拟合状态，根据目前情况对当前聚类簇再次拆解成多个小聚类簇；

(3.3)不断调整聚类参数，将聚类参数调小，将当前得聚类簇分割成多个小聚类簇，然后判读其和深度学习检测结果的交集比，最大交集比时的聚类簇为当前检测结果；

(3.4)不断循环上述检测结果，最终完成对聚类簇的重聚类工作，得到检测结果：与深度学习无关的聚类簇，不含聚类点云深度学习列表，含聚类点云深度学习列表。