[发明专利]一种基于激光雷达点云数据的目标识别系统及方法

说明书

本发明涉及3D点云处理领域，特别是涉及一种基于激光雷达点云数据的目标识别系统及方法，对不同环境的3D点云具有鲁棒性，且具有端到端的实时性。本发明有效结合了点云目标检测方法中的基于体素和基于点的方法，改善了检测算法中感知域不足的问题，可同时对不同尺寸、不同大小的物体进行精确检测，提高了目标检测准确度和稳定性。

技术领域

本发明涉及3D点云处理领域，特别是涉及一种基于激光雷达点云数据的目标识别系统及方法，对不同环境的3D点云具有鲁棒性，且具有端到端的实时性。

背景技术

目前3D点云数据处理方法包括两种：非深度学习方法和深度学习方法。目前进入实用阶段的雷达目标检测系统中，大多使用多线机械旋转式激光雷达作为车辆的环境感知主传感器。

激光雷达是一种采用非接触激光测距技术的扫描式传感器，其工作原理与一般的雷达系统类似，通过发射激光光束来探测目标，并通过搜集反射回来的光束来形成点云和获取数据，这些数据经光电处理后可生成为精确的三维立体图像。采用这项技术，可以准确的获取高精度的物理空间环境信息，测距精度可达厘米级，因此，该项技术成为汽车自动驾驶、无人驾驶、定位导航、空间测绘、安保安防等领域最为核心的传感器设备。

而目前的3D点云数据目标检测算法有两种：非深度学习算法和深度学习算法。非深度学习算法主要包括Graph、Range Image和Elevation Image方法，这类算法大都使用单的基于形状或空间规则的方法就可以得到一定的目标识别结果，但是存在以下问题。

第一，准确度较低，达不到自动驾驶等应用场景的要求；

第二，非深度学习算法需要针对不用的使用场景采用不同的规则，不具有普适性。

深度学习算法基于神经网络理论，使用大量现实数据及标签对网络神经元进行训练，优化预测结果，提高准确度。目前基于深度学习的目标识别方法分为三类：1)基于深度图的方法；2)基于体素的方法；3)基于点的方法。其中存在以下问题：

第一，基于深度图的方法中，将3D点云数据转化为2D深度图像，使用2D目标识别网络进行预测，会造成原始数据的大量丢失，准确度较低；

第二，基于体素的方法中，将3D离散点云转化为有顺序的空间体素，有效利用了点云的空间性和点与点的关联性，但是会带来巨大的计算量和原始数据的丢失；

第三，基于点的方法中，将3D点云数据直接输入神经网络，提取其点云特征，但是准确度较低，网络结构复杂。

发明内容

本发明为了解决上述问题，最大程度地利用原始数据，提高3D点云目标识别方法准确率和鲁棒性，提出了一种基于激光雷达点云数据的目标识别系统及方法。

本发明的技术方案为：

一种基于激光雷达点云数据的目标识别系统，该目标识别系统包括激光雷达传感器、中央处理器、显示设备；

所述的激光雷达传感器为多线机械旋转式激光雷达传感器；

其中，激光雷达传感器通过USB连接线与中央处理器相连接，中央处理器通过视频数据线与显示设备连接；

所述的激光雷达传感器通过旋转进行3D点云数据360°采集，通过激光雷达上的USB接口及USB连接线将所采集的3D点云数据传至中央处理器，激光雷达传感器通过旋转采集到的3D点云数据也称为原始点云数据；

中央处理器根据接收到的3D点云数据对待识别目标物体进行类别识别和边界框识别，将类别识别和边界框识别结果，以及接收到的3D点云数据通过视频数据线发送至显示设备进行显示；

所述的激光雷达传感器进行点云数据采集时，采集频率为10Hz；

所述的中央处理器为工控机或者其他嵌入式设备；