基于路侧激光雷达的城市交叉口目标识别技术

发布时间：2021-02-28 09:10

　　针对城市交叉口环境下交通基础设施无法精确检测道路使用者的问题,提出了一种基于视点特征直方图与支持向量机（VFH-SVM）的点云特征提取与分类方法。根据交叉口复杂环境下目标物的感知需求,对路侧三维激光雷达获取的点云信息采用直通数据滤波预处理;利用条件欧氏聚类算法对场景点云数据进行分割;基于视点特征直方图对分割后不同目标物的三维点云特征进行提取;建立了不同交通参与者及设施的视点特征直方图（VFH）特征数据集;采用线性核函数的支持向量机（SVM）算法对交通场景内的点云数据进行分类识别实验。实验结果表明:所提方法对城市交叉口环境下典型目标物体的分类识别准确率均大于90%以上。 

【文章来源】：传感器与微系统. 2020,39(12)

【文章页数】：4 页

【部分图文】：

路侧激光雷达城市交叉口安装示意

VFH是由一个描述表面形状的扩展快速点特征直方图(fast point feature histogram,FPFH)分量和视点方向与法线之间分量构成，分别如图2所示，是用来表示目标物全局特征的特征描述子。VFH由两部分组成，一方面，对FPFH所产生的3个角度分量与1个距离分量分别进行45个单位区间统计，共形成180个组合区间;另一方面，对视点分量直方图进行128个单位区间统计，将FPFH和视点分量直方图进行组合，就产生了308个组合区间。因此，对于任何一个待识别目标物的特征都可由308维向量进行描述。

利用视点特征直方图VFH对分割后的单物体点云进行计算，在横坐标区间为[1,135]的曲线对应扩展FPFH分量，其中，横坐标区间[1,45],[46,90],[91,135]上的曲线分别对应图2(a)上法线ns和nt的偏差角α，φ，θ。横坐标区间为[136,308]的曲线对应视点方向分量直方图。对不同物体提取结果如图3所示。如图3(a)所示，4条VFH特征曲线分别对应4个不同姿态行人的三维点云图像，在横坐标区间为[1,135]的4条曲线的FPFH分量非常相似，而在横坐标区间为[136,308]视点方向分量存在较大差异，由VFH特征曲线可以判定该4个点云具有相似特征，且同属于行人并具有不同姿态。

【参考文献】：
期刊论文
[1]基于路侧三维激光雷达的车辆目标分类算法[J]. 杨思远,郑建颖.  传感器与微系统. 2020(07)
[2]基于支持向量机与Adaboost的入侵检测系统[J]. 池亚平,凌志婷,王志强,杨建喜.  计算机工程. 2019(10)
[3]利用迁移学习的机载激光雷达点云分类[J]. 赵传,张保明,余东行,郭海涛,卢俊.  光学精密工程. 2019(07)
[4]海量激光点云数据的关键特征准确定位输出方法[J]. 孙秀娟.  激光杂志. 2019(04)
[5]一种基于路缘特征的点云道路边界提取方法[J]. 马新江,刘如飞,蔡永宁,王鹏.  遥感信息. 2019(02)
[6]基于深度学习的道路标线自动提取与分类方法[J]. 黄刚,刘先林.  中国激光. 2019(08)
[7]基于点云数据的三维目标识别和模型分割方法[J]. 牛辰庚,刘玉杰,李宗民,李华.  图学学报. 2019(02)
[8]基于激光雷达的内河无人船障碍物识别方法[J]. 王贵槐,谢朔,柳晨光,初秀民,李梓龙.  光学技术. 2018(05)
[9]铁路场景三维点云分割与分类识别算法[J]. 郭保青,余祖俊,张楠,朱力强,高晨光.  仪器仪表学报. 2017(09)
[10]基于三维激光雷达的智能车辆目标参数辨识[J]. 王肖,李克强,王建强,徐友春.  汽车工程. 2016(09)



本文编号：3055633