孫學凱， 王 麗， 楊得釗， 馬 杰

(1. 華中科技大學， 湖北 武漢 430074； 2.上海無線電設備研究所， 上海 200090)

基于置信濾波的激光雷達多目標檢測方法

孫學凱1， 王 麗2， 楊得釗2， 馬 杰1

(1. 華中科技大學， 湖北 武漢 430074； 2.上海無線電設備研究所， 上海 200090)

針對激光雷達在復雜場景中檢測多目標時所遇到的傳感器本身數(shù)據(jù)抖動、目標相互遮擋導致目標檢測準確率不高的問題，提出了一種基于置信濾波的多目標檢測方法。本方法將Velodyne點云數(shù)據(jù)投影到地面，使用置信濾波方法將聚集區(qū)域邊緣的不穩(wěn)定柵格濾除，并將柵格分為動態(tài)與靜態(tài)兩類。最后使用改進的DBSCAN聚類算法，對動、靜態(tài)柵格進行聚類處理，得出運動目標與靜態(tài)目標。實驗結(jié)果表明：該方法能夠較大地提高對復雜場景下多目標的檢測準確度，是一種高效的激光雷達多目標檢測方法。

置信濾波； DBSCAN算法； 目標檢測

0 引言

激光成像雷達的波束較窄、方向性好，在一定程度上可以穿透遮蔽物獲取目標信息，較之傳統(tǒng)的二維成像傳感器能更好地反映場景中目標的位置信息。在智能交通、精確打擊等自動目標檢測領域中有很好的應用。但在復雜場景下，抖動噪聲、數(shù)據(jù)缺失等因素的干擾給目標檢測提出了挑戰(zhàn)，特別在學校、車站、主要交通路口等行人車輛流量較大的場景中，目標眾多且遮擋頻繁。

本文針對地面交通場景，使用Velodyne-64線激光雷達基于置信濾波的多目標檢測方法，對十字路口周圍的多個目標進行檢測，并提取出多個目標的準確位置信息，是一種完整高效的基于激光雷達的多目標檢測方法。

1 點云數(shù)據(jù)處理

1.1點云數(shù)據(jù)柵格化

將激光雷達點云數(shù)據(jù)柵格化的方法有很多[1-3]，比較成熟的三維激光傳感器數(shù)據(jù)柵格化表示方法有均值高度柵格表示法和最大最小高度差值柵格表示法兩種[4]，本文方法采用最大最小值高度差值柵格表示法對Velodyne雷達的點云數(shù)據(jù)進行柵格化處理。

在原始的點云圖像中，點云數(shù)據(jù)降維表示為XY平面的柵格地圖，地圖中的每個柵格的屬性信息為柵格內(nèi)點云數(shù)據(jù)的最大高度與最小高度的差值Δd,若Δd大于等于預先設定的閾值D，則柵格被標記為目標柵格；Δd小于D，柵格被標記為非目標柵格。柵格的屬性信息T(x)表示為

(1)

圖1為校園十字路口處的原始點云圖像，圖2是經(jīng)過最大最小高度差值柵格化后的目標占用柵格圖，其中白色部分為提取出的目標柵格，黑色部分為非目標柵格。

圖1 原始點云圖像

圖2 柵格化后的點云圖像

1.2基于置信濾波的目標柵格區(qū)分

根據(jù)1.1中方法，可以得到目標柵格。對于得到的目標柵格，一方面由于Velodyne雷達在旋轉(zhuǎn)過程中存在的微小抖動問題，會使處于目標聚集區(qū)域邊緣的柵格處于抖動狀態(tài)，即在目標柵格和非目標柵格之間不斷的變化，這對后續(xù)的聚類操作以及運動目標與靜態(tài)目標的區(qū)分影響很大；另一方面為了檢測運動目標與靜態(tài)目標，如果直接對得到的目標柵格進行聚類操作，很可能會在運動目標經(jīng)過靜態(tài)目標時，將運動目標與靜態(tài)目標聚集為一個目標，對動靜態(tài)目標劃分造成影響。

為解決上述問題，本方法引入置信濾波理論，對得到的原始目標柵格進行濾波，同時將目標柵格劃分為靜態(tài)柵格與動態(tài)柵格兩類。方法描述如下：

a) 每個柵格引入連續(xù)存在置信參數(shù)E，初始化E=0；

b) 對后續(xù)每一幀的該位置柵格，如果其為目標柵格，則E+1，否則E=0;

c) 當E大于給定的閾值Et時，該柵格為靜態(tài)柵格，否則為動態(tài)柵格。

考慮遮擋情況，當某一運動目標經(jīng)過靜態(tài)目標時，會對其產(chǎn)生遮擋，導致原來的靜態(tài)柵格被檢測為非目標柵格，對靜態(tài)柵格的檢測穩(wěn)定性造成影響。對此，解決方法如下：

a) 對已經(jīng)檢測出的靜態(tài)柵格引入連續(xù)消失置信參數(shù)D，初始化D=0；

b) 對后續(xù)每一幀的該位置柵格，如果被檢測為非目標柵格，則D+1，否則D=0；

c) 當D達到給定閾值Dt時，令該柵格的連續(xù)存在置信參數(shù)E=0，并令D=0，柵格更新為非目標柵格，否則該柵格依舊為靜態(tài)柵格。

d) 如果在D未達到給定閾值的連續(xù)幀中，該柵格再次被檢測為目標柵格，則D=0，T不變。

方法流程，如圖3所示。

圖3 柵格置信濾波方法流程圖

使用以上置信濾波方法，得到的柵格區(qū)分效果如圖4所示。

圖4 置信濾波的柵格區(qū)分效果圖

1.3目標聚類

經(jīng)過上述步驟，可以得出穩(wěn)定的靜態(tài)與動態(tài)目標柵格，分別對靜態(tài)與動態(tài)柵格進行聚類操作，可以提取出靜態(tài)目標和運動目標。本方法根據(jù)激光雷達的成像特點，使用了一種基于空間密度的改進DBSCAN聚類方法[5-8]。

對原算法的改進主要有兩點：

a) 使用核心柵格Eps搜索范圍內(nèi)X、Y正負半軸上最遠的4個特征柵格來代替對Eps內(nèi)所有柵格的搜索，提高算法的時間效率；

b) 由于激光的數(shù)據(jù)密度會隨著掃描距離的變化而變化，原始DBSCAN算法的Eps值不能動態(tài)改變。

改進方法為根據(jù)目標柵格距雷達的實際距離動態(tài)地改變DBSCAN算法的搜索半徑Eps。

(2)

式中：α為聚類半徑系數(shù)；Xi，Yi為目標柵格的中心位置在雷達坐標系中的坐標；θ為激光雷達的水平角度分辨率；L為聚類區(qū)域步長。

該算法的關鍵步驟為如何判斷某一柵格是否為核心柵格，其判斷方法為

(3)

式中：NEps(Ci)表示以柵格Ci為中心；Eps半徑范圍內(nèi)目標柵格的個數(shù)；minPts表示當前柵格為核心柵格時，其NEps(Ci)的最小值。改進算法的流程如圖5所示。

圖5 改進DBSCAN算法流程圖

經(jīng)過聚類操作之后可得到，聚類效果如圖6所示。

圖6 目標檢測效果圖

2 實驗結(jié)果

2.1實驗場景

在校園十字路口內(nèi)對過往的汽車、電動車以及行人進行檢測，實驗場景如圖7所示。

圖7 實驗場景圖

2.2結(jié)果

Velodyne雷達的最遠探測距離為100 m左右，距離越遠點云數(shù)目越少，受環(huán)境的影響越大。為評價本文提出方法的檢測效果以及其是否滿足實時性的要求。對校園十字路口處以激光雷達為中心，半徑40 m、60 m、80 m范圍內(nèi)的多個運動目標進行檢測，對若干個目標位置的真實度進行了測量，并統(tǒng)計算法的平均運行時間。結(jié)果如表1、表2所示。

結(jié)果顯示，使用本方法可以很好地對復雜路面環(huán)境下的多個目標進行檢測，整體方法運行時間在200 ms以內(nèi)，而雷達的掃描頻率為5 Hz，能夠滿足實時性的要求。在激光雷達的常用探測距離內(nèi)檢測準確度很高，但在激光雷達的遠距離探測范圍內(nèi)，檢測率還是有所下降，這是由于遠處物體的成像點數(shù)較少，且遠處物體受遮擋的情況更為復雜等綜合因素所導致的，這也是本方法后續(xù)改進過程中所需要完善的，但對目標具體位置的提取非常準確，位置提取誤差占實際距離的百分比大約在2%左右，這也體現(xiàn)了激光雷達較之二維圖像傳感器的特有優(yōu)勢。

表1 多運動目標檢測結(jié)果

表2 單目標位置提取結(jié)果

3 結(jié)束語

本文提出了一種基于置信濾波的激光雷達多目標檢測方法，通過在校園內(nèi)十字路口處的多次實驗，驗證了本方法可以很好地解決在復雜環(huán)境中檢測多目標時所遇到傳感器本身數(shù)據(jù)抖動、目標相互遮擋所導致的目標檢測準確率不高問題，證實了本方法的可靠性。下一步工作，將準備在動基座上測試本算法。

[1] Dorai C, Wang G, Jain AK, et al. Registration and Integration of Multiple Object Views for 3D Model Construction [J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(1): 83-89.

[2] Himmelsbach M, Muller A, Luttel T, et al. LIDAR-based 3D Object Perception [C]//Proceedings of 1st International Workshop on Cognition for Technical Systems. 2008： 152-158.

[3] 楊飛．基于三維激光雷達的運動目標實時檢測與跟蹤 [D]．杭州：浙江大學， 2012： 15-18.

[4] 諶彤童. 三維激光雷達在自主車環(huán)境感知中的應用研究 [D]．長沙：國防科學技術(shù)大學， 2011： 20-23.

[5] 馮少榮，肖文?。瓺BSCAN聚類算法的研究與改進[J]. 中國礦業(yè)大學學報， 2008， 27(1): 105-111.

[6] 王桂芝，王廣亮. 改進的快速DBSCAN算法 [J]. 計算機應用，2009， 29(9): 2505-2508.

[7] 劉軍，艾力，馬曉松．一種改進的DBSCAN聚類算法的研究與應用[J]． 交通與計算機， 2008， 26(3): 60-64.

[8] BIRANT D, KUT A. ST-DBSCAN: An Algorithm for Clustering Spatial-temporal Data [J]. Data & Knowledge Engineering, 2007, 60: 208-221.

Multi-targetDetectionMethodofLaserRadarBasedonConfidenceFiltering

SUNXue-kai1,WANGLi2,YANGDe-zhao2,MAJie1

(1. Huazhong University of Science and Technology，Wuhan Hubei 430074, China; 2.Shanghai Radio Equipment Research Institute, Shanghai 200090, China)

Aiming at the questions happened when laser radar detecting multi-target in the complex environment that the date of laser sensor itself jittered and the accuracy of the target detection result caused by the mutual occlusion of the target is not high, a multi-target detection method based on the confidence filter is presented. The method projects the Velodyne point data to the ground, using the theory of the confidence filtering to filter the unstable grids in the edge of the point clusters, then dividing the grids into two types: dynamic and static. Finally, an improved DBSCAN clustering algorithm is used to cluster the dynamic and static grids separately to obtain the dynamic target and the static target. The experiment results show that the proposed method can improve the detection accuracy of multi-targets under complex terrain scenes. It is an efficient laser radar-based multi-target detection method.

confidence filtering; DBSCAN algorithm; target detection

1671-0576(2017)02-0025-05

2017-01-06

2016上海航天科技創(chuàng)新基金資助項目；2015航天支撐技術(shù)基金資助項目。

孫學凱(1992-)，男，碩士，主要從事三維目標檢測及仿真技術(shù)研究；王 麗(1981-)，女，高級工程師，主要從事激光雷達信息處理技術(shù)研究。

TN957.51

A