基于高精度3D數(shù)據(jù)的自動駕駛車輛行人檢測的機器學習方法

介紹了一種基于傳感器系統(tǒng)的用于檢測自動駕駛車輛行駛中行人的方法。對由Velodyne HDL-64E LIDAR激光雷達生成的信息進行處理。通過將機器視覺和機器學習算法結合起來，并對由傳感器生成的點云進行處理,以檢測行人。采用了鄰近算法kNN、樸素貝葉斯分類器NBC和支持向量機SVM的3種不同機器學習算法，并對其性能進行了分析。將上述算法用1931個樣本進行了培訓，然后用包含16個行人的立體模型和469個非行人樣本的真實交通場景進行測試，最后獲得其靈敏度、準確度和特異性，并由此選擇最佳算法。

研究了由傳感器產生的高精度3D范圍數(shù)據(jù)在自動駕駛車輛行人檢測中的應用。研究結果表明：①構建機器學習算法時，需要設置出用于區(qū)分行人和周圍環(huán)境中其它物體的特征向量。點云樣本的軸側投影用于創(chuàng)建二值圖像，從而能夠使用計算機視覺算法來計算部分特征向量。而其特征向量由3種特征組成：形狀特征、不變矩特征和雷達反射性統(tǒng)計特征。②對3種不同機器學習算法（具有歐幾里德和馬哈拉諾比斯距離的kNN、具有高斯和KSF功能的NBC和具有線性和二次函數(shù)的SVM）的性能進行了分析。分析結果表明，SVM最好。③傳統(tǒng)的機器視覺是使用攝像機進行人體檢測，但這些技術受到照明條件變化的影響。而3D激光雷達技術能夠提供更準確的數(shù)據(jù)，可以成功地用于檢測任何類型照明條件下的行人。機器學習算法在無人駕駛車輛導航應用中具有高成功率和可擴展性。

未來研究工作可以增加點云樣本的數(shù)據(jù)庫，以及創(chuàng)建能夠檢測場景中其它重要物體（如自行車、汽車、交通標志和燈光等）的學習機。對傳感器的融合也非常重要。還可開發(fā)可并行化代碼，以增加算法的速度。

刊名：Sensors（英）

刊期：2017年第1期

作者：Navarro P J et al

編譯：陳少帥