陸德彪，郭子明，蔡伯根,b,c，姜 維,b,c，王 劍,b,c，上官偉,b,c

(北京交通大學(xué)a.電子信息工程學(xué)院；b.軌道交通控制與安全國家重點(diǎn)實(shí)驗(yàn)室；c.北京市軌道交通電磁兼容與衛(wèi)星導(dǎo)航工程技術(shù)研究中心，北京100044)

0 引 言

高級(jí)駕駛輔助系統(tǒng)(Advanced Driver Assistance Systems,ADAS)是當(dāng)前智能車輛領(lǐng)域研究和發(fā)展的重點(diǎn).對(duì)車輛行駛環(huán)境中移動(dòng)目標(biāo)的準(zhǔn)確檢測(cè)與跟蹤是ADAS完成其駕駛?cè)蝿?wù)的重要前提[1].在國內(nèi)外的研究中，攝像機(jī)、毫米波雷達(dá)、激光雷達(dá)等傳感器都已被廣泛應(yīng)用于目標(biāo)檢測(cè)與跟蹤[2].攝像機(jī)成本低，應(yīng)用簡易，但基于攝像機(jī)的目標(biāo)檢測(cè)方法受天氣等環(huán)境因素影響較大，主要應(yīng)用于結(jié)構(gòu)化道路中的標(biāo)識(shí)檢測(cè)[3]與邊界識(shí)別[4].毫米波雷達(dá)由于其較長的檢測(cè)距離及較窄的視場(chǎng)角，多用于自適應(yīng)巡航系統(tǒng)中[5].激光雷達(dá)視場(chǎng)角廣，能以較高的精度和分辨率提供距離信息，且不受天氣等環(huán)境因素影響，將其用于目標(biāo)檢測(cè)與跟蹤有較突出的優(yōu)勢(shì).

國內(nèi)外研究者們針對(duì)基于激光雷達(dá)的目標(biāo)檢測(cè)與跟蹤問題展開了大量研究.斯坦福大學(xué)的自動(dòng)駕駛汽車“Junior”采用多種激光雷達(dá)，根據(jù)目標(biāo)的運(yùn)動(dòng)特征建模，采用模型匹配的方法完成目標(biāo)的檢測(cè)與識(shí)別，并利用貝葉斯濾波器分別更新每個(gè)目標(biāo)的狀態(tài)[6].Han等[7]對(duì)激光雷達(dá)原始數(shù)據(jù)進(jìn)行分割聚類，并提取目標(biāo)線段特征.之后采用聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)濾波器對(duì)道路邊界進(jìn)行跟蹤，該方法須計(jì)算跟蹤目標(biāo)與當(dāng)前幀中真實(shí)目標(biāo)和虛假目標(biāo)之間的聯(lián)合概率，計(jì)算量較大.周俊靜等[8]和黃如林等[9]均采用了基于距離閾值的方法對(duì)深度數(shù)據(jù)進(jìn)行分割聚類，在此基礎(chǔ)上提取目標(biāo)特征，完成目標(biāo)檢測(cè).利用卡爾曼濾波器對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)進(jìn)行估計(jì)，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的連續(xù)跟蹤.甘志梅等[10]采用固定距離閾值的聚類方法，特征提取的準(zhǔn)確性不高.但結(jié)合聚類合并算法，一定程度上克服了聚類結(jié)果對(duì)距離閾值選擇的依賴性，改善了目標(biāo)檢測(cè)的準(zhǔn)確性.

目前基于特征的動(dòng)態(tài)目標(biāo)檢測(cè)方法在進(jìn)行深度數(shù)據(jù)分割聚類時(shí)，根據(jù)方法的不同需要用戶輸入距離閾值、聚類初始位置等參數(shù)，聚類結(jié)果對(duì)于參數(shù)的選擇有較強(qiáng)依賴性.本文采用參數(shù)自動(dòng)化的網(wǎng)格聚類算法對(duì)每一次掃描[11]獲得的原始深度數(shù)據(jù)點(diǎn)進(jìn)行分割聚類，解決了聚類結(jié)果對(duì)參數(shù)的依賴性問題.在此基礎(chǔ)上，利用卡爾曼濾波器和差異函數(shù)的計(jì)算完成多目標(biāo)狀態(tài)更新和目標(biāo)關(guān)聯(lián)，減少了漏檢對(duì)目標(biāo)跟蹤造成的影響.

本文首先對(duì)要解決的問題，傳感器的配置和整體方法流程進(jìn)行了描述；然后介紹了目標(biāo)檢測(cè)的相關(guān)方法，描述了目標(biāo)狀態(tài)估計(jì)的過程；最后，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估.

1 系統(tǒng)概述

1.1 問題描述

車輛行駛的道路環(huán)境中包括道路邊界、樹叢、車輛等目標(biāo)障礙，其中，車輛目標(biāo)的檢測(cè)與跟蹤對(duì)車輛的自主導(dǎo)航有直接的影響.圖1顯示了道路環(huán)境的一種情況，1輛汽車在道路中央，道路兩側(cè)以樹叢作為道路邊界.激光雷達(dá)深度數(shù)據(jù)點(diǎn)云存在于前方車輛尾部及道路兩側(cè)的樹叢上，表示目標(biāo)相對(duì)于激光雷達(dá)的距離及方位.這種情況下，需要根據(jù)車輛特征提取與車輛相關(guān)的數(shù)據(jù)點(diǎn)，完成車輛目標(biāo)的檢測(cè)及后續(xù)的目標(biāo)跟蹤.

圖1 車身坐標(biāo)系及目標(biāo)點(diǎn)云示例Fig.1 Vehicle coordinates and example of object point clouds

1.2 傳感器配置

本文選擇了4線激光雷達(dá)ibeo LUX，該激光雷達(dá)能夠發(fā)射4層激光脈沖，可獲得更豐富的環(huán)境信息.表1給出了激光雷達(dá)的具體性能參數(shù).

表1 Ibeo LUX參數(shù)Table 1 Ibeo LUX specifications

激光雷達(dá)安裝在車輛正前方的1個(gè)支架上，距離地面高度為55 cm，如圖2所示.ibeo LUX發(fā)射出激光脈沖，并接收到由環(huán)境中目標(biāo)反射回來的脈沖信號(hào)，從而獲得目標(biāo)距離信息.本文中，車身坐標(biāo)系的配置如圖1所示.激光雷達(dá)給出的每一個(gè)深度數(shù)據(jù)的格式為{(xn,yn)|n=0,…,N} ，其中，xn為數(shù)據(jù)點(diǎn)的橫坐標(biāo)，yn為數(shù)據(jù)點(diǎn)的縱坐標(biāo)，N為1次掃描獲得的數(shù)據(jù)點(diǎn)個(gè)數(shù).

圖2 裝備ibeo LUX的實(shí)驗(yàn)車輛Fig.2 Test vehicle equipped with ibeo LUX

1.3 方法流程

本文提出的車輛目標(biāo)檢測(cè)與跟蹤方法流程如圖3所示.

圖3 車輛檢測(cè)與跟蹤流程Fig.3 Flow chart of vehicle detection and tracking

首先，激光雷達(dá)采集描述車身周圍環(huán)境的深度數(shù)據(jù).然后，采用基于柵格的參數(shù)自動(dòng)化聚類算法(Grid-based ClusteringAlgorithm with the Parameter Automation,PAG)[12]將深度數(shù)據(jù)分割為若干聚類，并在各聚類內(nèi)部利用端點(diǎn)迭代擬合(Iterative End Point Fitting,IEPF)算法[13]提取線段.在此基礎(chǔ)上，根據(jù)幾何特征識(shí)別車輛目標(biāo).在圖1中，只有1條與車輛目標(biāo)相關(guān)的線段，車輛目標(biāo)位置即被該線段確定，利用卡爾曼濾波器對(duì)目標(biāo)進(jìn)行位置估計(jì).

2 特征提取

2.1 聚 類

基于給出的深度數(shù)據(jù)格式，利用PAG算法實(shí)現(xiàn)數(shù)據(jù)的分割聚類.PAG算法的關(guān)鍵是對(duì)柵格參數(shù)K計(jì)算的密度閾值MinPts的定義.

假設(shè)1次掃描獲得的數(shù)據(jù)點(diǎn)個(gè)數(shù)為Num，則柵格參數(shù)K為

數(shù)據(jù)空間被分為K×K個(gè)柵格單元，每個(gè)深度數(shù)據(jù)點(diǎn)都可投影到對(duì)應(yīng)的柵格單元中.由此可計(jì)算得到所有柵格單元中的最大數(shù)據(jù)點(diǎn)個(gè)數(shù)Max和包含數(shù)據(jù)點(diǎn)的柵格單元的個(gè)數(shù)Gridnum.則密度閾值MinPts為

式中：N= Max,A1=Max,An=An-1-N,1＜n≤N,Bm=(Am+Am+1)/2,1≤m≤N-1,C=Num/Gridnum.

若1個(gè)柵格單元中的數(shù)據(jù)點(diǎn)個(gè)數(shù)超過MinPts，則該單元被標(biāo)記為高密度單元，否則標(biāo)記為低密度單元.用這樣的方式所有的柵格單元都會(huì)被標(biāo)識(shí).若1個(gè)低密度單元周圍沒有高密度單元，則低密度單元里的所有原始數(shù)據(jù)點(diǎn)被視為異常值而舍棄；若低密度單元周圍存在高密度單元，則兩者結(jié)合成為1個(gè)新的高密度單元.最終，相鄰的高密度單元組成1個(gè)聚類.

2.2 線段提取

將各聚類中第1個(gè)和最后1個(gè)數(shù)據(jù)點(diǎn)連接成1條線段，然后計(jì)算這兩點(diǎn)之前的其他數(shù)據(jù)點(diǎn)相對(duì)于這條線段的最大距離.若最大距離小于某一閾值，則所有數(shù)據(jù)點(diǎn)均可被這一條線段所表示；反之，則該線段在具有最大距離的數(shù)據(jù)點(diǎn)處分割為2條線段，并重復(fù)進(jìn)行上述檢查.

連接第1個(gè)和最后1個(gè)數(shù)據(jù)點(diǎn)的線段表示為

如圖4所示，需要確定兩端點(diǎn)間的其他數(shù)據(jù)點(diǎn)是否均可被這一線段表示.第i個(gè)數(shù)據(jù)點(diǎn)(xi,yi)相對(duì)于線段的距離di為

在線段提取后，采用文獻(xiàn)[9]中的特征識(shí)別方法，根據(jù)每個(gè)聚類中的線段數(shù)目、目標(biāo)形狀、目標(biāo)大小等特征，識(shí)別車輛目標(biāo).

圖4 IEPF算法示意Fig.4 Illustration of IEPF algorithm

3 多目標(biāo)狀態(tài)估計(jì)

初始條件下，對(duì)每一個(gè)目標(biāo)建立1個(gè)卡爾曼濾波器，利用當(dāng)前的目標(biāo)信息對(duì)其下一時(shí)刻的狀態(tài)進(jìn)行估計(jì).考慮到道路上的目標(biāo)數(shù)量隨時(shí)可能改變，卡爾曼濾波器的個(gè)數(shù)也需隨之改變.如圖5所示，目標(biāo)跟蹤過程包括3個(gè)步驟：①目標(biāo)關(guān)聯(lián)，②濾波器管理，③目標(biāo)狀態(tài)更新.

圖5 多目標(biāo)跟蹤流程Fig.5 Flow chart of multiple-object tracking

3.1 目標(biāo)關(guān)聯(lián)

假設(shè)k-1時(shí)刻每個(gè)目標(biāo)都有與之對(duì)應(yīng)的卡爾曼濾波器來估計(jì)k時(shí)刻目標(biāo)的狀態(tài)(中心位置).由估計(jì)的位置(xj,yj)與k時(shí)刻檢測(cè)的目標(biāo)位置(xi,yi)決定的差異函數(shù)為

對(duì)每個(gè)目標(biāo)而言，相對(duì)于不同卡爾曼濾波器估計(jì)的差異值可由式(5)計(jì)算得到，從而獲得1個(gè)最小差異值及對(duì)應(yīng)的濾波器編號(hào).若最小差異值比某一閾值小，則k時(shí)刻的該目標(biāo)與k-1時(shí)刻對(duì)應(yīng)的濾波器關(guān)聯(lián)，并將兩個(gè)時(shí)刻與此濾波器關(guān)聯(lián)的目標(biāo)標(biāo)識(shí)為同一目標(biāo)，如圖6所示.

圖6 目標(biāo)關(guān)聯(lián)示意Fig.6 Illustration of object association

3.2 濾波器管理

為避免沖突，已發(fā)生關(guān)聯(lián)的卡爾曼濾波器不會(huì)與其他目標(biāo)進(jìn)行關(guān)聯(lián).若某目標(biāo)在3.1節(jié)中計(jì)算得到的最小差異值比某一閾值大，則將其視為新目標(biāo)并建立1個(gè)卡爾曼濾波器對(duì)其下一時(shí)刻狀態(tài)進(jìn)行估計(jì).

在k時(shí)刻的所有目標(biāo)完成關(guān)聯(lián)后，若有濾波器沒有與任何目標(biāo)關(guān)聯(lián)，則該濾波器需利用k-1時(shí)刻的信息對(duì)之后幾個(gè)時(shí)刻的狀態(tài)進(jìn)行估計(jì).在這段時(shí)間內(nèi)，一旦有目標(biāo)滿足關(guān)聯(lián)準(zhǔn)則，則該濾波器仍可實(shí)現(xiàn)目標(biāo)關(guān)聯(lián)，若濾波器沒有完成關(guān)聯(lián)，則舍棄該濾波器.

3.3 目標(biāo)狀態(tài)更新

描述目標(biāo)運(yùn)動(dòng)的卡爾曼濾波器表述為

式中：A為狀態(tài)轉(zhuǎn)移矩陣；H為量測(cè)矩陣；z為目標(biāo)中心位置的量測(cè)值{xmym}T；V是協(xié)方差矩陣為R的量測(cè)高斯白噪聲；x為狀態(tài)向量，包括車身坐標(biāo)系下目標(biāo)中心位置橫坐標(biāo)與縱坐標(biāo)的估計(jì)值，以及x方向和y方向的速度，即x={xvyv}T.exey

在完成k時(shí)刻的所有目標(biāo)關(guān)聯(lián)后，需利用目標(biāo)中心位置的量測(cè)進(jìn)行狀態(tài)估計(jì).

式中：Pk-為先驗(yàn)誤差協(xié)方差矩陣；Pk為后驗(yàn)誤差協(xié)方差矩陣；Kk為卡爾曼增益矩陣；為后驗(yàn)狀態(tài)估計(jì)；為先驗(yàn)狀態(tài)估計(jì)；I為單位矩陣.

各矩陣初始狀態(tài)為

式中：T為連續(xù)兩幀數(shù)據(jù)的時(shí)間間隔；σp為過程噪聲的標(biāo)準(zhǔn)差；σm為量測(cè)噪聲的標(biāo)準(zhǔn)差.通過查閱激光雷達(dá)用戶手冊(cè)和離線調(diào)整，σp和σm分別設(shè)為0.5 m和0.2 m.

k+1時(shí)刻的先驗(yàn)狀態(tài)為

4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文提出的車輛檢測(cè)與跟蹤方法，選取一段校園道路進(jìn)行實(shí)驗(yàn).所有的檢測(cè)與跟蹤結(jié)果都在圖1所示的車身坐標(biāo)系中表示.本文設(shè)計(jì)了3種實(shí)驗(yàn)場(chǎng)景：①增加1個(gè)跟蹤目標(biāo)，對(duì)2個(gè)車輛目標(biāo)連續(xù)跟蹤，之后目標(biāo)數(shù)減少；②目標(biāo)被暫時(shí)遮擋；③對(duì)3個(gè)車輛目標(biāo)的跟蹤.

4.1 實(shí)驗(yàn)場(chǎng)景1

實(shí)驗(yàn)中，2個(gè)目標(biāo)車輛在實(shí)驗(yàn)車輛前方行駛.圖7給出了兩車跟蹤的實(shí)驗(yàn)場(chǎng)景及相關(guān)聚類和線段提取結(jié)果.圖7(b)表示了兩個(gè)車輛目標(biāo)的跟蹤過程，跟蹤過程開始時(shí)右側(cè)車輛就處于激光雷達(dá)視野中，在第26幀時(shí)左側(cè)車輛進(jìn)入視野，并在第147幀時(shí)駛出激光雷達(dá)視野.圖7(c)和圖7(d)給出了采用PAG算法和文獻(xiàn)[7]中基于距離的聚類算法得到的聚類及線段提取結(jié)果，可以看出，PAG算法可有效排除環(huán)境中的異常數(shù)據(jù)點(diǎn)，降低對(duì)目標(biāo)識(shí)別的干擾.在跟蹤過程中，右側(cè)汽車標(biāo)識(shí)為目標(biāo)1，左側(cè)汽車標(biāo)識(shí)為目標(biāo)2.

圖7 兩車跟蹤場(chǎng)景及聚類結(jié)果Fig.7 Scene of tracking two vehicles and results of clustering

如圖8所示，濾波器對(duì)目標(biāo)1的狀態(tài)進(jìn)行連續(xù)更新.在跟蹤過程中，目標(biāo)1在第102,148,172,177幀中沒有被檢測(cè)到，被黑色虛線圈出，對(duì)應(yīng)x方向和y方向上的量測(cè)值為0.但濾波器利用之前的信息對(duì)目標(biāo)狀態(tài)進(jìn)行估計(jì)，并在對(duì)應(yīng)的后一時(shí)刻(第103,149,173,178幀)重新與目標(biāo)1關(guān)聯(lián).盡管發(fā)生了漏檢，但本文提出的方法可以避免錯(cuò)誤關(guān)聯(lián).

圖8 目標(biāo)1量測(cè)值與估計(jì)值對(duì)比Fig.8 Comparison between measurement and estimation of object 1

目標(biāo)2在x方向和y方向上的量測(cè)與卡爾曼濾波估計(jì)的軌跡如圖9所示，可以看出，目標(biāo)2在第26幀進(jìn)入激光雷達(dá)視野，同時(shí)新建1個(gè)卡爾曼濾波器.在第26幀之前目標(biāo)2的量測(cè)值和估計(jì)值均被視為0.在第147幀，目標(biāo)2駛出激光雷達(dá)視野，對(duì)應(yīng)的濾波器利用第146幀的信息對(duì)之后時(shí)刻的狀態(tài)進(jìn)行了估計(jì).最終，沒有目標(biāo)與此濾波器關(guān)聯(lián)，濾波器被舍棄.

圖10顯示了兩個(gè)目標(biāo)的估計(jì)值與量測(cè)值之間的誤差.目標(biāo)1由于發(fā)生4次漏檢，對(duì)應(yīng)時(shí)刻的量測(cè)值為0，但濾波器輸出的估計(jì)值不為0，從圖10(a)中可明顯看出誤差發(fā)生4次跳變.而目標(biāo)2在跟蹤過程中無漏檢，誤差變化幅度相對(duì)較小.兩個(gè)目標(biāo)在x方向和y方向上誤差的均方根如表2所示.

圖9 目標(biāo)2量測(cè)值與估計(jì)值對(duì)比Fig.9 Comparison between measurement and estimation of object 2

圖10 估計(jì)值相對(duì)于量測(cè)值的誤差Fig.10 Error of estimation relative to measurement

表2 估計(jì)值與量測(cè)值間誤差的均方根值Table 2 RMSs of error of estimation relative to measurement

4.2 實(shí)驗(yàn)場(chǎng)景2

圖11給出了目標(biāo)1被目標(biāo)2逐漸遮擋的情況.跟蹤開始時(shí)目標(biāo)1行駛在實(shí)驗(yàn)車輛前方，濾波器對(duì)其進(jìn)行連續(xù)的跟蹤.目標(biāo)2在第51幀進(jìn)入激光雷達(dá)視野，隨后在第62幀并入目標(biāo)1所在車道，形成遮擋，導(dǎo)致目標(biāo)1丟失.但跟蹤算法保留了目標(biāo)1，利用目標(biāo)1消失時(shí)的狀態(tài)對(duì)其進(jìn)行估計(jì).在第75幀目標(biāo)1重新出現(xiàn)，與對(duì)應(yīng)濾波器關(guān)聯(lián)，恢復(fù)跟蹤.

圖11 跟蹤過程示意Fig.11 Illustration of the tracking process

圖12給出了兩目標(biāo)在x方向上的量測(cè)值與估計(jì)值.圖12(b)中，目標(biāo)2在第51幀之前的量測(cè)值與估計(jì)值均為0.圖12(a)中目標(biāo)1在第62～74幀由于目標(biāo)2對(duì)其遮擋，量測(cè)值為0，卡爾曼濾波器利用第61幀的信息對(duì)目標(biāo)位置進(jìn)行估計(jì)，保證了算法在目標(biāo)短暫遮擋時(shí)的適用性.

圖12 x方向量測(cè)值與估計(jì)值對(duì)比Fig.12 Comparison between measurement and estimation inxdirection

4.3 實(shí)驗(yàn)場(chǎng)景3

圖13(a)表示了對(duì)3個(gè)車輛目標(biāo)進(jìn)行跟蹤的場(chǎng)景，在圖13(b)中，本文提出的方法可準(zhǔn)確檢測(cè)出3個(gè)車輛目標(biāo).跟蹤開始時(shí)對(duì)3個(gè)車輛目標(biāo)進(jìn)行連續(xù)跟蹤，目標(biāo)1在第16幀時(shí)在激光雷達(dá)視野中消失，之后不發(fā)生目標(biāo)關(guān)聯(lián)，圖14給出了各目標(biāo)y方向的量測(cè)值.

圖13 3車跟蹤場(chǎng)景及目標(biāo)檢測(cè)結(jié)果Fig.13 Scene of tracking three vehicles and results of object detection

圖14 y方向量測(cè)值Fig.14 Measurement inydirection

5 結(jié)論

本文提出了一種基于深度數(shù)據(jù)的車輛目標(biāo)檢測(cè)與跟蹤方法.采用PAG算法實(shí)現(xiàn)激光雷達(dá)深度數(shù)據(jù)的分割聚類，解決了聚類結(jié)果對(duì)參數(shù)的依賴性問題，并利用IEPF算法提取聚類中的線段從而獲得目標(biāo)的幾何特征.最后，利用卡爾曼濾波器完成目標(biāo)關(guān)聯(lián)與跟蹤，在跟蹤目標(biāo)丟失后持續(xù)估計(jì)目標(biāo)狀態(tài)，完成濾波器的新建、保留及舍棄.實(shí)驗(yàn)結(jié)果表明，本文提出的方法可較好地排除環(huán)境中雜波對(duì)目標(biāo)檢測(cè)的影響，目標(biāo)檢測(cè)準(zhǔn)確率較高.在目標(biāo)因漏檢或遮擋發(fā)生丟失后，對(duì)應(yīng)的卡爾曼濾波器仍可與檢測(cè)出的目標(biāo)正確關(guān)聯(lián)，提高了容錯(cuò)能力，目標(biāo)跟蹤效果良好.

[1]PIAO J,MCDONALD M.Advanced driver assistance systems from autonomous to cooperative approach[J].Transport Reviews,2008,28(5)：659-684.

[2]CHAVEZ-GARCIA R O,AYCARD O.Multiple sensor fusion and classification for moving object detection and tracking[J]. IEEE Transactions on Intelligent Transportation Systems,2016,17(2)：525-534.

[3]BERTOZZI M,BROGGI A.GOLD：A parallel real-time stereo vision system for generic obstacle and lane detection[J].IEEE Transactions on Image Process,1998,7(1)：62-81.

[4]SOTELO M A,RODRIGUEZ F J,MAGDALENA L.VIRTUOUS：Vision-based road transportation for unmanned operation on urban-like scenarios[J].IEEE Transactionson IntelligentTransportation Systems,2004,5(2)：69-83.

[5]WENGER J. Automotive radar status and perspectives[C].Compound Semiconductor Integrated Circuit Symposium,IEEE,2005.

[6]PETROVSKAYA A,THRUN S.Model based vehicle detection and tracking for autonomous urban driving[J].Autonomous Robots,2009,26(2/3)：123-139.

[7]HAN J,KIM D,LEE M,et al.Enhanced road boundary and obstacle detection using a downward-Looking LIDAR sensor[J].IEEE Transactions on Vehicular Technology,2012,61(3)：971-985.

[8]周俊靜,段建民,楊光祖.基于雷達(dá)測(cè)距的車輛識(shí)別與跟蹤方法[J].汽車工程,2014,36(11)：1415-1420.[ZHOU J J,DUAN J M,YANG G Z.A vehicle identification and tracking method based on radar ranging[J].Automotive Engineering,2014,36(11)：1415-1420.]

[9]黃如林,梁華為,陳佳佳,等.基于激光雷達(dá)的無人駕駛汽車動(dòng)態(tài)障礙物檢測(cè)、跟蹤與識(shí)別方法[J].機(jī)器人,2016,38(4)：437-443.[HUANG R L,LIANG H W,CHEN J J,et al.Lidar based dynamic obstacle detection,tracking and recognition method for driverless cars[J].Robot,2016,38(4)：437-443.]

[10]甘志梅,王春香,楊明.基于激光雷達(dá)的車輛跟蹤與識(shí)別方法[J].上海交通大學(xué)學(xué)報(bào),2009,43(6)：923-926.[GAN Z M,WANG C X,YANG M.A method for vehicle tracking and recognition based on scanning laser radar[J].Journal of Shanghai Jiaotong University,2009,43(6)：923-926.]

[11]STEIN D,SPINDLER M,KUPER J,et al.Rail detection using LIDAR sensors[J].InternationalJournalof Sustainable Development and Planning,2016,11(1)：65-78.

[12]邱保志,張西芝.基于網(wǎng)格的參數(shù)自動(dòng)化卷聚類算法[J].鄭州大學(xué)學(xué)報(bào)(工學(xué)版),2006,27(2)：91-93.[QIU B Z,ZHANG X Z.Grid-based clustering algorithm with the parameter automatization[J].Journal of Zhengzhou University(Engineering Science),2006,27(2)：91-93.]

[13]BORGES G A,ALDON M J.Line extraction in 2D range images for mobile robotics[J].Journal of Intelligent and Robotic Systems,2004,40(3)：267-297.