基于三維激光點(diǎn)云的目標(biāo)識(shí)別與跟蹤研究

來(lái)源：《汽車(chē)工程》 ，作者徐國(guó)艷等

［摘要］ 針對(duì)無(wú)人車(chē)環(huán)境感知中的障礙物檢測(cè)問(wèn)題，設(shè)計(jì)了一套基于車(chē)載激光雷達(dá)的目標(biāo)識(shí)別與跟蹤方法。為降低計(jì)算量，提高處理速度，引入了點(diǎn)云過(guò)濾與分割算法對(duì)原始激光點(diǎn)云數(shù)據(jù)進(jìn)行縮減，有效提高了檢測(cè)的實(shí)時(shí)性。使用多特征復(fù)合判據(jù)，基于SVM分類(lèi)器改進(jìn)了Adaboost算法，對(duì)三維激光點(diǎn)云進(jìn)行直接處理，最大限度保留了感知信息，提高了識(shí)別準(zhǔn)確度。提出基于最大熵模糊聚類(lèi)的數(shù)據(jù)關(guān)聯(lián)方法和相應(yīng)的粒子濾波器，有效提高了復(fù)雜交通流中目標(biāo)跟蹤的穩(wěn)定性和準(zhǔn)確性。經(jīng)百度Apollo平臺(tái)數(shù)據(jù)集仿真、自主研發(fā)的無(wú)人駕駛平臺(tái)實(shí)驗(yàn)驗(yàn)證和針對(duì)小目標(biāo)交疊和遮擋情況的實(shí)車(chē)驗(yàn)證表明，該套方法具有良好的實(shí)時(shí)性和魯棒性。

前言

在無(wú)人駕駛汽車(chē)中，環(huán)境感知系統(tǒng)是其行駛決策的信息來(lái)源，對(duì)交通流中的車(chē)輛、非機(jī)動(dòng)車(chē)、行人等目標(biāo)進(jìn)行識(shí)別并保持跟蹤，及時(shí)向決策系統(tǒng)輸入環(huán)境障礙物信息，是環(huán)境感知系統(tǒng)的重要任務(wù)，也是無(wú)人車(chē)安全行駛的關(guān)鍵所在。

國(guó)內(nèi)外在這一問(wèn)題的研究上，先后提出了將三維數(shù)據(jù)壓縮到二維平面并進(jìn)行聚類(lèi)的柵格地圖法［1］、將點(diǎn)云按幀截圖并用視覺(jué)方法進(jìn)行檢測(cè)的特征圖像法［2］等，這些方法僅能獲得某一二維平面上的目標(biāo)信息。隨著機(jī)器學(xué)習(xí)的興起，使用神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、Adaboost等機(jī)器學(xué)習(xí)算法［3］對(duì)三維點(diǎn)云特征直接進(jìn)行提取和分類(lèi)逐漸發(fā)展起來(lái)。在目標(biāo)跟蹤上，使用MHT和JPDA等數(shù)據(jù)關(guān)聯(lián)算法［4］，結(jié)合卡爾曼濾波器進(jìn)行跟蹤是較為常見(jiàn)的方法［5］。但這種方法在實(shí)際的復(fù)雜交通流中面臨維度災(zāi)難和對(duì)交叉、遮擋目標(biāo)無(wú)效的問(wèn)題，因此，一系列基于非線性假設(shè)的跟蹤方法被提出［6-8］。

本文中使用經(jīng)過(guò)濾和分割的三維激光點(diǎn)云數(shù)據(jù)，通過(guò)可變閾值篩選進(jìn)行聚類(lèi)。復(fù)合10個(gè)不同特征得出53維特征向量作為判據(jù)，用SVM分類(lèi)器改進(jìn)的Adaboost機(jī)器學(xué)習(xí)算法對(duì)三維激光點(diǎn)云數(shù)據(jù)進(jìn)行直接處理，得到目標(biāo)識(shí)別結(jié)果。提出基于最大熵模糊聚類(lèi)的數(shù)據(jù)關(guān)聯(lián)方法并設(shè)計(jì)相應(yīng)的粒子濾波器，解決了由復(fù)雜交通流造成的目標(biāo)遮擋與錯(cuò)跟問(wèn)題。仿真與實(shí)驗(yàn)結(jié)果表明，該方法具有可靠性和魯棒性。

1 激光點(diǎn)云數(shù)據(jù)獲取與預(yù)處理
使用速騰聚創(chuàng)出品的RS-16線激光雷達(dá)作為點(diǎn)云數(shù)據(jù)的獲取來(lái)源，安裝方式為車(chē)頂對(duì)心安裝。安裝示意圖如圖1所示。

圖1 雷達(dá)安裝示意圖

1.1 激光點(diǎn)云數(shù)據(jù)過(guò)濾與分割
為減少計(jì)算量，選取激光點(diǎn)云的z坐標(biāo)值作為過(guò)濾與分割的依據(jù)，對(duì)地面、建筑物等的點(diǎn)云進(jìn)行濾除。將激光掃描的區(qū)域在x-y平面上劃分為0.1 m×0.1 m的網(wǎng)格，由于網(wǎng)格小于可能的目標(biāo)所占有的面積，因此每個(gè)網(wǎng)格都可以視為僅隸屬于一類(lèi)分類(lèi)?？赡艿姆诸?lèi)包括地面、建筑物、樹(shù)木和目標(biāo)。地面的特點(diǎn)是z坐標(biāo)值小，且為一近似平面，網(wǎng)格內(nèi)z坐標(biāo)值相差不大。建筑物和樹(shù)木的特點(diǎn)是z坐標(biāo)值相差巨大，且最大值遠(yuǎn)遠(yuǎn)超出目標(biāo)。網(wǎng)格內(nèi)點(diǎn)云數(shù)目過(guò)少則可判定為噪聲。按表1進(jìn)行激光點(diǎn)云數(shù)據(jù)的過(guò)濾與分割。該方法效果如圖2和圖3所示。

1.2 激光點(diǎn)云數(shù)據(jù)聚類(lèi)
表1 點(diǎn)云過(guò)濾與分割算法

圖2 點(diǎn)云數(shù)據(jù)過(guò)濾前圖

圖3 點(diǎn)云數(shù)據(jù)過(guò)濾后圖

聚類(lèi)是依據(jù)某種事先確定的標(biāo)準(zhǔn)（例如密度、距離、層次）等所產(chǎn)生的差異來(lái)將散亂的數(shù)據(jù)點(diǎn)聚合為相互獨(dú)立的分類(lèi)。聚類(lèi)算法的關(guān)鍵在于標(biāo)準(zhǔn)及其閾值的選取。為充分利用激光雷達(dá)含有深度信息的三維點(diǎn)云數(shù)據(jù)，以及減少由于目標(biāo)遠(yuǎn)近不同造成的離散程度不同等的影響。本文中使用深度信息，即距離值來(lái)對(duì)聚類(lèi)閾值進(jìn)行調(diào)整。提出一種基于距離值的可變閾值確定方法［9-10］，如圖4所示。設(shè)rn-1為相鄰前點(diǎn)離激光雷達(dá)的直線距離，Δφ為激光雷達(dá)的角分辨率，σ為激光雷達(dá)零偏誤差，λ為可變閾值參數(shù)，則聚類(lèi)的可變閾值為

圖4 閾值計(jì)算示意圖

通過(guò)實(shí)驗(yàn)選取適宜的可變閾值參數(shù)（本文取10°），則由式（1）可以看出，越遠(yuǎn)離激光雷達(dá)，閾值不斷增加，良好地適應(yīng)了遠(yuǎn)處激光點(diǎn)分布更為分散的趨勢(shì)，從而提高了遠(yuǎn)處離散點(diǎn)云的聚類(lèi)效果。

2 目標(biāo)識(shí)別
目標(biāo)識(shí)別過(guò)程是從空間或時(shí)間分布數(shù)據(jù)信息中將屬于目標(biāo)的部分篩選出來(lái)并進(jìn)行特征判斷。機(jī)器學(xué)習(xí)是解決這類(lèi)問(wèn)題的有利工具。在機(jī)器學(xué)習(xí)過(guò)程中，兩個(gè)重點(diǎn)分別是設(shè)計(jì)適宜的算法與分類(lèi)器以及選取合適的先驗(yàn)特征。

2.1 基于SVM分類(lèi)器改進(jìn)的Adaboost算法
Adaboost是一種基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)算法。其基本原理是不斷對(duì)學(xué)習(xí)的樣本進(jìn)行迭代，每一次迭代的結(jié)果都視為一個(gè)弱分類(lèi)器。由于在每一次迭代時(shí)都對(duì)樣本的權(quán)值進(jìn)行更新，因此這一過(guò)程最終會(huì)得到若干個(gè)弱分類(lèi)器，將這些弱分類(lèi)器根據(jù)權(quán)值進(jìn)行加權(quán)線性組合，就能得到一個(gè)具有較高精度的強(qiáng)分類(lèi)器。

Adaboost算法的關(guān)鍵在于弱分類(lèi)器的訓(xùn)練，這一過(guò)程直接影響最終分類(lèi)器的精確程度。由于Adaboost為框架式的算法，其中的弱分類(lèi)器可以使用Adaboost分類(lèi)器，也可以使用其他的分類(lèi)器。傳統(tǒng)的Adaboost算法在高維數(shù)據(jù)中精度會(huì)有明顯下降，且受噪聲影響極大，容易在復(fù)雜交通流環(huán)境中出現(xiàn)錯(cuò)誤率激增。因此使用SVM分類(lèi)器作為弱分類(lèi)器對(duì)傳統(tǒng)Adaboost算法進(jìn)行改進(jìn)，以提升在非線性和高維應(yīng)用環(huán)境下的分類(lèi)器性能。本文所設(shè)計(jì)的Adaboost算法的框架如表2所示。

表2 基于SVM的Adaboost算法流程

構(gòu)建SVM分類(lèi)器的基本原理是利用非線性映射，把一個(gè)向量從二維函數(shù)向高維函數(shù)映射，從而把非線性問(wèn)題線性化。實(shí)現(xiàn)這一過(guò)程主要依賴于在低維空間中尋找一個(gè)核函數(shù)，使該函數(shù)值等于兩輸入向量非線性變換到高維空間后的內(nèi)積。設(shè)要構(gòu)建的分類(lèi)器輸入量為｛xi｝n，輸出量為｛yi｝n，映射函數(shù)為φ（x i），選取性能優(yōu)良的徑向基函數(shù)作為核函數(shù)，即

式中σ為基參量因子。此后在高維空間內(nèi)可以看作一個(gè)線性的回歸過(guò)程。高維空間的線性回歸方程為

式中w為權(quán)重向量。引入?yún)?shù)松弛因子圖片和ξi，精度因子ε以及懲罰因子c，則所要求的目標(biāo)函數(shù)為

其約束條件為

用拉格朗日定理求解這一問(wèn)題，可得

結(jié)合極值點(diǎn)處的KKT條件定理：

2.2 目標(biāo)特征設(shè)定
激光點(diǎn)云具有豐富的特征信息，由于目標(biāo)與無(wú)人車(chē)的相對(duì)位置不同，以及目標(biāo)有可能因遮擋、交叉等呈現(xiàn)出不完整的形態(tài)，因此本文中綜合激光點(diǎn)云的統(tǒng)計(jì)信息、空間位置信息以及反射強(qiáng)度信息3個(gè)方面，給出一個(gè)復(fù)合特征向量作為上述SVM分類(lèi)器的學(xué)習(xí)輸入，選取的復(fù)合特征如表3所示。

表3 本文中選取的復(fù)合特征

（1）統(tǒng)計(jì)信息 主要統(tǒng)計(jì)指標(biāo)有聚類(lèi)內(nèi)所含點(diǎn)云數(shù)目、聚類(lèi)內(nèi)點(diǎn)云離散距離、聚類(lèi)內(nèi)點(diǎn)云的三維協(xié)方差及其特征值、慣性張量矩陣及其特征值。其中，點(diǎn)云離散距離如式（10）所示，該特征主要表征邊緣點(diǎn)云偏離程度。

三維協(xié)方差如式（11）所示，該特征主要表征點(diǎn)云在各方向上的相關(guān)性，而特征值表征該方向的權(quán)重。

慣性張量矩陣如式（12）所示，該特征主要表征點(diǎn)云整體分布的穩(wěn)定性，可用于消除噪聲影響。

（2）空間位置信息 根據(jù)目標(biāo)的幾何特性，尋找目標(biāo)在某一方向上的幾何特性代表特征。使用旋轉(zhuǎn)卡殼法做出聚類(lèi)在各個(gè)平面上的最小包圍矩形，形成一個(gè)長(zhǎng)方體，長(zhǎng)方體的長(zhǎng)、寬、高即可代表目標(biāo)在不同方向的尺寸及形狀特征。

（3）反射強(qiáng)度信息 由于不同物質(zhì)反射特性不同，因此打中同一目標(biāo)上的激光點(diǎn)云應(yīng)該具有接近的反射強(qiáng)度。對(duì)反射強(qiáng)度計(jì)算其平均值、方差，并得到所有激光反射點(diǎn)的歸一化直方圖。歸一化直方圖是將所有聚類(lèi)中的激光點(diǎn)云以反射強(qiáng)度值的大小為標(biāo)準(zhǔn)投影劃分到20個(gè)強(qiáng)度差值相同的小區(qū)域內(nèi)，用類(lèi)似于繪制馬賽克的方法得到目標(biāo)擬合輪廓。

通過(guò)對(duì)三維點(diǎn)云信息選取復(fù)合特征聚類(lèi)后可以對(duì)目標(biāo)特征進(jìn)行識(shí)別及分類(lèi)，并給出對(duì)三維點(diǎn)云信息識(shí)別分類(lèi)后的確信度，最終的識(shí)別效果如圖5所示。

3 目標(biāo)跟蹤
目標(biāo)跟蹤過(guò)程是通過(guò)跟蹤器對(duì)識(shí)別出的目標(biāo)在不同時(shí)刻激光點(diǎn)云中的連續(xù)位置進(jìn)行確定。由于交通流中存在的干擾因素以及激光束的隨機(jī)缺漏等，該時(shí)刻t的觀測(cè)量集合可能與狀態(tài)量集合是雙射的，也可能是單射非滿射的，甚至是非滿射非單射的。在算法設(shè)計(jì)上首先使用數(shù)據(jù)關(guān)聯(lián)算法得出多目標(biāo)的關(guān)聯(lián)概率分布，然后不斷更新目標(biāo)狀態(tài)的估計(jì)值與觀測(cè)值，從而完成對(duì)多目標(biāo)跟蹤的實(shí)現(xiàn)，如圖6所示。

圖5 識(shí)別效果圖

圖6 目標(biāo)跟蹤算法流程圖

3.1 最大熵模糊聚類(lèi)數(shù)據(jù)關(guān)聯(lián)
要獲得關(guān)聯(lián)問(wèn)題的最優(yōu)解，通常采用的方法是聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（JPDA）算法或多假設(shè)跟蹤算法（MHT）。這兩種方法可以求取最優(yōu)，但是在復(fù)雜城市道路中計(jì)算量過(guò)大。因此，在關(guān)聯(lián)過(guò)程中變尋求最優(yōu)為尋求次優(yōu)是一種較為可行的方案。通過(guò)對(duì)觀測(cè)值模糊聚類(lèi)，將觀測(cè)值歸入以目標(biāo)估計(jì)量為中心的類(lèi)中，然后結(jié)合信息熵極大時(shí)概率分布最接近真實(shí)的原理，將數(shù)據(jù)關(guān)聯(lián)問(wèn)題轉(zhuǎn)化為求解條件極值的聚類(lèi)問(wèn)題，可以有效降低計(jì)算負(fù)荷。

假設(shè)t時(shí)刻所獲得的激光點(diǎn)云幀中存在c個(gè)目標(biāo)，所有通過(guò)激光雷達(dá)得到的觀測(cè)量總集合為z j?？梢詫?yōu)過(guò)程做如下描述：此時(shí)由濾波器輸出的目標(biāo)的估計(jì)量作為聚類(lèi)中心ci，真值和估計(jì)值之間的差異代價(jià)函數(shù)為

其中圖片，其可以表征觀測(cè)量對(duì)于聚類(lèi)中心ci的隸屬程度。D是觀測(cè)量對(duì)于聚類(lèi)中心的歐式距離。根據(jù)信息熵理論，熵值最大的分布即不確定性最大值的概率分布，也即占優(yōu)勢(shì)的概率分布。引入熵值，即

為求得熵值在上兩式約束條件下的最大點(diǎn)，采用拉格朗日函數(shù)法，設(shè) ηj和 λj是式（13）和式（14）拉格朗日乘數(shù)。當(dāng)取到最大值時(shí)，觀測(cè)量zj和估計(jì)量ci之間的隸屬程度為

此時(shí)，某一觀測(cè)量j來(lái)自目標(biāo)i的概率pji可以用隸屬程度uji來(lái)表示。至此，只需給出觀測(cè)量對(duì)多個(gè)目標(biāo)隸屬程度相同或相近的解決標(biāo)準(zhǔn)，就可以得出目標(biāo)關(guān)聯(lián)概率矩陣β，即可完成關(guān)聯(lián)。具體的操作方法如表4所示。

3.2 粒子濾波多目標(biāo)跟蹤
傳統(tǒng)的多目標(biāo)跟蹤系統(tǒng)通常采用卡爾曼濾波器進(jìn)行濾波更新，這一濾波器雖然簡(jiǎn)單成熟，但目標(biāo)在復(fù)雜交通流中的運(yùn)動(dòng)并非一個(gè)滿足線性和高斯假設(shè)的場(chǎng)景。當(dāng)目標(biāo)被遮擋時(shí)，預(yù)測(cè)位置的不確定噪聲變?yōu)榫哂卸鄠€(gè)峰值的非高斯模型。為解決這一問(wèn)題，引入粒子濾波器對(duì)目標(biāo)進(jìn)行估計(jì)和更新。

粒子濾波是一種用一群粒子的密集程度來(lái)表示概率密度的時(shí)間序列蒙特卡洛方法。這種方法利用無(wú)參數(shù)的點(diǎn)來(lái)近似，代替高斯模型。當(dāng)點(diǎn)按概率密度分布后，從中隨機(jī)抽取采樣點(diǎn)，進(jìn)行加權(quán)求和，從而得到后驗(yàn)概率密度函數(shù)。

表4 相同隸屬度修正算法

設(shè)該后驗(yàn)概率密度函數(shù)為 p（x0→t｜z1→t），其一組有關(guān)聯(lián)的隨機(jī)觀測(cè)樣本為圖片｛xn｜n＝0，1，…，k｝表示從初始時(shí)刻到 t時(shí)刻的全部圖片示狀態(tài)集合對(duì)應(yīng)的點(diǎn)集，兩者由關(guān)聯(lián)確認(rèn)權(quán)值所支持聯(lián)系。由此可寫(xiě)出t時(shí)刻的近似后驗(yàn)概率密度為

式中圖片為關(guān)聯(lián)確認(rèn)權(quán)值，即

q圖片為重要性采樣密度函數(shù)，取先驗(yàn)概率分布函數(shù)圖片為重要性采樣密度函數(shù)，則關(guān)聯(lián)確認(rèn)權(quán)值的更新過(guò)程可以寫(xiě)作：

由于各個(gè)時(shí)刻的觀測(cè)值是相互獨(dú)立且符合馬爾可夫過(guò)程的，因此概率密度函數(shù)就是觀測(cè)量的似然函數(shù)。當(dāng)不斷迭代更新到下一時(shí)刻，采樣點(diǎn)不斷增加，近似式就會(huì)不斷逼近真實(shí)的值。

值得注意的是，在這一迭代更新的過(guò)程中，粒子的多樣性也在不斷丟失。本文采用重新采樣的方法構(gòu)建的車(chē)載激光雷達(dá)濾波器，如表5所示。

表5 粒子濾波跟蹤器

4 實(shí)驗(yàn)驗(yàn)證
為驗(yàn)證上述方法在城市復(fù)雜交通流環(huán)境下的工作性能，選取百度Apollo平臺(tái)開(kāi)放數(shù)據(jù)進(jìn)行了驗(yàn)證，同時(shí)在自主研發(fā)的“北航猛獅號(hào)”無(wú)人駕駛平臺(tái)進(jìn)行了真實(shí)城市道路實(shí)驗(yàn)。

驗(yàn)證評(píng)價(jià)指標(biāo)采取ROC（receive operating characteristic）曲線法。ROC曲線是將目標(biāo)和非目標(biāo)分開(kāi)，分別衡量所有目標(biāo)中被正確檢測(cè)為目標(biāo)的比率（TPR）和所有非目標(biāo)中被錯(cuò)誤檢測(cè)為目標(biāo)的比率（FPR）。這種方法可以避免傳統(tǒng)正確率評(píng)價(jià)標(biāo)準(zhǔn)中，目標(biāo)和非目標(biāo)樣本數(shù)不相等造成的問(wèn)題。ROC曲線橫縱坐標(biāo)定義為

式中：TP為被正確檢測(cè)的正樣本；FN為漏檢的正樣本；FP為誤檢的正樣本；TN為被正確判斷的負(fù)樣本。ROC曲線與橫軸圍成的面積越大，則檢測(cè)效果越好。

首先，使用百度Apollo平臺(tái)對(duì)200種虛擬場(chǎng)景進(jìn)行了目標(biāo)識(shí)別與跟蹤的驗(yàn)證，場(chǎng)景包括目標(biāo)在本車(chē)正前方、正后方、側(cè)前方、側(cè)后方，執(zhí)行動(dòng)作包括直行、轉(zhuǎn)彎、掉頭、超車(chē)、跟車(chē)、換道、會(huì)車(chē)，目標(biāo)數(shù)目包括單目標(biāo)、雙目標(biāo)、多目標(biāo)。然后，使用百度Apollo平臺(tái)在北京市海淀區(qū)采集的真實(shí)道路數(shù)據(jù)進(jìn)行驗(yàn)證，場(chǎng)景包含丁字路口、十字路口、快速路、高速路、擁堵等，目標(biāo)為各種實(shí)際交通參與者，檢測(cè)效果如圖7所示。

圖7 Apollo平臺(tái)虛擬與真實(shí)場(chǎng)景檢測(cè)效果圖

具體評(píng)價(jià)結(jié)果如圖8和圖9所示。從圖中可以看出，在真實(shí)道路上檢測(cè)效果有明顯下降，主要原因是實(shí)際道路上尤其是擁堵時(shí)，車(chē)輛連接緊密，點(diǎn)云分割難度增加。該ROC曲線與平臺(tái)開(kāi)源的標(biāo)準(zhǔn)Adaboost分類(lèi)器檢測(cè)算法和文獻(xiàn)［11］所使用的柵格地圖模型匹配法相比表現(xiàn)均更優(yōu)異，同時(shí)所有目標(biāo)算法識(shí)別處理時(shí)間均小于10 ms，因此該方法能夠滿足無(wú)人車(chē)魯棒性與實(shí)時(shí)性要求。

此外，使用真實(shí)無(wú)人駕駛車(chē)輛在實(shí)際道路上進(jìn)行目標(biāo)識(shí)別與跟蹤實(shí)驗(yàn)。圖10為目標(biāo)跟蹤效果圖。圖中右側(cè)兩輛目標(biāo)車(chē)為跟蹤研究對(duì)象，速度為相對(duì)速度。前方標(biāo)注為car的車(chē)輛為搭載有OBD數(shù)據(jù)記錄裝置的預(yù)設(shè)車(chē)輛，后方標(biāo)注為truck的車(chē)輛為測(cè)試數(shù)據(jù)關(guān)聯(lián)穩(wěn)定性的車(chē)輛。實(shí)驗(yàn)環(huán)境除真值車(chē)與干擾車(chē)外，還存在大量隨機(jī)的社會(huì)車(chē)輛。

圖8 ROC指標(biāo)評(píng)價(jià)曲線圖

圖9 識(shí)別算法耗時(shí)圖

可以看出，在近400幀的跟蹤過(guò)程中，目標(biāo)ID號(hào)（157、158號(hào)）始終保持不變，說(shuō)明跟蹤保持不斷，數(shù)據(jù)關(guān)聯(lián)一直正確。證明本文方法在存在多個(gè)目標(biāo)的復(fù)雜交通場(chǎng)景下，能保持對(duì)目標(biāo)的持續(xù)跟蹤并正確關(guān)聯(lián)。

圖11為速度跟蹤誤差圖。從圖中可以發(fā)現(xiàn)，當(dāng)被測(cè)車(chē)輛處于超車(chē)過(guò)程中時(shí)，測(cè)量誤差較大；當(dāng)被測(cè)車(chē)輛完成超車(chē)過(guò)程，回正直行時(shí)誤差顯著降低。主要原因是在超車(chē)過(guò)程中，被測(cè)車(chē)輛航向變化較大，激光點(diǎn)云形狀處于較大變化，最近追蹤點(diǎn)不斷變化（第1幀、第101幀），而從第224幀完成超越開(kāi)始，激光點(diǎn)云穩(wěn)定為L(zhǎng)型，測(cè)量誤差開(kāi)始減小。到目標(biāo)遠(yuǎn)離且有遮擋后，誤差又進(jìn)一步增大。但最大誤差不超過(guò)實(shí)際車(chē)速的10%，平均誤差在3.435 km／h，能夠滿足無(wú)人車(chē)跟蹤精度要求。

最后，為檢驗(yàn)算法對(duì)小目標(biāo)交疊和遮擋時(shí)的識(shí)別跟蹤情況，選取行人遠(yuǎn)離車(chē)輛、行人靠近車(chē)輛、行人被車(chē)輛大面積遮擋、行人再次遠(yuǎn)離車(chē)輛這4個(gè)基本狀態(tài)作為一個(gè)實(shí)驗(yàn)周期。圖12為行人與車(chē)輛交疊、遮擋情況實(shí)景圖，分別對(duì)應(yīng)實(shí)驗(yàn)周期內(nèi)4個(gè)基本狀態(tài)。圖13為整個(gè)實(shí)驗(yàn)過(guò)程識(shí)別結(jié)果圖?？梢园l(fā)現(xiàn)，雖然當(dāng)行人與車(chē)輛發(fā)生交疊和遮擋情況會(huì)導(dǎo)致行人的3D點(diǎn)云形狀和密度發(fā)生了很大改變，且當(dāng)行人被車(chē)輛大面積遮擋時(shí)（行人僅有頭部露出車(chē)頂且高度不超過(guò)0.3 m），置信概率明顯下降，但是通過(guò)對(duì)多特征的復(fù)合使用，依然能夠通過(guò)點(diǎn)云密度和反射率的突變捕捉到行人被車(chē)輛遮擋后的剩余信息，且可以根據(jù)概率密度觀測(cè)模型對(duì)行人輪廓進(jìn)行補(bǔ)全，繪制出最小包絡(luò)矩形［12］，且在整個(gè)實(shí)驗(yàn)過(guò)程中行人的跟蹤ID號(hào)保持不變，這說(shuō)明在當(dāng)行人與車(chē)輛目標(biāo)發(fā)生交疊和遮擋時(shí)可以通過(guò)幀間運(yùn)動(dòng)信息進(jìn)行預(yù)測(cè)估計(jì)，整個(gè)過(guò)程中的識(shí)別算法和跟蹤算法具有良好的可靠性。

圖10 目標(biāo)跟蹤效果圖

圖11 跟蹤速度誤差圖

5 結(jié)論
設(shè)計(jì)了一套基于三維激光點(diǎn)云數(shù)據(jù)的目標(biāo)識(shí)別與跟蹤方法。直接對(duì)三維激光點(diǎn)云數(shù)據(jù)進(jìn)行處理，為減小計(jì)算量，先對(duì)點(diǎn)云過(guò)濾與分割。然后使用可變閾值進(jìn)行聚類(lèi)，輸入用SVM分類(lèi)器改進(jìn)的Adaboost算法進(jìn)行識(shí)別，得到三維擬合輪廓及分類(lèi)。在目標(biāo)跟蹤階段，應(yīng)用最大熵模糊聚類(lèi)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，而后用粒子濾波器進(jìn)行跟蹤。設(shè)計(jì)的方法通過(guò)百度Apollo平臺(tái)和自主開(kāi)發(fā)的無(wú)人駕駛平臺(tái)進(jìn)行了驗(yàn)證，同時(shí)對(duì)小目標(biāo)交疊和遮擋情況的識(shí)別跟蹤效果進(jìn)行實(shí)車(chē)驗(yàn)證。結(jié)果表明，該套方法實(shí)時(shí)性和魯棒性均良好。

審核編輯：符乾江