[发明专利]一种非均匀线程激光雷达目标识别方法

说明书

本发明公开了一种非均匀线程激光雷达目标识别方法，包括步骤如下：获取多线程激光雷达散点数据；对上述散点数据进行处理；将上述处理完的数据作为输入值，输入到SqueezeSeg深度学习框架；经过SqueezeSeg深度学习网络参数运算后，SqueezeSeg对输入的每个点云进行预测，对属于不同目标的点标记不同的标签。本发明通过合理的计算，把非均匀的散点合理分布成为图像的格式，对输入数据进一步均一化处理，然后送进SqueezeSeg框架，能够正确且快速的识别出视野中的目标物。

技术领域

本发明属于激光雷达物体检测识别及测量领域，具体指代一种非均匀线程激光雷达目标识别方法。

背景技术

激光雷达利用激光进行探测和测距，除了需要激光发射器，这一系统还需要有一个高精度的接收器。由于能通过独特的方法提供被探测物体的三维影像，激光雷达主要被用于测量与固定或移动物体间的距离。如今，激光雷达应用颇为广泛，测距、三维物体成像以及无人驾驶领域，激光雷达都在发挥着无可替代的作用。而对于无人驾驶辅助系统，关键挑战则在于保证系统在任何环境状况下(温度变化、阳光照射、黑暗中或雨雪天气)都能正常工作，且能够辨认出数十米以外的物体。这些严苛的要求都为激光雷达的广泛应用奠定了基础。特别是当前利用激光雷达物体识别领域，为了保证实时性，采取轻量级的深度学习框架，例如SqueezeSeg轻量级深度学习架构,但是SqueezeSeg对于输入的数据格式要求较高，必须做成图像形式，而非类似于三维点云中的散点。

现有技术下，激光雷达对于借助深度学习进行目标识别，多数的数据输入直接为PCD格式的散点输入格式，并未对数据三维点云进行严格的排序，但是这类深度学习框架，普遍存在着层数较多，参数庞大，识别需要高端的硬件平台，很多情况下难以实现工程化，大大限制了其使用的范围，而采用Velodyne 64线程激光雷达的SqueezeSeg轻量级框架则能很好的在设备终端使用，要把Velodyne64线程激光雷达数据按照图像格式排列成64*512*5的样式，其中64*512代表图像的宽和高，5代表x,y,z,intensity,range五个维度。而对于价格占据优势的禾赛40线程等激光雷达，线程不是均分分布，做成图像格式则面临诸多困难。

如图1所示，从线束1到线束6，相邻两条线之间的垂直分辨率为1度；从线束6到线束30，相邻两条线之间的垂直分辨率为0.33度；从线束30到线束40，相邻两条线之间的垂直分辨率为1度，线程并非是均匀分布。

现有技术的缺点是激光雷达扫描获取物体外形点云稀疏，且散点非均匀分布，做成图像格式难度较大，强行往里面填塞会导致物体轮廓变形，或者根本就失去了本来的外形，导致SqueezeSeg很难识别出应有的物体类别。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种非均匀线程激光雷达目标识别方法，以解决现有技术中难以识别目标或者目标识别不准备的问题；本发明通过合理的计算，把非均匀的散点合理分布成为图像的格式，对输入数据进一步均一化处理，然后送进SqueezeSeg框架，能够正确且快速的识别出视野中的目标物。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种非均匀线程激光雷达目标识别方法，包括步骤如下：

1)获取多线程激光雷达散点数据；

2)对上述散点数据进行处理；

3)将上述步骤2)中处理完的数据作为输入值，输入到SqueezeSeg深度学习框架；

4)经过SqueezeSeg深度学习网络参数运算后，SqueezeSeg对输入的每个点云进行预测，对属于不同目标的点标记不同的标签。

进一步地，所述步骤1)具体包括：激光雷达发射器向外发送激光束，遇到障碍物反射回波被接收器接收，以此产生激光雷达散点点云；且根据发射器的发射角度和接收器接收时间长短，产生每个点的(x,y,z)坐标。