[发明专利]一种基于多尺度自适应随机森林的激光雷达检测人腿方法

权利要求书

1.一种基于多尺度自适应随机森林的激光雷达检测人腿方法，其特征在于，所述方法包括下述步骤：

(1)训练多尺度自适应随机森林分类器模型，包括如下子步骤：

(1.1)对原始2D激光雷达数据集所有点云中的人腿点簇进行实例级别的标注，得到带标注的标准训练数据集；

(1.2)根据(1.1)所得到的带标注的标准数据集，遍历数据集中的2D激光雷达点云数据，提取标记的人腿点簇和非腿点簇，并计算每个点簇的特征作为训练样本，同时计算特征的全局正负样本区分度；

(1.3)定义多尺度自适应随机森林分类器模型，根据(1.2)中提取得到的训练样本及训练标签，设计分类器的多尺度结构、特征选择方式及样本划分方式，通过训练标签监督训练样本来训练多尺度自适应随机森林模型；

(2)利用上述训练好的多尺度自适应随机森林模型对待检测的2D激光雷达数据进行人腿检测，包括如下子步骤：

(2.1)先将待检测的一帧激光雷达点云聚类为多个点簇，并将包含点的个数小于预设阈值的点簇剔除，计算每个点簇的特征并以此作为训练好的多尺度自适应随机森林分类器模型的输入；

(2.2)随机森林首先根据点簇与激光雷达之间的距离f₁₆判断待检测对象f所属于的尺度，然后选择模型中特定层次的森林进行判断，对于待预测的样本，决策树从根结点开始预测，样本根据结点参数向子结点传递，直至叶子结点输出结果；

(2.3)每个点簇预测完成后，得到该点簇为人腿点簇的置信度y∈[0，1]，将置信度大于预设阈值的点簇判定为人腿，并以点簇的几何中心坐标作为人腿的位置。

2.根据权利要求1所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法，其特征在于，所述步骤(1.2)包括：

(1.2.1)针对训练样本集中每一帧激光雷达点云，通过基于相邻点之间的欧式距离的聚类算法，将每一帧雷达点云聚类成k个点簇s¹，s²，...，s^k，k为预设值，点簇相互之间互相不包含相同的点，剔除这些点簇中包含点的个数小于3的点簇，判断保留下的点簇是否有Leg标签，若存在则为正样本点簇，否则为负样本点簇；

(1.2.2)计算样本点簇的17维几何特征值，包括：点簇包含点个数，点簇中每个点的与激光雷达之间的距离标准差，点簇中每个点到中位点的平均距离，左侧是否存在遮挡，右侧是否存在遮挡，点簇宽度，点簇的线度，点簇的圆度，点簇拟合圆半径，点簇所有点构成折线长度，点簇平均曲率，点簇平均连续三点内切角，边界正则性，点簇平均内切角，点簇平均内切角标准差，点簇的中位点与激光雷达之间距离，点簇所有点与激光雷达之间的平均距离；

(1.2.3)构建训练样本，对从(1.1)标准训练数据集中聚类得到的N个点簇分别提取(1.2.2)中的17维向量，构成训练样本，其中，正训练样本分类标签为1，负训练样本分类标签为0，构成训练样本所对应的训练标签；

(1.2.4)计算所有特征在全局训练样本中对正负样本区分能力。

3.根据权利要求1或2所要求的基于多尺度自适应随机森林的激光雷达检测人腿方法，其特征在于，所述步骤(1.3)包括：

(1.3.1)构建随机森林分类器的多尺度结构，根据训练样本的点簇中位点与激光雷达之际距离，将全局训练样本划分为三种不同尺度，随机森林分类器F的多尺度结构采用层叠式的结构，共由三层子森林组成；

(1.3.2)将每棵决策树选取的训练样本集中所有样本作为输入数据，训练该决策树。