[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

说明书

本发明公开了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，用于从2D激光雷达点云中检测出行人腿部。与传统的检测人腿的方法不同，该方法能够鲁棒地处理由于2D激光雷达数据的不稳定导致分类器检测能力下降的问题，同时也能够处理2D激光雷达数据的多尺度特性对检测的影响。首先，通过聚类算法将2D激光雷达点云聚类成多个点簇；其次，从每一个点簇中提取多维特征构成特征向量；进一步，将该特征向量输入分类器，分类器输出该点簇是人腿的置信度。该方法是针对2D激光雷达下进行人腿检测任务所提出的一种新颖的检测方法，其实现简单，易于扩展，具有较高的计算效率和检测准确度，能够部署在低成本机器人上，具有很强的实际应用价值。

技术领域

本发明属于机器人领域，更具体地，涉及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。

背景技术

行人检测是机器人领域和计算机视觉领域中一项重要的研究课题，有着广泛的应用，例如自动驾驶中检测行人，室内导航机器人规避行人及安防机器人跟随行人。基于计算机视觉的行人检测已经取得了令人欣喜的成果，相比之下，而使用视野更开阔的2D激光雷达检测行人近些年被广泛研究。由于2D激光雷达通常安装在距离地面较低的高度，且只能够感知平行于地面的一个平面，所以多数检测行人的方法都是基于检测人腿来完成行人检测任务。现有的较为优秀的检测方法主要利用机器学习方法，设计一些具有区分力的几何特征，并用分类器学习人腿的这些特征来检测人腿。

近期2D激光雷达点云人腿检测的发展主要来自于对人腿点簇特征设计的修改，设计更加具有区分力的特征来能够提高分类器对人腿的检测能力。特征设计的好坏对人腿检测结果的好坏会产生很重要的影响，一般而言， 2D激光雷达点云的特征具有随距离变化的特性。现有的方法提出了一些有效的特征，使得人腿检测的能力取得了不错的提升，同时还具备较高的计算效率。

虽然现有的方法取得了较为不错的检测效果，但是仍然有可以提升的空间。这些修改方法只是关注于设计的人腿特征对人腿检测的影响，却没有从分类器设计的层面考虑如何提升人腿检测的结果。一方面，2D激光雷达点云数据具有一定的不稳定性，这种数据的不稳定性会直接影响特征的稳定性，而广泛使用随机森林分类器算法是根据设计的特征绝对地将点簇归为某一分类，微小的数据波动很可能导致一个错误的分类；另一方面，现有的分类器算法进行分类时没有考虑到特征的多尺度特性，使得其在较远处的稀疏点簇时，往往容易出现错误的检测，而且这两个影响因素在2D激光雷达检测任务中广泛存在。

发明内容

本发明的目的在于提供一种新颖的基于多尺度自适应随机森林的激光雷达检测人腿方法，该检测方法相比于基于传统随机森林的方法更加健壮，能够一定程度上处理2D激光雷达数据的不稳定性以及特征多尺度性对人腿检测造成的影响，从而能够以更高的准确率及召回率检测雷达点云中的人腿，并可以有效提升行人检测的效果。

为实现上述目的，本发明从一个全新的视角来解决2D激光雷达下的人腿检测问题，提出了一种基于随机森林算法的具有自适应特征选择和样本划分机制，并由此而设计了多尺度自适应随机森林分类器模型，包括以下步骤：

(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。将人腿检测定义为二分类问题，采用的标注方法为：根据收集数据时的实际场景，在雷达点云中人腿点簇的位置添加Leg标签，标记该点簇所属类别为1，记为正样本；在其他非人腿点簇处不添加标签，默认该点簇所属类别为0，记为负样本。完成对所有原始2D激光雷达数据集标注，得到带标注的标准训练数据集；

(1.2)构建训练样本，根据(1.1)所得到的带标注的标准数据集，遍历数据集中每一帧2D激光雷达点云数据。对点云进行聚类，并提取点云中标记的人腿点簇和非人腿点簇，并计算每个点簇的17维特征作为训练样本，同时计算特征的全局正负样本区分度，包括：