[发明专利]基于运动信息的行人识别方法、介质、终端和装置

权利要求书

1.一种基于运动信息的行人识别方法，其特征在于，包括以下步骤：

步骤1，对当前时刻的点云数据和过去多个时刻的点云数据进行融合，生成环境信息中的物体运动信息；

步骤2，采用预先训练好的深度卷积神经网络模型对所述物体运动信息进行目标检测，输出所述环境信息中行人的位置。

2.根据权利要求1所述基于运动信息的行人识别方法，其特征在于，所述对当前时刻的点云数据和过去多个时刻的点云数据进行融合包括以下步骤：

步骤101，根据对应时间长度内机器人本体的相对位移将过去N个时刻的点云数据分别映射到当前时刻的机器人坐标系，所述N≥2；

步骤102，将当前时刻的点云数据和经坐标映射后的N帧点云数据进行相叠，生成包括所述物体运动信息的N+1维张量；或者将当前时刻的点云数据与经坐标映射后的N帧点云数据分别相减，得到全部时刻的N帧点云差图，然后把所述当前时刻的点云数据和所述N帧点云差图进行相叠，生成包括所述物体运动信息的N+1维张量。

3.根据权利要求2所述基于运动信息的行人识别方法，其特征在于，所述根据对应时间长度内机器人本体的相对位移将过去N个时刻的点云数据分别映射到当前时刻的机器人坐标系所采用的坐标变换公式为：

x′＝(x-Δx)cosΔθ-(y-Δy)sinΔθ，

y′＝(x-Δx)sinΔθ+(y-Δy1)cosΔθ，

其中，x、y为过去时刻对应点云数据中激光点的坐标，Δx、Δy、Δθ为过去时刻到当前时刻机器人本体的相对位移，x′、y′为所述激光点在当前时刻的机器人坐标系的位置。

4.根据权利要求3所述基于运动信息的行人识别方法，其特征在于，所述步骤2具体为：将所述N+1维张量输入预先训练好的YOLO神经网络模型、SSD神经网络模型或FCOS神经网络模型进行目标检测，输出所述环境信息中行人的位置。

5.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-4任一所述基于运动信息的行人识别方法。

6.一种基于运动信息的行人识别终端，其特征在于，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现权利要求1-4任一所述基于运动信息的行人识别方法的步骤。

7.一种基于运动信息的行人识别装置，其特征在于，包括融合模块和检测模块，

所述融合模块用于对当前时刻的点云数据和过去多个时刻的点云数据进行融合，生成环境信息中的物体运动信息；

所述检测模块用于采用预先训练好的深度卷积神经网络模型对所述物体运动信息进行目标检测，输出所述环境信息中行人的位置。

8.根据权利要求7所述基于运动信息的行人识别装置，其特征在于，所述融合模块包括坐标变换单元和叠加单元，

所述坐标变换单元用于根据对应时间长度内机器人本体的相对位移将过去N个时刻的点云数据分别映射到当前时刻的机器人坐标系，所述N≥2；

所述叠加单元用于将当前时刻的点云数据和经坐标映射后的N帧点云数据进行相叠，生成包括所述物体运动信息的N+1维张量；以及用于将当前时刻的点云数据与经坐标映射后的N帧点云数据分别相减，得到全部时刻的N帧点云差图，然后把所述当前时刻的点云数据和所述N帧点云差图进行相叠，生成包括所述物体运动信息的N+1维张量。

9.根据权利要求8所述基于运动信息的行人识别装置，其特征在于，所述坐标变换单元所采用的坐标变换公式为：

x′＝(x-Δx)cosΔθ-(y-Δy)sinΔθ，

y′＝(x-Δx)sinΔθ+(y-Δy1)cosΔθ，

其中，x、y为过去时刻对应点云数据中激光点的坐标，Δx、Δy、Δθ为过去时刻到当前时刻机器人本体的相对位移，x′、y′为所述激光点在当前时刻的机器人坐标系的位置。

10.根据权利要求9所述基于运动信息的行人识别装置，其特征在于，所述检测模块具体用于将所述N+1维张量输入预先训练好的YOLO神经网络模型、SSD神经网络模型或FCOS神经网络模型进行目标检测，输出所述环境信息中行人的位置。