[发明专利]一种动态车辆检测方法

说明书

本发明公开了一种动态车辆检测方法，该方法包括：步骤421，根据动态车辆的位姿初值，查看是否有关联动态目标，设置有关联动态目标和无关联动态目标时的粒子群初始化参数；步骤422，计算粒子的适应度函数值；步骤423，将粒子位置对应适应度函数值与上一次循环结果进行比较，将更大适应度函数值及粒子位置赋值为该粒子个体最大适应值及最佳位置，选取最大适应度函数值对应位置为全局最佳位置；步骤424，利用粒子个体和全局最佳位置，更新粒子速度和位置；步骤425，返回步骤422，直到满足最大循环次数或最佳位置变化小于预设阈值，输出全局最佳粒子即为优化后的位姿估计结果。本发明方法能够提升检测性能，提高正确检测数量，并能有效降低检测虚警数量。

技术领域

本发明涉及智能交通系统安全驾驶技术领域，特别是关于一种动态车辆检测方法。

背景技术

近年来，无人驾驶技术成为人工智能领域的研究热点，照相机、激光雷达以及毫米波雷达等一系列传感器为无人驾驶车辆提供了所需环境信息，其中激光雷达凭借高精度与高分辨率成为无人驾驶常用传感器之一。车辆通常所处的城市道路中主要包括两类障碍物：静态障碍物与动态障碍物。静态障碍物检测在同步定位与地图构建(SimultaneousLocalization and Mapping,SLAM)领域占据重要地位，车辆可生成环境地图并进行自车定位；同时，动态目标检测与跟踪(Detection and Tracking of Moving Objects)技术也是无人驾驶感知的基础性技术之一，真实场景中动态目标每一时刻所处位置更加随机，这使得动态车辆检测更加困难。

目前，主流的车辆检测方法主要包括基于训练的方法和基于模型的方法。基于训练的方法又包括了传统机器学习方法和深度学习方法，前者主要思路为特征提取和分类器检测，后者主要利用深度神经网络对点云自适应学习。基于训练自适应学习的方法可以获得更高的检测精度，且通常来说可提供的数据量越多，获取的检测精度越高。但真实场景复杂多变，难以提供包含所有可能障碍物的充足训练数据，导致面对未经训练的目标难以正确检出。同时，基于训练的方法对处理器性能也提出了更高的要求。

基于模型的方法是另一种有效的车辆检测方法，通过构建目标测量模型，设计模型拟合函数，判断原始点云数据与测量模型拟合程度，进而利用一些约束条件判断目标所属类型。该方法不需大量训练数据支撑，对场景适应性更强。

发明内容

本发明的目的在于提供一种动态车辆检测方法来克服或减轻现有技术的上述缺陷中的至少一个。

为实现上述目的，本发明提供一种动态车辆检测方法，该方法包括：

步骤1，预处理点云；

步骤2，检测动态目标；

步骤3，从动态目标中识别出动态车辆；

步骤4，检测动态车辆，其具体包括：

步骤41，计算动态车辆的位姿初值；

步骤42，利用粒子群优化算法估计动态车辆位姿，其具体包括：

步骤421，根据动态车辆的位姿初值，在其位置附近一定范围内进行点云聚类搜索，查看是否有关联动态目标，并设置有关联动态目标和无关联动态目标时的粒子群初始化参数；

步骤422，将步骤3输出的动态车辆的点云聚类投影到水平x-y平面上，利用下式(1)和式(2)计算各粒子的适应度函数值；