[发明专利]一种基于LiDAR点云数据的目标识别监测方法

说明书

本发明是一种基于LiDAR点云数据的目标识别监测方法，包括以下步骤：1）采用激光雷达探测变电站工作人员获得稀疏的点云数据，将代表三维几何信息的原始点云数据喂入PointRCNN神经网络提取特征，第一阶段提取前景点，生成感兴趣区域RoI，第二阶段对生成的框进行细化；所述PointRCNN的特征提取网络是基于PointNet++的网络，特征提取部分由多层感知器MLP（multi‑layer perception）、T‑Net和Max‑pooling层组成；2）使用基于层的累积模块对点云数据进行累加，以增强对象的语义信息；3）使用随机森林算法对特征进行分类，判断出工作人员是否戴有安全帽；本发明可以实现全体24小时的、大场景的环境感知的、高精度的相关人员监测，克服了远距离小目标语义信息不足的缺点。

技术领域

本发明涉及智能识别检测技术领域，具体是一种基于LiDAR点云数据的目标识别监测方法。

背景技术

我国目前的社会经济处于一个稳定的发展状态中，随着时代的不断改革创新，时代的发展对于各项社会工作都提出了崭新的、更高的要求，其中之一就是变电站的相关工作人员的相关要求。我国对变电站的检测，大多是为了对变电站的安全运行进行监测，这样可以保障设备的正常运行。但是对于变电站工作人员的人身安全防护、施工人员的安全生产问题，不能起到预警和监督作用，一些安全意识不够的工作人员进入变电站工作时不带安全头盔，为自身安全带来极大的隐患。

现有的监测手段都是通过光学摄像头传感器的数据进行监测，这样传感器仅能提供二维数据，所提供的信息不符合三维场景的真实信息，监测结果达不到变电站这种高危环境所需要的精度要求；光学摄像头容易受到光照、环境的影响。

LiDAR指的是激光探测和测量(Light Detection And Ranging,简称LiDAR)，也就是激光雷达。LiDAR可以直接获取被拍物体的三维几何信息，所测得的数据是用离散点表示，被称为点云数据；由于点云数据存在稀疏的问题，且随着探测距离的增加，点云数据的稀疏程度越来越大，目前尚没有将点云数据应用于变电站监测系统。

发明内容

本发明的目的就是为了解决现有的采用摄像头监测的手段仅能提供二维数据，达不到变电站这种高危环境所需要的精度要求的问题，提供一种基于LiDAR点云数据的目标识别监测方法。

本发明的具体方案是：一种基于LiDAR点云数据的目标识别监测方法，包括以下步骤：

1)采用激光雷达探测变电站工作人员获得稀疏的点云数据，将代表三维几何信息的原始点云数据喂入PointRCNN神经网络提取特征，第一阶段提取前景点，生成感兴趣区域RoI，第二阶段对生成的框进行细化；所述PointRCNN的特征提取网络是基于PointNet++的网络，特征提取部分由多层感知器MLP(multi-layer perception)、T-Net和Max-pooling层组成；PointRCNN神经网络是一种新的三维物体检测网络，它不同于从RGB图像或者先将点云投影到二维平面的检测方法，而是直接用于原始点云，通过将整个场景中的点云分为前景点和背景点，直接从点云中生成少量的高质量的3D感兴趣区域即ROI。同时它的第二阶段将全局特征和局部的空间特征结合起来，提出了新的基于bin的损失函数进行了优化。PointRCNN的主要过程为基于特征提取网络的特征提取过程和基于回归的优化损失过程。

2)使用基于层的累积模块对点云数据进行累加，以增强对象的语义信息；

3)使用随机森林算法对特征进行分类，判断出工作人员是否戴有安全帽。

所述步骤2)中根据ICP算法对连续的点云数据进行刚性变换，通过SVD优化算法得到最适合的转换矩阵，然后累积连续点云并对累积后的点云进行重采样；

ICP算法目的是使用一组映射H矩阵，对源点云进行旋转、平移操作，将不同坐标系下的点云统一到同一坐标系下。旋转矩阵的选择目标是使源点云和目标点云的欧氏距离最小；