[发明专利]一种基于激光雷达密集点云的三维目标识别与定位方法

说明书

本申请属于三维目标自动识别与定位技术领域，为一种基于激光雷达密集点云的三维目标识别与定位方法，通过先采集三维密集点云数据，而后通过建立激光雷达坐标系确定三维密集点云与二维投影图像的映射关系，先将三维密集点云数据转化为而且二维投影图像来去除背景，得到二维的像素集合，而后再通过激光雷达坐标系将二维的像素集合投影回三维密集点云去除背景噪点，即可得到目标物体的三维坐标数据作为目标物体的定位数据。相比于激光雷达和可见光相机数据融合的方法，降低了对可见光环境的依赖，节省了传感器资源；具有更好的识别与分割效率；通过采用自适应模糊神经推理系统，不仅具有轻量化的结构，同时具备良好的计算效率、准确率与鲁棒性。

技术领域

本申请属于三维目标自动识别与定位技术领域，特别涉及一种基于激光雷达密集点云的三维目标识别与定位方法。

背景技术

目前，三维激光雷达已成为主要的环境建模工具，然而，大多数应用场景下，研究人员只关注几何信息的获取，如基于激光雷达的SLAM系统，对三维空间目标物体的识别与定位的研究较少。三维空间中目标物体识别与定位是移动机器人完成目标搜索救援任务中的关键性问题，一方面机器人在得到周围环境的高精度环境点云信息后，需要对场景中的搜救目标进行识别，另一方面，精确的三维定位能够保证救援的准确性，提高救援效率。

三维目标识别与定位方法可分为三种，第一种是基于点云体素化的方法，该方法对三维空间内的点云进行类图像像素方法划分，将三维空间划分成立方体形状的体素，用排布规则的体素替代无序的点，然后基于体素特征实现三维点云中的目标分类，如专利CN106250881A所涉及的方法，但是这种方法的弊端是其具有较高的计算复杂度，需要大量的时间来对三维点云进行体素划分，体素划分的分辨率也一定程度上决定了最终的识别效果；第二种方法是直接基于点云坐标进行目标识别与定位，这种方法打破了对点云进行规则体素化分表示的传统思想并只专注于点云中每个点的特征提取，但是这些方法都是将全场景的点云输入到神经网络中，然后对场景中的物体进行识别和定位，对降低计算量并没有本质的改善；第三种是将点云投影成二维图像，并使用传统的二维图像处理算法进行处理，相比于前两种方法，该方法具有较高的运行效率，然而，目前的研究人员通常是直接使用稀疏点云投影图或结合可见光相机图像来完成对目标物体的识别与定位，如专利CN108932475A和CN111626217A所涉及的方法，该方法由于使用的是稀疏点云图，导致了大量的目标物体特征的丢失，再者，由于相机传感器的加入，使得系统不仅对周围的环境光有了要求，还增加了额外的传感器资源。

因此，如何在无可见光环境下对目标进行准确、高效的识别与定位是一个需要解决的问题。

发明内容

本申请的目的是提供了一种基于激光雷达密集点云的三维目标识别与定位方法，以解决使用稀疏点云与可见光相机图像融合的方法进行目标物体的识别与定位时对可见光要求较高以及仅使用稀疏点云时大量目标物体特征丢失的问题。

本申请的技术方案是：一种基于激光雷达密集点云的三维目标识别与定位方法，包括：采集三维激光密集点云数据，形成激光雷达三维密集点云P^3D；建立激光雷达坐标系，基于激光雷达三维密集点云P^3D构建二维投影图像P^2D；通过卷积神经网络对二维投影图像P^2D进行识别与分割，获取目标物体的二维识别与分割结果，形成目标物体的像素集合P^2D_target；将二维图像中目标物体的像素集合P^2D_target投影回三维密集点云状态，获得含有背景噪点的目标物体的三维密集点云P^3D_target；构建自适应模糊神经推理系统，针对不同的目标物体训练对应的自适应参数，利用训练好的网络参数去除目标物体的三维密集点云P^3D_{tar get}中的背景噪点，获得不含背景噪点的目标物体的三维密集点云；输入三维密集点云数据，利用三维密集点云相关的边框估计和中心回归网络，获得不含背景噪点的目标物体的三维中心，将所述三维中心的三维坐标数据作为目标物体的定位数据。