[发明专利]井下有轨车辅助驾驶的行人与障碍物检测方法

说明书

本发明涉及目标感知技术领域，尤其涉及一种井下有轨车辅助驾驶的行人与障碍物检测方法，包括：完成相机和激光雷达的时间同步和空间同步；在井下有轨机车上安装相机和激光雷达，在运行环境中实现点云数据、视频采集与预处理；实现视频中的目标检测，获得目标在图像中的坐标信息，对行人与障碍物等目标实现检测与跟踪；按照输入视频的时间序列；利用图像的坐标信息实现点云的粗分割和精细分割；利用K‑means算法对目标点云进行聚类，去除地面点云干扰，则为目标点云；计算每个点云与雷达之间的距离求相应的平均值，则获得目标距离；结合相邻两帧的时间差，计算目标运动速度。

技术领域

本发明涉及井下有轨车辅助驾驶中目标感知技术领域，尤其涉及一种井下有轨车辅助驾驶的行人与障碍物检测方法。

背景技术

井下有轨车无人驾驶是井下运输发展趋势，也是实现矿山企业智能化的关键环节。可以极大程度减少人员投入、提高生产效率、降低生产能耗，增强作业安全。无人驾驶的有轨车在行驶过程中需要识别人、机车、石头、遗落工具、木头等其他类型障碍物，且要知悉车前运动目标的位置、距离或速度。

激光雷达可以获得周边环境的点云数据，其中包括三维坐标信息以及激光反射强度4个维度的信息，若仅仅根据周围环境的点云数据，辅助驾驶有轨车仍然无法分辨目标种类与实现目标点云分割。现有技术CN 113569915 A公开了一种基于激光雷达的多策略轨道交通障碍物识别防范，包括，在实际列车运行环境中激光雷达实时扫描列车运行环境数据采集，将获取的点云样本用于建立列车前方障碍物点云数据集；使用VoxelGrid体素滤波方法对点云进行采样滤波；创建新点云容器，遍历过滤后的点云，按照距离远近保存点云；针对室内及室外轨道交通列车运行场景使用不同策略进行地面分割，在分割过程中对轨道区域进行初步提取，最后对提取的轨道区域进行精确限界并用空间曲线拟合；根据不同距离进行多策略障碍物检测，基于距离的多策略进行分区域识别筛选，获取筛选结果。

现有技术的识别检测方法未考虑到矿井环境中光线不均，灰尘大，障碍物种类繁杂的特点，通常采用视觉摄像机、激光雷达等多传感器去感知有轨车前行人与障碍物的信息。为了有轨车辅助驾驶中实现目标点云自动分割，通常采用多传感器信息融合的方式进行目标检测，并获取该目标距离、速度。但是如何在图像目标检测基础上确保有效的目标点云分割，仍然面临着很多问题。

发明内容

本发明所解决的技术问题是提供一种简单且准确度较高的井下行人与障碍物目标检测方法，相比常规的激光雷达检测方法，能够提高目标检测的有效性及准确度。

为达此目的，本发明采用以下技术方案，一种井下有轨车辅助驾驶的行人与障碍物检测方法，包括以下步骤：

S1：对相机和激光雷达这两种类型传感器进行联合标定，使得所述相机采集的视频和所述激光雷达采集的三维点云数据在空间和时间上同步，完成同步后进入步骤S2；

所述联合标定的具体过程如下：

SS1：对相机和激光雷达的硬件配置文件进行修改，将相机和激光雷达数据采集频率设置为相同实现时间同步；

SS2：在有轨车上固定相机和激光雷达传感器，采用张正友标定法标定相机内部参数；利用线与平面的对应关系求解相机与激光雷达的联合外部参数，实现相机和激光雷达的空间同步；

S2：采集运行环境中的视频数据和激光雷达点云数据，分别对所述视频数据与所述激光雷达点云数据进行预处理，完成预处理后进入步骤S3；

S3：通过Labelme对采集的视频数据中行人与障碍物目标进行标注并保存相应的文件，基于采集的视频数据及相应的标注，训练基于Yolo V5的行人与障碍物目标检测模型，模型训练完成后，获取目标类别以及所有目标在图像中的坐标信息，利用投影变换公式获取所有目标的激光雷达点云数据，将所有目标图像信息与点云数据建立一一对应的关系后分别进入步骤S4和步骤S5；