基于车载Lidar点云的行人识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115082890A(43)申请公布日2022.09.20(21)申请号202210564002.8G06N3/04(2006.01)(22)申请日2022.05.23G06N3/08(2006.01)G01S17/08(2006.01)(71)申请人重庆科技学院G01S17/931(2020.01)地址401331重庆市沙坪坝区大学城东路20号(72)发明人徐杰熊茜游明英冯小渝陈旋张晨曦夏樱姿(74)专利代理机构济南凳凳知识产权代理有限公司37386专利代理师王敏(51)Int.Cl.G06V20/58(2022.01)G06V10/764(2022.01)G06V10/40(2022.01)G06K9/62(2022.01)权利要求书1页说明书5页附图1页(54)发明名称基于车载Lidar点云的行人识别方法(57)摘要本发明公开了一种基于车载Lidar点云的行人识别方法，它包括如下步骤：S1：采用最远点采样法FPS从稠密的点云中抽取出一些相对较为重要的中心点；S2：在上一层提取出的中心点的某个范围内寻找最近个k近邻点组成patch；S3：将这k个点通过小型pointnet网络进行卷积和pooling得到的特征作为此中心点的特征，再送入下一个分层继续；S4：将识别结果与预训练模型进行对比；S5：通过FPS算法进行点云采样，以采样点为圆心将其邻近点作为局部特征送入PonintNet网络提取特征，最后通过全连接层输出识别结果；S6：将车辆与识别到的目标映射到对应坐标轴上。本发明能够快速识别远方行人，并且不受光线影响，能够及时提醒驾驶员。CN115082890ACN115082890A权利要求书1/1页1.一种基于车载Lidar点云的行人识别方法，其特征在于，它包括如下步骤：S1：采用最远点采样法FPS从稠密的点云中抽取出一些相对较为重要的中心点；S2：在上一层提取出的中心点的某个范围内寻找最近个k近邻点组成patch；S3：将这k个点通过小型pointnet网络进行卷积和pooling得到的特征作为此中心点的特征，再送入下一个分层继续；S4：将识别结果与预训练模型进行对比，我们提取其中分为人类的特征点进行坐标映射，实时的显示在坐标轴上；S5：通过FPS算法进行点云采样，以采样点为圆心将其邻近点作为局部特征送入PonintNet网络提取特征，每层重复以上操作，特征点数量逐渐减少，每点包含的信息逐渐增加，最后通过全连接层输出识别结果；S6：通过Matlab设置坐标轴，将车辆与识别到的目标映射到对应坐标轴上，通过坐标轴显示与目标物体的距离。2.如权利要求1所述的基于车载Lidar点云的行人识别方法，其特征在于，步骤S6中，车辆与目标距离计算公式：3.如权利要求1所述的基于车载Lidar点云的行人识别方法，其特征在于，步骤S5中，先通过在整个点云的局部采样并划一个范围，将里面的点作为局部的特征，用PointNet进行一次特征的提取，通过了多次操作后，原本的点的个数变得越来越少，每个点都是有上一层更多的点通过PointNet提取出来的局部特征。4.如权利要求1所述的基于车载Lidar点云的行人识别方法，其特征在于，步骤S1中，采用多分辨率分组。2CN115082890A说明书1/5页基于车载Lidar点云的行人识别方法技术领域[0001]本发明涉及一种基于车载Lidar点云的行人识别方法。背景技术[0002]随着人工智能的发展，LiDAR(激光雷达)也获得了广泛的关注。LiDAR是一种用于获取精确位置信息的传感器，犹如人类的眼睛，由发射系统、接收系统及信息处理三部分组成，广泛的应用于自动驾驶汽车中。其工作原理是向目标探测物发送探测信号(点云)，然后将目标发射回来的信号(目标回波)与发射信号进行比较，进行严格处理后，可实时对三维物体进行识别。[0003]点云是由N个D维的点组成，当这个D＝3的时候一般代表着(x,y,y)的坐标，也可以包括一些法向量、强度等其他特征。在激光雷达所产生的实时数据当中就带有(x,y,y)坐标的点云组成。正因为点云由雷达直接产生更接近原始数据，而且表示方式简单，受到了自动驾驶的青睐。[0004]我们通过点云进行直接分析处理识别物体，最大程度上还原真实性，避免了后期处理中数据流失的可能性，可靠性更高。对行车过程中道路上的行人进行实时检测，在夜间行车驾驶员视线不良时能及时为驾驶员反应道路上行人情况，在前方有危险时能够及时提醒驾驶员，极大提高了驾驶过程中行车的安全性。发明内容[0005]针对上述现有技术的不足，本发明提供了一种能够快速识别远方行人，并且不受光线影响，能够及时提醒驾驶员的基于车载Lidar点云的行人识别方法。[0006]本发明解决其技术问题所采