[發(fā)明專(zhuān)利]用于行人檢測(cè)的多激光雷達(dá)決策級(jí)融合方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110005340.3
• 申請(qǐng)日: 2021-01-05
• 公開(kāi)（公告）號(hào): CN112433228B
• 公開(kāi)（公告）日: 2023-02-03
• 發(fā)明（設(shè)計(jì)）人: 葉磊;吳濤;胡駿;丁凱;李健
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)人民解放軍國(guó)防科技大學(xué)
• 主分類(lèi)號(hào): G01S17/931
• 分類(lèi)號(hào): G01S17/931;G06F18/00
• 代理公司: 長(zhǎng)沙國(guó)科天河知識(shí)產(chǎn)權(quán)代理有限公司 43225
• 代理人: 邱軼

本申請(qǐng)涉及一種用于行人檢測(cè)的多激光雷達(dá)決策級(jí)融合方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。所述方法包括：將無(wú)人車(chē)上每個(gè)激光雷達(dá)采集到的檢測(cè)目標(biāo)的點(diǎn)云數(shù)據(jù)通過(guò)訓(xùn)練好的AdaBoost算法進(jìn)行行人檢測(cè)，得到單激光雷達(dá)的行人檢測(cè)分?jǐn)?shù)；通過(guò)貝葉斯規(guī)則對(duì)無(wú)人車(chē)上兩個(gè)激光雷達(dá)組合成的雷達(dá)對(duì)的檢測(cè)結(jié)果進(jìn)行決策級(jí)融合，得到雷達(dá)對(duì)的行人檢測(cè)結(jié)果，再根據(jù)多激光雷達(dá)中所有雷達(dá)對(duì)的行人檢測(cè)結(jié)果得到最終的行人檢測(cè)結(jié)果。由于本方法中單激光雷達(dá)可以先分別獨(dú)立決策，再對(duì)多激光雷達(dá)的決策進(jìn)行融合，避免了多傳感器的數(shù)據(jù)級(jí)融合或特征級(jí)融合，不需要激光雷達(dá)數(shù)據(jù)采集完全同步，因此本方法具有計(jì)算量較少，對(duì)激光雷達(dá)原始數(shù)據(jù)的時(shí)序要求較低的優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本申請(qǐng)涉及無(wú)人駕駛技術(shù)領(lǐng)域，特別是涉及一種用于行人檢測(cè)的多激光雷達(dá)決策級(jí)融合方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)

無(wú)人駕駛技術(shù)作為人工智能與自動(dòng)化技術(shù)相結(jié)合的一種新興技術(shù)，已經(jīng)逐漸成為推動(dòng)汽車(chē)產(chǎn)業(yè)升級(jí)和機(jī)器人技術(shù)深入尋常百姓家的重要推動(dòng)力。目前，為了提高檢測(cè)的準(zhǔn)確性并減小檢測(cè)的盲區(qū)，在無(wú)人駕駛汽車(chē)研究中大量采用多線激光雷達(dá)實(shí)現(xiàn)行人檢測(cè)。

傳統(tǒng)的激光雷達(dá)數(shù)據(jù)融合方法包括數(shù)據(jù)級(jí)和特征級(jí)融合。數(shù)據(jù)級(jí)融合是將傳感器采集的原始數(shù)據(jù)直接進(jìn)行融合，特征級(jí)融合是首先對(duì)每個(gè)傳感器的數(shù)據(jù)分別進(jìn)行特征提取（如形狀特征、運(yùn)動(dòng)特征等），然后融合這些特征以得到一個(gè)綜合特征。由于在融合前的數(shù)據(jù)加工少，傳統(tǒng)方法較大程度地保留了數(shù)據(jù)的原始信息，但也存在數(shù)據(jù)處理量大，算法實(shí)時(shí)性較差等缺陷。

發(fā)明內(nèi)容

基于此，有必要針對(duì)上述技術(shù)問(wèn)題，提供一種能夠減少計(jì)算量，提高算法實(shí)時(shí)性的用于行人檢測(cè)的多激光雷達(dá)決策級(jí)融合方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

一種用于行人檢測(cè)的多激光雷達(dá)決策級(jí)融合方法，所述方法包括：

采用組合的方式獲取無(wú)人車(chē)上的多激光雷達(dá)的雷達(dá)對(duì)；所述雷達(dá)對(duì)包括：第一激光雷達(dá)和第二激光雷達(dá)；

分別獲取所述第一激光雷達(dá)針對(duì)檢測(cè)目標(biāo)采集的第一點(diǎn)云數(shù)據(jù)和所述第二激光雷達(dá)針對(duì)所述檢測(cè)目標(biāo)采集的第二點(diǎn)云數(shù)據(jù)，通過(guò)訓(xùn)練好的AdaBoost模型對(duì)所述第一點(diǎn)云數(shù)據(jù)和所述第二點(diǎn)云數(shù)據(jù)進(jìn)行行人檢測(cè)，分別得到所述第一激光雷達(dá)的第一檢測(cè)分?jǐn)?shù)和所述第二激光雷達(dá)的第二檢測(cè)分?jǐn)?shù)；所述AdaBoost模型是通過(guò)訓(xùn)練樣本訓(xùn)練得到的；所述訓(xùn)練樣本的信息中包括樣本得分；所述訓(xùn)練樣本包括正樣本和負(fù)樣本；所述正樣本和所述負(fù)樣本的所述樣本得分均近似符合高斯分布；

根據(jù)所述正樣本對(duì)應(yīng)的高斯分布公式計(jì)算所述檢測(cè)目標(biāo)為行人時(shí)所述AdaBoost模型輸出所述第一檢測(cè)分?jǐn)?shù)的第一正樣本條件概率，以及所述檢測(cè)目標(biāo)為行人時(shí)所述AdaBoost模型輸出所述第二檢測(cè)分?jǐn)?shù)的第二正樣本條件概率；根據(jù)所述負(fù)樣本對(duì)應(yīng)的高斯分布公式計(jì)算所述檢測(cè)目標(biāo)不是行人時(shí)所述AdaBoost模型輸出所述第一檢測(cè)分?jǐn)?shù)的第一負(fù)樣本條件概率，以及所述檢測(cè)目標(biāo)不是行人時(shí)所述AdaBoost模型輸出所述第二檢測(cè)分?jǐn)?shù)的第二負(fù)樣本條件概率；

根據(jù)所述第一正樣本條件概率、所述第二正樣本條件概率和所述檢測(cè)目標(biāo)為行人的正先驗(yàn)概率，通過(guò)貝葉斯規(guī)則對(duì)多激光雷達(dá)的輸出信息進(jìn)行決策級(jí)融合，得到第一檢測(cè)分?jǐn)?shù)、第二檢測(cè)分?jǐn)?shù)條件下所述檢測(cè)目標(biāo)為行人的正判斷概率；根據(jù)所述第一負(fù)樣本條件概率、所述第二負(fù)樣本條件概率和所述檢測(cè)目標(biāo)不是行人的負(fù)先驗(yàn)概率，通過(guò)貝葉斯規(guī)則對(duì)多激光雷達(dá)的輸出信息進(jìn)行決策級(jí)融合，得到第一檢測(cè)分?jǐn)?shù)、第二檢測(cè)分?jǐn)?shù)條件下所述檢測(cè)目標(biāo)不是行人的負(fù)判斷概率；所述正先驗(yàn)概率和所述負(fù)先驗(yàn)概率是根據(jù)預(yù)先設(shè)置的初始值或上一時(shí)序得到的正判斷概率和負(fù)判斷概率得到的；

根據(jù)所述正判斷概率和所述負(fù)判斷概率，得到所述雷達(dá)對(duì)決策級(jí)融合的行人檢測(cè)結(jié)果；

對(duì)多激光雷達(dá)所組合的所有雷達(dá)對(duì)對(duì)應(yīng)的行人檢測(cè)結(jié)果進(jìn)行融合，輸出多激光雷達(dá)決策級(jí)融合的行人檢測(cè)結(jié)果。