[發(fā)明專利]一種基于LiDAR點云數(shù)據(jù)的目標識別監(jiān)測方法

在審

• 申請?zhí)枺?/td>: 202110596783.4
• 申請日: 2021-05-31
• 公開（公告）號: CN113298163A
• 公開（公告）日: 2021-08-24
• 發(fā)明（設計）人: 劉斌;熊國友;高浦潤;盧波;楊澤明;楊斌;曹天恩;楊光燦;楊濤;胡芳芳
• 申請（專利權）人: 國網(wǎng)湖北省電力有限公司黃石供電公司;北京博研中能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06K9/00
• 代理公司: 黃石市三益專利商標事務所 42109
• 代理人: 程愷

本發(fā)明是一種基于LiDAR點云數(shù)據(jù)的目標識別監(jiān)測方法，包括以下步驟：1）采用激光雷達探測變電站工作人員獲得稀疏的點云數(shù)據(jù)，將代表三維幾何信息的原始點云數(shù)據(jù)喂入PointRCNN神經(jīng)網(wǎng)絡提取特征，第一階段提取前景點，生成感興趣區(qū)域RoI，第二階段對生成的框進行細化；所述PointRCNN的特征提取網(wǎng)絡是基于PointNet++的網(wǎng)絡，特征提取部分由多層感知器MLP（multi?layer perception）、T?Net和Max?pooling層組成；2）使用基于層的累積模塊對點云數(shù)據(jù)進行累加，以增強對象的語義信息；3）使用隨機森林算法對特征進行分類，判斷出工作人員是否戴有安全帽；本發(fā)明可以實現(xiàn)全體24小時的、大場景的環(huán)境感知的、高精度的相關人員監(jiān)測，克服了遠距離小目標語義信息不足的缺點。

技術領域

本發(fā)明涉及智能識別檢測技術領域，具體是一種基于LiDAR點云數(shù)據(jù)的目標識別監(jiān)測方法。

背景技術

我國目前的社會經(jīng)濟處于一個穩(wěn)定的發(fā)展狀態(tài)中，隨著時代的不斷改革創(chuàng)新，時代的發(fā)展對于各項社會工作都提出了嶄新的、更高的要求，其中之一就是變電站的相關工作人員的相關要求。我國對變電站的檢測，大多是為了對變電站的安全運行進行監(jiān)測，這樣可以保障設備的正常運行。但是對于變電站工作人員的人身安全防護、施工人員的安全生產(chǎn)問題，不能起到預警和監(jiān)督作用，一些安全意識不夠的工作人員進入變電站工作時不帶安全頭盔，為自身安全帶來極大的隱患。

現(xiàn)有的監(jiān)測手段都是通過光學攝像頭傳感器的數(shù)據(jù)進行監(jiān)測，這樣傳感器僅能提供二維數(shù)據(jù)，所提供的信息不符合三維場景的真實信息，監(jiān)測結(jié)果達不到變電站這種高危環(huán)境所需要的精度要求；光學攝像頭容易受到光照、環(huán)境的影響。

LiDAR指的是激光探測和測量(Light Detection And Ranging,簡稱LiDAR)，也就是激光雷達。LiDAR可以直接獲取被拍物體的三維幾何信息，所測得的數(shù)據(jù)是用離散點表示，被稱為點云數(shù)據(jù)；由于點云數(shù)據(jù)存在稀疏的問題，且隨著探測距離的增加，點云數(shù)據(jù)的稀疏程度越來越大，目前尚沒有將點云數(shù)據(jù)應用于變電站監(jiān)測系統(tǒng)。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了解決現(xiàn)有的采用攝像頭監(jiān)測的手段僅能提供二維數(shù)據(jù)，達不到變電站這種高危環(huán)境所需要的精度要求的問題，提供一種基于LiDAR點云數(shù)據(jù)的目標識別監(jiān)測方法。

本發(fā)明的具體方案是：一種基于LiDAR點云數(shù)據(jù)的目標識別監(jiān)測方法，包括以下步驟：

1)采用激光雷達探測變電站工作人員獲得稀疏的點云數(shù)據(jù)，將代表三維幾何信息的原始點云數(shù)據(jù)喂入PointRCNN神經(jīng)網(wǎng)絡提取特征，第一階段提取前景點，生成感興趣區(qū)域RoI，第二階段對生成的框進行細化；所述PointRCNN的特征提取網(wǎng)絡是基于PointNet++的網(wǎng)絡，特征提取部分由多層感知器MLP(multi-layer perception)、T-Net和Max-pooling層組成；PointRCNN神經(jīng)網(wǎng)絡是一種新的三維物體檢測網(wǎng)絡，它不同于從RGB圖像或者先將點云投影到二維平面的檢測方法，而是直接用于原始點云，通過將整個場景中的點云分為前景點和背景點，直接從點云中生成少量的高質(zhì)量的3D感興趣區(qū)域即ROI。同時它的第二階段將全局特征和局部的空間特征結(jié)合起來，提出了新的基于bin的損失函數(shù)進行了優(yōu)化。PointRCNN的主要過程為基于特征提取網(wǎng)絡的特征提取過程和基于回歸的優(yōu)化損失過程。

2)使用基于層的累積模塊對點云數(shù)據(jù)進行累加，以增強對象的語義信息；

3)使用隨機森林算法對特征進行分類，判斷出工作人員是否戴有安全帽。

所述步驟2)中根據(jù)ICP算法對連續(xù)的點云數(shù)據(jù)進行剛性變換，通過SVD優(yōu)化算法得到最適合的轉(zhuǎn)換矩陣，然后累積連續(xù)點云并對累積后的點云進行重采樣；

ICP算法目的是使用一組映射H矩陣，對源點云進行旋轉(zhuǎn)、平移操作，將不同坐標系下的點云統(tǒng)一到同一坐標系下。旋轉(zhuǎn)矩陣的選擇目標是使源點云和目標點云的歐氏距離最小；