多线激光雷达人形目标识别方法和汽车的防撞装置与流程

技术特征：

1.一种多线激光雷达人形目标识别方法，其特征在于，所述方法包括：

获取多线激光雷达的探测数据，所述探测数据包括至少两个扫描层的若干点云的坐标数据；

基于所述若干点云的坐标数据，通过建立栅格地图对所述若干点云进行聚类，以将所述若干点云分为至少一个探测物体；

将组成任一个探测物体的点云的坐标数据拟合为椭圆；

提取每个探测物体的每个扫描层的特征、以及提取所拟合得到的椭圆的特征；

基于提取到的特征通过机器学习方法识别该探测物体是否是人，若是，发出警报信息。

2.根据权利要求1所述的方法，其特征在于，建立栅格地图包括：

将所述至少两个扫描层的若干点云的坐标数据投影至栅格平面以建立栅格地图，其中，所述栅格平面包括若干个空白栅格；以及

确定所述栅格地图中包括有点云的坐标数据的栅格为障碍栅格，所述探测物体包括至少一个障碍栅格。

3.根据权利要求2所述的方法，其特征在于，所述将组成任一个探测物体的点云的坐标数据拟合为椭圆包括：

根据任一个障碍栅格中所有点云的坐标数据，计算该障碍栅格的重心；

将组成任一个探测物体的所有障碍栅格的重心拟合为椭圆。

4.根据权利要求3所述的方法，其特征在于，通过以下公式计算所述障碍栅格的重心：

$x^{\′}=\frac{1}{m}{\mathrm{\Σ}}_{i=1}^m{x}_i,y^{\′}=\frac{1}{m}{\mathrm{\Σ}}_{i=1}^m{y}_i$

其中，m为投影到该障碍栅格内点云的个数，x′和y′分别表示该障碍栅格的重心坐标的横轴坐标和纵轴坐标，x_i和y_i分别表示该障碍栅格的第i个点云的横轴坐标和纵轴坐标。

5.根据权利要求2所述的方法，其特征在于，所提取的特征包括：组成任一个探测物体的所有障碍栅格的个数、该探测物体的起始点和终点的连接线段的长度、组成该探测物体的障碍栅格中所有相邻障碍栅格之间的长度的总和、该探测物体的起始点和终点的连接线段的长度与组成该探测物体的障碍栅格中所有相邻障碍栅格之间的长度的总和的比值、拟合得到椭圆的长轴长度、短轴长度以及两者的比值、该探测物体的平均曲率值、组成该探测物体的所有障碍栅格的最大相对高度的平均值，其中，

所述该探测物体的起始点和终点的连接线段的长度通过如下公式计算：

$d=\sqrt{{(x_n^{\′}-x_1^{\′})}^2+{(y_n^{\′}-y_1^{\′})}^2}$

x′_n和y′_n表示起始点的坐标，x′₁和y′₁表示终点的坐标，d表示所述连接线段的长度；

所述组成该探测物体的障碍栅格中所有相邻障碍栅格之间的长度的总和通过如下公式计算：

$S=\underset{i=2}{\overset{n}{\Σ}}\sqrt{{(x_i^{\′}-x_{i-1}^{\′})}^2+{(y_i^{\′}-y_{i-1}^{\′})}^2}$

x′_i和y′_i表示组成该探测物体的第i个障碍栅格的重心坐标，以及x′_i-1和y′_i-1表示组成该探测物体的第i-1个障碍栅格的重心坐标，S表示所述长度的总和；

所述探测物体的平均曲率值通过如下公式计算：

$k=\frac{4A}{d_1{d}_c{d}_n}$

A表示该探测物的起始、中间以及结束三个障碍栅格的重心坐标围成的三角形的面积，d₁、d_c、d_n分别表示所述三角形三边的长度，k表示所述平均曲率值；

所述组成该探测物体的所有障碍栅格的最大相对高度的平均值通过如下公式计算：

${\mathrm{\ΔH}}^{\′}=\frac{1}{R}\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ΔH}}_i$

n表示组成该探测物体的障碍栅格的个数，ΔH_i表示组成该探测物体的第i个障碍栅格的最大高度。

6.根据权利要求2所述的方法，其特征在于，所述通过建立栅格地图对所述若干点云进行聚类包括：

遍历所述栅格地图中所有栅格；

当遇到任一个所述障碍栅格时，确定该障碍栅格为基准栅格，并判断该基准栅格的左侧、左上侧、正上侧及右上侧四个栅格是否为障碍栅格：

若是，则将所述基准栅格的左侧、左上侧、正上侧及右上侧四个栅格与所述基准栅格归为同一探测物体，以及

将归为同一探测物体的栅格标记相同类的识别符；

反之，若否，则将所述基准栅格标记为新的探测物体。

7.根据权利要求1或5所述的方法，其特征在于，所述方法还包括：

将所提取所有的特征组成特征矩阵；以及

所述基于提取到的特征通过机器学习方法识别该探测物体是否是人包括：

将所述特征矩阵输入到通过机器学习方法训练得到的分类器中，以识别该探测物体是否是人。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

对所述特征矩阵进行归一化处理；以及

所述基于提取到的特征通过机器学习方法识别该探测物体是否是人包括：

将归一化处理后的所述特征矩阵输入到通过机器学习方法训练得到的分类器中，以识别该探测物体是否是人。

9.根据权利要求2所述的方法，其特征在于，所述方法还包括：

统计确定每个所述障碍栅格中的所有点云中的高度坐标最高的点云和高度坐标最低的点云；

基于所述高度坐标最高的点云和高度坐标最低的点云确定对应障碍栅格的高度信息；

判断每个所述障碍栅格的高度信息是否大于预设高度，以及该障碍栅格内是否包括至少两个非同一扫描层的点；

若所述高度信息大于预设高度、且该障碍栅格内的非同一扫描层的点少于两个，则确定该障碍栅格为噪声栅格；

删除所述噪声栅格；

和/或，

统计组成每个探测物体的所述障碍栅格的个数；

若组成该探测物体的障碍栅格的个数小于预设个数，则将组成该探测物体的点云的坐标数据删除。

10.一种汽车的防撞装置，其特征在于，所述装置包括多线激光雷达、中央处理器及报警装置，其中，

所述多线激光雷达安装在所述汽车的至少一个方向，用于检测其所在方向的物体，并输出探测数据，所述探测数据包括至少两个扫描层的若干点云的坐标数据；

所述中央处理器，接收所述多线激光雷达的探测数据，所述探测数据包括至少两个扫描层的若干点云的坐标数据；基于所述若干点云的坐标数据，通过建立栅格地图对所述若干点云进行聚类，以将所述若干点云分为至少一个探测物体；将组成任一个探测物体的点云的坐标数据拟合为椭圆；提取每个探测物体的每个扫描层的特征、以及提取所拟合得到的椭圆的特征；基于提取到的特征通过机器学习方法识别该探测物体是否是人，若是，向所述报警装置发出控制指令；

所述警报装置，用于在接收到所述中央处理器发出的所述控制指令时，发出警报信息。