一种基于多线激光的目标追踪方法及系统与流程

1.本发明涉及智能检测技术领域，尤其涉及一种基于多线激光的目标追踪方法及系统。


背景技术：

2.近年来，以机器学习为主导的人工智能发展迅猛，在众多领域都取得了重大突破。随着移动互联的发展，室内定位在生活中的应用越来越广。目前室内定位技术，经过多年的发展，主要采用无线通讯技术来实现，大体包括rfid、wi-fi、蓝牙、红外线、超声波以及超宽带。激光定位可以快速准确的确定目标的位置，但现有的二维激光算法基本上无法区分目标交错的情况，在目标交错之后会导致目标之前的标签发生改变，也就是容易出现误判的情况，对环境的变化不够鲁棒；并且当前很多室内定位技术都需要开发相关的硬件设备，往往都会有成本过高，维护复杂等缺点，这也阻碍了室内定位的推广。
3.故有必要提出一种新的技术方案，以解决上述技术问题。


技术实现要素：

4.本发明实施例提供一种基于多线激光的目标追踪方法及系统，以解决现有通过多线激光追踪目标时，容易出现误判，对环境的变化不够鲁棒的问题。
5.本发明实施例的第一方面提供了一种基于多线激光的目标追踪方法，所述目标追踪方法包括：
6.在用于检测目标的移动机器人上设置多线激光扫描仪，以获取监测区域内的点云数据；
7.将所述点云数据进行坐标转换，得到所需的二维激光扫描数据；
8.获取距离地面一定高度的二维激光扫描数据进行聚合，得到不同的聚类；
9.根据所述聚类的轮廓形状将其划分为目标聚类和非目标聚类；
10.分别监测不同时刻所述目标聚类和所述非目标聚类的位置，以实现对目标的追踪，所述目标包括行人。
11.可选地，所述将所述点云数据进行坐标转换，得到所需的二维激光扫描数据，包括：
12.通过三维激光里程计将所述点云数据转换为世界坐标系下的全局点云地图；
13.选取指定高度，获得所述指定高度下的平面点云；
14.对所述平面点云进行二维栅格化得到二维地图坐标系，进而通过计算获得所需的二维激光扫描数据。
15.可选地，所述将所述点云数据进行坐标转换，得到所需的二维激光扫描数据，包括：
16.对所述点云数据进行姿态还原得到平稳的三维激光点云；
17.将所述平稳的三维激光点云在世界坐标系下向xoy平面投影，以获得所需的二维
激光扫描数据。
18.可选地，所述获取距离地面一定高度的二维激光扫描数据进行聚合，具体为获取距离地面30cm的二维激光扫描数据进行聚合。
19.可选地，所述移动机器人为四足机器人，所述多线激光扫描仪水平方向具有360
°
视野，竖直方向具有30
°
视野。
20.本发明实施例的第二方面提供了一种基于多线激光的目标追踪系统，所述目标追踪系统包括：
21.多线激光扫描仪，在用于检测目标的移动机器人上设置多线激光扫描仪，以获取监测区域内的点云数据；
22.坐标转换模块，用于将所述点云数据进行坐标转换，得到所需的二维激光扫描数据；
23.聚类获取模块，用于获取距离地面一定高度的二维激光扫描数据进行聚合，得到不同的聚类；
24.划分模块，用于根据所述聚类的轮廓形状将其划分为目标聚类和非目标聚类；
25.追踪模块，用于分别监测不同时刻所述目标聚类和所述非目标聚类的位置，以实现对目标的追踪，所述目标包括行人。
26.可选地，所述坐标转换模块具体用于：
27.通过三维激光里程计将所述点云数据转换为世界坐标系下的全局点云地图；
28.选取指定高度，获得所述指定高度下的平面点云；
29.对所述平面点云进行二维栅格化得到二维地图坐标系，进而通过计算获得所需的二维激光扫描数据。
30.可选地，所述坐标转换模块具体用于：
31.对所述点云数据进行姿态还原得到平稳的三维激光点云；
32.将所述平稳的三维激光点云在世界坐标系下向xoy平面投影，以获得所需的二维激光扫描数据。
33.可选地，所述移动机器人为四足机器人，所述多线激光扫描仪水平方向具有360
°
视野，竖直方向具有30
°
视野。
34.本发明实施例的第三方面提供了一种移动机器人，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现上述第一方面提及的方法。
35.本发明实施例与现有技术相比存在的有益效果：本技术提供的目标追踪方法，根据多线激光器扫描的高度保证可以扫描到并跟踪目标，如行人的双腿，从而提高准确性和可靠性，同时减少错误数量，特别是在自我遮挡的情况下。我们在局部地图的已占据空间中禁止对行人开始或继续追踪，从而优化了数据关联。这套算法仅使用三维激光点云中的非行人扫描点，因此不需要行人持续移动才能进行追踪。同时该算法还集成了机器人操作系统中腿部检测器中存在的群集追踪方法，其中所有检测到的群集在每一帧都会被跟踪，包括非行人群集，从而改善了复杂环境中的行人追踪效果。同时我们这里采用了机器学习的方式对人腿轮廓宽度，腿间距等模型进行训练，还使用了卡尔曼滤波器对行人的位置和速度进行优化估计。最后我们采用闭环控制算法，控制机器人自动跟随被追踪的个体。
附图说明
36.为了更清楚地说明本发明实施例的技术方法，下面将实施例或现有技术描述中所需要的附图作简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
37.图1为本发明提供的基于多线激光的目标追踪方法的实现流程示意图；
38.图2为本发明实施例提供的四足机器人的外观图；
39.图3为本发明提供目标追踪方法中数据坐标转换示意图；
40.图4为本发明实施例提供的基于多线激光的目标追踪系统结构示意图；
41.图5为本发明实施例提供的移动机器人的示意图。
具体实施方式
42.以下描述中，为了说明而不是为了限定，提出了诸如特定结构、技术之类的具体细节，以便透彻理解本发明提供的实施例。然而，本领域技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本发明。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
43.实施例一：
44.图1示出了本技术提供的基于多线激光的目标追踪方法的实现流程示意图，包括：
45.步骤s11，在用于检测目标的移动机器人上设置多线激光扫描仪，以获取监测区域内的点云数据。
46.步骤s12，将所述点云数据进行坐标转换，得到所需的二维激光扫描数据。
47.步骤s13，获取距离地面一定高度的二维激光扫描数据进行聚合，得到不同的聚类。
48.步骤s14，根据所述聚类的轮廓形状将其划分为目标聚类和非目标聚类。
49.步骤s15，分别监测不同时刻所述目标聚类和所述非目标聚类的位置，以实现对目标的追踪，所述目标包括行人。
50.可选地，所述将所述点云数据进行坐标转换，得到所需的二维激光扫描数据，包括：通过三维激光里程计将所述点云数据转换为世界坐标系下的全局点云地图；选取指定高度，获得所述指定高度下的三维平面点云；对所述三维平面点云进行二维栅格化得到二维地图坐标系，进而通过计算获得所需的二维激光扫描数据。
51.可选地，所述将所述点云数据进行坐标转换，得到所需的二维激光扫描数据，包括：对所述点云数据进行姿态还原得到平稳的三维激光点云；将所述平稳的三维激光点云在世界坐标系下向xoy平面投影，以获得所需的二维激光扫描数据。
52.可选地，所述获取距离地面一定高度的二维激光扫描数据进行聚合，具体为获取距离地面30cm的二维激光扫描数据进行聚合。
53.可选地，所述移动机器人为四足机器人，所述激光扫描仪水平方向具有360
°
视野，竖直方向具有30
°
视野。
54.本技术提供的目标追踪方法，根据多线激光器扫描的高度保证可以扫描到并跟踪目标，如行人的双腿，从而提高准确性和可靠性，同时减少错误数量，特别是在自我遮挡的
情况下。我们在局部地图的已占据空间中禁止对行人开始或继续追踪，从而优化了数据关联。这套算法仅使用三维激光点云中的非行人扫描点，因此不需要行人持续移动才能进行追踪。同时该算法还集成了机器人操作系统中腿部检测器中存在的群集追踪方法，其中所有检测到的群集在每一帧都会被跟踪，包括非行人群集，从而改善了复杂环境中的行人追踪效果。同时我们这里采用了机器学习的方式对人腿轮廓宽度，腿间距等模型进行训练，还使用了卡尔曼滤波器对行人的位置和速度进行优化估计。最后我们采用闭环控制算法，控制机器人自动跟随被追踪的个体。
55.实施例二
56.下面结合具体例子对本技术提供的追踪方法进行说明，请参见图 2-3。
57.本技术提供的目标追踪方法应用于安装有多线激光扫描仪的四足机器人平台，上述多线激光扫描仪可以是，但不限于基于速腾聚创的 rslidar-16线激光雷达。该多线激光扫描仪水平方向具有360
°
的视野，分辨率为0.36
°
，扫描频率为20hz；竖直方向具有30
°
的视野，分辨率为2
°
，总共16条激光线；每秒可以产生32万个三维坐标点以及对应点的反射率信息。根据右手定则(x轴朝前，y轴朝左，z轴朝上)在移动机器人平台上建立多线激光雷达坐标系{l}，同时收集点云数据。
58.本技术所使用的是四足机器人平台，足式平台相比轮式机器人的优势在于可以更高效的越过障碍物，从而更适应于复杂非结构化的地面环境。然而对于相对平整的路面，足式机器人由于其运动结构会导致机器人躯干无法保持固定的高度，以及平行于地面的姿态，因此我们选择使用三维激光里程计算法结合惯性导航设备来补偿位置和姿态的变化。这里我们使用的是xsens的mti-g710惯导，坐标系和多线激光的坐标系基本相同，x轴和y轴朝向相同且平行，z轴同向且重合。
59.如图3所示本技术中存在4个坐标系，分别是世界坐标系，栅格地图坐标系，基座坐标系和激光坐标系。所获取的云点数据在几个坐标系之间转换，从世界坐标系到多线激光雷达，使我们通过三维激光里程计得到的位置和姿态(x
l
，y
l
，z
l
，roll
l
，pitch
l
，yaw
l
)；由于激光坐标系和基座坐标系之间为刚性连接，因此不存在旋转变换，只有一个固定的平移变换而基座和地图坐标系之间相差的是惯导补偿的最后地图坐标系和世界坐标系之间的变换关系是即地图坐标系相对于地面只有绕z轴的旋转，而没有绕x和y轴的转动。
60.首先从多线激光传感器获得原始点云三维信息，这些点云的三维坐标都是基于多线激光雷达中心的rslidar坐标系；之后我们对原始三维激光点云使用三维激光里程计，获得世界坐标系下的全局点云地图，之后选取同一高度，即可以获得此高度下的三维平面点云，进行二维栅格化得到二维地图坐标系，进而通过计算获得所需要的二维激光扫描数据；也可以通过原始点云直接进行姿态还原得到平稳的三维激光点云，在世界坐标系下向xoy平面投影，获得所需要的二维激光扫描轮廓。
61.在目标为行人时，为了减小误差，增强算法的鲁棒性，我们通过对里程计矫正，构建局部栅格地图，并且在每次扫描后对没有和追踪目标联结的非人聚类进行更新，也就是
假设这些为非人检测结果。地图覆盖一个以多线激光发射器为中心的20m
×
20m的方形区域，分辨率是每个格子代表实际5cm
×
5cm大小的区域。在地图开始建立时，所有栅格都是空闲空间，直到我们在栅格中观察到非人障碍物。
62.卡尔曼滤波优化，为了减小对行人位置和姿态的估计误差，这里我们采用了卡尔曼滤波器进行优化，将某一时刻k的扫描聚类，也就是跟踪对象记为集合内所有活跃的跟踪对象记为其中nk是时刻的跟踪对象总数。
63.卡尔曼滤波器对每一个跟踪对象的状态估计为也就是聚类在二维坐标中的位置和速度。新跟踪对象的初始速度默认为0，已存在的跟踪对象按照常速运动模型进行速度更新。我们假设过程噪声w为高斯白噪声，对角线协方差q＝qi。
64.观测矩阵h包含聚类的位置，观测噪声的协方差矩阵为r＝ri。在调整卡尔曼滤波器的过程中，我们发现很小的观测噪声协方差 (r＝0.12)就可以产生很好的额效果，因为多线激光传感器返回的距离信息足够精确。
65.行人追踪和跟随过程包括：我们截取距离地面高度为30cm的二维 激光扫描数据，多线激光的水平分辨率为0.667度。我们将小于某个距 离值得三维激光数据进行聚合，这个距离值是通过实验获得的，该数 值需要在大多数时刻将行人的两条腿分成两个单独的聚类，极少数情 况针对一个行人产生两个以上的聚类。同时为了减少噪声，小于三个 扫描点的聚类将被忽略。之后我们会根据聚类的几何形状特征对这些 聚类进行人和非人的划分。这里使用了离散森林分类器，使用1700个 正确和4500个错误的例子进行训练。我们最终得到的追踪结果如下所 示，在确认编号的同时可以返回该行人在栅格地图中的位置信息，用 于控制机器人与其保持固定的距离。该算法在有行人遮挡的情况下一 样可以保持对目标的准确追踪。
66.上述方法可以应用于多种操作条件下，以及不同的机器人上。
67.实施例三：
68.图4是本发明实施例三提供的基于多线激光的目标追踪系统的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分。
69.该目标追踪系统，包括：
70.多线激光扫描仪41，在用于检测目标的移动机器人上设置多线激光扫描仪，以获取监测区域内的三维点云数据；
71.坐标转换模块42，用于将所述点云数据进行坐标转换，得到所需的二维激光扫描数据；
72.聚类获取模块43，用于获取距离地面一定高度的二维激光扫描数据进行聚合，得到不同的聚类；
73.划分模块44，用于根据所述聚类的轮廓形状将其划分为目标聚类和非目标聚类；
74.追踪模块45，用于分别监测不同时刻所述目标聚类和所述非目标聚类的位置，以实现对目标的追踪，所述目标包括行人，。
75.可选地，所述坐标转换模块具体用于：
76.通过三维激光里程计将所述点云数据转换为世界坐标系下的全局点云地图；
77.选取指定高度，获得所述指定高度下的三维平面点云；
78.对所述平面点云进行二维栅格化得到二维地图坐标系，进而通过计算获得所需的二维激光扫描数据。
79.可选地，所述坐标转换模块具体用于：
80.对所述点云数据进行姿态还原得到平稳的三维激光点云；
81.将所述平稳的三维激光点云在世界坐标系下向xoy平面投影，以获得所需的二维激光扫描数据。
82.可选地，所述移动机器人为四足机器人，所述激光扫描仪水平方向具有360
°
视野，竖直方向具有30
°
视野。
83.实施例四
84.图5是本发明实施例四提供的移动机器人的结构示意图。如图5 所示，该实施例的移动机器人5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述方法实施例一中的步骤，例如图1所示的步骤s11至s15。所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块41至45的功能。
85.示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述移动机器人5中的执行过程。
86.所述处理器50可以是中央处理单元(central processing unit， cpu)，还可以是其他通用处理器、数字信号处理器(digital signalprocessor，dsp)、专用集成电路(application specific integrated circuit， asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
87.以上实施例仅用于对本发明进行说明，而非限定；尽管参照前述实施例对本发明进行了详细说明，本领域普通技术人员应该理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。