用于行人检测的多激光雷达决策级融合方法和装置与流程

[0001]
本申请涉及无人驾驶技术领域，特别是涉及一种用于行人检测的多激光雷达决策级融合方法、装置、计算机设备和存储介质。


背景技术：

[0002]
无人驾驶技术作为人工智能与自动化技术相结合的一种新兴技术，已经逐渐成为推动汽车产业升级和机器人技术深入寻常百姓家的重要推动力。目前，为了提高检测的准确性并减小检测的盲区，在无人驾驶汽车研究中大量采用多线激光雷达实现行人检测。
[0003]
传统的激光雷达数据融合方法包括数据级和特征级融合。数据级融合是将传感器采集的原始数据直接进行融合，特征级融合是首先对每个传感器的数据分别进行特征提取（如形状特征、运动特征等），然后融合这些特征以得到一个综合特征。由于在融合前的数据加工少，传统方法较大程度地保留了数据的原始信息，但也存在数据处理量大，算法实时性较差等缺陷。


技术实现要素：

[0004]
基于此，有必要针对上述技术问题，提供一种能够减少计算量，提高算法实时性的用于行人检测的多激光雷达决策级融合方法、装置、计算机设备和存储介质。
[0005]
一种用于行人检测的多激光雷达决策级融合方法，所述方法包括：采用组合的方式获取无人车上的多激光雷达的雷达对；所述雷达对包括：第一激光雷达和第二激光雷达；分别获取所述第一激光雷达针对检测目标采集的第一点云数据和所述第二激光雷达针对所述检测目标采集的第二点云数据，通过训练好的adaboost模型对所述第一点云数据和所述第二点云数据进行行人检测，分别得到所述第一激光雷达的第一检测分数和所述第二激光雷达的第二检测分数；所述adaboost模型是通过训练样本训练得到的；所述训练样本的信息中包括样本得分；所述训练样本包括正样本和负样本；所述正样本和所述负样本的所述样本得分均近似符合高斯分布；根据所述正样本对应的高斯分布公式计算所述检测目标为行人时所述adaboost模型输出所述第一检测分数的第一正样本条件概率，以及所述检测目标为行人时所述adaboost模型输出所述第二检测分数的第二正样本条件概率；根据所述负样本对应的高斯分布公式计算所述检测目标不是行人时所述adaboost模型输出所述第一检测分数的第一负样本条件概率，以及所述检测目标不是行人时所述adaboost模型输出所述第二检测分数的第二负样本条件概率；根据所述第一正样本条件概率、所述第二正样本条件概率和所述检测目标为行人的正先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标为行人的正判断概率；根据所述第一负样本条件概率、所述第二负样本条件概率和所述检测目标不是行人的负先验概率，通过贝叶斯规则对多激
光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标不是行人的负判断概率；所述正先验概率和所述负先验概率是根据预先设置的初始值或上一时序得到的正判断概率和负判断概率得到的；根据所述正判断概率和所述负判断概率，得到所述雷达对决策级融合的行人检测结果；对多激光雷达所组合的所有雷达对对应的行人检测结果进行融合，输出多激光雷达决策级融合的行人检测结果。
[0006]
在其中一个实施例中，还包括：获取无人车上激光雷达对检测目标采集的点云数据，通过滑窗算法根据所述点云数据的中心点云密度特征遍历搜索，生成行人检测的多个原始候选框；根据所述原始候选框中的点云位置特征，通过单分类支持向量机为所述原始候选框打分，根据所述原始候选框的分数确定所述检测目标的最佳候选框；提取所述最佳候选框内点云数据的组合特征，根据所述组合特征通过行人检测的adaboost模型实现行人检测；通过所述第一激光雷达的第一点云数据得到第一检测分数，通过所述第二激光雷达的第二点云数据得到第二检测分数。
[0007]
在其中一个实施例中，还包括：获取无人车上单激光雷达的点云数据，通过滑窗算法根据所述点云数据的中心点云密度特征遍历搜索，生成行人检测的多个原始候选框；所述中心点云密度特征为：其中，表示所述中心点云密度特征；表示滑动窗口中的总点数；表示落入相应栅格中的点数；表示滑窗中所分栅格的横纵序号。
[0008]
在其中一个实施例中，还包括：根据所述原始候选框中的点云密度分布特征和点云高度差分布特征，通过单分类支持向量机为所述原始候选框打分，根据所述原始候选框的分数确定所述检测目标的最佳候选框。
[0009]
在其中一个实施例中，还包括：提取所述最佳候选框内点云数据的组合特征，根据所述组合特征通过行人检测的adaboost模型实现行人检测；所述组合特征为点数、质心到无人车的距离、最大高度差、点云三维协方差矩阵、三维协方差矩阵特征值、惯性张量和旋转投影统计特征。
[0010]
在其中一个实施例中，还包括：根据所述正样本得到所述正样本对应的高斯分布的正样本均值和正样本方差，根据所述负样本得到所述负样本对应的高斯分布的负样本均值和负样本方差；根据所述正样本对应的高斯分布公式计算所述检测目标为行人时所述adaboost模型输出所述第一检测分数的第一正样本条件概率，以及所述检测目标为行人时所述adaboost模型输出所述第二检测分数的第二正样本条件概率为：
其中，表示所述检测目标为行人；表示所述第一检测分数；表示所述第二检测分数；表示所述第一正样本条件概率；表示所述第二正样本条件概率；表示所述正样本方差；表示所述正样本均值；根据所述负样本对应的高斯分布公式计算所述检测目标不是行人时所述adaboost模型输出所述第一检测分数的第一负样本条件概率，以及所述检测目标不是行人时所述adaboost模型输出所述第二检测分数的第二负样本条件概率为：adaboost模型输出所述第二检测分数的第二负样本条件概率为：其中，表示所述检测目标不是行人；表示所述第一负样本条件概率；表示所述第二负样本条件概率；表示所述负样本方差；表示所述负样本均值。
[0011]
在其中一个实施例中，还包括：根据所述第一正样本条件概率、所述第二正样本条件概率和所述检测目标为行人的正先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标为行人的正判断概率为：其中，表示所述正判断概率；表示所述正先验概率；、为贝叶斯规则的分子项，分别表示第一行人检测分数出现的概率和第二行人检测分数出现的概率，通过预先设置得到；根据所述第一负样本条件概率、所述第二负样本条件概率和所述检测目标不是行人的负先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标不是行人的负判断概率为：
其中，表示所述负判断概率；、表示所述负先验概率。
[0012]
一种用于行人检测的多激光雷达决策级融合装置，所述装置包括：雷达对获取模块，用于采用组合的方式获取无人车上的多激光雷达的雷达对；所述雷达对包括：第一激光雷达和第二激光雷达；检测分数获取模块，用于分别获取所述第一激光雷达针对检测目标采集的第一点云数据和所述第二激光雷达针对所述检测目标采集的第二点云数据，通过训练好的adaboost模型对所述第一点云数据和所述第二点云数据进行行人检测，分别得到所述第一激光雷达的第一检测分数和所述第二激光雷达的第二检测分数；所述adaboost模型是通过训练样本训练得到的；所述训练样本的信息中包括样本得分；所述训练样本包括正样本和负样本；所述正样本和所述负样本的所述样本得分均近似符合高斯分布；条件概率获取模块，用于根据所述正样本对应的高斯分布公式计算所述检测目标为行人时所述adaboost模型输出所述第一检测分数的第一正样本条件概率，以及所述检测目标为行人时所述adaboost模型输出所述第二检测分数的第二正样本条件概率；根据所述负样本对应的高斯分布公式计算所述检测目标不是行人时所述adaboost模型输出所述第一检测分数的第一负样本条件概率，以及所述检测目标不是行人时所述adaboost模型输出所述第二检测分数的第二负样本条件概率；判断概率获取模块，用于根据所述第一正样本条件概率、第二正样本条件概率和所述检测目标为行人的正先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标为行人的正判断概率；根据所述第一负样本条件概率、第二负样本条件概率和所述检测目标不是行人的负先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标不是行人的负判断概率；所述正先验概率和所述负先验概率是根据预先设置的初始值或上一时序得到的正判断概率和负判断概率得到的；雷达对行人检测结果获取模块，用于根据所述正判断概率和所述负判断概率，得到所述检测目标多激光雷达决策级融合的行人检测结果；多激光雷达行人检测结果获取模块，用于对多激光雷达所组合的所有雷达对对应的行人检测结果进行融合，输出多激光雷达决策级融合的行人检测结果。
[0013]
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：采用组合的方式获取无人车上的多激光雷达的雷达对；所述雷达对包括：第一激光雷达和第二激光雷达；分别获取所述第一激光雷达针对检测目标采集的第一点云数据和所述第二激光雷达针对所述检测目标采集的第二点云数据，通过训练好的adaboost模型对所述第一点云数据和所述第二点云数据进行行人检测，分别得到所述第一激光雷达的第一检测分数和所述第二激光雷达的第二检测分数；所述adaboost模型是通过训练样本训练得到的；所述训练样
本的信息中包括样本得分；所述训练样本包括正样本和负样本；所述正样本和所述负样本的所述样本得分均近似符合高斯分布；根据所述正样本对应的高斯分布公式计算所述检测目标为行人时所述adaboost模型输出所述第一检测分数的第一正样本条件概率，以及所述检测目标为行人时所述adaboost模型输出所述第二检测分数的第二正样本条件概率；根据所述负样本对应的高斯分布公式计算所述检测目标不是行人时所述adaboost模型输出所述第一检测分数的第一负样本条件概率，以及所述检测目标不是行人时所述adaboost模型输出所述第二检测分数的第二负样本条件概率；根据所述第一正样本条件概率、所述第二正样本条件概率和所述检测目标为行人的正先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标为行人的正判断概率；根据所述第一负样本条件概率、所述第二负样本条件概率和所述检测目标不是行人的负先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标不是行人的负判断概率；所述正先验概率和所述负先验概率是根据预先设置的初始值或上一时序得到的正判断概率和负判断概率得到的；根据所述正判断概率和所述负判断概率，得到所述雷达对决策级融合的行人检测结果；对多激光雷达所组合的所有雷达对对应的行人检测结果进行融合，输出多激光雷达决策级融合的行人检测结果。
[0014]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：采用组合的方式获取无人车上的多激光雷达的雷达对；所述雷达对包括：第一激光雷达和第二激光雷达；分别获取所述第一激光雷达针对检测目标采集的第一点云数据和所述第二激光雷达针对所述检测目标采集的第二点云数据，通过训练好的adaboost模型对所述第一点云数据和所述第二点云数据进行行人检测，分别得到所述第一激光雷达的第一检测分数和所述第二激光雷达的第二检测分数；所述adaboost模型是通过训练样本训练得到的；所述训练样本的信息中包括样本得分；所述训练样本包括正样本和负样本；所述正样本和所述负样本的所述样本得分均近似符合高斯分布；根据所述正样本对应的高斯分布公式计算所述检测目标为行人时所述adaboost模型输出所述第一检测分数的第一正样本条件概率，以及所述检测目标为行人时所述adaboost模型输出所述第二检测分数的第二正样本条件概率；根据所述负样本对应的高斯分布公式计算所述检测目标不是行人时所述adaboost模型输出所述第一检测分数的第一负样本条件概率，以及所述检测目标不是行人时所述adaboost模型输出所述第二检测分数的第二负样本条件概率；根据所述第一正样本条件概率、所述第二正样本条件概率和所述检测目标为行人的正先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标为行人的正判断概率；根据所述第一负样本条件概率、所述第二负样本条件概率和所述检测目标不是行人的负先验概率，通过贝叶斯规则对多激
光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下所述检测目标不是行人的负判断概率；所述正先验概率和所述负先验概率是根据预先设置的初始值或上一时序得到的正判断概率和负判断概率得到的；根据所述正判断概率和所述负判断概率，得到所述雷达对决策级融合的行人检测结果；对多激光雷达所组合的所有雷达对对应的行人检测结果进行融合，输出多激光雷达决策级融合的行人检测结果。
[0015]
上述用于行人检测的多激光雷达决策级融合方法、装置、计算机设备和存储介质，通过将无人车上每个激光雷达采集到的检测目标的点云数据通过训练好的adaboost算法进行行人检测，得到单激光雷达的行人检测分数；根据样本信息中包含的正样本和负样本分数的统计学特征，得到检测目标为行人和非行人时adaboost输出特定检测分数的条件概率，根据单激光雷达得到的条件概率和检测目标是否为行人的先验概率，通过贝叶斯规则对无人车上两个激光雷达组合成的雷达对的检测结果进行决策级融合，得到雷达对的行人检测结果，再根据多激光雷达中所有雷达对的行人检测结果得到最终的多激光雷达行人检测结果。由于本方法中单激光雷达可以先分别独立决策，再对多激光雷达的决策进行融合，避免了多传感器的数据级融合或特征级融合，不需要激光雷达数据采集完全同步，因此本方法具有计算量较少，对激光雷达原始数据的时序要求较低的优点，算法执行效率高。
附图说明
[0016]
图1为一个实施例中用于行人检测的多激光雷达决策级融合方法的流程示意图；图2为一个实施例中得到第一检测分数和第二检测分数的流程示意图；图3为一个实施例中检测目标落入栅格中的点的示意图；图4为一个实施例中用于行人检测的多激光雷达决策级融合装置的结构框图；图5为一个实施例中计算机设备的内部结构图。
具体实施方式
[0017]
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0018]
本申请提供的用于行人检测的多激光雷达决策级融合方法，可以应用于如下应用环境中。无人车上装有多个激光雷达，根据其中任意两个激光雷达组合成的雷达对通过贝叶斯规则进行决策级融合，再根据所有雷达对的行人检测结果，输出最终检测目标的行人检测结果。其中，贝叶斯规则中的先验概率是通过预先设置的初始值或上一时刻检测目标的检测结果得到的，贝叶斯规则中的条件概率是通过符合高斯分布的正样本和负样本的数据计算得到的。
[0019]
在一个实施例中，如图1所示，提供了一种用于行人检测的多激光雷达决策级融合方法，包括以下步骤：步骤102，采用组合的方式获取无人车上的多激光雷达的雷达对；雷达对包括：第一激光雷达和第二激光雷达。
[0020]
在无人驾驶汽车研究中，为了提高检测的准确性并减小检测的盲区，通常采用多个激光雷达。激光雷达可以安装在汽车的前部，左侧，右侧等部位，一个方位还可以安装多个激光雷达。“组合”是数学中组合学的一种，采用组合的方式获取无人车上的多激光雷达的雷达对，例如，无人车有a、b、c三个激光雷达，可以有ab、ac、bc三种雷达对组合方式。
[0021]
步骤104，分别获取第一激光雷达针对检测目标采集的第一点云数据和第二激光雷达针对检测目标采集的第二点云数据，通过训练好的adaboost模型对第一点云数据和第二点云数据进行行人检测，分别得到第一激光雷达的第一检测分数和第二激光雷达的第二检测分数；adaboost模型是通过训练样本训练得到的；训练样本的信息中包括样本得分；训练样本包括正样本和负样本；正样本和负样本的样本得分均近似符合高斯分布。
[0022]
adaboost算法通过对弱分类器的输出进行加权求和得到最终的强分类器输出，可用于提高算法性能。adaboost是一个不断迭代的过程，每次迭代都会增加一个新的分类器，其自适应的特点在于本轮被分错的样本在下一次迭代时的权重会增加，而正确分类样本的权重会减少。在设计分类器时，算法将选取使误差率最小的阈值，因此误差率会不断降低，当误差率达到设定的条件时迭代结束。
[0023]
训练样本中的正样本是指，根据adaboost模型输出的检测得分高于或等于设定阈值，判断检测目标为行人的样本集合；训练样本中的负样本是指，根据adaboost模型输出的检测得分低于设定阈值，判断检测目标不是行人的样本集合。根据统计，对于正样本和负样本，adaboost模型输出的的样本得分均近似符合高斯分布。
[0024]
步骤106，根据正样本对应的高斯分布公式计算检测目标为行人时adaboost模型输出第一检测分数的第一正样本条件概率，以及检测目标为行人时adaboost模型输出第二检测分数的第二正样本条件概率；根据负样本对应的高斯分布公式计算检测目标不是行人时adaboost模型输出第一检测分数的第一负样本条件概率，以及检测目标不是行人时adaboost模型输出第二检测分数的第二负样本条件概率。
[0025]
正样本和负样本的样本得分近似符合高斯分布，通过统计学分析可以计算出对应的高斯分布的参数，包括样本均值和样本方差，从而可以根据高斯分布公式得到检测目标为行人或非行人时，得到指定检测分数的条件概率。
[0026]
步骤108，根据第一正样本条件概率、第二正样本条件概率和检测目标为行人的正先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下检测目标为行人的正判断概率；根据第一负样本条件概率、第二负样本条件概率和检测目标不是行人的负先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下检测目标不是行人的负判断概率；正先验概率和负先验概率是根据预先设置的初始值或上一时序得到的正判断概率和负判断概率得到的。
[0027]
令x和y代表两个子激光雷达的输出，表示是行人的标签，表示不是行人的标签。贝叶斯规则可以描述如下：
由于每个子激光雷达独立检测，x和y是独立的，则贝叶斯规则可以写为：其中，、为先验概率，在本方法初始运行时，第一时刻的先验概率为预先设置的初始值，如0.5，之后，都采用上一时刻得到的概率值或作为下一时刻的先验概率，具体的，对应，对应；和可以由步骤106得到，表示检测目标为行人时，得到指定检测分数的条件概率；由于和的计算公式中，分母都是，因此，通过比较和来确定检测目标是否为行人，可以不具体计算出的值，只要比较和的值即可。具体实施时，可以通过设置为一个常数，得到和的具体数值，作为下一时刻行人检测的先验概率。
[0028]
步骤110，根据正判断概率和负判断概率，得到雷达对决策级融合的行人检测结果。
[0029]
当时，判断检测目标为行人；当时，判断检测目标不是行人。
[0030]
步骤112，对多激光雷达所组合的所有雷达对对应的行人检测结果进行融合，输出多激光雷达决策级融合的行人检测结果。
[0031]
对所有雷达对对应的行人检测结果进行行人和非行人两种情况的投票，票数多的结果为最终多激光雷达决策级融合的行人检测结果。
[0032]
上述用于行人检测的多激光雷达决策级融合方法中，通过将无人车上每个激光雷达采集到的检测目标的点云数据通过训练好的adaboost算法进行行人检测，得到单激光雷达的行人检测分数；根据样本信息中包含的正样本和负样本分数的统计学特征，得到检测目标为行人和非行人时adaboost输出特定检测分数的条件概率，根据单激光雷达得到的条件概率和检测目标是否为行人的先验概率，通过贝叶斯规则对无人车上两个激光雷达组合成的雷达对的检测结果进行决策级融合，得到雷达对的行人检测结果，再根据多激光雷达中所有雷达对的行人检测结果得到最终的多激光雷达行人检测结果。由于本方法中单激光雷达可以先分别独立决策，再对多激光雷达的决策进行融合，避免了多传感器的数据级融
合或特征级融合，不需要激光雷达数据采集完全同步，因此本方法具有计算量较少，对激光雷达原始数据的时序要求较低的优点，算法执行效率高。
[0033]
在其中一个实施例中，得到第一检测分数和第二检测分数的步骤包括：步骤202，获取无人车上激光雷达对检测目标采集的点云数据，通过滑窗算法根据点云数据的中心点云密度特征遍历搜索，生成行人检测的多个原始候选框；步骤204，根据原始候选框中的点云位置特征，通过单分类支持向量机为原始候选框打分，根据原始候选框的分数确定检测目标的最佳候选框；步骤206，提取最佳候选框内点云数据的组合特征，根据组合特征通过行人检测的adaboost模型实现行人检测；步骤208，通过第一激光雷达的第一点云数据得到第一检测分数，通过第二激光雷达的第二点云数据得到第二检测分数。
[0034]
使用滑窗算法遍历搜索空间并从点云生成候选框，为了加快滑窗的处理过程并减少虚警，使用两种特征：中心点云密度特征和点云位置特征。中心点云密度特征用于构建候选框过滤器，可以在早期快速滤除非行人目标，得到原始候选框，一个疑似目标可能对应多个原始候选框；点云位置特征用来训练一个粗分类器并为每个候选目标打分，该分数在随后的非极大值抑制（non-maximum suppression, nms）阶段将作为筛选候选目标的依据，即通过点云位置特征在一个疑似目标的多个原始候选框中选取得分最高的候选框作为最佳候选框，确保一个疑似目标只有一个最佳候选框。
[0035]
在其中一个实施例中，还包括：获取无人车上单激光雷达的点云数据，通过滑窗算法根据点云数据的中心点云密度特征遍历搜索，生成行人检测的多个原始候选框；中心点云密度特征为：其中，表示中心点云密度特征；表示滑动窗口中的总点数；表示落入相应栅格中的点数，如图3所示；表示滑窗中所分栅格的横纵序号。
[0036]
在其中一个实施例中，还包括：根据原始候选框中的点云密度分布特征和点云高度差分布特征，通过单分类支持向量机为原始候选框打分，根据原始候选框的分数确定检测目标的最佳候选框。
[0037]
假设大多数行人是直立的，外形类似于圆柱体，并且理想的三维包围盒应该尽量使提取的目标位于中央位置；此外，提取的点云应该是完整的，并避免包含周围不相关的点。基于以上标准，使用了点云位置特征，包括点云的密度分布和高度差分布，以评估生成的候选目标的质量。
[0038]
在其中一个实施例中，还包括：提取最佳候选框内点云数据的组合特征，根据组合特征通过行人检测的adaboost模型实现行人检测；组合特征为点数、质心到无人车的距离、最大高度差、点云三维协方差矩阵、三维协方差矩阵特征值、惯性张量和旋转投影统计特征。
[0039]
在选取了可能是行人的候选窗口后，为更准确地识别行人目标，需要使用更强的特征对样本进行分类，因此使用较为复杂的组合特征对点云进行描述，组合特征如表1所
示：表1 特征描述及维数在其中一个实施例中，还包括：根据正样本得到正样本对应的高斯分布的正样本均值和正样本方差，根据负样本得到负样本对应的高斯分布的负样本均值和负样本方差；根据正样本对应的高斯分布公式计算检测目标为行人时adaboost模型输出第一检测分数的第一正样本条件概率，以及检测目标为行人时adaboost模型输出第二检测分数的第二正样本条件概率为：二正样本条件概率为：其中，表示检测目标为行人；表示第一检测分数；表示第二检测分数；表示第一正样本条件概率；表示第二正样本条件概率；表示正样本方差；表示正样本均值；根据负样本对应的高斯分布公式计算检测目标不是行人时adaboost模型输出第一检测分数的第一负样本条件概率，以及检测目标不是行人时adaboost模型输出第二检测分数的第二负样本条件概率为：的第二负样本条件概率为：其中，表示检测目标不是行人；表示第一负样本条件概率；
表示第二负样本条件概率；表示负样本方差；表示负样本均值。
[0040]
在其中一个实施例中，还包括：根据第一正样本条件概率、第二正样本条件概率和检测目标为行人的正先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下检测目标为行人的正判断概率为：其中，表示正判断概率；表示正先验概率；、为贝叶斯规则的分子项，分别表示第一行人检测分数出现的概率和第二行人检测分数出现的概率，通过预先设置得到；根据第一负样本条件概率、第二负样本条件概率和检测目标不是行人的负先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下检测目标不是行人的负判断概率为：其中，表示负判断概率；、表示负先验概率。
[0041]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0042]
在一个实施例中，如图4所示，提供了一种用于行人检测的多激光雷达决策级融合装置，包括：雷达对获取模块402、检测分数获取模块404、条件概率获取模块406、判断概率获取模块408、雷达对行人检测结果获取模块410和多激光雷达行人检测结果获取模块412，其中：雷达对获取模块402，用于采用组合的方式获取无人车上的多激光雷达的雷达对；雷达对包括：第一激光雷达和第二激光雷达；检测分数获取模块404，用于分别获取第一激光雷达针对检测目标采集的第一点云数据和第二激光雷达针对检测目标采集的第二点云数据，通过训练好的adaboost模型对第一点云数据和第二点云数据进行行人检测，分别得到第一激光雷达的第一检测分数和第二激光雷达的第二检测分数；adaboost模型是通过训练样本训练得到的；训练样本的信息中包括样本得分；训练样本包括正样本和负样本；正样本和负样本的样本得分均符合高斯分布；条件概率获取模块406，用于根据正样本对应的高斯分布公式计算检测目标为行人时adaboost模型输出第一检测分数的第一正样本条件概率，以及检测目标为行人时adaboost模型输出第二检测分数的第二正样本条件概率；根据负样本对应的高斯分布公式计算检测目标不是行人时adaboost模型输出第一检测分数的第一负样本条件概率，以及检测目标不
是行人时adaboost模型输出第二检测分数的第二负样本条件概率；判断概率获取模块408，用于根据第一正样本条件概率、第二正样本条件概率和检测目标为行人的正先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下检测目标为行人的正判断概率；根据第一负样本条件概率、第二负样本条件概率和检测目标不是行人的负先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下检测目标不是行人的负判断概率；正先验概率和负先验概率是根据预先设置的初始值或上一时序得到的正判断概率和负判断概率得到的；雷达对行人检测结果获取模块410，用于根据正判断概率和负判断概率，得到检测目标多激光雷达决策级融合的行人检测结果；多激光雷达行人检测结果获取模块412，用于对多激光雷达所组合的所有雷达对对应的行人检测结果进行融合，输出多激光雷达决策级融合的行人检测结果。
[0043]
检测分数获取模块404还用于获取无人车上激光雷达对检测目标采集的点云数据，通过滑窗算法根据点云数据的中心点云密度特征遍历搜索，生成行人检测的多个原始候选框；根据原始候选框中的点云位置特征，通过单分类支持向量机为原始候选框打分，根据原始候选框的分数确定检测目标的最佳候选框；提取最佳候选框内点云数据的组合特征，根据组合特征通过行人检测的adaboost模型实现行人检测；通过第一激光雷达的第一点云数据得到第一检测分数，通过第二激光雷达的第二点云数据得到第二检测分数。
[0044]
检测分数获取模块404还用于获取无人车上单激光雷达的点云数据，通过滑窗算法根据点云数据的中心点云密度特征遍历搜索，生成行人检测的多个原始候选框；中心点云密度特征为：其中，表示中心点云密度特征；表示滑动窗口中的总点数；表示落入相应栅格中的点数；表示滑窗中所分栅格的横纵序号。
[0045]
检测分数获取模块404还用于根据原始候选框中的点云密度分布特征和点云高度差分布特征，通过单分类支持向量机为原始候选框打分，根据原始候选框的分数确定检测目标的最佳候选框。
[0046]
检测分数获取模块404还用于提取最佳候选框内点云数据的组合特征，根据组合特征通过行人检测的adaboost模型实现行人检测；组合特征为点数、质心到无人车的距离、最大高度差、点云三维协方差矩阵、三维协方差矩阵特征值、惯性张量和旋转投影统计特征。
[0047]
条件概率获取模块406还用于根据正样本得到正样本对应的高斯分布的正样本均值和正样本方差，根据负样本得到负样本对应的高斯分布的负样本均值和负样本方差；根据正样本对应的高斯分布公式计算检测目标为行人时adaboost模型输出第一检测分数的第一正样本条件概率，以及检测目标为行人时adaboost模型输出第二检测分数的第二正样本条件概率为：
其中，表示检测目标为行人；表示第一检测分数；表示第二检测分数；表示第一正样本条件概率；表示第二正样本条件概率；表示正样本方差；表示正样本均值；根据负样本对应的高斯分布公式计算检测目标不是行人时adaboost模型输出第一检测分数的第一负样本条件概率，以及检测目标不是行人时adaboost模型输出第二检测分数的第二负样本条件概率为：的第二负样本条件概率为：其中，表示检测目标不是行人；表示第一负样本条件概率；表示第二负样本条件概率；表示负样本方差；表示负样本均值。
[0048]
关于用于行人检测的多激光雷达决策级融合装置的具体限定可以参见上文中对于用于行人检测的多激光雷达决策级融合方法的限定，在此不再赘述。上述用于行人检测的多激光雷达决策级融合装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0049]
判断概率获取模块408还用于根据第一正样本条件概率、第二正样本条件概率和检测目标为行人的正先验概率，通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下检测目标为行人的正判断概率为：其中，表示正判断概率；表示正先验概率；、为贝叶斯规则的分子项，分别表示第一行人检测分数出现的概率和第二行人检测分数出现的概率，通过预先设置得到；根据第一负样本条件概率、第二负样本条件概率和检测目标不是行人的负先验概率，
通过贝叶斯规则对多激光雷达的输出信息进行决策级融合，得到第一检测分数、第二检测分数条件下检测目标不是行人的负判断概率为：其中，表示负判断概率；、表示负先验概率。
[0050]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用于行人检测的多激光雷达决策级融合方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0051]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0052]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
[0053]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0054]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
[0055]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0056]
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护
范围。因此，本申请专利的保护范围应以所附权利要求为准。