一种基于自适应聚类分析的行人检测系统及方法
【专利摘要】本发明公开了一种基于自适应聚类分析的行人检测系统及方法，其中该系统包括相互连接的激光测距仪和微机部分，所述微机部分包括激光扫描器模块、激光数据预处理模块、行人检测模块和行人甄别模块。在本发明采用了自适应聚类分析方法，具有消除了人为的干扰，提高了行人检测的可靠性与鲁棒性，为智能交通背景下行人安全保护提供了更好支持的优点。另外本发明预处理过程中剔除了与检测无关的冗余激光云点数据，因此本发明还具有减少了数据的分析量，提高了整个系统的运行效率的优点。
【专利说明】一种基于自适应聚类分析的行人检测系统及方法
【技术领域】
[0001]本发明属于汽车主动安全【技术领域】，特别涉及一种基于自适应聚类分析的行人检测系统及方法。
【背景技术】
[0002]基于机器视觉的行人检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前机器视觉和智能车辆领域最为活跃的研究课题之一，其核心是利用安装在运动车辆上的检测装置检测行人，从而估计出潜在的危险以便采取策略保护行人。行人检测系统作为保障汽车、行人安全的一种主动安全手段，已成为产业界和研究界共同关注的一个研究热点，具有提高驾驶安全性、保障行人生命财产安全的重要意义和实用价值。
[0003]目前行人检测方式主要有两种:一种是基于视频的行人检测，另一种是基于激光的行人检测。基于视频的行人检测技术易受外界环境的影响，例如光照变化、雾天等，因此这种检测方式的鲁棒性和实时性较差。基于激光的行人检测，受外界复杂环境的影响较小，通用性强，其难点在于激光数据的处理。
[0004]目前，对激光数据的处理主要通过空间数据聚类方法把激光云点数据分割成有意义的子集。常见的聚类方法主要有:基于划分的方法，如K-means算法、K-medoid算法等；基于层次的方法，如BIRCH算法、CURE算法等；基于密度的方法等。其中最为常用的主要有K-means算法，K-means算法是在一定的限定条件下对激光云点数据进行聚类的，即需要事先设定类别的个数。K-means算法在行人检测系统中，需事先选取k个点作为行人目标的初始聚类中心，在此基础上计算各个激光云点样本到聚类中心的距离，把样本归到离它最近的那个聚类中心所在的类，然后进入到后续的迭代过程。需要一定的先验知识，即必须预先设定子集的数量，不能满足复杂多变的实际交通道路环境，严重影响着行人检测系统的可靠性与鲁棒性。且激光检测器随车辆一起运动，进一步增加了行人检测的难度。
【发明内容】
[0005]本发明的目的在于克服现有技术的缺点与不足，提供一种基于自适应聚类分析的行人检测系统。
[0006]本发明的另一目的在于，提供一种可靠性高及鲁棒性强的基于自适应聚类分析的行人检测方法，该方法无需事先确定初始聚类中心，依据激光云点数据无监督、自适应的将激光云点数据进行聚类分析。
[0007]为了达到上述第一个目的，本发明采用以下技术方案:一种基于自适应聚类分析的行人检测系统，包括相互连接的激光测距仪和微机部分；激光测距仪:用于发出激光束，并获取经障碍物反射后的激光信号，形成激光云点数据；所述微机部分包括:
[0008]激光扫描器模块，用于建立激光云点数据采集系统，实时的控制激光云点数据的采集，形成激光云点数据报文；
[0009]激光数据预处理模块，用于对激光云点数据报文的解析，激光云点数据坐标转换和剔除冗余激光云点数据；
[0010]行人检测模块，用于使用自适应聚类算法对预处理后的激光云点数据进行聚类分析，完成所有激光云点数据的分类、聚类中心的计算以及标示；
[0011]行人甄别模块，用于寻找各个聚类的左右边界，统计出各聚类的宽度距离，从而甄别出行人目标。
[0012]优选的，激光测距仪安装于车辆前方正中央，垂直地面距地距离约50cm。
[0013]优选的，所述激光测距仪扫描角度为O~180度，扫描频率为25Hz，角度分辨率为
0.25 度。
[0014]为了达到上述第二个目的，本发明采用以下技术方案:一种基于自适应聚类分析的行人检测方法，包括以下步骤:
[0015](1)采集前方障碍物的激光云点数据，并且形成激光云点数据报文，然后将激光云点数据报文存入缓存区；
[0016](2)对存入缓存区的激光云点数据报文进行预处理，解析出激光云点数据报文中的激光云点数据，对激光云点数据的坐标进行转换，并剔除冗余数据；
[0017](3)采用自适应聚类算法对步骤(2)预处理后所保留的激光云点数据进行聚类分析:
[0018](3-1)逐点扫描选取不为零的激光云点数据，利用第一个不为零的激光云点数据建立第一个聚类class_l，并将该激光云点作为第一个聚类class_l的聚类中心；
[0019](3-2)设定一个阈值，并依次计算每个不为零的激光云点数据与已存在的聚类中心的欧式距离，寻找与该激光云点欧式距离最近的聚类中心及该聚类中心对应的聚类；然后比较最近欧式距离值与阈值的大小:
[0020]若最近欧式距离值大于阈值，则利用该激光云点建立一个新聚类，并将该激光点作为新聚类的聚类中心；
[0021]若最近欧式距离值小于阈值，则先将该激光云点归类到与此欧式距离最近的聚类中心对应的聚类中，然后根据该聚类中的所有激光云点数据来更新该聚类中心；
[0022](3-3)重复上述(3-2)步骤，直到完成所有激光云点的分类，以及所有聚类中心的计算;
[0023](4)根据各聚类中心寻找各聚类的左右边界，统计出各聚类的宽度距离，设定一个阈值范围[a，b]，确定各聚类的宽度距离是否在阈值范围[a，b]内；若是，则该聚类为行人目标；否则为非行人目标。
[0024]优选的，所述步骤(2)中将极坐标类型转换为笛卡尔坐标系类型；具体转换关系如下:
[0025]Xj= P jCOS θj，j=l，2,3...,
[0026]yj=P j.sin θ j.，j=l，2，3...；
[0027]其中和&是第j个激光云点对应的笛卡尔坐标；其中P ^指的是极坐标中激光云点到原点的距离，Θ j指极坐标中第j个激光云点与极轴的夹角。
[0028]更进一步的，所述步骤(2)将极坐标中与极轴夹角为O~45度以及135~180度之间的激光云点数据删除，以将冗余数据剔除。
[0029]更进一步的，所述步骤(3)各激光云点归类时，分别对归类到各聚类的激光云点的标志位进行设置，其中将归类到第一个聚类class_l中的激光云点标志位设置为obstacle=l,将归类到第η个聚类class_n, n=2,3,4...中的激光云点标志位设置为ob s tac I e=n,其中每个激光云点标志位的初始值为零。
[0030]更进一步的，所述步骤(3-2)中每个不为零的激光云点数据与已存在的各个聚类中心的欧式距离Drt为:
【权利要求】
1.一种基于自适应聚类分析的行人检测系统，包括相互连接的激光测距仪和微机部分；激光测距仪:用于发出激光束，并获取经障碍物反射后的激光信号，形成激光云点数据；其特征在于，所述微机部分包括: 激光扫描器模块，用于建立激光云点数据采集系统，实时的控制激光云点数据的采集，形成激光云点数据报文； 激光数据预处理模块，用于对激光云点数据报文的解析，激光云点数据坐标转换和剔除冗余激光云点数据； 行人检测模块，用于使用自适应聚类算法对预处理后的激光云点数据进行聚类分析，完成所有激光云点数据的分类、聚类中心的计算以及标示； 行人甄别模块，用于寻找各个聚类的左右边界，统计出各聚类的宽度距离，从而甄别出行人目标。
2.根据权利要求1所述的基于自适应聚类分析的行人检测系统，其特征在于，激光测距仪安装于车辆前方正中央，垂直地面距地距离约50cm。
3.根据权利要求1所述的基于自适应聚类分析的行人检测系统，其特征在于，所述激光测距仪扫描角度为O~180度，扫描频率为25Hz，角度分辨率为0.25度。
4.一种基于自适应聚类分析的行人检测方法，包括以下步骤: (1)采集前方障碍物的激光云点数据，并且形成激光云点数据报文，然后将激光云点数据报文存入缓存区； (2)对存入缓存区的激光 云点数据报文进行预处理，解析出激光云点数据报文中的激光云点数据，对激光云点数据的坐标进行转换，并剔除冗余数据； (3)采用自适应聚类算法对步骤(2)预处理后所保留的激光云点数据进行聚类分析: (3-1)逐点扫描选取不为零的激光云点数据，利用第一个不为零的激光云点数据建立第一个聚类class_l，并将该激光云点作为第一个聚类class_l的聚类中心； (3-2)设定一个阈值，并依次计算每个不为零的激光云点数据与已存在的聚类中心的欧式距离，寻找与该激光云点欧式距离最近的聚类中心及该聚类中心对应的聚类；然后比较最近欧式距离值与阈值的大小: 若最近欧式距离值大于阈值，则利用该激光云点建立一个新聚类，并将该激光点作为新聚类的聚类中心； 若最近欧式距离值小于阈值，则先将该激光云点归类到与此欧式距离最近的聚类中心对应的聚类中，然后根据该聚类中的所有激光云点数据来更新该聚类中心； (3-3)重复上述(3-2)步骤，直到完成所有激光云点的分类，以及所有聚类中心的计算； (4)根据各聚类中心寻找各聚类的左右边界，统计出各聚类的宽度距离，设定一个阈值范围[a,b],确定各聚类的宽度距离是否在阈值范围[a,b]内；若是,则该聚类为行人目标；否则为非行人目标。
5.根据权利要求4所述的基于自适应聚类分析的行人检测方法，其特征在于，所述步骤(2)中将极坐标类型转换为笛卡尔坐标系类型；具体转换关系如下:
Xj=P J-COS Θ J, j=l, 2,3...,
Yj=P j-sin Θ j, j=l, 2,3...；其中和Yj是第j个激光云点对应的笛卡尔坐标；其中P j指的是极坐标中激光云点到原点的距离，ΘJ指极坐标中第j个激光云点与极轴的夹角。
6.根据权利要求5所述的基于自适应聚类分析的行人检测方法，其特征在于，所述步骤(2)将极坐标中与极轴夹角为O~45度以及135~180度之间的激光云点数据删除，以将冗余数据剔除。
7.根据权利要求5所述的基于自适应聚类分析的行人检测方法，其特征在于，所述步骤(3)各激光云点归类时，分别对归类到各聚类的激光云点的标志位进行设置，其中将归类到第一个聚类class_l中的激光云点标志位设置为Obstacle=I,将归类到第η个聚类class_n, n=2,3,4...中的激光云点标志位设置为obstacle=n,其中每个激光云点标志位的初始值为零。
8.根据权利要求7所述的基于自适应聚类分析的行人检测方法，其特征在于，所述步骤(3-2)中每个不为零的激光云点数据与已存在的各个聚类中心的欧式距离Drt为:
9.根据权利要求8所述的基于自适应聚类分析的行人检测方法，其特征在于，所述步骤(3-2)中，聚类class_k的聚类中心的更新过程如下: 首先计算当前标志位为obstacle=k的激光云点个数nn ； 然后将标志位为obStaCle=k的化个激光云点对应的笛卡尔坐标分别作求和运算，得至Ij sum_xm 和 sum_ym:
10.根据权利要求4所述的基于自适应聚类分析的行人检测方法，其特征在于，所述步骤(4)中各聚类的宽度距离Wq为:
Wq=abs ((Xright) q- (Xleft) q) , q=l...P ; 其中P为聚类分析完后得到的聚类的总数，Wq表示第q个聚类的宽度距离；(Xlrft)q和(Xright) q表示第q个聚类的左右边界值； 所述阈值范围中a为0.3米，b为0.6米。
【文档编号】G06K9/62GK103559502SQ201310513651
【公开日】2014年2月5日 申请日期:2013年10月25日 优先权日:2013年10月25日
【发明者】游峰, 李福樑, 张荣辉, 王海玮, 温惠英 申请人:华南理工大学