基于移动激光扫描的行人交通参数提取方法与流程

本发明涉及微观交通参数获取技术领域，具体给出了一种基于移动激光扫描的行人交通参数提取方法。

背景技术：

因交通意识淡薄，非机动车、行人原因造成的交通事故已经成为我国交通事故的重要部分。因此，为驾驶人开展对非机动车、行人的主动识别和主动安全预警显得尤为重要。激光扫描技术已经在城市建模、植被分析等多个方面得到了研究与应用。本发明基于Velodyne十六线激光扫描仪，探测车辆周围的机动车、非机动车、行人、地物等多种不同类型的数据，通过数据分割、分类，分别得到不同类别的数据对象。并以行人对象为例，结合道路数据，分析该类对象的交通行为，得到相应的微观交通流参数。

获得微观交通流参数对自主车的决策和交通事故的避免有着重要的意义。而有效地利用传感器获得的数据识别出行人和非机动车，提取出目标的微观交通流参数是研究的难点和无人自主车普及的阻碍之一。其中一个原因是获取精确数据所需的传感器十分昂贵，并且需要多传感器融合。

本发明利用相对廉价的十六线激光雷达，在单个传感器下完成行人的目标识别和夹道树的识别，进而计算车辆的速度和行人的速度，进而分析行人的交通行为。利用单传感器就能完成该目标是本发明的难点和重要意义。

在目标检测和识别方面，根据所用不同的传感器有多种不同的方法。现今主流的传感器有单目相机、多目相机和激光雷达。根据所有的传感器，有基于单目视觉的目标检测、基于立体视觉的目标检测以及基于激光雷达和视觉结合的目标检测。由于本发明主要是基于激光雷达的目标检测，所以下面主要介绍基于激光雷达的目标检测。

在基于激光雷达的目标检测中，使用的雷达有单线雷达、多线雷达和三维全向雷达。其中单线雷达和多线雷达只能做障碍物检测等简单功能，而三维全向雷达能获取更丰富、更全面和更准确的环境信息，现今广泛用于无人车的研究中。

天津理工大学沙德鹏等人研究了汽车激光测速系统，利用激光实现对汽车的测速。由于激光雷达在障碍物探测和识别中起到了重要作用，中南大学周智等人做了基于激光雷达的智能车主动安全算法和模型研究，利用激光雷达数据识别前方车辆，并获取车辆的速度的信息，结合运动学方面的知识判断车辆是否处于安全状态。国防科技大学刘大学等人做了多线激光雷达越野环境障碍检测的研究，研究中利用自主车上的四线激光雷达采集数据。刘大学等人实现了场景中数据的分类；对影响雷达测距精度的因素进行了分析，给出了雷达数据的滤波方法；以相对高度，坡度和点密度作为判决条件，完成了越野环境中障碍物的识别。

在实时检测和识别中，浙江大学的程健利用velodyne 64线激光雷达实现实时目标检测。对于目标分类，在非车的障碍物中根据简单几何特征来判断行人。在行人检测方面，Navarro-Serment等人提出基于高精度三维激光雷达，将目标点云块依据两腿和身体分成三部分，然后在每一部分中提取点云特征，比如协方差矩阵，惯性张量矩阵等等，达到准确行人检测。Luciano Spinello等人提出用3D Lidar来行人检测，根据聚类块高度分层，在每一层中提取几何特征，统计特征，最后通过机器学习方法，获得分类器。Kiyosumi kidono等人提出两种新颖的特征：一种特征是聚类块的分层切片投影的长宽来表示行人的轮廟，不同高度层次的行人身体宽度不同，用分层切片的特征描述可以较好的描述行人的轮廊；另一种特征是统计被测聚类块的点云反射强度的分布，最后通过SVM训练分类器来稳定的行人检测。

学者基于激光雷达做了很多关于行人检测和车辆行驶安全的研究，提出了很多符合使用场景的算法，对本发明有很多参考价值。但是很多激光处理数据方法都是基于特定的激光雷达数据，本发明需要对基于Velodyne公司的VLP-16激光雷达数据，提出在特定场景使用的解决方案。

技术实现要素：

发明目的

本发明的主要目的在于提供一种基于移动激光扫描的行人交通参数提取方法，采用成本低廉的VLP实现行人的交通流参数分析，解决目前没有实现相邻两帧之间行道树之间的关联并进一步计算速度等交通流参数的方法。

技术方案

一种基于移动激光扫描的行人交通参数提取方法，其特征在于，包括：目标检测、速度提取和交通参数统计，其中目标检测分为建立栅格地图、目标标记和目标筛选，具体步骤如下：

S1.建立栅格地图：基于采集到的三维激光数据，通过基于距离的障碍物确定法确定栅格的范围和大小；

S2.目标标记：目标标记分为行人和树木，利用行人对于地面高度差的关系标记行人，利用树木挺直和高度显著的特点，按照目标高差标记树木；

S3.目标筛选：完成栅格地图标注后，通过形态学膨胀操作和区域标记的聚类方法，对目标栅格推展，完成膨胀和聚类后，对目标对象在此筛选，剔除不符合特征的对象，这里的筛选主要是对行人对象操作；

S4.完成目标探测筛选后，对目标进行数据关联，数据关联部分，利用加入反射信息的最近邻法完成数据关联，随后提取数据采集车辆的速度；

S5.经过目标检测和目标数据关联这一系列操作后得到了数据采集车辆和行人的速度，统计行人相对于采集车辆的交通参数。

作为优选，S2具体如下：生成障碍物栅格地图后，把障碍物标记出来，标记完后，先遍历障碍物栅格地图中标记为障碍物的数据，对这些数据进行计算和判断，如果符合行人的特征就标记为行人，如果是符合行道树的特征就标记为树木，标记行人和树木时在两张障碍物栅格地图上标记。

作为优选，S3具体如下：利用宽高比约束条件，从标记的点云中识别出行人，避免路灯、垃圾桶等路旁其他障碍物的干扰。

作为优选，S4数据关联具体步骤：(1)提取检测完成的树木目标(2)计算目标的特征点(3)使用加入反射信息的最邻近法进行下一帧关联。

作为优选，S5具体如下：利用行道树不动的原理，根据坐标原点相对行道树、行人的变化推算车辆速度和行人车速，从而计算行人的微观交通流参数。

具体优点如下：

1)利用Velodyne公司的VLP-16小型激光雷达在校园道路采集行人和周围环境的动态数据，价格低廉；

2)对于行人和行道树的检测，为了方便激光点云数据的处理，利用栅格地图标记障碍物，在障碍物的基础上标记行人和行道树。最后通过膨胀和聚类，提取完整的行人和行道树激光点云数据；

3)对于目标数据的关联和交通参数提取，为了能在多帧数据中得到正确的匹配信息，本发明采用加入反射信息的最近邻法，很好地解决了目标匹配问题。使用运动学公式，获得车辆和行人的速度等信息，统计微观交通参数。

附图说明

图1为基于栅格地图的树木和行人标记流程图；

图2为VLP16传感器获得的10米距离处行人激光点云形状图；

图3为VLP16传感器获得的5米距离处行人激光点云形状图；

图4为VLP16采集的行人典型形状；

图5为VLP16采集的行道树典型形状。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

激光雷达数据有精度高和数据量大等特点。VLP-16激光雷达每秒钟产生12万多个点云。因此不太适合直接在原始数据上处理，在目标检测方面，利用栅格地图划分数据很好的解决这个问题。栅格检测具有简单快速，而且稳定性较好。如图1所示，本发明使用基于栅格地图的目标检测方法，为每个对象建立一个栅格地图，方便后续的识别和相关参数提取。

基于栅格地图的目标检测方法，利用离散的二维网格来划分环境。与基于特征的目标检测相比，栅格地图不需要假定目标的几何模型，可检测多种类型的目标，如行人、自行车、汽车等。本发明将详细介绍障碍物栅地图的生成和目标对象的标记，初步确定栅格地图中单元格的对象属性。接下来通过膨胀和聚类获得目标对象的完整三维点云数据，最后进行目标对象的筛选。

S1.建立栅格地图

栅格地图通过计算每个单元格中包含目标物的概率值来对周围环境进行表达。每个单元格的状态为“空白”或“占据”两者之一，或介于两者之间，为未知态。建立栅格地图的核心问题，也就是利用给定数据计算地图的后验概率。即如何利用给定数据估计单元格的状态量，不同的栅格地图可设定不一样的估计方案，分辨出不同的目标对象。

栅格地图将连续空间划分为均匀分布的网格。目前最常用的栅格地图为平面布置图，也就是用二维截面图来表示三维世界。本发明将三维点云投影到二维栅格地图中，减少单元格的数量和计算量，单同时可会对准确度有所影响。如果生成三维的栅格地图，栅格单元的数量会增长好几倍。而且本发明使用的激光雷达是16线雷达，当目标离坐标原点比较远时，点云十分稀疏，生成三维的栅格地图对提高精确度没有很大的提高。因此使用二维的栅格图。

考虑到激光雷达的可视范围，设定栅格地图大小为车前和车后20米，两旁10米，栅格大小为20cm*20cm,即建立一个200*100的栅格地图。

实例：障碍物栅格地图

车辆的角度出发，人流、非机动车和树木都是障碍物的一种。先生成障碍物地图，随后根据目标对象的特征标记栅格。栅格地图是将三维点离散化，根据每个单元格的数据估计单元格状态。但是当目标被分散到多个单元格时，由于数据失去了完整性，目标识别将会十分不准确。本发明提出了一种由障碍物栅格地图出发的区域标记法，提高聚类的完整性。

对障碍物生成栅格地图，首先需要确定什么才是障碍物，随后才能确定单元格属性。障碍物的一个主要特征是比地面有一定高度的突起，因此可以遍历单元格中的点云，如果点云的密度和高度满足一定要求，就可认为这个单位格内存在障碍物。遍历单元格内的三维点云，统计得到单元格内Max_Z、Min_Z和扫描线数n，得到相对最大高度ΔZ。若ΔZ大于阈值ξ且扫描线数大于阈值λ，就单元格标记为障碍点。这种根据相对高度和密度确定障碍点的方法，可以有效的减少误判，但是也有可能增加漏判的风险。因为扫描线之间角度间隔是固定的，距离激光原点越远目标上扫描性就越稀疏，可能远方障碍物只有很少的几根扫描线扫描到。

S2.栅格对象属性标记

采用多线激光扫描数据中标记行人和行道树，并给出行人、行道树标记的经验参数。

实例：

行人标记

在标记行人单元格属性前，需要了解行人的三维点云几何形态。分别挑选行人与激光发射中心水平距离为10m和5m时的点云数据进行分析。从图2可以看到行人，当行人离发射中心水平距离10m时。行人身上只有约6根扫描线。从点云数据中依稀能看出来是人形，因此我们只检测10m以内的行人。如图3所示，水平距离5m时能清楚的看到人的形状，人身上约有10条扫描线。同理可以根据扫描线的条数和行人的几何特征标记出行人。

由于激光雷达架设在车顶上，而激光雷达垂直视场角只有30°，所以激光雷达在近处会存在一个数据采集盲区。当行人离车辆太近时就不能将行人全身扫描到，如图3所示。

从图4可以看到，当行人离远点水平距离为3.5米时，行人只有大半个身子能被激光扫描仪扫描到，而此时扫描线比较密集。此时行人的几何特征和10m和5m的行人几何特征不一样，不能沿用前面的特征判断标准。根据激光雷达的架设情况，当水平距离小于4米时，就不能扫描到完整行人点云。

避开激光雷达盲区，先制订一个策略标记4m到10m内扫描完整的行人。按照前面所述的障碍物栅格地图生成原理，为行人栅格地图生成建立一个更严格的特定阈值标准。具体做法是遍历障碍物栅格地图，再对标记为障碍物的单元格中的所有点云数据遍历一次，统计其高差和扫描线数，根据重新设定的阈值重新标记单元格属性。进过多帧数据的对比测试，这里给出实验数据中表现良好的阈值标准：最大高差ΔZ大于0.9米小于2米，扫描线数大于等于5小于12。

为了能标记到激光雷达盲区内扫描不完整的行人，需指定另外一个策略检测出行人目标。从图3中可以看到，扫描出来的行人形状只有半个身子，因此可以放宽高差标准，设定在水平距离4米内，目标最大高差ΔZ大于0.4米小于1.5米，扫描线大于等于6小于11。

行道树标记

按照行人检测的方法，同样适用于检测行道树，只不过需要改变阈值。在设定阈值之前需要了解树木的点云数据。首先用手工提取树木的点云数据，使用Matlab软件绘制点云，如图5所示。

从图5中可以看到，树干高度都大于2米，并且有多条扫描线扫到。同理按照树木的几何特征改变标记阈值。行道树的标记策略是：最大高差ΔZ大于2米，扫描线大于9条。由于行道树检测时为了计算数据采集车辆速度，距离车辆越近树木信息越丰富，这里设定比较严格的阈值，保留离车辆近的树林允许距离远的漏检。

表1障碍物标记参数

表2行人标记参数

表3行道树标记参数

S3.目标筛选

利用宽高比约束条件，从标记的点云中识别出行人，避免路灯、垃圾桶等路旁其他障碍物的干扰。

行人目标筛选

通过前面的一系列操作，尽管目标对象初步标记出来了，但是存在大量的误检，其中大部分误检对象为树木，因此需要目标进行进一步筛选，保留符合特征的对象，剔除误检的对象。

本发明基于高宽比特征再次晒选出所要得到的行人目标。根据《中国成年人人体尺寸(GB10000-88)》，正常人高宽比约为4到5之间。考虑到遮挡现象，因此将高宽比阈值设置在3到7之间。加入高宽比约束后，只有个别的误检点和漏检点。

根据实验数据，数据中树木的高宽比普遍大于9，因此可以很好地在行人目标中剔除树木目标。而在树木检测中，树木特征十分明显，误检率比较低。

行人与地面约束

据前面分析可以得到当行人在4m和10m内，一般能够扫描到完整的行人形状数据，行人总是在地面上行走。可以根据这个特点剔除因遮挡导致与行人几何特征相似的目标。在4m内的目标就不能使用这个筛选约束条件，在距离采集车辆近时只能采集到行人半身像，所以此时应保留“悬浮”在空中的目标。

S4.目标数据关联和交通参数提取

数据采集车辆和行人都是运动体，车辆和行人会相对固定地物移动。为了取得车辆和行人速度信息，必须对固定地物和行人这两类数据进行前后帧关联，计算出车辆和行人的速度等交通参数。这两类运动目标的处理包括两个关键的步骤前后帧的数据关联和运动轨迹的估计。对于运动物体,传感器不可能根据单单一帧数据就能得到它的运动状态,数据处理模块需要根据连续多帧传感器数据来识别运动物体并做出状态判断。

经过对目标数据关联可以在一段时间内对目标进行跟踪，然后根据运动学提取出数据采集车辆的速度连续变化图，由数据采集车辆和行人的相对关系统计出人流的交通行为。

数据关联具体步骤：

(1)提取检测完成的树木目标(2)计算目标的特征点(3)使用加入反射信息的最邻近法进行下一帧关联

S5获取人流交通参数

利用行道树不动的原理，根据坐标原点相对行道树、行人的变化推算车辆速度和行人车速，从而计算行人的微观交通流参数。

S5.1坐标系与运动学原理

采集到激光数据经过转换后，是以发射中心为坐标原点，Z轴垂直发射平面。坐标系的原点始终是激光雷达的发射中心，随着车辆的运动坐标系原点也会随着运动。

单单一帧数据不能获得坐标系原点这运动目标的运动信息，需要和前后两帧数据进行关联计算出坐标原点的运动方向。以地面为运动参考系，坐标原点还是相对于固定地物运动的。以仪器为运动参考系，固定地物是相对于仪器运动的。因此固定地物在前后两帧坐标的变化就是坐标原点运动的变化。

S5.2计算车辆速度

所有帧都进行数据关联后，利用运动学原理得到各个时刻的瞬时速度。

根据算出速度变化可以看到，开始记录数据的时候汽车是已经启动了，有一段加速的阶段，随后期间速度有几个小波动，阶段开减速。与采集数据的情况十分符合，进入实验道路后汽车开始加速，道路中途遇到人流所以进行了减速，最后到了直道尽头汽车开始减速。

S5.3行人交通参数

根据前文所述的目标检测，可以检测行人目标，计算根据前后两帧的数据关联，同样也可以计算到行人的速度。完成这些操作后，接着就可以统计人流的交通参数。每隔10帧统计人流的微观交通参数，参数表如下表4所示。

表4人流交通参数