基于3D激光雷达检测和图像分析的目标分类方法与流程

基于3d激光雷达检测和图像分析的目标分类方法
技术领域
1.本发明涉及目标分类技术领域，特别是基于3d激光雷达检测和图像分析的目标分类方法。


背景技术：

2.在区域入侵检测系统中，需要对入侵目标进行分类，然后依据目标的类型进行进一步处理(生成报警或者是忽略)。分类的准确度是检测系统的重要指标。
3.利用3d激光雷达可以获得目标的3d点云，对目标点云进行分析，可以准确获得目标的空间位置、几何尺寸等信息。通过对连续一段时间内目标点云的分析，可获得目标的速度、加速度、轨迹等信息。利用上述信息，可以对目标的类型进行分类判断。但是由于3d激光点云的离散性、并且不包含色彩、灰度等信息，因此在仅通过3d点云的分析，在一定程度上很难将分类准确度提升到更高的水平，尤其是对静止不动的目标(如小动物)，仅靠3d激光雷达点云信息，很难与一个真实的障碍物(如落石)区别开。针对单一使用激光雷达3d点云对目标进行分类的这些缺点，经过发明人长期研究，发明了基于3d激光雷达检测和图像分析的目标分类方法。


技术实现要素：

4.本发明的目的在于克服现有技术的缺点，提供基于3d激光雷达检测和图像分析的目标分类方法。
5.本发明的目的通过以下技术方案来实现：基于3d激光雷达检测和图像分析的目标分类方法，包括以下步骤：
6.s1：通过雷达探测系统对防区进行扫描并输入点云，当发现新增目标后，对目标特征向量进行计算和提取；
7.s2：根据特征向量，利用分类决策树算法对目标类型进行分类；
8.s3：目标类型为障碍物类型时，所述雷达探测系统与摄像头控制系统联动，抓拍障碍物特写；
9.s4：通过图像分类系统对抓拍的场景进行分类识别。
10.优选的，步骤s1中，还包括以下步骤：
11.s11：当发现新增目标后，对目标的背景差分特征进行提取；
12.s12：目标经过背景差分特征提取后，再对点云聚类进行特征提取，用来提取目标的长度、宽度、高度、位置和轮廓特征；
13.s13：目标经过点云聚类特征提取后，再对时间序列分析进行特征提取，用来提取目标的速度、加速度和轨迹特征。
14.优选的，步骤s2中，还包括以下步骤：
15.s21：根据提取的特征，当特征符合3d尺寸特征a时，就将该特征与轨迹特征进行比较，当不符合3d尺寸特征a时，就将该特征与轮廓特征a比较；
16.s22：当该特征符合所述轨迹特征时，就将该特征与3d尺寸特征b进行比较，当该特征不符合所述轨迹特征时，则判定目标为障碍物；当该特征符合所述轮廓特征a时，则判定目标为列车，当该特征不符合所述轮廓特征a时，则判定目标为障碍物；
17.s23：当该特征符合所述3d尺寸特征b时，就将该特征与运动特征进行比较，当该特征不符合所述3d尺寸特征b时，就将该特征与轮廓特征b进行比较；
18.s24：当该特征符合所述运动特征时，则判定目标为小动物，当该特征不符合所述运动特征时，则判定目标为障碍物；当该特征符合所述轮廓特征b时，则判定目标为人，当该特征不符合所述轮廓特征b时，则判定目标为障碍物；
19.s25：当分类结果为列车、行人和小动物时，系统直接输出分类结果，当分类结果为障碍物时，进入所述步骤s3。
20.优选的，步骤s4中，还包括以下步骤：
21.s41：利用图像识别算法对抓拍的场景进行分类识别；
22.s42：当图片识别为障碍物时，系统直接输出分类识别的结果为障碍物；当图片识别的结果为小动物，行人或列车时，在连续一段时间内，联动摄像头拍摄若干张特写；
23.s43：通过图像识别算法对这些特写照片进行处理，若图片中的目标有变化，则系统输出分类识别的结果为小动物、行人或列车，否则，系统输出分类识别的结果为障碍物。
24.本发明具有以下优点：本发明通过对雷达探测系统和图像分类系统进行结合，对防区进行分类识别，从而提高了系统对目标分类识别的准确性。
附图说明
25.图1为协同识别关系的结构示意图；
26.图2为特征提取的结构示意图；
27.图3为分类决策树的结构示意图；
具体实施方式
28.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。
29.因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
30.需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
31.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
32.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该
发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
33.在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
34.在本实施例中，如图1所示，基于3d激光雷达检测和图像分析的目标分类方法，包括以下步骤：
35.s1：通过雷达探测系统对防区进行扫描并输入点云，当发现新增目标后，对目标特征向量进行计算和提取；
36.s2：根据特征向量，利用分类决策树算法对目标类型进行分类；
37.s3：目标类型为障碍物类型时，所述雷达探测系统与摄像头控制系统联动，抓拍障碍物特写；具体地说，当目标类型为障碍物类型时，控制云台对准调焦，抓拍障碍物特写，实现在弱光场景下的精准抓拍。
38.s4：通过图像分类系统对抓拍的场景进行分类识别。通过对雷达探测系统和图像分类系统进行结合，对防区进行分类识别，从而提高了系统对目标分类识别的准确性。在本实施例中，图像分类系统会对防区进行实时抓拍，并对抓拍的场景进行分类识别，针对静止不动的目标，通过图像分类系统抓拍的图像具有丰富的二维色彩信息，与雷达探测系统协同识别，从而提高了系统对目标分类识别的准确性。
39.进一步的，如图2所示，步骤s1中，还包括以下步骤：
40.s11：当发现新增目标后，对目标的背景差分特征进行提取；
41.s12：目标经过背景差分特征提取后，再对点云聚类进行特征提取，用来提取目标的长度、宽度、高度、位置和轮廓特征；
42.s13：目标经过点云聚类特征提取后，再对时间序列分析进行特征提取，用来提取目标的速度、加速度和轨迹特征。具体地说，对目标进行背景差分、点云聚类和时间序列分析特征进行提取均通过现有方法来实现，这里就不再赘述。
43.再进一步的，步骤s2中，还包括以下步骤：
44.s21：根据提取的特征，当特征符合3d尺寸特征a时，就将该特征与轨迹特征进行比较，当不符合3d尺寸特征a时，就将该特征与轮廓特征a比较；
45.s22：当该特征符合所述轨迹特征时，就将该特征与3d尺寸特征b进行比较，当该特征不符合所述轨迹特征时，则判定目标为障碍物；当该特征符合所述轮廓特征a时，则判定目标为列车，当该特征不符合所述轮廓特征a时，则判定目标为障碍物；
46.s23：当该特征符合所述3d尺寸特征b时，就将该特征与运动特征进行比较，当该特征不符合所述3d尺寸特征b时，就将该特征与轮廓特征b进行比较；
47.s24：当该特征符合所述运动特征时，则判定目标为小动物，当该特征不符合所述运动特征时，则判定目标为障碍物；当该特征符合所述轮廓特征b时，则判定目标为人，当该
特征不符合所述轮廓特征b时，则判定目标为障碍物；
48.s25：当分类结果为列车、行人和小动物时，系统直接输出分类结果，当分类结果为障碍物时，进入所述步骤s3。具体地说，3d尺寸特征a、轨迹特征、3d尺寸特征b、轮廓特征a、运动特征和轮廓特征b均根据实际情况进行人为设定。
49.步骤s4中，还包括以下步骤：
50.s41：利用图像识别算法对抓拍的场景进行分类识别；
51.s42：当图片识别为障碍物时，系统直接输出分类识别的结果为障碍物；当图片识别的结果为小动物，行人或列车时，在连续一段时间内，联动摄像头拍摄若干张特写；
52.s43：通过图像识别算法对这些特写照片进行处理，若图片中的目标有变化，则系统输出分类识别的结果为小动物、行人或列车，否则，系统输出分类识别的结果为障碍物。具体地说，图像识别算法可以基于现有的特征模式匹配的图像识别算法或者基于现有的机器学习的图像识别算法。
53.尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。