基于機器學習的單線激光雷達進行車輛識別與跟蹤方法研究

劉偉，王世峰，公大偉，王澤，王銳

（長春理工大學 光電工程學院，長春 130022）

科技進步促進無人駕駛的快速發展，環境感知影響著無人駕駛汽車［1］的安全性和穩定性，對同樣行駛在道路上的其它車輛進行識別和跟蹤是環境感知中的重要組成部分。實時檢測出前方車輛的位置、速度以實現目標車輛的穩定性跟蹤至關重要，進而使自主行駛車輛做出運動控制決策。文獻［2］提出一種模式識別算法，結合激光掃描儀和視頻傳感器對目標物體進行檢測，激光掃描儀估計距離以及觀察對象的輪廓信息，模式識別算法可以根據輪廓和形狀信息對物體進行分類，在此基礎上提出了新的車輛特征識別方法。文獻［3］提出一種基于圖像的目標識別方法，該方法受光照影響較大，光強會導致圖像的分辨率過低，不能準確地識別出目標車輛；文獻［4］提出了一種基于車輛輪廓的跟蹤算法，此方法受陰影和光照影響較大，且在有雨雪天氣下，準確率會大大降低，影響到檢測的穩定性。

本文提出了一種基于單線激光雷達的車輛識別與跟蹤方法，對點云數據使用改進的層次聚類算法分離出目標車輛，然后對目標車輛進行多個特征的提取，同樣也提取非目標車輛的特征，最后通過參數尋優使分類器效果達到最佳，從多個不同類別的目標中準確的分出車輛。識別出目標車輛后，采取線性卡爾曼濾波器進行跟蹤，在無障礙物遮擋的情況下，跟蹤穩定，一旦出現障礙物遮擋，那么所跟蹤的車輛便會中斷，需重新確定新的跟蹤目標。

1 目標車輛識別

1.1 數據的預處理

本文采用SICK LMS511（PRO）單線激光雷達作為傳感器，其主要參數見表1。針對10%反射率的物體，距離可以達到40m，大保護距離（最遠80m的保護區域），選定掃描角度為180°，角度分辨率為0.167°，所以每幀數據有1080個點，角度與距離構成了每個點的信息，基于上述指標設定進行數據的采集。

表1 單線激光雷達主要性能參數

提取出激光雷達每一幀的數據，采用凝聚層次聚類算法［5］，將數據分割成段。凝聚層次聚類算法的策略是先將每個點看作一個簇，每一步合并兩個最接近的簇，聚類意味著一組類似的物體被標定或緊密地聚集在一起，然后合并這些簇為越來越大的簇，直到一個目標物中所有的點都在一個簇中，簇間距離度量方法采用最小距離為：

式中，|p-p'|是兩個點p和p'之間的距離，cj1,cj2為兩個簇，這里給出采用最小距離的凝聚層次聚類算法。在該算法的基礎上進行了改進，不僅比較相鄰兩點之間的距離，同時比較每個點與后兩個點之間的距離，將一個點作為一簇，如果與下一個點的距離小于閾值，則歸為一簇，反之歸為另一簇，再與后兩個點比較，如果小于閾值則歸為一簇，否則歸為另一簇，這樣可以達到更好的聚類效果，流程圖如圖1所示。

圖1 凝聚層次聚類算法

聚類完成后，每一幀數據被分成m段，S={s1,s2,…,sm}每一段有n個點，并將極坐標系下數據轉化成笛卡爾坐標系下數據。如圖2所示，在高架橋上用相機拍攝的車輛場景實物圖，通過上述聚類方法對采取的目標車輛數據進行聚類，聚類效果如圖3所示。

圖2 目標車輛

圖3 車輛點云數據聚類

1.2 特征提取和車輛識別

根據激光雷達特性設計出簡易的安裝方式，如圖4所示，將激光雷達安裝在車輛的正上方，高度設定為1640mm，并向下傾斜安裝，傾斜角度按檢測前方目標車輛的距離進行標定，根據我國汽車外形尺寸［6］指標可知：大部分車型的后防護杠的高度均在500mm～650mm范圍之間，同時標定激光雷達距所檢測的前方目標車輛距離為20m，這樣便可計算出激光雷達的傾斜角度α。激光雷達和相機同時使用，相機安裝在車輛正前方，實驗過程中，設置激光雷達的角度參數為0°到180°，即水平180°的視野范圍，如圖5所示。同時配以相機進行輔助處理，相機視野角度范圍為0°～180°，根據同一時間，提取出存在目標車輛的每一幀數據，經過聚類處理提取出目標車輛的數據點。

圖4 傳感器安裝位置

圖5 激光雷達掃描范圍

激光雷達掃描目標車輛后，經過聚類后會形成類似“I”和“L”兩種形狀的數據點簇，再經過相機進行輔助，找出每一幀所檢測到的目標車輛，手動提取車輛和非車輛的數據點簇，對于“I”型特征采取最小二乘法進行直線擬合，對于“L”型特征則采取角點特征進行直線擬合，方法如下：通過文獻［7］可知，在分割后的每一段中，若點pk存在角點特征，則至少應滿足下述條件：

（1）點pk左側連續的Q個點在同一條直線上；

（2）點pkPk右側連續的Q個點在同一條直線上。

圖6 角點特征

如圖6所示為Q=4的情況，然后利用文獻［7］中遞增式的直線提取方法判定激光雷達數據在同一條直線上，經過計算，判定閾值為100mm，且Q＞8。角點函數f(k)與該點左側的點及其本身所擬合的直線和該點右側的點及其本身所擬合的直線這兩者之間的夾角有關，f(k)是對pk做為角點特征的程度的近似衡量標準，其值由（2-5）式計算得到，式中各量的幾何含義如圖7所示。

計算機基礎教學是面向非計算機專業的計算機教學，它的目標是培養學生掌握一定的計算機基礎知識、技術方法和拓展學生的視野，為后續課程學習做好必要的知識準備，使學生能在一個較高的層次上利用計算機、并處理計算機應用中可能出現的問題[1]。

圖7 角點函數幾何意義

激光雷達獲取到目標車輛的數據點不同于非目標車輛的數據點，所獲取的目標車輛具有不同于其他目標物體的高度信息值，根據實驗標定出激光雷達檢測前方固定距離的目標車輛，這樣所獲取到目標車輛至激光雷達的平均距離無太大變化，對于目標車輛位于實驗車輛的正前方，會出現類似于“I”型的一條線段的數據點，對于目標車輛位于實驗車輛的兩側時，會出現類似于“L”型的兩條線段的數據點。經過聚類后擬合出直線，特征向量包含目標車輛的位置和幾何特征，對于“I”型特征，只有一條線段，對于“L”型特征，具有兩條段。

對于只有1條線段的聚類，提取如下五個特征：（1）組成該聚類線段的所有數據點的個數；（2）根據線段的起始點坐標，計算該線段長度；（3）根據目標數據點的高度信息計算出線段的中心高度；（4）計算線段中心到傳感器的距離；（5）求出線段的斜率。

對于有2條線段的聚類，提取如下六個特征：（1）組成該聚類線段所有數據點的個數；（2）根據角點函數計算出兩條線斷之間的角點，然后再取每條線段的起始點坐標，分別計算出每條線段的長度；（3）分別計算出兩條線段的中心高度，再做平均值；（4）計算兩條線段中心到傳感器的距離的均值；（5）分別計算兩條線段的長度的比值和乘積；（6）求出兩條線斷在地面投影的夾角。

2 目標分類

2.1 分類器選擇

對于分類器來說，機器學習領域提供了很多分類器，例如樸素貝葉斯（Na?ve Bayes）、神經網絡（Neural Network），支持向量機（SVM）［8］等。其中Na?ve Bayes假設樣本間是相互獨立的，因此在關聯比較強的樣本上效果很差；神經網絡需要大量的參數，并且學習時間過長，甚至可能達不到學習的目的；SVM基本上不涉及概率密度及大數定律等，因此不同于現有的統計方法，從本質上看，它避開了從歸納到演繹的傳統過程，實現了高效的從訓練樣本到預測樣本的“轉導推理”，大大簡化了通常的分類和回歸等問題。SVM在小樣本訓練集上能夠得到比其它算法好很多的結果。SVM之所以成為目前最常用，效果最好的分類器之一，在于其優秀的泛化能力，這是因為其本身的優化目標是結構化風險最小，而不是經驗風險最小，因此，通過margin的概念，得到對數據分布的結構化描述，因此減低了對數據規模和數據分布的要求，SVM需要解決下面的優化問題：

式中，w與x有相同的維度，c，b為實數，（w，b）為一個超平面，ξi為函數間隔，距離超平面最近的點則被稱為支持向量。訓練矢量通過函數φ映射到一個高維空間。c＞0為錯誤項的懲罰參數，k(xi,xj)=φ(xi)Tφ(xj)稱為核函數（kernel function）［9-10］，對于大多數分類問題，徑向基函數被認為是一個最常用且最有效的核函數：

圖8 支持向量機原理圖

2.2 交叉驗證和網格搜索

為了獲得更可靠的分類結果，提出一種K-folder交叉驗證方法。選擇合適的訓練數據集和測試數據集，首先將訓練集分成K個相同尺寸的子集，每次用K-1個子集進行訓練，用剩下的一個進行測試，然后這個過程將執行K次，每次測試之后都會返回一個正確率和最優的兩個參數c和r，然后將這些K個分類結果的平均值作為分類器的最終準確度進行計算，交叉驗證過程還能夠有效地防止過擬合。在使用交叉驗證時，提出了一個“Grid-search”的方法尋找c和r，嘗試各種（c、r）值，并選擇交叉驗證準確度最高的值。找出c和r序列的指數增長是一種確定良好參數的實用方法（如，C=2-5,2-3,…,28;r=2-5,2-3,...28）。本次實驗通過10-folder交叉驗證進行了參數的優化和準確度的提高。

圖9 網格搜索

網格搜索算法首先使用一個粗糙的網格，在確定一個網格上較好的區域之后，一個更好地網格搜索在哪個區域上被執行，如圖9所示，首先確定是一個較粗糙的網格，在灰度較暗的區域上尋找更好的c和r來提高交叉驗證的正確率，最終得到一個最高的正確率如圖9中“x”所示的點。

在得到最優RBF核參數之后，接下來進行訓練和測試，在MATLAB上安裝libsvm工具箱，首先選取訓練樣本303個，通過其中的正負樣本進行訓練生成一個模型，其次另選取測試樣本64個，分類效果如表2所示：

表2 LibSVM分類結果

對于非車目標做進一步的分析，首先通過設定距離閾值去掉離散點；其次把車輛目標的數據點的個數、平均值、中心高度作為閾值范圍；然后把非車的每一類目標進行閾值比較，濾除接近目標車輛的數據點；最后用同樣方法重新與車輛目標進行分類，選取訓練樣本263個，測試樣本64個，實驗結果表明正確率有所提高，分類效果如表3所示：

表3 LibSVM分類結果

3 目標車輛跟蹤

因為激光雷達具有較高的掃描頻率，在對同一目標進行跟蹤時，連續兩幀數據中位置變化很小，假設目標作勻速運動且過程噪聲為高斯白噪聲，對識別出的車輛目標利用線性卡爾曼濾波器［11］進行跟蹤。

3.1 單目標跟蹤

對識別出的目標車輛采取線性卡爾曼跟蹤濾波器進行跟蹤，以估計目標車輛的運動信息，根據圖10所示，目標車輛的狀態向量Xk包括目標在x方向和y方向的位置和速度，測量向量yk為目標在x方向和y方向的位置，分別為：

根據狀態轉移矩陣F：

式中，Δt為傳感器掃描周期。測量矩陣H為：

系統中每一時刻的不確定性都是通過協方差矩陣Q給出的，所以要引入一個協方差矩陣Q來表示預測模型本身的噪聲，則：

式中，δ為過程噪聲；

設過程測量噪聲協方差矩陣ε，

式中，σ為測量噪聲，程噪聲協方差Q和測量噪聲協方差ε的確定是建立運動模型中的難點。過程噪聲協方差不容易獲得，設定值根據當天實驗天氣和所跟蹤的目標車輛的反射率進行多次預測而獲得的經驗值，這樣可使跟蹤過程不會因為誤差大而中斷跟蹤。對于測量噪聲協方差，主要由傳感器的測量誤差所決定，可以通過事先測量一些比較穩定的目標，求出測量誤差。初步確定二者測量值后，還需通過運行程序調整以使跟蹤狀態達到最佳狀態。

圖10為對實驗車輛前方某同向行駛的車輛進行的跟蹤實驗。從曲線中看出：前3.0秒目標車輛處于自主行駛車輛的正前方并無出現大幅度變動狀態，車輛行駛較為平緩，此段為低頻成分為主，與此同時在y方向開始出現輕微的變化現象；3.0秒至6.0秒時間段目標車輛偏離同車道，駛向左車道，隨后又駛回同車道，此段曲線可以看出，在x方向上，在3.0秒和6.0秒之間，出現了中頻和高頻成分，3.0秒至5.0秒時刻段，波頻處于中頻變化，5.0秒至6.0秒時刻段，有兩個時刻出現了高頻變化。從虛線可看出，通過卡爾曼濾波能夠有效地控制高頻變化，能夠實現較穩定的持續跟蹤，保持了此情況下跟蹤的連貫性。

圖11中y軸方向上，前2.5秒內一直處于低頻變化，該段段較為平滑；從2.5秒到3.，0秒之間，出現了中頻變化，跟蹤目標車輛出現了相對移動；在3.0秒至6.0秒之間，由于目標車輛的變道更改，出現了接近前后7米的距離變化，而且在3.5秒時刻出現了一個高頻波，同樣通過卡爾曼濾波有效地濾除了高頻波，保持了此情況下跟蹤的連貫性。

在該實驗中，通過分別對x軸和y軸方向的跟蹤，分別濾波后，實現了實驗車輛對目標車輛的識別并跟蹤鎖定，取得了較為理想的效果。

圖10 x方向上濾波前后對比

圖11 y方向上濾波前后對比

為驗證本文中所述的車輛識別和跟蹤算法的有效性，以乘用車輛OptoBot-IV配備單線激光雷達為實驗平臺，在長春市城市道路上進行數據采集。通過激光雷達采集周圍環境的深度信息，因特爾i5處理器的筆記本電腦對數據進行處理，在Matlab運行環境下對采集的目標數據進行處理，首先通過層次聚類算法進行數據分割，在分類器的選用上，選取了分類效果較高的支持向量機（SVM），共進行了兩次分類：第一次對目標車輛分類實現了預期的效果，在濾除掉類似車輛目標特征值得基礎上進行了第二次分類，正確率從90.6%提高到了93.7%。目標識別實驗顯示，在較理想的狀況下，如圖12（a）和圖12（b），可對白車從第1372幀開始跟蹤，能夠準確地識別目標車輛，細線框為識別出的車輛，粗線框為當前幀下的跟蹤位置估計狀態，當出現車輛遮擋時，如圖12（c）和圖12（d）所示，此時跟蹤在第1672幀處中斷，這樣由于黑車的長時間遮擋出現了目標車輛的跟蹤中斷現象。對識別出的目標車輛，灰色區域為當前幀下跟蹤時所出現的黑色車輛遮擋情況，這樣由于黑車的長時間遮擋出現了目標車輛的跟蹤中斷現象，此時需要重新確定目標并進行跟蹤。

圖12 車輛目標識別與跟蹤

4 結論

本文介紹了使用單線激光雷達利用人工智能技術的機器學習技術進行多車檢測的方法。首先對點云數據預處理，使用層次聚類算法分割出不同目標物體；然后進行多種特征的提取并使用支持向量機進行（SVM）分類，二次分類后，識別準確率有所提升；最后對識別出的目標車輛進行了線性卡爾曼跟蹤。實驗結果表明，在多數工況環境下，跟蹤對象會被切換，從分類結果中可以看出，道路邊界等物體經常被識別成目標車輛，成為誤檢。

在此基礎上，今后的工作重點將放在進一步提高識別正確率和多用途上：1）采用多個單線激光雷配置不同俯仰角，從而降低車輛漏檢率；2）增加人形目標識別能力，進一步細分車輛環境內目標的類型；3）在線下實驗充分進行條件下，開展在線實時車輛識別的開發工作。