CN115760898A - 一种混合高斯域下道路抛洒物的世界坐标定位方法 - Google Patents

Abstract

本发明提供一种混合高斯域下道路抛洒物的世界坐标定位方法，包括使用具有多个高斯分布的混合高斯分布模型确认采集到的图像中每个像素点的前背景归属；不断更新并提取出所需的前景，获取较为完整的前景；使用像素均值法分析其是前景还是阴影轮廓；匹配目标轮廓与阴影轮廓；对匹配成共的物影轮廓预存，更新筛选；并将匹配结果的疑似抛洒物影轮廓模板与姿态初始化保存；输出跟踪定位得到的抛洒物坐标；采用激光雷达采集抛洒物的三维点云数据，建立采用欧氏聚类辅助的三维KD树将采集到的无序三维点云数据整理形成有序三维点云数，完成道路抛洒物的世界坐标定位。本发明可以有效提高在复杂光照环境下改善抛洒物跟踪漂移问题，进而提高检测的准确率。

Description

一种混合高斯域下道路抛洒物的世界坐标定位方法

技术领域

本发明属于交通安全管理技术领域，具体涉及一种混合高斯域下道路抛洒物的世界坐标定位方法。

背景技术

随着高速公路建设的快速发展，道路车流量大幅增多，因抛洒物引发的事故数量激增。高速公路作为现代社会交通的重要组成部分，其往来车流量巨大，且近年来安全事故频发，小小的道路抛洒物往往造成巨大的事故。因此急需一种可以置于车身之上的高效的道路信息采集和检测系统，对传感器采集到的信息进行分拣与判断，能够快速的跟踪道路抛物并且能够实现世界坐标下的精确定位，作为检测公路抛洒物并对其进行定位的有效手段，及时做出应对措施，降低抛物对后续车辆的破坏，保障司乘的生命安全，减少交通事故的发生，节约大量人力且提高效率，顺应公路管理从粗放化向信息化的发展趋势。

作为使用最为广泛且数据获取便利的两种传感器，摄像头和激光雷达能够采集道路的各类信息。而现今道路抛物的检测与跟踪，多为采用YOLO等检测算法对抛洒物出现帧进行抛物检测定位，采用传统的kalman、mean-shift、管道等传统的跟踪算法或基于深度学习的目标跟踪算法等方式进行跟踪。实际情况中，道路车流量庞大，路况极为复杂，车辆所配备的视镜和窗，以光的反射、折射等方式间接促成极为复杂的检测环境，传统的跟踪方式难以适应如此复杂变化，极易造成目标丢失与跟踪目标偏移等问题，因此需要采用基于深度学习的目标跟踪算法对目标加以有效跟踪。

发明内容

本发明针对上述缺陷，提供一种混合高斯域下道路抛洒物的世界坐标定位方法。本发明可以有效提高在复杂光照环境下抛洒物检测的准确率，有效改善复杂光照环境下抛洒物跟踪漂移问题。相较于传统跟踪算法，本发明可以有效提升小目标的跟踪能力。

本发明提供如下技术方案：一种混合高斯域下道路抛洒物的世界坐标定位方法所述方法包括以下步骤：

S1、通过摄像头采集图像，使用具有多个高斯分布的混合高斯分布模型确认采集到的图像中每个像素点的前背景归属；不断更新并进行阴影像素点检测，提取出所需的前景，并对其进行腐蚀、膨胀的闭操作的形态学处理，获取较为完整的前景；

S2、使用像素均值法分析采集到的t时刻实时图像处的轮廓类别，便于分析其是前景还是阴影轮廓；

S3、引入Matchshape算子，利用Hu矩阵同时具有的平移、缩放和旋转不变性，匹配目标轮廓与阴影轮廓；对出现物影匹配成功的进行物影轮廓预存，更新筛选；并将匹配结果的疑似抛洒物影轮廓模板与姿态初始化保存；

S4、经过所述S3步骤后得到完成定位的疑似抛洒物，采用所述S2步骤的方法对新进前景做阴影剔除，获取前景目标；使用模板对前景中的目标进行物影匹配，完成跟踪，并输出跟踪定位得到的抛洒物坐标；

S5、采用激光雷达采集抛洒物的三维点云数据，建立三维KD树将采集到的无序三维点云数据整理形成有序三维点云数据，然后计算欧氏距离对形成的有序三维点云数据进行聚类，然后通过矩阵变换的方式将经过聚类后的有序三维点云数据转换为二维平面内抛洒物坐标，将转换后的二维平面抛洒物坐标与所述S4步骤输出的抛洒物坐标进行融合，完成道路抛洒物的世界坐标定位。

进一步地，所述S1步骤中的多个高斯分布的混合高斯分布模型如下：

其中，M为混合高斯分布模型的高斯分布个数，χ_T为从t时刻开始在时间窗口T内的采集样本集，χ_T＝{x^(t)，...，x^(t-T)}，χ_T用于表示在时间窗口T内不断增加新样本更新背景模型，以适应复杂环境变化；BG与FG分别表示背景分量与前景分量；π_m表示M个混合模型的权重；η为高斯分布的概率密度函数；

与

分别为t时刻像素点的均值与协方差矩阵，其中

为高斯分布方差估计值，I为单位矩阵。

进一步地，在所述S1步骤的所述混合高斯分布模型不断更新过程中，对图像进行阴影像素点检测，包括以下步骤：

S11、构建阴影像素点S_t(x，y)的判别式：

|I_t(x，y)H-B_t(x，y)H|≤τ_H

|I_t(x，y)S-B_t(x，y)S|≤τ_S

其中，I_t(x，y)为所述S1步骤采集到的t时刻实时图像；B_t(x，y)为所述S1步骤采集到的t时刻实时图像的B分量，H、S和V分别为所述S1步骤采集到的t时刻图像RGB转换至HSV空间的HSV分量；α为用于阴影检测的亮度敏感度第一调节参数，β为用于阴影检测的亮度敏感度第二调节参数，τ_H为用于阴影检测的噪声敏感度第一调节参数，τ_S为用于阴影检测的噪声敏感度第二调节参数；

S12、判断被检测图像中的各个像素点是否符合所述步骤S21构建的阴影像素点判别式，若符合，则标记为阴影像素点。

进一步地，所述S1步骤中不断更新多个高斯分布的混合高斯分布模型的更新方程如下：

其中，

为中心向量；

为t时刻实时图像的像素

符合分布模型的归属因子，最符合的分布模型归属为1，其余模型为0；

为指数级下降的包络曲线，用以限制旧数据的影响；

不断更新多个高斯分布的混合高斯分布模型中，判断t时刻实时图像的像素

的马氏距离

是否小于三倍的标准差用于判别该像素是否符合现有高斯分布，判断t时刻实时图像的像素

的马氏距离

的计算公式如下：

σ_m为高斯分布的方差。

进一步地，所述S2步骤中采用像素均值法分析采集到的t时刻实时图像处的轮廓类别的判别式为：

其中，I为采集到的t时刻实时图像的像素点总数，i为采集到的t时刻实时图像的第i个像素点，b_w为目标像素值；

当P＞191时，则表明采集到的t时刻实时图像中目标前景点多于阴影点，则判断采集到的t时刻实时图像的轮廓目标为前景轮廓。

进一步地，所述S5步骤中建立三维KD树将采集到的无序三维点云数据整理形成有序三维点云数据包括以下步骤：

S51、将激光雷达采集到的维度为三维的无序点云数据T＝{p₁，p₂，p₃}，其中

进行初始化分割轴，对每个维度的点云位置数据进行方差和的计算，取最大方差的维度作为分割超平面，标记为r；

S52、当前点云位置数据按分割超平面维度进行检索，找到中位数数据，并将其放入到当前节点上，根结点对应于包含T的三维空间的超平面区域；

S53、将当前超平面维度分割为两个子超平面维度，所有小于中位数的值划分到左支子超平面维度中，所有大于等于中位数的值划分到右支子超平面维度中；

S54、更新所述S51步骤得到的分割超平面r，将划入子超平面维度的点保存在当前的根节点上，更新所述S51步骤得到的分割超平面r的公式如下：r＝(r+1)％3，％为取余计算；

S55：在所述S53步骤得到的左支子超平面维度的数据中重复进行所述步骤S52直至子维度中无数据，确定得到左节点；在所述S53步骤得到的右支子超平面维度的数据中重复进行所述步骤S52，直至子维度中无数据，确定得到右节点；

S56：输出点云对应的KD树，根据所述点云对应的KD树对采集到的无序三维点云数据整理形成有序三维点云数据。

进一步地，所述S5步骤中计算欧氏距离对形成的有序三维点云数据进行聚类的欧氏距离计算公式如下：

其中，x_i为有序三维点云数据中的第i个点云数据的横坐标，y_i为有序三维点云数据中的第i个点云数据的纵坐标，n为有序三维点云数据中点云数据的总个数。

进一步地，所述S5步骤中，通过矩阵变换的方式将经过聚类后的有序三维点云数据转换为二维平面内抛洒物坐标包括以下步骤：

1)、构建转移矩阵M，将激光雷达采集到的目标抛洒物的点云空间内的三维坐标(X，Y，Z)转移为目标抛洒物的二维平面内的坐标(u，v)：

其中，m_ab为转移矩阵M中的第a行第b列转移参数，a＝1,2,3；b＝1,2,3,4；Z_C为摄像头所在相机坐标系的z轴坐标；

2)、根据所述转移矩阵计算目标抛洒物的二维平面内的坐标(u，v)的公式如下：

3)、经过所述步骤2)的计算，得到一系列的线性方程，解得标定参数，进而得到目标抛洒物的二维平面内的坐标(u，v)。

进一步地，所述步骤1)中的点云空间内的三维坐标(X，Y，Z)为将采集到的三维数据依据体素网格进行体素划分，创建一个体积为1立方厘米的三维体素栅格，容纳后每个体素内用体素中所有点的质心来近似显示体素中其他点，其质心计算如下：

其中，m为被检测目标物的三维坐标体素化的体素内包含体素点的总数，x_central、y_central和z_central为质心的三维x轴坐标、y轴坐标和z轴坐标，则检测目标物的三维坐标体素化的体素内所有点都用该质心最终表示；点云空间内的三维坐标(X，Y，Z)中X＝x_central，Y＝y_central，Z＝z_central。

本发明具有以下有益效果：

1、本方法可以有效提高在复杂光照环境下抛洒物检测的准确率。

2、本方法可以有效改善复杂光照环境下抛洒物跟踪漂移问题。

3、相较于传统跟踪算法，本发明提供的方法可以有效提升小目标的跟踪能力。

4、本发明提供的一种混合高斯域下道路抛洒物的世界坐标定位方法。其通过利用摄像头的物影匹配跟踪算法实现实时识别抛洒物，并进行轨迹跟踪，激光雷达的即时定位与地图构建计算技术结合体素滤波算法与欧式聚类算法，实时采集处理公路数据，并通过矩阵变换，通过传感器融合实现抛洒物从二维到三维世界坐标系的精确定位，为高速抛洒物事故做好预警，防止二次事故的发生，减少不必要的损失。

5、本发明提供的混合高斯域系道路抛洒物的世界坐标定位方法，通过摄像头采集图像并进行目标定位后，采用激光雷达采集三维点云数据进行数据融合的技术方案，避免了在实际情况之中，单一传感器不可避免存在的局限性，避免了仅靠摄像头单一传感器容易出现不精确，且没有深度信息，视场角有限的情况。因此通过摄像头采集图像进行目标定位后，采用激光雷达采集三维点云数据进行数据融合，进一步提高系统的鲁棒性，采取多传感器融合的方案，融合不同传感器的时间同步和空间同步提高了道路抛洒物的定位准确性。

附图说明

在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：

图1为本发明提供的方法中步骤S1-S4进行抛洒物坐标定位的流程图；

图2位本发明提供的方法中S5步骤中对无序三维点云数据建立三维KD树进行整理的流程示意图；

图3为本发明提供的采用欧氏距离辅助三维KD树进行聚类的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明提供一种混合高斯域下道路抛洒物的世界坐标定位方法，所述方法包括以下步骤：

S1、通过摄像头采集图像，使用具有多个高斯分布的混合高斯分布模型确认采集到的图像中每个像素点的前背景归属；不断更新并进行阴影像素点检测，提取出所需的前景，并对其进行腐蚀、膨胀的闭操作的形态学处理，有效地消除复杂环境产生下的噪声，突出图像的边沿锐化，以获取较为完整的前景；

S2、使用像素均值法分析采集到的t时刻实时图像处的轮廓类别，便于分析其是前景还是阴影轮廓；

S3、引入Matchshape算子，利用Hu矩阵(离散图像归一化中心矩阵)平移、缩放和旋转不变性，匹配目标轮廓与阴影轮廓；对出现物影匹配成功的进行物影轮廓预存，更新筛选；并将匹配结果的疑似抛洒物影轮廓模板与姿态初始化保存；

S4、经过所述S3步骤后得到完成定位的疑似抛洒物，采用所述S2步骤的方法对新进前景做阴影剔除，获取前景目标；使用模板对前景中的目标进行物影匹配，完成跟踪，并输出跟踪定位得到的抛洒物坐标；

S5、采用激光雷达采集抛洒物的三维点云数据，建立三维KD树将采集到的无序三维点云数据整理形成有序三维点云数据，然后计算欧氏距离对形成的有序三维点云数据进行聚类，然后通过矩阵变换的方式将经过聚类后的有序三维点云数据转换为二维平面内抛洒物坐标，将转换后的二维平面抛洒物坐标与所述S4步骤输出的抛洒物坐标进行融合，完成道路抛洒物的世界坐标定位。

作为本发明的一个优选实施例，如图1所示，所述S1步骤中的多个高斯分布的混合高斯分布模型如下：

其中，M为混合高斯分布模型的高斯分布个数，χ_T为从t时刻开始在时间窗口T内的采集样本集，χ_T＝{x^(t)，...，x^(t-T)}，χ_T用于表示在时间窗口T内不断增加新样本更新背景模型，以适应复杂环境变化；BG与FG分别表示背景分量与前景分量；π_m表示M个混合模型的权重；η为高斯分布的概率密度函数；

与

分别为t时刻像素点的均值与协方差矩阵，其中

为高斯分布方差估计值，I为单位矩阵。

作为本发明的另一个优选实施例，为了优化所述混合高斯分布模型的背景更新模式，在所述S1步骤的所述混合高斯分布模型不断更新过程中，引入阴影检测模块，对图像进行阴影像素点检测，包括以下步骤：

S11、构建阴影像素点S_t(x，y)的判别式：

|I_t(x，y)H-B_t(x，y)H|≤τ_H

|I_t(x，y)S-B_t(x，y)S|≤τ_S

其中，I_t(x，y)为所述S1步骤采集到的t时刻实时图像；B_t(x，y)为所述S1步骤采集到的t时刻实时图像的B分量，H、S和V分别为所述S1步骤采集到的t时刻图像RGB转换至HSV空间的HSV分量；α为用于阴影检测的亮度敏感度第一调节参数，β为用于阴影检测的亮度敏感度第二调节参数，τ_H为用于阴影检测的噪声敏感度第一调节参数，τ_S为用于阴影检测的噪声敏感度第二调节参数；

S12、判断被检测图像中的各个像素点是否符合所述步骤S21构建的阴影像素点判别式，若符合，则标记为阴影像素点。

阴影检测在色度分析上进行，适用于移动物体阴影检测，且对背景阴影具有抑制效果。

进一步优选地，所述S1步骤中不断更新多个高斯分布的混合高斯分布模型的更新方程如下：

其中，

为中心向量；

为t时刻实时图像的像素

符合分布模型的归属因子，最符合的分布模型归属为1，其余模型为0；

为指数级下降的包络曲线，用以限制旧数据的影响；

不断更新多个高斯分布的混合高斯分布模型中，判断t时刻实时图像的像素

的马氏距离

是否小于三倍的标准差用于判别该像素是否符合现有高斯分布，判断t时刻实时图像的像素

的马氏距离

的计算公式如下：

σ_m为高斯分布的方差。

作为本发明的另一个优选实施例，所述S2步骤中采用像素均值法分析采集到的t时刻实时图像处的轮廓类别的判别式为：

其中，I为采集到的t时刻实时图像的像素点总数，i为采集到的t时刻实时图像的第i个像素点，b_w为目标像素值；

当P＞191时，则表明采集到的t时刻实时图像中目标前景点多于阴影点，则判断采集到的t时刻实时图像的轮廓目标为前景轮廓。

作为本发明的另一个优选实施例，如图2所示，所述S5步骤中建立三维KD树将采集到的无序三维点云数据整理形成有序三维点云数据包括以下步骤：

S51、将激光雷达采集到的维度为三维的无序点云数据T＝{p₁，p₂，p₃}，其中

进行初始化分割轴，对每个维度的点云位置数据进行方差和的计算，取最大方差的维度作为分割超平面，标记为r；

S52、当前点云位置数据按分割超平面维度进行检索，找到中位数数据，并将其放入到当前节点上，根结点对应于包含T的三维空间的超平面区域；

S53、将当前超平面维度分割为两个子超平面维度，所有小于中位数的值划分到左支子超平面维度中，所有大于等于中位数的值划分到右支子超平面维度中；

S54、更新所述S51步骤得到的分割超平面r，将划入子超平面维度的点保存在当前的根节点上，更新所述S51步骤得到的分割超平面r的公式如下：r＝(r+1)％3，％为取余计算；

S55：在所述S53步骤得到的左支子超平面维度的数据中重复进行所述步骤S52直至子维度中无数据，确定得到左节点；在所述S53步骤得到的右支子超平面维度的数据中重复进行所述步骤S52，直至子维度中无数据，确定得到右节点；

S56：输出点云对应的KD树，根据所述点云对应的KD树对采集到的无序三维点云数据整理形成有序三维点云数据。

进一步优选地，如图3所示，所述S5步骤中计算欧氏距离对形成的有序三维点云数据进行聚类的欧氏距离计算公式如下：

其中，x_i为有序三维点云数据中的第i个点云数据的横坐标，y_i为有序三维点云数据中的第i个点云数据的纵坐标，n为有序三维点云数据中点云数据的总个数。

作为本发明的另一个优选实施例，所述S5步骤中，通过矩阵变换的方式将经过聚类后的有序三维点云数据转换为二维平面内抛洒物坐标包括以下步骤：

1)、构建转移矩阵M，将激光雷达采集到的目标抛洒物的点云空间内的三维坐标(X，Y，Z)转移为目标抛洒物的二维平面内的坐标(u，v)：

其中，m_ab为转移矩阵M中的第a行第b列转移参数，a＝1,2,3；b＝1,2,3,4；Z_C为摄像头所在相机坐标系的z轴坐标；

2)、根据所述转移矩阵计算目标抛洒物的二维平面内的坐标(u，v)的公式如下：

3)、经过所述步骤2)的计算，得到一系列的线性方程，解得标定参数，进而得到目标抛洒物的二维平面内的坐标(u，v)。

通过激光雷达采集三维点云数据，读取激光雷达获取到的目标抛洒物的点云空间内的三维坐标(X，Y，Z)，通过矩阵变化得到对应的在图像平面内的目标抛洒物的二维平面内的坐标(u，v)。当判断计算出的图像像素坐标在摄像头读取到的图像内部时，读出图像像素(R,G,B)，赋值给点云数据，形成基于RGB相机3D坐标系下的3D坐标彩色点云，实现摄像头与激光雷达的融合。

而激光雷达已将点云数据完成了ROI提取、地面分割、欧式聚类等操作，已生成物体矩阵定位框，图像处理已基本确定抛洒物的基本位置，则可定位其相对于车身的三维位置，完成定位，根据抛洒物所在车道于车身的拓扑关系，可为车辆的下一步驾驶路线提供线索。

虽然经过S51-S56步骤可以将采集到的激光雷达数据已转换为有序数据组。而由于激光雷达每次采集障碍点时视角不同，采集的部分障碍点坐标变化较大，很多障碍点与障碍物的跟踪不相关，障碍点过多会影响外接框轮廓的提取，所以需要对原始点云进行筛选出感兴趣区域。本发明通过欧式聚类将激光雷达采集并通过KD树整理得到的无法较为准确地确定障碍物的有序点云数据，继续进行聚类处理，进而点云数据有规律地聚合成点集。因此通过ROI提取检索包含路面、路口的区域，同时通过基于平面栅格构建俯视图对数据进行地面分割，以留下路面上障碍物的点云数据。再通过主成分分析法寻找聚类完成的点集的三个主方向，求出质心，计算协方差，获得协方差矩阵，采用雅可比迭代法求取协方差矩阵的特征值和特征向量，特征向量即为主方向，将每个点的(X，Y，Z)坐标投影到计算出的坐标轴上，位置由累加所有点再求均值得到，求出中心点和半长度，生成最小的旋转矩形，形成沿着目标的主成分方向的包围框。

进一步优选地，所述步骤1)中的点云空间内的三维坐标(X，Y，Z)为将采集到的三维数据依据体素网格进行体素划分，创建一个体积为1立方厘米的三维体素栅格，容纳后每个体素内用体素中所有点的质心来近似显示体素中其他点，其质心计算如下：

其中，m为被检测目标物的三维坐标体素化的体素内包含体素点的总数，x_central、y_central和z_central为质心的三维x轴坐标、y轴坐标和z轴坐标，则检测目标物的三维坐标体素化的体素内所有点都用该质心最终表示；点云空间内的三维坐标(X，Y，Z)中X＝x_central，Y＝y_central，Z＝z_central。

通过使用体素化网格方法实现下采样，即在不破坏点云几何结构功能的前提下，减少点的数量的同时保存点云的形状特征，去除一定程度的噪音点和离群点。但通过体素滤波后的点云数据仍为无序数据，且数据量依旧庞大，处理难度大，因而需要通过KD树，减少很多的时间消耗，同时确保点云的关联点寻找和配准处于实时的状态。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种混合高斯域下道路抛洒物的世界坐标定位方法，其特征在于，所述方法包括以下步骤：

S1、通过摄像头采集图像，使用具有多个高斯分布的混合高斯分布模型确认采集到的图像中每个像素点的前背景归属；不断更新并进行阴影像素点检测，提取出所需的前景，并对其进行腐蚀、膨胀的闭操作的形态学处理，获取较为完整的前景；

S2、使用像素均值法分析采集到的t时刻实时图像处的轮廓类别，便于分析其是前景还是阴影轮廓；

S3、引入Matchshape算子，利用Hu矩阵同时具有的平移、缩放和旋转不变性，匹配目标轮廓与阴影轮廓；对出现物影匹配成功的进行物影轮廓预存，更新筛选；并将匹配结果的疑似抛洒物影轮廓模板与姿态初始化保存；

S4、经过所述S3步骤后得到完成定位的疑似抛洒物，采用所述S2步骤的方法对新进前景做阴影剔除，获取前景目标；使用模板对前景中的目标进行物影匹配，完成跟踪，并输出跟踪定位得到的抛洒物坐标；

S5、采用激光雷达采集抛洒物的三维点云数据，建立三维KD树将采集到的无序三维点云数据整理形成有序三维点云数据，然后计算欧氏距离对形成的有序三维点云数据进行聚类，然后通过矩阵变换的方式将经过聚类后的有序三维点云数据转换为二维平面内抛洒物坐标，将转换后的二维平面抛洒物坐标与所述S4步骤输出的抛洒物坐标进行融合，完成道路抛洒物的世界坐标定位。

2.根据权利要求1所述的一种混合高斯域下道路抛洒物的世界坐标定位方法，其特征在于，所述S1步骤中的多个高斯分布的混合高斯分布模型如下：

其中，M为混合高斯分布模型的高斯分布个数，χ_T为从t时刻开始在时间窗口T内的采集样本集，χ_T＝{x^(t)，...，x^(t-T)}，χ_T用于表示在时间窗口T内不断增加新样本更新背景模型，以适应复杂环境变化；BG与FG分别表示背景分量与前景分量；π_m表示M个混合模型的权重；η为高斯分布的概率密度函数；

与

分别为t时刻像素点的均值与协方差矩阵，其中

为高斯分布方差估计值，I为单位矩阵。

3.根据权利要求1所述的一种混合高斯域下道路抛洒物的世界坐标定位方法，其特征在于，在所述S1步骤的所述混合高斯分布模型不断更新过程中，对图像进行阴影像素点检测，包括以下步骤：

S11、构建阴影像素点S_t(x，y)的判别式：

|I_t(x，y)H-B_t(x，y)H|≤τ_H

|I_t(x，y)S-B_t(x，y)S|≤τ_S

其中，I_t(x，y)为所述S1步骤采集到的t时刻实时图像；B_t(x，y)为所述S1步骤采集到的t时刻实时图像的B分量，H、S和V分别为所述S1步骤采集到的t时刻图像RGB转换至HSV空间的HSV分量；α为用于阴影检测的亮度敏感度第一调节参数，β为用于阴影检测的亮度敏感度第二调节参数，τ_H为用于阴影检测的噪声敏感度第一调节参数，τ_S为用于阴影检测的噪声敏感度第二调节参数；

S12、判断被检测图像中的各个像素点是否符合所述步骤S21构建的阴影像素点判别式，若符合，则标记为阴影像素点。

4.根据权利要求1所述的一种混合高斯域下道路抛洒物的世界坐标定位方法，其特征在于，所述S1步骤中不断更新多个高斯分布的混合高斯分布模型的更新方程如下：

其中，

为中心向量；

为t时刻实时图像的像素

符合分布模型的归属因子，最符合的分布模型归属为1，其余模型为0；

为指数级下降的包络曲线，用以限制旧数据的影响；

不断更新多个高斯分布的混合高斯分布模型中，判断t时刻实时图像的像素

的马氏距离

是否小于三倍的标准差用于判别该像素是否符合现有高斯分布，判断t时刻实时图像的像素

的马氏距离

的计算公式如下：

σ_m为高斯分布的方差。

5.根据权利要求1所述的一种混合高斯域下道路抛洒物的世界坐标定位方法，其特征在于，所述S2步骤中采用像素均值法分析采集到的t时刻实时图像处的轮廓类别的判别式为：

其中，I为采集到的t时刻实时图像的像素点总数，i为采集到的t时刻实时图像的第i个像素点，b_w为目标像素值；

当P＞191时，则表明采集到的t时刻实时图像中目标前景点多于阴影点，则判断采集到的t时刻实时图像的轮廓目标为前景轮廓。

6.根据权利要求1所述的一种混合高斯域下道路抛洒物的世界坐标定位方法，其特征在于，所述S5步骤中建立三维KD树将采集到的无序三维点云数据整理形成有序三维点云数据包括以下步骤：

S51、将激光雷达采集到的维度为三维的无序点云数据T＝{p₁，p₂，p₃}，其中

进行初始化分割轴，对每个维度的点云位置数据进行方差和的计算，取最大方差的维度作为分割超平面，标记为r；

S52、当前点云位置数据按分割超平面维度进行检索，找到中位数数据，并将其放入到当前节点上，根结点对应于包含T的三维空间的超平面区域；

S53、将当前超平面维度分割为两个子超平面维度，所有小于中位数的值划分到左支子超平面维度中，所有大于等于中位数的值划分到右支子超平面维度中；

S54、更新所述S51步骤得到的分割超平面r，将划入子超平面维度的点保存在当前的根节点上，更新所述S51步骤得到的分割超平面r的公式如下：r＝(r+1)％3，％为取余计算；

S55：在所述S53步骤得到的左支子超平面维度的数据中重复进行所述步骤S52直至子维度中无数据，确定得到左节点；在所述S53步骤得到的右支子超平面维度的数据中重复进行所述步骤S52，直至子维度中无数据，确定得到右节点；

S56：输出点云对应的KD树，根据所述点云对应的KD树对采集到的无序三维点云数据整理形成有序三维点云数据。

7.根据权利要求6所述的一种混合高斯域下道路抛洒物的世界坐标定位方法，其特征在于，所述S5步骤中计算欧氏距离对形成的有序三维点云数据进行聚类的欧氏距离计算公式如下：

其中，x_i为有序三维点云数据中的第i个点云数据的横坐标，y_i为有序三维点云数据中的第i个点云数据的纵坐标，n为有序三维点云数据中点云数据的总个数。

8.根据权利要求1所述的一种混合高斯域下道路抛洒物的世界坐标定位方法，其特征在于，所述S5步骤中，通过矩阵变换的方式将经过聚类后的有序三维点云数据转换为二维平面内抛洒物坐标包括以下步骤：

1)、构建转移矩阵M，将激光雷达采集到的目标抛洒物的点云空间内的三维坐标(X，Y，Z)转移为目标抛洒物的二维平面内的坐标(u，v)：

其中，m_ab为转移矩阵M中的第a行第b列转移参数，a＝1，2，3；b＝1，2，3，4；Z_c为摄像头所在相机坐标系的z轴坐标；

2)、根据所述转移矩阵计算目标抛洒物的二维平面内的坐标(u，v)的公式如下：

3)、经过所述步骤2)的计算，得到一系列的线性方程，解得标定参数，进而得到目标抛洒物的二维平面内的坐标(u，v)。

9.根据权利要求8所述的一种混合高斯域下道路抛洒物的世界坐标定位方法，其特征在于，所述步骤1)中的点云空间内的三维坐标(X，Y，Z)为将采集到的三维数据依据体素网格进行体素划分，创建一个体积为1立方厘米的三维体素栅格，容纳后每个体素内用体素中所有点的质心来近似显示体素中其他点，其质心计算如下：

其中，m为被检测目标物的三维坐标体素化的体素内包含体素点的总数，x_central、y_central和z_central为质心的三维x轴坐标、y轴坐标和z轴坐标，则检测目标物的三维坐标体素化的体素内所有点都用该质心最终表示；点云空间内的三维坐标(X，Y，Z)中X＝x_central，Y＝y_central，Z＝z_central。

Images