CN110196429A - 车辆目标识别方法、存储介质、处理器以及系统 - Google Patents

Abstract

本发明公开了一种车辆目标识别方法、存储介质、处理器以及系统。其中，该方法包括：从车载激光雷达获取周围环境的点云数据；对点云数据进行聚类处理，得到多个类别；对所述多个类别进行合并；使用奇异值分解算法对点云数据进行直线拟合；以及根据直线拟合结果进行车辆目标识别。

Description

车辆目标识别方法、存储介质、处理器以及系统

技术领域

本发明涉及汽车自动驾驶领域，具体而言，涉及一种基于车载激光雷达的车辆目标识别方法、存储介质、处理器以及系统。

背景技术

为减少交通事故的发生，提高车辆安全性，研发辅助驾驶员或者接替驾驶员对车辆进行操纵的自动驾驶系统正成为车辆工程领域的热点议题。在汽车自动驾驶系统中，车辆目标识别是其一项重要的功能，也是其可靠工作的基础。通过对道路上其他正在行驶的车辆进行检测和识别，自动驾驶系统能够及时获取动态的行驶环境信息，从而为路径规划、避障防撞等驾驶过程提供依据。

现有的自动驾驶系统中，车辆目标识别通常依赖于视觉传感器或是超声波雷达传感器来进行。视觉传感器法采用感光元件模拟人眼的视觉系统，对行驶环境进行拍摄，得到当前环境的动态图像信息，然后采用图像处理技术模拟人脑对图像的处理，从图像中识别出目标并得到目标的运动参数，从而实现对现实空间信息的感知。这种方法设备简单、成本低廉，能够达到较远的工作距离，但对道路环境的光照条件、天气条件、交通条件变化极为敏感，环境适应性比较差。超声波雷达传感器法通过在车上搭载超声波雷达，利用超声波的反射对车辆目标进行检测，同时根据超声波发射与返回的时间差对车辆目标进行速度测定。这种方法具有良好的环境适应性，能够在环境变化的条件下保持工作稳定，同时由于超声波在空气中波速较慢，其回波信号中包含的沿传播方向上的结构信息很容易检测出来，具有很高的分辨能力，因而其准确度也比较高。但是超声波频率较低，波长较长，能够可靠工作的距离比较短，通常有效的检测距离仅在5米以内。

近年来，随着激光雷达在车载领域的大规模应用，为汽车自动驾驶系统提供了一种全新的技术解决方案。激光雷达以其探测精度高、探测速度快、抗干扰能力强、环境适应性好等特点，迅速地改变着自动驾驶领域。但如何对激光雷达丰富的探测数据进行处理，得到实时性好的可应用信息，仍然是车载激光雷达应用中一个亟待解决的重要问题。

针对视觉传感器法识别车辆目标对道路环境的光照条件、天气条件、交通条件变化极为敏感，环境适应性比较差，超声波雷达传感器法能够可靠工作的距离比较短问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种车辆目标识别方法、存储介质、处理器以及系统，以至少解决视觉传感器法识别车辆目标对道路环境的光照条件、天气条件、交通条件变化极为敏感，环境适应性比较差，超声波雷达传感器法识别车辆目标能够可靠工作的距离比较短问题的技术问题。

根据本发明实施例的一个方面，提供了一种车辆目标识别方法，包括：

从车载激光雷达获取周围环境的点云数据；对点云数据进行聚类处理，得到多个类别；对多个类别进行合并；使用奇异值分解算法对点云数据进行直线拟合；以及根据直线拟合结果进行车辆目标识别。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上面任意一项所述的车辆目标识别方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上面任意一项所述的车辆目标识别方法。

根据本发明实施例的另一个方面，还提供一种车辆目标识别系统，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：从车载激光雷达获取周围环境的点云数据；对点云数据进行聚类处理，得到多个类别；对多个类别进行合并；使用奇异值分解算法对点云数据进行直线拟合；以及根据直线拟合结果进行车辆目标识别。

在本发明实施例中，通过使用二维激光雷达作为传感器来进行车辆目标识别，克服了视觉传感器受环境影响大和超声波雷达传感器检测距离短的缺点，提高了自动驾驶车辆的环境感知能力，对于自动驾驶车辆的安全性和适应性具有积极意义。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是执行根据本发明实施例所述的车辆目标识别方法的车载终端的示意图；

图2是根据本发明实施例所述的车载二维激光雷达点云数据处理模块架构图；

图3为根据本发明实施例所述的车辆目标识别方法的流程图；

图4为根据本发明实施例所述的方法中进行断点剔除的原理图；

图5A和图5B为根据本发明实施例所述的方法中的直线拟合的结果的示意图；

图6为根据本发明实施例所述的方法中根据直线拟合的结果进行目标识别的示意图；以及

图7为根据本发明实施例所述的方法的具体描述的流程图；

图8为根据本发明实施例的一个方面的车辆目标识别系统的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种车辆目标识别的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例一所提供的方法实施例可以在移动终端、车载终端或者类似的运算装置中执行。图1示出了一种用于实现车辆目标识别方法的车载终端(或移动设备)的硬件结构框图。如图1所示，车载终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，车载终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到车载终端10(或移动设备) 中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的车辆目标识别方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至车载终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括车载终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与车载终端10(或移动设备)的用户界面进行交互。

在上述运行环境下，本申请提供了如图3所示的车辆识别方法。图3 是根据本发明实施例的车辆识别方法的流程图。

如图3所示，本发明实施例提供了一种检测障碍物的方法，包括：

S302：从车载激光雷达获取周围环境的点云数据；

S304：对点云数据进行聚类处理，得到多个类别；

S306：对多个类别进行合并；

S308：使用奇异值分解算法对点云数据进行直线拟合；以及

S310：根据直线拟合结果进行车辆目标识别。

具体地，本发明提供的一种基于车载二维激光雷达数据的车辆目标识别方法，主要是使用聚类的方法对二维激光雷达所产生的点云数据进行区分后，对区分好的点云数据进行直线拟合(例如，可以采用SVD分解的方式进行直线拟合)，并且根据直线拟合结果进行车辆目标识别，就可以完成对车辆目标的识别。同时，本发明提供的车辆目标识别方法包含了目标追踪方法，能够对目标进行持续追踪识别。

本发明实施例提供的车辆目标识别方法、存储介质、处理器以及系统，解决了视觉传感器法识别车辆目标对道路环境的光照条件、天气条件、交通条件变化极为敏感，环境适应性比较差，超声波雷达传感器法识别车辆目标能够可靠工作的距离比较短问题的技术问题。

具体地，图2所示是执行本发明方法的车载二维激光雷达点云数据处理模块的架构图。本发明所提供的车载二维激光雷达点云数据处理方法中，主要包括数据预处理模块1、特征提取模块2、目标识别模块3和目标追踪模块4四个部分。其中数据预处理模块1对原始点云数据进行格式整理后，将带有二维坐标信息及速度信息的点云数据应用聚类算法分为多个不同的类别，并在模块内对分出的类别按照兴趣区域进行划分，提取出感兴趣区域内类类别进行适当合并以减少运算量。经过预处理模块后点云数据被送入特征提取模块2，在该模块内，经过适当聚类及合并后数据将进行断点筛查，去除掉异常值后点云数据将被使用SVD分解的方法进行直线拟合，得到I型或L型(即，直线型或折线型)的车辆形状轮廓。该轮廓被输入目标识别模块后将被补为完整矩形，然后将该矩形的形状尺寸与不同车型的形状尺寸进行比对，并结合点的速度信息进行筛选，从而完成车辆目标识别。最后，该识别出的车辆目标将被送入目标追踪模块4，该模块通过Kalman滤波的时间更新方程根据之前时刻得到的点的坐标信息，预测识别出的车辆目标在下一个时刻的位置和状态，并不断进行搜索和更新，从而保持对目标的追踪识别。

可选地，本发明中车辆目标识别方法的类别是通过设置相邻两点的几何距离确定的。这里所采取的具体聚类规则为：当相邻两点的几何距离小于某一设定阈值时，则将这两个相邻点归于同一个类别内。设激光雷达所输出的任意两点距离信息分别为r_k和r_k+1，r_min＝min{r_k,r_k+1}， r_k,k+1＝|r_k+1-r_k|，则聚类规则可用下式表示：

式中，β是引入的用来减少所分割部分对激光雷达到物体距离的依赖性的参数，是可以通过实验确定的。C₀是用来调节激光雷达的纵向误差的参数。若C₀＝0，则β就表示相邻两点属于同一类别时目标的最大绝对倾斜角度。β取得太小易将同一目标上的点分类为不同的类别，β取得太大可能将不同物体上的点分类为同一个类别。通常，根据实际道路上行驶的车辆的角度和行驶速度，可按表1示在不同工况下对β和C₀进行取值。

表1不同工况下β和C₀取值参考表

可选地，本发明中车辆目标识别方法的聚类处理包括将散乱的二维点云数据划分为多个点类，其中点类内部点的几何坐标相近。

可选地，对多个类别进行合并的操作包括：选取兴趣区域并对区域内类别进行合并。在实际应用中，由于车道宽度是有限的，因此仅需要对车道内的范围进行检测，选定适宜的检测范围有利于减少本发明车辆目标识别方法的计算量，提高方法的实时性。同时，对聚类算法输出的各个类别，应考虑到同一车辆上的点因遮挡或反射率变化的原因被分成多个类别的情况，对类别进行适当合并，以减少方法的计算量。在兴趣区域划分的具体规则上，由于我国标准的公路车道宽度为3.75m，而大多数标准公路为三车道，因此按三车道宽度近似取12m，即激光雷达安装位置左右各6m 为横向兴趣区域，纵向兴趣区域根据车载二维激光雷达对白色目标的实测有效工作距离取50m。同时，当超出100m的激光雷达极限检测距离后，即便有目标也会因此时激光反射率太低而无法检测到，因此将距离激光雷达超过100m的区域均视为无目标区域。综合以上，可以得到兴趣目标的筛选判断条件：以x表示点到激光雷达的横向距离，以y表示点到激光雷达的纵向距离，若interest_label＝0，说明目标超出范围，是无效的目标，不予处置；若interest_label＝1，说明是感兴趣目标，将在接下来的流程中继续处置；interest_label＝2，说明是范围内不感兴趣的目标，不予处置。

筛选出感兴趣区域内的类别后，使用如下函数对类别进行合并：

segment(f,l,θ_f,θ_l,interest_label,d_max)

该函数中，f为类别的起始点数据，l为类别的终止点数据，θ_f为起始点的角度，θ_l为终止点的角度，interest_label为类别的标记，d_max为类别中离激光雷达最远的点到激光雷达的距离，根据每个类别所得到这些数据进行比对，当这些数据的误差百分比在阈值以下时即可将类别合并，在实际应用中，该阈值百分比可取平均10％。

可选地，选取兴趣区域的操作包括：根据应用场景设定测量角度和距离，选取兴趣区域。

可选地，本发明中车辆目标识别方法按照车辆目标外形与轮廓特征及车辆被分割为多个类别的原因对类别进行合并。

可选地，本发明中车辆目标识别方法的直线拟合的操作包括：将进行聚类后的点云数据进行断点剔除，去掉异常值。具体地，经过预处理的点云数据先根据图4所示的原理进行断点剔除，去除掉明显的异常值。具体的方法是：将类别的起点和终点连成一条直线，如果类别中的点到该直线的距离超过设定的阈值，则该

点为断点，然后再分别在起点与该断点，该断点与终点之间进一步细化断点的寻找，不断进行迭代，从而使点云数据的汇集性越来越好。由于车辆的外形尺寸较大，因此上述的断点寻找只对点数大于5，类别起点与终点间距离大于0.5m，小于12.5m的类别物体进行断点剔除，在实际应用中，断点剔除的阈值设置为0.35m。经过断点剔除的点云数据采用SVD 分解的方法进行直线拟合，具体的操作是：对二维点形成的类别点阵 A∈(m,n)，首先求出A^TA和AA^T，进而求出二者的特征值λ₁和λ₂，特征向量和将特征值和特征向量代入公式求出奇异值σ_i，最终得到类别点阵A的奇异值分解A＝U∑V^T(VV^T＝E,UU^T＝E,∑＝diag[σ_1,σ₂…σ_i,0,0…0])，利用此方法对点云数据进行直线拟合时，可以得到图5A所示的两种直线类型，其中I型拟合时(即，直线)，设直线方程为ax+by+c＝0，L型拟合时(即，折线)设直线方程为 ax+by+c＝0和bx-ay+d＝0，两者可分别写出下述两个线性方程组，对线性方程组使用上述方法求奇异值分解，即可得到拟合的直线方程。

可选地，直线拟合的操作包括：通过直线拟合得到直线或折线。参考图5A和图5B所示，通过直线拟合可以得到上面所述的直线(例如图5A 所示的I型直线V1)或折线(例如图5B所示的L型直线V2)。

可选地进行车辆目标识别的操作包括：将直线或折线补为完整的矩形；将矩形与车辆目标进行尺寸比对，并结合点的速度信息进行筛选，完成对车辆目标的识别。具体地，参考图6所示，将直线拟合结果输入车辆目标识别模块，在此模块内以拟合所得到I型直线为宽边，以最远感兴趣点到宽边距离为长边补足矩形，或以拟合所得到L型直线中较长的一段为宽边，以最远感兴趣点到宽边距离为长边补足矩形，得到图6所示车辆轮廓矩形投影。车辆目标按长度及宽度的不同，将车辆目标分为小型车辆、中型车辆、大型车辆三种类型，小型车辆的标准为：长度<3.6m，宽度<1.4m，标准尺寸3.6m×1.4m；中型车辆的标准为：3.6m<长度<4.5m，1.5m<宽度<2m，标准尺寸4.5m×1.8m；大型车辆的标准为：4.5m<长度<12m，2m<宽度<2.5m，标准尺寸8m×2.4m。同时，为应对目标被遮挡的情况，还应结合点的速度信息进行判断，当点的速度信息＞20km/h时，应该判定为车辆。经过上述目标识别过程后，车辆目标被识别出并按大、中、小型车辆进行分类。

可选地，本发明终端车辆目标识别方法还包括：使用Kalman滤波追踪器对目标进行持续追踪。具体地，根据Kalman滤波模型，先对某一时刻已获得的目标点的数据计算先验的状态量和先验状态量与上一时刻估计量的误差的协方差，依据先验的状态量和误差的协方差对下一时刻目标点的位置进行估计，并以估计位置为中心进行搜索，当获得新的激光雷达测量数据后，再使用新的激光雷达测量数据更新后验状态量和后验状态量与估计量的误差协方差，从而实现对目标的持续追踪。通过不断跟踪检测，提高系统精确度。

下面参考图7，具体描述本申请实施例所述的方法。

步骤S702：安装车载二维激光雷达并进行连线。利用二维激光雷达上的螺纹安装孔，用螺丝将二维激光雷达固定于汽车前部悬挂号牌的螺纹孔中。二维激光雷达安装完毕后，将二维激光雷达的电源线和信号线分别接好，具体接法是：将二维激光雷达的USB电源线插入汽车点烟器12V 电源插头，二维激光雷达的RJ45信号输出线插入车载计算机的通信网口。在系统进入工作状态之前，应先按下表1对激光雷达参数进行设置，该设置的目的是通过设置抵消部分因工作状态中激光雷达位置移动而带来的测量误差，同时减小激光雷达因激光发射时像素混合重叠而带来的测量误差。

表1不同工况下车载二维激光雷达参数设置表

步骤S704：对点云数据进行聚类处理。启动车辆开始行驶后，二维激光雷达会采集到一系列包含二维坐标信息和速度信息的点，使用聚类算法对这些点云数据进行区分，所得到的数据簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。根据车载二维激光雷达的具体应用场景，在这里所采取的具体聚类规则为：当相邻两点的几何距离小于某一设定阈值时，则将这两个相邻点归于同一个类别内。设激光雷达所输出的任意两点距离信息分别为r_k和r_k+1，r_min＝ min{r_k,r_k+1}，r_k,k+1＝|r_k+1-r_k|，则聚类规则可用下式表示：

式中，β是引入的用来减少所分割部分对激光雷达到物体距离的依赖性的参数，是可以通过实验确定的。C₀是用来调节激光雷达的纵向误差的参数。若C₀＝0，则β就表示相邻两点属于同一类别时目标的最大绝对倾斜角度。β取得太小易将同一目标上的点分类为不同的类别，β取得太大可能将不同物体上的点分类为同一个类别。通常，根据实际道路上行驶的车辆的角度和行驶速度，可按表2所示在不同工况下对β和C₀进行取值。

表2不同工况下β和C₀取值参考表

步骤S706：选取兴趣区域并对区域内的类别进行合并。在实际应用中，由于车道宽度是有限的，因此仅需要对车道内的范围进行检测，选定适宜的检测范围有利于减少本发明车辆目标识别方法的计算量，提高方法的实时性。同时，对聚类算法输出的各个类别，应考虑到同一车辆上的点因遮挡或反射率变化的原因被分成多个类别的情况，对类别进行适当合并，以减少方法的计算量。在兴趣区域划分的具体规则上，由于我国标准的公路车道宽度为3.75m，而大多数标准公路为三车道，因此按三车道宽度近似取12m，即激光雷达安装位置左右各6m为横向兴趣区域，纵向兴趣区域根据车载二维激光雷达对白色目标的实测有效工作距离取50m。同时，当超出100m的激光雷达极限检测距离后，即便有目标也会因此时激光反射率太低而无法检测到，因此将距离激光雷达超过100m的区域均视为无目标区域。综合以上，可以得到兴趣目标的筛选判断条件：以x表示点到激光雷达的横向距离，以y表示点到激光雷达的纵向距离，若interest_label＝0，说明目标超出范围，是无效的目标，不予处置；若interest_label＝1，说明是感兴趣目标，将在接下来的流程中继续处置；interest_label＝2，说明是范围内不感兴趣的目标，不予处置。

筛选出感兴趣区域内的类别后，使用如下函数对类别进行合并：

segment(f,l,θ_f,θ_l,interest_label,d_max)

该函数中，f为类别的起始点数据，l为类别的终止点数据，θ_f为起始点的角度，θ_l为终止点的角度，interest_label为类别的标记，d_max为类别中离激光雷达最远的点到激光雷达的距离，根据每个类别所得到这些数据进行比对，当这些数据的误差百分比在阈值以下时即可将类别合并，在实际应用中，该阈值百分比可取平均10％。

步骤S708：使用SVD分解对点云数据进行直线拟合。经过预处理的点云数据先根据图4所示的原理进行断点剔除，去除掉明显的异常值。具体的方法是：将类别的起点和终点连成一条直线，如果类别中的点到该直线的距离超过设定的阈值，则该点为断点，然后再分别在起点与该断点，该断点与终点之间进一步细化断点的寻找，不断进行迭代，从而使点云数据的汇集性越来越好。由于车辆的外形尺寸较大，因此上述的断点寻找只对点数大于5，类别起点与终点间距离大于0.5m，小于12.5m的类别物体进行断点剔除，在实际应用中，断点剔除的阈值设置为0.35m。经过断点剔除的点云数据采用SVD分解的方法进行直线拟合，具体的操作是：对二维点形成的聚类点阵A∈(m,n)，首先求出A^TA和AA^T，进而求出二者的特征值λ₁和λ₂，特征向量和将特征值和特征向量代入公式求出奇异值σ_i，最终得到聚类点阵A的奇异值分解A＝U∑V^T (VV^T＝E,UU^T＝E,∑＝diag[σ₁,σ₂…σ_i,0,0…0])，利用此方法对点云数据进行直线拟合时，可以得到图5A和图5B所示的两种直线类型，其中I 型拟合时(即，直线V1)，设直线方程为ax+by+c＝0，L型拟合时(即，折线V2)，设直线方程为ax+by+c＝0和bx-ay+d＝0，两者可分别写出下述两个线性方程组，对线性方程组使用上述方法求奇异值分解，即可得到拟合的直线方程。

步骤S710：根据直线拟合结果进行车辆目标识别。将如图5A和图5B 所示的直线拟合结果输入车辆目标识别模块，在此模块内以拟合所得到I 型直线为宽边，以最远感兴趣点到宽边距离为长边补足矩形，或以拟合所得到L型直线中较长的一段为宽边，以最远感兴趣点到宽边距离为长边补足矩形，得到如图6所示的车辆轮廓矩形投影。车辆目标按长度及宽度的不同，将车辆目标分为小型车辆、中型车辆、大型车辆三种类型，小型车辆的标准为：长度<3.6m，宽度<1.4m，标准尺寸3.6m×1.4m；中型车辆的标准为：3.6m<长度<4.5m，1.5m<宽度<2m，标准尺寸4.5m×1.8m；大型车辆的标准为：4.5m<长度<12m，2m<宽度<2.5m，标准尺寸8m×2.4m。同时，为应对目标被遮挡的情况，还应结合点的速度信息进行判断，当点的速度信息＞20km/h时，应该判定为车辆。经过上述目标识别过程后，车辆目标被识别出并按大、中、小型车辆进行分类。

步骤S712：使用Kalman滤波追踪器对目标进行持续追踪。根据 Kalman滤波模型，先对某一时刻已获得的目标点的数据计算先验的状态量和先验状态量与上一时刻估计量的误差的协方差，依据先验的状态量和误差的协方差对下一时刻目标点的位置进行估计，并以估计位置为中心进行搜索，当获得新的激光雷达测量数据后，再使用新的激光雷达测量数据更新后验状态量和后验状态量与估计量的误差协方差，从而实现对目标的持续追踪。

综上，本发明实施例提供的车辆目标识别方法、存储介质、处理器以及系统，解决了视觉传感器法识别车辆目标对道路环境的光照条件、天气条件、交通条件变化极为敏感，环境适应性比较差，超声波雷达传感器法识别车辆目标能够可靠工作的距离比较短问题的技术问题。

此外，参考图1所示，根据本实施例的第二个方面，还提供了一种存储介质104。存储介质104包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以上任意一项所述的车辆目标识别方法。

此外，参考图1所示，根据本实施例的第三个方面，还提供了一种处理器，处理器用于运行程序。其中，程序运行时执行以上任意一项所述的车辆目标识别方法。

此外，参考图8所示，根据本实施例的第四个方面，还提供了一种车辆目标识别系统800。该系统800包括：处理器802；以及存储器804，与处理器802连接，用于为处理器802提供处理以下处理步骤的指令：从车载激光雷达获取周围环境的点云数据；对点云数据进行聚类处理，得到多个类别；对多个类别进行合并；使用奇异值分解算法对点云数据进行直线拟合；以及根据直线拟合结果进行车辆目标识别。

可选地，类别是通过设置相邻两点的几何距离确定的。

可选地，聚类处理包括将散乱的二维点云数据划分为多个的点类，其中点类内部点的几何坐标相近。

可选地，对多个类别进行合并的操作包括：选取兴趣区域，并对兴趣区域内类别进行合并。

可选地，选取兴趣区域的操作包括：根据应用场景设定测量角度和距离，选取兴趣区域。

可选地，对多个类别进行合并的操作包括：按照车辆目标外形与轮廓特征及车辆被分割为多个类别的原因对类别进行合并。

可选地，直线拟合的操作包括：将进行聚类后的点云数据进行断点剔除，去掉异常值。

可选地，直线拟合的操作包括：通过直线拟合得到直线或折线。

可选地，进行车辆目标识别的操作包括：将直线或折线补为完整的矩形；将矩形与车辆目标进行尺寸比对，并结合点的速度信息进行筛选，完成对车辆目标的识别。

可选地，还包括：使用Kalman滤波追踪器对所识别的目标进行持续追踪。

从而，本发明实施例提供车辆目标识别系统解决了视觉传感器法识别车辆目标对道路环境的光照条件、天气条件、交通条件变化极为敏感，环境适应性比较差，超声波雷达传感器法识别车辆目标能够可靠工作的距离比较短问题的技术问题。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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根据上述实施例的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。

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。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM， Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种车辆目标识别方法，其特征在于，包括：

从车载激光雷达获取周围环境的点云数据；

对点云数据进行聚类处理，得到多个类别；

对所述多个类别进行合并；

使用奇异值分解算法对点云数据进行直线拟合；以及

根据直线拟合结果进行车辆目标识别。

2.根据权利要求1所述的车辆目标识别方法，其特征在于，所述类别是通过设置相邻两点的几何距离确定的。

3.根据权利要求1所述的车辆目标识别方法，其特征在于，所述聚类处理包括将散乱的二维点云数据划分为多个点类，其中所述点类内部点的几何坐标相近。

4.根据权利要求1所述的车辆目标识别方法，其特征在于，对所述多个类别进行合并的操作包括：选取兴趣区域，并对所述兴趣区域内的类别进行合并。

5.根据权利要求1所述的车辆目标识别方法，其特征在于，所述直线拟合的操作包括：将进行聚类后的点云数据进行断点剔除，去掉异常值。

6.根据权利要求5所述的车辆目标识别方法，其特征在于，所述直线拟合的操作包括：通过所述直线拟合得到直线或折线。

7.根据权利要求6所述的车辆目标识别方法，其特征在于，进行车辆目标识别的操作包括：将所述直线或折线补为完整的矩形；将所述矩形与车辆目标进行尺寸比对，并结合点的速度信息进行筛选，完成对车辆目标的识别。

8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的车辆目标识别方法。

9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的车辆目标识别方法。

10.一种车辆目标识别系统，其特征在于，包括：

处理器；以及

存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：

从车载激光雷达获取周围环境的点云数据；

对点云数据进行聚类处理，得到多个类别；

对所述多个类别进行合并；

使用奇异值分解算法对点云数据进行直线拟合；以及

根据直线拟合结果进行车辆目标识别。